CN117878925B - 一种智能电网的输电数据控制方法及*** - Google Patents
一种智能电网的输电数据控制方法及*** Download PDFInfo
- Publication number
- CN117878925B CN117878925B CN202410268510.0A CN202410268510A CN117878925B CN 117878925 B CN117878925 B CN 117878925B CN 202410268510 A CN202410268510 A CN 202410268510A CN 117878925 B CN117878925 B CN 117878925B
- Authority
- CN
- China
- Prior art keywords
- data
- power
- grid
- power transmission
- transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 322
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000006243 chemical reaction Methods 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000013079 data visualisation Methods 0.000 claims abstract description 16
- 238000013075 data extraction Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims description 111
- 238000004458 analytical method Methods 0.000 claims description 71
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 15
- 238000013461 design Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 7
- 206010033799 Paralysis Diseases 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 6
- 238000000411 transmission spectrum Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011049 filling Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 31
- 238000007726 management method Methods 0.000 description 17
- 230000008859 change Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- 239000002699 waste material Substances 0.000 description 8
- 238000011217 control strategy Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种智能电网的输电数据控制方法及***。所述方法包括以下步骤:获取实时电力数据和智能电网环境数据;对实时电力数据和智能电网环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行动态负荷曲线转换,从而生成实时综合能源负荷曲线;基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行模型训练,生成电力需求预测模型。本发明通过综合数据处理、动态负荷曲线转换、负荷峰值数据提取与预测模型、设备信息采集与电网调节、电网非线性控制和数据可视化,提高了智能电网的精准性、稳定性和可靠性。
Description
技术领域
本发明涉及电力数据控制技术领域,尤其涉及一种智能电网的输电数据控制方法及***。
背景技术
传统电力***是智能电网技术发展的起点。这些***依赖于中央化的发电厂向消费者输送电力,数据控制方法有限,主要依靠人工操作和简单的自动化技术,这种***存在着能源浪费和响应速度慢的问题。随着信息技术和通信技术的进步,智能电网开始崭露头角,通过大数据分析和机器学习,电网管理者可以更好地预测负荷需求,优化供应链路,降低运行成本,并提高电网的可靠性和稳定性。同时SCADA***(监控和数据采集***)的广泛应用,使得电网管理者可以实时监测整个电网的状态,快速识别和响应故障。然而目前传统的输电数据控制方法在设备信息采集和电网调节方面可能较为被动,缺乏智能化和实时性,并且在电网控制的复杂性和数据呈现方式上存在局限,导致控制的精准性和实时性较低。
发明内容
基于此,有必要提供一种智能电网的输电数据控制方法及***,以解决至少一个上述技术问题。
为实现上述目的,一种智能电网的输电数据控制方法,所述方法包括以下步骤:
步骤S1:获取实时电力数据和智能电网环境数据;对实时电力数据和智能电网环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行动态负荷曲线转换,从而生成实时综合能源负荷曲线;
步骤S2:基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行模型训练,生成电力需求预测模型;通过电力需求预测模型对动态电力负荷峰值数据进行动态电力分配,从而生成最优电力分配方案;
步骤S3:基于最优电力分配方案进行设备信息采集,得到边缘设备部署信息数据;根据边缘设备部署信息数据对智能电网进行实时电网调节,生成电网边缘计算控制数据;对电网边缘计算控制数据进行电力控制稳定性调控,生成电力传输稳定数据;
步骤S4:对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行电网非线性控制,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告。
本发明通过实时综合能源负荷曲线,智能电网可以更准确地预测和管理能源需求,从而优化能源调度和分配,提高能源利用效率。综合考虑电力数据和智能电网环境数据可以帮助智能电网***更好地应对变化的环境因素,提高供电***的可靠性和稳定性。通过动态负荷曲线转换,智能电网可以更精确地预测负荷需求,有针对性地调整能源供应策略,从而降低能源生产和分配的成本。实时综合能源负荷曲线为决策者提供了准确的数据基础,可用于制定能源政策、规划能源设施建设、优化能源市场运行等决策。通过对电力数据和环境数据的综合分析,智能电网可以更好地支持可再生能源的集成和利用,促进能源***的可持续发展。通过动态电力分配,***能够实时响应变化的负荷需求,提高电力分配的灵活性。通过精准的电力需求预测,可以避免过度分配电力,减少能源浪费,提高能源利用效率。采用最优电力分配方案可以有效平衡供需关系,提高电力***的稳定性和鲁棒性。通过减少过度分配和提高***效率,可以降低电力***运行成本,提升整体经济效益。通过实时电网调节和边缘计算控制,***可以更快速地响应电力需求变化,提升了电力***的实时响应能力。通过电力控制稳定性调控,生成稳定的电力传输数据,有助于提高电力传输的稳定性和可靠性。根据最优电力分配方案进行设备调节,有助于优化设备利用率,延长设备寿命,降低设备运行成本。通过电网非线性控制,实现了对电网运行的精细化管理,提高了电网的运行效率和稳定性。优化的电网控制策略有助于减少输电线路的损耗,提高了输电效率,降低了能源浪费。实施智能控制策略能够及时发现和处理电网故障,提高了电网的安全性和可靠性。智能化的电网管理减少了人工干预的需求,降低了运维成本,提高了运维效率。因此,本发明通过综合数据处理、动态负荷曲线转换、负荷峰值数据提取与预测模型、设备信息采集与电网调节、电网非线性控制和数据可视化,提高了智能电网的精准性、稳定性和可靠性。
在本说明书中,提供了一种智能电网的输电数据控制***,用于执行上述所述的智能电网的输电数据控制方法,该智能电网的输电数据控制***包括:
负荷分析模块,用于获取实时电力数据和智能电网环境数据;对实时电力数据和智能电网环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行动态负荷曲线转换,从而生成实时综合能源负荷曲线;
电力分配模块,用于基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行模型训练,生成电力需求预测模型;通过电力需求预测模型对动态电力负荷峰值数据进行动态电力分配,从而生成最优电力分配方案;
