CN112801115A - 基于微电网源荷综合特性图像的电源波动控制方法及应用 - Google Patents

基于微电网源荷综合特性图像的电源波动控制方法及应用 Download PDF

Info

Publication number
CN112801115A
CN112801115A CN202110104149.4A CN202110104149A CN112801115A CN 112801115 A CN112801115 A CN 112801115A CN 202110104149 A CN202110104149 A CN 202110104149A CN 112801115 A CN112801115 A CN 112801115A
Authority
CN
China
Prior art keywords
load
source
characteristic image
comprehensive characteristic
regulation
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
Application number
CN202110104149.4A
Other languages
English (en)
Other versions
CN112801115B (zh
Inventor
陈卫东
吴宁
姚知洋
肖静
郭敏
韩帅
侯东明
赵金宝
黄志康
宋奋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Guigang Power Supply Bureau of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Guigang Power Supply Bureau of Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangxi Power Grid Co Ltd, Guigang Power Supply Bureau of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202110104149.4A priority Critical patent/CN112801115B/zh
Publication of CN112801115A publication Critical patent/CN112801115A/zh
Application granted granted Critical
Publication of CN112801115B publication Critical patent/CN112801115B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

本发明提供一种基于微电网源荷综合特性图像的电源波动控制方法及应用，其中方法包括：将下一调控周期内分布式电源的运行参数输入到微电网源荷综合特性图像构建装置中，生成下一调控周期的微电网源荷综合特性图像A；得到源荷综合特性图像A中特征点的64维描述向量，与数据库中的历史源荷综合特性图像B所有特征点的64维描述向量进行特征点匹配，得到最优特征点匹配对数并输出；选择最优特征点匹配对的数量最大的源荷综合特性图像的调控测略作为下一调控周期可调控负荷的调控策略。本发明基于源荷综合特性图像制定下一周期的负荷响应分布式电源波动调控策略，达到降低微电网运行控制决策响应时间的目的。过程简单，优化精度高。

Description

基于微电网源荷综合特性图像的电源波动控制方法及应用
技术领域
本发明涉及微电网调控领域，具体涉及一种基于微电网源荷综合特性图像的电源波动控制方法及应用。
背景技术
随着用户侧微电网强间歇性可再生能源高比例接入、高渗透率电力电子化柔性负荷的规模化应用，正深刻改变微电网源荷特征。一方面风力发电、光伏发电等分布式可再生能源电源输出功率受天气和环境影响具有较强的随机波动性。另一方面，电动汽车、变频空调等带电力电子变换器的柔性负荷调节潜力巨大，可以通过灵活控制使其主动改变自身用电行为，达到与电源侧调节相同的控制效果。微电网的运行控制正由传统的分布式电源优化控制向荷随源动优化控制的方向发展。因此，研究微电网内各类型柔性负荷通过优化转移、削减或者中断等手段来主动响应分布式电源波动的控制策略，是转变微电网用户需求侧用电方式，促进分布式可再生能源消纳的有效途径，对微电网运行的稳定可靠及经济性具有重要理论价值和实用价值。
传统的关于主动负荷响应分布式发电就地消纳控制问题的研究，多是利用主动负荷的互动响应能力，考虑用户舒适度等约束以及经济成本最低等目标，通过建立主动负荷参与分布式发电消纳的协调优化调度模型，采用优化算法制定各类型柔性负荷优化控制策略的思路来开展。但是这种搭建模型优化求解的运算量大，求解过程冗余复杂、变量不可微、维数灾、易陷入局部最优解等问题，难以满足当前日益复杂的微电网高效、高精度优化运行的需求。
发明内容
本发明的目的是提供一种基于微电网源荷综合特性图像的电源波动控制方法及应用，可以解决现有技术中的利用模型优化求解的运算量大，过程冗余复杂，难以满足当前日益复杂的微电网高效、高精度优化运行的需求的问题。
本发明的目的是通过以下技术方案实现的：
第一方面，本发明提供一种基于微电网源荷综合特性图像的电源波动控制方法，包括以下步骤：
步骤1、预测下一调控周期内分布式电源的运行参数，输入到微电网源荷综合特性图像构建装置中，生成下一调控周期的微电网源荷综合特性图像A；
步骤2、采用SURF算法得到源荷综合特性图像A中所有特征点的64维描述向量；
步骤3、从数据库中选取一张源荷综合特性图像B，并用SURF算法得到源荷综合特性图像B所有特征点的64维描述向量；
步骤4、基于欧式距离判别法确定出源荷综合特性图像A的特征点和源荷综合特性图像B的特征点粗匹配对；
步骤5、对特征点粗匹配对进行精匹配，得到最优特征点匹配对并输出最优特征点匹配对的数量，返回步骤3，直至遍历数据库中所有的源荷综合特性图像；
步骤6、将所有最优特征点匹配对的数量按从大到小进行排序，选择最优特征点匹配对的数量最大的源荷综合特性图像，并将其对应的调控测略作为下一调控周期可调控负荷的调控策略。
进一步的，所述的基于微电网源荷综合特性图像的电源波动控制方法，还包括优化调控策略的步骤：
判断最优特征点匹配对数量最大值是否大于阈值R，若大于阈值R，则调用最优特征点匹配对数量最大值对应的源荷综合特性图像的调控测略作为下一周期可调控负荷的调控策略；否则，获取最优特征点匹配对数量的前M个对应的调控策略作为M个个体，加入遗传算法的初始种群中，采用改进遗传算法优化求解可调控负荷消纳分布式电源优化模型，来制定下一调控周期可调控负荷的调控策略，并将制定的调控策略存入数据库中。
进一步的，所述的得到源荷综合特性图像A或源荷综合特性图像B的所有特征点的64维描述向量的过程为：
步骤201、提取源荷综合特性图像的关键点；
步骤202、源荷综合特性图像的特征点定位；
步骤203、生成源荷综合特性图像特征点的64维描述向量。
进一步的，所述的步骤4包括：
针对源荷综合特性图像A中某一个特征点的64维描述向量，采用欧氏距离判别方法在另一张源荷综合特性图像B中寻找出距离最近的特征点和次近的特征点；
如果最近的距离r1和次近的距离r2的比值小于设定的阈值，则保留这两个特征点，否则不保留；
选取距离最近的这两个特征点记为源荷综合特性图像A和源荷综合特性图像B的一个特征点粗匹配对，并用直线连接；
依次用欧式距离判别法确定出源荷综合特性图像A和源荷综合特性图像B的所有特征点粗匹配对。
进一步的，所述的步骤5包括：
步骤501、基于K-Means算法对特征点粗匹配对进行聚类处理，完成精匹配；
步骤502、采用RANSAC抽样一致算法进一步删除异常特征点匹配对，得到最优特征点匹配对并输出最优特征点匹配对的数量。
进一步的，所述的基于K-Means算法对特征点粗匹配对进行聚类处理，完成精匹配包括：
步骤a、从源荷综合特性图像A和源荷综合特性图像B的特征点粗匹配对集合中随机选择k对特征点匹配对，作为初始聚类中心；
步骤b、计算每个特征点粗匹配对到各聚类中心的距离，对每个特征点粗匹配对进行归类；
步骤c、重新随机选取每个聚类的聚类中心，并且不断重复上述步骤b，直到准则函数收敛；
步骤d、聚类完成后，聚类区间内特征点匹配对数量最多的一类即为正确的匹配结果，否则为错误特征点匹配对，将错误特征点匹配对删除。
第二方面，本发明提供一种基于微电网源荷综合特性图像的电源波动控制装置，包括微电网源荷综合特性图像构建装置、特征提取模块、匹配模块和调控策略输出模块，其中：
微电网源荷综合特性图像构建装置，根据输入的下一调控周期内分布式电源的运行参数，生成下一调控周期的微电网源荷综合特性图像A；
特征提取模块，用于提取源荷综合特性图像A中所有特征点的64维描述向量，和数据库中的所有源荷综合特性图像的所有特征点的64维描述向量；
匹配模块，用于确定源荷综合特性图像A的特征点与数据库中的源荷综合特性图像的特征点粗匹配对；对特征点粗匹配对进行聚类处理，完成精匹配；进一步删除异常特征点匹配对，得到最优特征点匹配对并输出最优特征点匹配对的数量；
调控策略输出模块，用于将所有最优特征点匹配对的数量按从大到小进行排序，选择最优特征点匹配对的数量最大的源荷综合特性图像，并将其对应的调控测略作为下一调控周期可调控负荷的调控策略。
