CN115618252A - 一种光伏接入容量评估方法、装置及电子设备 - Google Patents
一种光伏接入容量评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115618252A CN115618252A CN202211173095.8A CN202211173095A CN115618252A CN 115618252 A CN115618252 A CN 115618252A CN 202211173095 A CN202211173095 A CN 202211173095A CN 115618252 A CN115618252 A CN 115618252A
- Authority
- CN
- China
- Prior art keywords
- source load
- load data
- data set
- generator
- photovoltaic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims description 31
- 238000010248 power generation Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003064 k means clustering Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种光伏接入容量评估方法、装置及电子设备,其中,该方法包括:获取多个场景下的历史源荷数据集;根据历史源荷数据集训练得到GAN的生成器,根据生成器生成多个场景下的当前源荷数据集;对所有的当前源荷数据集进行聚类,选取出聚类中心对应的有效源荷数据集;根据有效源荷数据集确定配电系统的最优接入容量。通过本发明实施例提供的光伏接入容量评估方法、装置及电子设备,利用先生成再聚类的方式,可以得到能够准确表征光伏特征的有效源荷数据集,准确性较高,且有限的有效源荷数据集也能够提高容量评估的效率;并且,生成器可以生成多种场景下的当前源荷数据集,可以削弱多场景下源荷不确定性的影响,适应性更强。
Description
技术领域
本发明涉及光伏工程技术领域,具体而言,涉及一种光伏接入容量评估方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来,我国光伏发展产业取得快速发展,产业规模和技术水平均已到达世界领先水平,大力发展光伏也已成为全球能源革命和应对气候变化的主导方向和一致行动。由于国内光伏的分布比较分散,光伏发电主要为分布式并网,配电网作为电力系统到用户的最后一环,对供电可靠性和电能质量影响最为直接。然而光伏出力的随机性和波动性对电力系统的冲击限制了其接入规模,如何评估配电网各接入节点的最优接入光伏容量已成为促进新能源消纳良性发展的研究热点。
目前研究光伏接入评估方法多集中在随机建模和鲁棒优化方法,通过概率分布方式或选取最恶劣的场景进行分析,但这种方法所采用的数据质量参差不齐,其准确性较差,评估结果严重保守。
发明内容
为解决现有存在的技术问题,本发明实施例提供一种光伏接入容量评估方法、装置、电子设备及计算机可读存储介质。
第一方面,本发明实施例提供了一种光伏接入容量评估方法,包括:
获取多个场景下的历史源荷数据集,所述历史源荷数据集包括不同时间的光伏发电功率和负荷;
根据所述历史源荷数据集训练得到对抗生成网络的生成器,根据所述生成器生成多个场景下的当前源荷数据集;
对所有的所述当前源荷数据集进行聚类,选取出聚类中心对应的有效源荷数据集;
根据所述有效源荷数据集确定配电系统的最优接入容量。
在一种可能的实现方式中,所述根据所述历史源荷数据集训练得到生成器,包括:
将所述历史源荷数据集作为真实样本,将生成器输出的样本作为生成样本,以所述真实样本和所述生成样本作为判别器的输入,对所述生成器和所述判别器进行训练,得到能够生成所述当前源荷数据集的生成器;所述生成器和所述判别器的损失函数满足:
其中,G表示所述生成器,D表示所述判别器,x表示所述真实样本,p(x)表示所述真实样本所对应的样本分布,x'表示所述生成样本,p(x')表示所述生成样本所对应的样本分布,E表示相应分布的权重值,c表示场景所对应的条件;D()表示所述判别器的判别函数,所述判别函数用于确定对相应样本的判别结果。
在一种可能的实现方式中,所述对所有的所述当前源荷数据集进行聚类,包括:
基于k-means聚类算法,通过确定所述当前源荷数据集之间的欧氏距离对所有的所述当前源荷数据集进行聚类;所述k-means聚类算法中的k值与所述场景的种类数相一致。
在一种可能的实现方式中,所述根据所述有效源荷数据集确定配电系统的最优接入容量,包括:
以配电系统的接入容量最大和网络损耗最小为优化目标,根据所述有效源荷数据集对接入所述配电系统的接入容量进行优化,确定所述配电系统的最优接入容量。
在一种可能的实现方式中,所述优化目标满足:
