CN110797865A - 一种数据驱动的供电薄弱环节识别方法及系统 - Google Patents
一种数据驱动的供电薄弱环节识别方法及系统 Download PDFInfo
- Publication number
- CN110797865A CN110797865A CN201911044830.3A CN201911044830A CN110797865A CN 110797865 A CN110797865 A CN 110797865A CN 201911044830 A CN201911044830 A CN 201911044830A CN 110797865 A CN110797865 A CN 110797865A
- Authority
- CN
- China
- Prior art keywords
- power supply
- data
- power
- limit
- capacity
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供了一种数据驱动的供电薄弱环节识别方法及系统,通过获取区域配电网参数及拓扑结构、分布式电源年出力数据和拓扑结构中各个负荷点的年负荷数据;基于统计数据计算得到一天中多个时间段分布式电源出力和负荷的概率密度函数,建立其概率模型;通过对含有分布式电源的配电网进行概率潮流计算,得到配电网各节点电压和支路功率数据;计算各节点电压和支路功率最终的概率密度函数,得到其越限概率,识别配网中的薄弱环节,针对每个薄弱环节,通过扩宽相关约束条件,计算其最大供电能力的增量,根据增量大小进行排序,得到最终供电薄弱程度的序列。
Description
技术领域
本公开属于供电监控技术领域,涉及一种数据驱动的供电薄弱环节识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
大量分布式电源接入配电网,一定程度上提高了配电网的供电能力,但分布式电源与多元负荷的不确定性也对配电网的供电可靠性带来了严峻挑战。解决配电网供电可靠性问题的关键一环是准确识别配电网中的薄弱环节。
据发明人了解,已有研究在大电网薄弱环节识别方面较为深入,但是侧重于影响电网暂态稳定的薄弱环节,与配电网侧重于供电能力本质上存在差别,所提出的方法也难以应用到配网中;而在配网薄弱环节识别方面,已有研究方法大多基于统计数据对线路、设备元件进行识别,方法简单,时间尺度较长,且识别结果的准确度依赖于人的主观经验判断。已有的基于概率潮流的薄弱环节识别方法对于风机出力、光伏出力和负荷的概率模型采用先验的概率密度函数,没有充分体现区域配电网长期统计数据的作用,且只能识别出长期的薄弱环节。已有方法在识别出薄弱环节后未考虑其对供电能力的影响,导致运维调度人员缺乏对薄弱环节对供电可靠性的准确判断。
发明内容
本公开为了解决上述问题,提出了一种数据驱动的供电薄弱环节识别方法及系统,本公开能够解决已有基于概率潮流的薄弱环节识别方法仅能识别长期薄弱环节且没有体现区域配电网分布式电源出力和负荷特点的问题,识别一天中各个时间段的供电薄弱环节,并且计算这些薄弱环节对于供电能力的影响,提供影响程度由高到低的序列,辅助运维调度人员做出准确有效的判断。
根据一些实施例,本公开采用如下技术方案:
一种数据驱动的供电薄弱环节识别方法,包括以下步骤:
获取区域配电网参数及拓扑结构、分布式电源年出力数据和拓扑结构中各个负荷点的年负荷数据;
基于统计数据计算得到一天中多个时间段分布式电源出力和负荷的概率密度函数,建立其概率模型;
通过对含有分布式电源的配电网进行概率潮流计算,得到配电网各节点电压和支路功率数据;
计算各节点电压和支路功率最终的概率密度函数,得到其越限概率,识别配网中的薄弱环节,针对每个薄弱环节,通过扩宽相关约束条件,计算其最大供电能力的增量,根据增量大小进行排序,得到最终供电薄弱程度的序列。
作为进一步的限定,配电网电路系统导纳矩阵Y、各个负荷点的年负荷、分布式电源的接入位置及其年出力数据,具体包括区域配电网中的分布式光伏年出力数据、区域配电网中的风机年出力数据。
作为进一步的限定,将一天划分为多个时间段,将风机出力、光伏出力和各个节点负荷某段时期的统计数据分别按各个时间段划分为多组数据,基于每一组数据采用非参数估计方法得到其概率密度函数。
作为进一步的限定,潮流计算的具体过程包括:通过对含有分布式电源的配电网进行概率潮流计算,得到区域配电网的潮流分布的各个节点上电压的各阶矩、各条线路支路功率的各阶矩以及各个变压器母线电流的各阶矩。
作为进一步的限定,识别配网中的薄弱环节的具体步骤包括:
由得到的电压、支路功率和变压器母线电流的各阶矩计算其各阶半不变量,并通过级数展开法得出最终的各个概率密度函数;
对于各个节点,其电压标幺值超过某数值认为是越上限,低于某数值认为是越下限,对于支路,其容量界限为线路极限传输功率,对于变压器,其母线电流标幺值超过某数值认为是变压器容量越限,根据概率密度函数的定义对各节点电压越限概率、支路容量越限概率和变压器容量越限概率进行计算;
将各个节点电压越限概率、各个线路支路容量越限概率以变压器容量越限概率分别进行排序,将各个方面排序,按一定比例将靠前的视为薄弱环节,具体包括电压越限薄弱环节、支路容量越限薄弱环节和变压器容量薄弱环节。
作为进一步的限定,对于电压越限薄弱环节,采取利用逆变器剩余容量吸收感性无功功率的策略,即减少越限节点的无功功率;对于支路容量越限薄弱环节和变压器容量越限环节,采用更换线路和变压器的策略,即以一定步长放宽支路容量约束和变压器容量约束。
作为进一步的限定,计算优化约束条件后的最大供电能力的增长量,根据增长量的大小确定各个薄弱环节对供电能力影响的大小,即各个薄弱环节的供电薄弱程度,并由高到低进行排序。
作为进一步的限定,减少越限节点的无功功率后进行重复潮流计算时,重复潮流计算中的电压约束、电流约束、支路容量约束等约束条件依旧保留,计算其最大供电能力的增加量。
以一定步长放宽支路容量约束进行重复潮流时,重复潮流计算中的约束条件除了保留相应的支路容量约束外,其余约束条件都不保留,计算其最大供电能力的增加量。
以一定步长放宽变压器容量约束进行重复潮流时,重复潮流计算中的约束条件除了保留相应的变压器容量约束外,其余约束条件都不保留,其计算其最大供电能力的增加量。
一种数据驱动的供电薄弱环节识别系统,包括:
参数获取单元,被配置为获取区域配电网参数及拓扑结构、分布式电源年出力数据和拓扑结构中各个负荷点的年负荷数据;
模型构建单元,被配置为基于统计数据计算得到一天中多个时间段分布式电源出力和负荷的概率密度函数,建立其概率模型;
潮流计算单元,被配置为通过对含有分布式电源的配电网进行概率潮流计算,得到配电网各节点电压和支路功率数据;
识别单元,被配置为计算各节点电压和支路功率最终的概率密度函数,得到其越限概率,识别配网中的薄弱环节,针对每个薄弱环节,通过扩宽相关约束条件,计算其最大供电能力的增量,根据增量大小进行排序,得到最终供电薄弱程度的序列。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种数据驱动的供电薄弱环节识别的步骤。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种数据驱动的供电薄弱环节识别的步骤。
与现有技术相比,本公开的有益效果为:
(1)本公开基于数据驱动而不是参数估计获取光伏出力、风机出力和负荷的概率密度估计,能够完全避免主观经验的影响,能够体现区域配电网的负荷和出力特点。
(2)原先基于概率潮流计算,仅能识别长期的薄弱环节,本公开将一天划分为多个时间段进行概率潮流计算,能够识别一天中各个时间段出现的薄弱环节,得到的结果更加精细化。
(3)在识别薄弱环节的基础上,量化各个薄弱环节对配电网供电能力的影响,提供供电薄弱程度由高到低的序列,能够辅助运维调度人员科学决策。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是具体实施流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,一种数据驱动的供电薄弱环节识别方法,步骤包括:
(1)读取区域配电网参数及拓扑结构、分布式电源年出力数据和拓扑结构中各个负荷点的年负荷数据;
(2)基于统计数据计算得到一天中多个时间段分布式电源出力和负荷的概率密度函数,建立其概率模型;
(3)通过对含有分布式电源的配电网进行概率潮流计算,得到配电网各节点电压和支路功率等统计数据;
(4)计算各节点电压和支路功率最终的概率密度函数,得到其越限概率,识别配网中的薄弱环节;
(5)针对每个薄弱环节,通过扩宽相关约束条件,计算其最大供电能力的增量,根据增量大小进行排序,得到最终供电薄弱程度的序列。
步骤(1)中,包括读取配电网电路系统导纳矩阵Y、各个负荷点的年负荷、分布式电源的接入位置及其年出力数据,具体包括区域配电网中的分布式光伏年出力数据、区域配电网中的风机年出力数据。
步骤(2)中,时间段划分和数据选取具体包括:
将一天平均划分或者不平均划分t个时间段。
将风机出力、光伏出力和各个负荷点负荷的统计数据按照周、月、季或者几个月为一定时期进行选取。
风机出力以一定时期选取出的数据以天为单位,把每天属于t个时间段的数据筛选出后组成t组数据,基于每一组数据采用非参数估计方法得到其概率密度函数,光伏出力和各个负荷点的负荷也按同样的方式进行处理。
步骤(3)中,利用三点估计法进行配电网的概率潮流计算,三点估计法利用不确定变量均值及均值两侧的点代替它,同时其他不确定量在均值处取值,各及运行一次确定性潮流计算,将确定性的潮流计算结果进行统计分析,从而得到网络状态量的均值、标准差等信息。
步骤(4)中,包括:
4.1由得到的电压、支路功率和变压器母线电流的各阶矩计算其各阶半不变量,并通过级数展开法得出最终的各个概率密度函数;
4.2对于各个节点,其电压标幺值超过1.05认为是越上限,低于0.95认为是越下限,对于支路,其容量界限为线路极限传输功率,对于变压器,其母线电流标幺值超过0.8认为是变压器容量越限,根据概率密度函数的定义对各节点电压越限概率、支路容量越限概率和变压器容量越限概率进行计算。
4.3将各个节点电压越限概率、各个线路支路容量越限概率以变压器容量越限概率分别进行排序,将各个方面排序,将前20%视为薄弱环节,具体包括电压越限薄弱环节、支路容量越限薄弱环节和变压器容量薄弱环节。
在步骤(5)中,具体包括:
5.1对于电压越限薄弱环节,采取利用逆变器剩余容量吸收感性无功功率的策略,即减少越限节点的无功功率;对于支路容量越限薄弱环节和变压器容量越限环节,采用更换线路和变压器的策略,即以一定步长放宽支路容量约束和变压器容量约束。
5.2基于以上策略扩宽重复潮流算法的相关约束条件,包括:
减少越限节点的无功功率后进行重复潮流计算时,重复潮流计算中的电压约束、电流约束、支路容量约束等约束条件依旧保留,计算其最大供电能力的增加量。
以一定步长放宽支路容量约束进行重复潮流时,重复潮流计算中的约束条件除了保留相应的支路容量约束外,其余约束条件都不做保留,计算其最大供电能力的增加量。
以一定步长放宽变压器容量约束进行重复潮流时,重复潮流计算中的约束条件除了保留相应的变压器容量约束外,其余约束条件都不做保留,其计算其最大供电能力的增加量。
5.3计算最大供电能力的增长量,根据增长量的大小确定各个薄弱环节对供电能力影响的大小,即各个薄弱环节的供电薄弱程度,并由高到低进行排序。
本公开还提供以下的产品实施例:
一种数据驱动的供电薄弱环节识别系统,包括:
参数获取单元,被配置为获取区域配电网参数及拓扑结构、分布式电源年出力数据和拓扑结构中各个负荷点的年负荷数据;
模型构建单元,被配置为基于统计数据计算得到一天中多个时间段分布式电源出力和负荷的概率密度函数,建立其概率模型;
潮流计算单元,被配置为通过对含有分布式电源的配电网进行概率潮流计算,得到配电网各节点电压和支路功率数据;
识别单元,被配置为计算各节点电压和支路功率最终的概率密度函数,得到其越限概率,识别配网中的薄弱环节,针对每个薄弱环节,通过扩宽相关约束条件,计算其最大供电能力的增量,根据增量大小进行排序,得到最终供电薄弱程度的序列。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种数据驱动的供电薄弱环节识别的步骤。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种数据驱动的供电薄弱环节识别的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开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,本公开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。
本公开是参照根据本公开实施例的方法、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。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种数据驱动的供电薄弱环节识别方法,其特征是:包括以下步骤:
获取区域配电网参数及拓扑结构、分布式电源年出力数据和拓扑结构中各个负荷点的年负荷数据;
基于统计数据计算得到一天中多个时间段分布式电源出力和负荷的概率密度函数,建立其概率模型;
通过对含有分布式电源的配电网进行概率潮流计算,得到配电网各节点电压和支路功率数据;
计算各节点电压和支路功率最终的概率密度函数,得到其越限概率,识别配网中的薄弱环节,针对每个薄弱环节,通过扩宽相关约束条件,计算其最大供电能力的增量,根据增量大小进行排序,得到最终供电薄弱程度的序列。
2.如权利要求1所述的一种数据驱动的供电薄弱环节识别方法,其特征是:配电网电路系统导纳矩阵Y、各个负荷点的年负荷、分布式电源的接入位置及其年出力数据,具体包括区域配电网中的分布式光伏年出力数据、区域配电网中的风机年出力数据。
3.如权利要求1所述的一种数据驱动的供电薄弱环节识别方法,其特征是:将一天划分为多个时间段,将风机出力、光伏出力和各个节点负荷某段时期的统计数据分别按各个时间段划分为多组数据,基于每一组数据采用非参数估计方法得到其概率密度函数。
4.如权利要求1所述的一种数据驱动的供电薄弱环节识别方法,其特征是:潮流计算的具体过程包括:通过对含有分布式电源的配电网进行概率潮流计算,得到区域配电网的潮流分布的各个节点上电压的各阶矩、各条线路支路功率的各阶矩以及各个变压器母线电流的各阶矩。
5.如权利要求1所述的一种数据驱动的供电薄弱环节识别方法,其特征是:识别配网中的薄弱环节的具体步骤包括:
由得到的电压、支路功率和变压器母线电流的各阶矩计算其各阶半不变量,并通过级数展开法得出最终的各个概率密度函数;
对于各个节点,其电压标幺值超过某数值认为是越上限,低于某数值认为是越下限,对于支路,其容量界限为线路极限传输功率,对于变压器,其母线电流标幺值超过某数值认为是变压器容量越限,根据概率密度函数的定义对各节点电压越限概率、支路容量越限概率和变压器容量越限概率进行计算;
将各个节点电压越限概率、各个线路支路容量越限概率以变压器容量越限概率分别进行排序,将各个方面排序,按一定比例将靠前的视为薄弱环节,具体包括电压越限薄弱环节、支路容量越限薄弱环节和变压器容量薄弱环节。
6.如权利要求1所述的一种数据驱动的供电薄弱环节识别方法,其特征是:对于电压越限薄弱环节,采取利用逆变器剩余容量吸收感性无功功率的策略,即减少越限节点的无功功率;对于支路容量越限薄弱环节和变压器容量越限环节,采用更换线路和变压器的策略,即以一定步长放宽支路容量约束和变压器容量约束。
7.如权利要求1所述的一种数据驱动的供电薄弱环节识别方法,其特征是:计算优化约束条件后的最大供电能力的增长量,根据增长量的大小确定各个薄弱环节对供电能力影响的大小,即各个薄弱环节的供电薄弱程度,并由高到低进行排序;
或,减少越限节点的无功功率后进行重复潮流计算时,重复潮流计算中的电压约束、电流约束、支路容量约束等约束条件依旧保留,计算其最大供电能力的增加量;
或,
以一定步长放宽支路容量约束进行重复潮流时,重复潮流计算中的约束条件除了保留相应的支路容量约束外,其余约束条件都不保留,计算其最大供电能力的增加量;
或,
以一定步长放宽变压器容量约束进行重复潮流时,重复潮流计算中的约束条件除了保留相应的变压器容量约束外,其余约束条件都不保留,其计算其最大供电能力的增加量。
8.一种数据驱动的供电薄弱环节识别系统,其特征是:包括:
参数获取单元,被配置为获取区域配电网参数及拓扑结构、分布式电源年出力数据和拓扑结构中各个负荷点的年负荷数据;
模型构建单元,被配置为基于统计数据计算得到一天中多个时间段分布式电源出力和负荷的概率密度函数,建立其概率模型;
潮流计算单元,被配置为通过对含有分布式电源的配电网进行概率潮流计算,得到配电网各节点电压和支路功率数据;
识别单元,被配置为计算各节点电压和支路功率最终的概率密度函数,得到其越限概率,识别配网中的薄弱环节,针对每个薄弱环节,通过扩宽相关约束条件,计算其最大供电能力的增量,根据增量大小进行排序,得到最终供电薄弱程度的序列。
9.一种计算机可读存储介质,或,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种数据驱动的供电薄弱环节识别的步骤。
10.一种终端设备,或,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种数据驱动的供电薄弱环节识别的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044830.3A CN110797865B (zh) | 2019-10-30 | 2019-10-30 | 一种数据驱动的供电薄弱环节识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044830.3A CN110797865B (zh) | 2019-10-30 | 2019-10-30 | 一种数据驱动的供电薄弱环节识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110797865A true CN110797865A (zh) | 2020-02-14 |
CN110797865B CN110797865B (zh) | 2020-06-09 |
Family
ID=69442088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911044830.3A Active CN110797865B (zh) | 2019-10-30 | 2019-10-30 | 一种数据驱动的供电薄弱环节识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110797865B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111224399A (zh) * | 2020-02-25 | 2020-06-02 | 山东大学 | 一种用于分析电网不确定性潮流的方法及系统 |
CN111914375A (zh) * | 2020-07-07 | 2020-11-10 | 贵州电网有限责任公司 | 一种基于贝叶斯推理的电网薄弱环节辨识方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326348A (zh) * | 2012-03-19 | 2013-09-25 | 河南省电力公司焦作供电公司 | 一种提高地区电网供电能力分析及全过程在线监测的系统 |
CN105811403A (zh) * | 2016-03-22 | 2016-07-27 | 江苏省电力试验研究院有限公司 | 基于半不变量和级数展开法的随机潮流算法 |
CN107846018A (zh) * | 2017-11-27 | 2018-03-27 | 国网浙江省电力有限公司 | 基于路径搜索算法的配网最大供电能力评估方法 |
CN110189061A (zh) * | 2019-06-24 | 2019-08-30 | 合肥工业大学 | 一种基于风险评估的大规模分散光伏接入规划方法 |
-
2019
- 2019-10-30 CN CN201911044830.3A patent/CN110797865B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103326348A (zh) * | 2012-03-19 | 2013-09-25 | 河南省电力公司焦作供电公司 | 一种提高地区电网供电能力分析及全过程在线监测的系统 |
CN105811403A (zh) * | 2016-03-22 | 2016-07-27 | 江苏省电力试验研究院有限公司 | 基于半不变量和级数展开法的随机潮流算法 |
CN107846018A (zh) * | 2017-11-27 | 2018-03-27 | 国网浙江省电力有限公司 | 基于路径搜索算法的配网最大供电能力评估方法 |
CN110189061A (zh) * | 2019-06-24 | 2019-08-30 | 合肥工业大学 | 一种基于风险评估的大规模分散光伏接入规划方法 |
Non-Patent Citations (2)
Title |
---|
PHOENIX: "Smart-grid technologies and progress in Europe and the USA", 《ENERGY CONVERSION CONGRESS AND EXPOSITION》 * |
吴雅琪: "含分布式电源的配电网风险评估研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111224399A (zh) * | 2020-02-25 | 2020-06-02 | 山东大学 | 一种用于分析电网不确定性潮流的方法及系统 |
CN111224399B (zh) * | 2020-02-25 | 2022-03-11 | 山东大学 | 一种用于分析电网不确定性潮流的方法及系统 |
CN111914375A (zh) * | 2020-07-07 | 2020-11-10 | 贵州电网有限责任公司 | 一种基于贝叶斯推理的电网薄弱环节辨识方法 |
CN111914375B (zh) * | 2020-07-07 | 2022-12-13 | 贵州电网有限责任公司 | 一种基于贝叶斯推理的电网薄弱环节辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110797865B (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145957B (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN110797865B (zh) | 一种数据驱动的供电薄弱环节识别方法及系统 | |
CN110570012B (zh) | 一种基于Storm的电厂生产设备故障预警方法及系统 | |
CN112217207B (zh) | 一种暂态电压稳定裕度预测方法及装置 | |
CN110556823B (zh) | 基于模型降维的安全约束机组组合快速计算方法及系统 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN109583086A (zh) | 配电变压器重过载预测方法及终端设备 | |
CN112383045A (zh) | 新能源发电不确定性的暂态稳定越限概率计算方法和装置 | |
CN111582630A (zh) | 一种用于确定低压台区线损率评估值的方法及系统 | |
CN112332420B (zh) | 电力系统风险评估中的分层负荷削减量确定装置及方法 | |
CN114168583A (zh) | 一种基于正则自动编码器的电量数据清洗方法及系统 | |
CN111864728B (zh) | 一种可重构配电网重要设备识别方法和系统 | |
CN114201481A (zh) | 一种基于配变可信度的配电网故障管理系统 | |
CN111835005B (zh) | 确定新能源基地电网输送能力的方法、装置及相关设备 | |
CN114330527B (zh) | 楼栋电表分布识别方法、系统、装置及存储介质 | |
CN105447598A (zh) | 一种基于误差修正模型的电力系统中负荷预测装置及方法 | |
CN112347655A (zh) | 一种基于机组运行性能评估的风电场理论功率计算方法 | |
CN115879570B (zh) | 电网负荷预测模型的建立方法及计算机可读储存介质 | |
CN117076967A (zh) | 一种基于理论线损数据计算的台区拓扑修正方法及系统 | |
CN113300353A (zh) | 一种考虑n-1可靠性的电网分区负荷裕度计算方法及装置 | |
CN107134779B (zh) | 一种配电网潮流算法的自动选择方法及装置 | |
CN117040119A (zh) | 电力设备的拓扑识别方法、装置、设备、介质和程序产品 | |
CN111682574A (zh) | 一种交直流混联系统运行场景辨识方法、存储介质和设备 | |
CN113804965A (zh) | 基于rpa和ai的异常计量点识别方法和装置 |
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 |