CN114243702B - 一种电网avc系统运行参数的预测方法、系统及存储介质 - Google Patents

一种电网avc系统运行参数的预测方法、系统及存储介质 Download PDF

Info

Publication number
CN114243702B
CN114243702B CN202210108709.8A CN202210108709A CN114243702B CN 114243702 B CN114243702 B CN 114243702B CN 202210108709 A CN202210108709 A CN 202210108709A CN 114243702 B CN114243702 B CN 114243702B
Authority
CN
China
Prior art keywords
power grid
value
module
power
avc system
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.)
Active
Application number
CN202210108709.8A
Other languages
English (en)
Other versions
CN114243702A (zh
Inventor
王卓
黄际元
吴东琳
陈远扬
彭清文
陈柏沅
李雨佳
胡湘伟
阳小丹
伍巧佳
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.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Changsha Power Supply Co of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Changsha Power Supply Co of State Grid Hunan Electric Power 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 State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Changsha Power Supply Co of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210108709.8A priority Critical patent/CN114243702B/zh
Publication of CN114243702A publication Critical patent/CN114243702A/zh
Application granted granted Critical
Publication of CN114243702B publication Critical patent/CN114243702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Abstract

本发明提出了一种电网AVC系统运行参数的预测方法、系统及存储介质。通过优化AVC系统参数，能够对短期内的电网AVC系统参数进行实时、准确的预测，从而显著提升AVC系统对电网操控的准确度，进而提升系统的性能与效率。本发明不再根据负荷趋势分段，采用高性能的LightGBM算法，深入挖掘各种负荷趋势情况下，各项参数的变化情况；使用了线性相关性算法，用于筛选多种类属性，保证性能的同时，提升了算法速度。本发明通过各项优化算法，对电网AVC系统运行参数能进行准确、快速的预测，使得AVC系统能够更好的对电网执行相关操作，进而提升电网中的电能质量。

Description

一种电网AVC系统运行参数的预测方法、系统及存储介质
技术领域
本发明涉及电网AVC系统技术领域，具体为一种电网AVC系统运行参数的预测方法及系统及存储介质。
背景技术
电压是电能质量的一项重要指标，随着国民经济的快速发展，我国的工业、生活用电量得到了迅猛提升。电网规模不断扩大的同时，也对电网的电能质量提出了高要求。为了充分保证电网中传输的电能质量，重要手段之一就是使用电网的自动电压控制系统(Automatic Voltage Control，AVC)。
近年来，随着新能源的不断接入以及负荷特性的多样化，电网的规模正在逐渐的扩大并且日益复杂，如为了调整电网的稳定运行，通常考虑到白天的用电多，而晚上用电少，为了削峰填谷使得电网负荷输出稳定，会采用蓄能电站的方式，但是多种电源的接入到电网的多样化，通常采用AVC以维持电网的稳定性。而AVC系统中时常会出现由于系统参数设置不合理，导致的优化运行效果不理想的情况。其主要原因是运行人员较难把握运行参数的合理设置。因此，AVC系统关键参数的设置，如何实现准确、快速、智能化，成为亟待解决的一个问题。
目前，不少文献都对电网AVC系统进行了优化、改进，但是其方向多为基于AVC系统的部署应用、优化目标、评估体系等方向，如，
专利申请CN113436029A公开了一种风电数据采集系统与方法，包括：相互通信连接的用于风力发电的风场SCADA系统、升压站SCADA系统、AGC/AVC子站、功率预测系统、故障录波系统、CMS振动在线监测系统以及电能量计量系统。结合另外的结构和方法有效避免了现有技术中采集来的风力发电的数据在其采集、传输及存储方面无法做到统一规范化、针对不同的数据在采集、传输及存储方面独自开发一套方式来实现对应的功能、形成重复建设和烟囱式协作问题，效率低下且费时费力的缺陷。
