基于深度强化学习的风电场储能系统预测决策一体化调度

风电场储能系统的优化控制可以提高风电场作为发电商在电力市场中的竞争力。文中提出基于深度强化学习的储能系统预测决策一体化调度方法,令高维度的风电场原始测量数据直接驱动储能系统。与预测、决策相分离的传统调度模式相比,预测决策一体化调度模式将风电功率预测与储能系统动作决策相融合,避免了预测阶段中有效决策信息的损失,使风电的随机规律无须通过数学假设等方式被人为刻画,避免了建模误差。其次,引入深度强化学习Rainbow算法优化风电场测量数据与储能系统动作指令之间端到端的控制策略,该策略具备动态统筹多时段系统收益的能力。最后,基于风电场历史数据的算例分析,验证了所提一体化调度模式的优越性和深度强化学习应对不确定性问题的有效性。     

电网PQ扰动分解的戴维南等值

因实际电网稳态电路中的发电机节点有电压源和受控电流源间耦合的性质,因此其并不能直接适用于戴维南定理的条件。对此,基于叠加原理,将电网稳态电路分解为无功扰动平衡电路和有功扰动平衡电路,发电机节点也随之分解为电压源和受控电流源。基于电网节点电压方程和欧姆定律,分别给出2个分解电路的戴维南等值解析模型,两者叠加形成PQ扰动分解的戴维南等值。由于电网无功平衡和有功平衡的调控、传输以及它们对节点电压影响规律的区别,相比与传统电网戴维南等值模型,PQ扰动分解的戴维南等值不仅能更准确地拟合电网稳态电路,也能为后续的分析和控制提供更多、更准确的信息。算例结果表明该方法的准确性和有效性,其是电网戴维南等值方法在实际电网应用理论基础研究上的一个重要进展。     

基于误差修正的短期风电功率集成预测方法

为了提高短期风电功率预测精度,提出了一种基于误差修正的短期风电功率集成预测模型,此模型首先利用改进粒子群优化的极端梯度提升(extreme gradient boosting,XGBoost)初步建立风电功率预测模型,然后根据风速与功率的关系,将XGBoost模型预测误差分为低风速功率误差、中风速功率误差以及高风速功率...     

基于BP神经网络的短期光伏集群功率区间预测

针对大规模光伏并网给电力系统安全稳定运行带来的严峻挑战,考虑传统单一光伏场站功率预测的局限性,以区域性光伏集群功率为研究对象,提出一种基于BP神经网络的光伏集群功率的区间预测方法。通过互信息方法对变量进行相关性分析,提取关键解释变量作为输入变量,利用主成分分析进行数据降维,解决了光伏集群功率预测大数据处理的问题。利用神经网络在数据挖掘和非线性关系拟合方面的优越性,将神经网络和非参数概率预测相结合,量化光伏集群功率预测结果的不确定性。实验算例采用中国某地区10个光伏场站,利用未降维的原始数据与本研究所提出的数据降维方法进行对比,分别计算80%和90%预测区间,结果表明,本研究所提出的预测方法预测区间带更窄,具有更好的预测效果。利用本研究所提模型预测了某天超前72 h的80%和90%置信区间,验证了该方法的可行性和先进性。     

基于BP神经网络的短期光伏集群功率区间预测

针对大规模光伏并网给电力系统安全稳定运行带来的严峻挑战,考虑传统单一光伏场站功率预测的局限性,以区域性光伏集群功率为研究对象,提出一种基于BP神经网络的光伏集群功率的区间预测方法。通过互信息方法对变量进行相关性分析,提取关键解释变量作为输入变量,利用主成分分析进行数据降维,解决了光伏集群功率预测大数据处理的问题。利用神经网络在数据挖掘和非线性关系拟合方面的优越性,将神经网络和非参数概率预测相结合,量化光伏集群功率预测结果的不确定性。实验算例采用中国某地区10个光伏场站,利用未降维的原始数据与本研究所提出的数据降维方法进行对比,分别计算80%和90%预测区间,结果表明,本研究所提出的预测方法预测区间带更窄,具有更好的预测效果。利用本研究所提模型预测了某天超前72 h的80%和90%置信区间,验证了该方法的可行性和先进性。     

新能源爬坡事件综述及展望

从爬坡的定义方式、预测方法、控制策略三个层面出发, 对以风电、光伏为代表的新能源爬坡事件进行概述。列举爬坡事件常用的定义并分析其优劣性; 总结爬坡事件目前主流的预测方法，根据是否利用功率预测结果分为直接法和间接法, 并对常用的评价指标进行介绍; 阐述目前爬坡控制策略常用的方法, 按照有无储能参与分为无储能参与的有限度控制策略和有储能参与的联合控制; 对目前研究仍存在的问题和未来重点研究方向进行总结。     

基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测

随着风电渗透率的不断提高,如何对风电出力进行精准可靠预测是电力系统调度部门所面临的巨大挑战。当前,中国已具备较为成熟的风电功率预测解决方案,但其在转折性天气时段仍会出现极端预测偏差。同时,转折性天气数据集相对于常规功率预测数据集而言属于小样本,如何在小样本数据集下实现准确建模是精度提升的关键。针对上述问题,提出一种基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测方法,该方法通过优选与构造多重场景转折性天气过程下的气象敏感特征,利用时间序列生成对抗网络对多场景气象敏感特征小样本集进行扩充,并采用长短期记忆神经网络对扩充后的敏感气象因子与风电观测出力序列之间的非线性关系进行建模。采用吉林某风电场数据进行算例验证,结果表明所提模型能够在一定程度上提高包含转折性天气的日前风电功率预测精度。     

计及灵活性与可靠性的综合能源系统优化调度

高比例可再生能源不断并网使得系统的不确定性问题日益突出，对系统的供能能力和响应能力均提出了更高的要求。为满足系统高灵活性与高可靠性的需求，充分挖掘电-气-热多种能源间的耦合和互补协调的能力，提出了一种考虑运行灵活性与供能可靠性约束的综合能源系统优化调度模型，在明晰灵活性和可靠性两者概念内涵的基础上，提出了提升灵活性与可靠性的相互影响机理。据此，文中分别推导了运行灵活性与可靠性的评价指标，并定义了表征二者相互影响关系的协调指标。在此基础上，采用成本效益分析法和等响应风险方法构建了计及运行灵活性与供能可靠性协调效应的综合能源系统优化调度模型，并采用增量线性化方法对模型中的非线性项进行了处理，进而通过混合整数线性规划法直接求解。最后，以改进的电-气-热IES 24-20-16系统和电-气-热IES 118-20-16系统为例，验证了所提模型和方法的可行性。     

基于并行多维近似动态规划的综合能源系统动态经济调度

针对随机动态经济调度模型难以高效求解的问题，提出一种用于快速求解电-气-热综合能源系统（IES）随机动态经济调度问题的并行多维近似动态规划算法。该算法将原有的高维状态空间中的状态变量聚合到IES的电储能系统(ESS)的可用容量和蓄热罐(HST)的可用热量中，实现了状态空间的降维，进而解决了动态规划中“维数灾”的问题。此外，利用ESS和HST的运行约束，将无效状态剔除，降低了问题的求解规模。在风电、电价和负荷等不确定场景充分训练后的值表模型中，通过近似值函数的迭代寻优，将含有经验知识的值表应用于在线测试中，实现应对不确定性的IES最优调度决策。以改进的2个系统为例，验证了所提模型和算法的有效性。