CN109066819B - 一种基于案件推理的配电网的无功优化方法 - Google Patents
一种基于案件推理的配电网的无功优化方法 Download PDFInfo
- Publication number
- CN109066819B CN109066819B CN201811115513.1A CN201811115513A CN109066819B CN 109066819 B CN109066819 B CN 109066819B CN 201811115513 A CN201811115513 A CN 201811115513A CN 109066819 B CN109066819 B CN 109066819B
- Authority
- CN
- China
- Prior art keywords
- case
- cases
- feature
- similarity
- features
- 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
Images
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于案件推理的配电网的无功优化方法,涉及电力系统领域,本发明将大数据建模与分析的方法引入到配电网无功优化领域,不直接求解非线性规划问题,而从数据分析与建模的角度提出一种基于案件推理的配电网无功优化方法,其推理过程是利用基于历史的配电网无功优化案例来求解当前负荷水平下的无功优化问题,进而弥补传统方法的不足,能更快速找出当前配电网的最优无功优化策略,适合大范围的推广和应用。
Description
技术领域
本发明涉及电力系统领域,具体涉及一种基于案件推理的配电网的无功优化方法。
背景技术
已知的,配电网无功优化是一个多目标的非线性规划问题,现有的求解方法主要是对非线性规划问题进行求解,主要方法包含:线性规划法、非线性规划法、智能算法、人工神经网络等等。其中线性规划法的核心是将目标函数和约束条件进行泰勒展开,通过忽略高次项将非线性规划问题简化成线性规划问题,这种方法计算速度快,但是计算结果和实际情况有误差。非线性规划分别采用通过修正法和乘法函数法处理控制变量和函数的不等式约束,虽然原理简单,但也存在效率低,收敛速度慢的问题。智能算法可以解决离散变量处理上的问题,通过随机搜索理论上可以获得全局最优解,但计算速度慢,难以适应在线计算的要求。人工神经网络可以模拟人脑神经网络结构和功能处理无功优化问题。但是因为目前仍未找到合适的学习方法而易陷入局部最优解。
近年来,大数据技术在各行业领域受到了越来越多的专家学者的重视。配电网中监测节点众多,如何对数据库中积累的大量历史数据进行分析用于指导当前配电网的运行已经成为热点问题。目前,配电网中大数据的应用与研究还处于起步阶段。
发明内容
为克服背景技术中存在的不足,本发明提供了一种基于案件推理的配电网的无功优化方法,本发明的推理过程是利用基于历史的配电网无功优化案例来求解当前负荷水平下的无功优化问题,进而弥补传统方法的不足,能更快速找出当前配电网的最优无功优化策略。
为实现如上所述的发明目的,本发明采用如下所述的技术方案:
一种基于案件推理的配电网的无功优化方法,所述无功优化方法具体包括如下步骤:
第一步、首先输入网络原始参数,具体包括各线路及变压器阻抗值,各节点每相的有功功率和无功功率,然后输入历史和当前配电网的案例参数;
第二步、接上步,提取当前配电网的参数特征,对当前配电网的特征与系统中的案例库中历史案例的特征进行快速匹配,再经过筛选获得出多个案例群;
第三步、接上步,通过主成分分析和熵权法实现特征的降维和确定特征的权重;
第四步、接上步,计算当前配电网特征和历史配电网特征的相似度;
第五步、接上步,判断相似度的大小关系,如相似度的值大于某个值则接受历史案例的控制方案,否则对控制方案进行修正,并更新历史案例库;
第六步、接上步,输出计算结果。
所述的基于案件推理的配电网的无功优化方法,所述第二步中提出的特征快速匹配方法主要包括两个步骤:首先,利用符号型特征初步匹配和当前案例相似的历史案例,其次,根据数值型特征对历史案例进行二次筛选。
所述的基于案件推理的配电网的无功优化方法,配电网的无功优化控制方案由初始网络拓扑结构、负荷水平、分布式电源和电压分布因素共同决定,负荷以及分布式电源的出力受季节、节假日以及天气的影响,由此进一步影响电压的波动,依据符号型特征对案例当前案例进行基本分类;进一步,不同节假日下负荷水平呈现不同规律,可以将节假日细分为元旦、春节、中秋,天气状况增添小雨、中雨、大雨以及小雪、雨夹雪、大雪不同类型,在确定好基本参数后,根据联络开关以及分段开关的位置划分网络的拓扑结构,将场景细化可以提高匹配的准确度以及计算速度,经场景划分的方法可以从m0个历史案例中初步选出和当前案例类似的历史案件数 m1,但m1的数字往往较大,为了进一步减小计算量,通过设定阈值进行二次筛选,一般来说,在同一个场景下的同一个时间点,各个特征值偏差不大;进一步,相似案例的各个特征相差不大,通过设定阈值a th 来二次筛选历史案例,设定各个特征值上下限允许偏差为a th ,将在特征值偏差在允许范围外的案例排除,从而进一步缩减待计算相似度的案例个数,a th 的大小影响二次筛选后的案例个数,如a th 设定太大会保留初步筛选的全部案例,a th 设定太小会把初步筛选的案例全部排除,a th 设定的步骤如下:
第1步、求出各个历史案例和当前案例的最大特征偏差,计算公式如下:
式中,a i 表示第i个历史案例和当前案例的最大特征偏差;x ij 表示第i个历史案例的第j个特征,x 0 j表示当前案例的第j个特征,m 1为初步筛选后的案例个数,n0是案例的原始特征数;
第2步、将各个历史案例的最大特征偏差从小到大排序,a th 应该在[a min ,a max ]区间内,a min 、a max 是a i 的最小和最大值,如设定二次筛选后的案例数为m2,则a th =a m2。
所述的基于案件推理的配电网的无功优化方法,所述第三步中主成分分析是将多特征简化成少量综合指标的一种统计方法,在保证原信息损失尽量少的基础上用尽可能少的变量反应原变量,主成分分析的基本步骤如下:
第1步、 标准化:
第2步、计算相关系数矩阵:
第3步、求特征值和特征向量:
第4步、计算累积贡献率以及综合指标:
为了保证原信息损失尽量少,选取的主成分个数应该使得累积贡献率大于85%,前m个主成分的累积贡献率计算公式如下:
所述的基于案件推理的配电网的无功优化方法,所述第四步在相似度计算中每个特征的作用和影响力不尽相同,必须根据每个指标的地位大小合理的赋予权重,权重反应每个特征在计算相似度时的重要性程度,这关系到特征对总体相似度的贡献大小,因此确定权重是计算相似度的基础;
进一步,依据各个特征所包含信息量的多少来确定权重的熵权法对各个特征赋权,熵权法的计算过程较为简单,充分地利用了特征数据,可以克服特征的物理意义不明确时主观上难以确定权重的缺陷;
权重越大表示该特征对计算相似度的作用越大,直观有效地反应各个特征的差异程度;
进一步,对于案例的数值型特征,采用最近相邻策略计算特征的距离或者相似系数以度量案例间的相似度,第i个案例和第j个案例的相似度可以表示如下:
采用如上所述的技术方案,本发明具有如下所述的优越性:
本发明将大数据建模与分析的方法引入到配电网无功优化领域,不直接求解非线性规划问题,而从数据分析与建模的角度提出一种基于案件推理的配电网无功优化方法,其推理过程是利用基于历史的配电网无功优化案例来求解当前负荷水平下的无功优化问题,进而弥补传统方法的不足,能更快速找出当前配电网的最优无功优化策略,适合大范围的推广和应用。
附图说明
图1是基于仿射数学理论的三相不平衡潮流计算流程图;
图2是IEEE13节点算例接线图;
图3是二次筛选规则;
图4是配电网系统的拓扑结构。
具体实施方式
通过下面的实施例可以更详细的解释本发明,本发明并不局限于下面的实施例;
结合附图1~4所述的一种基于案件推理的配电网的无功优化方法,所述无功优化方法具体包括如下步骤:
第一步、首先输入网络原始参数,具体包括各线路及变压器阻抗值,各节点每相的有功功率和无功功率,然后输入历史和当前配电网的案例参数;
第二步、接上步,提取当前配电网的参数特征,对当前配电网的特征与系统中的案例库中历史案例的特征进行快速匹配,再经过筛选获得出多个案例群;所述特征快速匹配方法主要包括两个步骤:首先,利用符号型特征初步匹配和当前案例相似的历史案例,其次,根据数值型特征对历史案例进行二次筛选;
进一步,配电网的无功优化控制方案由初始网络拓扑结构、负荷水平、分布式电源和电压分布因素共同决定,负荷以及分布式电源的出力受季节、节假日以及天气的影响,由此进一步影响电压的波动,依据符号型特征对案例当前案例进行基本分类,具体如图2所示;
进一步,不同节假日下负荷水平呈现不同规律,可以将节假日细分为元旦、春节、中秋,天气状况增添小雨、中雨、大雨以及小雪、雨夹雪、大雪不同类型,在确定好基本参数后,根据联络开关以及分段开关的位置划分网络的拓扑结构,将场景细化可以提高匹配的准确度以及计算速度;
经场景划分的方法可以从m0个历史案例中初步选出和当前案例类似的历史案件数 m1,但m1的数字往往较大,为了进一步减小计算量,通过设定阈值进行二次筛选,一般来说,在同一个场景下的同一个时间点,各个特征值偏差不大,以案例有12个数值型特征为例,二次筛选规则如图3所示;
进一步,相似案例的各个特征相差不大,通过设定阈值a th 来二次筛选历史案例,设定各个特征值上下限允许偏差为a th ,将在特征值偏差在允许范围外的案例排除,从而进一步缩减待计算相似度的案例个数,a th 的大小影响二次筛选后的案例个数,如a th 设定太大会保留初步筛选的全部案例,a th 设定太小会把初步筛选的案例全部排除,a th 设定的步骤如下:
第1步、求出各个历史案例和当前案例的最大特征偏差,计算公式如下:
