大规模新能源并网后电力系统的电压安全稳定问题突出,亟需一种兼具准确性和实用性的方法来评估系统的电压支撑强度。为此,该文提出一种基于贝叶斯深度学习的新能源多场站短路比(multiple renewable energy station short circuit ratio,...大规模新能源并网后电力系统的电压安全稳定问题突出,亟需一种兼具准确性和实用性的方法来评估系统的电压支撑强度。为此,该文提出一种基于贝叶斯深度学习的新能源多场站短路比(multiple renewable energy station short circuit ratio,MRSCR)智能增强方法。首先,聚焦于MRSCR缺乏准确的临界短路比(critical short circuit ratio,CSCR)问题,提出CSCR样本集的构建流程,并据此开发样本的批量仿真程序。然后,利用多门控混合专家网络对各新能源接入点的CSCR进行同步预测,并结合贝叶斯深度学习提升预测精度,量化预测不确定性。最后,考虑到点估计的弊端,提出一种基于动态阈值的不等式方法来给出兼具可靠性和清晰性的区间估计,为不同的决策需求提供多种属性的预测值。在CEPRI-FS-102节点系统上的测试结果表明,所提方法可有效提高电压支撑强度的评估精度和速度,其预测信息可为决策过程提供重要的指导意义。展开更多
文摘大规模新能源并网后电力系统的电压安全稳定问题突出,亟需一种兼具准确性和实用性的方法来评估系统的电压支撑强度。为此,该文提出一种基于贝叶斯深度学习的新能源多场站短路比(multiple renewable energy station short circuit ratio,MRSCR)智能增强方法。首先,聚焦于MRSCR缺乏准确的临界短路比(critical short circuit ratio,CSCR)问题,提出CSCR样本集的构建流程,并据此开发样本的批量仿真程序。然后,利用多门控混合专家网络对各新能源接入点的CSCR进行同步预测,并结合贝叶斯深度学习提升预测精度,量化预测不确定性。最后,考虑到点估计的弊端,提出一种基于动态阈值的不等式方法来给出兼具可靠性和清晰性的区间估计,为不同的决策需求提供多种属性的预测值。在CEPRI-FS-102节点系统上的测试结果表明,所提方法可有效提高电压支撑强度的评估精度和速度,其预测信息可为决策过程提供重要的指导意义。
