CN116629565B - 一种基于平台化的供电服务能力提升方法及*** - Google Patents
一种基于平台化的供电服务能力提升方法及*** Download PDFInfo
- Publication number
- CN116629565B CN116629565B CN202310640671.3A CN202310640671A CN116629565B CN 116629565 B CN116629565 B CN 116629565B CN 202310640671 A CN202310640671 A CN 202310640671A CN 116629565 B CN116629565 B CN 116629565B
- Authority
- CN
- China
- Prior art keywords
- power
- scheduling
- data
- preset
- abnormal
- 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 47
- 238000004146 energy storage Methods 0.000 claims abstract description 14
- 238000010248 power generation Methods 0.000 claims abstract description 14
- 230000001965 increasing effect Effects 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 87
- 230000005611 electricity Effects 0.000 claims description 81
- 230000002159 abnormal effect Effects 0.000 claims description 63
- 238000011156 evaluation Methods 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 27
- 230000009466 transformation Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 7
- 238000007726 management method Methods 0.000 description 60
- 239000013598 vector Substances 0.000 description 24
- 238000012549 training Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000010485 coping Effects 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009295 sperm incapacitation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种基于平台化的供电服务能力提升方法，该方法通过管理平台执行，该方法包括：通过采集设备从终端采集电能数据，终端包括电力配置设施、电力使用终端中至少一种，电能数据包括供电数据、用电数据中至少一种；基于电能数据，确定预设未来时段内的优选调度方案；其中，预设未来时段根据预设调度周期确定，预设调度周期基于候选调度周期的预估调度效率确定，优选调度方案包括提高发电功率、降低发电功率、从储能设备中获取储存电能、将过剩电能储存至储存设备中至少一种；基于优选调度方案，对电力设备进行调度。
Description
技术领域
本说明书涉及供电服务领域，特别涉及一种基于平台化的供电服务能力提升方法及***。
背景技术
随着电力的不断发展，用电设备大幅增加，配电网点多面广，运行环境复杂，容易出现电力过剩或电力不足的情况，影响用户的用电体验。人工干预的方式不仅消耗大量的人力物力，还存在一定的安全隐患。
针对如何进行电力调度，CN106532769B提出一种基于光伏并网不确定性的需求侧分时电价的优化方法，通过获取分布式能源并网后的日负荷数据，确定负荷峰谷时段，根据峰谷分时电价定价优化模型将用电峰谷分时，但该方式并不涉及确定预设未来时段内的优选调度方案，进而对电力设备进行调度。
因此希望提供一种基于平台化的供电能力提升方法及***，能够高效、智能的监控、预测电能数据的变化并及时确定合理的调度方案，提升用户的用电体验。
发明内容
本说明书一个或多个实施例提供一种基于平台化的供电服务能力提升方法。所述方法通过管理平台执行，所述基于平台化的供电服务能力提升方法包括：通过采集设备从终端采集电能数据，所述终端包括电力配置设施、电力使用终端中至少一种，所述电能数据包括供电数据、用电数据中至少一种；基于所述电能数据，确定预设未来时段内的优选调度方案；其中，所述预设未来时段根据预设调度周期确定，所述预设调度周期基于候选调度周期的预估调度效率确定，所述优选调度方案包括提高发电功率、降低发电功率、从储能设备中获取储存电能、将过剩电能储存至储存设备中至少一种；基于所述优选调度方案，对电力设备进行调度。
