基于层次聚类分场景的光伏汇聚趋势量化方法

持续功率曲线能反映长时间波动特性规律,通过研究已建设光伏集群持续功率曲线,建立预测模型揭示不同规模集群的汇聚演化规律,最终得到待建光伏集群的持续功率曲线。首先,利用层次聚类算法确定光伏集群汇聚规模的分层顺序,得到装机容量逐层递增的光伏集群,并提出汇聚效应指标验证顺序的有效性;其次,为了更好地判断和预测光伏持续功率曲线的变化趋势,对持续功率曲线进行出力场景划分;最后,为避免单一模型预测偏差,在各出力场景下,通过改进的信息熵组合预测模型掌握汇聚过程中规模演变规律,完成规划待建设集群持续功率曲线的预测。利用河北某地区实测数据仿真结果表明:验证聚类方法得到的集群分层顺序更能体现汇聚效应,并有效提高预测精度;出力场景划分准确刻画集群持续功率曲线汇聚趋势;通过模型对比表明分场景下改进信息熵组合预测模型更能精确完成待建光伏集群持续功率特性的量化分析。

基于改进FCM聚类的光伏电站出力场景特性研究

为提高新型电力系统的运行安全可靠性,需要对光伏电站的出力特性进行量化评估,并从高不确定性的众多发电场景中掌握光伏电站的运行规律。为此,基于场景聚类和缩减原理对光伏出力进行分析。首先提出光伏出力特性的评价指标,包括波动性和出力效率2个一级指标和相应的二级指标;然后采用模糊C均值(fuzzy C-means,FCM)聚类算法,基于密度思想和距离最大、最小原则确定初始聚类中心,通过不断迭代得到不同场景下光伏出力的聚类结果。考虑到传统聚类算法存在局部收敛性,难以确定最优聚类数目,提出结合聚类有效性指标来确定聚类最优数目,进而采用基于概率距离的前推回代法对得到的聚类结果进行场景削减,最终得到光伏电站季节典型出力场景。最后基于广东省某光伏电站实际出力数据进行分析,验证所提指标和算法的有效性。

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。

考虑集群划分的分布式光伏无功电压控制策略

针对含分布式光伏配电网的电压越限问题,提出一种考虑分布式光伏集群划分的无功电压控制策略。首先提出了基于无功电压灵敏度的模块度指标,考虑集群内的无功平衡度及耦合度,得到改进模块度指标并以此进行集群划分;然后提出越限集群内的无功电压控制策略与集群间的协调控制策略,当越限集群无法恢复集群内电压至安全水平时,通过主导节点选取具有可调无功容量的安全集群向越限集群分配剩余无功可调容量;最后以IEEE 33节点配电网系统为例进行仿真,验证了所提无功电压控制策略的有效性。

基于改进K-means聚类的轨道交通基础设施分布式光伏发电典型场景生成及出力特性分析

受限于自然条件,光伏出力具有很强的随机性。为准确评估轨道交通基础设施分布式光伏发电的光伏出力特性,提出一种基于改进K-means聚类算法的轨道交通基础设施分布式光伏发电典型场景生成方法,并基于此进行光伏出力特性分析。首先,基于分布式光伏发电设施以及气象数据,利用PVsyst软件模拟光伏发电出力数据。然后,针对基本K-means聚类算法聚类参数和初始聚类中心盲目性高的问题,结合聚类有效性指标(Density based index,DBI)和层次聚类对其进行改进并利用改进K-means聚类算法生成光伏典型日出力场景。最后,基于华中地区某地轨道交通基础设施分布式光伏系统对所提方法的有效性和优越性进行验证,并通过定性和定量分析各典型场景的出力特性揭示轨道交通基础设施分布式光伏出力的规律和特点。

分布式光伏集群功率短期预测的空间互补特性初探

随着分布式光伏装机容量的快速增长,分布式光伏集群功率预测对电网调度的影响日益增强。分布式光伏集群功率预测存在“先累加后预测”“先预测后累加”以及“先聚类再预测”3种技术路线。通过在含600多个分布式光伏站点实测功率数据集上的实验发现,分布式光伏集群功率预测存在“空间互补”现象,即3类集群预测路线得到的预测误差相比于单个场站的平均预测误差都有所降低。为了探究空间互补现象的产生机理及影响因素,首先从机理分析的角度将其归纳为“出力曲线互补”和“预测误差互补”两类空间互补特性。然后,提出了“空间互补系数”这一概念,对互补效果进行量化评估。最后,探究了集群规模、分布范围、天气类型和聚类簇数4种因素对空间互补特性的影响。结果表明,两类空间互补特性对分布式光伏集群短期功率预测精度提升效果显著,且预测误差互补在精度上优于出力曲线互补。研究结果可为分布式光伏集群划分提供依据,有助于实现更加高效且准确的功率预测。

考虑灵活性分析的典型光伏日出力率曲线提取方法

为了在电力系统灵活性分析过程中,提取对系统灵活性影响较大的典型光伏日出力率曲线,提出一种考虑灵活性分析的典型光伏日出力率曲线提取方法,确定对灵活性影响较大的光伏日发电曲线范围,利用斯皮尔曼相关系数和随机贪心算法改进K-means聚类算法,对光伏日出力率曲线进行聚类,利用灰狼算法提取典型光伏日出力率曲线。算例分析以蒙西电网2019—2022年光伏日出力数据为研究对象,结果表明,利用所提方法提取的典型光伏日出力率曲线,能够有效反映光伏发电对系统灵活性的影响。

基于K-means聚类和极限学习机组合算法的短期光伏功率预测

考虑光伏功率的预测精度强依赖于天气模态和气候条件等因素影响,提出了基于极限学习机组合算法的短期光伏功率预测方法。首先,基于K-means聚类算法进行天气分型,分为4个季节下晴天、多云天气、阴雨天气共12组不同天气类别。其次,针对天气分型结果,基于极限学习机ELM、遗传算法改进的极限学习机GA-ELM、鸟群算法改进的极限学习机BSA-ELM3种算法构建光伏功率预测模型。最后,以某光伏电站数据进行所提模型验证。预测结果表明,BSA-ELM预测精度最高,12种天气预测精度达到90%左右,各季节中预测精度最高的天气类型均为晴天,多云天气精度高于阴雨天气精度,可为含高比例光伏并网的新型电力系统安全稳定运行提供有效数据支撑。

基于改进粒子群区间二型模糊神经网络的MPPT控制研究

针对太阳能发电单元最大功率点控制(MPPT)在复杂工况条件下存在的振荡、跟踪耗时长、精度较低的问题,提出一种基于改进区间二型模糊神经网络的预测控制模型。首先将减法聚类与区间二型模糊均值聚类算法相结合,辨识模型前件模糊规则层结构,计算得到聚类中心;其次,基于自导式粒子群算法优化后件权重层权值参数,进而提升网络全局寻优能力;最后,通过与TS模糊神经网络模型、基于反向传播算法的区间二型模糊神经网络模型进行仿真对比,验证所提模型在不同工况下对最大功率点追踪的快速性与精确性。

基于相似日聚类及模态分解的短期光伏发电功率组合预测研究

短期光伏发电功率预测是电站制定发电计划并进行调度的重要组成部分,有助于电力系统的动态稳定。针对光伏时序预测中存在的噪声干扰及单一模型预测效果不稳定等问题,该文提出一种基于改进型自适应白噪声的完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)的组合预测模型。首先,利用相关系数提取重要气象特征,并采用模糊C均值聚类(fuzzy C-means clustering,FCM)将原始数据集划分为晴天、晴转多云和雨天。其次,每种相似日以最后一天为待预测日,其余为历史训练集;利用ICEEMDAN将历史训练集分解成若干个较为规律的子序列,并用排列熵(permutation entropy,PE)对各子序列进行重构。最后,高频项采用由卷积神经网络(convolutional neural network,CNN)、(bidirectional gated recurrent unit,Bi GRU)双向门控循环单元与注意力机制组合而成的CNN-BiGRU-ATTENTION神经网络预测,低频项和趋势项采用最小二乘支持向量回归机(least squares support vector regression,LSSVR)进行预测,将预测结果叠加得到最终光伏发电功率预测值。通过实例验证:该文组合模型在不同天气条件下,可以解决单一模型预测精度低、预测效果不稳定等问题;相比其他模态分解,能够更精确地预测波动较大的局部特征。

面向暂态分析的分布式光伏集群多步分群与等值建模

传统的光伏建模方法已无法满足高渗透率分布式光伏集群的规模化建模需求。针对区域内分布式光伏集群接入点分散、建模工作量大以及建模过程中动态差异性大等问题,提出一种面向暂态分析的分布式光伏集群多步分群等值建模方法。首先,考虑分布式光伏集群所在区域节点电气耦合程度,根据节点电压灵敏度矩阵划分区域并定义区域聚类识别号。其次,将分布式光伏区域聚类识别号纳入分布式光伏集群划分指标,同时选取分布式光伏电站辐照度、逆变器控制参数作为分群指标,完成分布式光伏集群划分。最后,基于同调等值思想建立分布式光伏的多机等值模型,并在PSCAD中仿真验证了文中所提多步分群方法和所建立的等值模型是合理有效的。

基于影响因素权重的光伏组件现场性能退化率分区预测

提出准确预测光伏组件现场性能退化率的分区预测方法。首先系统识别和选取影响光伏组件性能退化的综合性因素,再基于加速寿命试验确定各综合性影响因素对光组件性能退化的影响权重,进而构建光伏组件现场性能退化率的预测模型;其次综合考虑性能退化影响因素的影响权重和时间权重,进行性能退化影响因素的地理区域聚类,得到性能退化程度最具一致性的地理区域划分结果,从而实现光伏组件性能退化率的分区预测。广东、海南两省所处地理区域类别的光伏组件现场性能退化率预测结果表明,预测值与实际值的相对误差为6.67%,能满足工程应用的要求。

面向“双碳”目标的光储一体化建筑集群电力协同调度方法研究综述

为实现建筑用能领域的“双碳”目标,需将大规模的城乡建筑集群配置为光储一体化建筑集群,同时考虑到光伏发电的间歇性和随机性,还需实现此类建筑集群的大规模电力协同调度,从而有效的消纳可再生能源。通过文献综述对比了现有发用储融合的用电模式,总结了光储一体化建筑集群电力协同调度的概念和优势,进一步对比分析了针对光储一体化建筑集群电力系统的协同调度方法,认为基于多智能体强化学习的去中心化电力调度方法具有灵活性强、适用度高等特点,并进一步梳理多智能体强化学习应用在电力协同调度中的关键问题,提出基于数字孪生技术能在数据涌现进行算法训练层面有效助力实现基于多智能体强化学习的光储一体化建筑集群电力协同调度。

CRAFT磁体性能研究平台数据归档系统

聚变堆主机关键系统的综合研究设施的磁体性能研究平台(Magnet Performance Research Platform,MPRP)是为先进超导磁体实验建立的大型实验平台,其历史数据在海量存储情况下存在检索速度慢的问题。因此,对系统检索速度进行研究并开发了MPRP数据归档系统(MPRP Data Archiving System,MPDAS)。MPDAS设计了EPICS(Experimental Physics and Industrial Control System)数据归档插件并采用MongoDB分片和副本集机制搭建高扩展性数据存储架构。为提高数据检索速度,MPDAS借鉴最近最少使用(Least Recently Used,LRU)、使用频率最低(Least Frequently Used,LFU)、先进先出(First In First Out,FIFO)三种传统缓存替换算法核心思想,基于牛顿冷却定律建立数据温度模型并提出一种综合访问时间、访问频率以及存储顺序的多维度特征数据划分算法。根据数据划分算法标识冷热历史数据实现数据分层存储。MPDAS在查询历史数据时优先访问Redis,根据命中结果和数据完整性选择不同的检索策略。系统测试结果表明:MPDAS功能特征满足设计要求,其搭载的冷热数据划分算法相比FIFO、LRU、LFU在热数据库保存1%历史数据量时的Redis命中率分别提升了38.05%、26.91%和11.06%。通过提高热数据命中率能够直接减少数据检索平均响应时间,MPDAS通过量化历史数据热度并进行冷热划分,有效地提升了系统检索响应速度。

基于异质聚类与Stacking的双集成光伏发电功率预测

光伏功率预测是实现能源优化分配与电网稳定运行的关键基础。然而传统方法中数据预处理不精细以及预测算法对数据挖掘不到位的问题,往往致使准确率不足。针对上述问题,该文提出基于聚类集成和预测集成的双集成光伏功率预测方法,以异质集成的方式提升了气象分类和功率预测的精度。首先,基于重标记法和投影法,构建了融合Kmeans、高斯混合模型(gaussian mixture model, GMM)、AGNES(agglomerative nesting)和BIRCH(balanced iterative reducing and clustering using hierarchies)4种异质算法的聚类集成框架,并依据滑动时间窗口筛选离群日,建立典型气象模型。其次,基于Stacking集成学习框架,在采用k折交叉验证法规避过拟合的基础上,构建由门控循环单元(gated recurrent unit,GRU)、随机森林(random forest,RF)、XGBoost和Light GBM组成的预测集成模型,深度挖掘光伏数据的潜在规律。最后以澳大利亚某光伏电站为例进行仿真,结果表明双集成功率预测的准确性比传统模型有较大提升,证明了聚类集成和预测集成的有效性。

