CN112865089A - 一种改进的主动配电网大规模场景分析方法 - Google Patents
一种改进的主动配电网大规模场景分析方法 Download PDFInfo
- Publication number
- CN112865089A CN112865089A CN202110131046.7A CN202110131046A CN112865089A CN 112865089 A CN112865089 A CN 112865089A CN 202110131046 A CN202110131046 A CN 202110131046A CN 112865089 A CN112865089 A CN 112865089A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- scene
- distribution network
- analysis method
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 20
- 238000005315 distribution function Methods 0.000 claims abstract description 16
- 238000003064 k means clustering Methods 0.000 claims abstract description 15
- 238000005070 sampling Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- 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
-
- 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
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种改进的主动配电网大规模场景分析方法,包括以下步骤:获取历史数据,所述历史数据包括风电数据、光伏数据和负荷数据;以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景;以类间距离L1和类内距离L2的比值LS最大为k值的选取依据,使用k‑means聚类算法对生成的场景进行场景缩减,得到典型规划场景。与现有技术相比,本发明改进了场景缩减部分,根据类间距离L1和类内距离L2的比值LS来找到k值的最优大小,可以得到最佳聚类数,既能保证分类效果,也能保证与原始数据的契合度。
Description
技术领域
本发明涉及配电网领域,尤其是涉及一种改进的主动配电网大规模场景分析方法。
背景技术
能源对人类的生存与社会的发展来说是不可或缺的重要部分,随着电力需求的持续增长、传统能源紧缺形式的不断加深以及环境问题的日益突出,分布式电源(DG,Distributed Generation)尤其是可再生能源发电技术的发展获得了广泛支持。主动配电网(Active Distribution Network,ADN)以其灵活、兼容以及优化等特性,是未来智能配电网实现对大量接入的分布式电源进行主动管理的有效解决方案。但大量分布式电源的接入将增加配电网运行的复杂性和不确定性,也会给配电网规划带来重大影响,所以在配电系统中必须合理规划分布式电源的安装位置和容量。
传统的基于确定性因素分析计算的配电网规划方法过于简单,对于具有随机性、波动性的分布式电源接入的配电网已不再适用。近年来较多文献对配电网不确定性规划问题进行了分析和研究。其中场景分析是处理难以用数学模型描述的随机性问题的一种有效方法。
目前,场景分析方法分为场景生成和场景缩减两部分。场景生成是对不确定场景进行分析,产生符合其场景特性以及概率分布函数的大量原始场景,主要方法有蒙特卡洛及拉丁超立方抽样法、ARMA误差模型法、场景树法以及概率预测法。场景缩减法主要分为确定性场景缩减和不确定性场景缩减。确定性场景缩减方法适用于变化规律确定的场景,应用范围较小,不适合主动配电网这种不确定性场景。不确定性场景缩减包括后向缩减法、快速向前选择法、场景树构建法以及聚类分析法,前三种场景缩减方法主要用于场景数较少的情况,不能用于电力系统这种大规模场景。当对电力系统大规模不确定性场景进行分析时主要应用聚类算法进行场景缩减。聚类算法又分为划分聚类算法、层次聚类算法、模糊聚类算法。层次聚类算法每次迭代都需要计算层间的最小距离,计算量较大,当场景数较多时,计算时间过长,效率降低。模糊聚类算法进行场景缩减时需要建立存储隶属矩阵,需要迭代计算,当场景数较大时计算复杂度升高,且不能得出聚类后的准确集合。常用的划分聚类算法K-Means聚类算法虽然具有较高的性能优势,但是其弊端为初始质心的选取过于随机,往往会导致的聚类结果不稳定和聚类精度不高。
因此,需要一种改进的场景分析方法,以提升场景缩减部分的聚类算法的精度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种改进的主动配电网大规模场景分析方法,改进了场景缩减部分,根据类间距离L1和类内距离L2的比值LS来找到k值的最优大小,可以得到最佳聚类数,既能保证分类效果,也能保证与原始数据的契合度。
本发明的目的可以通过以下技术方案来实现:
一种改进的主动配电网大规模场景分析方法,包括以下步骤:
S1、获取历史数据,所述历史数据包括风电数据、光伏数据和负荷数据;
S2、以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景;
S3、以类间距离L1和类内距离L2的比值LS最大为k值的选取依据,使用k-means聚类算法对生成的场景进行场景缩减,得到典型规划场景。
进一步的,所述步骤S1中,获取1年内的风电数据、光伏数据和负荷数据。
进一步的,所述步骤S2中利用拉丁超立方抽样法对风电数据、光伏数据和负荷数据的概率密度分布函数的随机变量进行逆变换抽样,生成多个数据集,每个数据集表征一个场景。
更进一步的,风电数据服从威布尔概率密度分布函数。
更进一步的,光伏数据服从贝塔概率密度分布函数。
进一步的,所述步骤S3包括以下步骤:
S31:最优LS的值初始化为0;
S32:选取一个k值;
S33:选择k个场景作为质心,使用k-means聚类算法进行场景缩减,得到k个类;
S34:基于当前聚类结果下的类间距离L1和类内距离L2的比值得到当前LS,若当前LS的值大于最优LS,则更新最优LS的值,当前k值作为最优k值,当前聚类结果作为最优聚类结果,执行步骤S35,否则,直接执行步骤S35;
S35:若算法收敛,则输出最优k值和最优聚类结果,得到典型规划场景,否则,重新选取一个k值,执行步骤S33。
更进一步的,所述步骤S32具体为:获取预设置的k值取值范围,自取值范围中选取一个k值,将该k值自取值范围中移除。
更进一步的,所述步骤S35中重新选取一个k值具体为:自预设置的k值取值范围中选取一个k值,将该k值自取值范围中移除。
更进一步的,所述步骤S33中使用k-means聚类算法时还包括对数据进行标准化处理。
更进一步的,所述步骤S35中,算法收敛具体为:步骤S35的执行次数等于预设置的最大执行次数或最优LS的值大于预设置的优化阈值。
与现有技术相比,本发明具有以下有益效果:
(1)改进了场景缩减部分,根据类间距离L1和类内距离L2的比值LS来找到k值的最优大小,可以得到最佳聚类数,既能保证分类效果,也能保证与原始数据的契合度。
(2)通过拉丁超立方抽样对服从威布尔分布的风速概率密度分布函数和服从贝塔概分布的光伏率密度分布函数进行逆向抽样,将连续的数据离散化得到大量原始场景。
(3)先生成大量场景,再通过k-means聚类进行场景缩减,得到少量具有代表性的典型场景,提高后续分布式电源的规划研究的计算效率。
附图说明
图1为实施例中场景分析的流程图;
图2为实施例中生成的场景示意图;
图3为实施例中聚类后的场景示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1:
一种改进的主动配电网大规模场景分析方法,如图1所示,包括以下步骤:
S1、获取历史数据,所述历史数据包括风电数据、光伏数据和负荷数据;本实施例中,获取1年内的风电数据、光伏数据和负荷数据。
电力系统的运行规划涉及对大量场景进行评价分析的过程,需要综合考虑风、光及负荷变化的时序特性,场景分析过程采用全部历史数据进行多场景分析。
S2、以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景,如图2所示;
利用HONER软件得出某地的年风电,光伏以及负荷的变化数据,首先以季度为单位,然后以月为单位,最后以日为单位对真实场景的变化规律进行分析。得出风速的概率分布服从威布尔分布,并列出威布尔概率密度分布函数;而光伏的概率分布服从贝塔分布,并列出贝塔概率密度分布函数。
利用拉丁超立方抽样法对风电数据、光伏数据和负荷数据的概率密度分布函数的随机变量进行逆变换抽样,将连续的数据离散化得到大量场景,生成多个数据集,每个数据集表征一个场景。
“场景”是在含有不确定性因素的求解问题中描述随机性和波动性的输入数据。场景缩减是对待聚类对象进行缩减合并的过程。以风电为例,以日为场景分析的基本单位进行重构和缩减,假设周期内历史风电出力场景总数为N,每日的风电数据为一个场景n(n=1,2…N),每个场景n有T个时刻的风电测量数据,则全周期的风电出力场景可有N*T表示。
生成大量场景后,虽然结果分析相对全面,但是计算量急剧增加,求解变的困难。如何将大量场景合并缩减形成具有代表性的场景就显得尤为重要。本发明就是通过改进的聚类算法将大规模原始场景进行缩减,得到具有代表性的典型场景,减小后期的计算量,兼顾计算效率和精度,提高后续分布式电源的规划研究的计算效率。
S3、以类间距离L1和类内距离L2的比值LS最大为k值的选取依据,使用k-means聚类算法对生成的场景进行场景缩减,得到典型规划场景,如图3所示。
通过聚类技术对比不同的场景数据,通过k-means聚类算法将原始N个场景进行缩减,缩减为k个场景,得到k*T阶矩阵数据。典型场景划分过程中虽然场景数减少,但每个场景的T个时刻的数据时序性保持不变,从而确保出力场景的时序特性。计算该k值下的类间距离(L1)和类内距离(L2)的比值LS,LS越大则聚类效果越好。确定最优聚类k值,将最优聚类k值下的聚类效果转化成对应的场景数据集。同理对光伏出力时序数据和负荷时序数据进行场景缩减,生成少量典型时序场景。
步骤S3包括以下步骤:
S31:最优LS的值初始化为0;
S32:选取一个k值;具体为:获取预设置的k值取值范围,自取值范围中选取一个k值,将该k值自取值范围中移除。
S33:选择k个场景作为质心,使用k-means聚类算法进行场景缩减,得到k个类;在使用k-means聚类算法时还包括对数据进行标准化处理。
S34:基于当前聚类结果下的类间距离L1和类内距离L2的比值得到当前LS,若当前LS的值大于最优LS,则更新最优LS的值,当前k值作为最优k值,当前聚类结果作为最优聚类结果,执行步骤S35,否则,直接执行步骤S35;
S35:若算法收敛,则输出最优k值和最优聚类结果,得到典型规划场景,否则,重新选取一个k值,执行步骤S33。重新选取一个k值具体为:自预设置的k值取值范围中选取一个k值,将该k值自取值范围中移除。
算法收敛具体为:步骤S35的执行次数等于预设置的最大执行次数或最优LS的值大于预设置的优化阈值。
传统k-means聚类方法不能给出最优聚类k值,往往依据经验选取最佳k值,或以与原始数据的契合度为标准对最佳k值进行判断,k值越大越接近原始场景数据,与原始场景的契合度也越高,但伴随k值的增大计算量也随之增大,体现不出k-means聚类算法的优越性。本发明将类间距离L1与类内距离L2的比值LS作为选择最优k值的判断依据,类间聚类越大或类内距离越小时聚类效果越好,且LS值都会变大,因此以LS值的大小作为最佳k值的选择依据。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种改进的主动配电网大规模场景分析方法,其特征在于,包括以下步骤:
S1、获取历史数据,所述历史数据包括风电数据、光伏数据和负荷数据;
S2、以风电数据、光伏数据和负荷数据的概率密度分布函数为依据生成大量场景;
S3、以类间距离L1和类内距离L2的比值LS最大为k值的选取依据,使用k-means聚类算法对生成的场景进行场景缩减,得到典型规划场景。
2.根据权利要求1所述的一种改进的主动配电网大规模场景分析方法,其特征在于,所述步骤S1中,获取1年内的风电数据、光伏数据和负荷数据。
3.根据权利要求1所述的一种改进的主动配电网大规模场景分析方法,其特征在于,所述步骤S2中利用拉丁超立方抽样法对风电数据、光伏数据和负荷数据的概率密度分布函数的随机变量进行逆变换抽样,生成多个数据集,每个数据集表征一个场景。
4.根据权利要求3所述的一种改进的主动配电网大规模场景分析方法,其特征在于,风电数据服从威布尔概率密度分布函数。
5.根据权利要求3所述的一种改进的主动配电网大规模场景分析方法,其特征在于,光伏数据服从贝塔概率密度分布函数。
6.根据权利要求1所述的一种改进的主动配电网大规模场景分析方法,其特征在于,所述步骤S3包括以下步骤:
S31:最优LS的值初始化为0;
S32:选取一个k值;
S33:选择k个场景作为质心,使用k-means聚类算法进行场景缩减,得到k个类;
S34:基于当前聚类结果下的类间距离L1和类内距离L2的比值得到当前LS,若当前LS的值大于最优LS,则更新最优LS的值,当前k值作为最优k值,当前聚类结果作为最优聚类结果,执行步骤S35,否则,直接执行步骤S35;
S35:若算法收敛,则输出最优k值和最优聚类结果,得到典型规划场景,否则,重新选取一个k值,执行步骤S33。
7.根据权利要求6所述的一种改进的主动配电网大规模场景分析方法,其特征在于,所述步骤S32具体为:获取预设置的k值取值范围,自取值范围中选取一个k值,将该k值自取值范围中移除。
8.根据权利要求7所述的一种改进的主动配电网大规模场景分析方法,其特征在于,所述步骤S35中重新选取一个k值具体为:自预设置的k值取值范围中选取一个k值,将该k值自取值范围中移除。
9.根据权利要求6所述的一种改进的主动配电网大规模场景分析方法,其特征在于,所述步骤S33中使用k-means聚类算法时还包括对数据进行标准化处理。
10.根据权利要求6所述的一种改进的主动配电网大规模场景分析方法,其特征在于,所述步骤S35中,算法收敛具体为:步骤S35的执行次数等于预设置的最大执行次数或最优LS的值大于预设置的优化阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131046.7A CN112865089A (zh) | 2021-01-30 | 2021-01-30 | 一种改进的主动配电网大规模场景分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110131046.7A CN112865089A (zh) | 2021-01-30 | 2021-01-30 | 一种改进的主动配电网大规模场景分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112865089A true CN112865089A (zh) | 2021-05-28 |
Family
ID=75987139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110131046.7A Pending CN112865089A (zh) | 2021-01-30 | 2021-01-30 | 一种改进的主动配电网大规模场景分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112865089A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283043A (zh) * | 2021-06-17 | 2021-08-20 | 华北电力大学 | 一种适用于高维大规模场景的场景约简求解方法 |
CN113569961A (zh) * | 2021-07-30 | 2021-10-29 | 上海电机学院 | 一种电网节点分类方法及计算机可读介质 |
CN116227751A (zh) * | 2023-05-09 | 2023-06-06 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859383A (zh) * | 2010-06-08 | 2010-10-13 | 河海大学 | 基于时间序列重要点分析的高光谱遥感图像波段选择方法 |
CN107818334A (zh) * | 2017-09-29 | 2018-03-20 | 北京邮电大学 | 一种移动互联网用户访问模式表征和聚类方法 |
CN111598148A (zh) * | 2020-04-29 | 2020-08-28 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
-
2021
- 2021-01-30 CN CN202110131046.7A patent/CN112865089A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859383A (zh) * | 2010-06-08 | 2010-10-13 | 河海大学 | 基于时间序列重要点分析的高光谱遥感图像波段选择方法 |
CN107818334A (zh) * | 2017-09-29 | 2018-03-20 | 北京邮电大学 | 一种移动互联网用户访问模式表征和聚类方法 |
CN111598148A (zh) * | 2020-04-29 | 2020-08-28 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
Non-Patent Citations (1)
Title |
---|
彭春华 等: "基于K-均值聚类多场景时序特性分析的分布式电源多目标规划", 电力自动化设备, vol. 35, no. 10, 31 October 2015 (2015-10-31), pages 58 - 65 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283043A (zh) * | 2021-06-17 | 2021-08-20 | 华北电力大学 | 一种适用于高维大规模场景的场景约简求解方法 |
CN113283043B (zh) * | 2021-06-17 | 2023-08-22 | 华北电力大学 | 一种适用于高维大规模场景的场景约简求解方法 |
CN113569961A (zh) * | 2021-07-30 | 2021-10-29 | 上海电机学院 | 一种电网节点分类方法及计算机可读介质 |
CN113569961B (zh) * | 2021-07-30 | 2024-01-26 | 上海电机学院 | 一种电网节点分类方法及计算机可读介质 |
CN116227751A (zh) * | 2023-05-09 | 2023-06-06 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
CN116227751B (zh) * | 2023-05-09 | 2023-07-07 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112865089A (zh) | 一种改进的主动配电网大规模场景分析方法 | |
CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及系统 | |
CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
CN108599172B (zh) | 一种基于人工神经网络的输配网全局潮流计算方法 | |
CN107480825B (zh) | 一种计及容量可信度的光伏电站优化规划方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN111103477B (zh) | 一种基于3d卷积神经网络的电气负载监测方法和系统 | |
Li et al. | A stratified method for large-scale power system transient stability assessment based on maximum relevance minimum redundancy arithmetic | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
Wang et al. | Renewable energy sources planning considering approximate dynamic network reconfiguration and nonlinear correlations of uncertainties in distribution network | |
CN110909786A (zh) | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 | |
CN112418732B (zh) | 一种含多能量枢纽综合能源系统规划方法及系统 | |
Wu et al. | Uncertain flow calculations of a distribution network containing DG based on blind number theory | |
CN107276093B (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
CN110189230B (zh) | 一种动态分区的解析化模型的构建方法 | |
Wang et al. | Three‐phase power flow calculation considering probability and interval uncertainties for power distribution systems | |
CN115544871A (zh) | 考虑可再生电源空间相关性的分布鲁棒型储能规划方法 | |
CN112217215B (zh) | 一种基于psd-bpa的大型电力系统随机潮流计算方法 | |
Dong et al. | Scenario reduction network based on Wasserstein distance with regularization | |
Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
CN113222216A (zh) | 冷热电负荷预测方法、装置及系统 | |
CN112365134A (zh) | 一种基于点估计法概率多能流的能源网络随机规划方法 | |
Dong et al. | An integrated ultra short term power forecasting method for regional wind–pv–hydro | |
CN116976060B (zh) | 分布式新能源集群-负荷-网络动态重构的灵活组网方法 | |
Qin et al. | Day-Ahead Wind Power Forecasting Based on Wind Load Data Using Hybrid Optimization Algorithm. Sustainability 2021, 13, 1164 |
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 |