鲁棒优化作为应对风电等新能源出力不确定性的重要工具,广泛应用于微电网优化调度中。传统的不确定集不够紧凑,无法准确刻画风电不确定性,同时不确定集包围的数据中可能存在部分异常值,导致调度结果过于保守。针对上述问题,提出了一种基于数据驱动不确定集的微电网两阶段鲁棒优化调度方法。首先,通过风电历史数据构建条件正态Copula(conditional normal copula,CNC)模型,再将日前风电预测值输入CNC模型生成次日风电功率样本。然后,通过支持向量聚类(support vector clustering,SVC)和维度分解构建考虑风电时间相关性的数据驱动不确定集。该不确定集可更为准确地刻画风电不确定性,并将风电数据中的异常值排除在外,从而在降低鲁棒优化保守性的同时具备异常值抵抗性。其次,提出了基于上述不确定集的两阶段鲁棒优化调度模型,并采用列约束生成(column and constraint generation,C&CG)算法求解。最后通过仿真证明了相较传统不确定集,本文构建的不确定集保守性更低,同时对风电数据异常值具有良好的抵抗性。
针对现有的特高压直流(ultra high voltage direct current,UHVDC)输电系统故障检测方法灵敏度低、难以识别高阻接地故障的问题,提出了一种基于整数因子(integer factor,IF)-近似导数(approximate derivative,AD)和极限学习机(extreme l...
详细信息
针对现有的特高压直流(ultra high voltage direct current,UHVDC)输电系统故障检测方法灵敏度低、难以识别高阻接地故障的问题,提出了一种基于整数因子(integer factor,IF)-近似导数(approximate derivative,AD)和极限学习机(extreme learning machine,ELM)的特高压直流输电系统故障辨识方法。其中整数因子用于分析不同采样频率下的信号,近似导数法用于获得信号不同程度的细节系数。首先,基于不同的整数因子对信号进行下采样,并利用近似导数法对所得信号求一阶、二阶和三阶近似导数。其次,分别计算各个子信号的熵特征。然后,用基于交叉验证的递归特征消除(recursive feature elimination with cross validation,RFECV)算法对得到的一系列特征进行特征筛选,并结合ELM对特高压直流输电系统进行故障辨识。最后,在Matlab/Simulink环境中搭建了±800 kV的UHVDC系统模型,模拟不同故障类型。实验结果表明,所提方法在识别特高压直流输电系统不同类型故障时有更高的准确率,且耐受过渡电阻能力强。
暂无评论