CN117595231B - 一种智能电网配网管理***及其方法 - Google Patents
一种智能电网配网管理***及其方法 Download PDFInfo
- Publication number
- CN117595231B CN117595231B CN202311370220.9A CN202311370220A CN117595231B CN 117595231 B CN117595231 B CN 117595231B CN 202311370220 A CN202311370220 A CN 202311370220A CN 117595231 B CN117595231 B CN 117595231B
- Authority
- CN
- China
- Prior art keywords
- power grid
- data
- power
- distribution network
- information
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007726 management method Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012795 verification Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 229940060587 alpha e Drugs 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001932 seasonal 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
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及智能电网配网管理领域,尤其涉及一种智能电网配网管理***及其方法。监测电网信息并对电网中关键参数数据进行采集,然后对获取的电网数据信息进行预处理;根据取得的预处理后的电网数据信息和记录的相关因素,建立负荷预测神经网络模型,准确预测未来负荷需求;通过对电网中电能质量相关参数的监测和获取,构建电能质量分析模型,识别电能质量问题;基于负荷预测信息和和电能质量分析结果,对电网配网工作效率和能源利用率进行预设,通过计算得到修正后的能源利用率和电网配网工作效率。本发明能够提供智能的电网配网管理,降低能源成本,提高电网的稳定性和可靠性。
Description
技术领域
本发明涉及智能电网配网管理领域,尤其涉及一种智能电网配网管理***及其方法。
背景技术
电网配网是将电力从输电网引入用户用电终端的过程,包括电力输送、电力分配和用电终端接入等环节。在电力***中,电网配网是电力输配过程中的最后一环,也是将电能从发电厂输送到用户用电终端的关键环节。
随着社会经济的发展,电力需求不断增长,传统的电网架构和管理方法已经无法满足复杂的电力运行需求。因而,智能电网配网作为电力***的进一步升级,具有集中控制、能源智能化管理等特点,需要有效的配网管理方法来实现其***优化和对电能流动的监控、控制并进行管理。
但现有技术存在如下问题:无法准确进行负荷预测,造成能源浪费和过剩;对电能质量监控不到位,导致电网配网***工作效率低下,并伴有电力设备故障和损坏的风险;不能实现电网配网管理工作的效率最优化,增加整个电力***的成本,不符合可持续发展理念。
发明内容
本发明通过提供一种智能电网配网管理***及其方法,目的在于通过对负荷需求的预测并结合电能质量分析的结果,提高电网配网***的可靠性及稳定性,根据负荷情况实时调整供电策略,合理分配电力资源,以最大程度地优化能源利用,降低能耗,并及时发现和纠正电力质量问题,提高工作效率;同时智能电网配网管理***及其方法,能够提供智能化的管理和调度,实现可再生能源的高效利用。
本发明技术方案具体如下:
一种智能电网配网管理***及其方法,包括以下步骤:
S1.监测电网信息并对电网中关键参数数据进行采集,然后对获取的电网数据信息进行预处理;
S2.根据取得的预处理后的电网数据信息和记录的相关因素,建立负荷预测神经网络模型,准确预测未来负荷需求;
S3.通过对电网中电能质量相关参数的监测和获取,构建电能质量分析模型,识别电能质量问题;
S4.基于负荷预测信息和和电能质量分析结果,对电网配网工作效率和能源利用率进行预设,通过计算得到修正后的能源利用率和电网配网工作效率,以便对电网配网进行管理。
进一步,步骤S1具体包括:
在进行数据预处理时根据收集得到的电网数据信息,形成电网数据集Di,建立历史电网数据矩阵b表示历史电网数据的记录数,c表示每条历史电网数据记录数中的个数;然后对电网数据信息进行校验;包括一级校验单元、二级校验单元、三级校验单元。
