新型电力系统应对极端事件的风险防范与应急管理关键技术

保障电力安全是贯彻落实总体国家安全观的基本要求。当前,我国电力系统正向新型电力系统演进,新能源不确定性、设备低抗扰与弱支撑性等特征变化叠加日益严峻的极端事件威胁,使得提升电力系统弹性、防范电力安全风险成为一项复杂且具有挑战性的工作。该文在详细介绍新型电力系统弹性提升所面临挑战的基础上,从“风险评估—投资规划—预防准备—响应恢复”4个层面归纳新型电力系统应对极端事件的电力风险防范与应急管理技术,系统分析各层面的关键技术与研究重点。最后,对保障新型电力系统电力安全的实现路径进行展望,提出进一步深入研究的方向。

基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估

针对现有数据驱动的电力系统暂态评估方法依赖大规模数据集且可解释性不足的问题,文中将物理知识嵌入传统数据驱动方法,提出一种基于内嵌物理知识卷积神经网络的电力系统暂态稳定评估方法。该方法考虑大规模风电并网的电力系统,将电力系统暂态稳定物理方程内嵌至神经网络损失函数,通过神经网络直接逼近物理过程,使输出结果满足物理规律,提高暂态稳定评估的可靠性与可解释性。通过数据与知识双驱动,所提方法不依赖大规模训练数据集,依然具有较好的鲁棒性与泛化能力。此外,所提方法通过卷积神经网络进行特征提取与降维,解决拓扑数据无法直接作为神经网络输入的难题。在含风机的IEEE 9节点和IEEE 39节点测试系统上的实验结果表明,所提方法在准确率、计算效率、泛化能力等方面相较现有方法有显著提升。

考虑隐私保护的综合能源负荷联合聚类方法

能源系统多元化发展的背景下,深度挖掘综合能源用户的价值,提高能源系统灵活性是构建综合能源系统的关键路径。用户负荷聚类是提炼多类型用户的共性用能特性、提取用户用能模式的基础。与传统电力用户相比,综合能源用户聚类存在多个问题:用户的用能需求不局限于单一能源,不同类型能源的数据存在耦合关系;综合能源系统结构关系复杂,能源数据分属多运营主体,各主体不会向其他运营主体披露隐私数据。本文提出一种基于参数共识的综合能源联合聚类方法。该方法考虑用户数据的隐私性,适用于数据被分散存储且不同负荷聚合商之间存在信息隔离的情况,并能得到和集中式聚类相同的结果。通过多种能源联合聚类,聚类结果能够表征多能耦合下用户的用能习惯,为综合能源需求侧管理策略和系统运行优化提供决策依据。通过美国旧金山建筑能耗数据集验证了本文所提方法的有效性。

弹性配电系统动态负荷恢复的深度强化学习方法

极端事件下,合理利用微网盈余电力供应配电系统中的关键负荷,可有效提升电网弹性。基于深度强化学习(DRL)技术,提出一种考虑微网参与的配电系统动态关键负荷恢复(DCLR)方法,支持以无模型的方式求解复杂问题,以提升在线计算效率。首先,分析含微网的配电系统DCLR问题,并在此基础上构建其马尔可夫决策过程,其中考虑了配电系统运行、微网运行和用户满意度等约束条件。其次,基于OpenDSS构建DCLR模拟环境,形成DRL应用所需的智能体-环境交互接口,进一步采用深度Q网络算法搜寻关键负荷恢复的最优控制策略,并定义收敛性、决策能力指标分别用于评价智能体的训练和应用表现。最后,基于改进的IEEE测试系统验证了所提方法的有效性。