考虑节点功率储备与GIN中心性的主动配电网动态集群电压控制

为应对大规模分布式光伏(photovoltaic,PV)接入引起的主动配电网电压越限问题,降低控制策略的时序复杂性,提出一种考虑节点功率储备与节点影响力(global importance of each node,GIN)的主动配电网动态集群电压控制方法。首先,通过考虑系统各节点的功率储备度,定义聚类算法的电压灵敏度-功率储备度(voltage sensitivity-power reserve,VS-PR)综合电气距离量度。进而,以GIN算法改进亲和力传播(affinity propagation,AP)聚类算法,实现网络集群划分与主导节点选取。然后,建立主动配电网集群电压控制模型,并通过动态粒子群算法(dynamic particle swarm optimization,D-PSO)进行模型求解。最后,通过建立基于MATLAB 2021b平台的IEEE 33节点仿真算例对比分析,验证了所提动态集群划分与电压控制方法的正确性和有效性。

基于集合经验模态分解和深度学习的光伏功率组合预测

为提高对具有较强随机性和波动性特征光伏功率时间序列预测的精确性,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和粒子群优化(particle swarm optimization,PSO)的长短期记忆神经网络(long short-term memory network,LSTM)光伏功率组合预测模型。首先将光伏功率历史数据进行EEMD分解后得到的一组本征模态分量函数(intrinsic mode function,IMF)和剩余项分别输入经PSO算法优化的LSTM模型进行分量功率预测;然后将所有分量预测值叠加,输出光伏功率预测结果;最后分别以我国江苏、青海、河南的3座光伏电站历史数据建立对比算例,结果表明所提模型在不同功率波动特征下均能够实现较好的预测效果,对3个地区的平均预测准确度到达95%以上,明显优于其他单一模型,具有较强的适用性和精确性。