摘要:

摘要:电压暂降响应特性反映工业过程遭受电压暂降时其物理参数越过阈值所需的时间，可通过过程免疫时间（process immunity time, PIT）曲线进行表征。然而，因缺乏实际生产过程实测数据，现有电压暂降响应特性分析方法存在考虑因素不足、参数取值难以确定等问题，无法准确拟合出PIT曲线。因此，文中提出一种基于机理模型和数据驱动融合的电压暂降响应特性分析方法。首先，分析典型工业过程的敏感设备及其连接关系，建立PIT曲线机理模型，获取机理数据；然后，采用自适应权重分配策略对机理数据和实测数据动态赋权，强化带有梯度惩罚的Wasserstein距离生成对抗网络（Wasserstein generative adversarial network with gradient penalty, WGAN-GP）对实测数据的学习，使模型更准确地捕获实测数据特征；接着，通过双向长短期记忆网络提取时序特征，捕捉数据间的时间相关性，以提升生成数据质量；最后，构建特征感知损失和动态重建损失，通过数据的深层特征和动态特性约束模型训练过程，从而提高PIT曲线拟合精度。利用所提方法对西南某天然气压气站大功率电驱离心式压缩机系统进行仿真实验，结果验证了文中方法的有效性和准确性。

摘要:随着新能源装机比例的提升，传统的暂态稳定约束最优潮流（transient stability constrained optimal power flow, TSCOPF）模型在含新能源的电力系统中面临稳定性挑战。为此，文中提出一种基于深度学习的含风电不确定性的TSCOPF模型。首先，结合自适应噪声的完全集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN）、经验小波变换（empirical wavelet transform, EWT）和长短期神经网络（long short-term memory, LSTM）的级联方法，以提高风电功率预测的精度，并增强其鲁棒性；其次，为实现系统暂态稳定性的快速准确评估，采用改进多层感知器（improved multilayer perceptron, IMLP）模型构建系统运行状态与暂态稳定指数（transient stability index, TSI）的映射关系；然后，采用基于Lévy飞行改进的向量加权平均（improved weighted mean of vectors, IINFO）算法求解TSCOPF模型；最后，通过改进的IEEE 39节点及IEEE 68节点系统开展仿真实验。结果表明，所提级联方法在风电预测中的预测性能优于传统方法，所提TSCOPF模型在风电接入条件下仍能保证系统稳定运行，且IINFO算法相较其他算法表现出更快的收敛速度及更低的优化成本。

摘要:随着电力系统规模的不断扩大，现有分布式优化调度方法存在计算速度慢、优化效果差等缺陷。为解决这一问题，文中提出一种分层分布式加速优化方法。首先，考虑电力系统经济调度的目标函数与约束条件，构建分层分布式优化模型。然后，在多目标优化算法的基础上引入自注意力机制深度神经网络（self-attention mechanism deep neural network, SADNN），并与分层分布式优化模型相结合，提出一种基于SADNN的分层分布式多目标螳螂加速搜索算法（hierarchical distributed multi-objective mantis accelerated search algorithm based on SADNN, SADNN-HDMOMASA），用于提高电力系统经济调度的效率，加速整个系统的计算过程。最后，基于仿真算例分析SADNN-HDMOMASA的有效性。结果表明：在IEEE 118系统中，相比于分层分布式优化方法，文中所提方法碳排放量降低1.13%，成本降低3.97%，总运行时间减少34.29 s；在IEEE 2208系统中，相比于分层分布式优化方法，文中所提方法碳排放量降低10.14%，成本降低1.13%，计算速度提高23%。由此可知，文中方法能够在提升计算速度的同时有效降低系统的发电成本与碳排放。

摘要:数据中心规模快速发展是智能化时代必然趋势，为解决其高能耗、高碳排的问题，文中提出一种计及风光不确定性的数据中心电算协同多目标优化模型。首先，为减弱新能源出力不确定性对系统运行的影响，采用改进k-means方法对全年风、光出力预测场景进行缩减，得到最佳典型场景。然后，在数据中心算力负载及储能设备灵活性的基础上，以数据中心日总成本和弃风弃光率最小为目标函数，建立电算协同优化模型。最后，采用最优场景下新能源出力进行模拟，采用带有精英选择策略的非支配遗传算法（non-dominated sorting genetic algorithm-Ⅱ, NSGA-Ⅱ）对优化模型进行求解，得到数据中心的最佳运行方案。通过仿真分析验证该模型的有效性，结果表明考虑风-光-储联合运行及算力负载灵活性的模型，能够在降低数据中心日总成本和提升新能源消纳率的同时兼顾用户满意度。

