支撑新型配电网数字化规划的图形⁃模型⁃数据融合关键技术

配电网规划领域期盼实现智能规划,其愿景在于实现无人或少人干预的全自动规划。在数字化转型的背景下,新型配电网规划将面临图形多样化、场景碎片化、数据规模化三大挑战。文中从图形-模型-数据融合的角度提出三大关键技术:基于电气图纸识别和拓扑智能分析的图形-模型融合技术、基于知识驱动的负荷/新能源推演分析和智能决策的模型-数据融合技术、基于多模态数据融合和多时空数据联动的图形-数据融合技术,尝试打破理论研究与数字化工程的壁垒。最后,对未来新型配电网数字化规划的发展进行思考和展望,为实现“以机为主,人机协同”的大闭环模式提供借鉴。

基于多维气象信息时空融合和MPA-VMD的短期电力负荷组合预测模型

为提高电力负荷预测精度,需考虑区域内不同地区多维气象信息对电力负荷影响的差异性。在空间维度上,提出多维气象信息时空融合的方法,利用Copula理论将多座气象站的风速、降雨量、温度、日照强度等气象信息与电力负荷进行非线性耦合分析并实现时空融合。在时间维度上,采用海洋捕食者算法(MPA)实现变分模态分解(VMD)核心参数的自动寻优,并采用加权排列熵构造MPA-VMD适应度函数,实现负荷序列的自适应分解。通过将时间维度各分量与空间维度各气象信息进行融合构造长短期记忆(LSTM)网络模型与海洋捕食者算法-最小二乘支持向量机(MPA-LSSVM)模型的输入集,得到各分量预测结果,根据评价指标选择各分量对应的预测模型,重构得到整体预测结果。算例分析结果表明,所提预测模型优于传统预测模型,有效提高了电力负荷预测精度。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

面向新型电力系统的储能规划方法研究进展及展望

储能是新型电力系统非常重要的灵活性调节资源,在源网荷各端均可发挥重要的作用,在中国,储能的发展已经进入规模化发展期,如何合理、经济地利用好储能的关键是规划配置方法。在对储能规划方法研究现状的基础上,分析了储能投资运营主体多元化、应用场景和运行模式复杂化、储能技术多样化等新变化对储能规划方法的影响;提出了新能源聚集区考虑时空互补和共享机制的储能规划方法、电网侧充分市场竞争下的储能与输配电系统协同规划方法,以及用户侧电、热、氢多元储能合作/竞争共存下的规划方法。面向新型电力系统的储能规划,未来应注重电力系统不同发展阶段的整体协调性、储能投资运营主体多元化内生博弈机制的影响,以及规划方案在多目标多场景下的迁移学习方法。

改进MOGOA及其在风储容量优化配置中的应用

针对传统方法在风储容量优化配置过程中求解精度低、效率低等问题,提出一种改进多目标蝗虫优化算法(improved multi-objective grasshopper optimization algorithm,IMOGOA),采用Fuch混沌映射、余弦自适应参数和莱维飞行三种策略进行改进,使算法的初始解分布更均匀、全局探索和局部开发更协调,同时增强了算法跳出局部最优的能力。对改进算法和多目标粒子群等多个算法进行性能测试对比,实验结果表明改进算法具有更好的寻优精度和稳定性。将该算法应用于风电场混合储能系统容量优化配置,对比其他算法,改进算法能够快速找出Pareto最优解集,在满足系统要求的同时,最大限度降低混合储能系统成本,可以验证算法改进策略的有效性和应用于实际优化问题的适用性。

考虑多影响因素的电动汽车充电负荷预测

针对电动汽车数量呈突变式增长的问题,通过分析私人电动汽车保有量的相关影响因素,利用关联分析法筛选出公共充电桩数量、人均可支配收入、人均消费支出、第二产业投资额增长率和总私人电动汽车数量五个因素,建立了引入自适应系数r的灰色模型(GM(1,N))。与现有的预测模型结果进行对比,证实了所建立模型的优越性。此外,根据重庆市充电站提供的数据,建立了私人电动汽车日充电负荷模型,采用蒙特卡洛法得出私人电动汽车在2021年和2025年保有量下的日充电负荷,渗透率分别达到为0.4%和0.85%。最后,引入IEEE33节点系统分析电动汽车在不同渗透率下充电负荷对电网的影响程度。结果显示高渗透率下对电网电压造成的波动较大,网损增加近160倍,降低了能源利用率,为重庆市未来规划电动汽车充电提供了有效的数据参考。

