Photovoltaic (PV) electric power has been widely employed to satisfy rising energy demands because inexhaustible renewable energy is environmentally friendly. In order to mitigate the impact caused by the uncertainty of solar radiation in grid-connected PV systems, a hybrid method based on a deep convolutional neural network (CNN) is introduced for short-term PV power forecasting. In the proposed method, different frequency components are first decomposed from the historical time series of PV power through variational mode decomposition (VMD). Then, they are constructed into a two-dimensional data form with correlations in both daily and hourly timescales that can be extracted by convolution kernels. Moreover, the time series of residue from VMD is refined into advanced features by a CNN, which could reduce the data size and be easier for further model training along with meteorological elements. The hybrid model has been verified by forecasting the output power of PV arrays with diverse capacities in various hourly timescales, which demonstrates its superiority over commonly used methods.

To alleviate the communication, storage, and computation burden on the control center and make full use of edge computing resources, fully distributed state estimation has received increasing interest recently. This paper intends to improve the efficiency and robustness of the fully distributed state estimation by introducing a meter-level method based on the Gaussian belief propagation theory. Specifically, we propose a complex domain factor graph, which extends the state variable vector from voltage phasors to multiple electrical quantities, including voltage phasors, current phasors, voltage magnitudes, and active/reactive power, enabling the direct processing of nonlinear measurement models and significantly reducing the number of iterations. Furthermore, based on the M-estimation theory, we innovatively incorporate multiple robust functions to the Gaussian belief propagation method to enhance the robustness of the proposed fully distributed estimator. The effectiveness of the proposed method is demonstrated under various operation conditions.

This paper proposes a distributed robust optimal dispatch model to enhance information security and interaction among the operators in the regional integrated energy system (RIES). Our model regards the distribution network and each energy hub (EH) as independent operators and employs robust optimization to improve operational security caused by wind and photovoltaic (PV) power output uncertainties, with only deterministic information exchanged across boundaries. This paper also adopts the alternating direction method of multipliers (ADMM) algorithm to facilitate secure information interaction among multiple RIES operators, maximizing the benefit for each subject. Furthermore, the traditional ADMM algorithm with fixed step size is modified to be adaptive, addressing issues of redundant interactions caused by suboptimal initial step size settings. A case study validates the effectiveness of the proposed model, demonstrating the superiority of the ADMM algorithm with adaptive step size and the economic benefits of the distributed robust optimal dispatch model over the distributed stochastic optimal dispatch model.