基于双层委托代理的电网代理购电最优合同设计

为有效传导一次能源成本,工商业用户现已全部进入电力市场,不满足直接市场交易条件的用户由电网代理购电参与市场,并逐步缩小电网代理购电范围。为满足当前市场需求,需要设计电网代理购电最优合同,考虑用户选择电力市场代理商的决策,并激励用户授权售电公司参与市场。依据委托代理理论,提出了基于双层委托代理的电网代理购电最优合同设计,上层电网-用户委托代理模型描述了电网在用户收益最大化目标函数下的代理购电最优合同设计。下层用户-售电公司委托代理模型描述用户授权售电公司参与市场的博弈行为,并以此作为上层模型的用户激励约束。最后,通过算例验证了所提出模型的可用性,并基于对模型参数与优化结果的影响分析给出了模型参数测算和基于用户画像应用不同的电网代理购电合同的建议。

基于分配因子和信息熵的母线负荷组合预测模型

负荷预测是指导电力系统规划和安全经济运行的重要依据。传统的负荷预测一般指区域负荷总量的预测,不能够体现底层母线负荷水平,无法满足电网精益化管理的要求。因此,母线负荷预测是解决这一问题的关键途径。然而,系统内母线数量庞大,负荷基数小,特性各异,波动性强,给母线负荷预测工作带来了困难。研究了母线负荷预测模型,根据实际电网情况提出了负荷分配因子的概念及预测思路;充分考虑历史数据的有效性,采用日特征量和趋势相似度综合选择相似日,并提出基于信息熵的变权重组合预测方法,提高各类型负荷预测精度;结合类型负荷预测结果和负荷分配因子,最终得到各条母线的预测结果。采用某区域电网负荷进行实例验证,结果表明,文中所建立的预测模型具有良好的预测精度和稳定度。

基于改进聚类分析方法的系统负荷预测研究

随着系统负荷的用电结构、负荷变化越来越复杂,常规方法无法科学评估用电需求水平。为此基于改进的聚类分析方法对母线负荷进行分类预测,继而将各类母线预测结果聚合,从而得到系统负荷预测结果。预测结果证明该方法可实现系统负荷的精细化分析预测,提高预测精度。

面向区域综合能源系统的电-气负荷联合预测研究

能源互联网中电力系统与天然气系统的依赖增强,给综合能源系统中电力系统与天然气系统的负荷预测带来了更高的挑战。文中提出了基于长短记忆网络与权值共享的电-气联合负荷预测方法。文中在预测模型中使用了相关系数对天气因素进行了分析,提取了对两种负荷的重要气象因素,将长短记忆网络作为主要预测算法,权值共享模式分析了电-气两种负荷之间的相关性。算例中使用云南省综合能源系统示范工程数据对算法有效性进行了验证,结果显示该算法有效提高了综合能源系统中电力与天然气负荷预测的精度,有着较高的应用价值。

云南电力现货市场建设的必要性和意义分析

文章分析了云南电网概况和电力市场发展现状,通过对电力市场运行中现存问题的分析,指出建设电力现货市场的必要性;并结合云南省实际情况,探讨了云南建设电力现货市场的意义,为云南电力现货市场的建设和发展提供参考。

基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测

随着新能源在电力系统中的占比逐渐提高,新能源功率预测成为一个研究热点。但对于新建的风电场的功率预测则面临历史数据不足和特征迁移困难的问题。因此提出了一种基于偏差补偿TCN-LSTM和梯级迁移策略的短期风电功率预测方法。首先,将目标风电场的少量数据根据与源风电场的相关性大小分为两组,然后利用源风电场历史数据训练含有误差补偿模块的复合模型,最后以梯级迁移学习策略进行建模。相关算例分析表明基于TCN-LSTM的补偿梯级迁移模型预测精度相比同类直接预测模型提升1.23%。相关算例证明了所提出的方法的有效性。

一种基于模型预处理的SCUC快速求解方法

在电力市场快速发展的今天,主流求解器尚未针对SCUC问题做出模型预处理方面的优化。从电力系统模型的物理意义出发,通过对机组爬坡约束之间的关联性给出可行域紧缩的预处理方式,通过判断电力潮流约束是否达界给出网络约束剔除的预处理方式。通过在GAMS上搭建模型并调用CPLEX求解,对比分析不同规模、不同场景下模型的计算结果,验证了所提理论的正确性和可行性,最终给出不同模型的应用场景。

双轨制下的电力市场不平衡资金分析

在中国的电力体制改革进程中,计划与市场共存的局面短期内不会改变。随着市场进一步放开,计划与市场解耦运行的模式不可持续,但不解耦模式下不平衡资金问题更为显著。以不解耦模式为背景对不平衡资金展开讨论,通过对不平衡资金计算公式的拆分,得到资金来源相对明确的各个部分,提出不平衡资金的疏导方案。同时,根据理论阻塞盈余及市场用电量所占比例,提出对市场阻塞盈余的处理建议,并通过算例说明了该方法对不解耦模式的适应性。

计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测

高精度的短期风电功率预测对保障电力系统安全至关重要,因此提出了一种计及邻近风电场信息与CNNBiLSTM的短期风电功率预测方法,在深度学习预测建模环节除了采用目标风电场的NWP作为输入特征,还引入了邻近风电场的高相关特征。首先综合风速序列、功率序列间的相关性和距离,计算区域内各邻近风电场和目标风电场的复合相似度,并依据相似度排序选择高度相似的邻近风电场作为信息来源;再采用CEEMDAN频域信号分解和时间序列特征扩充构造高维特征集合,并引入浮动搜索特征选择算法对强相关特征进行优选;最后基于被选核心特征,开展基于CNN-BiLSTM深度神经网络的功率预测建模。算例结果表明,相较不引入邻近风电场信息的传统预测方法,所提方法能有效提升预测精度。

基于改进花粉算法优化的神经网络负荷预测研究

为预测短期电力负荷,可采用神经网络方法预测,而神经网络复杂权重和阈值的参数调节为预测精度的提升增加了一定程度的困难。采用进化计算算法优化过后的神经网络拥有更为优良的结构,能够提高神经网络的预测精度,为了使求解神经网络结构的进化计算算法拥有更为优秀的搜索能力,可改进算法求解网络模型结构。对进化计算花粉算法的改进及改进效果进行了研究。

基于粒子群优化算法的LightGBM超短期负荷预测研究

针对当前超短期负荷预测模型的不足,提出了一种基于粒子群优化算法的LightGBM超短期负荷预测模型,实现了LightGBM模型参数的自适应调整,可针对不同时空下负荷的规律特点调整模型参数,提高了模型的可推广性。仿真结果表明,提出的模型能有效提高负荷预测的准确度。