优化了CNN-BiLSTM框架,用于基于可再生能源的电网中的反应电源管理和电压配置改进

科学领域:

• 电气工程 电气工程
• 人工智能的人工智能
• 电力系统 电力系统

背景情况:

• 风能和太阳能等不可预测的可再生能源 (RES) 会导致智能电网的电压波动.
• 保持稳定的电压配置对于电网可靠性和高效的电力供应至关重要.

研究的目的:

• 通过有效调节反应功率来改善电网电压配置.
• 通过使用先进的人工智能技术,提高分布式静态同步补偿器 (DSTATCOM) 的性能.

主要方法:

• 混合可再生能源系统 (HRES) 与DSTATCOM集成,用于反应功率控制.
• 开发一种混合卷积神经网络 (CNN) 和双向长短期记忆 (BiLSTM) 模型,用于动态反应电源管理.
• 使用自适应优化器 (APO) 优化CNN-BiLSTM网络.

主要成果:

• 实现了高达33.4%的功耗损失降低.
• 改善了电压稳定性指数 (VSI) 到1.02 p.u.
• 将总波扭曲 (THD) 降至1.7%以下,并将沉降时间缩短到0.075秒.
• 实现了高的预测准确性 (R2=0.9672,RMSE=3.0094). 获得了高的预测准确性.

结论:

• 拟议的人工智能驱动方法有效调节反应功率,提高智能电网电压稳定性和性能.
• 将HRES与优化的DSTATCOM控制集成,显著提高了电网可靠性,减少了能源损失.
• CNN-BiLSTM-APO模型展示了智能电网中实时电压调节的强大功能.