CN113487246A - 一种基于人工智能的蓄电站选址方法及系统 - Google Patents
一种基于人工智能的蓄电站选址方法及系统 Download PDFInfo
- Publication number
- CN113487246A CN113487246A CN202111037734.3A CN202111037734A CN113487246A CN 113487246 A CN113487246 A CN 113487246A CN 202111037734 A CN202111037734 A CN 202111037734A CN 113487246 A CN113487246 A CN 113487246A
- Authority
- CN
- China
- Prior art keywords
- candidate
- power station
- station
- model
- reservoir
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 112
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000010187 selection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 238000012216 screening Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 238000013499 data model Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 9
- 239000000463 material Substances 0.000 abstract description 3
- 238000004146 energy storage Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电站选址领域,并公开了一种基于人工智能的蓄电站选址系统及方法。选址系统包括数据采集模块、地理影像采集模块、建模模块和蓄电站选址系统;选址方法有以下步骤:确定建立蓄电站的候选区域,获取候选区域的地理信息,根据地形地貌信息确定上下水库的候选站点,再利用构建的分析模型、评估模型等获取抽水蓄能电站的最佳组合站点。本发明通过一个数据驱动的、多层面的决策系统,获取抽水蓄能站址的理想站点组合,基于综合评估模型对理想站点组合集合进行评估,获取最终的最佳站点,提高综合可再生能源的效益,极大地节省了抽水蓄能电站选址布局的人力物力投入,提高了选址工作的效率。
Description
技术领域
本发明涉及电站选址领域,具体涉及一种基于人工智能的蓄电站选址方法及系统。
背景技术
抽水蓄能电站是一种利用负荷低谷时的多余电能将下水库的水抽至上水库,在负荷高峰时放水发电的特殊形式水电站,有调峰填谷、储量大、可调频和调相等优势。抽水蓄能电站作为大规模储能技术,可降低电机组运行维护费用、延长机组寿命;有效降低电场并网运行对电网的冲击,提高电场和电网运行的协调性以及电网运行的安全稳定性。
抽水蓄能电站选址的合理性、科学性、可靠性和经济型直接影响电站的安全与运营效益。目前在抽水蓄能电站选址方面的研究不多,在选址过程中还是以人工勘测,并且现有技术中储能电站选址方法需要专家建立效益指标进行评判,存在较大的主观性和不确定性,并且存在没有充分利用客观数据所提供信息不足等问题。
发明内容
为了克服上述现有技术的缺点,本发明的目的是提供基于人工智能的蓄电站选址方法及系统,包括以下步骤:
S1:获取区域电网中供电电源的位置和运行数据、区域电网中用户用电分布和用电量数据,确定建立抽水蓄能电站的候选区域。
S2: 利用无人机搭载激光雷达、RGB相机获取地面的三维地形数据和地形表面的RGB图像,用于后续抽水蓄能电站数据的分析。
S3:通过对激光雷达数据和RGB图像数据进行处理,开发建立地理信息系统数据库,并基于抽水蓄能电站上水库与下水库的位置关系确定抽水蓄能电站的候选站点。
S4:对理想组合站点的风险程度以及平峰填谷效果进行预测,构建综合评估模型,并基于此获取抽水蓄能电站的最佳组合站点。
利用获取的区域电网的运行数据建立区域电网供电电源的热度图与电网用户的热度图,通过区域电网供电电源的热度图与电网用户的热度图表示供电电源及用户用电负荷的空间分布图;利用区域内的供电电源与电网用户负荷建立约束条件,根据该建立的约束条件在空间分布图选取抽水蓄能电站的候选区域。
其中,约束条件的表达式为:
式中:是年内第月;是该月第日;是该日第个时段;为在第月的第日的第个时段内第种可控供电电源的可调容量;为可控供电电源的种类总数;表示可控供电电源;为在第月的第日的第个时段内第种不可控供电电源在高峰时段的有效容量,为不可控供电电源的种类总数表示不可控供电电源;是用电高峰时段,是第月的第日的日高峰时段用电量。
地理信息数据模型按照以下步骤构建:
对获取的RGB图像进行地物提取,检测地面的公路、水源等;
根据绝对高程或设定阈值去除明显异常点,从提取出的地面点中抽取一定密度的点用来建立地形表面数字高程模型,利用高分辨率的RGB图像构建数字正射影像模型;
利用地形表面数字高程模型数据完成等高线的生成及注记高程点的自动赋值,基于数字正射影像模型或数字立体测图的方法来获得地物和地貌元素,从而完成地形要素数据的采集,通过地物采集所获得的矢量数据和等高线矢量数据进行叠加生成所需的数字地形图。
对确定出抽水蓄能电站候选站点中上下水库组合按照如下方法进行筛选:
建立抽水蓄能电站特征指标分析模型的方法如下:
按照如下表达式计算候选站点上下水库的水位均差:
抽水蓄能电站特征指标分析模型的表达式:
所述综合评估模型的表达式:
蓄电站的选址系统包括:
数据采集模块,所述数据采集模块用于采集区域电网的运行数据进行存储和运算;
地理影像采集模块,所述地理影像采集模块用于获取地面数据,建立地理信息系统数据库,为抽水蓄能电站的选址以及电站的三维设计提供基础空间数据;
建模模块,所述建模模块用于构建上下水库选取模型、 电站特征指标分析模型、电站特征指标计算模型、候选站点运行风险指标评估模型,最终筛选出区域内理想站点组合,确定最佳选址地点。
蓄电站选址系统,用于根据所述建立的选取模型、分析模型、计算模型与评估模型确定所述最终的选址地点。
本发明的有益效果是:抽水蓄能电站选址是勘测规划的首要任务,由于抽水蓄能电站的选址涉及到不同的甚至是相互矛盾的标准,导致抽水蓄能电站的选取难度加大。本发明中通过一个数据驱动的、多层面的决策框架,帮助抽水蓄能电站项目在规划阶段评估场地的使用条件,进一步获取抽水蓄能的站址的理想站点组合,并基于综合评估模型对理想站点组合集合进行评估,获取最终的最佳站点,提高综合可再生能源的效益,极大地节省了抽水蓄能电站选址布局的人力物力投入,提高了选址工作的效率。
附图说明
图1是本发明实施例中的系统流程框图;
图2是本发明所述电站结构图;
图3是本发明实施例中的系统连接框图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
实施例1
为了实现本发明所述内容,本发明设计了一种抽水蓄能电站的选址方法,根据图1所示步骤,综合区域电网中各因素获取抽水蓄能电站的最佳选址地点。
S1:根据区域电网的运行数据,确定修建抽水蓄能电站的候选区域。其中电网运行数据包括电网供电电源位置及供电电源发电量、供电电源的调峰容量、用户用电分布及用户用电需求量。根据设定区域中电网的运行数据,构建区域电网供电电源与电网用户的热度图,电网的热度图表示了供电电源与用户用电负荷的空间分布,区域电网供电电源与电网负荷热度图的密度反映出电网中供电电源和负荷的密度分布,热力图的峰值大小表征了区域电网中供电电源和用户用电量之间的关系。
根据区域电网中各类电站典型月、日、时段电力电量、调峰容量评估区域电网的波动性,以此来确定电网对蓄能电站的需求,通过供电电源的调峰阈值对该区域的电网稳定性进行评估,确定是否需要构建抽水蓄能电站。
由于电网中用户用电量存在高峰期和低谷期,区域电网中电源发电量和需求电量在不同时段有差异性,本发明利用大数据系统获取电网中供电电源发电量以及电网中需求电量的历史数据,计算分析区域电网中各类电站典型月、日、时段电力电量、调峰容量,根据供电电源与电网用户负荷确定约束条件,当不满足约束条件时,则需要在该区域电网中构建蓄能电站对区域电网进行调节,保证供电电源的调峰能力可以满足电网稳定,将该区域作为候选区域。约束条件表达式为:
式中:是年内第月;是该月第日;是该日第个时段;为在第月的第日的第个时段内第种可控供电电源的可调容量;为可控供电电源的种类总数;表示可控供电电源;为在第月的第日的第个时段内第种不可控供电电源在高峰时段的有效容量,为不可控供电电源的种类总数表示不可控供电电源;是用电高峰时段,是第月的第日的日高峰时段用电量。
该步骤的有益效果为:抽水蓄能电站的修建选址及其经济规模与区域电网的负荷特性、电源结构和运行特性等诸多不确定因素因素密切相关。因此,该步骤通过约束函数分析区域电网中对抽水蓄能电站的需求,本发明基于此获取蓄能电站建立的候选区域,提高系统的整体检测效率。
S2:利用无人机搭载的激光雷达、高分辨率相机进行航空摄影获取候选区域地面的三维地形点云数据和地形表面的RGB图像。
该步骤的主要目的是获取地面的地形地貌数据,为抽水蓄能电站的选址以及电站的三维设计提供基础空间数据。
S3:通过对S2获取的三维地形点云数据和RGB图像数据进行处理,建立地理信息系统数据库,确定抽水蓄能电站的候选站点以及候选组合,然后根据筛选模型筛选滤除获取满足条件的电站理想组合。