式中,a i 表示第i个历史案例和当前案例的最大特征偏差;x ij 表示第i个历史案例的第j个特征,x 0 j表示当前案例的第j个特征,m 1为初步筛选后的案例个数,n0是案例的原始特征数;
第2步、将各个历史案例的最大特征偏差从小到大排序,a th 应该在[a min ,a max ]区间内,a min 、a max 是a i 的最小和最大值,如设定二次筛选后的案例数为m2,则a th =a m2;
第三步、接上步,通过主成分分析和熵权法实现特征的降维和确定特征的权重;
所述主成分分析是将多特征简化成少量综合指标的一种统计方法,在保证原信息损失尽量少的基础上用尽可能少的变量反应原变量,主成分分析的基本步骤如下:
第1步、 标准化:
第2步、计算相关系数矩阵:
第3步、求特征值和特征向量:
第4步、计算累积贡献率以及综合指标:
为了保证原信息损失尽量少,选取的主成分个数应该使得累积贡献率大于85%,前m个主成分的累积贡献率计算公式如下:
第四步、接上步,计算当前配电网特征和历史配电网特征的相似度;所述相似度计算中每个特征的作用和影响力不尽相同,必须根据每个指标的地位大小合理的赋予权重,权重反应每个特征在计算相似度时的重要性程度,这关系到特征对总体相似度的贡献大小,因此确定权重是计算相似度的基础;
进一步,依据各个特征所包含信息量的多少来确定权重的熵权法对各个特征赋权,熵权法的计算过程较为简单,充分地利用了特征数据,可以克服特征的物理意义不明确时主观上难以确定权重的缺陷;
权重越大表示该特征对计算相似度的作用越大,直观有效地反应各个特征的差异程度;
进一步,对于案例的数值型特征,采用最近相邻策略计算特征的距离或者相似系数以度量案例间的相似度,第i个案例和第j个案例的相似度可以表示如下:
第五步、接上步,判断相似度的大小关系,如相似度的值大于某个值则接受历史案例的控制方案,否则对控制方案进行修正,并更新历史案例库;
第六步、接上步,输出计算结果。
本发明的具体实施例如下:
以台湾省某电力公司的36节点配电网作为算例进行仿真验证,该系统的电压等级为12.66kV。拓扑结构如图4所示,有载调压变压器的电压范围是0.9~0.1,步长为1.25%,上下档位±8。节点13的并联电容器组容量是7组,节点23的并联电容器组容量是6组,节点29并联电容器组的容量是5组,每组容量为150kvar。算例中的案例数据和对应的优化方案来源于2012~2015年的实际历史数据,从数据库中读取。
选取重载和轻载两个时间断面对本文所提方法进行仿真,以高峰期为例展开说明。利用快速匹配方法根据季节、节假日、天气等符号型特征初步筛选出332个相似案例。设定 ,二次筛选出55个相似案例。计算当前案例和二次筛选后历史案例的相似度,并将相似度最大的历史案例的决策方案用于当前案例方案。为验证本文所提方法的正确性和有效性,将本方法和遗传算法(Genetic Algorithm, GA)、遍历法的计算结果进行对比,假设有功损耗的权重为0.581,电压偏移的权重为0.419。GA设置参数:种群个数20个,最大迭代次数20次,交叉概率0.8,变异概率0.1。三种方法在重载和轻载工况下的优化结果如表1所示。
表1 同负荷水平下的无功优化结果
通过观察表1可知,在重载和轻载工况水平下,GA算法虽然时间比遍历法短,但是有收敛局部最优的缺陷。本发明和遍历法得出的优化方案一致,属于当前案例下的最优控制策略,并且计算时间最快。这说明了本发明所提方法的正确性和有效性。
本发明未详述部分为现有技术。
为了公开本发明的目的而在本文中选用的实施例,当前认为是适宜的,但是,应了解的是,本发明旨在包括一切属于本构思和发明范围内的实施例的所有变化和改进。
Claims (1)
1.一种基于案件推理的配电网的无功优化方法,其特征是:所述无功优化方法具体包括如下步骤:
第一步、首先输入网络原始参数,具体包括各线路及变压器阻抗值,各节点每相的有功功率和无功功率,然后输入历史和当前配电网的案例参数;
第二步、接上步,提取当前配电网的参数特征,对当前配电网的特征与系统中的案例库中历史案例的特征进行快速匹配,再经过筛选获得出多个案例群,特征快速匹配方法主要包括两个步骤:首先,利用符号型特征初步匹配和当前案例相似的历史案例,其次,根据数值型特征对历史案例进行二次筛选,配电网的无功优化控制方案由初始网络拓扑结构、负荷水平、分布式电源和电压分布因素共同决定,负荷以及分布式电源的出力受季节、节假日以及天气的影响,由此进一步影响电压的波动,依据符号型特征对案例当前案例进行基本分类;进一步,不同节假日下负荷水平呈现不同规律,将节假日细分为元旦、春节、中秋,天气状况增添小雨、中雨、大雨以及小雪、雨夹雪、大雪不同类型,在确定好基本参数后,根据联络开关以及分段开关的位置划分网络的拓扑结构,将场景细化提高匹配的准确度以及计算速度,经场景划分的方法从m0个历史案例中初步选出和当前案例类似的历史案件数m1,但m1的数字往往较大,为了进一步减小计算量,通过设定阈值进行二次筛选,在同一个场景下的同一个时间点,各个特征值偏差不大;进一步,相似案例的各个特征相差不大,通过设定阈值ath来二次筛选历史案例,设定各个特征值上下限允许偏差为ath,将在特征值偏差在允许范围外的案例排除,从而进一步缩减待计算相似度的案例个数,ath的大小影响二次筛选后的案例个数,如ath设定太大会保留初步筛选的全部案例,ath设定太小会把初步筛选的案例全部排除,ath设定的步骤如下:
第1步、求出各个历史案例和当前案例的最大特征偏差,计算公式如下:
式中,ai表示第i个历史案例和当前案例的最大特征偏差;xi,j表示第i个历史案例的第j个特征,x0,j表示当前案例的第j个特征,m1为初步筛选后的案例个数,n0是案例的原始特征数;
第2步、将各个历史案例的最大特征偏差从小到大排序,ath在[amin,amax]区间内,amin、amax是ai的最小和最大值,如设定二次筛选后的案例数为m2,则ath=am2;
第三步、接上步,通过主成分分析和熵权法实现特征的降维和确定特征的权重,所述主成分分析是将多特征简化成少量综合指标的一种统计方法,在保证原信息损失尽量少的基础上用尽可能少的变量反应原变量,主成分分析的基本步骤如下:
第1步、标准化:
为了使得各个特征之间具有可比性,在主成分分析之间对原始特征进行标准化处理,对原始特征进行标准化后得到标准化矩阵X=(x′)n×p,n是案例个数,p是原始特征数;
第2步、计算相关系数矩阵:
计算特征i和特征j之间的相关系数rij,p个特征之间的相关系数构成相关系数矩阵R=(rij)p×p,其中,相关系数rij的计算公式如下:
第3步、求特征值和特征向量:
求出相关系数矩阵的特征值λi(i=1,2...p)将各个特征值根据从大到小的顺序排列,并计算各个特征值对应的特征向量ai(i=1,2...p);
第4步、计算累积贡献率以及综合指标:
为了保证原信息损失尽量少,选取的主成分个数使得累积贡献率大于85%,前m个主成分的累积贡献率计算公式如下:
αm表示前m个主成分的累积贡献率,第i个综合指标表示如下:
zi=ai1x′1+ai1x′2+...ai1x′p
式中,zi是由归一化后的特征求得的“新特征”;
第四步、接上步,计算当前配电网特征和历史配电网特征的相似度,在相似度计算中每个特征的作用和影响力不尽相同,必须根据每个指标的地位大小合理的赋予权重,权重反应每个特征在计算相似度时的重要性程度,这关系到特征对总体相似度的贡献大小,因此确定权重是计算相似度的基础;
进一步,依据各个特征所包含信息量的多少来确定权重的熵权法对各个特征赋权,熵权法的计算过程较为简单,充分地利用了特征数据,克服特征的物理意义不明确时主观上难以确定权重的缺陷;
进一步,假设经过主成分分析降维后,有m个案例n项新特征构成评价矩阵Z=(zij)m×n,指标的标准化方法如下:
式中,Pij为标准化的指标数据,标准化处理消除了特征量纲不同的影响,各个特征的信息熵为:
式中,Ej表示信息熵,熵越小说明特征的变异程度越大,提供的信息量也就越多,在计算相似度起的作用越大,则权重也就越大,第j个特征的权重wj表示为:
权重越大表示该特征对计算相似度的作用越大,直观有效地反应各个特征的差异程度;
进一步,对于案例的数值型特征,采用最近相邻策略计算特征的距离或者相似系数以度量案例间的相似度,第i个案例和第j个案例的相似度表示如下:
式中,x′max,k表示案例库中第k个新特征的最大值,x′i,k是第k个新特征的权重,表示第i个案例的第j个新特征;
第五步、接上步,判断相似度的大小关系,如相似度的值大于某个值则接受历史案例的控制方案,否则对控制方案进行修正,并更新历史案例库;
第六步、接上步,输出计算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811115513.1A CN109066819B (zh) | 2018-09-25 | 2018-09-25 | 一种基于案件推理的配电网的无功优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811115513.1A CN109066819B (zh) | 2018-09-25 | 2018-09-25 | 一种基于案件推理的配电网的无功优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109066819A CN109066819A (zh) | 2018-12-21 |
CN109066819B true CN109066819B (zh) | 2021-08-20 |
Family
ID=64765627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811115513.1A Active CN109066819B (zh) | 2018-09-25 | 2018-09-25 | 一种基于案件推理的配电网的无功优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109066819B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175781B (zh) * | 2019-05-29 | 2021-03-19 | 国家电网有限公司 | 一种业扩供电方案自学习式制定方法 |
CN111339083A (zh) * | 2020-02-14 | 2020-06-26 | 大连海事大学 | 基于压载方案数据库检索的压载水调拨优化系统 |
CN111666912B (zh) * | 2020-06-15 | 2024-01-23 | 国网山东省电力公司潍坊供电公司 | 计及电气特征量与图形特征的局部放电融合特征提取方法 |
CN117391451B (zh) * | 2023-11-07 | 2024-09-13 | 建龙西林钢铁有限公司 | 一种钢铁数字化安全管控系统 |
CN118211720A (zh) * | 2024-04-01 | 2024-06-18 | 国网冀北电力有限公司经济技术研究院 | 一种电网基建项目评估优化系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0795730A (ja) * | 1993-09-22 | 1995-04-07 | Fuji Electric Co Ltd | 電力系統連系用インバ−タ |
CN102662831A (zh) * | 2012-03-20 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种容错系统诊断策略优化方法 |
CN103050970A (zh) * | 2013-01-15 | 2013-04-17 | 华北电力大学 | 一种适用于特高压电网分层分区的稳定性分析及优化方法 |
EA017981B1 (ru) * | 2012-07-20 | 2013-04-30 | Открытое Акционерное Общество "Системный Оператор Единой Энергетической Системы" | Способ выявления источника синхронных колебаний |
CN103728551A (zh) * | 2013-01-30 | 2014-04-16 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
CN105186498A (zh) * | 2015-09-08 | 2015-12-23 | 国家电网公司 | 一种计及运行成本的主动配电网电压潮流联合控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116707A (zh) * | 2013-03-04 | 2013-05-22 | 北京工业大学 | 一种基于案例推理的心脏病智能诊断方法 |
CN104836227B (zh) * | 2015-04-17 | 2017-03-15 | 天津大学 | 基于案例推理的配电网主动电压控制方法 |
CN106208099B (zh) * | 2016-07-26 | 2019-02-22 | 国网四川省电力公司电力科学研究院 | 一种基于二层规划的电力系统无功优化方法及其应用 |
CN106447115A (zh) * | 2016-10-08 | 2017-02-22 | 华北电力科学研究院有限责任公司 | 区域电网的风电功率预测的评价方法 |
CN106446571B (zh) * | 2016-10-08 | 2019-03-01 | 华北电力科学研究院有限责任公司 | 风电场功率预测的误差评价方法 |
CN107122927A (zh) * | 2017-06-27 | 2017-09-01 | 河海大学 | 一种调水引流水环境改善效果综合评价方法 |
CN108321789A (zh) * | 2018-01-08 | 2018-07-24 | 浙江工业大学 | 一种基于成本效益分析的电能质量治理决策支持方法 |
CN108306308A (zh) * | 2018-02-05 | 2018-07-20 | 杭州英菲菱集成电路有限公司 | 一种采用igbt控制的无级可调调容装置 |
-
2018
- 2018-09-25 CN CN201811115513.1A patent/CN109066819B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0795730A (ja) * | 1993-09-22 | 1995-04-07 | Fuji Electric Co Ltd | 電力系統連系用インバ−タ |
