中国科学院最新研究：基于深度学习的概率功率流相关分析，考虑可再生能源和储能
论论资讯 ｜ 2024-04-29 ｜
19热度
Frontiers in Energy Research
Explore content
About the journal
Publish with us
Deep learning-based correlation analysis for probabilistic power flow considering renewable energy and energy storage
Xia X.; Xiao L.; Ye H.
Published：2024-01-01
DOI：10.3389/fenrg.2024.1365885
研究背景
在如今注重环保的社会中，发展可再生能源已成为减少碳排放的有效途径之一。然而，如何有效整合光伏和风能资源，减少注入电力系统的总功率输出方差，是当前研究领域中的一个重要问题。
研究内容
这项研究旨在解决可再生能源资源的功率相关性问题，从而减少对传统燃煤发电厂进行深度调节和调度的需求，降低碳排放。论文提出了一种针对电网的相关系数分析方法，用于量化能量储存与电网的概率功率流之间的关系。通过开发一种新颖的深度神经网络（DNN），结合多任务学习和注意力机制（MA-DNN），来预测功率流波动，加速功率相关系数的映射效率。模拟结果显示，在IEEE 9-bus和IEEE14-bus系统中，功率相关系数和功率流波动之间的强相关性组合百分比分别达到92%和51%。弱相关性组合的百分比分别为4%和38%。在改进的IEEE 23-bus系统中，与基于拉丁超立方采样的概率功率流相比，MA-DNN的计算准确性提高了37.35%。此外，MA-DNN回归预测模型在评估电网功率流波动方面取得了显著进展，速度提升了758.85倍。
研究意义
这些发现为快速选择功率流波动最小的电网接入点提供了重要依据，有助于电力系统规划和运行。通过该研究，我们可以更好地理解可再生能源和能量储存之间的相关性，提高电网的效率和可靠性，为未来的清洁能源发展提供有益参考。
希望这篇简明易懂的文章能够帮助你更好地了解这篇论文的内容和重要性。如果有任何问题或者想了解更多信息，欢迎继续和我交流哦！
学术热榜
查看全部
相关资讯
换一批