CN112670999B - 一种基于用户侧灵活资源的低压配电网实时电压控制方法 - Google Patents
一种基于用户侧灵活资源的低压配电网实时电压控制方法 Download PDFInfo
- Publication number
- CN112670999B CN112670999B CN202011563671.0A CN202011563671A CN112670999B CN 112670999 B CN112670999 B CN 112670999B CN 202011563671 A CN202011563671 A CN 202011563671A CN 112670999 B CN112670999 B CN 112670999B
- Authority
- CN
- China
- Prior art keywords
- voltage
- edge node
- user
- real
- time
- 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
Images
Classifications
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于用户侧灵活资源的低压配电网实时电压控制方法，包括以下步骤：S10，建立用户侧灵活资源的电压需求响应模型；S20，用户侧边缘节点分布式实时电压控制；S30，基于强化学习的边缘节点电压控制规则优化。本发明通过基于人工智能技术的边缘节点分布式实时电压控制方法，有助于解决因为光伏发电出力具有间歇性、波动性的特点所带来的电压波动加剧、逆潮流引起过电压的问题。
Description
技术领域
本发明属于电网电压控制领域，特别涉及一种基于用户侧灵活资源的低压配电网实时电压控制方法。
背景技术
近年来，我国全面发展了分布式屋顶光伏，推动电动汽车规模应用。由于光伏发电出力具有间歇性、波动性的特点，大规模光伏发电接入低压，配电网会造成诸多风险，例如电压波动加剧、逆潮流引起过电压的问题。并且在当下具有随机性、分散性特点的电动汽车充电负荷将成为一种新型负荷，大量电动汽车在低电价时段充电会导致欠电压问题，同样会对配电网的安全稳定运行造成威胁。因此，使用传统配电网电压控制方法会使得低压配电网的电压控制将变得更加复杂。基于以上传统配电网电压控制系统的缺点，及城市中分布式光伏在低压配电网层面的大量接入以及电动汽车充电设施的不断增加的趋势。亟待一种基于灵活资源的低压配电网实时电压控制方法，能够解决大规模光伏发电和电动汽车接入引起的过电压、欠电压和电压波动问题。
发明内容
本发明要解决的技术问题是提供一种解决因为光伏发电出力具有间歇性、波动性的特点所带来的电压波动加剧、逆潮流引起过电压的问题的基于用户侧灵活资源的低压配电网实时电压控制方法。
为了实现上述目的，本发明的技术方案如下：一种基于用户侧灵活资源的低压配电网实时电压控制方法，包括以下步骤：
S10，建立用户侧灵活资源的电压需求响应模型；
S20，用户侧边缘节点分布式实时电压控制；
S30，基于强化学习的边缘节点电压控制规则优化。
优选地，所述建立用户侧灵活资源的电压需求响应模型，包括建立云平台模型、建立边缘节点模型和建立灵活资源的可调功率模型。
优选地，所述建立云平台模型，基于配电网台区主站即云平台和用户侧智能终端即边缘节点的框架，由用户侧边缘节点通过控制灵活资源的功率出力，对电压进行分布式实时控制。
优选地，所述建立边缘节点模型，为掌握用户侧灵活资源的可调功率信息，在用户终端采集用电数据，包括功率和电压，对本边缘节点电压的分布式实时控制。
优选地，所述建立灵活资源的可调功率模型，通过边缘节点智能调节用户侧灵活资源，从而调节灵活资源的无功和或有功功率，实时控制边缘节点的电压。
优选地，所述用户侧边缘节点分布式实时电压控制，为每个边缘节点无需知道其他边缘节点的信息，只需按照云平台发送的控制规则调节灵活资源功率，从而实现电压控制，包括以下步骤：
云平台通过深度学习的预测电压越限时段的概率分布；
通过各边缘节点基于逻辑回归模型的实时判断各边缘节点的电压情况，制定每个边缘节点的控制规则；
通过各边缘节点进行分布式电压控制，对每个边缘节点的分布式实时电压控制，从而对整个低压配电网电压控制。
优选地，所述云平台通过深度学习的预测电压越限时段的概率分布，为通过基于非参数核密度估计及区间离散化方法的机器学习模型，对将来一段时间内，系统内发生电压越限时段进行预测。