进一步,在三级校验单元中,根据一级校验单元以及二级校验单元得到处理后的电网数据信息,取出与当前校验结果h个临近时刻电网数据,得到临近时刻数据矩阵Z,取出与当前校验单元s个相近的电网数据,得到相近数据矩阵V,然后经过加权平均计算得到三级校验单元处理后的校验结果 其中wh表示对于临近时刻电网数据的加权系数;ws表示对于相近的电网数据中的加权系数;Dia EMA表示二级校验单元处理后的校验结果;h0和s0分别表示临近时刻电网数据和相近的电网数据与当前校验结果的相似度,其中相似度通过余弦相似度求出;Dia ave表示三级校验结果处理后的校验结果。
进一步,步骤S2具体包括:
定义对任意一个样本用{{r1,r2,…,rk},{o1,o2,…,ol}},{r1,r2,…,rk}表示预处理后的电网数据样本,k表示一序列预处理电网数据样本中元素的数量,{o1,o2,…,ol}表示一序列初步预测负荷需求数据样本,l表示一序列初步预测负荷需求数据样本中元素的数量,具体过程如下所示:
将r={r1,r2,…,rk}输入到负荷预测神经网络中,初始状态设定为u0,具体如下所示:
其中,ω0表示初始权重值;b0表示初始偏置;在负荷预测神经网络中引入门控单元,包括输入门、更新门、遗忘门、输出门。
进一步,步骤S3具体包括:
过深度学习构建电能质量分析模型对数据进行分析,得到电网配网中电能质量状态值,具体过程如下所示:
其中,modelPQA表示构建的电能质量分析模型;表示预处理后的电网数据集合,包括有电压参数、电流参数、频率参数、谐波参数、功率因数、电能波动参数、电能损耗参数的各种数据;Q表示统计的所需电能的参数集;Re表示监测过程中记录的电能损耗数据集;G表示获得的用电量数据集;yout表示电能质量分析模型的输出结果。
进一步,步骤S4具体包括:
对电网工作效率Ework和能源利用率Epower进行预设,预设在电网配网的初始工作效率为Ew0,预设在电网配网的初始能源利用率为Ep0;同时,通过电网工作效率进行等级划分,包括高效级、良好级、低差级;初始工作效率为Ew1。
进一步还包括:
将得到的负荷预测信息和电能质量分析结果,分别用Fuy和Dif进行表示,再通过计算得到电网配网工作效率调节参数Tcs;然后根据负荷预测结果Fuy对能源利用率Epower进行修正;还要根据电网配网的工作效率调节参数Tcs与预设调节参数进行对比,然后结合对比结果得到最后的电网配网工作效率Ework。
一种智能电网配网管理***,包括以下内容:
数据采集模块、预处理模块、负荷预测模块、电能质量分析模块、统筹管理模块、风险预警模块;
所述数据采集模块,用于对电网中的关键参数数据监测并进行采集,获得初始电网数据信息;
所述预处理模块,用于对数据采集模块获取到的初始电网数据信息进行预处理,为数据的准确性进行铺垫,并将数据传递至负荷预测模块和电能质量分析模块;预处理模块包括一级校验单元、二级校验单元、三级校验单元;
所述一级校验单元,用于根据获取的初始电网数据信息和各个校验单元工作窗口的信息推演;
所述二级校验单元,用于进行平滑处理反映出数据变化趋势;
所述三级校验单元,根据一级校验单元和二级校验单元处理后得到的电网数据信息进行三级校验;
所述负荷预测模块,根据预处理后的电网数据信息对负荷需求进行预测并提取有用信息,将预测数据信息传递至统筹管理模块;
所述电能质量分析模块,根据预处理后的电网数据信息对电能质量进行分析,得到电能质量状态结果,将分析后数据传递至统筹管理模块;
所述统筹管理模块,通过得到的电能质量分析数据和负荷预测信息对电网配网进行管理,优化电力调度;
所述风险预警模块,用于监测电网配网中运行状态,及时发现异常情况并进行预警,以避免潜在的故障和事故发生。
有益效果:
1.本发明通过建立一级校验单元进行推演训练,可以对原始数据进行分析,从而提高数据的准确性,减少错误和异常数据对最终结果的影响;二级校验单元可以进一步平滑处理数据,消除短期波动和噪音,使得最终的数据更加可靠和一致;三级校验单元进行加权平均,可以将多个数据源的信息综合起来,得到更全面、综合的电网数据信息。基于建立多级校验单元并采用推演、平滑处理和加权平均的方法,得到了预处理后的电网数据信息,因此可以减少数据的波动和突变,使得最终的数据信息更加平稳和可靠,有助于提高电网***的稳定性和可靠性,减少异常情况的发生和对***的影响。
2.本发明通过建立负荷预测神经网络模型进行负荷预测,将数据划分为训练集和测试集,可以验证模型的泛化能力,即在未知数据上的表现,有助于对模型进一步调优;利用欧氏距离计算预测结果与输入的初步预测负荷需求数据样本之间的相似度,进一步增加了对模型训练是否成功的判断依据,从而提高其准确性和可靠性。根据预测结果,优化负荷调度,能够合理安排电源和电荷之间的配合,以降低供电成本、减少能源浪费并提高电网配电可靠性。
3.本发明通过建立电能质量分析模型可以识别和定位电能质量问题,可以及时发现和解决潜在的电能质量问题,确保电力供应的稳定性和可靠性;通过分析电能质量数据,可了解电网中的能源消耗模式和负载特征,有助于优化电网的能源调度和资源分配,并且还能减少能量损失和优化电力传输效率,降低电网运行成本,提高整体能源效率。
4.本发明可以实现对电力设备和配网网络的远程监控和管理,减少人工巡检和维护的工作量,并且***可以自动化地识别和报告电力设备的故障和异常情况,提前预警运维人员,并优化配电方案以降低能源损耗。电能质量分析结果可以指示电网中存在的问题,通过调节配网***的工作效率参数,可以改善供电质量,减少电能质量问题的影响;负荷预测结果可以提供对未来负荷需求的预测,使配网工作可以提前进行规划和调整,以满足各个区域的电力需求,实现电力资源的合理分配和高效利用。
附图说明
图1为本发明智能电网配网管理方法的流程图;
图2为本发明智能电网配网管理***的模块图;
图3为本发明预处理模块的结构图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。同时应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照附图1,本实施例提供了一种智能电网配网管理方法,包括以下步骤:
S1.通过电表、传感器、监测设备等,对电网信息进行监测,并对电网关键参数进行实时采集,包括电流、电压、功率、负荷、频率、谐波等信息,从而获得相应的电网数据。
这些数据可能是海量的、高维度的,并且可能包含噪声和异常值。需要对数据进行预处理,以确保数据的准确性和可靠性。
根据收集得到的电网数据信息,形成电网数据集Di,建立历史电网数据矩阵b表示历史电网数据的记录数,c表示每条历史电网数据记录数中的个数;然后对电网数据信息进行校验。具体过程为:Di={Di1,Di2,...,DiA},A表示A个校验单元,Dia表示第a个校验单元的初始电网数据信息,其中a∈(1,2,...,A);基于初始电网数据信息和各个校验单元的工作窗口,得到校验后的电网数据信息:
首先,建立一级校验单元,根据获取的初始电网数据信息和各个校验单元工作窗口的信息进行推演,具体过程为:
其中,Dia (1)表示一级校验单元中的校验结果表示工作窗口中的特征项,包括功率、谐波、电压、电流、相位等;d0,d1,...,dn表示需要通过历史数据集训练的得到的参数。
然后,建立二级校验单元进行平滑处理,使推演误差最小化;利用EMA(指数加权移动平均法)计算,通过给予最近数据更高的权重,较早的数据权重逐渐减小,以反映出数据变化的趋势,具体过程为:
Dia EMA=α*Dia,t (1)+(1-α)*Dia,t-1 (1)
其中,Dia EMA表示二级校验单元处理后的校验结果;α表示平滑系数,α∈[0,1];Dia,t (1)表示在t时间点的校验结果;Dia,t-1 (1)表示在t-1时间点的校验结果。
一般情况下,α越大表示最近的电网数据信息的权重越高,对短期波动更敏感。其中,在初始状态下,初始时刻的指数加权移动平均值等于第一个校验结果。
再然后,建立三级校验单元,根据一级校验单元以及二级校验单元得到处理后的电网数据信息,取出与当前校验结果h个临近时刻电网数据,得到临近时刻数据矩阵Z,取出与当前校验单元s个相近的电网数据,得到相近数据矩阵V,然后经过加权平均计算得到三级校验单元处理后的校验结果 其中wh表示对于临近时刻电网数据的加权系数;ws表示对于相近的电网数据中的加权系数;h0和s0分别表示临近时刻电网数据和相近的电网数据与当前校验结果的相似度,其中相似度通过余弦相似度求出;Dia ave表示三级校验结果处理后的校验结果。最终得到了预处理后的电网信息数据集/>
本发明通过建立一级校验单元进行推演训练,可以对原始数据进行分析,从而提高数据的准确性,减少错误和异常数据对最终结果的影响;二级校验单元可以进一步平滑处理数据,消除短期波动和噪音,使得最终的数据更加可靠和一致;三级校验单元进行加权平均,可以将多个数据源的信息综合起来,得到更全面、综合的电网数据信息。
本发明基于建立多级校验单元并采用推演、平滑处理和加权平均的方法,得到了预处理后的电网数据信息,因此可以减少数据的波动和突变,使得最终的数据信息更加平稳和可靠,有助于提高电网***的稳定性和可靠性,减少异常情况的发生和对***的影响。
S2.根据取得的预处理后的电网数据信息和记录的相关因素,相关因素例如天气、季节等,建立负荷预测神经网络模型,准确预测未来负荷需求。
在一具体实施例中,收集历史数据和过去一段时间内历史负荷数据,包括负荷需求和相关因素,例如:天气数据、季节性因素、节假日等。
根据得到的预处理完成的电网数据信息,还有利用现有技术从其他历史数据中提取的特征数据,包括时间特征、天气特征等,所述时间特征包括小时、日期、星期几,所述天气特征包括温度、湿度、风速。设立样本选取阈值及阈值区间(根据专家经验设置),从提取的特征数据以及电网数据信息中取出高于阈值或符合阈值区间的数据,将其作为样本数据。
基于循环神经网络建立负荷预测神经网络模型,将样本数据分为训练集和测试集。首先通过训练集对负荷预测神经网络模型进行数据拟合,然后在训练过程中对训练误差进行动量优化。
训练集包括需要输入到负荷预测神经网络模型中的预处理后的电网数据集合和对应的初步预测后的负荷需求集合,来寻找到最佳负荷预测信息。现定义对任意一个样本用{{r1,r2,…,rk},{o1,o2,…,ol}},{r1,r2,…,rk}表示预处理后的电网数据样本,k表示一序列预处理电网数据样本中元素的数量,{o1,o2,…,ol}表示一序列初步预测负荷需求数据样本,l表示一序列初步预测负荷需求数据样本中元素的数量,具体过程如下所示:
将r={r1,r2,…,rk}输入到负荷预测神经网络中,初始状态设定为u0,具体如下所示:
其中,ω0表示初始权重值;b0表示初始偏置;在负荷预测神经网络中引入门控单元,包括输入门、更新门、遗忘门、输出门。输入门决定当前时间步的输入信息有多少被存储到细胞状态中,具体计算过程如下:
it (1)=σ(ωir*rt+ωiu*ut-1+bi)
其中,it (1)表示输入门神经元辅助输出;rt表示输入值当前时间步的状态;ut-1表示上一时刻的状态;bi表示输入门神经元的偏置;ωir和ωiu分别表示对应的权重值;it (2)表示输入门神经元最后输出;ε表示阈值;ut表示当前时刻状态。更新门神经元的计算过程如下:
其中,vt表示在时间步t更新门神经元的输出;ωv表示更新门神经元的权重值;表示调控参数;tanh表示激活函数;I表示常值系数;bv表示更新门神经元的偏置。遗忘门神经元的具体计算过程如下:
其中,ft表示在时间步t遗忘门神经元的输出;ωf,t-1表示在上一时间步对应的权重值;sigmoid表示激活函数;bf表示遗忘门神经元的偏置。最后输出门中输出为:
ot=ft*σ(ωout)+bo
其中,ot表示输出结果;ωo表示输出权重值;bo表示输出神经元的偏置。
将负荷预测神经网络模型的输出结果与输入的初步预测负荷需求数据样本利用欧氏距离进行相似度计算;其中欧式距离越小,则相似度越大,表明结果更准确;如果欧氏距离超过预设范围,则需要继续进行训练,不断优化负荷预测神经网络模型中的参数,不断循环迭代进行对比,一直到结果符合预设值范围则训练完成。
本发明通过建立负荷预测神经网络模型进行负荷预测,将数据划分为训练集和测试集,可以验证模型的泛化能力,即在未知数据上的表现,有助于对模型进一步调优;利用欧氏距离计算预测结果与输入的初步预测负荷需求数据样本之间的相似度,进一步增加了对模型训练是否成功的判断依据,从而提高其准确性和可靠性。根据预测结果,优化负荷调度,能够合理安排电源和电荷之间的配合,以降低供电成本、减少能源浪费并提高电网配电可靠性。
S3.通过对电网中电能质量相关参数的监测和获取,构建电能质量分析模型,识别电能质量问题。
根据持续对电网工作过程的监测得到了电能质量的相关参数,并且经过预处理确保了数据的准确性,对处理后的电网信息数据集通过深度学习构建电能质量分析模型对数据进行分析,得到电网配网中电能质量状态值,具体过程如下所示:
其中,modelPQA表示构建的电能质量分析模型;表示预处理后的电网数据集合,包括有电压参数、电流参数、频率参数、谐波参数、功率因数、电能波动参数、电能损耗参数的各种数据;Q表示统计的所需电能的参数集;Re表示监测过程中记录的电能损耗数据集;G表示获得的用电量数据集;yout表示电能质量分析模型的输出结果。
具体计算过程如下所示:
其中,ω(1)、ω(2)、ω(3)、ω(4)、ω(5)、ω(6)、ω(7)分别表示电压参数、电流参数、频率参数、谐波参数、功率因数、电能波动参数、电能损耗参数的对应权重值,且ω(1)+ω(2)+ω(3)+ω(4)+ω(5)+ω(6)+ω(7)=1;γ1表示学***均值后的用电量对电能质量分析模型的影响值;Inf(Q)表示所需电能对电能质量分析模型的影响值;Inf(Re)表示电能损耗对电能质量分析模型的影响值;/>表示反误差因子。
本发明通过建立电能质量分析模型可以识别和定位电能质量问题,可以及时发现和解决潜在的电能质量问题,确保电力供应的稳定性和可靠性;通过分析电能质量数据,可了解电网中的能源消耗模式和负载特征,有助于优化电网的能源调度和资源分配,并且还能减少能量损失和优化电力传输效率,降低电网运行成本,提高整体能源效率。
S4.通过智能电网管理方法对电网中的电力设备进行实时监控,根据电能质量分析结果和负荷预测信息进行管理,优化电力调度。
根据获取到的电网配网的相关数据对电网工作效率Ework和能源利用率Epower进行预设,预设在电网配网的初始工作效率为Ew0,预设在电网配网的初始能源利用率为Ep0;同时,通过电网工作效率进行等级划分,包括高效级、良好级、低差级;
在高效级中,电网具有高度的可靠性和稳定性,并且对应的调节系数为μ1,则初始工作效率为Ew1=Ew0*μ1;
在良好级中,电网在大多数方面表现良好但可能存在一些改进的空间,并且对应的调节系数为μ2,则初始工作效率为Ew1=Ew0*μ2;
在低差级中,电网表现出低效效果需要进行改进及升级,并且对应的调节系数为μ3,则初始工作效率为Ew1=Ew0*μ3。
结合上述步骤得到了负荷预测结果和电能质量分析结果,分别用Fuy和Dif进行表示,再通过计算得到电网配网工作效率调节参数Tcs,具体计算过程如下所示:
其中,Fuy'表示实际负荷结果;δFuy表示负荷预测结果对应的权重系数;δDif表示电能质量分析结果对应的权重系数;ρc表示调节常值。
根据负荷预测结果Fuy对能源利用率Epower进行修正,具体过程如下:
现定义能源供应量为Pe;在储能***中的充电量为Ein,放电量为Eout;其中time表示时间;根据从各个能源来源,如燃气、天然气、水力、风能、太阳能等,确定所获取的能源供应量;
其中,表示负荷预测误差率;time表示定义的时间。当负荷预测误差率较低时即预测的负荷与实际负荷之间的差异较小,则电网配网管理***可以根据准确的负荷需求进行供应和分配,从而有更高的能源利用率;反之,当负荷预测误差率较高时,即预测的负荷与实际负荷之间存在较大的差异,电网配网管理***无法及时、准确的进行分配工作,从而降低能源利用率。
还要根据电网配网的工作效率调节参数Tcs与预设调节参数进行对比,然后结合对比结果得到最后的电网配网工作效率Ework,具体过程如下:
定义预设调节参数为Tcs1,且该预设调节参数根据历史实验数据获得,Tcs1>0;其中,ρ1表示调控因子;
最终电网配网管理***依据修正后的能源利用率Wpower和电网配网工作效率Ewprk进行管理工作。
本发明可以实现对电力设备和配网网络的远程监控和管理,减少人工巡检和维护的工作量,并且***可以自动化地识别和报告电力设备的故障和异常情况,提前预警运维人员,并优化配电方案以降低能源损耗。电能质量分析结果可以指示电网中存在的问题,通过调节配网***的工作效率参数,可以改善供电质量,减少电能质量问题的影响;负荷预测结果可以提供对未来负荷需求的预测,使配网工作可以提前进行规划和调整,以满足各个区域的电力需求,实现电力资源的合理分配和高效利用。
本发明有助于减少能源浪费,降低能源成本,并促进可持续能源的使用,能够提高电网的稳定性和可靠性。
参照附图2、3,本实施例提供了一种智能电网配网管理***,包括以下内容:
数据采集模块、预处理模块、负荷预测模块、电能质量分析模块、统筹管理模块、风险预警模块;
数据采集模块,用于对电网中的关键参数数据监测并进行采集,获得初始电网数据信息;
预处理模块,用于对数据采集模块获取到的初始电网数据信息进行预处理,为数据的准确性进行铺垫,并将数据传递至负荷预测模块和电能质量分析模块;预处理模块包括一级校验单元、二级校验单元、三级校验单元;
一级校验单元,用于根据获取的初始电网数据信息和各个校验单元工作窗口的信息推演;
二级校验单元,用于进行平滑处理反映出数据变化趋势;
三级校验单元,根据一级校验单元和二级校验单元处理后得到的电网数据信息进行三级校验;
负荷预测模块,根据预处理后的电网数据信息对负荷需求进行预测并提取有用信息,将预测数据信息传递至统筹管理模块;
电能质量分析模块,根据预处理后的电网数据信息对电能质量进行分析,得到电能质量状态结果,将分析后数据传递至统筹管理模块;
统筹管理模块,通过得到的电能质量分析数据和负荷预测信息对电网配网进行管理,优化电力调度;
风险预警模块,用于监测电网配网中运行状态,及时发现异常情况并进行预警,以避免潜在的故障和事故发生。
本发明是参照根据本发明实施例的方法、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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (4)
1.一种智能电网配网管理方法,其特征在于,包括以下步骤:
S1.监测电网信息并对电网中关键参数数据进行采集,然后对获取的电网数据信息进行预处理;
在进行数据预处理时根据收集得到的电网数据信息,形成电网数据集Di,建立历史电网数据矩阵b表示历史电网数据的记录数,c表示每条历史电网数据记录数中的个数;然后对电网数据信息进行校验;包括一级校验单元、二级校验单元、三级校验单元;
建立一级校验单元,根据获取的初始电网数据信息和各个校验单元工作窗口的信息进行推演,具体过程为:
其中,Dia (1)表示一级校验单元中的校验结果;表示工作窗口中的特征项;d0,d1,...,dn表示需要通过历史数据集训练的得到的参数;
建立二级校验单元进行平滑处理,并利用EMA计算,具体过程为:
Dia EMA=α*Dia,t (1)+(1-α)*Dia,t-1 (1)
其中,Dia EMA表示二级校验单元处理后的校验结果;α表示平滑系数,α∈[0,1];Dia,t(1)表示在t时间点的校验结果;Dia,t-1(1)表示在t-1时间点的校验结果;
在三级校验单元中,根据一级校验单元以及二级校验单元得到处理后的电网数据信息,取出与当前校验结果h个临近时刻电网数据,得到临近时刻数据矩阵Z,取出与当前校验单元s个相近的电网数据,得到相近数据矩阵V,然后经过加权平均计算得到三级校验单元处理后的校验结果 其中wh表示对于临近时刻电网数据的加权系数;ws表示对于相近的电网数据中的加权系数;/>表示二级校验单元处理后的校验结果;h0和s0分别表示临近时刻电网数据和相近的电网数据与当前校验结果的相似度,其中相似度通过余弦相似度求出;Dia ave表示三级校验结果处理后的校验结果;
S2.根据取得的预处理后的电网数据信息和记录的相关因素,建立负荷预测神经网络模型,准确预测未来负荷需求;
S3.通过对电网中电能质量相关参数的监测和获取,构建电能质量分析模型,识别电能质量问题;
S4.基于负荷预测信息和和电能质量分析结果,对电网配网工作效率和能源利用率进行预设,通过计算得到修正后的能源利用率和电网配网工作效率,以便对电网配网进行管理;
通过电网工作效率进行等级划分,包括高效级、良好级、低差级,得到初始工作效率为Ew1;将得到的负荷预测信息和电能质量分析结果,分别用Fuy和Dif进行表示,计算得到电网配网工作效率调节参数Tcs,具体计算过程如下所示:
其中,Fuy'表示实际负荷结果;δFuy表示负荷预测结果对应的权重系数;δDif表示电能质量分析结果对应的权重系数;ρc表示调节常值;
根据负荷预测结果Fuy对能源利用率Epower进行修正,现定义能源供应量为Pe;在储能***中的充电量为Ein,放电量为Eout;其中time表示时间;其中,/>表示负荷预测误差率;
根据电网配网的工作效率调节参数Tcs与预设调节参数进行对比,然后结合对比结果得到电网配网工作效率Ework,具体过程如下:
定义预设调节参数为Tcs1,且该预设调节参数根据历史实验数据获得,Tcs1>0;其中,ρ1表示调控因子;
2.根据权利要求1所述的一种智能电网配网管理方法,其特征在于,所述步骤S2具体包括:
定义对任意一个样本用{{r1,r2,...,rk},{o1,o2,...,ol}},{r1,r2,...,rk}表示预处理后的电网数据样本,k表示一序列预处理电网数据样本中元素的数量,{o1,o2,...,ol}表示一序列初步预测负荷需求数据样本,l表示一序列初步预测负荷需求数据样本中元素的数量,具体过程如下所示:
将r={r1,r2,...,rk}输入到负荷预测神经网络中,初始状态设定为u0,具体如下所示:
其中,ω0表示初始权重值;b0表示初始偏置;在负荷预测神经网络中引入门控单元,包括输入门、更新门、遗忘门、输出门。
3.根据权利要求1所述的一种智能电网配网管理方法,其特征在于,所述步骤S3具体包括:
过深度学习构建电能质量分析模型对数据进行分析,得到电网配网中电能质量状态值,具体过程如下所示:
其中,modelPQA表示构建的电能质量分析模型;表示预处理后的电网数据集合,包括有电压参数、电流参数、频率参数、谐波参数、功率因数、电能波动参数、电能损耗参数的各种数据;Q表示统计的所需电能的参数集;Re表示监测过程中记录的电能损耗数据集;G表示获得的用电量数据集;yout表示电能质量分析模型的输出结果。
4.一种智能电网配网管理***,应用于权利要求1所述的一种智能电网配网管理方法,其特征在于,包括以下内容:
数据采集模块、预处理模块、负荷预测模块、电能质量分析模块、统筹管理模块、风险预警模块;
所述数据采集模块,用于对电网中的关键参数数据监测并进行采集,获得初始电网数据信息;
所述预处理模块,用于对数据采集模块获取到的初始电网数据信息进行预处理,为数据的准确性进行铺垫,并将数据传递至负荷预测模块和电能质量分析模块;预处理模块包括一级校验单元、二级校验单元、三级校验单元;
所述一级校验单元,用于根据获取的初始电网数据信息和各个校验单元工作窗口的信息推演;
所述二级校验单元,用于进行平滑处理反映出数据变化趋势;
所述三级校验单元,根据一级校验单元和二级校验单元处理后得到的电网数据信息进行三级校验;
所述负荷预测模块,根据预处理后的电网数据信息对负荷需求进行预测并提取有用信息,将预测数据信息传递至统筹管理模块;
所述电能质量分析模块,根据预处理后的电网数据信息对电能质量进行分析,得到电能质量状态结果,将分析后数据传递至统筹管理模块;
所述统筹管理模块,通过得到的电能质量分析数据和负荷预测信息对电网配网进行管理,优化电力调度;
所述风险预警模块,用于监测电网配网中运行状态,及时发现异常情况并进行预警,以避免潜在的故障和事故发生。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370220.9A CN117595231B (zh) | 2023-10-20 | 2023-10-20 | 一种智能电网配网管理***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311370220.9A CN117595231B (zh) | 2023-10-20 | 2023-10-20 | 一种智能电网配网管理***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117595231A CN117595231A (zh) | 2024-02-23 |
CN117595231B true CN117595231B (zh) | 2024-05-31 |
Family
ID=89920823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311370220.9A Active CN117595231B (zh) | 2023-10-20 | 2023-10-20 | 一种智能电网配网管理***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117595231B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012171147A1 (zh) * | 2011-06-17 | 2012-12-20 | 辽宁省电力有限公司 | 结合风力发电的纯电动汽车有序充放电协调控制*** |
CN110738344A (zh) * | 2018-07-20 | 2020-01-31 | 中国农业大学 | 电力***负荷预测的分布式无功优化方法及装置 |
CN110929927A (zh) * | 2019-11-18 | 2020-03-27 | 国网甘肃省电力公司 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
CN112733417A (zh) * | 2020-11-16 | 2021-04-30 | 南京邮电大学 | 一种基于模型优化的异常负荷数据检测与修正方法和*** |
WO2022036778A1 (zh) * | 2020-08-21 | 2022-02-24 | 山东大学 | 一种输配协同负荷恢复优化控制方法及*** |
CN115392340A (zh) * | 2022-07-11 | 2022-11-25 | 江苏科技大学 | 一种多能源电力推进船舶的电力负荷预测***与预测方法 |
CN116187516A (zh) * | 2022-12-13 | 2023-05-30 | 郑振富 | 一种基于大数据的分析修正方法 |
CN116388150A (zh) * | 2023-02-15 | 2023-07-04 | 国网辽宁省电力有限公司电力科学研究院 | 基于数字孪生和神经网络技术的配变短期负荷预测方法 |
WO2023142424A1 (zh) * | 2022-01-25 | 2023-08-03 | 国网江苏省电力有限公司南京供电分公司 | 基于gru-lstm神经网络的电力金融业务风控方法及*** |
CN116581750A (zh) * | 2023-05-24 | 2023-08-11 | 江苏大学扬州(江都)新能源汽车产业研究所 | 一种基于电网负荷水平的智能线路负载充电方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及*** |
-
2023
- 2023-10-20 CN CN202311370220.9A patent/CN117595231B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012171147A1 (zh) * | 2011-06-17 | 2012-12-20 | 辽宁省电力有限公司 | 结合风力发电的纯电动汽车有序充放电协调控制*** |
CN110738344A (zh) * | 2018-07-20 | 2020-01-31 | 中国农业大学 | 电力***负荷预测的分布式无功优化方法及装置 |
CN110929927A (zh) * | 2019-11-18 | 2020-03-27 | 国网甘肃省电力公司 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
WO2022036778A1 (zh) * | 2020-08-21 | 2022-02-24 | 山东大学 | 一种输配协同负荷恢复优化控制方法及*** |
CN112733417A (zh) * | 2020-11-16 | 2021-04-30 | 南京邮电大学 | 一种基于模型优化的异常负荷数据检测与修正方法和*** |
WO2023142424A1 (zh) * | 2022-01-25 | 2023-08-03 | 国网江苏省电力有限公司南京供电分公司 | 基于gru-lstm神经网络的电力金融业务风控方法及*** |
CN115392340A (zh) * | 2022-07-11 | 2022-11-25 | 江苏科技大学 | 一种多能源电力推进船舶的电力负荷预测***与预测方法 |
CN116187516A (zh) * | 2022-12-13 | 2023-05-30 | 郑振富 | 一种基于大数据的分析修正方法 |
CN116388150A (zh) * | 2023-02-15 | 2023-07-04 | 国网辽宁省电力有限公司电力科学研究院 | 基于数字孪生和神经网络技术的配变短期负荷预测方法 |
CN116581750A (zh) * | 2023-05-24 | 2023-08-11 | 江苏大学扬州(江都)新能源汽车产业研究所 | 一种基于电网负荷水平的智能线路负载充电方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117595231A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11876374B2 (en) | System and method for optimal control of energy storage system | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN116646933B (zh) | 一种基于大数据的电力负荷调度方法及*** | |
CN105069525B (zh) | 全天候96点日负荷曲线预测及优化修正*** | |
CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN106408223A (zh) | 基于气象相似日及误差校正的短期负荷预测方法 | |
CN107944594B (zh) | 一种基于斯皮尔曼等级与rkelm微网短期负荷预测方法 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN115425680A (zh) | 一种多能源联合发电***的功率预测模型构建及预测方法 | |
CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN115965132A (zh) | 基于ga-bp神经网络的分布式光伏数字孪生***功率预测方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析*** | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
CN113537582A (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
Buonanno et al. | Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids | |
CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
CN117974395A (zh) | 一种基于碳排放监测的绿色社区管理方法及*** | |
CN117595231B (zh) | 一种智能电网配网管理***及其方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制***、方法和介质 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN113688973A (zh) | 一种基于深度神经网络的供水泵站调度方法 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |