针对传统输电网和主动配电网(active distribution network,ADN)独立的调度方式致使“源-网-荷”各环节资源协同潜力挖掘不充分,难以实现输-配系统经济高效运行的问题,提出了市场环境下考虑配电网络重构和需求响应的输配优化调度方法。...针对传统输电网和主动配电网(active distribution network,ADN)独立的调度方式致使“源-网-荷”各环节资源协同潜力挖掘不充分,难以实现输-配系统经济高效运行的问题,提出了市场环境下考虑配电网络重构和需求响应的输配优化调度方法。首先,剖析电力市场机制下输-配电网间的耦合机理,构建考虑机组组合的输电网市场出清模型,以发挥“源侧”应对电力负荷波动的能力;以节点边际电价为引导信号,提出同时考虑ADN网络重构和需求侧响应的输配协同双层优化模型,旨在挖掘ADN在“网侧”和“荷侧”的双侧协同潜力,从而提高输-配电网中“源-网-荷”各环节资源间的协同能力。其次,针对输-配模型上、下层级的物理特点,采用随机规划L形算法,引入虚拟变量实现输配协同模型的解耦,基于对偶理论,获取反映资源利用情况的对偶乘子集合,进而计算次梯度参数并生成仿射割集,优化输-配耦合变量,加速模型收敛,实现对输-配协同模型的分布式高效求解。最后,以6节点输电网和7节点配电网构成的T6+D7系统和118节点输电网和8个20节点配电网构成的T118+8*D20系统为例,验证所提模型和方法的有效性,研究结果表明:输配系统的整体经济性提升了8.68%,所提模型和方法具有明显优势。展开更多
为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分...为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分模态和样本熵将多元负荷序列同步分解重构出高、中、低3种频段的模态分量;其次,构建基于多头注意力机制的多任务学习混合预测模型动态分配耦合特征,对于复杂度较高的中高频序列,采用单编码器-多解码器结构的多任务Transformer模型充分挖掘负荷波动信息,对于低频序列,基于双向门控循环单元网络提取平稳分量特征。最后,将各分量预测结果叠加得到多元负荷最终预测结果。基于美国亚利桑那州立大学Tempe校区的多元负荷数据进行测试,结果表明:所提方法电、冷、热负荷平均绝对百分比误差分别为0.61%、0.80%及0.83%,相比其他模型具有更高的求解精度和计算效率。展开更多
文摘针对传统输电网和主动配电网(active distribution network,ADN)独立的调度方式致使“源-网-荷”各环节资源协同潜力挖掘不充分,难以实现输-配系统经济高效运行的问题,提出了市场环境下考虑配电网络重构和需求响应的输配优化调度方法。首先,剖析电力市场机制下输-配电网间的耦合机理,构建考虑机组组合的输电网市场出清模型,以发挥“源侧”应对电力负荷波动的能力;以节点边际电价为引导信号,提出同时考虑ADN网络重构和需求侧响应的输配协同双层优化模型,旨在挖掘ADN在“网侧”和“荷侧”的双侧协同潜力,从而提高输-配电网中“源-网-荷”各环节资源间的协同能力。其次,针对输-配模型上、下层级的物理特点,采用随机规划L形算法,引入虚拟变量实现输配协同模型的解耦,基于对偶理论,获取反映资源利用情况的对偶乘子集合,进而计算次梯度参数并生成仿射割集,优化输-配耦合变量,加速模型收敛,实现对输-配协同模型的分布式高效求解。最后,以6节点输电网和7节点配电网构成的T6+D7系统和118节点输电网和8个20节点配电网构成的T118+8*D20系统为例,验证所提模型和方法的有效性,研究结果表明:输配系统的整体经济性提升了8.68%,所提模型和方法具有明显优势。
文摘为解决综合能源系统(integrated energy system,IES)多元负荷序列间耦合特性紧密复杂、准确预测难度较大的问题,提出一种基于模态分解与多任务学习模型的IES多元负荷短期预测方法。首先,为处理原始负荷序列的强随机性特征,采用多元变分模态和样本熵将多元负荷序列同步分解重构出高、中、低3种频段的模态分量;其次,构建基于多头注意力机制的多任务学习混合预测模型动态分配耦合特征,对于复杂度较高的中高频序列,采用单编码器-多解码器结构的多任务Transformer模型充分挖掘负荷波动信息,对于低频序列,基于双向门控循环单元网络提取平稳分量特征。最后,将各分量预测结果叠加得到多元负荷最终预测结果。基于美国亚利桑那州立大学Tempe校区的多元负荷数据进行测试,结果表明:所提方法电、冷、热负荷平均绝对百分比误差分别为0.61%、0.80%及0.83%,相比其他模型具有更高的求解精度和计算效率。
