随着分布式能源的快速发展,准确预测分布式能源的出力成为了配电网可靠性评估的重要组成部分,为提高配电网可靠性评估准确性,本文提出了一种融合VMD-QRCNN-BiLSTM预测与DFT-MP-DBN建模的主动配电网可靠性评估方法。首先通过变分模态分...随着分布式能源的快速发展,准确预测分布式能源的出力成为了配电网可靠性评估的重要组成部分,为提高配电网可靠性评估准确性,本文提出了一种融合VMD-QRCNN-BiLSTM预测与DFT-MP-DBN建模的主动配电网可靠性评估方法。首先通过变分模态分解将原始风光荷时间序列分解为固有模态分量,并采用分位数回归卷积神经网络对风光出力以及负荷进行特征提取;而后使用双向长短期记忆相结合建模各变量的时间序列特征,并生成预测值;其次预测值作为动态故障树的输入,并采用连续时间马尔可夫链,并获取状态转移率矩阵;最后采用动态贝叶斯网络刻画状态的时序依赖,并加入观测或控制变量。以IEEE RBTS Bus 2系统为例,实验结果表明,所提方法的SAIFI、SAIDI、AENS和ASAI指标分别为0.231次/户/年、3.496小时/户/年、17.465 kWh/年和99.943%,显著优于传统方法,验证了其在提高配电网可靠性评估精度和效率方面的有效性。展开更多
文摘随着分布式能源的快速发展,准确预测分布式能源的出力成为了配电网可靠性评估的重要组成部分,为提高配电网可靠性评估准确性,本文提出了一种融合VMD-QRCNN-BiLSTM预测与DFT-MP-DBN建模的主动配电网可靠性评估方法。首先通过变分模态分解将原始风光荷时间序列分解为固有模态分量,并采用分位数回归卷积神经网络对风光出力以及负荷进行特征提取;而后使用双向长短期记忆相结合建模各变量的时间序列特征,并生成预测值;其次预测值作为动态故障树的输入,并采用连续时间马尔可夫链,并获取状态转移率矩阵;最后采用动态贝叶斯网络刻画状态的时序依赖,并加入观测或控制变量。以IEEE RBTS Bus 2系统为例,实验结果表明,所提方法的SAIFI、SAIDI、AENS和ASAI指标分别为0.231次/户/年、3.496小时/户/年、17.465 kWh/年和99.943%,显著优于传统方法,验证了其在提高配电网可靠性评估精度和效率方面的有效性。