专利申请CN110932289A公开一种支撑新能源最大化消纳的地区电网无功电压控制方法，所述方法首先通过母线电压控制约束与有功电压灵敏度，考虑新能源功率预测信息，进行新能源站最大安全发电能力分析，进行新能源消纳评估，以最大消纳为目标进行无功优化分析，修正AVC母线节点电压控制目标，进行超前决策控制调节。本发明可在保证节点电压合格的前提下，最大化地提升地区新能源消纳能力。
专利申请CN102289223A公开了一种本发明公开了一种自动电压控制系统全网最优控制参数校验方法，其基于电网EMS实时信息和全网状态估计，以统一的AVC模型和统一的电网结构为基础，代入统一的典型负荷日历史数据，通过比较中枢点电压调控速率、控制合格率和全网网损，来校验最优控制参数方案和最优无功布局方案。采用本发明解决了无法验证AVC子站参数是否全网最优的问题，为实现电网节点电压合格和全网网损最小的目标提供了条件；本发明还可用于校验最优无功布局方案，为电网建设投资提供辅助决策依据。
专利申请CN113363967A公开了一种新能源场站电能质量闭环控制的检测装置及控制方法，属于新能源场站电能质量闭环控制领域，包括电能质量控制装置，电能质量控制装置包括设置在新能源场站并网点的监测装置，监测装置对并网点的电流、电压和功率因数进行实时监测并传输给所述电能质量控制装置，电能质量控制装置根据并网点电流、电压和功率因数的实时数据，调整AGC、AVC指令下发方式，采用功率控制，保证新能源内有功出力与电网频率平衡以及无功出力与电网电压及并网点功率因素符合要求；通过本发明公开的检测装置及控制方法，可实现新能源场站电能质量闭环控制，提高电厂输出的电能质量；并且可以延长检测装置的使用寿命。
专利申请CN105162172A公开了一种并网光伏发电站功率自动控制系统，包括智能功率控制单元和光伏功率控制单元；智能功率控制单元接收调度机构下发的并网光伏发电站功率控制指令值，并将并网光伏发电站功率控制指令值下发给光伏功率控制单元。本发明提供的并网光伏发电站功率自动控制系统可自动跟踪电网调度设定的全网目标，动态调节并网逆变器有功出力，以及并网点母线电压，有效提高电网的安全性和稳定性；可充分利用站内已运行的无功补偿控制系统，快速调节无功补偿设备的无功功率，支撑系统电压；可充分发挥光伏逆变器的功率调节功能，满足并网需求的同时，减少光伏电站建设成本；带有自动超发报警切馈线功能，减轻了调度值班人员的工作负担。
专利申请CN110929968A公开了一种智慧城市多能源联合供给综合调控方法及系统，包括：采集被调控智慧城市当前运行参数数据，结合预先设定的分层指标模型确定指标值；基于所述指标值确定最优指标权重；基于所述最优指标权重对所述被调控智慧城市多能源联合供给进行调控。本发明的技术方案考虑评价智能电网示范工程协调多能源的能力的客观公正性，从经济性、环保性、安全可靠性方面入手提出了一种新的综合调控方法。
但在现有技术中，在电网AVC系统对各项参数的进行短期预测中，还存在如下技术问题：
1.现有技术中，研究了AVC子站系统在抽水蓄能电站的设计与实现，并实验验证了提出各项策略的有效性，但是没有对AVC系统参数进行调优，都没有从优化AVC系统参数的角度，来提升系统性能。
2.现有技术中，也有将电网网损成本、设备运检成本，作为共同的目标函数，并采用了遗传算法，对提出方法进行了实现，但是其同样没有对AVC的参数进行调优，其方向很少有对AVC系统参数进行改进。也有对电网的运行中提出了多项评估指标，对AVC系统性能进行了有效评估，但是同样没有对AVC参数进行优化。
3.现有技术中，虽然改进了AVC参数，但是文献根据负荷趋势分段，在每段内分类处理，这一定程度上会降低系统速度，同时也没有充分考虑不同负荷趋势的情况下，AVC各项参数的总体变化情况。由于使用了约简算法，使得特征的筛选速度变慢。使用了聚类算法，并将连续属性离散化，算法的预测精度有待提升。
发明内容
本发明的目的在于提供一种电网AVC系统运行参数的预测方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种电网AVC系统运行参数的预测方法，其特征在于，包括以下步骤：
步骤S1，从数据库中读取最近3个月AVC系统运行参数的历史数据；
步骤S2，对运行参数的历史数据中非时间类型的运行参数分别进行异常数据处理；
步骤S3，从运行参数的历史数据中去掉时间类型的运行参数值，在剩余的运行参数值中，取其中每一类的运行参数值，分别计算与其它种类的运行参数值之间的线性相关性；
步骤S4，取0.25为相关性r阈值，根据两两每组运行参数的线性相关性数值，保留相关性r的绝对值大于0.25的运行参数值，作为各个运行参数的关联特征参数，对于相关性数值绝对值不足0.25的运行参数的类型，直接摒弃；
步骤S5，按日期分组统计各运行参数值的历史缺失值数量；如果所述缺失值的数量少于每天完整数量的15％，则采用线性填充算法，补全缺失值；如果所述缺失值的数量大于等于每天完整数量的15％，则剔除弃用；
使用填充好的运行参数插值，用于训练LightGBM算法模型；
步骤S6，使用Prophet算法将训练数据中的有功功率、电流及电压这些具有一定周期规律的连续数据分别分解为周期分量、剩余分量；对于周期分量使用外推法进行预测；采用改进的LightGBM算法对剩余分量进行训练、预测；
步骤S7，使用改进的LightGBM算法分别训练各运行参数随各自关联参数变化的模型；
步骤S8，进行预测时，分别从最近3个月的历史数据中，寻找与当前相似的高维历史数值；
步骤S9，设定余弦相似度阈值为0.75，如果余弦相似度cos(θ)大于0.75时，当前预测时刻的最终取值为：
z＝(1-0.618)·x+0.618·y
其中，x为当前时刻的LightGBM模型预测值，y为历史相似关联运行参数的取值；
如果余弦相似度cos(θ)小于等于0.75时，则将当前时刻的LightGBM模型预测值直接作为最终的结果。
优选的，所述步骤S1所述AVC系统中电网的运行参数包含有日期D、时间T、有功P、无功Q、电流I、电压VU、档位T、补偿设备状态C、容抗设备闭锁状态B、容抗设备运行状态R。
优选的，所述步骤S2中异常数据处理时采用如下公式判断所述运行参数是否异常：x∈[μ-3σ,μ+3σ]；
其中，x是运行参数的正常数据，μ是某个运行参数最近3个月的历史数据的均值，σ是相应的运行参数最近3个月的历史数据的标准差。
优选的，所述步骤S3中，所述相关性的计算公式如下：
Figure BDA0003494262170000061
其中，xi为某一种类型的运行参数值的取值，
Figure BDA0003494262170000062
为该种类型的运行参数值的均值；yi为另一种类型的运行参数值的取值，/>
Figure BDA0003494262170000063
为该种类型的运行参数值的均值，相关性r的取值范围为；r∈[-1,1]。
优选的，所述步骤S6、S7中改进的LightGBM算法是将布谷鸟算法引入到了LightGBM算法的目标函数，从而使得改进的LightGBM算法能够有效地搜寻全局最优解，改进的目标函数计算公式如下：
Figure BDA0003494262170000064
u＝t-λ,1≤λ≤3
式中，y为当前目标函数值，α为步长控制量，
Figure BDA0003494262170000065
为点对点乘法，t为当前迭代次数，λ为分散参数。
优选的，所述步骤S5中，在对缺失值时，以时间轴为顺序，取所述缺失值所在时刻最接近的6-8个所述运行参数值，利用龙格库塔插值方式进行插值。
优选的，所述步骤S8中采用余弦相似度来计算相似性，计算公式如下：
Figure BDA0003494262170000071
其中，xi为当前预测时刻的各关联参数的取值，yi为历史某一个时刻的各关联参数的取值。
一种电网AVC系统运行参数的预测系统，包括电网控制AVC系统、电网运行参数采集模块、蓄能电站、容抗器模块和蓄能电站参数采集模块、数据存储模块、电网运行监视模块和电网异常预警模块；所述电网控制AVC系统分别和所述电网运行参数采集模块、蓄能电站、容抗器模块和蓄能电站参数采集模块、数据存储模块和电网运行监视模块数据通信连接，所述电网运行监视模块和电网异常预警模块数据通信连接，所述蓄能电站参数采集模块采集所述蓄能电站的电站运行参数，并发送至所述电网控制AVC系统；所述蓄能电站通过所述容抗器模块之后并入供电电网；
其中，所述蓄能电站用于通过所述容抗模块后提供电源给所述供电电网或从所述供电电网提取电能进行储存；所述容抗器模块包括多个不同定值的电容器单元组，其通过选择性并入或退出所述电网，从而使得从所述蓄能电站中输出的电能选择性的经过所述电容器单元组后，汇入所述供电电网；所述容抗器模块和所述电网运行参数采集模块电连接，从而所述电网运行参数采集模块采集所述容抗器模块投入到供电电网的容抗器单元组的容抗值；所述电网运行参数采集模块和所述电网电连接，从而实现所述供电电网的实时容抗值、电压、电流和负载功率的电网运行参数，并发送至所述电网控制AVC系统；所述容抗器模块和所述电网控制AVC系统连接，从而通过所述电网控制AVC系统控制所述容抗器模块并入和退出相应数量的电容器单元组，从而改变所述供电电网的容抗值；
所述数据存储模块用于存储所述电网运行参数采集模块和蓄能电站参数采集模块实时采集的电网运行参数和所述容抗器模块并入所述供电电网的容抗值和所述蓄能电站存储电量、提供电压值；
所述电网异常预警模块用于在检测到供电电网或蓄能电站出现异常时进行报警；所述电网运行监视模块用于监视供电电网的运行情况，并对电网运行参数和所述蓄能电站的运行参数进行显示；
所述短期预测系统时，所述电网控制AVC系统通过所述蓄能电站参数采集模块采集供电电网的电网运行参数和容抗器模块并入电容器单元的数量，并存储于所述数据存储模块；所述电网控制AVC系统利用存储于所述数据存储模块对所述电网运行参数进行预测，得出所述电网运行参数的短期预测趋势，并发送至所述电网运行监视模块，并且在实时监测到的所述电网运行参数和所述短期预测趋势偏离一定范围时，通过所述电网异常预警模块进行预警。
优选的，所述电网控制AVC系统每隔一定时间间隔重新获取最近30天的电网运行参数值，并基于获取的电网运行参数值进行短期预测趋势，并将所述短期预测趋势发送至所述电网运行监视模块，所述电网运行监视模块基于所述短期预测趋势和获取电网的实时的所述电网运行参数，判断电网的各电网运行参数和所述短期预测趋势的差值是否一定值内，如果所述差值超过所述一定值，则相应投入或退出所述容抗器，或开闭所述蓄能电站，以使得所述电网运行稳定，并在所述电网在一定时间内所述电网运行参数都超出一定值时，通过所述电网异常预警模块进行预警。
优选的，所述短期预测趋势中，还包括所述电网的负载负荷和蓄能电站的输出功率的参数变化趋势，从而调整所述蓄能电站进行输送电能或蓄能工作。
优选的，基于所述短期预测趋势，生成各所述电网运行参数趋势变化曲线，并且依据电网供电使用需求，通过所述电网运行监视模块提前对部分时刻输入所述电网的运行参数，从而消除将电网的不符合短期预测趋势的电网运行参数作为异常数据误判，所述部分时刻为由于特殊的用电需求导致电网运行参数会产生不符合短期预测趋势的时刻。
优选的，所述容抗器模块由多组所述电容器单元组并联而成，每组所述电容器单元组串联一个选择开关，所述选择开关由所述电网控制AVC系统控制开闭，进而控制所述电容器单元组的并入和退出，从而生成需求的总的电容值。
优选的，在对缺失值时，以时间轴为顺序，取所述缺失值所在时刻最接近的6-8个所述运行参数值，利用龙格库塔插值方式进行插值。
优选的，在所示步骤S2中，在进行运行参数进行异常数据处理时，在进行运行参数值剔除的同时，统计各运行参数值剔除的数量占该统计的最近3个月内相应运行参数的数量的百分比，如果所述百分比超过15％，则认为该最近3个月的历史数据存在异常统计情况，通过所述AVC运行预警系统进行报警，通知系统维护人员对AVC系统中的传感设备进行检修。
优选的，如果经所述系统认为该最近3个月的历史数据存在异常统计情况，如果系统维护人员通过对所述传感设备检测未发现问题时，则认为所述电网运行数据正常，并查找出出现该问题的原因，用于在后续的电网运行参数的数据处理中进行提前判断。
另外一方面，本申请还提供一种计算机可读存储介质根据，其特征在于：所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现一种电网AVC系统运行参数的预测方法及系统。
与现有技术相比，本发明的有益效果是：
1.本发明使用了线性相关性算法，设置相关性阈值，筛选、减少了AVC系统的冗余属性。代替已有的约简算法，加快了算法的执行速度。实现了基于自选择的多类型属性特征的选择。并对异常数据、缺失数据，分情况进行了处理，提升数据质量，也优化了算法的性能。
2.本发明基于LightGBM算法，使用了连续性的数值数据，而非离散化后的数据，与已有的聚类算法、离散化数据相比，有效提升了算法预测精度。可以对AVC系统各项参数进行实时、高质量的预测。与流行的LSTM(长短期记忆网络，Long Short-Term Memory)深度学习算法相比，精度相近的前提下，运行时间显著缩短。因此，使用了基于LightGBM的预测算法，而不再使用LSTM算法，这使得提出的算法具有了速度快、准确率高的优点。
3.本发明基于更适合高维数值的余弦相似度算法，从近3个月的历史数据，寻找高维度的历史相似值。设置相似度阈值，分情况跟算法模型的预测值，按照黄金分割比0.618:(1-0.618)的比例，加权求和，从而进一步提升了算法的预测精度。
4.本发明直接使用了连续性数据，与已有的方法使用离散化数据相比，预测精度有所提升。
5.本发明通过各项优化算法，对电网AVC系统各相参数进行了准确、快速的预测。这能够使得AVC系统更好的对电网执行相关操作，进而提升了电网中的电能质量。
附图说明
图1为本发明的流程图；
图2为本发明的结构示意图。
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。
具体实施例一：
请参阅图2，本发明提供一种电网AVC系统运行参数的预测系统，通过海量优质的数据获取、数据特征的高质量处理与筛选、高精度轻量级的机器学习预测算法、以及预测结果的精修，实现了对电网AVC系统各项参数的高质量轻量级的短期预测。包括电网控制AVC系统1、电网运行参数采集模块2、蓄能电站3、容抗器模块4和蓄能电站参数采集模块5、数据存储模块6、电网运行监视模块7和电网异常预警模块8；所述电网控制AVC系统1分别和所述电网运行参数采集模块2、蓄能电站3、容抗器模块4和蓄能电站参数采集模块5、数据存储模块6和电网运行监视模块7数据通信连接，所述电网运行监视模块7和电网异常预警模块8数据通信连接，所述蓄能电站参数采集模块5采集所述蓄能电站3的电站运行参数，并发送至所述电网控制AVC系统1；所述蓄能电站3通过所述容抗器模块4之后并入供电电网；
其中，所述蓄能电站3用于通过所述容抗模块后提供电源给所述供电电网或从所述供电电网提取电能进行储存；所述容抗器模块4包括多个不同定值的电容器单元组，其通过选择性并入或退出所述电网，从而使得从所述蓄能电站3中输出的电能选择性的经过所述电容器单元组后，汇入所述供电电网；所述容抗器模块4和所述电网运行参数采集模块2电连接，从而所述电网运行参数采集模块2采集所述容抗器模块4投入到供电电网的容抗器单元组的容抗值；所述电网运行参数采集模块2和所述电网电连接，从而实现所述供电电网的实时容抗值、电压、电流和负载功率的电网运行参数的采集，并发送至所述电网控制AVC系统1；所述容抗器模块4和所述电网控制AVC系统1连接，从而通过所述电网控制AVC系统1控制所述容抗器模块4并入和退出相应数量的电容器单元组，从而改变所述供电电网的容抗值；
所述数据存储模块6用于存储所述电网运行参数采集模块2和蓄能电站参数采集模块5实时采集的电网运行参数和所述容抗器模块4并入所述供电电网的容抗值和所述蓄能电站3存储电量、提供电压值；
所述电网异常预警模块8用于在检测到供电电网或蓄能电站出现异常时进行报警；所述电网运行监视模块7用于监视供电电网的运行情况，并对电网运行参数和所述蓄能电站的运行参数进行显示；
所述短期预测系统时，所述电网控制AVC系统1通过数据存储模块6读取电网运行参数、蓄能电站运行参数，通过容抗器模块4并入电容器单元的数量，并存储于所述数据存储模块6；所述电网控制AVC系统1利用存储于所述数据存储模块6的数据对所述电网运行参数进行预测，得出所述电网运行参数的短期预测趋势，并发送至所述电网运行监视模块7，并且在实时监测到的所述电网运行参数和所述短期预测趋势偏离一定范围时，通过所述电网异常预警模块8进行预警。
