计及短期运行灵活性的城市能源系统扩展规划

城市是能源消费与碳排放的主力.在“双碳”背景下,促进城市能源系统低碳转型已成为当前城市规划的首要任务.然而,在新能源出力占比增加的同时,系统的灵活性需求也随之增加.为此,提出一种考虑长短期不确定性的城市能源系统扩展规划模型,涵盖电、气、热多种能源形态,在规划的层面计及实时运行阶段的不确定性及运行灵活性,并采用随机优化方法进行求解.模型考虑新能源机组和能源枢纽中各类能源转换设备的容量扩建,通过施加碳排放配额约束来确保达成碳减排目标.算例结果表明,该模型能有效提高城市能源系统的经济性和新能源消纳率,并且可以满足不同的碳减排需求.

基于CNN-LSTM-Attention的配电网拓扑实时辨识方法

配电网中准确的拓扑结构辨识对运行和控制具有重要意义,针对实际配电网拓扑结构变动的情况,搭建了可智能辨识配电网拓扑结构的深度学习模型。首先,生成不同拓扑结构下的配电网量测数据并进行数据预处理。其次,构建了融合CNN(卷积神经网络)、LSTM(长短期记忆网络)和Attention(注意力机制)的拓扑结构智能辨识模型,并结合历史量测数据对模型训练并测试。最后,在IEEE 33节点和PG&E69节点配电系统仿真算例中,验证了该基于CNN-LSTM-Attention模型的拓扑辨识方法相较于传统辨识方法在辨识精度上的优越性,实现了该模型的在线应用。

高比例新能源下的交直流配电网预测辅助区间状态估计

分布式电源(DG)出力的随机性和波动性、量测误差分布的不确定性给交直流配电网准确的态势感知带来了挑战。文中在利用区间形式描述DG出力和量测值的基础上,建立了交直流主动配电网的三相区间状态估计模型,旨在获得多重不确定性因素影响下系统状态所处的整个区间。为了获得准确的初始状态区间,利用历史状态预测当前时刻的状态区间,并基于非线性优化模型进行区间修正以确保预测区间的合理性。然后,利用基于中值定理的非线性等式放缩方法将非线性区间状态估计模型转化为线性优化模型,保证估计区间的完备性。最后,通过仿真算例验证了所提方法的有效性。

深度学习辅助的区域交直流配电网区间状态估计

针对区域交直流混合配电网中实时量测覆盖率低、量测误差分布具有不确定性的问题,提出了基于深度神经网络(DNN)伪量测建模的交直流配电网区间状态估计方法。该方法首先对DNN进行离线训练,然后将实时量测数据和电压源换流器控制的变量值作为DNN的输入特征,建立伪量测模型;接着,在实时量测更新时,利用已训练好的DNN快速生成伪量测;最后,对伪量测和实时量测的不确定性采用区间形式建模并进行区间状态估计,进而准确监测交直流系统状态。算例仿真结果表明,所提方法能够避免对量测误差的概率分布进行假设,并且能够在低冗余量测配置或量测缺失时,准确获得交直流配电网状态变量的上下界信息。

基于深度神经网络伪量测建模的交直流混合配电网交替迭代法状态估计

当前配电网状态估计面临的一个突出问题是实时量测数量不足,难以实现全网可观性。为了给配电管理系统提供准确的基础数据,提出一种基于深度神经网络伪量测建模的交直流混合配电网交替迭代状态估计方法。首先,建立电压源换流器的稳态模型和混合配电网的实时量测模型;然后,利用历史量测数据对深度神经网络进行离线训练,建立负荷节点注入功率的伪量测模型;最后,对交流区域和直流区域进行交替迭代状态估计,在交替过程中区域间交换VSC支路状态量的估计值,保证了边界状态量的一致性。算例测试结果表明,所提方法能在实时量测覆盖率低的情况下,准确估计混合配电网的状态值。