风电集中接入使得传统方式有效计算极限传输容量存在困难。为此,提出一种基于差分进化极限学习机的含风电系统输电断面极限传输功率(Total Transfer Capability, TTC)运行规则提取方法。首先基于K-medoids聚类方法提取以"风功率-负...风电集中接入使得传统方式有效计算极限传输容量存在困难。为此,提出一种基于差分进化极限学习机的含风电系统输电断面极限传输功率(Total Transfer Capability, TTC)运行规则提取方法。首先基于K-medoids聚类方法提取以"风功率-负荷"二维特征表征的典型运行场景,然后通过随机采样和重复潮流方法生成用于TTC运行规则挖掘的知识库。接着采用RELIEF-F算法筛除冗余特征并辨识与输电断面TTC存在强关联的特征属性,以削减运行特征的高维度。最终通过将训练数据输入差分进化极限学习机,从知识库中提取TTC运行规则。算例验证表明,所提方法能够以较高的计算精度及较强的泛化能力实现TTC的快速估计。展开更多
深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数...深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。展开更多
提出了基于扩展潮流模型计算系统输电断面最大输电能力的新思路。在扩展潮流模型中考虑了调速器和励磁系统等动态元件对系统输电能力的影响,从而打破了在以往输电能力求解过程中发电机端电压维持不变的假设,使计算结果更符合实际。建立...提出了基于扩展潮流模型计算系统输电断面最大输电能力的新思路。在扩展潮流模型中考虑了调速器和励磁系统等动态元件对系统输电能力的影响,从而打破了在以往输电能力求解过程中发电机端电压维持不变的假设,使计算结果更符合实际。建立了基于扩展最优潮流的最大输电能力计算模型,采用线性规划法进行求解,求解过程中采用了基于信赖域思想的整体步长调整与基于曲率的单变量步长调整相结合的步长调整策略。在New England 39节点算例系统中验证了模型和计算方法的有效性。展开更多
针对含大型风电场的电力系统概率最大输电能力(total transfer capability,TTC)展开研究,建立了加入异步风力发电机模型的含参潮流模型,推导了含风电场注入功率项的全注入空间静态电压稳定域边界局部切平面解析式,在此基础上提出了将Mon...针对含大型风电场的电力系统概率最大输电能力(total transfer capability,TTC)展开研究,建立了加入异步风力发电机模型的含参潮流模型,推导了含风电场注入功率项的全注入空间静态电压稳定域边界局部切平面解析式,在此基础上提出了将MonteCarlo仿真和电压稳定域方法相结合的综合考虑风电场风速、负荷、发电机出力和设备故障不确定性因素的概率TTC分层快速计算方法。利用该方法进一步分析了风速概率分布参数对TTC的影响,结果表明,准确获取风电场风速分布参数是准确计算概率TTC的前提。展开更多
文摘风电集中接入使得传统方式有效计算极限传输容量存在困难。为此,提出一种基于差分进化极限学习机的含风电系统输电断面极限传输功率(Total Transfer Capability, TTC)运行规则提取方法。首先基于K-medoids聚类方法提取以"风功率-负荷"二维特征表征的典型运行场景,然后通过随机采样和重复潮流方法生成用于TTC运行规则挖掘的知识库。接着采用RELIEF-F算法筛除冗余特征并辨识与输电断面TTC存在强关联的特征属性,以削减运行特征的高维度。最终通过将训练数据输入差分进化极限学习机,从知识库中提取TTC运行规则。算例验证表明,所提方法能够以较高的计算精度及较强的泛化能力实现TTC的快速估计。
文摘深度学习由于其强大的非线性建模能力,在输电断面极限传输容量(total transfer capability,TTC)评估问题中具有良好的应用前景。然而,由于电力系统的时变性和不确定性,需要快速更新数据和模型以满足在线应用需求。为充分利用历史场景数据并减少在线更新的计算代价,提出一种基于主动迁移深度学习的输电断面TTC评估方法。该方法包括两个阶段:第一阶段引入迁移学习预训练,推导了迁移泛化误差界以及最优经验误差组合权重,用于指导预训练阶段得到具有最小泛化误差的新场景模型;第二阶段引入主动学习和模型微调,基于TTC评估网络灵敏度进行重要样本主动查询,显著降低了模型更新所需的新样本标注时间,并利用模型微调进一步提升了新场景模型的性能。算例分析表明,所提方法与传统的深度模型训练方法相比,大幅降低了将模型应用于新场景的标注样本需求与时间成本,提升了模型迁移的效率。
文摘提出了基于扩展潮流模型计算系统输电断面最大输电能力的新思路。在扩展潮流模型中考虑了调速器和励磁系统等动态元件对系统输电能力的影响,从而打破了在以往输电能力求解过程中发电机端电压维持不变的假设,使计算结果更符合实际。建立了基于扩展最优潮流的最大输电能力计算模型,采用线性规划法进行求解,求解过程中采用了基于信赖域思想的整体步长调整与基于曲率的单变量步长调整相结合的步长调整策略。在New England 39节点算例系统中验证了模型和计算方法的有效性。
文摘针对含大型风电场的电力系统概率最大输电能力(total transfer capability,TTC)展开研究,建立了加入异步风力发电机模型的含参潮流模型,推导了含风电场注入功率项的全注入空间静态电压稳定域边界局部切平面解析式,在此基础上提出了将MonteCarlo仿真和电压稳定域方法相结合的综合考虑风电场风速、负荷、发电机出力和设备故障不确定性因素的概率TTC分层快速计算方法。利用该方法进一步分析了风速概率分布参数对TTC的影响,结果表明,准确获取风电场风速分布参数是准确计算概率TTC的前提。