优选的，所述电网控制AVC系统1每隔一定时间间隔重新获取最近30天的电网运行参数值，并基于获取的电网运行参数值进行短期预测趋势，并将所述短期预测趋势发送至所述电网运行监视模块7，所述电网运行监视模块7基于所述短期预测趋势和获取电网的实时的所述电网运行参数，判断电网的各电网运行参数和所述短期预测趋势的差值是否一定值内，这里的各项参数差值阈值，由变电站现场工作人员基于现场需求，逐项进行指定。如果所述差值超过所述一定值，则相应投入或退出所述容抗器，或开闭所述蓄能电站，以使得所述电网运行稳定，并在所述电网在一定时间内所述电网运行参数都超出一定值时，通过所述电网异常预警模块8进行预警。
优选的，所述短期预测趋势中，还包括所述电网的负载负荷和蓄能电站的输出功率的参数变化趋势，从而调整所述蓄能电站进行输送电能或蓄能工作。这里，需要由变电站现场人员设定电网负荷、蓄能电站功率的数值阈值，如果超过了某一阈值，则执行相应的调整动作，包括投入退出所述容抗器，或开闭所述蓄能电站。
优选的，基于所述短期预测趋势，生成各所述电网运行参数趋势变化曲线，并且依据电网供电使用需求，通过所述电网运行监视模块7提前对部分时刻输入所述电网的运行参数，从而消除将电网的不符合短期预测趋势的电网运行参数作为异常数据误判，所述部分时刻为由于特殊的用电需求导致电网运行参数会产生不符合短期预测趋势的时刻。
优选的，所述容抗器模块4由多组所述电容器单元组并联而成，每组所述电容器单元组串联一个选择开关，所述选择开关由所述电网控制AVC系统1控制开闭，进而控制所述电容器单元组的并入和退出，从而生成需求的总的电容值。
具体实施例二：
如图1所示，本发明的电网AVC系统运行参数的预测方法包括以下步骤：
步骤S1，从存储于所述数据存储模块的电网运行的数据库中，分别读取AVC系统中电网的运行参数中最近3个月的历史数据，所述AVC系统中电网的运行参数包含有日期D、时间T、有功P、无功Q、电流I、电压VU、档位T、补偿设备状态C、容抗设备闭锁状态B、容抗设备运行状态R；
步骤S2，对于步骤S1中读取的所述电网的各运行参数中非时间类型的运行参数分别进行异常数据处理；其中，在进行所述异常数据处理时采用如下公式判断所述运行参数是否异常：
x∈[μ-3σ,μ+3σ]
其中，x是运行参数的正常数据，μ是某个运行参数最近3个月的历史数据的均值，σ是相应的运行参数最近3个月的历史数据的标准差；所述公式的含义为：某个运行参数的正常数据需要满足在所述均值加减3倍标准差之间的数据范围内，如果所述运行参数值超出所述数据范围的上下界，则所述运行参数值被视为异常运行数据，并将所述运行参数值直接剔除；
步骤S3，所述运行参数值经过异常数据处理后，去掉所述最近3个月的历史数据中的时间类型的运行参数值，在剩余的运行参数值中，取其中每一类的运行参数值，分别计算与其它种类的运行参数值之间的线性相关性，所述相关性r的计算公式如下：
Figure BDA0003494262170000141
其中，xi为某一种类型的运行参数值的取值，
Figure BDA0003494262170000142
为该种类型的运行参数值的均值；yi为另一种类型的运行参数值的取值，/>
Figure BDA0003494262170000151
为该种类型的运行参数值的均值，相关性r的取值范围为；r∈[-1,1]；
步骤S4，取0.25为相关性r阈值，根据两两每组运行参数的线性相关性数值，保留相关性r的绝对值大于0.25的运行参数值，作为各个运行参数的关联特征参数，对于相关性数值绝对值不足0.25的运行参数的类型，直接摒弃；
步骤S5，对于各种运行参数值中，由于现场量测设备损坏，或者数据库服务器的硬盘损伤导致出现历史缺失值时，分别按日期分组统计各运行参数值的缺失值数量：
如果所述缺失值的数量少于每天完整数量的15％，则采用线性填充算法，补全缺失值，即，利用所述缺失值两端的运行参数值通过线下差值的方法得出运行参数插值，并将该运行参数插值作为该缺失值；优选的，在对缺失值时，以时间轴为顺序，取所述缺失值所在时刻最接近的6-8个所述运行参数值，利用龙格库塔插值方式进行插值。
如果所述缺失值的数量大于等于每天完整数量的15％，则直接剔除空缺值，不再使用；
使用填充好的运行参数插值，用于后续相关模型的训练和预测；
步骤S6，将训练数据中的有功、电流、电压等具有一定周期规律的连续数据，分别使用Prophet算法，将各项原始数值曲线，分别分解为周期分量、剩余分量。
Prophet算法在分解具有一定周期特性的数据时，通常会产生如下几个分量：
y(t)＝g(t)+s(t)+h(t)+εt
式中，y(t)代表原始数据，g(t)代表趋势分量，s(t)代表周期性分量，h(t)代表特殊日期影响分量，εt代表残差项，t代表各个时间点。
对于分解得到的周期分量s(t)，使用外推法实现预测。周期分量以外的部分，即对g(t)、h(t)、εt求和，作为剩余分量，并采用改进的LightGBM算法，对剩余分量进行训练、预测。
步骤S7，使用改进的LightGBM机器学习算法，分别训练各运行参数随各自关联参数变化的模型。由于在LightGBM的训练过程中，可能会陷入局部最优解，而忽略了全局最优解。为解决上述问题，将布谷鸟算法引入到了LightGBM算法的目标函数，从而使得改进的LightGBM算法能够有效地搜寻全局最优解。改进的目标函数计算公式如下：
Figure BDA0003494262170000161
u＝t-λ,1≤λ≤3
式中，y为当前目标函数值，α为步长控制量，
Figure BDA0003494262170000162
为点对点乘法，t为当前迭代次数，λ为分散参数。
AVC系统中的参数设置过程繁琐，运行人员较难把握运行参数的合理设置。提出的模型以历史大数据为基础，通过对历史数据的挖掘，指导系统关键参数的设置。训练数据包括近3个月内的有功、无功、电流、电压、档位、补偿设备状态、容抗设备闭锁状态、容抗设备运行状态数据。具体的，针对每个待预测AVC参数类型，分别独立建模。模型输入为近3天内上述的各类型历史参数数值，模型输出为未来1天内各项独立预测的AVC系统参数，从而在训练数据集里，以4天为滑动窗口，滚动训练。在训练、预测时，不再根据负荷趋势分段求解，而是直接基于整个负荷曲线进行预测；
