CN113408088A - 一种配电网智能控制方法及装置 - Google Patents

一种配电网智能控制方法及装置 Download PDF

Info

Publication number
CN113408088A
CN113408088A CN202110591139.8A CN202110591139A CN113408088A CN 113408088 A CN113408088 A CN 113408088A CN 202110591139 A CN202110591139 A CN 202110591139A CN 113408088 A CN113408088 A CN 113408088A
Authority
CN
China
Prior art keywords
load
distribution network
power distribution
data
parameters
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
Application number
CN202110591139.8A
Other languages
English (en)
Inventor
吴丽芳
秦丽文
俞小勇
周柯
奉斌
高立克
桂海涛
李欣桐
周杨珺
李珊
陈绍南
黄伟翔
吴凡
杨鑫
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
Original Assignee
Electric Power Research Institute 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 filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202110591139.8A priority Critical patent/CN113408088A/zh
Publication of CN113408088A publication Critical patent/CN113408088A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供一种配电网智能控制方法及装置，涉及电力技术领域，尤其涉及一种配电网智能控制方法及装置，包括以下步骤：获取有效负荷参数集；得出负荷分布态势集；输入态势阈值并和所述负荷分布态势集比较；根据比较结果调节配电网的负荷参数。通过动态调节配电网各节点的负荷，从而满足不断变化的配电网电能需求，实现配电网智能控制调节的灵活性。