考虑碳排放的分布式电源优化配置

对分布式电源接入配电网进行合理的优化配置,能在兼顾运营商和用户利益的同时,改善系统整体电压分布。建立了综合考虑分布式电源投资成本、用户购电成本、网损费用和碳排放费用的多目标优化模型。利用改进层次分析法确定各目标的权重,进而转化为单目标函数规划问题。针对天牛须算法个体单一性在解决高维复杂问题时精度低,优化效果不佳的问题,提出了一种改进天牛须粒子群算法,利用混沌映射对参数进行调整,引入动态惯性权重、莱维飞行机制,提高了收敛速度。以IEEE33节点系统为例,将改进天牛须粒子群算法与粒子群算法及天牛须粒子群算法的效果对比,验证改进算法对分布式电源优化配置问题的可行性,有效降低了碳排放费用、用户购电费用,减少了系统网损,改善了系统整体电压分布。

基于生成对抗Transformer的电力负荷数据异常检测

电力负荷异常数据将给电力系统规划、负荷预测以及用能分析等带来较大的负面影响,因此亟须对负荷数据异常进行检测与识别。首先,针对电力负荷数据异常分类、原因及其特征开展分析。其次,改进传统Transformer编码器结构,采用多头注意力层代替掩码多头注意力层,同时移除前馈网络,以提高模型对负荷时序序列的全局注意力。基于生成对抗网络(generative adversarial networks,GAN)生成器与判别器的博弈结构,提出一种改进的GAN-Transformer模型,以更好地捕捉趋势性特征并加速模型收敛。然后,引入多阶段映射与训练方法,综合焦点分数打分机制,通过分阶段负荷序列重构帮助模型更好地提取负荷数据异常特征。最后,算例分析结果表明,GAN-Transformer模型在负荷数据异常检测精确率、召回率、F_(1)值以及训练时间方面均具有更优的性能,验证了所提方法的有效性和优越性。文中研究工作为基于深度学习进一步实现电力负荷数据异常分类与数据修复提供了有益参考。

基于改进金豺算法的短期负荷预测

针对电力负荷序列波动性和预测精度不高的问题,提出一种基于变分模态分解、排列熵和改进金豺算法优化双向长短期记忆网络的预测模型。首先,利用变分模态分解重构原始负荷序列,再采用排列熵理论对分解后的子序列进行熵值重组;然后,利用改进金豺算法对双向长短期记忆网络的参数进行优化,并对每个子序列建立预测模型;最后,组合各模型结果得到最终预测值。实验结果表明,本文模型预测精度更高,与真实值拟合度更好。

基于二次分解双向门控单元新型电力系统超短期负荷预测

在新型电力系统中,电力负荷随机性和波动性较强,现有预测方法难以对其实现高精度预测。为此,提出一种基于二次分解和双向门控循环单元的超短期负荷预测模型。首先,针对电力负荷的强随机性和强波动性,利用自适应噪声完备经验模态分解对电力负荷历史序列进行初步分解,使负荷序列更加平稳。随后,对初步分解得到的强非平稳分量运用连续变分模态分解进行二次分解,降低其预测难度。最后,为充分学习电力负荷的时序特征,在预测过程构建基于双向门控循环单元的超短期电力负荷预测模型。实验结果表明,该模型相较于现有优秀预测模型有更高的预测精度。

基于EMD-BiLSTM-ANFIS的负荷区间预测

考虑到新型电力负荷随机性增强,传统的准确预测方法已无法满足要求,提出一种EMD-BiLSTM-ANFIS(Empirical Mode Decomposition-Bi-directional Long Short-Term Memory-Adaptive Network-based Fuzzy Inference System)分位数预测负荷概率密度的方法,使用负荷预测区间取代点预测的准确数值,能为电力系统分析与决策提供更多数据,增强预测的可靠性。首先将原始负荷序列通过EMD(Empirical Mode Decomposition)分解成若干分量,并通过计算样本熵分为3类分量。然后将重构后的3类分量与由相关性筛选的外界因素特征采用BiLSTM、ANFIS模型进行训练和分位数回归(QR:Quantile Regression),并将分量的预测区间结果累加得到最终负荷的预测区间。最后利用核密度估计输出任意时刻用户负荷概率密度预测结果。通过与CNN-BiLSTM(Convolutional Neural Network-Bidirectional Long Short-Term Memory)、LSTM(Long Short-Term Memory)模型对比点预测及区间预测结果,证明了该方法的有效性。

基于VMD-SE的电力负荷分量的多特征短期预测

为提高电力负荷的预测精度,提出一种基于VMD-SE的电力负荷分量的多特征短期预测方法。首先采用变分模态分解(VMD)将原始负荷分解为一系列模态分量与残差,VMD的分解层数由样本熵值(sample entropy,SE)确定;然后对比原始负荷与模态分量的SE值,重构为平稳分量和波动分量,来降低运算规模;同时利用皮尔逊相关系数来筛选特征变量,删除特征冗余,建立灰狼算法优化后的支持向量回归模型(GWO-SVR)和长短期记忆神经网络(LSTM)分别对平稳分量和波动分量预测;最后以某地区2018—2020年用电负荷为例进行实验。实验证明:此模型精准度高达94.7%,平均绝对百分误差降低到2.98%,具有更好的精准性和适用性。

计及电制氢和碳捕集的园区综合能源系统动态规划

“碳达峰,碳中和”目标对综合能源系统提出了低碳高效的新要求。针对园区综合能源系统的源-网-荷-储联合规划问题,基于Bellman最优理论将系统净收益最大化的规划模型进行分解,建立“风光储协同-多能互联耦合-能源消纳制氢-最优碳捕集”的多阶段动态规划模型并求解设备的最佳配置方案。结果表明,该模型在经济性和环保性方面具有显著优势,电制氢收益可观并促进电能就地消纳,碳捕集降低了系统碳排放并具有售卖CO_(2)气体和碳配额的双重收益,同时在动态规划过程中达到了最佳的电制氢配置和最优的碳捕集比例。

计及跨领域氢需求的电源低碳规划

大规模多领域的氢能应用会对电力负荷的规模、结构及分布等产生影响,进而对电源规划带来新的挑战。为此,文中提出一种考虑跨领域氢负荷的电源低碳规划模型。首先,计及工业、交通和供热领域的氢负荷,构建包含常规火电机组、碳捕集机组、新能源机组以及氢能系统的电-氢系统结构,并基于系统动力学理论对多领域的氢需求进行预测;其次,引入阶梯碳交易机制,在满足系统常规约束和氢能设备约束的前提下,考虑电、氢负荷需求,建立以投资、运行、碳交易以及弃电成本之和最小为优化目标的电源低碳规划模型;最后,以中国西北某地区的实际数据为例进行算例分析。结果表明,引入氢负荷和碳捕集电厂后的电源低碳规划模型能够优化电源结构、提高能源利用效率、降低系统碳排放量。

面向高比例新能源电网短路计算的机电-电磁融合电源模型

为解决新型电力系统计算与分析中传统电源模型难以继续适用的问题,提出一种面向高比例新能源电网短路计算的机电-电磁融合电源模型。一方面,考虑新能源电源通用控制策略作用下的外部输出特性,采用单一压控电流源等效电源侧海量新能源电源的整体输出;另一方面,根据短路电流故障的时间划分尺度,保留传统发电机工频基波意义下的外部输出特性,并采用3个大小不一且衰减速度不同的电压源等效电源侧所有发电机的整体输出。进而采用3个电压源和1个压控电流源并联的形式作为融合电源模型的结构,并采用内点法对融合电源模型参数进行在线辨识。通过短路仿真数据和电网实测故障录波数据验证了融合电源模型的适用性。

基于线性化方法的交直流混合配电系统网架规划

随着配电系统中直流设备的大量接入,交直流混合配电系统得到越来越广泛的应用。为适应交直流混合配电系统中不同交直流(AC/DC)类型的负荷或电源的接入,提出一种新的交直流混合配电系统网架结构规划方法,该方法考虑了网架交直流配置的所有可能性。首先以二进制网络矩阵描述配电系统的网架结构;其次建立网架单层规划模型,将规划变量和运行变量同时进行优化以提升全局寻优能力;最后将单层规划模型进行线性化处理,转换为混合整数线性规划问题以提升求解效率。仿真结果表明,所提方法能够为配电系统中不同交直流类型的负荷和电源的接入提供最佳的网架配置方案,相比于传统的纯交流规划方案具有更好的经济性和供电能力,在算法上与经典遗传算法求解的双层规划方法相比,具有更好的全局寻优能力和计算效率。