本说明书一个或多个实施例提供一种基于平台化的供电服务能力提升***，所述***包括：采集设备，用于从终端采集电能数据，所述终端包括电力配置设施、电力使用终端中至少一种，所述电能数据包括供电数据、用电数据中至少一种；管理平台，用于基于所述电能数据，确定预设未来时段内的优选调度方案，以及基于所述优选调度方案，对电力设备进行调度；其中，所述预设未来时段根据预设调度周期确定，所述预设调度周期基于候选调度周期的预估调度效率确定，所述优选调度方案包括提高发电功率、降低发电功率、从储能设备中获取储存电能、将过剩电能储存至储能设备中至少一种；调度模块，用于执行所述调度。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的基于平台化的供电服务能力提升***的示意图；
图2是根据本说明书一些实施例所示的基于平台化的供电服务能力提升方法的示例性流程图；
图3是根据本说明书一些实施例所示的确定预设未来时段的用电需求特征的示例性示意图；
图4是根据本说明书一些实施例所示的确定优选调度方案的示例性流程图；
图5是根据本说明书另一些实施例所示的基于平台化的供电服务能力提升方法的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的基于平台化的供电服务能力提升***的示意图。如图1所示，基于平台化的供电服务能力提升***100包括采集设备110、管理平台120和调度模块130。
采集设备110可以指采集数据信息的相关设备。例如，部署在多个预设点位(终端内部、电路中等)的电传感器(电流表、电压表等)。在一些实施例中，采集设备110可以用于从终端112采集电能数据。其中，终端112可以指需要进行数据信息采集的设备。在一些实施例中，终端112可以包括电力配置设施(发电站、变电站等)、电力使用终端(家用电器等)中至少一种。
管理平台120可以是统筹、协调各模块之间的联系和协作，汇聚着***全部的信息，为***运行体系提供感知管理和控制管理功能的平台。
在一些实施例中，管理平台120可以用于基于电能数据，确定预设未来时段内的优选调度方案，以及基于优选调度方案，对电力设备进行调度。
在一些实施例中，管理平台120还可以用于基于电能数据，确定预设未来时段的用电需求特征；基于用电需求特征和供电负载特征，确定优选调度方案。
在一些实施例中，管理平台120可以进一步用于基于用电数据，预测预设未来时段的用电峰谷特征；基于预设未来时段的用电峰谷特征，确定用电需求特征。
在一些实施例中，管理平台120可以进一步用于基于用电需求特征和供电负载特征，生成至少一组候选调度方案；确定至少一组候选调度方案的评估值；基于至少一组候选调度方案的评估值，确定优选调度方案。
关于电能数据、预设未来时段、优选调度方案、电力设备、用电需求特征、供电负载特征、用电峰谷特征、候选调度方案、评估值等的更多内容可以参见图2-图5及其相关描述。
在一些实施例中，调度模块130可以用于执行调度。
通过本说明书的一些实施例所述的基于平台化的供电服务能力提升***，通过采集设备、管理平台及调度模块的协作，实现了智能化、高效化的电力信息分析，对异常情况进行实时监控及预测，便于及时处理，提高了电力调度的效率，使信息处理更加流畅高效。
图2是根据本说明书一些实施例所示的基于平台化的供电服务能力提升方法的示例性流程图。在一些实施例中，流程200可以由管理平台执行。如图2所示，流程200包括以下步骤。
步骤210，通过采集设备从终端采集电能数据。
电能数据可以指与电力相关的数据信息。在一些实施例中，电能数据可以包括供电数据、用电数据中至少一种。
供电数据可以指部署在供电侧的采集设备(发电站输送电线上的电压表等)采集到的供电相关数据。在一些实施例中，供电数据可以表示成多个连续时间区间的电能生产值构成的序列。
用电数据可以指部署在用电侧的采集设备(每户用户的电压表等)采集到的用电相关数据。在一些实施例中，用电数据可以表示成多个连续时间区间的电能消耗值构成的序列。
在一些实施例中，管理平台可以通过向采集设备下发采集指令，从终端采集电能数据。
步骤220，基于电能数据，确定预设未来时段内的优选调度方案。
预设未来时段可以指预先设定的当前时间点之后的时间区间。
在一些实施例中，管理平台可以通过多种方式确定预设未来时段。例如，管理平台可以获取用户输入确定预设未来时段。
在一些实施例中，预设未来时段可以根据预设调度周期确定。
预设调度周期可以指预先设定的调度周期，调度周期可以指进行调度操作的时间周期。预设调度周期可以基于候选调度周期的预估调度效率确定。例如，管理平台可以基于预估调度效率将候选调度周期排序，选择预估调度效率最大的候选调度周期作为预设调度周期。其中，候选调度周期可以基于历史数据获取或基于经验设定。
预估调度效率可以基于某一候选调度周期进行调度后，未来一段时间中的调度频率确定，调度频率越低，预估调度效率越高。具体的，管理平台可以设定候选调度周期，通过软件模拟、模型预测等获取该候选调度周期下大量不同的调度方案下的调度频率，基于该调度频率的平均值确定该候选调度周期的预估调度效率。其中，调度频率可以指单位时间进行的调度次数。如调整发电功率、调整储能的输出功率等操作，可以分别视为一次调度。
基于候选调度周期的预估调度效率确定预设调度周期后，管理平台可以将距当前时间点i个预设调度周期长度的时间区间作为预设未来时段。
优选调度方案可以指效果较优的调度方案，调度方案可以指进行电力调度的具体方案。在一些实施例中，优选调度方案可以包括提高发电功率、降低发电功率、从储能设备中获取储存电能、将过剩电能储存至储能设备中至少一种。
在一些实施例中，提高或者降低发电功率可以包含两种情况：第一种为提高或者降低发电机组中单台或多台发电设备的发电功率(调节电机旋转频率)，第二种为增加或者减少发电机组的发电设备数量。
