CN113872186A - 基于模仿学习的微电网控制策略推荐模型训练系统 - Google Patents
基于模仿学习的微电网控制策略推荐模型训练系统 Download PDFInfo
- Publication number
- CN113872186A CN113872186A CN202111038224.8A CN202111038224A CN113872186A CN 113872186 A CN113872186 A CN 113872186A CN 202111038224 A CN202111038224 A CN 202111038224A CN 113872186 A CN113872186 A CN 113872186A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- control strategy
- input
- recommendation model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 43
- 238000011217 control strategy Methods 0.000 title claims abstract description 31
- 238000004088 simulation Methods 0.000 title claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 10
- 230000035755 proliferation Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 3
- 230000003278 mimic effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于模仿学习的微电网控制策略推荐模型训练系统,包括:数据获取单元,用于获取微电网实际运行的n个数据条;缺失值处理单元,对数据获取单元获取的每个数据条中的缺失值进行处理;异常值处理单元,用于对n个数据条中的特征做异常值处理;数据增殖单元,基于n个数据条的基本数据进行增殖;微电网控制策略推荐模型,其中存储有目标函数;模型训练单元,利用数据增殖单元增殖后的数据,对微电网控制策略推荐模型进行训练。本发明兼顾数据的数量和质量,形成了相对稳妥、精确的特征描述数据集,解决微电网运行控制场景下数据量庞大、数据质量差、不满足运行控制需求的问题,提高微电网运行控制的智能化运行控制和能量管理水平。
Description
技术领域
本发明涉及微电网控制技术领域,特别涉及一种基于模仿学习的微电网控制策略推荐模型训练系统。
背景技术
随着我国社会经济发展,我国工商业与居民负荷日益多样化,分布式电源广泛接入,电力电子化特征明显。而微电网既可以满足用户多种能源供给的需求,又可以通过不同形式储能维持用户侧功率平衡与电网电压稳定。但微电网内部采用了多模式自动切换控制方式以适应负荷与电源的随机性波动,而相应的保护控制设备配置较为复杂,需要高水平技术维护队伍,运行成本高,运行技术水平要求高,这造成了微电网难以推广应用。亟待通过人工智能相关新技术在微电网系统运行控制领域的应用,实现系统的辅助调控,甚至全自动无人智能调控,进一步解放和发展生产力,向用户提供更加便捷化、低成本的微电网服务。
国内外研究人员借助人工智能群体优化算法开展了大量的微电网规划及运行控制应用技术研究,被研究对象从数学上通常可以抽象为含有目标函数和约束条件的数学优化问题,采用遗传算法、粒子群算法、蚁群算法、细菌觅食算法、禁忌算法、模拟退火算法、免疫算法、进化算法以及至少两种以上组合改进算法等求解这个数学优化问题。
人工智能技术在微电网运行控制方面的应用存在以下瓶颈:
1)微电网物理结构、电源形式丰富、电源侧和负荷侧不确定性强,涉及的实际运行场景众多,微电网运行控制策略的生成需要极大数量的运行数据作为支撑,但是实际运行数据存在数据量庞大、数据质量差、与运行控制需求不匹配等问题;
2)影响微电网运行控制效果的主要是负荷与分布式电源输出功率的不确定性,在现有预测方法难以取得显著突破的情况下,如何通过智能推荐算法不断提升微电网运行控制和能量管理的水平有待进一步研究。
发明内容
本发明的目的是提供一种基于模仿学习的微电网控制策略推荐模型训练系统,可以解决现有技术中人工智能技术在微电网运行控制方面的应用存在的问题。
本发明的目的是通过以下技术方案实现的:
基于模仿学习的微电网控制策略推荐模型训练系统,包括数据获取单元、缺失值处理单元、异常值处理单元、数据增殖单元、微电网控制策略推荐模型和模型训练单元;其中:
数据获取单元,用于获取微电网实际运行的n个数据条;
缺失值处理单元,用插补法对数据获取单元获取的每个数据条中的缺失值进行处理;
异常值处理单元,用于对n个数据条中的特征做异常值处理;
数据增殖单元,基于n个数据条的基本数据进行增殖处理;
微电网控制策略推荐模型,其中存储有目标函数;
模型训练单元,利用数据增殖单元增殖后的数据,基于XGBoost分类器对微电网控制策略推荐模型进行训练。
进一步的,所述数据条中包含若干个输入特征。
进一步的,所述缺失值处理单元包括第一计算模块、第一存储模块、第一排序模块、第一确定模块、第二排序模块和缺失值确定模块,其中:
第一计算模块,用于计算每一个数据条中的缺失值所在的特征与其他输入特征的相关系数;
第一存储模块,用于存储第一计算模块计算的相关系数,每一个数据条的所有相关系数为一组,保存n组相关系数数据;
第一排序模块,分别对每组相关系数数据进行排序,找到每组的最大相关系数;
第一确定模块,选择每组相关系数中最大的相关系数所对应的输入特征Xm;
第二排序模块,按照第一确定模块选择的输入特征Xm的大小对输入特征Xm对应的数据条进行排序;
缺失值确定模块,某一个数据条的缺失值即取该数据条的上一个数据条中的输入特征值。
进一步的,所述异常值处理单元包括输入特征提取模块、第三排序模块、第三计算模块和异常数据判断模块,其中:
输入特征提取模块,用于从每一个数据条中提取出同一个输入特征;
第三排序模块,将输入特征提取模块提取的所有输入特征按照从小到大的顺序排序;
第三计算模块,用于计算经排序的输入特征组合的下四分位数Q1、中位数Q2和上四分位数Q3,并根据下四分位数Q1、中位数Q2和上四分位数Q3计算上限值和下限值;
异常数据判断模块,将每一个输入特征数据分别与上限值和下限值进行对比,如果输入特征>上限值,或者输入特征<下限值,则判定为异常数据。
进一步的,所述模型训练单元包括第二存储模块、第三存储模块、第四计算模块、函数增量模块、计数器模块和迭代计算终止模块,其中:
第二存储模块,用于存储训练样本集和设定的迭代次数;
第三存储模块,用于存储损失函数;
第四计算模块,用于计算计算一阶导数和二阶导数;
函数增量模块,增加一个增量函数,并且更新第三存储模块中保存的损失函数;
计数器模块,当函数增量模块每更新一次损失函数,计数器模块的计算加1;
迭代计算终止模块,当计数器模块的计数等于设定的迭代次数时,第四计算模块停止计算。
进一步的,所述相关系数的计算公式为:
其中P表示缺失值所在的特征,Cov(P,Xi)表示P和其他输入特征Xi的协方差,Var(P)表示P的方差,Var(Xi)表示其他输入特征的方差,r(P,Xi)表示缺失值所在特征与其他输入参数之间的线性关系。
进一步的,所述目标函数定义为:
本发明首先针对微电网实际运行特征构建样本库,利用缺失值处理单元对缺失值进行填充,利用异常值处理单元对异常值进行检测和处理,基于蒙特卡洛模拟仿真对微电网样本数据进行数据增殖,兼顾数据的数量和质量,形成了相对稳妥、精确的特征描述数据集,解决微电网运行控制场景下数据量庞大、数据质量差、不满足运行控制需求的问题。接着将XGBoost分类器应用于微电网控制策略推荐模型,提出了基于XGBoost分类器的微电网控制策略推荐模型训练方法,根据构建的样本数据库训练得到微电网运行控制决策策略,提高微电网运行控制的智能化运行控制和能量管理水平。
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为本发明的基于模仿学习的微电网控制策略推荐模型训练系统的框图;
图2为本发明的缺失值处理单元的框图;
图3为本发明的异常值处理单元的框图;
图4为本发明的模型训练单元的框图。
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。
本发明的基于模仿学习的微电网控制策略推荐模型训练系统,如图1所示,包括:数据获取单元、缺失值处理单元、异常值处理单元、数据增殖单元、微电网控制策略推荐模型和模型训练单元;其中
数据获取单元,用于获取微电网实际运行的n个数据条。
微电网实际运行的数据条中的输入特征包括但不限于风机出力、光伏出力、微电网负荷、储能充放电功率等。实际上,由于数据缺失,每个数据条中都有可能包括缺失值。
缺失值处理单元,用插补法对数据获取单元获取的每个数据条中的缺失值进行处理。
异常值处理单元,用于对n个数据条中的特征做异常值处理。
数据增殖单元,基于n个数据条的基本数据进行增殖处理。
微电网控制策略推荐模型,其中存储有目标函数。
模型训练单元,利用数据增殖单元增殖后的数据,基于XGBoost分类器对微电网控制策略推荐模型进行训练。
进一步的,所述的缺失值处理单元包括第一计算模块、第一存储模块、第一排序模块、第一确定模块、第二排序模块和缺失值确定模块,其中:
第一计算模块,用于计算每一个数据条中的缺失值所在的特征与其他输入特征的相关系数。
缺失值所在特征用X表示,其他特征用(X1,X2,X3…Xa-1)表示。
设共有a个输入特征,缺失值所在特征用X表示,缺失值所在特征很容易获知缺失了某个值。除了缺失值所在的特征外,剩余的输入特征总共a-1个。假设微电网负荷P表示缺失值所在的特征,太阳能光伏出力用变量X1表示,风机出力用变量X2表示,相应的,其他输入特征用变量(X3,X4,…,Xa-1)表示。
