摘要:含高比例新能源的新型电力系统亟需增强灵活调节能力，从而满足系统的安全稳定运行要求。海量负荷侧资源通过负荷聚合商的协调优化，能够参与需求响应市场并提供可观的调节容量。然而，在市场出清过程中，负荷聚合商的响应精准度未能得到充分体现，不仅阻碍了电力系统筛选优质的需求响应资源，也难以激励负荷聚合商主动提升响应精准度。为此，提出了一种面向精准调控的负荷聚合商性能评价和市场出清方法，旨在为电力系统筛选优质的需求响应资源。首先，基于响应偏差提出了考虑短期和长期影响的综合响应精准度指标，以评估负荷聚合商的响应性能。然后，设计了一种考虑综合响应精准度指标的市场出清方法和价格形成机制，在市场出清过程中筛选高响应精准度的负荷聚合商。最后，通过算例分析验证了所提方法的有效性，其不仅提升了优质负荷聚合商在市场出清中的竞争力，同时降低了电力系统实现精准负荷调控的总费用。

摘要:矿山综合能源系统(mine integrated energy system, MIES)作为支撑煤矿绿色发展的重要途径，合理有效地对其运行效益进行评价是促进其发展的必要前提。然而，MIES运行效益评价一方面需要考虑能-煤流的强耦合关系，另一方面还需要应对系统运行不确定性对于评价结果准确性的影响，鉴于此，提出一种基于最优聚类系数的改进可拓灰云模型(optimal clustering coefficient based improved extension gray cloud, OCC-IEGC)的MIES运行效益评价框架。首先，考虑MIES生态特性，基于驱动力-压力-状态-影响-响应(driving-pressure-state-impact-response, DPSIR) 模型建立MIES运行效益评价指标体系，并应用云雾化权重筛选方法获得具有最优合理性的组合权重。其次，构建基于可拓灰云的MIES运行效益评价模型，削弱系统运行不确定性及评价过程中的主观性和模糊性对评价结果的影响，并采用最优灰云聚类系数提高评价结果的可靠性。最后，通过算例验证所提指标体系和评价模型的有效性。

摘要:分布式水电站启停速度快、运行灵活，能够有效平抑风光出力波动，提高新能源就地消纳率。然而水风光资源与本地负荷分布并不均衡，不同台区微电网间协同优化是进一步提升新能源利用水平的重要方式。为此，提出了计及分布式水风光发电时空相关性的多台区微电网日前-日内协同优化互补消纳策略。首先，基于小时输出波动定量评估了水电和风光发电的时空相关性，提出了互补率指标来衡量水电和风光出力的互补性。其次，构建了考虑水风光互补率约束的日前多微电网协同优化模型，基于分散协调优化方法确定日前微电网间功率交换计划。再次，构建了日内互补消纳滚动修正模型，降低了日前预测误差对模型结果的影响。最后，通过算例分析验证了所提模型的有效性，为促进新能源高效利用提供了重要技术支撑。

摘要:局部遮阴条件下光伏阵列的功率-电压特性曲线出现多个峰值，传统最大功率点跟踪(maximum power point tracking, MPPT)技术无法准确追踪到全局最大功率点。针对该问题提出一种基于改进算术优化算法(improved arithmetic optimization algorithm, IAOA)的MPPT控制方法。首先，采用Sobol序列生成均匀分布的初始种群，增加种群多样性。其次，为了平衡算术优化算法(arithmetic optimization algorithm, AOA)的全局搜索和局部开发能力，对AOA中数学优化器加速函数的权重进行重构。最后，在AOA的位置更新中引入Lévy飞行策略，并将准反向学习用于每次更新后的最佳解，增强了算法的收敛速度和跳出局部最优的能力。仿真和实验结果表明，将改进后的算法应用于MPPT控制中，能够在不同的局部遮阴及光照突变条件下准确、快速地跟踪到全局最大功率点，且功率振荡小。

