基于PCC-ML深度学习的微电网多目标协调优化运行

为提高微电网可再生能源优化配置,降低微电网源荷不确定性,提出基于Pearson相关系数元学习（PCC-ML）源荷预测的微电网多目标协调调度优化方法。首先,运用Pearson相关性分析（PCC）分析原始多维输入变量组成的时间序列,通过元学习（ML）对微电网源荷数据进行特征提取、候选模型准备、标记、离线训练和在线预测结果评估5个过程管理;然后,基于预测结果建立微电网两阶段滚动调度优化模型,阶段一为日前预调度阶段,以实现微电网区域全局运行经济性最优为优化目标;阶段二为实时运行调控阶段,考虑微电网新能源实时出力不确定性,对预测偏差实时调控,实现微电网各设备运行成本最优。接着,利用列约束生成算法（C&CG）分解为主、子问题进行交互迭代求解两阶段优化模型。最后,算例分析表明所提方法能满足可见和不可见预测任务的性能需求,提高微电网经济收益。     

基于自适应模型预测控制的柔性互联配电网优化调度

针对柔性互联配电网中源荷不确定性问题,提出了一种基于改进模型预测控制的优化调度方法。建立基于模型预测控制的柔性互联配电网日内优化调度模型,采用自适应动态权重方法处理包含综合供电成本和电压偏差的多目标优化问题,在预测模型部分采用动态场景生成及K-means聚类场景削减方法对源荷预测误差进行处理,针对经典模型预测控制滚动优化部分域参数恒定问题,提出一种域参数自适应调整的滚动优化方法。通过四馈线互联的33节点系统仿真算例验证了所提优化调度方法的有效性。     

基于图像匹配的微电网负荷响应分布式电源波动控制方法

为了提升微电网智能化调控性能,针对微电网负荷调控策略制定问题,基于数据驱动思想借助人工智能技术,提出基于图像匹配的微电网负荷响应分布式电源波动控制方法.首先根据分布式电源与可调控负荷多维运行数据,构建下一调控周期微电网源荷综合特性图像;进而提出了基于K均值聚类-加速鲁棒特征(K-SURF)算法的微电网源荷综合特性图像相...     

基于数据驱动的多微电网互联系统分布鲁棒运行优化

针对多微电网互联系统调度中分布式电源出力不确定性以及运行效率低下等问题,提出基于数据驱动的多微电网互联系统分布鲁棒运行优化策略。首先基于多元正态Copula理论,计及风电功率预测误差的时间相关性及其与预测值的条件相关性,运用聚类方法对处理后的分布式电源数据进行聚类分析,通过场景削减方法生成具有代表性的多变量典型场景,得出分布式电源出力的概率分布模糊集。然后,建立多微电网两阶段滚动调度优化模型,考虑微电网内新能源实时出力的不确定性,提出一种基于列约束生成算法（C&CG）与交替方向乘子法（ADMM）的分布式求解算法,以实现两阶段分布式迭代求解。仿真结果表明,该方法可有效降低源荷预测不确定性对多微电网系统安全运行的影响,提高多微电网区域的经济效益。     

基于K-means聚类粒子群算法的多点PV-DG日前分配计划EI北大核心CSCD

针对光伏分布式电源(PV-DG)将大量接入配电网的场景,提出了基于K-means聚类粒子群算法(PSO)的PV-DG日前出力优化算法。该算法通过K-means聚类法根据PV-DG依次接入不同配电网的节点每小时网损的分析对节点进行分类,结合设计的分配公式初始化并网节点的PV-DG出力,将此出力作为初始化粒子引入粒子群优化算中。将分时系数自回归滑动平均(ARMA)模型预测方法与常规ARMA预测方法进行了比较,仿真结果表明分时系数ARMA模型预测方法提高了预测精度;并将K-means聚类的粒子群算法与粒子群算法及模糊粒子群算法分别进行了比较,对比结果说明提出的优化方法进一步降低了网损。     

基于K-means聚类粒子群算法的多点PV-DG日前分配计划

针对光伏分布式电源(PV-DG)将大量接入配电网的场景,提出了基于K-means聚类粒子群算法(PSO)的PV-DG日前出力优化算法。该算法通过K-means聚类法根据PV-DG依次接入不同配电网的节点每小时网损的分析对节点进行分类,结合设计的分配公式初始化并网节点的PV-DG出力,将此出力作为初始化粒子引入粒子群优化算中。将分时系数自回归滑动平均(ARMA)模型预测方法与常规ARMA预测方法进行了比较,仿真结果表明分时系数ARMA模型预测方法提高了预测精度;并将K-means聚类的粒子群算法与粒子群算法及模糊粒子群算法分别进行了比较,对比结果说明提出的优化方法进一步降低了网损。     

基于混沌理论和GOA-K-means算法的有载分接开关状态特征分析计算方法

为更加准确有效地监测变压器有载分接开关(OLTC)机械状态,针对传统基于K-means的监测方法聚类效果易受其初始聚类中心选择的影响,该文提出一种基于蝗虫算法(GOA)和K-means相结合的OLTC机械状态监测方法.首先针对OLTC振动信号的非线性和混沌特性,利用P-G法和互信息值法计算嵌入维数和延迟时间,对实测的OLTC振动信号进行相空间重构;其次应用Kolmogorov熵对重构后的振动信号混沌特性进行判断;最后为提高聚类精度,针对K-means对初始聚类中心的敏感性,将蝗虫算法引入该算法对其聚类中心进行优化,对重构后的高维振动信号采用优化的K-means聚类方法进行分析.研究结果表明:在OLTC的振动信号识别应用中,优化的K-means聚类算法得到的特征量计算结果具备一定的规律性.研究结果为OLTC的机械运行状态监测提供了一种新的途径.     

