CN104268802A - 采用神经网络模型确定城市居民小区用电需用系数的方法 - Google Patents
采用神经网络模型确定城市居民小区用电需用系数的方法 Download PDFInfo
- Publication number
- CN104268802A CN104268802A CN201410531688.6A CN201410531688A CN104268802A CN 104268802 A CN104268802 A CN 104268802A CN 201410531688 A CN201410531688 A CN 201410531688A CN 104268802 A CN104268802 A CN 104268802A
- Authority
- CN
- China
- Prior art keywords
- demand factor
- neural network
- electricity consumption
- area
- network model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 53
- 238000003062 neural network model Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 15
- 210000004027 cell Anatomy 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 5
- 230000001131 transforming effect Effects 0.000 description 4
- 241001269238 Data Species 0.000 description 1
- 241000176964 Mononeuron Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种采用神经网络模型确定城市居民小区用电需用系数的方法,属于电力***技术领域。技术方案包含如下步骤:①样本采集;②构造需用系数样本;③训练神经网络模型;④利用神经网络模型计算需用系数;假设某一用电群户户数规模为 Q 、平均户型面积为 A 、入住率为λ,将其作为BP神经网络模型的输入,模型的输出即为该用电群户的户数需用系数Z N 和面积需用系数Z A 。本发明的积极效果是:用于在用电负荷指标一定的情况下,精确计算小区类型、户数多少、户型面积、入住率等多个因素影响下的小区用电需用系数,克服已有指导原则给出的需用系数参考范围过宽、不够精确等缺点,从而有效的指导配电网规划并保证其经济、安全运行。
Description
技术领域
本发明涉及一种采用神经网络模型确定城市居民小区用电需用系数的方法,属于电力***技术领域。
背景技术
随着经济的发展和人民生活水平的不断提高,城市新住宅小区不断涌现,对配电网供电的可靠性也提出了越来越高的要求。小区配变装接容量对于配电网规划及其安全、经济运行有着重要的现实意义,它一般由用电负荷指标、需用系数以及功率因数和配变负载率等几项基础数据,通过规定的计算方法测算得到。其中,用电负荷指标与需用系数是其中的关键,一些地方出台的配电网规划技术导则中对此做出了相关说明:
北京地区规定,对于普通小区,用电负荷指标取6kW/户,需用系数取0.2;对于高档小区,用电负荷指标取10kW/户,200户以下需用系数取0.2,200户以上需用系数取0.15。
上海地区规定,对于用电负荷指标,建筑面积在80m2及以下的,取4kW/户;建筑面积在81m2 -120 m2的,取6kW/户;建筑面积在121m2—150m2的,取8kW/户;建筑面积在150m2以上的,按70W/ m2计算;需用系数取0.45。
河南省规定,对于用电负荷指标,建筑面积在80m2及以下的,取4—6 kW/户;建筑面积在80m2—120 m2的,取6—8 kW/户;建筑面积在120m2—160m2的,8—10 kW/户;建筑面积在200m2以上的,取12—20 kW/户;对于需用系数,户数在75—300之间的取0.40,户数在375—600之间的取0.33,户数在600以上的取0.26。
可以看出,这些指导原则中对用电负荷指标与需用系数的描述较为笼统,给出的参考范围很宽,不够精确。实际中,利用这些指导原则进行小区配变装接容量计算时,由于小区实际负荷受小区类型、户数多少、户型面积、入住率等多个因素影响,计算结果与小区实际负荷间往往有较大差距,从而容易造成两方面问题:一是配电网线路利用率低;表面上按照配变装接容量统计,部分线路已经不具备负荷开放能力,但实际中却是线路负荷较低,说明仍然有较大的负荷开放能力;二是线路重载,由于未考虑已接入负荷的发展,对于供电方案已经批复的用户实际接入时,电网实际上已经不具备负荷开放条件。
发明内容
本发明目的是提供一种采用神经网络模型确定城市居民小区用电需用系数的方法,用于在用电负荷指标一定的情况下,精确计算小区类型、户数多少、户型面积、入住率等多个因素影响下的小区用电需用系数,克服已有指导原则给出的需用系数参考范围过宽、不够精确等缺点,从而有效的指导配电网规划并保证其经济、安全运行,解决背景技术中存在的问题。
