基于改进条件生成对抗网络的可控场景生成方法

可再生能源发电具有较强的随机性和波动性,为实现高效可靠的场景建模,提出一种基于改进条件生成对抗网络的可控场景生成方法。提出基于条件生成对抗网络的场景生成框架,结合Transformer的全局注意力机制以及常规卷积和深度可分离卷积的局部泛化机制,设计适用于提取可再生能源发电不同维度特征的网络结构;利用条件生成对抗网络模型建立低维气象特征隐空间和高维可再生能源发电数据之间的映射关系,提出一种可控场景生成方法,并建立随机场景生成、场景约减、极端场景生成和连续日场景生成4种生成策略。基于实际光伏、风电数据和气象数据的仿真结果表明,所提模型与方法能够有效学习可再生能源发电的随机性、时序性、波动性及空间相关性,实现对不同策略下场景的可控生成。     

基于多曝光场景的新型电力图像配准技术

基于现有的图像配准技术,对电力图像拍摄时间差异所造成的曝光度不同而产生的图像配准误差大和配准效率提升难的问题,提出了一种基于电力图像去除亮度差异影响的边缘特征配准技术。通过提取图像的边缘信息,以产生二值化的效果图像代替原始图像进行旋转矩阵的计算,完成原始图像空间一致性调整,实现多曝光场景的新型电力图像配准技术,并通过一系列电力图像试验数据进行了验证。试验结果表明,所提的新型电力图像配准技术在配准效率方面较改进前的基于互相关信息配准方法提升了50%,配准精度达到了亚像素级别,配准方法鲁棒性更高。     

基于改进信息最大化生成对抗网络的风光出力场景可控生成方法

基于深度学习的场景生成方法能够自适应挖掘历史数据中高维非线性特征,在风光出力的不确定性建模中得到了广泛应用。然而,基于深度学习的场景生成方法多为黑盒模型,存在可解释性差、生成不可控等问题。为此,提出了一种基于改进信息最大化生成对抗网络(information maximizing generative adversarial nets,Info GAN)的风光出力场景生成方法。该方法在目标函数中增加了基于互信息的正则化项,最大化控制编码与生成场景之间的互信息,无监督学习控制编码与生成场景统计特征的映射关系,并引入Gumbel-Softmax分布提高了生成场景的质量。结合风电场和光伏电站的真实数据进行了算例分析,算例结果表明,所提方法不仅能准确描述风光出力不确定性,而且具有可解释性,能够可控生成指定风光出力场景。     

基于场景建模的电力巡检异物检测样本扩充方法

利用深度卷积神经网络来进行图像目标检测是电力巡检异物检测的常用手段.训练神经网络需要大量样本,但电力行业存在着图片难以收集导致训练样本不足的情况.为方便目标检测神经网络的训练、提升目标检测模型的识别性能,利用一种基于已有样本的场景建模方法,自动生成大量符合实际电力场景的图片,以扩充样本.该方法利用卷积神经网络实现场景建...     

基于CNN模型的高分辨率遥感图像目标识别

遥感图像目标识别作为当前遥感图像应用领域中的主要研究内容,具有重要的理论意义和广泛的应用价值。近年来,深度学习成为机器学习领域的一个新兴研究方向,卷积神经网络(convolutional neural networks,CNN)是一种得到广泛研究与应用的深度学习模型。提出一种基于CNN模型的光学遥感图像目标识别方法,在传统LeNet-5网络结构的基础上,引入ReLU激活函数代替传统的Sigmoid函数和tanh函数,使用卷积展开技术将卷积运算转换为矩阵乘法,并对网络结构进行调整优化,提高目标识别的准确性和效率。利用Quick Bird上的0.6 m分辨率的遥感图像进行验证,实验结果表明,基于改进的CNN模型的方法可以取得较高的目标识别准确率和效率。     

基于视频识别的电力占道施工场景交通拥堵检测

目前对道路交通拥堵的检测多采用人为监控或传感器监测的方法,而电力占道施工场景往往缺乏此类检测设备。为满足该场景下拥堵检测的低设备依赖性和高准确性的需求,提出一种利用视频数据的检测方法,采用神经网络对视频数据进行特征提取并判断是否造成交通拥堵。为了解决电力占道施工场景下数据较少的问题,利用通用交通场景数据集提升网络的泛化性,采用域对抗迁移网络自适应学习方法弱化两种数据域在特征提取网络中的差异性表现。为了减少人工标注工作量,提出一种半监督学习方式。实验结果表明,所提方法在电力占道施工场景道路拥堵检测识别任务中达到了93.2%的准确率,具有较高的应用价值。     

基于多Agent的区域电力市场辅助决策系统开发

将Agent技术引入区域电力市场辅助决策系统的研究,提出了基于多Agent的区域电力市场辅助决策系统的结构和设计方案.将区域电力市场辅助决策系统设计为数据搜集Agent、系统管理Agent、预测分析Agent和人机界面Agent的多Agent系统,对各个Agent模块的功能和结构进行了详细介绍,并阐述了该系统的工作原理和运行特点.     

基于AEPSO-BPNN的光伏阵列多场景参数辨识

针对光伏阵列内部机理较为复杂、参数难以快速准确辨识的问题,提出了一种自适应进化粒子群算法优化BP神经网络（AEPSO-BPNN）的模型建立和参数辨识方法。通过引入自适应、进化和重构等改进策略,可以提高粒子群算法的收敛性能,并将其对BP神经网络的初始权值和阈值进行优化,使神经网络算法在迭代后期不易陷入局部最优解,以提高参数辨识的精确度和速度。根据光伏阵列的实测输出电流和理论计算电流的差值,并考虑环境变化对内部参数的影响,构造均方根误差函数作为算法的适应度函数,从而将复杂的多参数辨识问题转化为带约束条件的非线性多变量最优化问题。最后采用多场景法,验证算法在不同光照强度和温度下的适用性和效果,并与其他算法进行对比,仿真结果表明该算法在误差、收敛速度和运行时间上有较大优势。     

基于场景生成与IGDT的风光-碳捕集-P2G虚拟电厂经济调度

为了有效降低风光出力与负荷预测的不确定性对虚拟电厂调度运行的影响,提出了基于场景生成与信息间隙决策理论（IGDT）的经济调度优化模型。通过Copula函数与非参数核密度估计方法构建风光出力联合分布模型,并利用蒙特卡洛模拟与k-means聚类得到典型场景。利用区间约束对负荷预测的不确定性进行建模,构建不同风险偏好下的调度优化模型。以典型的虚拟电厂系统进行算例分析,验证了所建立模型可以为不确定性影响下的虚拟电厂经济调度问题提供解决方案。     

基于多智能体强化学习的电力现货市场定价机制研究(二):结合理论与仿真的定价机制决策框架

该文研究了电力现货市场定价机制的选择和设计问题。首先,初步分析系统边际电价、节点边际电价和分区边际电价等3种定价机制的适用性,提出理论分析和市场仿真相结合的电力现货市场定价机制决策框架。理论分析方面,梳理了电力现货市场定价机制的理论和国际实践,给出3种定价机制的出清模型和电价计算方式,基于安全约束经济调度模型建立兼容性再调度模型;从价格信号作用、对中长期市场交易开展的影响、市场监管和配套机制需求等多个维度,对3种定价机制的特点进行对比分析,并探讨定价机制与市场模式的配合关系和我国定价机制设计中需要考虑的关键问题。市场仿真方面,基于3种定价机制下的发电商报价双层优化模型,对IEEE 39系统进行仿真计算。最后,综合分析仿真结果和定价机制特点,为算例系统选择合适的定价机制,验证了所提电力现货市场定价机制决策框架的有效性。2篇论文共同解决了定价机制设计与发电商报价策略的嵌套难题。     

基于云模型和灰色区间关联的重要电力用户风险群评价

在初步构建供电企业的重要电力用户风险评估指标体系的基础上,为减小由专家群体主观知觉和经验不同所导致评价结果的不确定性以及风险自身的不确定性,首次提出了一种基于云模型和灰色区间关联的风险群评价方法。该方法将专家群体的模糊语言评价值综合成正态云模型,并通过云规则转化为区间值,以灰色区间关联的评价方法来对风险进行综合评价。以供电企业的具体风险评价为例,对比其他评价方法,验证了评价结果的合理性。研究结果表明该方法可更加有效、客观地评价重要电力用户风险。     

基于多智能体强化学习的电力现货市场定价机制研究(一):不同定价机制下发电商报价双层优化模型

电力现货市场定价机制是市场设计的重点问题之一,与发电商交易行为相互影响。定价机制设计需要考虑发电商可能的交易行为,而不同定价机制下发电商报价策略不同,为系统性地解决这一嵌套难题,形成2篇不同侧重点的论文。作为首篇,该文探讨强化学习在发电商报价决策中的适用性,完整考虑系统和分区边际电价的两阶段过程,构建节点、系统、分区3种边际电价定价机制下的发电商报价双层优化模型,并基于可变学习速率和策略爬山算法相结合的多智能体强化学习方法对模型进行迭代求解。该双层模型中,上层为发电商报价决策层,下层为市场出清层,以决策层优化的发电商报价信息和出清层计算的发电商中标信息作为上下层之间的交互数据,不断优化发电商报价策略。最后,以IEEE 39系统为例,选择4个典型负荷场景,优化3种定价机制下的发电商报价,结果表明:所提模型和算法可有效求解发电商最优报价策略,获取市场均衡结果。