基于数据驱动的微电网双层鲁棒优化调度

提出了一种基于数据驱动的微电网两阶段自适应鲁棒优化调度方法。首先,构建了基于数据驱动的微电网市场调度优化框架,利用K-means聚类方法对微电网大量历史数据进行聚类预处理,选取典型场景代表大量复杂场景来获得准确地风电出力概率分布情况。然后,在阶段一建立微电网日前预调度模型;基于预处理的聚类数据,建立数据驱动的风力发电的不确定性集合,在阶段二建立微电网实时调控模型。通过数据驱动构造的风力发电不确定性集合,排除了部分极端场景,降低了模型的保守度。接着,用列约束生成算法(C&CG)将构建的两阶段自适应鲁棒优化模型分解为主问题和子问题进行交互迭代求解。最后,仿真结果验证了所提方法的有效性,降低了微电网设备运行成本,提高了新能源利用率。     

基于数据挖掘技术的气温敏感负荷短期预测研究

提出一种基于改进K-means聚类算法的ARMA预测模型来提高短期负荷预测的精度。采用改进K-means算法解决了传统K-means聚类算法聚类数不确定、初始聚类中心盲目选取的缺点,同时还可提高聚类的效率。在考虑气象因素的情况下,建立了气温与湿度的关系模型,通过负荷与气温的聚类分析,在不同簇内建立相应的ARMA预测模型进行负荷预测,对预测结果进行修正与综合。实例分析表明:运用该方法可将预测结果的平均相对误差控制在2%以内,夏季和冬季的预测平均误差更是低至1.78%和1.48%;相比于单纯的ARMA预测法和考虑气象因素的传统K-means聚类的ARMA预测法,该方法在提高预测精度上有更明显的优势。     

基于DPK-means和ELM的日前光伏发电功率预测

日前光伏发电功率预测是电网经济调度的重要依据。针对K均值(K-means)聚类算法初始聚类中心和聚类数目不易确定的问题和传统神经网络训练参数较多、易陷入局部最优等缺陷,构建了DPK-means和极限学习机(extreme learning machine,ELM)的组合预测算法实现日前光伏发电功率的预测模型。首先,采用密度峰值法(density peaks clustering,DPC)对K-means聚类进行优化,解决了K-means算法初始聚类中心和聚类数目不易确定的问题。然后,在利用DPK-means算法对历史气象数据样本聚类分析的基础上,建立ELM预测模型实现日前光伏发电功率的预测。经实测数据验证可知,所提出的组合预测算法可得到较好的预测结果,具有较强的实用性。     

利用风电制氧的富氧燃煤电厂低碳能源系统容量优化配置

为提高风电消纳能力，降低燃煤电厂碳排放水平，提出了一种利用风电制氧的富氧燃煤电厂低碳能源系统容量优化配置方法。首先，考虑到源荷双侧的不确定性及相关性，采用基于改进轮廓系数的有序聚类算法与含DCH(+)评价指标的K-means聚类算法的典型场景生成法获得源荷典型场景。在此基础上，以系统总成本最小为目标，构建了基于源荷典型场景的利用风电制氧的富氧燃煤电厂低碳能源系统容量优化配置模型。最后，以西北某地区全年源荷数据为例进行了仿真验证。结果表明该典型场景生成法能使系统容量配置结果合理化，引入富氧燃烧技术的同时考虑售卖多余液氧可有效降低系统总成本及碳排放量，提高风电消纳能力。     

基于可拓距K-均值聚类和正弦微分进化算法的风储联合系统优化配置

以最大化风储联合投资商的收益和风电就地消纳率为目标,考虑源网荷协同优化和需求响应构建了风储联合系统的多目标优化配置模型;采用可拓距K-均值聚类算法对分布式风电出力和负荷需求的不确定性进行多场景分析,以实现更为准确而均衡的场景缩减;通过引入多核并行运行环境与正弦函数的思想,提出基于并行多目标正弦微分进化算法对优化配置模型进行高效求解;以IEEE 33节点配电系统为算例进行风储联合系统的优化配置,仿真结果验证了所建模型的有效性和优越性.     