该步骤的主要目的是对候选区域的三维地形点云数据和RGB图像数据进行处理,构建抽水蓄能电站的候选区域地理信息系统数据库,很大程度上节省了抽水蓄能电站选址过程中勘测规划阶段的人力物力,此外,可基于地理信息系统数据库对抽水蓄能电站的容量进行预测。
本发明所述地理信息数据模型构建的具体过程为:
首先利用获取的RGB图像进行地物提取,本发明中利用语义分割模型对RGB图像进行检测与分析,检测地面的公路、水源等信息。
以RGB图像构建数字正射影像模型;根据激光雷达获得的三维地形点云数据检测分析地形地貌特征,利用绝对高程或阈值设定去除明显异常点;然后提取出地面点,从地面点中抽取一定密度的点建立地形表面数字高程模型,地形表面数字高程模型和高分辨率数字正射影像模型可以生产出高精度的地形图。
利用地形表面数字高程模型数据可以生成等高线和注记高程点的自动赋值,通过数字正射影像模型或数字立体测图采集地形要素数据来获得地物和地貌元素(水系、交通、地形、植被等)。通过地物采集获得的矢量数据和等高线矢量数据进行叠加生成所需的数字地形图。
利用地形图获取地形地质特征和水系特征,根据语义分割模型的输出获取地面水系(河流、湖泊、水库)的分布情况;利用候选区域的地理信息系统数据库中的地形地貌信息,选取抽水蓄能电站上下水库的候选点。
为选取出更加适合的上下水库,本发明将构建上下水库选取模型:首先通过抽水蓄能电站上下水库地理关系与候选区域内各水系的高程数据、坡度等特征,从候选区域的水系中选取多个待定的上水库与下水库,本发明对候选区域内水系的高程信息设置阈值为(阈值根据实际情况具体而定,本发明设置500m),满足时,作为上水库的候选站点,满足时,作为下水库的候选站点。
为选取更合适的候选组合,提高待建电站的效益,避免人工勘探选取效率低下等问题,本发明构建电站特征指标分析模型,然后基于特征指标分析模型对现有抽水蓄能电站进行分析处理,为待建电站的上下水库的选取提供参考依据,以便从候选站点组合中选取合适、满足条件的水库站点组合,然后设置候选组合筛选模型,对各待定上下水库站点进行分析,筛选出合适的上下水库站点组合。该步骤的目的主要是建立抽水蓄能电站特征指标的计算模型,为抽水蓄能电站上下水库的选取提供准确快速的选取标准,降低人工勘探工作量的同时保证抽水蓄能电站的效益最大化。本发明所述电站结构图如图2。
所述特征指标分析过程具体为:根据电站结构图,对语义感知网络获取的水系进行特征指标分析:
首先计算上下候选水库之间的最大、最小水位差,用于后续水库特征的分析:
然后本发明根据上、下候选水库的平均水位差以及上下水库间的位置关系,进行电站特征指标的分析,设置抽水蓄能电站特征指标分析模型:
进一步地,本发明将基于电站特征指标分析模型对现有抽水蓄能电站进行统计处理,设置理想组合筛选模型,用于选出满足条件的候选水库组合。理想组合筛选模型的建立过程具体为:
首先根据所述模型对步骤一所得候选区域及其邻域范围内的现有抽水蓄能电站进行分析,计算各现有电站的特征指标,获取各现有电站的特征指标序列,为候选区域及其邻域范围内的电站的数量。所述邻域范围实施者自行设定,本发明以候选区域边缘为起点向周围扩展五公里内的区域范围;
计算每个电站近年的损耗指标,所述损耗指标:,其中,为电站第年内自身耗电量,电站第年发电量,为电站第年内抽水所用总时长,为修正因子,本发明设置为。分析年内的损耗指标均值:(本发明中)。获取邻域范围内各电站近年的效益指标序列;
将电站的特征指标以及效益指标构成电站分析特征向量,得到个特征向量,对其进行聚类分析,本发明将其分为两个类别,首先选取初始聚类中心,为提高聚类效果及聚类中心的代表性,分别将、对应的特征向量作为聚类中心,以保证类间特征差异足够大,聚类结果更加准确。具体聚类过程为公知技术,不在本发明保护范围内,不做详细阐述。
根据聚类算法将所述特征向量划分为两个簇,对初始中心对应的类别进行分析,获取该类别中所有特征向量的特征指标,从小到大进行排序得到属于该类别的所有特征向量对应的特征指标范围,将其作为理想组合的筛选条件,将不满足理想站点筛选范围的组合进行滤除,仅保留满足条件的站点组合,用于后续电站选址的进一步分析。该步骤能够有效获取待建电站理想站点的筛选条件,有效避免人为设定选取的主观性。
至此,根据抽水蓄能电站的上、下水库选取模型可计算候选组合的特征指标,并对满足条件的候选组合进行筛选,该步骤能够滤除大量不适合的候选组合站点,获取电站站点的理想组合,从而有效解决了抽水蓄能电站上水库与下水库的勘测规划问题,该步骤能够有效降低人为勘察选取电站水库的工作量,提高系统检测速度,快速准确的获取理想候选站点组合。
S4:对理想组合站点的风险程度以及平峰填谷效果进行预测,并基于综合评估模型,获取抽水蓄能电站的最佳组合站点。
对抽水蓄能电站候选站点存在的风险进行综合分析,获得影响抽水蓄能电站安全运行的风险指标,所述风险评估主要针对不确定性扰动事件发生的可能性和后果两个方面对抽水蓄能电站运行的风险进行分析评估。
所述风险程度的大小与该风险可能造成后果的严重性及其发生的可能性密切相关,因此,本发明基于此构建抽水蓄能电站候选站点的运行风险指标评估模型,则每个候选站点运行风险程度可以表示为:
其中,为上下水库的风险程度,表示每组候选抽水蓄能电站的风险程度,为第个不确定性风险扰动事件,为不确定性风险扰动事件的风险发生概率,为不确定性风险扰动事件发生造成的损失严重程度,本发明中将不确定性扰动事件造成的损失严重程度设置5个等级,分别是特别严重、严重、中等、轻微、特别微弱,从高到底依次为 5、4、3、2、1级。
考虑到待建电站还需要对待建局部区域起到调峰填谷的作用,以保证区域电网的供需平衡及电网稳定最大化。因此,本发明对待建抽水蓄能电站的平峰填谷效果进行预测,以便后续最佳组合站点的准确选取。对于理想组合,将其进行区域划分,保证每个区域内仅有一组理想站点组合。实施者根据实际情况自行划分区域,不作为本发明保护内容。分别对每个理想组合所在区域的平峰填谷效果进行预测,所述平峰填谷效果预测模型为:
其中,、分别为该区域实际用电负荷的峰值、谷值,为评估参数,本发明设置为。表示对候选组合调峰填谷效果预测的判定值,函数值越高,则认为该区域对于平峰填谷的需求越大,也即该区域建立电网更能够起到平峰填谷的效果。
构建抽水蓄能电站选址的综合评估模型,对步骤S3提取的理想组合站点进行综合评估,进而确定最佳选址地点,所述综合评估函数为:
其中,为抽水蓄能综合评估指标,,为权值。本发明中,。分别为模型调整因子,实施者自行选取,本发明设置。对候选蓄电站综合评估模型进行归一化,使得函数值处于(0,1),便于直观分析抽水蓄能电站理想组合站点的综合情况。
至此,根据本发明所述系统及方法,即可确定抽水蓄能电站的最佳水库地点。
如图3所示,本发明提供了一种基于人工智能的蓄电站选址系统,包括数据采集模块、地理影像采集模块、建模模块以及蓄电站选址系统。
数据采集模块用于采集区域电网的运行数据,并对采集的数据进行存储和运算;
地理影像采集模块用于获取地面数据,对地表的地形地貌信息进行分析,建立地理信息系统数据库,为抽水蓄能电站的选址以及电站的三维设计提供基础空间数据;
建模模块用于构建在选取区域内理想站点组合确定最佳选址地点的过程中需要用到的模型;包括上下水库选取模型、电站特征指标分析模型、电站特征指标计算模型以及综合评估模型;
蓄电站选址系统根据所述建模模块的模型确定最终的选址地点。
以上所述实施例仅仅是对本发明的举例说明,本发明的保护范围并不被实施例所限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的蓄电站选址方法,其特征在于,包括以下步骤:
S1:获取并分析区域电网的运行数据,利用获取的区域电网的运行数据建立区域电网供电电源的热度图与电网用户的热度图,通过区域电网供电电源的热度图与电网用户的热度图表示供电电源及用户用电负荷的空间分布图;利用区域内的供电电源与电网用户负荷建立约束条件,根据该建立的约束条件在空间分布图选取抽水蓄能电站的候选区域;所述约束条件包括:
式中:是年内第月;是该月第日;是该日第个时段;为在第月的第日的第个时段内第种可控供电电源的可调容量;为可控供电电源的种类总数;表示可控供电电源;为在第月的第日的第个时段内第种不可控供电电源在高峰时段的有效容量,为不可控供电电源的种类总数表示不可控供电电源;是用电高峰时段,是第月的第日的日高峰时段用电量;
S2:获取候选区域地面的三维地形点云数据和地形表面的RGB图像;
S3:利用S2中获取的数据建立地理信息系统数据库,根据该地理信息系统数据库选取抽水蓄能电站候选站点;
利用地理信息系统数据库建立地理信息数据模型,获取候选区域内水系的高程信息来确定出抽水蓄能电站候选点中的上下水库候选组合;对抽水蓄能电站候选点中的上下水库候选组合进行筛选,得到抽水蓄能电站上下水库理想站点;
S4:利用综合评估模型对抽水蓄能电站上下水库理想站点组进行综合评估,获取抽水蓄能电站的选取地点。
2.根据权利要求1所述基于人工智能的蓄电站选址方法,其特征在于,地理信息数据模型的构建按照以下步骤:
对获取到的RGB图像进行地物提取,构建数字正射影像模型;
利用三维地形点云数据检测及分析地形地貌特征,提取出地面点建立地形表面数字高程模型;
利用数字正射影像模型进行地物采集,利用地形表面数字高程模型完成等高线的生成和注记高程点的自动赋值;根据地物采集获得的矢量数据和等高线矢量数据进行叠加生成地理信息数据模型。
7.一种基于人工智能的蓄电站选址系统,其特征在于,包括以下模块:
数据采集模块,所述数据采集模块用于采集区域电网的运行数据进行存储和运算;
地理影像采集模块,所述地理影像采集模块用于获取地面数据,建立地理信息系统数据库,为抽水蓄能电站的选址以及电站的三维设计提供基础空间数据;
建模模块,所述建模模块用于构建上下水库选取模型、电站特征指标分析模型、电站特征指标计算模型、候选站点运行风险指标评估模型,最终筛选出区域内理想站点组合,确定最佳选址地点;
蓄电站选址系统,用于根据所述建立的选取模型、分析模型、计算模型与评估模型确定所述最终的选址地点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111037734.3A CN113487246B (zh) | 2021-09-06 | 2021-09-06 | 一种基于人工智能的蓄电站选址方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111037734.3A CN113487246B (zh) | 2021-09-06 | 2021-09-06 | 一种基于人工智能的蓄电站选址方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487246A true CN113487246A (zh) | 2021-10-08 |
CN113487246B CN113487246B (zh) | 2021-12-07 |
Family
ID=77947210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111037734.3A Active CN113487246B (zh) | 2021-09-06 | 2021-09-06 | 一种基于人工智能的蓄电站选址方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487246B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114281113A (zh) * | 2021-11-18 | 2022-04-05 | 南方电网调峰调频发电有限公司 | 一种水电设备智能运行信息模型的构建方法及其系统 |
CN114926032A (zh) * | 2022-05-24 | 2022-08-19 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
CN117913830A (zh) * | 2024-03-20 | 2024-04-19 | 中国电建集团昆明勘测设计研究院有限公司 | 一种抽水蓄能电站的资源调度方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192780A1 (en) * | 2004-02-27 | 2005-09-01 | Mertins Karl-Heinz O. | Method and system of determining a location for a wind-powered electrical energy facility |
CN103049799A (zh) * | 2012-12-10 | 2013-04-17 | 河海大学 | 一种基于多目标优化的电网规划设计方法 |
CN109325676A (zh) * | 2018-09-10 | 2019-02-12 | 北方民族大学 | 基于gis的清洁能源综合电站选址方法 |
-
2021
- 2021-09-06 CN CN202111037734.3A patent/CN113487246B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192780A1 (en) * | 2004-02-27 | 2005-09-01 | Mertins Karl-Heinz O. | Method and system of determining a location for a wind-powered electrical energy facility |
CN103049799A (zh) * | 2012-12-10 | 2013-04-17 | 河海大学 | 一种基于多目标优化的电网规划设计方法 |
CN109325676A (zh) * | 2018-09-10 | 2019-02-12 | 北方民族大学 | 基于gis的清洁能源综合电站选址方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114281113A (zh) * | 2021-11-18 | 2022-04-05 | 南方电网调峰调频发电有限公司 | 一种水电设备智能运行信息模型的构建方法及其系统 |
CN114281113B (zh) * | 2021-11-18 | 2023-12-19 | 南方电网调峰调频发电有限公司 | 一种水电设备智能运行信息模型的构建方法及其系统 |
CN114926032A (zh) * | 2022-05-24 | 2022-08-19 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
CN114926032B (zh) * | 2022-05-24 | 2023-07-25 | 江苏邦鼎科技有限公司 | 一种饲料企业模块化装配方法及系统 |
CN117913830A (zh) * | 2024-03-20 | 2024-04-19 | 中国电建集团昆明勘测设计研究院有限公司 | 一种抽水蓄能电站的资源调度方法和系统 |
CN117913830B (zh) * | 2024-03-20 | 2024-06-04 | 中国电建集团昆明勘测设计研究院有限公司 | 一种抽水蓄能电站的资源调度方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113487246B (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113487246B (zh) | 一种基于人工智能的蓄电站选址方法及系统 | |
CN109492950B (zh) | 一种基于gis技术可满足大区域范围空间饱和负荷预测方法 | |
CN104050323B (zh) | 一种高海拔山区模糊多准则风电场选址方法 | |
KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
CN107330422A (zh) | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
CN107766825A (zh) | 基于空间功能单元的陆域省市县空间规划三区识别方法 | |
CN117408495B (zh) | 一种基于土地资源综合管理的数据分析方法及系统 | |
CN111445116A (zh) | 国土空间规划辅助编制系统 | |
Aniskevich et al. | Modelling the spatial distribution of wind energy resources in Latvia | |
CN115730728A (zh) | 一种抽水蓄能电站选址评估分析方法 | |
CN114626572A (zh) | 基于智能图像识别的输电线路路径优选方法 | |
CN107305701A (zh) | 一种基于数字高程模型的城市洼地提取方法 | |
CN117077922A (zh) | 一种基于bp神经网络智能电网配电方法 | |
Fesalbon et al. | Hydropower dam site selection and visualization using GIS and RS techniques: A case of Marinduque, Philippines | |
Ramirez Camargo et al. | Spatiotemporal modeling for assessing complementarity of renewable energy sources in distributed energy systems | |
Zhang et al. | Quality of terrestrial data derived from UAV photogrammetry: A case study of Hetao irrigation district in northern China | |
CN115526544A (zh) | 一种基于多类型数据的绿色矿山建设规划方法及系统 | |
CN107958335A (zh) | 一种基于开发地图的风电场装机规模及上网电量估算系统及估算方法 | |
CN115239097A (zh) | 基于环境影响评价关键技术指标体系的光热基地规划方法 | |
Zhao et al. | Comparison of two different methods for determining flow direction in catchment hydrological modeling | |
CN103617452A (zh) | 一种大型光伏基地区域测光网络布局方法 | |
CN107341568A (zh) | 一种台风风暴增水预测方法及系统 | |
Nugroho et al. | Preferred site selection using GIS and AHP: case study in Bangka island NPP site | |
López-González | Community-scale rural energy systems: General planning algorithms and methods for developing countries |
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 |