CN110363334B - 基于灰色神经网络模型的光伏并网的电网线损预测方法 - Google Patents

基于灰色神经网络模型的光伏并网的电网线损预测方法 Download PDF

Info

Publication number
CN110363334B
CN110363334B CN201910542905.4A CN201910542905A CN110363334B CN 110363334 B CN110363334 B CN 110363334B CN 201910542905 A CN201910542905 A CN 201910542905A CN 110363334 B CN110363334 B CN 110363334B
Authority
CN
China
Prior art keywords
grid
power
photovoltaic
line loss
model
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
Application number
CN201910542905.4A
Other languages
English (en)
Other versions
CN110363334A (zh
Inventor
黄新波
马一迪
朱永灿
田毅
邬红霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201910542905.4A priority Critical patent/CN110363334B/zh
Publication of CN110363334A publication Critical patent/CN110363334A/zh
Application granted granted Critical
Publication of CN110363334B publication Critical patent/CN110363334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Photovoltaic Devices (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于灰色神经网络模型的光伏并网的电网线损预测方法，步骤包括：1)构建并网光伏阵列板输出功率在线监测系统；2)按照所获取的特征信息参数分为两类，一类称为训练集，用于预测模型的训练学习；另一类称为测试集，用于测试；3)确定灰色模型，当训练准确率符合设定要求，则对灰色模型利用未知特征信息参数即测试集对其进行测试预测；将经步骤2得到的训练集特征参数样本输入至该预测模型并进行训练学习，得到输出结果，即光伏并网对电网线损的结果；4)将步骤2得到的数据集样本输入到步骤3训练好的模型中，由该线损预测模型完成对光伏并网的电网线损的预测，并验证其准确性。本发明的方法结果准确率高。

