CN112580868A - 电力***输电阻塞管理方法、***、设备及存储介质 - Google Patents
电力***输电阻塞管理方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN112580868A CN112580868A CN202011497562.3A CN202011497562A CN112580868A CN 112580868 A CN112580868 A CN 112580868A CN 202011497562 A CN202011497562 A CN 202011497562A CN 112580868 A CN112580868 A CN 112580868A
- Authority
- CN
- China
- Prior art keywords
- power system
- power
- transmission
- state
- local
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 172
- 230000000903 blocking effect Effects 0.000 title claims abstract description 106
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000007726 management method Methods 0.000 title claims description 109
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 241000251468 Actinopterygii Species 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000006399 behavior Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000019637 foraging behavior Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000002431 foraging effect Effects 0.000 description 6
- 238000013178 mathematical model Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力***输电管理领域，公开了一种电力***输电阻塞管理方法、***、设备及存储介质，包括：获取电力***的若干运行状态；获取各运行状态下电力***的输电阻塞管理成本；获取各运行状态下电力***的局部电力不足概率；以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。通过同时以输电阻塞管理成本和表征电力***可靠性的局部电力不足概率的组合，作为综合评价指标，进行电力***输电阻塞管理，可以兼顾电力***的最优潮流以及输电线路运行的稳定性和可靠性，得到的电力***输电阻塞管理输电管理策略能够保证电力***经济、可靠运行。
Description
技术领域
本发明属于电力***输电管理领域，涉及一种电力***输电阻塞管理方法、***、设备及存储介质。
背景技术
随着电力体制改革不断深化，电力市场的逐步开放，以消纳清洁能源为目标的跨区交易正在发挥着其极为重要的作用。目前的电力体制仍是以省为实体，在实现跨区域省间电力市场交易时，部分区域的输电阻塞问题仍然是一个亟待解决的问题。跨区域省间输电阻塞主要是由于发电机组的出力使得输电线路的有功潮流的绝对值超过其安全限值和安全裕度，而输电线路的有功潮流取决于电网结构和发电机组的出力情况。随着电网接入的分布式能源的大量增加和跨区域省间的电力***的差异，电网中潮流的方向由单一地从电网输送到用户侧的单向流动方式，逐渐向双向流动发展，影响电力市场交易计划的实现，威胁电力***安全的运行，制约省间电力市场的发展，不利于资源的优化配置，使得电力市场效率和经济效益受到一定影响。跨区域省间电力市场的输电阻塞管理是一类涉及许多非线性因素的复杂问题，一方面既要保证电力***运行的经济效率，另一方面必须确保其能够安全可靠运行。
目前，一般通过求解最优潮流问题，确定阻塞管理策略。如CN108960485A公开了一种源-荷互动电力市场下的在线字典学习概率最优潮流方法，采用学习的方式从大量蒙特卡洛模拟抽样样本中训练得到出现频次最高的结果，有效避免了大量重复性计算直流最优潮流；CN106208048A公开了一种基于图论形式的阻塞管理方法，提出将电网结构拓扑成图的形式，电气量映射到图中变为权重，利用图论的方法，找到一条花费最小流量最大的路径，供调度部门参考，以避免潮流阻塞；CN104158188A公开了一种可中断负荷参与下的输电阻塞消除方法，以阻塞造成的社会成本最小为目标，构建协调机组出力调整与可中断负荷调度的直流最优潮流模型，并采用灵敏度方法消除阻塞线路。
但是上述方案在解决输电阻塞问题时，均是在计算最优潮流的基础上，以阻塞管理成本最低为目标函数，未考虑电力市场输电阻塞时各输电线路运行的可靠性，容易造成尽管实现了最优潮流，但是会导致转移潮流后各输电线路运行的稳定性和可靠性降低。