其中,Si表示并网节点i上的分布式光伏容量,Iij、rij分别表示并网节点i中第j条线路上流过的电流和电阻。
在一种可能的实现方式中,优化过程中的约束条件包括:
电压电流约束条件和功率约束条件。
在一种可能的实现方式中,所述电压电流约束条件包括:
所述功率约束条件包括:
其中,Vi,t表示在时刻t并网节点i的电压,Iij表示线路ij上流过的电流,rij、xij分别所述线路ij的电阻和电抗,所述线路ij表示并网节点i与节点j之间的线路;表示由线路ij网损引起的节点电压变化,pij,t、qij,t分别表示在时刻t所述线路ij处的有功功率和无功功率;Vmin、Vmax分别表示节点电压的下限值和上限值,Imax表示电流的上限值;分别表示在时刻t并网节点i的有功功率和无功功率,ηi,t表示在时刻t并网节点i处的光伏出力系数,Si表示并网节点i上的分布式光伏容量;分别表示在时刻t所述线路ij处的有功损耗和无功损耗,分别表示在时刻t并网节点i的负荷有功功率和负荷无功功率,PG、QG分别表示主电网配送的有功功率和无功功率,PGmax表示主电网配送的有功功率的最大值,QGmax表示主电网配送的无功功率的最大值,N(i)表示与并网节点i具有连接关系的节点集合。
第二方面,本发明实施例还提供了一种光伏接入容量评估装置,包括:
获取模块,用于获取多个场景下的历史源荷数据集,所述历史源荷数据集包括不同时间的光伏发电功率和负荷;
生成模块,用于根据所述历史源荷数据集训练得到生成器,根据所述生成器生成多个场景下的当前源荷数据集;
聚类模块,用于对所有的所述当前源荷数据集进行聚类,选取出聚类中心对应的有效源荷数据集;
评估模块,用于根据所述有效源荷数据集确定配电系统的最优接入容量。
第三方面,本发明实施例提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述的光伏接入容量评估方法中的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的光伏接入容量评估方法中的步骤。
本发明实施例提供的光伏接入容量评估方法、装置、电子设备及计算机可读存储介质,利用真实的历史数据训练得到能够生成基本真实数据的生成器,利用该生成器生成较多的当前源荷数据集,之后再通过聚类的方式选取出特征显著的有效源荷数据集,基于该有效源荷数据集确定最优接入容量。该方法利用先生成再聚类的方式,可以得到能够准确表征光伏特征的有效源荷数据集,能够降低因原始历史数据质量参差不齐所带来的影响,在数据匮乏的电力环境下大幅度改善源荷描述的准确性,且有限的有效源荷数据集也能够提高容量评估的效率;并且,生成器可以生成多种场景下的当前源荷数据集,所选取的有效源荷数据集能够精确刻画多时空源荷特征,可以削弱多场景下源荷不确定性的影响,能够支持多种场景的容量评估,适应性更强。
附图说明
为了更清楚地说明本发明实施例或背景技术中的技术方案,下面将对本发明实施例或背景技术中所需要使用的附图进行说明。
图1示出了本发明实施例所提供的一种光伏接入容量评估方法的流程图;
图2示出了本发明实施例所提供的生成对抗网络的结构示意图;
图3示出了本发明实施例所提供的另一种光伏接入容量评估方法的流程示意图;
图4示出了本发明实施例所提供的33节点配电网的拓扑图;
图5示出了本发明实施例所提供的各个并网节点的可接入的光伏容量;
图6示出了本发明实施例所提供的部分并网节点的电压变化情况;
图7示出了本发明实施例所提供的一种光伏接入容量评估装置的结构示意图;
图8示出了本发明实施例所提供的一种用于执行光伏接入容量评估方法的电子设备的结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。
图1示出了本发明实施例所提供的一种光伏接入容量评估方法的流程图。如图1所示,该方法包括:
步骤101:获取多个场景下的历史源荷数据集,该历史源荷数据集包括不同时间的光伏发电功率和负荷。
本发明实施例中,光伏发电系统(例如,光伏电站)在不同场景下的发电具有差异,其光伏出力情况不同,通过获取多个场景下的数据,可以充分刻画不同场景下的出力特征;例如,不同的天气类型可以对应不同的场景,通过获取不同天气类型下光伏发电系统的出力情况。
本发明实施例中,以光伏发电功率表示出力特征,并获取多个时间的光伏发电功率,多个时间的光伏发电功率可以表示出力特征的变化趋势;并且,本发明实施例还获取多个时间的负荷,即配电系统的负荷,相应地,多个时间的负荷可以表示负荷的变化趋势。为方便描述,本发明实施例将多个时间的光伏发电功率和负荷统称为源荷数据集,该源荷数据集能够表示光伏发电功率与时间之间的关系,以及负荷与时间之间的关系;并且,所获取的源荷数据集为之前采集到的数据,为区分后续的其他源荷数据集,将其称为历史源荷数据集。
步骤102:根据历史源荷数据集训练得到对抗生成网络的生成器,根据该生成器生成多个场景下的当前源荷数据集。
本发明实施例中,历史源荷数据集为采集到的真实数据,其用于训练能够生成其他源荷数据集的模型,即生成器,该生成器能够生成比较真实的源荷数据集,本实施例将该源荷数据集称为当前源荷数据集。并且,利用多个场景的历史源荷数据集,可以训练得到能够生成多个场景的当前源荷数据集的生成器。
