CN115496392B - 一种基于共识聚类的多目标电网阻塞分区方法及产品 - Google Patents
一种基于共识聚类的多目标电网阻塞分区方法及产品 Download PDFInfo
- Publication number
- CN115496392B CN115496392B CN202211228484.6A CN202211228484A CN115496392B CN 115496392 B CN115496392 B CN 115496392B CN 202211228484 A CN202211228484 A CN 202211228484A CN 115496392 B CN115496392 B CN 115496392B
- Authority
- CN
- China
- Prior art keywords
- matrix
- node
- blocking
- partition
- dynamic
- 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
Links
- 230000000903 blocking effect Effects 0.000 title claims abstract description 232
- 238000005192 partition Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 323
- 230000003068 static effect Effects 0.000 claims abstract description 110
- 230000005611 electricity Effects 0.000 claims abstract description 45
- 238000000638 solvent extraction Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例涉及电力系统领域，提供了一种基于共识聚类的多目标电网阻塞分区方法及产品，包括：根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵；对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点‑分区关联矩阵和动态特征的节点‑分区关联矩阵；对静态特征的节点‑分区关联矩阵和动态特征的节点‑分区关联矩阵赋予不同的目标权重，得到多目标电网阻塞分区结果。本申请通过分别从静态特征和动态特征的两种目标和特征下对电网阻塞进行分区，构建了多目标的电网分区结果以评估潜在的阻塞分区情况，且提高了分区精度，与当前电力系统阻塞分区的多目标需求相契合，能够更好的帮助电网调度运行。
Description
技术领域
本申请实施例涉及电力系统领域，具体而言，涉及一种基于共识聚类的多目标电网阻塞分区方法及产品。
背景技术
随着高压输电技术的成熟，电网的规模越来越庞大，一个成熟的电力市场运行通常可能涉及几千甚至上万个节点。由于部分节点和区域之间的电力传输存在断面情况，跨区输电容易达到潜在的容量上限，即更容易发生输电线路阻塞，进而导致电能无法远距离传输，必须实现地区内部的功率平衡。因此，在电网运行阶段，根据功率平衡的实际需求，提前判断电网潜在的阻塞分区情况，有助于电网运行主体开展阻塞情况下的应急调度预案。
然而，现有传统的技术方法，通常以单一静态特征构建分区目标，以电网的导纳矩阵为分区依据，随后使用一定的聚类方法，如谱聚类等，实现电网的分区。此类方法虽然可以以较高效率实现电网分区，但未必与当前电力市场化改革格局下阻塞分区的多目标需求相契合，同时仅使用电网静态特性也无法取得较高的分区精度。因此，如何构建多目标的电网分区结果评估潜在的阻塞分区情况，成为现在亟待解决的问题。
发明内容
本申请实施例在于提供一种基于共识聚类的多目标电网阻塞分区方法及产品，旨在构建多目标的电网分区结果以评估潜在的阻塞分区情况。
本申请实施例第一方面提供一种基于共识聚类的多目标电网阻塞分区方法，包括：
根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵；
对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵；
对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，得到多目标电网阻塞分区结果。
可选地，根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵，包括：
获取历史阻塞电价数据，构建历史阻塞电价矩阵；
根据所述历史阻塞电价矩阵，构建所述动态阻塞特性节点关联矩阵，所述动态阻塞特性节点关联矩阵按照如下方式进行构建：
R＝[Ri,j]1≤i,j≤N；
Ri,j＝-pi·pj,i≠j；
Ri,i＝∑j≠ipi·pj；
其中，R为所述动态阻塞特性节点关联矩阵，N为电网节点数，pi为所述历史阻塞电价矩阵P的第i列的列向量，pj为所述历史阻塞电价矩阵P的第j列的列向量。