稳定调控模块,用于基于最优电力分配方案进行设备信息采集,得到边缘设备部署信息数据;根据边缘设备部署信息数据对智能电网进行实时电网调节,生成电网边缘计算控制数据;对电网边缘计算控制数据进行电力控制稳定性调控,生成电力传输稳定数据;
线性控制模块,用于对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行电网非线性控制,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告。
本发明的有益效果在于通过融合实时电力数据和智能电网环境数据,生成综合电力环境数据集,有助于提高数据的完整性和准确性。通过动态负荷曲线转换,实时生成综合能源负荷曲线,为后续电力需求预测和优化提供基础。通过模型训练,生成电力需求预测模型,可以帮助预测未来的电力需求,为电力分配提供依据。基于电力需求预测模型,实现动态电力分配,生成最优的电力分配方案,有助于提高能源利用效率,降低供需不平衡带来的成本。根据最优电力分配方案,进行实时电网调节,通过边缘设备部署信息数据实现智能电网的优化管理。通过电网边缘计算控制数据的生成和调控,提升电网的稳定性和可靠性,减少能源浪费和损失。通过三维点云转换,生成电力传输三维模型,为电网非线性控制提供可视化基础。基于电力传输三维模型,实现电网的非线性控制和智能化管理,提高电网运行效率和安全性。通过对电网输电智能控制数据的可视化,生成智能电网输电数据控制报告,为电力管理部门提供决策支持和管理参考。因此,本发明通过综合数据处理、动态负荷曲线转换、负荷峰值数据提取与预测模型、设备信息采集与电网调节、电网非线性控制和数据可视化,提高了智能电网的精准性、稳定性和可靠性。
附图说明
图1为一种智能电网的输电数据控制方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图2中步骤S24的详细实施步骤流程示意图;
图4为图3中步骤S243的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种智能电网的输电数据控制方法,所述方法包括以下步骤:
步骤S1:获取实时电力数据和智能电网环境数据;对实时电力数据和智能电网环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行动态负荷曲线转换,从而生成实时综合能源负荷曲线;
步骤S2:基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行模型训练,生成电力需求预测模型;通过电力需求预测模型对动态电力负荷峰值数据进行动态电力分配,从而生成最优电力分配方案;
步骤S3:基于最优电力分配方案进行设备信息采集,得到边缘设备部署信息数据;根据边缘设备部署信息数据对智能电网进行实时电网调节,生成电网边缘计算控制数据;对电网边缘计算控制数据进行电力控制稳定性调控,生成电力传输稳定数据;
步骤S4:对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行电网非线性控制,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告。
本发明通过实时综合能源负荷曲线,智能电网可以更准确地预测和管理能源需求,从而优化能源调度和分配,提高能源利用效率。综合考虑电力数据和智能电网环境数据可以帮助智能电网***更好地应对变化的环境因素,提高供电***的可靠性和稳定性。通过动态负荷曲线转换,智能电网可以更精确地预测负荷需求,有针对性地调整能源供应策略,从而降低能源生产和分配的成本。实时综合能源负荷曲线为决策者提供了准确的数据基础,可用于制定能源政策、规划能源设施建设、优化能源市场运行等决策。通过对电力数据和环境数据的综合分析,智能电网可以更好地支持可再生能源的集成和利用,促进能源***的可持续发展。通过动态电力分配,***能够实时响应变化的负荷需求,提高电力分配的灵活性。通过精准的电力需求预测,可以避免过度分配电力,减少能源浪费,提高能源利用效率。采用最优电力分配方案可以有效平衡供需关系,提高电力***的稳定性和鲁棒性。通过减少过度分配和提高***效率,可以降低电力***运行成本,提升整体经济效益。通过实时电网调节和边缘计算控制,***可以更快速地响应电力需求变化,提升了电力***的实时响应能力。通过电力控制稳定性调控,生成稳定的电力传输数据,有助于提高电力传输的稳定性和可靠性。根据最优电力分配方案进行设备调节,有助于优化设备利用率,延长设备寿命,降低设备运行成本。通过电网非线性控制,实现了对电网运行的精细化管理,提高了电网的运行效率和稳定性。优化的电网控制策略有助于减少输电线路的损耗,提高了输电效率,降低了能源浪费。实施智能控制策略能够及时发现和处理电网故障,提高了电网的安全性和可靠性。智能化的电网管理减少了人工干预的需求,降低了运维成本,提高了运维效率。因此,本发明通过综合数据处理、动态负荷曲线转换、负荷峰值数据提取与预测模型、设备信息采集与电网调节、电网非线性控制和数据可视化,提高了智能电网的精准性、稳定性和可靠性。
本发明实施例中,参考图1所述,为本发明一种智能电网的输电数据控制方法的步骤流程示意图,在本实例中,所述一种智能电网的输电数据控制方法包括以下步骤:
步骤S1:获取实时电力数据和智能电网环境数据;对实时电力数据和智能电网环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行动态负荷曲线转换,从而生成实时综合能源负荷曲线;
本发明实施例中,通过使用传感器、智能电表等设备实时采集电力数据。通过电力公司提供的实时数据接口获取电网运行状态、电力负荷等信息。利用环境传感器、气象站等设备收集气象数据,如温度、湿度、风速等,影响电力需求的环境因素。从智能电网设备中获取环境信息,例如设备运行状态、故障信息等。对实时电力数据和智能电网环境数据进行清洗,处理缺失值、异常值等。对数据进行时间同步,确保数据的时序一致性。将清洗后的实时电力数据和智能电网环境数据进行融合。可以根据时间戳或其他关键信息进行关联。使用数据融合算法,如数据库关联查询、时间序列合并等。将融合后的数据整合为一个综合的电力环境数据集,包含电力数据和环境数据。对综合电力环境数据集进行数据处理,提取关键特征,如电力负荷、环境温度、湿度等。使用滤波技术平滑曲线,降低噪声干扰。利用时间序列分析方法,例如移动平均、指数平滑等,生成动态负荷曲线。考虑电力数据和环境数据之间的关联,确保生成的负荷曲线反映了电力***在不同环境条件下的变化。将生成的动态负荷曲线整合,得到实时综合能源负荷曲线。考虑不同时间尺度的变化,以满足对实时能源需求的不同粒度的分析。
步骤S2:基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行模型训练,生成电力需求预测模型;通过电力需求预测模型对动态电力负荷峰值数据进行动态电力分配,从而生成最优电力分配方案;
本发明实施例中,通过制定预设的峰值筛选数量,根据实时综合能源负荷曲线,识别并提取负荷峰值数据。可以使用滑动窗口、峰值检测算法等技术。选择合适的电力需求预测模型,如时间序列模型(ARIMA、Prophet)、机器学习模型(回归模型、决策树)或深度学习模型(LSTM、GRU、Transformer)。使用历史动态电力负荷峰值数据作为训练集,将数据分为训练集和验证集,进行模型的训练和调优。利用训练好的模型对未来一段时间内的动态电力负荷峰值数据进行预测。确保模型能够捕捉负荷曲线的趋势、周期性等特征。将电力需求预测模型得到的预测结果用于动态电力分配。制定最优电力分配算法,考虑电力供应能力、成本、可再生能源利用等因素,生成最优的电力分配方案。实施最优电力分配方案,将电力资源分配到不同的部分,以满足***的实际需求。监控实时电力数据,根据需要对分配方案进行调整。
步骤S3:基于最优电力分配方案进行设备信息采集,得到边缘设备部署信息数据;根据边缘设备部署信息数据对智能电网进行实时电网调节,生成电网边缘计算控制数据;对电网边缘计算控制数据进行电力控制稳定性调控,生成电力传输稳定数据;
本发明实施例中,通过部署传感器和监控设备,用于采集边缘设备的状态信息、电网参数、能源消耗等数据。设计数据采集协议和通信方式,确保设备能够实时传输数据到中央控制***。对采集到的设备信息进行清洗、处理和整合,以得到准确可用的边缘设备部署信息数据。利用边缘设备部署信息数据对智能电网进行实时调节,涉及到控制分布式能源、储能***、调频设备等。制定电网调节算法,考虑设备的最大容量、能源供需平衡、电压和频率控制等因素,生成实时的电网调节策略。根据实时电网调节的结果,生成电网边缘计算控制数据,数据包括电网状态信息、设备运行参数、负荷分布等,用于指导下一步的电力控制。利用电网边缘计算控制数据进行电力控制稳定性调控。使用先进的控制算法,确保电力***在不同负荷情况下能够维持稳定的电压和频率。针对可能出现的突发负荷变化或设备故障,实施相应的应对策略,保障电网的稳定性。根据电力控制的结果,生成电力传输稳定数据,反映了电力***在调节后的稳定状态,包括电压、频率、负荷平衡等信息。
步骤S4:对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行电网非线性控制,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告。
本发明实施例中,通过使用激光扫描仪或其他三维扫描技术对电力传输线路和设备进行扫描,获取点云数据。对点云数据进行处理和分析,生成电力传输三维模型。确保三维模型准确反映了电力传输线路的几何形状、设备布局和环境特征。基于电力传输三维模型,开发电网非线性控制算法。考虑电力***的非线性特性,包括负荷变化、线路阻抗、设备限制等因素,设计控制策略以优化电力传输效率和稳定性。生成电网输电智能控制数据,包括设备调节参数、功率流动分配等信息。使用三维可视化软件或库,将电力传输三维模型和电网输电智能控制数据进行可视化。可视化展示电力传输线路、设备的状态和控制策略,以便用户直观理解电网运行情况和控制效果。根据可视化结果,生成智能电网输电数据控制报告。报告包括电力传输线路的几何结构、设备布局、控制参数、实时运行状态等信息,以及对电网运行效率和稳定性的评估和建议。
优选的,步骤S1包括以下步骤:
步骤S11:利用传感器获取实时电力数据和智能电网环境数据;
步骤S12:对实时电力数据和智能电网环境数据进行数据格式标准化,生成实时电力标准数据和智能电网标准环境数据;对实时电力标准数据和智能电网标准环境数据进行数据缺失值填充,生成实时电力完整数据和智能电网完整环境数据;
步骤S13:将实时电力完整数据和智能电网完整环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行电网运行动态负荷数据筛选,生成综合电力动态负荷数据集;
步骤S14:通过主成分分析方法对综合电力动态负荷数据集进行数据降维,生成综合电力动态负荷降维数据集;对综合电力动态负荷降维数据集进行曲线转换,从而生成实时综合能源负荷曲线。
本发明通过步骤S11和S12,***能够实时获取电力数据和智能电网环境数据,并将其标准化处理,填充缺失值,确保数据的准确性和完整性。通过步骤S13,***将电力数据和环境数据进行融合,生成综合的电力环境数据集,为电网运行提供全面的数据支持,并通过筛选生成综合电力动态负荷数据集,为后续分析提供基础。通过步骤S14,***利用主成分分析方法对综合电力动态负荷数据集进行降维处理,简化数据结构,提高处理效率,并将其转换为实时综合能源负荷曲线,使数据更直观、易于理解。整个过程的自动化处理可以提高能源数据的处理速度和准确性,为电力***运行和能源管理提供更可靠的支持,从而提高能源管理的效率和准确性。
本发明实施例中,通过部署传感器网络以获取实时电力数据和智能电网环境数据,传感器可以包括电力计量装置、温度传感器、湿度传感器、风速传感器等,用于收集各种与电力生产和分配相关的数据以及环境数据。开发数据格式标准化的算法和程序,对传感器采集的实时数据进行标准化处理,确保数据格式的一致性和兼容性。实现数据缺失值填充算法,根据数据特征和历史数据进行填充,确保实时电力数据和智能电网环境数据的完整性。设计数据融合算法,将实时电力数据和智能电网环境数据进行融合,生成综合电力环境数据集。开发电网运行动态负荷数据筛选算法,根据电网运行状态和需求,对综合电力环境数据集进行筛选,生成综合电力动态负荷数据集。实现主成分分析(PCA)方法,对综合电力动态负荷数据集进行降维处理,提取数据的主要特征,减少数据维度。开发曲线转换算法,将综合电力动态负荷降维数据集转换为实时综合能源负荷曲线,以便更直观地展示电力***的负荷情况。
优选的,步骤S2包括以下步骤:
步骤S21:基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行历史数据收集,生成历史动态电力负荷峰值数据;
步骤S22:将历史动态电力负荷峰值数据进行数据集划分,生成模型训练集和模型测试集;根据长短期记忆网络算法对模型训练集进行模型训练,生成电力需求训练模型;利用模型测试集对电力需求训练模型进行模型优化迭代,从而生成电力需求预测模型;
步骤S23:将动态电力负荷峰值数据导入至电力需求预测模型中进行电力需求预测,生成电力需求预测数据;
步骤S24:利用电力供需分析公式对电力需求预测数据进行电力供需量化,得到电力供需值;根据电力供需值对电力需求预测数据进行动态电力分配,从而生成最优电力分配方案。
本发明通过从实时综合能源负荷曲线中提取动态电力负荷峰值数据,并通过历史数据收集生成历史动态电力负荷峰值数据,有助于***更好地了解电力负荷的波动性和周期性。***使用长短期记忆网络(LSTM)算法进行模型训练,生成电力需求训练模型。通过模型测试集的迭代优化,生成更准确的电力需求预测模型,提高了对电力需求的准确预测能力。将动态电力负荷峰值数据导入电力需求预测模型,生成电力需求预测数据,有助于实时了解未来电力需求的趋势和变化,为电力供应做出准备。***利用电力供需分析公式对电力需求预测数据进行量化,得到电力供需值,提供了对电力需求的实时量化评估,使***能够根据电力供需值进行动态电力分配,生成最优的电力分配方案。通过动态电力分配,***能够根据实时电力需求情况调整电力分配,以最大程度地满足需求并避免资源浪费,有助于提高电力***的效率和可持续性,最大程度地利用可用资源。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行历史数据收集,生成历史动态电力负荷峰值数据;
本发明实施例中,通过获取实时综合能源负荷曲线的数据,涉及到监控***、传感器或者其他数据采集设备,以实时获取各种能源(如电力、天然气、太阳能等)的负荷情况。基于预设的峰值筛选数量,对实时综合能源负荷曲线进行分析和处理,以提取负荷峰值数据,可以通过算法或者数据处理技术实现,例如滑动窗口法、峰值检测算法等。从提取的负荷峰值数据中筛选出动态电力负荷峰值数据,涉及到对不同能源的负荷数据进行分类和处理,以确保提取的数据符合电力负荷的特征。将动态电力负荷峰值数据保存并进行历史数据收集,可以通过数据库、数据仓库或者其他数据存储***来实现,确保对历史数据的持久化存储和管理。根据收集到的历史数据,生成历史动态电力负荷峰值数据,涉及到数据清洗、数据预处理和数据分析等步骤,以确保生成的历史数据质量和准确性。
步骤S22:将历史动态电力负荷峰值数据进行数据集划分,生成模型训练集和模型测试集;根据长短期记忆网络算法对模型训练集进行模型训练,生成电力需求训练模型;利用模型测试集对电力需求训练模型进行模型优化迭代,从而生成电力需求预测模型;
本发明实施例中,通过将历史动态电力负荷峰值数据划分为模型训练集和模型测试集。通常情况下,可以采用时间序列数据中的滑动窗口方法或者随机抽样方法进行划分,确保训练集和测试集的数据具有代表性和一定的随机性。使用长短期记忆网络(LSTM)算法对模型训练集进行模型训练。LSTM是一种适用于处理和预测时间序列数据的循环神经网络(RNN)变体,它能够有效地捕捉时间序列数据中的长期依赖关系。在模型训练过程中,需要确定网络结构、超参数(如学习率、隐藏层节点数等)以及损失函数等。可以使用反向传播算法及优化器(如Adam、SGD等)对模型参数进行更新,以最小化损失函数。利用模型测试集对电力需求训练模型进行评估和优化迭代。通过在测试集上进行验证,可以评估模型的性能和泛化能力,并据此调整模型的结构和参数,以提高模型的预测准确性和稳定性。可以采用交叉验证、超参数搜索等技术来进一步优化模型,以找到最佳的模型配置。经过多轮迭代优化后,生成最终的电力需求预测模型。该模型能够根据历史动态电力负荷峰值数据,对未来一定时间段内的电力需求进行准确预测。
步骤S23:将动态电力负荷峰值数据导入至电力需求预测模型中进行电力需求预测,生成电力需求预测数据;
本发明实施例中,通过确保动态电力负荷峰值数据的格式和结构与模型输入的数据格式相匹配,需要对数据进行预处理,确保数据的质量和完整性。将准备好的动态电力负荷峰值数据输入到电力需求预测模型中进行预测,通常涉及将数据输入到已经训练好的模型中,并获取模型输出的预测结果。使用电力需求预测模型对动态电力负荷峰值数据进行预测,生成电力需求预测数据。预测数据可以包括未来一段时间内每个时间点的电力需求值,通常以时间序列的形式呈现。将生成的电力需求预测数据用于实际应用,包括调整电力生产计划、优化电力供应链、制定电力市场策略等,以满足未来的电力需求。
步骤S24:利用电力供需分析公式对电力需求预测数据进行电力供需量化,得到电力供需值;根据电力供需值对电力需求预测数据进行动态电力分配,从而生成最优电力分配方案。
本发明实施例中,通过确定用于电力供需分析的公式,涉及考虑多个因素,如电力供应能力、预测的电力需求、***可靠性要求等,常见的公式包括供需平衡方程、负荷曲线等。将电力需求预测数据按照所选的电力供需分析公式进行量化,涉及将预测数据转换为适当的单位(如功率、能量)以匹配公式的要求。使用电力供需分析公式,将量化后的电力需求预测数据与现有的电力供应情况相结合,计算得出电力供需值,这个值反映了当前时段内电力的供需关系。根据计算得到的电力供需值,制定动态电力分配方案,涉及调整电力生产设施的产能、优化输电网络的配置、调整电力负载的分配等措施,以确保电力供需平衡,并尽可能满足***中各个部分的电力需求。通过对电力供需值进行动态分析和优化,生成最优的电力分配方案,需要考虑多个因素,包括成本、***可靠性、环境影响等,以及各种约束条件,如设备容量、供电区域需求等。
优选的,步骤S24包括以下步骤:
步骤S241:利用电力供需分析公式对电力需求预测数据进行电力供需量化,得到电力供需值;根据电力供需值对电力需求预测数据进行模拟电力传输,生成模拟电力传输数据;对模拟电力传输数据进行传输电网节点提取,生成电力传输电网节点数据,其中电力传输电网节点数据包括中心电力节点数据和边缘电力节点数据;
步骤S242:对边缘电力节点数据进行分布式计算,生成分布式智能电力传输路径数据;基于分布式智能电力传输路径数据对电力传输电网节点数据进行局部电力分配调整,生成局部电力调整数据;通过预设的通信协议将局部电力调整数据传输至中心电力节点数据中进行电力全局调度,生成全局电路调整数据;
步骤S243:对全局电路调整数据进行电力约束条件分析,生成全局电力约束条件数据;
步骤S244:根据全局电力约束条件数据和局部电力调整数据对对电力需求预测数据进行动态电力分配,从而生成最优电力分配方案。
本发明通过对电力需求预测数据进行量化和模拟传输数据生成,可以更准确地了解电力供需情况,为后续的电力调配提供可靠的数据基础。提取传输电网节点数据并生成分布式智能电力传输路径数据可以优化电力传输效率,提高电力传输的可靠性和稳定性。通过对边缘电力节点数据进行分布式计算,生成分布式智能电力传输路径数据,并进行局部电力分配调整,可以使电力传输更加灵活和高效。通过在中心电力节点进行电力全局调度,生成全局电路调整数据,可以在整个电力网络范围内优化电力分配。对全局电路调整数据进行电力约束条件分析有助于识别和处理潜在的电力约束问题,确保电力分配方案的可行性和安全性。根据全局电力约束条件数据和局部电力调整数据,可以生成最优的电力分配方案,以满足电力需求并最大程度地提高电力***的效率和可靠性。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S24包括:
步骤S241:利用电力供需分析公式对电力需求预测数据进行电力供需量化,得到电力供需值;根据电力供需值对电力需求预测数据进行模拟电力传输,生成模拟电力传输数据;对模拟电力传输数据进行传输电网节点提取,生成电力传输电网节点数据,其中电力传输电网节点数据包括中心电力节点数据和边缘电力节点数据;
本发明实施例中,通过统计历史电力需求数据,并结合当前的经济、社会和环境因素,可以建立电力供需分析公式,公式包括各种因素,如季节性变化、天气条件、工业生产活动等,以量化电力需求。利用仿真软件或自行开发的模拟工具,根据电力供需值对电力需求预测数据进行模拟电力传输,工具考虑电力传输的物理特性,如电压损耗、线路容量、负荷平衡等,以生成模拟的电力传输数据。通过模拟电力传输数据,可以识别和提取传输电网中的节点,节点可以是发电厂、变电站、配电站或其他重要的电力设施。提取的节点可以分为中心节点和边缘节点,中心节点通常是电网的核心,边缘节点则位于电网的***或边缘。利用数据处理和分析技术,对模拟电力传输数据进行处理和提取节点信息,涉及到数据清洗、特征提取、聚类分析等方法,以有效地提取电力传输电网节点数据。
步骤S242:对边缘电力节点数据进行分布式计算,生成分布式智能电力传输路径数据;基于分布式智能电力传输路径数据对电力传输电网节点数据进行局部电力分配调整,生成局部电力调整数据;通过预设的通信协议将局部电力调整数据传输至中心电力节点数据中进行电力全局调度,生成全局电路调整数据;
本发明实施例中,通过对边缘电力节点数据进行分布式计算,涉及到使用分布式计算框架,如Apache Hadoop或Spark等,以处理大规模的数据并进行并行计算。在这个过程中,可以利用智能算法,如遗传算法、模拟退火算法或者深度学习模型,来确定最佳的电力传输路径,以最大程度地减少能量损耗和提高电网的效率。基于生成的分布式智能电力传输路径数据,对电力传输电网节点数据进行局部电力分配调整,涉及到在每个节点上进行局部的电力分配决策,以确保电力的均衡分配和电网的稳定运行,需要考虑节点之间的负载情况、线路容量、电压稳定等因素。通过预设的通信协议,将局部电力调整数据传输至中心电力节点,涉及到使用网络通信技术,如消息队列、Socket通信或者HTTP协议等,以确保数据的安全和可靠传输。在中心电力节点中进行电力全局调度,即将接收到的局部电力调整数据进行整合和优化,生成全局电路调整数据,涉及到使用优化算法,如线性规划、整数规划或者基于启发式算法的优化方法,以最大化电网的整体效率和稳定性。
步骤S243:对全局电路调整数据进行电力约束条件分析,生成全局电力约束条件数据;
本发明实施例中,通过从步骤S242中获得的全局电路调整数据开始,包括电力传输路径、节点负载情况、线路容量等信息,用于电力约束条件的分析。对全局电路调整数据进行电力约束条件的分析,涉及到对电力***的各种约束条件进行检查和评估,以确保调整后的电力分配满足***的安全、稳定和可靠性要求,约束条件包括:节点电压限制:确保各个节点的电压在安全范围内;线路容量限制:确保各个电力线路的电流不超过其额定容量;***稳定性:通过考虑节点间的功率平衡、潮流方向等因素,确保***在各种操作条件下保持稳定;节点负载平衡:确保各个节点的负载在合理范围内,避免出现过载或负载不均衡的情况。根据电力约束条件分析的结果,生成全局电力约束条件数据,全局电力约束条件数据描述了***在不同操作条件下的各种约束条件,以及各个约束条件的具体限制,需要将这些数据以结构化的格式进行整理和记录,以便后续的电力调度和运行管理。
步骤S244:根据全局电力约束条件数据和局部电力调整数据对对电力需求预测数据进行动态电力分配,从而生成最优电力分配方案。
本发明实施例中,通过在进行动态电力分配之前,需要准备电力需求的预测数据,基于历史用电量、季节性变化、天气条件等因素进行预测,以确定未来一段时间内各个区域或节点的电力需求情况。从步骤S243中获得的全局电力约束条件数据和局部电力调整数据中获取所需信息,全局电力约束条件数据描述了***的各种约束条件,而局部电力调整数据则提供了针对特定区域或节点的电力调整信息。设计适用于动态环境的电力分配算法,算法需要考虑到电力需求的不断变化、***约束条件的动态调整以及局部电力调整的影响,常见的算法包括基于负载预测的动态功率分配、基于优化算法的最优调度等。根据电力需求预测数据、全局电力约束条件数据和局部电力调整数据,利用设计好的动态电力分配算法生成最优的电力分配方案,过程涉及到在满足***约束条件的前提下,合理地分配电力资源以满足各个区域或节点的需求。
优选的,步骤S241中的电力供需分析公式具体如下:
式中,表示为在时间/>的电力供需值,/>表示为时间/>的电力需求量,/>表示为时间/>的可再生能源供应量,/>表示为时间/>的电压,/>表示为时间/>的电流,/>表示为电力***的响应速度,/>表示为电力供需分析时间范围。
本发明分析并整合了一种电力供需分析公式,公式中的时间的电力需求量和时间/>的可再生能源供应量,当/>增加时,意味着电力需求增加,此时***需要更多的电力供应来满足需求,因此/>也会相应增加。同时,当/>增加时,***中可用的可再生能源增加,可以部分满足电力需求,从而减少了/>对/>的贡献,使得/>减小。电压和电流的变化会直接影响到***的能源传输和供应能力,从而影响到电力供需的平衡。公式中的可以理解为***的电力传输效率,当这个值趋于负无穷时,***对电力需求的响应会变得非常快,当这个值趋于正无穷时,***对电力需求的响应会变得非常慢。/>越小,表示***的响应速度越快,***能够更快地调整和平衡电力供需关系。反之,/>越大,表示***的响应速度越慢,***对电力需求的调节会相对缓慢。在使用本领域常规的电力供需分析公式时,可以得到在时间/>的电力供需值,通过应用本发明提供的电力供需分析公式,可以更加精确的计算出在时间/>的电力供需值。公式综合考虑了电力需求、可再生能源供应、电压和电流等多个因素,能够更全面地分析电力供需情况。通过公式中的积分项,能够动态地调节电力供应和需求之间的平衡,使***更加灵活和响应快速。公式中的/>表示在时间/>的电力供需值,通过对其进行预测和分析,能够优化电力分配方案,提高***的效率和稳定性。公式中参数之间的作用使得***能够实时地调节电力供应,满足电力需求的同时最大限度地利用可再生能源,有助于降低能源成本和减少对传统能源的依赖。
优选的,步骤S243包括以下步骤:
步骤S2431:利用快速傅里叶变换方法对全局电路调整数据进行输电频谱转换,生成全局电路输电频谱图;对全局电路输电频谱图进行频率周期分析,生成输电传输频率曲线;对输电传输频率曲线进行传输时间间隔提取,得到传输时间间隔数据;
步骤S2432:根据传输时间间隔数据对全局电路调整数据进行传输数据包序号检测,生成电力传输数据包序列数据;根据电力传输数据包序列数据进行网络延迟异常测试,从而生成电力传输延迟异常数据;
步骤S2433:将电力传输延迟异常数据和预设的延迟异常阈值进行对比,当电力传输延迟异常数据大于或等于预设的延迟异常阈值时,则将电力传输延迟异常数据标记为网络通信故障数据;当电力传输延迟异常数据小于预设的延迟异常阈值时,则将电力传输延迟异常数据标记为网络通信延迟数据;
步骤S2434:将网络通信故障数据和网络通信延迟数据进行数据整合,生成全局电力约束条件数据。
本发明通过利用快速傅里叶变换方法对全局电路调整数据进行输电频谱转换,能够更有效地分析电路的频谱特征,从而为电力***的频率周期分析提供准确的输电频率曲线数据。通过对输电频率曲线进行传输时间间隔提取,得到的传输时间间隔数据可以更好地反映电力传输过程中的时间间隔特征,为后续的数据分析提供基础。根据传输时间间隔数据生成的电力传输数据包序列数据,进行网络延迟异常测试,能够有效地检测出电力传输中的延迟异常情况,有助于及时发现潜在的通信故障或延迟问题。将电力传输延迟异常数据与预设的延迟异常阈值进行对比,并根据结果将数据标记为网络通信故障数据或网络通信延迟数据,有助于进一步分析和处理异常情况。将网络通信故障数据和网络通信延迟数据进行整合,生成全局电力约束条件数据,为后续的电力***调整和优化提供基础数据支持。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S243包括:
步骤S2431:利用快速傅里叶变换方法对全局电路调整数据进行输电频谱转换,生成全局电路输电频谱图;对全局电路输电频谱图进行频率周期分析,生成输电传输频率曲线;对输电传输频率曲线进行传输时间间隔提取,得到传输时间间隔数据;
本发明实施例中,通过将全局电路调整数据输入到快速傅里叶变换(FFT)算法中。使用FFT算法将时域信号转换为频域信号,得到全局电路的输电频谱图。在频谱图中,频率轴表示不同频率成分的强度,幅度轴表示对应频率成分的振幅。对全局电路的输电频谱图进行频率周期分析,可以通过寻找频谱图中的主要频率成分来确定电路的传输频率曲线。主要频率成分通常是频率谱中的峰值或显著的能量集中点。根据生成的输电传输频率曲线,可以计算出相邻频率成分之间的时间间隔,时间间隔代表了数据在电力***中传输的时间间隔,可以反映出数据传输的频率和速率。
步骤S2432:根据传输时间间隔数据对全局电路调整数据进行传输数据包序号检测,生成电力传输数据包序列数据;根据电力传输数据包序列数据进行网络延迟异常测试,从而生成电力传输延迟异常数据;
本发明实施例中,通过根据传输时间间隔数据,可以推断出数据包之间的传输时间间隔。通过分析传输时间间隔数据的变化模式,可以确定数据包的传输时间点。根据传输时间点,为每个数据包分配一个序号,从而生成电力传输数据包序列数据。使用生成的电力传输数据包序列数据,模拟电力***的数据传输过程。监测每个数据包的传输时间,以及数据包到达目的地的时间。分析实际传输时间与预期传输时间之间的差异,以检测是否存在网络延迟异常。异常的检测可以基于阈值设定、统计方法、机器学习等技术进行。
步骤S2433:将电力传输延迟异常数据和预设的延迟异常阈值进行对比,当电力传输延迟异常数据大于或等于预设的延迟异常阈值时,则将电力传输延迟异常数据标记为网络通信故障数据;当电力传输延迟异常数据小于预设的延迟异常阈值时,则将电力传输延迟异常数据标记为网络通信延迟数据;
本发明实施例中,通过在***设计阶段,根据电力***的特性和要求,设定合适的延迟异常阈值,阈值根据***的性能要求、实时性需求等因素来确定。对于每个生成的电力传输延迟异常数据,与预设的延迟异常阈值进行比较。判断延迟异常数据是大于或等于阈值,还是小于阈值。如果电力传输延迟异常数据大于或等于预设的延迟异常阈值:将该数据标记为网络通信故障数据。如果电力传输延迟异常数据小于预设的延迟异常阈值:将该数据标记为网络通信延迟数据。
步骤S2434:将网络通信故障数据和网络通信延迟数据进行数据整合,生成全局电力约束条件数据。
本发明实施例中,通过收集网络通信故障数据和网络通信延迟数据。将两类数据整合到一个统一的数据结构中,确保数据格式一致性。为了清晰地标识和区分网络通信故障数据和网络通信延迟数据,可以在数据结构中添加标识字段或分类字段。例如,可以使用标志位或特定的数值表示故障和延迟。根据***的电力约束条件和要求,将整合后的数据进行进一步处理,生成全局电力约束条件数据,包括对不同类型数据的加权、归一化或其他数学处理,以获得综合的电力约束条件。
优选的,步骤S3包括以下步骤:
步骤S31:基于最优电力分配方案进行电网边缘服务器部署,并根据电网边缘服务器进行设备信息采集,得到边缘设备部署信息数据;
步骤S32:根据边缘设备部署信息数据对智能电网进行实际电力分配数据监控,生成实时电力分配监控数据;对实时电力分配监控数据进行数据清洗,生成实时电力分配监控清洗数据;
步骤S33:通过边缘计算技术对实时电力分配监控清洗数据进行电力设备控制,生成电力设备控制数据;基于反馈控制理论对电力设备控制数据进行实时电网调节,生成电网边缘计算控制数据;
步骤S34:对电网边缘计算控制数据进行电网传输安全性分析,生成电网传输安全性分析数据;根据电网传输安全性分析数据对实时电力分配监控数据进行电力控制稳定性调控,生成电力传输稳定数据。
本发明通过基于最优电力分配方案进行电网边缘服务器部署,可以实现对电力资源的优化配置,提高电网的整体效率和性能。通过对实时电力分配监控数据的生成和清洗,以及步骤S33中对电力设备的实时控制和调节,实现了对智能电网的实时监控和调控能力,有助于保障电网的稳定运行。利用边缘计算技术进行电力设备控制(步骤S33),可以降低数据传输延迟,提高响应速度,同时减轻中心服务器的负担,提升***的整体性能和效率。对电网边缘计算控制数据进行安全性分析,有助于及时发现潜在的安全隐患,并采取相应措施加以应对。根据分析数据进行电力控制稳定性调控(步骤S34),有助于确保电网运行的安全稳定。通过步骤S31至S34的有机组合,实现了对电力资源的智能管理和调控,可以提升电力资源的利用效率,降低***运行成本,从而达到节能减排的目的。采用了实时监控和调控机制,***可以更加灵活地应对外部环境的变化和内部设备的状态变化,提高了***的响应速度和灵活性。
本发明实施例中,通过电网规划和数据分析确定最优的电力分配方案,根据该方案在电网边缘部署服务器,涉及到服务器硬件的选购和布置,以确保覆盖范围和性能满足需求。在边缘服务器部署完成后,需要在服务器上安装并配置采集设备信息的软件或传感器,设备包括智能电表、传感器等,用于采集与电网运行相关的数据,如电流、电压、负载等信息。通过安装在边缘服务器上的软件或应用程序,对采集到的设备信息数据进行实时监控,涉及到数据传输和处理,以确保数据的及时性和准确性。监控得到的数据可能存在噪声、异常值等问题,需要进行清洗和处理,以保证数据质量。清洗数据涉及到异常检测、数据滤波等技术。利用边缘计算技术对实时监控数据进行处理和分析,以减少数据传输延迟和网络负载,包括数据压缩、本地数据处理等操作。基于处理后的数据,对电力设备进行控制和调节,以实现电力分配的优化和稳定,涉及到控制算法的设计和实现,以及与电力设备的通讯和交互。对边缘计算控制数据进行安全性分析,以识别潜在的安全威胁和漏洞,包括数据加密、访问控制等技术。根据安全性分析结果对实时电力分配监控数据进行电力控制稳定性调控,以确保电力传输的稳定性和可靠性,涉及到电力***的模型和仿真,以及控制参数的优化和调整。
优选的,步骤S34包括以下步骤:
步骤S341:对电网边缘计算控制数据进行响应时间提取,得到电力传输响应时间数据;根据电力传输响应时间数据对电网边缘服务器进行异常日志捕获,生成电力传输***瘫痪分析数据;
步骤S342:对电网边缘计算控制数据进行数据访问日志提取,得到电力传输数据访问行为数据;根据电力传输访问行为数据对电网边缘服务器进行异常流量捕获,生成电力传输信息泄露分析数据;
步骤S343:对电网边缘计算控制数据机型电力***参数提取,得到电力传输***数据,其中电力传输***数据包括电力传输电流数据和电力传输电压数据;根据电力传输电流数据和电力传输电压数据对电网边缘服务器进行设备异常负荷捕获,生成电力传输稳定性分析数据;
步骤S344:将电力传输***瘫痪分析数据、电力传输信息泄露分析数据和电力传输稳定性分析数据进行数据时序合并,生成电网传输安全性分析数据;根据电网传输安全性分析数据对实时电力分配监控数据进行电力控制稳定性调控,生成电力传输稳定数据。
本发明通过监测电力传输的响应时间,***可以及时察觉到潜在的问题,如响应时间延迟或异常,从而更迅速地进行故障诊断和处理,有助于提高电力传输***的稳定性和可用性,减少***瘫痪的风险。异常日志的捕获有助于分析和追踪***瘫痪的原因,提前预防潜在的问题。监测电力传输数据的访问行为可以帮助检测异常的数据流量,包括不寻常的访问模式或大量的访问请求。通过捕获异常流量,***能够快速识别潜在的安全威胁,如恶意攻击或未经授权的数据访问,有助于提高电力传输***的安全性。提取电力传输***的参数,如电流和电压数据,可以用于监测设备的工作状态和性能。通过捕获设备的异常负荷,***可以在设备出现问题时及时做出反应,防止设备过载或失效,提高电力传输***的稳定性。将不同类型的分析数据进行时序合并可以提供更全面的电网传输安全性分析。综合分析结果有助于***更全面地理解电力传输的安全性状况,从而采取相应的措施来优化电力控制稳定性。通过对实时电力分配监控数据进行电力控制稳定性调控,***可以实现对电力传输的动态调整,提高***的响应能力。生成稳定数据有助于确保电力传输***在不同负载和条件下的稳定性,提供更可靠的电力服务。
本发明实施例中,通过使用专门的监控工具或软件来实时监测电网边缘计算控制数据的响应时间。配置日志记录***,以捕获电网边缘服务器的异常日志,并建立自动化程序来分析这些日志数据。设计数据处理流程,确保从提取响应时间数据到异常日志捕获的过程自动化和高效。使用网络监控工具来监视电网边缘服务器的数据访问行为,并记录访问日志。部署流量分析***,用于检测异常流量模式和不寻常的数据访问行为。建立实时监控***,以便及时发现异常流量,并实施相应的响应措施,如阻止恶意流量或警告相关人员。配置传感器和监测设备,用于实时监测电网边缘服务器的电流和电压等参数。搭建数据采集与处理***,用于提取和分析电力***参数数据,并实时监测设备的工作状态。开发或采用异常负荷检测算法,用于识别设备的异常负荷情况,例如过载或异常电压。部署数据整合与分析平台,用于将不同来源的分析数据进行时序合并和综合分析。设计电力控制***,并制定相应的调控策略,以确保电力传输***的稳定性和安全性。建立实时监控与反馈机制,使得***能够快速响应电力传输***的变化,并进行相应的调控。
优选的,步骤S4包括以下步骤:
步骤S41:对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行自适应控制***设计,生成电网输电控制设计数据;
步骤S42:通过模糊控制理论对电网输电控制设计数据进行电网非线性控制,生成电网模糊控制器数据;对电网模糊控制器数据进行强化学习,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告。
本发明通过对电力传输稳定数据进行三维点云转换,可以生成电力传输***的三维模型,模型能够提供更直观、更全面的电网结构信息,有助于更好地理解电力传输***的拓扑结构和布局特点。基于电力传输三维模型进行自适应控制***设计,有助于根据电网实际情况设计出更具灵活性和适应性的控制***,可以提高电力传输***的稳定性和安全性,同时优化能源利用效率。通过模糊控制理论对电网输电控制设计数据进行非线性控制,可以应对电力传输***中存在的复杂、模糊的环境和不确定性因素,控制方法能够更好地适应电网运行过程中的变化和波动,提高了***的稳定性和鲁棒性。对电网模糊控制器数据进行强化学习,可以通过不断的试错和学习,优化控制策略,使得***在面对不同情况时能够做出更加智能和有效的决策,有助于提高电网输电过程中的能源利用效率和***响应速度。对电网输电智能控制数据进行数据可视化,并生成智能电网输电数据控制报告,可以帮助运维人员和决策者更直观地了解电力传输***的运行状态和控制效果,有助于及时发现问题、优化运行策略,并为决策提供科学依据。
本发明实施例中,通过使用合适的传感器(如激光雷达)对电力传输稳定数据进行采集。利用点云处理算法将采集到的数据进行三维点云转换,确保点云的准确性和完整性,以生成可靠的电力传输三维模型。基于生成的电力传输三维模型,设计自适应控制***,涉及到控制理论、***动力学等领域的知识。确定控制***的输入、输出和反馈环路,考虑电力传输***的特性,包括负载、线损、电压稳定性等,生成电网输电控制设计数据,包括控制器参数、反馈策略等信息。使用模糊控制理论处理电网输电控制设计数据,考虑到电力***中存在的非线性和模糊性,确定模糊规则和隶属函数,建立电网模糊控制器,需要对电力***的运行特性进行深入分析。使用强化学习算法,如深度强化学习(Deep ReinforcementLearning),对电网模糊控制器数据进行优化,定义奖励函数,训练智能控制器以适应电力***的动态环境,进行反复的学习和优化,以提高***在不同场景下的性能,将强化学习优化后的电网输电智能控制数据进行数据可视化。使用合适的可视化工具展示电力传输***的运行状态、控制效果等信息,生成智能电网输电数据控制报告,包括关键指标、优化结果等,以便后续分析和决策。
在本说明书中,提供了一种智能电网的输电数据控制***,用于执行上述所述的智能电网的输电数据控制方法,该智能电网的输电数据控制***包括:
负荷分析模块,用于获取实时电力数据和智能电网环境数据;对实时电力数据和智能电网环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行动态负荷曲线转换,从而生成实时综合能源负荷曲线;
电力分配模块,用于基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行模型训练,生成电力需求预测模型;通过电力需求预测模型对动态电力负荷峰值数据进行动态电力分配,从而生成最优电力分配方案;
稳定调控模块,用于基于最优电力分配方案进行设备信息采集,得到边缘设备部署信息数据;根据边缘设备部署信息数据对智能电网进行实时电网调节,生成电网边缘计算控制数据;对电网边缘计算控制数据进行电力控制稳定性调控,生成电力传输稳定数据;
线性控制模块,用于对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行电网非线性控制,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告。
本发明的有益效果在于通过融合实时电力数据和智能电网环境数据,生成综合电力环境数据集,有助于提高数据的完整性和准确性。通过动态负荷曲线转换,实时生成综合能源负荷曲线,为后续电力需求预测和优化提供基础。通过模型训练,生成电力需求预测模型,可以帮助预测未来的电力需求,为电力分配提供依据。基于电力需求预测模型,实现动态电力分配,生成最优的电力分配方案,有助于提高能源利用效率,降低供需不平衡带来的成本。根据最优电力分配方案,进行实时电网调节,通过边缘设备部署信息数据实现智能电网的优化管理。通过电网边缘计算控制数据的生成和调控,提升电网的稳定性和可靠性,减少能源浪费和损失。通过三维点云转换,生成电力传输三维模型,为电网非线性控制提供可视化基础。基于电力传输三维模型,实现电网的非线性控制和智能化管理,提高电网运行效率和安全性。通过对电网输电智能控制数据的可视化,生成智能电网输电数据控制报告,为电力管理部门提供决策支持和管理参考。因此,本发明通过综合数据处理、动态负荷曲线转换、负荷峰值数据提取与预测模型、设备信息采集与电网调节、电网非线性控制和数据可视化,提高了智能电网的精准性、稳定性和可靠性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种智能电网的输电数据控制方法,其特征在于,包括以下步骤:
步骤S1:获取实时电力数据和智能电网环境数据;对实时电力数据和智能电网环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行动态负荷曲线转换,从而生成实时综合能源负荷曲线;
步骤S2:基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行模型训练,生成电力需求预测模型;通过电力需求预测模型对动态电力负荷峰值数据进行动态电力分配,从而生成最优电力分配方案;
步骤S3:基于最优电力分配方案进行设备信息采集,得到边缘设备部署信息数据;根据边缘设备部署信息数据对智能电网进行实时电网调节,生成电网边缘计算控制数据;对电网边缘计算控制数据进行电力控制稳定性调控,生成电力传输稳定数据;
步骤S4:对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行电网非线性控制,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告;