分别计算缺失值所在的特征X与(X1,X2,…,Xa-1)的相关系数r,计算公式为:
此处以负荷P为缺失值特征为例进行计算说明,其中Cov(P,Xi)表示负荷P和其他输入特征Xi的协方差,Var(P)表示负荷P的方差,Var(Xi)表示其他输入特征的方差,r(P,Xi)表示缺失值所在特征(即负荷)与其他输入参数之间的线性关系紧密程度,r(P,Xi)越大,相关程度就越大。
第一存储模块,用于存储第一计算模块计算的相关系数,每一个数据条的所有相关系数为一组,保存n组相关系数数据。
第一排序模块,分别对每组相关系数数据进行排序,找到每组的最大相关系数。
第一确定模块,选择每组相关系数中最大的相关系数所对应的输入特征Xm。
第二排序模块,按照第一确定模块选择的输入特征Xm的大小对输入特征Xm对应的数据条进行排序。
第一计算模块分别计算每个数据条的最大相关系数r,并分别选择出r对应的输入特征Xm,将所有的数据条按照输入特征Xm的大小进行重新排序。
缺失值确定模块,某一个数据条的缺失值即取该数据条的上一个数据条中的输入特征值。
进一步的,异常值处理单元包括输入特征提取模块、第三排序模块、第三计算模块和异常数据判断模块,其中:
输入特征提取模块,用于从每一个数据条中提取出同一个输入特征。
第三排序模块,将输入特征提取模块提取的所有输入特征按照从小到大的顺序排序。
以负荷P为例进行说明,将每个数据条中的P单独拿出来,按照从小到大的顺序排列为一个组合P=(P1,P2,…,Pn)。
第三计算模块,用于计算经排序的输入特征组合的下四分位数Q1、中位数Q2和上四分位数Q3,并根据下四分位数Q1、中位数Q2和上四分位数Q3计算上限值和下限值。
计算数据组合的下四分位数Q1、中位数Q2和上四分位数Q3,通过以下公式得到:
Q1=0.25P((n+1)/4)+0.75P((n+1)/4) (2)
Q2=0.5P(2(n+1)/4)+0.5P(2(n+1)/4) (3)
Q3=0.75P(3(n+1)/4)+0.25P(3(n+1)/4) (4)
其中Qi所在位置为i(n+1)/4,i=1,2,3。上限是非异常范围内的最大值,下限是非异常范围内的最小值,四分位距IQR=Q3-Q1,则上限=Q3+1.5IQR,下限=Q1-1.5IQR,上下限代表了异常值截断点,称为内限,处于内限以外位置的点表示的数据都是异常负荷数据。
异常数据判断模块,将每一个输入特征数据分别与上限值和下限值进行对比,如果输入特征>上限值,或者输入特征<下限值,则判定为异常数据。
进一步的,数据增殖单元的工作原理为:
设ξ表示随机数,在[α,β]上均匀分布的随机变量的分布密度函数如下所示。令α=0.8,β=1.2,生成[0.8,1.2]上的均匀分布的随机因子。
分布函数为:
抽样公式为:
设有n条微电网实际运行数据样本,每条样本有a个输入特征X1,X2,…Xa,共需要m条数据样本。先生成n·a维随机数矩阵,矩阵中每个值都是在区间[0.8,1.2]内均匀分布的随机因子。将n·a维实际样本数据与随机数矩阵对应位置相乘,得到n条新数据样本,重复生成随机数矩阵及后续操作共t=m/n次得到更多的数据样本。
其中,三个矩阵均为n·a维矩阵,Xij表示第i条数据第j个输入特征,ξij表示一个[0.8,1.2]中均匀分布的随机数,Xij'=Xij·ξij为新生成的样本中某一个数据。
单个基学习器Tk的模型复杂度定义为:
进一步的,模型训练单元包括第二存储模块、第三存储模块、第四计算模块、函数增量模块、计数器模块和迭代计算终止模块,其中:
第二存储模块,用于存储训练样本集和设定的迭代次数;
第三存储模块,用于存储损失函数;
第四计算模块,用于计算计算一阶导数和二阶导数;
函数增量模块,增加一个增量函数,并且更新第三存储模块中保存的损失函数;
计数器模块,当函数增量模块每更新一次损失函数,计数器模块的计算加1;
迭代计算终止模块,当计数器模块的计数等于设定的迭代次数时,第四计算模块停止计算。
采用增量训练方法训练,即每一次都是在保留原有模型的基础上,添加一个新函数(即一棵新的树)到模型中去,通过集成一系列学习能力较弱的基学习器来获得较好的性能。
基于微电网控制策略推荐模型训练样本,不断训练CART基学习器拟合先前模型残差并集成入XGBoost模型中,不断迭代直到训练预设数量基学习器或模型残差小于设定阈值。
每一轮加入的增量函数尽可能使目标函数最大程度的减少,训练第k个基学习器Tk时的学习目标函数为:
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 (7)
1.基于模仿学习的微电网控制策略推荐模型训练系统,其特征在于,包括数据获取单元、缺失值处理单元、异常值处理单元、数据增殖单元、微电网控制策略推荐模型和模型训练单元;其中:
数据获取单元,用于获取微电网实际运行的n个数据条;
缺失值处理单元,用插补法对数据获取单元获取的每个数据条中的缺失值进行处理;
异常值处理单元,用于对n个数据条中的特征做异常值处理;
数据增殖单元,基于n个数据条的基本数据进行增殖处理;
微电网控制策略推荐模型,其中存储有目标函数;
模型训练单元,利用数据增殖单元增殖后的数据,基于XGBoost分类器对微电网控制策略推荐模型进行训练。
2.根据权利要求1所述的基于模仿学习的微电网控制策略推荐模型训练系统,其特征在于,所述数据条中包含若干个输入特征。
3.根据权利要求1所述的基于模仿学习的微电网控制策略推荐模型训练系统,其特征在于,所述缺失值处理单元包括第一计算模块、第一存储模块、第一排序模块、第一确定模块、第二排序模块和缺失值确定模块,其中:
第一计算模块,用于计算每一个数据条中的缺失值所在的特征与其他输入特征的相关系数;
第一存储模块,用于存储第一计算模块计算的相关系数,每一个数据条的所有相关系数为一组,保存n组相关系数数据;
第一排序模块,分别对每组相关系数数据进行排序,找到每组的最大相关系数;
第一确定模块,选择每组相关系数中最大的相关系数所对应的输入特征Xm;
第二排序模块,按照第一确定模块选择的输入特征Xm的大小对输入特征Xm对应的数据条进行排序;
缺失值确定模块,某一个数据条的缺失值即取该数据条的上一个数据条中的输入特征值。
4.根据权利要求1所述的基于模仿学习的微电网控制策略推荐模型训练系统,其特征在于,所述异常值处理单元包括输入特征提取模块、第三排序模块、第三计算模块和异常数据判断模块,其中:
输入特征提取模块,用于从每一个数据条中提取出同一个输入特征;
第三排序模块,将输入特征提取模块提取的所有输入特征按照从小到大的顺序排序;
第三计算模块,用于计算经排序的输入特征组合的下四分位数Q1、中位数Q2和上四分位数Q3,并根据下四分位数Q1、中位数Q2和上四分位数Q3计算上限值和下限值;
异常数据判断模块,将每一个输入特征数据分别与上限值和下限值进行对比,如果输入特征>上限值,或者输入特征<下限值,则判定为异常数据。
5.根据权利要求1所述的基于模仿学习的微电网控制策略推荐模型训练系统,其特征在于,所述模型训练单元包括第二存储模块、第三存储模块、第四计算模块、函数增量模块、计数器模块和迭代计算终止模块,其中:
第二存储模块,用于存储训练样本集和设定的迭代次数;
第三存储模块,用于存储损失函数;
第四计算模块,用于计算计算一阶导数和二阶导数;
函数增量模块,增加一个增量函数,并且更新第三存储模块中保存的损失函数;
计数器模块,当函数增量模块每更新一次损失函数,计数器模块的计算加1;
迭代计算终止模块,当计数器模块的计数等于设定的迭代次数时,第四计算模块停止计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038224.8A CN113872186A (zh) | 2021-09-06 | 2021-09-06 | 基于模仿学习的微电网控制策略推荐模型训练系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111038224.8A CN113872186A (zh) | 2021-09-06 | 2021-09-06 | 基于模仿学习的微电网控制策略推荐模型训练系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113872186A true CN113872186A (zh) | 2021-12-31 |
Family
ID=78989650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111038224.8A Pending CN113872186A (zh) | 2021-09-06 | 2021-09-06 | 基于模仿学习的微电网控制策略推荐模型训练系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113872186A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
CN110569278A (zh) * | 2019-08-21 | 2019-12-13 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据分析的变压器缺陷评估方法 |
CN110826774A (zh) * | 2019-10-18 | 2020-02-21 | 广州供电局有限公司 | 母线负荷预测方法、装置、计算机设备及存储介质 |
CN111325315A (zh) * | 2019-11-22 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于深度学习的配变停电电量损失预测的方法 |
CN111831630A (zh) * | 2019-12-30 | 2020-10-27 | 北京骑胜科技有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
CN112633421A (zh) * | 2021-03-09 | 2021-04-09 | 国网江西综合能源服务有限公司 | 一种用户异常用电行为检测方法及装置 |
CN112991315A (zh) * | 2021-03-30 | 2021-06-18 | 清华大学 | 一种血管病变的识别方法、系统、存储介质及电子设备 |
-
2021
- 2021-09-06 CN CN202111038224.8A patent/CN113872186A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472778A (zh) * | 2019-07-29 | 2019-11-19 | 上海电力大学 | 一种基于Blending集成学习的短期负荷预测方法 |
CN110569278A (zh) * | 2019-08-21 | 2019-12-13 | 广西电网有限责任公司电力科学研究院 | 一种基于大数据分析的变压器缺陷评估方法 |
CN110826774A (zh) * | 2019-10-18 | 2020-02-21 | 广州供电局有限公司 | 母线负荷预测方法、装置、计算机设备及存储介质 |
CN111325315A (zh) * | 2019-11-22 | 2020-06-23 | 国网新疆电力有限公司电力科学研究院 | 基于深度学习的配变停电电量损失预测的方法 |
CN111831630A (zh) * | 2019-12-30 | 2020-10-27 | 北京骑胜科技有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
CN112633421A (zh) * | 2021-03-09 | 2021-04-09 | 国网江西综合能源服务有限公司 | 一种用户异常用电行为检测方法及装置 |
CN112991315A (zh) * | 2021-03-30 | 2021-06-18 | 清华大学 | 一种血管病变的识别方法、系统、存储介质及电子设备 |
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 | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及系统 | |
CN113572157A (zh) | 一种基于近端策略优化的用户实时自治能量管理优化方法 | |
CN115115127A (zh) | 一种基于深度学习的低压台区智能调控方法及系统 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN113300380A (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
CN107590570A (zh) | 一种负载功率预测方法及系统 | |
CN113471982A (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
CN110751327A (zh) | 基于多元线性回归和灰色Verhulst模型的长期负荷组合预测法 | |
CN116169698A (zh) | 一种新能源平稳消纳的分布式储能优化配置方法及系统 | |
CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、系统、装置及存储介质 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN107947206A (zh) | 基于改进的nsga‑ii算法的三相配电网多目标优化方法 | |
CN111177881A (zh) | 含光热-光伏发电电力系统随机生产模拟方法 | |
CN113872186A (zh) | 基于模仿学习的微电网控制策略推荐模型训练系统 | |
CN117335425A (zh) | 一种基于ga-bp神经网络的潮流计算方法 | |
CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
CN113872185A (zh) | 基于模仿学习的微电网控制策略推荐模型训练方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN111079966B (zh) | 一种广义负荷空间预测方法和系统 | |
CN115453871A (zh) | 一种基于ide扩展多维泰勒网的非线性系统建模方法 | |
CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
CN115081323A (zh) | 求解多目标约束优化问题的方法及其存储介质 |
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 |