CN114186494A - 负荷确定方法、模型训练方法、装置以及电子设备 - Google Patents
负荷确定方法、模型训练方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN114186494A CN114186494A CN202111519479.6A CN202111519479A CN114186494A CN 114186494 A CN114186494 A CN 114186494A CN 202111519479 A CN202111519479 A CN 202111519479A CN 114186494 A CN114186494 A CN 114186494A
- Authority
- CN
- China
- Prior art keywords
- load
- determining
- photovoltaic
- distributed
- distributed photovoltaic
- 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 93
- 238000012549 training Methods 0.000 title claims abstract description 46
- 230000007613 environmental effect Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000010248 power generation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供了负荷确定方法、模型训练方法、装置以及电子设备,涉及人工智能、计算机技术领域,尤其涉及工业大数据领域。具体实现方案为:确定预设区域中集中式光伏在预设时间段内的第一负荷;以及根据第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷。
Description
技术领域
本公开涉及人工智能、计算机技术领域,尤其涉及工业大数据领域,具体地,涉及一种负荷确定方法、模型训练方法、装置以及电子设备。
背景技术
分布式光伏发电是一种在用户场地附近建设,运行方式为用户侧自发自用、多余电量上网,且在配电***中执行平衡调节的光伏发电设施。分布式光伏发电是指采用光伏组件,将太阳能直接转换为电能的分布式发电***。分布式光伏发电是一种新型的、具有广阔发展前景的发电和能源综合利用方式,不仅能够有效提高同等规模光伏电站的发电量,还可有效解决电力在升压及长途运输中的损耗问题。
发明内容
本公开提供了一种负荷确定方法、模型训练方法、装置以及电子设备。
根据本公开的一方面,提供了一种负荷确定方法,包括:确定预设区域中集中式光伏在预设时间段内的第一负荷;以及根据所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷。
根据本公开的另一方面,提供了一种模型训练方法,包括:获取第一历史负荷和第二历史负荷,其中,所述第一历史负荷表征预设区域中的集中式光伏在历史时间段内的负荷,所述第二历史负荷表征所述预设区域中的分布式光伏在所述历史时间段内的负荷;将所述第一历史负荷输入待训练的预测模型,得到与所述第一历史负荷相对应的预测负荷;以及利用所述第二历史负荷和所述预测负荷训练所述预测模型。
根据本公开的另一方面,提供了一种负荷确定装置,包括:第一确定模块,用于确定预设区域中集中式光伏在预设时间段内的第一负荷;以及第二确定模块,用于根据所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷。
根据本公开的另一方面,提供了一种模型训练装置,包括:获取模块,用于获取第一历史负荷和第二历史负荷,其中,所述第一历史负荷表征预设区域中的集中式光伏在历史时间段内的负荷,所述第二历史负荷表征所述预设区域中的分布式光伏在所述历史时间段内的负荷;输入模块,用于将所述第一历史负荷输入待训练的预测模型,得到与所述第一历史负荷相对应的预测负荷;以及训练模块,用于利用所述第二历史负荷和所述预测负荷训练所述预测模型。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据本公开所述的负荷确定方法、模型训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开所述的负荷确定方法、模型训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据本公开所述的负荷确定方法、模型训练方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的可以应用负荷确定方法及装置或模型训练方法及装置的示例性***架构;
图2示意性示出了根据本公开实施例的负荷确定方法的流程图;
图3示意性示出了根据本公开实施例的模型训练方法的流程图;
图4示意性示出了根据本公开实施例负荷确定方法的示例性应用图;
图5示意性示出了根据本公开实施例的负荷确定装置的框图;
图6示意性示出了根据本公开实施例的模型训练装置的框图;以及
图7示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
光伏是太阳能光伏发电***的简称,是一种利用太阳电池半导体材料的光伏效应,将太阳光辐射能直接转换为电能的发电***,有独立运行和并网运行两种方式。光伏可以分为两类,一种是集中式光伏,如大型西北地面光伏发电***;另一种是分布式光伏(以>6MW为分界),如民居屋顶光伏发电***。在与光伏相关的母线负荷预测***中,通常的母线负荷预测流程是根据母线的历史负荷数据,结合天气数据、检修计划等,构建模型,对其进行负荷预测。建模技术通常分为专家经验法、统计学方法以及机器学***均)以及多元线性回归等。机器学习方法在电力***的应用是近年来的热门应用,主要是针对某条母线的历史负荷、天气等特征,使用XGBoost等树模型进行建模,或者使用LSTM(Long Short-Term Memory,长短期记忆网络)等循环神经网络模型建模。
某条母线(例如220kv母线)的负荷数据通常是由多条下级母线(例如110kv母线、35kv母线等)的负荷数据叠加得到。
发明人在实现本公开构思的过程中发现,由于分布式光伏分布广而散的特性,逐户的统计某条母线下每户的实际光伏负荷工作量巨大,故而在实际母线负荷预测中,难以进行精确的负荷预测。此外,在实际的母线负荷的预测中,只能确定某条母线下是否含有集中式光伏,对分布式光伏很少提及。故而,在实际建模时,并未单独考虑分布式光伏的因素,而是统一建模。但在实际数据表面,分布式光伏对某条母线的负荷预测出力的影响比较大,导致直接对母线进行建模的预测效果一般。
本公开提供了一种负荷确定方法、模型训练方法、装置以及电子设备。负荷确定方法包括:确定预设区域中集中式光伏在预设时间段内的第一负荷;以及根据第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷。
图1示意性示出了根据本公开实施例的可以应用负荷确定方法及装置或模型训练方法及装置的示例性***架构。
需要注意的是,图1所示仅为可以应用本公开实施例的***架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、***、环境或场景。例如,在另一实施例中,可以应用负荷确定方法及装置或模型训练方法及装置的示例性***架构可以包括终端设备,但终端设备可以无需与服务器进行交互,即可实现本公开实施例提供的负荷确定方法及装置或模型训练方法及装置。
如图1所示,根据该实施例的***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(″Virtual PrivateServer″,或简称″VPS″)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
需要说明的是,本公开实施例所提供的负荷确定方法或模型训练方法一般可以由终端设备101、102、或103执行。相应地,本公开实施例所提供的负荷确定装置或模型训练装置也可以设置于终端设备101、102、或103中。
或者,本公开实施例所提供的负荷确定方法或模型训练方法一般也可以由服务器105执行。相应地,本公开实施例所提供的负荷确定装置或模型训练装置一般可以设置于服务器105中。本公开实施例所提供的负荷确定方法或模型训练方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地,本公开实施例所提供的负荷确定装置或模型训练装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
例如,在需要确定负荷时,终端设备101、102、103可以获取预设区域中集中式光伏在预设时间段内的第一负荷,然后将获取的第一负荷发送给服务器105,由服务器105根据第一负荷,确定该预设区域中的分布式光伏在该预设时间段内的目标负荷。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群根据第一负荷,确定该预设区域中的分布式光伏在该预设时间段内的目标负荷。