集中式馈线自动化配电网供电可靠性评估

计及集中式馈线自动化的配电网可靠性评估尚存在较多研究空白,且多数研究仅计及故障停电的影响,在考虑预安排检修容量约束的情况下,计及负荷转供影响,结合馈线自动化的类型及运行逻辑,依据馈线自动化相关技术指标,对恢复供电过程中出现的负荷点进行详细分类,推导出不同类型负荷期望恢复供电时间和配电网供电可靠性指标计算公式。结合算例进行分析可知,不同终端配置下馈线系统平均停电持续时间SAIDI可减少0.95~1.08 h/(用户·a),说明了优化终端配置可有效提高配电网供电可靠性,证明了所提评估方法的准确性和实用性,并比较了不同终端配置对可靠性的影响。

基于集群辨识和卷积神经网络-双向长短期记忆-时序模式注意力机制的区域级短期负荷预测

为了解决区域级短期电力负荷预测时输入特征过多和负荷时序性较强的问题,提出一种基于集群辨识和卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-时序模式注意力机制(temporal pattern attention,TPA)的预测方法。首先,将用电模式和天气作为影响因素,基于二阶聚类算法对区域内的负荷节点进行集群辨识,再从每个集群中挑选代表特征作为深度学习模型的输入,这样既能减少输入特征维度,降低计算复杂度,又能综合考虑预测区域的整体特征,提升预测精度。然后,针对区域电力负荷时序性的特点,用CNN-BiLSTM-TPA模型完成训练和预测,该模型能提取输入数据的双向信息生成隐状态矩阵,并对隐状态矩阵的重要特征加权,从多时间步上捕获双向时序信息用于预测。最后,在美国加利福尼亚州实例上分析验证了所提方法的有效性。

基于VMD-改进最优加权法的短期负荷变权组合预测策略

为提升短期电力负荷预测精度,提出了一种变权组合预测策略。首先,为了降低负荷数据的不平稳度,使用变分模态分解(variational mode decomposition,VMD)将负荷数据分解成了高频、低频、残差3种特征模态分量。其次,充分计及负荷数据的时序特点,参考指数加权法原理设计自适应误差重要性量化函数,并结合组合模型在时间窗口内的历史负荷数据的均方预测误差设计改进最优加权法的目标函数和约束条件,以完成子模型的准确变权。最后,针对波动较强的高频分量选定极端梯度提升(XGBoost)和卷积神经网络-长短期记忆(CNN-LSTM)模型并使用改进最优加权法进行组合预测、低频分量使用多元线性回归(MLR)模型预测、残差分量使用LSTM模型预测,叠加各模态分量的预测结果,实现了短期负荷数据的准确预测。实验结果表明,使用策略组合模型的平均绝对百分比误差为4.18%。与使用传统组合策略的组合模型相比,平均绝对百分比预测误差平均降低了0.87%。

高比例分布式电源配电网中低压柔性互联协调规划

柔性互联技术是解决高比例分布式电源(distributed generation,DG)配电网面临诸多问题的有效手段之一。提出了一种基于多层优化的配电网中压与低压柔性互联协调规划方法。首先,建立基于电力电子柔性互联设备(flexible interconnected devices,FID)的中低压柔性互联配电网潮流模型。然后,构建三层协调规划模型,上层以低压FID年运行成本及台区变压器负载率的年方差最小为目标,中层以中压FID年运行成本及从上级电网年购电成本最小为目标,分别决策低压和中压FID的安装位置与容量,下层以各场景的从上级电网购电成本最小为目标优化系统运行,并采用自适应粒子群优化和二阶锥规划相结合的混合算法求解。最后,采用含高比例DG的IEEE 33节点配电网进行算例分析,通过柔性互联规划系统的年综合运行成本降低了19.01%,台区变压器负载率的年方差减少了82.59%,验证了所提规划模型的有效性。