为实现多个区域综合能源系统(regional integrated energy system,RIES)的风电消纳与低碳运行,提出了考虑季节性氢储能和碳排放惩罚的共享电-氢储能优化配置方法。首先,以共享电-氢储能和RIES作为主导者和跟随者,建立基于主从博弈的共享...为实现多个区域综合能源系统(regional integrated energy system,RIES)的风电消纳与低碳运行,提出了考虑季节性氢储能和碳排放惩罚的共享电-氢储能优化配置方法。首先,以共享电-氢储能和RIES作为主导者和跟随者,建立基于主从博弈的共享电-氢储能优化配置模型。然后,计算共享电-氢储能和区域综合能源系统的碳排放情况,设计融合碳税的碳排放惩罚价格,提出计及碳减排的共享电-氢储能优化配置模型。最后,将模型转换为易于求解的混合整数线性规划问题,并通过算例对提出模型的有效性进行验证。结果表明,所提模型能够在长、短时间尺度下应对风电的不平衡,减少流入RIES负荷的碳排放。展开更多
配电网线损时间序列受高比例新能源接入的影响,呈现高度的非线性和波动性,面对此种类型的数据,使得常规的预测模型难以捕捉其变化趋势,预测值往往滞后于真实值变化,而模态分解再预测的处理方法能够较好地应对此问题。因此,该文提出了一...配电网线损时间序列受高比例新能源接入的影响,呈现高度的非线性和波动性,面对此种类型的数据,使得常规的预测模型难以捕捉其变化趋势,预测值往往滞后于真实值变化,而模态分解再预测的处理方法能够较好地应对此问题。因此,该文提出了一种基于缎蓝园丁鸟(satin bower birdoptimization algorithm,SBO)算法优化的二次模态分解和卷积双向长短期记忆神经网络的线损预测框架,以合理划分线损分量,并针对各分量设计预测模型开展预测。首先采用改进完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对历史线损数据进行初次分解,得到各ICIMFn分量并计算其样本熵;对样本熵最高的ICIMF1利用经SBO优化的变分模态分解(variational mode decomposition,VMD)对其进一步分解,得到各VIMFn分量。其次,考虑分解后线损各分量受天气负荷等不同因素影响,依据最大互信息系数(maximal information coefficien,MIC),提取对各线损分量产生影响的主要因素,实现特征降维。最后,结合组合模型的各自特点,建立基于卷积双向长短期记忆神经网络(convolutional neural networks-Bidirectional long short term memory,CNN-BiLSTM)的预测模型,使用CNN对分解后的各分量进行特征提取,输入到BiLSTM中,建立时间特征关系,学习历史数据间的正、反向规律,最终输出线损预测结果。与现有方法相比较,所提方法在应对滞后效应的同时,提升了预测效率及精度,为精细化线损管理提供了数据支持。展开更多
作为电力行业污染气体排放的源头,合理的电源结构对环境的影响至关重要。为减少污染气体的排放,将环境成本和需求侧管理(demand side management,DSM)项目引入目标函数中,提出了考虑环境成本和DSM项目的电源规划模型。此外,还将电力系...作为电力行业污染气体排放的源头,合理的电源结构对环境的影响至关重要。为减少污染气体的排放,将环境成本和需求侧管理(demand side management,DSM)项目引入目标函数中,提出了考虑环境成本和DSM项目的电源规划模型。此外,还将电力系统可靠性约束引入该规划模型中。采用离散细菌群体趋药性(discrete bacterial colony chemotaxis,DBCC)算法对所建模型进行求解,得到了不同可靠性约束条件下系统的投建成本、缺电成本以及DSM项目成本,算例结果验证了所建模型及算法的可行性。展开更多
文摘为实现多个区域综合能源系统(regional integrated energy system,RIES)的风电消纳与低碳运行,提出了考虑季节性氢储能和碳排放惩罚的共享电-氢储能优化配置方法。首先,以共享电-氢储能和RIES作为主导者和跟随者,建立基于主从博弈的共享电-氢储能优化配置模型。然后,计算共享电-氢储能和区域综合能源系统的碳排放情况,设计融合碳税的碳排放惩罚价格,提出计及碳减排的共享电-氢储能优化配置模型。最后,将模型转换为易于求解的混合整数线性规划问题,并通过算例对提出模型的有效性进行验证。结果表明,所提模型能够在长、短时间尺度下应对风电的不平衡,减少流入RIES负荷的碳排放。
文摘配电网线损时间序列受高比例新能源接入的影响,呈现高度的非线性和波动性,面对此种类型的数据,使得常规的预测模型难以捕捉其变化趋势,预测值往往滞后于真实值变化,而模态分解再预测的处理方法能够较好地应对此问题。因此,该文提出了一种基于缎蓝园丁鸟(satin bower birdoptimization algorithm,SBO)算法优化的二次模态分解和卷积双向长短期记忆神经网络的线损预测框架,以合理划分线损分量,并针对各分量设计预测模型开展预测。首先采用改进完全集合经验模态分解(improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN)对历史线损数据进行初次分解,得到各ICIMFn分量并计算其样本熵;对样本熵最高的ICIMF1利用经SBO优化的变分模态分解(variational mode decomposition,VMD)对其进一步分解,得到各VIMFn分量。其次,考虑分解后线损各分量受天气负荷等不同因素影响,依据最大互信息系数(maximal information coefficien,MIC),提取对各线损分量产生影响的主要因素,实现特征降维。最后,结合组合模型的各自特点,建立基于卷积双向长短期记忆神经网络(convolutional neural networks-Bidirectional long short term memory,CNN-BiLSTM)的预测模型,使用CNN对分解后的各分量进行特征提取,输入到BiLSTM中,建立时间特征关系,学习历史数据间的正、反向规律,最终输出线损预测结果。与现有方法相比较,所提方法在应对滞后效应的同时,提升了预测效率及精度,为精细化线损管理提供了数据支持。
