CN106897942B - 一种配电网分布式并行状态估计方法及装置 - Google Patents
一种配电网分布式并行状态估计方法及装置 Download PDFInfo
- Publication number
- CN106897942B CN106897942B CN201710059560.8A CN201710059560A CN106897942B CN 106897942 B CN106897942 B CN 106897942B CN 201710059560 A CN201710059560 A CN 201710059560A CN 106897942 B CN106897942 B CN 106897942B
- Authority
- CN
- China
- Prior art keywords
- sub
- partition
- distribution network
- area
- power distribution
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000000638 solvent extraction Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000005192 partition Methods 0.000 claims description 276
- 230000006870 function Effects 0.000 claims description 195
- 238000005259 measurement Methods 0.000 claims description 23
- 238000007726 management method Methods 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013316 zoning Methods 0.000 claims description 6
- 230000004888 barrier function Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 5
- 239000000243 solution Substances 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Images
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种配电网分布式并行状态估计方法及装置,所述方法包括:利用拉格朗日松弛技术对配电网进行网络分区;对各子区域进行网络解耦,确定各子区域的边界条件;对各子区域并行进行状态估计,更新所述各子区域的边界条件;本发明提供的技术方案,通过拉格朗日松弛技术实现网络自动分区,并通过区域间解耦方法实现分区并行计算,从而开发出一套适合配电网特点的、具有较强并行性而任务之间的数据相关性较小的配电网状态估计并行求解算法。
Description
技术领域
本发明涉及配电网状态估计领域,具体涉及一种配电网分布式并行状态估计方法及装置。
背景技术
配电网状态估计是能量管理***和配电管理***的重要组成部分,可为配电网态势感知、风险分析和运行控制等环节提供基础数据源。作为配电网实时调度和控制的基础,配电网状态估计算法对计算速度有较高的要求。
一方面,随着能源危机的加重和环境问题的日益严峻,分布式发电(DistributedGeneration,DG)因其清洁、低碳和成本低廉等优点得到了越来越多的关注。大量DG接入和配电网规模的不断扩大使传统的配电网逐步发展成为复杂有源配电网,状态估计网络规模与量测量数目也随之增大,在现有的计算水平下,传统状态估计算法容易陷入“维数灾难”的困境,难以满足实时性的要求。另一方面,随着并行机与并行计算技术不断发展和成熟,使得并行计算成为解决复杂有源配电网状态估计的有效途径。并行计算是将多任务映射到多处理机中执行或将现实的多维问题映射到具有特定拓扑结构的多处理机上求解的方法。并行算法可以充分发挥机群的优势,以较低的成本和较快的速度完成以往需要超大型计算机来完成的工作,在保证计算精度的前提下显著改善计算速度,满足分析和控制的实时性要求。随着高性能价格比的可扩展集群式计算机及分布式并行程序库的逐步成熟及应用,可通过计算机集群实现配电网状态估计的分布式并行求解。
发明内容
本发明提供一种配电网分布式并行状态估计方法及装置,其目的是针对配电网***规模的不断扩大和对在线分析与控制要求的不断提高,采用集中式算法分析计算复杂有源配电网状态估计问题往往存在计算速度慢,计算机内存不足,收敛速度慢等维数灾难问题,通过拉格朗日松弛技术实现网络自动分区,并通过区域间解耦方法实现分区并行计算,从而开发出一套适合配电网特点的、具有较强并行性而任务之间的数据相关性较小的配电网状态估计并行求解算法。
本发明的目的是采用下述技术方案实现的:
一种配电网分布式并行状态估计方法,其改进之处在于,包括:
利用拉格朗日松弛技术对配电网进行网络分区;
对各子区域进行网络解耦,确定各子区域的边界条件;
对各子区域并行进行状态估计,更新所述各子区域的边界条件。
优选的,所述利用拉格朗日松弛技术对配电网进行网络分区,包括:
a.构建配电网分区的目标函数及其约束条件;
b.将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数;
c.初始化配电网分区数目N=Nmin,其中,Nmin为配电网最小分区数目;
d.求解所述拉格朗日函数,获取并存储当前分区数目N对应的分区位置结果及拉格朗日函数值;
e.判断当前分区数目N是否等于Nmax,其中,Nmax为配电网最大分区数目,若是,则选择分区数目Nmin至Nmax中对应的拉格朗日函数值最小的分区数目所对应的分区位置结果对配电网进行网络分区,若否,则令N=N+1并返回所述步骤d。
进一步的,所述构建配电网分区的目标函数及其约束条件,包括:
按下式建立配电网分区的第一目标函数:
上式中,N为配电网分区数目,ni为第i个子区域的节点数,i∈[1,n],F1为配电网分区的第一目标函数值;
按下式建立配电网分区的第二目标函数:
上式中,F2为配电网分区的第二目标函数值,ξi为第i个子区域的量测冗余度,其中,ξi=mi/si,mi为第i个子区域的量测量个数,si为第i个子区域的状态量个数;
按下式确定配电网分区的目标函数的可观测性约束:
按下式确定配电网分区的目标函数的分区数目约束:
max(Nmin,NF-2)≤N≤min(Nmax,NF)
进一步的,所述将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数,包括:
按下式将所述配电网分区的目标函数进行标准化处理:
上式中,y=1,2,Fy'为配电网分区的第y目标函数标准化值,Fymin为配电网分区的第y目标函数标准化值最小值,Fymax配电网分区的第y目标函数标准化值最大值,Fy为配电网分区的第y目标函数值;
按下式将标准化处理后的配电网分区的目标函数融合为单目标函数:
minF=ω1·F1'+ω2·F2'
上式中,F为单目标函数值,ω1为配电网分区的第一目标函数标准化函数的权重,ω2为配电网分区的第二目标函数标准化函数的权重,其中,ω1和ω2均大于0且ω1+ω2=1;
按下式将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数F(x,y,l,u,z,w):
上式中,x,l和u均为拉格朗日函数原始变量向量;y,z和w均为拉格朗日函数对偶变量向量,g(x)=N,g=min(Nmin,NF-2),其中,ηi为第i个子区域的可观测性,NF为配电网理论最大分区数目。
优选的,所述对各子区域进行网络解耦,确定各子区域的边界条件,包括:
在第i个子区域的末端分区位置添加虚拟发电机节点ai,2,其中,节点ai,2等效与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的注入功率;
在与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置添加虚拟发电机节点ai+1,1,其中,节点ai+1,1等效第i+1个子区域的平衡节点;
在节点ai+1,1与第i+1个子区域中与第i+1个子区域的首端分区位置相连的节点之间添加一条零阻抗虚拟支路;
对各子区域的虚拟发电机节点赋值,令第i个子区域的末端分区位置的边界条件Zonei,2=[PGi,2,QGi,2,VGi,2,θGi,2],与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的边界条件Zonei+1,1=[PGi+1,1,QGi+1,1,-VGi+1,1,-θGi+1,1];
若第i个子区域的末端分区位置处配置量测装置,则PGi,2、QGi,2、VGi,2和θGi,2分别为第i个子区域的末端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角,PGi+1,1、QGi+1,1、VGi+1,1和θGi+1,1分别为第i+1个子区域的首端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角;若第i个子区域的末端分区位置处未配置量测装置,则PGi,2=0,QGi,2、VGi,2、θGi,2、PGi+1,1和QGi+1,1分别取随机数,VGi+1,1和θGi+1,1分别为电力***平衡节点的电压幅值和电压相角。
优选的,通过能量管理***或配电管理***对各子区域并行进行状态估计,更新所述各子区域的边界条件。
优选的,在所述对各子区域并行进行状态估计,更新所述各子区域的边界条件之后,包括:
判断所述各子区域的边界条件是否满足收敛条件,若满足,则结束操作,若不满足,则调整所述各子区域的边界条件后,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
进一步的,判断第i个子区域的末端分区位置的边界条件Zonei,2和第i+1个子区域的首端分区位置的边界条件Zonei+1,1是否满足|Zonei,2+Zonei+1,1|<ε,其中,ε为收敛精度;
若满足,则结束操作,若不满足,则分别将第i个子区域和第i+1个子区域的首端分区位置的边界条件与其末端分区位置的边界条件互换,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
一种配电网分布式并行状态估计装置,其改进之处在于,所述装置包括:
分区模块,用于利用拉格朗日松弛技术对配电网进行网络分区;
解耦模块,用于对各子区域进行网络解耦,确定各子区域的边界条件;
状态估计模块,用于对各子区域并行进行状态估计,更新所述各子区域的边界条件。
优选的,所述分区模块,包括:
构建单元,用于构建配电网分区的目标函数及其约束条件;
转换单元,将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数;
初始化单元,用于初始化配电网分区数目N=Nmin,其中,Nmin为配电网最小分区数目;
求解单元,用于求解所述拉格朗日函数,获取并存储当前分区数目N对应的分区位置结果及拉格朗日函数值;
判断单元,用于判断当前分区数目N是否等于Nmax,其中,Nmax为配电网最大分区数目,若是,则选择分区数目Nmin至Nmax中对应的拉格朗日函数值最小的分区数目所对应的分区位置结果对配电网进行网络分区,若否,则令N=N+1并返回所述求解单元。
进一步的,所述构建单元,包括:
按下式建立配电网分区的第一目标函数:
上式中,N为配电网分区数目,ni为第i个子区域的节点数,i∈[1,n],F1为配电网分区的第一目标函数值;
按下式建立配电网分区的第二目标函数:
上式中,F2为配电网分区的第二目标函数值,ξi为第i个子区域的量测冗余度,其中,ξi=mi/si,mi为第i个子区域的量测量个数,si为第i个子区域的状态量个数;
按下式确定配电网分区的目标函数的可观测性约束:
按下式确定配电网分区的目标函数的分区数目约束:
max(Nmin,NF-2)≤N≤min(Nmax,NF)
进一步的,所述转换单元,包括:
按下式将所述配电网分区的目标函数进行标准化处理:
上式中,y=1,2,Fy'为配电网分区的第y目标函数标准化值,Fymin为配电网分区的第y目标函数标准化值最小值,Fymax配电网分区的第y目标函数标准化值最大值,Fy为配电网分区的第y目标函数值;
按下式将标准化处理后的配电网分区的目标函数融合为单目标函数:
minF=ω1·F1'+ω2·F2'
上式中,F为单目标函数值,ω1为配电网分区的第一目标函数标准化函数的权重,ω2为配电网分区的第二目标函数标准化函数的权重,其中,ω1和ω2均大于0且ω1+ω2=1;
按下式将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数F(x,y,l,u,z,w):
上式中,x,l和u均为拉格朗日函数原始变量向量;y,z和w均为拉格朗日函数对偶变量向量,g(x)=N,g=min(Nmin,NF-2),其中,ηi为第i个子区域的可观测性,NF为配电网理论最大分区数目。
优选的,所述解耦模块,包括:
在第i个子区域的末端分区位置添加虚拟发电机节点ai,2,其中,节点ai,2等效与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的注入功率;
在与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置添加虚拟发电机节点ai+1,1,其中,节点ai+1,1等效第i+1个子区域的平衡节点;
在节点ai+1,1与第i+1个子区域中与第i+1个子区域的首端分区位置相连的节点之间添加一条零阻抗虚拟支路;
对各子区域的虚拟发电机节点赋值,令第i个子区域的末端分区位置的边界条件Zonei,2=[PGi,2,QGi,2,VGi,2,θGi,2],与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的边界条件Zonei+1,1=[PGi+1,1,QGi+1,1,-VGi+1,1,-θGi+1,1];
若第i个子区域的末端分区位置处配置量测装置,则PGi,2、QGi,2、VGi,2和θGi,2分别为第i个子区域的末端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角,PGi+1,1、QGi+1,1、VGi+1,1和θGi+1,1分别为第i+1个子区域的首端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角;若第i个子区域的末端分区位置处未配置量测装置,则PGi,2=0,QGi,2、VGi,2、θGi,2、PGi+1,1和QGi+1,1分别取随机数,VGi+1,1和θGi+1,1分别为电力***平衡节点的电压幅值和电压相角。
优选的,通过能量管理***或配电管理***对各子区域并行进行状态估计,更新所述各子区域的边界条件。
优选的,所述装置还包括:
判断模块,用于判断所述各子区域的边界条件是否满足收敛条件,若满足,则结束操作,若不满足,则调整所述各子区域的边界条件后,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
进一步的,判断第i个子区域的末端分区位置的边界条件Zonei,2和第i+1个子区域的首端分区位置的边界条件Zonei+1,1是否满足|Zonei,2+Zonei+1,1|<ε,其中,ε为收敛精度;
若满足,则结束操作,若不满足,则分别将第i个子区域和第i+1个子区域的首端分区位置的边界条件与其末端分区位置的边界条件互换,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
本发明的有益效果:
本发明提供的技术方案,基于拉格朗日松弛技术的网络自动分区,以子区域规模不平衡度最小、子区域量测冗余度不平衡度最小为目标函数建立了的多目标网络分区模型,考虑了电力***的可观测性等式约束条件及网络总分区数不等式约束条件,提出了基于拉格朗日松弛技术的模型求解方法,将不等式约束和等式约束结合到分区的目标函数中,从而可以使用无约束优化求解方法进行求解,大大简化了该优化问题的求解难度;同时,本发明提供的技术方案还提出了分布式并行状态估计架构,通过添加虚拟发电机节点及虚拟支路,实现网络解耦,解耦后的网络可在分布式并环境下进行状态估计,通过所提出的架构方案,各子区域上传至信息协调交互中心的数据量较少,减少了信息交互过程的时间,进一步降低了计算机内存占用率,提高了整个***的计算效率。
附图说明
图1是本发明一种配电网分布式并行状态估计方法的流程图;
图2是本发明实施例中5节点***结构示意图;
图3是本发明一种配电网分布式并行状态估计装置的结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供的一种配电网分布式并行状态估计方法,先通过拉格朗日松弛技术实现网络自动分区,其次通过区域间解耦方法实现分区并行计算,最后通过迭代收敛条件实现全局收敛,从而开发出一套适合配电网特点的、具有较强并行性而任务之间的数据相关性较小的配电网状态估计并行求解算法,如图1所示,包括:
101.利用拉格朗日松弛技术对配电网进行网络分区;
102.对各子区域进行网络解耦,确定各子区域的边界条件;
103.对各子区域并行进行状态估计,更新所述各子区域的边界条件。
具体的,所述步骤101,包括:
a.构建配电网分区的目标函数及其约束条件;
b.将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数;
c.初始化配电网分区数目N=Nmin,其中,Nmin为配电网最小分区数目;
d.求解所述拉格朗日函数,获取并存储当前分区数目N对应的分区位置结果及拉格朗日函数值;
e.判断当前分区数目N是否等于Nmax,其中,Nmax为配电网最大分区数目,若是,则选择分区数目Nmin至Nmax中对应的拉格朗日函数值最小的分区数目所对应的分区位置结果对配电网进行网络分区,若否,则令N=N+1并返回所述步骤d。
进一步的,所述构建配电网分区的目标函数及其约束条件,包括:
在分布式并行状态估计算法中,各子区域计算时间取决于子区域规模大小,整体计算时间为最大规模子区域计算所用时间,各子区域规模越相近,整体计算效率越高,因此,按下式建立配电网分区的第一目标函数,即子区域规模不平衡度指标:
上式中,N为配电网分区数目,ni为第i个子区域的节点数,i∈[1,n],F1为配电网分区的第一目标函数值;
目标函数值越小表示各子区域规模不平衡度越低,分区之后的整体计算效率越高。
冗余测量的存在是状态估计可以提高数据精度的基础。有源配电网中,部分DG在并网点装有实时量测设备,提高了***冗余度,对状态估计结果精度的提高有显著影响。为使分区后的子区域有大致相同的数据估计精度,各子区域量测冗余度应大致相同,因此,按下式建立配电网分区的第二目标函数,即子区域量测冗余度不平衡度指标:
上式中,F2为配电网分区的第二目标函数值,ξi为第i个子区域的量测冗余度,其中,ξi=mi/si,mi为第i个子区域的量测量个数,si为第i个子区域的状态量个数;
目标函数值越小表示子区域量测冗余度不平衡度越低,各子区域估计精度越相近。
电力***的可观测性是可以进行状态估计计算的前提条件,因此,在满足目标函数最优的同时,需满足配电网分区的目标函数的可观测性约束:
在满足各子区域可观等式约束的同时,还应满足网络总分区数不等式约束。分区数目过少,则各子区域仍会存在计算量过大问题,分区优势难以体现。分区数目过多,则会影响各子区域的可观性以及***收敛性。综合两者考虑,按下式确定配电网分区的目标函数的分区数目约束:
max(Nmin,NF-2)≤N≤min(Nmax,NF)
其中,因为配电网为辐射型网络,所以当网络只有一个分区点时,网络总分区数取得最小值2。
将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数,包括:
为使各目标函数值数量级相同,按下式将所述配电网分区的目标函数进行标准化处理:
上式中,y=1,2,Fy'为配电网分区的第y目标函数标准化值,Fymin为配电网分区的第y目标函数标准化值最小值,Fymax配电网分区的第y目标函数标准化值最大值,Fy为配电网分区的第y目标函数值;
按下式将标准化处理后的配电网分区的目标函数融合为单目标函数:
minF=ω1·F1'+ω2·F2'
上式中,F为单目标函数值,ω1为配电网分区的第一目标函数标准化函数的权重,ω2为配电网分区的第二目标函数标准化函数的权重,其中,ω1和ω2均大于0且ω1+ω2=1,本实施例中,ω1=0.6,ω2=0.4;
所述配电网分区的目标函数及其约束条件转换为拉格朗日函数的过程包括:
设上述网络分区优化问题可以简写为如下约束最优化问题模型:
min f(x)
s.t.h(x)=0
式中:f(x)为目标函数;x为n维优化变量;h(x)=0为可观测性等式约束,假设本模型中有m个等式约束;g(x)为网络总分区数不等式约束,假设本模型中有r个不等式约束。
首先,引入非负的松弛变量l和u将数学模型中的不等式约束条件转化为等式约束条件及变量不等式约束,其结果如下:
然后,引入障碍常数μ>0,使原目标函数变为障碍函数,结果如下:
式中:当li或ui(i=1,...,r)靠近边界(接近于0)时,由对数函数的性质可知,上述障碍目标函数趋于无穷大,使其极小解不可能在边界上找到。
最后,引入拉格朗日乘子向量y、z及w(y∈Rm,z∈Rr,w∈Rr),将等式约束条件引入到目标函数中,可得出由以上各式定义的拉格朗日函数如下:
经过拉格朗日松弛技术处理,将不等式约束和等式约束结合到分区的目标函数中,从而可以使用无约束优化求解方法进行求解,大大简化了该优化问题的求解难度,将拉格朗日函数进一步优化,获取最终函数形式如下:
上式中,x,l和u均为拉格朗日函数原始变量向量;y,z和w均为拉格朗日函数对偶变量向量,g(x)=N,g=min(Nmin,NF-2),其中,ηi为第i个子区域的可观测性,NF为配电网理论最大分区数目。
其中,对于经过拉格朗日松弛技术处理后的目标函数,采用遗传算法(GA)进行求解。
在所述步骤101之后,可通过GA求解多准则网络分区优化模型实现网络分解,利用网络解耦技术使各子区域相对独立,各子区域只需要交换少量边界信息,可在分布式并行环境下对网络进行状态估计,因此,所述步骤102,包括:
在第i个子区域的末端分区位置添加虚拟发电机节点ai,2,其中,节点ai,2等效与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的注入功率;
在与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置添加虚拟发电机节点ai+1,1,其中,节点ai+1,1等效第i+1个子区域的平衡节点;
在节点ai+1,1与第i+1个子区域中与第i+1个子区域的首端分区位置相连的节点之间添加一条零阻抗虚拟支路;
对各子区域的虚拟发电机节点赋值,令第i个子区域的末端分区位置的边界条件Zonei,2=[PGi,2,QGi,2,VGi,2,θGi,2],与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的边界条件Zonei+1,1=[PGi+1,1,QGi+1,1,-VGi+1,1,-θGi+1,1];
若第i个子区域的末端分区位置处配置量测装置,则PGi,2、QGi,2、VGi,2和θGi,2分别为第i个子区域的末端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角,PGi+1,1、QGi+1,1、VGi+1,1和θGi+1,1分别为第i+1个子区域的首端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角;若第i个子区域的末端分区位置处未配置量测装置,则PGi,2=0,QGi,2、VGi,2、θGi,2、PGi+1,1和QGi+1,1分别取随机数,VGi+1,1和θGi+1,1分别为电力***平衡节点的电压幅值和电压相角。
例如,如图2所示的5节点***,假设节点3处为选中的分区点,网络分割后分区点上接支路划入子区域1,并添加虚拟发电机节点3(a)以等效子区域2在该虚拟节点处的注入功率,虚拟发电机G1的电压为节点3(a)处节点电压。在子区域2中,添加虚拟发电机节点3(b)以等效子区域2的平衡节点,同时添加一条零阻抗虚拟支路3(b)-3,使平衡节点处节点度为1,增加分区点的可选位置,虚拟发电机G2注入功率为支路3(b)-3首端功率。选取两台虚拟发电机的注入功率和电压作为边界条件,并上传信息协调交互中心进行处理。
所述步骤103中,可以通过能量管理***或配电管理***对各子区域并行进行状态估计,更新所述各子区域的边界条件,其中,现有技术中能量管理***中的电力***状态估计(State Estimator)可用于对各子区域并行进行状态估计,配电管理***中的配网分析***DAS(Deep Analysis System)可用于对各子区域并行进行状态估计。
获取各子区域内状态变量估计值后,在信息协调交互中心中,对不满足边界收敛条件的子区域进行边界条件协调交互,所述步骤103,包括:
判断所述各子区域的边界条件是否满足收敛条件,若满足,则结束操作,若不满足,则调整所述各子区域的边界条件后,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
具体的,判断第i个子区域的末端分区位置的边界条件Zonei,2和第i+1个子区域的首端分区位置的边界条件Zonei+1,1是否满足|Zonei,2+Zonei+1,1|<ε,其中,ε为收敛精度;
若满足,则结束操作,若不满足,则分别将第i个子区域和第i+1个子区域的首端分区位置的边界条件与其末端分区位置的边界条件互换,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
本发明还提供了一种配电网分布式并行状态估计装置,如图3所示,所述装置包括:
分区模块,用于利用拉格朗日松弛技术对配电网进行网络分区;
解耦模块,用于对各子区域进行网络解耦,确定各子区域的边界条件;
状态估计模块,用于对各子区域并行进行状态估计,更新所述各子区域的边界条件。
所述分区模块,包括:
构建单元,用于构建配电网分区的目标函数及其约束条件;
转换单元,将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数;
初始化单元,用于初始化配电网分区数目N=Nmin,其中,Nmin为配电网最小分区数目;
求解单元,用于求解所述拉格朗日函数,获取并存储当前分区数目N对应的分区位置结果及拉格朗日函数值;
判断单元,用于判断当前分区数目N是否等于Nmax,其中,Nmax为配电网最大分区数目,若是,则选择分区数目Nmin至Nmax中对应的拉格朗日函数值最小的分区数目所对应的分区位置结果对配电网进行网络分区,若否,则令N=N+1并返回所述求解单元。
所述构建单元,包括:
按下式建立配电网分区的第一目标函数:
上式中,N为配电网分区数目,ni为第i个子区域的节点数,i∈[1,n],F1为配电网分区的第一目标函数值;
按下式建立配电网分区的第二目标函数:
上式中,F2为配电网分区的第二目标函数值,ξi为第i个子区域的量测冗余度,其中,ξi=mi/si,mi为第i个子区域的量测量个数,si为第i个子区域的状态量个数;
按下式确定配电网分区的目标函数的可观测性约束:
按下式确定配电网分区的目标函数的分区数目约束:
max(Nmin,NF-2)≤N≤min(Nmax,NF)
所述转换单元,包括:
按下式将所述配电网分区的目标函数进行标准化处理:
上式中,y=1,2,Fy'为配电网分区的第y目标函数标准化值,Fymin为配电网分区的第y目标函数标准化值最小值,Fymax配电网分区的第y目标函数标准化值最大值,Fy为配电网分区的第y目标函数值;
按下式将标准化处理后的配电网分区的目标函数融合为单目标函数:
minF=ω1·F1'+ω2·F2'
上式中,F为单目标函数值,ω1为配电网分区的第一目标函数标准化函数的权重,ω2为配电网分区的第二目标函数标准化函数的权重,其中,ω1和ω2均大于0且ω1+ω2=1;
按下式将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数F(x,y,l,u,z,w):
上式中,x,l和u均为拉格朗日函数原始变量向量;y,z和w均为拉格朗日函数对偶变量向量,g(x)=N,g=min(Nmin,NF-2),其中,ηi为第i个子区域的可观测性,NF为配电网理论最大分区数目。
所述解耦模块,包括:
在第i个子区域的末端分区位置添加虚拟发电机节点ai,2,其中,节点ai,2等效与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的注入功率;
在与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置添加虚拟发电机节点ai+1,1,其中,节点ai+1,1等效第i+1个子区域的平衡节点;
在节点ai+1,1与第i+1个子区域中与第i+1个子区域的首端分区位置相连的节点之间添加一条零阻抗虚拟支路;
对各子区域的虚拟发电机节点赋值,令第i个子区域的末端分区位置的边界条件Zonei,2=[PGi,2,QGi,2,VGi,2,θGi,2],与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的边界条件Zonei+1,1=[PGi+1,1,QGi+1,1,-VGi+1,1,-θGi+1,1];
若第i个子区域的末端分区位置处配置量测装置,则PGi,2、QGi,2、VGi,2和θGi,2分别为第i个子区域的末端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角,PGi+1,1、QGi+1,1、VGi+1,1和θGi+1,1分别为第i+1个子区域的首端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角;若第i个子区域的末端分区位置处未配置量测装置,则PGi,2=0,QGi,2、VGi,2、θGi,2、PGi+1,1和QGi+1,1分别取随机数,VGi+1,1和θGi+1,1分别为电力***平衡节点的电压幅值和电压相角。
通过能量管理***或配电管理***对各子区域并行进行状态估计,更新所述各子区域的边界条件。
所述装置还包括:
判断模块,用于判断所述各子区域的边界条件是否满足收敛条件,若满足,则结束操作,若不满足,则调整所述各子区域的边界条件后,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
判断第i个子区域的末端分区位置的边界条件Zonei,2和第i+1个子区域的首端分区位置的边界条件Zonei+1,1是否满足|Zonei,2+Zonei+1,1|<ε,其中,ε为收敛精度;
若满足,则结束操作,若不满足,则分别将第i个子区域和第i+1个子区域的首端分区位置的边界条件与其末端分区位置的边界条件互换,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种配电网分布式并行状态估计方法,其特征在于,所述方法包括:
利用拉格朗日松弛技术对配电网进行网络分区;
对各子区域进行网络解耦,确定各子区域的边界条件;
对各子区域并行进行状态估计,更新所述各子区域的边界条件;
所述对各子区域进行网络解耦,确定各子区域的边界条件,包括:
在第i个子区域的末端分区位置添加虚拟发电机节点ai,2,其中,节点ai,2等效与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的注入功率;
在与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置添加虚拟发电机节点ai+1,1,其中,节点ai+1,1等效第i+1个子区域的平衡节点;
在节点ai+1,1与第i+1个子区域中与第i+1个子区域的首端分区位置相连的节点之间添加一条零阻抗虚拟支路;