在一些实施例中，管理平台可以基于电能数据，通过多种方式确定预设未来时段内的优选调度方案。例如，管理平台可以通过第一预设数据对照表确定预设未来时段内的优选调度方案。第一预设数据对照表中记录有不同的电能数据及其对应的不同预设未来时段内的优选调度方案。第一预设数据对照表可以基于历史数据预设获取。
在一些实施例中，管理平台可以基于电能数据，确定预设未来时段的用电需求特征；基于用电需求特征和供电负载特征，确定优选调度方案。
用电需求特征可以指体现下游用户的用电需求情况的特征信息。在一些实施例中，用电需求特征可以包括用户在预设未来时段内的平均需求功率、峰值需求功率、峰值持续时长等。
在一些实施例中，管理平台可以基于电能数据，通过多种方式确定预设未来时段的用电需求特征。例如，管理平台可以通过第二预设数据对照表确定预设未来时段的用电需求特征。第二预设数据对照表中记录有不同的电能数据及其对应的不同预设未来时段内的用电需求特征。具体确定方式可以参照前述通过第一预设数据对照表，确定优选调度方案的相关内容。
在一些实施例中，管理平台可以基于预设未来时段的用电峰谷特征，确定用电需求特征。具体说明参见图3及其相关描述。
供电负载特征可以指体现发电设备负载情况的特征信息。在一些实施例中，供电负载特征可以通过百分比数值表示。例如，供电负载特征为100％，代表当前电网达到可允许的最大负载。
在一些实施例中，管理平台可以根据发电设备特征(发电机当前转速、当前发电功率、最大发电功率等)、供电数据(当前电网中电力输送功率等)，确定供电负载特征。例如，管理平台可以设定发电设备特征数值越大、供电数据数值越大，供电负载特征的取值越大。
在一些实施例中，管理平台可以基于用电需求特征和供电负载特征，通过多种方式确定优选调度方案。例如，管理平台可以基于用电需求特征、供电负载特征构建目标向量，通过向量数据库确定优选调度方案。
向量数据库是指用于存储、索引和查询向量的数据库。通过向量数据库，可以面对大量向量快速进行相似性查询和其他向量管理。
向量数据库可以包括多个参考向量及其对应的参考优选调度方案。参考向量可以基于历史用电需求特征、历史供电负载特征进行构建。参考向量对应的参考优选调度方案可以根据前述历史数据对应的实际优选调度方案获取。
管理平台可以基于目标向量，通过检索向量数据库确定符合预设条件的参考向量作为关联向量，将关联向量对应的参考优选调度方案作为优选调度方案。其中，预设条件可以是向量距离小于距离阈值、向量距离最小等。距离阈值可以是***默认值、经验值、人为预先设定值等或其任意组合，可以根据实际需求设定，本说明书对此不做限制。
在一些实施例中，管理平台可以基于至少一组候选调度方案的评估值，确定优选调度方案。具体说明参见图4及其相关描述。
通过本说明书的一些实施例所述的基于电能数据，确定预设未来时段的用电需求特征；进而结合供电负载特征，确定优选调度方案，可以考虑到用户的实际用电需求和电网负载等，确定贴合实际情况的调度方案。
步骤230，基于优选调度方案，对电力设备进行调度。
电力设备可以指供电侧的发电设备。例如，电力设备可以是发电机组等。
在一些实施例中，管理平台可以基于优选调度方案向电力设备下发调度指令，实现电力调度。
在一些实施例中，管理平台可以采集预设未来时段内的电力监测数据，对供电服务过程中的至少一个供电服务环节进行隐患识别，响应于满足预警条件，向用户发出预警。具体说明参见图5及其相关描述。
通过本说明书的一些实施例所述的通过采集设备从终端采集电能数据，确定预设未来时段内的优选调度方案，进而对电力设备进行调度，可以智能化分析供电侧的电力供应情况和用电侧的电力使用情况，综合考虑影响电力调度的各种因素，确定高效、准确的调度方案，降低人工安排调度的成本及误差，提升供电服务能力及用户的用电体验。
图3是根据本说明书一些实施例所示的确定预设未来时段的用电需求特征的示例性示意图。
在一些实施例中。管理平台可以基于用电数据，预测预设未来时段的用电峰谷特征340；基于预设未来时段的用电峰谷特征340，确定用电需求特征350。
用电峰谷特征可以指与用电的峰值与谷值相关的特征信息。例如，用电峰谷特征可以包括预设未来时段内的一个或多个时段区间的平均特征、峰值特征、谷值特征等。其中，平均特征可以包括该时段区间的平均需求功率等，峰值特征可以包括该时段区间的峰值需求功率、峰值持续时长等，谷值特征可以包括该时段区间的谷值需求功率、谷值持续时长等。
在一些实施例中，管理平台可以基于用电数据，通过多种方法确定预设未来时段的用电峰谷特征340。例如，管理平台可以基于用电数据构建目标向量，通过向量数据库确定预设未来时段的用电峰谷特征340。具体方式可以参见图2中通过向量数据库确定优选调度方案的相关描述。
在一些实施例中，管理平台可以基于多个历史时刻的用电数据310，通过峰谷特征预测模型330预测预设未来时段的用电峰谷特征340。
峰谷特征预测模型330可以为预测预设未来时段的用电峰谷特征340的模型。在一些实施例中，峰谷特征预测模型330可以为机器学习模型，例如，长短期记忆(Long short-term memory,LSTM)网络模型等。
在一些实施例中，峰谷特征预测模型330的输入可以包括多个历史时刻的用电数据310，历史时刻可以包括当前时刻；峰谷特征预测模型330的输出可以包括预设未来时段的用电峰谷特征340。关于用电数据的更多内容可以参见图2及其相关描述。
在一些实施例中，峰谷特征预测模型330的输入还可以包括用电异常概率分布544。用电异常概率分布544可以是用电环节发生异常情况的概率分布数据。关于用电异常概率分布544的更多内容可以参见图5及其相关描述。
可以理解的，用电异常概率分布经用户用电的电力监测数据提取得到，属于用户用电的某一维度的特征，通过本说明书的一些实施例所述的将用电异常概率分布作为峰谷特征预测模型的输入，可以使预测结果更为准确。