摘要:随着电网运行方式日趋复杂，潮流收敛性调整的难度也随之增加，传统依赖人工经验的调整方式存在响应滞后、效率低下等问题，难以应对控制变量类型多、维数高的复杂场景。为此，文中提出一种基于混合动作空间深度强化学习的潮流调整方法。首先，结合物理先验与数据驱动方法，构建潮流收敛性鉴别器，用于实时判别潮流收敛状态，并将其输出的收敛概率作为深度强化学习的奖励引导信号。随后，定义收敛性调整的强化学习环境，其状态空间融合系统级整体特征与节点级个体特征，动作空间覆盖连续与离散控制变量，奖励函数结合收敛判别结果与潮流调整反馈，引导策略向可行解区域优化。接着，构建混合动作空间的Actor-Critic网络，对设备选择、连续调节与离散控制等子任务分层解耦建模。最后，基于改进的IEEE 39和118节点系统开展仿真分析与对比实验。结果表明，相较于纯数据驱动模型，引入物理先验的潮流收敛性鉴别器可显著提升判别精度与泛化能力；采用连续-离散动作的协调优化策略，较现有方法在潮流调整效率与收敛成功率方面均实现明显提升。

摘要:准确的短期负荷预测对电网高效调度和安全运行具有重要意义。当前，短期负荷预测方法多以中心化的方式训练深度学习预测模型。然而，中心化的数据收集可能违反电力公司对数据隐私的保护条例。为此，文中提出基于安全联邦学习的双向长短时记忆网络（secure federated learning based bidirectional long short-term memory network, SFL-Bi-LSTM），实现隐私保护的短期负荷分布式协同预测。首先，为更全面地挖掘负荷时序数据的时序特征，构建双向长短时记忆网络，同步挖掘前后双向时间相关性，从而提高预测精度；然后，考虑多个电力公司的模型协同训练中数据隐私问题，采用联邦学习将负荷数据的集中式收集替换为负荷预测模型参数的聚合，避免原始数据离开本地，从而保护数据隐私；进一步地，融合同态加密算法，以密文形式实现安全联邦聚合过程，避免利用负荷预测模型参数逆向反推出原始负荷数据的风险。文中在公开数据集上验证了所提方法的效果。结果表明，SFL-Bi-LSTM方法的分布式协同预测均方根误差达到2.0229 MW，能在保护各电力公司数据隐私的同时准确预测负荷；其在不同电力公司负荷预测中，均方根误差平均下降19.89%，具有较好的泛化能力。

摘要:随着大规模可再生能源并网，电力系统频率稳定性面临严峻挑战。为此，文中提出基于专家数据预填充机制的多智能体双延迟深度确定性策略梯度（expert-prefilled multi-agent twin delayed deep deterministic policy gradient, EP-MATD3）算法，用于多区域负荷频率控制。首先，构建包含火电机组、风电机组、光伏系统和储能系统的多区域频率响应模型，并在传统多区域电力系统联络线功率模型的基础上，考虑各区域控制器之间的协调控制，不仅可以增强各区域之间的联系，还可以降低计划外的功率交换；其次，采用多智能体双延迟深度确定性策略梯度（multi-agent twin delayed deep deterministic policy gradient, MATD3）算法，以缓解传统强化学习算法中Q值过估计的问题，提升策略稳定性和收敛性；此外，依照“集中训练、分散执行”的协同控制框架，在集中训练阶段，引入专家数据预填充机制，以减少随机探索过程中无效动作的产生，从而加速智能体训练收敛；在分散执行阶段，训练完成的智能体仅需基于本区域的实时系统状态，即可自主调整机组发电功率，实现对频率波动的有效抑制。基于三区域电力系统的仿真结果表明，相较于传统方法，所提EP-MATD3控制策略显著缩短了算法收敛时间，并在连续阶跃扰动和光伏波动扰动下，有效降低了系统频率偏差，验证了该方法在复杂电力系统频率控制中的有效性和优越性。

