基于深度-迁移学习的输电线路故障选相模型及其可迁移性研究

为提高输电线路故障诊断模型的可迁移性,根据迁移学习理论将输电线路分为源线路和目标线路,提出一种基于深度-迁移学习的输电线路故障类型识别方法。通过组合不同故障条件,生成输电线路故障期间的时序数据,并通过对数据的预处理,得到面向卷积神经网络的输入数据样本;利用源域数据对初始卷积神经网络进行预训练,获取适用于源线路故障类型识别的预训练模型;采用最大均值差异法对源线路和目标线路进行相似性检验,筛选出待迁移的源域预训练模型;利用目标域数据对预训练模型进行微调迁移训练,获取最终的目标域故障诊断模型。仿真结果表明,利用源域数据量5 %的目标域数据对预训练模型进行微调迁移训练,得到的目标域模型对目标线路故障诊断的准确率达99 %以上。     

基于注意力机制-卷积神经网络的配电网单相接地故障选线方法

针对配电网发生单相接地故障的电气量特征难以提取，故障选线准确性与鲁棒性难以保证，给电网安全稳定运行带来巨大隐患问题，提出一种基于注意力(attention)机制-卷积神经网络(convolutional neural networks, CNN)的配电网单相接地故障选线方法。首先，采用S变换将故障各线路时序零序电流数据转化为CNN可识别的二维输入矩阵；其次，在传统CNN分类算法进行故障选线的基础上引入注意力机制，建立了基于Attention-CNN的故障选线新模型；最后，通过仿真数据与工程实际数据验证模型的选线结果，并将所提Attention-CNN模型与同类CNN优化方法在不同干扰条件下的性能进行对比。结果表明，所提Attention-CNN模型能够大幅提高选线效率，减少迭代次数，实现更高效、准确的故障选线，具有较强的实际应用价值。     

基于S变换相关度和深度学习的配电网单相接地故障选线新方法

针对配电网发生单相接地故障时特征信息不明显,且现有选线方法易受故障条件和环境噪声影响的问题,基于S变换相关度和深度学习,提出一种具有强抗噪声能力和高泛化水平的配电网单相接地故障选线新方法.首先,利用S变换获取零序电流时频信息,基于各线路零序电流的全频段信息计算线路故障信息相关度;其次,为提高故障特征的可辨识度和抗干扰性,提出一种S变换相关度图形(SCF)构建方法;在此基础上,建立含SCF层的卷积神经网络深度学习模型(S-CNN),并利用Simulink仿真模型生成的故障数据对其结构参数和超参数进行分步训练;最后,通过S-CNN提取配电网故障零序电流深层特征,实现故障选线,并测试了S-CNN在配电网不同运行状况和故障条件下的选线效果.仿真结果和实际配电网故障数据测试表明:在强噪声干扰场景中,基于S-CNN的故障选线模型在不同故障位置、故障相角、过渡电阻条件下可实现高正确率选线,且在各线路零序电流采样不同步条件下仍具有较强的鲁棒性.     

考虑分布式电源出力随机特性的配电网节点脆弱性评估

随着分布式电源的接入及配电网规模的不断扩大,配电网的安全性与可靠性面临挑战,配电网脆弱环节辨识问题亟待解决.考虑分布式电源出力随机性对配电网节点脆弱性的影响,建立基于拉丁超立方抽样的风电与光伏随机出力模型;基于复杂网络理论与配电网辐射状的拓扑条件提出改进节点度、改进介数等节点脆弱度指标;利用分布式电源随机出力模型的采样结果得到节点脆弱度指标的分布特性;提出基于样本修正权重的模糊综合评价方法,对考虑分布式电源出力随机性的配电网节点脆弱性进行分析.改进的IEEE 123节点系统算例结果验证了所提方法的可行性与有效性.     

计及预测误差动态相关性的多风电场联合出力不确定性模型

为实现对多风电场联合出力不确定性的精细化建模,提出了计及预测误差动态相关性的多风电场联合出力不确定性建模方法。首先,分析了同区域风电场的出力及出力预测误差动态相关性特征。进一步,针对此特征,引入高维动态藤Copula理论,建立了多风电场预测出力及预测误差的联合分布模型。最终,将以上模型与基于Copula函数的离散卷积法相结合,建立了计及预测误差动态相关性的多风电场联合出力不确定性模型,并以置信区间对多风电场联合出力不确定性进行了离散化表征。仿真结果表明,对比其他模型,所提模型拟合精度更高,拟合过程与预测方法解耦,灵活性更强。     

基于动态Copula的风光联合出力建模及动态相关性分析

准确描述风力发电和光伏发电的动态相关性及联合出力的波动性,对风光互补系统的出力预测和经济调度具有重要意义。针对现行静态相关系数无法准确描述风光出力相依关系的问题,研究了风光出力的动态相关性,提出了基于动态Copula函数的风光联合出力模型构建方法。结合实测数据建立了8组动态与静态的风光联合出力Copula模型,用动态相关系数描述风光出力的相关性。运用拟合优度检验方法验证了动态Copula模型对比其静态模型的优越性,选出最优模型。最后将该模型应用在数据驱动的风光联合系统中,验证了其合理性与正确性。     

基于动态R藤Copula模型的区域风电集群超短期功率区间预测方法

为应对风电功率不确定性问题带来的电网安全稳定运行风险,近年来区间预测方法受到了广泛关注,但现有研究主要集中于单风电场预测领域,对于区域风电集群功率区间预测方法较少涉及.针对上述问题,建立了动态化的R藤Copula模型,提出了区域风电集群超短期功率区间预测方法.首先,详细阐述了区域风电集群超短期功率区间预测的基本框架.其...     

计及相关性的电-气-热综合能源系统概率最优能量流

由电力系统、天然气系统和热力系统耦合构成的综合能源系统(IES)是"能源互联网"的重要组成部分,是构建更加经济、环保、高效能源系统的必经之路。该文提出了一种计及相关性的电-气-热IES概率最优能量流计算方法。首先,以IES运行成本为优化目标,综合考虑电力系统、天然气系统、热力系统的运行约束及能量耦合约束,建立了IES最优能量流模型;针对IES中风电接入背景下的不确定性因素,并考虑其相关性,建立IES概率最优能量流模型,并采用基于Nataf变换的三点估计法对该模型进行求解。对由修改的IEEE 24节点电力系统、比利时20节点天然气系统和巴里岛32节点热力系统构成的IES进行仿真分析,仿真结果验证了该文所建立模型的可行性与有效性。     

基于需求侧响应的多类型负荷协调控制模型

风电的随机波动性影响了电力系统经济运行。为充分挖掘需求侧响应资源,需要考虑不同负荷对电价响应的差异性,并将其融入传统调度中。首先,基于电价弹性矩阵,对用户的电价响应行为建模。其次,分析不同负荷的电价响应特性,对负荷进行分类。在此基础上,基于峰谷分时电价,以系统运行经济性为目标,考虑用户满意度约束,建立多类型负荷协调控制模型。并将模型转化为一个双层优化问题,利用差分进化粒子群算法进行求解。最后,在一10机系统中进行仿真验证。结果表明,所建立的多类型负荷协调控制模型可充分挖掘不同负荷的需求响应能力,能有效降低发电成本,有利于系统经济运行。