CN115099522A - 基于bp神经网络的专变用户有功无功碳排放预测方法 - Google Patents

基于bp神经网络的专变用户有功无功碳排放预测方法 Download PDF

Info

Publication number
CN115099522A
CN115099522A CN202210846396.6A CN202210846396A CN115099522A CN 115099522 A CN115099522 A CN 115099522A CN 202210846396 A CN202210846396 A CN 202210846396A CN 115099522 A CN115099522 A CN 115099522A
Authority
CN
China
Prior art keywords
active
reactive
carbon emission
special transformer
neural network
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
Application number
CN202210846396.6A
Other languages
English (en)
Other versions
CN115099522B (zh
Inventor
刘盼盼
章锐
周吉
钱俊良
邰伟
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.)
Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Liyang Research Institute of Southeast University
Original Assignee
Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Liyang Research Institute of Southeast University
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 Nanjing Dongbo Intelligent Energy Research Institute Co ltd, Liyang Research Institute of Southeast University filed Critical Nanjing Dongbo Intelligent Energy Research Institute Co ltd
Priority to CN202210846396.6A priority Critical patent/CN115099522B/zh
Publication of CN115099522A publication Critical patent/CN115099522A/zh
Application granted granted Critical
Publication of CN115099522B publication Critical patent/CN115099522B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BP神经网络的专变用户有功无功碳排放预测方法，本发明面向专变用户，提出基于BP神经网络的专变用户有功/无功碳排放预测技术；本发明主要采用基于传感装置的专变用户电碳和环境信息采集技术，归一化处理，构建训练得到基于BP神经网络的专变用户有功负荷/无功负荷预测模型以及有功/无功综合碳排放因子预测模型，最终实现对专变用户有功、无功碳排放量的有效预测；本发明克服了有功、无功交互影响，专变用户内部碳排放难以有效计算的技术难题；本发明提高预测计算结果，实现对趋势预测，有利于给出专变用户碳排放规律，为专变用户掌握自身碳排放趋势，制定专变用户低碳用能策略，助理电网碳减排，具有重要意义。

Description

基于BP神经网络的专变用户有功无功碳排放预测方法
技术领域
本发明涉及电力系统领域，具体是基于BP神经网络的专变用户有功无功碳排放预测技术。
背景技术
电网公司以新型电力系统为方向，加快推进能源互联网企业建设，以更高站位、更宽视野、更实举措，推动电源侧、电网侧、用户侧协同发力。近年来，专变用户数量逐渐增多，专变用户可控性好是碳减排的主战场。
但受有功、无功交互影响，专变用户内部碳排放难以有效计算。在电网碳排放计算过程中，由于受无功的影响，消耗相同有功量的两个用户，其碳排放不一定相同，二者的消耗的无功也不一定相同，因此二者碳排放量不一定相同。且专变用户碳排放规律尚不明确，挖掘专变用户碳排放规律，支撑电网调控，对促进电网碳减排具有重要意义。
发明内容
本发明所要解决的技术问题是受有功、无功交互影响，专变用户内部碳排放难以有效计算；
本发明面向专变用户，为减低专变用户碳排放，需要挖掘并掌握专变用户碳排放规律，助力电网碳减排，提出基于BP神经网络的专变用户有功/无功碳排放预测技术；
主要包括：基于传感装置的专变用户电-碳信息采集技术，专变用户多源信息归一化预处理技术，基于BP神经网络的专变用户有功负荷/无功负荷预测模型，基于BP神经网络的专变用户有功/无功综合碳排放因子预测模型，最终实现对专变用户有功、无功碳排放量的有效预测；
本发明提供如下技术方案：
基于BP神经网络的专变用户有功无功碳排放预测方法，包括如下步骤：
S1.采集专变用户的电碳信息数据以及环境信息数据，形成基础数据库；
S2.归一化预处理S1中基础数据库的电碳信息数据以及环境信息数据，构建用于负荷、碳排放因子预测的训练和测试集；用于负荷预测的训练和测试集划分为有功负荷以及无功负荷；
碳排放因子预测的训练和测试集划分为有功集以及无功集；
S3.构建基于BP神经网络的专变用户有功/无功负荷预测模型，并利用S2中相应的训练和测试集，进行训练和测试得到专变用户有功/无功负荷预测模型；
S4.构建专变用户综合有功/无功碳排放因子模型，利用S2中电碳信息数据计算获得专变用户综合有功和无功碳排放因子数据集，并划分为训练和测试样本；
构建基于BP神经网络的专变用户综合有功/无功碳排放因子预测模型，利用S2中相应的训练和测试集以及上述专变用户综合有功和无功碳排放因子数据集，进行训练和测试得到专变用户综合有功/无功碳排放因子预测模型；
S5.基于S3中得到的专变用户有功/无功负荷预测模型和S4中得到的专变用户综合有功/无功碳排放因子预测模型，预测得到专变用户的有功和无功负荷以及综合有功和无功碳排放因子；并据此计算专变用户有功和无功源碳排放量，并实现对其趋势预测。
优选的，所述S1中利用基于传感装置的采集技术，利用传感装置和物联网技术对专变用户的电碳信息和环境信息进行采集，电碳信息包括进线单位有功、无功碳排放因子、专变用户有功负荷、无功负荷；环境信息包括天气温度、光照强度以及风速信息；
具体的采集专变用户电碳信息和环境信息如公式（1）所示：
Figure 649463DEST_PATH_IMAGE001
（1）
式中：
Figure 767198DEST_PATH_IMAGE002
为t时刻专变用户采集的信息；
Figure 565390DEST_PATH_IMAGE003
、
Figure 295449DEST_PATH_IMAGE004
分别为t时刻专变 用户外部进线单位有功、无功碳排放因子；
Figure 495486DEST_PATH_IMAGE005
、
Figure 20008DEST_PATH_IMAGE006
分别为t时刻专变用户内部单位 有功、无功碳排放因子；
Figure 305496DEST_PATH_IMAGE007
、
Figure 104825DEST_PATH_IMAGE008
分别为t时刻专变用户有功负荷、无功负荷；
Figure 660833DEST_PATH_IMAGE009
、
Figure 356257DEST_PATH_IMAGE010
、
Figure 129041DEST_PATH_IMAGE011
分别为t时刻天气温度、光照强度以及风速信息。
优选的，由于采集的专变用户量纲不同，难以进行统一处理，本发明提出专变用户多源信息归一化预处理技术，对专变用户不同量纲信息进行归一化预处理，为神经网络模型训练提供基础；所述S2中归一化预处理采用如公式（2）所示：
Figure 200902DEST_PATH_IMAGE012
（2）
式中：
Figure 375531DEST_PATH_IMAGE013
为预处理后的第i个元素值。
Figure 507435DEST_PATH_IMAGE014
为向量
Figure 501936DEST_PATH_IMAGE015
的第i个元 素，如果i=2，则
Figure 377488DEST_PATH_IMAGE016
。
Figure 645440DEST_PATH_IMAGE017
、
Figure 948245DEST_PATH_IMAGE018
分别为向量
Figure 695621DEST_PATH_IMAGE019
的第i个元素的 最大值、最小值。
按照公式（2）的预处理方法，预处理后的向量如公式（3）所示
Figure 109285DEST_PATH_IMAGE020
（3）
式中：
Figure 992927DEST_PATH_IMAGE021
为归一化预处理后的t时刻专变用户信息；
Figure 466634DEST_PATH_IMAGE022
、
Figure 435727DEST_PATH_IMAGE023
分别 为归一化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子；
Figure 154546DEST_PATH_IMAGE024
、
Figure 892695DEST_PATH_IMAGE025
分别为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子；
Figure 802883DEST_PATH_IMAGE026
、
Figure 259272DEST_PATH_IMAGE027
分别为归一化预处理后的t时刻专变用户有功负荷、无功负荷；
Figure 14738DEST_PATH_IMAGE028
、
Figure 872973DEST_PATH_IMAGE029
、
Figure 688482DEST_PATH_IMAGE030
分别为归一化预处理后的t时刻天气温度、光照强度以及风速信息。
优选的，基于BP神经网络，对归一化预处理后的专变用户有功/无功负荷信息，温度、日照强度、风速等进行挖掘，构建提出基于BP神经网络的专变用户有功负荷/无功负荷预测模型，实现对专变用户有功负荷/无功负荷的有效预测；
BP神经网络的应用有 3 个主要步骤，分别为：采集训练数据、训练网络和测试网络。本方法采用的是离线训练神经网络，即根据采集的专变用户有功/无功负荷、环境信息等样本数据，训练神经网络，获取连接权值、阈值、训练函数等，对有功/无功负荷与历史负荷信息、环境信息进行关联，构建基于BP神经网络的专变用户负荷预测模型；
所述S3中专变用户有功/无功负荷预测模型中BP神经网络有输入层、隐含层和输出层；输入层有5 个输入；输出层有 2个输出；
5个输入分别为：
Figure 130702DEST_PATH_IMAGE031
为t时刻专变用户有功负荷；
Figure 689860DEST_PATH_IMAGE032
为t时刻专变用户无 功负荷；
Figure 402601DEST_PATH_IMAGE033
为t时刻专变用户温度；
Figure 389011DEST_PATH_IMAGE034
为t时刻光照强度；
Figure 819993DEST_PATH_IMAGE035
为t时刻风速；2 个输出分别为：
Figure 917262DEST_PATH_IMAGE036
为预测的
Figure 750088DEST_PATH_IMAGE037
时间内的有功负荷值，
Figure 907400DEST_PATH_IMAGE038
为预测 的
Figure 327143DEST_PATH_IMAGE037
时间内的无功负荷值；
优选的，所述隐含层采用tansig函数，经过训练后，输出的BP神经网络有功/无功负荷预测模型如公式（4）所示：
Figure 228102DEST_PATH_IMAGE039
（4）
式中：
Figure 181015DEST_PATH_IMAGE040
为训练后的专变用户BP神经网络有功负荷预测模型，
Figure 509228DEST_PATH_IMAGE041
为训练 后的专变用户BP神经网络无功负荷预测模型。
优选的，所述S4中专变用户综合有功/无功碳排放因子模型中计算过程如公式（5）所示：
Figure 649222DEST_PATH_IMAGE042
（5）
式中：
Figure 88294DEST_PATH_IMAGE043
、
Figure 630134DEST_PATH_IMAGE044
分别为t时刻专变用户综合有功、无功碳排放因子。
Figure 645362DEST_PATH_IMAGE045
、
Figure 272652DEST_PATH_IMAGE046
分别为t时刻专变用户外部注入有功功率、无功功率在负荷中的占比；
Figure 780994DEST_PATH_IMAGE047
、
Figure 177340DEST_PATH_IMAGE048
分别为t时刻外部电网注入专变用户的有功功率、无功功率；
Figure 847356DEST_PATH_IMAGE049
、
Figure 961942DEST_PATH_IMAGE050
分 别为归一化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子；
Figure 8396DEST_PATH_IMAGE051
、
Figure 760713DEST_PATH_IMAGE052
分别为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子。
优选的，所述S4中专变用户综合有功/无功碳排放因子预测模型中BP神经网络有 输入层、隐含层和输出层；输入层有n个输入；n个输入分别为：
Figure 867210DEST_PATH_IMAGE053
为n个历史专变用户向量数据；输出层有 2个输出，2个输 出分别为：
Figure 469092DEST_PATH_IMAGE054
、
Figure 53657DEST_PATH_IMAGE055
分别为预测的专变用户综合有功/无功碳排放因 子；经过训练后，输出的BP神经网络有功/无功综合碳排放因子预测模型如公式（6）所示：
Figure 424596DEST_PATH_IMAGE056
（6）
式中：
Figure 436414DEST_PATH_IMAGE057
为训练后的专变用户BP神经网络有功综合碳排放因子预测模型，
Figure 525593DEST_PATH_IMAGE058
为训练后的专变用户BP神经网络无功综合碳排放因子预测模型。
优选的，所述S5中计算过程如公式（7）所示，实现对专变用户有功/无功碳排放趋势的有效预测。
Figure 412384DEST_PATH_IMAGE059
（7）
式中：
Figure 637829DEST_PATH_IMAGE060
为预测的未来
Figure 86128DEST_PATH_IMAGE061
时刻专变用户有功碳排放量，
Figure 397023DEST_PATH_IMAGE062
为预测的未来
Figure 588970DEST_PATH_IMAGE061
时刻专变用户无功碳排放量；
Figure 668922DEST_PATH_IMAGE063
、
Figure 288122DEST_PATH_IMAGE064
分别为预测的专变用户综合有功/无功碳排放因子；
Figure 86314DEST_PATH_IMAGE065
为预测的
Figure 317837DEST_PATH_IMAGE066
时间内的有功负荷值，
Figure 517874DEST_PATH_IMAGE067
为预测的
Figure 42397DEST_PATH_IMAGE066
时间内的无功负荷值。
本发明进一步提出了一种基于BP神经网络的专变用户有功无功碳排放预测计算系统，包括网络接口、存储器和处理器；其中，
所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行上述基于BP神经网络的专变用户有功无功碳排放预测方法。
本发明进一步提出了一种计算机存储介质，所述计算机存储介质存储有基于BP神经网络的专变用户有功无功碳排放预测计算的程序，所述基于BP神经网络的专变用户有功无功碳排放预测计算的程序被至少一个处理器执行时实现上述所述基于BP神经网络的专变用户有功无功碳排放预测方法；
需要说明的是本发明中电碳信息采集技术以及环境信息采集技术均采用现有传感装置进行采集，本发明在此不作具体阐述也不作限制；
与现有技术相比，本发明具有以下几个方面的有益效果：
1、本发明提供一种基于BP神经网络的专变用户有功无功碳排放预测方法，克服了专变用户碳排放控制过程中有功、无功交互影响，专变用户内部碳排放难以有效计算的技术难题，本发明通过传感装置的专变用户电-碳信息采集技术，采集专变用户的电碳信息以及环境信息等多源数据，本发明将电碳信息数据划分为有功和无功；归一化预处理，同时构造专变用户综合有功/无功碳排放因子模型计算形成训练和测试数据集；训练和测试得出有功/无功类型的负荷以及综合碳排放因子BP神经网络预测模型，方便根据相应的模型预测计算负荷和综合碳排放因子，并求积计算得出相应的有功/无功源的碳排放量，提高预测计算结果，实现对趋势预测，有利于给出专变用户碳排放规律，为专变用户掌握自身碳排放趋势，制定专变用户低碳用能策略，助理电网碳减排，具有重要意义。
