基于注意力机制的CNN-BiGRU模型预测风力发电功率

风能作为清洁能源,在新能源领域深受重视,但由于风力发电不稳定的出力情况制约着其应用和发展,预测其下一阶段工作功率可以有效提高能源的利用,降低系统维护难度。基于风电场的历史时序数据、风速和叶片桨距角数据,针对风电场的短期功率预测提出一种基于注意力机制的卷积神经网络(CNN)和双向门控制循环单元(BiGRU)的融合模型(CNN-BiGRU-AM)。首先通过CNN提取数据的空间特征,再将其所获取的特征传递到BiGRU,通过BiGRU学习时间特征,最后通过注意力机制捕获两个模型输出的关键时空特征,通过训练后的参数建立模型,将数值气象预报(NWP)的风速等数据输入模型中,输出所需求的风力发电功率预测结果。输出的风力发电功率预测结果由平均绝对误差(MAE)和均方根误差(RMSE)来评估模型预测的精度,并将多个经典模型、不加注意力机制的融合模型、不同位置引入注意力机制的融合模型和此模型预测效果进行对比,结果显示本文所提出的模型精度更高更稳定。

基于自适应ASO算法的微电网优化调度

为了提高微电网的运营经济性和能源利用效率,提出了一种基于自适应原子搜索优化算法(Adaptive Atomic Search Optimization Algorithm,AASO)的微电网优化调度策略。在原子搜索优化算法(ASO)的基础上引入自适应思想,提高算法的收敛速度和精度,加强全局寻优能力。搭建一个包括光伏、风力等多种分布式发电设备的微电网数学模型,以微电网的经济环保性作为优化目标,并在孤岛和并网运行模式下进行算例寻优求解。结果表明,该算法在微电网优化调度上的寻优能力和收敛速度,均强于粒子群优化(PSO)算法,有效提高了微电网运行的经济环保性。

计及综合需求响应的能源路由器多时间尺度调度

为解决可再生能源的有效利用问题,能源互联网技术应运而生,而作为能源互联网的关键设备,能源路由器的研究至关重要。本文以能源路由器为主体,围绕其调度策略展开研究。基于模型预测控制方法,提出一种计及综合需求响应的多时间尺度调度策略,并建立计算机仿真模型对调度策略进行验证。仿真结果表明,该策略将不同负荷的响应差异性考虑在内,通过调整负荷及设备出力情况平抑功率波动,提高能源互联网的经济稳定性。