例如,在需要训练模型时,终端设备101、102、103可以获取第一历史负荷和第二历史负荷,第一历史负荷表征预设区域中的集中式光伏在历史时间段内的负荷,第二历史负荷表征该预设区域中的分布式光伏在该历史时间段内的负荷。然后,终端设备101、102、103可以将获取的第一历史负荷和第二历史负荷发送给服务器105,由服务器105将第一历史负荷输入待训练的预测模型,得到与第一历史负荷相对应的预测负荷,并利用第二历史负荷和预测负荷训练预测模型。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对第一历史负荷和第二历史负荷进行处理,并实现训练预测模型。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的负荷确定方法的流程图。
如图2所示,该方法包括操作S210~S220。
在操作S210,确定预设区域中集中式光伏在预设时间段内的第一负荷。
在操作S220,根据第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,预设区域可以包括同区域或者环境条件相似的、地理位置相邻或不相邻的区域,还可以为同一母线连接的光伏所占据的区域。环境条件例如可以包括天气、风速、温度等其中至少之一,在此不进行限定。在不同区域的环境条件的相似度大于预设阈值的情况下,可以表征环境条件相似。对于属于不同地理位置的区域,只要各区域间的环境条件相似,也可以被确定为同一预设区域。预设时间段可以包括具有预设时长的未来时间段,如相对于当前时间的未来一天、未来特定的某一天等。第一负荷可以通过获取预设区域中的各个集中式光伏的负荷,然后计算预设区域中的所有集中式光伏的负荷之和确定。
根据本公开的实施例,根据第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷的方法可以包括:训练预测模型,将预设区域中集中式光伏在预设时间段内的第一负荷输入该预测模型,可以得到该预设区域中的分布式光伏在该预设时间段内的目标负荷。预定义以第一负荷作为自变量、目标负荷作为因变量的计算公式,利用该公式,根据预设区域中集中式光伏在预设时间段内的第一负荷,计算该预设区域中的分布式光伏在该预设时间段内的目标负荷。
通过本公开的上述实施例,可以根据集中式光伏的负荷确定分布式光伏的负荷,在考虑到分布式光伏的情况下,还可合理并准确有效的确定分布式光伏的负荷。
下面结合具体实施例,对图2所示的方法做进一步说明。
根据本公开的实施例,上述分布式光伏的目标负荷的确定方法还可以包括:确定预设区域在预设时间段内的环境信息。根据环境信息和第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,环境信息可以包括天气、风速、温度等其中至少一个信息,且可不限于此。
根据本公开的实施例,根据环境信息和第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷的方法可以包括:训练预测模型,将预设区域中集中式光伏在预设时间段内的第一负荷,以及该预设区域在该预设时间段内的环境信息,输入该预测模型,可以得到该预设区域中的分布式光伏在该预设时间段内的目标负荷。预定义以第一负荷和环境信息作为自变量、目标负荷作为因变量的计算公式,利用该公式,根据预设区域中集中式光伏在预设时间段内的第一负荷,和该预设区域在该预设时间段内的环境信息,计算该预设区域中的分布式光伏在该预设时间段内的目标负荷。
通过本公开的上述实施例,可以结合环境信息和集中式光伏的负荷确定分布式光伏的负荷,在考虑到分布式光伏的情况下,还可以结合环境信息,提高确定的分布式光伏负荷的准确性。
根据本公开的实施例,根据第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷可以包括:根据集中式光伏的光伏数目和第一负荷,确定集中式光伏中的每个光伏的第二负荷。将第二负荷确定为分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,第二负荷可以表征集中式光伏中每个光伏的平均负荷。根据集中式光伏中每个光伏的平均负荷,可以相应地确定每个分布式光伏的负荷,即可以根据集中式光伏中的每个光伏的第二负荷确定每个分布式光伏的目标负荷。
根据本公开的实施例,预设区域中的所有分布式光伏在预设时间段内的总负荷,可以对每个分布式光伏的目标负荷和该预设区域中包括的分布式光伏的数目进行乘积计算确定。
例如,某一母线连接有集中式光伏和3台分布式光伏。集中式光伏包括20台光伏,相应的负荷为100kw,可以确定集中式光伏中的每台光伏的负荷为5kw,并可据此确定该母线连接的各台分布式光伏的负荷为5kw。相应地,可以确定该母线连接的所有分布式光伏的总负荷为15kw。
需要说明的是,在进行上述乘积计算时,也可以根据环境信息、光伏信息等,为乘积计算的过程配置相应的权重,以得到准确率更高的计算结果。
通过本公开的上述实施例,实现了一种根据集中式光伏的负荷计算分布式光伏的负荷的方式,该方式可基于统计学原理,合理有效,并可以得到较为准确的计算结果。