其中,本发明实施例利用生成对抗网络(Generative Adversarial Networks,GAN)训练得到该生成器,即该生成器为GAN中的生成器。并且,该对抗生成网络包括生成器和判别器,可选地,上述步骤1“根据历史源荷数据集训练得到生成器”包括以下步骤A1:
步骤A1:将历史源荷数据集作为真实样本,将生成器输出的样本作为生成样本,以真实样本和生成样本作为判别器的输入,对生成器和判别器进行训练,得到能够生成当前源荷数据集的生成器;生成器和判别器的损失函数满足:
其中,G表示生成器,D表示判别器,x表示真实样本,p(x)表示真实样本所对应的样本分布,x'表示生成样本,p(x')表示生成样本所对应的样本分布,E表示相应分布的权重值,c表示场景所对应的条件;D()表示判别器的判别函数,判别函数用于确定对相应样本的判别结果。
本发明实施例中,该生成器和判别器可以形成生成对抗网络,该生成对抗网络的结构示意图可参见图2所示。所获取的历史源荷数据集为真实样本x,生成器G所输出的数据为生成样本x';其中,生成器G基于随机噪声z来生成相应的生成样品x',若生成器G的函数为G(),则该x'可表示为x'=G(z)。真实样本x符合相应的真实样本分布p(x),如图2中的pdata(x);随机噪声z符合相应的噪声样本分布pz(z);生成样本x'符合相应的生成样本分布p(x'),如图2中的pG(z)。
判别器D用于判别所输入样本的真实性。判别器D的判别函数为D(),若将真实样本x输入至该判别器D,则其输出结果为D(x);相应地,若将生成样本x'输入至该判别器D,则其输出结果为D(x')。本发明实施例中,以条件c区分不同的场景,该判别器D用于判别相应条件c下的样本的真实性。例如,D(x|c)表示满足条件c的真实样本x的判别结果。
基于生成对抗网络的原理可知,生成器G需要生成尽量真实的样本,以使得判别器D无法准确判别,而判别器D需要提高判别准确度,以能够准确识别出由生成器G所生成的样本。因此,生成器G和判别器D的损失函数可以分别表示如下:
LossG=-Ex'~p(x')[D(x'|c)] (2)
LossD=-Ex~p(x)[D(x|c)]+Ex'~p(x')[D(x'|c)] (3)
其中,E表示相应分布的权重值,例如,Ex~p(x)表示真实样本x符合真实样本分布p(x)的权重值,Ex'~p(x')表示生成样本x'符合生成样本分布p(x')的权重值。
生成器G希望提高生成样本x'的判别结果,并降低真实样本x的判别结果。因此,GAN的训练目标是带有条件的极小极大值博弈,该生成器和判别器的损失函数可以整体表示为上式(1)。其中,V(D,G)表示生成器和判别器的损失函数,上式(1)中的表示对于生成器G需要最小化该损失函数,表示对于判别器D需要最大化该损失函数。利用该损失函数对生成器G和判别器D进行训练,即可得到能够输出比较真实的源荷数据集的生成器G,该生成器G所输出的源荷数据集即可作为当前源荷数据集。
此外可选地,光伏发电系统的不同规模也可对应不同的场景,利用多种规模的光伏发电系统的历史源荷数据集,使得该生成器可以生成不同规模的当前源荷数据集,该生成器具有更广的应用范围。在生成当前源荷数据集时,可以只生成需要确定光伏接入容量的光伏发电系统所对应规模的当前源荷数据集。
步骤103:对所有的当前源荷数据集进行聚类,选取出聚类中心对应的有效源荷数据集。
本发明实施例中,可以生成众多时空场景下的当前源荷数据集,例如,每种场景下生成的当前源荷数据集的数量是多个的;并且,通过对当前源荷数据集进行聚类,可以选取出时空特征显著的光伏出力和负荷场景,即可以选取出特征显著的当前源荷数据集,本发明实施例以聚类中心作为选出的当前源荷数据集;为方便描述,将所选出的当前源荷数据集称为有效源荷数据集。本发明实施例通过先生成后聚类的方式,可以实现数据削减,得到合适数量的有效源荷数据集,该有效源荷数据集不仅能够准确描述源荷特征,也能够简化后续容量评估的过程。
可选地,上述步骤103“对所有的当前源荷数据集进行聚类”包括步骤B1:
步骤B1:基于k-means聚类算法,通过确定当前源荷数据集之间的欧氏距离对所有的当前源荷数据集进行聚类;k-means聚类算法中的k值与场景的种类数相一致。
本发明实施例中,以两个当前源荷数据集之间的欧氏距离表示二者之间的相似程度,以此对所有的当前源荷数据集进行聚类;其中,本发明实施例使用k-means聚类算法实现聚类,并且,k值与场景的种类数相一致;例如,该k值与场景的种类数相同,相应的,在聚类后可以得到k个聚类簇,每个簇的聚类中心即可作为有效源荷数据集,从而得到k个有效源荷数据集。
本领域技术人员可以理解,历史源荷数据集、当前源荷数据集、有效源荷数据集均为一种源荷数据集,其均包含多个时间(时刻)的光伏发电功率和负荷。
步骤104:根据有效源荷数据集确定配电系统的最优接入容量。
