经济学习论文提纲

论文题目：基于机器学习的电力系统静态电压稳定评估及实时经济调度研究

摘要：实现“碳达峰、碳中和”已成为世界各国的共同目标,并且是未来的能源大趋势,提升可再生能源发电比例则是持续推进碳减排的重要方式和决定性因素。而高比例可再生能源的快速发展给电力系统带来历史性机遇的同时也带来了全新的问题与挑战:一方面,能源消费结构的不断优化升级对可再生能源发电的预测精度提出了更高的要求,风能、太阳能等一次能源自身所固有的间歇性、随机性和波动性极大的增加了电力系统经济调度的复杂性;另一方面,在现阶段大规模储能技术尚不完善的情况下,加强大电网建设以及鼓励交互式用能设备的使用,仍是推动可再生能源发展的必要手段,而网架结构的愈加复杂以及负荷特性的改变使电力系统静态电压稳定问题突显,经济调度在寻求经济性最优的同时,应先维持系统电压的稳定以确保电网安全稳定运行。因此,如何在可再生能源发电快速发展以及电压稳定问题突显的双重背景下实现实时经济调度,已成为现阶段需要重点研究解决的问题。虽然“双碳”新形势下高比例可再生能源的大规模并网给电力系统带来了新的挑战,但是以深度学习、集成学习等为代表的新兴机器学习技术的涌现为电力系统实际工程问题的解决提供了新方法和新思路。基于以上背景,本文首先研究基于深度学习的集中式光伏功率超短期预测方法,并将所得结果与负荷预测结果相结合以构建实时经济调度优化模型的功率平衡方程;然后,研究基于机器学习的静态电压稳定裕度评估方法,并以此为基础研究基于集成学习的静态电压稳定裕度可靠评估方法,利用离线分析所生成的静态电压稳定评估规则,构建实时经济调度优化模型的静态电压稳定约束条件;最后,研究基于深度学习的电力系统实时经济调度问题,将实时经济调度由优化问题转换为学习问题进行建模求解。本文具体工作内容如下:（1）为了构建更精细化的经济调度优化模型功率平衡方程,以便降低可再生能源并网给经济调度带来的不确定性,本文针对集中式光伏功率的超短期预测问题,提出了一种基于注意力机制的精准预测方法。首先,利用Spearman相关系数法和灰色关联分析技术对关键气象因素、时间相关性以及空间关联性等光伏功率基本特性进行分析;然后,基于光伏功率特性分析结果,对长短期记忆（Long Short Term Memory,LSTM）网络整体结构进行自适应设计,并提出了一种基于自适应LSTM的光伏功率超短期预测模型;最后,根据光伏功率序列基本特征将其归类为具有空间关联性的时间序列数据,并在预测模型构建的特征选择、时空特性分析等环节中引入注意力机制,构建了基于多层嵌套时空注意力网络（Multi-level Nesting Spatial Temporal-Attention Network,MNST-AN）的光伏功率超短期精准预测模型,突破了现有利用机器学习技术求解光伏功率预测问题必须预先进行特性分析的固有流程,有效避免了人为因素的影响并切实提升了预测精度。利用中国北方某省集中式光伏电站实际数据,验证了所提出的光伏功率超短期预测模型的可行性和预测精度。（2）为了构建经济调度优化模型的静态电压稳定约束条件,以便在保证系统安全稳定运行的前提下实现经济性目标,本文针对电力系统静态电压稳定问题,提出了一种基于决策树的静态电压稳定裕度评估方法。首先,利用P-V曲线分析技术对系统电压稳定裕度状态进行了划分（正常、预警、紧急）,并根据划分区间对训练样本进行了选取;然后,利用参与因子分析技术对表征电压稳定的特征变量从物理意义层面进行了初选;其次,为了有效解决漏警问题,对Relief-F算法进行适用性改进,提出了一种考虑惩罚因子的Relief-F-P特征选择算法,从数据分类能力层面对特征变量进一步筛选;最后,基于C4.5算法构建了面向静态电压稳定裕度的决策树评估模型。利用中国南方某大负荷中心实际数据,验证了所提方法可以实现对系统电压稳定裕度状态的有效评估。（3）在前述研究的基础上,为了进一步提高评估精度,本文提出了一种基于随机森林的静态电压稳定裕度可靠评估新方法。首先,为了兼顾基决策树的多样性和学习能力,提出了一种基于P-V曲线随机抽取的训练样本子集构建方法;其次,为了保证引入扰动的可控性,提出了一种基于信息增益率的基决策树分裂属性选择方法;在此基础上,利用C4.5算法生成了具有差异性特点的基决策树,并采用绝对多数投票集成策略,构建了基于随机森林的静态电压稳定裕度可靠评估模型;最后,提出了一种综合考虑规则覆盖度和可靠度的规则评分方法,实现了对电压稳定裕度关键评估规则的提取。案例分析以中国南方某大负荷中心实际数据为基础,验证了所提出的基于随机森林的静态电压稳定裕度可靠评估方法的可行性和准确性。（4）针对电力系统实时经济调度问题,本文提出了一种基于深度学习的实时经济调度建模求解新思路。首先,利用光伏功率预测结果和静态电压稳定裕度关键评估规则,分别构建实时经济调度优化模型的功率平衡方程和静态电压稳定约束条件;然后,基于完美调度理念,利用海量历史数据通过经济调度优化模型生成学习模型的训练目标,实现了经济调度由优化问题到学习问题的转变;其次,分别利用层次聚类技术和矩阵相关性分析技术构建了差异化训练样本集;在此基础上,针对门控循环单元（Gated Recurrent Unit,GRU）网络的基本结构进行了自适应设计,并提出了基于自适应GRU的实时经济调度学习模型,模型一旦构建完成,输入调度时刻预测数据,即可得到相应的调度方案。利用IEEE-39节点测试系统验证了所提方法的可行性和调度方案精度,并利用IEEE-118节点测试系统进一步验证了其在大系统中的适用性和有效性。本文研究丰富了电力系统调度运行理论,相关研究成果有助于提升电网调度运行自动化、智能化水平,促进电力行业碳减排,助力我国“双碳”承诺的实现。