根据本公开的实施例,上述预设区域中包括第一数目个分布式光伏。根据第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷可以包括:在第一数目小于或等于第一预设阈值的情况下,针对每个分布式光伏,根据第一负荷,确定分布式光伏的第三负荷。将第三负荷确定为分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,在母线连接的分布式光伏的数目较少的情况下,可以针对每个分布式光伏,计算相应的负荷,即上述第三负荷,并根据该第三负荷确定目标负荷。母线连接的分布式光伏的数目是否较少可以通过预设的第一预设阈值界定。
根据本公开的实施例,上述母线连接的所有分布式光伏在预设时间段内的总负荷,可以对该所有分布式光伏中各个分布式光伏的目标负荷进行加和计算确定。
需要说明的是,在根据第一负荷,确定分布式光伏的第三负荷的情况下,也可以根据环境信息等,为确定过程配置相应的调节参数,以得到准确率更高的计算结果。
通过本公开的上述实施例,可以在分布式光伏的数目较少的情况下,针对每个分布式光伏计算相应的负荷,有利于提高每个分布式光伏的计算结果的准确性。
根据本公开的实施例,预设区域中包括第二数目个分布式光伏。根据第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷可以包括:在第二数目大于第二预设阈值的情况下,将第二数目个分布式光伏划分为多个分布式光伏集合。针对每个分布式光伏集合,根据第一负荷,确定分布式光伏集合的第四负荷。将第四负荷确定为与分布式光伏集合相对应的分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,在母线连接的分布式光伏的数目较多的情况下,可以首先对多个分布式光伏进行聚类,可以将同一类的分布式光伏确定为一个分布式光伏集合。然后,可以针对每个分布式光伏集合,计算相应的负荷,即上述第四负荷,并根据该第四负荷确定与分布式光伏集合相对应的所有分布式光伏的目标负荷。母线连接的分布式光伏的数目是否较多可以通过预设的第二预设阈值界定。
根据本公开的实施例,聚类的方式可以包括如下至少之一:根据分布式光伏的地理位置距离的远近进行聚类、根据分布式光伏的使用频率进行聚类、根据分布式光伏所处位置的环境信息的相似度进行聚类等等。
根据本公开的实施例,上述母线连接的所有分布式光伏在预设时间段内的总负荷,可以对该所有分布式光伏中各个分布式光伏集合的目标负荷进行加和计算确定。
需要说明的是,在根据第一负荷,确定分布式光伏集合的第四负荷的情况下,也可以根据环境信息等,为确定过程配置相应的调节参数,以得到准确率更高的计算结果。
通过本公开的上述实施例,可以在分布式光伏的数目较多的情况下,先划分为集群,后针对集群计算负荷,可有效降低针对每个分布式光伏单独计算负荷时的工作量,并可有效提高分布式光伏的计算结果的准确性。
根据本公开的实施例,在计算得到分布式光伏或分布式光伏集合的目标负荷的基础上,上述负荷确定方法还可以包括:在与目标母线相关联的光伏包括至少一个分布式光伏的情况下,确定与至少一个分布式光伏相对应的至少一个目标负荷。根据至少一个目标负荷,确定目标母线的负荷。
根据本公开的实施例,至少一个目标负荷的数目可以小于或等于至少一个分布式光伏的数目。例如,在一个目标负荷对应于一个分布式光伏集群的负荷的情况下,至少一个目标负荷的数目小于至少一个分布式光伏的数目。
根据本公开的实施例,在目标母线连接的光伏仅包括分布式光伏的情况下,可以通过统计该目标母线连接的所有分布式光伏的负荷,确定该目标母线的负荷。
通过本公开的上述实施例,在针对包括分布式光伏的母线计算负荷的情况下,可以考虑到分布式负荷的影响,提高针对母线计算得到的负荷的准确率。
根据本公开的实施例,在计算得到分布式光伏或分布式光伏集合的目标负荷的基础上,上述负荷确定方法还可以包括:在与目标母线相关联的光伏包括至少一个分布式光伏和至少一个集中式光伏的情况下,确定与至少一个分布式光伏相对应的至少一个目标负荷,以及与至少一个集中式光伏相对应的至少一个第一负荷。根据至少一个目标负荷和至少一个第一负荷,确定目标母线的负荷。
根据本公开的实施例,在目标母线连接的光伏包括分布式光伏和集中式光伏的情况下,可以通过统计该目标母线连接的所有分布式光伏和所有集中式光伏的负荷,确定该目标母线的负荷。
通过本公开的上述实施例,在针对包括分布式光伏的母线计算负荷的情况下,可以考虑到分布式负荷的影响,提高针对母线计算得到的负荷的准确率。
根据本公开的实施例,上述目标负荷可以是利用预测模型得到的。
根据本公开的实施例,相应地,上述第一负荷、第二负荷、第三负荷、第四负荷以及目标母线的负荷均可以是利用预测模型得到的。
