CN109426892A - 用于功率电网中的分配负荷预报的***和方法 - Google Patents
用于功率电网中的分配负荷预报的***和方法 Download PDFInfo
- Publication number
- CN109426892A CN109426892A CN201810987959.7A CN201810987959A CN109426892A CN 109426892 A CN109426892 A CN 109426892A CN 201810987959 A CN201810987959 A CN 201810987959A CN 109426892 A CN109426892 A CN 109426892A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- power grid
- performance numbers
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012986 modification Methods 0.000 claims abstract description 59
- 230000004048 modification Effects 0.000 claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种用于功率电网中的短期负荷预报的方法包含得到历史数据,该历史数据包括从功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据。该方法还包含接收功率电网数据,该功率电网数据包括与多个最近时刻值对应的多个功率值和多个气象参数值。该方法还包含使用统计技术来生成修改的历史数据,以矫正误差条件。该方法还包含基于修改的历史数据和功率电网数据来估计在将来的时刻的一个或多个功率值。该方法还包含基于所估计的一个或多个功率值来平衡配电网络的负荷。
Description
技术领域
公开了用于功率要求的短期预报以及具体用于功率电网的分配网络中的短期负荷预报的***和方法。
背景技术
通常,功率电网(power grid)包含用于生成电功率的发电***、用于传输所生成的功率的传输***和用于分配所传输的功率的分配***。虽然传输***设计成携带千兆瓦的功率,但是分配***配置成仅操控数十兆瓦的功率。功率电网随着分布式发电技术(其使用来自多个位置的较小发电中心来增加少量功率)的部署而演进。功率电网还越来越多地采用利用(leveraging)数字通信技术的智能技术,以降低成本、节省能量并且增加可靠性。
预报电力网(electrical grid)的功率要求是复杂任务。低估需求的预报可引起停电或断电。高估需求的预报可引起以相当高费用来生成未使用的功率。短期负荷预报表示在一天或多天之前在每小时的基础上估计功率要求。短期预报的估计和预测技术基于使用统计技术、作为气象参数的函数的***负荷的建模。遗憾的是,已知技术没有提供准确的近期实时负荷预报。***操作员进行关键操作判定,例如在短时间跨度中要分派以满足***需求的发电单元的选择。第二天和近期负荷预报常常由***操作员随着该天展现而基于前一天的需求数据来进行。在大多数情况下,这些实时调整对确定精确的第二天预报的帮助不是很大。
能量管理***(EMS)和分配管理***(DMS)是智能电网的重要组件。EMS和DMS用于向智能电网提供用来按照安全、可靠和经济的方式来操作大功率***的能力。此外,EMS和DMS用于开发智能电网中的新功能和能力,以用于改进智能电网的分配***的可靠性和效率。通常,在智能电网中,EMS包含传输***的负荷预报法(forecasting methodology),以及DMS将负荷预报法用于分配***。一般来说,传输***的估计负荷预报误差因稳定的操作功率条件而较低,而分配***的估计负荷预测误差因大功率要求可变性而较高。在一些常规***中,基于静态负荷轮廓(profile)(或负荷形状)的方式用来大致估计DMS中的短期负荷需求。当允许操作员使用历史功率电网数据来构建和修改预报时,使用类似情形中的基于消耗模式的负荷预报方式。这种类型的负荷预报方式(其需要人为干涉)能够是费时的。此外,人为干涉难以量化,并且要求一定量的专业知识。
发明内容
按照本发明的一个方面,公开了一种用于功率电网中的短期负荷预报的方法。该方法包含得到历史数据,该历史数据包括从功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据。该方法还包含接收功率电网数据,该功率电网数据包括与多个最近时刻值对应的多个功率值和多个气象参数值。该方法还包含使用统计技术来生成修改的历史数据,以矫正误差条件。该方法还包含基于修改的历史数据和功率电网数据来估计在将来的时刻的一个或多个功率值。该方法还包含基于所估计的一个或多个功率值来平衡配电网络的负荷。
按照本发明的另一方面,公开了一种用于功率电网中的短期负荷预报的***。该***包含配置成得到历史数据的数据获取模块,该历史数据包括从功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据。该数据获取模块还配置成从功率电网传感器接收功率电网数据,该功率电网数据包括与多个最近时刻值对应的多个功率值、多个负荷值和多个气象参数值。该***还包含预处理模块,该预处理模块在通信上耦合到数据获取模块,并且配置成基于统计技术来确定历史数据中的误差条件。该预处理模块还配置成使用统计技术来生成修改的历史数据,以矫正误差条件。该***还包含预报模块,该预报模块在通信上耦合到预处理模块,并且配置成基于修改的历史数据和功率电网数据来估计在将来的时刻的一个或多个功率值。该***包含控制模块,该控制模块在通信上耦合到预报模块,并且配置成基于所估计的一个或多个功率值来平衡配电网络的负荷。
按照本发明的另一方面,公开了一种非暂时计算机可读介质,该非暂时计算机可读介质具有用来使至少一个处理器模块能够执行功率电网中的短期负荷预报的指令。该指令使至少一个处理器能够通过得到历史数据来执行短期负荷预报,该历史数据包括从功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据。该指令还使至少一个处理器能够通过接收功率电网数据来执行短期负荷预报,该功率电网数据具有与多个最近时刻值对应的多个功率值和多个气象参数值。该指令还使至少一个处理器能够通过下列步骤来执行短期负荷预报:使用统计技术生成修改的历史数据以矫正误差条件。该指令还使至少一个处理器能够通过下列步骤来执行短期负荷预报:基于修改的历史数据和功率电网数据估计在将来的时刻的一个或多个功率值。此外,该指令使至少一个处理器能够通过下列步骤来执行短期负荷预报:基于所估计的一个或多个功率值平衡配电网络的负荷。