本发明实施例中,生成器为基于真实的历史数据(即历史源荷数据集)训练得到的,该生成器能够生成符合历史数据特性的当前源荷数据集,而有效源荷数据集是具有显著特征的当前源荷数据集,该有效源荷数据集能够准确表征光伏的特征,在基于该有效源荷数据集确定配电系统的最优接入容量时,可以得到更准确的结果。其中,可以通过现有的评估模型确定最优接入容量。
本发明实施例提供的光伏接入容量评估方法,利用真实的历史数据训练得到能够生成基本真实数据的生成器,利用该生成器生成较多的当前源荷数据集,之后再通过聚类的方式选取出特征显著的有效源荷数据集,基于该有效源荷数据集确定最优接入容量。该方法利用先生成再聚类的方式,可以得到能够准确表征光伏特征的有效源荷数据集,能够降低因原始历史数据质量参差不齐所带来的影响,在数据匮乏的电力环境下大幅度改善源荷描述的准确性,且有限的有效源荷数据集也能够提高容量评估的效率;并且,生成器可以生成多种场景下的当前源荷数据集,所选取的有效源荷数据集能够精确刻画多时空源荷特征,可以削弱多场景下源荷不确定性的影响,能够支持多种场景的容量评估,适应性更强。
可选地,上述步骤104“根据有效源荷数据集确定配电系统的最优接入容量”包括以下步骤C1:
步骤C1:以配电系统的接入容量最大和网络损耗最小为优化目标,根据有效源荷数据集对接入配电系统的接入容量进行优化,确定配电系统的最优接入容量。
本发明实施例中,接入容量评估的目的是评估配电系统(例如,有源配电网)中可再生能源的最大接入量,基于上述得到的有效源荷数据集,以接入容量最大与网络损耗最小为优化目标,使得最终确定的最优接入容量能够符合工程实际需要。
可选地,该优化目标满足:
其中,Si表示并网节点i上的分布式光伏容量,Iij、rij分别表示并网节点i中第j条线路上流过的电流和电阻。
本发明实施例中,并网节点指的是配电系统中接入光伏发电系统的节点,每个并网节点i的分布式光伏容量可以作为优化目标,且所有并网节点的光伏容量之和即为该配电系统的整体的接入容量,即并且,除并网节点之外,配电系统中还存在多个其他节点,两个节点(包括并网节点)之间可能形成相应的线路;本发明实施例中,并网节点i中第j条线路表示并网节点i与节点j之间的线路,可以用线路ij表示,该线路ij的电流和电阻分别为Iij、rij,相应地,该线路ij的网络损耗为Iij 2rij。
可选地,为兼顾配网的运行安全,需要满足电压、电流等安全约束,具体地,优化过程中的约束条件包括:电压电流约束条件和功率约束条件。其中,该电压电流约束条件主要用于约束配电系统中的电压和电流,功率约束条件主要用于约束配电系统中的功率。
本发明实施例中,该电压电流约束条件包括:
其中,Vi,t表示在时刻t并网节点i的电压,相应地,Vj,t表示在时刻t节点j的电压,Ui,t、Uj,t分别表示电压Vi,t、Vj,t的平方值;Iij表示线路ij上流过的电流,rij、xij分别线路ij的电阻和电抗,线路ij表示并网节点i与节点j之间的线路;表示由线路ij网损引起的节点电压变化,pij,t、qij,t分别表示在时刻t线路ij处的有功功率和无功功率;Vmin、Vmax分别表示节点电压的下限值和上限值,Imax表示电流的上限值。
并且,功率约束条件包括:
其中,分别表示在时刻t并网节点i的有功功率和无功功率,ηi,t表示在时刻t并网节点i处的光伏出力系数,Si表示并网节点i上的分布式光伏容量;分别表示在时刻t线路ij处的有功损耗和无功损耗,分别表示在时刻t并网节点i的负荷有功功率和负荷无功功率,PG、QG分别表示主电网配送的有功功率和无功功率,PGmax表示主电网配送的有功功率的最大值,QGmax表示主电网配送的无功功率的最大值,N(i)表示与并网节点i具有连接关系的节点集合。
本发明实施例中,有效源荷数据集包含多个时间(时刻)的光伏发电功率以及负荷,该负荷包括有功负荷和无功负荷,基于配网的架构以及线路ij的电阻、电抗,以光伏接入容量最大和网络损耗最小为优化目标,即可确定相应的电流Iij等,并确定相应的有功功率和无功功率,且电压、电流和功率满足上式(5)至式(7)所表示的约束条件;并且,还可限制有功功率和无功功率的具体数值,例如,-0.11≤pij,t≤0.11、-0.11≤qij,t≤0.11。在上述约束条件下对优化目标进行优化,可以得到满足安全约束条件的最优接入容量。
下面通过一个实施例对该光伏接入容量评估方法进行说明。
本发明实施例中,该方法采用生成对抗网络GAN和k-means算法实现容量评估,该方法的流程示意图可参见图3所示。
本发明实施例中,首先获取不同场景的历史源荷数据集,不同场景的历史源荷数据集能够表示不同天气类型下的光伏出力差异以及不同规模下光伏电站的空间差异;本实施例中,根据光伏发电在不同天气类型下的发电差异,将光伏出力情况按晴、多云、阴和雨四类天气类型进行分类扩充,充分刻画不同天气类型下光伏的出力特征;还可以其次根据不同光伏电站的空间差异性,通过网格划分方法将不同场站完成区域划分,借助遗传算法优化区域间光伏出力的差异系数。并且,历史源荷数据集是以时间为单位表示的数据,其能够表示负荷需求长期变化趋势,此外,负荷侧考虑强、弱荷在长时间尺度下的需求变化趋势,精细化的完成源荷多场景下的特征描述。