摘要:电缆早期故障放电持续时间短，故障特征微弱，难以触发常规的过电流保护，故障查找困难。若不及时检测和处理，故障会逐步恶化，并在一定时间内发展成永久性故障。针对中压配电网极易发生电缆早期故障且难以灵敏可靠地检测故障的问题，提出了一种基于护层接地线电流和分段Teager-Kaiser能量算子(Teager-Kaiser energy operator, TKEO)的电缆早期故障检测方法。首先，采用最优变分模态分解(optimal variational mode decomposition, OVMD)对护层接地线电流信号进行分解，利用中心频率法确定最优分解数，获得本征模态函数(intrinsic mode function, IMF)。然后，计算各模态的脉冲因子和余弦相似度，遴选出最具故障特征的模态分量。其次，结合分段TKEO的导数分析信号的能量变化特征。最后，计算每段TKEO的导数最大值与前一段TKEO导数最大值的比值，设置合理阈值进行故障检测。仿真结果表明，该方法能准确检测电缆状态，实现早期故障检测，保证了检测的灵敏性与可靠性。

摘要:在光储孤岛直流微电网中，需要最大化利用光伏发电，通常对光伏系统采用最大功率点跟踪(maximum power point tracking, MPPT)技术。但传统的MPPT控制速度慢、精度低，特别是在局部阴影情形下极易陷入局部最优解。基于此，首先提出一种将布谷鸟搜索算法与电导增量法相结合的混合MPPT控制。利用布谷鸟搜索算法快速全局寻优，再使用电导增量法精确定位，实现快速而准确地跟踪最大功率点。储能单元是光储直流微电网的重要组成部分，其输出电流均分、荷电状态(state of charge, SoC)均衡和直流母线电压稳定是主要控制目标。但电流均分受线路电阻差异的影响，进而影响SoC均衡和直流母线电压稳定，于是设计一种新的电压电流双环控制策略以实现上述目标。该策略在电压外环采用母线电压作为反馈值，在电流内环中设计了基于一致性算法的控制策略，将SoC与指数函数结合并引入加速因子，使得在充放电过程中实现SoC的快速均衡。所提控制策略既不需要下垂控制，也无需二次补偿控制，减轻了通信负担。最后在Matlab/Simulink中搭建直流微电网系统模型，验证所设计新的混合MPPT控制和电压电流双环控制策略的有效性。

摘要:电力电子变换器具有传输数据的潜能。为了满足逆变器的通信需求，提出一种基于纹波峰值检测的逆变器多自由度能量信息一体化方法。首先，针对现有信息解调方法不能直接应用于交流变换器的问题，提出一种基于纹波峰值检测的信息解调方法。在此基础上，将功率载波作为信息传输载体，通过二进制频移键控(binary frequency shift keying, 2FSK)将信息嵌入单相电压型逆变器的原始脉冲信号中，实现能量与信息的融合。并充分利用三相逆变器具有多个功率调制波的特性，提出三相电压型逆变器多自由度能量信息一体化方法。以多个功率调制波作为信息传输载体，将数据载波作为扰动信号分别加入不同功率调制波中，实现能量与信息的同步调制和解调。最后，搭建逆变器的仿真模型和实验平台。结果表明，在单相电压型逆变器中可实现20 kbit/s的通信速率，三相电压型逆变器中可实现2.5 kbit/s的通信速率，验证了所提方法的正确性和有效性。

摘要:针对“双碳”目标推进下，区域级全社会用电负荷曲线预测精度低的问题，提出了一种基于分行业用电特性与多因素影响的全社会用电负荷曲线预测框架。首先，结合行业负荷曲线聚类分析结果、综合用电评价指标构建方法，从定性和定量两方面对不同行业用电特性进行分析，验证分行业精细化用电特性挖掘的必要性。然后，采用非线性相关系数、小提琴图可视化分析方法，量化不同季节气温、日类型对不同行业用电特性的影响程度，为后续分行业精细化预测奠定数据基础。最后，利用卷积神经网络(convolutional neural network, CNN)提取行业用电特性，结合双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)与注意力机制(attention mechanism, Attention)构建集成预测模型，精细化预测各行业负荷曲线，采用间接预测方式实现全社会用电负荷曲线预测。结合华东某区域十一个行业以及居民用电负荷数据，设置10组实验进行对比分析，结果表明所提预测框架较传统预测方法能够显著降低预测误差。

摘要:母线电压稳定是实现新能源高水平消纳的重要前提。针对光储直流微电网混合储能系统因源荷不确定性扰动导致的母线电压波动问题，提出一种融入深度强化学习柔性动作评价(soft actor-critic, SAC)算法的自驱优级联自抗扰控制策略。首先，设计了级联扩张状态观测器来实时估计和补偿系统中的不确定性扰动，以提升系统的扰动估计精度。其次，针对系统建立了马尔可夫决策模型，并设计了状态奖励与信息熵综合评估的SAC智能体，融入控制器参数优化中。通过其在线学习和经验回放实现了控制参数的自驱优整定，进一步提高了系统的抗扰性和鲁棒性。最后，通过仿真实验对比了3种控制策略在典型工况下的控制性能，验证了所提策略的有效性和优越性。

摘要:虚拟电厂(virtual power plant, VPP)可利用异构网络实现分布式新能源聚合调度，实现综合效益提升。为了提高VPP在不同网络下的丢包与时延等非理想传输能力，提出面向异构通信网络的设备接入优化算法。首先，分析总结了VPP设备充放电容量、出力特性、接入网络时延、网络承载能力等约束条件，考虑异构网络下设备接入的丢包率和时延理论性能构建了以收益损失最小化为目标的优化模型。然后，利用分层求解和贪婪算法进行模型求解，获得设备的接入方式。最后，仿真验证了所提模型和算法的有效性和可靠性。结果表明，所提算法可提高网络接入容量并降低系统收益损失，实现收益最大化。

摘要:针对当前智能电表误差和线损率联合评估精度较低的问题，提出了一种基于改进沙猫群优化算法(improved sand cat swarm optimization algorithm, ISCSO)的智能电表误差和线损率联合评估模型。首先根据典型台区拓扑结构和电能量守恒定律确定了电表误差和线损率评估模型的适应度函数，并依据台区数据确定了参数范围。其次，采用变焦佳点集、威布尔最优值引导策略、蒲公英优化算法以及联想学习变异策略对沙猫群优化算法进行改进，并经测试函数验证了算法的优越性。最后，基于适应度函数和改进后的算法建立了智能电表误差和线损率联合评估模型，并通过算例验证了相比于带有遗忘因子递推最小二乘法的动态线损智能电表误差评估模型和智能电表误差与线损率联合评估的约束优化模型，所提方法在智能电表误差与线损率的评估精度上都有较大的提升。

摘要:多端直流电网架空线路故障概率高、设备耐受过电流能力有限，无选择性的重合将严重危害一次设备的安全性和电网的稳定性，因此提出了一种基于动态时间规整(dynamic time warping, DTW)的重构序列重合方法，实现重合前故障性质的预判。首先介绍了直流线路的贝杰龙时域等值建模方法，在此基础上，建立了各关键一次设备的贝杰龙等值模型，分析了瞬时性、永久性故障工况下模型等效时域波过程的差异性。然后以瞬时性故障为基准，对直流断路器注入信号所引发的电气分量暂态成分进行理论计算，并借助DTW重构序列量化整定门槛、进一步消除色散误差，最终以此为指标构造判据实现故障性质的识别。基于PSCAD/EMTDC平台的四端直流电网仿真算例显示，所提出的自适应重合方法仅需要单端量，不依赖通信，能够消除死区，且拥有600 Ω的灵敏性。

摘要:在能耗“双控”向碳排放“双控”转变背景下，针对现有电力系统调度优化着重约束碳排放总量，轻视约束碳排放强度，导致火电运行碳排放强度较大、经济性较差的问题，提出了一种考虑火电碳排放强度区间分异的异质能源电力系统低碳经济调度方法。首先分析了火电机组碳排放强度与负荷率关系曲线的分异特征，用低碳强度区、高碳强度区及过渡区划分火电运行区间。其次以火电低碳强度区运行时长最大、系统碳排放量最小、系统运行成本最小为目标，建立了兼顾碳排放“双控”与运行经济性的火风光储系统低碳经济优化调度模型，并相应设计了分层递阶求解策略。最后通过算例验证了模型的有效性和适应性。结果表明：所提模型能够有效约束火电碳排放强度，提高系统运行低碳性，且能够适应不同新能源渗透率、不同气象条件下的系统运行场景。

摘要:对电-热综合能源系统(electric heat integrated energy systems, EHIES)中设备进行合理的规划能够有效提高其运行经济性和稳定性。为此提出基于非支配性排序遗传算法III (non-dominated sorting genetic algorithm III, NSGA-III)的EHIES多目标规划模型，以规划成本、区域供热网(district heating network, DHN)节点供热温度波动和主动配电网(active distributed network, ADN)节点电压波动为目标函数，采用以热定电的方法确定EHIES耦合设备的输出功率。此外，设计基于13节点的DHN和IEEE-33标准测试节点的仿真实验，并将优化后的EHIES配置方案重新代入仿真网络，以验证配置结果能够提高ADN负荷的稳定性。实验结果表明，与初始状态相比，采用该配置方法EHIES的排放成本降低了40.75%，DHN供热温度波动降低了9.37%，ADN电压波动降低了53.34%。

摘要:针对变压器声纹检测中信号易受干扰且足量样本获取困难的问题，提出一种融合声纹脊线化与元学习的变压器声纹诊断方法。首先，基于脊线化特征处理，对优化后的变压器声纹时频谱图进行物理特征筛选与形态特征压缩。然后，搭建选择性编码器(selective encoder, SE)加深时频与形态表征的关联度，提升模型收敛速度。最后，构造元学习网络评估变压器状态，并引入基于OD-Reptile的一阶梯度更新策略，通过内外循环优化机制增强参数泛化性，从而实现少样本、信息干扰条件下的高精度声纹诊断。相较于R-WDCNN、LSTM、CNN等传统深度学习信号诊断方法，该方法在低样本、高噪声环境下(SNR为-12 dB)，收敛轮数减少10轮以上。同时，准确率分别提高6.35%，12.1%和16.93%。实验结果显示，所提方法在准确性、抗噪性、鲁棒性以及泛化性方面均有显著提升。

摘要:为进一步提高车用质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)电堆性能衰退预测与剩余使用寿命预测精度，提出一种改进灰狼优化算法优化卷积神经网络-长短期记忆(convolutional neural network-long short-term memory, CNN-LSTM)的车用PEMFC性能衰退预测方法。首先，通过稳定小波变换对数据集去噪重构，使用改进灰狼算法对实测PEMFC电堆衰退数据进行分析，获得CNN-LSTM最优超参数。其次，利用最优超参数训练CNN-LSTM网络模型进行PEMFC性能衰退预测，并计算PEMFC电堆剩余使用寿命。最后，在电堆静态和动态工况下，将所提方法与传统长短期记忆循环网络、门控循环单元循环网络和未经优化的CNN-LSTM等模型预测进行比较。结果表明：在静态工况中，当训练集占比为60%时，所提方法相比传统CNN-LSTM预测结果均方根误差缩小59.02%，当训练集占比为70%时，PEMFC剩余使用寿命预测与实际相差1.16 h；在动态工况中，当训练集占比为40%时，平均绝对误差缩小18.78%。