文摘

为了确定不确定的静态和动态脆弱节点在新能源、新能源的不稳定和随机性带来新的挑战在电网脆弱节点的识别。由于低成本和低能耗的特点的新能源,人们重视新能源的勘探和开发。由于新能源的不确定性,需要正确分析的不确定性因素。分析不确定性因素在新能源使用人工智能功率大数据分析的框架基于成本效益分析(CBA),应进行傅里叶变换,提取数据特征矩阵,这样一个漏洞风险预测指数可以通过使用模糊卷积算法和二值化,和之间的安全形式的不确定性因素在新能源和发电站可以评估。本文提出了一种模糊神经网络算法来识别静态和动态脆弱节点基于新能源的不确定性,以保证电力系统的安全与稳定。电站系统的安全性能是通过不同级别的预警检测灵敏度。上述算法的仿真模型在MATLAB构造。仿真结果表明,该算法提高了灵敏度的早期预警系统,发电厂和触发预警系统的敏感性,提高电站的安全系统作为一个整体。

1。指令

由于能源需求不断增加,新能源被认为是最具吸引力的能源。新能源包括风能、水力、海洋能源,地热能源,光伏能源等。有许多研究光伏和风力能源由于地球上无处不在的这些来源丰富的可用性。目标是不仅获得能量,还将获得能量转化为适当的使用和平衡能源需求和供应。

2020年,财政部、国家发展和改革委员会和国家能源局发布关于促进健康发展的若干意见》非水可再生能源发电,详细定义新能源的概念,这是一种可再生低排放能源类型除了地表径流势能(常规水电站)。其中,风力发电站和光伏电站当前技术条件下可以有效地开发。随着社会的发展,互联网电网的需求正在增加。渐渐地,传统能源无法满足工业生产的需要。人们越来越关注环境保护和再生新能源来满足工业需求的特点,和新能源发电已进入工业生产领域。

新能源,尤其是太阳能和风能,高度不确定是因为动态气候条件。正确分析这些不确定性中扮演一个重要的角色在维持系统的稳定性和可靠性1]。在这种背景下,很多工作已经完成。当连接到电网新能源时,由于随机性的新能源,它有一个对电网的稳定性的影响在一定程度上。为了确保新能源接入电网的可靠性,作者在2)提取最低线在电网正常运行的蒙特卡罗方法来验证故障修理时间。蒙特卡罗方法和分析方法是常用的分销网络的可靠性分析方法3,4]。实验表明,新能源与电网相连,提高电网的可靠性和备用容量的配电所成正比电网的可靠性。在[5],作者测试了分销网络的可靠性基于模糊神经飙升P系统,考虑新能源接入电网的不确定性和偏差的互动力量领带区域之间的界线。针对新能源的跨区域调度存在的问题,作者在6)提出设计的分散协同调试路径multiregional互连系统根据调试水平和解决的主要问题和子问题分别在调试问题。结果表明,该方法有效地减少了不确定性影响互连系统的安全运行,提高经济效益相互连接的区域。

电力系统中起着重要的作用在中国的生产和人们的生活。每年国家投入大量的常规能源发电。为了减少对环境的影响,提高可再生能源的利用,近年来,国家不断增加投资风力发电和光伏发电和组织大量的科研人员研究的原则为了探索更有效的控制措施,促进国家力量的发展。

新能源发电促进电力系统的转换。政策的大力支持,新能源发电形成了大规模的行业。通过分析新能源的国家支持政策在过去的十年里,它是发现,在新能源领域的政策一直在不断完善和扩大发电相关的产业链,以促进全面发展新能源发电行业通过政策指导7]。

新能源发电是缓解电力系统的供应和需求之间的矛盾,减少对常规能源的消耗。然而,新能源与传统能源发电相比,具有一定的不稳定性,对电网有一定的影响。如何通过科技手段干预与这些影响是一个需要解决的问题。在这项研究中,一个模糊神经网络算法用于识别静态和动态脆弱节点基于新能源的不确定性,保证电力系统的安全与稳定。

剩下的论文的结构如下:部分2描述了能源需求的周期性波动在所有季节和讨论如何平衡这种波动。部分3论述了不确定性的新能源如风能和太阳能光伏能源。部分4给出了该算法基于新能源的不确定性。部分5提供算法的性能评估。第六节总结这项工作。

2。社会能源需求的确定

社会能源需求显示了一个相对固定的周期法在不同的周期和一个线性法在很长时间的持续增长。在年度周期,在冬季和夏季能源需求很大,春天和秋天和能源需求很小。周循环的能源需求在工作日很大,和休息日的能源需求很小。单日周期,白天能源需求很大,晚上和能源需求很小。