考虑信息设备故障的分布式电压控制系统风险评估

随着主动配电网的持续发展,电力系统对信息系统的依赖越来越严重,信息设备的随机故障给配电网电压控制带来巨大挑战。为评估信息设备故障对配电网分布式电压控制的影响,首先分析了配电网分布式电压控制系统的组成、控制机理及一致性算法的原理;其次建立了光伏出力运行场景模型和信息设备故障场景模型;然后提出了分布式电压控制下计及信息设备故障影响的电压评估方法,建立了评估指标并给出计算方法;最后通过算例仿真,对比分析了不同类型、位置的信息设备故障对电压的影响,并计算电压风险,结果表明枢纽代理节点故障带来的电压风险最为严重,应根据源荷不平衡程度进行通信网配置。

基于实测数据的集群式光伏并网系统谐振检测

在具有大量并网逆变器的集群式光伏并网系统中,多逆变器之间、逆变器与电网之间的交互影响可能导致谐振,威胁光伏并网发电系统的正常稳定运行。准确的谐振检测方法是实现进一步有效抑制的基础。针对该问题,基于光伏并网系统实测数据,提出了一种小波变换(wavelet transform,WT)和快速傅里叶变换(fast Fourier transform,FFT)相结合的谐振检测技术。该方法首先利用WT将信号的高频和低频部分分别进行处理,剔除部分干扰信号,然后利用FFT进一步确定谐波成分,可准确地检测谐振信号发生的时刻和幅值。通过MATLAB/Simulink仿真分析验证了所提谐振检测方法的有效性和准确性。

考虑电站集群与发电时变特性的风光出力描述方法

风光电站群“点多面广”及发电间歇性、波动性带来大规模并网消纳挑战,如何对风光电站合理分组并准确刻画风光集群出力特性是解决这一挑战的重要途径。依托云南电网实际工程,提出考虑电站集群与发电时变特性的风光出力描述方法。构建了电站群出力互补准则,采用凝聚层次聚类方法进行集群划分,刻画了互补性指标与集群数量二维关系,以确定合理的集群划分方式;引入时变特性,提出集群电站时序出力分段方差最小目标,利用分裂层次聚类确定最优分段及时段数量,建立了分段差异化集群出力概率密度分布函数。采用21座风、光电站实际工程数据进行验证,给出了单一类型电站集群和风光电站混合集群3个实例,结果表明90%置信区间的可靠性均超过92%,与单站调度方式相比,平均区间宽度分别减小29%、33%、43%,与全时段统一描述方式相比,前述区间宽度分别减小7%、34%、9%,呈现出较好的可靠性、集中度和实用性。

基于BRICH聚类和Copula-Monte Carlo模拟的光伏发电功率概率预测

光伏发电功率受气象的混沌特性影响,其随机性、波动性、间歇性对电力系统的运行影响较严重。针对原始光伏发电数据维度大及发电功率易受天气状况影响的问题,提出了基于主成分分析和BRICH聚类的数据处理方法,从而降低模型输入变量维度,易于统计建模;其次,搭建了基于Copula-Monte Carlo的光伏发电功率概率预测模型,计算光伏出力在给定未来点预测值的情况下实际出力的概率区间预测,并基于区间覆盖率、预测区间平均宽度对模型进行评价。最后,以实际光伏电站夏季数据为例进行验证分析。结果表明,Copula-Monte Carlo方法可直观展示光伏发电功率的波动区间和期望值,且优于其他功率预测模型。

考虑低穿特征的规模化光伏聚类分析方法

研究规模化光伏低电压穿越期间无功补偿等控制策略时,需要对暂态行为相似的光伏机组进行分群处理,以实现不同机组间的协调控制。首先归纳了规模化光伏在低穿期间的主流控制方式,指出光伏电站在故障期间有功电压耦合现象。考虑光伏与同步机暂态特性的差异性,提出一类考虑光伏低穿特征的聚类分析方法,该类方法克服了传统分群方法的静态局限,较好地反映了光伏暂态电压的集群现象,在等值系统和实际电网中验证了所提方法的有效性。