CN115879570B - 电网负荷预测模型的建立方法及计算机可读储存介质 - Google Patents
电网负荷预测模型的建立方法及计算机可读储存介质 Download PDFInfo
- Publication number
- CN115879570B CN115879570B CN202211316546.9A CN202211316546A CN115879570B CN 115879570 B CN115879570 B CN 115879570B CN 202211316546 A CN202211316546 A CN 202211316546A CN 115879570 B CN115879570 B CN 115879570B
- Authority
- CN
- China
- Prior art keywords
- prediction model
- load prediction
- load
- data
- transformer substation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003860 storage Methods 0.000 title claims description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000007689 inspection Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 239000002356 single layer Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电网负荷预测模型的建立方法，包括数据获取，数据清洗，建立线路负荷预测模型，通过变电站叠加负荷预测模型与变电站XGBoost负荷预测模型相互检验得到的变电站负荷预测模型；以及相互检验得到的区域负荷预测模型等步骤。该电网负荷预测模型的建立方法通过采用XGBoost预测方法对电网历史运行数据结合影响电网的气候、日程数据进行分析生成电网不同层级的负荷预测模型，能够保证训练后的模型的精准度，在更高层级的变电站负荷预测与区域负荷预测中，由于结合下层负荷预测模型与当前层级负荷预测模型，兼顾了电网的局部信息与范围信息，因此相比于依靠单层模型的预测，能够使负荷预测模型的结果更接近实际情况。
Description
技术领域
本发明涉及电网负荷预测技术领域，具体涉及一种电网负荷预测模型的建立方法及计算机可读储存介质。
背景技术
近年为了加快以碳达峰、碳中和为目标的新型电力系统的建设，从不同维度对配电网各级展开精准负荷预测，将有效地为源网荷储的优化调度提供支撑。传统电网负荷预测与气候因素具有很强的关联性，但随着电网系统中新能源的广泛接入和以碳中和为目标的各项政策的实施，影响电网负荷的因素变的更加复杂。随着风电、光伏等新能源的快速发展,电力系统的负荷需求变化和新能源出力的随机波动性具有高度的相关性,因此研究新型电力系统背景下电力负荷预测带来的影响意义重大。而负荷预测是配电网运行与规划的重要组成部分,也是配电网资产效益提升的基础。开展新型电力系统下面向区域、变电站和线路的中长期负荷预测的研究工作，可以通过技术手段有效提升电网运维效率，减小高负荷是运维不及时造成的电网故障，辅助构建以新能源为主题的新型电力系统。
因此，在传统负荷预测方法基础上，以新型电力系统为背景，通过开展对典型用户的负荷曲线和负荷特性研究，并结合新型电力系统的特点，挖掘影响典型用户负荷的主要因素，综合考虑新型电力系统下用户的行业特性，宏观经济发展情况等因素，通过集成学习对基于多种影响因素下的多种负荷预测算法进行集成，开展多影响因素的精准负荷预测研究，通过自下而上负荷预测模型对区站线的负荷开展中长期预测。然而现有技术中，对于电网的中长期负荷预测的精准度有待提升。
发明内容
针对现有技术中电网负荷预测的精准度有待提升的问题，本发明提供一种电网负荷预测模型的建立方法及计算机可读储存介质。
本发明的技术方案提供一种电网负荷预测模型的建立方法，包括如下步骤：
数据获取：获取电网系统的历史负荷数据，同时获取电网系统所在区域的历史气候数据。
数据清洗：对历史负荷数据清洗处理得到可用的历史负荷数据；
线路负荷预测模型建立：对于某一输电线路，基于输电线路的历史负荷数据以及输电线路所在区域的历史气候数据训练基于XGBoost算法的预测模型，得到该输电线路的线路负荷预测模型；
变电站负荷预测模型建立：将变电站下辖线路的线路负荷预测模型进行同时率叠加得到变电站叠加负荷预测模型基于变电站的历史负荷数据以及其所辖片区的历史气候数据训练基于XGBoost算法的预测模型，得到该变电站的变电站XGBoost负荷预测模型/>将变电站叠加负荷预测模型/>与变电站XGBoost负荷预测模型相互检验得到变电站负荷预测模型Msubs；
区域负荷预测模型建立：根据电网拓扑结构，将区域内变电站的变电站负荷预测模型进行同时率叠加得到区域叠加负荷预测模型基于所在区域的历史负荷数据以及其历史气候数据训练基于XGBoost算法的预测模型，得到所在区域的区域XGBoost负荷预测模型/>将区域叠加负荷预测模型/>与区域XGBoost负荷预测模型相互校验得到区域负荷预测模型Marea。
具体的，
所述将变电站叠加负荷预测模型与变电站XGBoost负荷预测模型相互检验得到变电站负荷预测模型Msubs；步骤按下式的判断逻辑进行：
其中，mean函数为取两者均值；
所述将区域叠加负荷预测模型与区域XGBoost负荷预测模型/>相互校验得到区域负荷预测模型Marea按下式的判断逻辑进行：
其中，mean函数为取两者均值。
具体的，所述数据清洗步骤中，选取利用马尔科夫模型对中压线路历史负荷数据的序列片段进行提取，得到可用的历史负荷数据，马尔科夫分析法的基本模型为：X(k+1)＝X(k)×P；公式中X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵，X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量。
