基于深度学习的微电网优化调度辅助决策方法

随着可再生能源以及电力电子设备的高比例接入,微电网控制决策优化以及调度方式将面临极大的问题和挑战,南方电网公司正在向“能源价值链整合商”转型,将有可能运维数以万计的微电网,传统的模型驱动、预案式控制、人工值守的调度模式将难以满足需求。面向人工智能在微电网自动运行调控领域的需求,提出了基于深度学习的微电网优化调度辅助决策方法。首先介绍了微电网优化运行的典型数学规划模型,分析了模型驱动的建模求解方法的难点和局限性,接着提出了基于深度双向长短期记忆网络的微电网日前优化调度深度学习模型和方法,给出了模型输出结果的修正与处理原则,最后通过算例分析验证了本文模型和算法的有效性。

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点,现有预测方法不能得到很好的预测效果。为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型。首先,运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解,对分解得到的强非平稳分量运用变分模态分解进行再次分解。然后,运用KPCA对天气、日历规则特征集提取主成分实现数据降维;将分解得到的非平稳、平稳分量结合特征集主成分分别用DBiLSTM神经网络、MLR进行预测。最后,将预测结果进行重构得到最终预测结果。通过实际算例分析可知,与其他模型相比,所提模型具有更高的预测精度。