摘要:中压架空配电线路规模大、分布广、类型多、运行环境复杂，是配电网安全可靠供电的关键。针对中压架空配电线路运维文本数据分析难、供电可靠性评估难的问题，利用设备台账、运维日志等多源异构数据构建中压架空配电线路知识图谱，在线路单体设备故障机理及关联分析的基础上，构建设备时变故障率模型及基于动态贝叶斯网络（dynamic Bayesian networks, DBN）的架空配电线路整体可靠性评估模型。首先，建立中压架空配电线路运维及可靠性评估知识图谱，根据多源异构数据不同结构化特征制定数据关联规则，进而构建模式层，再从文本数据中抽取实体构建数据层。其次，基于知识图谱分析重复性停电因素，评估并调整主要停电因素的修正系数与权重，建立考虑恶劣气象因素故障的架空配电设备实时故障预测模型。然后，采用DBN建立架空配电线路整体可靠性评估模型，模拟多状态下设备故障演化过程。最后，基于浙江某地配电网实际数据进行算例验证。结果表明，所提方法能够准确评估架空配电线路运行可靠性、识别薄弱环节，有效保障配电网的安全可靠运行。

摘要:高渗透分布式电源（distributed generation, DG）并网及智能电表广泛接入导致电力系统运维复杂性增加，传统拓扑与参数辨识算法表现出精度不足和鲁棒性较差的局限性。文中提出一种基于图嵌入的参数-动态拓扑联合辨识方法，该方法依次按照编码、解码、优化3个阶段，通过分析电网结构特征，综合考虑一阶相似度和二阶相似度信息以重构电网的邻接矩阵，进而通过采样和聚合修正节点特征。在IEEE 118节点系统中对所提方法进行不同数据异常场景下的数值仿真。结果表明，所提方法在抵抗噪声、数据缺失和DG随机性等方面具备一定优势，相较于传统方法，能够捕捉电网结构中的深层关联信息，显著提高线路参数辨识精度，均方根误差（root mean square error, RMSE）降低约20%~30%。

摘要:随着新能源大规模接入电力系统，运行场景日趋复杂与多样化，传统依赖人工经验的方法难以实现对极端运行场景的精确辨识。针对该问题，文中提出一种基于数据驱动的极端运行场景辨识方法。首先，构建改进的辅助分类生成对抗网络（auxiliary classifier generative adversarial network, ACGAN）模型，生成不同风险类别的极端运行场景。其次，将生成场景补充至真实运行场景集中，训练基于标记数据的支持向量机（support vector machine, SVM）模型，实现对极端运行场景的精确辨识。最后，以IEEE 39节点系统为算例进行验证。结果表明，改进的ACGAN模型生成的极端场景与真实场景分布高度吻合，有效解决了极端运行场景稀缺导致训练数据分布不平衡的问题，且经样本优化的SVM模型可对不同风险的极端运行场景实现精准辨识。该方法可为电网安全稳定运行决策提供可靠的技术支撑。

摘要:随着“双碳”政策的深入推进，电解槽正逐步成为未来氢能应用市场的核心设备，并在能源转型中占据重要地位。针对电解槽自身动态特性与性能的研究，也日益成为学术界关注的重点。现有研究大多聚焦于风-光-氢储等系统级层面，而对电解槽本体制氢特性的深入研究相对不足。文中以质子交换膜电解槽（proton exchage membrane electrolyzer, PEMEL）为研究对象，基于MATLAB/Simulink平台搭建涵盖制氢效率、产氢速率及运行电压的仿真模型。在此基础上，引入改进的自适应加权多目标粒子群优化（improved adaptive weighted multi-objective particle swarm optimization, IAW-MOPSO）算法，对电解槽的制氢效率、产氢速率进行多目标寻优，旨在确定最优的运行温度和电流密度，以满足不同工况下的制氢性能需求。同时，结合某地区的实际工况，验证所提优化策略的有效性与合理性。在确定最优温度参数后，能否实现对电解槽运行温度的准确控制，成为提升系统稳定性和效率的关键问题。因此，文中通过IAW-MOPSO算法，对线性二次型调节器（linear quadratic regulator, LQR）的权重矩阵进行优化，并将优化后的LQR应用于电解槽温度调控。结果表明，相较于传统的比例-积分-微分（proportional integral derivative, PID）控制方法，经IAW-MOPSO权重后的LQR在温度跟踪精度、响应速度及抗干扰能力等方面均表现出更优的控制性能。

