电网技术杂志 北大期刊 CSCD期刊 统计源期刊

电网技术 2019年第06期杂志 文档列表

电网技术杂志面向新一代电力系统和能源互联网的人工智能技术

深度学习在电网图像数据及时空数据中的应用综述1865-1873

摘要：智能电网的数字化建设提供了海量的数据,而深度学习的发展则为数据价值萃取提供了有效手段。首先阐述了深度学习的发展史及基本框架,总结了深度学习的理论基础和技术体系;而后结合电力系统实际需求,以图像数据和时空数据这两大类为基础综述了深度学习在电力系统数据处理的重点应用领域和价值,并提出了相关的技术发展建议。

基于数据驱动和深度置信网络的配电网无功优化1874-1883

摘要：随着分布式电源和随机负荷电动汽车等的大量接入,配电网的运行环境日益复杂,对在线无功优化及其快速性提出了更高的要求。该文将“深度学习”引入配电网无功优化,提出了基于深度置信网络的无功优化方法。通过构造高维随机矩阵,从配电网运行数据中提取统计特征作为输入,将历史控制策略进行编码作为输出,利用先无监督后有监督的方式训练深层架构,学习系统特征与无功优化策略之间的映射关系,建立基于数据驱动和深度置信网络的配电网无功优化模型。基于改造的IEEE-37节点主动配电网仿真模型,对比分析了历史数据量和分布式电源渗透率场景对传统优化方法,场景匹配方法和所提方法的无功优化效果的影响。结果表明,所提方法可明显降低网络损耗和节点电压偏移,它不依赖于系统的模型和参数,在线决策速度快,且对历史数据量要求较低,在高渗透率分布式发电等未知场景下仍能表现优良,验证了该方法的正确性、有效性和较强的鲁棒性。

基于深度长短时记忆网络的区域级超短期负荷预测方法1884-1891

摘要：超短期负荷预测为实时电力市场运行提供重要依据,预测准确度的提升对于揭示负荷变化的不确定性以及日前预测偏差具有重要意义。基于电力系统中含有的丰富大数据资源,提出了一种针对区域级负荷的深度长短时记忆网络超短期预测方法,该方法包括输入数据的预处理、深度长短时记忆(long short-termmemory,LSTM)网络的构建以及模型的训练和超参数的寻找等步骤。其中采用随机搜索的方法寻找最优超参数,并在该超参数下选择泛化能力最优的模型,与前沿机器学习预测算法进行对比。实验结果证实,深度LSTM网络可以取得更好的预测效果,适合于离线训练实时预测。此外,通过对隐藏层激活向量的可视化展示和相关关系定量计算,首次直观展示了深度LSTM算法对负荷数据中含有的抽象特征提取情况,证实了深度LSTM具有对输入负荷数据特征学习以及长短期相关性挖掘的能力。

面向变压器油色谱趋势预测的深度递归信念网络1892-1899

摘要：油色谱数据及其变化趋势是评估变压器健康状态的重要依据。现有研究表明,深度信念网络(deep belief network,DBN)在油色谱数据预测领域已取得一定成果,为变压器的运行维护提供了参考。但在实际应用过程中,仍存在因网络结构限制导致油色谱时域相关性表述不充分的情况,其预测结果呈现显著的"时移"误差,从而使得基于该方法的设备状态预测结果与实际不符。针对此问题,提出了一种面向油色谱预测的深度递归信念网络算法(deepre current belief network,DRBN),该算法构建了具有时序关联特征的深度网络结构,使预测结果呈现的"时移"误差得以消除,更新了误差的迭代修正过程,使误差在网络层间和层内得以同时流动,从而提升了预测准确率。测试结果表明,文中所提出的方法可以有效克服"时移"误差,其预测准确率可达95.16%以上,为变压器的状态预测和故障预判提供了依据。

基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法1900-1906

摘要：电气设备的故障类型与局部放电现象密切相关,有效提取和分析局部放电信号中的特征信息对故障类型判断和运维检修具有重要意义。针对局部放电超声信号的特点,提出了基于相似矩阵的盲源分离方法对原始超声信号进行预处理,有效提取局部放电的特征量。采用光纤传输的局部放电超声检测平台对4种类型的局部放电信号进行采集,并应用上述方法对信号数据预处理,将处理后的数据作为训练样本用于深度学习模式识别,选用卷积神经网络,最终识别准确率达到90%以上,提高了局部放电类型识别的准确性,为新一代电力系统的设备故障诊断提供了一种新方法。

计及湍流强度的风电功率短期预测1907-1913

摘要：由于风能具有波动性、间歇性和不可控等特点,为了提高风电输出功率的预测精度,提出一种计及湍流强度的时间卷积网络预测方法。为了更好地表征风速波动特征,在气象数据中引入湍流强度变量,同时使用最新的时间卷积网络架构模型提高预测精确度。为验证该预测模型的有效性,对比了输入变量加入湍流强度前后的预测效果,以及采用反向传播神经网络和长短时间记忆神经网络预测的效果。采用实际数据的预测结果表明,所提方法的网络结构简单,提取信息方式直接,记忆区域长短可调,且预测精度较高。

基于深度强化学习的微电网复合储能协调控制方法1914-1921

摘要：在微电网中,由于负荷和电源功率波动较大、各种不确定因素复杂,通常需要增加储能系统以保证供需实时平衡、并提高可再生能源的利用率。该文构建了一个孤岛运行的包含光伏发电、储氢装置(长期储能)、蓄电池(短期储能)的复合能源系统,并将复合储能系统的协调控制转化为序列决策问题,并采用深度强化学习方法加以解决。在发电量、负荷等多种因素变化的情况下,复合能量协调控制是一个复杂的优化决策问题,不同方案可能会影响系统供电稳定、利用效率和经济效益。为此该文设计了适合解决该类问题的深度强化学习框架和神经网络模型,经过足够的训练后能够实现实时在线决策控制,避免了传统算法在这方面的不足,同时,对于不同时刻、天气、季节的场景均能有效处理。结果表明了深度强化学习在复合储能协调控制问题中的可行性和有效性,具有较强的学术意义和工程价值,并可以用于处理相似的问题。

基于时序轨迹特征学习的暂态电压稳定评估1922-1930

摘要：以先进机器学习方法等为代表的人工智能技术在增强现代电网安全稳定态势感知能力方面展现出巨大的潜力。针对在线暂态电压稳定评估的传统难题,提出基于时序轨迹特征学习的稳定评估方法。通过分析系统能量函数与暂态响应轨迹的相关性,给出学习过程输入数据选取的理论依据。在时序轨迹Shapelet变换基础上,提出以刻画系统稳定/失稳案例关键局部轨迹差异为核心的特征学习方法及稳定评估方案。双机四节点系统和南方电网中的算例测试结果表明,除了实现可靠的稳定监测和评估,还可充分利用文中方法的可解释性从数据层面剖析特定系统的失稳模式和规律。

基于改进LightGBM的电力系统暂态稳定评估方法1931-1940

摘要：实际获得的电力系统运行数据,普遍存在由广域测量系统(WAMS)测量误差造成的噪声,并且具备类别不平衡的特点,导致基于机器学习的电力系统暂态稳定评估算法的分类性能受到很大的影响。提出了一种基于改进轻梯度提升机(modified light gradient boosting machine)模型的暂态稳定评估方法,采用直方图算法对数据进行离散化,增强模型对噪声的鲁棒性;在训练中对失稳样本赋予更高的权重,平衡样本数量差异造成的影响;并在损失函数中引入正则项来控制模型复杂度,减少过拟合,从而适应电力系统多样的运行情况。在新英格兰10机39节点系统和美国南卡罗莱纳州500节点实际电网上的仿真结果表明,与其他机器学习方法相比,所提方法在噪声干扰下不容易过拟合,具有更好的鲁棒性:在保持较高总体评估准确率的同时,对失稳样本具有更高的识别率;与其他集成学习模型相比,所提方法在速度上也具有明显优势。

基于误差分解和Bootstrap方法的风电功率区间预测1941-1947

摘要：风的随机性和间歇性导致了风电功率预测的不确定性,区间预测能量化不确定性引起的预测波动,可为缓解电网调峰压力、消纳弃风提供可靠信息,对电力系统经济运行具有重要意义。将风电功率预测误差分解为模型误差和数据噪声误差,利用Bootstrap重采样获得多个训练样本。采用极限学习机网络获得系统误差方差和数据噪声误差方差,通过风电功率预测值与预测误差值的叠加计算区间上下限,得出满足给定置信水平的风电功率预测区间。实验以新疆某风场历史运行数据为例,通过与Delta、Bayesian、LUBE方法对比,验证了所提方法的区间预测性能和计算效率。

台风灾害下用户停电区域预测及评估1948-1954

摘要：台风灾害会造成电网大面积停电,对停电区域进行预测及评估具有重要意义。综合考虑气象因素、电网因素及地理因素,提出一种台风灾害下基于随机森林算法的用户停电区域预测评估方法。该方法首先采用1km×1km网格进行历史样本数据的收集整理及特征选取;其次基于随机森林算法对样本数据进行训练及验证,建立停电区域预测模型;再次,为进一步提高预测精度,对预测停电网格进行重要性评估,进而得到用户停电区域的预测评估结果。最后通过算例分析验证了所提方法的科学性及有效性。

基于模型自适应选择融合的智能电表故障多分类方法1955-1961

摘要：智能电表故障的准确分类能大幅提高用电采集系统运维能力。融合多个分类模型的机器学习算法是解决该问题的有效手段,但现有方法无法解决输出分别为样本所属各类别概率值和类别标签的两个基分类模型融合问题。提出一种基于模型自适应选择融合的智能电表故障多分类方法。首先,分别取各基分类模型对各类样本分类准确率最大值,将其与阈值系数的乘积作为该类样本准确率阈值,实现阈值自适应调整;然后对各类样本分别计算基分类模型的准确率差值,与阈值进行比较设置样本融合标记;最后根据该标记选择参与融合的基分类模型,结合输出为概率值的基分类模型的Top-N分类标签集,得到模型融合结果。在10组KEEL公共数据集上验证了所提融合方法的有效性,且融合后准确率较基分类模型均有稳定提升,最大提升4.62%;以近年采集的智能电表故障数据为基础,对比实验表明,所提算法能够明显提高故障分类准确率。

基于模糊神经网络的电能表误差超差风险预测模型1962-1968

摘要：随着智能电能表分拣业务的开展,为实现分拣后重复利用电能表的误差超差风险预测,将分拣中测得的智能电能表误差数据和其它相关参数分类后作为征兆,设计了一种适用于电能表误差超差风险预测的改进模糊神经网络模型。先利用BP-RBF混合神经网络得到未来第n年误差的预测值,在此基础上通过模糊推理方法得到未来第n年电能表误差超差的风险。最后利用浙江分拣试点工作的部分结果作为训练和预测数据进行了风险预测模型的验证,经验证其有效性符合预期。

电网技术杂志电力市场

售电市场建设发展成效评估国际经验及我国售电市场评估体系1969-1977

摘要：构建售电市场建设发展成效评估体系对于促进售电侧改革高质量发展具有重要的现实意义。在系统研究了美国得州、英国、澳大利亚、新西兰、日本和荷兰等国家和地区售电市场建设发展成效评估典型做法的基础上,从评估主体、评估周期等维度总结了分析工作体系经验,同时研究了评估指标体系共性及差异化特点。在此基础上构建了我国售电市场建设发展成效评估体系,研究了承担评估主体、评估周期和成果等工作体系关键问题,研究构建了我国售电市场建设发展成效评估指标体系,包括客户行使选择权、售电市场结构、售电竞争效率、客户服务情况4类二级指标、共17项三级指标。

基于信息间隙决策理论的多种零售合同模式下售电公司购售电策略1978-1986

摘要：竞争性的售电市场环境中,为用户提供灵活多样的零售业务是提升售电公司客户端竞争力的关键。根据售电公司与用户对于利润和风险的不同偏好,提出直接分成与保底封顶的零售合同模式。计入各种零售合同模式中不同价格机制对用户用电行为的激励,建立与零售合同相匹配的需求响应模型。考虑市场出清电价的不确定性对于售电公司决策的影响,并计及可中断负荷,建立了基于信息间隙决策理论的售电公司在多种零售合同模式下的购售电决策模型,该模型给出的购售电策略能保证售电公司收益不低于某一预设的最低可接受值。最后通过算例仿真构建了适应不同负荷特性的工商业用户零售合同最优费率制定方案,以及该方案下售电公司从双边合同与现货市场的购电分配方案,可为售电公司购售电决策提供参考。

可再生能源配额制下跨省区电力交易主体最优决策1987-1994

摘要：可再生能源配额制(renewables portfolio standards,RPS)的实施将深刻改变电力行业的竞争格局,消费者环保意识增强也将影响绿色电力的需求,两者双重作用将导致跨省区电力交易主体的决策行为发生重要转变。基于此,综合考虑RPS和消费者偏好,探究了跨省区电力交易主体的最优决策,使其在新形势下获得最优利润。首先搭建了RPS下跨省区电力交易市场架构,厘清各交易主体间复杂的电力供需关系;随后考虑消费者偏好因素,采用效用函数刻画消费者决策行为;在此基础上,以利润最大为目标,分别建立了供应链非合作和合作状态下各交易主体最优决策模型,并采用逆向归纳法求解各交易主体最优交易策略。最后通过算例分析验证所提模型和方法的有效性,为各交易主体参与跨省区电力交易决策提供参考。

大规模电储热参与调峰辅助双边交易容量及价格区间优化模型1995-2001

摘要：大规模电储热可以为风电场提供调峰辅助服务,消纳弃风。为了维持电储热参与调峰辅助服务市场的可持续运营,提出储热企业与风电场的双边交易模式,建立了储热企业的收益和成本模型,得出储热容量优化方案。考虑市场中的储热容量以及未来弃风预估情况,得出储热需求曲线,进而分析弃风电价对储热企业、风电场收益和弃风消纳的影响。通过引入收益分配及弃风消纳的范围参数,在满足双方合理的利益分配和促进弃风消纳的双目标下,对市场中弃风电的价格区间进行了优化。

新能源并网环境下发电侧微分演化博弈竞价策略2002-2009

摘要：智能电网中新能源的大量接入及其固有的不确定性,导致电力市场对常规电能需求裕度降低并存在大幅波动性,从而对发电侧竞价策略的可靠性提出了更高的要求。将演化博弈理论引入到发电商的竞价策略中,以便在不确定性环境中可通过动态演化获得稳定的最优竞价策略;鉴于可再生能源出力的不确定性导致演化博弈复制动态方程难以求解,提出通过将演化博弈思想与复合微分进化算法有机融合,构造复合微分演化博弈算法实现发电商竞价发电的动态演化博弈过程;最后通过与常规竞价策略进行对比分析,验证了所提出的微分演化博弈竞价策略的优越性。