对各子区域的虚拟发电机节点赋值,令第i个子区域的末端分区位置的边界条件Zonei,2=[PGi,2,QGi,2,VGi,2,θGi,2],与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的边界条件Zonei+1,1=[PGi+1,1,QGi+1,1,-VGi+1,1,-θGi+1,1];
若第i个子区域的末端分区位置处配置量测装置,则PGi,2、QGi,2、VGi,2和θGi,2分别为第i个子区域的末端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角,PGi+1,1、QGi+1,1、VGi+1,1和θGi+1,1分别为第i+1个子区域的首端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角;若第i个子区域的末端分区位置处未配置量测装置,则PGi,2=0,QGi,2、VGi,2、θGi,2、PGi+1,1和QGi+1,1分别取随机数,VGi+1,1和θGi+1,1分别为电力***平衡节点的电压幅值和电压相角。
2.如权利要求1所述的方法,其特征在于,所述利用拉格朗日松弛技术对配电网进行网络分区,包括:
a.构建配电网分区的目标函数及其约束条件;
b.将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数;
c.初始化配电网分区数目N=Nmin,其中,Nmin为配电网最小分区数目;
d.求解所述拉格朗日函数,获取并存储当前分区数目N对应的分区位置结果及拉格朗日函数值;
e.判断当前分区数目N是否等于Nmax,其中,Nmax为配电网最大分区数目,若是,则选择分区数目Nmin至Nmax中对应的拉格朗日函数值最小的分区数目所对应的分区位置结果对配电网进行网络分区,若否,则令N=N+1并返回所述步骤d。
3.如权利要求2所述的方法,其特征在于,所述构建配电网分区的目标函数及其约束条件,包括:
按下式建立配电网分区的第一目标函数:
上式中,N为配电网分区数目,ni为第i个子区域的节点数,i∈[1,N],F1为配电网分区的第一目标函数值;
按下式建立配电网分区的第二目标函数:
上式中,F2为配电网分区的第二目标函数值,ξi为第i个子区域的量测冗余度,其中,ξi=mi/si,mi为第i个子区域的量测量个数,si为第i个子区域的状态量个数;
按下式确定配电网分区的目标函数的可观测性约束:
按下式确定配电网分区的目标函数的分区数目约束:
max(Nmin,NF-2)≤N≤min(Nmax,NF)
4.如权利要求2所述的方法,其特征在于,所述将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数,包括:
按下式将所述配电网分区的目标函数进行标准化处理:
上式中,y=1,2,Fy'为配电网分区的第y目标函数标准化值,Fymin为配电网分区的第y目标函数标准化值最小值,Fymax配电网分区的第y目标函数标准化值最大值,Fy为配电网分区的第y目标函数值;
按下式将标准化处理后的配电网分区的目标函数融合为单目标函数:
min F=ω1·F1'+ω2·F2'
上式中,F为单目标函数值,ω1为配电网分区的第一目标函数标准化函数的权重,ω2为配电网分区的第二目标函数标准化函数的权重,其中,ω1和ω2均大于0且ω1+ω2=1;
按下式将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数F(x,y,l,u,z,w):
5.如权利要求1所述的方法,其特征在于,通过能量管理***或配电管理***对各子区域并行进行状态估计,更新所述各子区域的边界条件。
6.如权利要求1所述的方法,其特征在于,在所述对各子区域并行进行状态估计,更新所述各子区域的边界条件之后,包括:
判断所述各子区域的边界条件是否满足收敛条件,若满足,则结束操作,若不满足,则调整所述各子区域的边界条件后,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
7.如权利要求6所述的方法,其特征在于,判断第i个子区域的末端分区位置的边界条件Zonei,2和第i+1个子区域的首端分区位置的边界条件Zonei+1,1是否满足|Zonei,2+Zonei+1,1|<ε,其中,ε为收敛精度;
若满足,则结束操作,若不满足,则分别将第i个子区域和第i+1个子区域的首端分区位置的边界条件与其末端分区位置的边界条件互换,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
8.一种配电网分布式并行状态估计装置,其特征在于,所述装置包括:
分区模块,用于利用拉格朗日松弛技术对配电网进行网络分区;
解耦模块,用于对各子区域进行网络解耦,确定各子区域的边界条件;
状态估计模块,用于对各子区域并行进行状态估计,更新所述各子区域的边界条件;
所述解耦模块,包括:
在第i个子区域的末端分区位置添加虚拟发电机节点ai,2,其中,节点ai,2等效与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的注入功率;
在与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置添加虚拟发电机节点ai+1,1,其中,节点ai+1,1等效第i+1个子区域的平衡节点;
在节点ai+1,1与第i+1个子区域中与第i+1个子区域的首端分区位置相连的节点之间添加一条零阻抗虚拟支路;
对各子区域的虚拟发电机节点赋值,令第i个子区域的末端分区位置的边界条件Zonei,2=[PGi,2,QGi,2,VGi,2,θGi,2],与第i个子区域的末端分区位置相邻的第i+1个子区域的首端分区位置的边界条件Zonei+1,1=[PGi+1,1,QGi+1,1,-VGi+1,1,-θGi+1,1];
若第i个子区域的末端分区位置处配置量测装置,则PGi,2、QGi,2、VGi,2和θGi,2分别为第i个子区域的末端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角,PGi+1,1、QGi+1,1、VGi+1,1和θGi+1,1分别为第i+1个子区域的首端分区位置处量测装置对应的注入有功功率、无功功率、电压幅值和电压相角;若第i个子区域的末端分区位置处未配置量测装置,则PGi,2=0,QGi,2、VGi,2、θGi,2、PGi+1,1和QGi+1,1分别取随机数,VGi+1,1和θGi+1,1分别为电力***平衡节点的电压幅值和电压相角。
9.如权利要求8所述的装置,其特征在于,所述分区模块,包括:
构建单元,用于构建配电网分区的目标函数及其约束条件;
转换单元,将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数;
初始化单元,用于初始化配电网分区数目N=Nmin,其中,Nmin为配电网最小分区数目;
求解单元,用于求解所述拉格朗日函数,获取并存储当前分区数目N对应的分区位置结果及拉格朗日函数值;
判断单元,用于判断当前分区数目N是否等于Nmax,其中,Nmax为配电网最大分区数目,若是,则选择分区数目Nmin至Nmax中对应的拉格朗日函数值最小的分区数目所对应的分区位置结果对配电网进行网络分区,若否,则令N=N+1并返回所述求解单元。
10.如权利要求9所述的装置,其特征在于,所述构建单元,包括:
按下式建立配电网分区的第一目标函数:
上式中,N为配电网分区数目,ni为第i个子区域的节点数,i∈[1,N],F1为配电网分区的第一目标函数值;
按下式建立配电网分区的第二目标函数:
上式中,F2为配电网分区的第二目标函数值,ξi为第i个子区域的量测冗余度,其中,ξi=mi/si,mi为第i个子区域的量测量个数,si为第i个子区域的状态量个数;
按下式确定配电网分区的目标函数的可观测性约束:
按下式确定配电网分区的目标函数的分区数目约束:
max(Nmin,NF-2)≤N≤min(Nmax,NF)
11.如权利要求9所述的装置,其特征在于,所述转换单元,包括:
按下式将所述配电网分区的目标函数进行标准化处理:
上式中,y=1,2,Fy'为配电网分区的第y目标函数标准化值,Fymin为配电网分区的第y目标函数标准化值最小值,Fymax配电网分区的第y目标函数标准化值最大值,Fy为配电网分区的第y目标函数值;
按下式将标准化处理后的配电网分区的目标函数融合为单目标函数:
min F=ω1·F1'+ω2·F2'
上式中,F为单目标函数值,ω1为配电网分区的第一目标函数标准化函数的权重,ω2为配电网分区的第二目标函数标准化函数的权重,其中,ω1和ω2均大于0且ω1+ω2=1;
按下式将所述配电网分区的目标函数及其约束条件转换为拉格朗日函数F(x,y,l,u,z,w):
12.如权利要求8所述的装置,其特征在于,通过能量管理***或配电管理***对各子区域并行进行状态估计,更新所述各子区域的边界条件。
13.如权利要求8所述的装置,其特征在于,所述装置还包括:
判断模块,用于判断所述各子区域的边界条件是否满足收敛条件,若满足,则结束操作,若不满足,则调整所述各子区域的边界条件后,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
14.如权利要求13所述的装置,其特征在于,判断第i个子区域的末端分区位置的边界条件Zonei,2和第i+1个子区域的首端分区位置的边界条件Zonei+1,1是否满足|Zonei,2+Zonei+1,1|<ε,其中,ε为收敛精度;
若满足,则结束操作,若不满足,则分别将第i个子区域和第i+1个子区域的首端分区位置的边界条件与其末端分区位置的边界条件互换,重新对各子区域并行进行状态估计,直至所述各子区域的边界条件满足所述收敛条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710059560.8A CN106897942B (zh) | 2017-01-24 | 2017-01-24 | 一种配电网分布式并行状态估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710059560.8A CN106897942B (zh) | 2017-01-24 | 2017-01-24 | 一种配电网分布式并行状态估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106897942A CN106897942A (zh) | 2017-06-27 |
CN106897942B true CN106897942B (zh) | 2023-04-18 |
Family
ID=59198694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710059560.8A Active CN106897942B (zh) | 2017-01-24 | 2017-01-24 | 一种配电网分布式并行状态估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106897942B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376983B (zh) * | 2018-03-22 | 2021-02-19 | 东北大学 | 一种基于边界融合的电网状态估计***及方法 |
CN109494711B (zh) * | 2018-10-24 | 2022-09-20 | 华北电力大学 | 一种多区域并行的全分布式状态估计方法 |
CN110059094A (zh) * | 2019-04-26 | 2019-07-26 | 山东大学 | 主动配电网分布式状态估计的分区方法、介质及设备 |
CN112183865B (zh) * | 2020-09-29 | 2023-10-31 | 华中科技大学 | 一种配电网分布式调度方法 |
CN113219922B (zh) * | 2021-05-11 | 2022-05-03 | 浙江大学 | 内生不确定性下基于边缘侧数据的集成控制方法 |
CN114865617A (zh) * | 2022-04-12 | 2022-08-05 | 中国电建集团华东勘测设计研究院有限公司 | 基于大网拆小网的分布式潮流优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820949A (zh) * | 2015-04-23 | 2015-08-05 | 深圳供电局有限公司 | 一种配电网运行方式综合评价的方法及*** |
CN105098797A (zh) * | 2015-08-25 | 2015-11-25 | 中国电力科学研究院 | 一种基于网络分解与区域协调的配电网无功优化方法 |
CN105119289A (zh) * | 2015-07-27 | 2015-12-02 | 华南理工大学 | 一种多区域电力***完全分散式动态经济调度方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8259104B2 (en) * | 2008-08-28 | 2012-09-04 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Domain decomposition by the advancing-partition method for parallel unstructured grid generation |
US9093842B2 (en) * | 2012-08-16 | 2015-07-28 | Mitsubishi Electric Research Laboratories, Inc. | Method for globally optimizing power flows in electric networks |
-
2017
- 2017-01-24 CN CN201710059560.8A patent/CN106897942B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104820949A (zh) * | 2015-04-23 | 2015-08-05 | 深圳供电局有限公司 | 一种配电网运行方式综合评价的方法及*** |
CN105119289A (zh) * | 2015-07-27 | 2015-12-02 | 华南理工大学 | 一种多区域电力***完全分散式动态经济调度方法 |
CN105098797A (zh) * | 2015-08-25 | 2015-11-25 | 中国电力科学研究院 | 一种基于网络分解与区域协调的配电网无功优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106897942A (zh) | 2017-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106897942B (zh) | 一种配电网分布式并行状态估计方法及装置 | |
CN105550323B (zh) | 一种分布式数据库负载均衡预测方法和预测分析器 | |
CN112418482B (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN108960628A (zh) | 一种光伏发电接入配电网的风险评估方法及*** | |
CN103838803A (zh) | 一种基于节点Jaccard相似度的社交网络社团发现方法 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和*** | |
Poudyal et al. | Multiarea inertia estimation using convolutional neural networks and federated learning | |
CN108810799B (zh) | 一种基于线性判别分析的多楼层室内定位方法及*** | |
CN114580747A (zh) | 基于数据相关性和模糊***的异常数据预测方法及*** | |
CN114139940A (zh) | 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法 | |
Thonglek et al. | Federated learning of neural network models with heterogeneous structures | |
CN114153828A (zh) | 光伏发电***智能数据清洗方法与装置 | |
Liu et al. | Surface roughness prediction method of titanium alloy milling based on CDH platform | |
Jiao et al. | Immune optimization of task scheduling on multidimensional QoS constraints | |
Cui et al. | A learning-based dynamic load balancing approach for microservice systems in multi-cloud environment | |
CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
Guo et al. | New algorithms of feature selection and big data assignment for CBR system integrated by bayesian network | |
CN114564523B (zh) | 针对智慧虚拟场景的大数据漏洞分析方法及云端ai*** | |
Jiang et al. | Two‐level area‐load modelling for OPF of power system using reinforcement learning | |
CN116680969A (zh) | 一种pso-bp算法的充填体评估参数预测方法及装置 | |
CN115775038A (zh) | 一种基于igwo优化lssvm的短期负荷预测方法 | |
CN114936524A (zh) | 蓄电池内阻识别方法、装置、设备、介质和程序产品 | |
Liu et al. | Near-data prediction based speculative optimization in a distribution environment | |
Chang et al. | Cloud-Based parallel implementation of an intelligent classification algorithm for fault detection and diagnosis of HVAC systems | |
CN113379327A (zh) | 一种电力***多区域并行状态估计方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |