CN113469566A - 一种发电机起始分配方案的确定方法及系统 - Google Patents
一种发电机起始分配方案的确定方法及系统 Download PDFInfo
- Publication number
- CN113469566A CN113469566A CN202110826807.0A CN202110826807A CN113469566A CN 113469566 A CN113469566 A CN 113469566A CN 202110826807 A CN202110826807 A CN 202110826807A CN 113469566 A CN113469566 A CN 113469566A
- Authority
- CN
- China
- Prior art keywords
- generator
- clustering
- scheme
- iteration times
- neuron
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 239000013598 vector Substances 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 86
- 238000003064 k means clustering Methods 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 description 17
- 238000011423 initialization method Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
-
- 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]
-
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种发电机起始分配方案的确定方法及系统。所述方法包括：根据各发电机的输出功率建立电力系统经济调度模型；根据所述电力系统经济调度模型随机生成多个发电机分配方案；构建聚类网络；所述聚类网络是对自组织特征映射神经网络进行训练得到的；将所述聚类网络的内星权向量作为聚类算法的质心，采用聚类算法对所有所述发电机分配方案进行聚类得到多个聚类方案；对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。本发明可以提高电力系统经济调度的求解效率和解的精度。
Description
技术领域
本发明涉及发电机分配方案技术领域，特别是涉及一种发电机起始分配方案的确定方法及系统。
背景技术
电力系统中各发电机的输出功率影响着发电成本，经济调度是以最低的发电成本保证对用户可靠地供电的一种调度方法，一个典型的优化问题，需要在满足需求和各种约束的条件下合理分配机组功率，以保证最低运行成本。传统上，这个问题的数学模型是一个二次成本函数。但是，当考虑阀点效应时，成本函数就变成了非线性、非凸函数。同时，在电力系统中也存在许多限制，如输电损耗、禁止运行区域、斜坡速率等，使问题难以解决。许多经典的数学方法，如线性编程、二次编程和动态编程，都应用于解决传统的经济调度问题。然而，这些在处理非凸和高维问题方面有很大的局限性，因此解决结果可能并不理想。由于传统数学算法的局限性，许多研究人员开始集中研究求解带阀点效应的电力系统经济调度问题的求解方法。
然而，由于在电力系统经济调度中具有非线性、非凸和多约束的特点，在阀门点效应的经济调度中，许多求解方法的改进也不一定的可以达到预期效果。对于智能优化求解电力系统经济调度问题时，发电机的起始分配方案对最终结果的优化起着至关重要的作用，许多研究人员也提出了一些解决办法，但也同样存在着问题。比如最常用的随机均匀初始化方法，这种方法在给定的范围内使得起始解均匀分布，但这种均匀分布也只是理想情况下，因为受限于随机化，根本不可能做到严格意义上的均匀分布，仅能产生概率上的均匀分布。这种情况对于小规模电力系统还可以接受，如果机组的维度较高，这种起始解随机分布就会将其缺点放大，分布很有可能在一些较好空间维度没有分布。所以，当系统规模扩大时，随机均匀初起始解方法的劣势会对优化造成很大的影响。起始分配方案的合理对电力系统经济调度的寻优过程有着重要的作用。
因此，一种针对阀点的电力系统经济调度的问题，得到合理的起始发电机的分配方案的方法尤为重要。
发明内容
本发明的目的是提供一种发电机起始分配方案的确定方法及系统，可以提高电力系统经济调度的求解效率和解的精度。
为实现上述目的，本发明提供了如下方案：
一种发电机起始分配方案的确定方法，包括：
根据各发电机的输出功率建立电力系统经济调度模型；
根据所述电力系统经济调度模型随机生成多个发电机分配方案；一个所述发电机分配方案包括所有发电机的输出功率；
构建聚类网络；所述聚类网络是对自组织特征映射神经网络进行训练得到的；
将所述聚类网络的内星权向量作为聚类算法的质心，采用聚类算法对所有所述发电机分配方案进行聚类得到多个聚类方案；
对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
可选的，所述电力系统经济调度模型，具体为：
可选的，所述聚类网络的确定过程具体包括：
在当前迭代次数下，获取上一次迭代次数的学习率和所述自组织特征映射神经网络中各神经元在上一次迭代次数下的权重；
计算各所述发电机分配方案与各神经元在上一次迭代次数下的权重的点积，得到当前迭代次数下的点积集合；
确定目标点积对应的神经元为获胜神经元；所述目标点积为当前迭代次数下的点积集合中值最大的点积；
根据各所述神经元在上一次迭代次数下的权重更新所述获胜神经元邻域内的神经元在当前迭代次数下的权重；
根据所述上一次迭代次数的学习率计算当前迭代次数的学习率；
判断是否到达第一预设条件，得到第一判断结果；所述第一预设条件为所述当前迭代次数的学习率小于第一设定阈值或者所当前迭代次数达到设定迭代次数；
若所述第一判断结果为是，则将目标神经元集合对应的自组织特征映射神经网络确定为聚类网络；所述目标神经元集合中各神经元的权重为当前迭代次数下各神经元的权重；
若所述第一判断结果为否，则更新迭代次数并进行下次迭代。
可选的，所述聚类算法为K-means聚类算法。
可选的，所述对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型，具体包括：
对于任意一个所述聚类方案，对所述聚类方案中的所有发电机分配方案按发电机取交集得到所述聚类方案下各发电机的输出功率；
将所有聚类方案下各发电机的输出功率确定为所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
一种发电机起始分配方案的确定系统，包括：
模型构建模块，用于根据各发电机的输出功率建立电力系统经济调度模型；
分配方案生成模块，用于根据所述电力系统经济调度模型随机生成多个发电机分配方案；一个所述发电机分配方案包括所有发电机的输出功率；
网络构建模块，用于构建聚类网络；所述聚类网络是对自组织特征映射神经网络进行训练得到的；
聚类模块，用于将所述聚类网络的内星权向量作为聚类算法的质心，采用聚类算法对所有所述发电机分配方案进行聚类得到多个聚类方案；
起始分配方案确定模块，用于对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
可选的，所述电力系统经济调度模型，具体为：
可选的，所述网络构建模块包括：
获取单元，用于在当前迭代次数下，获取上一次迭代次数的学习率和所述自组织特征映射神经网络中各神经元在上一次迭代次数下的权重；
点积计算单元，用于计算各所述发电机分配方案与各神经元在上一次迭代次数下的权重的点积，得到当前迭代次数下的点积集合；
获胜神经元确定单元，用于确定目标点积对应的神经元为获胜神经元；所述目标点积为当前迭代次数下的点积集合中值最大的点积；
权重更新单元，用于根据各所述神经元在上一次迭代次数下的权重更新所述获胜神经元邻域内的神经元在当前迭代次数下的权重；
学习率更新单元，用于根据所述上一次迭代次数的学习率计算当前迭代次数的学习率；
判断单元，用于判断是否到达第一预设条件，得到第一判断结果；所述第一预设条件为所述当前迭代次数的学习率小于第一设定阈值或者所当前迭代次数达到设定迭代次数；
聚类网络确定单元，用于若所述第一判断结果为是，则将目标神经元集合对应的自组织特征映射神经网络确定为聚类网络；所述目标神经元集合中各神经元的权重为当前迭代次数下各神经元的权重；
迭代单元，用于若所述第一判断结果为否，则更新迭代次数并进行下次迭代。
可选的，所述聚类算法为K-means聚类算法。
可选的，所述起始分配方案确定模块，包括：
部分起始分配方案确定单元，用于对于任意一个所述聚类方案，对所述聚类方案中的所有发电机分配方案按发电机取交集得到所述聚类方案下各发电机的输出功率；
最终起始分配方案确定单元，用于将所有聚类方案下各发电机的输出功率确定为所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明对自组织特征映射神经网络进行训练得到聚类网络，将聚类网络的内星权向量作为聚类算法的质心，采用聚类算法对所有发电机分配方案进行聚类得到多个聚类方案，对同一聚类方案中的所有发电机分配方案按照发电机取交集得到发电机起始分配方案，得到较为精确的各机组初始值的范围，可以提高电力系统经济调度的求解效率和解的精度。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的发电机起始分配方案的确定方法的流程图；
图2为本发明提供的发电机起始分配方案的确定系统的结构图；
图3为本发明提供的一种更具体的发电机起始分配方案的确定方法的流程图；
图4为采用本发明提供的发电机起始分配方案的确定方法得到的13机组系统各机组起始分配方案的取值范围结果图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