Description

基于灰色神经网络模型的光伏并网的电网线损预测方法
技术领域
本发明属于光伏发电对电网线损的预测技术领域，涉及一种基于灰色神经网络模型的光伏并网的电网线损预测方法。
背景技术
随着社会经济的不断发展和人们环保意识的逐渐增强，开发清洁能源，保护生态环境不仅是社会经济发展的必然趋势,也是人民群众对生活质量提出的客观要求。近年来,光伏发电技术不断完善和成熟，已成为电力行业较为重要的分支，其应用范围也在不断地扩大。但是光伏发电技术也存在着一些不稳定性因素，如，光伏并网会对电网造成一定的线路损耗，这种损耗直接关系到整个地区电网的安全稳定运行。因此，在光伏并网的情况下，对电网线损进行实时预测具有十分重要的意义。
目前，所采用的电网线损预测方法仅仅通过预测光伏电源的容量和地方电网的线损两个变量来实现，不能准确地反映上述参量和预测结果之间的函数关系，同时也存在着误差较大，准确率不高的问题。电网的线损预测方法涉及各种人工智能算法。因此，亟需研制一种基于灰色神经网络模型的光伏并网的电网线损预测方法，该方法不需要大量的数据，就能解决历史数据少、序列的完整性及可靠性低的问题；能利用微分方程来充分发掘系统的本质，精度高，能够更加准确有效地预测光伏并网的电网线损，进而能够使得该地区电网更安全稳定的运行。
发明内容
本发明的目的是提供一种基于灰色神经网络模型的光伏并网的电网线损预测方法，解决了现有技术中存在误差较大，准确率不高的问题。
本发明所采用的技术方案是，一种基于灰色神经网络模型的光伏并网的电网线损预测方法，利用一种并网光伏阵列板输出功率在线监测系统，按照以下步骤实施：
步骤1：构建并网光伏阵列板输出功率在线监测系统；
步骤2：将步骤1采集获取的并网光伏电池板阵列的输出功率，以及不同情况下的光伏电源位置、电压等级和通过计算取得的历史电网线损数据，按照所获取的特征信息参数分为两类，一类称为训练集，用于预测模型的训练学习；另一类称为测试集，用于测试；
所输入的特征信息参数中包括并网光伏电池板阵列的输出功率数据序列、历史电网线损数据序列和光伏电源位置、电压等级的数据序列，
其中并网光伏电池板阵列的输出功率数据序列和光伏电源位置、电压等级的数据序列从步骤1中获取；
步骤3：确定灰色模型，记为模型GM(1,1)，寻求并网光伏电池板阵列的输出功率与电网线路损耗之间的线性关系，当训练准确率符合设定要求，则对灰色模型利用未知特征信息参数即测试集对其进行测试预测；将经步骤2得到的训练集特征参数样本输入至该预测模型并进行训练学习，得到输出结果，即光伏并网对电网线损的结果；
步骤4：将步骤2得到的数据集样本输入到步骤3训练好的模型GM(1,1)中，由该线损预测模型完成对光伏并网的电网线损的预测，并验证其准确性。
本发明的有益效果是，基于并网光伏的分布式电力模型，通过光伏阵列输出功率在线监测系统对电网线损数据进行采集，采用灰色神经网络对采集的数据进行分析，能够更加准确有效地预测光伏并网对电网的线损，进而能够使得该地区电网更安全稳定的运行。与现有的方法相比：基于灰色预测模型的光伏并网对电网线损的预测，不需要大量的数据就能解决历史数据少、序列完整性及可靠性低的问题；能利用微分方程来充分发掘系统的本质，精度高；能将无规律的原始数据进行生成得到规律性较强的生成序列；实现对系统运行行为、演化规律的正确描述和有效监控。因此，将其应用在光伏发电技术上，能够更加准确有效地预测光伏并网对电网的线损，进而能够使得该地区电网更安全稳定的运行。
附图说明
图1本发明方法采用的光伏阵列板输出功率在线监测系统的结构示意图；
图2是本发明预测方法的流程简图；
图3是本发明预测方法中采用的灰色神经网络结构示意图；
图4是本发明预测方法中电网的网络模型示意图。
图中，1.单片机，2.电源模块，3.信息处理单元，4.霍尔电流传感器，5.4G通信模块，6.Zigbee通讯模块，7.并网光伏电池板阵列，8.DC\DC变换器，9.数据储存单元，10.DC\AC变换器，11.变压器，12.电网，13.电压传感器。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
灰色神经网络是一种生成模型，利用微分方程来充分挖掘系统的本质，精度高；能将无规律的原始数据进行生成得到规律性较强的生成序列，运算简便，易于检验,提高了预测的准确率，能够很好地应用在光伏并网的电网损耗预测方面。
本发明方法采用了一种光伏阵列板输出功率在线监测系统。
参照图1，该光伏阵列板输出功率在线监测系统的结构是，包括作为主控器件的单片机1(型号为STM32F407)，单片机1分别与电源模块2、信息处理单元3、4G通信模块5、Zigbee通讯模块6、并网光伏电池板阵列7和数据储存单元9同时连接；并网光伏电池板阵列7通过DC\DC变换器8与DC\AC变换器10连接，DC\AC变换器10通过变压器11与电网12连接；信息处理单元3的输入端同时与霍尔电流传感器4和电压传感器13连接。
参照图2，利用上述并网光伏阵列板输出功率在线监测系统，本发明方法按照以下步骤实施：
步骤1：构建并网光伏阵列板输出功率在线监测系统，
将单片机1与电源模块2、信息处理单元3、4G通信模块5、Zigbee通讯模块6、数据储存单元9和并网光伏电池板阵列7分别连接；将信息处理单元3的输入端与霍尔电流传感器4和电压传感器13连接，利用霍尔电流传感器4直接获取并网光伏电池板阵列7的电流数据、利用电压传感器13直接获取并网光伏电池板阵列7的电压数据，并将获取的数据发送给信息处理单元3进行处理，信息处理单元3将数据信息保存于数据储存单元9内，最终计算出并网光伏电池板阵列7的输出功率，同时记录不同情况下的光伏电源位置、电压等级以及通过计算取得的历史电网线损数据；
步骤2：将步骤1采集获取的并网光伏电池板阵列7的输出功率，以及不同情况下的光伏电源位置、电压等级和通过计算取得的历史电网线损数据，按照所获取的特征信息参数分为两类，一类称为训练集，用于预测模型的训练学习；另一类称为测试集，用于测试；
参照图3，所输入的特征信息参数中包括并网光伏电池板阵列7的输出功率数据序列、历史电网线损数据序列和光伏电源位置、电压等级的数据序列，
其中并网光伏电池板阵列7的输出功率数据序列和光伏电源位置、电压等级的数据序列从步骤1中获取；
步骤2中针对数据集的特征样本信息参数，结合步骤1中获取的并网光伏电池板阵列的输出功率数据序列和光伏电源位置、电压等级的数据序列，然后通过采集获取的并网光伏电池板阵列的输出功率，计算得到相映的电网损耗；利用以下公式进一步获取光伏并网的电网线损；然后用于训练集的特征信息参数的输入输出关系通过以下公式计算提前得知。
参照图4，将电网的线路分为n段，沿线路节点编号依次为1,2,...,n，第i段线路阻抗为Ri+jXi，则相应节点功率依次为P2+jQ2，P3+jQ3，Pm+jQm，Pn+jQn，
其中，Ri+jXi是电路原理中的公式，是一个常识性概念(阻抗Z＝R+jX，其中R称为阻抗Z的电阻部分，X称为阻抗Z的电抗部分)；
Pm是m点的有功功率，Qm是m点的无功功率；
Pn是n点的有功功率，Qn是n点的无功功率；
接入并网光伏电池板阵列7后，输送功率单相流动的传统情况可能改变，潮流计算是进行量化分析的主要手段，在图4所示电网中无光伏电源接入时线路上各个节点功率分别为：
Figure BDA0002103114960000051
Figure BDA0002103114960000061
其中，Pi是i点的有功功率，Qi是i点的无功功率，△Pj是有功功率损耗，△Qj是无功功率损耗，(△Pj及△Qj是电路原理中的公式，分别是电网的功率损耗)，
则电网i点的功率损耗分别为：
Figure BDA0002103114960000062
Figure BDA0002103114960000063
当第1节点接入并网光伏电池板阵列7后，节点功率为：
Figure BDA0002103114960000064
Figure BDA0002103114960000065
其中，PGF是光伏并网的有功功率，QGF是光伏并网的无功功率，k代表节点，将公式(3)和公式(1)代入公式(2)中，即求得光伏并网的电网线损；
步骤3：建立一种基于灰色神经网络模型的光伏并网的电网线损预测方法，并且确定灰色模型，记为模型GM(1,1)，寻求并网光伏电池板阵列7的输出功率与电网线路损耗之间的线性关系，当训练准确率符合设定要求，则对灰色模型利用未知特征信息参数即测试集对其进行测试预测；将经步骤2得到的训练集特征参数样本输入至该预测模型并进行训练学习，得到输出结果，即光伏并网对电网线损的结果，
具体过程如下：
3.1)数据的检验与处理，
为了保证建模方法的可行性，需要对已知数据列做必要的检验处理，设参考数据为x(0)＝(x(0)(1),x(0)(2),...,x(0)(n))，计算序列的级比：
Figure BDA0002103114960000071
如果所有的级比λ(k)都落在可容覆盖
Figure BDA0002103114960000072
内，则数列x(0)能够作为模型GM(1,1)的数据进行灰色预测；否则，需要对数列x(0)做必要的变换处理，使其落入可容覆盖内，取适当的常数c，作平移变换：
y(0)(k)＝x(0)(k)+c,k＝1,2,...,n,  (5)
使序列y(0)＝(y(0)(1),y(0)(2),...,y(0)(n))的级比等于：
Figure BDA0002103114960000073
3.2)建立灰色模型，按照相应的白化微分方程：
Figure BDA0002103114960000074
建立模型GM(1,1)，则得到预测值，表达式是：
Figure BDA0002103114960000075
其中，a,b都是模型GM(1,1)中的系数，
而且
Figure BDA0002103114960000081
3.3)检测预测值，
3.3.1)残差检验，
令残差为ε(k)，计算式如下：
Figure BDA0002103114960000082
如果ε(k)＜0.2，则认为达到一般要求；如果ε(k)＜0.1，则认为达到较高的要求；
3.3.2)级比值差值检验，
先由参考数据x0(k-1)，x0(k)计算出级比λ(k)；再用系数a求出相应的级比偏差，表达式如下：
Figure BDA0002103114960000083
如果ρ(k)＜0.2，则认为达到一般要求；如果ρ(k)＜0.1，则认为达到较高的要求；
3.4)预测预报，
由模型GM(1,1)得到指定区域时区内的预测值，根据实际问题的需要，给出相应的预测预报(根据上述的灰色模型的计算过程，对残差值和级比差值进行比较，检验过后进行预测预报)；
由上可见，步骤3中的模型GM(1,1)主要体现出了灰色神经网络模型的特征。
步骤4：将步骤2得到的数据集样本输入到步骤3训练好的模型GM(1,1)中，由该线损预测模型完成对光伏并网的电网线损的预测，并验证其准确性。
本发明的光伏并网的电网线损预测方法具有以下优势：
1)通过霍尔电流传感器和电压传感器准确感知并网光伏电池板阵列7的输出电流和电压，并通过STM32F407型单片机1、电源模块2、信息处理单元3、4G通信模块5、Zigbee通讯模块6、数据储存单元9等实现电流的A\D转化、信号处理和数据通信等功能。
2)首先确定输入/输出设计，将一组数据作为灰色神经网络的输入向量，其次构建灰色神经网络的光伏并网的电网线损的预测模型。
3)本发明将并网光伏电池板阵列7的输出功率、光伏电源位置、光伏电源的电压等级和光伏并网的历史电网线损数据作为输入，输入到模型中即可输出得到光伏并网对电网线损的预测模型，该光伏并网对电网损耗预测方法的正确率为95.5％。
本发明采用灰色神经网络对采集的数据进行分析。随后将并网光伏电池板阵列的输出功率、光伏电源位置、光伏电源的电压等级以及光伏并网的历史电网线损数据输入到训练好的光伏并网的电网线损预测模型中，由光伏并网的电网线损预测模型对输入的并网光伏电池板阵列7的输出功率、光伏电源位置、光伏电源的电压等级和光伏并网的历史电网线损数据进行处理，完成对光伏并网对电网线损预测，在弥补人工神经网络检测的不足的同时，更加准确、可靠地实现光伏并网的电网线损预测，进而能够使得该地区电网更安全稳定的运行。

Claims (1)

1.一种基于灰色神经网络模型的光伏并网的电网线损预测方法，利用一种并网光伏阵列板输出功率在线监测系统，其特征在于，按照以下步骤实施：
步骤1：构建并网光伏阵列板输出功率在线监测系统，具体过程如下：
该光伏阵列板输出功率在线监测系统的结构是，包括单片机(1)，单片机(1)分别与电源模块(2)、信息处理单元(3)、4G通信模块(5)、Zigbee通讯模块(6)、并网光伏电池板阵列(7)和数据储存单元(9)同时连接；并网光伏电池板阵列(7)通过DC\DC变换器(8)与DC\AC变换器(10)连接，DC\AC变换器(10)通过变压器(11)与电网(12)连接；信息处理单元(3)的输入端同时与霍尔电流传感器(4)和电压传感器(13)连接，
将单片机(1)与电源模块(2)、信息处理单元(3)、4G通信模块(5)、Zigbee通讯模块(6)、数据储存单元(9)和并网光伏电池板阵列(7)分别连接；将信息处理单元(3)的输入端与霍尔电流传感器(4)和电压传感器(13)连接，利用霍尔电流传感器(4)直接获取并网光伏电池板阵列(7)的电流数据、利用电压传感器(13)直接获取并网光伏电池板阵列(7)的电压数据，并将获取的数据发送给信息处理单元(3)进行处理，信息处理单元(3)将数据信息保存于数据储存单元(9)内，最终计算出并网光伏电池板阵列(7)的输出功率，同时记录不同情况下的光伏电源位置、电压等级以及通过计算取得的历史电网线损数据；
步骤2：将步骤1采集获取的并网光伏电池板阵列(7)的输出功率，以及不同情况下的光伏电源位置、电压等级和通过计算取得的历史电网线损数据，按照所获取的特征信息参数分为两类，一类称为训练集，用于预测模型的训练学习；另一类称为测试集，用于测试；
所输入的特征信息参数中包括并网光伏电池板阵列(7)的输出功率数据序列、历史电网线损数据序列和光伏电源位置、电压等级的数据序列，
其中并网光伏电池板阵列(7)的输出功率数据序列和光伏电源位置、电压等级的数据序列从步骤1中获取，针对数据集的特征样本信息参数，结合步骤1中获取的并网光伏电池板阵列的输出功率数据序列和光伏电源位置、电压等级的数据序列，然后通过采集获取的并网光伏电池板阵列的输出功率，计算得到相映的电网损耗；利用以下公式进一步获取光伏并网的电网线损；然后用于训练集的特征信息参数的输入输出关系通过以下公式计算提前得知，
将电网的线路分为n段，沿线路节点编号依次为1,2,...,n，第i段线路阻抗为Ri+jXi，则相应节点功率依次为P2+jQ2，P3+jQ3，Pm+jQm，Pn+jQn，
其中，Ri+jXi是电路原理中的公式，阻抗Z＝R+jX，其中R称为阻抗Z的电阻部分，X称为阻抗Z的电抗部分；
Pm是m点的有功功率，Qm是m点的无功功率；
Pn是n点的有功功率，Qn是n点的无功功率；
接入并网光伏电池板阵列(7)后，输送功率单相流动的传统情况可能改变，潮流计算是进行量化分析的主要手段，电网中无光伏电源接入时线路上各个节点功率分别为：
Figure FDA0004144090410000021
Figure FDA0004144090410000031
其中，Pi是i点的有功功率，Qi是i点的无功功率，△Pj是有功功率损耗，△Qj是无功功率损耗，
则电网i点的功率损耗分别为：
Figure FDA0004144090410000032
Figure FDA0004144090410000033
当第1节点接入并网光伏电池板阵列(7)后，节点功率为：
Figure FDA0004144090410000034
Figure FDA0004144090410000035
其中，PGF是光伏并网的有功功率，QGF是光伏并网的无功功率，k代表节点，将公式(3)和公式(1)代入公式(2)中，即求得光伏并网的电网线损；
步骤3：确定灰色模型，记为模型GM(1,1)，寻求并网光伏电池板阵列(7)的输出功率与电网线路损耗之间的线性关系，当训练准确率符合设定要求，则对灰色模型利用未知特征信息参数即测试集对其进行测试预测；将经步骤2得到的训练集特征参数样本输入至该预测模型并进行训练学习，得到输出结果，即光伏并网对电网线损的结果，具体过程如下：
3.1)数据的检验与处理，
设参考数据为x(0)＝(x(0)(1),x(0)(2),...,x(0)(n))，计算序列的级比：
Figure FDA0004144090410000041
如果所有的级比λ(k)都落在可容覆盖
Figure FDA0004144090410000042
内，则数列x(0)能够作为模型GM(1,1)的数据进行灰色预测；否则，需要对数列x(0)做必要的变换处理，使其落入可容覆盖内，取适当的常数c，作平移变换：
y(0)(k)＝x(0)(k)+c,k＝1,2,...,n,          (5)
使序列y(0)＝(y(0)(1),y(0)(2),...,y(0)(n))的级比等于：
Figure FDA0004144090410000043
3.2)建立灰色模型，按照相应的白化微分方程：
Figure FDA0004144090410000044
建立模型GM(1,1)，则得到预测值，表达式是：
Figure FDA0004144090410000045
其中，a,b都是模型GM(1,1)中的系数，
而且
Figure FDA0004144090410000046
3.3)检测预测值，
3.3.1)残差检验，
令残差为ε(k)，计算式如下：
Figure FDA0004144090410000051
如果ε(k)<0.2，则认为达到一般要求；如果ε(k)<0.1，则认为达到较高的要求；
3.3.2)级比值差值检验，
先由参考数据x0(k-1)，x0(k)计算出级比λ(k)；再用系数a求出相应的级比偏差，表达式如下：
Figure FDA0004144090410000052
如果ρ(k)<0.2，则认为达到一般要求；如果ρ(k)<0.1，则认为达到较高的要求；
3.4)预测预报，
由模型GM(1,1)得到指定区域时区内的预测值，根据实际问题的需要，给出相应的预测预报；
步骤4：将步骤2得到的数据集样本输入到步骤3训练好的模型GM(1,1)中，由该线损预测模型完成对光伏并网的电网线损的预测，并验证其准确性。
CN201910542905.4A 2019-06-21 2019-06-21 基于灰色神经网络模型的光伏并网的电网线损预测方法 Active CN110363334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910542905.4A CN110363334B (zh) 2019-06-21 2019-06-21 基于灰色神经网络模型的光伏并网的电网线损预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910542905.4A CN110363334B (zh) 2019-06-21 2019-06-21 基于灰色神经网络模型的光伏并网的电网线损预测方法

Publications (2)

Publication Number Publication Date
CN110363334A CN110363334A (zh) 2019-10-22
CN110363334B true CN110363334B (zh) 2023-05-12

Family

ID=68216598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910542905.4A Active CN110363334B (zh) 2019-06-21 2019-06-21 基于灰色神经网络模型的光伏并网的电网线损预测方法

Country Status (1)

Country Link
CN (1) CN110363334B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110837932A (zh) * 2019-11-08 2020-02-25 陕西省水利电力勘测设计研究院 基于dbn-ga模型的太阳能集热系统热功率预测方法
CN114362136A (zh) * 2021-11-19 2022-04-15 国网辽宁省电力有限公司鞍山供电公司 基于gm（1.1）改进的熵权法配网损失计算及预测方法
CN115940145A (zh) * 2022-08-04 2023-04-07 国网山东省电力公司东营市河口区供电公司 一种分布式电站线损损耗预测方法
CN116345447B (zh) * 2023-04-12 2023-10-13 山东奥德智慧新能源有限公司 发电电能输送损耗评估系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0746761A (ja) * 1993-07-27 1995-02-14 Chubu Electric Power Co Inc 最大電力需要予測方法
TW200642419A (en) * 2005-03-18 2006-12-01 Niigata Seimitsu Co Ltd A mobile device including FM transmitter
CN104579166A (zh) * 2015-02-10 2015-04-29 河海大学常州校区 分布式光伏电站监控系统及其故障诊断方法
CN105071389A (zh) * 2015-08-19 2015-11-18 华北电力大学（保定） 计及源网荷互动的交直流混合微电网优化运行方法及装置
CN107069807A (zh) * 2017-03-22 2017-08-18 广西大学 含不确定性预算调节的无平衡节点微网鲁棒调度方法
KR20180060317A (ko) * 2016-11-28 2018-06-07 한국전력공사 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법
CN108508863A (zh) * 2017-10-12 2018-09-07 上海智容睿盛智能科技有限公司 一种基于灰色模型的机电设备故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0746761A (ja) * 1993-07-27 1995-02-14 Chubu Electric Power Co Inc 最大電力需要予測方法
TW200642419A (en) * 2005-03-18 2006-12-01 Niigata Seimitsu Co Ltd A mobile device including FM transmitter
CN104579166A (zh) * 2015-02-10 2015-04-29 河海大学常州校区 分布式光伏电站监控系统及其故障诊断方法
CN105071389A (zh) * 2015-08-19 2015-11-18 华北电力大学（保定） 计及源网荷互动的交直流混合微电网优化运行方法及装置
KR20180060317A (ko) * 2016-11-28 2018-06-07 한국전력공사 심층 신경망 기반 수용가 전력 수요 예측 장치 및 방법
CN107069807A (zh) * 2017-03-22 2017-08-18 广西大学 含不确定性预算调节的无平衡节点微网鲁棒调度方法
CN108508863A (zh) * 2017-10-12 2018-09-07 上海智容睿盛智能科技有限公司 一种基于灰色模型的机电设备故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
光伏并网对地区电网线损的影响;苏阔等;《吉林电力》;20151025;第42卷(第05期);第014-017页 *
基于大数据分析的电能损耗预测模型的仿真分析;张明明;《现代电子技术》;20160315;全文 *
基于灰色模型与神经网络组合的线损率预测;张勤等;《电力系统及其自动化学报》;20131015;第25卷(第05期);第162-164页 *
陈洪月.GM（1，1）模型预测步骤.《Pro/ENGINEER、ANSYS、MATLAB软件及应用》.东北大学出版社,2017,第533-536页. *

Also Published As

Publication number Publication date
CN110363334A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110363334B (zh) 基于灰色神经网络模型的光伏并网的电网线损预测方法
CN112348292B (zh) 一种基于深度学习网络的短期风电功率预测方法和系统
CN104408562B (zh) 一种基于bp神经网络的光伏系统发电效率综合评估方法
WO2022021726A1 (zh) 一种基于pmu的电力系统状态估计性能评价方法
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN105938578A (zh) 一种基于聚类分析的大规模光伏电站等值建模方法
CN104897784A (zh) 基于耦合隐马尔可夫模型的变压器故障诊断方法
CN111628494B (zh) 一种基于逻辑回归法的低压配电网拓扑识别方法及系统
CN108804800A (zh) 基于回声状态网络的锂离子电池soc在线预测方法
CN103474989A (zh) 一种基于灵敏度分析的网络重构方法
CN114997566A (zh) 考虑节点连通度损失的电网阻塞风险评估方法及系统
CN103544527A (zh) 超超临界汽轮机fcb工况下除氧器水位的预测方法
Xu et al. Short-term wind speed prediction based on GRU
CN105741184A (zh) 一种变压器状态评估方法及装置
CN105701265A (zh) 一种双馈风电机组建模方法及装置
CN116451505A (zh) 一种配电网线路参数校核方法、系统、设备及介质
Yusupov et al. Development of a simulation model for assessing the technical condition of transformers exploited in hydroelectric stations
Shi et al. A fault location method for distribution system based on one-dimensional convolutional neural network
CN116298670A (zh) 适用于多分支配电线路的智能故障定位方法及系统
Liu et al. Short-Term Wind Speed and Wind Power Prediction Based on Meteorological Model Modification
CN115619287B (zh) 基于多源数据融合的水电机组状态劣化评估方法及系统
CN111798049B (zh) 一种基于集成学习与多目标规划的电压稳定评估方法
Zhong et al. State Estimation of New Distribution Network Based on Deep Neural Network
Wang et al. Segmented prediction model of lithium-ion battery remaining useful life based on LSTM and SVR
CN117421992B (zh) 一种变压器绕组热点温度反演方法

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