
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于LSTM与哈里斯鹰优化混合框架的集成可再生能源电力系统无功功率优化与潮流控制
《Scientific Reports》:Integration of renewable energy sources based on LSTM with Harris Hawks Optimization for power system reactive power and power flow
【字体: 大 中 小 】 时间:2026年10月01日 来源:Scientific Reports 4.9
编辑推荐:
摘要本文提出了一种融合长短期记忆网络(LSTM)与哈里斯鹰优化算法(HHO)的混合框架(LSTM + HHO),用于促进集成可再生能源(RE)的电力系统中的无功功率优化(RPO)和潮流控制(PFC)。在学术研究中,两阶段方法通常将预测阶段和优化阶段独立且顺序地进行处理。所提出
本文提出了一种融合长短期记忆网络(LSTM)与哈里斯鹰优化算法(HHO)的混合框架(LSTM + HHO),用于促进集成可再生能源(RE)的电力系统中的无功功率优化(RPO)和潮流控制(PFC)。在学术研究中,两阶段方法通常将预测阶段和优化阶段独立且顺序地进行处理。所提出的模型通过在这两个阶段之间运行闭环反馈回路,与这些技术区别开来。LSTM时间预测会根据预期的运行状况,在每个优化周期修改HHO的搜索域。系统负荷(SL)、可再生能源渗透率(RP)和电压稳定裕度(VSM)通过一种新型自适应权重耦合方法进行优化,该方法利用应用于LSTM的蒙特卡洛 dropout技术得出的预测不确定性度量来建立HHO的目标权重。因此,预测可靠性会在每个区间修改元启发式搜索的优先级,当预测置信度降低时,优先考虑电压调节和无功功率辅助。该模型在IEEE 30节点系统上进行测试,该系统经过修改,包含了90兆瓦的风能和太阳能发电。该系统的装机容量渗透率为31.8%。研究采用了三种运行场景:基准场景、高可再生能源渗透率(HRP)和极端天气条件(EWC)。每种技术通过30次独立试验测试其统计稳健性。结果表明,在三种场景中,LSTM + HHO将总有功功率损耗降低了6.92%至12.46%。电压剖面改善了39.7%至52.7%。无功功率储备裕度比牛顿-拉夫森内点优化基准提高了38.7%至67.3%。相对于同一基准,负荷平衡改善幅度为9.7%至12.8%。单次循环执行时间在3.25至4.12秒之间。这与监控与数据采集系统(SCADA)的实时响应相一致(在模拟环境中为4至10秒),但尚未在实际部署中进行验证。