CN107276114A - 一种配电网光储发电主动频率波动抑制系数预测方法 - Google Patents
一种配电网光储发电主动频率波动抑制系数预测方法 Download PDFInfo
- Publication number
- CN107276114A CN107276114A CN201710305200.1A CN201710305200A CN107276114A CN 107276114 A CN107276114 A CN 107276114A CN 201710305200 A CN201710305200 A CN 201710305200A CN 107276114 A CN107276114 A CN 107276114A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- distribution network
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 25
- 230000007935 neutral effect Effects 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H02J3/383—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种配电网光储发电主动频率波动抑制系数预测方法,通过建立配电网光储发电主动频率波动抑制系数演化系统的时间序列,构建测量数据时间序列的m维相空间,对测量数据进行相空间重构后的神经网络粒子群算法处理,进而进行配电网光储发电主动频率波动抑制系数计算,得到配电网光储发电主动频率波动抑制系数预测值。该方法能够根据监测参数对光储发电主动频率波动抑制系数进行预测计算,根据计算结果实时地对光储联合发电系统及配电网进行控制,能够有效避免配电网系统因光储接入带来的频率波动等问题,显著提高配电网电力系统在光储联合系统接入后的可靠性与经济性。
Description
技术领域
本发明属于配电网技术领域,特别涉及一种配电网光储发电主动频率波动抑制系数预测方法。
背景技术
配电网电力系统中分布式光伏发电设备和储能设备组成了一个复杂的系统,如何根据分布式光储系统及配电网运行特点进行配电网光储发电主动频率波动抑制系数预测评估,使每个光储联合发电系统及其所接入的配电网能够安全、稳定、高效运行,以往配电网频率波动抑制系数计算方法的特点是忽略分布式光伏及光伏储能与配电网间的相互作用关系,由区域电网或光储联合发电系统内各个系统独立进行频率波动分析,不能有效利用电网和分布式光伏发电运行数据资源,评估准确度和光伏利用效率不高。
有鉴于此,本发明提供一种配电网光储发电主动频率波动抑制系数预测方法,以满足实际应用需要。
发明内容
本发明的目的是:为克服现有技术的不足,本发明提供一种配电网光储发电主动频率波动抑制系数预测方法,从而获得配电网光储发电主动频率波动抑制系数。
本发明所采用的技术方案是:一种配电网光储发电主动频率波动抑制系数预测方法,其特征在于,包括如下步骤:
步骤1:建立配电网光储发电主动频率波动抑制系数演化系统的时间序列:
在固定时间间隔对并网点电压频率、并网点电压值、电压变化率、并网点有功、温度、湿度进行测量,电压额定频率值与实际电压频率测量值之差除以历史电压频率最大值与历史电压频率最小值作为光储发电主动频率波动抑制系数,即:
则,在一系列时刻tayz1,tayz2,...,tayzn,n为自然数,n=1,2,…,得到并网点电压频率fayz、并网点电压值uayz、电压变化率duayz、并网点有功payz,温度Tayz、湿度wayz测量数据序列:
步骤2:构建测量数据时间序列的m维相空间:
设测量数据的时间序列为{yayzi},其中(i=1,2,...,6n),并利用此特征量构造一组m维向量:
XYAYZi=(yayzi,yayzi-τ,...,yayzi-(m-1)τ) (2)
其中,τ为延迟时间,m为嵌入维数;
步骤3:测量数据相空间重构后的神经网络粒子群算法处理:
步骤3.1:建立带有惩罚因子和约束函数的目标函数:
yayz=minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi) (3)
其中,式中ayzxi为优化变量,fmb(ayzxi)为目标函数,gcf(ayzxi)为目标函数的惩罚因子,rys(ayzxi)为目标函数的约束项,yayz为待求的配电网光储发电主动频率波动抑制系数;
步骤3.2:神经网络评价函数的建立:
将神经网络参数θi排序,并将所有参数θi设为非零随机值从而对参数进行初始化,构建神经网络的评价函数fpj:
式中,yi为神经网络实际输出值,为输出期望值;
步骤3.3:目标函数粒子群算法处理:
将重构后的向量带入如下迭代公式,即:
其中,为第k次迭代下,粒子i的速度,表示每个粒子目前为止所出现的最佳位置,表示所有粒子目前为止所出现的最佳位置,表示每个粒子当前所在位置,c1、c2表示学习常数,rand()随机函数为0~1之间的随机数,惯性权重ω起着权衡局部最优能力和全局最优能力的作用;
步骤3.4:惯性权重的修正:
为了提高算法的收敛性,将惯性权重进入神经网络进行训练:
式中,yi为神经网络实际输出值,为输出期望值,h为惯性系数,是一个定值;
步骤4:配电网光储发电主动频率波动抑制系数计算:
当粒子群算法的迭代次数达到设定最大迭代次数nmax,粒子群算法终止,得到神经网络参数最优值初始参数,根据评价函数fpj确定最优神经网络,当神经网络满足精度要求Γ后,得到yayz即为配电网光储发电主动频率波动抑制系数预测值。
本发明的有益效果是:本发明为配电网提供了一种配电网光储发电主动频率波动抑制系数预测方法,对配电网及其内光储系统运行参数及气象环境参数进行实时监测,并根据监测参数对光储发电主动频率波动抑制系数进行预测计算,根据计算结果实时地对光储联合发电系统及配电网进行控制,能够有效避免配电网系统因光储接入带来的频率波动等问题,显著提高配电网电力系统在光储联合系统接入后的可靠性与经济性。
附图说明
图1为本发明实施例的目标函数迭代运算图。
具体实施方式
为了更好地理解本发明,下面结合实施例进一步阐明本发明的内容,但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样在本申请所列权利要求书限定范围之内。
如图1所示,本发明实施例提供的一种配电网光储发电主动频率波动抑制系数预测方法,包括如下步骤:
步骤1:建立配电网光储发电主动频率波动抑制系数演化系统的时间序列:
在固定时间间隔对并网点电压频率、并网点电压值、电压变化率、并网点有功、温度、湿度进行测量,电压额定频率值与实际电压频率测量值之差除以历史电压频率最大值与历史电压频率最小值作为光储发电主动频率波动抑制系数,即:
则,在一系列时刻tayz1,tayz2,...,tayzn(n为自然数,n=1,2,…)得到并网点电压频率fayz、并网点电压值uayz、电压变化率duayz、并网点有功payz,温度Tayz、湿度wayz测量数据序列:
步骤2:构建测量数据时间序列的m维相空间:
设测量数据的时间序列为{yayzi},其中(i=1,2,...,6n),并利用此特征量构造一组m维向量:
XYAYZi=(yayzi,yayzi-τ,...,yayzi-(m-1)τ) (2)
其中,τ为延迟时间,m为嵌入维数。
在本实施例中,τ=4,m=9。
步骤3:测量数据相空间重构后的神经网络粒子群算法处理:
步骤3.1:建立带有惩罚因子和约束函数的目标函数:
yayz=minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi) (3)
其中,式中ayzxi为优化变量,fmb(ayzxi)为目标函数,gcf(ayzxi)为目标函数的惩罚因子,rys(ayzxi)为目标函数的约束项,yayz为待求的配电网光储发电主动频率波动抑制系数。
步骤3.2:神经网络评价函数的建立:
将神经网络参数θi排序,并将所有参数θi设为非零随机值从而对参数进行初始化,构建神经网络的评价函数fpj:
式中,yi为神经网络实际输出值,为输出期望值。
步骤3.3:目标函数粒子群算法处理:
将重构后的向量带入如下迭代公式,即:
其中,为第k次迭代下,粒子i的速度,表示每个粒子目前为止所出现的最佳位置,表示所有粒子目前为止所出现的最佳位置,表示每个粒子当前所在位置,c1、c2表示学习常数,rand()随机函数为0~1之间的随机数,惯性权重ω起着权衡局部最优能力和全局最优能力的作用。
在本实施例中,c1=3.3329,c2=4.8632。
步骤3.4:惯性权重的修正:
为了提高算法的收敛性,将惯性权重进入神经网络进行训练:
式中,yi为神经网络实际输出值,为输出期望值,h为惯性系数,是一个定值。
在本实施例中,h=0.65873。
步骤4:配电网光储发电主动频率波动抑制系数计算:
当粒子群算法的迭代次数达到设定最大迭代次数nmax=50000,粒子群算法终止,得到神经网络参数最优值初始参数,根据评价函数fpj确定最优神经网络,当神经网络满足精度要求Γ=0.01后,得到yayz即为光储联合发电系统最大功率系数光储发电主动频率波动抑制系数预测值。
以上仅为本发明的实施例而已,并不用于限制本发明,因此,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (1)
1.一种配电网光储发电主动频率波动抑制系数预测方法,其特征在于,包括如下步骤:
步骤1:建立配电网光储发电主动频率波动抑制系数演化系统的时间序列:
在固定时间间隔对并网点电压频率、并网点电压值、电压变化率、并网点有功、温度、湿度进行测量,电压额定频率值与实际电压频率测量值之差除以历史电压频率最大值与历史电压频率最小值作为光储发电主动频率波动抑制系数,即:
则,在一系列时刻tayz1,tayz2,...,tayzn,n为自然数,n=1,2,…,得到并网点电压频率fayz、并网点电压值uayz、电压变化率duayz、并网点有功payz,温度Tayz、湿度wayz测量数据序列:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>fayz</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>fayz</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>fayz</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>uayz</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>uayz</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>uayz</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>duayz</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>duayz</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>duayz</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>payz</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>payz</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>payz</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Tayz</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>Tayz</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>Tayz</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>wayz</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>wayz</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>wayz</mi>
<mi>n</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤2:构建测量数据时间序列的m维相空间:
设测量数据的时间序列为{yayzi},其中(i=1,2,...,6n),并利用此特征量构造一组m维向量:
XYAYZi=(yayzi,yayzi-τ,...,yayzi-(m-1)τ) (2)
其中,τ为延迟时间,m为嵌入维数;
步骤3:测量数据相空间重构后的神经网络粒子群算法处理:
步骤3.1:建立带有惩罚因子和约束函数的目标函数:
yayz=minfmb(ayzxi)+gcf(ayzxi)+rys(ayzxi) (3)
其中,式中ayzxi为优化变量,fmb(ayzxi)为目标函数,gcf(ayzxi)为目标函数的惩罚因子,rys(ayzxi)为目标函数的约束项,yayz为待求的配电网光储发电主动频率波动抑制系数;
步骤3.2:神经网络评价函数的建立:
将神经网络参数θi排序,并将所有参数θi设为非零随机值从而对参数进行初始化,构建神经网络的评价函数fpj:
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>p</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>max</mi>
<mi>sinh</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,yi为神经网络实际输出值,为输出期望值;
步骤3.3:目标函数粒子群算法处理:
将重构后的向量带入如下迭代公式,即:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>&omega;v</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mo>)</mo>
</mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>pb</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<mo>)</mo>
</mrow>
<mo>(</mo>
<mrow>
<msubsup>
<mi>gb</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>xi</mi>
<mi>D</mi>
<mi>k</mi>
</msubsup>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>D</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为第k次迭代下,粒子i的速度,表示每个粒子目前为止所出现的最佳位置,表示所有粒子目前为止所出现的最佳位置,表示每个粒子当前所在位置,c1、c2表示学习常数,rand()随机函数为0~1之间的随机数,惯性权重ω起着权衡局部最优能力和全局最优能力的作用;
步骤3.4:惯性权重的修正:
为了提高算法的收敛性,将惯性权重进入神经网络进行训练:
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<mfrac>
<mi>h</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,yi为神经网络实际输出值,为输出期望值,h为惯性系数,是一个定值;
步骤4:配电网光储发电主动频率波动抑制系数计算:
当粒子群算法的迭代次数达到设定最大迭代次数nmax,粒子群算法终止,得到神经网络参数最优值初始参数,根据评价函数fpj确定最优神经网络,当神经网络满足精度要求Γ后,得到yayz即为配电网光储发电主动频率波动抑制系数预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710305200.1A CN107276114A (zh) | 2017-05-03 | 2017-05-03 | 一种配电网光储发电主动频率波动抑制系数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710305200.1A CN107276114A (zh) | 2017-05-03 | 2017-05-03 | 一种配电网光储发电主动频率波动抑制系数预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107276114A true CN107276114A (zh) | 2017-10-20 |
Family
ID=60073685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710305200.1A Pending CN107276114A (zh) | 2017-05-03 | 2017-05-03 | 一种配电网光储发电主动频率波动抑制系数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107276114A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190820A (zh) * | 2018-08-29 | 2019-01-11 | 东北电力大学 | 一种考虑用户流失率的电力市场售电量深度预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331737A (zh) * | 2014-11-21 | 2015-02-04 | 国家电网公司 | 一种基于粒子群神经网络的办公建筑负荷预测方法 |
CN106355299A (zh) * | 2016-10-31 | 2017-01-25 | 国家电网公司 | 一种分布式光伏并网节点薄弱性指数预测方法 |
CN106374531A (zh) * | 2016-10-31 | 2017-02-01 | 国家电网公司 | 一种主动配电网光储能量交换指数评估方法 |
-
2017
- 2017-05-03 CN CN201710305200.1A patent/CN107276114A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104331737A (zh) * | 2014-11-21 | 2015-02-04 | 国家电网公司 | 一种基于粒子群神经网络的办公建筑负荷预测方法 |
CN106355299A (zh) * | 2016-10-31 | 2017-01-25 | 国家电网公司 | 一种分布式光伏并网节点薄弱性指数预测方法 |
CN106374531A (zh) * | 2016-10-31 | 2017-02-01 | 国家电网公司 | 一种主动配电网光储能量交换指数评估方法 |
Non-Patent Citations (1)
Title |
---|
陈帅: "基于粒子群BP神经网络的短期电力负荷预测", 《上海电力学院学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190820A (zh) * | 2018-08-29 | 2019-01-11 | 东北电力大学 | 一种考虑用户流失率的电力市场售电量深度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wen et al. | Optimal sizing of hybrid energy storage sub-systems in PV/diesel ship power system using frequency analysis | |
Mitra et al. | Wide area control for improving stability of a power system with plug-in electric vehicles | |
CN103199554B (zh) | 一种实现电网光储系统容量配置及优化分布的方法 | |
CN103872678B (zh) | 一种基于变电站量测的负荷模型辨识方法 | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN103094920B (zh) | 一种直驱式风电机组风电场等值方法 | |
CN103810646B (zh) | 一种基于改进投影积分算法的有源配电系统动态仿真方法 | |
CN106374513B (zh) | 一种基于主从博弈的多微网联络线功率优化方法 | |
CN102856918A (zh) | 一种基于小生境粒子群算法的配电网的无功优化方法 | |
CN106877363A (zh) | 一种静止同步串联补偿器抑制系统次同步振荡方法及装置 | |
CN104269867A (zh) | 一种节点扰动功率转移分布均衡度分析方法 | |
CN115470736B (zh) | 适应储能电站变工况运行的电力系统动态行为建模方法 | |
CN105184027A (zh) | 一种基于交互式多模型算法的电力负荷建模方法 | |
CN103259289A (zh) | 基于最优潮流含dfig风电系统可用传输容量的获得方法 | |
CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及系统 | |
CN103972912A (zh) | 一种含风电电力系统频率响应的频域分析方法 | |
CN106374531A (zh) | 一种主动配电网光储能量交换指数评估方法 | |
CN105634018A (zh) | 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法 | |
CN106712065A (zh) | 一种电动汽车充电对配电网有功损耗影响指数预测方法 | |
CN106355299A (zh) | 一种分布式光伏并网节点薄弱性指数预测方法 | |
CN107492903A (zh) | 一种基于统计学模型的混合储能系统容量优化配置方法 | |
Yao et al. | Optimized active power dispatching of wind farms considering data-driven fatigue load suppression | |
CN109830987A (zh) | 计及分布式光伏随机性的主动配电网概率稳定性分析方法 | |
CN107276114A (zh) | 一种配电网光储发电主动频率波动抑制系数预测方法 | |
CN105303319A (zh) | 一种基于运行数据的风电场动态分群等值方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |