基于差分学习与NWP处理的智能负载调度中电能质量24小时验证研究

这篇综述创新性地提出了一种基于差分学习(DfL)和数值天气预报(NWP)的两阶段电能质量(PQ)优化方法，通过融合深度学习(LSTM)和概率统计学习(SMLT)，实现了可再生能源(RE)微电网中24小时负载调度的PQ动态预测。研究突破了传统短期PQ监测局限，开发了可处理未知负载组合的模块化PDE模型，为智能电网的稳定性优化提供了新思路。

　　

电能质量24小时验证的创新方法

Abstract

离网智能系统依赖不稳定的可再生能源(RE)，需要每日对电力需求和存储进行及时规划控制。电能质量(PQ)表征电网在各种家用模式下的无故障运行能力。分离系统状态的巨大可变性和不确定环境下组合负载的指数增长使得优化变得困难。统计人工智能(AI)有助于在局部大气和地形不确定性中建模未定义系统的特征。代数方程无法完全定义观测数据PQ参数间的精确关系。

1. PQ优化技术现状

   PQ优化在考虑RE供应和用户需求的智能运行计划中相对新颖。大多数已发表的AI解决方案集中在极短时间间隔内的PQ异常监测或检测。许多研究整合了聚合建模和转换数据分区，合并了处理和建模算法。只有少数近期策略旨在优化全天时间范围内的PQ。预处理通常包括：

   • 分割、再分析、聚类中心化、数据去噪、滤波分析

   • 数据分段和不稳定事件识别（傅里叶或希尔伯特变换、频谱分析）

   • 数据特征的定位和AI检测

2. PQ标准化范围

   PQ标准包括参数维护中的可接受变化。系统被监测以保持PQ值在特定范围内，通过避免故障或掉电状态确保安全运行。PQ变化通常分为3类：

   • 幅度变化（负载启动和改变）

   • 瞬态事件——系统状态的快速变化（如短时振荡、开关尖峰、暂降和暂升中断）

   • 谐波振荡（功率和负载扰动、转换器脉冲等）

3. 实验性智能离网中的PQ和环境数据测量

   PQ数据通过SMC测量组件在微尺度采样获得。四种家用电器的不同组合以各种PQ监测序列开关。四种设备组合的负载与PQ是充电状态(SoC)的结果，直接与操作和环境框架相关。电池单元在不同时期和时间充电，以优化计划的和预测的电力生产在不稳定天气中的SoC。

4. 每日PQ估计的方法学

   差分模块化、基于统计回归的LSTM深度和随机学习用于建模真实天气和PQ测量输入-输出数据关系。模型输入和目标PQ输出之间的时间延迟设为零；在最终预测阶段，NWP数据替换标准气象观测。基于最后数据模型验证的补充测试程序允许避免过拟合。

5. 差分模块化、长期深度回归树学习统计

   6.1 差分二项式网络

   差分二项式树网络(DBN)是一种非常规的混合神经计算回归技术，由作者设计，结合了基于AI的机器学习和数值数学程序。DBN将一般线性类型的k阶偏微分方程(PDE)解析为简化的2变量PDE转换节点。

6.2 长期深度学习MATLAB

MATLAB中的深度学习工具箱(DLT)支持基于默认LSTM架构的序列到序列回归。DLT网络层包括：

• 序列输入层

• LSTM层

• 全连接层

• 丢弃层

• 全连接层（回归输出）

• 输出回归层

6.3 MATLAB的概率和集成机器学习

MATLAB回归统计机器学习工具箱(SMLT)评估其统计模型在预测/估计目标输出参数方面的性能。SMLT包含各种常规、混合、集成和随机技术。

1. PQ日预测处理NWP数据

   AI模型使用提出的建模程序预测参数U、THDU、P、PF和THDI的PQ每日，在分离的电网微测试设施中，VSB-TU奥斯特拉瓦，捷克共和国，奥斯特拉瓦-波鲁巴，在10天实验期间2019年6月29日至7月8日。

2. PQ日验证处理NWP

   U、PF和P的每日平均预测RMSE在实验期间总结。所有应用技术在U中建模不准确性的明显增加在前几天，可能是由于不确定环境中的变异性或U数据特性。

3. 讨论

   NWP系列在最后处理阶段补偿了训练和预测模式之间在偶尔过度变化中的差异。基于物理考虑的NWP实用程序大多克服了建模统计在中期范围内的独立性能。

4. 结论

   作为关键发现，提出的基于NWP的混合方法在小月份数据集上检验，允许早期PQ验证长达48小时每日，在意外环境和充电状态中保证。最优的用户适应性需求调度决定操作网格稳定性。