The clean energy sources such as hydropower and wind power increase dramatically due to the non-renewable and environmental pollution of fossil energy, which also bring some new problems to the dispatching operation of the power system. To deal with the problem induced by the optimal operation of multi-source energy in a single period of day-ahead plan, we propose an optimal joint clearing model, which coupling the random variables of intermittent power sources and determinant variables of conventional power sources in a large multi-time scale including mid-long term, day-ahead, and real-time. Based on the joint clearing model, the example of multi-source power system from Fujian power grid is simulated, the outputs of multi-source units are well coordinated, where the complementary characteristics and benefits of multiple energy sources are achieved.

Centrifugal chillers have been widely used in medium- and large-scale air conditioning projects. However, equipment running with faults will result in additional energy consumption. Meanwhile, it is difficult to diagnose the minor faults of the equipment. Therefore, the Extreme Gradient Boost (XGBoost) algorithm was used to solve the above problem in this article. The ASHRAE RP-1043 dataset was employed for research, utilizing the feature splitting principle of XGBoost to reduce the data dimension to 23 dimensions. Subsequently, the five important parameters of the XGBoost algorithm were optimized using Multi-swarm Cooperative Particle Swarm Optimization (MSPSO). The minor fault diagnosis model, MSPSO-XGBoost, was established. The results show that the ability of the proposed MSPSO-XGBoost model to diagnose eight different states is uniform, and the diagnostic accuracy of the model reaches 99.67%. The accuracy rate is significantly improved compared to that of the support vector machine (SVM) and back propagation neural network (BPNN) diagnostic models.

The spot electricity market (SEM) faces the challenge of inefficiency problems from market power (MP) abuse. However, previous studies have not adequately addressed such issues as the feasibility of MP mitigation measurements and authenticity of MP detection indicators. In this study, mitigation methods are developed, and MP detection indicators are designed to detect and mitigate the exercise of MP in an SEM in which multiple generators compete unilaterally through a uniform marginal clearing price mechanism. First, the incentives and general rules for rational generators to exercise their MP are analysed, providing theoretical support for the developed approaches. Then, two mechanisms that can mitigate the exercise of MP are devised by limiting the bid increase rate and maximizing the consumer surplus. Furthermore, a behavioural detection indicator is designed to measure the MP of an individual generator, while an overall indicator is defined to assess the MP of an entire market. Finally, a joint clearing model is established to help implement the mechanism while promoting a high proportion of renewable energy consumption in the SEM. Case studies demonstrate the effectiveness and feasibility of the proposed approaches.

The inter-provincial electricity spot market(IPESM) tariff mechanism is different from the calculation of tariffs under the traditional spot market, which is mainly affected by the declared price and declared capacity of market players, transaction paths, transmission capacity of the channel as well as the ratio of supply and demand, and the research on the prediction of transacted tariffs in the IPESM is of great significance. In this paper, an method based on a graph convolutional network is proposed for predicting transaction fees. Firstly, the input matrix of the prediction model is established by considering the inter-provincial trading paths and the information of market players. Secondly, the GCN was combined with the IPESM trading model for the prediction of electricity turnover and turnover price. Finally, the model prediction results were evaluated using MAPE and MAE. The simulation results show that the graphical neural network can effectively identify the mapping relationship between the characteristics of trading channels and declaration volume and the transacted electricity price in IPESM, and the results have high accuracy.

The accurate quantification of risk caused by uncertainty forms a crucial foundation for formulating the generation maintenance scheduling (GMS) of power systems. However, the probability distribution functions (PDFs) of uncertain variables such as wind power and load are challenging to model accurately or are unknown, which makes it difficult to measure their economic risk and formulate appropriate GMS for power systems. To address this issue, we consider hybrid uncertainty from wind power and load, and propose a novel interval-probabilistic worst conditional value-at-risk (IP-WCVaR)-based generation maintenance scheduling method. Firstly, a novel IP-WCVaR method is proposed to measure the risk of the interval and probabilistic hybrid uncertainty, and the analytical mathematical model of the IP-WCVaR is derived through typical scenarios of probability correction. On this basis, the positive and negative spinning reserve models are established using the IP-WCVaR and then integrated into the GMS model, which enhances the resilience of the power system. Finally, the new risk-averse GMS model is formulated as the lower and upper boundary optimal models, which are transformed into tractable mixed integer linear programming problems based on the interval extreme value theory. The effectiveness and superiority of the proposed IP-WCVaR method are verified on the modified IEEE 24-bus and IEEE 118-bus power systems.

Ventilation fans are widely used in industry factories and commercial buildings. After experiencing a long-time operation, fans are prone to abnormalities resulting in system performance degradation, energy waste, and even safety issues. Recent works have shown that the machine learning-based techniques outperform most of the traditional vibration signal-based diagnostic method. However, the insufficient number of fault training samples has become the main obstacle for the supervised fault diagnosis. Therefore, in order to improve the fault diagnosis performance with imbalanced training dataset, this paper reports a multi-head self-attention enhanced semi-supervised generative adversarial network (MSA-SGAN) method for ventilation fans. The original unsupervised GAN was improved to a semi-supervised GAN (SGAN) and thus the ability of multi-classification could be achieved. In addition, the SGAN was enhanced by integrating multi-head self-attention (MSA), which allows for increased emphasis on relevant and significant features. An experimental system was established, and different types of fan fault were simulated. Using the experimental data, the fault diagnosis model based on the proposed MSA-SGAN was trained and validated. Results showed that the proposed fault diagnosis method exhibited an excellent performance including overall accuracy, recall, and precision as compared to the other traditional methods. In the case of the imbalanced dataset, the proposed method shows superior performance compared to other traditional supervised and semi-supervised methods.