柔性负荷参与新型电力系统的优化调度对于提高新能源的消纳能力具有显著作用,但目前柔性负荷潜力尚未充分挖掘。针对这一问题,提出一种基于源荷预测的日前-日内优化调度方法。首先,采用麻雀搜索算法优化卷积长短时记忆神经网络(sparrow ...柔性负荷参与新型电力系统的优化调度对于提高新能源的消纳能力具有显著作用,但目前柔性负荷潜力尚未充分挖掘。针对这一问题,提出一种基于源荷预测的日前-日内优化调度方法。首先,采用麻雀搜索算法优化卷积长短时记忆神经网络(sparrow search algorithm is used to optimize the convolutional long-term and short-term memory neural network,SSA-CNN-LSTM)对新能源和负荷进行日前和日内功率预测;其次,根据柔性负荷的特性和需求响应灵活性,将负荷分为可平移、可转移和可削减负荷等不同类型,以考虑阶梯式碳交易成本的系统运行成本和污染气体排放最优为目标构建源荷互动的日前-日内两阶段低碳环境经济调度模型;最后,利用改进多目标灰狼算法(multi-objective grey wolf algorithm,MOGWO)对模型进行求解。算例分析表明,通过对柔性负荷分类参与调度较传统方式总成本降低8.6%、污染物排放减少4.1%、新能源消纳能力提高4.2%,在多时间尺度内显著降低新能源和负荷响应的不确定性并提高新型电力系统的低碳环境经济综合效益。展开更多
文摘在高压并联电抗器声纹信号监测系统中,长时海量无标签声纹的高维非平稳性导致特征提取困难、无监督聚类适应性差。由此提出了一种基于深度自适应K-means++算法(deep adaptive K-means++clustering algorithm,DAKCA)的750 kV电抗器声纹聚类方法。首先通过采用两阶段无监督策略微调的改进堆叠稀疏自编码器(stacked sparse autoencoder,SSAE),对快速傅里叶变换后的归一化频域数据提取电抗器原始声纹32维深度特征。进一步提出了依据最近邻聚类有效性指标(clustering validation index based on nearest neighbors,CVNN)的自适应K-means++聚类算法,构建了能自适应确定最优聚类个数的电抗器声纹聚类模型。最后通过西北地区某750 kV电抗器实测声纹数据集进行了验证。结果表明,DAKCA算法对无标签声纹数据在不同样本均衡程度下能够稳定提取32维深度特征,并实现最优聚类,为直接高效利用电抗器无标签声纹数据提供了参考。
文摘柔性负荷参与新型电力系统的优化调度对于提高新能源的消纳能力具有显著作用,但目前柔性负荷潜力尚未充分挖掘。针对这一问题,提出一种基于源荷预测的日前-日内优化调度方法。首先,采用麻雀搜索算法优化卷积长短时记忆神经网络(sparrow search algorithm is used to optimize the convolutional long-term and short-term memory neural network,SSA-CNN-LSTM)对新能源和负荷进行日前和日内功率预测;其次,根据柔性负荷的特性和需求响应灵活性,将负荷分为可平移、可转移和可削减负荷等不同类型,以考虑阶梯式碳交易成本的系统运行成本和污染气体排放最优为目标构建源荷互动的日前-日内两阶段低碳环境经济调度模型;最后,利用改进多目标灰狼算法(multi-objective grey wolf algorithm,MOGWO)对模型进行求解。算例分析表明,通过对柔性负荷分类参与调度较传统方式总成本降低8.6%、污染物排放减少4.1%、新能源消纳能力提高4.2%,在多时间尺度内显著降低新能源和负荷响应的不确定性并提高新型电力系统的低碳环境经济综合效益。