本发明的技术方案是:
一种采用神经网络模型确定城市居民小区用电需用系数的方法,包含如下步骤:
①样本采集
结合所在城市小区的具体情况,首先将小区分为K种不同类型;针对其中每一类型小区,选出典型小区作为样本,并借助于智能网络电表,收集历年来的单户负荷历史数据,并获取用户的户型面积;
②构造需用系数样本
针对第i种小区类型,将收集的所有用户按照户型面积由大到小进行排序,设最大户型面积为A imax ,最小户型面积为A imin ;按照面积间隔A id 将他们分为N i 个用户组;
针对第k个用户组(k=1,2,…N i ),按照户数间隔d构造出M个不同户数规模,且对每一户数规模Q j (j=1,2,…M),从用户组中随机抽取出T个用电群户,则可构造出C个用电群户,其中C= M×T;
针对每一用电群户p(p=1,2,…M×T),计算其平均户型面积A kpav ;累加其中所有用户的历史负荷数据,得出该用电群户的历年年负荷曲线,选取历年年负荷曲线的峰值L jmax ,计算出该用电群户的户均最大负荷L jmaxav =L jmax /Q j ;
依据预先规定的单户用电指标P N 与负荷密度指标P A ,分别得出该用电群户的户数需用系数Z N 和面积需用系数Z A ,其中
Z N =L jmaxav / P N ;
ZA=L jmaxav /A kpav / P A ;
同时计算需用系数所对应的入住率λ j :记户均最大负荷发生时该用电群户中电表负荷数据不为零的户数为L j ,则λ j =L j /Q j ;
由此,得出该用电群户户数规模为Q j 、户型面积为A kav 、入住率为λ j 时的户数需用系数Z N 和面积需用系数Z A ,从而构成一个需用系数样本{[Q j , A kav ,λ j ] ,[ Z N ,Z A ]};
重复上述过程,针对每一种类型小区,均获得需用系数样本;
③训练神经网络模型
针对每一种类型小区,建立相应的BP神经网络模型,最终获得共K个神经网络模型,分别适用于一种类型小区的需用系数计算;
随机抽取步骤2中所获取样本的80%用于训练模型,余下的20%作为检验样本,用于模型测试;采用变学***方和误差E k 小于期望误差E o ;满足终止条件后,利用检验样本测试模型精度,若精度满足要求,则训练结束;否则,对模型重新训练,直至满足精度要求为止;
这样,针对每一种类型小区,训练好相应的BP神经网络模型;
④利用神经网络模型计算需用系数
假设某一用电群户户数规模为Q、平均户型面积为A、入住率为λ,将其作为BP神经网络模型的输入,模型的输出即为该用电群户的户数需用系数Z N 和面积需用系数Z A 。
神经网络模型采用3-6-2结构,即包含一个输入层、一个隐含层、一个输出层,并且输入层包括3个神经元,分别对应户数规模、户型面积和入住率;隐含层包括6个神经元,使用s型转移函数;输出层包括2个神经元,其中一个神经元的输出为户数需用系数,另一个神经元的输出为面积需用系数,均使用purelin转移函数。
本发明有益效果:用于在用电负荷指标一定的情况下,精确计算小区类型、户数多少、户型面积、入住率等多个因素影响下的小区用电需用系数,克服已有指导原则给出的需用系数参考范围过宽、不够精确等缺点,从而有效的指导配电网规划并保证其经济、安全运行。
附图说明
图1 为本发明实施例普通小区类型用户分组;
图2 为本发明实施例高档小区类型用户分组;
图3 为本发明实施例配套商业小区类型用户分组;
图4为本发明实施例BP网络结构图;
图5为本发明实施例单神经元结构图。
具体实施方式
以下结合附图,通过实例对本发明作进一步说明。
本实施例为在河北省唐山市中心城区应用本发明。
一种采用神经网络模型确定城市居民小区用电需用系数的方法,具体步骤如下:
步骤1:样本采集
结合唐山市中心城区实际情况,将小区分为3种不同类型:普通小区、高档小区、配套商业小区;选取惠民园等小区共6297户作为普通小区样本,选择天元骏景、天元花园、容和景苑、德誉馨苑等小区共8380户作为高档小区样本,选择鹭港小区等共5966户作为商业配套小区样本;借助于网络电表,收集2011-2013年的上述用户负荷历史数据(365*24点数据),并获取用户的户型面积。
步骤2:构造需用系数样本
针对普通小区类型,将收集的所有用户按照户型面积由大到小进行排序,最大户型面积为135m2,最小户型面积为42 m2;按照面积间隔为20 m2将他们分为6个用户组,如图1所示;
针对高档小区类型,将收集的所有用户按照户型面积由大到小进行排序,最大户型面积为440m2,最小户型面积为90 m2;按照面积间隔为60m2将他们分为7个用户组,如图2所示;
针对配套商业小区类型,将收集的所有用户按照户型面积由大到小进行排序,最大户型面积为205m2,最小户型面积为42 m2;按照面积间隔为30 m2将他们分为7个用户组,如图3所示;
针对某一小区类型的第k个用户组(k=1,2,…N i ),按照户数间隔d构造出M个不同户数规模,且对每一户数规模Q j (j=1,2,…M),从用户组中随机抽取出相应户数构成用电群户,共抽取T次,可构造出C个用电群户,其中C= M×T;
例如,针对普通小区类型用户组1,以30户为间隔构造出42个户数规模(30户,60户,… ,1260户),针对每一户数规模,从用户组中随机抽取出相应的用电群户,共抽取10次,可构造出420个用电群户;
对于其中每一用电群户,计算其平均户型面积A kpav ;累加其中所有用户的历史负荷数据,即可得出该用电群户的历年年负荷曲线,选取历年年负荷曲线的峰值L jmax ,计算出该用电群户的户均最大负荷L jmaxav =L jmax /Q j ;
例如,针对普通小区类型用户组1中的户数规模为600户的某一用电群户,计算其平均户型面积为 40.5m2,累加其中所有600户的历史负荷数据,即可得出该用电群户的历年年负荷曲线,选取历年年负荷曲线的峰值为624kW,计算出该用电群户的户均最大负荷1.04kW;
依据规定的单户用电指标P N 与负荷密度指标P A ,即可分别得出该用电群户的户数需用系数Z N 和面积需用系数Z A ,其中
Z N =L jmaxav / P N ;
ZA=L jmaxav /A kpav / P A ;
例如,取单户用电指标P N = 6kW/户与负荷密度指标P A =50W/m2,即可分别得出该用电群户的户数需用系数Z N 和面积需用系数Z A ,其中
Z N =L jmaxav / P N =0.173;
ZA=L jmaxav /A kpav / P A =0.514;
同时计算需用系数所对应的入住率λ j :记户均最大负荷发生时该用电群户中电表负荷数据不为零的户数为L j ,则λ j =L j /Q j ;
例如,最大负荷发生时该用电群户中电表负荷数据不为零的户数为540户,则该用电群户的入住率λ=540/600=0.9;
由此,就得出了该用电群户户数规模为600、户型面积为40.5m2、入住率为0.9时的户数需用系数Z N =0.173,面积需用系数Z A =0.514,从而构成一个需用系数样本{[600,40.5,0.9] ,[ 0.173, 0.514]}。
按照上述过程,对于普通类型小区,共可获得2070个样本;针对高档类型小区,共可获得2770个样本;针对配套商业类型小区,共可获得1960个样本。
步骤3:训练神经网络模型
针对每一种类型小区,建立相应的BP神经网络模型,最终可以获得共K=3个BP神经网络模型,分别适用于一种类型小区的需用系数计算;
图4为本发明选用的BP网络结构图。可知,网络结构为3-6-2,即包含一个输入层、一个隐含层、一个输出层,并且输入层包括3个神经元,分别对应户数规模、户型面积和入住率;隐含层包括6个神经元,使用S型转移函数;输出层包括2个神经元,其中一个神经元的输出为户数需用系数,另一个神经元的输出为面积需用系数,均使用purelin转移函数;
图5为单个神经元的结构示意图, 为神经元的输入信号,则神经元的输出为:
(1)
其中:
为神经元的输出;
为神经元的连接权值;
为神经元的输入信号;
求足指令,以尽可能多的汲取电能;处于孤岛运行方式时,它通过判为神经元的阀值;
隐含层神经元的转移函数选用S型函数,即:
(2)
其中:
为转移函数输入;
为转移函数输出。
输出层神经元的转移函数选用purelin函数,即
(3)
其中:
为转移函数输入;
为转移函数输出。
利用训练样本的平方和误差来评价网络的训练结果。设总共有个样本,对第个学习样本,第次训练后网络实际输出与期望输出的偏差为 :
(4)
个样本的平方和误差为:
(5)
学***均相对误差E r ,若有E r <阈值E T ,则精度满足要求;否则重新开始训练模型,直至精度满足要求为止;
例如,对于普通小区类型,随机抽取出2070个样本中的1656个作为训练样本,其余414个样本作为检验样本。按照上述过程进行训练,设置期望误差=0.2,经过1437次迭代训练后,=0.194,训练结束;设置平均相对误差阈值E T =0.01,采用检验样本测试模型精度,得出E r =0.0087,有E r <E T ,说明模型精度满足要求;
同理,针对高档小区类型和配套商业小区类型,可分别训练获得相应的BP神经网络模型。
步骤4:利用神经网络模型计算需用系数
假设某一用电群户户数规模为Q、平均户型面积为A、入住率为λ,将其作为BP神经网络模型的输入,模型的输出即为该用电群户的户数需用系数Z N 和面积需用系数Z A 。例如对于普通小区类型,给定户数规模为400、户型面积为96m2、入住率为0.75时,输入对应训练好的BP神经网络模型进行正向计算,可得出户数需用系数Z N =0.190,面积需用系数Z A =0.238。
Claims (2)
1.一种采用神经网络模型确定城市居民小区用电需用系数的方法,其特征在于包含如下步骤:
①样本采集
首先将小区分为K种不同类型;针对其中每一类型小区,选出典型小区作为样本,并借助于智能网络电表,收集历年来的单户负荷历史数据,并获取用户的户型面积;
②构造需用系数样本
针对第i种小区类型,将收集的所有用户按照户型面积由大到小进行排序,设最大户型面积为A imax ,最小户型面积为A imin ;按照面积间隔A id 将他们分为N i 个用户组;
针对第k个用户组(k=1,2,…N i ),按照户数间隔d构造出M个不同户数规模,且对每一户数规模Q j (j=1,2,…M),从用户组中随机抽取出T个用电群户,则可构造出C个用电群户,其中C= M×T;
针对每一用电群户p(p=1,2,…M×T),计算其平均户型面积A kpav ;累加其中所有用户的历史负荷数据,得出该用电群户的历年年负荷曲线,选取历年年负荷曲线的峰值L jmax ,计算出该用电群户的户均最大负荷L jmaxav =L jmax /Q j ;
依据预先规定的单户用电指标P N 与负荷密度指标P A ,分别得出该用电群户的户数需用系数Z N 和面积需用系数Z A ,其中
Z N =L jmaxav / P N ;
ZA=L jmaxav /A kpav / P A ;
同时计算需用系数所对应的入住率λ j :记户均最大负荷发生时该用电群户中电表负荷数据不为零的户数为L j ,则λ j =L j /Q j ;
由此,得出该用电群户户数规模为Q j 、户型面积为A kav 、入住率为λ j 时的户数需用系数Z N 和面积需用系数Z A ,从而构成一个需用系数样本{[Q j , A kav ,λ j ] ,[ Z N ,Z A ]};
重复上述过程,针对每一种类型小区,均获得需用系数样本;
③训练神经网络模型
针对每一种类型小区,建立相应的BP神经网络模型,最终获得共K个神经网络模型,分别适用于一种类型小区的需用系数计算;
随机抽取步骤2中所获取样本的80%用于训练模型,余下的20%作为检验样本,用于模型测试;采用变学***方和误差E k 小于期望误差E o ;满足终止条件后,利用检验样本测试模型精度,若精度满足要求,则训练结束;否则,对模型重新训练,直至满足精度要求为止;
针对每一种类型小区,训练好相应的BP神经网络模型;
④利用神经网络模型计算需用系数
假设某一用电群户户数规模为Q、平均户型面积为A、入住率为λ,将其作为BP神经网络模型的输入,模型的输出即为该用电群户的户数需用系数Z N 和面积需用系数Z A 。
2.根据权利要求1所述的采用神经网络模型确定城市居民小区用电需用系数的方法,其特征在于:神经网络模型采用3-6-2结构,即包含一个输入层、一个隐含层、一个输出层,并且输入层包括3个神经元,分别对应户数规模、户型面积和入住率;隐含层包括6个神经元,使用s型转移函数;输出层包括2个神经元,其中一个神经元的输出为户数需用系数,另一个神经元的输出为面积需用系数,均使用purelin转移函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410531688.6A CN104268802B (zh) | 2014-10-11 | 2014-10-11 | 采用神经网络模型确定城市居民小区用电需用系数的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410531688.6A CN104268802B (zh) | 2014-10-11 | 2014-10-11 | 采用神经网络模型确定城市居民小区用电需用系数的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268802A true CN104268802A (zh) | 2015-01-07 |
CN104268802B CN104268802B (zh) | 2017-03-29 |
Family
ID=52160322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410531688.6A Active CN104268802B (zh) | 2014-10-11 | 2014-10-11 | 采用神经网络模型确定城市居民小区用电需用系数的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268802B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544006A (zh) * | 2019-07-22 | 2019-12-06 | 国网冀北电力有限公司电力科学研究院 | 污染物排放清单时间分布确定方法及装置 |
CN110569981A (zh) * | 2019-07-22 | 2019-12-13 | 国网冀北电力有限公司电力科学研究院 | 散煤燃用量确定方法及装置 |
CN112289063A (zh) * | 2020-11-20 | 2021-01-29 | 烟台职业学院 | 基于物联网的智慧城市数据迁移存储管理*** |
CN114511179A (zh) * | 2021-12-28 | 2022-05-17 | 江苏东晔电气设备有限公司 | 一种处理配电柜异常的智能规划方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615266A (zh) * | 2009-08-12 | 2009-12-30 | 上海市电力公司市东供电公司 | 用于电力***中行业需用系数的分析***及分析方法 |
CN102682198A (zh) * | 2012-04-26 | 2012-09-19 | 上海市电力公司 | 一种年最大用电负荷预测方法 |
KR20130044765A (ko) * | 2011-10-24 | 2013-05-03 | 한국전력공사 | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 |
-
2014
- 2014-10-11 CN CN201410531688.6A patent/CN104268802B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615266A (zh) * | 2009-08-12 | 2009-12-30 | 上海市电力公司市东供电公司 | 用于电力***中行业需用系数的分析***及分析方法 |
KR20130044765A (ko) * | 2011-10-24 | 2013-05-03 | 한국전력공사 | 예측 속도 향상을 위한 신경망과 보정계수를 이용한 주간 부하 예측 장치 및 방법 |
CN102682198A (zh) * | 2012-04-26 | 2012-09-19 | 上海市电力公司 | 一种年最大用电负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
林承就,关光福,林承华: "住宅负荷计算中需要系数的数值分析", 《电气应用》 * |
高亚静 等: "考虑多重影响因素的负荷同时系数预测方法", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544006A (zh) * | 2019-07-22 | 2019-12-06 | 国网冀北电力有限公司电力科学研究院 | 污染物排放清单时间分布确定方法及装置 |
CN110569981A (zh) * | 2019-07-22 | 2019-12-13 | 国网冀北电力有限公司电力科学研究院 | 散煤燃用量确定方法及装置 |
CN112289063A (zh) * | 2020-11-20 | 2021-01-29 | 烟台职业学院 | 基于物联网的智慧城市数据迁移存储管理*** |
CN114511179A (zh) * | 2021-12-28 | 2022-05-17 | 江苏东晔电气设备有限公司 | 一种处理配电柜异常的智能规划方法及*** |
CN114511179B (zh) * | 2021-12-28 | 2023-09-12 | 江苏东晔电气设备有限公司 | 一种处理配电柜异常的智能规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN104268802B (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN108197744B (zh) | 一种光伏发电功率的确定方法及*** | |
CN109657881A (zh) | 一种适用于小样本的神经网络光伏发电预测方法及*** | |
CN102570449B (zh) | 一种基于时空分布特性的区域风电功率预测方法 | |
CN107104454A (zh) | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN105389621A (zh) | 电动汽车充电负荷对配网***电压影响的充电桩最优分布方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN106295857A (zh) | 一种风电功率超短期预测方法 | |
CN104268802A (zh) | 采用神经网络模型确定城市居民小区用电需用系数的方法 | |
CN113437756B (zh) | 考虑配电网静态电压稳定性的微电网优化配置方法 | |
CN112994017A (zh) | 基于配电网概率潮流计算的分布式光伏电源选址优化方法 | |
CN110224395A (zh) | 计及dg相关性和ev需求响应的配电网协同规划方法 | |
CN103440535A (zh) | 基于免疫优化和模糊决策的多目标厂级负荷优化方法 | |
CN106600055A (zh) | 一种基于自激励门限自回归模型的风速预测方法 | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估*** | |
CN102708519B (zh) | 一种基于自由搜索算法的变电站优化选址方法 | |
CN108898322A (zh) | 一种基于fcm算法的电网投资策略效益综合评价方法 | |
CN113285440B (zh) | 一种低压台区降损优化方法 | |
Zhang et al. | Day-ahead electricity price forecasting using artificial intelligence | |
CN104008305B (zh) | 用于千万千瓦风电基地的可发电风资源分布估计方法 | |
Jianghong et al. | A method of evaluating 10kV distribution network line losses based on intelligent algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |