Due to the intermittency and randomness of solar photovoltaic (PV) power, it is difficult for system operators to dispatch PV power stations. In order to find a precise expectation for day-ahead PV power generation, conventional models have taken into consideration the temperature, humidity, and wind speed data for forecasting, but these predictions were always not accurate enough under extreme weather conditions. Aerosol index (AI), which indicates the particulate matter in the atmosphere, has been found to have strong linear correlation with solar radiation attenuation, and might have potential influence on the power generated by PV panels. A novel PV power forecasting model is proposed in this paper, considering AI data as an additional input parameter. Based on seasonal weather classification, the back propagation (BP) artificial neural network (ANN) approach is utilized to forecast the next 24-h PV power outputs. The estimated results of the proposed PV power forecasting model coincide well with measurement data, and the proposed model has shown the ability of improving prediction accuracy, compared with conventional methods using ANN.

Chance constrained optimal power flow (OPF) has been recognized as a promising framework to manage the risk from variable renewable energy (VRE). In the presence of VRE uncertainties, this paper discusses a distributionally robust chance constrained approximate ac-OPF. The power flow model employed in the proposed OPF formulation combines an exact ac power flow model at the nominal operation point and an approximate linear power flow model to reflect the system response under uncertainties. The ambiguity set employed in the distributionally robust formulation is the Wasserstein ball centered at the empirical distribution. The proposed OPF model minimizes the expectation of the quadratic cost function w.r.t. the worst-case probability distribution and guarantees the chance constraints satisfied for any distribution in the ambiguity set. The whole method is data-driven in the sense that the ambiguity set is constructed from historical data without any presumption on the type of the probability distribution, and more data leads to smaller ambiguity set and less conservative strategy. Moreover, special problem structures of the proposed problem formulation are exploited to develop an efficient and scalable solution approach. Case studies are carried out on the IEEE 14 and 118 bus systems to show the accuracy and necessity of the approximate ac model and the attractive features of the distributionally robust optimization approach compared with other methods to deal with uncertainties.

Detecting faulty feeder for single-phase-to-ground (SPG) faults in distribution networks is challenging due to weak fault currents and complex fault transients. The existing detection methods either possess insufficient and incomplete feature extraction capabilities or lack comprehensive credibility evaluation, thus leading to low reliability of detection results. This paper introduces a highly reliable fault detection method based on image recognition using fully convolutional generative adversarial network (FCGAN), which enhances both feature extraction and credibility evaluation capabilities. Firstly, both sampled data of zero-sequence voltage (ZSV) and zero-sequence currents (ZSC) are utilized to generate the ZSV-ZSCs images. Secondly, a FCGAN with overall evaluation ability is established to recognize the ZSV-ZSCs images across the whole waveform scale and segment the entire faulty-feeder ZSC. Thirdly, the segmented faulty-feeder ZSC is evaluated for waveform similarity and continuity, and the comprehensive evaluation metrics are calculated. Finally, a faulty-feeder detection criterion with high reliability is constructed. The performance of the proposed method has been verified using extensive simulation data and recorded data collected from various distribution systems. Experimental results demonstrate excellent detection performance in PSCAD simulation, achieving over 99.9% detection accuracy even under strong noise with 1 dB, and 100% detection accuracy in recorded data tests.

The development of power systems puts forward higher requirements for transient stability evaluations of power systems. The accuracy and timeliness of transient stability assessment are of great significance to the safe and stable operation of power systems. Traditional mechanistic judgment methods and criteria have strong interpretability, but they also have great limitations. They are still difficult to apply to complex power systems and are in urgent need of improvement. Artificial intelligence methods have high accuracy in stability judgment, but they have problems such as poor interpretability, and their stability judgment results are often difficult to explain. Based on the transient stability judgment mechanism of the response-driven transient energy function, this paper proposes a transient energy function stability judgment method based on a two-machine equivalent model and enhanced by a convolutional neural network. Firstly, the ST-kmeans method is used to cluster the generator sets, and the S-transformation is performed on the power angle changes of the generator sets to extract features. Then, the principal component analysis method is used to reduce the dimension of the feature data. Based on the k-means clustering method, the IEEE-39 node system generator synchronization units are grouped according to the power angle change trend of each generator after the fault. On the basis of the above methods, a two-machine equivalent model of the IEEE-39 node system is established, and the transient energy function of the two-machine system is derived. Based on the convolutional neural network, the critical energy is enhanced, and the fixed critical energy threshold is replaced by the corrected critical energy. The example results show that the transient stability prediction framework proposed in this paper can improve the scope of the application of mechanism discrimination and enhance the interpretability of the results of the intelligent method.

Accurately quantifying gas production during internal faults in transformers is paramount for advancing the digitization and intelligence of electric power equipment. This paper introduces a model grounded in thermodynamics to calculate transformer oil pyrolysis gases, leveraging chemical equilibrium theory to explore temperature-dependent factors such as heat capacity, reaction enthalpy change, and equilibrium constants. By introducing a reaction factor to quantify gas molecule molar fractions, the model establishes a system of chemical equilibrium equations to track gas molecule evolution with temperature. Employing 1 mol of propane as a research subject, our study demonstrates that chain scission reactions predominantly govern thermal cracking reactions of alkanes, with their likelihood increasing with temperature, followed closely by dehydrogenation reactions. The observed evolution of molar fractions aligns well with actual gas generation in oil, offering a reliable method for accurately calculating dissolved gases. This advancement holds promise for enhancing fault diagnosis and maintenance strategies in transformer systems. Further research could explore practical implementations and expand the model's scope to diverse fault scenarios.