本发明提供一组技术方案如下。
1. 一种用于功率电网中的短期负荷预报的方法,包括:
得到历史数据,所述历史数据包括从所述功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据;
接收功率电网数据,所述功率电网数据包括与多个最近时刻值对应的多个功率值和多个气象参数值;
使用统计技术来生成修改的历史数据,以矫正误差条件;
基于所述修改的历史数据和所述功率电网数据来估计在将来的时刻的一个或多个功率值;以及
基于所估计的一个或多个功率值来平衡所述配电网络的负荷。
2. 如技术方案1所述的方法,其中,得到所述历史数据包括记录在所述位置处的与时间索引数据对应的多个历史功率值和多个历史温度值,其中所述时间索引数据包括每小时的时间戳值。
3. 如技术方案2所述的方法,其中,接收所述历史数据包括记录所述多个历史温度值与所述多个历史功率值之间的相关性。
4. 如技术方案1所述的方法,其中,接收所述功率电网数据包括在所指定时间段中的多个时间戳值测量所述位置处的多个功率值。
5. 如技术方案1所述的方法,其中,生成修改的历史数据包括:
选择在第一时间段中所记录的第一多个功率值以及在第二时间段中所记录的第二多个功率值,其中所述第一时间段在所述第二时间段之前;
基于所述第一多个功率值来确定第二多个功率估计;以及
当所述第二多个功率值与对应的第二多个功率估计之间的差大于预定阈值时通过用对应的第二多个功率估计替换所述第二多个功率值的至少一个来矫正所述第二多个功率值,以生成修改的第二多个功率值。
6. 如技术方案5所述的方法,其中,估计在所述将来的时刻的所述一个或多个功率值包括使用线性模型基于所述修改的历史数据来确定在第三时间段中的多个时刻值的第三多个功率值,其中所述第一时间段在所述第三时间段之前,以及所述第二时间段在所述第三时间段之前。
7. 如技术方案6所述的方法,其中,估计在所述将来的时刻的所述一个或多个功率值包括
接收与所述第二时间段中的一对时刻对应的一对所记录功率值,其中所述一对时刻包括第一时刻以及在所述第一时刻之后的第二时刻;
基于所述一对所记录功率值和对应的一对估计功率值来确定一对预报误差值;
基于所述一对预报误差值和所述对应的一对所估计功率值来确定回归模型;以及
使用所述回归模型基于所述修改的第二多个功率值来修改所述第三多个功率值。
8. 如技术方案6所述的方法,其中,估计在所述将来的时刻的所述一个或多个功率值包括使用最小均方估计技术来确定与所述多个时刻值对应的多个线性模型。
9. 如技术方案1所述的方法,其中,接收所述功率电网数据包括从监控和数据获取(SCADA)架构来接收数据以及气象预报数据。
10.一种用于功率电网中的短期负荷预报的***,包括:
数据获取模块,配置成:
得到历史数据,所述历史数据包括从所述功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据;
从功率电网传感器接收功率电网数据,所述功率电网数据包括与多个最近时刻值对应的多个功率值、多个负荷值和多个气象参数值;
预处理模块,所述预处理模块在通信上耦合到所述数据获取模块,并且配置成:
基于统计技术来确定所述历史数据中的误差条件;
使用统计技术来生成修改的历史数据,以矫正误差条件;
预报模块,所述预报模块在通信上耦合到所述预处理模块,并且配置成基于所述修改的历史数据和所述功率电网数据来估计在将来的时刻的一个或多个功率值;以及
控制模块,所述控制模块在通信上耦合到所述预报模块,并且配置成基于所估计的一个或多个功率值来平衡所述配电网络的负荷。
11.如技术方案10所述的***,其中,所述数据获取模块配置成记录在所述位置处的与时间索引数据对应的多个历史功率值和多个历史温度值,其中所述时间索引数据包括每小时的时间戳值。
12.如技术方案11所述的***,其中,所述数据获取模块配置成记录所述多个历史温度值与所述多个历史功率值之间的相关性。
13.如技术方案10所述的***,其中,所述数据获取模块配置成在所指定时间段中的每小时的时间戳值测量所述位置处的多个功率值。
14.如技术方案10所述的***,其中,所述预处理模块配置成:
选择在第一时间段中所记录的第一多个功率值以及在第二时间段中所记录的第二多个功率值,其中所述第一时间段在所述第二时间段之前;
基于所述第一多个功率值来确定第二多个功率估计;以及
当所述第二多个功率值与对应的第二多个功率估计之间的差大于预定阈值时通过用对应的第二多个功率估计替换所述第二多个功率值的至少一个来矫正所述第二多个功率值,以生成修改的第二多个功率值。
15.如技术方案14所述的***,其中,所述预报模块配置成使用线性模型基于所述修改的历史数据来确定在第三时间段中的多个时刻值的第三多个功率值,其中所述第一时间段在所述第三时间段之前,以及所述第二时间段在所述第三时间段之前。
16.如技术方案15所述的***,其中,所述预报模块配置成:
接收与所述第二时间段中的一对时刻对应的一对所记录功率值,其中所述一对时刻包括第一时刻以及在所述第一时刻之后的第二时刻;
基于所述一对所记录功率值和对应的一对估计功率值来确定一对预报误差值;
基于所述一对预报误差值和所述对应的一对所估计功率值来确定回归模型;以及
使用所述回归模型基于所述修改的第二多个功率值来修改所述第三多个功率值。
17.如技术方案15所述的***,其中,所述预报模块配置成使用最小均方估计技术来确定与所述多个时刻值对应的多个线性模型。
18.如技术方案10所述的***,其中,所述数据获取模块配置成从监控和数据获取(SCADA)架构来接收数据以及气象预报数据。
19.一种非暂时计算机可读介质,其具有用来使至少一个处理器模块能够通过下列步骤来执行功率电网中的短期负荷预报的指令:
得到历史数据,所述历史数据包括从所述功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据;
接收功率电网数据,所述功率电网数据包括与多个最近时刻值对应的多个功率值和多个气象参数值;
使用统计技术来生成修改的历史数据,以矫正误差条件;
基于所述修改的历史数据和所述功率电网数据来估计在将来的时刻的一个或多个功率值;以及
