泛研网

公众版 查看说明
全球科研项目数据库2026版

智能配电网态势感知时滞不确定性的区间仿射方法研究

项目来源

国家自然科学基金(NSFC)

项目主持人

葛磊蛟

项目受资助机构

天津大学

立项年度

2018

立项时间

未公开

项目编号

51807134

研究期限

未知 / 未知

项目级别

国家级

受资助金额

25.00万元

学科

工程与材料科学-电气科学与工程-电力系统与综合能源

学科代码

E-E07-E0704

基金类别

青年科学基金项目

关键词

配电系统 ; 时滞电力系统 ; 配电网调度 ; 态势感知 ; 区间仿射方法 ; 配电系统 ; 时滞电力系统 ; 配电网调度 ; 态势感知 ; 区间仿射方法

参与者

侯恺；王绍敏；刘立扬；董逸超；王瀚；赵晨睿；刘浩武

参与机构

天津大学

项目标书摘要：智能配电网态势感知(Situation Awareness of Smart Distribution Network,SASDN)是配电网稳定运行和精准调度的基础。然而,SASDN面临着通信延时、科学计算耗时、不同子站系统响应时长不一等所引起的一系列时滞不确定性问题，常导致智能配电网精准调度失效，限制了其应用范围。针对该问题，本项目拟采用区间仿射方法研究SASDN时滞不确定性。首先，构建SASDN时滞区间仿射模型，深入探索SASDN时滞的作用机理；其次，基于Lyapunov直接法，探索SASDN时滞区间仿射模型的可行解判定方法，并分析其参数鲁棒性，从而获知时滞参数的安全区间；最后，探索SASDN时滞区间仿射模型参数灵敏度分析方法，揭示SASDN非时滞参数对时滞参数的影响规律，提升所提模型的适应性。项目成果将为智能配电网的精准调度和广域协调控制提供理论依据。

Application Abstract: The situation awareness of smart distribution network(SASDN)is the basis of stable operation and precise scheduling of power distribution networks.However,the SASDN has a series of time-delay uncertainty problems,due to communication delay,long computation time and different response time of different substation system.With these problems,SASDN often lead to precise scheduling failure of smart distribution network,limiting its application.In response to these problems,the interval affine method will be used to study the time-delay uncertainty of SASDN in this project.Firstly,the time-delay interval s model of SASDN is constructed to explore the impact of time-delay on SASDN.Secondly,the solution determination method is developed for the time-delay interval affine model of SASDN based on Lyapunov direct method.By using the proposed method,the robustness of the relevant parameters and the interval solution of the time-delay parameter are obtained for the time-delay interval affine model of SASDN.Finally,the sensitivity analysis is conducted to investigate the effects of non-time delay parameters on the time delay interval affine model of SASDN,and the adaptability of the model is improved.The bribe of this project will assist in building up theoretical foundations for the precise scheduling and wide area coordinated control of smart distribution networks.

项目受资助省

天津市

项目结题报告(全文)

由于配电网直接面向用户终端，其完备性将直接影响着终端用户的供电可靠性和用电质量，重要性不言而喻。随着大量可再生能源在配电网中的接入，传统配电网成为有源配电网。为了应对有源配电网所面临的挑战和满足用户日益增长的供电质量和可靠性要求，发展智能配电网已成为共识。在智能配电网条件下，系统采集和处理的数据呈海量增长，并且受用户随机需求响应、客户多样化需求、应急减灾等因素影响，配电网运行趋于复杂多样，对配电管理的要求日趋提高。现有的配电运行态势感知体系在计算速度、安全性评估、可视化、通信网络等诸多环节上均难以满足智能配电网的发展。其主要难点包括：针对配电系统量测装置覆盖率的不足，如何提升智能配电网的量测数据规模；针对多种能源形式接入的智能配电网，如何快速觉察智能配电网状态；如何提升智能配电网态势觉察数据处理性能。开展智能配电网态势感知理论、模型和方法研究，提高智能配电网对综合能源的接纳能力，实现配电系统在复杂环境下的安全可靠运行，是促进能源革命、满足国家重大需求的前沿课题。通过系统深入研究，拓展智能配电网态势感知内涵。深化态势觉察内容，提出智能配电网精度同步相量测量技术，构建智能配电网多源信息集成体系；精益化态势理解内容，提出智能配电网故障区间定位技术，构建智能配电网弹性计算方法，提出基于碳中和能力的智能配电网规划；泛化态势预测内容，提出考虑电动汽车失控不确定性的充放电预测技术，构建智能配电网负荷潜力分析体系，研究智能配电网故障预测技术。构建完整的智能配电网态势感知的基础理论和技术体系，为智能配电网的精益化运维提供理论支持和技术储备。

  • 排序方式：
  • 1
  • /

  • 1.基于机器学习的中长期和短期电力负荷预测方法研究

    • 关键词：
    • 电力负荷预测;机器学习;支持向量机;灰狼优化算法;最大信息系数;因子分析;长短期记忆神经网络
    • 羡一鸣
    • 指导老师：河北工业大学 张冠英
    • 学位论文

    电力负荷预测是电力系统规划、建设和调度的重要基础,提升电力负荷预测的精度有助于提高电力系统的运行效率,降低运营成本。随着电力需求的不断发展,电力负荷与经济政策、人类活动和气象条件等影响因素之间的不确定性关系愈加复杂,传统的统计学方法已难以满足电力负荷预测的精度要求。为此,本文运用多种机器学习算法的强数据挖掘和拟合能力,对电力负荷中长期和短期预测分别进行了研究,论文的主要工作如下:（1）概述了电力负荷预测与机器学习的基本理论。首先,说明了电力负荷预测的原理、特点、分类以及预测步骤;然后,确定了本文所用的数据预处理方法和预测模型评价指标;最后,对机器学习的基本理论、发展历史和分类进行了介绍。（2）建立了经济新常态下基于GWO-SVM的中长期电力负荷组合预测模型。该部分首先分析了在经济新常态下,中长期电力负荷预测面临的负荷发展趋势改变、可用样本数量少和不确定性增加的难题;其次,针对上述难题,分别选择改进灰色Verhulst模型、偏最小二乘回归模型和广义回归神经网络作为单项预测模型;然后,通过支持向量机（Support Vector Machine,SVM）回归的方式实现组合预测,以求综合全面的利用数据信息。并采用具有强全局搜索能力的灰狼优化算法（Grey Wolf Optimization,GWO）对SVM的参数进行优选,从而避免了参数选取的盲目性和主观性,增强了SVM的泛化推广能力。最后,通过对天津市全社会用电量进行预测,验证了组合预测模型的精度和可靠性,可为经济新常态下中长期电力负荷预测提供借鉴。（3）针对短期电力负荷影响因素众多且具有强随机性的问题,提出了一种基于MIC-FA和改进LSTM神经网络的短期电力负荷预测模型。首先,分析了短期电力负荷的周期性和气象因素的影响;其次,采用最大信息系数法（Maximal Information Coefficient,MIC）对输入特征进行筛选,避免了人工经验和传统方法选取的不足;然后,通过因子分析法（Factor Analysis,FA）对输入特征进行降维,在保证精度的前提下,简化了输入特征的维数;最后,采用长短期记忆（Long Short-Term Memory,LSTM）神经网络对筛选与降维后的输入特征进行回归分析,并采用自适应矩估计算法优化LSTM神经网络的训练,从而实现短期电力负荷高精度预测。实际算例表明,同其它传统方法相比,所提短期电力负荷预测模型具有更好的预测精度与抗干扰能力。

    ...
  • 排序方式：
  • 1
  • /