基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验,通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法,将零序电流信号的各种特征量进行提取,经过故障测度函数计算得到故障测度数据,将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试,讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异,输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明,综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法,且其选线速度与精度优于单一BP神经网络,能够更快速、有效地进行故障选线,满足配电网故障选线要求。

新型电力系统惯量-频率“云-网-端”感知与控制技术展望

在国家碳达峰、碳中和的目标下,建设新型电力系统是电力系统低碳转型的必然趋势。然而随着大规模新能源的接入,电力系统正逐步向高比例新能源和高比例电力电子设备的“双高”趋势发展,未来电力系统将面临严峻的频率稳定问题。为应对新型电力系统惯量-频率安全运行与控制方面的挑战,围绕调频资源优化“云”、实时惯量感知预警“网”和新能源惯量补偿“端”3个维度,阐述了开展新型电力系统感知与控制研究的必要性和技术体系,论述了开展基于系统近实时频率动态预测的调频资源优化配置方法研究进展,探讨了基于同步相量测量单元的全网惯量态势感知及可视化预警技术方法,归纳了基于超级电容储存能量的新能源构网惯量模拟技术研究现状,最后对未来新型电力系统惯量-频率“云-网-端”技术的发展趋势进行了展望。

基于二阶罚函数自适应变阶拟合的全局电网惯量时空感知

随着传统同步发电机逐步被新能源发电替代,电力系统惯量不断降低,惯量时空评估对保障系统安全稳定运行愈加重要。首先,提出了基于二阶罚函数自适应变阶拟合的全局电网惯量时空感知方法;其次,基于同步相量测量单元(PMU)准确估测系统各空间节点的频率变化率及功率变化,采用二阶罚函数对PMU监测数据进行预处理,并对每段拟合数据的处理过程加以自适应变阶拟合;最后,通过两种方法的结合,可实现对电力系统广义节点惯量的时空感知。通过仿真案例分析,验证了所提方法在大、小扰动工况下对惯量时空评估的准确性及适用性。

基于电网专家策略模仿学习的新型电力系统实时调度

随着可再生能源的大规模并网,电网运行逐渐表现出高阶不确定性的新特征,给系统安全稳定运行带来严峻挑战。基于模型驱动的传统实时调度方法需占用大量计算资源,而近几年受到广泛关注的强化学习(reinforcement learning,RL)方法由于处理高维复杂电网状态信息,存在训练速度缓慢等问题。为此,该文提出一种可用于电网实时调度的电网专家策略模仿学习方法(grid expert strategy imitation learning,GESIL)。该方法首先基于图论思想建立了电网模型,其次设计了考虑电网安全运行和电力平衡控制的电网专家策略,然后利用模仿学习融合专家策略与所建模型,获得可用于电网调度决策的GESIL智能体。该文在高比例新能源占比的IEEE118节点修正模型中对比了GESIL、传统调度方法和RL方法。分析结果表明,GESIL可更加稳定高效地计算出电网运行优化方案和电力平衡控制策略,显著提升调度决策的优化效果和计算速度。