CN113094899B - 一种随机潮流计算方法、装置、电子设备及存储介质 - Google Patents
一种随机潮流计算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113094899B CN113094899B CN202110373210.5A CN202110373210A CN113094899B CN 113094899 B CN113094899 B CN 113094899B CN 202110373210 A CN202110373210 A CN 202110373210A CN 113094899 B CN113094899 B CN 113094899B
- Authority
- CN
- China
- Prior art keywords
- data sample
- flow calculation
- sample set
- power flow
- data
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 39
- 238000012163 sequencing technique Methods 0.000 claims abstract description 23
- 238000007619 statistical method Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 12
- 238000006467 substitution reaction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种随机潮流计算方法、装置、电子设备及存储介质,该方法包括:获取电力系统中各节点的数据样本;利用数据样本,建立多组数据样本集;计算各数据样本集之间的距离,以得到多组数据样本集对应的样本距离矩阵;根据样本距离矩阵,确定多组数据样本集的目标排序结果;按照目标排序结果,对多组数据样本集进行潮流计算,以得到电力系统的潮流计算结果。上述方案提供的随机潮流计算方法,通过在进行潮流计算之前,先按照不同的随机数据样本集之间的相似度,对其进行排序,减少了潮流计算过程中的迭代次数,提高了随机潮流计算效率。
Description
技术领域
本申请涉及电力技术领域,尤其涉及一种随机潮流计算方法、装置、电子设备及存储介质。
背景技术
随着电网建设的不断推进,电网运行的不确定性、动态性和多元性也在显著增强。为了提高电网的安全性,需要为电力系统实时制定调控决策,而电力系统的随机潮流计算结果直接影响着调度决策结果的可靠性。
在现有技术中,通常通过概率采样构建场景库,对每一个场景进行确定性分析,并根据多个场景的计算结果得到潮流的近似概率分布,在这个过程中需要进行多次潮流仿真计算。
但是,由于目前电力系统的节点规模通常较大,若基于现有技术进行随机潮流计算,将消耗大量的计算资源,且计算效率较低。
发明内容
本申请提供一种随机潮流计算方法、装置、电子设备及存储介质,以解决现有技术的计算效率较低等缺陷。
本申请第一个方面提供一种随机潮流计算方法,包括:
获取电力系统中各节点的数据样本;
利用所述数据样本,建立多组数据样本集;
计算各数据样本集之间的距离,以得到所述多组数据样本集对应的样本距离矩阵;
根据所述样本距离矩阵,确定所述多组数据样本集的目标排序结果;
按照所述目标排序结果,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果。
可选的,在获取电力系统中各节点的数据样本之前,所述方法还包括:
获取电力系统中各节点的有功功率历史测量数据;
根据所述有功功率历史测量数据,生成各节点的有功功率概率分布模型;
利用所述有功功率概率分布模型,生成各节点的数据样本。
可选的,所述根据所述样本距离矩阵,确定所述多组数据样本集的目标排序结果,包括:
从所述样本距离矩阵中选取最小距离元素;
将所述最小距离元素对应的数据样本集,分别确定为第一数据样本集和第二数据样本集;
剔除所述第一数据样本集对应的距离元素;
从所述样本距离矩阵中选取与第二数据样本集相关的当前最小距离元素;
将所述当前最小距离元素对应的另一数据样本集,确定为当前的第二数据样本集,将原第二数据样本集,确定为当前的第一数据样本集,并返回到所述剔除所述第一数据样本集对应的距离元素的步骤。
可选的,所述按照所述目标排序结果,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果,包括:
按照所述目标排序结果,利用前推回代法或牛顿迭代法,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果。
可选的,还包括:
获取所述电力系统的统计分析需求;
根据所述统计分析需求和所述潮流计算结果,确定统计分析结果。
本申请第二个方面提供一种随机潮流计算装置,包括:
获取模块,用于获取电力系统中各节点的数据样本;
建立模块,用于利用所述数据样本,建立多组数据样本集;
第一计算模块,用于计算各数据样本集之间的距离,以得到所述多组数据样本集对应的样本距离矩阵;
