CN112633316A - 一种基于边界估值理论的负荷预测方法和装置 - Google Patents
一种基于边界估值理论的负荷预测方法和装置 Download PDFInfo
- Publication number
- CN112633316A CN112633316A CN202011141210.4A CN202011141210A CN112633316A CN 112633316 A CN112633316 A CN 112633316A CN 202011141210 A CN202011141210 A CN 202011141210A CN 112633316 A CN112633316 A CN 112633316A
- Authority
- CN
- China
- Prior art keywords
- load
- branch
- node
- prediction
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003066 decision tree Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 18
- 238000002922 simulated annealing Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004880 explosion Methods 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005206 flow analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003094 perturbing effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 239000013598 vector Substances 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于边界估值理论的负荷预测方法和装置,结合大量的系统历史运行数据,利用边界估值预测模型为节点负荷构建高可靠性高质量的预测区间,采用支路状态决策树进行极端尖峰场景的状态预判,在缩减备选预测场景数目的基础上进行电网潮流计算,为电网调度人员提供未来时刻点精准高效的实时电网安全性分析结果,缓解组合爆炸问题,减小计算开销,为调度部门提供更多的决策信息。本发明的方法和装置为电力负荷预测体系提供了高准确度的预测框架,有利于最大限度的降低高峰时段引起的风险和损失,提高负荷利用率,同时通过合理的调度优化可以有效提高系统运行的经济水平,缓解电力紧张的情况,进而提高电力系统的稳定性和运行效率。
Description
技术领域
本发明属于电力系统运行分析规划技术领域,尤其涉及一种基于边界估值理论的负荷预测方法和装置。
背景技术
电力能源是人类生存和发展的重要基础。近年来,随着经济的迅猛发展和电力系统市场化改革的不断深化,我国电力负荷急剧增加,电力系统峰谷差日益增大,从而导致负荷率下降,特别在负荷高峰时段电力供应情况最为严峻。传统电网调度方式以最大限度维持电网功率平衡为目标、调度发电侧电源以满足电网负荷的变化。传统调度业务依赖于人工经验,以电力系统安全为最高目标,特别是在可再生能源发电系统大量接入后,电网调控运行难度加大,弃风弃光现象频频出现,拉低了电网整体运行效率。与此同时,用户侧的移峰生产的潜力并未充分挖掘,对未来时刻确定性负荷信息的预测准确度不够高,导致电网设备资源利用率偏低,电网调度无法有效发挥指导生产的作用,无法满足调度计划安全经济一体化的需求。
发明内容
为平拟峰谷差,提高电能利用率及经济性,本发明主要从电力需求侧调度管理出发,一方面,提出了一种基于边界估值理论的负荷预测方法,包括:
步骤1:采集电网的拓扑结构信息、电网内所有节点的实时负荷数据以及对应时刻支路的实时电流值,并根据采集的数据确定网络拓扑结构表;根据网络拓扑结构表中各支路每一历史采集周期时刻点的历史功率,以及预先制定的支路状态判定规则,为各支路打上实时状态标签,建立历史时刻状态表;经过对历史时刻状态表中的历史负荷数据的训练与测试,为每条支路生成一个对应的基于决策树的状态分类器,用于未来时刻的状态判定;
步骤2:利用边界估计方法生成预测模型,基于模拟退火算法并利用经预处理操作的历史负荷数据作为训练和测试数据对所述预测模型进行优化,得到优化后的预测模型;
步骤3:针对未来某一时刻,利用所述步骤2得到的优化后的预测模型得到各节点的上、下限预测值并进行反归一化操作;将每个节点的上限值进行组合,形成一个极端尖峰场景,并结合基于决策树的状态分类器对各支路状态进行预判,按照预判的各支路的状态标签,形成相应的节点备选方式集;利用网络拓扑结构表中各节点的层次关系和节点数据,将节点备选方式集进行组合;通过对待分析的潮流计算场景进行分析,形成待分析的潮流计算场景,得到电网安全性分析结果。
进一步,在所述步骤1中,所述电网内所有节点的实时负荷数据包含有功功率和无功功率。
进一步,所述步骤1中,各支路的实时状态标签包括过载报警、临界预警、正常波动。
进一步,所述步骤2中,所述预处理操作具体为将不同量纲的历史负荷数据归一化形成标量数据,多维数据的各维度取值设置为[-1,1]范围之内。
具体地,所述步骤2中,基于模拟退火算法并利用经预处理操作的历史负荷数据作为训练和测试数据对所述预测模型进行优化具体为,按照模拟退火算法流程迭代最小化目标函数,直至满足终止条件训练结束,最终保存能使训练集损失最小的模型参数,得到优化后的预测模型。
具体地,所述步骤3中,所述形成相应的节点备选方式集具体为对于预判为正常波动的支路,选取该支路上的所有节点的平均预测值分别加入对应的节点备选方式集;对于预判为临界预警和过载报警的支路,选取该支路上的所有节点的上限、下限及平均值分别加入对应的节点备选方式集。
进一步,对待分析的潮流计算场景进行分析,得到电网安全性分析结果包括分析电网发生异常情况下出现故障的支路信息,计算异常报警率,罗列会发出报警状态的场景信息,以此建立负荷控制方案与报警信息管理模块,为电网调度人员提供调度辅助服务。
一方面,本发明提出一种基于边界估值理论的负荷预测装置,包括:
网络拓扑结构表生成模块,用于采集电网的拓扑结构信息、电网内所有节点的实时负荷数据以及对应时刻支路的实时电流值,并根据采集的数据确定网络拓扑结构表;
支路历史时刻状态表生成模块,用于根据网络拓扑结构表中各各支路每一历史采集周期时刻点的历史功率,以及预先制定的支路状态判定规则,为各支路打上实时状态标签,建立各支路历史时刻状态表;
基于决策树的状态分类器生成模块,用于经过对各支路历史时刻状态表中的历史负荷数据的训练与测试,为每条支路生成一个对应的基于决策树的状态分类器,用于未来时刻的状态判定;
历史负荷数据处理模块:将历史负荷数据进行预处理操作;
预测模型建立模块,利用边界估计方法生成预测模型,基于模拟退火算法并利用经预处理操作的历史负荷数据作为训练和测试数据对所述预测模型进行优化,得到优化后的预测模型;
节点上下限预测模块,针对未来某一时刻,利用所述预测模型建立模块得到的优化后的预测模型得到各节点功率的上、下限预测值并进行反归一化操作;
节点备选方式集和潮流计算场景形成模块,将每个节点的上限值形成一个极端尖峰场景,并结合基于决策树的状态分类器对各支路状态进行预判,按照预判的各支路的状态标签,形成相应的节点备选方式集;利用网络拓扑结构表中各节点的层次关系和节点数据,将节点备选方式集进行组合,形成待分析的潮流计算场景;
电网安全性分析模块,通过对待分析的潮流计算场景进行分析,得到电网安全性分析结果。
进一步,电网安全性分析模块用于分析电网发生异常情况下出现故障的支路信息,计算异常报警率,罗列会发出报警状态的场景信息,以此建立负荷控制方案与报警信息管理模块,为电网调度人员提供调度辅助服务。
一方面,本发明提出一种计算设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述一种基于边界估值理论的负荷预测方法。
一方面,本发明提出一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述一种基于边界估值理论的负荷预测方法。
本发明的有益效果:
本发明提出的一种基于边界估值理论的负荷预测方法和装置,挖掘节点负荷和支路电流之间的内在规律,搭建支路状态决策树;基于模拟退火思想以最小化目标函数的方式全局优化调整边界估计方法的神经网络的参数,得到具有高可靠性预测区间的预测模型,不仅实现了高质量的预测区间构建,更避免了传统区间预测计算量大、过程繁琐和可靠性差的限制,缩减电网潮流计算成本。
附图说明
图1为本发明方法实施步骤框图;
图2为IEEE118节点系统拓扑结构;
图3为基于决策树的状态分类器的示例;
图4为边界估计预测模型结构图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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。显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
图1示出了本发明的一种基于边界估值理论的负荷预测方法的实施步骤,包括:
步骤1:采集电网的拓扑结构信息、电网内所有节点的实时负荷数据以及对应时刻支路的实时电流值,经过电力系统状态估计完成缺失数据补全、异常点检测及修正处理后确定可用的节点网络拓扑结构表;统计各支路每一历史采集周期时刻点的历史功率,制定支路状态判定规则,为各支路打上实时状态标签,建立各支路历史时刻状态表;经过对各支路历史时刻状态表中的历史负荷数据的训练与测试,为每条支路生成一个对应的基于决策树的状态分类器,用于未来时刻的状态判定;
包括:
步骤101:明确输电网各开关、元件等信息,根据开关的闭合状态将电网划分为多个内部连通的节点,采集来自电网装置的节点实时负荷数据(包含有功功率、无功功率),收集对应时刻的支路实时电流值,经过电力系统状态估计完成缺失数据补全、异常点检测及修正处理等操作;
步骤102:以某一节点系统为基础进行输电网拓扑结构分析,用于后期计算电网潮流。本发明实施例中以IEEE118节点系统为例进行输电网拓扑结构分析。IEEE118节点系统拓扑结构如图2所示。
首先,建立节点网络拓扑结构表(有向图),确定两节点之间的父子关系。若末端节点为出发点,向前搜索相邻支路上的所有连接节点,搜索得到的这些节点称为这个末端节点的子节点,末端节点即为父节点,依次可得剩余所有节点的父子关系,最终得到一个节点网络拓扑结构表,如表1示例。
表1节点网络拓扑结构表
其次,搜索输电网中的所有节点得到层次关系,按节点数据和支路数据进行分类整理:
①节点数据:{节点负荷有功功率Pi,节点负荷无功功率Qi},整数i∈[1,118]
②支路数据:{支路首端节点号,支路末端节点号,支路电阻,支路电抗}
利用额定功率与历史功率的比较,统计各支路历史发生过载的概率μi(1%~10%),其中一条支路对应一个μi。针对某一条支路,大量历史时刻点的实时有功功率按照数值从小到大进行排序。记历史记录总数为N,将第N*μi条记录(向下取整)对应的功率值thr1作为过载阈值,即若实时有功功率Pi大于等于th r1,则处于过载报警状态;令临界阈值thr2等于thr1*μi,若实时有功功率Pi小于thr2,则是正常波动状态;否则若满足thr2<Pi<thr1,则处于临界预警。最终整理得到历史时刻状态表,如表2示例。
表2历史状态表
步骤103:为每条支路生成一个基于决策树的状态分类器。图3示出了状态分类器的示例。
准备数据阶段:先将历史时刻状态表中各节点的历史负荷数据集按照7:3的比例划分为训练集和测试集;构造候选属性集A,包含区域输电网拓扑结构中所有节点和电源的功率信息(不包含待判定支路外其他支路的状态信息),即此时所有的划分属性均为连续型;基于决策树的状态分类器标签是支路实时状态,包括三类:过载报警、临界预警、正常波动,采用标签编码(LabelEncoder)的方式将状态信息转化成连续的数值型变量;
基于决策树的状态分类器模型的训练阶段:利用上述处理后的训练数据,为每一条支路分别递归构建一棵决策树,初始化最大深度、特征选择标准、类别权重及随机种子等参数后,在每一分支上选择信息增益最大的特征(某一节点的功率值)作为数据集划分属性。通过训练使每个决策树模型学到拓扑结构中的众节点与电源对该支路状态的感知与影响。
基于决策树的状态分类器模型的测试评估阶段:使用测试集对训练好的决策树模型进行评估,将样例根据其真实类别与决策树分类器预测类别的组合划分为真正例、假正例、真反例和假反例四种情形,令TP、FP、TN、FN分别表示其对应的样例数,得到混淆矩阵。
表3混淆矩阵
查准率P与查全率R是常用的分类任务评估指标,其定义如下:
由于此时基于决策树的状态分类器执行的是三分类任务,每两两类别的组合都对应一个混淆矩阵,需要在个二分类混淆矩阵上综合考察查准率与查全率,因此选用整合后的宏查准率、宏查全率与宏F1作为最终分类器模型评价指标。
步骤2:利用边界估计方法生成预测模型,基于模拟退火算法并利用经预处理操作的历史负荷数据作为训练和测试数据对所述预测模型进行优化,得到优化后的预测模型;包括:
步骤201:将各支路历史时刻表中不同量纲的历史负荷数据经过归一化方法形成标量数据,多维数据的各维度取值设置为[-1,1]范围之内,消除各维度量纲不统一的情况,以便进行负荷区间预测。此外,预测出的负荷结果还需要反归一化到正常取值区间,以作实验结果统计。归一化公式为:
其中,P为某一维度下的原始数据,Pmin为数据集中该维度的最小值,Pmax为数据集中该维度的最大值,P′为P规范化后的数据。反归一化的公式为:
其中,P′为归一化后的预测值,P为反归一化后的观测值。
步骤202:为避免数据分布假设与复杂计算的限制,本发明选取将反向传播神经网络输出层的单个节点结构调整为对应区间预测上、下边界值的双输出节点结构的边界估计方法(lower upper bound estimation,LUBE)作为预测模型,结构如图4所示。由于区间预测缺少期望目标,即缺少目标上、下边界的观测值,无法利用BP神经网络的误差反向传播法优化权重,为此,本发明基于模拟退火算法以最小化目标函数的方式全局优化调整预测模型的神经网络的参数,目标函数f(C)定义为:
min f(C)=αPINAW+(1-α)max(C-PICP,0)
其中,C为置信水平,α为权重系数,需要预先给定。该函数能使生成的预测区间尽可能满足C,从而使生成的区间预测的可靠性得到保障。
PICP、PINAW是常用于评估不同置信水平下的模型预测性能的指标,公式如下:
其中,N代表待预测点个数,Li和Ui分别是预测区间的下限和上限,R表示预测区间的最大预测值减去最小预测值。
首先初始化参数,包括网络初始权重,模拟退火算法初始温度、结束温度、下降比例、迭代次数等;
对每一节点,利用训练集数据构建输入特征向量(如纵向时间轴的若干同期历史时刻点、横向时间轴的若干最新历史相邻时刻点的负荷值和温度、日历等外界影响因素)。
步骤203:构建训练样本的预测区间,计算此时目标函数的大小f(C)new。分别采用全局变量f(C)opt、wopt记录迭代过程中最小的目标函数值及其对应的参数集,即:
a)如果f(C)new≤f(C)opt,则用f(C)new替换f(C)opt。
更新冷却温度,并对预测模型神经网络的参数进行随机扰动,产生wnew。
步骤204:如果满足以下任一条件,则训练算法终止:达到最大迭代次数;对于特定数量的连续迭代,无法实现进一步的改进;达到非常低的温度;或发现非常小的f(C)new;否则,将迭代进行步骤203。最终保存能使训练集损失最小的模型参数。
步骤3:针对未来某一时刻,利用所述步骤2得到的优化后的预测模型得到各节点的上、下限预测值并进行反归一化操作;将每个节点的上限值进行组合,形成一个极端尖峰场景,并结合基于决策树的状态分类器对各支路状态进行预判,按照预判的各支路的状态标签,形成相应的节点备选方式集;利用网络拓扑结构表中各节点的层次关系和节点数据,将节点备选方式集进行组合,形成待分析的潮流计算场景,得到电网安全性分析结果。
步骤301:对于任一未来时刻点,由模拟退火思想优化后的LUBE模型输出得到上、下限预测值,即各节点都有对应的三种预测结果,即上限值、下限值和二者的平均值,进行反归一化操作。
若将网络拓扑结构表中的所有节点及其对应的3种预测值都进行一次组合和潮流分析,那么在节点数n庞大的情况下,组合后的场景包含3n条记录,出现组合爆炸的现象。因此,为了减小调度机制的计算开销,本发明采用先利用节点负荷预测数据为支路状态做预判,再缩小组合范围的方式。
选取每个节点的上限值形成一个极端尖峰场景,结合步骤103的基于决策树的状态分类器将各支路分出未来一段时间内的状态标签。
步骤302:构造节点备选方式集
Z={x1,x2,...,xn},x1∈Set1,...,xn∈Setn,其中xi表示第i个节点参与潮流分析的预测值,Seti表示第i个节点的备选预测值集合;对于预判为正常的支路,选取该支路上的所有节点的平均预测值分别加入对应的集合Seti;对于预判为临界和过载的支路,选取该支路上的所有节点的上限、下限及平均值分别加入对应的集合Seti。
步骤303:利用节点网络拓扑结构层次关系和节点数据,按节点备选方式集Z依次计算电网潮流。明确所有节点在进行潮流计算时的节点顺序,建立原始数据输入MATLAB,得到各节点和支路的实时数据,为电网调度人员提供更具灵活性的调度参考信息。
此外,在对每一时刻的各场景预测结果进行整合后,计算报警率,罗列会发出报警状态的场景信息,包括报警时刻最大需量、预测需量、报警原因、剩余调节时间、负荷控制对象、负荷控制量;通过总结报警信息出现的情况以及对应的负荷控制方案,了解需量增加的原因,为制定未来的生产计划和用电计划提供参考,用于指导生产进行调整以减少过载、超负荷等情况带来的损失。
本发明的方法中,为减小随机性问题给决策带来的影响、充分利用实时数据的信息,利用滚动时间尺度下动态采集得到的实时数据,以一个时间跨度为周期(如两个星期),更新一次基于决策树的状态分类器和预测模型,重新进行训练和测试,最大程度地抵消随机不确定性的影响,提高分类和回归任务的效率与准确度。
本发明另一方面,提出一种基于边界估值理论的负荷预测装置,包括:
网络拓扑结构表生成模块,用于采集电网的拓扑结构信息、电网内所有节点的实时负荷数据以及对应时刻支路的实时电流值,并根据采集的数据确定网络拓扑结构表;
支路历史时刻状态表生成模块,用于根据网络拓扑结构表中各各支路每一历史采集周期时刻点的历史功率,制定支路状态判定规则,为各支路打上实时状态标签,建立各支路历史时刻状态表;
基于决策树的状态分类器生成模块,用于经过对各支路历史时刻状态表中的历史负荷数据的训练与测试,为每条支路生成一个对应的基于决策树的状态分类器,用于未来时刻的状态判定;
历史负荷数据处理模块:将历史负荷数据进行预处理操作;
预测模型建立模块,利用边界估计方法生成预测模型,基于模拟退火算法并利用经预处理操作的历史负荷数据作为训练和测试数据对所述预测模型进行优化,得到优化后的预测模型;
节点上下限预测模块,针对未来某一时刻,利用所述预测模型建立模块得到的优化后的预测模型得到各节点功率的上、下限预测值并进行反归一化操作;
节点备选方式集和潮流计算场景形成模块,将每个节点的上限值形成一个极端尖峰场景,并结合基于决策树的状态分类器对各支路状态进行预判,按照预判的各支路的状态标签,形成相应的节点备选方式集;利用网络拓扑结构表中各节点的层次关系和节点数据,将节点备选方式集进行组合,形成待分析的潮流计算场景。
本发明的负荷预测装置还可包括电网安全性分析模块,通过对待分析的潮流计算场景进行分析,得到电网安全性分析结果。具体包括分析电网发生异常情况下出现故障的支路信息,计算异常报警率,罗列会发出报警状态的场景信息,以此建立负荷控制方案与报警信息管理模块,为电网调度人员提供调度辅助服务。
本发明还提出了一种计算设备,包括至少一个处理器(例如CPU),至少一个输入输出接口;存储器;和至少一个通信总线,用于实现这些部件之间的连接通信。至少一个处理器用于执行存储器中存储的计算机指令,以使至少一个处理器能够执行前述本发明的方法的任一实施例。存储器为非暂态存储器(non-transitory memory),其可以包含易失性存储器,例如高速随机存取存储器(RAM:Random Access Memory),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个输入输出接口(可以是有线或者无线通信接口)实现与至少一个其他设备或单元之间的通信连接。
在一些实施方式中,存储器存储了程序,处理器执行程序,用于执行前述本发明方法中的任一实施例中的内容。
该电子设备可以以多种形式存在,包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能,并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机,以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴,有计算和处理功能,一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等,例如iPad。
(3)便携式娱乐设备:这类设备可以显示和播放多媒体内容。该类设备包括:音频、视频播放器(例如iPod),掌上游戏机,电子书,以及智能玩具和便携式车载导航设备。
(4)特定服务器:提供计算服务的设备,服务器的构成包括处理器、硬盘、内存、系统总线等,服务器和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(5)其他具有数据交互功能的电子设备。
综上,本发明提出了一种基于边界估值理论的负荷预测和辅助电网调度方法,
可以有效利用预测时段之前的相关样本统计信息,得到不同置信水平下节点功率的区间上、下限,提供准确的功率变化范围,通过新颖的人工智能方法神经网络提取历史负荷序列中存在的时间相关性,进一步为电力负荷预测体系提供了高准确度的预测框架,有利于最大限度的降低高峰时段引起的风险和损失,提高负荷利用率,同时通过合理的调度优化可以有效提高系统运行的经济水平,缓解电力紧张的情况,进而提高电力系统的稳定性和运行效率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种基于边界估值理论的负荷预测方法,包括:
步骤1:采集电网的拓扑结构信息、电网内所有节点的实时负荷数据以及对应时刻支路的实时电流值,并根据采集的数据确定网络拓扑结构表;
根据网络拓扑结构表中各支路每一历史采集周期时刻点的历史功率,以及预先制定的支路状态判定规则,为各支路打上实时状态标签,建立历史时刻状态表;经过对历史时刻状态表中的历史负荷数据的训练与测试,为每条支路生成一个对应的基于决策树的状态分类器,用于未来时刻的状态判定;
步骤2:利用边界估计方法生成预测模型,基于模拟退火算法并利用经预处理操作的历史负荷数据作为训练和测试数据对所述预测模型进行优化,得到优化后的预测模型;
步骤3:针对未来某一时刻,利用所述步骤2得到的优化后的预测模型得到各节点的上、下限预测值并进行反归一化操作;将每个节点的上限值进行组合,形成一个极端尖峰场景,并结合基于决策树的状态分类器对各支路状态进行预判,按照预判的各支路的状态标签,形成相应的节点备选方式集;利用网络拓扑结构表中各节点的层次关系和节点数据,将节点备选方式集进行组合,形成待分析的潮流计算场景,通过对待分析的潮流计算场景进行分析,得到电网安全性分析结果。
2.根据权利要求1所述的一种基于边界估值理论的负荷预测方法,其特征在于:所述步骤1中,所述电网内所有节点的实时负荷数据包含有功功率和无功功率。
3.根据权利要求1所述的一种基于边界估值理论的负荷预测方法,其特征在于:所述步骤1中,各支路的实时状态标签包括过载报警、临界预警、正常波动。
4.根据权利要求1所述的一种基于边界估值理论的负荷预测方法,其特征在于:所述步骤2中,所述预处理操作具体为将不同量纲的历史负荷数据归一化形成标量数据,多维数据的各维度取值设置为[-1,1]范围之内。
5.根据权利要求1所述的一种基于边界估值理论的负荷预测方法,其特征在于:所述步骤2中,基于模拟退火算法并利用经预处理操作的历史负荷数据作为训练和测试数据对所述预测模型进行优化具体为,按照模拟退火算法流程迭代最小化目标函数,直至满足终止条件训练结束,最终保存能使训练集损失最小的模型参数,得到优化后的预测模型。
6.根据权利要求1所述的一种基于边界估值理论的负荷预测方法,其特征在于:所述步骤3中,所述形成相应的节点备选方式集具体为,对于预判为正常波动的支路,选取该支路上的所有节点的平均预测值分别加入对应的节点备选方式集;对于预判为临界预警和过载报警的支路,选取该支路上的所有节点的上限、下限及平均值分别加入对应的节点备选方式集。
7.根据权利要求6所述的一种基于边界估值理论的负荷预测方法,其特征在于所述步骤3中,对待分析的潮流计算场景进行分析,得到电网安全性分析结果包括:分析电网发生异常情况下出现故障的支路信息,计算异常报警率,罗列会发出报警状态的场景信息,以此建立负荷控制方案与报警信息管理模块,为电网调度人员提供调度辅助服务。
8.一种基于边界估值理论的负荷预测装置,包括:
网络拓扑结构表生成模块,用于采集电网的拓扑结构信息、电网内所有节点的实时负荷数据以及对应时刻支路的实时电流值,并根据采集的数据确定网络拓扑结构表;
支路历史时刻状态表生成模块,用于根据网络拓扑结构表中各各支路每一历史采集周期时刻点的历史功率,以及预先制定的支路状态判定规则,为各支路打上实时状态标签,建立各支路历史时刻状态表;
基于决策树的状态分类器生成模块,用于经过对各支路历史时刻状态表中的历史负荷数据的训练与测试,为每条支路生成一个对应的基于决策树的状态分类器,用于未来时刻的状态判定;
历史负荷数据处理模块:将历史负荷数据进行预处理操作;
预测模型建立模块,利用边界估计方法生成预测模型,基于模拟退火算法并利用经预处理操作的历史负荷数据作为训练和测试数据对所述预测模型进行优化,得到优化后的预测模型;
节点上下限预测模块,针对未来某一时刻,利用所述预测模型建立模块得到的优化后的预测模型得到各节点功率的上、下限预测值并进行反归一化操作;
节点备选方式集和潮流计算场景形成模块,将每个节点的上限值形成一个极端尖峰场景,并结合基于决策树的状态分类器对各支路状态进行预判,按照预判的各支路的状态标签,形成相应的节点备选方式集;利用网络拓扑结构表中各节点的层次关系和节点数据,将节点备选方式集进行组合,形成待分析的潮流计算场景;
电网安全性分析模块,通过对待分析的潮流计算场景进行分析,得到电网安全性分析结果。
9.根据权利要求8所述的一种基于边界估值理论的负荷预测装置,其特征在于,电网安全性分析模块,用于:
分析电网发生异常情况下出现故障的支路信息,计算异常报警率,罗列会发出报警状态的场景信息,以此建立负荷控制方案与报警信息管理模块,为电网调度人员提供调度辅助服务。
10.一种计算设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-7任一项所述的一种基于边界估值理论的负荷预测方法。
11.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-7任一项所述的一种基于边界估值理论的负荷预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011141210.4A CN112633316B (zh) | 2020-10-22 | 2020-10-22 | 一种基于边界估值理论的负荷预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011141210.4A CN112633316B (zh) | 2020-10-22 | 2020-10-22 | 一种基于边界估值理论的负荷预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112633316A true CN112633316A (zh) | 2021-04-09 |
CN112633316B CN112633316B (zh) | 2023-06-09 |
Family
ID=75304258
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011141210.4A Active CN112633316B (zh) | 2020-10-22 | 2020-10-22 | 一种基于边界估值理论的负荷预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633316B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178859A (zh) * | 2021-04-12 | 2021-07-27 | 国网河北省电力有限公司沧州供电分公司 | 一种基于岸基供电的海上油田负荷预测方法 |
CN113344294A (zh) * | 2021-06-29 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 一种电力能源预测系统 |
CN113377744A (zh) * | 2021-06-16 | 2021-09-10 | 北京建筑大学 | 具有环境温度相关性的结构异常监测数据重建方法及装置 |
CN114706859A (zh) * | 2022-06-06 | 2022-07-05 | 广东鹰视能效科技有限公司 | 一种用电情况的快速分析方法及系统 |
CN115314412A (zh) * | 2022-06-22 | 2022-11-08 | 北京邮电大学 | 一种面向运维的类型自适应的指标预测预警方法及装置 |
CN115982577A (zh) * | 2023-03-20 | 2023-04-18 | 山东华网合众信息技术有限公司 | 一种智慧用电实时监测方法和系统 |
CN116207739A (zh) * | 2023-05-04 | 2023-06-02 | 南方电网数字电网研究院有限公司 | 配电网优化调度方法、装置、计算机设备和存储介质 |
CN117077986A (zh) * | 2023-10-16 | 2023-11-17 | 华中科技大学 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
CN104850918A (zh) * | 2015-06-02 | 2015-08-19 | 国网山东省电力公司经济技术研究院 | 一种计及电网拓扑约束的节点负荷预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
CN105956760A (zh) * | 2016-04-27 | 2016-09-21 | 河海大学 | 一种基于多元时空信息建模的智能配电网态势感知方法 |
US20170070044A1 (en) * | 2015-09-06 | 2017-03-09 | Tsinghua University | Robust restoration method for active distribution network |
CN107123989A (zh) * | 2017-05-25 | 2017-09-01 | 国网上海市电力公司 | 一种基于改进的局部异常因子算法的电网拓扑辨识方法 |
CN107611979A (zh) * | 2017-09-26 | 2018-01-19 | 华中科技大学 | 一种基于概率潮流计算的电力系统运行校正控制方法 |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN110348048A (zh) * | 2019-05-31 | 2019-10-18 | 国网河南省电力公司郑州供电公司 | 基于考虑热岛效应负荷预测的配电网优化重构方法 |
CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力系统动态安全评估方法 |
-
2020
- 2020-10-22 CN CN202011141210.4A patent/CN112633316B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120078436A1 (en) * | 2010-09-27 | 2012-03-29 | Patel Sureshchandra B | Method of Artificial Nueral Network Loadflow computation for electrical power system |
CN104850918A (zh) * | 2015-06-02 | 2015-08-19 | 国网山东省电力公司经济技术研究院 | 一种计及电网拓扑约束的节点负荷预测方法 |
US20170070044A1 (en) * | 2015-09-06 | 2017-03-09 | Tsinghua University | Robust restoration method for active distribution network |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
CN105956760A (zh) * | 2016-04-27 | 2016-09-21 | 河海大学 | 一种基于多元时空信息建模的智能配电网态势感知方法 |
CN107123989A (zh) * | 2017-05-25 | 2017-09-01 | 国网上海市电力公司 | 一种基于改进的局部异常因子算法的电网拓扑辨识方法 |
CN107611979A (zh) * | 2017-09-26 | 2018-01-19 | 华中科技大学 | 一种基于概率潮流计算的电力系统运行校正控制方法 |
US20190265768A1 (en) * | 2018-02-24 | 2019-08-29 | Hefei University Of Technology | Method, system and storage medium for predicting power load probability density based on deep learning |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
CN110348048A (zh) * | 2019-05-31 | 2019-10-18 | 国网河南省电力公司郑州供电公司 | 基于考虑热岛效应负荷预测的配电网优化重构方法 |
CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力系统动态安全评估方法 |
Non-Patent Citations (2)
Title |
---|
潘志远 等: "电网节点负荷的立体化预测方法", 《电力系统自动化》 * |
邵静: "基于短期负荷预测的含分布式发电配电电网重构", 《万方数据》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113178859A (zh) * | 2021-04-12 | 2021-07-27 | 国网河北省电力有限公司沧州供电分公司 | 一种基于岸基供电的海上油田负荷预测方法 |
CN113377744B (zh) * | 2021-06-16 | 2023-07-18 | 北京建筑大学 | 具有环境温度相关性的结构异常监测数据重建方法及装置 |
CN113377744A (zh) * | 2021-06-16 | 2021-09-10 | 北京建筑大学 | 具有环境温度相关性的结构异常监测数据重建方法及装置 |
CN113344294A (zh) * | 2021-06-29 | 2021-09-03 | 南方电网数字电网研究院有限公司 | 一种电力能源预测系统 |
CN114706859A (zh) * | 2022-06-06 | 2022-07-05 | 广东鹰视能效科技有限公司 | 一种用电情况的快速分析方法及系统 |
CN114706859B (zh) * | 2022-06-06 | 2022-09-02 | 广东鹰视能效科技有限公司 | 一种用电情况的快速分析方法及系统 |
CN115314412B (zh) * | 2022-06-22 | 2023-09-05 | 北京邮电大学 | 一种面向运维的类型自适应的指标预测预警方法及装置 |
CN115314412A (zh) * | 2022-06-22 | 2022-11-08 | 北京邮电大学 | 一种面向运维的类型自适应的指标预测预警方法及装置 |
CN115982577A (zh) * | 2023-03-20 | 2023-04-18 | 山东华网合众信息技术有限公司 | 一种智慧用电实时监测方法和系统 |
CN115982577B (zh) * | 2023-03-20 | 2023-09-08 | 山东华网合众信息技术有限公司 | 一种智慧用电实时监测方法和系统 |
CN116207739A (zh) * | 2023-05-04 | 2023-06-02 | 南方电网数字电网研究院有限公司 | 配电网优化调度方法、装置、计算机设备和存储介质 |
CN116207739B (zh) * | 2023-05-04 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 配电网优化调度方法、装置、计算机设备和存储介质 |
CN117077986A (zh) * | 2023-10-16 | 2023-11-17 | 华中科技大学 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
CN117077986B (zh) * | 2023-10-16 | 2024-01-30 | 华中科技大学 | 电力系统极端运行风险场景的态势感知方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112633316B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633316B (zh) | 一种基于边界估值理论的负荷预测方法和装置 | |
CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
CN113112090B (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
CN114240019A (zh) | 适用新能源电力系统的灵活资源价值评估方法及装置 | |
CN115392627A (zh) | 一种配电网的在线风险评估方法及系统 | |
CN113283179A (zh) | 一种基于多目标lstm集成网络的短期负荷预测方法 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN113076663A (zh) | 一种动态混合精度模型构建方法及系统 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN117010483A (zh) | 一种用于分布式负荷预测的联邦学习安全聚合方法及系统 | |
CN110648248A (zh) | 一种发电站的控制方法、装置及设备 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN115759418A (zh) | 一种电力零售用户的可调容量预测方法及系统 | |
CN114357865A (zh) | 一种水电站径流及其关联源荷功率年场景模拟和预测方法 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN113128064B (zh) | 用于仿真的热电数据聚合方法、系统、装置及存储介质 | |
CN114997549B (zh) | 黑盒模型的解释方法、装置及设备 | |
CN118330469B (zh) | 基于时态图神经网络的锂离子电池健康状态估计方法 | |
CN114650190B (zh) | 数据中心网络的节能方法、系统、终端设备及存储介质 | |
Setyono et al. | Analysis of 4G Network and Chat Applications to Smartphone Battery Life | |
CN112531741B (zh) | 一种柔性负荷参与调频的决策方法及装置 | |
CN111091217B (zh) | 一种楼宇短期负荷预测方法及系统 | |
CN116933453A (zh) | 基站节能模型训练方法及装置、基站节能方法及装置 | |
CN117521889A (zh) | 一种基于人工智能的短期负荷预测方法及系统 | |
Qiao et al. | Machine Learning-based Energy Consumption Model for Data Center |
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 |