多时空尺度风电集群爬坡的模型预测控制分层策略

提出一种基于模型预测控制分层策略,对风电集群进行动态划分,以不同时间尺度的数值天气预报(numerical weather prediction,NWP)作为参考依据,用深度学习方法对每个子集进行建模,对每个时间段进行集群的聚类、划分与判定以提高预测精度。控制层在空间上分为三个部分,利用模型预测控制对风功率在时间上进行逐层细分,在滚动优化的环节加入对风电集群的爬坡约束条件,反馈校正环节以当前时刻风电集群输出状态为新的一轮滚动优化调度的初始值。试验结果显示该方法可以降低风电功率的波动,降低风电爬坡事件的出现。

一种用于异常用电检测的负荷模式分析新方法

为解决异常用电检测问题,提出一种基于果蝇算法的负荷模式分析新方法。在同区域相似电力用户负荷数据和用户历史负荷数据的基础上,应用果蝇算法提取负荷模式。根据用户用电负荷与相似用户用电负荷和用户历史用电负荷匹配的不同特点,采用不同的负荷数据预处理方式以及模式匹配评价方法。根据电力用户的实际数据,查出用户的异常用电情况,验证了算法的有效性。