基于所估计的一个或多个功率值来平衡所述配电网络的负荷。
附图说明
在参照附图阅读以下详细描述时,本发明的实施例的这些及其他特征和方面将变得更好理解,在附图中,相似字符在附图中通篇表示相似部分,其中:
图1是按照示范实施例的短期负荷预报的***的示意图;
图2是图示按照示范实施例的用来校正功率电网数据中的误差的滤波技术的图形表示;
图3是图示按照示范实施例的分配***中的功率预报的性能的图表;
图4是图示按照示范实施例的基于回归的功率预报的图表;
图5是图示按照示范实施例的功率预报的方法的流程图;以及
图6是按照示范实施例的分配***中的短期负荷预报的方法的流程图。
具体实施方式
如在下文中将详细描述的,公开了用于短期功率预报以及特别地用于功率电网的分配网络中的短期负荷预报的***和方法。
本文所使用的术语“负荷”表示功率电网中的功率需求(单位为kW)或能量需求(单位为kW)。术语每单位时间的“负荷”与术语“功率”或者与每单位时间的能量等效地并且可互换地使用。术语“负荷预报”表示在所指定时间段中对某个地理位置的功率(或能量)要求的预测。例如,负荷预报可用来在每小时、每天、每周以及每月的基础上预测功率要求以及还具有每单位时间段的峰值功率要求值。术语“功率数据”表示有功功率数据、无功功率数据、视在功率数据或者其对应幅值,这取决于上下文。
图1是按照示范实施例的具有用于短期负荷预报的***108的分配网络100的示意图。分配网络100包含位置102,该位置102具有一个或多个输入功率线104和多个馈电线106。分配网络100可包含:传感器;致动器;监督计算机;远程终端单元(RTU),该远程终端单元耦合到传感器和致动器;可编程逻辑控制器(PLC);通信基础设施,该通信基础设施将监督计算机与RTU和PLC耦合;以及人机接口(HMI),该人机接口用于由操作人员来管理分配网络100(分配网络100的具体元件未示出)。分配网络100生成功率电网数据110,例如但不限于功率数据112、气象数据114和负荷数据116。分配网络100还可从控制***架构(例如监控和数据获取(SCADA)架构)来生成监督数据和控制数据。***108在通信上耦合到分配网络100,并且配置成接收功率电网数据110,以及生成预报参数132,其表示由分配网络100在将来的时刻的功率生成。
***108包含数据获取模块118、预处理模块120、预报模块122、控制模块124、处理器模块126和存储器模块128,这些模块经由通信总线130彼此互连。
数据获取模块118在通信上耦合到位置102(例如但不限于变电站、多个馈电线或变压器组),并且配置成从位置102接收功率电网数据110。功率数据112包含从一个或多个RTU和PLC所获取的数据、由监督计算机所生成的数据以及从操作人员所接收的数据。一般来说,数据获取模块配置成从控制***架构(例如监控和数据获取(SCADA)架构)来接收数据。数据获取模块118还配置成接收负荷数据116,其表示分配网络100中的功率要求。数据获取模块118还配置成接收作为功率电网数据110的组成部分的气象数据114。气象数据114可包含但不限于与多个时间实例(time instance)对应的温度值、大气压力、风力参数、太阳辐射、降水量和/或湿度值。术语“时间索引数据”在本文中用来表示用于从部署在位置102处的传感器获取测量的多个时间索引值。更一般来说,时间索引数据可表示过去的时间段、当前的时间段和将来的时间段或者其组合。数据获取模块118配置成将先前在由时间索引数据所指定的时刻所获取的功率电网数据110作为历史数据110a存储在存储器模块128中。
数据获取模块118还配置成从存储器模块128实时地得到历史数据110a。特别地,历史数据110a包含但不限于从位置102所记录的与先前时间索引数据对应的功率数据112、负荷数据116、气象数据114。历史数据110a表示先前获取并且存储在存储器模块128中的功率电网数据110。在一个实施例中,功率数据112包含但不限于与过去时刻对应的一个或多个历史功率值和供应功率值。负荷数据116包含但不限于功率要求值和实际供应功率值,其在先前时刻被记录。气象数据可包含但不限于历史温度值和历史湿度值。在一个示例中,时间索引数据包括所指定时间段期间的每小时的时间戳。在另一个示例中,时间索引数据可包含与半小时时长对应的时间戳。在一个实施例中,所指定时间段可以是与一个市政日(civic day)(24小时)对应的24小时时长。在另一个实施例中,所指定时间段可跨越两个市政日(48小时)。所指定时间段还可包含日历年的全部天数。
数据获取模块118还配置成接收与多个最近时刻对应的功率电网数据110。在一个实施例中,多个最近时刻表示实时时刻。功率电网数据110包含但不限于与最近时刻对应的多个负荷值和多个气象参数值。多个气象参数值可包含但不限于与在多个最近时刻所记录的多个功率值对应的多个温度值和多个湿度值。
特别地,数据获取模块118配置成从存储器模块128得到在第一时间段中所记录的第一多个功率值以及在第二时间段中所记录的第二多个功率值。第一时间段在第二时间段之前。第一时间段包含过去时刻。第二时间段包含过去时刻和最近时刻一直到当前时刻。术语‘最近时刻’表示在当前时刻之前的一个或多个时刻。最近时刻可以是当前时刻之前的一个取样周期。最近时刻可以是当前时刻之前的两个取样周期。第一多个功率值和第二多个功率值从历史数据来选择。第二多个功率值包含最近功率值。
预处理模块120在通信上耦合到数据获取模块118,并且配置成处理历史数据,以生成修改的历史数据。特别地,预处理模块120配置成基于统计技术来确定历史数据中的误差条件。此外,预处理模块120配置成基于历史数据来矫正误差条件,以生成修改的历史数据。在一个实施例中,预处理模块120配置成选择与第一时间段对应的第一多个功率值以及与第二时间段对应的第二多个功率值。预处理模块120还配置成基于第一多个功率值来估计第二多个功率估计。在一个实施例中,自回归技术用来估计第二多个功率估计。在备选实施例中,其他统计技术(例如但不限于线性预测、线性回归、多变量回归、移动平均技术)用来确定第二多个功率估计。线性模型、非线性模型、移动平均(MA)模型、自回归(AR)模型和自回归移动平均(ARMA)模型中的至少一个可用来实现统计技术。
此外,预处理模块120还配置成将第二多个功率估计与第二多个功率值进行比较,以确定差值。预处理模块120还配置成基于差值和预定阈值来确定误差条件。在一个实施例中,预处理模块120配置成基于第二多个功率估计来修改第二多个功率值,以生成修改的第二多个功率值。修改的第二多个功率值是无误差的,或者包含误差条件的降低的影响。在一个实施例中,通过用对应的第二多个功率估计替换第二多个功率值的一些来生成修改的第二多个功率值。修改的历史数据包含修改的第二多个功率值。
预报模块122在通信上耦合到预处理模块120,并且配置成基于历史数据和修改的历史数据来估计在将来的时刻的一个或多个功率值。在一个实施例中,与第三时间段对应的第三多个功率值基于与第二时间段对应的修改的第二多个功率值来确定。如所述,第一时间段在第二时间段之前,以及第二时间段在第三时间段之前。在一个实施例中,预报模块122配置成使用线性模块基于气象数据的预报和修改的第二多个功率值来确定第三多个功率值。特别地,线性模型通过等式(1)给出:
等式(1)
其中,是在将来的时刻t的功率值,是在过去时刻的修改的功率值,是与将来时刻对应的温度值,其从与过去时刻对应的温度值来确定。项a、b和c是等式(1)的线性模型的系数。在一个实施例中,一天的24小时中的每个的一个线性模型基于修改的历史数据来确定。系数的多个集合与多个线性模型的每个对应地确定。
在一个示例中,最小均方(LMS)算法用来得出系数的多个集合。特别地,与第三时间段对应的多个LMS滤波器基于历史数据来确定。多个线性模型应用于修改的第二多个功率值,以确定第三多个功率值。
此外,预报模块122配置成对第三多个功率值来执行基于回归的校正。在一个实施例中,预报模块122配置成接收与第二时间段中的一对最近时刻对应的一对所记录功率值。该一对时刻包括第一时刻和第二时刻,其中第二时刻在第一时刻之后发生。预报模块122还配置成基于该一对所记录功率值和对应的一对估计功率值来确定一对预报误差值。在一个实施例中,该一对估计功率值从修改的第二多个功率值中选取。在一些实施例中,该一对所记录功率值可从历史数据或者通过测量来得到。该一对估计功率值可从历史数据或者通过计算来得到。预报模块122还配置成基于该一对预报误差值来确定回归模型。在一个实施例中,回归模型可以是简单二项回归模型。特别地,二项回归模型通过等式(2)给出:
等式(2)
其中,是与等式(1)的预测功率值对应的校正项,、是在第二时间段中的第一时刻和第二时刻的误差估计。常数和使用两个时刻的已知功率校正项来确定。第三多个功率值使用回归模型来修改,以确定短期功率预测值。特别地,多个修改的第二多个功率值通过等式(2)的回归模型来处理,以生成多个短期功率校正值。将多个短期校正值加到第三多个功率值,以生成修改的第三多个功率值。修改的第三多个功率值用作所估计的一个或多个功率值。
控制模块124在通信上耦合到预报模块122,并且配置成基于所估计的一个或多个功率值来平衡分配网络100的负荷。分配网络100上的负荷的平衡可包含非高峰需求期期间的功率的储存以及在高峰需求期期间使用智能电网特征来取回(retrieve)所储存的功率。
处理器模块126包含通用计算机、GPU、数字信号处理器和控制器中的至少一个。在其他实施例中,处理器模块126包含定制的处理器元件,例如但不限于专用集成电路(ASIC)和现场可编程门阵列(FPGA)。处理器模块126还可配置成经由控制台(其具有键盘或鼠标或者任何其他输入装置)从操作员接收命令和参数,以生成预报参数132。在一些实施例中,处理器模块126可执行数据获取模块118、预处理模块120、预报模块122和控制模块124中的至少一个的一个或多个功能。处理器模块126可包含多于一个处理器,其彼此协同工作,以用于执行预期的功能性。处理器模块126还配置成将内容存储到存储器模块128中(或者从其中取回内容)。在一个实施例中,处理器模块126配置成发起和控制数据获取模块118、预处理模块120、预报模块122和控制模块124中的至少一个的功能性。
在一个实施例中,存储器模块128是随机存取存储器(RAM)、只读存储器(ROM)、闪速存储器或者任何其他类型的计算机可读存储器,其是由数据获取模块118、预处理模块120、预报模块122和控制模块124中的至少一个可访问的。在一个实施例中,存储器模块128可以是非暂时计算机可读介质,其编码有具有多个指令的程序,以指示数据获取模块118、预处理模块120、预报模块122和控制模块124中的至少一个来执行步骤序列,以生成预报参数132。程序还可指示***108平衡配电网的位置102处的负荷。
在一个实施例中,公开了一种非暂时计算机可读介质,其具有用来使至少一个处理器模块能够执行功率电网的分配网络中的短期负荷预报的指令。该指令使至少一个处理器模块能够接收功率电网数据和历史数据,并且生成预报参数132。该指令还使至少一个处理器能够得到历史数据,其包括从功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据。该指令还使至少一个处理器能够接收功率电网数据,其包括与多个最近时刻值对应的多个功率值、多个负荷值和多个温度值。该指令还使至少一个处理器能够使用统计技术基于历史数据来处理功率电网数据,以矫正误差条件,并且生成修改的历史数据。该指令还使至少一个处理器能够基于修改的历史数据和历史数据来估计在将来的时刻的一个或多个功率值。该指令还使至少一个处理器能够基于所估计的一个或多个功率值来平衡配电网络的负荷。
图2是图示按照示范实施例的用来矫正历史数据中的误差的滤波技术的图形表示200。图形表示200包含表示时间(单位为小时)的x轴202以及表示功率(单位为兆瓦)的y轴204。图形表示200包含与表示所记录功率的多个功率值对应的第一曲线206,其具有指示有故障测量的突然幅度变化。本文所公开的滤波技术能够通过使用适当阈值来识别突然幅度变化。这样识别的突然幅度变化用来自历史数据的适当幅度值来替换,以降低突然变化的幅值。图形表示200还包含与表示滤波的功率值的修改的多个功率值对应的第二曲线208。参照图1的所图示的实施例,第一曲线206表示第二多个功率值,以及第二曲线208表示修改的多个第二功率值。
图3是图示按照示范实施例的分配***中的功率预报的性能的图表300。图表300包含表示误差预报(单位为兆瓦)的x轴302以及表示累积误差值的归一化幅度值的y轴304。图表300包含曲线306,其表示指示与预报误差值对应的累积概率值的累积分布函数。曲线306上的点308对应于大约1 MW的预报误差的0.9的累积概率值。这表明了其中估计误差在时间的90%内限制到1 MW的功率预报的性能。
图4是图示按照示范实施例的基于回归的功率预报的图表400。图表400包含表示时间(单位为月)的x轴402以及表示平均绝对百分比误差(MAPE)(单位为百分比数)的y轴404。图表400包含第一曲线406,其表示基于前一天的功率电网数据所计算的MAPE。图表400包含第二曲线408,其表示基于线性回归技术所计算的MAPE。图表400包含第三曲线410,其表示基于使用二阶自回归校正所生成的预测所得到的MAPE。可观察到,第二曲线408的MAPE与对应于第一曲线406的MAPE值相比是低的并且与第三曲线410的MAPE值相当,从而说明基于前一天的负荷需求的负荷预测的有效性。
图5是图示按照示范实施例的功率预报的方法的流程图500。流程图500开始于在步骤502中得到历史数据和功率电网数据。在步骤504中,选择在第一时间段期间所记录的第一多个功率值以及在第二时间段期间所记录的第二多个功率值。可注意,第一时间段在第二时间段之前。在一个示例中,第一时间段对应于第一天,以及第二时间段对应于连续天或第二天。在步骤506中,第二多个功率估计基于第一多个功率值来确定。第一多个功率值和第二多个功率值是历史功率数据的组成部分。在一个实施例中,第二多个功率值基于第一多个功率值来修改,以生成修改的第二多个功率值。特别地,第二多个功率估计使用一个或多个线性模型基于第一多个功率值来确定。当第二多个功率值与对应的第二多个功率估计之间的差大于预定阈值时,第二多个功率值用对应的第二多个功率估计来替换。
当第二多个功率值与对应的修改的第二多个功率估计之间的差大于预定阈值时,通过用修改的第二多个功率估计的对应的至少一个替换第二多个功率值的至少一个来确定修改的第二多个功率值,如在步骤508中所图示的。此外,在步骤510中,在第三时间段的第三多个功率值使用线性模型基于修改的第二多个功率值来确定。在这个实施例中,第三多个功率值是在将来的时刻的一个或多个功率值的估计。在本文中可注意,第一时间段在第二时间段之前,以及第二时间段在第三时间段之前。在步骤512中,接收与第二时间段中的一对最近时刻对应的一对所记录功率值。此外,一对预报误差值基于该一对所记录功率值以及第二多个功率值之中的对应的一对所估计功率值来确定,如在步骤514中所图示的。在一个实施例中,回归模型在步骤516中基于该一对预报误差值和该对应的一对所估计功率值来确定。在步骤518中,与第三时间段中的多个时刻值对应的多个第三功率值使用回归模型来修改。特别地,多个短期功率校正值通过由回归模型处理第三多个功率值来确定。将多个短期校正值加到第三多个功率值,以生成修改的第三多个功率值。修改的第三多个功率值表示短期功率预测输出,如在步骤520中所图示的。在一个实施例中,修改的第三多个功率值是在将来的时刻的一个或多个功率值的估计。
图6是按照示范实施例的分配***中的短期负荷预报的方法600的流程图。方法600包含在步骤602中得到由功率电网的配电网络所生成的历史数据。历史数据包含从配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据。历史数据包含在该位置处的与时间索引数据对应的多个历史功率值和多个历史温度值。在一个实施例中,接收历史数据的步骤包含记录在该位置处的与包括每小时的时间戳值的时间索引数据对应的功率消耗。在另一个实施例中,接收历史数据的步骤包含记录与该位置对应的对应于每小时的时间戳值的功率消耗和温度值之间的相关性。
该方法还包含接收功率电网数据,其包括与多个最近时刻值对应的多个功率值、多个负荷值和多个气象参数值,如在步骤604中所图示的。在一个实施例中,功率电网数据包含但不限于来自控制***架构(例如监控和数据获取(SCADA)架构)的数据以及气象预报数据。在一个实施例中,接收功率电网数据的步骤604包含以当前日的每小时的时间戳值测量在该位置处的多个功率消耗值。
该方法还包含基于统计技术来处理历史数据,以矫正误差条件,并且生成修改的历史数据,如在步骤606中所图示的。在另一个实施例中,处理历史数据的步骤606包含基于历史数据来估计多个功率值。
在一个实施例中,估计在将来的时刻的功率值基于修改的历史数据,如在步骤608中所示。在另一个实施例中,估计功率值的步骤608包含使用最小均方估计技术来确定与多个时刻值对应的多个线性模型。此外,一个或多个功率值通过使用多个线性模型处理修改的历史数据来生成。一个或多个功率值对应于将来的时刻值。在一个实施例中,估计功率值的步骤608包含确定对一对最近时刻所估计的一对预报误差值。估计功率值的步骤608还包含基于该一对预报误差值来确定二项回归模型。估计功率值的步骤608还包含使用回归模型来处理一个或多个功率值。在步骤610处,该方法还包含基于所估计功率值来平衡配电网络的负荷。
要理解,不一定上面所述的所有这类目的或优点可按照任何特定实施例来实现。因此,例如,本领域的技术人员将认识到,本文所述的***和技术可通过如下方式来体现或执行:实现或改进如本文教导的一个优点或一组优点,而不一定实现如本文可能教导或建议的其他目的或优点。
虽然仅结合有限数量的实施例详细描述了本技术,但是应当易于理解,本说明书并不局限于这类所公开实施例。本技术而是能够修改为结合迄今没有描述的任何数量的变化、变更、替换或等效布置,但是它们与权利要求书的精神和范围相称。另外,虽然描述了本技术的各个实施例,但是要理解,本说明书的方面可以仅包含所述实施例的一些。相应地,本说明书不能被看作受到以上描述所限制,而是仅通过所附权利要求书的范围来限制。
Claims (10)
1.一种用于功率电网中的短期负荷预报的方法,包括:
得到历史数据,所述历史数据包括从所述功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据;
接收功率电网数据,所述功率电网数据包括与多个最近时刻值对应的多个功率值和多个气象参数值;
使用统计技术来生成修改的历史数据,以矫正误差条件;
基于所述修改的历史数据和所述功率电网数据来估计在将来的时刻的一个或多个功率值;以及
基于所估计的一个或多个功率值来平衡所述配电网络的负荷。
2.如权利要求1所述的方法,其中,得到所述历史数据包括记录在所述位置处的与时间索引数据对应的多个历史功率值和多个历史温度值,其中所述时间索引数据包括每小时的时间戳值。
3.如权利要求2所述的方法,其中,接收所述历史数据包括记录所述多个历史温度值与所述多个历史功率值之间的相关性。
4.如权利要求1所述的方法,其中,接收所述功率电网数据包括在所指定时间段中的多个时间戳值测量所述位置处的多个功率值。
5.如权利要求1所述的方法,其中,生成修改的历史数据包括:
选择在第一时间段中所记录的第一多个功率值以及在第二时间段中所记录的第二多个功率值,其中所述第一时间段在所述第二时间段之前;
基于所述第一多个功率值来确定第二多个功率估计;以及
当所述第二多个功率值与对应的第二多个功率估计之间的差大于预定阈值时通过用对应的第二多个功率估计替换所述第二多个功率值的至少一个来矫正所述第二多个功率值,以生成修改的第二多个功率值。
6. 如权利要求5所述的方法,其中,估计在所述将来的时刻的所述一个或多个功率值包括使用线性模型基于所述修改的历史数据来确定在第三时间段中的多个时刻值的第三多个功率值,其中所述第一时间段在所述第三时间段之前,以及所述第二时间段在所述第三时间段之前。
7.如权利要求6所述的方法,其中,估计在所述将来的时刻的所述一个或多个功率值包括
接收与所述第二时间段中的一对时刻对应的一对所记录功率值,其中所述一对时刻包括第一时刻以及在所述第一时刻之后的第二时刻;
基于所述一对所记录功率值和对应的一对估计功率值来确定一对预报误差值;
基于所述一对预报误差值和所述对应的一对所估计功率值来确定回归模型;以及
使用所述回归模型基于所述修改的第二多个功率值来修改所述第三多个功率值。
8.如权利要求6所述的方法,其中,估计在所述将来的时刻的所述一个或多个功率值包括使用最小均方估计技术来确定与所述多个时刻值对应的多个线性模型。
9.如权利要求1所述的方法,其中,接收所述功率电网数据包括从监控和数据获取(SCADA)架构来接收数据以及气象预报数据。
10.一种用于功率电网中的短期负荷预报的***,包括:
数据获取模块,配置成:
得到历史数据,所述历史数据包括从所述功率电网的配电网络中的某个位置所记录的与时间索引数据对应的功率数据、负荷数据和气象数据;
从功率电网传感器接收功率电网数据,所述功率电网数据包括与多个最近时刻值对应的多个功率值、多个负荷值和多个气象参数值;
预处理模块,所述预处理模块在通信上耦合到所述数据获取模块,并且配置成:
基于统计技术来确定所述历史数据中的误差条件;
使用统计技术来生成修改的历史数据,以矫正误差条件;
预报模块,所述预报模块在通信上耦合到所述预处理模块,并且配置成基于所述修改的历史数据和所述功率电网数据来估计在将来的时刻的一个或多个功率值;以及
控制模块,所述控制模块在通信上耦合到所述预报模块,并且配置成基于所估计的一个或多个功率值来平衡所述配电网络的负荷。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/688370 | 2017-08-28 | ||
US15/688,370 US10700523B2 (en) | 2017-08-28 | 2017-08-28 | System and method for distribution load forecasting in a power grid |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109426892A true CN109426892A (zh) | 2019-03-05 |
Family
ID=63371563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810987959.7A Pending CN109426892A (zh) | 2017-08-28 | 2018-08-28 | 用于功率电网中的分配负荷预报的***和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10700523B2 (zh) |
EP (1) | EP3451479A1 (zh) |
CN (1) | CN109426892A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337742A (zh) * | 2020-02-25 | 2020-06-26 | 广东电网有限责任公司 | 一种配电网短期负荷预测数据采集设备 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949180A (zh) * | 2019-03-19 | 2019-06-28 | 山东交通学院 | 一种船舶冷热电联供***的冷热电负荷预测方法及*** |
CN112016723B (zh) * | 2019-05-28 | 2023-04-07 | 西安邮电大学 | 一种时间粒度可调节的高频率电网负荷预测方法 |
CN110288215A (zh) * | 2019-06-17 | 2019-09-27 | 国网甘肃省电力公司兰州供电公司 | 一种基于熵权法的电力客户服务态势感知评价方法 |
CN110739688A (zh) * | 2019-10-31 | 2020-01-31 | 中国南方电网有限责任公司 | 基于scada大数据的城市电网负载均衡方法 |
CN111222687A (zh) * | 2019-12-06 | 2020-06-02 | 北京国电通网络技术有限公司 | 基于同源异构神经网络的电力负荷概率预测方法及装置 |
CN111008673A (zh) * | 2019-12-24 | 2020-04-14 | 国网天津市电力公司 | 配电网信息物理***中恶性数据链采集提取方法 |
CN111414070B (zh) * | 2020-03-06 | 2021-10-15 | 苏州浪潮智能科技有限公司 | 一种机箱功耗管理方法、***及电子设备和存储介质 |
CA3180155A1 (en) * | 2020-04-14 | 2021-10-21 | The Catholic University Of America | Systems and methods for improving load energy forecasting in the presence of distributed energy resources |
CN111637926A (zh) * | 2020-06-03 | 2020-09-08 | 广东电网有限责任公司清远供电局 | 一种开关柜监测***和方法 |
CN111708987B (zh) * | 2020-06-16 | 2023-04-07 | 重庆大学 | 一种变电站多台并联变压器负荷预测方法 |
CN111784537B (zh) * | 2020-06-30 | 2023-08-01 | 国网信息通信产业集团有限公司 | 一种配电网状态参数监测方法、装置及电子设备 |
CN112232542B (zh) * | 2020-08-19 | 2024-02-02 | 周宁 | 基于负荷预测的电网检修方式辅助生成*** |
CN112180197B (zh) * | 2020-10-12 | 2023-01-03 | 国网江苏省电力有限公司 | 一种辩识中压配网线路非正常运行方式的波形分析方法 |
CN112215374B (zh) * | 2020-10-28 | 2024-03-15 | 中国电力科学研究院有限公司 | 电网中长期检修计划的校核方法、***、设备及介质 |
CN112712203B (zh) * | 2020-12-29 | 2023-09-15 | 湖南大学 | 一种配电网日最高负荷预测方法和*** |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN113377881B (zh) * | 2021-06-04 | 2024-06-07 | 国网辽宁省电力有限公司 | 一种配电网负荷的纵横混合聚类多维度分析方法 |
CN113253613B (zh) * | 2021-06-21 | 2021-10-08 | 武汉中原电子信息有限公司 | 一种基于rsm预测模型的断路器控制方法及*** |
CN113379164B (zh) * | 2021-07-16 | 2024-03-26 | 国网江苏省电力有限公司苏州供电分公司 | 基于深度自注意力网络的负荷预测方法及*** |
CN113742890B (zh) * | 2021-07-29 | 2023-09-08 | 南方电网数字平台科技(广东)有限公司 | 防止误分配功率的方法、装置、设备和存储介质 |
CN113568898A (zh) * | 2021-07-30 | 2021-10-29 | 浙江华云信息科技有限公司 | 电力数据漏点补全方法、装置、设备及可读存储介质 |
CN114330821A (zh) * | 2021-11-22 | 2022-04-12 | 科华数据股份有限公司 | 用电量预测方法、装置和设备 |
CN116169791B (zh) * | 2023-03-12 | 2024-02-06 | 华北电力大学 | 含抽水蓄能电站的电网运行安全检测*** |
CN116629565B (zh) * | 2023-05-31 | 2024-03-29 | 湖北华中电力科技开发有限责任公司 | 一种基于平台化的供电服务能力提升方法及*** |
CN117650628B (zh) * | 2023-12-01 | 2024-05-03 | 龙坤(无锡)智慧科技有限公司 | 一种基于自适应预调节场景的能效管理*** |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7089125B2 (en) | 2003-10-27 | 2006-08-08 | Itron, Inc. | Distributed asset optimization (DAO) system and method |
CN101383023B (zh) | 2008-10-22 | 2011-04-06 | 西安交通大学 | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 |
EP2356496A4 (en) * | 2008-11-13 | 2015-05-27 | Univ Saint Louis | APPARATUS AND METHOD FOR COMMUNICATING ENVIRONMENTAL PREDICTION INDICATORS TO EMERGENCY RESPONSE MANAGERS |
US8392031B2 (en) | 2011-02-28 | 2013-03-05 | General Electric Company | System and method for load forecasting |
EP2547012A1 (en) * | 2011-07-11 | 2013-01-16 | Research In Motion Limited | Method and system for determining a power value |
CN102270309B (zh) | 2011-07-27 | 2013-05-01 | 华北电力大学 | 一种基于集成学习的短期电力负荷预测方法 |
JP5492848B2 (ja) | 2011-09-20 | 2014-05-14 | 株式会社日立製作所 | 電力需要予測システムおよび方法 |
WO2013102932A2 (en) * | 2011-12-23 | 2013-07-11 | Mzaya Private Limited | System and method facilitating forecasting, optimization and visualization of energy data for an industry |
CN102624017B (zh) | 2012-03-22 | 2014-03-26 | 清华大学 | 一种基于负荷预测的电池储能***削峰填谷实时控制方法 |
US10043224B2 (en) | 2012-08-10 | 2018-08-07 | Itron, Inc. | Unified framework for electrical load forecasting |
CN103268526B (zh) | 2013-06-08 | 2014-11-26 | 国家电网公司 | 基于区间泰勒模型的电力***短期负荷预测***及方法 |
KR20150009375A (ko) * | 2013-07-16 | 2015-01-26 | 한국전자통신연구원 | 전력 사용량 예측 방법 및 그 장치 |
JP6450142B2 (ja) * | 2014-10-17 | 2019-01-09 | 株式会社日立製作所 | 電力系統制御システム、電力系統制御方法、および電力変換装置 |
CN105205563B (zh) | 2015-09-28 | 2017-02-08 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
-
2017
- 2017-08-28 US US15/688,370 patent/US10700523B2/en active Active
-
2018
- 2018-08-23 EP EP18190457.4A patent/EP3451479A1/en not_active Withdrawn
- 2018-08-28 CN CN201810987959.7A patent/CN109426892A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337742A (zh) * | 2020-02-25 | 2020-06-26 | 广东电网有限责任公司 | 一种配电网短期负荷预测数据采集设备 |
Also Published As
Publication number | Publication date |
---|---|
US10700523B2 (en) | 2020-06-30 |
EP3451479A1 (en) | 2019-03-06 |
US20190067946A1 (en) | 2019-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109426892A (zh) | 用于功率电网中的分配负荷预报的***和方法 | |
CN106351793B (zh) | 用于改进风力发电的***和方法 | |
Hajipour et al. | Stochastic capacity expansion planning of remote microgrids with wind farms and energy storage | |
US10169832B2 (en) | Method and instrumentation for sustainable energy load flow management system performing as resilient adaptive microgrid system | |
EP2537222B1 (en) | Energy generating system and control thereof | |
Zhang et al. | Conditional value at risk‐based stochastic unit commitment considering the uncertainty of wind power generation | |
Athari et al. | Modeling the uncertainties in renewable generation and smart grid loads for the study of the grid vulnerability | |
JP2022140414A (ja) | 動的潮流モデリングによる最適な電力潮流制御 | |
US10283961B2 (en) | Voltage and reactive power control system | |
Rahmann et al. | Quantifying operating reserves with wind power: towards probabilistic–dynamic approaches | |
Mo et al. | Impact of aging and performance degradation on the operational costs of distributed generation systems | |
CN103326394B (zh) | 一种计及风电波动性的多场景概率优化调度方法 | |
Kim et al. | Energy independence of energy trading system in microgrid | |
Kippelt et al. | Flexible dimensioning of control reserve for future energy scenarios | |
Dutton et al. | Load and wind power forecasting methods for the optimal management of isolated power systems with high wind penetration | |
Koh et al. | Reliability evaluation of electric power systems with solar photovoltaic & energy storage | |
Wu et al. | Preventive control strategy for an island power system that considers system security and economics | |
KR20210026447A (ko) | 심층 신경망 기반 전력 수요 예측 장치 및 방법 | |
KR102299698B1 (ko) | 장기 및 단기 예측방법을 연동시킨 전력소비 예측시스템 | |
JP6833303B1 (ja) | 発電量予測装置 | |
Eltohamy et al. | Power system flexibility metrics evaluation and power ramping analysis for high variable renewable generation shares | |
CN112761896B (zh) | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 | |
Yang et al. | Stochastic optimization based economic dispatch and interruptible load management with distributional forecast of wind farm generation | |
Veysi Raygani | Robust unit commitment with characterised solar PV systems | |
Negnevitsky et al. | Very short term wind power prediction: A data mining approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190305 |