首页期刊导航|高电压技术
期刊信息/Journal information
高电压技术
中国电力科学研究院　中国电机工程学会
高电压技术

中国电力科学研究院　中国电机工程学会

杨迎建

月刊

1003-6520

hve@sgepri.sgcc.com.cn

027-59835528

430074

湖北省武汉市珞瑜路143号武汉高压研究所

高电压技术/Journal High Voltage EngineeringCSCD北大核心CSTPCDEI
查看更多>>本刊为国内外唯一集中、全面地反映当前高电压技术领域科技信息的专业技术刊物，国内外公开发行，是国务院学位办审定的中文重要期刊、中文核心期刊，EI page one和《科技文献通报》收录期刊。本刊根据电力生产、建设、科研、教学需要提供导向性、实用性信息及技术措施，推广实用技术的成果，为我国科技发展、领导决策、促进生产发挥接口、载体和桥梁作用。本刊报道内容包括高压设备、输电线路、系统暂态、测试工程、电磁、城网供电、电力电子等及生态环保生物医疗等边缘、交叉学科。既有基础理论研究也有工程实践应用。本刊读者对象为电力系统生产、建设、运行、管理部门及相关产业科研、设计、制造单位的领导、科技人员、大专院校师生及其他相关工程技术人员。
正式出版
收录年代

    风电和光伏发电功率联合预测与预调度框架

    叶林裴铭李卓宋旭日...
    3823-3836页
    查看更多>>摘要：随着多区域互联电力系统的发展,风电、光伏等新能源发电大规模并网,风电-光伏功率的联合预测和协调调度是必然趋势和迫切需求.为此,从风电-光伏发电的时空相关性分析出发,对风电-光伏功率时空耦合、风电光伏联合预测建模、风电光伏联合预测模型参数优化、考虑风电-光伏联合预测的电力系统预调度等方面进行了分析讨论.首先,研究揭示风电-光伏功率在时间-空间上的交互影响机理,提出面向多时间尺度的风电-光伏功率时间互补性分析方法,建立风电-光伏发电空间相关性量化模型,构建基于多阶图卷积神经网络风电-光伏发电时空耦合模型;基于此,研究提出了融合异构图神经网络的风电-光伏联合预测方法,建立了风电-光伏联合预测模型参数优化模型,构建了新能源有功功率预测误差矢量评价体系,为风电-光伏联合发电系统的协调调度和控制提供决策支撑;在风电-光伏联合发电预测的基础上,采用风电、光伏发电时间互补、空间互济的思路探讨了风电-光伏联合的电力系统预调度策略和方法,对不同时间尺度风电-光伏的协调调度策略进行了剖析,建立了电网-区域-集群-场站空间递阶的风电-光伏联合发电系统分层调度框架.最后,展望了未来风电-光伏联合预测与预调度方面应研究的方向.

    风电-光伏联合预测时空相关性异构图神经网络风电-光伏协调调度电力系统预调度

      原文链接:
    • 万方数据
    • 维普

    基于多模式分解和多分支输入的光伏功率超短期预测

    毕贵红张梓睿赵四洪黄泽...
    3837-3849,中插1页
    查看更多>>摘要：针对光伏发电功率随机性强、波动性大导致其预测精度不高的问题,提出一种基于自适应近邻传播聚类(adaptive affinity propagation clustering,adAP)、多模式分解、多分支输入组合的光伏功率预测方法.首先,基于相关性分析找到与光伏发电功率高度相关的气象因素,并利用快速傅里叶变换(fast Fourier transform,FFT)将光伏输出功率从时域转换到频域,与相关度高的气象因素一起作为 adAP 算法的聚类特征,对具有相似气象特征的日场景进行分类;其次,对聚类相似日较少且输出功率波动剧烈天气类型中的气象相关因素和光伏输出功率添加高斯白噪声,并将其与原始数据合并,达到倍增样本的效果,以提升模型的泛化能力和鲁棒性;然后,使用变分模态分解(variational mode decomposition,VMD)、奇异谱分解(singular spectrum decomposition,SSD)和群分解(swarm decomposition,SWD)对光伏功率、辐照度和温度进行分解,削弱原始序列的波动性,丰富模型的输入特征;最后,搭建多分支的残差网络(residual network,ResNet)和长短期记忆网络(long short term memory network,LSTM)模型,提取数据的时间特征和波动特征,合并后输入到门控循环单元网络(gated recurrent unit network,GRU)中,建立历史特征和未来光伏输出功率的联系,得到预测结果.实验结果表明,所提出的多模型组合预测方法在光伏功率波动较缓天气情况下,能够保持较高的预测精度;在波动剧烈天气情况下,能够较大地提升预测精度.