考虑电力系统灵活性的网-储联合规划

高比例可再生能源接入电网使得规划问题更加复杂。提出考虑电力系统灵活性的网-储联合规划方法。分析风电和光伏出力的相关性,采用蒙特卡罗方法生成大量可再生能源发电和负荷场景。基于k-means聚类算法对生成的场景进行缩减,并利用改进的遗传算法确定最优聚类数。通过斯皮尔曼系数筛选典型场景,构建考虑生成概率的典型场景集合。建立以提升灵活性、降低投资成本为目标的双层网-储联合规划模型,并采用灰狼算法迭代求解。算例分析结果表明所提网-储联合规划方案能够有效地提升电力系统灵活性,促进可再生能源消纳。     

采用谱聚类的风电典型出力场景选取方法

为有效地减少原始场景数量,以较小的工作量和较高的精度表征风电出力的全时空特性,本文提出了一种基于谱聚类算法的风电日出力典型场景生成方法。首先采用谱聚类算法对风电日出力场景进行聚类分析,得到能有效反映样本亲疏关系的聚类簇。随后考虑风电的反调峰特性,从聚类后的风电日出力场景中选出能够很好的反映各类场景中原出力曲线调峰效益的出力曲线,将其作为典型场景。最后,以云南某地区2017年风电实际出力数据为算例进行聚类分析,验证所提方法的正确性及有效性。     

面向风光综合消纳的电力系统广域储能容量优化配置研究

针对含大规模风光接入的电力系统中广域储能优化配置问题,提出采用K-means聚类方法,对风电出力、光伏出力与负荷间的时序数据进行典型日场景集抽取;以年弃风成本、弃光成本与储能等效年投资成本3者之和最小为优化目标,建立面向风光综合消纳的广域储能优化配置混合整数线性规划模型,并采用智能优化算法进行求解,实现储能投资最小化和风光消纳最大化的综合最优。以宁夏电网实际运行数据为例,验证了所提模型的合理性与有效性。     

与典型日负荷匹配的风电出力场景构建方法

为了解决风电出力的随机性导致微电网并网规划运行时鲁棒性与计算效率难以平衡的问题,提出一种与典型日负荷场景匹配的风电出力场景构造方法。首先在微电网规划中重点考虑日负荷趋势和峰谷时段位置,利用隶属度函数提取日负荷曲线趋势和峰谷时段信息,并结合改进有序聚类提出典型日负荷选取方法;在典型日负荷的有效时间内,利用风电出力最大增加量和最大减少量,结合插值法提出风电场景构造方法。然后建立评价指标体系来评价典型日负荷选取与对应风电场景构造效果。最后利用电网数据验证所提模型的有效性。     

与典型日负荷匹配的风电出力场景构建方法

为了解决风电出力的随机性导致微电网并网规划运行时鲁棒性与计算效率难以平衡的问题,提出一种与典型日负荷场景匹配的风电出力场景构造方法。首先在微电网规划中重点考虑日负荷趋势和峰谷时段位置,利用隶属度函数提取日负荷曲线趋势和峰谷时段信息,并结合改进有序聚类提出典型日负荷选取方法;在典型日负荷的有效时间内,利用风电出力最大增加量和最大减少量,结合插值法提出风电场景构造方法。然后建立评价指标体系来评价典型日负荷选取与对应风电场景构造效果。最后利用电网数据验证所提模型的有效性。     

计及电动汽车和风光资源不确定性的微电网优化配置*

电动汽车(electric vehicles,EVs)的规模化并网和风光等可再生能源的不稳定出力,给微电网电源容量优化带来更多不确定性影响。利用分时电价机制引导和蒙特卡洛方法模拟不同管理模式下的EV负荷,采用场景生成和K均值聚类算法构造风光典型场景集,以年总经济成本最优为目标函数,经粒子群算法优化得出含EV的微电网容量配置方案。仿真结果表明,考虑风光资源不确定性的配置方案能提高微电网的可靠性;有效的能量管理模式可以发挥EV的削峰填谷作用,降低EV用户年充放电成本和微电网年总经济成本。     

基于连续时间段聚类的支持向量机风电功率预测方法

提出了一种基于连续时间段聚类的支持向量机风电功率预测方法。通过2次聚类把全年分为若干个类型的连续时间段,并对同类型时间段使用支持向量机建模,建立后的模型用于其他年份对应时间段的预测。与神经网络相比,支持向量机建模方法避免了局部最优。利用国内某风电场数据进行对比实验,证明了所述方法的有效性。     

计及风电不确定性的风-水短期联合优化调度方法

针对风电并网带来的出力随机性和波动性问题,提出了一种计及风电不确定性的风-水短期联合优化调度方法。首先,以地区风电群为整体,考虑风电出力不确定性导致的预测值与实际值间的偏差,采用模糊聚类方法对风电预测值与实际值进行二次聚类,构建预测值与对应的实际值间的出力情景集合及条件概率分布,将风电不确定性转变为有限个确定的条件情景进行描述;继而,建立多情景风电与水电站群联合调峰调度模型,结合当前风电预测值对应的实际情景及其概率分布,采用基于逐次逼近和关联搜索的水电站群短期优化调度方法进行求解;最后,以西南某地区为例,验证所提方法应用效果。