面向需求响应的建筑用能在线分解方法

建筑负荷参与需求响应的潜力巨大,但限于目前的能耗监测技术而无法大范围应用。通过分析建筑能耗分项计量的特性,提出了面向需求响应的建筑用能分解方法。基于建筑负荷工作时电流、功率、分相等特征差异,从多个公共建筑和住宅建筑的电力公共数据集中,提取了建筑负荷的三重能效特征,包括功率能效特征、暂态能效特征和稳态能效特征,并形成建筑负荷特征数据库。通过信息筛选、三重特征匹配和比较修正,对建筑负荷进行辨识,实现了建筑负荷的在线分解。在公共建筑的实际验证中,将分解结果与既有的分项计量数据比对,表明该方法对需求响应资源有较高的辨识精度,能够满足建筑级需求响应的能耗监测要求。     

基于非线性回归的含隐节点低压配电网参数和拓扑联合辨识

低压配电网参数和拓扑缺乏维护,精度较低,阻碍了在此基础上的各种高级应用的可靠实现.为此,提出了一种基于非线性回归的含隐节点低压配电网参数和拓扑联合辨识方法.首先,分析了现有基于线性电压回归的参数和拓扑辨识方法的不足.其次,基于线路的非线性电压降方程推导出任意两节点串、并联关系的判据,建立了基于节点多时段有功、无功负荷和电压幅值量测的非线性参数估计模型,提出了自下而上的参数估计和拓扑重建算法.最后,采用实际数据和低压配电网算例验证了所提方法的有效性.     

基于虚拟阻抗的低压配电网拓扑识别方法

当前拓扑识别技术难以反映潮流特性对拓扑识别的影响,基于配电网现有量测数据,通过分析节点间的电气距离,提出了虚拟阻抗的概念。将节点间具备电气意义的且与电气距离成正相关的连续变量定义为虚拟阻抗,并提出了一种基于虚拟阻抗的低压配电网拓扑识别方法。首先,构建以节点间虚拟阻抗为因变量的多元线性回归方程。然后,通过岭回归计算每一个单相电表与关口电表构成的回归方程的虚拟阻抗,根据计算结果快速判别出拓扑关系异常的电气设备。最后,建立基于导数动态时间弯曲(derivative dynamic time warping, DDTW)距离的校验模型,重新构建得到电气设备的正确拓扑关系,实现低压配电网拓扑关系的修正。以实际的低压配电网台区样本数据为依据,验证了所提方法的有效性。     

一种面向智能配电网的分布式并行电压优化方法

针对智能配电网中分布式电源(DG)接入及电网仿真实时响应的需求,提出一种分布式并行环境下求解智能配电网中各DG最优输出功率的方法,实现了快速高效的配电网电压优化。该方法首先基于凝聚层次聚类法(HAC),解决了智能配电网自动分区的问题,在此基础上,采用分布式序列二次规划(DSQP-DG)算法,通过内外层迭代交替并行求解出DG最优出力。以接入DG的IEEE 33节点系统算例对该方法进行测试验证可知,较之辅助问题原理(APP)方法,该方法具备更好的寻优能力和快速性,能够有效解决智能配电网分布式并行电压优化问题。     

高比例户用光伏接入下低压配电网户变关系识别

近年来,随着分布式光伏的发展,用户可参与的户用光伏系统在低压配电网中的并网数量快速增长。针对高比例户用光伏下的低压配电网具备的基本特征,提出一种基于台区配变及用户功率平衡关系的光伏时序功率卷积模型,并在此基础上,采用基于高斯混合模型的电压聚类优化目标函数进行户变关系识别。首先,基于用户-配变功率平衡关系,建立了高比例户用光伏的低压户变关系的多元线性回归模型;其次,提出一种基于Bi LSTM算法的光伏时序识别方法,筛选出光伏瞬时渗透率最高的时序片段;根据已识别的光伏时序片段建立光伏权重矩阵,并引入该矩阵将多元线性回归模型进行加权回归后转化为光伏时序功率卷积模型求解,在平抑光伏波动影响的同时初步识别户变从属关系;然后,提出一种基于高斯混合模型进行电压聚类的优化目标函数作为验证步骤,能够进一步排除验证错误的用户,提高户变关系的准确率;最后,以某地区实际低压配电网为例,分别使用该地区推广户用光伏前后不同时期的历史数据集进行识别,通过识别结果对比,验证了所提方法的有效性和实用性。     

考虑数据分布偏移的短期居民净负荷预测方法

新能源发电的高不确定性导致净负荷的数据分布偏移更加严重。数据分布偏移导致模型在历史数据中学习到的特征信息不再完全适用于未来数据,从而给净负荷预测(net load forecasting, NLF)带来了挑战。因此,考虑到净负荷中更严重的数据分布偏移问题,提出了一种基于不变风险最小化-不确定性加权-长短期记忆神经网络(long short-term memory neural network, LSTM)的短期居民净负荷预测方法,以提升净负荷预测精度。首先,通过不变风险最小化(invariant risk minimization, IRM)建立了一个双目标问题,包括准确预测和学习跨不同数据分布的不变特征。其次,通过长短期记忆神经网络(long short-term memory neural network, LSTM)处理时间序列数据的非线性特征。然后,通过基于不确定性加权(uncertainty weighting, UW)的目标平衡机制避免过度实现任一目标。此外,通过引入分位数回归将所提方法扩展到概率预测。最后,通过基于澳大利亚Ausgrid公司提供的真实居民电表数据从确定性预...     

面向智能用电的家庭能量协同调度策略

针对用户侧分布式能源渗透率不断提高的发展趋势,提出一种包含光伏及储能设备的家庭能量协同调度策略。首先建立了家庭能量管理系统中的分布式电源模型和负荷模型,并提出了基于日前光伏出力预测和家庭负荷预测的家庭能量协同调度模型。然后,在满足用户舒适度约束的条件上,以家庭能源最大盈利为目标,采用二进制粒子群算法求解每日家庭最优用电计划,提高了可再生能源的利用率并做到光伏发电的最大就地消纳。最后,通过算例仿真比较不同用电模式下的用户收益,验证了模型的有效性。