摘要:高比例新能源并网削弱了系统频率支撑能力，在机组组合方案中考虑频率安全约束成为系统安全稳定运行的重要保障。同时，新能源发电的不确定性也给系统调度及备用安排带来压力。为此，文中建立计及频率安全约束和风电不确定性的日前机组组合与备用优化模型。首先，基于系统频率最低点预测模型获得频率安全约束的解析表达式，并将其引入机组组合模型，以提升系统频率支撑能力。然后，利用分布鲁棒优化框架处理源荷双侧的不确定性，采用平均Hausdorff距离构建不确定集限制场景概率分布，协调火电与风电两种资源为系统提供备用容量。最后，将两阶段优化模型解耦为主、子问题，通过列与约束生成（column and constraint generation, C&CG）算法进行求解。算例分析结果表明，所提方法不仅有利于平衡系统运行的经济性与鲁棒性，还可以提升系统频率安全水平。

摘要:有效的特征表达对基于机器学习的风电功率预测具有重要意义。现有研究通常采用逐点注意力机制，学习风电功率时间序列中每个时间步的特征。然而，该方式忽略了连续时间步之间的语义关联，无法通过学习丰富的语义信息提升风电功率预测效果。因此，文中提出一种基于区块（Patch）注意力机制的超短期风电功率多步预测策略。通过对风电功率时间序列的区块化处理，获得可以反映时间序列趋势等语义信息的区块特征向量。构建Transformer编码器，实现复杂语义信息的有效特征表达。根据编码器输出特征，构建线性预测输出模型，实现功率多步预测。算例结果表明，基于区块注意力机制的风电功率预测评估指标，即均方误差（mean square error, MSE）和平均绝对误差（mean average error, MAE）分别为0.312 8 MW和0.384 8 MW，优于基于逐点注意力机制的Transformer和Informer等典型先进模型。

摘要:新能源汽车的飞速发展对储能锂电池的健康状态（state of health, SOH）监测和剩余寿命（remaining useful life, RUL）评估提出了更高的要求。为了进一步提高锂电池SOH与RUL预测的精度，文中提出基于长短期记忆（long short-term memory, LSTM）神经网络与极端梯度提升（extreme gradient boosting, XGBoost）的锂离子电池SOH与RUL联合评估方法。首先，利用容量增量分析（incremental capacity analysis, ICA）处理充电阶段数据并提取健康因子，基于ICA曲线峰值与电池SOH之间的关联性建立基于LSTM的锂离子电池SOH和RUL联合评估模型。然后，进一步利用XGBoost对LSTM进行优化，并结合误差倒数法提升模型预测精度与泛化能力。最后，利用美国国家航空航天局（National Aeronautics and Space Administration, NASA）数据集进行训练和验证，得到LSTM-XGBoost组合预测算法比单一算法具有更好的预测准确性和稳定性，均方根误差均在0.02 A·h以下。实验结果表明，文中提出的LSTM-XGBoost预测模型在锂离子电池SOH与RUL联合评估中表现出较好的性能和应用潜力。

摘要:近年来，极端气象事件频发，给电力系统的稳定运行带来极大挑战。为更好地应对这些极端天气事件，研究台风天气对配电网的影响，文中提出一种针对台风天气下配电网故障场景生成的方法。首先，对配电网进行栅格化处理，计算台风中心与目标线路间的欧氏距离，并实时更新该距离以表征台风移动轨迹，进而构建台风时空演变模型；结合线路潮流故障模型，建立台风天气下配电网架空线路故障模型。其次，提出一种多孤岛潮流计算策略，利用深度优先搜索（depth-first search，DFS）识别孤岛并筛选数据，解决孤岛中功率平衡的关键问题。最后，结合所构建的配电网架空线路故障模型，利用蒙特卡洛法模拟配电网中的故障场景生成。基于上述内容，文中所提故障场景生成流程可为未来类似极端天气条件下的电网故障预测和应对措施制定提供参考。