提高本公开的上述实施例,通过模型的方式,可以有效提高每一步负荷计算结果的准确率,从而提高总的负荷计算结果的准确率。
图3示意性示出了根据本公开实施例的模型训练方法的流程图。
如图3所示,该方法包括操作S310~S330。
在操作S310,获取第一历史负荷和第二历史负荷,第一历史负荷表征预设区域中的集中式光伏在历史时间段内的负荷,第二历史负荷表征预设区域中的分布式光伏在历史时间段内的负荷。
在操作S320,将第一历史负荷输入待训练的预测模型,得到与第一历史负荷相对应的预测负荷。
在操作S330,利用第二历史负荷和预测负荷训练预测模型。
根据本公开的实施例,上述训练得到的模型可以用于上述任一种负荷确定方法中。例如,可以应用于上述第一负荷、第二负荷、第三负荷、第四负荷以及目标母线的负荷的确定方法中。
需要说明的是,在实际负荷预测***建设中,可以首先根据母线的历史负荷数据是否存在负数或者根据当地的台账数据的记录确定包括分布式光伏的区域。例如,可以确定包括分布式光伏的母线集合。然后,可以针对母线连接的所有光伏进行建模。根据光伏的应用分布情况,针对母线理解的光伏进行建模时,可以将包含分布式光伏的母线从汇总的上级母线中剥离出来单独建模或以集群为单位建模,上级母线建模时可以减去剥离出来的母线的处理再进行建模。上级母线可以指包括所有分布式光伏和所有集中式光伏的母线。之后,可以采用同区域或就近区域的集中式光伏的负荷对相应区域中的分布式光伏负荷进行预测。也可以在同区域或就近区域中不具备集中式光伏的情况下,采用先对分布式光伏进行聚类,再对聚类后的分布式光伏进行负荷预测的方式,确定相应分布式光伏的负荷。并可根据分布式光伏和/或集中式光伏的负荷,确定相应母线的负荷。
通过本公开的上述实施例,提供了一种模型训练方法,根据上述方法训练好模型进行负荷预测时,可有效提高预测精度。
图4示意性示出了根据本公开实施例负荷确定方法的示例性应用图。
如图4所示,上级母线410连接有下级母线420、430、440、450、460等。下级母线420下连接集中式光伏421,下级母线430下连接分布式光伏431,下级母线440下连接分布式光伏441,下级母线450下连接集中式光伏451,下级母线460下连接分布式光伏461等。该母线410下连接的光伏321、431、441、451、461等可以被定为至同一预设区域。集中式光伏421、451等各自的负荷可以预先预测确定。分布式光伏431、441、461等各自的光伏可以通过针对分布式光伏431、441、461各自训练的预测模型预测得到。分布式光伏431、441、461中的至少两个光伏也可以被划分至同一类,确定一个分布式光伏集合。例如,分布式光伏431、441可以被确定为一个分布式光伏集合,可以利用针对该分布式光伏集合训练的预测模型预测该分布式光伏集合的负荷。根据所有光伏321、431、441、451、461的负荷,可以确定母线410的负荷。
通过本公开的上述实施例,可以训练相应的模型,提高针对每隔分布式光伏的负荷预测的精度。此外,还可以在预测母线的负荷时,将与母线连接的分布式光伏考虑在内,提高母线负荷的预测精度。
图5示意性示出了根据本公开实施例的负荷确定装置的框图。
如图5所示,负荷确定装置500包括第一确定模块和第二确定模块。
第一确定模块510,用于确定预设区域中集中式光伏在预设时间段内的第一负荷。
第二确定模块520,用于根据第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,负荷确定装置还包括第三确定模块和第四确定模块。
第三确定模块,用于确定预设区域在预设时间段内的环境信息。
第四确定模块,用于根据环境信息和第一负荷,确定预设区域中的分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,第二确定模块包括第一确定单元和第二确定单元。
第一确定单元,用于根据集中式光伏的光伏数目和第一负荷,确定集中式光伏中的每个光伏的第二负荷。
第二确定单元,用于将第二负荷确定为分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,预设区域中包括第一数目个分布式光伏。第二确定模块包括第三确定单元和第四确定单元。
第三确定单元,用于在第一数目小于或等于第一预设阈值的情况下,针对每个分布式光伏,根据第一负荷,确定分布式光伏的第三负荷。
第四确定单元,用于将第三负荷确定为分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,预设区域中包括第二数目个分布式光伏。第二确定模块包括划分单元、第五确定单元和第六确定单元。
划分单元,用于在第二数目大于第二预设阈值的情况下,将第二数目个分布式光伏划分为多个分布式光伏集合。
第五确定单元,用于针对每个分布式光伏集合,根据第一负荷,确定分布式光伏集合的第四负荷。