    光伏发电超短期预测自适应近邻传播聚类多分支输入多模式分解深度学习

      原文链接:
    • 万方数据
    • 维普

    基于QMD-HBiGRU的短期光伏功率预测方法

    吉兴全赵国航叶平峰孟祥剑...
    3850-3859,中插2-中插5页
    查看更多>>摘要：为了解决光伏功率数据固有的强不确定性导致单一预测模型预测精度不高的问题,提出一种基于二次模态分解和混合双向门控循环单元模型(hybrid bi-directional gated recurrent unit,HBiGRU)的短期光伏功率预测方法.首先,为应对光伏功率数据的不确定性,基于自适应噪声完备集合经验模态分解、样本熵和变分模态分解对光伏功率数据进行处理,得到一系列较为平稳的本征模函数分量;其次,构建HBiGRU模型以充分挖掘各分量与光伏功率影响因素之间的特征关系,得到各分量预测结果;最后,将各分量预测结果叠加得到短期光伏功率预测结果.以澳大利亚某地光伏电站数据进行测试,仿真结果表明:所提集成预测模型能够有效提高短期光伏功率预测精度,与其他预测模型相比,其归一化平均绝对误差和均方根误差分别降低了3.21%和5.04%,决定系数提高了22.7%.

    短期光伏功率预测混合双向门控循环单元自适应噪声完备集合经验模态分解变分模态分解二次模态分解深度学习

      原文链接:
    • 万方数据

    基于变换域分析和XGBoost算法的超短期风电功率预测模型

    王永生李海龙关世杰温彩凤...
    3860-3870页
    查看更多>>摘要：为应对传统超短期风电功率预测方法在数据潜在关系挖掘和模型收敛速度等方面存在的问题,提出了一种基于变换域分析和极端梯度提升回归树算法(extreme gradient boosting,XGBoost)的超短期风电功率预测方法.首先,通过时间滑动窗口和风电功率指标进行数据构建和低级特征提取.然后,结合快速傅里叶变换(fast Fourier transform,FFT)和哈尔小波变换构成的多层次变换域分析方法对风电数据进行分解,充分考虑频域信息在特征学习中的重要性.最后,建立包含FFT、哈尔小波变换和XGBoost算法组合的超短期风电功率预测模型.实验结果表明,采用的多层次变换域分析方法能够充分挖掘原始特征之间的潜在关系,深入捕捉数据的时序关联性,而且XGBoost算法可以有效提升模型的预测性能,与其他预测模型相比,所提方法在不同数据集上均展现出较高的预测精度和较强的特征提取能力.

    风电功率预测傅里叶变换小波变换时间滑动窗口风电功率指标梯度提升回归树

      原文链接:
    • 万方数据
    • 维普

    基于Stacking多模型融合的极端天气短期风电功率预测方法

    郑颖颖李鑫陈延旭赵永宁...
    3871-3882页
    查看更多>>摘要：为了解决极端天气下样本稀缺和单一模型预测精度不高的问题,提出一种基于Stacking多模型融合的极端天气短期风电功率预测方法.首先,提取极端事件的原始数据,通过考虑格兰杰因果的最大相关-最小冗余(maximal relevance minimal redundancy,mRMR)特征选择策略降低数据特征冗余和复杂性;其次,针对极端天气数据稀缺的问题,采用捕捉数据时间动态特性的时间序列生成对抗网络(time-series generative adversarial network,TimeGAN)算法进行扩充;最后,考虑到各单一模型的差异性及优势性,构建以卷积神经网络、长短期记忆网络、极端梯度提升树、K最近邻算法、支持向量机为基学习器,以轻量梯度提升机为元学习器的Stacking集成模型对未来 3 d的风电功率进行预测.实验结果表明,所提方法能够有效提升极端天气下的短期风电功率预测精度,与其他预测模型相比,其归一化平均绝对误差和均方根误差分别改善了2.48%和3.47%.

    风电功率预测数据扩充mRMR特征选择Stacking集成学习TimeGAN极端天气

      原文链接:
    • 万方数据
    • 维普

    基于BIRCH聚类的L-Transformer分布式光伏短期发电功率预测

    董俊刘瑞束洪春罗琨...
    3883-3893,中插6-中插8页
    查看更多>>摘要：精准的分布式光伏短期发电功率预测有助于电力系统运行与功率就地平衡.该文提出一种基于BIRCH(balanced iterative reducing and clustering using hierarchies)相似日聚类的L-Transformer(LSTM-Transformer)模型进行短期光伏功率预测.首先使用 BIRCH 无监督聚类算法对历史数据聚类得到 3 种典型天气,根据聚类结果划分测试集对模型进行训练.为提高不同天气类型下的预测精度,采用双层架构的L-Transformer模型,首层通过长短期记忆网络(long short term memory,LSTM)的门控单元机制捕捉时间序列中的长期依赖关系;次层结合Transformer模型的自注意力机制聚焦于当前任务更关键的特征量,通过多注意力头与光伏数据特征量相结合生成向量,注意力头并行计算,从而高效、精确地预测短期光伏功率.实测数据验证结果表明L-Transformer模型对于不同天气类型功率预测泛化性优异、精确度高,气象数据波动大时鲁棒性强.