之后,基于生成对抗网络生成多时空场景。通过训练生成对抗网络,可以得到能够生成比较真实的源荷数据集的生成器;本实施例将历史数据作为训练数据,通过生成对抗网络,提取训练数据的特征属性,通过判别器和生成器的对抗性竞争来加速训练和生成更为贴合原始历史数据特性的多时空场景。其中,可以将贝叶斯优化方法应用于该生成对抗网络的参数寻优,保证生成对抗网络的学习效率。
之后,基于k-means算法削减多时空源荷场景,以得到能够代表显著特征的典型场景,即有效源荷数据集,在数据匮乏的电力环境下能够大幅度改善源荷描述的准确性。本发明实施例中,分别选取晴、多云、阴和雨四类场景下的有效源荷数据集。
在生成所需的源荷多时空场景(即有效源荷数据集)之后,结合配网潮流与安全约束,构建了以接入容量最大和网损最小为目标的光伏可接入容量评估模型;本实施例中,可以借助yamip+cplex求解器完成模型的求解工作,最终确定光伏最优接入容量。
本发明实施例中,以典型的33节点配电网为例,该33节点配电网的拓扑图可参见图4所示,本实施例将节点10、21、24、31作为并网节点,配电网的三相功率准值Sb=100MVA,基准电压Vb=12.66kV。在进行容量优化后,四种场景下各个并网节点(Node)可接入的光伏容量可参见图5所示的表格。由图5所示的实验结果可知,该配电系统可接入的最优容量为37.293MW。并且,各并网节点电压也在在稳定且合理的波动区间内。图6示出了节点10和节点21在不同场景下的电压变化情况,包括电压的初始状态(initial state)、在晴(sun)时的状态,在雨(rain)时的状态。
上文详细描述了本发明实施例提供的光伏接入容量评估方法,该方法也可以通过相应的装置实现,下面详细描述本发明实施例提供的光伏接入容量评估装置。
图7示出了本发明实施例所提供的一种光伏接入容量评估装置的结构示意图。如图7所示,该光伏接入容量评估装置包括:
获取模块71,用于获取多个场景下的历史源荷数据集,所述历史源荷数据集包括不同时间的光伏发电功率和负荷;
生成模块72,用于根据所述历史源荷数据集训练得到生成器,根据所述生成器生成多个场景下的当前源荷数据集;
聚类模块73,用于对所有的所述当前源荷数据集进行聚类,选取出聚类中心对应的有效源荷数据集;
评估模块74,用于根据所述有效源荷数据集确定配电系统的最优接入容量。
在一种可能的实现方式中,所述生成模块72根据所述历史源荷数据集训练得到生成器,包括:
将所述历史源荷数据集作为真实样本,将生成器输出的样本作为生成样本,以所述真实样本和所述生成样本作为判别器的输入,对所述生成器和所述判别器进行训练,得到能够生成所述当前源荷数据集的生成器;所述生成器和所述判别器的损失函数满足:
其中,G表示所述生成器,D表示所述判别器,x表示所述真实样本,p(x)表示所述真实样本所对应的样本分布,x'表示所述生成样本,p(x')表示所述生成样本所对应的样本分布,E表示相应分布的权重值,c表示场景所对应的条件;D()表示所述判别器的判别函数,所述判别函数用于确定对相应样本的判别结果。
在一种可能的实现方式中,所述聚类模块73对所有的所述当前源荷数据集进行聚类,包括:
基于k-means聚类算法,通过确定所述当前源荷数据集之间的欧氏距离对所有的所述当前源荷数据集进行聚类;所述k-means聚类算法中的k值与所述场景的种类数相一致。
在一种可能的实现方式中,所述评估模块74根据所述有效源荷数据集确定配电系统的最优接入容量,包括:
以配电系统的接入容量最大和网络损耗最小为优化目标,根据所述有效源荷数据集对接入所述配电系统的接入容量进行优化,确定所述配电系统的最优接入容量。
在一种可能的实现方式中,所述优化目标满足:
其中,Si表示并网节点i上的分布式光伏容量,Iij、rij分别表示并网节点i中第j条线路上流过的电流和电阻。
在一种可能的实现方式中,优化过程中的约束条件包括:
电压电流约束条件和功率约束条件。
在一种可能的实现方式中,所述电压电流约束条件包括:
所述功率约束条件包括:
其中,Vi,t表示在时刻t并网节点i的电压,Iij表示线路ij上流过的电流,rij、xij分别所述线路ij的电阻和电抗,所述线路ij表示并网节点i与节点j之间的线路;表示由线路ij网损引起的节点电压变化,pij,t、qij,t分别表示在时刻t所述线路ij处的有功功率和无功功率;Vmin、Vmax分别表示节点电压的下限值和上限值,Imax表示电流的上限值;分别表示在时刻t并网节点i的有功功率和无功功率,ηi,t表示在时刻t并网节点i处的光伏出力系数,Si表示并网节点i上的分布式光伏容量;分别表示在时刻t所述线路ij处的有功损耗和无功损耗,分别表示在时刻t并网节点i的负荷有功功率和负荷无功功率,PG、QG分别表示主电网配送的有功功率和无功功率,PGmax表示主电网配送的有功功率的最大值,QGmax表示主电网配送的无功功率的最大值,N(i)表示与并网节点i具有连接关系的节点集合。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述光伏接入容量评估方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
具体的,参见图8所示,本发明实施例还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述光伏接入容量评估方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port,AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构(Industry Standard Architecture,ISA)总线、微通道体系结构(Micro Channel Architecture,MCA)总线、扩展ISA(Enhanced ISA,EISA)总线、视频电子标准协会(Video Electronics Standards Association,VESA)、外围部件互连(Peripheral Component Interconnect,PCI)总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、复杂可编程逻辑器件(Complex Programmable LogicDevice,CPLD)、可编程逻辑阵列(Programmable Logic Array,PLA)、微控制单元(Microcontroller Unit,MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory,RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本发明实施例中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband,eMBB)系统、海量机器类通信(massive Machine Type of Communication,mMTC)系统、超可靠低时延通信(UltraReliable Low Latency Communications,uRLLC)系统等。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存(Flash Memory)。
易失性存储器包括:随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种系统程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器(Media Player)、浏览器(Browser),用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述光伏接入容量评估方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
计算机可读存储介质包括:永久性和非永久性、可移动和非可移动媒体,是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括:电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定,计算机可读存储介质不包括暂时信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本申请所提供的几个实施例中,应该理解到,所披露的装置、电子设备和方法,可以通过其他的方式实现。例如,以上描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的、机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或也可以不是物理上分开的,作为单元显示的部件可以是或也可以不是物理单元,既可以位于一个位置,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或全部单元来解决本发明实施例方案要解决的问题。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(包括:个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
在本发明实施例的描述中,所属技术领域的技术人员应当知道,本发明实施例可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本发明实施例可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本发明实施例还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、闪存(Flash Memory)、光纤、光盘只读存储器(CD-ROM)、光存储器件、磁存储器件或以上任意组合。在本发明实施例中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
上述计算机可读存储介质包含的计算机程序代码可以用任意适当的介质传输,包括:无线、电线、光缆、射频(Radio Frequency,RF)或者以上任意合适的组合。
可以以汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路配置数据或以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,例如:Java、Smalltalk、C++,还包括常规的过程式程序设计语言,例如:C语言或类似的程序设计语言。计算机程序代码可以完全的在用户计算机上执行、部分的在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行以及完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括:局域网(LAN)或广域网(WAN),可以连接到用户计算机,也可以连接到外部计算机。
本发明实施例通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
以上所述,仅为本发明实施例的具体实施方式,但本发明实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明实施例披露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明实施例的保护范围之内。因此,本发明实施例的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种光伏接入容量评估方法,其特征在于,包括:
获取多个场景下的历史源荷数据集,所述历史源荷数据集包括不同时间的光伏发电功率和负荷;
根据所述历史源荷数据集训练得到对抗生成网络的生成器,根据所述生成器生成多个场景下的当前源荷数据集;
对所有的所述当前源荷数据集进行聚类,选取出聚类中心对应的有效源荷数据集;
根据所述有效源荷数据集确定配电系统的最优接入容量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史源荷数据集训练得到生成器,包括:
将所述历史源荷数据集作为真实样本,将生成器输出的样本作为生成样本,以所述真实样本和所述生成样本作为判别器的输入,对所述生成器和所述判别器进行训练,得到能够生成所述当前源荷数据集的生成器;所述生成器和所述判别器的损失函数满足:
其中,G表示所述生成器,D表示所述判别器,x表示所述真实样本,p(x)表示所述真实样本所对应的样本分布,x'表示所述生成样本,p(x')表示所述生成样本所对应的样本分布,E表示相应分布的权重值,c表示场景所对应的条件;D()表示所述判别器的判别函数,所述判别函数用于确定对相应样本的判别结果。
3.根据权利要求1所述的方法,其特征在于,所述对所有的所述当前源荷数据集进行聚类,包括:
基于k-means聚类算法,通过确定所述当前源荷数据集之间的欧氏距离对所有的所述当前源荷数据集进行聚类;所述k-means聚类算法中的k值与所述场景的种类数相一致。
4.根据权利要求1所述的方法,其特征在于,所述根据所述有效源荷数据集确定配电系统的最优接入容量,包括:
以配电系统的接入容量最大和网络损耗最小为优化目标,根据所述有效源荷数据集对接入所述配电系统的接入容量进行优化,确定所述配电系统的最优接入容量。
6.根据权利要求4所述的方法,其特征在于,优化过程中的约束条件包括:
电压电流约束条件和功率约束条件。
7.根据权利要求6所述的方法,其特征在于,所述电压电流约束条件包括:
所述功率约束条件包括:
其中,Vi,t表示在时刻t并网节点i的电压,Iij表示线路ij上流过的电流,rij、xij分别所述线路ij的电阻和电抗,所述线路ij表示并网节点i与节点j之间的线路;表示由线路ij网损引起的节点电压变化,pij,t、qij,t分别表示在时刻t所述线路ij处的有功功率和无功功率;Vmin、Vmax分别表示节点电压的下限值和上限值,Imax表示电流的上限值;
8.一种光伏接入容量评估装置,其特征在于,包括:
获取模块,用于获取多个场景下的历史源荷数据集,所述历史源荷数据集包括不同时间的光伏发电功率和负荷;
生成模块,用于根据所述历史源荷数据集训练得到生成器,根据所述生成器生成多个场景下的当前源荷数据集;
聚类模块,用于对所有的所述当前源荷数据集进行聚类,选取出聚类中心对应的有效源荷数据集;
评估模块,用于根据所述有效源荷数据集确定配电系统的最优接入容量。
9.一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的光伏接入容量评估方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的光伏接入容量评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173095.8A CN115618252A (zh) | 2022-09-26 | 2022-09-26 | 一种光伏接入容量评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211173095.8A CN115618252A (zh) | 2022-09-26 | 2022-09-26 | 一种光伏接入容量评估方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618252A true CN115618252A (zh) | 2023-01-17 |
Family
ID=84858114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211173095.8A Pending CN115618252A (zh) | 2022-09-26 | 2022-09-26 | 一种光伏接入容量评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618252A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227751A (zh) * | 2023-05-09 | 2023-06-06 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
-
2022
- 2022-09-26 CN CN202211173095.8A patent/CN115618252A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227751A (zh) * | 2023-05-09 | 2023-06-06 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
CN116227751B (zh) * | 2023-05-09 | 2023-07-07 | 国网吉林省电力有限公司经济技术研究院 | 配电网优化配置方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
CN107545889A (zh) | 适用于模式识别的模型的优化方法、装置及终端设备 | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
CN107833153B (zh) | 一种基于k-means聚类的电网负荷缺失数据补全方法 | |
CN104121916B (zh) | 用于地图匹配的方法和系统 | |
CN115473841B (zh) | 网络路径的确定方法、装置及存储介质 | |
CN115618252A (zh) | 一种光伏接入容量评估方法、装置及电子设备 | |
CN115113054A (zh) | 一种梯次电池的安全评估方法、装置及电子设备 | |
CN114563712A (zh) | 一种电池容量估算方法、装置及电子设备 | |
CN112348123A (zh) | 一种用户聚类的方法、装置及电子设备 | |
CN115238568A (zh) | 一种数字孪生模型构建方法、装置及终端设备 | |
CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
CN102487516A (zh) | 利用路测数据进行自动小区规划优化的方法及装置 | |
CN116050504A (zh) | 一种基于深度学习的风电功率短期预测模型 | |
CN114675190A (zh) | 一种电池安全评估的方法、装置及电子设备 | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
CN116087814B (zh) | 一种提高电压采样精度的方法、装置及电子设备 | |
Liu et al. | Forecasting of wind velocity: An improved SVM algorithm combined with simulated annealing | |
CN115496285B (zh) | 一种电力负荷的预测方法、装置及电子设备 | |
CN116232581A (zh) | 部署混合精度的方法、装置及硬件架构 | |
CN113543017B (zh) | 毫米波车联网的波束切换方法及相关设备 | |
CN112235723B (zh) | 定位方法、装置、电子设备及计算机可读存储介质 | |
CN108495262B (zh) | 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法 | |
CN114726463A (zh) | 基于神经网络的移动通信用户时空分布预测方法及装置 | |
CN113507120A (zh) | 一种计算承载力的方法、装置及电子设备 |
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 |