第六确定单元,用于将第四负荷确定为与分布式光伏集合相对应的分布式光伏在预设时间段内的目标负荷。
根据本公开的实施例,负荷确定装置还包括第五确定模块和第六确定模块。
第五确定模块,用于在与目标母线相关联的光伏包括至少一个分布式光伏的情况下,确定与至少一个分布式光伏相对应的至少一个目标负荷。
第六确定模块,用于根据至少一个目标负荷,确定目标母线的负荷。
根据本公开的实施例,负荷确定装置还包括第七确定模块和第八确定模块。
第七确定模块,用于在与目标母线相关联的光伏包括至少一个分布式光伏和至少一个集中式光伏的情况下,确定与至少一个分布式光伏相对应的至少一个目标负荷,以及与至少一个集中式光伏相对应的至少一个第一负荷。
第八确定模块,用于根据至少一个目标负荷和至少一个第一负荷,确定目标母线的负荷。
根据本公开的实施例,目标负荷是利用预测模型得到的。
图6示意性示出了根据本公开实施例的模型训练装置的框图。
如图6所示,模型训练装置600包括获取模块、输入模块和训练模块。
获取模块610,用于获取第一历史负荷和第二历史负荷,第一历史负荷表征预设区域中的集中式光伏在历史时间段内的负荷,第二历史负荷表征预设区域中的分布式光伏在历史时间段内的负荷。
输入模块620,用于将第一历史负荷输入待训练的预测模型,得到与第一历史负荷相对应的预测负荷。
训练模块630,用于利用第二历史负荷和预测负荷训练预测模型。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例,一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行根据本公开所述的负荷确定方法、模型训练方法。
根据本公开的实施例,一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据本公开所述的负荷确定方法、模型训练方法。
根据本公开的实施例,一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现根据本公开所述的负荷确定方法、模型训练方法。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如负荷确定方法、模型训练方法。例如,在一些实施例中,负荷确定方法、模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的负荷确定方法、模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行负荷确定方法、模型训练方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以是分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (20)
1.一种负荷确定方法,包括:
确定预设区域中集中式光伏在预设时间段内的第一负荷;以及
根据所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷。
2.根据权利要求1所述的方法,还包括:
确定所述预设区域在所述预设时间段内的环境信息;以及
根据所述环境信息和所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷。
3.根据权利要求1所述的方法,其中,所述根据所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷包括:
根据所述集中式光伏的光伏数目和所述第一负荷,确定所述集中式光伏中的每个光伏的第二负荷;以及
将所述第二负荷确定为所述分布式光伏在所述预设时间段内的目标负荷。
4.根据权利要求1所述的方法,其中,所述预设区域中包括第一数目个分布式光伏;
所述根据所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷包括:
在所述第一数目小于或等于第一预设阈值的情况下,针对每个所述分布式光伏,根据所述第一负荷,确定所述分布式光伏的第三负荷;以及
将所述第三负荷确定为所述分布式光伏在所述预设时间段内的目标负荷。
5.根据权利要求1所述的方法,其中,所述预设区域中包括第二数目个分布式光伏;
所述根据所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷包括:
在所述第二数目大于第二预设阈值的情况下,将所述第二数目个分布式光伏划分为多个分布式光伏集合;
针对每个所述分布式光伏集合,根据所述第一负荷,确定所述分布式光伏集合的第四负荷;以及
将所述第四负荷确定为与所述分布式光伏集合相对应的分布式光伏在所述预设时间段内的目标负荷。
6.根据权利要求1至5中任一所述的方法,还包括:
