融合电网运行场景聚类的多任务深度强化学习优化调度

“双碳”目标和新型电力系统建设背景下,新能源的高渗透率接入导致电力系统随机性显著增大、运行方式的分布复杂多样,传统单任务深度强化学习难以自适应源荷两侧的高随机性,调度决策难以满足新型电力系统对风光消纳、功率平衡需求。为此,该文提出融合电网运行场景聚类的多任务深度强化学习优化调度方法。该方法离线训练时利用空间聚类和决策树辨识海量调度运行数据的典型运行场景与重要特征,并构建甄别场景类别的多层感知机分类器;再依据场景类别建立和划分融合聚类多任务深度强化学习模型,从数据源到状态动作设计差异化训练各子任务学习器与模型;在线决策时利用分类器辨识有限运行数据的场景类别,调用模型快速求解实时调度任务,实现高随机场景下的多任务快速迁移学习,保证电力系统优化调度决策的最优性。该文通过算例验证了该方法的解的可行性与经济性。实验结果表明,融合电网运行场景聚类的多任务深度强化学习优化调度算法较单任务算法能够明显提升调度决策经济效益。

基于广域测量数据驱动的电力系统强迫振荡源定位

强迫振荡具有随机性强、振幅大、起振快、传播范围广等特点,为预防其引起的电力系统解列和大停电事故,快速、准确地定位振荡源是十分重要且紧急的任务。文章基于广域测量数据,提出数据驱动的强迫振荡源定位方法,首先,使用孤立森林算法进行原始数据清洗;然后,利用强迫振荡数据的稀疏性和原系统数据的低秩性,将原问题转化为鲁棒主成分分析问题,通过增广拉格朗日乘子法求解。最后,在WECC 240节点系统验证所提方法的有效性。

电力设备健康管理知识图谱:基本概念、关键技术及研究进展

知识图谱具有良好的知识表达能力和解释性,是人工智能领域的一个重要分支,将其应用于电力设备健康管理,可有效整合设备全生命周期的数据,形成以知识为导向的新型运维管理模式。首先,文中系统地梳理了开放领域知识图谱构建方法,针对其中的关键技术和难点问题进行了详细阐述,并结合电力设备健康管理知识图谱的特点,论述了知识图谱的构建过程;然后,结合现有工作,明确了知识图谱在电力设备健康管理中的应用场景,并分析了当前健康管理领域对知识图谱技术的需求;最后,对未来知识图谱在能源电力设备健康管理中的应用前景做了展望。

面向需求侧主动响应的工商业用户电力套餐优化设计

电力需求响应是应对电网峰谷差持续拉大、间歇性可再生能源大规模并网、能源结构转变等问题的有效方法。为此,提出了一种新的需求侧主动响应策略——面向工商业用户的电力套餐,并对电力套餐的设计问题进行了优化研究。首先,采用基于特性指标降维的负荷聚类方法辨识工商业用户的负荷特征,为电力套餐的设计进行市场细分;其次,在综合考虑电费支出满意度和用电方式满意度对用户决策的影响的基础上,基于多项Logit模型构建用户对电力套餐的选择行为模型;接着,构建基于成本—效益分析的电力套餐综合评估模型,以衡量电力套餐的经济价值;然后,在此基础上,提出以最大化益本比为优化目标的电力套餐设计的优化模型。算例采用某地区工商业用户的实际数据,结果显示了所提电力套餐的经济价值及其调动需求侧主动参与负荷管理的效果。

基于CycleGAN与深度残差网络的局放数据增强与模式识别方法

为了解决局放模式识别的准确性受不平衡样本与神经网络深度结构制约的问题,提出了一种基于CycleGAN与深度残差网络的局放数据增强与模式识别方法。首先对稀疏表示去噪及脉冲提取得到的局放脉冲信号进行S变换得到局放时频谱图作为训练样本。然后利用CycleGAN实现对局放时频谱图的重构增强,同时引入对抗损失函数、循环一致性损失函数,以保证局放数据的高质量生成,扩充后的局放样本库丰富度更高。最后利用增强后的局放数据集训练深度残差网络,利用残差块的恒等映射结构自适应调节网络深度,解决了深度网络不易收敛的问题,同时实现对局放信号的精准辨识。实验结果表明,经数据增强的深度残差网络模式识别准确率达到98%,较增强前提高了6.8%。

澳大利亚电力监管机制及其对中国的启示

科学合理的电力监管体系能够有效地防范市场潜在风险、促进电力市场健康发展。随着中国电力现货市场建设的逐步推进,电力市场的监管机制再次受到电力市场设计者的关注。澳大利亚国家电力市场作为发展成熟的电力现货市场,在处理能源结构转型、开放电力市场竞争、完善电力监管体制等方面积累了丰富的实践经验。首先,介绍了澳大利亚国家电力市场特点和电力监管体系,阐述了其电力监管改革历程和电力监管机构职能;其次,深入分析了澳大利亚电力监管机构采用的电力市场评价指标体系及其评估方法;接着,对比分析了澳大利亚、欧洲和美国电力市场的监管机构评估机制,总结了澳大利亚电力监管机制的优势和目前存在的问题;最后,结合中国电力市场建设情况,对电力市场中能源电力法律法规体系、完善监管机构职能、加强监管信息化和健全评价机制等方面提出了相关建议。

基于多源数据图表示学习的风电出力预测方法

高精度的风电出力预测技术是实现碳中和的关键技术之一,随着智能电网的逐步建设,风电出力预测系统逐步从分散模式趋向于集中模式,其表现为一个系统集成多个风电场站的数据和模型。传统预测方法无法较好地处理这种大数据融合场景,也无法较好表征多个风电场站之间的关系,因此,提出了基于多源数据图表示学习的风电出力预测方法。通过基于Stacking集成学习框架思想和图理论对多个风电场站形成的特征数据构建图数据,其中,图数据的节点为历史风电出力数据、基础方法预测值数据以及气象、位置等多源数据,边为多个风电场站之间的相关性,从而实现对多个场站数据的融合表征。最后搭建残差图卷积神经网络对所构建的图数据进行学习训练,并通过公开数据集验证了所提算法具有更好的结果。