发明内容
本发明的目的在于克服上述现有技术中，现有输电阻塞管理方法未考虑电力市场输电阻塞时各输电线路运行的可靠性，容易造成尽管实现了最优潮流，但是会导致转移潮流后各输电线路运行的稳定性和可靠性降低的缺点，提供一种电力***输电阻塞管理方法、***、设备及存储介质。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明第一方面，一种电力***输电阻塞管理方法，包括以下步骤：
获取电力***的若干运行状态；
获取各运行状态下电力***的输电阻塞管理成本；
获取各运行状态下电力***的局部电力不足概率；
以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。
本发明电力***输电阻塞管理方法进一步的改进在于：
所述运行状态包括电力***内各机组的出力，所述获取电力***的若干运行状态的具体方法为：
根据电力***的负荷需求，基于电力***运行约束及电力***内各机组的出力范围，根据前日电力***内各机组的出力，得到电力***的若干运行状态。
所述电力***运行约束包括电力***平衡约束、发电机组出力约束、输电通道容量约束和母线电压相角偏移量约束。
所述获取各运行状态下电力***的输电阻塞管理成本的具体方法为：
根据电力***的负荷需求及电力***内各机组的报价信息，得到电力***的最小调度成本；根据电力***内各机组的报价信息及电力***的运行状态，得到各运行状态下电力***的阻塞调度成本；以各运行状态下电力***的阻塞调度成本与电力***的最小调度成本的差值，作为各运行状态下电力***的输电阻塞管理成本。
所述获取各运行状态下电力***的局部电力不足概率的具体方法为：
通过人工鱼群算法，获取各运行状态下电力***的局部电力不足概率。
所述通过人工鱼群算法，获取各运行状态下电力***的局部电力不足概率的具体方法为：
以各运行状态分别作为当前运行状态进行如下步骤，得到各运行状态下电力***的局部电力不足概率：将当前运行状态下电力***内的各输电线路，均采用随机数原则产生随机的初始局部电力不足概率；基于各输电线路的初始局部电力不足概率、各输电线路可能运行的负荷以及各输电线路包括的各机组的机组额定容量、加载机组容量和被迫停机概率，构建人工鱼群算法的更新目标函数；根据更新目标函数，通过人工鱼群算法的觅食行为、聚群行为以及追尾行为，迭代更新各输电线路的初始局部电力不足概率，得到各输电线路的局部电力不足概率并集合，得到当前状态下电力***的局部电力不足概率。
所述从若干运行状态中选取最优的运行状态的具体方法为：
将各运行状态的输电阻塞管理成本和局部电力不足概率组合，得到各运行状态的特征样本，将各运行状态的特征样本输入基于概率神经网络的阻塞管理策略决策模型，以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，得到后验概率最大的运行状态，作为最优的运行状态。
本发明第二方面，一种电力***输电阻塞管理***，包括：
第一获取模块，用于获取电力***的若干运行状态；
第二获取模块，用于获取各运行状态的输电阻塞管理成本；
第三获取模块，用于获取各运行状态下电力***的局部电力不足概率；以及
输电阻塞管理模块，用于以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。
本发明第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电力***输电阻塞管理方法的步骤。
本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电力***输电阻塞管理方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明电力***输电阻塞管理方法，预先获取电力***的若干运行状态，然后获取各运行状态下电力***的输电阻塞管理成本，并在此基础上，以局部电力不足概率作为电力***可靠性的指标，获取各运行状态下电力***的局部电力不足概率，根据电力***输电线路运行状态分析可知，当局部电力不足概率最小时，电力***可靠性最高，最后，以输电阻塞管理成本和表征电力***可靠性的局部电力不足概率的组合作为综合评价指标，进行电力***输电阻塞管理，可以兼顾电力***的最优潮流以及输电线路运行的稳定性和可靠性，有效克服了目前电力***输电阻塞时，未考虑各输电线路运行的可靠性，容易造成尽管实现了最优潮流，但是会导致转移潮流后各输电线路运行的稳定性和可靠性降低的问题，得到的电力***输电阻塞管理输电管理策略能够保证电力***经济、可靠运行。
附图说明
图1为本发明实施例的电力***输电阻塞管理方法流程框图；
图2为本发明实施例的基于人工鱼群算法的电力***的局部电力不足概率确定方法流程框图；
图3为本发明实施例的阻塞管理策略决策模型结构示意图；
图4为本发明实施例的电力***输电阻塞管理***结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在此处对本发明实施例中涉及的若干技术术语进行进一步的解释。
电力阻塞：阻塞是指电力输送的要求大于输电网的实际物理输送能力，根据阻塞发生的地点的不同，可以分为区域内部输电阻塞和区域之间输电阻塞，引起阻塞的根本原因是不同区域内的发电和输电不平衡。
输电阻塞管理：阻塞管理就是网络阻塞出现情况下所采取的处理措施和方法。输电阻塞管理的主要目的是协调各个区域间的输电联络线使用者，对联络线的输电计划进行有效的管理，以便最大程度地利用***资源和实现社会经济效益。
人工鱼群算法：人工鱼群算法为山东大学副教授李晓磊2002年从鱼找寻食物的现象中表现的种种移动寻觅特点中得到启发而阐述的仿生学优化方案，该算法通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，从而实现寻优。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明一实施例中，提供一种电力***输电阻塞管理方法，通过获取电力***在各运行状态的输电阻塞管理成本以及可靠性指标，并以局部电力不足概率作为可靠性指标。为了确定最优的输电阻塞管理策略，以电路***运行费用最低和电力***运行可靠性最高为综合评价指标，确定优化的潮流运行方式，达到电力***安全可靠运转。具体的，该电力***输电阻塞管理方法包括以下步骤。
S1：获取电力***的若干运行状态。
具体的，本实施例中，电力***的若干运行状态主要是指，在电力***的负荷要求下，电力***内各机组的出力组成的集合，通过使得各各机组承担不同的出力，可以得到电力***的若干运行状态。
本实施例中，获取电力***的若干运行状态的具体方法为：根据电力***的负荷需求，基于电力***运行约束及电力***内各机组的出力范围，随机设置电力***内各机组的出力，得到电力***的若干运行状态。
优选的，电力***运行约束包括电力***平衡约束、发电机组出力约束、输电通道容量约束和母线电压相角偏移量约束。
其中，电力***平衡约束包含有功和无功功率平衡，其数学模型可表示为：
其中，i＝1,2,3……n，n表示电力***输电线路总数，γ为负荷裕度，PG,i、QG,i为第i个机组的有功功率、无功功率，PL,i、QL,i为第i条母线的有功功率、无功功率，Ui、Uj表示第i、j条母线电压，Gij为线路ij的电导，Bij为线路ij导纳，(δi-δj)线路ij的相角差。
发电机组出力约束为电力***中各发电机组的有功功率、无功功率和电压幅值均需要约束在规定的限值内，其数学模型可表示为：
其中，UG,i为第i台发电机组的电压幅值。
输电通道容量约束考虑到线路电压和热稳定性约束，其数学模型可表示为：
其中，Sij为线路潮流，
为母线i与母线j之间连接线的热稳定性约束；βL为线路L的状态。当线路开路时，线路上没有任何电能传输。
母线电压相角偏移量约束，通过考虑电压相角加以约束，以限制每条母线电压的相角偏移量，如下式所述：
其中，δk为第k条母线的电压相角，每条母线的电压相角偏移量限制在±10°之间。
S2：获取各运行状态下电力***的输电阻塞管理成本。
具体的，本实施例中，根据电力***的负荷需求及电力***内各机组的报价信息，得到电力***的最小调度成本；根据电力***内各机组的报价信息及电力***的运行状态，得到各运行状态下电力***的调度成本；以各运行状态下电力***的调度成本与电力***的最小调度成本之差，作为各运行状态下电力***的输电阻塞管理成本。
其中，假设电力***在电力调度时不削减负荷，各运行状态下电力***的输电阻塞管理成本采用如下方式获得：
ΔC＝C1-C0
其中，△C表示电力***的输电阻塞管理成本，C0、C1分别为阻塞前、后的调度成本，当输电阻塞管理成本实现最低时，可以实现***运行费用最低。
其中，电力***的最小调度成本通过如下方式得到：在不考虑线路传输限制，以最小的出清价格，作为目标函数建立数学模型：
f＝Minλ0
其约束条件为：
其中，λ0表示不考虑阻塞情况的出清价格，Pj,0为节点j处的净注入功率；Ploss为输电线路总有功损耗；ci(·)为机组i的发电成本函数；Pi,0为机组i的出力，Pi,min，Pi，max为机组i的出力上下限值。
因此，求得阻塞前调度成本C 0，即电力***的最小调度成本为：
C0＝∑ici(Pi,0)
当参与发电的机组出力使得各线路传输的功率都超过限值时，需要在考虑电力***运行约束的前提下，重新进行调度安排，以各运行状态下电力***的调度成本与电力***的最小调度成本之差最低为目标函数建立数学模型：
f＝minC＝∑iΔCi
其约束条件为：
其中，△Ci为机组i的调度成本，PL为线路L传输的有功功率，其传输上限用PL,max表示。
通过对该模型进行求解，当获得各发电机组的出力Pi,1后，根据目标函数模型可以求解出阻塞调度成本。因此，在获取电力***的若干运行状态后，可根据上述模型求得各运行状态电力***的阻塞调度成本。
S3：获取各运行状态下电力***的局部电力不足概率。
在考虑电力***可靠性为目标时，采用电力***可靠性的指标——局部电力不足概率(Loss of Load Probability,LOLP)作为评价基准。根据电力***输电线路运行状态分析可知，每条输电线路都可能存在停电的情况，当局部电力不足概率最小时，电力***可靠性最高。这里局部电力不足概率用κ表示，根据电力***输电线路分布，构建基于局部电力不足概率κ***运行可靠性最高运行策略的