在与目标母线相关联的光伏包括至少一个分布式光伏的情况下,确定与所述至少一个分布式光伏相对应的至少一个目标负荷;以及
根据所述至少一个目标负荷,确定所述目标母线的负荷。
7.根据权利要求1至6中任一所述的方法,还包括:
在与目标母线相关联的光伏包括至少一个分布式光伏和至少一个集中式光伏的情况下,确定与所述至少一个分布式光伏相对应的至少一个目标负荷,以及与所述至少一个集中式光伏相对应的至少一个第一负荷;以及
根据所述至少一个目标负荷和所述至少一个第一负荷,确定所述目标母线的负荷。
8.根据权利要求1至7中任一所述的方法,其中,所述目标负荷是利用预测模型得到的。
9.一种模型训练方法,包括:
获取第一历史负荷和第二历史负荷,其中,所述第一历史负荷表征预设区域中的集中式光伏在历史时间段内的负荷,所述第二历史负荷表征所述预设区域中的分布式光伏在所述历史时间段内的负荷;
将所述第一历史负荷输入待训练的预测模型,得到与所述第一历史负荷相对应的预测负荷;以及
利用所述第二历史负荷和所述预测负荷训练所述预测模型。
10.一种负荷确定装置,包括:
第一确定模块,用于确定预设区域中集中式光伏在预设时间段内的第一负荷;以及
第二确定模块,用于根据所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷。
11.根据权利要求10所述的装置,还包括:
第三确定模块,用于确定所述预设区域在所述预设时间段内的环境信息;以及
第四确定模块,用于根据所述环境信息和所述第一负荷,确定所述预设区域中的分布式光伏在所述预设时间段内的目标负荷。
12.根据权利要求10所述的装置,其中,所述第二确定模块包括:
第一确定单元,用于根据所述集中式光伏的光伏数目和所述第一负荷,确定所述集中式光伏中的每个光伏的第二负荷;以及
第二确定单元,用于将所述第二负荷确定为所述分布式光伏在所述预设时间段内的目标负荷。
13.根据权利要求10所述的装置,其中,所述预设区域中包括第一数目个分布式光伏;
所述第二确定模块包括:
第三确定单元,用于在所述第一数目小于或等于第一预设阈值的情况下,针对每个所述分布式光伏,根据所述第一负荷,确定所述分布式光伏的第三负荷;以及
第四确定单元,用于将所述第三负荷确定为所述分布式光伏在所述预设时间段内的目标负荷。
14.根据权利要求10所述的装置,其中,所述预设区域中包括第二数目个分布式光伏;
所述第二确定模块包括:
划分单元,用于在所述第二数目大于第二预设阈值的情况下,将所述第二数目个分布式光伏划分为多个分布式光伏集合;
第五确定单元,用于针对每个所述分布式光伏集合,根据所述第一负荷,确定所述分布式光伏集合的第四负荷;以及
第六确定单元,用于将所述第四负荷确定为与所述分布式光伏集合相对应的分布式光伏在所述预设时间段内的目标负荷。
15.根据权利要求10至14中任一所述的装置,还包括:
第五确定模块,用于在与目标母线相关联的光伏包括至少一个分布式光伏的情况下,确定与所述至少一个分布式光伏相对应的至少一个目标负荷;以及
第六确定模块,用于根据所述至少一个目标负荷,确定所述目标母线的负荷。
16.根据权利要求10至15中任一所述的装置,还包括:
第七确定模块,用于在与目标母线相关联的光伏包括至少一个分布式光伏和至少一个集中式光伏的情况下,确定与所述至少一个分布式光伏相对应的至少一个目标负荷,以及与所述至少一个集中式光伏相对应的至少一个第一负荷;以及
第八确定模块,用于根据所述至少一个目标负荷和所述至少一个第一负荷,确定所述目标母线的负荷。
17.一种模型训练装置,包括:
获取模块,用于获取第一历史负荷和第二历史负荷,其中,所述第一历史负荷表征预设区域中的集中式光伏在历史时间段内的负荷,所述第二历史负荷表征所述预设区域中的分布式光伏在所述历史时间段内的负荷;
输入模块,用于将所述第一历史负荷输入待训练的预测模型,得到与所述第一历史负荷相对应的预测负荷;以及
训练模块,用于利用所述第二历史负荷和所述预测负荷训练所述预测模型。
18.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8或权利要求9中任一项所述的方法。
19.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8或权利要求9中任一项所述的方法。
20.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8或权利要求9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519479.6A CN114186494A (zh) | 2021-12-13 | 2021-12-13 | 负荷确定方法、模型训练方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111519479.6A CN114186494A (zh) | 2021-12-13 | 2021-12-13 | 负荷确定方法、模型训练方法、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186494A true CN114186494A (zh) | 2022-03-15 |
Family
ID=80604714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111519479.6A Pending CN114186494A (zh) | 2021-12-13 | 2021-12-13 | 负荷确定方法、模型训练方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186494A (zh) |
-
2021
- 2021-12-13 CN CN202111519479.6A patent/CN114186494A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Joint planning of energy storage and transmission for wind energy generation | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN113190693B (zh) | 储能***的数据处理方法、装置、电子设备及存储介质 | |
CN115860383A (zh) | 配电网调度方法、装置、电子设备及存储介质 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN115034927A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
Shoferpour et al. | Improving the flexibility of power systems using transportable battery, transmission switching, demand response, and flexible ramping product market in the presence of high wind power | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
CN116937645A (zh) | 充电站集群调控潜力评估方法、装置、设备及介质 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN116258297A (zh) | 一种电量评估方法、装置、电子设备及存储介质 | |
CN114186494A (zh) | 负荷确定方法、模型训练方法、装置以及电子设备 | |
CN115579935A (zh) | 发电***控制方法、装置、***、电子设备及存储介质 | |
CN114611805A (zh) | 一种净负荷预测方法、装置、电子设备及存储介质 | |
CN115275975A (zh) | 一种光储充电站电力数据匹配度的确定方法及装置 | |
Bu et al. | Distributed unit commitment scheduling in the future smart grid with intermittent renewable energy resources and stochastic power demands | |
CN117575308B (zh) | 分布式配电网的风险评估方法、装置、设备及存储介质 | |
CN117117844B (zh) | 电网碳排因子计算方法、***、计算机设备及存储介质 | |
CN117691583B (zh) | 一种用于虚拟电厂的电力调度***及方法 | |
CN117057470A (zh) | 配电网的电力负荷的预测方法、装置、设备及存储介质 | |
CN116882703A (zh) | 一种配电网规划确定方法、装置、设备及存储介质 | |
CN115456455A (zh) | 一种储能配置方法、装置、设备及存储介质 | |
Wang et al. | Research on the Application of Machine Learning in the Construction of Power Demand Response Model for Edge Computing | |
CN117439064A (zh) | 一种电网安全隐患预测方法和*** |
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 |