基于改进CatBoost的电力系统暂态稳定评估方法

在实际电网的运行过程中,通过同步相量测量单元实时采集到的电网动态参数通常含有部分噪声,且有时会因通信故障造成数值的随机缺失,对基于人工智能的电力系统暂态稳定评估模型造成很大影响.为此,提出一种基于改进CatBoost的暂态稳定评估方法.通过分箱算法对输入特征数据进行离散化处理,提高模型对噪声的鲁棒性;采用加权的焦点损失函数代替交叉熵损失函数,提升模型的可信度并减少模型对失稳样本的漏判;将量测数据部分缺失的样本划分到单独的节点中继续建模,从而充分挖掘不完整样本中的暂态信息.在新英格兰10机39节点上的实验结果表明,所提方法的准确率和查全率均优于其他几类机器学习算法,而且所提方法对噪声和数值缺失表现出良好的鲁棒性且具有较快的训练速度和预测速度.     

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点,现有预测方法不能得到很好的预测效果.为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型.首先,运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解,对分解得到的强非平稳分量运用变分模态分解进行再次分解.然后,运用KPCA对天气、日历规则特征集提取主成分实现数据降维;将分解得到的非平稳、平稳分量结合特征集主成分分别用DBiLSTM神经网络、MLR进行预测.最后,将预测结果进行重构得到最终预测结果.通过实际算例分析可知,与其他模型相比,所提模型具有更高的预测精度.     

基于长短期记忆网络和LightGBM组合模型的短期负荷预测

短期负荷预测是电网安全调度与平稳运行的基础,为进一步提升负荷预测的精度,提出了基于长短期记忆(LSTM)网络和轻梯度提升机(LightGBM)的组合预测模型。首先,根据LSTM网络和LightGBM模型的输入结构,将预处理后的负荷数据、温度数据、日期数据以及节假日信息分别输入2个模型中,通过训练得出各自的预测结果。然后,采用最优加权组合法确定权重系数,并得出组合模型的预测值。最后,采用实际负荷数据进行算例分析,结果表明所提方法能够有效结合2种模型的优点,在保留对时序数据整体感知的同时兼顾非连续特征的有效信息,与其他模型相比具有更高的预测精度。     

物联网环境下考虑多个利益主体的区域配电系统能量管理

随着物联网设备和分布式资源在配电网中的不断渗透,区域配电网的能量管理问题面临新的挑战,为此提出云-雾分层能量管理架构,并利用智能算法实现含多个利益主体的配电系统的能量管理和优化决策。所提方法在雾层计算中借助机器学习完成对智能电表、各种物联网设备产生的数据进行计算和处理,在云端计算中通过云-雾间的数据交互及外部信息的收集,利用智能优化算法对配电网制定的决策目标进行整体优化计算,以达到智能决策的目的。通过建立配电网内普通用户、微电网、配电网运营商3个利益主体的效用和收益模型,在雾层捕捉用户用电行为和对新能源出力数据进行回归预测,根据用户用电负荷对电价的反应,在云端以社会福利最大为目标,对配电网的总购电负荷及零售电价进行优化决策,实现整个配电网的优化管理。通过IEEE 33节点系统算例对所提方法进行仿真,结果验证了所提方法的有效性。     

考虑阶梯式碳交易机制与电制氢的综合能源系统热电优化

"双碳"背景下,为提高能源利用率,优化设备的运行灵活性,进一步降低综合能源系统(IES)的碳排放水平,提出一种IES低碳经济运行策略.首先考虑IES参与到碳交易市场,引入阶梯式碳交易机制引导IES控制碳排放;接着细化电转气(P2G)的两阶段运行过程,引入电解槽、甲烷反应器、氢燃料电池(HFC)替换传统的P2G,研究氢能的多方面效益;最后提出热电比可调的热电联产、HFC运行策略,进一步提高IES的低碳性与经济性.基于此,构建以购能成本、碳排放成本、弃风成本最小的低碳经济运行目标,将原问题转化为混合整数线性问题,运用CPLEX商业求解器进行求解,通过设置多个运行情景,对比验证了所提策略的有效性.