CN102662831A (zh) * | 2012-03-20 | 2012-09-12 | 中国人民解放军国防科学技术大学 | 一种容错系统诊断策略优化方法 |
EA017981B1 (ru) * | 2012-07-20 | 2013-04-30 | Открытое Акционерное Общество "Системный Оператор Единой Энергетической Системы" | Способ выявления источника синхронных колебаний |
CN103050970A (zh) * | 2013-01-15 | 2013-04-17 | 华北电力大学 | 一种适用于特高压电网分层分区的稳定性分析及优化方法 |
CN103728551A (zh) * | 2013-01-30 | 2014-04-16 | 中国人民解放军海军航空工程学院 | 一种基于级联集成分类器的模拟电路故障诊断方法 |
CN105186498A (zh) * | 2015-09-08 | 2015-12-23 | 国家电网公司 | 一种计及运行成本的主动配电网电压潮流联合控制方法 |
Non-Patent Citations (1)
Title |
---|
Whale optimization algorithm based optimal reactive power dispatch: A case study of the Algerian power system;systemKhaled ben oualid Medani;《Electric Power Systems Research》;20171002;第696-705页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109066819A (zh) | 2018-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109066819B (zh) | 一种基于案件推理的配电网的无功优化方法 | |
CN107688879B (zh) | 一种考虑源荷匹配度的主动配电网分布式电源规划方法 | |
US5918200A (en) | State estimating apparatus | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN103177188B (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN103972908A (zh) | 一种基于自适应混沌粒子群算法的多目标无功优化方法 | |
CN108694470B (zh) | 一种基于人工智能的数据预测方法及装置 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN110222897A (zh) | 一种配电网可靠性分析方法 | |
CN113505458A (zh) | 连锁故障关键触发支路预测方法、系统、设备及存储介质 | |
CN113935440A (zh) | 一种电压互感器误差状态迭代评估方法及系统 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN111738477A (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
CN110688809A (zh) | 一种基于vprs-rbf神经网络的箱变故障诊断方法 | |
CN112883632B (zh) | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 | |
CN109861211A (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN116667369B (zh) | 一种基于图卷积神经网络的分布式光伏电压控制方法 | |
CN105608295A (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
CN110783913A (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
CN117955133A (zh) | 一种配电网储能优化配置方法及系统 | |
CN117060408B (zh) | 新能源发电预测方法及系统 | |
CN116526568B (zh) | 交直流配电网分布式电源优化方法、系统、设备及介质 | |
CN117808151A (zh) | 一种基于粒子群-遗传融合算法的变电站无功优化方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |