考虑消纳责任权重和共享储能介入的多微网非对称纳什谈判

在“双碳”政策的影响下,清洁能源成为了国家提倡使用的能源类型,在可再生能源不断发展并投入使用的同时,其浪费问题引起了广泛的关注,因此,储能技术应运而生。在共享储能和微网联盟之间,利益的分配问题是各方共同关注的,在考虑了国家推出的责任消纳的基础上,针对微网与储能电站的利益问题,提出了一种基于非对称的纳什谈判模型。将此非线性问题转化成微网联盟效益最大化和利益分配分配两个子问题依次求解,采用交替乘子法(alternating direction method of multipliers,ADMM)对其进行分布式求解,并将提出的非对称纳什谈判与对称的纳什谈判进行比较。通过对合作谈判的前后对比分析,得出所提的考虑消纳责任权重和共享储能介入的非对称纳什谈判模型能在降低各主体的成本同时,还能促进可再生能源的消纳,有效解决能源浪费问题。

基于改进YOLOv5的输电线路多目标检测

针对当前目标检测网络层数加深、参数量和计算量加大,造成实时性差等问题,为了实现对输电线路部件的识别与检测,提出一种基于改进YOLOv5的输电线路多目标检测算法。首先,使用ShuffleNetv2结构作为网络特征提取的主干结构,减少网络的参数量;然后,将PANet网络中的BottleneckCSP改为Light_CSP模块,加快特征融合的速度;其次,使用CIoU loss、DIoU-NMS方法减少预测框的位置损失和漏检问题。最后,为了验证所提算法的有效性,利用输电线路图像数据集进行训练与测试。结果表明,改进YOLOv5的参数量为7.5×106,浮点计算量为10.9,平均精度达到了87.5%,FPS达到69.2,能够满足输电线路部件检测的精度、轻量化与实时性要求。

基于集成模型的混合神经网络电力负荷预测

为了提高负荷预测的精度与泛化能力,提出了一种基于Bagging集成算法的GRU-BiLSTM-Self-attention模型。为充分提取高维输入数据的多个特征,该模型采用BiLSTM-Self-attention模型提取局部特征,采用GRU模型提取时序特征,从同一训练集中独立抽取样本子集并进行训练,对输出结果集成处理并得到最终的预测结果。选取南京某供电公司真实数据进行实验,并与LSTM神经网络、GRU神经网络、BiLSTM神经网络等预测模型进行对比。实验数据表明,该模型的均方根误差为50.770 3,准确率为97.36%。相较于其它用于对比的模型,该结果表明本模型在预测效果上具有一定程度的优势,说明所提出的模型具有更好的泛化能力与预测精度。