基于上下游市场联动的燃煤电厂两阶段决策模型

随着大宗能源价格大幅波动及新能源上网冲击,作为现阶段不可或缺的燃煤电厂经营举步艰难。对上游燃料采购及仓储成本进行优化管控的同时,对下游电力市场竞价上网进行联动决策,可在一定程度上提高双碳背景下火力发电企业的生存空间。针对上下游市场联动决策周期不一致以及固定发电成本二次曲线无法反映发电成本变动的问题,提出一种基于上下游市场联动的购煤与竞价燃煤电厂两阶段优化决策模型。首先提出燃煤电厂上下游市场的联动模型;其次建立购煤与竞价策略两阶段决策模型,并讨论条件风险价值对决策的影响;最后以燃煤电厂A进行算例分析和两阶段决策模型的有效性验证。算例结果表明,所提两阶段决策模型可以解决上述问题,实现利润最大化。

基于电压曲线形态特征聚类的低压台区相位辨识

针对电压曲线分布集中导致低压台区用户相位难以准确辨识的问题,提出基于电压曲线形态特征聚类的低压台区相位辨识方法。首先,采用分段聚合近似(PAA)对配电变压器低压侧三相以及低压用户的电压曲线进行分段,提取反映整体分布的主要特征信息,减少冗余噪声的干扰。引入一阶导数与动态时间弯曲(DTW)增加对每个分段序列局部趋势变化的分析,并将其集成到PAA距离度量中,既弥补了均值特征缺乏对电压曲线趋势变化信息的考量,又能降低DTW的时间复杂度。然后,通过该距离度量综合判定电压特征序列的相似度,并以此改进传统k-means聚类的相似性度量,构建低压台区相位辨识模型。最后,通过实际台区算例分析验证了所提方法的有效性。

基于CBAM-CNN的直流线路雷击干扰与短路识别模型

针对直流线路保护和故障测距易受非故障性雷击干扰、传统基于时域和频域特征构造的输电线路雷击干扰识别方法存在阈值难以整定和噪声鲁棒性较差的问题,提出使用深度学习方法实现雷击干扰与短路行波特征自动提取与分类,相模解耦和小波包分解后得到的电流、电压行波分量作为不同通道输入至一维卷积模块注意力模块卷积神经网络(CBAM-CNN)分类模型。通过仿真和算例分析验证了所提模型相比传统方法具有更高的识别正确率,CBAM能有效提升CNN分类模型的噪声鲁棒性,同时验证了4层小波包分解与所提CBAM-CNN模型的结合具有最佳的性能。