CN115589000A - 一种基于典型负荷归类的地区电压调整优化方法和系统 - Google Patents

一种基于典型负荷归类的地区电压调整优化方法和系统 Download PDF

Info

Publication number
CN115589000A
CN115589000A CN202211587692.5A CN202211587692A CN115589000A CN 115589000 A CN115589000 A CN 115589000A CN 202211587692 A CN202211587692 A CN 202211587692A CN 115589000 A CN115589000 A CN 115589000A
Authority
CN
China
Prior art keywords
load
curve
reactive power
typical
voltage
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
CN202211587692.5A
Other languages
English (en)
Other versions
CN115589000B (zh
Inventor
蔡孟桥
王星华
何平
朱名权
郭学才
许云程
余越洋
刘怡乐
陈泳良
王海峰
曾琦
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.)
Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Yangjiang Power Supply Bureau of Guangdong Power Grid 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 Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Yangjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202211587692.5A priority Critical patent/CN115589000B/zh
Publication of CN115589000A publication Critical patent/CN115589000A/zh
Application granted granted Critical
Publication of CN115589000B publication Critical patent/CN115589000B/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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/16—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by adjustment of reactive power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • H02J3/1821—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators
    • H02J3/1835—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control
    • H02J3/1864—Arrangements for adjusting, eliminating or compensating reactive power in networks using shunt compensators with stepless control wherein the stepless control of reactive power is obtained by at least one reactive element connected in series with a semiconductor switch
    • 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
    • H02J3/18—Arrangements for adjusting, eliminating or compensating reactive power in networks
    • H02J3/1878—Arrangements for adjusting, eliminating or compensating reactive power in networks using tap changing or phase shifting transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/30—Reactive power compensation

Abstract

本发明提供了一种基于典型负荷归类的地区电压调整优化方法和系统，本发明综合考虑二次侧电压、变压器分接头及无功补偿装置的调整次数作为约束条件，建立无功优化模型。将负荷预测作为实现变电站无功电压优化的基础，提前预判无功负荷变化趋势及电压波动情况。运用无功优化模型分析典型负荷曲线，离线得到无功调整策略库。通过识别负荷短期预测曲线的特征，自动匹配典型负荷曲线，调取相对应的无功控制策略开展优化。当短期预测曲线出现非典型情况时，也可以在线生成无功策略，并实时更新到策略库中，保证当前电压无功调整策略为最优。本发明在满足电压质量的前提下，降低了设备的损耗，同时使得无功调整得到快速响应，提升智能化运维水平。

Description

一种基于典型负荷归类的地区电压调整优化方法和系统
技术领域
本发明属于电力系统无功控制技术领域，具体涉及一种基于典型负荷归类的地区电压调整优化方法和系统。
背景技术
随着社会和经济的发展，电能的应用愈趋广泛，电网结构也日趋复杂。目前我国经济和电网建设仍处于高质量发展的阶段，高技术及制造业等耗能产业在蓬勃发展，电力需求和负荷模式的变化意味着对电压合格率、供电可靠性也提出了更高的要求，电能质量问题面临着严峻的挑战。
在电力系统中，电压是衡量电能质量的一项重要指标之一，关系到供电的安全、可靠及优质，要保证供电用户的电压波动在其额定电压值偏移允许的范围。电压波动过大，会影响设备的使用寿命，威胁到系统的安全稳定运行，甚至引起电压崩溃造成大面积停电事故。长期的研究结果表明，造成电压质量下降的主要原因是系统无功功率不足或无功功率分布不合理，所以电压调整问题主要是无功功率的补偿与分布问题。
现有对于电压无功控制的研究主要分为两种，一种是基于控制区域划分的九区图形式及其改进版，另一种是基于人工智能的控制策略。然而，传统九区图存在未考虑实际电压和无功功率潜在的相关关系、设备损耗率可能较高以及设备反复动作与振荡现象的问题，基于人工智能的控制策略则存在主观性与非灵活性、不适用于实时无功控制以及不适用于发展较快的电网结构的问题。
发明内容
有鉴于此，本发明旨在解决现有对于电压无功控制的方法中，基于传统九区图以及人工智能的控制策略存在的上述技术问题。
为了解决上述技术问题，本发明提供以下技术方案：
一种基于典型负荷归类的地区电压调整优化方法，包括如下步骤：
基于变电站SCADA系统，以设定采样频率对电站负荷数据进行采集，获得负荷曲线原始数据集，对负荷曲线原始数据集进行数据筛选，得到负荷曲线历史数据；
对负荷曲线历史数据利用负荷预测模型进行负荷预测，得到负荷预测曲线；
对负荷曲线历史数据利用聚类分析模型进行聚类分析，得到若干种典型的负荷曲线类型；
对典型负荷曲线利用无功优化模型进行无功优化求解，得到典型负荷曲线的无功调整策略，并保存在知识策略库，无功优化模型以有载调压抽头调整次数、电容器投切次数及网损最小为优化目标，将潮流、母线电压上下限、有载调压抽头数及电容器数量作为约束条件，并基于改进遗传算法求解；
将负荷预测曲线与典型负荷曲线进行匹配，并调用匹配到的典型负荷曲线所对应的无功调整策略进行电压控制；若没有匹配到相似的典型负荷曲线，则对负荷预测曲线利用无功优化模型进行无功优化求解，得到实时生成的无功调整策略，同时利用实时生成的无功调整策略更新知识策略库。
进一步的，负荷预测模型基于BP神经网络开展，负荷预测模型的建立过程具体包括：
将变电站设定时间段内的负荷数据采集作为样本数据集，其中，以设定时间段内任意前两天历史数据作为负荷预测模型的输入量，以后一天的历史数据作为输出量，并将样本数据集划分为训练集和测试集；
选择BP神经网络的结构以及各层级的传递函数；
对样本数据集进行归一化处理；
设置BP神经网络的训练参数，利用处理后的样本数据集对BP神经网络进行负荷预测训练，得到负荷预测模型。
进一步的，聚类分析模型基于改进K-means算法开展，聚类分析模块的聚类分析过程具体包括：
根据变电站每日负荷数据得到负荷曲线，计算负荷曲线的曲线斜率；
计算出任意两条负荷曲线的欧式距离，并计算以每条负荷曲线为中心的密度参数；
以初始聚类数目开始进行循环计算，每次循环均对聚类数目加1，得到各个循环对应聚类数目下的聚类中心曲线及对应
Figure 257034DEST_PATH_IMAGE001
值，
Figure 783962DEST_PATH_IMAGE001
值为类内距离之和与类外距离的比值；
选取
Figure 203180DEST_PATH_IMAGE001
数值最小时所对应的聚类数目为最佳聚类数目。
进一步的，无功优化模型基于改进算法进行开展，无功优化模型的无功优化过程具体包括：
将典型负荷曲线进行最优分段，并对每一段负荷曲线进行负荷预测，选取预测电压超越限值的分段进行无功优化；
将主变分接头位置和电容器数量作为自变量，主变分接头调整次数、电容器投切次数最少及网损最小作为目标函数，以功率潮流、母线电压上下限、主变分接头位置及电容器投切调整范围作约束条件，基于改进遗传算法进行求解。
进一步的，基于负荷预测曲线得到对应的无功调整策略，还包括：
当全部电容器均投入时，将主变抽头的位置数调整到最小值，当变低侧电压低于下限值时，向上级电站发出预警；
当全部电容器均退出时，将主变抽头的位置数调整到最大值，当变低侧电压高于上限值时，向上级电站发出预警。
第二方面，本发明提供了一种基于典型负荷归类的地区电压调整优化系统，包括：
数据采集单元，用于基于变电站SCADA系统，以设定采样频率对电站负荷数据进行采集，获得负荷曲线原始数据集，对负荷曲线原始数据集进行数据筛选，得到负荷曲线历史数据；
负荷预测单元，用于对负荷曲线历史数据利用负荷预测模型进行负荷预测，得到负荷预测曲线；
聚类分析单元，用于对负荷曲线历史数据利用聚类分析模型进行聚类分析，得到若干种典型的负荷曲线类型；
典型策略单元，用于对典型负荷曲线利用无功优化模型进行无功优化求解，得到典型负荷曲线的无功调整策略，并保存在知识策略库，无功优化模型以有载调压抽头调整次数、电容器投切次数及网损最小为优化目标，将潮流、母线电压上下限、有载调压抽头数及电容器数量作为约束条件，并基于改进遗传算法求解；
实时策略单元，用于将负荷预测曲线与典型负荷曲线进行匹配，并调用匹配到的典型负荷曲线所对应的无功调整策略进行电压控制；若没有匹配到相似的典型负荷曲线，则进入典型策略单元，对负荷预测曲线利用无功优化模型进行无功优化求解，得到实时生成的无功调整策略，同时利用实时生成的无功调整策略更新知识策略库。
进一步的，在负荷预测单元中，负荷预测模型基于BP神经网络开展，负荷预测模型的建立过程具体包括：
将变电站设定时间段内的负荷数据采集作为样本数据集，其中，以设定时间段内任意前两天历史数据作为负荷预测模型的输入量，以后一天的历史数据作为输出量，并将样本数据集划分为训练集和测试集；
选择BP神经网络的结构以及各层级的传递函数；
对样本数据集进行归一化处理；
设置BP神经网络的训练参数，利用处理后的样本数据集对BP神经网络进行负荷预测训练，得到负荷预测模型。
进一步的，在聚类分析单元中，聚类分析模型基于改进K-means算法开展，聚类分析模块的聚类分析过程具体包括：
根据变电站每日负荷数据得到负荷曲线，计算负荷曲线的曲线斜率；
计算出任意两条负荷曲线的欧式距离，并计算以每条负荷曲线为中心的密度参数；
以初始聚类数目开始进行循环计算，每次循环均对聚类数目加1，得到各个循环对应聚类数目下的聚类中心曲线及对应
Figure 536072DEST_PATH_IMAGE001
值，
Figure 458766DEST_PATH_IMAGE001
值为类内距离之和与类外距离的比值；
选取
Figure 484491DEST_PATH_IMAGE001
数值最小时所对应的聚类数目为最佳聚类数目。
进一步的，在典型策略单元中，无功优化模型基于改进算法进行开展，无功优化模型的无功优化过程具体包括：
将典型负荷曲线进行最优分段，并对每一段负荷曲线进行负荷预测，选取预测电压超越限值的分段进行无功优化；
将主变分接头位置和电容器数量作为自变量，主变分接头调整次数、电容器投切次数最少及网损最小作为目标函数，以功率潮流、母线电压上下限、主变分接头位置及电容器投切调整范围作约束条件，基于改进遗传算法进行求解。
进一步的，还包括预警单元，预警单元具体用于：
当全部电容器均投入时，将主变抽头的位置数调整到最小值，当变低侧电压低于下限值时，向上级电站发出预警；
当全部电容器均退出时，将主变抽头的位置数调整到最大值，当变低侧电压高于上限值时，向上级电站发出预警。
综上，本发明提供了一种基于典型负荷归类的地区电压调整优化方法和系统，本发明综合考虑二次侧电压、变压器分接头及无功补偿装置的调整次数作为约束条件，建立无功优化模型。将负荷预测作为实现变电站无功电压优化的基础，提前预判无功负荷变化趋势及电压波动情况。同时基于变电站数据采集与负荷曲线特性指标，对历史负荷曲线进行归纳分类。得到典型负荷曲线。结合负荷短期预测结果，能迅速判别未来一天负荷曲线的变化类型，为无功电压调整决策提供参考，提升无功调整的响应率。最后运用无功优化模型分析典型负荷曲线，离线得到无功调整策略库。通过识别负荷短期预测曲线的特征，自动匹配典型负荷曲线，调取相对应的无功控制策略开展优化。当短期预测曲线出现非典型情况时，也可以在线生成无功策略，并实时更新到策略库中，保证当前电压无功调整策略为最优。本发明在满足电压质量的前提下，降低了设备的损耗，同时使得无功调整得到快速响应，提升智能化运维水平。
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简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的基于典型负荷归类的地区电压调整优化方法的流程框图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
当前，电压无功控制的主要手段，是通过改变有载变压器抽头和无功补偿装置的形式进行，这是电压无功控制的底层执行单元。我国大部分电网实行电压三级控制模式，变电站作为三级执行子站，通过AVC（自动电压控制）接入该模式中。AVC对电压控制分为集中控制和分散控制，本方法主要研究在分散模式下，变电站对电容器投切和有载调压抽头调整的控制策略，目的是减少无功控制设备的动作次数，提高使用寿命，同时又使系统电压满足要求、网损最小。
目前无功优化策略取得了许多成果，主要分为两大类。基于控制区域划分的控制策略如九区图在实际运用中响应迅速、一目了然，但仍存在一些问题和不足之处，传统九区图通过电压和无功功率两个指标按照理想状态开展的。一是在实际运用中，九区图边际会受到温度、负荷、天气等因素影响，且二者关系在传统九区图控制中被割裂开，没有考虑潜在相互关系。二是有载调压抽头和投切电容二者的优先级没有列明，也没有对动作次数有约束限制，造成设备的频繁投切与有载调压抽头的调整，增加了设备的损耗率。三是有载调压抽头和电容器投切先后顺序影响不同，容易造成设备反复动作与振荡现象。
基于人工智能的控制策略以下几种：一是结合模糊控制的九区图方法，但其无功控制规则一般是基于九区图或者是经验所得，在实际调整中对样本数据特征缺乏考虑，无功调节带有主观性与非灵活性。二是结合专家系统的区域控制。其有一定的局限性，一般常用于在离线系统分析，实时无功控制方面的研究还需进一步深入。三是结合人工神经网络的无功控制。其相较于专家系统，具有实时性、处理速度快等特点，但训练时间比较久，学习速度较慢且结果容易局部收敛；不适用于发展较快的电网结构；对突发情况的响应较差，不能辅助运行人员做好决策推断。
基于此，本发明提供了一种基于典型负荷归类的地区电压调整优化方法和系统。
以下对本发明的一种基于典型负荷归类的地区电压调整优化方法的实施例进行详细的介绍。
本实施例提供一种基于典型负荷归类的地区电压调整优化方法，包括如下步骤：
步骤1：基于变电站SCADA系统，以设定采样频率，对电站母线电压、无功功率及有功功率进行采集，获得负荷曲线原始数据集，对原始数据集进行数据筛选后，得到负荷曲线历史数据。
步骤2：将负荷曲线历史数据导入负荷预测模型，基于该模型预测未来一天的负荷曲线。
步骤3：将处理后的负荷曲线历史数据导入聚类分析模型，通过欧氏距离与曲线斜率分析将负荷曲线历史数据进行归纳分类，总结出几种典型的负荷曲线类型。
步骤4：将典型负荷曲线导入无功优化模块进行无功优化求解。无功优化模块以有载调压抽头调整次数、电容器投切次数及网损最小为优化目标，将潮流、母线电压上下限、有载调压抽头数及电容器数量作为约束条件，构建非线性规划多目标约束模型，并基于改进遗传算法求解，最终得到典型负荷曲线的无功补偿装置的调整方案，并储存为知识策略库。
步骤5：策略生成包括两种情况。一般将负荷预测曲线通过数据匹配与曲线特征指标，在数据库中搜索相似的典型负荷曲线，并调取该典型负荷曲线对应的无功调整策略进行电压控制，以满足无功调整快速响应；当在数据库中并未检索出对应典型负荷曲线时，将预测曲线导入无功优化模型实时生成相应调整策略，并及时将该策略更新至策略库中。
图1是本实施例的一种基于典型负荷归类的地区电压调整优化方法流程框图。以下结合图1对上述步骤进行详细介绍。
在一个可选的实施例中，负荷预测模型基于BP神经网络开展，负荷预测模型建立包括以下几个步骤：
步骤1）确定负荷预测模型的输入量与输出量，在预测中，将有功与无功预测分开，输入量为历史负荷信息，将变电站三个月的数据采集作为样本数据集。历史负荷信息采样频率为一天96个采样点，负荷预测以前两天历史数据为输入量共192个采样点，后一天的负荷数据作为输出量。同时将三个月前80%样本数据作为BP神经网络的训练集，后20%样本数据作为BP神经网络的测试集，最后两天作为负荷预测样本。
步骤2）确定BP神经网络的结构及各层级传递函数。BP神经网络的结构为三层结构，其输入层节点为192个采样点，其输出层节点为第三天对应的96个采样点，其隐含层节点数通过公式（1）来确定：
Figure 626891DEST_PATH_IMAGE002
（1）
式中，N为隐含层节点个数，L为输入层节点个数；
BP神经网络传递函数采用双曲线激活传递函数，其输出层采用线性传递函数。
步骤3）对样本数据集进行归一化处理，通过公式（2）来计算：
Figure 262009DEST_PATH_IMAGE003
（2）
式中，
Figure 602992DEST_PATH_IMAGE004
为归一化数值，
Figure 799618DEST_PATH_IMAGE005
为输入数据，
Figure 491630DEST_PATH_IMAGE006
与
Figure 664860DEST_PATH_IMAGE007
为输入数据的最大值与最小值。
步骤4）设置BP神经网络的学习率、目标精度及迭代次数等训练参数，调用MATLAB中关于BP神经网络的函数，提取出神经网络中的权值与阈值，并进行预测。
在一个可选的实施例中，聚类分析模型基于改进K-means算法开展，聚类分析模型的聚类分析流程包括：
步骤1）对变电站每日负荷曲线数据进行汇总，三个月共90条曲线，每条曲线96个采样点，获得90×96的原始数据矩阵。通过公式（3）对原始数据进行曲线斜率求解，公式如下所示：
Figure 125929DEST_PATH_IMAGE008
（3）
式中，
Figure 493456DEST_PATH_IMAGE009
是第k条曲线的第i个采样点，
Figure 407186DEST_PATH_IMAGE010
是第k条曲线的第i-1个采样点。
得到相应动态数据矩阵，并确定初始聚类数目为2、迭代次数为1000和最大聚类数目
Figure 384107DEST_PATH_IMAGE011
，N为历史负荷曲线总数。
步骤2)计算出任意两条负荷曲线的欧式距离，并通过下式（4）计算以每条负荷曲线为中心的密度参数
Figure 965261DEST_PATH_IMAGE012
。
Figure 238110DEST_PATH_IMAGE013
（4）
式中，
Figure 967032DEST_PATH_IMAGE014
为n条历史负荷曲线之间的平均距离，
Figure 983529DEST_PATH_IMAGE015
为n条历史负荷曲线之间的组合数，
Figure 917725DEST_PATH_IMAGE016
为以第i条负荷曲线为中心，计算其与n条负荷曲线的欧氏距离。
以变电站历史负荷曲线数据的密度参数
Figure 361476DEST_PATH_IMAGE012
集合为依据，将密度参数集合中的密度最大值作为初始分布特性聚类中心曲线，进而得出当前聚类数目下的动态特性聚类中心曲线，公式如下：
Figure 515377DEST_PATH_IMAGE017
（5）
式中，
Figure 397882DEST_PATH_IMAGE018
为负荷曲线的第i类分布特性聚类中心
Figure 688049DEST_PATH_IMAGE019
的第
Figure 90253DEST_PATH_IMAGE020
维数据。
步骤3)以当前聚类数目开始进行循环计算：采用欧氏距离与曲线斜率分析，分别计算每条日负荷曲线关于分布特性聚类中心曲线及动态特性聚类中心曲线的相似度，再以相似度数值为根据，进行数据组的归类，然后对分布特性与动态特性聚类中心曲线进行更新，并将分布特性与动态特性相似度值的加权值作为改进K-means算法中曲线相似度的衡量依据。
步骤4)结合步骤3)所得更新后的聚类中心曲线，计算日负荷曲线的综合聚类离散度，若聚类中心曲线或聚类离散度的误差值已满足要求，则停止聚类中心曲线的更新，否则返回步骤3)继续对聚类中心曲线进行更新，直至满足要求为止；然后得到当前循环对应聚类数目下的聚类中心曲线及对应
Figure 528188DEST_PATH_IMAGE001
的值，即完成本次循环，再对聚类数目加1后检查是否达到最大聚类数目，没有达到则返回步骤2)，计算下一个指定聚类数目的聚类中心曲线及对应
Figure 886488DEST_PATH_IMAGE001
值，达到则执行步骤5)，其中
Figure 296740DEST_PATH_IMAGE001
是类内距离之和与类外距离的比值。
步骤5)结合迭代完成后所得不同聚类数目下的聚类结果，基于
Figure 82294DEST_PATH_IMAGE001
确定最佳聚类数目与最终聚类结果，其中
Figure 7525DEST_PATH_IMAGE001
越小则聚类结果越好，并以选取
Figure 668051DEST_PATH_IMAGE001
数值最小时所对应的聚类数目为最佳聚类数目。
在一个可选的实施例中，无功优化模块基于改进算法开展，无功优化模型建立包括以下几个步骤：
步骤1）将几条典型负荷曲线
Figure 870493DEST_PATH_IMAGE021
分段，再将每段分别做优化，下面是求解最优分段公式：
Figure 92527DEST_PATH_IMAGE022
（6）
Figure 878955DEST_PATH_IMAGE023
：表示不同时段负荷平均值之间离散性最大指标；
Figure 579058DEST_PATH_IMAGE024
：表示同一时段内离散性最小指标；
式中，
Figure 760641DEST_PATH_IMAGE025
为分段数，
Figure 153576DEST_PATH_IMAGE026
为第
Figure 489617DEST_PATH_IMAGE027
段内的负荷平均值；
Figure 993411DEST_PATH_IMAGE028
段内的负荷平均值；
Figure 29500DEST_PATH_IMAGE029
为第
Figure 593336DEST_PATH_IMAGE027
个负荷分段内第
Figure 918138DEST_PATH_IMAGE020
个负荷点的负荷大小；
Figure 458579DEST_PATH_IMAGE030
为第
Figure 614754DEST_PATH_IMAGE027
个分段内的负荷点总数。选取令
Figure 349491DEST_PATH_IMAGE031
最小的分段数。引入负荷预测进行判断，若预测电压不越限，则该分段不纳入优化。
步骤2）构建无功优化模型，将主变分接头位置和电容器数量作为自变量，主变分接头调整次数、电容器投切次数最少及网损最小作为目标函数，以功率潮流、母线电压上下限、主变分接头位置及电容器投切调整范围作约束条件，基于改进遗传算法进行求解，改进遗传算法是针对简单遗传算法容易出现早熟、陷入局部最优的问题，在算子、交叉操作等方面进行改进处理的算法，该种算法的改进方式以及该种算法在无功优化领域的求解计算均属于本领域公知常识，在此不再赘述。具体公式如下：
目标函数：
Figure 896010DEST_PATH_IMAGE032
（7）
其中，
Figure 7186DEST_PATH_IMAGE033
、
Figure 454086DEST_PATH_IMAGE034
、
Figure 359725DEST_PATH_IMAGE035
为权重，X是主变抽头调整次数，Y是电容器投切次数，
Figure 393540DEST_PATH_IMAGE036
是电容器投入数量，T为主变抽头的位置，
Figure 777248DEST_PATH_IMAGE037
为网损。约束条件如下所示：
Figure 344233DEST_PATH_IMAGE038
（8）
式中，
Figure 483090DEST_PATH_IMAGE039
为母线电压，
Figure 4201DEST_PATH_IMAGE040
为系统电压，K为主变高压侧与低压侧变比，
Figure 191600DEST_PATH_IMAGE041
为电容器投切容量。
在一个可选的实施例中，策略生成基于匹配算法开展，包括以下几个步骤：
步骤1）将负荷预测曲线通过相似距离函数和回归系数，在数据库中搜索相似的典型负荷曲线，并调取该典型负荷曲线对应的无功调整策略进行电压控制；
步骤2）如果匹配失败，则将负荷预测曲线导入无功优化模型，重新生成无功控制策略，并更新进策略库中。
步骤3）同时引入预警设计，当全部
Figure 114557DEST_PATH_IMAGE041
投入，
Figure 860534DEST_PATH_IMAGE042
调到最低档，而变低侧电压
Figure 931258DEST_PATH_IMAGE039
低于正常范围，向上级电站发出预警；当
Figure 922348DEST_PATH_IMAGE041
全部退出，
Figure 699811DEST_PATH_IMAGE042
调到最高档，而变低侧电压高于正常范围，向上级电站发出预警，作出相应的调节。
本实施例提供了一种基于典型负荷归类的地区电压调整优化方法，该方法综合考虑二次侧电压、变压器分接头及无功补偿装置的调整次数作为约束条件，建立无功优化模型。将负荷预测作为实现变电站无功电压优化的基础，提前预判无功负荷变化趋势及电压波动情况。同时基于变电站数据采集与负荷曲线特性指标，对历史负荷曲线进行归纳分类。得到典型负荷曲线。结合负荷短期预测结果，能迅速判别未来一天负荷曲线的变化类型，为无功电压调整决策提供参考，提升无功调整的响应率。最后运用无功优化模型分析典型负荷曲线，离线得到无功调整策略库。通过识别负荷短期预测曲线的特征，自动匹配典型负荷曲线，调取相对应的无功控制策略开展优化。当短期预测曲线出现非典型情况时，也可以在线生成无功策略，并实时更新到策略库中，保证当前电压无功调整策略为最优。本发明在满足电压质量的前提下，降低了设备的损耗，同时使得无功调整得到快速响应，提升智能化运维水平。
以上是对本发明的一种基于典型负荷归类的地区电压调整优化方法的实施例进行的详细介绍，以下将对本发明的一种基于典型负荷归类的地区电压调整优化系统的实施例进行详细的介绍。
本实施例提供一种基于典型负荷归类的地区电压调整优化系统，包括：数据采集单元、负荷预测单元、聚类分析单元、典型策略单元和实时策略单元。
在本实施例中，数据采集单元用于基于变电站SCADA系统，以设定采样频率对电站负荷数据进行采集，获得负荷曲线原始数据集，对负荷曲线原始数据集进行数据筛选，得到负荷曲线历史数据。
在本实施例中，负荷预测单元用于对负荷曲线历史数据利用负荷预测模型进行负荷预测，得到负荷预测曲线。
在负荷预测单元中，负荷预测模型基于BP神经网络开展，负荷预测模型的建立过程具体包括：
将变电站设定时间段内的负荷数据采集作为样本数据集，其中，以设定时间段内任意前两天历史数据作为负荷预测模型的输入量，以后一天的历史数据作为输出量，并将样本数据集划分为训练集和测试集；
选择BP神经网络的结构以及各层级的传递函数；
对样本数据集进行归一化处理；
设置BP神经网络的训练参数，利用处理后的样本数据集对BP神经网络进行负荷预测训练，得到负荷预测模型。
在本实施例中，聚类分析单元用于对负荷曲线历史数据利用聚类分析模型进行聚类分析，得到若干种典型的负荷曲线类型。
在聚类分析单元中，聚类分析模型基于改进K-means算法开展，聚类分析模块的聚类分析过程具体包括：
根据变电站每日负荷数据得到负荷曲线，计算负荷曲线的曲线斜率；
计算出任意两条负荷曲线的欧式距离，并计算以每条负荷曲线为中心的密度参数；
以初始聚类数目开始进行循环计算，每次循环均对聚类数目加1，得到各个循环对应聚类数目下的聚类中心曲线及对应
Figure 118154DEST_PATH_IMAGE001
值，
Figure 846813DEST_PATH_IMAGE001
值为类内距离之和与类外距离的比值；
选取
Figure 641594DEST_PATH_IMAGE001
数值最小时所对应的聚类数目为最佳聚类数目。
在本实施例中，典型策略单元用于对典型负荷曲线利用无功优化模型进行无功优化求解，得到典型负荷曲线的无功调整策略，并保存在知识策略库，无功优化模型以有载调压抽头调整次数、电容器投切次数及网损最小为优化目标，将潮流、母线电压上下限、有载调压抽头数及电容器数量作为约束条件，并基于改进遗传算法求解。
在典型策略单元中，无功优化模型基于改进算法进行开展，无功优化模型的无功优化过程具体包括：
将典型负荷曲线进行最优分段，并对每一段负荷曲线进行负荷预测，选取预测电压超越限值的分段进行无功优化；
将主变分接头位置和电容器数量作为自变量，主变分接头调整次数、电容器投切次数最少及网损最小作为目标函数，以功率潮流、母线电压上下限、主变分接头位置及电容器投切调整范围作约束条件，基于改进遗传算法进行求解。
在本实施例中，实时策略单元用于将负荷预测曲线与典型负荷曲线进行匹配，并调用匹配到的典型负荷曲线所对应的无功调整策略进行电压控制；若没有匹配到相似的典型负荷曲线，则进入典型策略单元，对负荷预测曲线利用无功优化模型进行无功优化求解，得到实时生成的无功调整策略，同时利用实时生成的无功调整策略更新知识策略库。
除此之外，还包括预警单元，预警单元具体用于：
当全部电容器均投入时，将主变抽头的位置数调整到最小值，当变低侧电压低于下限值时，向上级电站发出预警；
当全部电容器均退出时，将主变抽头的位置数调整到最大值，当变低侧电压高于上限值时，向上级电站发出预警。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于典型负荷归类的地区电压调整优化方法，其特征在于，包括如下步骤：
基于变电站SCADA系统，以设定采样频率对电站负荷数据进行采集，获得负荷曲线原始数据集，对所述负荷曲线原始数据集进行数据筛选，得到负荷曲线历史数据；
对所述负荷曲线历史数据利用负荷预测模型进行负荷预测，得到负荷预测曲线；
对所述负荷曲线历史数据利用聚类分析模型进行聚类分析，得到若干种典型的负荷曲线类型；
对典型负荷曲线利用无功优化模型进行无功优化求解，得到所述典型负荷曲线的无功调整策略，并保存在知识策略库，所述无功优化模型以有载调压抽头调整次数、电容器投切次数及网损最小为优化目标，将潮流、母线电压上下限、有载调压抽头数及电容器数量作为约束条件，并基于改进遗传算法求解；
将所述负荷预测曲线与所述典型负荷曲线进行匹配，并调用匹配到的所述典型负荷曲线所对应的无功调整策略进行电压控制；若没有匹配到相似的典型负荷曲线，则对所述负荷预测曲线利用所述无功优化模型进行无功优化求解，得到实时生成的无功调整策略，同时利用实时生成的无功调整策略更新所述知识策略库。
2.根据权利要求1所述的基于典型负荷归类的地区电压调整优化方法，其特征在于，所述负荷预测模型基于BP神经网络开展，所述负荷预测模型的建立过程具体包括：
将变电站设定时间段内的负荷数据采集作为样本数据集，其中，以所述设定时间段内任意前两天历史数据作为所述负荷预测模型的输入量，以后一天的历史数据作为输出量，并将所述样本数据集划分为训练集和测试集；
选择BP神经网络的结构以及各层级的传递函数；
对所述样本数据集进行归一化处理；
设置所述BP神经网络的训练参数，利用处理后的所述样本数据集对所述BP神经网络进行负荷预测训练，得到所述负荷预测模型。
3.根据权利要求1所述的基于典型负荷归类的地区电压调整优化方法，其特征在于，所述聚类分析模型基于改进K-means算法开展，所述聚类分析模块的聚类分析过程具体包括：
根据变电站每日负荷数据得到负荷曲线，计算所述负荷曲线的曲线斜率；
计算出任意两条所述负荷曲线的欧式距离，并计算以每条负荷曲线为中心的密度参数；
以初始聚类数目开始进行循环计算，每次循环均对聚类数目加1，得到各个循环对应聚类数目下的聚类中心曲线及对应
Figure 370581DEST_PATH_IMAGE001
值，所述
Figure 965510DEST_PATH_IMAGE001
值为类内距离之和与类外距离的比值；
选取
Figure 164410DEST_PATH_IMAGE001
数值最小时所对应的聚类数目为最佳聚类数目。
4.根据权利要求1所述的基于典型负荷归类的地区电压调整优化方法，其特征在于，所述无功优化模型基于改进算法进行开展，所述无功优化模型的无功优化过程具体包括：
将所述典型负荷曲线进行最优分段，并对每一段负荷曲线进行负荷预测，选取预测电压超越限值的分段进行无功优化；
将主变分接头位置和电容器数量作为自变量，主变分接头调整次数、电容器投切次数最少及网损最小作为目标函数，以功率潮流、母线电压上下限、主变分接头位置及电容器投切调整范围作约束条件，基于改进遗传算法进行求解。
5.根据权利要求1所述的基于典型负荷归类的地区电压调整优化方法，其特征在于，基于所述负荷预测曲线得到对应的无功调整策略，还包括：
当全部电容器均投入时，将主变抽头的位置数调整到最小值，当变低侧电压低于下限值时，向上级电站发出预警；
当全部电容器均退出时，将主变抽头的位置数调整到最大值，当变低侧电压高于上限值时，向上级电站发出预警。
6.一种基于典型负荷归类的地区电压调整优化系统，其特征在于，包括：
数据采集单元，用于基于变电站SCADA系统，以设定采样频率对电站负荷数据进行采集，获得负荷曲线原始数据集，对所述负荷曲线原始数据集进行数据筛选，得到负荷曲线历史数据；
负荷预测单元，用于对所述负荷曲线历史数据利用负荷预测模型进行负荷预测，得到负荷预测曲线；
聚类分析单元，用于对所述负荷曲线历史数据利用聚类分析模型进行聚类分析，得到若干种典型的负荷曲线类型；
典型策略单元，用于对典型负荷曲线利用无功优化模型进行无功优化求解，得到所述典型负荷曲线的无功调整策略，并保存在知识策略库，所述无功优化模型以有载调压抽头调整次数、电容器投切次数及网损最小为优化目标，将潮流、母线电压上下限、有载调压抽头数及电容器数量作为约束条件，并基于改进遗传算法求解；
实时策略单元，用于将所述负荷预测曲线与所述典型负荷曲线进行匹配，并调用匹配到的所述典型负荷曲线所对应的无功调整策略进行电压控制；若没有匹配到相似的典型负荷曲线，则进入所述典型策略单元，对所述负荷预测曲线利用所述无功优化模型进行无功优化求解，得到实时生成的无功调整策略，同时利用实时生成的无功调整策略更新所述知识策略库。
7.根据权利要求6所述的基于典型负荷归类的地区电压调整优化系统，其特征在于，在所述负荷预测单元中，所述负荷预测模型基于BP神经网络开展，所述负荷预测模型的建立过程具体包括：
将变电站设定时间段内的负荷数据采集作为样本数据集，其中，以所述设定时间段内任意前两天历史数据作为所述负荷预测模型的输入量，以后一天的历史数据作为输出量，并将所述样本数据集划分为训练集和测试集；
选择BP神经网络的结构以及各层级的传递函数；
对所述样本数据集进行归一化处理；
设置所述BP神经网络的训练参数，利用处理后的所述样本数据集对所述BP神经网络进行负荷预测训练，得到所述负荷预测模型。
8.根据权利要求6所述的基于典型负荷归类的地区电压调整优化系统，其特征在于，在所述聚类分析单元中，所述聚类分析模型基于改进K-means算法开展，所述聚类分析模块的聚类分析过程具体包括：
根据变电站每日负荷数据得到负荷曲线，计算所述负荷曲线的曲线斜率；
计算出任意两条所述负荷曲线的欧式距离，并计算以每条负荷曲线为中心的密度参数；
以初始聚类数目开始进行循环计算，每次循环均对聚类数目加1，得到各个循环对应聚类数目下的聚类中心曲线及对应
Figure 190879DEST_PATH_IMAGE001
值，所述
Figure 449822DEST_PATH_IMAGE001
值为类内距离之和与类外距离的比值；
选取
Figure 63206DEST_PATH_IMAGE001
数值最小时所对应的聚类数目为最佳聚类数目。
9.根据权利要求6所述的基于典型负荷归类的地区电压调整优化系统，其特征在于，在所述典型策略单元中，所述无功优化模型基于改进算法进行开展，所述无功优化模型的无功优化过程具体包括：
将所述典型负荷曲线进行最优分段，并对每一段负荷曲线进行负荷预测，选取预测电压超越限值的分段进行无功优化；
将主变分接头位置和电容器数量作为自变量，主变分接头调整次数、电容器投切次数最少及网损最小作为目标函数，以功率潮流、母线电压上下限、主变分接头位置及电容器投切调整范围作约束条件，基于改进遗传算法进行求解。
10.根据权利要求6所述的基于典型负荷归类的地区电压调整优化系统，其特征在于，还包括预警单元，所述预警单元具体用于：
当全部电容器均投入时，将主变抽头的位置数调整到最小值，当变低侧电压低于下限值时，向上级电站发出预警；
当全部电容器均退出时，将主变抽头的位置数调整到最大值，当变低侧电压高于上限值时，向上级电站发出预警。
CN202211587692.5A 2022-12-12 2022-12-12 一种基于典型负荷归类的地区电压调整优化方法和系统 Active CN115589000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211587692.5A CN115589000B (zh) 2022-12-12 2022-12-12 一种基于典型负荷归类的地区电压调整优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211587692.5A CN115589000B (zh) 2022-12-12 2022-12-12 一种基于典型负荷归类的地区电压调整优化方法和系统

Publications (2)

Publication Number Publication Date
CN115589000A true CN115589000A (zh) 2023-01-10
CN115589000B CN115589000B (zh) 2023-04-07

Family

ID=84783585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211587692.5A Active CN115589000B (zh) 2022-12-12 2022-12-12 一种基于典型负荷归类的地区电压调整优化方法和系统

Country Status (1)

Country Link
CN (1) CN115589000B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109009A (zh) * 2023-04-10 2023-05-12 山东理工大学 基于多特征量提取的光储型园区负荷曲线动态识别方法
CN117200241A (zh) * 2023-11-06 2023-12-08 南通威森新能源科技有限公司 一种新能源并网智能调压系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5480406B1 (ja) * 2013-01-09 2014-04-23 中国電力株式会社 配電線送出電圧シミュレーションシステム
CN104600713A (zh) * 2014-12-25 2015-05-06 国家电网公司 含风力/光伏发电配电网日前无功调度的生成装置及方法
CN110932290A (zh) * 2019-11-18 2020-03-27 全球能源互联网研究院有限公司 一种网损无功协调优化方法及系统
CN111199016A (zh) * 2019-09-29 2020-05-26 国网湖南省电力有限公司 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN113300380A (zh) * 2021-06-17 2021-08-24 国家电网有限公司 一种基于负荷曲线分段的配电网无功优化补偿方法
CN114444750A (zh) * 2020-11-03 2022-05-06 电子科技大学 一种基于神经网络的电力负荷预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5480406B1 (ja) * 2013-01-09 2014-04-23 中国電力株式会社 配電線送出電圧シミュレーションシステム
CN104600713A (zh) * 2014-12-25 2015-05-06 国家电网公司 含风力/光伏发电配电网日前无功调度的生成装置及方法
CN111199016A (zh) * 2019-09-29 2020-05-26 国网湖南省电力有限公司 一种基于DTW的改进K-means的日负荷曲线聚类方法
CN110932290A (zh) * 2019-11-18 2020-03-27 全球能源互联网研究院有限公司 一种网损无功协调优化方法及系统
CN114444750A (zh) * 2020-11-03 2022-05-06 电子科技大学 一种基于神经网络的电力负荷预测方法
CN113300380A (zh) * 2021-06-17 2021-08-24 国家电网有限公司 一种基于负荷曲线分段的配电网无功优化补偿方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WANXING SHENG等: "A fast reactive power opti- mization in distribution network based on large random ma- trix theory and data analysis", 《APPLIED SCIENCES》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116109009A (zh) * 2023-04-10 2023-05-12 山东理工大学 基于多特征量提取的光储型园区负荷曲线动态识别方法
CN117200241A (zh) * 2023-11-06 2023-12-08 南通威森新能源科技有限公司 一种新能源并网智能调压系统
CN117200241B (zh) * 2023-11-06 2024-03-05 南通威森新能源科技有限公司 一种新能源并网智能调压系统

Also Published As

Publication number Publication date
CN115589000B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115589000B (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
CN111091143B (zh) 基于深度信念网络和K-means聚类的配变重过载预警方法
CN111429027B (zh) 一种基于大数据的地区输电网运行多维度分析方法
CN107800140B (zh) 一种考虑负荷特征的大用户供电接入决策方法
CN111262243B (zh) 一种园区配电系统运行方式智能辨识以及优化方法
CN105631558A (zh) 基于相似日的bp神经网络光伏发电系统功率预测方法
CN111191854A (zh) 一种基于线性回归及神经网络的光伏发电预测模型和方法
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN111555363B (zh) 大数据环境下基于深度学习的agc实时控制策略
CN108964023A (zh) 一种用于电网的母线电压态势短期预测方法及系统
CN111815026A (zh) 一种基于特征聚类的多能源系统负荷预测方法
Xie et al. Short-term power load forecasting model based on fuzzy neural network using improved decision tree
CN102819770A (zh) 基于人体舒适度指数的配电网短期负荷预测方法
CN115169719A (zh) 一种基于模糊聚类和bp神经网络的台区状态预测模型
Wang et al. Short-term wind power prediction based on DBSCAN clustering and support vector machine regression
Ávila et al. Fuzzy demand forecasting in a predictive control strategy for a renewable-energy based microgrid
Lang et al. A novel two‐stage interval prediction method based on minimal gated memory network for clustered wind power forecasting
CN116154875A (zh) 基于tcn和误差函数的光伏电站有功功率优化分配方法
CN115293649A (zh) 一种区配电网智能精细化降损方法
CN115689001A (zh) 基于模式匹配的短期负荷预测方法
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
CN114204675A (zh) 一种基于云边协同的配电台区电能数据采集终端
CN102231081A (zh) 一种流程工业设备用能状态诊断方法
CN110852628A (zh) 考虑发展模式影响的农村中长期负荷预测方法
Liu et al. An Evaluation Method of 10k V Distribution Network Line Loss Based on Improved BP Neural Network

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