步骤S2包括以下步骤:
步骤S21:基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行历史数据收集,生成历史动态电力负荷峰值数据;
步骤S22:将历史动态电力负荷峰值数据进行数据集划分,生成模型训练集和模型测试集;根据长短期记忆网络算法对模型训练集进行模型训练,生成电力需求训练模型;利用模型测试集对电力需求训练模型进行模型优化迭代,从而生成电力需求预测模型;
步骤S23:将动态电力负荷峰值数据导入至电力需求预测模型中进行电力需求预测,生成电力需求预测数据;
步骤S24:利用电力供需分析公式对电力需求预测数据进行电力供需量化,得到电力供需值;根据电力供需值对电力需求预测数据进行动态电力分配,从而生成最优电力分配方案;
步骤S24包括以下步骤:
步骤S241:利用电力供需分析公式对电力需求预测数据进行电力供需量化,得到电力供需值;根据电力供需值对电力需求预测数据进行模拟电力传输,生成模拟电力传输数据;对模拟电力传输数据进行传输电网节点提取,生成电力传输电网节点数据,其中电力传输电网节点数据包括中心电力节点数据和边缘电力节点数据;
步骤S242:对边缘电力节点数据进行分布式计算,生成分布式智能电力传输路径数据;基于分布式智能电力传输路径数据对电力传输电网节点数据进行局部电力分配调整,生成局部电力调整数据;通过预设的通信协议将局部电力调整数据传输至中心电力节点数据中进行电力全局调度,生成全局电力调整数据;
步骤S243:对全局电力调整数据进行电力约束条件分析,生成全局电力约束条件数据;
步骤S244:根据全局电力约束条件数据和局部电力调整数据对电力需求预测数据进行动态电力分配,从而生成最优电力分配方案;
步骤S241中的电力供需分析公式如下所示:
,
式中,表示为在时间/>的电力供需值,/>表示为时间/>的电力需求量,/>表示为时间/>的可再生能源供应量,/>表示为时间/>的电压,/>表示为时间/>的电流,/>表示为电力***的响应速度,/>表示为电力供需分析时间范围;
步骤S243包括以下步骤:
步骤S2431:利用快速傅里叶变换方法对全局电力调整数据进行输电频谱转换,生成全局电力输电频谱图;对全局电力输电频谱图进行频率周期分析,生成输电传输频率曲线;对输电传输频率曲线进行传输时间间隔提取,得到传输时间间隔数据;
步骤S2432:根据传输时间间隔数据对全局电力调整数据进行传输数据包序号检测,生成电力传输数据包序列数据;根据电力传输数据包序列数据进行网络延迟异常测试,从而生成电力传输延迟异常数据;
步骤S2433:将电力传输延迟异常数据和预设的延迟异常阈值进行对比,当电力传输延迟异常数据大于或等于预设的延迟异常阈值时,则将电力传输延迟异常数据标记为网络通信故障数据;当电力传输延迟异常数据小于预设的延迟异常阈值时,则将电力传输延迟异常数据标记为网络通信延迟数据;
步骤S2434:将网络通信故障数据和网络通信延迟数据进行数据整合,生成全局电力约束条件数据;
步骤S3包括以下步骤:
步骤S31:基于最优电力分配方案进行电网边缘服务器部署,并根据电网边缘服务器进行设备信息采集,得到边缘设备部署信息数据;
步骤S32:根据边缘设备部署信息数据对智能电网进行实际电力分配数据监控,生成实时电力分配监控数据;对实时电力分配监控数据进行数据清洗,生成实时电力分配监控清洗数据;
步骤S33:通过边缘计算技术对实时电力分配监控清洗数据进行电力设备控制,生成电力设备控制数据;基于反馈控制理论对电力设备控制数据进行实时电网调节,生成电网边缘计算控制数据;
步骤S34:对电网边缘计算控制数据进行电网传输安全性分析,生成电网传输安全性分析数据;根据电网传输安全性分析数据对实时电力分配监控数据进行电力控制稳定性调控,生成电力传输稳定数据;
步骤S34包括以下步骤:
步骤S341:对电网边缘计算控制数据进行响应时间提取,得到电力传输响应时间数据;根据电力传输响应时间数据对电网边缘服务器进行异常日志捕获,生成电力传输***瘫痪分析数据;
步骤S342:对电网边缘计算控制数据进行数据访问日志提取,得到电力传输数据访问行为数据;根据电力传输访问行为数据对电网边缘服务器进行异常流量捕获,生成电力传输信息泄露分析数据;
步骤S343:对电网边缘计算控制数据进行电力***参数提取,得到电力传输***数据,其中电力传输***数据包括电力传输电流数据和电力传输电压数据;根据电力传输电流数据和电力传输电压数据对电网边缘服务器进行设备异常负荷捕获,生成电力传输稳定性分析数据;
步骤S344:将电力传输***瘫痪分析数据、电力传输信息泄露分析数据和电力传输稳定性分析数据进行数据时序合并,生成电网传输安全性分析数据;根据电网传输安全性分析数据对实时电力分配监控数据进行电力控制稳定性调控,生成电力传输稳定数据。
2.根据权利要求1所述的智能电网的输电数据控制方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用传感器获取实时电力数据和智能电网环境数据;
步骤S12:对实时电力数据和智能电网环境数据进行数据格式标准化,生成实时电力标准数据和智能电网标准环境数据;对实时电力标准数据和智能电网标准环境数据进行数据缺失值填充,生成实时电力完整数据和智能电网完整环境数据;
步骤S13:将实时电力完整数据和智能电网完整环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行电网运行动态负荷数据筛选,生成综合电力动态负荷数据集;
步骤S14:通过主成分分析方法对综合电力动态负荷数据集进行数据降维,生成综合电力动态负荷降维数据集;对综合电力动态负荷降维数据集进行曲线转换,从而生成实时综合能源负荷曲线。
3.根据权利要求1所述的智能电网的输电数据控制方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行自适应控制***设计,生成电网输电控制设计数据;
步骤S42:通过模糊控制理论对电网输电控制设计数据进行电网非线性控制,生成电网模糊控制器数据;对电网模糊控制器数据进行强化学习,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告。
4.一种智能电网的输电数据控制***,其特征在于,用于执行如权利要求1所述的智能电网的输电数据控制方法,该智能电网的输电数据控制***包括:
负荷分析模块,用于获取实时电力数据和智能电网环境数据;对实时电力数据和智能电网环境数据进行数据融合,生成综合电力环境数据集;对综合电力环境数据集进行动态负荷曲线转换,从而生成实时综合能源负荷曲线;
电力分配模块,用于基于预设的峰值筛选数量对实时综合能源负荷曲线进行负荷峰值数据提取,得到动态电力负荷峰值数据;对动态电力负荷峰值数据进行模型训练,生成电力需求预测模型;通过电力需求预测模型对动态电力负荷峰值数据进行动态电力分配,从而生成最优电力分配方案;
稳定调控模块,用于基于最优电力分配方案进行设备信息采集,得到边缘设备部署信息数据;根据边缘设备部署信息数据对智能电网进行实时电网调节,生成电网边缘计算控制数据;对电网边缘计算控制数据进行电力控制稳定性调控,生成电力传输稳定数据;
线性控制模块,用于对电力传输稳定数据进行三维点云转换,生成电力传输三维模型;基于电力传输三维模型进行电网非线性控制,生成电网输电智能控制数据;对电网输电智能控制数据进行数据可视化,从而生成智能电网输电数据控制报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410268510.0A CN117878925B (zh) | 2024-03-11 | 2024-03-11 | 一种智能电网的输电数据控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410268510.0A CN117878925B (zh) | 2024-03-11 | 2024-03-11 | 一种智能电网的输电数据控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117878925A CN117878925A (zh) | 2024-04-12 |
CN117878925B true CN117878925B (zh) | 2024-05-17 |
Family
ID=90593301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410268510.0A Active CN117878925B (zh) | 2024-03-11 | 2024-03-11 | 一种智能电网的输电数据控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117878925B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012147575A (ja) * | 2011-01-12 | 2012-08-02 | Chugoku Electric Power Co Inc:The | 配電系統計算装置及び配電系統計算方法 |
EP2823546A1 (en) * | 2012-02-16 | 2015-01-14 | Lazaris, Spyros | System and method for managing the generation, transmission and distribution of power |
CN112688347A (zh) * | 2021-01-12 | 2021-04-20 | 国网上海市电力公司 | 一种电网负荷波动的平缓***和方法 |
JP2022084328A (ja) * | 2020-11-26 | 2022-06-07 | 日鉄エンジニアリング株式会社 | 電力需要予測システム及び電力需要予測方法 |
CN115271161A (zh) * | 2022-06-15 | 2022-11-01 | 华南理工大学 | 一种多能负荷短期预测方法 |
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*** |
CN117131984A (zh) * | 2023-08-29 | 2023-11-28 | 湖南大学 | 源网荷储智慧控制型城市综合能源***及方法 |
CN117578706A (zh) * | 2023-11-01 | 2024-02-20 | 国网安徽省电力有限公司合肥供电公司 | 一种基于电网的多层级负荷管理***及其方法 |
-
2024
- 2024-03-11 CN CN202410268510.0A patent/CN117878925B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012147575A (ja) * | 2011-01-12 | 2012-08-02 | Chugoku Electric Power Co Inc:The | 配電系統計算装置及び配電系統計算方法 |
EP2823546A1 (en) * | 2012-02-16 | 2015-01-14 | Lazaris, Spyros | System and method for managing the generation, transmission and distribution of power |
JP2022084328A (ja) * | 2020-11-26 | 2022-06-07 | 日鉄エンジニアリング株式会社 | 電力需要予測システム及び電力需要予測方法 |
CN112688347A (zh) * | 2021-01-12 | 2021-04-20 | 国网上海市电力公司 | 一种电网负荷波动的平缓***和方法 |
CN115271161A (zh) * | 2022-06-15 | 2022-11-01 | 华南理工大学 | 一种多能负荷短期预测方法 |
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*** |
CN117131984A (zh) * | 2023-08-29 | 2023-11-28 | 湖南大学 | 源网荷储智慧控制型城市综合能源***及方法 |
CN117578706A (zh) * | 2023-11-01 | 2024-02-20 | 国网安徽省电力有限公司合肥供电公司 | 一种基于电网的多层级负荷管理***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117878925A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Barja-Martinez et al. | Artificial intelligence techniques for enabling Big Data services in distribution networks: A review | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN109597014A (zh) | 一种基于人工智能技术的电能表误差诊断方法 | |
Ahsan et al. | Data-driven next-generation smart grid towards sustainable energy evolution: techniques and technology review | |
Vasconcelos et al. | Online security assessment with load and renewable generation uncertainty: The itesla project approach | |
CN117595391A (zh) | 一种电网***的协调控制方法 | |
Taylor et al. | Recent developments towards novel high performance computing and communications solutions for smart distribution network operation | |
Sifat et al. | Design, development, and optimization of a conceptual framework of digital twin electric grid using systems engineering approach | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN117390944A (zh) | 一种变电站运行工况仿真*** | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及*** | |
Marzooghi et al. | Short-term Electric Load Forecasting in Microgrids: Issues and Challenges | |
CN115936663A (zh) | 一种电力***的维护方法及装置 | |
Balali et al. | Data Intensive Industrial Asset Management | |
Mwangi et al. | A system-based framework for optimal sensor placement in smart grids | |
Savinek et al. | Elektro Ljubljana: Big Data Challenges In The Field Of Advanced Electricity Metering | |
Koutras et al. | Dimensionality Reduction on IoT Monitoring Data of Smart Building for Energy Consumption Forecasting | |
Lenzi et al. | Detecting large frequency excursions in the power grid with Bayesian decision theory | |
CN114414938B (zh) | 一种配电网故障的动态响应方法及*** | |
Stefan et al. | (Position paper) Characterizing the Behavior of Small Producers in Smart Grids A Data Sanity Analysis | |
CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 | |
CN117786372B (zh) | 基于机器学习的分布式光伏发电数据处理方法及*** | |
Amelete et al. | Maintenance optimisation using intelligent asset management in electricity distribution companies | |
Nastac et al. | Large data analysis for advanced grids |
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 |