在求解经济调度问题中，智能优化算法优化过程在很大程度上依赖于起始解的分布。如果起始解中有一些解处于较优的搜索空间范围或是整体分布合理，那么在优化过程执行初期便会朝着正确的方向寻优，这样不仅会找到最优解，也会加快求解经济调度问题的收敛速度。因此，本实施例提出了利用自组织特征映射神经网络(Self-OrganizingMaps，SOM)以及K均值聚类(k-means clustering algorithm)对智能优化算法中的起始解进行提升的发电机起始分配方案的确定方法，旨在提高经济调度求解效率和解的精准，缩短计算时间，使其更加好的求解电力系统经济调度问题，得到最优分配方案，大概步骤为：
步骤1：建立经调度模型，根据其约束得到随机起始解，对该解运用自组织特征映射神经网络(self-organizing map，SOM)多次学习后得到训练好的SOM，并且用其作为一次聚类，为K-Means的二次聚类打下基础。
步骤2：采用K均值聚类(k-means clustering algorithm，K-Means)，在SOM训练好的几组分配方案基础上，用K-Means方法进行二次聚类，得到成熟的电力系统的经济调度的分配方案，确保更精确的各发电机起始值的范围，使得实际发电机的总发电成本最低。具体过程如图1所示：
步骤101：根据各发电机的输出功率建立电力系统经济调度模型。
步骤102：根据所述电力系统经济调度模型随机生成多个发电机分配方案；一个所述发电机分配方案包括所有发电机的输出功率。
步骤103：构建聚类网络；所述聚类网络是对自组织特征映射神经网络进行训练得到的。
步骤104：将所述聚类网络的内星权向量作为聚类算法的质心，采用聚类算法对所有所述发电机分配方案进行聚类得到多个聚类方案。
步骤105：对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
在实际应用中，所述电力系统经济调度模型，具体为：
1)电力系统经济调度就是在满足所有约束条件的基础上，合理分配机组负荷让发电机的发电成本尽可能的最低，目标函数如下所示：
2)约束条件
在解决电力系统问题过程中，所有的发电机的输出功率都要满足不等式约束和等式约束条件。
不等式约束
每台发电机的输出功率都应该在其可行区间内，既不能大于它的上限，也不能小于它下限，公式如下：
等式约束
发电机单元的所有功率的总和等于负载需求和传输损耗之和，等式约束如下：
在实际应用中，所述聚类网络的确定过程具体包括：
在当前迭代次数下，获取上一次迭代次数的学习率和所述自组织特征映射神经网络中各神经元在上一次迭代次数下的权重。
计算各所述发电机分配方案与各神经元在上一次迭代次数下的权重的点积，得到当前迭代次数下的点积集合。
确定目标点积对应的神经元为获胜神经元；所述目标点积为当前迭代次数下的点积集合中值最大的点积。
根据各所述神经元在上一次迭代次数下的权重更新所述获胜神经元邻域内的神经元在当前迭代次数下的权重。
根据所述上一次迭代次数的学习率计算当前迭代次数的学习率。
判断是否到达第一预设条件，得到第一判断结果；所述第一预设条件为所述当前迭代次数的学习率小于第一设定阈值或者所当前迭代次数达到设定迭代次数。
若所述第一判断结果为是，则将目标神经元集合对应的自组织特征映射神经网络确定为聚类网络；所述目标神经元集合中各神经元的权重为当前迭代次数下各神经元的权重。
若所述第一判断结果为否，则更新迭代次数并进行下次迭代。
在实际应用中，所述聚类算法为K-means聚类算法。
在实际应用中步骤105，具体包括：
对于任意一个所述聚类方案，对所述聚类方案中的所有发电机分配方案按发电机取交集得到所述聚类方案下各发电机的输出功率。
将所有聚类方案下各发电机的输出功率确定为所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
本实施例还提供了一种与上述方法对应的一种发电机起始分配方案的确定系统，如图2所示，所述系统包括：
模型构建模块A1，用于根据各发电机的输出功率建立电力系统经济调度模型。
分配方案生成模块A2，用于根据所述电力系统经济调度模型随机生成多个发电机分配方案；一个所述发电机分配方案包括所有发电机的输出功率。
网络构建模块A3，用于构建聚类网络；所述聚类网络是对自组织特征映射神经网络进行训练得到的。
聚类模块A4，用于将所述聚类网络的内星权向量作为聚类算法的质心，采用聚类算法对所有所述发电机分配方案进行聚类得到多个聚类方案。
起始分配方案确定模块A5，用于对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
作为一种可选的实施方式，所述电力系统经济调度模型，具体为：
作为一种可选的实施方式，所述网络构建模块包括：
获取单元，用于在当前迭代次数下，获取上一次迭代次数的学习率和所述自组织特征映射神经网络中各神经元在上一次迭代次数下的权重。
点积计算单元，用于计算各所述发电机分配方案与各神经元在上一次迭代次数下的权重的点积，得到当前迭代次数下的点积集合。
获胜神经元确定单元，用于确定目标点积对应的神经元为获胜神经元；所述目标点积为当前迭代次数下的点积集合中值最大的点积。
权重更新单元，用于根据各所述神经元在上一次迭代次数下的权重更新所述获胜神经元邻域内的神经元在当前迭代次数下的权重。
学习率更新单元，用于根据所述上一次迭代次数的学习率计算当前迭代次数的学习率。
判断单元，用于判断是否到达第一预设条件，得到第一判断结果；所述第一预设条件为所述当前迭代次数的学习率小于第一设定阈值或者所当前迭代次数达到设定迭代次数。
聚类网络确定单元，用于若所述第一判断结果为是，则将目标神经元集合对应的自组织特征映射神经网络确定为聚类网络；所述目标神经元集合中各神经元的权重为当前迭代次数下各神经元的权重。
迭代单元，用于若所述第一判断结果为否，则更新迭代次数并进行下次迭代。
作为一种可选的实施方式，所述聚类算法为K-means聚类算法。
作为一种可选的实施方式，所述起始分配方案确定模块，包括：
部分起始分配方案确定单元，用于对于任意一个所述聚类方案，对所述聚类方案中的所有发电机分配方案按发电机取交集得到所述聚类方案下各发电机的输出功率。
最终起始分配方案确定单元，用于将所有聚类方案下各发电机的输出功率确定为所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
本实施例提供了一种更加具体的发电机起始分配方案的确定方法，如图3所示，所述方法包括：
步骤1：SOM网络初始化。
建立带有阀点效应的电力系统经济调度模型，随机生成m个符合电力系统经济调度模型的发电机分配方案作为初始数据，假设其中一个起始解为X＝[x1,x2,x3,...,xn]，是一个n维向量。初始化SOM网中的连接权重、初始优胜邻域、学习率η的取值范围在0-1为定值、迭代次数Q、竞争层神经元个数k及其排列方式等参数，设k个神经元以矩阵方式排列在二维空间中，每个神经元都随机初始化得到权重向量，其中一个神经元的权重向量表示为w＝[w1,w2,....,wn]。同时将发电机分配方案X归一化以及权重向量归一化，公式如下：
步骤2：选择获胜神经元。
对与归一化的发电机分配方案
与权重向量
两者间做点积，根据点积最大为王的原则选择获胜神经元。
步骤3：更新获胜神经元及其邻域神经元权重。
根据获胜神经元更新优胜邻域的范围，即权向量，更新公式如下：
wi(t+1)＝wi(t)+η(t,N)[xi-wi(t)] i＝1,2,...,n，η(t,N)＝η(t)e-N，其中，wi(t+1)表示第i个神经元第t+1次迭代次数下的权重向量，wi(t)表示第i个神经元第t次迭代次数下的权重向量，η(t,N)表示当前迭代次数下的学习率，η(t)表示上一迭代次数下的学习率。
该调整过程使得神经元的权重向量w向输入向量X的方向靠拢。优胜邻域开始定得很大，但其大小随着训练次数的增加不断收缩，最终收缩到半径为零。η(t,N)表示学习率随训练次数变化值；t表示当前迭代次数，N表示当前第i的神经元与获胜神经元的拓扑距离N。
更新后的w不再是单位向量，对更新后的w按照公式
重新对权重w进行归一化。
步骤4：调整学习率。
使用公式η(t,N)＝η(t)e-N对学习率进行更新，学习率随着迭代次数的增加不断减小，同时神经元权重趋于聚类中心。
步骤5：SOM收敛性判断。
判断学习率是否小于设定的阈值或是迭代次数是否达到要求，如果任一条件满足要求，则训练结束，如果都不满足要求，则返回步骤2继续执行，直到完成。
步骤6：数据选择。
SOM迭代完成后，原本无规律分布的发电机分配方案经过训练后，被划分了k类。提取出SOM网的内星权向量，将其作为K-Means聚类的质心向量，也同时确定K-Means的簇数为k。
步骤7：K-Means参数设置。
将归一化向量x作为输入样本集M＝{x1,x2,x3,...,xn}，有k个竞争层则输出的k个簇为C＝{C1,C2,C3,...,Cn}，最大迭代次数为N，这里C表示划分区域，Ck表示C中的第k个簇。
步骤8：确定各簇的质心。
将SOM网的k个内星权向量作为初始的k个质心向量：μ＝{μ1,μ2,μ3,...,μn}。
步骤9：计算质心间的距离。
采用欧式距离法对数据集M中的任一点，根据公式
计算当前分配方案与所有质心之间的距离，根据距离的大小判断，从而将其划分到所属质心的集合中，其中，dj表示第j个发电机方案与质心之间的距离，xj表示第j个发电机的分配方案，μj表示Cj的质心，Cj表示C中的第j个簇。
步骤10：质心的更新。
当所有分配方案全部归到所属集合后，使用公式
重新计算每个集合簇对应的质心，μi表示C中第i个簇的质心，ni为聚类后第k类中发电机分配方案的个数。
步骤11：K-Means收敛判定。
用欧式距离公式计算出的质心与原来质心之间的距离，比较计算出的质心与原来质心之间的距离，如果这个距离小于预设的阈值，则说明聚类完成；如果它们之间的距离超过阈值，则需要返回执行步骤9～步骤11，此时步骤9的质心是步骤10更新的质心，直到聚类完成。
之后根据训练好的分配方案的每一维，也就是每个发电机的输出功率，对它们取交集，确定每个发电机输出功率的取值区间，也就得到能够能使得所述实际发电机的总发电成本最低的各机组起始值的范围，后续优化最优经济调度模型对电力系统的经济进行最优分配。在这个更确切的范围内，确定了起始解的最好方向，随机生成更为好的起始发电机分配方案。从而利用该方案优化最优经济调度模型对电力系统的经济进行最优分配。
本实施例提供了应用上述发电机起始分配方案的确定方法的仿真实验：
仿真实验采用差分进化，参数如表一所示，所有仿真结果都使用英特尔(R)C++核心i5的个人电脑编码为2.3GHz和8GBRAM。基准系统为13机组系统，测试系统的简要细节在表二中提供，在每种情况下都进行了100次独立运行。
参数设置
(1)负荷范围
本次仿真实验为证明在某一范围内任意负荷需求下，基于SOM方法的有效性，利用13机组系统进行案例分析，负荷范围在1775MW～1825MW。
(2)样本数据的获取
训练样本数据是选择特定机组系统中某一负荷，利用智能优化进行优化，让其并未完全收敛时，从其中筛选出最优分配方案，而训练数据就是这些最优分配方案对应的机组起始出力值。本次仿真13机组系统所用到的样本数据是当负荷需求分别为1775MW，1800MW和1825MW时所筛选出的最优分配方案对应的起始值。
表一差分进化参数
| 电力系统 | 迭代次数 | F | CR | 种群大小 |
| 13机组 | 2000 | 1 | 0.3 | 60 |
(3)聚类相关参数详细说明
本次聚类需要设置的参数有：学习率η＝0.5，迭代次数Q为100次，竞争层神经元个数为4个，采用2维线形排列方式，簇数k＝4，阈值为0.01。
表二测试系统的简要细节
| 测试系统 | 案例类型 | VPE | POZ | P<sub>D</sub>范围 | P<sub>Loss</sub> |
| 13-机组 | 案例1 | √ | × | 1775-1825 | × |
VPE表示阀点效应，POZ是禁止运行区域。
13-机组系统
对13-机组系统且负荷需求分别为1775MW，1800MW及1825MW的机组最优结果进行分析，并以三种负荷需求的交集作为某个范围内负荷优化的初始解。测试13机组系统中，当负荷需求分别为1780MW，1790MW，1810MW和1820MW时，对比使用随机获取初始值与使用SOM方法获取初始值优化结果的差异。仿真测试就计算结果、鲁棒性、收敛速度等方面进行对比与评价。
首先对获得的样本数据使用SOM网进行训练学习，将原本无规律分布的样本数据经过训练后，被划分成了4类，同时取出SOM网中训练后的内星权向量作为K-Means聚类的初始质心向量。之后将获取的样本利用K-Means对每一维单独聚类，聚类完成后，得到了每一维的取值区间范围，表三是13机组系统聚类后的发电机起始值范围。表三中选取了三组有代表性的负荷需求，然后取它们的交集确定最终的取值范围，当负荷在某一范围内波动时，利用SOM方法确定的发电机的起始值，在优化时能在保证精度的情况下加快收敛速度。图4更加清晰地表达了13个机组每一维的起始取值范围。
表三13机组系统起始值范围
为验证上述范围的真实有效性，选取四组不同负荷，使用经过SOM方法和随机不进行任何操作的初始化两种不同策略，进行仿真实验，并通过最小成本，平均成本，最大成本，标准差以及收敛所用次数等方面比较，得出的结果如表四所示。其中第一组负荷需求为1780MW，第二组负荷需求为1790MW，第三组负荷需求为1810MW，第四组负荷需求为1820MW。每组实验独立运行100次。
表四不同初始策略优化结果对比
从表四可以看出，当负荷需求为1780MW时，使用随机初始化的方法和SOM方法都找到了最小成本17796.7986($/h)，而从最大成本来看，随机初始化方法所得到的值明显偏大，与最小值之间的差距较大，这种情况下很有可能是没有完全收敛，而本次仿真实验是在同一优化方法下进行的，唯一不同是发电机的起始取值，所以未收敛就表示使用SOM方法能够加快收敛速度。从平均成本以及标准差的对比也能看出，随机初始化方法在同一优化方法，同一迭代次数下收敛稳定性以及收敛速度明显不如SOM方法，后者仅用了1600多次就完全收敛，其中的标准差为0，鲁棒性非常强。同样，对于其它几组不同负荷需求，两种方法皆找到了相同的最优成本值，然而其它各方面两者相差较多。通过对比不难发现SOM的起始值方法要比随机初始化方法有更好的综合性能。
选取1780MW负荷需求下，使用不同初始化方法进行处理，得到的结果中SOM初始方法的收敛速度要快于随机初始化方法。SOM方法大约用了1700次就完全收敛，而随机初始化方法需要2800多次才能收敛，两者之间收敛所用次数相差了近1200次，同比减少了40％。
将所提出的方法通过差分进化应用在13机组电力系统经济调度的求解中，结果表明SOM起始解方法可以快速求解出精度高、鲁棒性优于随机初始化发电机的结果。
本发明经过SOM多次学习后得到成熟的模型后利用成熟模型的内星权向量作为质心，用K-Means方法进行聚类，得到较为精确的各机组初始值的范围，可应用于针对具有阀点效应的经济调度问题，使得经济调度问题更加高效、快速求解，以此提升电力系统经济调度优化效率，尽量缩短计算时间，使其更加平稳快速地对电力系统经济调度问题进行求解。
在最小成本、标准差和计算时间方面都显著提高了解的性能，对求解电力系统经济调度问题有更好的优化结果，比传统的随机起始机组分配方案具有更好的收敛性，能够得到更好的机组分配方案。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种发电机起始分配方案的确定方法，其特征在于，包括：
根据各发电机的输出功率建立电力系统经济调度模型；
根据所述电力系统经济调度模型随机生成多个发电机分配方案；一个所述发电机分配方案包括所有发电机的输出功率；
构建聚类网络；所述聚类网络是对自组织特征映射神经网络进行训练得到的；
将所述聚类网络的内星权向量作为聚类算法的质心，采用聚类算法对所有所述发电机分配方案进行聚类得到多个聚类方案；
对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
2.根据权利要求1所述的一种发电机起始分配方案的确定方法，其特征在于，所述电力系统经济调度模型，具体为：
3.根据权利要求1所述的一种发电机起始分配方案的确定方法，其特征在于，所述聚类网络的确定过程具体包括：
在当前迭代次数下，获取上一次迭代次数的学习率和所述自组织特征映射神经网络中各神经元在上一次迭代次数下的权重；
计算各所述发电机分配方案与各神经元在上一次迭代次数下的权重的点积，得到当前迭代次数下的点积集合；
确定目标点积对应的神经元为获胜神经元；所述目标点积为当前迭代次数下的点积集合中值最大的点积；
根据各所述神经元在上一次迭代次数下的权重更新所述获胜神经元邻域内的神经元在当前迭代次数下的权重；
根据所述上一次迭代次数的学习率计算当前迭代次数的学习率；
判断是否到达第一预设条件，得到第一判断结果；所述第一预设条件为所述当前迭代次数的学习率小于第一设定阈值或者所当前迭代次数达到设定迭代次数；
若所述第一判断结果为是，则将目标神经元集合对应的自组织特征映射神经网络确定为聚类网络；所述目标神经元集合中各神经元的权重为当前迭代次数下各神经元的权重；
若所述第一判断结果为否，则更新迭代次数并进行下次迭代。
4.根据权利要求1所述的一种发电机起始分配方案的确定方法，其特征在于，所述聚类算法为K-means聚类算法。
5.根据权利要求1所述的一种发电机起始分配方案的确定方法，其特征在于，所述对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型，具体包括：
对于任意一个所述聚类方案，对所述聚类方案中的所有发电机分配方案按发电机取交集得到所述聚类方案下各发电机的输出功率；
将所有聚类方案下各发电机的输出功率确定为所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
6.一种发电机起始分配方案的确定系统，其特征在于，包括：
模型构建模块，用于根据各发电机的输出功率建立电力系统经济调度模型；
分配方案生成模块，用于根据所述电力系统经济调度模型随机生成多个发电机分配方案；一个所述发电机分配方案包括所有发电机的输出功率；
网络构建模块，用于构建聚类网络；所述聚类网络是对自组织特征映射神经网络进行训练得到的；
聚类模块，用于将所述聚类网络的内星权向量作为聚类算法的质心，采用聚类算法对所有所述发电机分配方案进行聚类得到多个聚类方案；
起始分配方案确定模块，用于对同一所述聚类方案中的所有发电机分配方案按照发电机取交集得到所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
7.根据权利要求6所述的一种发电机起始分配方案的确定系统，其特征在于，所述电力系统经济调度模型，具体为：
8.根据权利要求6所述的一种发电机起始分配方案的确定系统，其特征在于，所述网络构建模块包括：
获取单元，用于在当前迭代次数下，获取上一次迭代次数的学习率和所述自组织特征映射神经网络中各神经元在上一次迭代次数下的权重；
点积计算单元，用于计算各所述发电机分配方案与各神经元在上一次迭代次数下的权重的点积，得到当前迭代次数下的点积集合；
获胜神经元确定单元，用于确定目标点积对应的神经元为获胜神经元；所述目标点积为当前迭代次数下的点积集合中值最大的点积；
权重更新单元，用于根据各所述神经元在上一次迭代次数下的权重更新所述获胜神经元邻域内的神经元在当前迭代次数下的权重；
学习率更新单元，用于根据所述上一次迭代次数的学习率计算当前迭代次数的学习率；
判断单元，用于判断是否到达第一预设条件，得到第一判断结果；所述第一预设条件为所述当前迭代次数的学习率小于第一设定阈值或者所当前迭代次数达到设定迭代次数；
聚类网络确定单元，用于若所述第一判断结果为是，则将目标神经元集合对应的自组织特征映射神经网络确定为聚类网络；所述目标神经元集合中各神经元的权重为当前迭代次数下各神经元的权重；
迭代单元，用于若所述第一判断结果为否，则更新迭代次数并进行下次迭代。
9.根据权利要求6所述的一种发电机起始分配方案的确定系统，其特征在于，所述聚类算法为K-means聚类算法。
10.根据权利要求6所述的一种发电机起始分配方案的确定系统，其特征在于，所述起始分配方案确定模块，包括：
部分起始分配方案确定单元，用于对于任意一个所述聚类方案，对所述聚类方案中的所有发电机分配方案按发电机取交集得到所述聚类方案下各发电机的输出功率；
最终起始分配方案确定单元，用于将所有聚类方案下各发电机的输出功率确定为所述发电机起始分配方案，所述发电机起始分配方案应用于所述电力系统经济调度模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826807.0A CN113469566B (zh) | 2021-07-21 | 2021-07-21 | 一种发电机起始分配方案的确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110826807.0A CN113469566B (zh) | 2021-07-21 | 2021-07-21 | 一种发电机起始分配方案的确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469566A true CN113469566A (zh) | 2021-10-01 |
| CN113469566B CN113469566B (zh) | 2022-11-11 |
Family
ID=77881645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110826807.0A Active CN113469566B (zh) | 2021-07-21 | 2021-07-21 | 一种发电机起始分配方案的确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469566B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1452993A1 (en) * | 2002-12-23 | 2004-09-01 | STMicroelectronics S.r.l. | Method of analysis of a table of data relating to expressions of genes and relative identification system of co-expressed and co-regulated groups of genes |
| CN107657392A (zh) * | 2017-10-26 | 2018-02-02 | 燕山大学 | 一种针对电网大规模经济调度问题的粒计算方法 |
| CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
| CN109193807A (zh) * | 2018-11-13 | 2019-01-11 | 燕山大学 | 一种电力系统经济调度方法及系统 |
| CN110147871A (zh) * | 2019-04-17 | 2019-08-20 | 中国电力科学研究院有限公司 | 一种基于som神经网络与k-均值聚类的窃电检测方法及系统 |
| CN111211994A (zh) * | 2019-11-28 | 2020-05-29 | 南京邮电大学 | 基于SOM与K-means融合算法的网络流量分类方法 |
| CN112270374A (zh) * | 2020-11-10 | 2021-01-26 | 河北大学 | 基于som聚类模型的数学表达式的聚类方法 |
-
2021
- 2021-07-21 CN CN202110826807.0A patent/CN113469566B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1452993A1 (en) * | 2002-12-23 | 2004-09-01 | STMicroelectronics S.r.l. | Method of analysis of a table of data relating to expressions of genes and relative identification system of co-expressed and co-regulated groups of genes |
| CN107657392A (zh) * | 2017-10-26 | 2018-02-02 | 燕山大学 | 一种针对电网大规模经济调度问题的粒计算方法 |
| CN108898154A (zh) * | 2018-09-29 | 2018-11-27 | 华北电力大学 | 一种电力负荷som-fcm分层聚类方法 |
| CN109193807A (zh) * | 2018-11-13 | 2019-01-11 | 燕山大学 | 一种电力系统经济调度方法及系统 |
| CN110147871A (zh) * | 2019-04-17 | 2019-08-20 | 中国电力科学研究院有限公司 | 一种基于som神经网络与k-均值聚类的窃电检测方法及系统 |
| CN111211994A (zh) * | 2019-11-28 | 2020-05-29 | 南京邮电大学 | 基于SOM与K-means融合算法的网络流量分类方法 |
| CN112270374A (zh) * | 2020-11-10 | 2021-01-26 | 河北大学 | 基于som聚类模型的数学表达式的聚类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨占华: "一种基于SOM和K-means的文档聚类算法", 《计算机应用研究》 * |
| 赵凯 等: "基于自组织映射神经网络K-means聚类算法的风电场多机等值建模", 《浙江电力》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469566B (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107590247B (zh) | 一种基于群体知识诊断的智能组卷方法 | |
| CN105426954A (zh) | 一种基于多策略协同作用的粒子群优化的方法 | |
| CN104636821A (zh) | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 | |
| CN114725982B (zh) | 一种分布式光伏集群精细化划分及建模方法 | |
| CN109193807A (zh) | 一种电力系统经济调度方法及系统 | |
| CN113095477B (zh) | 基于de-bp神经网络的风电功率预测方法 | |
| CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
| CN104200096A (zh) | 基于微分进化算法和bp神经网络的避雷器均压环优化法 | |
| CN115983710A (zh) | 高比例新能源接入的电力系统基建项目决策方法及系统 | |
| CN111914900A (zh) | 一种用户用电模式分类方法 | |
| Car et al. | Evolutionary approach for solving cell-formation problem in cell manufacturing | |
| CN115860170A (zh) | 一种考虑电力电子负载的配电系统电能质量优化方法 | |
| CN110943463A (zh) | 一种基于深度学习储能电池参与的电网快速调频控制方法 | |
| CN112731888B (zh) | 一种批量流混合流水车间调度问题的改进候鸟优化方法 | |
| CN113887794A (zh) | 一种配电网无功优化的方法及装置 | |
| CN113469566B (zh) | 一种发电机起始分配方案的确定方法及系统 | |
| CN117078462A (zh) | 一种负荷聚合商参与电能量和调频市场的决策方法 | |
| CN115021269B (zh) | 基于数据驱动的两阶段最优潮流求解方法 | |
| CN116108975A (zh) | 基于br-som聚类算法的配电网短期负荷预测模型建立方法 | |
| Velasco et al. | Genetic fuzzy clustering for the definition of fuzzy sets | |
| CN107453346A (zh) | 一种适用于配电网重构的负荷曲线时段划分方法 | |
| CN115841280A (zh) | 一种光伏月度场景生成方法和系统 | |
| Alvarez et al. | Evaluation of power system partitioning methods for secondary voltage regulation application | |
| Tang et al. | Adaptation for parallel memetic algorithm based on population entropy | |
| Hashemi Borzabadi et al. | Approximate Pareto optimal solutions of multi objective optimal control problems by evolutionary algorithms |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230912 Address after: 2081, building a, 88 Jianghai West Road, Liangxi District, Wuxi City, Jiangsu Province, 214000 Patentee after: Wuxi Xiangyuan Information Technology Co.,Ltd. Address before: No.438, west section of Hebei Street, Haigang District, Qinhuangdao City, Hebei Province Patentee before: Yanshan University |
|
| TR01 | Transfer of patent right |