    深度学习自注意力机制多头注意力BIRCH聚类短期光伏功率预测特征融合

      原文链接:
    • 万方数据
    • 维普

    基于pix2pixHD图像修复的光伏电站秒级功率预测方法

    孟祥剑石欣羽张承慧张玉敏...
    3894-3903页
    查看更多>>摘要：云团遮挡导致地面辐照度发生瞬变是光伏电站出力剧烈波动的根本原因,为提高在云团遮挡情况下光伏功率预测的精度,提出一种基于pix2pixHD图像修复的光伏电站秒级功率预测方法.首先,依据光伏电站光伏组件的参数、内部光伏阵列的排列结构和布局,推导光伏电站精细化模型;其次,深入挖掘逆变器集群输出的光伏功率数据特征,剖析光伏功率与辐照度的映射关系,构建能够描述云团形状、厚度和运动方向的虚拟云图用以表征云团遮挡(功率缺失)情况;随后,提出生成对抗网络的 pix2pixHD 图像修复算法对缺损的虚拟云图进行修复,融合最近 5 s的修复云图,提高对云团性质的精确表达;最后,依据光伏功率、辐照度、虚拟云图像素值三者之间的线性关系,实现高精度的光伏电站秒级功率预测;以山东某地市的实际光伏电站为例,仿真结果表明所提pix2pixHD图像修复的预测模型能够有效提高秒级光伏功率预测精度.

    秒级光伏功率预测虚拟云图pix2pixHD图像修复云团遮挡深度学习

      原文链接:
    • 万方数据
    • 维普

    面向风光储系统的多时空尺度容量置信度评估方法

    王仁顺王世龙耿光超江全元...
    3904-3913页
    查看更多>>摘要：随着新能源逐渐成为主体电源并且通过跨省跨区互济,广域新能源系统供电能力刻画对保障电力系统可靠供应具有重要意义.储能可有效平抑新能源波动性,从而有效提升其供电能力,容量置信度是刻画新能源-储能系统供电能力的重要指标.因此,首先提出了面向跨省跨区风光储系统的多时空尺度容量置信度评估指标体系和计算方法,将容量置信度评估周期拓展到短期运行态、中期运行态和规划态等多时间尺度,以更好地支撑关键场景下的电力系统保供电需求;并研究了面向风光场站、省级电网、跨区电网等多空间尺度的容量置信度评估方法,从而支撑广域风光储系统的供电能力刻画.此外,从时间和空间 2 个维度提出了将运行模拟加速算法用于广域风光储系统容量置信度评估.结合RTS-GMLC跨区算例验证了所提评估方法的有效性,研究结果表明:净负荷高峰关键场景对新能源储能系统的容量置信度影响较大,通过广域源荷互补和储能接入可有效提升新能源系统的容量置信度.

    多时空尺度容量置信度风光储系统跨省跨区可靠性评估供电能力

      原文链接:
    • 万方数据
    • 维普

    基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测

    戴浩男张辰灏甄钊王飞...
    3914-3923页
    查看更多>>摘要：净负荷是实际负荷与光伏出力之差,针对净负荷中实际负荷强波动性与光伏出力强随机性相互耦合、表后光伏出力不可见等特点导致准确预测困难的问题,提出了一种基于时空特征聚类和双层动态图卷积网络建模的短期净负荷预测方法.首先,通过提取用户净负荷的日内时间特征、长期趋势特征和空间关联特征建立净负荷子集群聚类模型;其次,以子集群为图节点构建考虑"负荷-光伏"双维相关性的图结构,使其能够同时反映负荷和光伏出力特性;最后,引入净负荷总节点和动态邻接矩阵,构建通过长短期记忆神经网络连接的双层动态图卷积模型,得到净负荷预测结果.基于悉尼 Ausgrid 实际净负荷数据设计的消融实验结果表明,所提时空特征聚类方法和双层动态图结构分别使净负荷预测结果的均方根误差降低了13.44 kW和7.55 kW.未来将进一步拓展预测尺度,为电网保供决策提供更多信息支撑.

    净负荷预测时空相关性时空特征聚类图卷积神经网络动态图结构双层

      原文链接:
    • 万方数据
    • 维普

    基于多视角特征提取与多任务学习的光伏功率多步预测

    陈殿昊臧海祥刘璟璇卫志农...
    3924-3933,中插9-中插12页
    查看更多>>摘要：准确的光伏功率多步预测结果对于电网的调度优化具有重要指导意义,针对现有光伏功率多步预测方法对历史数据特征提取不充分、忽略多步预测值之间的关联性而导致的预测精度不足等问题,提出了一种基于多视角特征提取与多任务学习的光伏功率多步预测方法.首先,为获得丰富且全面的特征信息,从时序、局部、全局3个不同的视角对输入数据进行特征提取;其次,将多步光伏功率预测任务转化为多个单步光伏功率预测子任务,使用基于注意力机制与专家网络的多任务学习模型进行多步预测,实现对多步预测值关联性的充分利用;最后,提出了一种改进的动态权重平均法对损失权重进行自适应优化调整,进一步提升模型性能.算例测试结果表明,该方法能够有效提高光伏功率多步预测的准确性.

    光伏功率多步预测多任务学习特征提取注意力机制损失权重优化深度学习

      原文链接:
    • 万方数据
    • 维普