κi指第i条线路的可靠性的指标。
具体的，本实施例中，通过人工鱼群算法，获取各运行状态下电力***的局部电力不足概率。其中，人工鱼群算法为山东大学副教授李晓磊，2002年从鱼找寻食物的现象中表现的种种移动寻觅特点中得到启发而阐述的仿生学优化方案，该算法通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，从而实现寻优。
为了实现实时、快速确定各运行状态下电力***的局部电力不足概率，提出基于人工鱼群算法的电力***的局部电力不足概率确定方法，包括以各运行状态分别作为当前运行状态进行如下步骤，得到各运行状态下电力***的局部电力不足概率：将当前运行状态下电力***内的各输电线路，均采用随机数原则产生随机的初始局部电力不足概率；基于各输电线路的初始局部电力不足概率、各输电线路可能运行的负荷以及各输电线路包括的各机组的机组额定容量、加载机组容量和被迫停机概率，构建人工鱼群算法的更新目标函数；根据更新目标函数，通过人工鱼群算法的觅食行为、聚群行为以及追尾行为，迭代更新各输电线路的初始局部电力不足概率，得到各输电线路的局部电力不足概率并集合，得到当前状态下电力***的局部电力不足概率。
具体的，参见图2，其中，i为鱼群数量，m表示鱼群规模，m越大跳出局部最优解的能力越强，且收敛的速度也越快，但是m越大计算量越大会增大***负担，因此在确保收敛的前提下，必须尽可能减少群规模；S表示迭代步长，通过调节S修正人工鱼群的收敛速度；V表示人工鱼的视野，视野越大，越容易使人工鱼发现全局最优解并收敛；N表示人工鱼觅食时重复次数，N越大，人工鱼的觅食行为能力越强，收敛的效率也越高；δ表示人工鱼群拥挤度因子，M、M_max表示鱼群迭代次数、最大迭代次数。该基于人工鱼群算法的电力***的局部电力不足概率确定方法包括以下步骤：
S301：采用固定参数法设定鱼群规模m，步长S，拥挤度因子δ，重复次数N，人工鱼视野V以及鱼群迭代次数M、和最大迭代次数M_max。
S302：计算初始鱼群个体的适应性，在[0,1]范围内采用随机数原则，对于输电线路L产生随机的初始局部电力不足概率κL＝{κL,1，κL,2，…，κL,i，…，κL,m}作为鱼群个体初值，κL,i为随机产生的鱼群状态。
S303：对每个个体进行评价，通过执行人工鱼觅食行为、聚群行为以及追尾行为，更新各个行为状态，并与公告牌对比，若优于公告牌则替换，生成新的鱼群。觅食行为：设人工鱼群当前状态κL,i随机选其视野内的一个状态κL,j：
其中，rand()函数为产生0到1的随机数。
分别计算κL,i、κL,j的目标函数Yi＝f(κL,i)、Yj＝f(κL,j)，其中，目标函数是一个***各个机组额定容量Pmax、加载机组容量P、被迫停机概率r和输电线路可能运行的负荷PL的综合指标：
若Yj＞Yi，则κL,i向κL,j方向移动一步，即：
否则，κL,i继续在其视野内选择下一个状态κL,j。判断是否满足前进条件，尝试N次后，若仍不满足要求，则：
更新觅食行为产生的鱼群状态
Yne xt1为最后觅食时的目标函数值。
聚群行为：
定义人工鱼群个体之间的距离为dij＝|κL,i-κL,j|。搜索人工鱼当前视野内(dij＜V)的伙伴数n和中心位置κL,c，若Yc/n＞δYi，则κL,i向中心位置移动一步：
更新因聚群行为产生的鱼群状态
Ynext2为最后觅食时的目标函数。
追尾行为：搜索人工鱼当前视野内(dij＜V)的伙伴中目标函数最大的Yj最优的伙伴κL,j，若Yj/n＞δYi，则κL,i向中心位置移动一步：
更新因追尾行为产生的鱼群状态
Ynext3为最后觅食时的目标函数。
S304：根据三类行为获得的目标函数最大值时为当前最优状态κL,next，更新鱼群κL,i＝κL,next。
S305：鱼群数量每次循环加1，并判断当前鱼群数量是否达到人工鱼群总数m或误差是否满足要求，若未满足要求，重新执行人工鱼觅食行为、聚群行为、追尾行为；若满足要求则更新迭代次数。
S306：逐次增大鱼群迭代次数，判断鱼群迭代次数是否达到最大限制，若已达到，则输出最后更新的鱼群状态为最优解；否则，重新更新鱼群数量初始数量为1，重复执行上述步骤。
通过上述步骤，实时、快速的得到各运行状态下电力***的局部电力不足概率。
S4：以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。本实施例中，将各运行状态的输电阻塞管理成本和局部电力不足概率组合，得到各运行状态的特征样本，将各运行状态的特征样本输入基于概率神经网络的阻塞管理策略决策模型，以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，得到后验概率最大的运行状态，作为最优的运行状态。
具体的，以前述的***运行费用和电力***运行可靠性指标作为特征参数构建样本特征矢量X＝[x1，x2，……，xi，……，xn]，其中xi＝{输电阻塞管理成本，局部电力不足概率}，将其映射至状态空间，构建基于概率神经网络的阻塞管理策略决策模型，实现优化潮流分布。
其中，参见图3，基于概率神经网络的阻塞管理策略决策模型由输入层、模式层、求和层、输出层构成。
其中，输入层作为网络的第一层，其任务是将样本矢量传递到模式层，该层将输入每个向量作为一个节点对其进行加权求和，第二层模式层是径向基层，该层将输入层输入的数值经激活函数进行计算后作为下一层的输入值。激活函数采用高斯函数，该层第i类的第j个神经元输出的概率为：
其中，d表示样本矢量维数，这里为2；σ为平滑因子，以样本点的中点的钟状曲线的宽度，Xij为第i类的第j个中心矢量。
第三层为求和层，该层对模式层中同类输入向量的神经元的概率密度做加权平均，得到各类输入向量的估计概率密度：
其中，Li表示第i类样本矢量的数量。
最后一层为输出层，这是一个基于Bayes决策准则的判决层，通过选择后验概率最大的类别作为样本的实际分类结果。
在不考虑样本错误判决的条件，Bayes判决准则为对所有的i≠j：
P(yi|X)＞P(yj|X)X∈yi
即输出结果为具有最大后验概率的类别，即输出结果Y＝yi；反之Y＝yj。
对于某一样本矢量X＝[x1，x2……xn]，假设状态类型为Y＝[y1，y2……ym]。根据概率理论可知，后验概率P(yi|X)为：
其中，P(X|yi)、P(yi)分别为类条件概率密度函数、先验概率。对于未知的分类决策，先验概率通过以往的经验确定，类条件概率密度函数可借助如下的Parzen函数进行估算：
首先，将样本特征矢量X＝[x1，x2，……，xi，……，xn]，随机选取前100组计算得到的***运行费用和电力***运行可靠性指标作为决策模型的训练样本，输入到基于概率神经网络的阻塞管理策略决策模型中对模型进行训练，从而修正平滑因子，得到最终的基于概率神经网络的阻塞管理策略决策模型；然后，再根据***实时运行情况随机计算若干组样本特征矢量作为测试样本输入基于概率神经网络的阻塞管理策略决策模型中进行求解，测试模型性能。最后，将各运行状态的特征样本输入基于概率神经网络的阻塞管理策略决策模型，以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，得到后验概率最大的运行状态，作为最优的运行状态。
因此，本方案以Bayes最小风险决策准则作为阻塞管理管理策略模型的前馈网络，建立决策模型，对由输电阻塞管理成本和局部电力不足概率构成的特征样本进行训练和测试，以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，确定最优的运行状态，优化电力***潮流的运行方式。
综上所述，本发明电力***输电阻塞管理方法，预先获取电力***的若干运行状态，然后在不考虑输电线路传输限制，得到电力***的最小调度成本；综合考虑电力***的电力***平衡约束、发电机组出力约束、输电通道容量约束和母线电压相角偏移量约束等约束条件，当参与发电的机组出力使得各输电线路传输的功率都超过限值时，考虑各输电线路输电限制的前提下，重新进行调度安排，获取各运行状态下电力***的调度成本。在此基础上，取局部电力不足概率作为电力***可靠性的指标，根据电力***输电线路运行状态分析可知，每条输电线路都可能存在停电的情况，当局部电力不足概率最小时，电力***可靠性最高。最后，同时以输电阻塞管理成本和表征电力***可靠性的局部电力不足概率的组合，作为综合评价指标，进行电力***输电阻塞管理，可以兼顾电力***的最优潮流以及输电线路运行的稳定性和可靠性，得到的电力***输电阻塞管理输电管理策略能够保证电力***经济、可靠运行。
同时，为了实现局部电力不足概率的快速计算，提出基于人工鱼群算法的电力***的局部电力不足概率的确定方案，有效的提升了局部电力不足概率的确定速度。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
参见图4，本发明再一个实施例中，提供了一种电力***输电阻塞管理***，能够用于实现上述的电力***输电阻塞管理方法，具体的，该电力***输电阻塞管理***包括第一获取模块、第二获取模块、第三获取模块及输电阻塞管理模块。
其中，第一获取模块用于获取电力***的若干运行状态；第二获取模块用于获取各运行状态的输电阻塞管理成本；第三获取模块用于获取各运行状态下电力***的局部电力不足概率；输电阻塞管理模块用于以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。
本发明电力***输电阻塞管理***，通过第一获取模块获取电力***的若干运行状态，然后通过第二获取模块用于获取各运行状态的输电阻塞管理成本，通过第三获取模块获取各运行状态下电力***的局部电力不足概率，然后通过输电阻塞管理模块以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。输电阻塞管理模块以输电阻塞管理成本和表征电力***可靠性的局部电力不足概率的组合，作为综合评价指标，进行电力***输电阻塞管理，可以兼顾电力***的最优潮流以及输电线路运行的稳定性和可靠性，得到的电力***输电阻塞管理输电管理策略能够保证电力***经济、可靠运行。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于电力***输电阻塞管理方法的操作，包括以下步骤：获取电力***的若干运行状态；获取各运行状态下电力***的输电阻塞管理成本；获取各运行状态下电力***的局部电力不足概率；以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电力***输电阻塞管理方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：获取电力***的若干运行状态；获取各运行状态下电力***的输电阻塞管理成本；获取各运行状态下电力***的局部电力不足概率；以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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 (10)