因为这些法律,供电企业制定的分时电价政策峰值和平坦的山谷,鼓励高能耗企业利用晚上电源,设置梯度电价,鼓励居民合理计划全年总电力消耗,给居民更大的电力价格折扣和小全年的总用电量。然而,根据这一标准,它仍然是不可能有效地平衡电力需求周期波动的(8]。

因此,有两个措施来平衡这种波动。首先,供电企业运营自己的调峰和山谷水准发电站和使用大功率电站等液化天然气(LNG)可以快速启动和停止或燃油平衡电力负荷在短时间内的变化。水的势能储存设施或体重势能储存设施还建立了供电网络中实现有效的调峰和山谷水准波动期间的电力供应和需求。第二,我们鼓励发电企业应对调峰谷剃须供电调度顺序,燃煤发电厂的控制部分,水电站,和其他利用设备,安装储能设施光伏和风力发电厂获得电力供应和需求的缓冲能力。

能量决定了经济的发展。的比例逐渐增加的中国工业,工业部门已成为能源消耗的主要能源增长部门。从目前的情况下,能源需求的增长是可持续的,但并不总是可再生能源。两者之间的矛盾,促进人的发展和新能源的探索9]。

3所示。能源的不确定性

在这一节中,作者讨论了不确定性的新能源如风能和太阳能光伏能源、资源,与这些资源相关的问题。

3.1。光伏能源的不确定性

光伏能源受光强度和角度。每天中午能源供应能力是最强的。满载能源供应不能意识到在早上和晚上,晚上和没有能源供应能力。与能源需求曲线曲线是高度耦合的单日周期,但也有两个问题:

首先,改变曲线的光伏电站的能源供应能力是相对平静,而能源为期一天的需求曲线的变化接近梯形曲线。

其次,光伏电站的能源供应能力在夏天在强光条件下强,对应于峰值功率消耗在夏天下年度周期,但其能源供应能力在弱光条件下在冬天是虚弱的。

此外,光伏能源严重受阴,雨,朦胧的天气。光伏发电系统照明资源有很强的依赖。时间,强度,和角度的阳光直接影响功率输出率。

在图1,x设在一天标记为小时,y设在贴上能源需求。可以看出,《纽约时报》在主和19日~ 24日在电力需求大于光伏发电的价格,因为光能量通常是弱。在8-19的时间段,光伏发电是大于或等于电力需求,因为光强度在这个时期强,光时间长。

在图2这条曲线获得的区别是光伏发电和电力需求的曲线在图1。它可以清楚地看到从图2光伏发电可以满足电力需求只仅8,这显示了光伏发电的短板。光伏发电的多余部分在这个时间都被浪费了,所以它需要存储在其他时间段使用。

3.2。风能的不确定性

风能受到风力能源强度。一年一度的曲线下的北部地区,风力发电是在春天和秋天,但是春天和秋天的能源需求是小相比,实际的电力需求。由于极端天气的影响在冬天和夏天,可能有风天气造成的压力差异大。风能设施需要减少风能利用率通过调整叶片攻角,以避免风险。年度风力发电和电力需求数据所示3和4。

在图3,x设在是贴上个月和一年y设在贴上能源需求。可以看出,风力发电和电力需求的曲线相交,风力发电的大小与季节的交替和发电时间从3月到5月和8月至12月大于电力需求。

在图4,电力需求曲线之间的差异和风力发电曲线数据用于获得图4。它可以清楚地看到从图4当风力发电容量大,电力需求很小,当风力发电容量很小,电力需求很大,导致发电浪费和电力需求不足的现象。

4所示。静态和动态组合算法基于新能源的不确定性

在风能和太阳能光伏能源的发展,应该确保两个发展目标。

首先,所有风能、光伏能源实现全功率发展条件下所允许的技术条件;额外的电能,应当有足够的能量储存设施平衡能源供应和需求之间的关系。

其次,充电和放电效率的能量储存设施应满足经济和商业需求。

在完美的条件下,发电能力之间的关系和能量存储能力以下公式: 在哪里发电能力是时间序列的函数,是电力需求时间函数,是时间序列的函数的能量存储能力,然后呢是时间序列的函数的能量存储容量损失。在这种关系的基础上,新能源电站的漏洞时间序列系数如下公式所示: 在哪里的漏洞时间序列系数是新能源电站和其他数学符号是一样的(1)。

新能源发电的脆弱性评价指标由上述公式(1)和(2)能客观地反映新能源电站的脆弱性配备储能设备,但也有一些问题。也就是说,四个积分公式索引(1)和两个积分指标公式(2)有自己的不确定性,这不是典型的周期函数。因此,实际的评估和值的统计能力都很弱。因此,后续数据挖掘需要指导生产。其主要数据挖掘方向是数据基于曲线估计的预测和预警。

