.png){kind=icon}
返回
Bayesian Active Learning-Based Soft Data Space Calibration for System-Wise Aggregate Flexibility Characterization
.png){kind=icon}
PRE
AI
DOI：10.1109/TSG.2025.3555951.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对表征系统级聚合灵活性以支持输电侧辅助服务和促进分布式能源（DERs）的大规模集成产生了日益增长的兴趣。然而，由于DER设备的异质性和满足网络约束的需求，在变电站接口处精确表征电力灵活性区域（PFR）在计算上具有挑战性，导致其几何形状非线性且不可预测。因此，本文提出了一种网络感知、近最优、样本高效的数据驱动方法。首先，提出了一种基于母线的PFR估计模型，将每个母线处的本地DER设备聚合为一个内盒近似区域。其次，提出了一种馈线级PFR估计模型，将所有母线级PFR聚合为一个外盒近似区域。提出了一种基于贝叶斯主动学习的软校准策略，以迭代和交互式地学习二分类器的决策边界，作为改进的馈线级PFR，同时为系统运营商提供可信的测量。在小型、说明性的IEEE系统和修改后的IEEE 123母线测试馈线上的案例研究验证了所提出方法的有效性。
Keyword:
Aggregate flexibility
Bayesian active learning
distributed energy resources
期刊
IF:
9.8
论文数:
5.7K
被引数:
4.3W
机构
引用论文
.png){kind=icon}
Improved Inner Approximation for Aggregating Power Flexibility in Active Distribution Networks and Its Applications主动配电网中聚合功率柔性的改进内逼近及其应用
OAAI
OAAI分享收藏
分享收藏分享收藏
查看更多内容