关键词：光伏功率超短期预测;静态电压稳定裕度评估;实时经济调度;机器学习;深度学习;集成学习

学科专业：电气工程

致谢

摘要

abstract

1 绪论

1.1 研究背景

1.2 研究意义

1.3 国内外研究现状

1.2.1 光伏功率预测

1.2.2 电力系统静态电压稳定分析

1.2.3 电力系统经济调度

1.4 论文主要内容及章节安排

2 基于注意力机制的集中式光伏功率超短期预测研究

2.1 引言

2.1.1 问题描述

2.1.2 研究思路

2.2 基于数据挖掘的光伏功率特性分析

2.2.1 基于Spearman相关系数法的关键气象因素筛选

2.2.2 基于Spearman相关系数法的光伏功率时间相关性分析

2.2.3 基于灰色关联分析的光伏功率空间关联性分析

2.3 基于自适应LSTM网络的光伏功率超短期预测方法研究

2.3.1 深度学习理论及RNN

2.3.2 基于自适应LSTM网络的光伏功率超短期预测模型

2.4 基于MNST-AN的光伏功率超短期精准预测模型

2.4.1 注意力机制基本原理

2.4.2 基于MNST-AN的光伏功率精准预测模型构建方法研究

2.5 案例分析

2.5.1 基于自适应LSTM网络的光伏功率超短期预测模型验证

2.5.2 基于MNST-AN的光伏功率预测模型验证

2.6 本章小结

3 基于决策树的静态电压稳定裕度评估研究

3.1 引言

3.1.1 问题描述

3.1.2 研究思路

3.2 静态电压稳定学习模型的训练样本生成

3.3 表征静态电压稳定的关键特征变量筛选

3.3.1 基于参与因子分析的特征变量初选

3.3.2 基于Relief-F-P算法的决策树属性集构建

3.4 基于决策树的静态电压稳定裕度评估模型

3.4.1 决策树理论

3.4.2 基于C4.5 算法的决策树模型构建

3.5 案例分析

3.6 本章小结

4 基于随机森林的静态电压稳定裕度可靠评估研究

4.1 引言

4.1.1 问题描述

4.1.2 研究思路

4.2 集成学习

4.2.1 集成学习理论

4.2.2 随机森林

4.3 多样性基决策树构建

4.3.1 基于P-V曲线随机抽取的基决策树训练样本选取

4.3.2 基于信息增益率的基决策树属性筛选

4.4 基于随机森林的静态电压稳定裕度可靠评估模型

4.5 案例分析

4.6 本章小结

5 基于深度学习的电力系统实时经济调度研究

5.1 引言

5.1.1 问题描述

5.1.2 研究思路

5.2 基于静态电压稳定约束及数据挖掘技术的训练样本集构建

5.2.1 基于完美调度理论和静态电压稳定约束的训练目标生成

5.2.2 基于层次聚类技术的历史相似日筛选

5.2.3 基于矩阵相关性分析技术的关键历史时刻筛选

5.2.4 实时经济调度学习模型差异化训练样本集构建

5.3 基于GRU的实时经济调度自适应学习模型

5.3.1 基于GRU的自适应学习模型构建及超参数设置

5.3.2 自适应学习模型运行模式

5.4 案例分析

5.4.1 IEEE-39 节点测试系统性能分析

5.4.2 IEEE-118 节点测试系统性能分析

5.5 本章小结

6 结论与展望

6.1 结论

6.2 展望

参考文献