基于GCTMSA的梯级水火风光蓄储联合调度

为发展新型电力系统调度理论与方法,构建了一个含梯级水风光蓄一体出力(the integration of cascade hydro-wind-photovoltaic-pumped storage, CHWPPS)的水火风光蓄储联合调度模型。同时,针对传统求解方法在求解水火风光蓄储联合调度系统时易陷入局部最优、难以在满意时间内得出可行解等问题,提出了一种基于贪婪策略、自适应交叉算子和自适应t分布变异的改进飞蛾搜索算法(greedy strategy,adaptive crossover operator and adaptive t-distribution variation based moth search algorithm, GCTMSA)。GCTMSA将自适应交叉算子与Lévy飞行策略相结合,在直线飞行策略中引入自适应t分布变异,并利用贪婪策略仅接收更优个体,以提高全局搜索能力和搜索速度。算例分析在一个修改的IEEE 6机30节点系统和一个省域简化电力系统中展开。结果表明,与飞蛾搜索算法、遗传算法、粒子群算法和生物地理算法相比,GCTMSA具有更强的搜索能力和稳定性。同时,分析了CHWPPS和电池储能对系统的影响。相关讨论与结论可为水火风光蓄储联合调度等多能互补技术发展提供参考。

基于CNN-GRU的配电网中压馈线合环电流预测研究

为提高传统配电网中压馈线合环电流估算或预测准确性和适应性,本文提出了一种基于卷积神经网络(Convolutional Neural Network, CNN)和门控循环单元(gated recurrent unit, GRU)的配电网中压馈线合环电流预测方法。首先,利用数据采集与监视控制系统获取历史负荷数据、电网结构参数以及运行方式等数据并进行预处理。其次,将预处理后的海量数据按时间滑动窗口构造为连续的特征矩阵作为输入,最后,利用CNN-GRU混合模型建立输入特征与合环电流的映射关系,生成基于CNN-GRU的中压馈线合环电流预测模型,进而实现其回归预测。借助DIgSILENT/PowerFactory和MATLAB 2020a软件,案例分析在贵州某城市配电网中展开,预想场景仿真和3组6条馈线合环试验结果初步表明所提的基于CNN-GRU的数据驱动方法能提升合环电流估算或预测的准确性和适用性,与其他模型CNN、GRU相比R2值分别由79.91%,87.7%提高到99.68%,验证了所提的模型具有较高的准确性和可行性,相关结论与讨论对配电网智能化技术研发有一定参考价值。