为应对可再生能源利用和用户负荷的不确定性，提出一种多时间尺度预测方法。预测过程分日前、日内滚动和实时3个阶段进行，时间尺度分别为1 h、15 min和5 min。首先，采用基于差值统计的预测方法完成气象参数的3个阶段预测；其次，在负荷预测的日前和日内阶段，建立了信号分解与机器学习相结合的回归预测模型，实时阶段建立了机器学习时间序列预测模型；接着，以测试集的预测精度指标为依据确定了日前和日内滚动阶段对典型日负荷的最佳预测方法；最后，将预测方法应用于典型日的能量预测，验证了方法的可行性。研究结果显示：3个阶段典型日气象参数预测结果的决定系数R2都在0.8以上；在日前和日内滚动阶段，多元负荷的预测任务应采用不同的信号分解方法，实时阶段负荷预测结果的R2值均超过0.9，平均绝对误差百分比(mean absolute percentage error, MAPE)接近0。
Ⅰ型中性点钳位(neutral point clamped, NPC)三电平变流器作为中大容量新能源发电系统的核心设备，其调制策略直接影响变流器的能量转换效率、谐波特性和运行控制特性等。鉴于Ⅰ型三电平变流器的传统空间矢量脉宽调制(space vector pulse width modulation, SVPWM)策略在实施过程中包含大量三角函数运算，基于三相静止坐标系进行调制算法的大小扇区判断和矢量作用时间计算等，并通过归纳整理，按照单调制波双载波的载波化思路，获得了适用于全扇区的三相统一的占空比函数。借助该占空比函数，变流器的数字控制器仅需通过简单的关系运算和数值计算，便可获得变流器功率管的控制信号，省去了大量三角函数计算，节约了硬件资源。此外，将SVPWM与正弦波脉宽调制(sinusoidal pulse width modulation，SPWM)＋3次谐波注入调制算法进行对比，从调制波层面，揭示了这2种调制算法之间的内在差异。最后，通过仿真验证了该算法的有效性。
由于混合微电网中的交直流子网具有不同的动态特性，当系统发生负荷突变时，会在双向接口变换器(bidirectional interface converter, BIC)两侧子网间产生功率波动，使交流母线频率和直流母线电压动态响应变差，为此提出了基于分数阶滑模控制器(fractional order sliding mode controller, FOSMC)的双向下垂控制策略。将具有鲁棒性强、响应速度快和抗干扰能力强的滑模变结构控制引入到BIC的控制中，得到改进型的分数阶滑模控制器，以改善系统的暂态响应过程。通过Matlab/Simulink平台搭建了仿真模型，在多种工况下验证了该控制策略的有效性。与传统双向下垂控制相比，该控制算法可以在保证系统原有稳态特性的同时，加快整个系统的响应速度，抑制暂态过程中BIC传输功率的瞬间波动，减小功率波动对交直流子网母线的反作用，提高整个系统的动态性能和抗扰动性能。
太阳能-空气源热泵热水系统(solar-air source heat pump hot water system, SAHWS)常用于宿舍楼宇供暖，通过对系统参数的优化设计可显著提高系统能效性能与环境友好性。为得到一种综合考虑SAHWS经济、能源、环保与节能的优化方法，提出了一种新型组合优化设计策略，并利用TRNSYS软件搭建系统仿真模型，以西安、西宁、拉萨这3座不同太阳能资源等级城市为例，对SAHWS运行工况对比分析。结果表明：与常用生命周期成本设计相比，所提出的组合优化设计不仅降低了系统成本，还有着较低的系统能耗；组合优化设计的热泵能耗与工作小时数最短，且有最低的热损，在投资成本、系统季节性能因子、太阳能保证率以及碳粉尘、二氧化碳排放量均有较好表现。
受负荷随机变化、需求响应参与、分布式电源波动、量测装置种类多等因素的影响，容易出现配电网量测数据值异常，导致配电网动态状态估计精度下降。为了提高配电网状态估计的精度，提出了一种基于自适应H∞容积卡尔曼滤波的配电网动态状态估计方法。首先，在容积卡尔曼滤波基础上，将自适应因子和H∞滤波器相结合，对模型误差问题进行处理与限制。其次，结合噪声估值器，对过程噪声中的参数进行在线估计，减少噪声对预测误差的影响。最后，对典型配电网69节点系统进行仿真，仿真结果表明：该方法在系统正常运行、需求响应参与削峰填谷以及负荷发生突变这3种场景下，其估计精度均提高10%以上，保持了相对高的估计精度。
高效准确的短期电力负荷预测对提升新型电力系统经济运行十分重要。针对极端天气场景下负荷预测数据量较少、随机性较强的特点，提出一种基于张量低秩补全算法的短期负荷预测模型，并选取极端高温场景展开研究。首先，给出极端天气定义，并基于改进型炎热指数和气温两项指标进行数据筛选；其次，提出一种基于张量的负荷数据补全模型，补全缺失数据；然后，通过Pearson相关性分析筛选输入特征量，构建基于长短时记忆(long short term memory，LSTM)网络和粗糙集理论(rough set theory，RST)的LSTM-RST短期负荷预测模型；最后，以苏州某地实际负荷数据设置算例进行验证，仿真结果表明，所提短期负荷预测方法具有较高的准确性。
在“双碳”目标的背景下，电力行业已成为碳减排中的重要组成部分。虚拟电厂(virtual power plant，VPP)通过整合和聚集分布式资源等参与碳市场，可进一步提升整体效益；然而，分布式新能源出力的不确定性给其运营管理带来了许多挑战。为此，在利用基于拉丁超立方抽样的场景生成与场景削减法处理风电、光伏出力不确定性问题的基础上，将多单元聚合并考虑到用户侧需求响应的VPP作为一个整体去参与电能量市场以及碳市场，构建VPP总成本最小的优化调度模型，然后利用改进灰狼优化算法对其进行求解。通过对不同场景算例进行对比分析，可以得出：碳市场及需求响应的存在，加强了风光等清洁能源的消纳，减少了温室气体的排放，也减少了VPP的运行成本，经济性和环保性得到了兼顾。
大型新能源基地汇集工程配套建设的输变电容量，一般是按照新能源装机同等容量或略大于新能源装机容量进行配置。考虑到新能源出力具有间歇性、波动性和能量密度低的特点，传统的汇集工程容量配置方法可能造成电网投资的浪费。以新能源基地整体的度电成本最低为目标，根据新能源实际出力特性，考虑发电企业和电网企业整体效益最大化，对大型新能源基地汇集工程各电压等级的合理送出需求进行了研究。对西北地区两种新能源基地汇集场景的送出需求研究表明，所提方法可有效节省电网投资，降低大型新能源基地整体度电成本，且风光互补汇集站的最优送出容量显著小于纯风电/纯光伏汇集站。该研究结果可为后续大型新能源基地的汇集工程容量选取提供参考。
光伏组串运行状态分析是建模和故障诊断的基础，而故障诊断是保障光伏系统安全经济运行的重要手段。提出基于图神经网络的邻近光伏组串故障诊断模型，通过比较历史窗口期内光伏组串的电流和电压数据来监测光伏系统的运行状态。该方法无需新增传感器设备，电流和电压数据直接通过逆变器获得。选取某光伏电站6组典型光伏组串，仿真模拟了常见故障运行状态和正常运行状态，并结合仿真数据对图神经网络模型进行了训练和测试。测试结果显示，尽管6个典型组串在光伏组件数量、方向、位置等方面存在较大差异，训练好的图神经网络模型仍然可对5种常见故障进行实时监测和诊断。对比测试的结果显示：在没有天气数据的情况下，图神经网络模型的诊断准确率高于当前精度较高的两种常见诊断方法；此外，图神经网络模型可推广到未经训练的光伏组串，并且能在多个光伏组串同时发生故障时保持较高的诊断准确率。
针对目前广泛关注的环境污染问题，利用粒子群优化算法求解风电接入下计及碳交易的机组组合问题。在模型方面，对火电机组产生的CO2，引入碳交易机制，采用限量排放、差额交易的形式；对于其他污染物，如SO2、氮氧化合物(NOx)、总悬浮颗粒物(total suspended particulates，TSP)等，将排放成本与火电机组出力建立函数关系，作为惩罚成本进行计算。在算法方面，提出一种改进的二进制粒子群优化(binary particle swarm optimization，BPSO)算法，将计及污染成本的机组组合问题变成一个双层优化问题。外层采用改进BPSO算法确定机组启停状态，内层通过改进λ迭代算法计算机组组合及风电出力。在算例方面，通过与其他算法进行对比说明算法的有效性，分析变化的碳排放配额、碳交易成本对机组组合结果的影响，得到兼顾环保性和经济性的结果。
清华大学出版社期刊中心
