风电机组的大规模接入导致电力系统惯量明显下降,并对系统频率安全稳定造成威胁。针对风电高渗透电力系统区域惯量辨识中频率最优测点选择困难和惯量估计误差较大等问题,提出了一种基于组合模型的风电高渗透电力系统区域惯量辨识方法。...风电机组的大规模接入导致电力系统惯量明显下降,并对系统频率安全稳定造成威胁。针对风电高渗透电力系统区域惯量辨识中频率最优测点选择困难和惯量估计误差较大等问题,提出了一种基于组合模型的风电高渗透电力系统区域惯量辨识方法。首先,采用基于形状距离(shape-based distance,SBD)指标的K-shape聚类算法对频率响应曲线进行聚类,并确定各区域内频率动态响应曲线的最优测量路径。其次,结合最小二乘支持向量机(least squares support vector machine,LSSVM)和受控自回归滑动平均模型(autoregressive moving average with exogenous input,ARMAX)对不同风电渗透率下各区域惯量水平进行辨识,并与传统ARMAX模型的惯量辨识结果进行对比分析。最后,通过改进的IEEE10机39节点系统对所提方法的有效性进行仿真验证。结果表明,所提方法有效提高了区域和全系统惯量辨识精度。展开更多
为了实现“碳达峰、碳中和”目标,研究将电转气(Power to Gas,P2G)技术与含有奖励系数的阶梯型碳交易机制相结合,构建了一种新的区域综合能源系统优化调度模型。该模型通过P2G技术消纳多余的新能源,并通过含有奖励系数的阶梯型碳交易模...为了实现“碳达峰、碳中和”目标,研究将电转气(Power to Gas,P2G)技术与含有奖励系数的阶梯型碳交易机制相结合,构建了一种新的区域综合能源系统优化调度模型。该模型通过P2G技术消纳多余的新能源,并通过含有奖励系数的阶梯型碳交易模型提供差异化的经济激励。结果表明,引入P2G技术与含有奖励系数的阶梯型碳交易机制的场景3的系统日调度成本仅为5426.3元,而场景1的日调度成本高达8765.9元:同时,场景3的风电与光伏利用率接近100%。所提出的优化调度方案能够有效降低区域综合能源系统的运行成本,提高了可再生能源的消纳率,具有广泛的应用前景。展开更多
物联网(Internet of Things,IoT)技术在智能交通系统中的应用日益广泛,但传统聚类算法在处理大规模交通数据时面临效率和精度的挑战。为解决这一问题,本文基于云计算平台提出了一种优化的聚类算法框架。通过引入K-means初始化、增量式...物联网(Internet of Things,IoT)技术在智能交通系统中的应用日益广泛,但传统聚类算法在处理大规模交通数据时面临效率和精度的挑战。为解决这一问题,本文基于云计算平台提出了一种优化的聚类算法框架。通过引入K-means初始化、增量式聚类和并行计算等技术,显著提升了算法在智能交通系统中的计算效率与聚类精度。实验结果表明,优化后的系统在处理交通数据时具有更高的效率和准确性,为交通管理提供了更加可靠的数据支持。展开更多
文摘风电机组的大规模接入导致电力系统惯量明显下降,并对系统频率安全稳定造成威胁。针对风电高渗透电力系统区域惯量辨识中频率最优测点选择困难和惯量估计误差较大等问题,提出了一种基于组合模型的风电高渗透电力系统区域惯量辨识方法。首先,采用基于形状距离(shape-based distance,SBD)指标的K-shape聚类算法对频率响应曲线进行聚类,并确定各区域内频率动态响应曲线的最优测量路径。其次,结合最小二乘支持向量机(least squares support vector machine,LSSVM)和受控自回归滑动平均模型(autoregressive moving average with exogenous input,ARMAX)对不同风电渗透率下各区域惯量水平进行辨识,并与传统ARMAX模型的惯量辨识结果进行对比分析。最后,通过改进的IEEE10机39节点系统对所提方法的有效性进行仿真验证。结果表明,所提方法有效提高了区域和全系统惯量辨识精度。
文摘为了实现“碳达峰、碳中和”目标,研究将电转气(Power to Gas,P2G)技术与含有奖励系数的阶梯型碳交易机制相结合,构建了一种新的区域综合能源系统优化调度模型。该模型通过P2G技术消纳多余的新能源,并通过含有奖励系数的阶梯型碳交易模型提供差异化的经济激励。结果表明,引入P2G技术与含有奖励系数的阶梯型碳交易机制的场景3的系统日调度成本仅为5426.3元,而场景1的日调度成本高达8765.9元:同时,场景3的风电与光伏利用率接近100%。所提出的优化调度方案能够有效降低区域综合能源系统的运行成本,提高了可再生能源的消纳率,具有广泛的应用前景。
文摘物联网(Internet of Things,IoT)技术在智能交通系统中的应用日益广泛,但传统聚类算法在处理大规模交通数据时面临效率和精度的挑战。为解决这一问题,本文基于云计算平台提出了一种优化的聚类算法框架。通过引入K-means初始化、增量式聚类和并行计算等技术,显著提升了算法在智能交通系统中的计算效率与聚类精度。实验结果表明,优化后的系统在处理交通数据时具有更高的效率和准确性,为交通管理提供了更加可靠的数据支持。