1.一种电力***输电阻塞管理方法，其特征在于，包括以下步骤：
获取电力***的若干运行状态；
获取各运行状态下电力***的输电阻塞管理成本；
获取各运行状态下电力***的局部电力不足概率；
以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。
2.根据权利要求1所述的电力***输电阻塞管理方法，其特征在于，所述运行状态包括电力***内各机组的出力，所述获取电力***的若干运行状态的具体方法为：
根据电力***的负荷需求，基于电力***运行约束及电力***内各机组的出力范围，根据前日电力***内各机组的出力，得到电力***的若干运行状态。
3.根据权利要求2所述的电力***输电阻塞管理方法，其特征在于，所述电力***运行约束包括电力***平衡约束、发电机组出力约束、输电通道容量约束和母线电压相角偏移量约束。
4.根据权利要求1所述的电力***输电阻塞管理方法，其特征在于，所述获取各运行状态下电力***的输电阻塞管理成本的具体方法为：
根据电力***的负荷需求及电力***内各机组的报价信息，得到电力***的最小调度成本；
根据电力***内各机组的报价信息及电力***的运行状态，得到各运行状态下电力***的阻塞调度成本；
以各运行状态下电力***的阻塞调度成本与电力***的最小调度成本的差值，作为各运行状态下电力***的输电阻塞管理成本。
5.根据权利要求1所述的电力***输电阻塞管理方法，其特征在于，所述获取各运行状态下电力***的局部电力不足概率的具体方法为：
通过人工鱼群算法，获取各运行状态下电力***的局部电力不足概率。
6.根据权利要求5所述的电力***输电阻塞管理方法，其特征在于，所述通过人工鱼群算法，获取各运行状态下电力***的局部电力不足概率的具体方法为：
以各运行状态分别作为当前运行状态进行如下步骤，得到各运行状态下电力***的局部电力不足概率：
将当前运行状态下电力***内的各输电线路，均采用随机数原则产生随机的初始局部电力不足概率；
基于各输电线路的初始局部电力不足概率、各输电线路可能运行的负荷以及各输电线路包括的各机组的机组额定容量、加载机组容量和被迫停机概率，构建人工鱼群算法的更新目标函数；
根据更新目标函数，通过人工鱼群算法的觅食行为、聚群行为以及追尾行为，迭代更新各输电线路的初始局部电力不足概率，得到各输电线路的局部电力不足概率并集合，得到当前状态下电力***的局部电力不足概率。
7.根据权利要求1所述的电力***输电阻塞管理方法，其特征在于，所述从若干运行状态中选取最优的运行状态的具体方法为：
将各运行状态的输电阻塞管理成本和局部电力不足概率组合，得到各运行状态的特征样本，将各运行状态的特征样本输入基于概率神经网络的阻塞管理策略决策模型，以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，得到后验概率最大的运行状态，作为最优的运行状态。
8.一种电力***输电阻塞管理***，其特征在于，包括：
第一获取模块，用于获取电力***的若干运行状态；
第二获取模块，用于获取各运行状态的输电阻塞管理成本；
第三获取模块，用于获取各运行状态下电力***的局部电力不足概率；以及
输电阻塞管理模块，用于以输电阻塞管理成本最低和局部电力不足概率最小为综合评价指标，从若干运行状态中选取最优的运行状态，根据最优的运行状态进行电力***输电阻塞管理。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述电力***输电阻塞管理方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述电力***输电阻塞管理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011497562.3A CN112580868A (zh) | 2020-12-17 | 2020-12-17 | 电力***输电阻塞管理方法、***、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011497562.3A CN112580868A (zh) | 2020-12-17 | 2020-12-17 | 电力***输电阻塞管理方法、***、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112580868A true CN112580868A (zh) | 2021-03-30 |
Family
ID=75135862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011497562.3A Pending CN112580868A (zh) | 2020-12-17 | 2020-12-17 | 电力***输电阻塞管理方法、***、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112580868A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113888096A (zh) * | 2021-10-28 | 2022-01-04 | 江南大学 | 一种物流园区的货物管理方法及*** |
| CN114744686A (zh) * | 2022-06-09 | 2022-07-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电机组识别方法、装置、设备和存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104158188A (zh) * | 2014-08-29 | 2014-11-19 | 上海电力学院 | 一种可中断负荷参与下的输电阻塞消除方法 |
| US20170324243A1 (en) * | 2016-05-09 | 2017-11-09 | Utopus Insights, Inc. | Congestion control in electric power system under load and uncertainty |
| CN108808742A (zh) * | 2018-07-05 | 2018-11-13 | 华中科技大学 | 考虑主动配电网接入面向输电阻塞的风险调度方法及*** |
| CN110348674A (zh) * | 2019-05-28 | 2019-10-18 | 贵州电网有限责任公司 | 一种电网风险评估方法、***和计算机可读存储介质 |
| CN110889778A (zh) * | 2019-11-29 | 2020-03-17 | 国网河南省电力公司经济技术研究院 | 一种基于网络安全约束的电能价值评估方法 |
| CN110994592A (zh) * | 2019-11-15 | 2020-04-10 | 国网四川省电力公司经济技术研究院 | 一种考虑输电阻塞盈余的输电网扩展规划方法 |
-
2020
- 2020-12-17 CN CN202011497562.3A patent/CN112580868A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104158188A (zh) * | 2014-08-29 | 2014-11-19 | 上海电力学院 | 一种可中断负荷参与下的输电阻塞消除方法 |
| US20170324243A1 (en) * | 2016-05-09 | 2017-11-09 | Utopus Insights, Inc. | Congestion control in electric power system under load and uncertainty |
| CN108808742A (zh) * | 2018-07-05 | 2018-11-13 | 华中科技大学 | 考虑主动配电网接入面向输电阻塞的风险调度方法及*** |
| CN110348674A (zh) * | 2019-05-28 | 2019-10-18 | 贵州电网有限责任公司 | 一种电网风险评估方法、***和计算机可读存储介质 |
| CN110994592A (zh) * | 2019-11-15 | 2020-04-10 | 国网四川省电力公司经济技术研究院 | 一种考虑输电阻塞盈余的输电网扩展规划方法 |
| CN110889778A (zh) * | 2019-11-29 | 2020-03-17 | 国网河南省电力公司经济技术研究院 | 一种基于网络安全约束的电能价值评估方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113888096A (zh) * | 2021-10-28 | 2022-01-04 | 江南大学 | 一种物流园区的货物管理方法及*** |
| CN114744686A (zh) * | 2022-06-09 | 2022-07-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电机组识别方法、装置、设备和存储介质 |
| CN114744686B (zh) * | 2022-06-09 | 2022-11-01 | 阿里巴巴达摩院(杭州)科技有限公司 | 发电机组识别方法、装置、设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mocanu et al. | Unsupervised energy prediction in a Smart Grid context using reinforcement cross-building transfer learning | |
| Grimaldi et al. | PSO as an effective learning algorithm for neural network applications | |
| Xiao et al. | A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting | |
| Garg et al. | Symbolic network: generalized neural policies for relational MDPs | |
| Choong et al. | State-of-the-art for modelling reservoir inflows and management optimization | |
| Jiao et al. | Electricity price driven active distribution network planning considering uncertain wind power and electricity price | |
| Pinto et al. | Adaptive entropy-based learning with dynamic artificial neural network | |
| CN112580868A (zh) | 电力***输电阻塞管理方法、***、设备及存储介质 | |
| Yu et al. | Forecasting house price index of China using dendritic neuron model | |
| Kaboli et al. | An expression-driven approach for long-term electric power consumption forecasting | |
| CN112329997A (zh) | 电力需求负荷预测方法及***、电子设备和存储介质 | |
| Liu et al. | Global maximum likelihood estimation procedure for multinomial probit (MNP) model parameters | |
| Bala et al. | Optimal position and rating of DG in distribution networks by ABC–CS from load flow solutions illustrated by fuzzy-PSO | |
| Yasin et al. | Quantum-inspired evolutionary programming-artificial neural network for prediction of undervoltage load shedding | |
| CN111784019A (zh) | 电力负荷处理方法和装置 | |
| Rastgoo et al. | A neurofuzzy QoS-aware routing protocol for smart grids | |
| Pinto et al. | Strategic bidding methodology for electricity markets using adaptive learning | |
| Wu et al. | Training neural networks by electromagnetism-like mechanism algorithm for tourism arrivals forecasting | |
| Strange et al. | Discrete flower pollination algorithm for solving the symmetric travelling salesman problem | |
| Barreto et al. | Study of particle swarm optimization variations applied to transmission expansion planning | |
| Lin et al. | PowerFlowNet: Leveraging Message Passing GNNs for Improved Power Flow Approximation | |
| CN115526092A (zh) | 一种电力负荷预测方法及装置 | |
| Runge et al. | Introduction to risk analysis | |
| Wang et al. | Predicting China's Energy Consumption Using Artificial Neural Networks and Genetic Algorithms | |
| Shi et al. | Integration of fuzzy logic, particle swarm optimization and neural networks in quality assessment of construction project. |
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 |