优选地，所述深度学习采用Wake-Sleep算法，包括Wake算法，基于无监督数据进行自我学习，通过贪婪算法，逐层训练稀疏编码器，将上一层的输出为下一层的输入；Sleep算法，将整个堆叠编码器和SoftMax分类器看成一个统一的网络结构，基于标签数据，通过BP算法微调整个网络参数。
优选地，所述通过各边缘节点基于逻辑回归模型的实时判断各边缘节点的电压情况，制定每个边缘节点的控制规则，为通过计算逻辑回归函数，确定是否进行实时电压控制。
优选地，所述通过各边缘节点进行分布式电压控制，对每个边缘节点的分布式实时电压控制，从而对整个低压配电网电压控制，为云平台综合用户负荷数据，采集天气和光照强度，预先制定每个边缘节点的二项逻辑回归函数，并发送至用户侧边缘节点；然后边缘节点根据用户设置的使用条件约束和灵活资源的可调功率模型，实时计算当前时刻各灵活资源的可调功率，确保在实现分布式实时电压控制时满足灵活资源功率调整约束。
本发明的有益效果在于：首先，本发明建立了一个用户侧灵活资源的电压需求响应模型，主要基于云平台模型、边缘节点模型、灵活资源的可调功率模型三方面。通过灵活资源的功率调节实现低压配电网实时的电压控制。通过云平台基于深度学习的电压越限制时段预测、设计各个边缘节点基于逻辑回归模型的分布式实时电压控制方法。根据用户侧边缘节点分布式实时电压控制方法，按照云平台发送的控制规则调节灵活资源功率从而实现低压配电网对电压实时控制。最后，通过结合强化学习技术，优化每个边缘节点的控制规则，使得每个边缘节点的分布式实时电压控制有助于整个低压配电网电压控制。解决大规模光伏发电和电动汽车接入引起的过电压、欠电压和电压波动问题。
附图说明
图1为本发明基于用户侧灵活资源的低压配电网实时电压控制方法的步骤流程图；
图2为本发明基于用户侧灵活资源的低压配电网实时电压控制方法的用户侧灵活资源的电压需求响应模型图；
图3为本发明基于用户侧灵活资源的低压配电网实时电压控制方法的强化学习过程示意图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
参见图1，一种基于用户侧灵活资源的低压配电网实时电压控制方法，包括以下步骤：
S10，建立用户侧灵活资源的电压需求响应模型；
S20，用户侧边缘节点分布式实时电压控制；
S30，基于强化学习的边缘节点电压控制规则优化。
其用户侧灵活资源的电压需求响应模型参见图2，云平台10与边缘节点20之间进行数据上传和规则下发，边缘节点20中包括边缘节点20内核、设备接入SDK、数据转换、数据与命令预处理和连接管理，边缘节点20与灵活资源30之间进行数据通信和控制信号传输，在边缘节点20这一层中，对数据进行转换和预处理，对命令进行预处理，完成灵活资源30和云平台10之间的连接管理。灵活资源30一层中包括光伏发电、电动汽车、空调等柔性负荷和分布式储能设备等。
S10，建立用户侧灵活资源30的电压需求响应模型，包括建立云平台10模型、建立边缘节点20模型和建立灵活资源30的可调功率模型。
建立云平台10模型，基于配电网台区主站即云平台10和用户侧智能终端即边缘节点20的框架，由用户侧边缘节点20通过控制灵活资源30的功率出力，对电压进行分布式实时控制。上述基于配电网台区主站(云平台10)和用户侧智能终端(边缘节点20)的框架，云平台10为配电网台区的数据中心，与边缘节点20通信，收集由边缘节点20综合后的用户负荷数据，采集天气、光照强度、传统调压设备的出力信息，建立台区电压分布的数据样本，通过深度学习算法对台区内电压越限时间的概率分布进行预测，对系统有电压越限情况下各个边缘节点20电压分布进行特征提取，从而预先制定每个边缘节点20的电压控制规则，并发送至用户侧边缘节点20。由用户侧边缘节点20通过控制灵活资源30的功率出力对电压进行分布式实时控制。
建立边缘节点20模型，为掌握用户侧灵活资源30的可调功率信息，在用户终端采集功率、电压等用电数据，实现对边缘节点电压的分布式实时控制。本发明中视边缘节点20为用户的灵活资源30智能终端，其预先接收云平台10的电压控制规则，控制边缘节点内灵活资源30的无功/有功功率，实现低时延、快速响应的分布式实时电压控制。此外，边缘节点20管理用户的灵活资源30和智能设备，采集用户的用电信息，保证用户用电的舒适度。
建立灵活资源30的可调功率模型，为通过边缘节点20智能调节如分布式光伏、电动汽车、分布式储能、空调、热泵这些用户侧灵活资源30，从而调节灵活资源30的无功/有功功率，实现实时控制边缘节点的电压。本发明中的灵活资源30的可调功率模型，即灵活资源30的功率可调容量，对光伏发电建立无功/有功出力模型；对电动汽车电池建立充电状态-可调充放电功率模型；对空调建立温度-可调功率模型。总之，通过用户侧灵活资源30功率的调节实现分布式实时电压控制应在保证用户用电舒适度条件下进行，而对灵活资源30的可调节功率建立稳态模型是实现灵活资源30需求响应的前提。
S20，用户侧边缘节点20分布式实时电压控制，为每个边缘节点20无需知道其他边缘节点的信息，只需按照云平台10发送的控制规则调节灵活资源30功率，从而实现电压控制，包括以下步骤：
云平台10通过深度学习的预测电压越限时段的概率分布；
通过各边缘节点基于逻辑回归模型的实时判断各边缘节点的电压情况，制定每个边缘节点20的控制规则；
通过各边缘节点20进行分布式电压控制，对每个边缘节点20的分布式实时电压控制，从而对整个低压配电网电压控制。
云平台10基于深度学习的电压越限时段预测，首先，通过分析典型时间、天气、光照强度与系统内发生电压越限事件的内在关联，研究用户电力消费习惯、分布式光伏对电压越限的影响机理，充分利用边缘节点20收集用户侧边缘节点的功率、电压数据，电网运行状态信息。另一方面，通过仿真，调整各边缘节点的功率进行潮流计算，得到越限时不同边缘节点的电压分布数据样本。其次，基于上述大量数据样本，通过数据清洗、插补、归一、聚类对数据进行深度处理，提升电压越限相关非结构化数据的价值密度，为事故数据的机器学习奠定基础。为降低问题分析的维度，通过非参数核密度估计及区间离散化方法，得到电压越限的“高概率时段”-“中概率时段”-“低概率时段”，实现电压越限发生概率的标签化描述。最后，利用深度学习中成熟的堆叠稀疏编码器强大的数据规律提取和学习能力，逐步提取历史电压越限信息的高阶特征，通过训练Softmax分类器，建立事故高阶特征与发生概率之间的多元映射关系。为提升模型训练效果，项目引入深度学习中的Wake-Sleep两阶段训练算法代替传统的BP训练算法，提升模型精度。通过训练完成的机器学习模型对将来一段时间内，系统内发生电压越限时段进行预测。
各边缘节点20基于逻辑回归模型的实时电压控制判断，本发明建立对应的二项逻辑回归模型，各个边缘模型通过计算逻辑回归函数，确定是否进行实时电压控制。二项逻辑回归模型是一种分类模型，由条件概率分布P(Y|X)表示，随机变量Y取“0或1”，分别表示该边缘节点“是或否”进行实时电压控制。定义二项逻辑回归逻辑模型的条件分布如下：
其中，x是输入，即当前时间、电压越限概率、当前边缘节点电压值、变压器出口电压参数；y是输出，即代表是否进行实时电压控制。w和b是参数，w为权重，b是偏置，求解思路如下：使用最大似然估计法定义准则函数J，采用梯度下降法或牛顿法迭代求解参数w，通过向量化最终实现w的计算。以上参数由云平台10提前计算并发布给每个边缘节点20，每个边缘节点20只需边缘节点本身的参数，计算二项逻辑回归函数，决定是否进行实时电压控制。
各边缘节点20分布式实时电压控制，云平台10综合用户负荷数据，采集天气、光照强度等信息，预先制定每个边缘节点20的二项逻辑回归函数，并发送至用户侧边缘节点20。由用户侧边缘节点20通过控制灵活资源30的功率调节对电压进行分布式控制。边缘节点20根据用户设置的使用条件约束和灵活资源30功率模型，实时计算当前时刻各灵活资源30的可调功率，确保在实现分布式实时电压控制时满足灵活资源30功率调整约束。当边缘节点20通过逻辑回归函数计算得到需要进行实时电压控制时，优化调整灵活资源30的功率，并对当前电压进行重新感知判断，当可调灵活资源30功率不足时，上报云平台10结合传统调压设备进行处理。
深度学习中的Wake-Sleep算法训练过程为，Wake算法，基于无监督数据进行自我学习，通过贪婪算法，逐层训练稀疏编码器，将上一层的输出为下一层的输入。Sleep算法，将整个堆叠编码器和SoftMax分类器看成一个统一的网络结构，基于标签数据，通过BP算法微调整个网络参数。
强化学习的边缘节点20电压控制规则优化，云平台10对每个边缘节点20执行电压控制规则后的电压控制效果进行记录和评估，通过强化学习算法对用户侧边缘节点20的实时电压控制规则进行改进，从而进一步优化系统整体的电压控制效果。
上述强化学习的边缘节点20电压控制规则优化，根据云平台10采集数据样本，通过机器学习得到每个边缘节点20的分布式实时电压控制规则；用户侧边缘节点20根据云平台10制定的规则调节灵活资源30的功率实现分布式实时电压控制，其控制过程可得到云-边协调的控制数据。然而，云平台10获得的数据样本可能存在代表性不足，制定的规则不够准确，边缘节点20分布式实时电压控制时机不够理想的情况。通过强化学习可以对各边缘节点20的控制效果进行评估，继而优化每个边缘节点20的控制规则。强化学习任务使用马尔可夫决策过程描述参见图3，即：Agent(边缘节点20)处在一个环境(Environment：低压配电网)中，每个状态St为Agent对当前环境的感知；Agent通过动作来影响环境，当Agent执行一个动作At后，会使得环境按某种概率转移到另一个状态St+1；同时，环境会根据潜在的奖赏函数反馈给Agent一个奖赏Rt+1。综合而言，强化学习主要包含四个要素：environment(环境)，reward(奖赏)，action(动作)和state(状态)
对应本发明的研究，其中environment(环境)对应低压配电台区，reward(奖赏)对应奖励函数，action(动作)对应每个边缘节点20的实时电压控制动作，state(状态)对应边缘节点20实时电压动作后低压配电台区内节点电压的情况。本发明将根据四要素建立一个强化学习模型，通过Q-learning强化学习算法对模型进行求解，从而优化边缘节点20的分布式实时电压控制规则。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (8)
1.一种基于用户侧灵活资源的低压配电网实时电压控制方法，其特征在于，包括以下步骤：
S10，建立用户侧灵活资源的电压需求响应模型；
S20，用户侧边缘节点分布式实时电压控制；
S30，基于强化学习的边缘节点电压控制规则优化；
所述建立用户侧灵活资源的电压需求响应模型，包括建立云平台模型、建立边缘节点模型和建立灵活资源的可调功率模型；
所述用户侧边缘节点分布式实时电压控制，为每个边缘节点无需知道其他边缘节点的信息，只需按照云平台发送的控制规则调节灵活资源功率，从而实现电压控制，包括以下步骤：
云平台通过深度学习预测未来时段电压越限的概率分布；
云平台将预测的电压越限概率分布传输给边缘节点，各边缘节点通过基于逻辑回归模型的实时判断各边缘节点的电压控制情况，制定每个边缘节点的控制规则；
通过各边缘节点进行分布式电压控制，对每个边缘节点的分布式实时电压控制，从而对整个低压配电网电压控制。
2.根据权利要求1所述的基于用户侧灵活资源的低压配电网实时电压控制方法，其特征在于，所述建立云平台模型，基于配电网台区主站即云平台和用户侧智能终端即边缘节点的框架，由用户侧边缘节点通过控制灵活资源的功率出力，对电压进行分布式实时控制。
3.根据权利要求1所述的基于用户侧灵活资源的低压配电网实时电压控制方法，其特征在于，所述建立边缘节点模型，为掌握用户侧灵活资源的可调功率信息，在用户终端采集用电数据，包括功率和电压，对本边缘节点电压的分布式实时控制。
4.根据权利要求1所述的基于用户侧灵活资源的低压配电网实时电压控制方法，其特征在于，所述建立灵活资源的可调功率模型，通过边缘节点智能调节用户侧灵活资源，从而调节灵活资源的无功和或有功功率，实时控制边缘节点的电压。
5.根据权利要求1所述的基于用户侧灵活资源的低压配电网实时电压控制方法，其特征在于，所述云平台通过深度学习的预测电压越限时段的概率分布，为通过基于非参数核密度估计及区间离散化方法的机器学习模型，对将来一段时间内，系统内发生电压越限时段进行预测。
6.根据权利要求1所述的基于用户侧灵活资源的低压配电网实时电压控制方法，其特征在于，所述深度学习采用Wake-Sleep算法，包括Wake算法，基于无监督数据进行自我学习，通过贪婪算法，逐层训练稀疏编码器，将上一层的输出为下一层的输入；Sleep算法，将整个堆叠编码器和SoftMax分类器看成一个统一的网络结构，基于标签数据，通过BP算法微调整个网络参数。
7.根据权利要求1所述的基于用户侧灵活资源的低压配电网实时电压控制方法，其特征在于，所述通过各边缘节点基于逻辑回归模型的实时判断各边缘节点的电压情况，制定每个边缘节点的控制规则，为通过计算逻辑回归函数，确定是否进行实时电压控制。
8.根据权利要求1所述的基于用户侧灵活资源的低压配电网实时电压控制方法，其特征在于，所述通过各边缘节点进行分布式电压控制，对每个边缘节点的分布式实时电压控制，从而对整个低压配电网电压控制，为云平台综合用户负荷数据，采集天气和光照强度，预先制定每个边缘节点的二项逻辑回归函数，并发送至用户侧边缘节点；然后边缘节点根据用户设置的使用条件约束和灵活资源的可调功率模型，实时计算当前时刻各灵活资源的可调功率，确保在实现分布式实时电压控制时满足灵活资源功率调整约束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011563671.0A CN112670999B (zh) | 2020-12-25 | 2020-12-25 | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011563671.0A CN112670999B (zh) | 2020-12-25 | 2020-12-25 | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112670999A CN112670999A (zh) | 2021-04-16 |
| CN112670999B true CN112670999B (zh) | 2022-06-07 |
Family
ID=75410063
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011563671.0A Active CN112670999B (zh) | 2020-12-25 | 2020-12-25 | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112670999B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113241772B (zh) * | 2021-05-31 | 2022-05-27 | 广东电网有限责任公司 | 一种电网电压和无功协调的控制方法及装置 |
| CN113263938B (zh) * | 2021-06-25 | 2023-04-21 | 中能瑞通（北京）科技有限公司 | 一种基于边缘计算的智能有序充电系统及方法 |
| CN117411006B (zh) * | 2023-10-13 | 2024-04-16 | 新疆能源(集团)哈密清洁能源有限责任公司 | 一种自动电压控制平台及其方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107230984A (zh) * | 2017-07-26 | 2017-10-03 | 杭州电子科技大学 | 一种电力需求响应参与配电网电压调节的方法及控制系统 |
| CN110190605A (zh) * | 2019-04-22 | 2019-08-30 | 杭州电子科技大学 | 一种基于边缘计算和空调需求响应的配电网电压调节控制系统和方法 |
| CN110333402A (zh) * | 2019-05-23 | 2019-10-15 | 广西电网有限责任公司 | 一种基于边缘计算的用户电压异常感知方法及系统 |
| CN110518594A (zh) * | 2019-09-25 | 2019-11-29 | 广东电网有限责任公司 | 一种台变有载调压系统及其三相不平衡装置 |
| CN110535180A (zh) * | 2019-09-17 | 2019-12-03 | 杭州电子科技大学 | 基于灵活资源与传统调压设备协调控制配电网电压的方法 |
| CN111273106A (zh) * | 2020-03-04 | 2020-06-12 | 云南电网有限责任公司电力科学研究院 | 一种具备边缘计算功能的ai过电压识别系统及方法 |
-
2020
- 2020-12-25 CN CN202011563671.0A patent/CN112670999B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107230984A (zh) * | 2017-07-26 | 2017-10-03 | 杭州电子科技大学 | 一种电力需求响应参与配电网电压调节的方法及控制系统 |
| CN110190605A (zh) * | 2019-04-22 | 2019-08-30 | 杭州电子科技大学 | 一种基于边缘计算和空调需求响应的配电网电压调节控制系统和方法 |
