CN110601180A - 一种台区多元用户运行态势的判断方法、系统及存储介质 - Google Patents
一种台区多元用户运行态势的判断方法、系统及存储介质 Download PDFInfo
- Publication number
- CN110601180A CN110601180A CN201910799045.2A CN201910799045A CN110601180A CN 110601180 A CN110601180 A CN 110601180A CN 201910799045 A CN201910799045 A CN 201910799045A CN 110601180 A CN110601180 A CN 110601180A
- Authority
- CN
- China
- Prior art keywords
- situation
- data
- load
- flexible
- charging
- 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.)
- Granted
Links
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
Abstract
本发明公开了一种台区多元用户运行态势的判断方法、系统及存储介质。所述方法包括:获取台区下多元客户侧柔性储荷数据;对所述柔性储荷数据进行量化处理;将所述量化处理后的柔性储荷数据输入态势感知模型获取电网态势的判断结果。本发明所提方法可以实现对台区下多元客户侧柔性储荷时空特性的分析和评估,并对台区下客户侧资源的调度提供依据。
Description
技术领域
本发明属于电力系统柔性负荷与储能综合评估领域,具体涉及一种台区多元用户运行态势的判断方法、系统及存储介质。
背景技术
随着我国可再生能源发电的发展,与区域经济发展不平衡的情况日益突出,电力有功平衡问题越来越严重。雾霾问题和化石能源短缺使得依靠传统的常规机组提供电力平衡资源的做法不再具有很高的经济效益和社会效益。电池技术和物联网技术的发展使得向需求侧挖掘提供电网所需的辅助服务的潜力成为可能。在诸多具有需求侧响应能力的负荷中,电动汽车和智能家居日益成为政府和各科研机构关注的焦点,纯电动汽车使用电力作为动力,不再使用燃油,这减少了对石油的依赖,使出行方式更加清洁。如果对电动汽车的充电过程充分调度,电动汽车可有效参与电力系统的辅助服务。同时,美国家用电器制造商协会(AHAM)指出,智能家居在智能电网的支持下,一方面能减少二氧化碳等温室气体的排放,另一方面还有助于协调风光等可再生能源发电。
与传统用电需求需随时被满足、近乎刚性的负荷相比,未来的智能电网将出现一类可在一定范围内调整其用电行为的负荷,通过主动改变其用电时间及用电量大小,它们将可参与电网的运行控制,该类负荷称为柔性负荷,主要包括电动汽车、储能电池等。然而,柔性负荷具有以下2个特性:一是受用户用电行为的影响,负荷内部自主变化的主观性较强;二是由于负荷会基于外部环境及激励信号等发生变化,从而在客观上导致柔性负荷响应行为具有一定的无序性。因此,柔性负荷参与到电网互动中后,将给电网的运行带来更多的不确定性。目前对于电动汽车的主要研究集中于电动汽车充电负荷随时间的变化特性、对充电负荷进行预测以及充电负荷对配电网的影响,缺乏将以电动汽车为代表的柔性负荷作为调度资源的精细化研究。
发明内容
针对上述现有研究中的不足,本发明的目的在于提供一种电网态势的判断方法、系统及存储介质,以便解决现有技术中存在的缺乏将柔性负荷作为调度资源精细化研究的问题。
为解决上述技术问题,本发明所采用的技术方案是:
一种台区多元用户运行态势的判断方法,包括如下步骤:
获取台区下多元客户侧柔性储荷数据;
对所述柔性储荷数据进行量化处理;
将所述量化处理后的柔性储荷数据输入态势感知模型获取电网态势的判断结果。
进一步的,所述态势感知模型的建立方法包括:
挖掘电动汽车、空调负荷和储能电池等多元客户侧柔性储荷时空特性,提出柔性储荷时空特性指标;
获取台区下多元客户侧建模用柔性储荷数据和对应的已知电网态势;
对所述建模用柔性储荷数据和已知电网态势进行量化处理;
根据所述量化处理结果将建模用柔性储荷数据和已知电网态势划分为训练集和测试集;
通过所述训练集、测试集对神经网络进行训练、测试建立态势感知模型。
进一步的,所述神经网络进行测试的方法包括:
将所述测试集的数据输入至训练后的神经网络获取样本的预测值;
根据所述样本的预测值和真实值获取相对误差和决定系数;
根据所述相对误差和决定系数对所述练后的神经网络进行评估。
进一步的,所述相对误差的计算公式如下:
所述决定系数的计算公式如下:
式中,Ei为第i个样本的相对误差,R2为样本的决定系数,为第i个样本的预测值,yi为第i个样本的真实值;n为样本的数量。
进一步的,所述柔性储荷数据包括电动汽车时空特性、空调负荷时空特性和储能电池特性。
进一步的,所述电动汽车时空特性包括当前荷电状态、充电桩充电间隔时间、充电方式、充电开始时间、充电区域、充电桩占有率和充电桩数量;
所述空调负荷时空特性包括日尖峰负荷、日平均负荷、日负荷率、建筑群类型;
所述储能电池特性包括储能电池当前荷电状态。
进一步的,所述神经网络包括RBF神经网络。
一种台区多元用户运行态势的判断系统,所述系统包括:
数据获取模块:用于获取台区下多元客户侧柔性储荷数据;
数据量化处理模块:用于对所述柔性储荷数据进行量化处理;
数据判断模块:将所述量化处理后的柔性储荷数据输入态势感知模型获取电网态势的判断结果。
一种电网态势的判断系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明所达到的有益效果是:
本发明通过对多元客户侧柔性储荷时空特性的挖掘,将已知的柔性储荷数据和其对应得电网态势进行划分量化处理,通过量化处理后的数据对神经网络进行训练、测试建立效性的态势感知模型,并通过态势感知模型实现了未知数据的电网态势判断,实现了柔性储荷资源的精细化管理;为台区下客户侧资源的调度提供了可靠的依据。
附图说明
图1为模型建立流程图;
图2为RBF神经网络训练结果相对误差;
图3为RBF神经网络测试结果;
图4为对实验样本的评估结果。
具体实施方案
下面分别对发明所使用的现有技术,包括态势感知技术、RBF神经网络系统的基本原理进行介绍,并结合附图说明给出本发明方法的详细步骤:
广义的态势感知是指在少量的时间和空间内对环境中的元素进行感知(perception),并对感知到的信息进行理解(comprehension),后对未来可能出现的情况进行预测(projection)的过程。应用于电力系统的态势感知技术,通过收集、理解及预测到广域时空范围内与电力系统运行相关的各种因素,准确及有效地掌握电网的态势。
径向基函数(Radial Basis Function,简称为RBF)网络是以函数逼近理论为基础而构造的一类前向网络,这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面。径向基函数网络的每个隐含层神经元激活函数都构成了拟合平面的一个基函数,网络也由此得名。径向基函数网络是一种局部逼近网络,即对于输入空间的某一个局部区域只存在少数的神经元用于决定网络的输出。
RBF神经网络由径向基函数构成的。RBF神经网络系统能在任何精度下对非线性函数进行拟合。隐含层节点中核函数的形式有多种,但最常用的是高斯函数,其函数表达式为:
式中,Zk为样本矢量;Ci为i个神经元中心;σi为节点i的变量。网络的输出为:
式中,y表示输出,ωi表示网络权值。
利用RBF神经网络技术,实现对大量历史状态数据的利用,准确感知数据中蕴含的态势信息,为进一步的调度运行提供全面信息。
首先,深入分析台区下多元客户侧柔性储荷的种类,并且挖掘能够描述柔性储荷时空特性的指标,建立柔性储荷时空特性指标系,本发明主要选取的台区下客户侧柔性负荷可包括电动汽车和智能空调负荷,客户侧柔性储能选择电池储能;然后,针对以上所列出不同种类的柔性储荷,挖掘能够描述其时空特性的指标,其中,对于典型柔性负荷电动汽车来说,可用当前荷电状态(SOC)、充电桩充电间隔时间、充电方式和充电开始时间描述电动汽车的时间特性,可用充电所处区域、充电桩占有率和充电桩数量描述电动汽车的空间特性;对于智能空调负荷来说,可用环境温度、负荷水平、负荷波动性和建筑群类型四个方面来表征区域建筑群内空调电力负荷;
将所挖掘柔性储荷的指标进行分类细化处理,同时对电网态势进行划分,首先,通过分析台区下客户侧柔性储荷的大量数据和可能出现的情况,通过时间特性和空间特性的不同对所挖掘出的指标进行较为精确的分类;然后,根据客户侧柔性储荷的现实状况,判断所选择的柔性储荷能否完美地描述客户侧柔性储荷的时空特性;而后,为将所提取的指标进行分析处理,需要选定量化处理的标准,对所提取的指标进行量化处理;最后,根据电网不同的运行状态,对电网进行态势等级的划分;
根据提出的柔性储荷时空特性指标集,基于大量柔性储荷时空特性的数据,采用RBF神经网络对数据进行处理分析,建立态势感知模型;
根据建立的态势感知模型对不同态势指标场景进行综合评估,验证模型有效性。
上述步骤采集相应的原始数据,生成样本集,同时将样本划分为训练集样本和测试集样本;然后,训练样本集,建立RBF神经网络模型;随后,根据所训练出RBF神经网络对测试集样本进行测试,判断输出结果是否满足误差要求;最后,建立出基于台区下多元客户侧柔性储荷时空特性的态势感知模型,并对其进行验证。
如图1所示,本发明详细步骤如下:
1、提出柔性储荷指标集并进行细化分类
本发明选取电动汽车和智能空调作为台区下多元客户侧主要柔性负荷,根据电动汽车和智能空调的负荷影响因素对其时空特性进行挖掘,提出电动汽车和空调负荷的时空特性指标集。
(1)建立电动汽车时空特性指标集
首先,通过对电动汽车充电负荷影响因素的分析,可以得到在描述电动汽车时空特性的过程中,可用以下指标来描述电动汽车的时空特性:其中,当前荷电状态(SOC)、充电桩充电间隔时间、充电方式和充电开始时间可以描述电动汽车的时间特性,充电区域、充电桩占有率和充电桩数量可以用来描述电动汽车的空间特性。最终得到如表1所示的电动汽车负荷特性指标集。
表1电动汽车负荷特性指标系
(2)建立空调负荷时空特性指标集
为分析区域建筑群内空调电力负荷的特性,需要建立一系列指标体系,以下将分别从负荷水平、负荷波动性和建筑群类型三个方面来表征区域建筑群内空调电力负荷。首先,为分析空调日负荷水平,从不同的时间维度选择日尖峰负荷和日平均负荷两个指标进行分析,其中,日尖峰负荷是指当日逐时负荷最大值,日平均负荷指当日逐时负荷平均值。其次,选择日负荷率和日峰谷差率来分析负荷波动性,其中日负荷率是指当日逐时负荷平均值与最大值之比,日峰谷差是指当日逐时负荷的最大值与最小值之差与最大值之比。最后,为分析空调负荷的空间特性,即在不同建筑群内的负荷情况,根据建筑群代表综合群所占比例不同划分,可将台区内空间建筑群分为办公类综合区、商业类综合区和酒店类综合区。最终形成如表2所述的区域空调负荷分析指标系。
表2区域空调负荷分析指标系
2、态势指标量化处理
为将所建立的柔性负荷时空特性指标系作为态势理解过程的输入,需要对所建立的柔性负荷时空特性指标进行量化处理。
电动汽车的具体量化处理结果分别如表3所示。
表3电动汽车指标系量化分类处理结果
智能空调的具体量化处理结果分别如表4所示。
表4空调负荷指标量化处理结果
3、电网态势指标划分
台区下柔性储荷时空特性态势感知模型的建立需要能够针对电网某时刻某区域的供给关系和拥塞程度进行评估,所以需要对电网的状态进行评估等级的量化划分。将电网态势划分为5个评估等级,并且用[0~0.5]区间的态势值进行定量描述各级电力系统行为及该台区内电网特征。如表5所示。
表5电网态势等级表
4、采用RBF神经网络进行态势感知
如图3,利用RBF神经网络系统对台区下客户侧柔性储荷时空特性进行态势感知,其具体步骤如下:
步骤1:根据上述挖掘出的用以描述柔性储荷的指标采集原始数据,提取特征生成样本集,并进行安全类别标签。如表6所示,每条数据具化成多维,每一维代表了一个项采集数据;电网态势代表该条数据的安全类别。
表6采集数据格式
步骤2:将步骤1中生成的样本数据,分为训练及测试样本集,训练样本矩阵为X∈Rd×n,其中d表示采集的特征指标数目,n为采集的样本数目,建立样本矩阵Z。
步骤3:构建RBF神经网络,将步骤2中的训练样本集作为RBF的训练输入,以及该样本矩阵对应的攻击类别或安全指数作为训练输出,训练RBF神经网络模型,当满足一定的网络误差后,训练结束,即找出与网络态势值的映射关系。
步骤4:将测试样本用于RBF模型输入,经矩阵Z与RBF后,得到对应的感知结果。
实例分析
1、柔性储荷时空特性的指标数据准备
本实例设定台区为南京市雨花变电台区做研究对象,经调查得知该台区电动汽车数量大约在100辆左右,故选取100辆电动汽车做研究对象。通过国家电网公司电动汽车充电设施互联互通数据平台可以得到电动汽车充电负荷特性指标数据。其中,雨花变电台区内充电桩分布情况如表7所示,该台区一共有5个充电站,其中可分为如下三种情况:公交车充电站1个,充电站内共有6台充电桩;2个充电站设置在居民区,充电桩数量分别为15台和20台;另外两个充电站设置在工商业区,充电桩数量分别为20台和25台。
表7为雨花变电台区内充电站信息;
序号 | 运营商 | 充电站 | 站类型 |
1 | 万帮南京市管理机构 | 雨花台区明门公寓(60kw直流)2 | 充电站 |
2 | 南京公用能源有限公司 | 南京公用雨花台南大门公交场站桩群 | 充电站 |
3 | 万帮南京市管理机构 | 雨花台区明门公寓(60kw直流)1 | 充电站 |
4 | 江苏万充新能源科技有限公司(万马充电) | 江苏省南京市雨花台风景区充电站 | 充电站 |
5 | 南京易充电动汽车服务有限公司 | 雨花台区政府 | 充电站 |
此外,可以在该平台上查阅到雨花台变电台区下的储能设备配备为117kWh。通过国家电网公司电动汽车充电设施互联互通数据平台,随机抽取雨花台变电台区内电动汽车、储能设备和智能空调不同时刻不同位置的数据样本作为数据样本,根据不同电网态势结果,得到如表8的样本集,随后对样本数据进行划分,将其划分为训练集和测试集,总共得到251组训练集和20组测试集。根据所提出的柔性储荷指量化方法,对所采集到的数据集进行量化处理,最终得到台区下柔性储荷时空特性量化指标数据集,以用于接下来的态势理解过程。
表8训练、测试样本集
2、RBF神经网络训练
根据本发明中所提出的基于台区下基于台区下多元客户侧柔性储荷时空特性的态势感知模型进行仿真实验。通过对数据样本集进行对RBF神经网络训练,训练过程采用MATLAB中径向基网络的NEWRB函数对训练集数据进行训练,均方误差设置为0.000034。
随后根据训练出的RBF神经网络系统对测试集数据对其神经网络训练的结果进行验证。选取相对误差和决定系数两个评价指标来对测试结果进行评估,其中相对误差的计算公式如下:
决定系数的计算公式如下:
式中,Ei为第i个样本的相对误差,R2为样本的决定系数,为第i个样本的预测值,yi(i=1,2,…,n)为第i个样本的真实值;n为样本的数量。
相对误差越小,说明该模型的性能越好,评估结果越精确。决定系数的范围在[0,1]之间,越趋近于1,表明模型的性能越好,反之,越趋近于0,表明模型的性能越差。由图2可知,20组测试数据中,大多数相对误差都趋近于0,第16组第20组数据相对误差较大。此外,该模型的决定系数为0.97337,可知该模型的性能较好。
根据图3的测试集电网态势评估结果对比,可以看出测试集的真实数据和根据神经网络训练后得出的预测评估值之间的差距,大部分预测数据和真实数据近乎一致,只有少部分数据存在误差,其中第20组数据误差量较大,可判定为评估出错,说明该模型的对于某些数据的评估还存在不足之处。
3、电网态势评估
本文对南京雨花台变电台区下多元客户侧柔性储荷数据的采集,随后对数据进行量化处理并且区分为训练集和测试集,根据RBF神经网络的对训练集样本进行训练,与此同时,根据所训练处的神经网络模型对测试集数据进行测试,以对模型的性能进行评价,最终得到一种能够对台区下柔性储荷时空特性进行评估的态势感知模型。接下来,将使用所建立出的态势感知模型,对未知结果的指标进行电网态势的判断。如表9所示,选取10组未知结果的实验样本数据通过态势感知模型进行评估预测。
表9实验样本数据集态势评估
根据所建立的基于柔性储荷时空特性的态势感知模型对实验样本数据集进行电网态势值的评估,可以得到如图4所示结果。根据结果可以得到如下分析:第1、2、3、4、6、8组数据的电网态势值为0.1,表明此时电网运行十分畅通,所配备的剩余储能量完全能够供电动汽车和智能空调设备使用;第5、7、10组数据的电网态势值为0.2,说明此时电网运行较为畅通,即所配备储能剩余量基本上能够满足电动汽车和智能空调设备的使用;第9组数据的电网态势值为0.5,说明此时电网十分拥堵,所配备的剩余储能量完全不能满足电动汽车和智能空调设备的使用,客户侧需求已经远超电网的供应,需要及时进行调度,加大供应量,使得电网能够保证稳定运行。
本发明实施例还提供了一种台区多元用户运行态势的判断系统,所述系统包括:
数据获取模块:用于获取台区下多元客户侧柔性储荷数据;
数据量化处理模块:用于对所述柔性储荷数据进行量化处理;
数据判断模块:将所述量化处理后的柔性储荷数据输入态势感知模型获取电网态势的判断结果。
本发明实施例还提供了一种电网态势的判断系统,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据前述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述方法的步骤。
态势感知技术作为掌握电网运行轨迹的主要技术办法,它在电网应用中特别重要。它能够收集、理解及预测到广域时空范围内与电网运行相关的各种因素,准确及有效地掌握电网的态势。利用与态势感知相关的神经网络技术,可实现对大量历史状态数据的利用,准确感知数据中蕴含的态势信息,提供全面信息。本专利针对台区下柔性负荷特性进行特征挖掘,提出多元客户侧柔性储荷时空特性的态势感知模型,完成态势评估。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种台区多元用户运行态势的判断方法,其特征在于,包括如下步骤:
获取台区下多元客户侧柔性储荷数据;
对所述柔性储荷数据进行量化处理;
将所述量化处理后的柔性储荷数据输入态势感知模型获取电网态势的判断结果。
2.根据权利要求1所述的一种台区多元用户运行态势的判断方法,其特征在于,所述态势感知模型的建立方法包括:
获取台区下多元客户侧建模用柔性储荷数据和对应的已知电网态势;
对所述建模用柔性储荷数据和已知电网态势进行量化处理;
根据所述量化处理结果将建模用柔性储荷数据和已知电网态势划分为训练集和测试集;
通过所述训练集、测试集对神经网络进行训练、测试建立态势感知模型。
3.根据权利要求2所述的一种台区多元用户运行态势的判断方法,其特征在于,所述神经网络进行测试的方法包括:
将所述测试集的数据输入至训练后的神经网络获取样本的预测值;
根据所述样本的预测值和真实值获取相对误差和决定系数;
根据所述相对误差和决定系数对所述练后的神经网络进行评估。
4.根据权利要求3所述的一种台区多元用户运行态势的判断方法,其特征在于,所述相对误差的计算公式如下:
所述决定系数的计算公式如下:
式中,Ei为第i个样本的相对误差,R2为样本的决定系数,为第i个样本的预测值,yi为第i个样本的真实值;n为样本的数量。
5.根据权利要求1所述的一种台区多元用户运行态势的判断方法,其特征在于,所述柔性储荷数据包括电动汽车时空特性、空调负荷时空特性和储能电池特性。
6.根据权利要求5所述的一种台区多元用户运行态势的判断方法,其特征在于,所述电动汽车时空特性包括当前荷电状态、充电桩充电间隔时间、充电方式、充电开始时间、充电区域、充电桩占有率和充电桩数量;
所述空调负荷时空特性包括日尖峰负荷、日平均负荷、日负荷率、建筑群类型;
所述储能电池特性包括储能电池当前荷电状态。
7.根据权利要求1所述的一种台区多元用户运行态势的判断方法,其特征在于,所述神经网络包括RBF神经网络。
8.一种台区多元用户运行态势的判断系统,其特征在于,所述系统包括:
数据获取模块:用于获取台区下多元客户侧柔性储荷数据;
数据量化处理模块:用于对所述柔性储荷数据进行量化处理;
数据判断模块:将所述量化处理后的柔性储荷数据输入态势感知模型获取电网态势的判断结果。
9.一种台区多元用户运行态势的判断系统,其特征在于,所述系统包括处理器和存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-7任一项所述方法的步骤。
10.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799045.2A CN110601180B (zh) | 2019-08-27 | 2019-08-27 | 一种台区多元用户运行态势的判断方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910799045.2A CN110601180B (zh) | 2019-08-27 | 2019-08-27 | 一种台区多元用户运行态势的判断方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110601180A true CN110601180A (zh) | 2019-12-20 |
CN110601180B CN110601180B (zh) | 2021-07-06 |
Family
ID=68855941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910799045.2A Active CN110601180B (zh) | 2019-08-27 | 2019-08-27 | 一种台区多元用户运行态势的判断方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110601180B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114243925A (zh) * | 2021-12-21 | 2022-03-25 | 国网山东省电力公司淄博供电公司 | 基于智能融合终端的台区配变态势感知方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
CN108694023A (zh) * | 2018-02-22 | 2018-10-23 | 长安大学 | 一种马歇尔试件稳定度和流值的测试方法 |
-
2019
- 2019-08-27 CN CN201910799045.2A patent/CN110601180B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794534A (zh) * | 2015-04-16 | 2015-07-22 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN106453293A (zh) * | 2016-09-30 | 2017-02-22 | 重庆邮电大学 | 一种基于改进bpnn的网络安全态势预测方法 |
CN108694023A (zh) * | 2018-02-22 | 2018-10-23 | 长安大学 | 一种马歇尔试件稳定度和流值的测试方法 |
Non-Patent Citations (1)
Title |
---|
刘琦: "主动配电系统安全态势感知建模方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114243925A (zh) * | 2021-12-21 | 2022-03-25 | 国网山东省电力公司淄博供电公司 | 基于智能融合终端的台区配变态势感知方法及系统 |
CN114243925B (zh) * | 2021-12-21 | 2024-02-09 | 国网山东省电力公司淄博供电公司 | 基于智能融合终端的台区配变态势感知方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110601180B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | A review of second-life lithium-ion batteries for stationary energy storage applications | |
Khuong et al. | Analyzing drivers of renewable energy development in Southeast Asia countries with correlation and decomposition methods | |
CN108491969A (zh) | 基于大数据的空间负荷预测模型构建方法 | |
Park et al. | Impact of electric vehicle penetration-based charging demand on load profile | |
CN107609670B (zh) | 一种基于copula算法电动汽车充电站负荷预测方法 | |
CN110956329A (zh) | 基于分布式光伏与电动汽车时空分布的负荷预测方法 | |
CN102968551A (zh) | 一种电动汽车运行特性建模分析方法 | |
CN110601180B (zh) | 一种台区多元用户运行态势的判断方法、系统及存储介质 | |
CN109978236B (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析系统和方法 | |
CN112101673B (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
Khushalani et al. | Coordinated charging strategies for plug-in hybrid electric vehicles | |
CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型系统及方法 | |
CN110826813A (zh) | 基于家用电动汽车用户充电差异性需求的电网优化方法 | |
Rohács | Analysis and optimization of potential energy sources for residential building application | |
CN115940169A (zh) | 一种计及源荷不确定性的改进电网电压越限风险评估方法 | |
Eckhoff et al. | Electric mobility integration in energy communities: trending topics and future research directions | |
Dan et al. | Electrification-driven circular economy with machine learning-based multi-scale and cross-scale modelling approach | |
McAuley | Quantitatively assessing readiness of Electric Vehicle charging infrastructure | |
Azzouz et al. | Integration of multi-criteria decision-making for performance evaluation of different solar batteries technologies | |
Di Piazza et al. | A Survey of Energy Management Systems Considering Battery State of Health Preservation in Microgrid Applications | |
Yamoul et al. | Prediction of Residential Building’s Solar Installation Energy Demand in Morocco Using Multiple Linear Regression Analysis | |
Vialetto et al. | Influence of the equivalent electric load strategy on energy demand forecasting | |
Bazan et al. | Hierarchical simulation of the German energy system and houses with PV and storage systems | |
Saklani et al. | Spatial Analysis and Clustering of Electric Vehicle Density for Charging Infrastructure Planning |
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 |