以上内容来自：Junjie Hu, Huayanran Zhou, Yihong Zhou, Haijing Zhang, Lars Nordströmd, Guangya Yang.Flexibility Prediction of Aggregated Electric Vehicles and Domestic Hot Water Systems in Smart Grids [J]. Engineering, 2021, 7(8): 1101-1114.
关键词：负荷灵活性；电动汽车；家庭热水系统；结合时间卷积神经网络的Transformer 模型；深度学习
引言
随着电网中间歇性可再生能源发电规模的增大，为了保证电能质量和频率的稳定性，电网对可控资源的需求也随之增加。需求响应（demand response, DR）资源的灵活性已成为解决这一问题的一个有价值的方法。然而，目前关于DR资源的灵活性预测问题尚未得到充分的研究。华北电力大学的胡俊杰等研究人员研究应用一种深度学习技术，即结合时间卷积神经网络的Transformer模型（temporal convolution network-combined transformer）来预测电动汽车与家庭热水系统两种DR资源的聚合灵活性。所提出的灵活性预测方法使用了基于DR资源的历史用电数据以及为了辅助预测所提出的DR信号数据。所提方法不仅可以预测聚合灵活性的大小，还可以预测其维持时间。最后，研究人员通过算例仿真验证了灵活性预测结果的准确性。仿真结果表明，在不同的灵活性维持时间下，DR资源灵活性的大小会发生变化。文中所提出的DR资源灵活性预测方法展现了其在释放需求侧资源的灵活性以向电网提供备用容量方面的应用。
近几十年来，对环境问题的关注在很大程度上促进了可再生能源的使用。由于可再生能源发电和分布式能源的内在不确定性，这种转变将会给电力系统的运行带来挑战。其中，主要的挑战是电力供需之间的不平衡日益加剧，这将导致系统中对可控资源的部署需求不断增加，而对传统辅助型服务资源的需求则不断减少。此外，中低压水平下连接的分布式能源数量的增加可能会导致拥塞问题。
随着智能电网和电力市场的发展，需求响应DR资源将成为系统运行不可或缺的一部分。因此，整合DR资源的灵活性成为了保留辅助型服务资源供应的一种有前景的解决方案。请注意，根据国际能源署（IEA）的定义，电力系统的灵活性是指在大干扰期间通过调整发电量或系统负荷来维持系统可靠性的能力。因此，本研究将灵活性定义为DR资源增加和减少电力需求的能力。聚合商可以通过价格补偿或者经济激励来发挥DR资源的灵活性，这将使得DR资源可以根据系统运行的需要调整自身的用电行为。然后，聚合商可以在辅助服务市场中交易 DR 资源的灵活性，为电力系统运行提供可控资源。
一个准确的聚合灵活性预测模型对于其处理参与电网运营时的不确定性至关重要。然而，关于灵活性预测问题的研究很少。许多研究主要集中在电力负荷的预测上，而非直接预测灵活性。因此，华北电力大学的胡俊杰等研究人员证明了所提出的基于结合时间卷积网络(TCN)的Transformer的方法在电动汽车（EV）和家用生活热水系统（DHWS）灵活性预测中的有效性；然后，进行了案例仿真研究，并介绍了研究的结果。他们使用了一台配置为Intel® CoreTM i7-7500U CPU @2.70-2.90 GHz、8 GB RAM、RTX2060的计算机，以及一台配置为6 × Intel® Xeon®CPUE5-2678 v3 @ 2.50 GHz、11 GB RAM、RTX2080 Ti 的云服务器，来运行所有的模拟。
在提前预测时，通过输入不同的DS信号，可以获得灵活性的数量和维持时间，用于掌握灵活性的整体分布，对资源灵活性进行总体评估。根据预测结果，聚合商可以在电能和辅助服务市场中交换 DR 资源的灵活性。对于DR用户而言，可以节约电力成本。对电力系统运营商而言，可提前保证 DR 资源的用电量和电力系统的备用容量，有利于减少DR资源的随机用电行为和可再生能源生产的不确定性对电力系统的影响，从而促进负荷平衡，确保部分应急储备。
TCN模型的核心结构。ReLU：整流线性单元。
结合TCN的Transformer模型。
华北电力大学的胡俊杰等研究人员根据研究结果可以推断，灵活性大小会随着维持时间的增加而减少。总的来说，所提出的基于结合TCN的Transformer模型的灵活性预测方法可以支持日常电网运行中的DR调度。但是，缺乏足够的数据是深度学习技术在电网领域应用面临的主要挑战。这种基于学习的方法在工程中通常没有足够的数据，所测数据大多质量较差。为了进一步应用本文所提出的灵活性方法，研究人员应该利用智能电表的快速发展，积极考虑并进行有益的尝试，以获取真实的数据。此外，进一步发展数据生成技术非常重要，可以在难以获得准确数据的情况下补充大量数据。由于实际数据在传输过程中可能会丢失，发展相应的数据修复技术也有助于提高数据质量。
最新评论