在一些实施例中，峰谷特征预测模型330可以通过多个带有第一标签的第一训练样本训练得到。第一训练样本可以包括多个历史时刻的样本用电数据、样本用电异常概率分布，第一标签可以包括前述样本数据对应的预设未来时段的实际用电峰谷特征。第一训练样本可以基于历史数据获取，第一标签可以通过人工标注的方式确定。
通过本说明书的一些实施例所述的基于多个历史时刻的用电数据，通过峰谷特征预测模型预测预设未来时段的用电峰谷特征，可以同时考虑影响用电峰谷特征的多种因素及其之间的关联，使用电峰谷特征的确定过程准确、高效。
在一些实施例中，管理平台可以将用电峰谷特征作为用电需求特征350。
通过本说明书的一些实施例所述的基于用电数据，预测预设未来时段的用电峰谷特征，进而确定用电需求特征，可以智能化分析并确定可靠、准确的用电需求特征，避免人工确定的误差。
图4是根据本说明书一些实施例所示的确定优选调度方案的示例性流程图。在一些实施例中，流程400可以由管理平台执行。如图4所示，流程400包括以下步骤。
步骤410，基于用电需求特征和供电负载特征，生成至少一组候选调度方案。
在一些实施例中，管理平台可以基于用电需求特征和供电负载特征，通过多种方式生成至少一组候选调度方案。例如，管理平台可以基于用电需求特征和供电负载特征构建目标向量，通过向量数据库生成至少一组候选调度方案。具体方式可以参见图2中通过向量数据库确定优选调度方案的相关描述。
步骤420，确定至少一组候选调度方案的评估值。
评估值可以指用于评价不同候选调度方案优劣性的有关参数。例如，评估值可以用于评估按照候选调度方案进行调度后给用户带来的用电体验的优劣。评估值可以使用0-1等数字或文字表示。
在一些实施例中，评估值至少可以包括预估负载平衡值。
预估负载平衡值可以指表征电网输出功率和用电需求功率平衡情况的参数。在一些实施例中，预估负载平衡值可以基于用电需求特征确定。例如，管理平台可以根据基于某一调度方案进行调度后电力设备负载和未来的用电需求特征，通过计算或机器模型确定预估负载平衡值。在一些实施例中，预估负载平衡值可以基于预设未来时段内的多个用电功率需求与电网输出功率的差值确定，其中，该多个用电功率需求中的至少一个用电功率需求可以以预设概率随机生成(例如，从均值为预设未来时段内的平均需求功率的正态分布中取样)。仅作为示例的，可以计算其中，k为预设常数，Pi为预设未来时段内的第i时刻的用电功率需求与电网输出功率的差值。其中，管理平台可以通过第三方平台(如政府电网运营平台等)获取电网输出功率。
第i时刻的用电功率需求可以根据确定的用户需求特征，以预设概率随机生成。例如，假设第i时刻位于时段区间2内，预测的用户需求特征中该时段区间2的长度为t1、平均需求功率为a1，峰值需求功率为a2、峰值持续时长为t2，谷值需求功率为a3、谷值持续时长为t3，则：第i时刻的用电功率需求以的概率为谷值需求功率和峰值需求功率之间的某个功率(如以平均需求功率a1为均值的正态分布取样得到的功率)，以/>的概率为峰值需求功率，以/>的概率为谷值需求功率。
在一些实施例中，至少一组候选调度方案的评估值还包括异常应对评估值。
异常应对评估值可以指基于候选调度方案进行调度后，用于衡量对可能出现的异常情况的应对能力的评估值参数。
在一些实施例中，管理平台可以基于不同异常情况下的供能能力或疏能能力加权获取异常应对评估值，加权的权重基于异常概率分布确定。例如，异常应对评估值＝k1*b1+k2*b2+...+kn*bn，其中，b1-bn为供能能力或者疏能能力，可以由对应候选调度方案下的异常应对列表得到。异常应对列表可以指表示异常情况与供能能力或者疏能能力对应情况的列表。例如，
异常情况e1-en可以包括电网中部分设备故障、局部线路故障(形成开路或短路等)、用电需求突然急速陡升或陡降等。可以理解的，异常情况可以导致电网中供能能力过剩、供能能力不足、供电异常等，需要对应进行疏能操作(降低发电功率等)、供能操作(从储能设备中获取储存电能等)、向用户侧供能(运送蓄电池等)等。异常情况可以基于历史数据确定。在一些实施例中，异常情况可以基于供电服务环节被分类为输电异常情况、变电异常情况、配电异常情况、用电异常情况。管理平台可以获取用户输入确定异常情况的分类。关于供电服务环节的更多内容可以参见图5及其相关描述。
在一些实施例中，管理平台可以基于异常情况，判断能源调整需求；基于能源调整需求，确定供能能力或者疏能能力。
能源调整需求可以包括供能需求、疏能需求。管理平台可以基于异常情况，通过多种方式判断能源调整需求。例如，管理平台可以通过第三预设数据对照表确定能源调整需求。第三预设数据对照表中记录有不同的异常情况及其对应的不同能源调整需求。具体确定方式可以参照图2中通过第一预设数据对照表，确定优选调度方案的相关内容。
在一些实施例中，管理平台可以基于能源调整需求，通过多种方式确定供能能力或者疏能能力。例如，管理平台可以设置储能设备充电速率越大、发电机组可供提升的发电功率越大，供能能力越大。其中，储能设备充电速率可以根据调度方案中电网向储能设备的功率确定，发电机组可供提升的发电功率可以为发电机组最大发电功率与当前发电功率的差值。
管理平台可以基于异常情况及基于异常情况确定的供能能力或者疏能能力构建异常应对列表。
k1-kn为供能能力或者疏能能力b1-bn对应的权重，可以基于各类异常情况e1-en在各环节异常概率分布中的发生概率确定，异常情况的发生概率越大，其对应的k值越大。例如，异常情况e1为输电异常情况，e1对应的供能能力或者输能能力a1的权重k1则可以基于输电异常概率分布确定。关于异常概率分布的更多内容可以参见图5及其相关描述。
通过本说明书的一些实施例的至少一组候选调度方案的评估值还包括异常应对评估值，其基于不同异常情况下的供能能力或疏能能力加权获取，可以考虑到多种异常情况及其应对能力，并对相关参数进行调整，能够根据实际情况，获得更为准确的候选调度方案的评估值。
在一些实施例中，管理平台可以通过多种方式确定评估值。例如，管理平台可以通过第四预设数据对照表确定评估值。第四预设数据对照表中记录有不同的候选调度方案及其对应的不同评估值。具体确定方式可以参照图2中通过第一预设数据对照表，确定优选调度方案的相关内容。
步骤430，基于至少一组候选调度方案的评估值，确定优选调度方案。
在一些实施例中，管理平台可以基于至少一组候选调度方案的评估值，通过多种方式确定优选调度方案。例如，管理平台可以基于评估值将候选调度方案进行排序，选择评估值最大的候选调度方案作为优选调度方案。
通过本说明书的一些实施例所述的基于用电需求特征和供电负载特征，生成至少一组候选调度方案并确定评估值，进而确定优选调度方案，可以在优选调度方案的确定过程中纳入更多考量因素，例如评估值等，可以根据用户对实行优选调度方案后的体验感受对电能数据进行有效的调整，并使调整过程更加准确高效。
图5是根据本说明书另一些实施例所示的基于平台化的供电服务能力提升方法的示例性示意图。
在一些实施例中，管理平台可以通过采集设备从终端采集预设未来时段内的电力监测数据510；基于电力监测数据510，对供电服务过程中的至少一个供电服务环节进行隐患识别550；响应于满足预警条件560，向用户发出预警580。
电力监测数据510可以指实时监测的终端电力相关的数据信息。例如，电力监测数据510可以是终端设施内部或周围电路点位上的实时电压、电流数据等。
供电服务环节可以包括供电环节和用电环节中至少一种。供电环节或者用电环节可以指供电侧或者用电侧的具体环节。
在一些实施例中，供电环节至少可以包括输电环节、变电环节、配电环节中的一个或多个。
通过本说明书的一些实施例所述的供电环节至少包括输电环节、变电环节、配电环节等，可以对供电环节进行进一步的划分，针对更具体的环节进行分析处理，提升后续隐患识别等处理的准确性。
在一些实施例中，管理平台可以基于各供电服务环节的电力监测数据510与标准数据库，判断是否存在异常情况来进行隐患识别550。其中，标准数据库基于各供电服务环节的标准电力监测数据构建。例如，管理平台可以将各供电服务环节的电力监测数据510与标准数据库中对应的供电服务环节的标准电力监测数据进行对比，若差值超过预设异常阈值1、或者低于预设异常阈值2，则判断存在异常情况。可以理解的，预设异常阈值1不小于预设异常阈值2。
在一些实施例中，处理平台可以基于电力监测数据510，通过至少一个异常预测模型520，预测各个环节的异常概率分布。异常概率分布可以指各环节异常情况的概率分布。
异常预测模型520可以为预测各个环节的异常概率分布的模型。在一些实施例中，异常预测模型520可以为下文中自定义结构的机器学习模型，异常预测模型520还可以是其他结构的机器学习模型，例如，神经网络模型(Neural Network，NN)模型、循环神经网络(RecurrentNeuralNetwork，RNN)模型等。
在一些实施例中，异常预测模型520可以包括输电异常预测层521、变电异常预测层522、配电异常预测层523、用电异常预测层524。
输电异常预测层521可以用于确定输电异常概率分布541。输电异常预测层521的输入可以包括电力监测数据510、输电设施特征531，输出可以指输电异常概率分布541。输电异常概率分布541可以指输电环节的异常概率分布。输电设施特征531可以指输电设施的相关特征信息，例如，输电线路的电压等。
变电异常预测层522可以用于确定变电异常概率分布542。变电异常预测层522的输入可以包括电力监测数据510、变电设施特征532，输出可以指变电异常概率分布542。变电异常概率分布542可以指变电环节的异常概率分布。变电设施特征432可以指变电设施的相关特征信息，例如，变电器变电前后的电压等。
配电异常预测层523可以用于确定配电异常概率分布543。配电异常预测层523的输入可以包括电力监测数据510、配电设施特征533，输出可以指配电异常概率分布543。配电异常概率分布543可以指配电环节的异常概率分布。配电设施特征533可以指配电设施的相关特征信息，例如，配电网的电压等。
用电异常预测层524可以用于确定用电异常概率分布544。用电异常预测层524的输入可以包括电力监测数据510、用电设施特征534，输出可以指用电异常概率分布544。用电异常概率分布544可以指用电环节的异常概率分布。用电设施特征534可以指用电设施的相关特征信息，例如，用户使用电器的功率等。
在一些实施例中，前一环节对应的异常预测层输出的异常概率分布可以作为下一环节的异常预测层的输入。
在一些实施例中，输电异常预测层521、变电异常预测层522、配电异常预测层523和用电异常预测层524可以联合训练获取。在一些实施例中，联合训练的第二训练样本包括样本电力监测数据、样本输电设施特征、样本变电设施特征、样本配电设施特征、样本用电设施特征，第二标签为用电异常概率分布的实际值。第二训练样本可以根据历史数据获取，第二标签可以根据标注获取。例如，管理平台可以将实际发生的异常情况的概率标注为1，其余概率标注为0，获取用电异常概率分布的实际值。
训练时，将样本电力监测数据、样本输电设施特征输入输电异常预测层521，得到输电异常预测层521输出的输电异常概率分布，将输电异常概率分布和样本电力监测数据、样本变电设施特征一起输入变电异常预测层522，得到变电异常预测层522输出的变电异常概率分布，将变电异常概率分布和样本电力监测数据、样本配电设施特征一起输入配电异常预测层523，得到配电异常预测层523输出的配电异常概率分布，将配电异常概率分布和样本电力监测数据、样本用电设施特征一起输入用电异常预测层524，得到用电异常概率分布。
基于第二标签和用电异常概率分布构建损失函数，同步更新输电异常预测层521、变电异常预测层522、配电异常预测层523和用电异常预测层524的参数。通过参数更新，得到训练好的输电异常预测层521、变电异常预测层522、配电异常预测层523和用电异常预测层524。
可以理解的，根据当前环节的输入得到的异常概率分布，一方面反映当前环节存在异常的概率，另一方面也可看成是作为当前环节的输入的一种隐特征，其用于下一环节的输入时，可以增加预测准确性(前一环节的特征必然会对后一环节有着影响)。通过本说明书一些实施例所述的前一环节对应的异常预测模型输出的异常概率分布可以作为下一环节的异常预测模型的输入，可以提升模型确定准确程度。
通过本说明书一些实施例所述的通过至少一个异常预测模型，预测各个环节的异常概率分布，可以考虑影响异常概率分布的因素及其之间的关联，使预测结果更加可靠。
预警条件560可以指预设的需要进行预警的条件。预警条件560可以根据经验设定。例如，预警条件560可以是存在异常情况进行预警。
在一些实施例中，预警条件560可以包括：存在至少一个供电服务环节的异常概率分布满足预设条件。预设条件可以根据经验设定。例如，预设条件可以是某一时段的异常概率分布中存在大于预设概率阈值的概率值。
在一些实施例中，管理平台可以将电力监测数据510、隐患识别550的结果、异常概率分布等与预警条件560进行对比，响应于满足预警条件560，向用户发出预警580。
通过本说明书一些实施例所述的通过采集设备从终端采集预设未来时段内的电力监测数据，对供电服务过程中的至少一个供电服务环节进行隐患识别，响应于满足预警条件，向用户发出预警，可以对终端设备的实际运行情况及电力数据进行实时监测和智能分析，实时或***异常情况的发生，并及时通知用户进行处理，减少人工监测的误差，避免为用户带来不愉快的用电体验甚至产生安全隐患。
本说明书一个或多个实施例还提供了一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如上述实施例中任一项所述基于平台化的供电服务能力提升方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (6)
1.一种基于平台化的供电服务能力提升方法，所述方法通过管理平台执行，所述方法包括：
通过采集设备从终端采集电能数据，所述终端包括电力配置设施、电力使用终端中至少一种，所述电能数据包括供电数据、用电数据中至少一种；
基于所述电能数据，确定预设未来时段的用电需求特征；
基于所述用电需求特征和供电负载特征，生成至少一组候选调度方案；
确定所述至少一组候选调度方案的评估值，所述评估值包括预估负载平衡值以及异常应对评估值，所述预估负载平衡值基于所述用电需求特征确定，所述异常应对评估值是指基于所述候选调度方案进行调度后，用于衡量对可能出现的异常情况的应对能力的评估值参数，所述异常应对评估值基于不同异常情况下的供能能力或疏能能力加权确定，所述加权的权重基于异常概率分布确定；
基于所述至少一组候选调度方案的所述评估值，确定所述预设未来时段内的优选调度方案；其中，所述预设未来时段根据预设调度周期确定，所述预设调度周期基于候选调度周期的预估调度效率确定，所述候选调度周期的预估调度效率基于所述候选调度周期进行调度后，未来一段时间中的调度频率确定，所述优选调度方案包括提高发电功率、降低发电功率、从储能设备中获取储存电能、将过剩电能储存至储能设备中至少一种；
基于所述优选调度方案，对电力设备进行调度；以及，
通过所述采集设备从所述终端采集所述预设未来时段内的电力监测数据；
基于所述电力监测数据，通过异常预测模型，预测各个环节的所述异常概率分布；其中，所述异常预测模型为机器学习模型，所述异常预测模型包括输电异常预测层、变电异常预测层、配电异常预测层以及用电异常预测层，所述输电异常预测层用于确定输电异常概率分布，所述变电异常预测层用于确定变电异常概率分布，所述配电异常预测层用于确定配电异常概率分布，所述用电异常预测层用于确定用电异常概率分布，以及，前一环节对应的异常预测层输出的异常概率分布作为下一环节的异常预测层的输入；
将所述各个环节的异常概率分布与预警条件进行对比，响应于满足所述预警条件，向用户发出预警。
2.根据权利要求1所述的方法，其特征在于，所述基于所述电能数据，确定所述预设未来时段的用电需求特征包括：
基于所述用电数据，预测所述预设未来时段的用电峰谷特征；
基于所述预设未来时段的所述用电峰谷特征，确定所述用电需求特征。
3.根据权利要求1所述的方法，其特征在于，所述终端还包括电力传输载体，所述方法还包括：
基于所述电力监测数据，对供电服务过程中的至少一个供电服务环节进行隐患识别；其中，所述供电服务环节包括供电环节和用电环节中至少一种，所述隐患识别包括：基于所述电力监测数据与标准数据库，判断是否存在异常；
响应于满足预警条件，向用户发出预警。
4.一种基于平台化的供电服务能力提升***，所述***包括：
采集设备，用于从终端采集电能数据，所述终端包括电力配置设施、电力使用终端中至少一种，所述电能数据包括供电数据、用电数据中至少一种；
管理平台，用于基于所述电能数据，确定预设未来时段的用电需求特征；
基于所述用电需求特征和供电负载特征，生成至少一组候选调度方案；
