CN113705103A - 一种基于改进bp神经网络的分布式光伏功率分离方法 - Google Patents
一种基于改进bp神经网络的分布式光伏功率分离方法 Download PDFInfo
- Publication number
- CN113705103A CN113705103A CN202111012725.9A CN202111012725A CN113705103A CN 113705103 A CN113705103 A CN 113705103A CN 202111012725 A CN202111012725 A CN 202111012725A CN 113705103 A CN113705103 A CN 113705103A
- Authority
- CN
- China
- Prior art keywords
- irradiance
- power
- neural network
- load
- improved
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 48
- 238000000926 separation method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 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
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
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
- 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
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及电网广义负荷分离技术,具体涉及一种基于改进BP神经网络的分布式光伏功率分离方法。在区域内量测装置不足且无法通过传统的光伏预测方法获取区域内光伏出力的情况下,提出一种基于改进BP神经网络并且利用相关性条件分离出广义负荷中的分布式光伏功率的方法。包括在考虑辐照对分布式光伏的影响基础之上,且分布式电源功率与广义负荷功率的加和为常规负荷功率。利用区域内实际的常规负荷功率与辐照度之间零线性相关的前提,建立了辐照度到区域内光伏出力之间的映射关系,从而建立广义负荷中的光伏出力的分离辨识模型。使用辐照度与广义负荷功率历史序列进行训练,利用区域内实际的常规负荷功率与辐照度之间零线性相关的特点分离光伏功率。
Description
技术领域
本发明属于电网广义负荷分析研究领域,尤其涉及一种基于改进BP神经网络的分布式光伏功率分离方法。
背景技术
随着用户屋顶光伏等小容量、数量多的分布式电源的接入,分布式电源对电力系统的调度运行带来了新的问题与挑战,并且由广义负荷与各类环境因素之间的相关性分析结果可知,辐照度也是广义负荷预测的一大重要影响因素,而众多研究以及生活常识均表明辐照度直接影响到光伏出力。因此,有必要研究这种分布式光伏电源接入配电网进而对广义负荷造成的影响。在区域内量测装置不足的情况下,用户侧分散接入电网的大部分分布式光伏电站享有光伏出力就地消纳的政策,仅将剩余的电量上传至电网,因此难以获取广义负荷中的实际光伏出力数据,不利于电网的调度与预测。而由于辐照度条件的变化,光伏出力呈现出极强的波动性和间歇性。为了降低分布式电源并网带来的不利影响,有必要研究分布式光伏功率的分离与预测方法,来进一步提高电力系统的稳定性与可靠性。
现有光伏功率预测研究中大多数适用于集中式光伏,对于分布式光伏预测由于分布式光伏分散在广义负荷中,其预测问题属于模型不可观问题,对分布式光伏的预测尚不充分。
发明内容
本发明的目的是考虑辐照条件对广义负荷的影响因素,提出一种基于改进BP神经网络的分布式光伏功率分离方法,建立了辐照度到区域内光伏出力之间的映射关系,从而实现广义负荷中的分布光伏功率分离辨识。
为实现上述目的,本发明采用的技术方案是:一种基于改进BP神经网络的分布式光伏功率分离方法,包括在考虑辐照对分布式光伏的影响基础之上;分布式电源功率与广义负荷功率的加和为常规负荷功率;使用辐照度与广义负荷功率历史序列进行训练;利用区域内实际的常规负荷功率与辐照度之间零线性相关的特点分离光伏功率。
在上述的基于改进BP神经网络的分布式光伏功率分离方法中,包括以下具体步骤:
步骤1、选取辐照度与广义负荷历史数据,对辐照度数据以及负荷数据分别进行预处理。
在上述的基于改进BP神经网络的分布式光伏功率分离方法中,步骤1的实现包括以下步骤:
步骤1.1、分别引入多个历史时刻的辐照度以及多个历史时刻的广义负荷总功率数据;
步骤1.2、对历史数据进行的预处理包括缺失值与异常值处理以及历史数据的归一化;具体步骤如下:
步骤1.2.1、将历史辐照度序列、历史广义负荷总功率序列分别通过将存在缺失以及数值明显超出其物理意义范围的数据删除,得到删除法处理后辐照度序列、删除法处理后历史负荷总功率序列;
步骤1.2.2、分别将删除法处理后辐照度序列、删除法处理后历史负荷总功率序列通过min-max归一化方法处理:
其中s表示待转换的辐照度历史数据,S*表示归一化后的辐照度历史数据,smax与smin分别为辐照度历史数据中的最大值与最小值。
其中PS表示待转换的广义负荷总功率历史数据,PS *表示归一化后的广义负荷总功率历史数据,PSmax与PSmin分别为广义负荷总功率历史数据中的最大值与最小值。
步骤2、建立改进的BP神经网络模型,与传统BP神经网络模型不同的是,本模型采用辐照度与常规负荷(广义负荷功率中减去光伏功率的剩余部分)之间的线性相关性趋于零作为评价函数。包括以下步骤:
步骤2.1、建立改进BP神经网络,网络结构采用输入层、隐含层、输出层的三层神经网络,隐藏层为1层。
步骤2.2、初始化输入层与隐藏层、隐藏层与输出层之间的权值W、V,初始化隐藏层的阈值R。隐藏层中激活函数设定为sigmoid函数:
则第i个隐藏层神经元的输入Min为:
Min(i)=W(i)S+R(i)
第i个隐藏层神经元的输出为:
Mout(i)=δ(Min(i))
输出层的输出yout为:
输出层的输出yout为预测的光伏功率PS。
步骤2.3、采用辐照度S与常规负荷PL的线性相关系数ρV作为损失函数:
PS(t)=PL(t)+PV(t),t=1,2,…,N
其中,W和V分别为改进BP神经网络的权重矩阵,是待寻优的变量。PS为广义负荷总功率。PV为分布式光伏功率。F(·)为分布式光伏功率与辐照度之间存在的某种映射关系。
步骤3、输入步骤1处理后的辐照度与广义负荷功率,训练步骤2建立的改进BP神经网络模型,对网络参数寻优。
步骤3.1、光伏分离辨识模型训练过程中,改进BP神经网络参数的训练过程实质上是对如下所式所示的优化问题的求解,即用分布光伏功率与常规负荷之和等于下网功率(即广义负荷总功率)、辐照度与分布式光伏功率之间存在可以求取的某种映射关系和辐照度与常规负荷的线性相关系数的平方最小为收敛判据:
其中,W和V分别为改进BP神经网络的权重矩阵,是待寻优的变量。PS为广义负荷总功率。PV为分布式光伏功率。F(·)为分布式光伏功率与辐照度之间存在的某种映射关系。
步骤3.2、采用梯度下降法对光伏分离辨识模型进行参数更新,计算温度敏感型负荷分离模型的目标函数对权重系数的梯度:
其中θ为权重系数,代表神经网络中输入层与隐藏层之间的权重W和隐藏层与输出层的权重V。式中相关系数ρv对神经网络输出yout(t)的偏导数为:
其中,C和D分别为求取线性相关系数ρv的偏导数时引入的辅助计算变量;k为时间点。
步骤4、步骤3参数寻优完成后,在光伏分离辨识模型中输入区域辐照度与广义负荷总功率数据,从广义负荷总功率中分离出分布式光伏功率。
在上述的基于改进BP神经网络的分布式光伏功率分离方法中,步骤4的实现包括:通过输入区域内辐照度到改进的BP神经网络模型中,利用辨识模型可以从区域内的广义负荷总功率中分离出高精度的分布式光伏功率。
本发明的有有益效果:本方法与传统的BP神经网络模型的不同之处在于传统的BP神经网络以输出值与真实值之间的误差为修正量进行网络寻优,而本文所提出的改进BP神经网络针对量测装置不足的地区,无法单独获取区域内分布式电源出力的实际值,所以网络寻优过程中的真实值为未知值,改进BP神经网络以辐照度与常规负荷之间的相关性为误差计算函数来进行网络寻优,实现分布式光伏功率的分离辨识;辐照度与光伏功率之间的映射关系仅与区域内光伏自身的特性等因素有关,而与用户的用电习惯和参数的波动无关,因此可以更准确地分离光伏功率。
在实际应用时通过输入区域辐照度数据,可以为量测装置不足的系统提供分布式电源出力的数据支持,同时为实现广义负荷更加精确的预测提供解决办法和数据基础。
附图说明
图1是本发明一个实施例的分布式光伏功率分离原理图;
图2是本发明一个实施例的改进BP神经网络分离分布式光伏原理图;
图3是本发明一个实施例的方法流程示意图;
图4(a)是本发明一个实施例夏季工作日分布式光伏分离效果图;
图4(b)是本发明一个实施例夏季休息日分布式光伏分离效果图;
图4(c)是本发明一个实施例冬季工作日分布式光伏分离效果图;
图4(d)是本发明一个实施例冬季休息日分布式光伏分离效果图;
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例为了解决现有技术中所存在的技术问题;提供了一种基于改进BP神经网络的分布式光伏功率分离方法,通过建立改进BP神经网络模型,输入区域辐照度数据,分离分布式光伏功率,为广义负荷的精准预测提供基础,分布式光伏功率分离原理图如图1所示。
本实施例与传统神经网络负荷分离方法相比,传统的BP神经网络以输出值和实际值之间的误差作为修正量进行网络寻优,而改进BP神经网络针对量测装置不足的地区,无法单独获取分布式电源出力,所以网络寻优过程中的真实值为未知值,改进BP神经网络以相关性为修正量,改进BP神经网络模型如图2所示。
本实施例能以较低成本获取区域内的分布式电源出力之和,该辨识结果有利于电网较为准确地掌握用户侧负荷的各种组成部分以及实际的各种负荷成分的需求量,并且为下一步进行各种类型的负荷分别预测提供数据支持。
本实施例一种基于基于改进BP神经网络的分布式光伏功率分离方法,包括在考虑辐照度与分布式光伏处理的相关性;建立改进BP神经网络分布式光伏分离模型;训练神经网络模型和确定相关参数;输入辐照数据,从广义负荷功率中分离出分布式光伏功率。
本实施例是通过以下技术方案来实现的,一种基于改进BP神经网络的分布式光伏功率分离方法,包括以下步骤:
S1.本实施例选取某工业园区历史辐照度数据以及负荷数据进行预处理;
该区域内光伏渗透率较高,而风电渗透率基本为零,区域内一些建筑物配备了屋顶光伏发电设备,各分布式电源均装有辐照度采集装置但未配备各电源的出力采集装置,所有光伏电源的容量之和约为8MW;区域内的用电负荷主要为家用电器组装、测试、调试的工业设备和少量居民用电负荷,变压器下网点功率测量装置处所测量的广义负荷功率的最大值约为10MW。
考虑到分布式光伏电源的工作特性,根据季节特性已知该园区内在每天6:00~18:00之间光伏出力是不为零时段,而其他时刻光伏出力为零,预测分辨率为15min,故一天内采样点为96个点,其中光伏出力不为零的点大致有48个。夏季工作日以2017年7月6日(星期四)的历史数据为例,夏季休息日以2017年7月9日(星期日)的历史数据为例。由于辐照度、电力负荷历史数据量纲不同,数据差异较大,所以对数据进行归一化处理:
其中s表示待转换的辐照度历史数据,S*表示归一化后的辐照度历史数据,smax与smin分别为辐照度历史数据中的最大值与最小值。
其中PS表示待转换的广义负荷总功率历史数据,PS *表示归一化后的广义负荷总功率历史数据,PSmax与PSmin分别为广义负荷总功率历史数据中的最大值与最小值。原始数据经归一化后可以有效增强数据的收敛性,节约总体计算的用时间。
S2.建立改进BP神经网络模型,模型如图2所示。
在上述的基于改进BP神经网络的分布式光伏功率分离方法中,步骤2的实现包括以下步骤:
建立改进BP神经网络,网络结构采用输入层、隐含层、输出层的三层神经网络,隐藏层为1层。
初始化输入层与隐藏层、隐藏层与输出层之间的权值W、V,初始化隐藏层的阈值R。隐藏层中激活函数设定为sigmoid函数:
则第i个隐藏层神经元的输入Min为:
Min(i)=W(i)S+R(i)
第i个隐藏层神经元的输出为:
Mout(i)=δ(Min(i))
输出层的输出yout为:
输出层的输出yout为预测的光伏功率PS。
采用辐照度S与常规负荷PL的线性相关系数ρV作为损失函数:
PS(t)=PL(t)+PV(t),t=1,2,…,N
其中,W和V分别为改进BP神经网络的权重矩阵,是待寻优的变量。PS为广义负荷总功率。PV为分布式光伏功率。F(·)为分布式光伏功率与辐照度之间存在的某种映射关系。
S3.训练S2建立的改进BP神经网络模型,对网络参数寻优,训练方法流程如图3所示。
光伏分离辨识模型训练过程中,改进BP神经网络参数的训练过程实质上是对如下所式所示的优化问题的求解,即用分布光伏功率与常规负荷之和等于下网功率(即广义负荷总功率)、辐照度与分布式光伏功率之间存在可以求取的某种映射关系和辐照度与常规负荷的线性相关系数的平方最小为收敛判据:
其中,W和V分别为改进BP神经网络的权重矩阵,是待寻优的变量。PS为广义负荷总功率。PV为分布式光伏功率。F(·)为分布式光伏功率与辐照度之间存在的某种映射关系。
采用梯度下降法对光伏分离辨识模型进行参数更新,计算温度敏感型负荷分离模型的目标函数对权重系数的梯度:
其中θ为权重系数,代表神经网络中输入层与隐藏层之间的权重W和隐藏层与输出层的权重V。式中相关系数ρv对神经网络输出yout(t)的偏导数为:
其中,C和D分别为求取线性相关系数ρv的偏导数时引入的辅助计算变量;k为时间点。
S4.输入区域辐照度数据,所分离出的夏季工作日、夏季休息日、冬季工作日、冬季休息日的下网功率中的分布式光伏功率结果如图4(a)、4(b)、4(c)、4(d)所示。由图可知采用本方法,能够有效地从下网功率中分离出区域内所有分布式光伏出力之和,光伏出力在每天6:00以前和18:00之后均为0,在6:00到18:00之间成拱形分布,在正午达到峰值,此时光伏出力占总广义负荷比例大致为75%,该分离结果与光伏电源工作状况相符。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式,但是本领域普通技术人员应当理解,这些仅是举例说明,可以对这些实施方式做出多种变形或修改,而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。
Claims (4)
1.一种基于改进BP神经网络的分布式光伏功率分离方法,其特征是,包括以下步骤:
步骤1:选取辐照度与广义负荷历史数据,对辐照度数据以及负荷数据分别进行预处理;
