CN112561252B - 一种含新能源地区电网无功组合评价方法 - Google Patents
一种含新能源地区电网无功组合评价方法 Download PDFInfo
- Publication number
- CN112561252B CN112561252B CN202011378122.6A CN202011378122A CN112561252B CN 112561252 B CN112561252 B CN 112561252B CN 202011378122 A CN202011378122 A CN 202011378122A CN 112561252 B CN112561252 B CN 112561252B
- Authority
- CN
- China
- Prior art keywords
- reactive
- evaluation
- voltage
- reactive power
- index
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012797 qualification Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
Abstract
本发明的目的是提供一种含新能源地区电网无功组合评价方法,用于简化权重计算过程,提升评价的速度和效率,本发明解决其技术问题的技术方案为:一种含新能源地区电网无功组合评价方法,基于K‑means算法对新能源和负荷的实际运行数据进行聚类,划分典型场景。其次,结合熵权法和层次分析法对多场景下的电压合格率、电压波动、功率因数合格率、无功储备四项指标进行综合评价,将熵权法和层次分析法综合评价法的评价数据作为样本,结合BP神经网络进行训练,并将评价结果作为BP神经网络的训练样本,该组合评价方法随样本变化自适应确定指标权重,简化了权重计算过程,提升评价的速度和效率。
Description
技术领域
本发明属于电压无功评价技术领域,具体涉及一种含新能源地区电网无功组合评价方法。
背景技术
现有的含新能源地区电压无功的评价方法较少,且大多是针对小数据量的评价,评价结果对数据的依赖性较强,当数据发生变化时,指标权重需要重新计算,过程较为繁琐。
现阶段含新能源地区电压无功等多目标综合评价问题通常采用熵权法和层次分析法结合的方法,熵权法可以利用各指标数据包含的信息熵确定客观权重,层次分析法能参考历史运行数据确定主、客观权重,选择合理方案;但熵权法的权重过于依赖数据,当数据发生变化时,权重需要重新计算,过程较为繁琐,不能高效地对新接入地进行有效的评价。
发明内容
本发明的目的是提供一种含新能源地区电网无功组合评价方法,用于简化权重计算过程,提升评价的速度和效率。
本发明解决其技术问题的技术方案为:一种含新能源地区电网无功组合评价方法,包括以下步骤:
S1:对不同类型的历史运行数据进行K-means聚类,分别得到每种类型的历史运行数据对应的多种场景;
S2:对步骤S1中得到的所有场景参考历史运行数据进行缩减,得到缩减后的典型场景;
S3:对步骤S2中缩减后得到的典型场景分别进行潮流计算,得到该场景下的电网数据,并选取电压合格率PV、电压波动Vbd、功率因数合格率Pp、无功储备QS作为无功评价指标。
S4:对步骤S3中选取的电压无功评价指标的权重Bj分别进行计算,通过Bj得出电压无功评价指标的综合评价得分Zj,其中,Bj表示第j项无功评价指标的权重,Zj表示第j项无功评价指标的综合评价得分;
S5:根据步骤S4中求得的Zj,使用EWM-AHP方法对电压无功评价指标进行综合评价,得到综合评价总得分G;
S6:将输入集为Pv,Pp,Vd,Qs,输出集为G的样本集输入BP神经网络进行训练,将训练好的BP神经网络作为一个评估单元直接对新接入的含新能源地区电网无功进行评价。
所述步骤S1中不同类型的历史运行数据包括:风机有功出力、光伏有功出力、负荷总需求。
所述步骤S1中对不同类型的历史运行数据进行K-means聚类,分别得到a种风机有功出力场景、b种光伏有功出力场景、c种负荷总需求场景,得到的场景总数为a*b*c种。
所述步骤S2中对所有场景参考历史运行数据进行缩减,得到d种典型场景,其中,缩减时的依据为:将a种光伏发电机出力、b种风力发电机出力、c种负荷总需求的类型分别贴上标签,将365天中每一天的光伏发电机出力、风力发电机出力、负荷总需求进行记录,对重复标签类型的场景进行削减。
对电压合格率评价的公式为:PV=Nsat/N,其中PV为电压合格率,Nsat为监测电压合格的样本个数,N为监测样本的总个数;对电压波动评价的公式为:Vbd=Vmax-Vmin,其中,Vbd为一段时间内的电压波动;Vmax表示一段时间内的最大电压;Vmin为一段时间内的最小电压;对功率因数合格率评价的公式为:Pp=Nsat.p/N,其中,Pp为功率因数合格率;Nsat.p为监测功率因数合格样本个数;对无功储备评价的公式为:QS=(∑Qmax-∑QL)/ΣQmax×100%,其中,QS为无功储备;Qmax为发电设备的最大无功出力;QL为负荷无功需求。
所述步骤S4中基于熵权法对Bj进行计算,计算公式为:
其中xij,xi分别为第j(j=1,2,…,n)项指标下的第i(i=1,2,…,m)个数据;yij为归一化后第j项指标下的第i个数据;pij为第j项指标下第i个数据包含的信息熵;Hj为第j项指标的熵值;
之后基于层次分析法计算标准化后判断矩阵的第j项指标权重,计算公式为:
其中A为判断矩阵;Uaj为判断矩阵中第j(j=1,2,…,n)列第a(a=1,2,…,n)个数据;Wj为判断矩阵的第j项指标的权重;λmax为判断矩阵的最大特征根;
所述步骤S5中的公式具体为:
本发明的有益效果为:基于K-means算法对新能源和负荷的实际运行数据进行聚类,划分典型场景。其次,结合熵权法和层次分析法对多场景下的电压合格率、电压波动、功率因数合格率、无功储备四项指标进行综合评价,将熵权法和层次分析法综合评价法的评价数据作为样本,结合BP神经网络进行训练,并将评价结果作为BP神经网络的训练样本,该组合评价方法随样本变化自适应确定指标权重,简化了权重计算过程,提升评价的速度和效率。
附图说明
图1是本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明包括以下步骤:
S1:对不同类型的历史运行数据进行K-means聚类,分别得到每种类型的历史运行数据对应的多种场景;
所述步骤S1中不同类型的历史运行数据包括:风机有功出力、光伏有功出力、负荷总需求。
所述步骤S1中对不同类型的历史运行数据进行K-means聚类,分别得到a种风机有功出力场景、b种光伏有功出力场景、c种负荷总需求场景,得到的场景总数为a*b*c种。
S2:对步骤S1中得到的所有场景参考历史运行数据进行缩减,得到缩减后的典型场景;
所述步骤S2中对所有场景参考历史运行数据进行缩减,得到d种典型场景,其中,缩减时的依据为:将a种光伏发电机出力、b种风力发电机出力、c种负荷总需求的类型分别贴上标签,将365天中每一天的光伏发电机出力、风力发电机出力、负荷总需求进行记录,对重复标签类型的场景进行削减。
S3:对步骤S2中缩减后得到的典型场景分别进行潮流计算,得到该场景下的电网数据,并选取电压合格率PV、电压波动Vbd、功率因数合格率Pp、无功储备QS作为无功评价指标。
对电压合格率评价的公式为:PV=Nsat/N,其中PV为电压合格率,Nsat为监测电压合格的样本个数,N为监测样本的总个数;对电压波动评价的公式为:Vbd=Vmax-Vmin,其中,Vbd为一段时间内的电压波动;Vmax表示一段时间内的最大电压;Vmin为一段时间内的最小电压;对功率因数合格率评价的公式为:Pp=Nsat.p/N,其中,Pp为功率因数合格率;Nsat.p为监测功率因数合格样本个数;对无功储备评价的公式为:QS=(∑Qmax-∑QL)/ΣQmax×100%,其中,QS为无功储备;Qmax为发电设备的最大无功出力;QL为负荷无功需求。
S4:对步骤S3中选取的电压无功评价指标的权重Bj分别进行计算,通过Bj得出电压无功评价指标的综合评价得分Zj,其中,Bj表示第j项无功评价指标的权重,Zj表示第j项无功评价指标的综合评价得分;
所述步骤S4中基于熵权法对Bj进行计算,计算公式为:
其中xij,xi分别为第j(j=1,2,…,n)项指标下的第i(i=1,2,…,m)个数据;yij为归一化后第j项指标下的第i个数据;pij为第j项指标下第i个数据包含的信息熵;Hj为第j项指标的熵值;
之后基于层次分析法计算标准化后判断矩阵的第j项指标权重,计算公式为:
其中A为判断矩阵;Uaj为判断矩阵中第j(j=1,2,…,n)列第a(a=1,2,…,n)个数据;Wj为判断矩阵的第j项指标的权重;λmax为判断矩阵的最大特征根;
S5:根据步骤S4中求得的Zj,使用EWM-AHP方法对电压无功评价指标进行综合评价,得到综合评价总得分G;
所述步骤S5中的公式具体为:
根据G的值,结合实际数据,一般认为的评级如下表所示:
Table 1 The rating of EWM-AHP method
S6:将输入集为Pv,Pp,Vd,Qs,输出集为G的样本集输入BP神经网络进行训练,将训练好的BP神经网络作为一个评估单元直接对新接入的含新能源地区电网无功进行评价。
本发明通过基于K-means算法对新能源和负荷的实际运行数据进行聚类,划分典型场景。其次,结合熵权法和层次分析法对多场景下的电压合格率、电压波动、功率因数合格率、无功储备四项指标进行综合评价,将熵权法和层次分析法综合评价法的评价数据作为样本,结合BP神经网络进行训练,并将评价结果作为BP神经网络的训练样本,该组合评价方法随样本变化自适应确定指标权重,简化了权重计算过程,提升评价的速度和效率。
Claims (4)
1.一种含新能源地区电网无功组合评价方法,其特征在于,包括以下步骤:
S1:对不同类型的历史运行数据进行K-means聚类,分别得到每种类型的历史运行数据对应的多种场景;
S2:对步骤S1中得到的所有场景参考历史运行数据进行缩减,得到缩减后的典型场景;
S3:对步骤S2中缩减后得到的典型场景分别进行潮流计算,得到该场景下的电网数据,并选取电压合格率PV、电压波动Vbd、功率因数合格率Pp、无功储备QS作为无功评价指标;对电压合格率评价的公式为:PV=Nsat/N,其中PV为电压合格率,Nsat为监测电压合格的样本个数,N为监测样本的总个数;对电压波动评价的公式为:Vbd=Vmax-Vmin,其中,Vbd为一段时间内的电压波动;Vmax表示一段时间内的最大电压;Vmin为一段时间内的最小电压;对功率因数合格率评价的公式为:Pp=Nsat.p/N,其中,Pp为功率因数合格率;Nsat.p为监测功率因数合格样本个数;对无功储备评价的公式为:QS=(∑Qmax-∑QL)/∑Qmax×100%,其中,QS为无功储备;Qmax为发电设备的最大无功出力;QL为负荷无功需求;
S4:对步骤S3中选取的电压无功评价指标的权重Bj分别进行计算,通过Bj得出电压无功评价指标的综合评价得分Zj,其中,Bj表示第j项无功评价指标的权重,Zj表示第j项无功评价指标的综合评价得分;所述步骤S4中基于熵权法对Bj进行计算,计算公式为:
其中xij,xi分别为第j(j=1,2,…,n)项指标下的第i(i=1,2,…,m)个数据;yij为归一化后第j项指标下的第i个数据;pij为第j项指标下第i个数据包含的信息熵;Hj为第j项指标的熵值;
其中A为判断矩阵;Uaj为判断矩阵中第j(j=1,2,…,n)列第a(a=1,2,…,n)个数据;Wj为判断矩阵的第j项指标的权重;λmax为判断矩阵的最大特征根;
S5:根据步骤S4中求得的Zj,使用EWM-AHP方法对电压无功评价指标进行综合评价,得到综合评价总得分G;
所述步骤S5中的公式具体为:
S6:将输入集为PV、Pp、Vbd和QS,输出集为G的样本集输入BP神经网络进行训练,将训练好的BP神经网络作为一个评估单元直接对新接入的含新能源地区电网无功进行评价。
2.根据权利要求1所述的一种含新能源地区电网无功组合评价方法,其特征在于,所述步骤S1中不同类型的历史运行数据包括:风机有功出力、光伏有功出力、负荷总需求。
3.根据权利要求2所述的一种含新能源地区电网无功组合评价方法,其特征在于,所述步骤S1中对不同类型的历史运行数据进行K-means聚类,分别得到a种风机有功出力场景、b种光伏有功出力场景、c种负荷总需求场景,得到的场景总数为a*b*c种。
4.根据权利要求3所述的一种含新能源地区电网无功组合评价方法,其特征在于,所述步骤S2中对所有场景参考历史运行数据进行缩减,得到d种典型场景,其中,缩减时的依据为:将a种光伏发电机出力、b种风力发电机出力、c种负荷总需求的类型分别贴上标签,将365天中每一天的光伏发电机出力、风力发电机出力、负荷总需求进行记录,对重复标签类型的场景进行削减。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011378122.6A CN112561252B (zh) | 2020-11-30 | 2020-11-30 | 一种含新能源地区电网无功组合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011378122.6A CN112561252B (zh) | 2020-11-30 | 2020-11-30 | 一种含新能源地区电网无功组合评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561252A CN112561252A (zh) | 2021-03-26 |
CN112561252B true CN112561252B (zh) | 2023-06-16 |
Family
ID=75045634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011378122.6A Active CN112561252B (zh) | 2020-11-30 | 2020-11-30 | 一种含新能源地区电网无功组合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561252B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113191666B (zh) * | 2021-05-18 | 2023-11-24 | 郑州轻工业大学 | 耕地整治潜力评价方法、终端以及计算机可读存储介质 |
CN113991742B (zh) * | 2021-11-19 | 2024-04-16 | 国网重庆市电力公司 | 一种配电网分布式光伏双层协同优化投资决策方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203867A (zh) * | 2016-07-19 | 2016-12-07 | 国家电网公司 | 基于配电网评价指标体系和聚类分析的电网区域划分方法 |
CN107358332A (zh) * | 2017-05-18 | 2017-11-17 | 国网浙江省电力公司 | 一种电网调度运行精益化评价方法 |
CN108520362A (zh) * | 2018-04-13 | 2018-09-11 | 贵州大学 | 一种农村智能电网水平的综合评价方法 |
CN108879708A (zh) * | 2018-08-28 | 2018-11-23 | 东北大学 | 一种主动配电网的无功电压分区方法及系统 |
CN109061516A (zh) * | 2018-10-10 | 2018-12-21 | 哈尔滨理工大学 | 一种基于模糊概率综合评判的电池健康状态评估方法 |
CN109409770A (zh) * | 2018-11-13 | 2019-03-01 | 国家电网有限公司 | 一种基于神经网络的农村电网智能水平评价方法 |
CN110428168A (zh) * | 2019-07-31 | 2019-11-08 | 广东电网有限责任公司 | 一种计及储能的多能源配电系统协调调度综合评价方法 |
-
2020
- 2020-11-30 CN CN202011378122.6A patent/CN112561252B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203867A (zh) * | 2016-07-19 | 2016-12-07 | 国家电网公司 | 基于配电网评价指标体系和聚类分析的电网区域划分方法 |
CN107358332A (zh) * | 2017-05-18 | 2017-11-17 | 国网浙江省电力公司 | 一种电网调度运行精益化评价方法 |
CN108520362A (zh) * | 2018-04-13 | 2018-09-11 | 贵州大学 | 一种农村智能电网水平的综合评价方法 |
CN108879708A (zh) * | 2018-08-28 | 2018-11-23 | 东北大学 | 一种主动配电网的无功电压分区方法及系统 |
CN109061516A (zh) * | 2018-10-10 | 2018-12-21 | 哈尔滨理工大学 | 一种基于模糊概率综合评判的电池健康状态评估方法 |
CN109409770A (zh) * | 2018-11-13 | 2019-03-01 | 国家电网有限公司 | 一种基于神经网络的农村电网智能水平评价方法 |
CN110428168A (zh) * | 2019-07-31 | 2019-11-08 | 广东电网有限责任公司 | 一种计及储能的多能源配电系统协调调度综合评价方法 |
Non-Patent Citations (3)
Title |
---|
An Estimation Framework for Economic Cost of Land Use Based on Artificial Neural Networks and Principal Component Analysis with R;Ziyu Wan等;《2019 IEEE 3rd Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC)》;全文 * |
Integrated energy service demand evaluation based on AHP and entropy weight method;Qi, Xianjun等;《2020 INTERNATIONAL CONFERENCE ON ENERGY, ENVIRONMENT AND BIOENGINEERING (ICEEB 2020)》;全文 * |
基于EWM-AHP-BP神经网络的地区电网电压无功组合评价;季玉琦等;《系统仿真学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561252A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112103946B (zh) | 一种基于粒子群算法的微电网储能优化配置方法 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
CN111353656B (zh) | 一种基于生产计划的钢铁企业氧气负荷预测方法 | |
CN109508823B (zh) | 一种基于场景分析法的配电网中分布式电源规划方法 | |
CN108599206B (zh) | 高比例不确定电源场景下的配电网混合储能配置方法 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
Xiao et al. | Multistage decision support framework for sites selection of solar power plants with probabilistic linguistic information | |
CN112561252B (zh) | 一种含新能源地区电网无功组合评价方法 | |
CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
CN112150025A (zh) | 综合能源服务项目的经济性评价方法及系统 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN112531689B (zh) | 受端电力系统的源网荷储协调控制能力评估方法和设备 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN111898812B (zh) | 一种分布式光伏数据虚拟采集方法 | |
CN116388245A (zh) | 光储充一体化电站储能容量配置方法及相关设备 | |
CN115021331A (zh) | 基于贡献系数法的清洁能源基地水风光一体化补偿方法 | |
CN114123294B (zh) | 考虑三相不平衡的多目标光伏单相并网容量规划方法 | |
CN114444805A (zh) | 多光伏电站共享储能系统平滑出力的控制方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN105354761B (zh) | 一种风电接入电网的安全与效能评估方法及系统 | |
CN114977324A (zh) | 能源基地多能互补运行中多主体效益变化的量化方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 |
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 |