确定所述至少一组候选调度方案的评估值，所述评估值包括预估负载平衡值以及异常应对评估值，所述预估负载平衡值基于所述用电需求特征确定，所述异常应对评估值是指基于所述候选调度方案进行调度后，用于衡量对可能出现的异常情况的应对能力的评估值参数，所述异常应对评估值基于不同异常情况下的供能能力或疏能能力加权确定，所述加权的权重基于异常概率分布确定；
基于所述至少一组候选调度方案的所述评估值，确定所述预设未来时段内的优选调度方案；以及基于所述优选调度方案，对电力设备进行调度；其中，所述预设未来时段根据预设调度周期确定，所述预设调度周期基于候选调度周期的预估调度效率确定，所述候选调度周期的预估调度效率基于所述候选调度周期进行调度后，未来一段时间中的调度频率确定，所述优选调度方案包括提高发电功率、降低发电功率、从储能设备中获取储存电能、将过剩电能储存至储能设备中至少一种；以及，通过所述采集设备从所述终端采集所述预设未来时段内的电力监测数据；
基于所述电力监测数据，通过异常预测模型，预测各个环节的所述异常概率分布；其中，所述异常预测模型为机器学习模型，所述异常预测模型包括输电异常预测层、变电异常预测层、配电异常预测层以及用电异常预测层，所述输电异常预测层用于确定输电异常概率分布，所述变电异常预测层用于确定变电异常概率分布，所述配电异常预测层用于确定配电异常概率分布，所述用电异常预测层用于确定用电异常概率分布，以及，前一环节对应的异常预测层输出的异常概率分布作为下一环节的异常预测层的输入；
将所述各个环节的异常概率分布与预警条件进行对比，响应于满足所述预警条件，向用户发出预警；
调度模块，用于执行所述调度。
5.根据权利要求4所述的***，其特征在于，所述管理平台进一步用于：
基于所述用电数据，预测所述预设未来时段的用电峰谷特征；
基于所述预设未来时段的所述用电峰谷特征，确定所述用电需求特征。
6.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1-3任一项所述的基于平台化的供电服务能力提升方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310640671.3A CN116629565B (zh) | 2023-05-31 | 2023-05-31 | 一种基于平台化的供电服务能力提升方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310640671.3A CN116629565B (zh) | 2023-05-31 | 2023-05-31 | 一种基于平台化的供电服务能力提升方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629565A CN116629565A (zh) | 2023-08-22 |
| CN116629565B true CN116629565B (zh) | 2024-03-29 |
Family
ID=87597173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310640671.3A Active CN116629565B (zh) | 2023-05-31 | 2023-05-31 | 一种基于平台化的供电服务能力提升方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629565B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109066690A (zh) * | 2018-09-13 | 2018-12-21 | 福建省农村信用社联合社 | 一种区域性产用电的电源调度方法 |
| CN110443401A (zh) * | 2019-06-17 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种智能电网的优化调度方法 |
| CN112953007A (zh) * | 2021-02-23 | 2021-06-11 | 阳光电源（上海）有限公司 | 配电网调度方法、装置及***、处理器、电子设备 |
| CN114626643A (zh) * | 2022-05-16 | 2022-06-14 | 成都秦川物联网科技股份有限公司 | 智慧城市政府供电调控方法、物联网***、装置及介质 |
| CN115017971A (zh) * | 2022-04-26 | 2022-09-06 | 合肥金人科技有限公司 | 一种基于自学习的用电异常诊断的能耗计量表 |
| CN115378128A (zh) * | 2022-08-04 | 2022-11-22 | 北京国能国源能源科技有限公司 | 一种利用储能***辅助电力调峰的调度*** |
| CN116187702A (zh) * | 2023-03-06 | 2023-05-30 | 国网江苏省电力有限公司常州市金坛区供电分公司 | 一种源网荷储协同互动优化调度*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10700523B2 (en) * | 2017-08-28 | 2020-06-30 | General Electric Company | System and method for distribution load forecasting in a power grid |
-
2023
- 2023-05-31 CN CN202310640671.3A patent/CN116629565B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109066690A (zh) * | 2018-09-13 | 2018-12-21 | 福建省农村信用社联合社 | 一种区域性产用电的电源调度方法 |
| CN110443401A (zh) * | 2019-06-17 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种智能电网的优化调度方法 |
| CN112953007A (zh) * | 2021-02-23 | 2021-06-11 | 阳光电源（上海）有限公司 | 配电网调度方法、装置及***、处理器、电子设备 |
| CN115017971A (zh) * | 2022-04-26 | 2022-09-06 | 合肥金人科技有限公司 | 一种基于自学习的用电异常诊断的能耗计量表 |
| CN114626643A (zh) * | 2022-05-16 | 2022-06-14 | 成都秦川物联网科技股份有限公司 | 智慧城市政府供电调控方法、物联网***、装置及介质 |
| CN115378128A (zh) * | 2022-08-04 | 2022-11-22 | 北京国能国源能源科技有限公司 | 一种利用储能***辅助电力调峰的调度*** |
| CN116187702A (zh) * | 2023-03-06 | 2023-05-30 | 国网江苏省电力有限公司常州市金坛区供电分公司 | 一种源网荷储协同互动优化调度*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629565A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113364062A (zh) | 用于利用机器学习的多电力资源管理的微电网站点预测控制 | |
| EP3471029A1 (en) | Method for automatic cloud control of energy storage systems | |
| CN113156917A (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
| Kolhe et al. | GA-ANN for short-term wind energy prediction | |
| CN116937575A (zh) | 一种网格***用的能源监控管理*** | |
| CN110210670A (zh) | 一种基于电力***短期负荷的预测方法 | |
| CN117498555A (zh) | 一种基于云边融合的储能电站智能运维*** | |
| CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
| CN115169719A (zh) | 一种基于模糊聚类和bp神经网络的台区状态预测模型 | |
| CN116629565B (zh) | 一种基于平台化的供电服务能力提升方法及*** | |
| CN117439101A (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| CN116633016B (zh) | 一种基于高频数据采集技术的电力管理***和方法 | |
| CN112001550A (zh) | 一种变电站多点电能质量监测*** | |
| CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
| CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** | |
| KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
| Balasubramaniyan et al. | Deep Learning Method to Analyze the Bi-LSTM Model for Energy Consumption Forecasting in Smart Cities | |
| CN118012848B (zh) | 智慧燃气信息政府***方法、物联网***及介质 | |
| US20240149736A1 (en) | Premises electric vehicle charge detection | |
| Usachev et al. | Software Package For Improving Financial And Technological Performance Of Microgrid Networks | |
| CN117540330B (zh) | 基于自学习功能的配电柜*** | |
| US20220414556A1 (en) | Asset management for utility system maintenance | |
| CN117874625B (zh) | 基于ai和知识库的电力***数据智能处理***与方法 | |
| CN117578534B (zh) | 光伏储能***的调度方法、装置、设备及存储介质 | |
| CN116517765B (zh) | 一种基于风力发电的冷库智能运行控制*** |
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 |