排序模块,用于根据所述样本距离矩阵,确定所述多组数据样本集的目标排序结果;
第二计算模块,用于按照所述目标排序结果,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果。
可选的,所述获取模块,还用于:
获取电力系统中各节点的有功功率历史测量数据;
根据所述有功功率历史测量数据,生成各节点的有功功率概率分布模型;
利用所述有功功率概率分布模型,生成各节点的数据样本。
可选的,所述排序模块,具体用于:
从所述样本距离矩阵中选取最小距离元素;
将所述最小距离元素对应的数据样本集,分别确定为第一数据样本集和第二数据样本集;
剔除所述第一数据样本集对应的距离元素;
从所述样本距离矩阵中选取与第二数据样本集相关的当前最小距离元素;
将所述当前最小距离元素对应的另一数据样本集,确定为当前的第二数据样本集,将原第二数据样本集,确定为当前的第一数据样本集,并返回到所述剔除所述第一数据样本集对应的距离元素的步骤。
可选的,所述第二计算模块,具体用于:
按照所述目标排序结果,利用前推回代法或牛顿迭代法,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果。
可选的,还包括:
统计分析模块,用于获取所述电力系统的统计分析需求;根据所述统计分析需求和所述潮流计算结果,确定统计分析结果。
本申请第三个方面提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请第四个方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一个方面以及第一个方面各种可能的设计所述的方法。
本申请技术方案,具有如下优点:
本申请提供的随机潮流计算方法、装置、电子设备及存储介质,通过获取电力系统中各节点的数据样本;利用所述数据样本,建立多组数据样本集;计算各数据样本集之间的距离,以得到所述多组数据样本集对应的样本距离矩阵;根据所述样本距离矩阵,确定所述多组数据样本集的目标排序结果;按照所述目标排序结果,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果。上述方案提供的随机潮流计算方法,通过在进行潮流计算之前,先按照不同的随机数据样本集之间的相似度,对其进行排序,减少了潮流计算过程中的迭代次数,提高了随机潮流计算效率。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例基于的随机潮流计算系统的结构示意图;
图2为本申请实施例提供的随机潮流计算方法的流程示意图;
图3为本申请实施例提供的示例性的节点分布图;
图4为本申请实施例提供的潮流求解迭代次数对比图;
图5为本申请实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。在以下各实施例的描述中,“多个”的含义是两个以上,除非另有明确具体的限定。
在现有技术中,通常通过概率采样构建场景库,对每一个场景进行确定性分析,并根据多个场景的计算结果得到潮流的近似概率分布,在这个过程中需要进行多次潮流仿真计算。但是,由于目前电力系统的节点规模通常较大,若基于现有技术进行随机潮流计算,将消耗大量的计算资源,且计算效率较低。
针对上述问题,本申请实施例提供的随机潮流计算方法、装置、电子设备及存储介质,通过获取电力系统中各节点的数据样本;利用数据样本,建立多组数据样本集;计算各数据样本集之间的距离,以得到多组数据样本集对应的样本距离矩阵;根据样本距离矩阵,确定多组数据样本集的目标排序结果;按照目标排序结果,对多组数据样本集进行潮流计算,以得到电力系统的潮流计算结果。上述方案提供的随机潮流计算方法,通过在进行潮流计算之前,先按照不同的随机数据样本集之间的相似度,对其进行排序,减少了潮流计算过程中的迭代次数,提高了随机潮流计算效率。
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明实施例进行描述。
首先,对本申请所基于的随机潮流计算系统的结构进行说明:
本申请实施例提供的随机潮流计算方法、装置、电子设备及存储介质,适用于对电力系统进行随机潮流计算。如图1所示,为本申请实施例基于的随机潮流计算系统的结构示意图,主要包括电力系统和用于进行随机潮流计算的随机潮流计算装置。具体地,利用随机潮流计算装置获取电力系统中的数据样本,并根据得到的数据样本,对电力系统进行随机潮流计算。
本申请实施例提供了一种随机潮流计算方法,用于对电力系统进行随机潮流计算。本申请实施例的执行主体为电子设备,比如服务器、台式电脑、笔记本电脑、平板电脑及其他可用于进行随机潮流计算的电子设备。
如图2所示,为本申请实施例提供的随机潮流计算方法的流程示意图,该方法包括:
步骤201,获取电力系统中各节点的数据样本。
需要说明的是,节点主要可以指电力系统中的随机负荷节点和分布式电源节点,数据样本可以是有功功率数据样本或其他可用于随机潮流计算的数据样本。
具体地,在一实施例中,在获取电力系统中各节点的数据样本之前,可以获取电力系统中各节点的有功功率历史测量数据;根据有功功率历史测量数据,生成各节点的有功功率概率分布模型;利用有功功率概率分布模型,生成各节点的数据样本。