进一步的，所述的基于微电网源荷综合特性图像的电源波动控制装置还包括调控策略优化模块，当最优特征点匹配对数量最大值不大于阈值R时，获取最优特征点匹配对数量的前M个对应的调控策略作为M个个体，加入遗传算法的初始种群中，采用改进遗传算法优化求解可调控负荷消纳分布式电源优化模型，来制定下一调控周期可调控负荷的调控策略，并将制定的调控策略存入数据库中。
进一步的，所述的微电网源荷综合特性图像构建装置包括数据处理模块、气泡图生成模块、柱状图生成模块和叠加模块，其中：
数据处理模块，将预测的下一调控周期内各时刻的分布式电源发电功率和每个时刻对应的用电负荷等运行参数进行归一化处理；
气泡图生成模块，根据归一化处理后的各时刻的分布式电源发电功率数据、太阳照射幅度和风速，生成散点气泡串，用散点气泡串来绘制分布式电源波动趋势散点气泡图；根据归一化处理后的各时刻的用电负荷数据、环境温度和湿度生成散点气泡串，用散点气泡串绘制负荷波动趋势的散点气泡图；将分布式电源波动趋势散点气泡图和负荷波动趋势的散点气泡图在同一个坐标系下合成，生成分布式电源与负荷波动综合散点气泡图；
柱状图生成模块，将预测的下一调控周期内各时刻的可调控负荷的启停状态及所属可调控类型、灵活性调节潜力、剩余可用时间绘制成可调控负荷运行状态柱状堆积图；
叠加模块，将分布式电源与负荷波动综合散点气泡图和可调控负荷运行状态柱状堆积图叠加，生成微电网源荷综合特性图像。
第三方面，本发明提供一种存储介质，其中存储有计算机程序，运行所述计算机程序，可以执行上述基于微电网源荷综合特性图像的电源波动控制方法。
本发明的基于微电网源荷综合特性图像的电源波动控制方法及应用，基于源荷综合特性图像制定下一周期的负荷响应分布式电源波动调控策略，达到降低微电网运行控制决策响应时间的目的。本发明的过程简单，优化精度高。
附图说明
图1为本发明的基于微电网源荷综合特性图像的电源波动控制方法的流程示意图；
图2为本发明的荷综合特性图像的特征点定位示意图；
图3为本发明的荷综合特性图像的特征点的64维描述向量确定示意图；
图4为本发明的优化调控策略的流程图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
本发明的基于微电网源荷综合特性图像的电源波动控制方法，包括以下步骤：
步骤1、预测下一调控周期内分布式电源的运行参数，输入到微电网源荷综合特性图像构建装置中，生成下一调控周期的微电网源荷综合特性图像A。
运行参数包括分布式电源的发电功率、用电负荷、温度、湿度、太阳辐射强度、风速以及当前时刻各可调控负荷运行状态数据。可调控负荷运行状态数据包括各时刻可调控负荷的启停状态及所属可调控类型、灵活性调节潜力、剩余可用时间。
微电网源荷综合特性图像构建装置，包括数据处理模块、气泡图生成模块、柱状图生成模块和叠加模块，其中：
数据处理模块，将预测的下一调控周期内各时刻的分布式电源发电功率和每个时刻对应的用电负荷等运行参数进行归一化处理；
气泡图生成模块，根据归一化处理后的各时刻的分布式电源发电功率数据、太阳照射幅度和风速，生成散点气泡串，用散点气泡串来绘制分布式电源波动趋势散点气泡图；根据归一化处理后的各时刻的用电负荷数据、环境温度和湿度生成散点气泡串，用散点气泡串绘制负荷波动趋势的散点气泡图；将分布式电源波动趋势散点气泡图和负荷波动趋势的散点气泡图在同一个坐标系下合成，生成分布式电源与负荷波动综合散点气泡图；
柱状图生成模块，将预测的下一调控周期内各时刻的可调控负荷的启停状态及所属可调控类型、灵活性调节潜力、剩余可用时间绘制成可调控负荷运行状态柱状堆积图；
叠加模块，将分布式电源与负荷波动综合散点气泡图和可调控负荷运行状态柱状堆积图叠加，生成微电网源荷综合特性图像。
输入归一化处理后的分布式电源发电功率数据、太阳照射幅度和风速，生成散点气泡串，用散点气泡串来绘制分布式电源波动趋势散点气泡图。即将散点气泡串在坐标系下绘制，每个散点气泡对应的横坐标是为时间t，纵坐标为归一化后的分布式电源发电功率。另外，分布式电源发电功率的每个散点气泡的直径对应t时刻的风速；每个散点气泡的颜色深度代表了t时刻的太阳辐射强度的大小。t时刻的太阳辐射强度越大，散点气泡的颜色越深。
输入归一化处理后的用电负荷数据、环境温度和湿度，生成散点气泡串，用散点气泡串绘制负荷波动趋势的散点气泡图。即将散点气泡串在坐标系下绘制，每个散点气泡对应的横坐标为时间，纵坐标为归一化后的用电负荷。另外，用电负荷对应的每个散点气泡的直径大小反映t时刻的湿度，湿度越大散点气泡的直径越大；每个散点气泡的颜色深度代表了t时刻温度的高低，t时刻的温度越高，散点气泡的颜色越深。
步骤2、采用SURF算法得到源荷综合特性图像A中所有特征点的64维描述向量。
优选的，在本申请的一种优选实施方式中，步骤2包括：
步骤201、提取源荷综合特性图像A的关键点。
采用SURF算法提取源荷综合特性图像特征点过程中，构建Hessian矩阵是一个重要步骤。Hessian矩阵是一个多元函数的二阶偏导数构成的矩阵，可以通过该矩阵描述函数的局部曲率。对一个原始源荷综合特性图像f(x，y)，其Hessian矩阵如下：
Figure BDA0002917176630000081
SURF算法在构造Hessian矩阵之前需要对源荷综合特性图像进行高斯滤波处理，该步骤是为了去除噪声引起的像素突变。经过滤波后的Hessian矩阵表述为：
Figure BDA0002917176630000082
式中：Lxx(X，σ)指高斯滤波二阶微分，即
Figure BDA0002917176630000083
与像素点f(x，y)的卷积，其中
Figure BDA0002917176630000084
σ为高斯方差；同理可知，Lxy(X，σ)和Lyy(X，σ)表示g(σ)在各自方向的二阶微分与像素点P(x，y)的卷积。
当Hessian矩阵的判别式取得局部极大值时，则可以确定当前像素点比周围邻域内其他点更亮或更暗，由此来定位关键点的位置。Hessian矩阵的判别式为：
Ddet(H)＝Dxx*Dyy-(0.9*Dxy)2 (3)
步骤202、源荷综合特性图像A的特征点定位。
首先将经过Hessian矩阵处理得到的每个关键点所在的二维图像内和立体尺度空间邻域内的26个点(即图示3个立体排列的二维图像中的3*3个点去掉本关键点后形成的26个像素点)进行比较。比较方式为：若这个候选关键点的Hessian矩阵行列式的值大于其他26个点的Hessian矩阵矩阵行列式的值，则这个关键点就作为源荷综合特性图像的一个特征点；否则该关键点为能量比较弱或者错误定位的点，应予以删除。特征点定位示意图如图2所示。
步骤203、生成源荷综合特性图像A特征点的64维描述向量。
1)SURF算法为了保证图像的旋转不变性，首先需要确定图像特征点的主方向：在源荷综合特性图像A某特征点邻域内取4*4个矩形区域块，每个子矩形区域块有5*5个像素，则可以计算每个子矩形区域块像素区的4个梯度方向，将4*4个矩形区域块的各梯度方向幅值计算完成后，分别针对各梯度方向(4个)的4*4个矩形区域块梯度幅值对应相加可以得到4个方向的幅值和，最大幅值和对应的方向即为主方向。
2)规定与主方向同向为水平方向，可以计算得到∑dx、∑dy、∑|dx|、∑|dy|分别为该子矩形区域块5*5个像素的水平方向幅值之和、垂直方向幅值之和、水平方向幅值绝对值之和以及垂直方向幅值绝对值之和，从而得到该子矩形区域块的4维描述向量Vden＝(∑dx，∑dy，∑|dx|，∑|dy|)。
3)分别计算该特征点领域的4*4个矩形区域块的4维描述向量，最后可得到描述该特征点的4*(4*4)＝64维向量，特征点的64维描述向量确定示意图如图3所示。
4)对微电网源荷综合特性图像的每个特征点重复以上1)～3)步骤，计算得到该图像每个特征点的64维描述向量。
步骤3、从数据库中选取一张源荷综合特性图像B，并用SURF算法得到源荷综合特性图像B所有特征点的64维描述向量。
数据库中保存了若干源荷综合特性图像，该保存的源荷综合特性图像是根据历史运行数据，由微电网源荷综合特性图像构建装置生产的，能反应某个特定运行参数下负荷响应分布式电源波动的最优调控策略。
得到源荷综合特性图像B所有特征点的64维描述向量的过程同步骤2的过程相同，在此不赘述。
步骤4、基于欧式距离判别法确定出源荷综合特性图像A的特征点和源荷综合特性图像B的特征点粗匹配对。
针对源荷综合特性图像A中的某一个特征点64维描述向量，采用欧氏距离判别方法在另一张源荷综合特性图像B中寻找出距离它最近的特征点和次近的特征点，如果最近距离和次近距离的比值小于设定的阈值，则选取最近距离的这两个特征点作为匹配对，依次用该欧式距离判别法确定出源荷综合特性图像A和源荷综合特性图像B的特征点粗匹配对。
采用欧式距离判别方法来实现两张源荷综合特性图像特征点的相似性粗匹配，主要步骤如下：
1)首先针对源荷综合特性图像A中某一个特征点的64维描述向量，采用欧氏距离判别方法在另一张源荷综合特性图像B中寻找出距离它最近的特征点和次近的特征点。
2)如果最近的距离r1和次近的距离r2的比值小于设定的阈值，则表明这两个特征点的相似性匹配度较好予以保留，否则表明相似性匹配度不好从而删除该特征点。
3)选取距离最近的这两个特征点记为源荷综合特性图像A和B的一个特征点匹配对，并用直线连接。
4)依次用该欧式距离判别法确定出图像A和图像B的所有特征点匹配对，即完成了两张源荷综合特性图像特征点相似性粗匹配。
步骤5、基于K-Means算法对特征点粗匹配对进行聚类处理，完成精匹配，再采用RANSAC抽样一致算法进一步删除异常特征点匹配对，得到最优特征点匹配对并输出最优特征点匹配对的数量，返回步骤3，直至遍历数据库中所有的源荷综合特性图像。
将源荷综合特性图像A和源荷综合特性图像B的特征点粗匹配对的连线进行K-means聚类，聚类区间内特征点匹配对数量较多的一类即为正确的匹配对，其他为错误匹配对，并对错误匹配对进行删除。
进一步的，在本申请的一种优选实施方式中，步骤5包括：
步骤501、基于K-Means算法对特征点粗匹配对进行聚类处理，完成精匹配。
1)从源荷综合特性图像A和源荷综合特性图像B的特征点粗匹配对集合中随机选择k对(k是聚类个数)特征点匹配对，(A(1)，A(2)，A(3)…A(k))作为初始聚类中心。
2)依据下式计算每个特征点粗匹配对到各聚类中心的距离，若某特征点粗匹配对距离第i个聚类中心最近，则该特征点匹配对被归为第i类。
A(i)＝argmin||q(i)-A(i)||2 (4)
其中，{q(1)，q(2)，…，q(n)}是源荷综合特性图像特征点匹配对的数据对象，其中1≤i≤k。
3)重新随机选取每个聚类的聚类中心，并且不断重复上述步骤2)，直到准则函数收敛。收敛判据E定义为：
Figure BDA0002917176630000111
其中:Ci是第i个聚类；E为匹配对数据集所有对象与它所在的聚类中心的平方误差的总和，E越大说明匹配对训练集与聚类中心的距离越大，聚类内部匹配对集合的相似度越低；若E越小说明聚类内部匹配对集合的相似性越高。
4)聚类完成后，聚类区间内特征点匹配对数量最多的一类即为正确的匹配结果，否则为错误匹配，需要对错误特征点匹配对予以删除。
步骤502、采用RANSAC抽样一致算法进一步删除异常特征点匹配对，得到最优特征点匹配对并输出最优特征点匹配对的数量。