2、本发明采用电碳信息和环境信息的结合，电碳信息考虑外部进线和内部单位信息，其中环境信息包括天气温度、光照强度以及风速信息；综合贴近工程实际，较为全面地考虑碳排放的影响因素，叠加BP神经网络预测计算，提高准确度；
3、本发明采用的归一化预处理计算方法，有利于数据的保真和后续训练和测试，提高计算效率和准确度；本发明采用的专变用户综合有功/无功碳排放因子模型，充分考虑专变用户外部注入有功功率、无功功率在负荷中的占比，贴近碳排放实际系数，提高后续训练和测试的准确度；本发明的方法流程简单，计算数据量全面，计算过程中的中间结构含义明确，计算方法实用性强，有利于专变用户碳排放控制计算的使用和推广。
附图说明
图1为基于BP神经网络的专变用户有功无功碳排放预测方法的流程示意图。
图2为基于BP神经网络的专变用户有功无功碳排放预测方法中专变用户有功/无功负荷预测的BP神经网络示意图。
图3为基于BP神经网络的专变用户有功无功碳排放预测方法中专变用户有功/无功综合碳排放因子预测的BP神经网络示意图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
参见图1，基于BP神经网络的专变用户有功无功碳排放预测方法，包括如下步骤：
S1.采集专变用户的电碳信息数据以及环境信息数据，形成基础数据库；
对于S1，本实施例采用基于传感装置的采集技术，利用成熟的传感装置和物联网技术对专变用户的电碳信息和环境信息进行采集，电碳信息包括进线单位有功、无功碳排放因子、专变用户有功负荷、无功负荷；环境信息包括天气温度、光照强度以及风速信息；
具体的采集专变用户电碳信息和环境信息如公式（1）所示：
Figure 327884DEST_PATH_IMAGE001
（1）
式中：
Figure 596055DEST_PATH_IMAGE002
为t时刻专变用户采集的信息；
Figure 916178DEST_PATH_IMAGE003
、
Figure 877180DEST_PATH_IMAGE004
分别为t时刻专变 用户外部进线单位有功、无功碳排放因子；
Figure 154359DEST_PATH_IMAGE005
、
Figure 226220DEST_PATH_IMAGE006
分别为t时刻专变用户内部单位 有功、无功碳排放因子；
Figure 400850DEST_PATH_IMAGE007
、
Figure 267174DEST_PATH_IMAGE008
分别为t时刻专变用户有功负荷、无功负荷；
Figure 527254DEST_PATH_IMAGE009
、
Figure 137227DEST_PATH_IMAGE010
、
Figure 431942DEST_PATH_IMAGE011
分别为t时刻天气温度、光照强度以及风速信息。
S2.归一化预处理S1中基础数据库的电碳信息数据以及环境信息数据，构建用于负荷、碳排放因子预测的训练和测试集；都划分为有功类和无功类；
对于S2、由于采集的专变用户量纲不同，难以进行统一处理，本发明提出专变用户多源信息归一化预处理技术，对专变用户不同量纲信息进行归一化预处理，为神经网络模型训练提供基础；
具体地本实施例中归一化预处理采用如公式（2）所示：
Figure 236213DEST_PATH_IMAGE068
（2）
式中：
Figure 718010DEST_PATH_IMAGE069
为预处理后的第i个元素值。
Figure 131673DEST_PATH_IMAGE070
为向量
Figure 15316DEST_PATH_IMAGE071
的第i个元 素，如果i=2，则
Figure 489022DEST_PATH_IMAGE072
。
Figure 458115DEST_PATH_IMAGE073
、
Figure 675470DEST_PATH_IMAGE074
分别为向量
Figure 679198DEST_PATH_IMAGE075
的第i个元素的最 大值、最小值。
按照公式（2）的预处理方法，预处理后的向量如公式（3）所示
Figure 822341DEST_PATH_IMAGE020
（3）
式中：
Figure 278730DEST_PATH_IMAGE021
为归一化预处理后的t时刻专变用户信息；
Figure 34197DEST_PATH_IMAGE022
、
Figure 626852DEST_PATH_IMAGE023
分别 为归一化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子；
Figure 707941DEST_PATH_IMAGE024
、
Figure 651626DEST_PATH_IMAGE025
分别为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子；
Figure 210783DEST_PATH_IMAGE026
、
Figure 424989DEST_PATH_IMAGE027
分别为归一化预处理后的t时刻专变用户有功负荷、无功负荷；
Figure 145820DEST_PATH_IMAGE028
、
Figure 576802DEST_PATH_IMAGE029
、
Figure 674071DEST_PATH_IMAGE030
分别为归一化预处理后的t时刻天气温度、光照强度以及风速信息。
S3.构建基于BP神经网络的专变用户有功/无功负荷预测模型，并利用S2中相应的训练和测试集，进行训练和测试得到专变用户有功/无功负荷预测模型；
对于S3、本实施例基于BP神经网络，对归一化预处理后的专变用户有功/无功负荷信息，温度、日照强度、风速等进行挖掘，构建提出基于BP神经网络的专变用户有功负荷/无功负荷预测模型，实现对专变用户有功负荷/无功负荷的有效预测；
其中本实施例的BP神经网络的应用有 3 个主要步骤，分别为：采集训练数据、训练网络和测试网络。本方法采用的是离线训练神经网络，即根据采集的专变用户有功/无功负荷、环境信息等样本数据，训练神经网络，获取连接权值、阈值、训练函数等，对有功/无功负荷与历史负荷信息、环境信息进行关联，构建基于BP神经网络的专变用户负荷预测模型；
如图2所示，本实施例中专变用户有功/无功负荷预测模型中BP神经网络有输入层、隐含层和输出层；输入层有5 个输入；输出层有 2个输出；
5个输入分别为：
Figure 772477DEST_PATH_IMAGE076