步骤S8，在每次预测时，需要预测未来24小时(96个时刻)的各项AVC系统参数。预测得到各项待预测AVC系统参数后，分别从最近3个月的历史数据中，寻找与当前相似的高维历史数值。这里对选取的关联运行参数，采用余弦相似度来计算相似性，由于余弦相似度算法能够更好的评判高维数据，而且欧式距离对于局部的差异较为敏感，因此，选择了余弦距离，而不使用欧氏距离，计算公式如下所示：
Figure BDA0003494262170000171
其中，xi为当前预测时刻的各关联参数的取值，是由S6的LightGBM模型预测得到的结果。yi为历史某一个时刻的各关联参数的取值；
步骤S9，设定余弦相似度阈值为0.75，取步骤S7中的计算结果中，选取余弦相似度最大的对应的那组历史数据，对这个最相似的历史数值，采用如下方式进行确定：
如果余弦相似度cos(θ)大于0.75时，将当前时刻的预测值与历史相似值加权求平均，公式如下：
z＝(1-0.618)·x+0.618·y
其中，x为当前预测时刻的预测值，y为历史相似关联运行参数的取值，z为当前预测时刻的最终取值；
如果余弦相似度cos(θ)小于等于0.75时，则将当前时刻的LightGBM模型预测值直接作为最终的结果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种电网AVC系统运行参数的预测方法，其特征在于，包括以下步骤：
步骤S1，从数据库中读取最近3个月AVC系统运行参数的历史数据；
步骤S2，对运行参数的历史数据中非时间类型的运行参数分别进行异常数据处理；
步骤S3，从运行参数的历史数据中去掉时间类型的运行参数值，在剩余的运行参数值中，取其中每一类的运行参数值，分别计算与其它种类的运行参数值之间的线性相关性；
步骤S4，取0.25为相关性r阈值，根据两两每组运行参数的线性相关性数值，保留相关性r的绝对值大于0.25的运行参数值，作为各个运行参数的关联特征参数，对于相关性数值绝对值不足0.25的运行参数的类型，直接摒弃；
步骤S5，按日期分组统计各运行参数值的历史缺失值数量；如果所述缺失值的数量少于每天完整数量的15％，则采用线性填充算法，补全缺失值；如果所述缺失值的数量大于等于每天完整数量的15％，则剔除弃用；
使用填充好的运行参数插值，用于训练LightGBM算法模型；
步骤S6，使用Prophet算法将训练数据中的有功功率、电流及电压这些具有一定周期规律的连续数据分别分解为周期分量、剩余分量；对于周期分量使用外推法进行预测；采用改进的LightGBM算法对剩余分量进行训练、预测；
步骤S7，使用布谷鸟算法改进的LightGBM算法分别训练各运行参数随各自关联参数变化的模型；
步骤S8，进行预测时，分别从最近3个月的历史数据中，寻找与当前相似的高维历史数值；
步骤S9，设定余弦相似度阈值为0.75，如果余弦相似度大于0.75时，当前预测时刻的最终取值为：
z＝(1-0.618)·x+0.618·y
其中，x为当前时刻的LightGBM模型预测值，y为历史相似关联运行参数的取值；
如果余弦相似度cos(θ)小于等于0.75时，则将当前时刻的LightGBM模型预测值直接作为最终的结果。
2.根据权利要求1所述的电网AVC系统运行参数的预测方法，其特征在于，所述步骤S1所述AVC系统中电网的运行参数包含有日期D、时间T、有功P、无功Q、电流I、电压VU、档位T、补偿设备状态C、容抗设备闭锁状态B、容抗设备运行状态R。
3.根据权利要求1所述的电网AVC系统运行参数的预测方法，其特征在于，所述步骤S2中异常数据处理时采用如下公式判断所述运行参数是否异常：x∈[μ-3σ,μ+3σ]；
其中，x是运行参数的正常数据，μ是某个运行参数最近3个月的历史数据的均值，σ是相应的运行参数最近3个月的历史数据的标准差。
4.根据权利要求1所述的电网AVC系统运行参数的预测方法，其特征在于，所述步骤S3中，所述相关性的计算公式如下：
Figure FDA0004235460980000021
其中，xi为某一种类型的运行参数值的取值，x为该种类型的运行参数值的均值；yi为另一种类型的运行参数值的取值，y为该种类型的运行参数值的均值，相关性r的取值范围为：r∈[-1,1]。
5.根据权利要求1所述的电网AVC系统运行参数的预测方法，其特征在于，所述步骤S6、S7中改进的LightGBM算法是将布谷鸟算法引入到了LightGBM算法的目标函数，从而使得改进的LightGBM算法能够有效地搜寻全局最优解，改进的目标函数计算公式如下：
Figure FDA0004235460980000031
u＝t-λ,1≤λ≤3
式中，y为当前目标函数值，α为步长控制量，
Figure FDA0004235460980000032
为点对点乘法，t为当前迭代次数，λ为分散参数。
6.根据权利要求1所述的电网AVC系统运行参数的预测方法，其特征在于，所述步骤S5中，在对缺失值时，以时间轴为顺序，取所述缺失值所在时刻最接近的6-8个所述运行参数值，利用龙格库塔插值方式进行插值。
7.根据权利要求1所述的电网AVC系统运行参数的预测方法，其特征在于，所述步骤S8中采用余弦相似度来计算相似性，计算公式如下：
Figure FDA0004235460980000033
其中，xi为当前预测时刻的各关联参数的取值，yi为历史某一个时刻的各关联参数的取值。
8.一种电网AVC系统运行参数的预测系统，其特征在于：包括电网控制AVC系统、电网运行参数采集模块、蓄能电站、容抗器模块和蓄能电站参数采集模块、数据存储模块、电网运行监视模块和电网异常预警模块；所述电网控制AVC系统分别和所述电网运行参数采集模块、蓄能电站、容抗器模块和蓄能电站参数采集模块、数据存储模块和电网运行监视模块数据通信连接，所述电网运行监视模块和电网异常预警模块数据通信连接，所述蓄能电站参数采集模块采集所述蓄能电站的电站运行参数，并发送至所述电网控制AVC系统；所述蓄能电站通过所述容抗器模块之后并入供电电网；
其中，所述蓄能电站用于通过所述容抗器模块后提供电源给所述供电电网或从所述供电电网提取电能进行储存；所述容抗器模块包括多个不同定值的电容器单元组，其通过选择性并入或退出所述电网，从而使得从所述蓄能电站中输出的电能选择性的经过所述电容器单元组后，汇入所述供电电网；所述容抗器模块和所述电网运行参数采集模块电连接，从而所述电网运行参数采集模块采集所述容抗器模块投入到供电电网的容抗器单元组的容抗值；所述电网运行参数采集模块和所述电网电连接，从而实现采集所述供电电网的实时容抗值、电压、电流和负载功率的电网运行参数，并发送至所述电网控制AVC系统；所述容抗器模块和所述电网控制AVC系统连接，从而通过所述电网控制AVC系统控制所述容抗器模块并入和退出相应数量的电容器单元组，从而改变所述供电电网的容抗值；
所述数据存储模块用于存储所述电网运行参数采集模块和蓄能电站参数采集模块实时采集的电网运行参数和所述容抗器模块并入所述供电电网的容抗值和所述蓄能电站存储电量、提供电压值；
所述电网异常预警模块用于在检测到供电电网或蓄能电站出现异常时进行报警；所述电网运行监视模块用于监视供电电网的运行情况，并对电网运行参数和所述蓄能电站的运行参数进行显示；
短期预测时，所述电网控制AVC系统通过所述蓄能电站参数采集模块采集供电电网的电网运行参数和容抗器模块并入电容器单元的数量，并存储于所述数据存储模块；所述电网控制AVC系统利用存储于所述数据存储模块的数据对所述电网运行参数进行预测，得出所述电网运行参数的短期预测趋势，并发送至所述电网运行监视模块，并且在实时监测到的所述电网运行参数和所述短期预测趋势偏离一定范围时，通过所述电网异常预警模块进行预警。
9.根据权利要求8所述的一种电网AVC系统运行参数的预测系统，其特征在于：所述容抗器模块由多组所述电容器单元组并联而成，每组所述电容器单元组串联一个选择开关，所述选择开关由所述电网控制AVC系统控制开闭，进而控制所述电容器单元组的并入和退出，从而生成需求的总的电容值。
10.一种计算机可读存储介质，其特征在于：所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，所述计算机指令在由计算机处理器执行时用于执行如权利要求1-7中任意一项所述的电网AVC系统运行参数的预测方法。
CN202210108709.8A 2022-01-28 2022-01-28 一种电网avc系统运行参数的预测方法、系统及存储介质 Active CN114243702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210108709.8A CN114243702B (zh) 2022-01-28 2022-01-28 一种电网avc系统运行参数的预测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210108709.8A CN114243702B (zh) 2022-01-28 2022-01-28 一种电网avc系统运行参数的预测方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN114243702A CN114243702A (zh) 2022-03-25
CN114243702B true CN114243702B (zh) 2023-06-23

Family

ID=80747455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210108709.8A Active CN114243702B (zh) 2022-01-28 2022-01-28 一种电网avc系统运行参数的预测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN114243702B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115800306B (zh) * 2023-02-06 2023-05-05 华南理工大学 考虑风机故障的风光储无功补偿方法、装置及介质
CN116628564B (zh) * 2023-04-20 2024-03-12 上海宇佑船舶科技有限公司 用于检测发电机状态的模型训练方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101931241A (zh) * 2010-09-21 2010-12-29 许继集团有限公司 风电场并网协调控制方法
CN103312040A (zh) * 2013-07-02 2013-09-18 国家电网公司 提高电力监控中心avc系统可靠性的控制方法
CN107026461A (zh) * 2017-05-11 2017-08-08 南京南瑞继保电气有限公司 一种新能源站参与一次调频的快速功率协调控制方法
CN109766950A (zh) * 2019-01-18 2019-05-17 东北大学 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11032567B2 (en) * 2018-07-20 2021-06-08 Intel Corporation Automatic adaptive long term reference frame selection for video process and video coding
WO2021202620A1 (en) * 2020-03-31 2021-10-07 The Board Of Trustees Of The Leland Stanford Junior University Metabolomics approach combined with machine learning to recognize a medical condition
CN112165412B (zh) * 2020-09-24 2022-02-15 中盈优创资讯科技有限公司 一种基于时间序列模型的流量预测方法
CN112418545A (zh) * 2020-12-04 2021-02-26 国网湖南省电力有限公司 一种基于负荷特征及模型融合的售电量预测方法及系统
CN113131517B (zh) * 2021-04-15 2023-09-26 国网安徽省电力有限公司 一种分布式储能的光伏并网监测方法及系统
CN113193551B (zh) * 2021-04-27 2023-01-24 长安大学 基于多因素和改进特征筛选策略的短期电力负荷预测方法
CN113962293B (zh) * 2021-09-29 2022-10-14 中国科学院计算机网络信息中心 一种基于LightGBM分类与表示学习的姓名消歧方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101931241A (zh) * 2010-09-21 2010-12-29 许继集团有限公司 风电场并网协调控制方法
CN103312040A (zh) * 2013-07-02 2013-09-18 国家电网公司 提高电力监控中心avc系统可靠性的控制方法
CN107026461A (zh) * 2017-05-11 2017-08-08 南京南瑞继保电气有限公司 一种新能源站参与一次调频的快速功率协调控制方法
CN109766950A (zh) * 2019-01-18 2019-05-17 东北大学 一种基于形态聚类和LightGBM的工业用户短期负荷预测方法

Also Published As

Publication number Publication date
CN114243702A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
CN114243702B (zh) 一种电网avc系统运行参数的预测方法、系统及存储介质
CN110275440B (zh) 基于负荷预测的多能源船舶能量管理控制器及其控制方法
CN101858312B (zh) 风力发电机组实时运行状态评估系统及评估方法
CN111639921B (zh) 一种基于专家系统的设备故障智判与辅助处置方法
CN110469456B (zh) 降低变桨疲劳的风电场智能控制方法及系统
CN113077075B (zh) 新能源不确定性电力系统安全风险预防控制方法及装置
CN117057785B (zh) 电力设备运维调度方法、系统、电子设备及存储介质
CN115483701A (zh) 基于配电自动化主站系统的有源配电网区域自治分层调控方法
CN115589000A (zh) 一种基于典型负荷归类的地区电压调整优化方法和系统
CN113128005B (zh) 基于动态特性电网节点聚类及频率安全分析方法及系统
CN112036436B (zh) 一种调相机油温预测系统的数据噪声处理方法及处理系统
CN113988421A (zh) 基于深度学习的风电机组功率智能预测方法
CN111799798B (zh) 一种提高未来态潮流计算结果准确性的方法及系统
CN117273284A (zh) 一种面向企业用电平衡的异常数据监测系统
CN1120555C (zh) 电力系统的自适应系统保护方法
CN116050613B (zh) 水电机组顶盖排水泵剩余使用寿命预测方法
CN111814325B (zh) 燃煤发电装备非平稳运行的单变量报警阈值优化方法
CN114254834A (zh) 一种基于机器学习的风电场风速预测方法
CN114498690A (zh) 支持大规模可再生能源消纳的多元复合储能优化配置方法
CN114180023A (zh) 基于负荷预测算法的多能源船舶控制管理方法及装置
CN115693692A (zh) 基于配电网电压数据分析的电压合格率提升方法
KR20220076869A (ko) 전력 사용량 예측 시스템 및 방법
CN117613984B (zh) 一种用于风电储能的控制协调方法及系统
Zhang et al. Model Predictive Yaw Control Using Fuzzy-Deduced Weighting Factor for Large-Scale Wind Turbines
CN117670313B (zh) 一种电厂巡检方法、电厂巡检系统及可存储介质

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
GR01 Patent grant
GR01 Patent grant