可选地，对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵，包括：
对所述静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行归一化，得到归一化后的静态阻塞特性节点关联矩阵和归一化后的动态阻塞特性节点关联矩阵；
对所述归一化后的静态阻塞特性节点关联矩阵和归一化后的动态阻塞特性节点关联矩阵分别进行特征分解，得到静态特征矩阵和动态特征矩阵；
使用预设聚类算法对所述静态特征矩阵和动态特征矩阵分别进行聚类，得到所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵。
可选地，对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，得到多目标电网阻塞分区结果，包括：
对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，构建不同目标权重的共识聚类的加权节点归属相似度矩阵；
对所述不同目标权重的共识聚类的加权节点归属相似度矩阵基于预设聚类方法进行处理，得到多目标电网阻塞分区结果。
可选地，对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，构建不同目标权重的共识聚类的加权节点归属相似度矩阵，按照如下公式进行计算：
S(w1,w2)＝w1H(1)(H(1))T+w2H(2)(H(2))T；
其中，S(w1,w2)为所述共识聚类的加权节点归属相似度矩阵，H(1)为所述静态特征的节点-分区关联矩阵，H(2)所述动态特征的节点-分区关联矩阵，w1为静态特征的节点-分区关联矩阵的目标权重，w2为动态特征的节点-分区关联矩阵的目标权重，w1,w2∈(0,1)，且满足w1+w2＝1。
可选地，对所述不同目标权重的共识聚类的加权节点归属相似度矩阵基于预设聚类方法进行处理，得到多目标电网阻塞分区结果，包括：
对每种目标权重的共识聚类的加权节点归属相似度矩阵进行归一化，得到每种目标权重的归一化相似度矩阵；
对所述每种目标权重的归一化相似度矩阵进行特征分解，得到每种目标权重的相似度特征矩阵；
使用所述预设聚类算法对所述每种目标权重的相似度特征矩阵进行聚类，得到多目标电网阻塞分区的帕累托前沿，作为所述多目标电网阻塞分区结果。
本申请实施例第二方面提供一种基于共识聚类的多目标电网阻塞分区装置，包括：
动态特征确定模块，用于根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵；
一般聚类模块，用于对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵；
共识聚类模块，用于对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，得到多目标电网阻塞分区结果。
其中，所述动态特征确定模块包括：
获取子模块，用于获取历史阻塞电价数据，构建历史阻塞电价矩阵；
动态矩阵子模块，用于根据所述历史阻塞电价矩阵，构建所述动态阻塞特性节点关联矩阵，所述动态阻塞特性节点关联矩阵按照如下方式进行构建：
R＝[Ri,j]1≤i,j≤N；
Ri,j＝-pi·pj,i≠j；
Ri,i＝∑j≠ipi·pj；
其中，R为所述动态阻塞特性节点关联矩阵，N为电网节点数，pi为所述历史阻塞电价矩阵P的第i列的列向量，pj为所述历史阻塞电价矩阵P的第j列的列向量。
所述一般聚类模块，包括：
归一化子模块，用于对所述静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行归一化，得到归一化后的静态阻塞特性节点关联矩阵和归一化后的动态阻塞特性节点关联矩阵；
特征分解子模块，用于对所述归一化后的静态阻塞特性节点关联矩阵和归一化后的动态阻塞特性节点关联矩阵分别进行特征分解，得到静态特征矩阵和动态特征矩阵；
一般聚类子模块，用于使用预设聚类算法对所述静态特征矩阵和动态特征矩阵分别进行聚类，得到所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵。
所述共识聚类模块，包括：
共识聚类子模块，用于对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，构建不同目标权重的共识聚类的加权节点归属相似度矩阵；
结果输出子模块，用于对所述不同目标权重的共识聚类的加权节点归属相似度矩阵基于预设聚类方法进行处理，得到多目标电网阻塞分区结果。
其中，所述结果输出子模块，包括：
归一化子单元，用于对每种目标权重的共识聚类的加权节点归属相似度矩阵进行归一化，得到每种目标权重的归一化相似度矩阵；
特征分解子单元，用于对所述每种目标权重的归一化相似度矩阵进行特征分解，得到每种目标权重的相似度特征矩阵；
一般聚类子单元，用于使用所述预设聚类算法对所述每种目标权重的相似度特征矩阵进行聚类，得到多目标电网阻塞分区的帕累托前沿，作为所述多目标电网阻塞分区结果。
本申请实施例第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现第一方面中任一所述的基于共识聚类的多目标电网阻塞分区方法中的步骤。
本申请实施例第四方面提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现第一方面中任一所述的基于共识聚类的多目标电网阻塞分区方法中的步骤。
本申请实施例第五方面提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现第一方面中任一所述的基于共识聚类的多目标电网阻塞分区方法中的步骤。
有益效果：
本申请公开了一种基于共识聚类的多目标电网阻塞分区方法及产品，通过根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵；对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵；对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，得到多目标电网阻塞分区结果。本申请通过分别从静态特征和动态特征的两种目标和特征下对电网阻塞进行分区，构建了多目标的电网分区结果以评估潜在的阻塞分区情况，且提高了分区精度，与当前电力系统阻塞分区的多目标需求相契合，能够更好的帮助电网调度运行。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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是本申请一实施例提出的基于共识聚类的多目标电网阻塞分区方法流程图；
图2是本申请一实施例提出的共识聚类算法流程图；
图3是本申请一实施例提出的一种基于共识聚类的多目标电网阻塞分区装置示意图；
图4是本申请一实施例提出的电子设备示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
相关技术中，通常以单一静态特征构建分区目标，以电网的导纳矩阵为分区依据，随后使用一定的聚类方法，如谱聚类等，实现电网的分区。此类方法虽然可以以较高效率实现电网分区，但未必与当前电力市场化改革格局下阻塞分区的多目标需求相契合，同时仅使用电网静态特性也无法取得较高的分区精度。
有鉴于此，本申请实施例提出一种基于共识聚类的多目标电网阻塞分区方法，图1示出了基于共识聚类的多目标电网阻塞分区方法流程图，如图1所示，包括如下步骤：
S101、根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵。
S102、对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵。
S103、对静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，得到多目标电网阻塞分区结果。
具体实施步骤S101时，获取一段历史时段内电网N个节点在电力现货市场出清的阻塞电价，作为历史阻塞电价数据，用于构建动态阻塞特性节点关联矩阵。
首先，设历史阻塞电价数据的历史时段共有T个，以符号t＝1,2,…,T表示历史时段T中的第t个时段，将历史阻塞电价数据表示为一个T×N的实数矩阵P作为历史阻塞电价矩阵，其中矩阵P的第t行反映对应时段的节点阻塞电价情况，阻塞电价越接近，则对应的节点的关联性就越强，在动态特征层面上来看，在进行电网阻塞分区时就更应当分到同一区域内。
然后，根据历史阻塞电价矩阵P构建动态阻塞特性节点关联矩阵R，动态阻塞特性节点关联矩阵R按照如下方式进行构建：
R＝[Ri,j]1≤i,j≤N；
Ri,j＝-pi·pj,i≠j；
Ri,i＝∑j≠ipi·pj；
其中，R为所述动态阻塞特性节点关联矩阵，N为电网节点数，pi为所述历史阻塞电价矩阵P的第i列的列向量，pj为所述历史阻塞电价矩阵P的第j列的列向量。
由此得到了动态阻塞特性节点关联矩阵，该矩阵R从动态特征表征了节点之间的动态阻塞关联性，通过后续的聚类处理可以从其中得出动态目标的阻塞分区评估情况。由于动态特征的动态阻塞特性节点关联矩阵源自历史电价数据，因此后续基于该动态特征的分区结果与历史发生的阻塞情况契合度高。
具体实施步骤S102时，首先要获取静态阻塞特性节点关联矩阵，在电力系统中，将电网节点导纳矩阵作为静态阻塞特性节点关联矩阵，其具体的获取方式如下：
假设电网共包含有N个节点，则节点导纳矩阵Y为N×N的实数矩阵。用整数1≤i,j≤N表示电网中的一对节点，用符号yi,j＝gi,j+jbi,j表示直接连接节点i,j的输电线路的导纳，其中yi,j的实部gi,j为电导，虚部bi,j为电纳。若节点i,j之间没有输电线路相连，则yi,j＝0。节点导纳矩阵Y＝[Yi,j]1≤i,j≤N的元素为：
Yi,j＝-yi,j,i≠j
Yi,i＝yi+∑j≠iyi,j；
至此得到了作为静态阻塞特性节点关联矩阵的节点导纳矩阵Y，该节点导纳矩阵由输电线路的参数直接决定，被认为是电网的静态物理参数，该静态阻塞特性节点关联矩阵表征了节点之间的静态阻塞关联性，通过后续的聚类处理可以从其中得出静态目标的阻塞分区评估情况。需要说明的是，对于动态阻塞特性节点关联矩阵R和静态阻塞特性节点关联矩阵Y的构建顺序，可以如本申请所述先构建动态阻塞特性节点关联矩阵R，再构建静态阻塞特性节点关联矩阵Y，也可以先构建静态阻塞特性节点关联矩阵Y，再构建动态阻塞特性节点关联矩阵R，本申请不作具体限制。
在得到了动态阻塞特性节点关联矩阵R和静态阻塞特性节点关联矩阵Y之后，先对所述静态阻塞特性节点关联矩阵Y和所述动态阻塞特性节点关联矩阵R分别进行归一化，得到归一化后的静态阻塞特性节点关联矩阵Yn和归一化后的动态阻塞特性节点关联矩阵Rn，具体的归一化过程如下：
定义对角矩阵Dy的对角元素与静态阻塞特性节点关联矩阵Y的对角元素完全相同，对角矩阵Dr的对角元素与动态阻塞特性节点关联矩阵R的对角元素完全相同，利用对角矩阵Dy和Dr对静态阻塞特性节点关联矩阵Y和动态阻塞特性节点关联矩阵R分别进行归一化：
其中，Dy和Dr为对角矩阵，Y为静态阻塞特性节点关联矩阵(节点导纳矩阵)，R为动态阻塞特性节点关联矩阵，Yn为归一化后的静态阻塞特性节点关联矩阵，Rn为归一化后的动态阻塞特性节点关联矩阵。
由于归一化后的静态阻塞特性节点关联矩阵Yn和归一化后的动态阻塞特性节点关联矩阵Rn均为实对称矩阵，所以可以对其进行特征分解。因此，对Yn和Rn分别进行特征分解，得到静态特征矩阵和动态特征矩阵，具体步骤如下：
设归一化后的静态阻塞特性节点关联矩阵Yn的特征向量按照对应特征值从小到大排列为归一化后的动态阻塞特性节点关联矩阵Rn按照对应特征值从小到大排列为/>设电网阻塞分区的目标分区数量为K，构造静态特征矩阵Vy和动态特征矩阵Vr：
然后使用预设聚类算法对所述静态特征矩阵Vy和动态特征矩阵Vr分别进行聚类，得到N×K维的静态特征的节点-分区关联矩阵H(1)和动态特征的节点-分区关联矩阵H(2)，其中，H(1)和H(2)中的元素取值为0或1，代表节点对分区的归属。
例如，当节点数N＝4，目标分区数量K＝2时，经过上述流程得到的静态特征的节点-分区关联矩阵H(1)和动态特征的节点-分区关联矩阵H(2)为如下所示的4×2维的矩阵：
静态特征的节点-分区关联矩阵H(1)的第一列表示分区1，第一列中元素取值为1的为第1个、第2个和第4个；第二列表示分区2，第二列中元素取值为1的为第3个。表示经过预设聚类算法聚类后，静态特征下的节点1、节点2和节点4归属于分区1，节点3归属于分区2。
动态特征的节点-分区关联矩阵H(2)的第一列表示分区1，第一列中元素取值为1的为第2个和第3个；第二列表示分区2，第二列中元素取值为1的为第1个和第4个。表示经过预设聚类算法聚类后，动态特征下的节点2和节点3归属于分区1，节点1和节点4归属于分区2。
例如，当节点数N＝4，目标分区数量K＝3时，经过上述流程得到的静态特征的节点-分区关联矩阵H(1)和动态特征的节点-分区关联矩阵H(2)为如下所示的4×3维的矩阵：
静态特征的节点-分区关联矩阵H(1)的第一列表示分区1，第一列中元素取值为1的为第1个和第4个；第二列表示分区2，第二列中元素取值为1的为第3个；第三列表示分区3，第三列中元素取值为1的为第2个。表示经过预设聚类算法聚类后，静态特征下的节点1和节点4归属于分区1，节点3归属于分区2，节点2归属于分区3。
动态特征的节点-分区关联矩阵H(2)的第一列表示分区1，第一列中元素取值为1的为第1个和第2个；第二列表示分区2，第二列中元素取值为1的为第3个；第三列表示分区3，第三列中元素取值为1的为第4个。表示经过预设聚类算法聚类后，动态特征下的节点1和节点2归属于分区1，节点3归属于分区2，节点4归属与分区3。
需要说明的是，本申请实施例中的上述预设聚类算法采用K-均值聚类算法，具体应用时可以替代为其他一般性的聚类算法，在此本申请不作限制。
至此得到了分别从动态特征和静态特征两种不同目标，对节点的分区归属所做出的判断，构建了多目标的电网分区结果以评估潜在的阻塞分区情况，兼顾了电网输电线路的静态特性和基于历史电价数据的动态特性，有助于分区内的功率平衡调度，与当前电力系统阻塞分区的多目标需求相契合。
由于实际应用中，静态特征和动态特征对于阻塞分区的判断的准确度基于实际场景的差异有所不同，为了解决其带来的差异，需要根据共识聚类算法，对上述步骤S102得到的静态特征的节点-分区关联矩阵H(1)和动态特征的节点-分区关联矩阵H(2)进行不同目标权重的调整，得到不同的目标权重下的多目标电网阻塞分区结果。
具体执行步骤S103时，图2示出了共识聚类算法流程图，如图2所示，包括如下步骤：
S103-1、构建不同目标权重的共识聚类的加权节点归属相似度矩阵。
首先对所述静态特征的节点-分区关联矩阵H(1)和动态特征的节点-分区关联矩阵H(2)赋予不同的目标权重，构建不同目标权重的共识聚类的加权节点归属相似度矩阵S，具体的构建过程如下：
其中，S(w1,w2)为所述共识聚类的加权节点归属相似度矩阵，H(1)为所述静态特征的节点-分区关联矩阵，H(2)所述动态特征的节点-分区关联矩阵，w1为静态特征的节点-分区关联矩阵的目标权重，w2为动态特征的节点-分区关联矩阵的目标权重，w1,w2∈(0,1)，且满足w1+w2＝1。
S103-2、对每种目标权重的共识聚类的加权节点归属相似度矩阵进行归一化，得到每种目标权重的归一化相似度矩阵。
然后，对所述不同目标权重的共识聚类的加权节点归属相似度矩阵基于预设聚类方法进行处理，得到多目标电网阻塞分区结果。具体而言，对每种目标权重的共识聚类的加权节点归属相似度矩阵S进行归一化，得到每种目标权重的归一化相似度矩阵，具体的归一化过程可以参见上述步骤S102中的矩阵Y和矩阵R的归一化过程，此处不再赘述。
S103-3、对每种目标权重的归一化相似度矩阵进行特征分解，得到每种目标权重的相似度特征矩阵。
对所述每种目标权重的归一化相似度矩阵进行特征分解，得到每种目标权重的相似度特征矩阵Vs。具体的特征矩阵构建过程可以参见上述步骤S102中的静态特征矩阵Vy和动态特征矩阵Vr的构建过程，此处不再赘述。得到的每种目标权重的相似度特征矩阵Vs：
其中，为归一化后共识聚类的加权节点归属相似度矩阵S的前K个特征向量。
S103-4、使用预设聚类算法对每种目标权重的相似度特征矩阵进行聚类，得到多目标电网阻塞分区结果。
使用所述预设聚类算法对所述每种目标权重的相似度特征矩阵进行聚类，得到每种目标权重的结果，即多目标电网阻塞分区的帕累托前沿，将其作为所述多目标电网阻塞分区结果。需要说明的是，本申请实施例中的上述预设聚类算法采用K-均值聚类算法，具体应用时可以替代为其他一般性的聚类算法，在此本申请不作限制。
本申请实施例公开了一种基于共识聚类的多目标电网阻塞分区方法及产品，通过根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵；对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵；对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，得到多目标电网阻塞分区结果。本申请通过分别从静态特征和动态特征的两种目标和特征下对电网阻塞进行分区，构建了多目标的电网分区结果以评估潜在的阻塞分区情况，且提高了分区精度，与当前电力系统阻塞分区的多目标需求相契合，能够更好的帮助电网调度运行。
基于同一发明构思，本申请实施例公开一种基于共识聚类的多目标电网阻塞分区装置，图3示出了一种基于共识聚类的多目标电网阻塞分区装置示意图，如图3所示，包括：
动态特征确定模块，用于根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵；
一般聚类模块，用于对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵；
共识聚类模块，用于对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，得到多目标电网阻塞分区结果。
其中，所述动态特征确定模块包括：
获取子模块，用于获取历史阻塞电价数据，构建历史阻塞电价矩阵；
动态矩阵子模块，用于根据所述历史阻塞电价矩阵，构建所述动态阻塞特性节点关联矩阵，所述动态阻塞特性节点关联矩阵按照如下方式进行构建：
R＝[Ri,j]1≤i,j≤N；
Ri,j＝-pi·pj,i≠j；
Ri,i＝∑j≠ipi·pj；
其中，R为所述动态阻塞特性节点关联矩阵，N为电网节点数，pi为所述历史阻塞电价矩阵P的第i列的列向量，pj为所述历史阻塞电价矩阵P的第j列的列向量。
所述一般聚类模块，包括：
归一化子模块，用于对所述静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行归一化，得到归一化后的静态阻塞特性节点关联矩阵和归一化后的动态阻塞特性节点关联矩阵；
特征分解子模块，用于对所述归一化后的静态阻塞特性节点关联矩阵和归一化后的动态阻塞特性节点关联矩阵分别进行特征分解，得到静态特征矩阵和动态特征矩阵；
一般聚类子模块，用于使用预设聚类算法对所述静态特征矩阵和动态特征矩阵分别进行聚类，得到所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵。
所述共识聚类模块，包括：
共识聚类子模块，用于对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，构建不同目标权重的共识聚类的加权节点归属相似度矩阵；
结果输出子模块，用于对所述不同目标权重的共识聚类的加权节点归属相似度矩阵基于预设聚类方法进行处理，得到多目标电网阻塞分区结果。
其中，所述结果输出子模块，包括：
归一化子单元，用于对每种目标权重的共识聚类的加权节点归属相似度矩阵进行归一化，得到每种目标权重的归一化相似度矩阵；
特征分解子单元，用于对所述每种目标权重的归一化相似度矩阵进行特征分解，得到每种目标权重的相似度特征矩阵；
一般聚类子单元，用于使用所述预设聚类算法对所述每种目标权重的相似度特征矩阵进行聚类，得到多目标电网阻塞分区的帕累托前沿，作为所述多目标电网阻塞分区结果。
基于同一发明构思，本申请实施例公开了一种电子设备，图4示出了本申请实施例公开的电子设备示意图，如图4所示，电子设备100包括：存储器110和处理器120，存储器110与处理器120之间通过总线通信连接，存储器110中存储有计算机程序，该计算机程序可在处理器120上运行，以实现本申请实施例公开的基于共识聚类的多目标电网阻塞分区方法中的步骤。
基于同一发明构思，本申请实施例公开了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请实施例公开的基于共识聚类的多目标电网阻塞分区方法中的步骤。
基于同一发明构思，本申请还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请实施例公开的基于共识聚类的多目标电网阻塞分区方法中的步骤。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本发明实施例是参照根据本发明实施例的方法、装置、电子设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的基于共识聚类的多目标电网阻塞分区方法及产品，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于共识聚类的多目标电网阻塞分区方法，其特征在于，包括：
获取历史阻塞电价数据，构建历史阻塞电价矩阵；
根据所述历史阻塞电价矩阵，构建动态阻塞特性节点关联矩阵，所述动态阻塞特性节点关联矩阵按照如下方式进行构建：
R＝[Ri,j]1≤i,j≤N
Ri,j＝-pi·pj,i≠j
Ri,i＝∑j≠ipi·pj
其中，R为所述动态阻塞特性节点关联矩阵，Ri,j为所述动态阻塞特性节点关联矩阵中第i行第j列的元素，Ri,i为所述动态阻塞特性节点关联矩阵中第i行第i列的元素，pi为所述历史阻塞电价矩阵P的第i列的列向量，pj为所述历史阻塞电价矩阵P的第j列的列向量；
对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵，所述静态阻塞特性节点关联矩阵为节点导纳矩阵Y＝[Yi,j]1≤i,j≤N，其中，Y为所述节点导纳矩阵，Yi,j为所述节点导纳矩阵中第i行第j列的元素；
对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，构建不同目标权重的共识聚类的加权节点归属相似度矩阵；
对每种目标权重的共识聚类的加权节点归属相似度矩阵进行归一化，得到每种目标权重的归一化相似度矩阵；
对所述每种目标权重的归一化相似度矩阵进行特征分解，得到每种目标权重的相似度特征矩阵；
使用预设聚类算法对所述每种目标权重的相似度特征矩阵进行聚类，得到多目标电网阻塞分区的帕累托前沿，作为多目标电网阻塞分区结果。
2.根据权利要求1所述的基于共识聚类的多目标电网阻塞分区方法，其特征在于，对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵，包括：
对所述静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行归一化，得到归一化后的静态阻塞特性节点关联矩阵和归一化后的动态阻塞特性节点关联矩阵；
对所述归一化后的静态阻塞特性节点关联矩阵和归一化后的动态阻塞特性节点关联矩阵分别进行特征分解，得到静态特征矩阵和动态特征矩阵；
使用预设聚类算法对所述静态特征矩阵和动态特征矩阵分别进行聚类，得到所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵。
3.根据权利要求1所述的基于共识聚类的多目标电网阻塞分区方法，其特征在于，对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，构建不同目标权重的共识聚类的加权节点归属相似度矩阵，按照如下公式进行计算：
其中，S(w1,w2)为所述共识聚类的加权节点归属相似度矩阵，H(1)为所述静态特征的节点-分区关联矩阵，H(2)所述动态特征的节点-分区关联矩阵，w1为静态特征的节点-分区关联矩阵的目标权重，w2为动态特征的节点-分区关联矩阵的目标权重，w1,w2∈(0,1)，且满足w1+w2＝1。
4.一种基于共识聚类的多目标电网阻塞分区装置，其特征在于，包括：
获取模块，用于获取历史阻塞电价数据，构建历史阻塞电价矩阵；
动态特征确定模块，用于根据历史阻塞电价数据，构建动态阻塞特性节点关联矩阵，所述动态阻塞特性节点关联矩阵按照如下方式进行构建：
R＝[Ri,j]1≤i,j≤N
Ri,j＝-pi·pj,i≠j
Ri,i＝∑j≠ipi·pj
其中，R为所述动态阻塞特性节点关联矩阵，Ri,j为所述动态阻塞特性节点关联矩阵中第i行第j列的元素，Ri,i为所述动态阻塞特性节点关联矩阵中第i行第i列的元素，pi为所述历史阻塞电价矩阵P的第i列的列向量，pj为所述历史阻塞电价矩阵P的第j列的列向量；
一般聚类模块，用于对静态阻塞特性节点关联矩阵和所述动态阻塞特性节点关联矩阵分别进行聚类，得到静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵，所述静态阻塞特性节点关联矩阵为节点导纳矩阵Y＝[Yi,j]1≤i,j≤N，其中，Y为所述节点导纳矩阵，Yi,j为所述节点导纳矩阵中第i行第j列的元素；
共识聚类模块，用于对所述静态特征的节点-分区关联矩阵和动态特征的节点-分区关联矩阵赋予不同的目标权重，构建不同目标权重的共识聚类的加权节点归属相似度矩阵；
归一化模块，用于对每种目标权重的共识聚类的加权节点归属相似度矩阵进行归一化，得到每种目标权重的归一化相似度矩阵；
特征分解模块，用于对所述每种目标权重的归一化相似度矩阵进行特征分解，得到每种目标权重的相似度特征矩阵；
结果输出模块，用于使用预设聚类算法对所述每种目标权重的相似度特征矩阵进行聚类，得到多目标电网阻塞分区的帕累托前沿，作为多目标电网阻塞分区结果。
5.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1-3中任一所述的基于共识聚类的多目标电网阻塞分区方法中的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-3中任一所述的基于共识聚类的多目标电网阻塞分区方法中的步骤。
7.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-3中任一所述的基于共识聚类的多目标电网阻塞分区方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211228484.6A CN115496392B (zh) | 2022-10-08 | 2022-10-08 | 一种基于共识聚类的多目标电网阻塞分区方法及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211228484.6A CN115496392B (zh) | 2022-10-08 | 2022-10-08 | 一种基于共识聚类的多目标电网阻塞分区方法及产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115496392A CN115496392A (zh) | 2022-12-20 |
| CN115496392B true CN115496392B (zh) | 2023-10-10 |
Family
ID=84474288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211228484.6A Active CN115496392B (zh) | 2022-10-08 | 2022-10-08 | 一种基于共识聚类的多目标电网阻塞分区方法及产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115496392B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105356450A (zh) * | 2015-10-28 | 2016-02-24 | 国家电网公司西北分部 | 一种基于动态电价的电网分区方法 |
| CN107017618A (zh) * | 2017-03-15 | 2017-08-04 | 中国电力科学研究院 | 一种有源配电网供电区域划分方法及装置 |
| CN108429257A (zh) * | 2018-03-26 | 2018-08-21 | 东北电力大学 | 基于负荷点聚类分区并计及地理因素的配电网网架规划方法 |
| CN109378819A (zh) * | 2018-10-25 | 2019-02-22 | 国网新疆电力有限公司经济技术研究院 | 基于谱聚类及模块度校验的电力系统电压分区方法及系统 |
| CN110137951A (zh) * | 2019-05-16 | 2019-08-16 | 广东电力交易中心有限责任公司 | 基于节点电价的市场分区方法及装置 |
| CN110533280A (zh) * | 2019-07-15 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种电力市场的动态分区方法及系统 |
| CN110796312A (zh) * | 2019-10-30 | 2020-02-14 | 广东电网有限责任公司 | 一种电网分区方法 |
| CN112507601A (zh) * | 2020-10-12 | 2021-03-16 | 国网浙江省电力有限公司杭州供电公司 | 一种基于谱聚类的电力系统分区备用配置方法 |
| CN113078653A (zh) * | 2021-04-25 | 2021-07-06 | 广东电网有限责任公司湛江供电局 | 一种基于电气距离与K-means聚类算法的配电网分区方法 |
-
2022
- 2022-10-08 CN CN202211228484.6A patent/CN115496392B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105356450A (zh) * | 2015-10-28 | 2016-02-24 | 国家电网公司西北分部 | 一种基于动态电价的电网分区方法 |
| CN107017618A (zh) * | 2017-03-15 | 2017-08-04 | 中国电力科学研究院 | 一种有源配电网供电区域划分方法及装置 |
| CN108429257A (zh) * | 2018-03-26 | 2018-08-21 | 东北电力大学 | 基于负荷点聚类分区并计及地理因素的配电网网架规划方法 |
| CN109378819A (zh) * | 2018-10-25 | 2019-02-22 | 国网新疆电力有限公司经济技术研究院 | 基于谱聚类及模块度校验的电力系统电压分区方法及系统 |
| CN110137951A (zh) * | 2019-05-16 | 2019-08-16 | 广东电力交易中心有限责任公司 | 基于节点电价的市场分区方法及装置 |
| CN110533280A (zh) * | 2019-07-15 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种电力市场的动态分区方法及系统 |
| CN110796312A (zh) * | 2019-10-30 | 2020-02-14 | 广东电网有限责任公司 | 一种电网分区方法 |
| CN112507601A (zh) * | 2020-10-12 | 2021-03-16 | 国网浙江省电力有限公司杭州供电公司 | 一种基于谱聚类的电力系统分区备用配置方法 |
| CN113078653A (zh) * | 2021-04-25 | 2021-07-06 | 广东电网有限责任公司湛江供电局 | 一种基于电气距离与K-means聚类算法的配电网分区方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈雨果等.基于耦合邻接相似度和谱聚类的电网分区策 略及其对现货市场分区定价机制的启示.中国电机工程学会电力市场专委会2019 年年会暨全国电力交易机构联盟论坛论文集.2019,正文全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115496392A (zh) | 2022-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108416695B (zh) | 基于深度学习的电力负荷概率密度预测方法和系统、介质 | |
| Thanh et al. | Short-term three-phase load prediction with advanced metering infrastructure data in smart solar microgrid based convolution neural network bidirectional gated recurrent unit | |
| Durvasulu et al. | Market‐based generator cost functions for power system test cases | |
| CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
| CN116167581A (zh) | 电池需求量预估方法、装置、调度方法和计算机设备 | |
| CN116826699A (zh) | 光伏集群功率预测方法、装置、设备及介质 | |
| CN111198670B (zh) | 执行矩阵乘法运算的方法、电路及soc | |
| CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 | |
| CN115496392B (zh) | 一种基于共识聚类的多目标电网阻塞分区方法及产品 | |
| CN112561138B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| CN108694475A (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN114169923A (zh) | 光伏电站功率预测方法、系统、终端及存储介质 | |
| CN109449972A (zh) | 配电线路选型方法和装置 | |
| CN112308197B (zh) | 一种卷积神经网络的压缩方法、装置及电子设备 | |
| CN113704750A (zh) | 分布式发电系统的网络攻击检测方法、装置及终端设备 | |
| CN114461619A (zh) | 能源互联网多源数据融合方法、装置、终端及存储介质 | |
| Pinto et al. | Solar intensity characterization using data-mining to support solar forecasting | |
| CN111652449A (zh) | 一种基于条件随机场模型预测短期光伏发电系统发电量的系统模型 | |
| CN116662415B (zh) | 基于数据挖掘的智能匹配方法及系统 | |
| CN109614688A (zh) | 一种负荷管理模型的优化方法、装置、介质及电子设备 | |
| CN117217822B (zh) | 电力交易指数预测的方法、装置、终端设备及存储介质 | |
| CN113435915B (zh) | 用户窃电行为检测方法、装置、设备及存储介质 | |
| CN117057227A (zh) | 一种光伏电站等值建模方法及相关装置 | |
| CN113744026A (zh) | 一种基于阶梯报价的数据分析方法及装置 | |
| CN114240208A (zh) | 在险价值确定方法、装置、设备、介质及产品 |
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 |