因此,权力大数据的人工智能分析框架下基于CBA,有必要进行傅里叶变换,提取数据特征矩阵,然后用模糊卷积算法和二值化方法获得漏洞风险预测指标。上述算法架构如图5。

傅里叶变换的基函数是下列公式所示:

在上面的方程中,t遍历序列的指针,ω遍历频率变量的指针,一个是检测精度校正变量,是输出函数的傅里叶变换,输入函数的傅里叶变换,然后呢 是傅里叶常数,在哪里e是自然常数。

从傅里叶变换获得特征矩阵包含主要叠加波形的强度,用于分析不确定数据。

模糊神经网络的基函数节点基于sixth-order多项式深度迭代回归下列公式所示: 在哪里是退化的j阶多项式系数,也就是说,公式中的每个节点包含6系数相继从一个₀来一个₅,J多项式阶,其他数学符号的含义是一样的在前面提到的公式。

多列的输出数据神经网络的输出数据位于[0,1]区间。没有输出数据的分布规律,所以它需要的关键。一个独立的关键神经网络模块的设计为每个方案形成的关键多列神经网络。在神经网络的关键,使用二进制值而不是浮动值。这可以更快和更少的内存和计算能力。关键的节点基函数神经网络是如以下公式所示: 在哪里e是自然常数,这里的近似值是吗e= 2.718281828;其他的数学符号的含义是一样的公式(4)。

5。仿真验证算法的效率

仿真软件模块加载到MATLAB建立上述算法的仿真模型。原始数据的测量数据是供电公司电网连接结束16个风力发电场和9光伏发电厂在一个城市。当中性点偏移量达到50%的截止值或设置截止设置值的相位偏移量达到35%,这被认为是一个高风险的状态,因此有必要给数据预警。提前预警的测试点设置为1 s, 5 s, 15秒,分别30年代和60年代。

我们比较危险系数公式(2) 。直接向前的预警敏感性预测价值估计的非线性曲线在MATLAB和远期预测价值赋予人工智能分析框架下的权力基于CBA的大数据表所示1。

在表1,提前预警时间提前从高风险状态预警时,和敏感的比例是正确的正面的积极的数据。从表可以看出1,早期预警灵敏度估计的直接直接使用该软件获得的曲线和预警敏感性通过使用模糊神经网络算法根据测试点的增加减少时间的提前预警。两者的区别可以通过下图更明显6根据表中的数据1。

图中可以看到6的曲线趋势预警灵敏度曲线估计得到的是一样的,通过模糊神经网络算法。所不同的是,早期预警敏感性通过模糊神经网络算法在同一测试点高,差异越来越明显增加的早期预警。这表明模糊神经网络算法能更准确地识别高风险状态。

在表2之间的比例关系,早期预警触发条件数据的测量值和设定值的故障切除时,预警,和敏感的比例是正确的正面的积极的数据。

从表可以看出2不同预警触发条件下,早期预警敏感性趋势曲线直接估计或获得的模糊神经网络算法是一样的,从高到低根据预警触发条件和从低到高。为了促进一个更直接的比较两者之间的数据差异,如下图所示7根据表中的数据是由2。

图中可以看到7预警使用模糊神经网络算法获得的灵敏度很高,和获得的灵敏度降低预警的预警触发条件。预警使用直接获得的灵敏度曲线估计是降低与模糊神经网络算法相比,获得的早期预警的敏感性和严酷的预警触发条件减少cliff-like的方式。这表明直接曲线估计方法不能使用,但早期预警灵敏度获得通过使用模糊神经网络算法是相对稳定的。

6。结论

随着人民的深入探索新能源、新能源发电正逐渐应用于电力系统。由于自然因素的干扰,它影响权力的质量和电力系统的安全性10]。本研究分析了风力发电和光伏发电的不确定因素受到外界的影响。通过识别脆弱节点静态和动态相结合的不确定性在新能源、进行傅里叶变换,提取数据特征矩阵的人工智能分析框架下基于CBA的权力大数据。脆弱性风险预测指标是通过使用模糊卷积算法和二值化方法。仿真结果表明,该模糊神经网络算法更准确地识别高风险状态和获得的早期预警的敏感性相对稳定。

随着科学技术的不断发展,新能源的探索和认知是进一步改善,相关领域的应用水平也提高,促进电力系统的安全稳定发展11]。

数据可用性

这项研究的数据来源:self-statistics。

的利益冲突

作者宣称没有利益冲突与本文的发表,所有看过手稿的作者也同意提交你的日记。