CN112785457A - 一种基于面板数据的分布式供能系统典型场景构建方法 - Google Patents
一种基于面板数据的分布式供能系统典型场景构建方法 Download PDFInfo
- Publication number
- CN112785457A CN112785457A CN202110146076.5A CN202110146076A CN112785457A CN 112785457 A CN112785457 A CN 112785457A CN 202110146076 A CN202110146076 A CN 202110146076A CN 112785457 A CN112785457 A CN 112785457A
- Authority
- CN
- China
- Prior art keywords
- supply system
- energy supply
- distributed energy
- data
- sample
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于面板数据的分布式供能系统典型场景构建方法,包括以下过程:S1:获取分布式供能系统新能源出力以及负荷全时序数据,经数据预处理形成分布式供能系统的多指标面板数据;S2:针对分布式供能系统多指标面板数据形式的原始场景集,利用主成分分析进行降维,构建分布式供能系统场景划分的综合指标;S3:基于S2获得的综合指标,提出一种基于密度Canopy与K‑medoids结合的聚类方法,构建分布式供能系统典型场景。本发明针对分布式供能系统全年出力及负荷数据,采用主成分分析进行降维,获得分布式供能系统场景划分的综合指标;采用密度Canopy聚类算法对考虑时序的场景样本进行粗聚类,再利用K‑medoids聚类算法得到分布式供能系统典型场景。
Description
技术领域
本发明涉及典型场景构建方法,更具体地说,涉及一种基于面板数据的分布式供能系统典型场景构建方法。
背景技术
可再生能源出力和电力、燃气、热负荷的变化都具有一定季节周期性和日周期性。分布式供能系统中长期规划和运行需要基于多能负荷及风能、光能资源的日特性和年特性,对大量场景进行计算分析,以期全面评估规划和运行方案的可行性和合理性。在含大规模可再生能源的分布式供能系统中,如果能够根据大量的可再生源/多能负荷历史资源数据提取具有代表性的典型场景,用典型场景集来反映周期内可再生源/负荷的变化特征,对可再生能源消纳能力评估,电源规划、储能规划、运行规划及调度等具有重要意义。
目前,为兼顾计算效率和数据变化特征,分布式供能系统典型场景多考虑从长时间序列数据中提取特征信息,通过截取、缩减、合并形成典型场景。当前的分布式供能系统包含多种可再生能源出力及多元负荷,此类多指标、长时间序列的分布式供能系统典型场景构建主要采用日出力/负荷特征统计量来代替全天的数据量,未能全面考虑到日出力/负荷的时序特征,且指标数据量大,各个指标之间的关系并非完全独立。同时,为改善常见K-medoids聚类算法对初始值依赖度高的问题,本发明采用密度Canopy算法粗聚类,提出了一种基于面板数据的分布式供能系统典型场景构建方法。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于面板数据的分布式供能系统典型场景构建方法,解决了现有技术中的问题。
本发明的目的可以通过以下技术方案实现:
一种基于面板数据的分布式供能系统典型场景构建方法,包括以下步骤:
S1:获取分布式供能系统风电、光伏出力以及电、气、热负荷全时序数据,进行数据预处理形成分布式供能系统的多指标面板数据;
S2:针对分布式供能系统多指标面板数据形式的原始场景集,利用主成分分析(PCA)进行降维,构建分布式供能系统场景划分的综合指标;
S3:基于S2获得的分布式供能系统场景划分的综合指标,提出一种基于密度Canopy与K-medoids结合的聚类方法,构建分布式供能系统典型场景。
作为本发明的一种优选方案,所述步骤S2中的数据预处理方法包括以下步骤:
S1.1:设原始场景集中数据值为xis(tn)(i=1,2,…,k;s=1,2,…,m;tn=t1,t2,…,tp),其中,i表示研究样本,s表示特征指标,tn表示时间,则:
为指标矩阵均值序列矩阵,其中:
指标自方差序列矩阵为:
其中:
S1.2:对原始场景集中的数据进行标准化处理:
作为本发明的一种优选方案,所述步骤S2中的构建分布式供能系统综合指标方法包括以下步骤:
S2.1:计算每个时间截面的样本相关系数矩阵[R(tn)]m×m:
其中,
S2.2:分别计算各个相关矩阵[R(tn)]m×m的特征值、特征向量、贡献率、累计贡献率和主成分的线性表达式,并根据累计贡献率选取合适的l个主成分,截取的l个主成分线性表达式分别为:
其中,ξi表示此主成分相对应的特征向量。