步骤2:建立改进的BP神经网络模型,与传统BP神经网络模型不同的是,本模型采用辐照度与常规负荷(广义负荷功率中减去光伏功率的剩余部分)之间的线性相关性趋于零作为评价函数,包括以下步骤:
步骤2.1、建立改进BP神经网络,网络结构采用输入层、隐含层、输出层的三层神经网络,隐藏层为1层;
步骤2.2、初始化输入层与隐藏层、隐藏层与输出层之间的权值W、V,初始化隐藏层的阈值R;隐藏层中激活函数设定为sigmoid函数:
则第i个隐藏层神经元的输入Min为:
Min(i)=W(i)S+R(i)
第i个隐藏层神经元的输出为:
Mout(i)=δ(Min(i))
输出层的输出yout为:
输出层的输出yout为预测的光伏功率PS;
步骤2.3、采用辐照度S与常规负荷PL的线性相关系数ρV作为损失函数:
PS(t)=PL(t)+PV(t),t=1,2,…,N
其中,W和V分别为改进BP神经网络的权重矩阵,是待寻优的变量;PS为广义负荷总功率;PV为分布式光伏功率;F(·)为分布式光伏功率与辐照度之间存在的某种映射关系;
步骤3:输入步骤1处理后的辐照度与广义负荷功率,训练步骤2建立的改进BP神经网络模型,对网络参数寻优;
步骤4:步骤3参数寻优完成后,在光伏分离辨识模型中输入区域辐照度与广义负荷总功率数据,从广义负荷总功率中分离出分布式光伏功率。
2.根据权利要求1所述的一种基于改进BP神经网络的分布式光伏功率分离方法,其特征是,步骤1的实现包括以下步骤:
步骤1.1、分别引入多个历史时刻的辐照度以及多个历史时刻的广义负荷总功率数据;
步骤1.2、对历史数据进行的预处理包括缺失值与异常值处理以及历史数据的归一化;具体步骤如下:
步骤1.2.1、将历史辐照度序列、历史广义负荷总功率序列分别通过将存在缺失以及数值明显超出其物理意义范围的数据删除,得到删除法处理后辐照度序列、删除法处理后历史负荷总功率序列;
步骤1.2.2、分别将删除法处理后辐照度序列、删除法处理后历史负荷总功率序列通过min-max归一化方法处理:
其中s表示待转换的辐照度历史数据,S*表示归一化后的辐照度历史数据,smax与smin分别为辐照度历史数据中的最大值与最小值;
其中PS表示待转换的广义负荷总功率历史数据,PS *表示归一化后的广义负荷总功率历史数据,PSmax与PSmin分别为广义负荷总功率历史数据中的最大值与最小值。
3.根据权利要求1所述的一种基于改进BP神经网络的分布式光伏功率分离方法,其特征是,步骤3具体包括
步骤3.1、光伏分离辨识模型训练过程中,改进BP神经网络参数的训练过程实质上是对如下所式所示的优化问题的求解,即用分布光伏功率与常规负荷之和等于下网功率(即广义负荷总功率)、辐照度与分布式光伏功率之间存在可以求取的某种映射关系和辐照度与常规负荷的线性相关系数的平方最小为收敛判据:
其中,W和V分别为改进BP神经网络的权重矩阵,是待寻优的变量;PS为广义负荷总功率;PV为分布式光伏功率;F(·)为分布式光伏功率与辐照度之间存在的某种映射关系;
步骤3.2、采用梯度下降法对光伏分离辨识模型进行参数更新,计算温度敏感型负荷分离模型的目标函数对权重系数的梯度:
其中θ为权重系数,代表神经网络中输入层与隐藏层之间的权重W和隐藏层与输出层的权重V;式中相关系数ρv对神经网络输出yout(t)的偏导数为:
其中,C和D分别为求取线性相关系数ρv的偏导数时引入的辅助计算变量;k为时间点。
4.根据权利要求1所述的一种基于改进BP神经网络的分布式光伏功率分离方法,其特征是,步骤4的巨日实现过程包括:通过输入区域内辐照度到改进的BP神经网络模型中,利用辨识模型可以从区域内的广义负荷总功率中分离出高精度的分布式光伏功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012725.9A CN113705103A (zh) | 2021-08-31 | 2021-08-31 | 一种基于改进bp神经网络的分布式光伏功率分离方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012725.9A CN113705103A (zh) | 2021-08-31 | 2021-08-31 | 一种基于改进bp神经网络的分布式光伏功率分离方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705103A true CN113705103A (zh) | 2021-11-26 |
Family
ID=78658014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111012725.9A Pending CN113705103A (zh) | 2021-08-31 | 2021-08-31 | 一种基于改进bp神经网络的分布式光伏功率分离方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705103A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105719059A (zh) * | 2016-01-13 | 2016-06-29 | 合肥工业大学 | 光伏发电系统置信容量评估方法 |
CN109390976A (zh) * | 2018-09-21 | 2019-02-26 | 武汉大学 | 一种低压台区分布式光伏发电功率辨识方法 |
WO2019200959A1 (zh) * | 2018-04-16 | 2019-10-24 | 北京工业大学 | 一种基于神经网络的近红外光谱断层成像重建方法 |
CN112307675A (zh) * | 2020-11-03 | 2021-02-02 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 |
-
2021
- 2021-08-31 CN CN202111012725.9A patent/CN113705103A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN105719059A (zh) * | 2016-01-13 | 2016-06-29 | 合肥工业大学 | 光伏发电系统置信容量评估方法 |
WO2019200959A1 (zh) * | 2018-04-16 | 2019-10-24 | 北京工业大学 | 一种基于神经网络的近红外光谱断层成像重建方法 |
CN109390976A (zh) * | 2018-09-21 | 2019-02-26 | 武汉大学 | 一种低压台区分布式光伏发电功率辨识方法 |
CN112307675A (zh) * | 2020-11-03 | 2021-02-02 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于神经网络的温度敏感型负荷分离辨识方法及系统 |
Non-Patent Citations (3)
Title |
---|
周过海;徐箭;李鹏;于力;: "基于通用分布的光伏发电系统出力模型的研究", 电源技术, no. 12 * |
张兆广;白恺;张征;李智;柳玉;宗瑾;李娜;: "考虑分散接入配电网的光伏系统对母线负荷预测影响的功率预测技术研究", 华北电力技术, no. 10 * |
林梅芬;潘文霞;: "含高渗透率分布式电源的节点负荷预测方法", 河南工程学院学报(自然科学版), no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
CN107145707B (zh) | 一种计及光伏出力不确定性和全寿命周期成本的配电网变压器规划方法 | |
CN102623993B (zh) | 一种分布式电力系统状态估计方法 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN110675275B (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及系统 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN114529023A (zh) | 一种台区智能电能表的智慧型周期轮换方法 | |
CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及系统 | |
CN111708987B (zh) | 一种变电站多台并联变压器负荷预测方法 | |
CN116304537B (zh) | 基于智能量测终端的窃电用户核查方法 | |
CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
CN111461297A (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
CN113705103A (zh) | 一种基于改进bp神经网络的分布式光伏功率分离方法 | |
CN110752622A (zh) | 一种配电网仿射状态估计方法 | |
CN111275238A (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
CN114912700A (zh) | 一种工厂车间电力能耗的评估方法及其系统 | |
CN113406548B (zh) | 一种基于云边协同计算的漏电测量误差补偿方法及系统 | |
CN115689620A (zh) | 基于物理模型和数据驱动的煤价与电价传导模型构建方法 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN117556285B (zh) | 一种超差电表检测方法、系统、设备和存储介质 | |
CN110265999B (zh) | 一种高度网状的二次配电网负载估计方法 |
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 |