具体地,可以利用直方图法或特定概率分布参数拟合方法,建立第i个节点的有功功率概率分布模型。根据拟合方法的不同,该有功功率概率分布模型可以是符合某特定典型概率分布曲线的特征参数,或者是分布规律不限定的概率密度函数。最后,利用各节点的有功功率概率分布模型,分别为各节点随机生成多个有功功率随机样本(数据样本)。
步骤202,利用数据样本,建立多组数据样本集。
其中,任意一组数据样本集中包括各节点对应的一个数据样本。
步骤203,计算各数据样本集之间的距离,以得到多组数据样本集对应的样本距离矩阵。
示例性的,将第m个节点的第n个数据样本记作dm,n,形成样本集DM,N,即{dm,n,m=1,...,M,n=1,...,N},将所有节点的第n个数据记作第n组数据样本集Dn,即{d1,n,d2,n,...dM,n},是1×M维数组。
其中,各数据样本集之间的距离计算公式如下:
示例性的,多组数据样本集对应的样本距离矩阵可以表示为LN,N。
步骤204,根据样本距离矩阵,确定多组数据样本集的目标排序结果。
需要说明的是,目标排序结果表示各组数据样本集对应的计算顺序。
具体地,在一实施例中,可以从样本距离矩阵中选取最小距离元素;将最小距离元素对应的数据样本集,分别确定为第一数据样本集和第二数据样本集;剔除第一数据样本集对应的距离元素;从样本距离矩阵中选取与第二数据样本集相关的当前最小距离元素;将当前最小距离元素对应的另一数据样本集,确定为当前的第二数据样本集,将原第二数据样本集,确定为当前的第一数据样本集,并返回到剔除第一数据样本集对应的距离元素的步骤。
示例性的,若上述样本距离矩阵LN,N中的L34为最小距离元素,则可以将数据样本集D3确定为第一数据样本集,将数据样本集D4确定为第二数据样本集,即将数据样本集D3排序在第一位,将数据样本集D4排序在第二位,并剔除样本距离矩阵LN,N中的第三行和第三列,具体可以将第三行和第三列上的所有距离元素设置为最大值max。
进一步地,再次从样本距离矩阵中选取与数据样本集D4相关的最小的距离元素,若当前最小距离元素为L47,则可以将与数据样本集D4确定为当前的第一数据样本集,将与数据样本集D7确定为当前的第二数据样本集,即将数据样本集D7排序在第三位。然后将第四行和第四列上的所有距离元素设置为最大值max。以此类推,至到整个样本距离矩阵中各距离元素均被设置为最大值max为止,此时已得到各数据样本集对应的目标排序结果。
步骤205,按照目标排序结果,对多组数据样本集进行潮流计算,以得到电力系统的潮流计算结果。
具体地,对按照目标排序结果排序后的数据样本集,顺序地进行基波潮流求解,将前次计算结果作为下次结果的初始解,进行新一轮前推回代迭代,直到收敛得到一个潮流计算结果。在得到多组数据样本集对应的潮流计算结果集(电力系统的潮流计算结果)后,计算相关电能质量评价指标的概率统计结果。并在随机基波潮流的基础上,设定谐波源发射特性,进行随机谐波潮流求解。
具体地,在一实施例中,可以按照目标排序结果,利用前推回代法或牛顿迭代法,对多组数据样本集进行潮流计算,以得到电力系统的潮流计算结果。
需要说明的是,也可以采用前推回代法和牛顿迭代法以外的其他方法进行潮流计算,具体本申请实施例不做限定。
进一步地,在一实施例中,可以获取电力系统的统计分析需求;根据统计分析需求和随机潮流计算结果,确定统计分析结果。
示例性的,在经过对所有数据样本组进行潮流计算,得到潮流计算结果集后。在此基础上,利用多次潮流计算结果,进行统计分析,可包括各节点电压偏差及三相电压不平衡度的期望值、方差值以及95%概率值等。在随机基波潮流的基础上,对电网中的谐波源,设定其谐波电流幅值(相对于基波电流的谐波电流含有率)及相角(相对于A相基波电压的相角),进行随机谐波潮流求解,并得到结果集,进行统计分析,计算得出各节点谐波电压及各支路谐波电流的期望值、方差值以及95%概率值等。
为了方便本领域技术人员更清楚地了解本申请实施例提供的随机潮流计算方法,本申请实施例提供了如下示例性的实验数据:
利用IEEE 13配电网进行验证计算,网络(电力系统)中共设有3类随机负荷概率分布特征、3种分布式电源的概率分布特征,其中,如图3所示,为本申请实施例提供的示例性的节点分布图,其参数设置如下表。
表1.负荷及分布式电源概率参数
随机仿真次数1500次及5000次,分别对未排序,以及按申请实施例提供的随机潮流计算方法排序后进行仿真,其总体求解迭代次数及用时对比如下表所示:
表2. 1500次仿真迭代次数及用时对比
潮流求解迭代总次数 | 潮流求解总时间(us) | |
未使用优化排序前 | 8786 | 202899 |
优化排序后 | 4092 | 59248 |
表3. 5000次仿真迭代次数及用时对比
潮流求解迭代总次数 | 潮流求解总时间(us) | |
未使用优化排序前 | 30621 | 762174 |
优化排序后 | 14144 | 328135 |
其中,如图4所示,为本申请实施例提供的潮流求解迭代次数对比图。申请实施例提供的随机潮流计算方法可节省潮流求解迭代次数约一倍,并有效缩短求解时间,节省了计算资源,同时提高了计算效率。
本申请实施例提供的随机潮流计算方法,通过获取电力系统中各节点的数据样本;利用数据样本,建立多组数据样本集;计算各数据样本集之间的距离,以得到多组数据样本集对应的样本距离矩阵;根据样本距离矩阵,确定多组数据样本集的目标排序结果;按照目标排序结果,对多组数据样本集进行潮流计算,以得到电力系统的潮流计算结果。上述方案提供的随机潮流计算方法,通过在进行潮流计算之前,先按照不同的随机数据样本集之间的相似度,对其进行排序,减少了潮流计算过程中的迭代次数,提高了随机潮流计算效率。并且,缩短了潮流求解时间,节省了计算资源。
本申请实施例提供了一种随机潮流计算装置,用于执行上述实施例提供的随机潮流计算方法。
该随机潮流计算装置包括:获取模块、建立模块、第一计算模块、排序模块和第二计算模块。
其中,获取模块,用于获取电力系统中各节点的数据样本;建立模块,用于利用数据样本,建立多组数据样本集;第一计算模块,用于计算各数据样本集之间的距离,以得到多组数据样本集对应的样本距离矩阵排序模块,用于根据样本距离矩阵,确定多组数据样本集的目标排序结果;第二计算模块,用于按照目标排序结果,对多组数据样本集进行潮流计算,以得到电力系统的潮流计算结果。
具体地,在一实施例中,获取模块,还用于:
获取电力系统中各节点的有功功率历史测量数据;
根据有功功率历史测量数据,生成各节点的有功功率概率分布模型;
利用有功功率概率分布模型,生成各节点的数据样本。
具体地,在一实施例中,排序模块,具体用于:
从样本距离矩阵中选取最小距离元素;
将最小距离元素对应的数据样本集,分别确定为第一数据样本集和第二数据样本集;
剔除第一数据样本集对应的距离元素;
从样本距离矩阵中选取与第二数据样本集相关的当前最小距离元素;
将当前最小距离元素对应的另一数据样本集,确定为当前的第二数据样本集,将原第二数据样本集,确定为当前的第一数据样本集,并返回到剔除第一数据样本集对应的距离元素的步骤。
具体地,在一实施例中,第二计算模块,具体用于:
按照目标排序结果,利用前推回代法或牛顿迭代法,对多组数据样本集进行潮流计算,以得到电力系统的潮流计算结果。
具体地,在一实施例中,还包括:
统计分析模块,用于获取电力系统的统计分析需求;根据统计分析需求和潮流计算结果,确定统计分析结果。
关于本实施例中的随机潮流计算装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本申请实施例提供的随机潮流计算装置,用于执行上述实施例提供的随机潮流计算方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种电子设备,用于执行上述实施例提供的随机潮流计算方法。
如图5所示,为本申请实施例提供的电子设备的结构示意图。该电子设备50包括:至少一个处理器51和存储器52;
存储器存储计算机执行指令;至少一个处理器执行存储器存储的计算机执行指令,使得至少一个处理器执行如上实施例提供的随机潮流计算方法。
本申请实施例提供的一种电子设备,用于执行上述实施例提供的随机潮流计算方法,其实现方式与原理相同,不再赘述。
本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当处理器执行计算机执行指令时,实现如上任一实施例提供的随机潮流计算方法。
本申请实施例的包含计算机可执行指令的存储介质,可用于存储前述实施例中提供的随机潮流计算方法的计算机执行指令,其实现方式与原理相同,不再赘述。
本领域技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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,或者对其中部分或者全部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申请各实施例技术方案的范围。
Claims (8)
1.一种随机潮流计算方法,其特征在于,包括:
获取电力系统中各节点的数据样本;
利用所述数据样本,建立多组数据样本集;
计算各数据样本集之间的距离,以得到所述多组数据样本集对应的样本距离矩阵;
根据所述样本距离矩阵,确定所述多组数据样本集的目标排序结果;
按照所述目标排序结果,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果;
所述根据所述样本距离矩阵,确定所述多组数据样本集的目标排序结果,包括:
从所述样本距离矩阵中选取最小距离元素;
将所述最小距离元素对应的数据样本集,分别确定为第一数据样本集和第二数据样本集;
剔除所述第一数据样本集对应的距离元素;
从所述样本距离矩阵中选取与第二数据样本集相关的当前最小距离元素;
将所述当前最小距离元素对应的另一数据样本集,确定为当前的第二数据样本集,将原第二数据样本集,确定为当前的第一数据样本集,并返回到所述剔除所述第一数据样本集对应的距离元素的步骤。
2.根据权利要求1所述的方法,其特征在于,在获取电力系统中各节点的数据样本之前,所述方法还包括:
获取电力系统中各节点的有功功率历史测量数据;
根据所述有功功率历史测量数据,生成各节点的有功功率概率分布模型;
利用所述有功功率概率分布模型,生成各节点的数据样本。
3.根据权利要求1所述的方法,其特征在于,所述按照所述目标排序结果,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果,包括:
按照所述目标排序结果,利用前推回代法或牛顿迭代法,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果。
4.根据权利要求1所述的方法,其特征在于,还包括:
获取所述电力系统的统计分析需求;
根据所述统计分析需求和所述潮流计算结果,确定统计分析结果。
5.一种随机潮流计算装置,其特征在于,包括:
获取模块,用于获取电力系统中各节点的数据样本;
建立模块,用于利用所述数据样本,建立多组数据样本集;
第一计算模块,用于计算各数据样本集之间的距离,以得到所述多组数据样本集对应的样本距离矩阵;
排序模块,用于根据所述样本距离矩阵,确定所述多组数据样本集的目标排序结果;
第二计算模块,用于按照所述目标排序结果,对所述多组数据样本集进行潮流计算,以得到所述电力系统的潮流计算结果;
所述排序模块,具体用于:
从所述样本距离矩阵中选取最小距离元素;
将所述最小距离元素对应的数据样本集,分别确定为第一数据样本集和第二数据样本集;
剔除所述第一数据样本集对应的距离元素;
从所述样本距离矩阵中选取与第二数据样本集相关的当前最小距离元素;
将所述当前最小距离元素对应的另一数据样本集,确定为当前的第二数据样本集,将原第二数据样本集,确定为当前的第一数据样本集,并返回到所述剔除所述第一数据样本集对应的距离元素的步骤。
6.根据权利要求5所述的装置,其特征在于,所述获取模块,还用于:
获取电力系统中各节点的有功功率历史测量数据;
根据所述有功功率历史测量数据,生成各节点的有功功率概率分布模型;
利用所述有功功率概率分布模型,生成各节点的数据样本。
7.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至4任一项所述的方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373210.5A CN113094899B (zh) | 2021-04-07 | 2021-04-07 | 一种随机潮流计算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110373210.5A CN113094899B (zh) | 2021-04-07 | 2021-04-07 | 一种随机潮流计算方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094899A CN113094899A (zh) | 2021-07-09 |
CN113094899B true CN113094899B (zh) | 2024-06-21 |
Family
ID=76674648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110373210.5A Active CN113094899B (zh) | 2021-04-07 | 2021-04-07 | 一种随机潮流计算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094899B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113917222A (zh) * | 2021-10-13 | 2022-01-11 | 无锡金田电子有限公司 | 直流无刷电机过载电流计算方法、保护装置 |
CN116231650A (zh) * | 2022-11-09 | 2023-06-06 | 南方电网数字电网研究院有限公司 | 一种支持多源实时数据融合的电力系统在线潮流计算方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9570909B2 (en) * | 2011-07-26 | 2017-02-14 | General Electric Company | Devices and methods for decentralized power loss reduction control |
CN105226638A (zh) * | 2015-09-06 | 2016-01-06 | 清华大学 | 基于改进教与学算法的电力系统可用输电能力计算方法 |
CN105790261B (zh) * | 2016-03-29 | 2020-08-18 | 全球能源互联网研究院 | 一种随机谐波潮流计算方法 |
CN106022590B (zh) * | 2016-05-13 | 2019-12-10 | 国网北京市电力公司 | 有源配电网的电压质量评估方法和装置 |
CN106229986A (zh) * | 2016-08-30 | 2016-12-14 | 上海交通大学 | 一种电力系统的概率潮流计算方法 |
CN106877363B (zh) * | 2017-02-23 | 2020-09-04 | 全球能源互联网研究院 | 一种静止同步串联补偿器抑制系统次同步振荡方法及装置 |
CN110705887A (zh) * | 2019-10-10 | 2020-01-17 | 国网湖北省电力有限公司计量中心 | 一种基于神经网络模型的低压台区运行状态综合评价方法 |
CN111668828A (zh) * | 2020-05-09 | 2020-09-15 | 中国电力科学研究院有限公司 | 一种电力系统概率最优潮流计算方法及装置 |
-
2021
- 2021-04-07 CN CN202110373210.5A patent/CN113094899B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于分布式电源接入的主动配电网无功优化研究;孙志伟;基于分布式电源接入的主动配电网无功优化研究(第8期);全文 * |
基于场景分析的有源配电系统有功无功 协调鲁棒优化策略;黄河;电力建设;第39卷(第8期);32-41 * |
Also Published As
Publication number | Publication date |
---|---|
CN113094899A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN113505490B (zh) | 基于gmm的电力系统数字孪生体参数校正方法及装置 | |
Margaris et al. | Parallel implementations of the jacobi linear algebraic systems solve | |
CN114943372A (zh) | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 | |
CN114138231B (zh) | 执行矩阵乘法运算的方法、电路及soc | |
Smutnicki et al. | A new approach for multi-criteria scheduling | |
CN112181659A (zh) | 云仿真内存资源预测模型构建方法与内存资源预测方法 | |
CN116560984A (zh) | 一种基于调用依赖图的测试用例聚类分组方法 | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
CN113239697B (zh) | 实体识别模型训练方法、装置、计算机设备及存储介质 | |
CN111949530B (zh) | 测试结果的预测方法、装置、计算机设备及存储介质 | |
Wang et al. | Constructing cost-aware functional test-suites using nested differential evolution algorithm | |
CN113328467A (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
WO2024066143A1 (zh) | 分子碰撞截面的预测方法、装置、设备及存储介质 | |
CN111695689A (zh) | 一种自然语言处理方法、装置、设备及可读存储介质 | |
CN116682506A (zh) | 数据处理方法、训练方法、确定方法、设计方法和装置 | |
CN115358314A (zh) | 风电功率预测模型的训练和功率预测的方法、装置和设备 | |
CN115168326A (zh) | Hadoop大数据平台分布式能源数据清洗方法及系统 | |
Myoupo et al. | Coarse-grained multicomputer based-parallel algorithms for the longest common subsequence problem with a string-exclusion constraint | |
Yousif et al. | Automatic Machine Learning Classification Algorithms for Stability Detection of Smart Grid | |
CN110415006B (zh) | 广告点击率预估方法和装置 | |
Diab et al. | New objective function of parameters extraction of photovoltaic modules for plummeting execution time complexity | |
CN112100448A (zh) | 基于动态规划的有向无环图比对方法、模块及系统 | |
JP2008165694A (ja) | 連立一次方程式の求解処理方式 | |
CN116611506B (zh) | 用户分析模型训练方法、用户标签确定方法和装置 |
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 |