轨道交通作为电力系统的主要用能对象之一,每年消耗大量电能用于电力机车牵引。因此,降低牵引能耗、提升供能系统的弹性与效能对促进碳达峰、碳中和具有重要的现实意义。轨道交通“网–源–储–车”协同供能系统在传统牵引供电架构的基...轨道交通作为电力系统的主要用能对象之一,每年消耗大量电能用于电力机车牵引。因此,降低牵引能耗、提升供能系统的弹性与效能对促进碳达峰、碳中和具有重要的现实意义。轨道交通“网–源–储–车”协同供能系统在传统牵引供电架构的基础上引入了储能系统与新能源发电系统,然而,如何实现牵引负荷、储能系统及新能源发电系统的高效能源自洽,减少双向波动性与不确定性对能量管理系统的影响成为了新的难题。为实现以上目标,减轻牵引负荷对牵引网的功率冲击,延长储能系统的使用寿命,本文提出了一种基于模糊Petri网(fuzzy Petri nets,FPN)的“网–源–储–车”动态阈值能量管理策略。该策略在“网–源–储–车”基本功率分配框架的基础上,设定了多工况下牵引供电系统与储能系统、新能源发电系统的动态能量交互规则,可适用于不同架构的“网–源–储–车”协同供能体系;在此基础上,以电力机车功率与储能系统寿命作为模糊Petri网的输入参数,经过模糊化、Petri网推理、反模糊化等操作后实现对放电阈值的自适应动态调整。本文以某牵引变电所实测数据作为测试案例,仿真结果表明:相较于基于固定阈值的能量管理策略,基于模糊Petri网的动态阈值管理策略能够有效提升能量回馈效率与再生制动能量储存效率,同时,增加光伏发电系统的利用电度,降低电力机车经由接触网从电力系统取能的平均功率及储能系统的平均放电深度;对延长储能系统的预计寿命、提升协同供能系统的能量利用效率与运行经济性具有积极意义。展开更多
由于用户级综合能源系统(integrated energy system,IES)的多元负荷序列之间复杂的耦合关系及易受外部因素影响等原因,综合能源系统多元负荷的精准预测面临很大困难。为此,提出一种基于Spearman相关性分析阈值寻优(threshold optimizati...由于用户级综合能源系统(integrated energy system,IES)的多元负荷序列之间复杂的耦合关系及易受外部因素影响等原因,综合能源系统多元负荷的精准预测面临很大困难。为此,提出一种基于Spearman相关性分析阈值寻优(threshold optimization,TO)和变分模态分解结合长短期记忆网络(variational mode decomposition based long short-term memory network,VMD-LSTM)的多元负荷预测方法。首先,使用斯皮尔曼等级(Spearman rank,SR)相关系数定量计算多元负荷间以及负荷与其他气候因素间的相关关系并通过循环寻优确定最优相关阈值,然后采用VMD算法将以最优阈值筛选出的负荷特征序列分解成更简单、平稳、有规律性的本征模态函数(intrinsic mode function,IMF)后与最优气象特征一起输入LSTM模型进行负荷预测。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提方法能有效提高IES的多元负荷预测精度。展开更多
文摘轨道交通作为电力系统的主要用能对象之一,每年消耗大量电能用于电力机车牵引。因此,降低牵引能耗、提升供能系统的弹性与效能对促进碳达峰、碳中和具有重要的现实意义。轨道交通“网–源–储–车”协同供能系统在传统牵引供电架构的基础上引入了储能系统与新能源发电系统,然而,如何实现牵引负荷、储能系统及新能源发电系统的高效能源自洽,减少双向波动性与不确定性对能量管理系统的影响成为了新的难题。为实现以上目标,减轻牵引负荷对牵引网的功率冲击,延长储能系统的使用寿命,本文提出了一种基于模糊Petri网(fuzzy Petri nets,FPN)的“网–源–储–车”动态阈值能量管理策略。该策略在“网–源–储–车”基本功率分配框架的基础上,设定了多工况下牵引供电系统与储能系统、新能源发电系统的动态能量交互规则,可适用于不同架构的“网–源–储–车”协同供能体系;在此基础上,以电力机车功率与储能系统寿命作为模糊Petri网的输入参数,经过模糊化、Petri网推理、反模糊化等操作后实现对放电阈值的自适应动态调整。本文以某牵引变电所实测数据作为测试案例,仿真结果表明:相较于基于固定阈值的能量管理策略,基于模糊Petri网的动态阈值管理策略能够有效提升能量回馈效率与再生制动能量储存效率,同时,增加光伏发电系统的利用电度,降低电力机车经由接触网从电力系统取能的平均功率及储能系统的平均放电深度;对延长储能系统的预计寿命、提升协同供能系统的能量利用效率与运行经济性具有积极意义。
文摘由于用户级综合能源系统(integrated energy system,IES)的多元负荷序列之间复杂的耦合关系及易受外部因素影响等原因,综合能源系统多元负荷的精准预测面临很大困难。为此,提出一种基于Spearman相关性分析阈值寻优(threshold optimization,TO)和变分模态分解结合长短期记忆网络(variational mode decomposition based long short-term memory network,VMD-LSTM)的多元负荷预测方法。首先,使用斯皮尔曼等级(Spearman rank,SR)相关系数定量计算多元负荷间以及负荷与其他气候因素间的相关关系并通过循环寻优确定最优相关阈值,然后采用VMD算法将以最优阈值筛选出的负荷特征序列分解成更简单、平稳、有规律性的本征模态函数(intrinsic mode function,IMF)后与最优气象特征一起输入LSTM模型进行负荷预测。通过某用户级IES的实际数据对所提方法的有效性进行了验证,结果表明,所提方法能有效提高IES的多元负荷预测精度。