1)假设待测源荷综合特性图像B与下一调控周期对应的源荷综合特性图像A的特征点匹配对集合为P，从集合P中随机抽取4个特征点匹配对，针对每个特征点匹配对按下式(6)构建方程，则可以得到由12个方程构成的方程组，解方程组计算出变换矩阵
Figure BDA0002917176630000112
Figure BDA0002917176630000113
其中，(x，y)表示源荷综合特性图像B特征点位置，(x′，y′)为源荷综合特性图像A特征点位置，s为尺度参数。
2)用1)中求取的变换矩阵H去测试剩余的每个特征点匹配对，若剩余的某个特征点匹配对计算出的代价函数值D小于阈值，则记该特征点匹配对为局内匹配对，否则为局外匹配对。代价函数定义为：
Figure BDA0002917176630000121
3)统计所有局内匹配对数量，当局内匹配对数量与所有特征点匹配对数量之比达到设定比例时，则认为1)步骤中所选取的4个特征点匹配对是合理的，所构建的(6)式模型为最优模型，最后输出最优特征点匹配对数量(即局内匹配对数量)。
4)若步骤1)选取的图像特征点匹配对求取的变换矩阵H，在最后得到的局内匹配对数量占比达不到指定比例时，则需要重新选取图像特征点匹配对重复步骤1)～3)，直到选取的局内特征点匹配对达到指定比例，输出最优特征点匹配对数量(即局内匹配对数量)，从而最终筛选出图像A和图像B的相似特征点匹配对的数量。
步骤6、将所有最优特征点匹配对的数量按从大到小进行排序，选择最优特征点匹配对的数量最大的源荷综合特性图像，并将其对应的调控测略作为下一调控周期可调控负荷的调控策略。
进一步的，在本申请的一种优选实施方式中，基于微电网源荷综合特性图像的电源波动控制方法还包括优化调控策略的步骤：
判断最优特征点匹配对数量最大值是否大于阈值R，若大于阈值R说明已搜寻到历史最相似运行状态，则调用最优特征点匹配对数量最大值对应的源荷综合特性图像的调控测略作为下一周期可调控负荷的调控策略；否则，获取最优特征点匹配对数量的前M个对应的调控策略作为M个个体，加入遗传算法的初始种群中，采用改进遗传算法优化求解可调控负荷消纳分布式电源优化模型，来制定下一调控周期可调控负荷的调控策略，并将制定的调控策略存入数据库中。
可调控负荷消纳分布式电源优化模型说明如下：
微电网内可调控负荷响应分布式电源波动优化调控问题的控制变量为下一调控周期内可时移负荷、可中断负荷和可削减负荷的各设备用电功率。按照控制变量类型将遗传个体分为3个基因段，定义遗传算法中的个体向量Z为
Z＝[x1，1，…，x1，m1，x2，1，…，x2，m2，P3，1，…，P3，m3] (8)
式中，x1，m1为第m1个可时移负荷的启停状态，开启状态为1，停止状态为0；x2，m2为第m2个可中断负荷的启停状态；P3，m3为第m3个可削减负荷设备的用电功率。m1、m2、m3分别为可时移负荷、可中断负荷和可削减负荷的用电设备总数。
(1)目标函数
Figure BDA0002917176630000131
式中，f为负荷与分布式电源功率差的绝对值最小的目标函数，反映了可调控负荷响应分布式电源波动程度最好这一调控目标；m1、m2、m3分别为可时移负荷、可中断负荷和可削减负荷的用电设备总数；
Figure BDA0002917176630000132
分别为可时移负荷、可中断负荷s设备的额定工作功率；x1，s和x2，s分别为可时移负荷、可中断负荷s设备在下一调控周期的启停状态；P3，s为可削减负荷s设备下一调控周期的用电功率；Pg为下一调控周期微电网内刚性负荷的总功率；Pfg为分布式电源出力。
(2)约束条件
1)潮流方程等式约束：
Figure BDA0002917176630000133
Figure BDA0002917176630000134
式中，Pi、Qi分别为节点i的注入有功和无功功率；Vi、Vj为节点i、j的电压幅值；Gij、Bij、θij分别为节点i、j之间的电导、电纳和电压相角差。
2)节点电压约束：
Vimin≤Vi≤Vimax (12)
式中，Vi为节点i的电压；Vimax，Vimin为节点i电压的上、下限。
3)可时移负荷启停状态约束：
若上一调控周期时可时移负荷s设备已处于开启状态，则s设备在下一调控周期的启停状态需满足该设备的持续工作时间约束，即
Figure BDA0002917176630000141
式中，t1为微电网下一调控周期的起始时刻；
Figure BDA0002917176630000142
为可时移负荷s设备的开始运行时刻；
Figure BDA0002917176630000143
为可时移负荷s设备必须达到的持续工作时间。
否则，该设备在下一调控周期的启停状态可以优化调控，即
Figure BDA0002917176630000144
4)可中断负荷启停状态约束：
Figure BDA0002917176630000145
可削减负荷大小约束：
Figure BDA0002917176630000146
式中，
Figure BDA0002917176630000147
为可削减负荷s设备的最大允许用电功率，P3，s为可削减负荷s设备下一调控周期的用电功率。
5)灵活性平衡约束：
定义风/光分布式电源出力与刚性负荷差值为“净电源出力”PSt，“净电源出力”的波动程度造成了微电网对灵活型资源的需求程度，定义这种“净电源出力”的波动变化量为微电网灵活性需求，如果“净电源出力”变化量为正，灵活性需求为上调灵活性需求；如果“净电源出力”变化量为负，灵活性需求为下调灵活性需求，用数学模型可以表示为：
Figure BDA0002917176630000148
式中，
Figure BDA0002917176630000149
为t时刻微电网的上调、下调灵活性需求；PSt为t时刻微电网的“净电源出力”，为t时刻风/光分布式电源出力与刚性负荷相减求得。
微电网内各可调控负荷为灵活型资源，灵活型资源在给定时间尺度下能够供出的有功功率最大调节量为灵活性供给。与灵活性需求相对应，灵活性供给分为上调灵活性供给SF+和下调灵活性供给SF-，上调灵活性供给代表微电网能够承受“净电源出力”增大的能力，下调灵活性供给代表微电网能够承受“净电源出力”减小的能力。微电网系统在某时刻的上调灵活性供给指标为系统中每个灵活调节资源(本发明指可调控负荷)的上调灵活性潜力指标
Figure BDA0002917176630000151
之和；同样的，定义系统下调灵活性供给指标等于系统中每个灵活调节资源下调灵活性潜力指标
Figure BDA0002917176630000152
之和，即
Figure BDA0002917176630000153
式中，
Figure BDA0002917176630000154
和
Figure BDA0002917176630000155
分别为t时刻微电网的上调灵活性供给与下调灵活性供给；
Figure BDA0002917176630000156
和
Figure BDA0002917176630000157
分别为第s个可调控负荷在t时刻的上调灵活性潜力指标和下调灵活性潜力指标；n为微电网内各可调控负荷设备总数，为m1、m2、m3的和。
定义微电网的灵活性平衡来描述各个时刻之间的灵活性供给和灵活性需求的关系来弥补传统电力平衡的不足。微电网的灵活性平衡指的是在任何时间尺度下和任何灵活性变化方向上，系统灵活性供给要大于灵活性需求超过规定的裕度，即满足以下约束
Figure BDA0002917176630000158
Figure BDA0002917176630000159
式中，ε+、ε-分别为设定的上调、下调灵活性裕度；
Figure BDA00029171766300001510
为t时刻微电网的上调灵活性供给与下调灵活性供给；
Figure BDA00029171766300001511
为t时刻微电网的上调、下调灵活性需求。
优化调控策略的流程图如图4所示。
基于微电网源荷综合特性图像的电源波动控制装置，包括微电网源荷综合特性图像构建装置、特征提取模块、匹配模块和调控策略输出模块，其中：
微电网源荷综合特性图像构建装置，根据输入的下一调控周期内分布式电源的运行参数，生成下一调控周期的微电网源荷综合特性图像A。
微电网源荷综合特性图像构建装置包括数据处理模块、气泡图生成模块、柱状图生成模块和叠加模块，其中：
数据处理模块，将预测的下一调控周期内各时刻的分布式电源发电功率和每个时刻对应的用电负荷等运行参数进行归一化处理；
气泡图生成模块，根据归一化处理后的各时刻的分布式电源发电功率数据、太阳照射幅度和风速，生成散点气泡串，用散点气泡串来绘制分布式电源波动趋势散点气泡图；根据归一化处理后的各时刻的用电负荷数据、环境温度和湿度生成散点气泡串，用散点气泡串绘制负荷波动趋势的散点气泡图；将分布式电源波动趋势散点气泡图和负荷波动趋势的散点气泡图在同一个坐标系下合成，生成分布式电源与负荷波动综合散点气泡图；
柱状图生成模块，将预测的下一调控周期内各时刻的可调控负荷的启停状态及所属可调控类型、灵活性调节潜力、剩余可用时间绘制成可调控负荷运行状态柱状堆积图；
叠加模块，将分布式电源与负荷波动综合散点气泡图和可调控负荷运行状态柱状堆积图叠加，生成微电网源荷综合特性图像。
特征提取模块，用于提取源荷综合特性图像A中所有特征点的64维描述向量，和数据库中的所有源荷综合特性图像的所有特征点的64维描述向量。
匹配模块，用于确定源荷综合特性图像A的特征点与数据库中的源荷综合特性图像的特征点粗匹配对；对特征点粗匹配对进行聚类处理，完成精匹配；进一步删除异常特征点匹配对，得到最优特征点匹配对并输出最优特征点匹配对的数量。
调控策略输出模块，用于将所有最优特征点匹配对的数量按从大到小进行排序，选择最优特征点匹配对的数量最大的源荷综合特性图像，并将其对应的调控测略作为下一调控周期可调控负荷的调控策略。
优选的，还包括调控策略优化模块，当最优特征点匹配对数量最大值不大于阈值R时，获取最优特征点匹配对数量的前M个对应的调控策略作为M个个体，加入遗传算法的初始种群中，采用改进遗传算法优化求解可调控负荷消纳分布式电源优化模型，来制定下一调控周期可调控负荷的调控策略，并将制定的调控策略存入数据库中。
一种存储介质，其中存储有计算机程序，运行该计算机程序，可以执行上述基于微电网源荷综合特性图像的电源波动控制方法。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于微电网源荷综合特性图像的电源波动控制方法，其特征在于，包括以下步骤：
步骤1、预测下一调控周期内分布式电源的运行参数，输入到微电网源荷综合特性图像构建装置中，生成下一调控周期的微电网源荷综合特性图像A；
步骤2、采用SURF算法得到源荷综合特性图像A中所有特征点的64维描述向量；
步骤3、从数据库中选取一张源荷综合特性图像B，并用SURF算法得到源荷综合特性图像B所有特征点的64维描述向量；
步骤4、基于欧式距离判别法确定出源荷综合特性图像A的特征点和源荷综合特性图像B的特征点粗匹配对；
步骤5、对特征点粗匹配对进行精匹配，得到最优特征点匹配对并输出最优特征点匹配对的数量，返回步骤3，直至遍历数据库中所有的源荷综合特性图像；
步骤6、将所有最优特征点匹配对的数量按从大到小进行排序，选择最优特征点匹配对的数量最大的源荷综合特性图像，并将其对应的调控测略作为下一调控周期可调控负荷的调控策略。
2.根据权利要求1所述的基于微电网源荷综合特性图像的电源波动控制方法，其特征在于，还包括优化调控策略的步骤：
判断最优特征点匹配对数量最大值是否大于阈值R，若大于阈值R，则调用最优特征点匹配对数量最大值对应的源荷综合特性图像的调控测略作为下一周期可调控负荷的调控策略；否则，获取最优特征点匹配对数量的前M个对应的调控策略作为M个个体，加入遗传算法的初始种群中，采用改进遗传算法优化求解可调控负荷消纳分布式电源优化模型，来制定下一调控周期可调控负荷的调控策略，并将制定的调控策略存入数据库中。
3.根据权利要求1或2所述的基于微电网源荷综合特性图像的电源波动控制方法，其特征在于，所述的得到源荷综合特性图像A或源荷综合特性图像B的所有特征点的64维描述向量的过程为：
步骤201、提取源荷综合特性图像的关键点；
步骤202、源荷综合特性图像的特征点定位；
步骤203、生成源荷综合特性图像特征点的64维描述向量。
4.根据权利要求1或2所述的基于微电网源荷综合特性图像的电源波动控制方法，其特征在于，所述的步骤4包括：
针对源荷综合特性图像A中某一个特征点的64维描述向量，采用欧氏距离判别方法在另一张源荷综合特性图像B中寻找出距离最近的特征点和次近的特征点；
如果最近的距离r1和次近的距离r2的比值小于设定的阈值，则保留这两个特征点，否则不保留；
选取距离最近的这两个特征点记为源荷综合特性图像A和源荷综合特性图像B的一个特征点粗匹配对，并用直线连接；
依次用欧式距离判别法确定出源荷综合特性图像A和源荷综合特性图像B的所有特征点粗匹配对。
5.根据权利要求1或2所述的基于微电网源荷综合特性图像的电源波动控制方法，其特征在于，所述的步骤5包括：
步骤501、基于K-Means算法对特征点粗匹配对进行聚类处理，完成精匹配；
步骤502、采用RANSAC抽样一致算法进一步删除异常特征点匹配对，得到最优特征点匹配对并输出最优特征点匹配对的数量。
6.根据权利要求5所述的基于微电网源荷综合特性图像的电源波动控制方法，其特征在于，所述的基于K-Means算法对特征点粗匹配对进行聚类处理，完成精匹配包括：
步骤a、从源荷综合特性图像A和源荷综合特性图像B的特征点粗匹配对集合中随机选择k对特征点匹配对，作为初始聚类中心；
步骤b、计算每个特征点粗匹配对到各聚类中心的距离，对每个特征点粗匹配对进行归类；
步骤c、重新随机选取每个聚类的聚类中心，并且不断重复上述步骤b，直到准则函数收敛；
步骤d、聚类完成后，聚类区间内特征点匹配对数量最多的一类即为正确的匹配结果，否则为错误特征点匹配对，将错误特征点匹配对删除。
7.基于微电网源荷综合特性图像的电源波动控制装置，其特征在于，包括微电网源荷综合特性图像构建装置、特征提取模块、匹配模块和调控策略输出模块，其中：
微电网源荷综合特性图像构建装置，根据输入的下一调控周期内分布式电源的运行参数，生成下一调控周期的微电网源荷综合特性图像A；
特征提取模块，用于提取源荷综合特性图像A中所有特征点的64维描述向量，和数据库中的所有源荷综合特性图像的所有特征点的64维描述向量；
匹配模块，用于确定源荷综合特性图像A的特征点与数据库中的源荷综合特性图像的特征点粗匹配对；对特征点粗匹配对进行聚类处理，完成精匹配；进一步删除异常特征点匹配对，得到最优特征点匹配对并输出最优特征点匹配对的数量；
调控策略输出模块，用于将所有最优特征点匹配对的数量按从大到小进行排序，选择最优特征点匹配对的数量最大的源荷综合特性图像，并将其对应的调控测略作为下一调控周期可调控负荷的调控策略。
8.根据权利要求7所述的基于微电网源荷综合特性图像的电源波动控制装置，其特征在于，还包括调控策略优化模块，当最优特征点匹配对数量最大值不大于阈值R时，获取最优特征点匹配对数量的前M个对应的调控策略作为M个个体，加入遗传算法的初始种群中，采用改进遗传算法优化求解可调控负荷消纳分布式电源优化模型，来制定下一调控周期可调控负荷的调控策略，并将制定的调控策略存入数据库中。
9.根据权利要求7或8所述的基于微电网源荷综合特性图像的电源波动控制装置，其特征在于，所述的微电网源荷综合特性图像构建装置包括数据处理模块、气泡图生成模块、柱状图生成模块和叠加模块，其中：
数据处理模块，将预测的下一调控周期内各时刻的分布式电源发电功率和每个时刻对应的用电负荷等运行参数进行归一化处理；
气泡图生成模块，根据归一化处理后的各时刻的分布式电源发电功率数据、太阳照射幅度和风速，生成散点气泡串，用散点气泡串来绘制分布式电源波动趋势散点气泡图；根据归一化处理后的各时刻的用电负荷数据、环境温度和湿度生成散点气泡串，用散点气泡串绘制负荷波动趋势的散点气泡图；将分布式电源波动趋势散点气泡图和负荷波动趋势的散点气泡图在同一个坐标系下合成，生成分布式电源与负荷波动综合散点气泡图；
柱状图生成模块，将预测的下一调控周期内各时刻的可调控负荷的启停状态及所属可调控类型、灵活性调节潜力、剩余可用时间绘制成可调控负荷运行状态柱状堆积图；
叠加模块，将分布式电源与负荷波动综合散点气泡图和可调控负荷运行状态柱状堆积图叠加，生成微电网源荷综合特性图像。
10.一种存储介质，其中存储有计算机程序，其特征在于，运行所述计算机程序，可以执行上述基于微电网源荷综合特性图像的电源波动控制方法。
CN202110104149.4A 2021-01-26 2021-01-26 基于微电网源荷综合特性图像的电源波动控制方法及应用 Active CN112801115B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110104149.4A CN112801115B (zh) 2021-01-26 2021-01-26 基于微电网源荷综合特性图像的电源波动控制方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110104149.4A CN112801115B (zh) 2021-01-26 2021-01-26 基于微电网源荷综合特性图像的电源波动控制方法及应用

Publications (2)

Publication Number Publication Date
CN112801115A true CN112801115A (zh) 2021-05-14
CN112801115B CN112801115B (zh) 2022-09-06

Family

ID=75811838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110104149.4A Active CN112801115B (zh) 2021-01-26 2021-01-26 基于微电网源荷综合特性图像的电源波动控制方法及应用

Country Status (1)

Country Link
CN (1) CN112801115B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116488141A (zh) * 2023-03-22 2023-07-25 国家能源集团乐东发电有限公司 一种基于多能互补的电网能量供应方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7825642B1 (en) * 2007-05-09 2010-11-02 Zilker Labs, Inc. Control system optimization via independent parameter adjustment
CN105743126A (zh) * 2016-04-14 2016-07-06 华南理工大学 一种实现负荷管理的微电网能量管理系统
CN105989600A (zh) * 2015-11-13 2016-10-05 云南电网有限责任公司昭通供电局 基于特征点分布统计的配电网设备外观检测方法及系统
CN106100990A (zh) * 2016-06-06 2016-11-09 中国电子科技集团公司第三十研究所 一种基于sdn架构的通信网络多维度资源调控方法和系统
CN106125744A (zh) * 2016-06-22 2016-11-16 山东鲁能智能技术有限公司 基于视觉伺服的变电站巡检机器人云台控制方法
CN111242391A (zh) * 2020-03-06 2020-06-05 云南电网有限责任公司电力科学研究院 用于电力负荷识别的机器学习模型训练方法及系统
CN111382789A (zh) * 2020-03-06 2020-07-07 云南电网有限责任公司电力科学研究院 基于机器学习的电力负荷识别方法及系统
CN111709580A (zh) * 2020-06-18 2020-09-25 广东电网有限责任公司 一种微电网源荷匹配性评估方法、系统以及设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7825642B1 (en) * 2007-05-09 2010-11-02 Zilker Labs, Inc. Control system optimization via independent parameter adjustment
CN105989600A (zh) * 2015-11-13 2016-10-05 云南电网有限责任公司昭通供电局 基于特征点分布统计的配电网设备外观检测方法及系统
CN105743126A (zh) * 2016-04-14 2016-07-06 华南理工大学 一种实现负荷管理的微电网能量管理系统
CN106100990A (zh) * 2016-06-06 2016-11-09 中国电子科技集团公司第三十研究所 一种基于sdn架构的通信网络多维度资源调控方法和系统
CN106125744A (zh) * 2016-06-22 2016-11-16 山东鲁能智能技术有限公司 基于视觉伺服的变电站巡检机器人云台控制方法
CN111242391A (zh) * 2020-03-06 2020-06-05 云南电网有限责任公司电力科学研究院 用于电力负荷识别的机器学习模型训练方法及系统
CN111382789A (zh) * 2020-03-06 2020-07-07 云南电网有限责任公司电力科学研究院 基于机器学习的电力负荷识别方法及系统
CN111709580A (zh) * 2020-06-18 2020-09-25 广东电网有限责任公司 一种微电网源荷匹配性评估方法、系统以及设备

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
FRIEDERICH KUPZOG 等: "Automatic electric load identification in self-configuring microgrids", 《AFRICON 2009》 *
JIAOJIAO DONG 等: "Matching a desirable generation pattern for large-scale wind farm with autonomous energy storage control strategy", 《POWER & ENERGY SOCIETY GENERAL MEETING》 *
伍言 等: "基于负荷组合与光伏电源匹配算法的微电网配置", 《华东电力》 *
卜琰: "基于电能质量监测数据的负荷建模研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
孙丛丛: "基于自动需求响应的微电网源储荷协调优化控制策略研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
赵俊瑞: "基于信息融合的微电网故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
陈冬冬: "电力负荷特性及其优化调控方法的探讨", 《中国新通信》 *
陈卫东: "基于图像匹配的微电网负荷响应分布式电源波动控制方法", 《中国电力》 *
陈秋南 等: "基于特征匹配的分布式电源与地区负荷的适应性分析", 《中国电力》 *
陈达威 等: "微电网负荷优化分配", 《电力系统自动化》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116488141A (zh) * 2023-03-22 2023-07-25 国家能源集团乐东发电有限公司 一种基于多能互补的电网能量供应方法及系统
CN116488141B (zh) * 2023-03-22 2023-10-27 国家能源集团乐东发电有限公司 一种基于多能互补的电网能量供应方法及系统

Also Published As

Publication number Publication date
CN112801115B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN108205717A (zh) 一种光伏发电功率多时间尺度预测方法
Kang et al. A weight-incorporated similarity-based clustering ensemble method based on swarm intelligence
Sivalingam et al. A modified whale optimization algorithm-based adaptive fuzzy logic PID controller for load frequency control of autonomous power generation systems
Zhang et al. A new index and classification approach for load pattern analysis of large electricity customers
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
CN105186525B (zh) 风电接入下无功电压控制分区方法
CN105138849B (zh) 一种基于ap聚类的无功电压控制分区方法
CN108985515B (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
CN105631528B (zh) 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN109492748A (zh) 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法
CN116128150B (zh) 一种基于两级优化的光伏智能出力预测方法
CN112801115B (zh) 基于微电网源荷综合特性图像的电源波动控制方法及应用
Rodemann A many-objective configuration optimization for building energy management
Lin et al. Designing mamdani type fuzzy rule using a collaborative FCM scheme
CN117498400B (zh) 一种分布式光伏与储能数据的处理方法及系统
CN116993205A (zh) 一种面向城市综合能源系统日内运行的调节能力评估方法
CN116667369A (zh) 一种基于图卷积神经网络的分布式光伏电压控制方法
CN117034046A (zh) 一种基于isodata聚类的柔性负荷可调潜力评估方法
CN110852370A (zh) 基于聚类算法的大工业用户细分方法
CN115021269A (zh) 基于数据驱动的两阶段最优潮流求解方法
Li et al. Pso algorithm-based design of intelligent education personalization system
CN114580298A (zh) 一种基于rbf-isbo的微电网优化调度方法及系统
CN115688535A (zh) 基于波形相似性分析的功率数据组合插值方法及系统
CN115730635A (zh) 一种电动汽车负荷预测方法

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