Description

一种配电网智能控制方法及装置
技术领域
本发明涉及电力技术领域，尤其涉及一种配电网智能控制方法及装置。
背景技术
配电网重构是通过改变配电网中分段开关、联络开关的状态，从而控制配电网的网络拓扑结构来达到配电网优化的目的，配电网重构一般可分为基于某时刻点的静态重构和基于时间区间的动态重构，光伏和风电等间歇性电源具有明显的时变性和比确定性，负荷的时变性使得配电网电能需求变得更为复杂。
目前，配电网动态负荷的研究大部分是基于不同情况下恒定的电网控制参数，而且都是在一致的日负荷曲线下对各个节点的负荷进行调节，但在实际运行中，负荷和分布式电源的实时数值都会跟预测数值产生较大差异，这就导致实际运行中恒定的配电网控制参数无法适应不断变化的配电网电能需求。
发明内容
鉴于目前存在的在实际运行中，负荷和分布式电源的实时数值都会和预测数值产生较大的差异而导致实际运行中恒定的配电网控制参数无法适应不断变化的配电网电能需求，提出一种配电网智能控制方法。
一种配电网智能控制方法，包括以下步骤：
获取有效负荷参数集；得出负荷分布态势集；输入态势阈值并和所述负荷分布态势集比较；根据比较结果调节配电网的负荷参数。
进一步的，所述获取负荷有效参数集具体还包括以下步骤：
检测配电网负荷状态；生成初始负荷参数；对所述初始负荷参数进行预处理；生成有效负荷参数集。
进一步的，所述得出负荷分布态势集具体还包括以下步骤：
获取偏移量；将有效负荷参数集、所述偏移量输入动态推演模型；根据偏移量修正所述有效负荷参数集；输出负荷分布态势集。
进一步的，所述根据比较结果调节配电网的负荷参数具体还包括以下步骤：
根据比较结果生成负荷偏移参数；根据负荷偏移参数对配电网的初始负荷参数进行反馈调节。
进一步的，所述对所述初始负荷参数进行预处理，包括：
根据配电网的分布信息对矫正后的初始负荷参数集进行数据关联分析，得到有效负荷参数集；
所述分布信息包括配电网中各个节点的分布位置信息及节点之间负荷关联信息。
进一步的，所述动态推演模型包括：
接收输入数据；对输入数据进行模拟映射，得到映射数据；对所述映射数据进行修正偏置处理，得到修正偏置数据对所述修正偏置数据进行批归一化处理，并得到负荷分布态势集。
进一步的，所述态势阈值包括第一态势阈值和第二态势阈值，第一态势阈值为负荷下限值，第二态势阈值为负荷上限值；
当负荷分布态势集小于第一态势阈值，则生成第一比较结果，所述第一比较结果表示负荷分布态势集小于第一态势阈值；
当负荷分布态势集大于第二态势阈值，则生成第二比较结果，所述第二比较结果表示负荷分布态势集大于第二态势阈值。
一种配电网智能控制装置，执行一种配电网智能控制方法，包括：
数据获取单元：检测配电网的负荷状态，得到初始负荷参数；
数据处理单元：对所述初始负荷参数进行预处理，剔除初始负荷参数中的误差值，得到有效负荷参数集；对有效负荷参数集进行动态推演，得到负荷分布态势集，并对负荷分布态势集、态势阈值进行比较得到比较结果，所述数据处理单元根据比较结果生成负荷偏移参数；
控制单元：接收负荷偏移参数，所述控制单元根据负荷偏移参数调节配电网的负荷。
进一步的，所述数据获取单元还包括：
传感器：对配电网的负荷状态进行检测，生成对应的初始负荷参数。
进一步的，所述数据获取单元与所述数据处理单元通信连接，所述数据处理单元与所述控制单元通信连接。
本发明提供的一种配电网智能控制方法及装置，通过对初始负荷参数进行预处理得到有效负荷参数集，并进一步地，通过负荷分布态势集，比较结果生成负荷偏移参数，以负荷偏移参数作为配电网的调节参数，从而及时感知配电网的负荷态势，并控制生成对应的偏移参数以调节配电网各个节点的负荷；通过动态调节配电网各节点的负荷，从而满足不断变化的配电网电能需求，实现配电网调节的灵活性。
附图说明
图1为本发明所述配电网智能控制方法过程步骤图；
图2为本发明所述步骤S1具体过程图；
图3为本发明所述步骤S2具体过程图；
图4为本发明所述步骤S4具体过程图；
图5为本发明所述装置各模块示意图。
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。
本申请实施例提供了一种配电网智能控制方法，如图1至图4所示，所述一种配电网智能控制方法包括以下步骤：
步骤S1、获取有效负荷参数集，具体步骤如下：
步骤S101、检测负荷状态；
本实施例所提供的一种配电网智能控制方法通过在配电网各个节点设置传感器对配电网的负荷状态进行检测，以生成对应的初始负荷参数，各个传感器将对应的初始负荷参数上传至服务器中，与服务器所对应的处理器对初始负荷参数进行预处理，以剔除初始负荷参数中的误差值。
步骤S102、生成初始负荷参数；
步骤S103、对初始负荷参数进行预处理；
所述预处理包括对所述负荷参数进行数据修正得到矫正数据，然后根据电网的分布信息对矫正数据进行数据关联分析，得到有效负荷参数集，其中，数据修正包括数据清洗、数据校正。
步骤S104、生成有效负荷参数集。
由于配电网节点的负荷处于动态变化状态，所以位于负荷系统底层的传感器对配电网节点进行检测所得到的初始负荷参数容易出现误差，在数据传输过程中，由于信道传输编译错误，而在初始负荷参数中引入错误数据，因此，通过对初始负荷参数进行数据清洗以剔除初始负荷参数中无效数据或错误数据，并对清洗后的初始负荷参数进行数据校正以由于部分数据被剔除所导致修正数据偏差。处理器根据配电网中各个节点的分布位置信息、负荷关联信息，以对矫正数据进行数据关联分析，得到有效参数集。其中，有效参数集可精准地表示整个配电网当前的负荷分布及节点间的负荷关系。
步骤S2、得出负荷分布态势集，具体步骤如下：
步骤S201、获取偏移量；
获取用于表征未来一段时间内负荷态势变化的偏移量，并将有效参数集、偏移量输入动态推演模型。
步骤S202、将有效负荷参数集、偏移量输入动态推演模型；
动态推演模型根据偏移量对有效参数集进行修正，并输出有效参数集。
通过训练好的动态推演模型对输入数据进行快速处理，可有效节约处理时间，以减少信息延迟。
在本申请的优选实施例中，动态推演模型包括：输入层，用于接收输入数据；神经网络层组，与输入层连接，用于对输入数据进行初步模拟映射，并得到映射数据；其中，神经网络层组至少包括一个模拟神经网络层、一个修正偏置神经网络层；输出层，与神经网络层组连接，用于对映射数据进行批归一化处理，并得到输出数据。
在一些实施例中，动态推演模型包括：输入层，用于接收输入数据；神经网络层组，与输入层连接，用于对输入数据进行初步模拟映射，并得到映射数据；其中，神经网络层组至少包括一个模拟神经网络层、一个修正偏置神经网络层；输出层，与神经网络层组连接，用于对映射数据进行批归一化处理，并得到输出数据。其中，当动态推演模型的输入数据为有效参数集、偏移量，其输出数据为负荷分布态势集。
进一步地，输入层将输入数据映射至对应的模拟神经网络层中的神经元中，模拟神经网络层中的神经元对修正偏置网络层中的神经元所输出的映射数据进行修正偏置处理，得到修正偏置数据。输出层接收模拟神经网络层中神经元所输出的修正偏置数据，对修正偏置数据进行批归一化处理，得到对应的最终结果数据。
在神经网络层组中，一个模拟神经网络层与一个修正偏置神经网络层级联连接以作为一个神经网络层单元。根据实际的数据处理需求，增设神经网络层单元的数量以构成对应的神经网络层组。即多个级联设置的神经网络层单元以构成完整的神经网络层组。
即，通过对态势分布模型的输入数据进行逐层映射，以对电压分布参数进行逐层推演，并对推演所产生的数据进行适应性修正。通过设置使得推演处理及修正处理交替进行，以避免输入数据存在异常数据，而导致态势预测精度降低。
在一些实施例中，输入层的表达式为：
Figure BDA0003089605240000061
其中，a表示有效参数集的极大值，b表示有效参数集的极小值，c表示动态变量的偏移量。通过将动态变量、有效参数集作为输入层的输入，并初步模拟映射至神经网络层组中。
可以理解的是，通过多个连续单位时间内末端负荷功率的变化状态，得到用于表示末端负荷功率的偏移量。通过偏移量作为态势预测的推算参数，并以有效参数集所包含的负荷参数作为推演基准，从而得到未来一段时间内配电网各个节点的负荷态势，即负荷分布态势集。
进一步地，每一个模拟神经网络层的神经元均接收来自于输入层的
Figure BDA0003089605240000062
每一个模拟神经网络层的神经元对输入数据进行初步模拟映射。
其映射方式如下：
Figure BDA0003089605240000063
其中，
Figure BDA0003089605240000064
为输入数据，
Figure BDA0003089605240000065
为模拟神经网络层的神经元的输出的映射数据，W为对态势分布模型进行预训练所得到的权重矩阵，z是偏移向量，κ()是激活函数。
此外，通过将模拟神经网络层中每一个神经元对输入数据
Figure BDA0003089605240000067
进行初步模拟映射得到映射数据
Figure BDA0003089605240000066
在修正偏置神经网络层中，每一个修正偏置神经元对映射数据进行修正偏置处理，并输出修正偏置处理。其中，修正偏置神经元对映射数据进行修正偏置处理过程中，其执行如下计算：
Figure BDA0003089605240000071
其中，x修正偏置神经元的输入数据；f(x)为修正偏置神经元的输出数据。
在实际应用过程中，以交替设置的方式对模拟神经网络层、修正偏置神经网络层进行设置，以得到对应的神经网络层组。神经网络层组对输入数据交替进行模拟映射、修正偏置，以逐级映射推演出负荷分布态势集。通过负荷分布态势集以达到对配电网精确的动态负荷感知，并根据对配电网感知所得到负荷分布态势集作为配电网负荷调节的参考。
通过输出层对映射数据进行批归一化处理以得到输出数据。具体地，
输入的映射数据为x：β＝{x1，…，xm}，输出数据为y：yi＝BNγ，β(xi)
通过对β＝{x1，…，xm}进行批处理，以得到批处理数据均值μβ。可以理解为，通过上述多级互联所形成的神经网络对最初的输入数据进行多次运算处理，以得到输出数据。其中，输出数据即为所求解的负荷分布态势集。
步骤S203、根据偏移量修正有效负荷参数集；
动态推演模型根据偏移量对有效参数集进行修正，并输出有效参数集。
步骤S204、输出负荷分布态势集。
当动态推演模型的输入数据为有效参数集、偏移量，其输出数据为负荷分布态势集。
步骤S3、输入态势阈值，并和负荷分布态势集比较；
态势阈值包括第一负荷态势阈值、第二负荷态势阈值；负荷偏移参数包括：负荷正偏移参数、负荷负偏移参数；对负荷分布态势集、态势阈值进行比较，得到比较结果，包括：若负荷分布态势集小于第一负荷态势阈值，则生成第一比较结果；其中，第一比较结果用于指示生成负荷正偏移参数。负荷分布态势集包括各个节点的负荷态势。
例如，第一负荷态势阈值、第二负荷态势阈值共同限定了一个阈值范围，阈值范围为节点对应的负荷范围。其中，第一负荷态势阈值为负荷下限值，第二负荷态势阈值为负荷上限值。
步骤S4、根据比较结果调节配电网的负荷参数，具体步骤如下：
步骤S401、根据比较结果生成负荷偏移参数；
当负荷分布态势集小于第一负荷态势阈值，则生成第一比较结果。其中，第一比较结果表示负荷分布态势集小于负荷分布态势集，即对应节点的负荷态势小于负荷下限值，以适当增加该节点的负荷，从而减轻其他节点的负荷。通过负荷正偏移参数以调节对应节点及相邻节点的负荷，从而实现配电网的局部潮流调节。当负荷分布态势集指示该节点的负荷处于阈值范围内，则将该节点为动态点，用于临时性分担其他节点负荷
步骤S402、根据负荷偏移参数对配电网的初始负荷参数进行反馈调节。
根据比较结果生成负荷偏移参数，并将负荷偏移参数下发至与配电网各个节点对应的控制器，以对配电网的电能分配进行调节，从而对配电网的初始负荷参数进行反馈调节。
此外，负荷态势感知单元存储有动态推演模型，以对输入数据进行态势感知处理。在一些实施例中，通过设置反馈调节单元以根据负荷分布态势集和实时负荷分布态势集得到反馈修正参数，以修正存储于负荷态势感知单元中神经网络层组的各个神经元的权值。
负荷修正单元还包括：初始负荷参数矫正单元，用于对初始负荷参数进行清洗得到矫正数据；关联分析单元，根据配电网的分布信息对矫正数据进行数据关联分析，得到有效参数集。
可以理解的是，由于配电网节点的负荷处于动态变化，故底层传感器的对配电网节点进行检测所得到的初始负荷参数容易出现误差，或者由于数据传输过程中引入错误数据。
初始负荷参数矫正单元通过对初始负荷参数进行数据清洗以剔除初始负荷参数中无效数据或错误数据，并对清洗后的初始负荷参数进行数据校正以修正数据中的偏差。关联分析单元根据配电网中各个节点的连接关系，以对矫正数据进行数据关联分析，得到有效参数集。其中，有效参数集可有效地表示整个配电网当前的负荷分布。
本申请还提供一种配电网智能控制设备，如图5所示，包括数据获取单元501、数据处理单元502和控制单元503，执行上述实施例所述的一种配电网智能控制方法，其中：
所述数据获取单元501：用于检测配电网的负荷状态，得到初始负荷参数；
所述数据处理单:502：对所述初始负荷参数进行预处理，剔除初始负荷参数中的误差值，得到有效负荷参数集；对有效负荷参数集进行动态推演，得到负荷分布态势集，并对负荷分布态势集、态势阈值进行比较得到比较结果，所述数据处理单元根据比较结果生成负荷偏移参数；
所述控制单元503：接收负荷偏移参数，所述控制单元根据负荷偏移参数调节配电网的负荷。
进一步的，所述数据获取单元501还包括：
传感器：对配电网的负荷状态进行检测，生成对应的初始负荷参数。
进一步的，所述数据获取单元501与所述数据处理单元502通信连接，所述数据处理单元与所述控制单元通信连接。
在本发明的描述中，需要理解的是，术语“中间”、“长度”、“上”、“下”、“前”、“后”、“竖直”、“水平”、“内”、“外”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
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)

1.一种配电网智能控制方法，其特征在于，包括以下步骤：
获取有效负荷参数集；
得出负荷分布态势集；
输入态势阈值并和所述负荷分布态势集比较；
根据比较结果调节配电网的负荷参数。
2.根据权利要求1所述的一种配电网智能控制方法，其特征在于，所述获取负荷有效参数集具体还包括以下步骤：
检测配电网负荷状态；
生成初始负荷参数；
对所述初始负荷参数进行预处理；
生成有效负荷参数集。
3.根据权利要求1所述的一种配电网智能控制方法，其特征在于，所述得出负荷分布态势集具体还包括以下步骤：
获取偏移量；
将有效负荷参数集、所述偏移量输入动态推演模型；
根据偏移量修正所述有效负荷参数集；
输出负荷分布态势集。
4.根据权利要求1所述的一种配电网智能控制方法，其特征在于，所述根据比较结果调节配电网的负荷参数具体还包括以下步骤：
根据比较结果生成负荷偏移参数；
根据负荷偏移参数对配电网的初始负荷参数进行反馈调节。
5.根据权利要求2所述的一种配电网智能控制方法，其特征在于，所述对所述初始负荷参数进行预处理，包括：
根据配电网的分布信息对矫正后的初始负荷参数集进行数据关联分析，得到有效负荷参数集；
所述分布信息包括配电网中各个节点的分布位置信息及节点之间负荷关联信息。
6.根据权利要求3所述的一种配电网智能控制方法，其特征在于，所述动态推演模型包括：
接收输入数据；
对输入数据进行模拟映射，得到映射数据；
对所述映射数据进行修正偏置处理，得到修正偏置数据；
对所述修正偏置数据进行批归一化处理，并得到负荷分布态势集。
7.根据权利要求1所述的一种配电网智能控制方法，其特征在于，所述态势阈值包括第一态势阈值和第二态势阈值，第一态势阈值为负荷下限值，第二态势阈值为负荷上限值；
当负荷分布态势集小于第一态势阈值，则生成第一比较结果，所述第一比较结果表示负荷分布态势集小于第一态势阈值；
当负荷分布态势集大于第二态势阈值，则生成第二比较结果，所述第二比较结果表示负荷分布态势集大于第二态势阈值。
8.一种配电网智能控制装置，其特征在于，执行权利要求1-7任一项所述的方法，包括：
数据获取单元：检测配电网的负荷状态，得到初始负荷参数；
数据处理单元：对所述初始负荷参数进行预处理，剔除初始负荷参数中的误差值，得到有效负荷参数集；对有效负荷参数集进行动态推演，得到负荷分布态势集，并对负荷分布态势集、态势阈值进行比较得到比较结果，所述数据处理单元根据比较结果生成负荷偏移参数；
控制单元：接收负荷偏移参数，所述控制单元根据负荷偏移参数调节配电网的负荷。
9.根据权利要求8所述的一种配电网智能控制装置，其特征在于，所述数据获取单元还包括：
传感器：对配电网的负荷状态进行检测，生成对应的初始负荷参数。
10.根据权利要求8所述的一种配电网智能控制装置，其特征在于，所述数据获取单元与所述数据处理单元通信连接，所述数据处理单元与所述控制单元通信连接。
CN202110591139.8A 2021-05-28 2021-05-28 一种配电网智能控制方法及装置 Pending CN113408088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110591139.8A CN113408088A (zh) 2021-05-28 2021-05-28 一种配电网智能控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110591139.8A CN113408088A (zh) 2021-05-28 2021-05-28 一种配电网智能控制方法及装置

Publications (1)

Publication Number Publication Date
CN113408088A true CN113408088A (zh) 2021-09-17

Family

ID=77675021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110591139.8A Pending CN113408088A (zh) 2021-05-28 2021-05-28 一种配电网智能控制方法及装置

Country Status (1)

Country Link
CN (1) CN113408088A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103683498A (zh) * 2013-11-26 2014-03-26 国家电网公司 电网调度系统
CN105162151A (zh) * 2015-10-22 2015-12-16 国家电网公司 一种基于人工鱼群算法的智能化储能系统并网实时控制方法
CN110071576A (zh) * 2019-04-23 2019-07-30 国核电力规划设计研究院有限公司 区域配电系统和方法
GB202000087D0 (en) * 2020-01-05 2020-02-19 British Telecomm Utilities infrastructure deployment
CN112669172A (zh) * 2020-12-31 2021-04-16 国电南瑞南京控制系统有限公司 一种基于边缘数据动态融合的配电网区域自治快速响应方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103683498A (zh) * 2013-11-26 2014-03-26 国家电网公司 电网调度系统
CN105162151A (zh) * 2015-10-22 2015-12-16 国家电网公司 一种基于人工鱼群算法的智能化储能系统并网实时控制方法
CN110071576A (zh) * 2019-04-23 2019-07-30 国核电力规划设计研究院有限公司 区域配电系统和方法
GB202000087D0 (en) * 2020-01-05 2020-02-19 British Telecomm Utilities infrastructure deployment
CN112669172A (zh) * 2020-12-31 2021-04-16 国电南瑞南京控制系统有限公司 一种基于边缘数据动态融合的配电网区域自治快速响应方法和系统

Similar Documents

Publication Publication Date Title
CN110738344B (zh) 电力系统负荷预测的分布式无功优化方法及装置
KR20160146032A (ko) 배터리의 상태를 추정하는 장치 및 방법
CN107436409B (zh) 一种电动汽车动力电池soc智能预测装置
EP3195068B1 (en) Bias estimation apparatus and method and failure diagnosis apparatus and method
CN110475224A (zh) 一种基于边缘计算的传感器数据处理与协同预测方法
Bockrath et al. State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries
WO2020188794A1 (ja) 映像システム、撮像装置、および映像処理装置
CN115759450B (zh) 一种基于大数据的碳排放核算预警分析系统
CN116341920A (zh) 一种基于云计算的农业风险预警系统及方法
CN111077806B (zh) 一种用于移动机器人的电量管理系统
CN107045659A (zh) 预测光伏发电功率的方法及装置
CN113408088A (zh) 一种配电网智能控制方法及装置
CN114285058B (zh) 储能系统的参数整定方法和储能系统
CN113098022A (zh) 风电场并网点无功调节方法、装置、设备及存储介质
CN114336632A (zh) 一种基于模型信息辅助深度学习校正交流潮流的方法
CN113709592A (zh) 基于智能电表的用电信息采集系统及其运行方法
CN117200213A (zh) 基于自组织映射神经网络深度强化学习的配电系统电压控制方法
CN114862621B (zh) 一种基于时变有向拓扑下智能电网频率调节分布式经济调度控制方法
CN112505482A (zh) 一种基于智能化故障定位的电网自愈方法及实现该方法的系统
CN111612227A (zh) 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
KR20230131725A (ko) 기상예측 및 원격감시제어시스템 기반 실시간 재생에너지 출력예측 방법 및 시스템
CN112329995B (zh) 分布式储能集群的优化调度方法、装置和计算机设备
JP2022061942A (ja) 異常推定方法、異常推定装置、異常推定システム
KR20210128181A (ko) 전지의 용량 측정 장치 및 방법
CN113489012A (zh) 配电网潮流态势推演方法、平台及设备、存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210917