S2.3:建立并计算各个时间截面的样本综合评价指标,构建综合评价指标序列矩阵,设Fi(tn)为第i个样本tn时刻的综合评价指标,它是各综合因子的线性组合,即:
Fi(tn)=α1(tn)y1(tn)+α2(tn)y2(tn)+…+αl(tn)yl(tn) (9)
其中,
综合评价指标矩阵为:
作为本发明的一种优选方案,所述步骤S3中的基于密度Canopy与K-medoids结合的聚类方法包括以下步骤:
S3.1:对于S2得到的综合评价指标矩阵,两样本向量Fi与Fj之间的欧氏距离为:
F数据集中全部样本的距离均值:
数据集F中某样本Fi的密度值表示以Fi为中心,dmean为半径范围内样本的数量:
式中:
对于场景集F内所有样本计算其密度值,选择密度值最大的样本作为第一个聚类中心c1,并将c1加入中心点集C,即C={c1}。同时删除数据集F中所有与c1的距离小于dmean的样本点。
S3.2:以c1为聚类中心,dmean为半径范围内的样本为一个集群,此集群内样本向量间的平均距离为:
簇间距离s(Fi)表示样本向量Fi与有更高局部密度值的样本向量Fj之间的距离,即:
根据式(17),得数据集内样本数据的密度权重:
密度权重作为下一个聚类中心的选择依据,则第二个聚类中心c2为密度权重值最大的样本向量,此时C={c1,c2}。同理,从数据集F中删除距离c2小于dmean的样本点。
S3.3:计算数据集F中剩余样本的ρ(Fi),以及到中心点集C中每个中心点的簇间距离s(Fi),即ω(Fi,c1)、ω(Fi,c2),选取ω(Fi,c1)×ω(Fi,c2)最大的样本点作为第3个聚类中心c3,并加入聚类中心点集C,此时C={c1,c2,c3}。同理,从数据集F中删除距离c3小于dmean的样本点。
S3.4:若存在样本向量Fj满足max{ω(Fj,c1)×ω(Fj,c2)×…×ω(Fj,ck-1)},则Fj将被设置为第k个聚类中心ck,加入中心点集C,此时C={c1,c2,…ck},并从数据集F中删除距离ck小于dmean的样本向量。
S3.5:重复步骤S3.4的流程,从数据集F中依次找出其余所有满足步骤S3.4中条件的聚类中心,将其加入中心点集C中,并依次从数据集F中删除剩余样本到对应聚类中心之间的距离小于dmean的样本向量,直到数据集为空。
S3.6:以步骤S3.5得出的聚类中心和簇数作为初始聚类中心和簇数,进行K-medoids聚类,构建分布式供能系统典型场景。
本发明的有益效果:
本发明提出一种基于密度Canopy与K-medoids结合的聚类方法,构建分布式供能系统典型场景。本发明针对分布式供能系统全年可再生能源出力及电、气、热负荷数据形成的多指标面板数据,采用主成分分析方法对指标进行降维,获得划分分布式供能系统场景的综合指标。采用密度Canopy聚类算法对考虑时序的场景样本进行粗聚类,再利用K-medoids聚类算法得到分布式供能系统典型场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的分布式供能系统典型场景构建方法流程图;
图2为本发明的分布式供能系统典型场景1曲线图;
图3为本发明的分布式供能系统典型场景2曲线图;
图4为本发明的分布式供能系统典型场景3曲线图。
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。如图所示,本具体实施方式涉及的分布式供能系统典型场景构建方法过程如图1所示,其过程为:第一步:输入分布式供能系统可再生能源出力、负荷等历史数据,形成多指标面板数据,对其进行数据预处理。第二步:利用主成分分析方法对多指标进行降维,获取划分分布式供能系统场景的综合评价指标。第三步:利用密度Canopy聚类对综合评价指标的全年时序数据进行粗聚类,获得初始的聚类数目以及簇中心。第四步:根据初始的聚类数目以及簇中心对样本数据进行K-medoids聚类,构建分布式供能系统典型场景,如图2至4。
一种基于面板数据的分布式供能系统典型场景构建方法,包括以下步骤:
S1:获取分布式供能系统风电、光伏出力以及电、气、热负荷全时序数据,进行数据预处理形成分布式供能系统的多指标面板数据;
S2:针对分布式供能系统多指标面板数据形式的原始场景集,利用主成分分析(PCA)进行降维,构建分布式供能系统场景划分的综合指标;
S3:基于S2获得的分布式供能系统场景划分的综合指标,提出一种基于密度Canopy与K-medoids结合的聚类方法,构建分布式供能系统典型场景。
所述步骤S2中的数据预处理方法包括以下步骤:
S1.1:设原始场景集中数据值为xis(tn)(i=1,2,…,k;s=1,2,…,m;tn=t1,t2,…,tp),其中,i表示研究样本,s表示特征指标,tn表示时间,则:
为指标矩阵均值序列矩阵,其中:
指标自方差序列矩阵为:
其中:
S1.2:对原始场景集中的数据进行标准化处理:
所述步骤S2中的构建分布式供能系统综合指标方法包括以下步骤:
S2.1:计算每个时间截面的样本相关系数矩阵[R(tn)]m×m:
其中,
S2.2:分别计算各个相关矩阵[R(tn)]m×m的特征值、特征向量、贡献率、累计贡献率和主成分的线性表达式,并根据累计贡献率选取合适的l个主成分,截取的l个主成分线性表达式分别为:
其中,ξi表示此主成分相对应的特征向量。
S2.3:建立并计算各个时间截面的样本综合评价指标,构建综合评价指标序列矩阵,设Fi(tn)为第i个样本tn时刻的综合评价指标,它是各综合因子的线性组合,即:
Fi(tn)=α1(tn)y1(tn)+α2(tn)y2(tn)+…+αl(tn)yl(tn) (9)
其中,
综合评价指标矩阵为:
所述步骤S3中的基于密度Canopy与K-medoids结合的聚类方法包括以下步骤:
S3.1:对于S2得到的综合评价指标矩阵,两样本向量Fi与Fj之间的欧氏距离为:
F数据集中全部样本的距离均值:
数据集F中某样本Fi的密度值表示以Fi为中心,dmean为半径范围内样本的数量:
式中:
对于场景集F内所有样本计算其密度值,选择密度值最大的样本作为第一个聚类中心c1,并将c1加入中心点集C,即C={c1}。同时删除数据集F中所有与c1的距离小于dmean的样本点。
S3.2:以c1为聚类中心,dmean为半径范围内的样本为一个集群,此集群内样本向量间的平均距离为:
簇间距离s(Fi)表示样本向量Fi与有更高局部密度值的样本向量Fj之间的距离,即:
根据式(17),得数据集内样本数据的密度权重:
密度权重作为下一个聚类中心的选择依据,则第二个聚类中心c2为密度权重值最大的样本向量,此时C={c1,c2}。同理,从数据集F中删除距离c2小于dmean的样本点。
S3.3:计算数据集F中剩余样本的ρ(Fi),以及到中心点集C中每个中心点的簇间距离s(Fi),即ω(Fi,c1)、ω(Fi,c2),选取ω(Fi,c1)×ω(Fi,c2)最大的样本点作为第3个聚类中心c3,并加入聚类中心点集C,此时C={c1,c2,c3}。同理,从数据集F中删除距离c3小于dmean的样本点。
S3.4:若存在样本向量Fj满足max{ω(Fj,c1)×ω(Fj,c2)×…×ω(Fj,ck-1)},则Fj将被设置为第k个聚类中心ck,加入中心点集C,此时C={c1,c2,…ck},并从数据集F中删除距离ck小于dmean的样本向量。
S3.5:重复步骤S3.4的流程,从数据集F中依次找出其余所有满足步骤S3.4中条件的聚类中心,将其加入中心点集C中,并依次从数据集F中删除剩余样本到对应聚类中心之间的距离小于dmean的样本向量,直到数据集为空。
S3.6:以步骤S3.5得出的聚类中心和簇数作为K-medoids的初始聚类中心和簇数,计算样本向量Fi到k个聚类中心的欧氏距离并将其分到距离最小的聚类中心对应的类中。
S3.7:针对聚类类别i,计算每个样本点与其他点的距离之和,选取距离之和最小的点作为新的中心点。
S3.8:重复S3.6和S3.7直至聚类中心不再变化。
本发明包括以下过程:S1:获取分布式供能系统风电、光伏出力以及电、气、热负荷全时序数据,进行数据预处理形成分布式供能系统的多指标面板数据;S2:针对分布式供能系统多指标面板数据形式的原始场景集,利用主成分分析(PCA)进行降维,构建分布式供能系统场景划分的综合指标;S3:基于S2获得的分布式供能系统场景划分的综合指标,提出一种基于密度Canopy与K-medoids结合的聚类方法,构建分布式供能系统典型场景。本发明针对分布式供能系统全年可再生能源出力及电、气、热负荷数据形成的多指标面板数据,采用主成分分析方法对指标进行降维,获得划分分布式供能系统场景的综合指标。最后,首先采用密度Canopy聚类算法对考虑时序的场景样本进行粗聚类,再利用K-medoids聚类算法得到分布式供能系统典型场景。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (4)
1.一种基于面板数据的分布式供能系统典型场景构建方法,其特征在于:包括以下步骤:
S1:获取分布式供能系统风电、光伏出力以及电、气、热负荷全时序数据,进行数据预处理形成分布式供能系统的多指标面板数据;
S2:针对分布式供能系统多指标面板数据形式的原始场景集,利用主成分分析(PCA)进行降维,构建分布式供能系统场景划分的综合指标;
S3:基于S2获得的分布式供能系统场景划分的综合指标,提出一种基于密度Canopy与K-medoids结合的聚类方法,构建分布式供能系统典型场景。
3.根据权利要求2所述的一种基于面板数据的分布式供能系统典型场景构建方法,其特征在于:所述步骤S2中的构建分布式供能系统综合指标方法包括以下步骤:
S2.1:计算每个时间截面的样本相关系数矩阵[R(tn)]m×m:
其中,
S2.2:分别计算各个相关矩阵[R(tn)]m×m的特征值、特征向量、贡献率、累计贡献率和主成分的线性表达式,并根据累计贡献率选取合适的l个主成分,截取的l个主成分线性表达式分别为:
其中,ξi表示此主成分相对应的特征向量;
S2.3:建立并计算各个时间截面的样本综合评价指标,构建综合评价指标序列矩阵,设Fi(tn)为第i个样本tn时刻的综合评价指标,它是各综合因子的线性组合,即:
Fi(tn)=α1(tn)y1(tn)+α2(tn)y2(tn)+…+αl(tn)yl(tn) (9)
其中,
综合评价指标矩阵为:
4.根据权利要求3所述的一种基于面板数据的分布式供能系统典型场景构建方法,其特征在于:所述步骤S3中的基于密度Canopy与K-medoids结合的聚类方法包括以下步骤:
S3.1:对于S2得到的综合评价指标矩阵,两样本向量Fi与Fj之间的欧氏距离为:
F数据集中全部样本的距离均值:
数据集F中某样本Fi的密度值表示以Fi为中心,dmean为半径范围内样本的数量:
式中:
对于场景集F内所有样本计算其密度值,选择密度值最大的样本作为第一个聚类中心c1,并将c1加入中心点集C,即C={c1};同时删除数据集F中所有与c1的距离小于dmean的样本点;
S3.2:以c1为聚类中心,dmean为半径范围内的样本为一个集群,此集群内样本向量间的平均距离为:
簇间距离s(Fi)表示样本向量Fi与有更高局部密度值的样本向量Fj之间的距离,即:
根据式(17),得数据集内样本数据的密度权重:
密度权重作为下一个聚类中心的选择依据,则第二个聚类中心c2为密度权重值最大的样本向量,此时C={c1,c2};同理,从数据集F中删除距离c2小于dmean的样本点;
S3.3:计算数据集F中剩余样本的ρ(Fi),以及到中心点集C中每个中心点的簇间距离s(Fi),即ω(Fi,c1)、ω(Fi,c2),选取ω(Fi,c1)×ω(Fi,c2)最大的样本点作为第3个聚类中心c3,并加入聚类中心点集C,此时C={c1,c2,c3};同理,从数据集F中删除距离c3小于dmean的样本点;
S3.4:若存在样本向量Fj满足max{ω(Fj,c1)×ω(Fj,c2)×…×ω(Fj,ck-1)},则Fj将被设置为第k个聚类中心ck,加入中心点集C,此时C={c1,c2,…ck},并从数据集F中删除距离ck小于dmean的样本向量;
S3.5:重复步骤S3.4的流程,从数据集F中依次找出其余所有满足步骤S3.4中条件的聚类中心,将其加入中心点集C中,并依次从数据集F中删除剩余样本到对应聚类中心之间的距离小于dmean的样本向量,直到数据集为空;
S3.6:以步骤S3.5得出的聚类中心和簇数作为初始聚类中心和簇数,进行K-medoids聚类,构建分布式供能系统典型场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146076.5A CN112785457B (zh) | 2021-02-02 | 2021-02-02 | 一种基于面板数据的分布式供能系统典型场景构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146076.5A CN112785457B (zh) | 2021-02-02 | 2021-02-02 | 一种基于面板数据的分布式供能系统典型场景构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785457A true CN112785457A (zh) | 2021-05-11 |
CN112785457B CN112785457B (zh) | 2023-10-10 |
Family
ID=75760625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110146076.5A Active CN112785457B (zh) | 2021-02-02 | 2021-02-02 | 一种基于面板数据的分布式供能系统典型场景构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785457B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688884A (zh) * | 2021-08-06 | 2021-11-23 | 山东德佑电气股份有限公司 | 一种基于云平台的负荷水平分类方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530132A (zh) * | 2016-11-14 | 2017-03-22 | 国家电网公司 | 一种电力负荷聚类的方法及装置 |
CN109558897A (zh) * | 2018-11-08 | 2019-04-02 | 华北电力大学 | 一种基于数据挖掘的电网规划多场景提取方法 |
CN110111003A (zh) * | 2019-05-08 | 2019-08-09 | 东南大学 | 一种基于改进fcm聚类算法的新能源典型场景构建方法 |
-
2021
- 2021-02-02 CN CN202110146076.5A patent/CN112785457B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530132A (zh) * | 2016-11-14 | 2017-03-22 | 国家电网公司 | 一种电力负荷聚类的方法及装置 |
CN109558897A (zh) * | 2018-11-08 | 2019-04-02 | 华北电力大学 | 一种基于数据挖掘的电网规划多场景提取方法 |
CN110111003A (zh) * | 2019-05-08 | 2019-08-09 | 东南大学 | 一种基于改进fcm聚类算法的新能源典型场景构建方法 |
Non-Patent Citations (1)
Title |
---|
彭晨宇 等: "结合多重聚类和分层聚类的超短期风电功率预测方法", 《电力系统自动化》, vol. 44, no. 2, pages 1 - 9 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688884A (zh) * | 2021-08-06 | 2021-11-23 | 山东德佑电气股份有限公司 | 一种基于云平台的负荷水平分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112785457B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110321934B (zh) | 一种检测用户用电异常数据的方法及系统 | |
CN111552813A (zh) | 一种基于电网全业务数据的电力知识图谱构建方法 | |
CN106779219A (zh) | 一种用电量预测方法及系统 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN111815026A (zh) | 一种基于特征聚类的多能源系统负荷预测方法 | |
CN112785457B (zh) | 一种基于面板数据的分布式供能系统典型场景构建方法 | |
CN114971048A (zh) | 一种零碳园区综合能源规划仿真方法、系统和计算机设备 | |
CN112257964B (zh) | 一种负荷密集型城市智慧园区需求聚合建模方法 | |
CN112464059B (zh) | 配电网用户分类方法、装置、计算机设备和存储介质 | |
CN113112177A (zh) | 一种基于混合指标的台区线损处理方法及系统 | |
CN114298165B (zh) | 区域综合能源系统多能负荷态势感知模型的构建方法 | |
CN109034453A (zh) | 一种基于多标记神经网络的短期电力负荷预测方法 | |
Li et al. | A machine learning-based decision support framework for energy storage selection | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
CN110837922A (zh) | 一种考虑国家风险的全球能源综合优化配置方法 | |
CN110807599A (zh) | 电化学储能方案的决策方法、装置、服务器和存储介质 | |
CN117353359B (zh) | 电池联合储能供电方法及系统 | |
CN116029532B (zh) | 一种面向配电网承载力提升的储能规划方法 | |
US20240135138A1 (en) | Building photovoltaic data interpolation method based on wgan and whale optimization algorithm | |
CN115344717B (zh) | 面向多类型供用能系统调控运行知识图谱构建方法及装置 | |
Yang et al. | An Intelligent End-to-End Neural Architecture Search Framework for Electricity Forecasting Model Development | |
CN117669970A (zh) | 行政区域用电数据多维指标混合聚类分析方法 | |
CN116470519A (zh) | 一种考虑负荷不确定性的多场景无功调控方法及装置 |
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 |