| CN110333402A (zh) * | 2019-05-23 | 2019-10-15 | 广西电网有限责任公司 | 一种基于边缘计算的用户电压异常感知方法及系统 |
| CN110535180A (zh) * | 2019-09-17 | 2019-12-03 | 杭州电子科技大学 | 基于灵活资源与传统调压设备协调控制配电网电压的方法 |
| CN110518594A (zh) * | 2019-09-25 | 2019-11-29 | 广东电网有限责任公司 | 一种台变有载调压系统及其三相不平衡装置 |
| CN111273106A (zh) * | 2020-03-04 | 2020-06-12 | 云南电网有限责任公司电力科学研究院 | 一种具备边缘计算功能的ai过电压识别系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 考虑越限风险的主动配电网日前优化调度及运行;符杨等;《中国电机工程学报》;20170204(第21期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112670999A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112670999B (zh) | 一种基于用户侧灵活资源的低压配电网实时电压控制方法 | |
| CN112103946B (zh) | 一种基于粒子群算法的微电网储能优化配置方法 | |
| CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
| CN112488372A (zh) | 多时间尺度下电采暖负荷双层优化调度方法 | |
| CN112653154A (zh) | 基于边缘计算的分布式光伏配电网无功优化控制方法 | |
| CN112217195A (zh) | 一种基于gru多步预测技术的云储能充放电策略形成方法 | |
| CN113452033A (zh) | 分区自治的含高比例光伏配电网电压控制方法及存储介质 | |
| CN116581750A (zh) | 一种基于电网负荷水平的智能线路负载充电方法 | |
| CN115036914A (zh) | 考虑灵活性与新能源消纳的电网储能双层优化方法及系统 | |
| CN113765099A (zh) | 一种基于物联网的智能调度系统及其负荷调度方法 | |
| CN114069642A (zh) | 一种考虑用户满意度的温控负荷综合调峰方法 | |
| CN112350435A (zh) | 一种基于微电网群和电力可控负荷的虚拟电厂管控装置 | |
| CN108183496B (zh) | 一种光伏储能系统的能量管理方法 | |
| CN115514097A (zh) | 基于分布式光伏供需互动协调控制的村域cps调控系统及方法 | |
| CN115545429A (zh) | 基于cpss架构的多场景低压可再生资源负荷预测方法 | |
| CN112949938B (zh) | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 | |
| CN112564151B (zh) | 一种计及隐私意识的多微网云储能优化调度方法及系统 | |
| CN114626622A (zh) | 一种光伏功率预测方法、系统、装置及存储介质 | |
| CN117811051B (zh) | 一种基于需求侧响应的微电网弹性控制方法 | |
| CN114221435B (zh) | 一种基于电力载波的负荷资源调控系统及方法 | |
| CN117595517B (zh) | 基于分布式光伏的智能集群控制方法及系统 | |
| CN117254505B (zh) | 基于数据处理的储能电站优化运行模式决策方法及系统 | |
| CN117543619B (zh) | 基于分布式接入的光伏储能一体化发电系统 | |
| CN113162054B (zh) | 基于大规模可控负荷的综合服务站梯级聚合方法及系统 | |
| CN117498468B (zh) | 一种多区域虚拟电厂协同优化运行方法 |
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 |