本发明还提供一种计算机可读储存介质，存储有计算机程序，所述计算机程序被处理器执行时，使所述处理器执行上述任一项电网负荷预测模型的建立方法的步骤。
本发明的电网负荷预测模型的建立方法通过采用XGBoost预测方法对电网历史运行数据结合影响电网的气候、日程数据进行分析生成电网不同层级的负荷预测模型。由于在模型训练的过程中考虑了影响电网负荷波动的时间、气候等主要外部因素，其预测可靠性能够得到保证，从而在单层预测中能够保证训练后的模型的精准度。在更高层级的变电站负荷预测与区域负荷预测中，由于结合下层负荷预测模型与当前层级负荷预测模型，兼顾了电网的局部信息与范围信息，因此相比于依靠单层模型的预测，能够使负荷预测模型的结果更接近实际情况。
附图说明
图1为本发明的预测模型的构建流程图；
图2为本发明的XGBoost算法学习机个数n_estimators的参数调节曲线；
图3为本发明的XGBoost算法深度max_depth与正则化参数min_child_weight的调节图；
图4为本发明的XGBoost算法惩罚系数gamma参数调节曲线；
图5为本发明的XGBoost算法子采样的比例subsample和使用特征占全部特征的比例colsample_bytree的参数调节图；
图6为本发明的XGBoost算法L1正则化reg_alpha和L2正则化reg_lambda的参数调节图；
图7为本发明的XGBoost算法的学习率learning_rate的调节曲线。
具体实施方式
以下结合附图和具体实施例，对本发明进行详细说明，在本说明书中，附图尺寸比例并不代表实际尺寸比例，其只用于体现各部件之间的相对位置关系与连接关系，名称相同或标号相同的部件代表相似或相同的结构，且仅限于示意的目的。
本发明的电网负荷预测模型包括线路负荷预测模型、变电站负荷预测模型以及区域负荷预测模型。由于电网的分布特点，某一区域内存在多个变电站，每个变电站下辖多个输电线路。因此从范围层级上看，线路负荷预测模型是底层的电网负荷预测模型，变电站负荷预测模型是中层的电网负荷预测模型，而区域负荷预测模型则是一定范围内的顶层电网负荷预测模型，不同层级的电网负荷预测模型由于其预测覆盖范围的不同，因此在实际预测应用中用于不同的应用场景。
对于上述电网负荷预测模型，本发明的电网负荷预测模型的建立方法的建立方法的步骤如图1的流程图所示，包括：
数据获取。获取电网系统的历史负荷数据，同时获取电网系统所在区域的历史气候数据。
数据清洗。对历史负荷数据清洗处理，选取利用马尔科夫模型对中压线路历史负荷数据的序列片段进行提取，得到可用的历史负荷数据。其中，马尔科夫分析法的基本模型为：X(k+1)＝X(k)×P；公式中X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵，X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量。
线路负荷预测模型建立。对于某一输电线路，基于输电线路的历史负荷数据以及输电线路所在区域的历史气候数据训练基于XGBoost算法的预测模型，得到该输电线路的线路负荷预测模型。
变电站负荷预测模型建立。变电站负荷预测模型的建立包括以下步骤：
根据电网拓扑结构，将变电站下辖线路的线路负荷预测模型进行同时率叠加得到变电站叠加负荷预测模型
基于变电站的历史负荷数据以及其所辖片区的历史气候数据训练基于XGBoost算法的预测模型，得到该变电站的变电站XGBoost负荷预测模型
相互校验确定变电站负荷预测模型Msubs。校验公式如下：
其中，mean函数为取两者均值。
区域负荷预测模型建立。区域负荷预测模型的建立包括以下步骤：
根据电网拓扑结构，将区域内变电站的变电站负荷预测模型进行同时率叠加得到区域叠加负荷预测模型
基于所在区域的历史负荷数据以及其历史气候数据训练基于XGBoost算法的预测模型，得到所在区域的区域XGBoost负荷预测模型
相互校验确定区域负荷预测模型Marea。校验公式如下：
其中，mean函数为取两者均值。
其中，基于XGBoost算法的预测模型的训练过程包括如下步骤：
特征选择。中长期负荷预测模型，其主要影响因素包括气温、天气状况、历史负荷情况、节假日情况等等。这里选择了日最高温度、日最低温度、天气状况(阴、晴、雨、雪等)天气状况的表达、前三天的历史负荷值、昨天的最高温度、是否为节假日、周几的特征开展分析。其中的节假日信息通过布尔变量表示，周几的信息通过枚举变量表示。
模型训练。设定合适的模型参数与与训练参数，将选定特征的历史数据以及历史负荷数据作为输入训练确定需要的负荷预测模型。
设定训练时间，设定训练时间，通过不断调整参数和训练次数，观察训练误差下降趋势，增加和减少基础特征的数量，得到相对较优的XGBoost中长期负荷预测模型；其中的训练参数为:
学习机个数n_estimators＝90，
最大深度为max_depth＝5和正则化参数min_child_weight＝9，
惩罚系数gamma＝0.05，
子采样的比例subsample＝0.7和使用特征占全部特征的比例colsample_bytree＝1.0，
L1正则化reg_alpha＝3和L2正则化reg_lambda＝0.3，
学习率learning_rate＝0.06。
图2-7分别为学习机个数、最大深度和正则化参数、惩罚系数、子采样的比例和使用特征占全部特征的比例、L1正则化和L2正则化以及学习率的实验数据。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、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设备上，使得在计算机或其他可编程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。
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 (3)
1.一种电网负荷预测模型的建立方法，其特征在于，包括如下步骤：
数据获取：获取电网系统的历史负荷数据，同时获取电网系统所在区域的历史气候数据；
数据清洗：对历史负荷数据清洗处理得到可用的历史负荷数据；
线路负荷预测模型建立：对于某一输电线路，基于输电线路的历史负荷数据以及输电线路所在区域的历史气候数据训练基于XGBoost算法的预测模型，得到该输电线路的线路负荷预测模型；
变电站负荷预测模型建立：将变电站下辖线路的线路负荷预测模型进行同时率叠加得到变电站叠加负荷预测模型基于变电站的历史负荷数据以及其所辖片区的历史气候数据训练基于XGBoost算法的预测模型，得到该变电站的变电站XGBoost负荷预测模型/>将变电站叠加负荷预测模型/>与变电站XGBoost负荷预测模型相互检验得到变电站负荷预测模型Msubs；
区域负荷预测模型建立：根据电网拓扑结构，将区域内变电站的变电站负荷预测模型进行同时率叠加得到区域叠加负荷预测模型基于所在区域的历史负荷数据以及其历史气候数据训练基于XGBoost算法的预测模型，得到所在区域的区域XGBoost负荷预测模型/>将区域叠加负荷预测模型/>与区域XGBoost负荷预测模型相互校验得到区域负荷预测模型Marea；
所述将变电站叠加负荷预测模型与变电站XGBoost负荷预测模型/>相互检验得到变电站负荷预测模型Msubs；步骤按下式的判断逻辑进行：
其中，mean函数为取两者均值；
所述将区域叠加负荷预测模型与区域XGBoost负荷预测模型/>相互校验得到区域负荷预测模型Marea按下式的判断逻辑进行：
其中，mean函数为取两者均值。
2.如权利要求1所述的电网负荷预测模型的建立方法，其特征在于，所述数据清洗步骤中，选取利用马尔科夫模型对中压线路历史负荷数据的序列片段进行提取，得到可用的历史负荷数据，马尔科夫分析法的基本模型为：X(k+1)＝X(k)×P；公式中X(k)表示趋势分析与预测对象在t＝k时刻的状态向量，P表示一步转移概率矩阵，X(k+1)表示趋势分析与预测对象在t＝k+1时刻的状态向量。
3.一种计算机可读储存介质，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，使所述处理器执行如权利要求1-2任一项所述的电网负荷预测模型的建立方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211316546.9A CN115879570B (zh) | 2022-10-25 | 2022-10-25 | 电网负荷预测模型的建立方法及计算机可读储存介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211316546.9A CN115879570B (zh) | 2022-10-25 | 2022-10-25 | 电网负荷预测模型的建立方法及计算机可读储存介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115879570A CN115879570A (zh) | 2023-03-31 |
| CN115879570B true CN115879570B (zh) | 2024-05-07 |
Family
ID=85758971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211316546.9A Active CN115879570B (zh) | 2022-10-25 | 2022-10-25 | 电网负荷预测模型的建立方法及计算机可读储存介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879570B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296464A (zh) * | 2016-08-23 | 2017-01-04 | 国网山东省电力公司菏泽供电公司 | 大数据多点负荷预测方法 |
| CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
| CN111861039A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司广州供电局 | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 |
| CN113205207A (zh) * | 2021-04-19 | 2021-08-03 | 深圳供电局有限公司 | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 |
| CN113283638A (zh) * | 2021-04-22 | 2021-08-20 | 国电南瑞科技股份有限公司 | 一种基于融合模型的负荷极值曲线预测方法及系统 |
| CN114091325A (zh) * | 2021-11-05 | 2022-02-25 | 深圳供电局有限公司 | 一种基于多模型分层学习的配电台区负荷预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210334914A1 (en) * | 2017-02-07 | 2021-10-28 | Foresight Energy Ltd | System and method for determining power production in an electrical power grid |
-
2022
- 2022-10-25 CN CN202211316546.9A patent/CN115879570B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106296464A (zh) * | 2016-08-23 | 2017-01-04 | 国网山东省电力公司菏泽供电公司 | 大数据多点负荷预测方法 |
| CN110570034A (zh) * | 2019-08-29 | 2019-12-13 | 河海大学 | 一种基于多XGBoost模型融合的母线负荷预测方法 |
| CN111861039A (zh) * | 2020-07-31 | 2020-10-30 | 广东电网有限责任公司广州供电局 | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 |
| CN113205207A (zh) * | 2021-04-19 | 2021-08-03 | 深圳供电局有限公司 | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 |
| CN113283638A (zh) * | 2021-04-22 | 2021-08-20 | 国电南瑞科技股份有限公司 | 一种基于融合模型的负荷极值曲线预测方法及系统 |
| CN114091325A (zh) * | 2021-11-05 | 2022-02-25 | 深圳供电局有限公司 | 一种基于多模型分层学习的配电台区负荷预测方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Optimized XGBoost based sparrow search algorithm for short-term load forecasting;JiaLei Song 等;《 2021 IEEE International Conference on Computer Science, Artificial Intelligence and Electronic Engineering (CSAIEE)》;第213-217页 * |
| 基于分布式优化思想的配电网用电负荷多层协同预测方法;谭嘉 等;《上海交通大学学报》;20211228;第55卷(第12期);第1544-1553页 * |
| 多层分区空间负荷预测方法在城网规划中的应用;徐伟星 等;《机电工程技术》;第42期(第01期);第32-36页 * |
| 考虑实时气象因素的电网短期负荷预测建模;陆明珍;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第02期);第C042-1366页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115879570A (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022036778A1 (zh) | 一种输配协同负荷恢复优化控制方法及系统 | |
| CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
| Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
| Zhang et al. | Two-stage robust security constrained unit commitment considering the spatiotemporal correlation of uncertainty prediction error | |
| CN103729501A (zh) | 基于灰色理论的短期电力负荷预测方法 | |
| CN110969306B (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| Ploussard et al. | A search space reduction method for transmission expansion planning using an iterative refinement of the DC load flow model | |
| CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
| CN117833242B (zh) | 基于数字孪生的电力能源智能调度方法及系统 | |
| CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
| Cho et al. | Three-stage robust unit commitment considering decreasing uncertainty in wind power forecasting | |
| CN115879570B (zh) | 电网负荷预测模型的建立方法及计算机可读储存介质 | |
| KR20220083353A (ko) | 재생에너지 변동성을 고려한 전력 계통 안정도 해석 시스템 및 방법 | |
| CN116345565A (zh) | 一种新能源与储能容量联合优化方法、系统、设备和介质 | |
| CN115495862A (zh) | 考虑可再生能源极端场景的输电网扩展规划方法及系统 | |
| EP4142088A1 (en) | Predicting grid frequency | |
| CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
| CN115544871A (zh) | 考虑可再生电源空间相关性的分布鲁棒型储能规划方法 | |
| Awadalla et al. | Influence of stochastic dependence on network constraints screening for unit commitment | |
| CN112365134B (zh) | 一种基于点估计法概率多能流的能源网络随机规划方法 | |
| CN112217215B (zh) | 一种基于psd-bpa的大型电力系统随机潮流计算方法 | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| CN117937474B (zh) | 一种新能源场站储能管理方法及系统 | |
| CN114650190B (zh) | 数据中心网络的节能方法、系统、终端设备及存储介质 | |
| CN116128130B (zh) | 一种基于图神经网络的短期风能数据预测方法及装置 |
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 |