为t时刻专变用户有功负荷；
Figure 664209DEST_PATH_IMAGE077
为t时刻专变用户无 功负荷；
Figure 582487DEST_PATH_IMAGE078
为t时刻专变用户温度；
Figure 241702DEST_PATH_IMAGE079
为t时刻光照强度；
Figure 663456DEST_PATH_IMAGE080
为t时刻风速；2 个输出分别为：
Figure 991669DEST_PATH_IMAGE081
为预测的
Figure 131663DEST_PATH_IMAGE082
时间内的有功负荷值，
Figure 836314DEST_PATH_IMAGE083
为预测 的
Figure 378154DEST_PATH_IMAGE084
时间内的无功负荷值；
本实施例中所述隐含层采用tansig函数，经过训练后，输出的BP神经网络有功/无功负荷预测模型如公式（4）所示：
Figure 877268DEST_PATH_IMAGE085
（4）
式中：
Figure 770138DEST_PATH_IMAGE040
为训练后的专变用户BP神经网络有功负荷预测模型，
Figure 514365DEST_PATH_IMAGE041
为训练 后的专变用户BP神经网络无功负荷预测模型。
S4.构建专变用户综合有功/无功碳排放因子模型，利用S2中电碳信息数据计算获得专变用户综合有功和无功碳排放因子数据集，并划分为训练和测试样本；
构建基于BP神经网络的专变用户综合有功/无功碳排放因子预测模型，利用S2中相应的训练和测试集以及上述专变用户综合有功和无功碳排放因子数据集，进行训练和测试得到专变用户综合有功/无功碳排放因子预测模型；
对于S4，本实施例中专变用户综合有功/无功碳排放因子模型中计算过程如公式（5）所示：
Figure 910712DEST_PATH_IMAGE086
（5）
式中：
Figure 580727DEST_PATH_IMAGE087
、
Figure 695314DEST_PATH_IMAGE088
分别为t时刻专变用户综合有功、无功碳排放因子。
Figure 741767DEST_PATH_IMAGE089
、
Figure 258199DEST_PATH_IMAGE090
分别为t时刻专变用户外部注入有功功率、无功功率在负荷中的占比；
Figure 99116DEST_PATH_IMAGE091
、
Figure 199534DEST_PATH_IMAGE092
分别为t时刻外部电网注入专变用户的有功功率、无功功率；
Figure 49679DEST_PATH_IMAGE093
、
Figure 420617DEST_PATH_IMAGE050
分别为归一化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子；
Figure 432435DEST_PATH_IMAGE094
、
Figure 256035DEST_PATH_IMAGE095
分别为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子。
本实施例中，专变用户综合有功/无功碳排放因子预测模型中BP神经网络有输入 层、隐含层和输出层，如图3所示；输入层有n个输入；n个输入分别为：
Figure 644291DEST_PATH_IMAGE096
为n个历史专变用户向量数据；输出层有 2个输出，2个输 出分别为：
Figure 869736DEST_PATH_IMAGE097
、
Figure 52456DEST_PATH_IMAGE098
分别为预测的专变用户综合有功/无功碳排放因子； 经过训练后，输出的BP神经网络有功/无功综合碳排放因子预测模型如公式（6）所示：
Figure 395974DEST_PATH_IMAGE099
（6）
式中：
Figure 322342DEST_PATH_IMAGE100
为训练后的专变用户BP神经网络有功综合碳排放因子预测模型，
Figure 402294DEST_PATH_IMAGE101
为训练后的专变用户BP神经网络无功综合碳排放因子预测模型。
S5.基于S3中得到的专变用户有功/无功负荷预测模型和S4中得到的专变用户综合有功/无功碳排放因子预测模型，预测得到专变用户的有功和无功负荷以及综合有功和无功碳排放因子；并据此计算专变用户有功和无功源碳排放量，并实现对其趋势预测。
本实施例中，所述S5中计算过程如公式（7）所示，实现对专变用户有功/无功碳排放趋势的有效预测。
Figure 21494DEST_PATH_IMAGE102
（7）
式中：
Figure 85265DEST_PATH_IMAGE103
为预测的未来
Figure 815323DEST_PATH_IMAGE104
时刻专变用户有功碳排放量，
Figure 749781DEST_PATH_IMAGE105
为预测的未来
Figure 44277DEST_PATH_IMAGE106
时刻专变用户无功碳排放量；
Figure 329765DEST_PATH_IMAGE107
、
Figure 597935DEST_PATH_IMAGE108
分别为预测的专变用户综合有功/无功碳排放因子；
Figure 652479DEST_PATH_IMAGE109
为预测的
Figure 879061DEST_PATH_IMAGE110
时间内的有功负荷值，
Figure 386266DEST_PATH_IMAGE111
为预测的
Figure 458127DEST_PATH_IMAGE110
时间内的无功负荷值。
本发明的工作原理是：本发明通过传感装置的专变用户电-碳信息采集技术，采集专变用户的电碳信息以及环境信息等多源数据，本发明将电碳信息数据划分为有功和无功；归一化预处理，同时构造专变用户综合有功/无功碳排放因子模型计算形成训练和测试数据集；训练和测试得出有功/无功类型的负荷以及综合碳排放因子BP神经网络预测模型，方便根据相应的模型预测计算负荷和综合碳排放因子，并求积计算得出相应的有功/无功源的碳排放量，提高预测计算结果；
本发明采用电碳信息和环境信息的结合，电碳信息考虑外部进线和内部单位信息，其中环境信息包括天气温度、光照强度以及风速信息；综合贴近工程实际，较为全面地考虑碳排放的影响因素，叠加BP神经网络预测计算，提高准确度；本发明采用的归一化预处理计算方法，有利于数据的保真和后续训练和测试，提高计算效率和准确度；本发明采用的专变用户综合有功/无功碳排放因子模型，充分考虑专变用户外部注入有功功率、无功功率在负荷中的占比，贴近碳排放实际系数，提高后续训练和测试的准确度。
上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。

Claims (9)

1.基于BP神经网络的专变用户有功无功碳排放预测方法，其特征在于，包括如下步骤：
S1.采集专变用户的电碳信息数据以及环境信息数据，形成基础数据库；
S2.归一化预处理S1中基础数据库的电碳信息数据以及环境信息数据，构建用于负荷、碳排放因子预测的训练和测试集；用于负荷预测的训练和测试集划分为有功负荷以及无功负荷；
碳排放因子预测的训练和测试集划分为有功集以及无功集；
S3.构建基于BP神经网络的专变用户有功/无功负荷预测模型，并利用S2中相应的训练和测试集，进行训练和测试得到专变用户有功/无功负荷预测模型；
S4.构建专变用户综合有功/无功碳排放因子模型，利用S2中电碳信息数据计算获得专变用户综合有功和无功碳排放因子数据集，并划分为训练和测试样本；
构建基于BP神经网络的专变用户综合有功/无功碳排放因子预测模型，利用S2中相应的训练和测试集以及所述专变用户综合有功和无功碳排放因子数据集，进行训练和测试得到专变用户综合有功/无功碳排放因子预测模型；
S5.基于S3中得到的专变用户有功/无功负荷预测模型和S4中得到的专变用户综合有功/无功碳排放因子预测模型，预测得到专变用户的有功和无功负荷以及
综合有功和无功碳排放因子；
并据此计算专变用户有功和无功源碳排放量，并实现对其趋势预测。
2.根据权利要求1所述的基于BP神经网络的专变用户有功无功碳排放预测方法，其特征在于，步骤S1中，利用基于传感装置的采集技术，采集专变用户的电碳信息数据以及环境信息数据如公式（1）所示：
Figure 882665DEST_PATH_IMAGE001
（1）
式中：
Figure 748990DEST_PATH_IMAGE002
为t时刻专变用户采集的信息；
Figure 274649DEST_PATH_IMAGE003
、
Figure 884622DEST_PATH_IMAGE004
分别为t时刻专变用户 外部进线单位有功、无功碳排放因子；
Figure 179337DEST_PATH_IMAGE005
、
Figure 216563DEST_PATH_IMAGE006
分别为t时刻专变用户内部单位有 功、无功碳排放因子；
Figure 480053DEST_PATH_IMAGE007
、
Figure 159296DEST_PATH_IMAGE008
分别为t时刻专变用户有功负荷、无功负荷；
Figure 42938DEST_PATH_IMAGE009
、
Figure 516645DEST_PATH_IMAGE010
、
Figure 751317DEST_PATH_IMAGE011
分别为t时刻天气温度、光照强度以及风速信息。
3.根据权利要求2所述的基于BP神经网络的专变用户有功无功碳排放预测方法，其特征在于，步骤S2中，归一化预处理采用如公式（2）所示：
Figure 703092DEST_PATH_IMAGE012
（2）
式中：
Figure 706820DEST_PATH_IMAGE013
为预处理后的第i个元素值，
Figure 587314DEST_PATH_IMAGE014
为向量
Figure 43703DEST_PATH_IMAGE015
的第i个元素，如 果i=2，则
Figure 64749DEST_PATH_IMAGE016
；
Figure 922983DEST_PATH_IMAGE017
、
Figure 738493DEST_PATH_IMAGE018
分别为向量
Figure 682178DEST_PATH_IMAGE019
的第i个元素的最大 值、最小值；
按照公式（2）的预处理方法，预处理后的向量如公式（3）所示
Figure 975756DEST_PATH_IMAGE020
（3）
式中：
Figure 452611DEST_PATH_IMAGE021
为归一化预处理后的t时刻专变用户信息；
Figure 439022DEST_PATH_IMAGE022
、
Figure 870003DEST_PATH_IMAGE023
分别为归一 化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子；
Figure 967272DEST_PATH_IMAGE024
、
Figure 534520DEST_PATH_IMAGE025
分别 为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子；
Figure 691832DEST_PATH_IMAGE026
、
Figure 875688DEST_PATH_IMAGE027
分别 为归一化预处理后的t时刻专变用户有功负荷、无功负荷；
Figure 511069DEST_PATH_IMAGE028
、
Figure 699867DEST_PATH_IMAGE029
、
Figure 28080DEST_PATH_IMAGE030
分别 为归一化预处理后的t时刻天气温度、光照强度以及风速信息。
4.根据权利要求3所述的基于BP神经网络的专变用户有功无功碳排放预测方法，其特征在于，步骤S3中，专变用户有功/无功负荷预测模型中BP神经网络有输入层、隐含层和输出层；输入层有5 个输入；输出层有 2个输出；
5个输入分别为：
Figure 168075DEST_PATH_IMAGE031
为t时刻专变用户有功负荷；
Figure 872725DEST_PATH_IMAGE032
为t时刻专变用户无功负 荷；
Figure 680144DEST_PATH_IMAGE033
为t时刻专变用户温度；
Figure 179259DEST_PATH_IMAGE034
为t时刻光照强度；
Figure 806549DEST_PATH_IMAGE035
为t时刻风速；2个输 出分别为：
Figure 288127DEST_PATH_IMAGE036
为预测的
Figure 950053DEST_PATH_IMAGE037
时间内的有功负荷值，
Figure 885648DEST_PATH_IMAGE038
为预测的
Figure 234DEST_PATH_IMAGE039
时间内的无功负荷值；
所述隐含层采用tansig函数，经过训练后，输出的BP神经网络有功/无功负荷预测模型如公式（4）所示：
Figure 781108DEST_PATH_IMAGE040
（4）
式中：
Figure 563120DEST_PATH_IMAGE041
为训练后的专变用户BP神经网络有功负荷预测模型，
Figure 404037DEST_PATH_IMAGE042
为训练后的 专变用户BP神经网络无功负荷预测模型。
5.根据权利要求4所述的基于BP神经网络的专变用户有功无功碳排放预测方法，其特征在于，步骤S4中，专变用户综合有功/无功碳排放因子预测模型中计算过程如公式（5）所示：
Figure 772963DEST_PATH_IMAGE043
（5）
式中：
Figure 357528DEST_PATH_IMAGE044
、
Figure 728467DEST_PATH_IMAGE045
分别为t时刻专变用户综合有功、无功碳排放因子；
Figure 740285DEST_PATH_IMAGE046
、
Figure 563885DEST_PATH_IMAGE047
分别为t时刻专变用户外部注入有功功率、无功功率在负荷中的占比；
Figure 952141DEST_PATH_IMAGE048
、
Figure 443165DEST_PATH_IMAGE049
分别为t时刻外部电网注入专变用户的有功功率、无功功率；
Figure 124420DEST_PATH_IMAGE050
、
Figure 700895DEST_PATH_IMAGE051
分别为归一 化预处理后的t时刻专变用户外部进线单位有功、无功碳排放因子；
Figure 627262DEST_PATH_IMAGE052
、
Figure 707214DEST_PATH_IMAGE053
分别 为归一化预处理后的t时刻专变用户内部单位有功、无功碳排放因子。
6.根据权利要求5所述的基于BP神经网络的专变用户有功无功碳排放预测方法，其特 征在于，步骤S4中，专变用户综合有功/无功碳排放因子预测模型中BP神经网络有输入层、 隐含层和输出层；输入层有n个输入；n个输入分别为：
Figure 326414DEST_PATH_IMAGE054
为n 个历史专变用户向量数据；输出层有 2个输出，2个输出分别为：
Figure 124606DEST_PATH_IMAGE055
、
Figure 854664DEST_PATH_IMAGE056
分别为预测的专变用户综合有功/无功碳排放因子；经过训练后，输出的BP 神经网络有功/无功综合碳排放因子预测模型如公式（6）所示：
Figure 54702DEST_PATH_IMAGE057
（6）
式中：
Figure 346268DEST_PATH_IMAGE058
为训练后的专变用户BP神经网络有功综合碳排放因子预测模型，
Figure 366176DEST_PATH_IMAGE059
为训练后的专变用户BP神经网络无功综合碳排放因子预测模型。
7.根据权利要求6所述的基于BP神经网络的专变用户有功无功碳排放预测方法，其特征在于，步骤S5中，计算过程如公式（7）所示，实现对专变用户有功/无功碳排放趋势的有效预测；
Figure 899926DEST_PATH_IMAGE060
（7）
式中：
Figure 220049DEST_PATH_IMAGE061
为预测的未来
Figure 915472DEST_PATH_IMAGE062
时刻专变用户有功碳排放量，
Figure 688256DEST_PATH_IMAGE063
为预测的未来
Figure 760118DEST_PATH_IMAGE064
时刻专变用户无功碳排放量；
Figure 427423DEST_PATH_IMAGE065
、
Figure 559327DEST_PATH_IMAGE066
分别为预测的专变用户综合有功/无功碳排放因子；
Figure 553828DEST_PATH_IMAGE067
为预测的
Figure 429380DEST_PATH_IMAGE068
时间内的有功负荷值，
Figure 724095DEST_PATH_IMAGE069
为预测的
Figure 761321DEST_PATH_IMAGE070
时间内的无功负荷值。
8.基于BP神经网络的专变用户有功无功碳排放预测计算系统，其特征在于，包括网络接口、存储器和处理器；其中，
所述网络接口，用于在与其他外部网元之间进行收发信息过程中，信号的接收和发送；
所述存储器，用于存储能够在所述处理器上运行的计算机程序；
所述处理器，用于在运行所述计算机程序时，执行权利要求2-7任一所述基于BP神经网络的专变用户有功无功碳排放预测方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有基于BP神经网络的专变用户有功无功碳排放预测计算的程序，所述基于BP神经网络的专变用户有功无功碳排放预测计算的程序被至少一个处理器执行时实现权利要求2-7任一所述基于BP神经网络的专变用户有功无功碳排放预测方法。
CN202210846396.6A 2022-07-19 2022-07-19 基于bp神经网络的专变用户有功无功碳排放预测方法 Active CN115099522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210846396.6A CN115099522B (zh) 2022-07-19 2022-07-19 基于bp神经网络的专变用户有功无功碳排放预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210846396.6A CN115099522B (zh) 2022-07-19 2022-07-19 基于bp神经网络的专变用户有功无功碳排放预测方法

Publications (2)

Publication Number Publication Date
CN115099522A true CN115099522A (zh) 2022-09-23
CN115099522B CN115099522B (zh) 2023-04-18

Family

ID=83297933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210846396.6A Active CN115099522B (zh) 2022-07-19 2022-07-19 基于bp神经网络的专变用户有功无功碳排放预测方法

Country Status (1)

Country Link
CN (1) CN115099522B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564106A (zh) * 2022-09-29 2023-01-03 中国能源建设集团广东省电力设计研究院有限公司 一种基于电力数据的碳排放测算方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975799A (zh) * 2016-06-01 2016-09-28 广东电网有限责任公司电力科学研究院 一种碳排放量计算方法及系统
CN106251095A (zh) * 2016-09-06 2016-12-21 清华大学 一种电力系统碳排放实时计量的方法及碳表系统
CN109740301A (zh) * 2019-03-14 2019-05-10 华北电力大学 一种基于bp神经网络的燃气机组碳排放量的核算方法
US20200372588A1 (en) * 2019-05-20 2020-11-26 Singularity Energy, Inc. Methods and systems for machine-learning for prediction of grid carbon emissions
CN112329990A (zh) * 2020-10-20 2021-02-05 昆明理工大学 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN113609713A (zh) * 2021-10-08 2021-11-05 南京东博智慧能源研究院有限公司 用户侧电碳信息量化计算方法、系统及计算机存储介质
CN113642936A (zh) * 2021-10-13 2021-11-12 中国电力科学研究院有限公司 一种需求侧碳流边缘分析方法、终端与系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105975799A (zh) * 2016-06-01 2016-09-28 广东电网有限责任公司电力科学研究院 一种碳排放量计算方法及系统
CN106251095A (zh) * 2016-09-06 2016-12-21 清华大学 一种电力系统碳排放实时计量的方法及碳表系统
CN109740301A (zh) * 2019-03-14 2019-05-10 华北电力大学 一种基于bp神经网络的燃气机组碳排放量的核算方法
US20200372588A1 (en) * 2019-05-20 2020-11-26 Singularity Energy, Inc. Methods and systems for machine-learning for prediction of grid carbon emissions
CN112329990A (zh) * 2020-10-20 2021-02-05 昆明理工大学 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN113609713A (zh) * 2021-10-08 2021-11-05 南京东博智慧能源研究院有限公司 用户侧电碳信息量化计算方法、系统及计算机存储介质
CN113642936A (zh) * 2021-10-13 2021-11-12 中国电力科学研究院有限公司 一种需求侧碳流边缘分析方法、终端与系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564106A (zh) * 2022-09-29 2023-01-03 中国能源建设集团广东省电力设计研究院有限公司 一种基于电力数据的碳排放测算方法
CN115564106B (zh) * 2022-09-29 2023-10-17 中国能源建设集团广东省电力设计研究院有限公司 一种基于电力数据的碳排放测算方法

Also Published As

Publication number Publication date
CN115099522B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Song et al. Hourly heat load prediction model based on temporal convolutional neural network
CN103455729B (zh) 一种确定光储并网联合发电调度值的方法
CN114118569A (zh) 基于多模态多任务的Transformer网络的风电功率多步预测方法
CN115099522B (zh) 基于bp神经网络的专变用户有功无功碳排放预测方法
Lu et al. Online optimization of energy management strategy for FCV control parameters considering dual power source lifespan decay synergy
CN107039981A (zh) 一种拟直流线性化概率最优潮流计算方法
CN116482975A (zh) 一种虚实融合的船舶能量管理策略验证方法与平台
CN110866633A (zh) 一种基于svr支持向量回归的微电网超短期负荷预测方法
Liu et al. Wind power short-term forecasting based on LSTM neural network with dragonfly algorithm
CN115906619A (zh) 一种基于pso-bp优化算法的混合动力双电船的能量管理方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN115146538A (zh) 基于消息传递图神经网络的电力系统状态估计方法
Wang et al. Optimization of the powertrain and energy management control parameters of a hybrid hydraulic vehicle based on improved multi-objective particle swarm optimization
Ni et al. A review of line loss analysis of the low-voltage distribution system
CN112070625A (zh) 一种用户用电行为模式识别方法及系统
CN117239754A (zh) 一种考虑碳排放的风-光-火多电源协调运行方法及系统
CN110142803B (zh) 一种移动焊接机器人系统工作状态检测方法及装置
CN115776138A (zh) 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置
Huang et al. Wind prediction based on improved bp artificial neural network in wind farm
CN113673141B (zh) 一种基于数据驱动的能量路由器建模及优化控制方法
CN101540504A (zh) 一种基于变步长神经网络的潮流分析装置及方法
CN108920810A (zh) 基于大数据架构的电力仿真方法
CN113780661A (zh) 一种针对突变风速的风电超短期功率预测方法
CN114069604B (zh) 考虑电动汽车充电站耦合作用的多时段容量评估方法
CN117078030B (zh) 一种基于车速预测的燃料电池公交车能量管理方法

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
GR01 Patent grant
GR01 Patent grant