CN115995838A - 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 - Google Patents
面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115995838A CN115995838A CN202211717049.XA CN202211717049A CN115995838A CN 115995838 A CN115995838 A CN 115995838A CN 202211717049 A CN202211717049 A CN 202211717049A CN 115995838 A CN115995838 A CN 115995838A
- Authority
- CN
- China
- Prior art keywords
- index
- energy storage
- clustering
- distributed energy
- cluster
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000033228 biological regulation Effects 0.000 claims abstract description 53
- 230000002776 aggregation Effects 0.000 claims abstract description 14
- 238000004220 aggregation Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 229920000642 polymer Polymers 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供了一种面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备，方法包括以下步骤：步骤1：根据资源特点构建资源聚类控制指标体系，从技术性和调控性两个角度选择控制指标，建立服务于资源聚类的控制指标体系；步骤2：配置聚类指标权重，根据聚类目标及聚类的服务对象确定权重配置原则，采用主观赋权法对各个聚类指标进行赋权；步骤3：基于得到的权重配置结果改进K‑means算法中的样本欧氏距离计算方式，实现分布式资源的分群聚类。本发明实现对配电网内分布式储能单元和电动汽车的分群聚合，以聚合后的资源控制指标作为评判聚合体间调控性能优劣的主要依据，增强分布式储能和电动汽车参与电网调控的可行性和经济性。
Description
技术领域
本发明属于电力系统运行与控制技术领域，主要涉及的是一种面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备。
背景技术
随着新能源产业的不断发展，配电网内分布式新能源接入规模正在不断增大，配电网开始从传统的无源网络向有源网络转化。同时，需求侧响应技术的发展使得负荷侧资源的调控能力愈发受到重视，配电网自身的调控潜力不断提升。其中，电动汽车作为一种较为典型的柔性负荷，与储能单元具有相似的调控特性，均可以通过调节二者的充放电功率实现与电网的互动。但在配电网中，分布式储能及电动汽车均具有总体数量大、单体容量小的特点，实现大规模分布式资源协调控制的前提条件是对其进行分群聚合，提高分布式储能和电动汽车参与电网调控的可行性。
综上所述，研究面向配电网内分布式储能和电动汽车的资源分群方法，将大量单体分布式资源变为数量小、容量大的资源聚合体，是一种合理高效的资源处理模式。具体采用考虑资源调控指标权重的K-means算法进行聚类，从各个调控单元的经济性和调控性两个角度出发，区分所有调控单元的调控优先级，满足电网调控的需求。
发明内容
本发明的目的是提供一种面向电动汽车和分布式储能协同控制的资源聚类方法：通过建立资源聚类控制指标体系并对聚类控制指标进行赋权，将所得权重与K-means聚类算法相结合，提出考虑资源实际特点的分布式资源聚类方法。综合考虑分布式储能和电动汽车实际特点，选择资源聚类控制指标，并配置相应的指标权重，利用指标权重改进常规聚类算法，以期更有效地实现分布式资源分群聚类。
为实现上述目的，本发明采用的技术方案是：
一种面向分布式储能及电动汽车的加权聚类方法，包括以下步骤：
步骤1：根据资源特点构建资源聚类控制指标体系，从技术性和调控性两个角度选择相应的控制指标，建立起服务于资源聚类的控制指标体系；
步骤2：配置聚类指标权重，根据聚类目标及聚类的服务对象确定权重的配置原则，采用主观赋权法对各个聚类指标进行赋权；
步骤3：提出考虑电动汽车和分布式储能指标权重的K-means算法，基于得到的权重配置结果改进K-means算法中的样本欧氏距离计算方式，实现分布式资源的分群聚类，赋予聚类结果实际含义。
进一步地，所述步骤1包括如下子步骤：
步骤1.1、确定调控性指标，其中所述调控性指标包括可调控容量和调控准确率；
步骤1.2、确定经济性指标，其中所述经济性指标包括分布式储能调节成本、电动汽车调节成本。
进一步地，控制资源的可调控容量Si通过分布式单元所允许的最大和最小出力来表示：
式中Pi.max和Pi.min分别代表分布式单元i的最大容量与最小容量。
进一步地，基于历史数据的调控准确率Ri通过下式来表示：
式中Pt'和Pt分别为电动汽车及分布式储能的实际出力和基于调控方法的预期出力；N代表时段总数；Cap为分布式单元实际容量。
进一步地，将储能单元的的单位调节成本cESS,i作为分布式储能资源的经济性指标；将电动汽车的单位调节成本cEV,i作为电动汽车的经济性指标。
进一步地，所述步骤2通过主观上的层次分析法完成，具体步骤包括：
步骤2.1、建立层次结构模型，具体以配电网当中控制资源的调控性能为目标层，将技术性和经济性作为准则层，将步骤1选定的3个聚类指标作为指标层；
步骤2.2、构造指标重要性判断矩阵A；
步骤2.3、计算指标权重，采用和法计算权值，将判断矩阵A的n个行向量归一化后的算术平均值作为权重值，
步骤2.4、进行一致性检验。
进一步地，所述步骤2.3其具体步骤包括：
(1)A内元素按行归一化；
(2)将归一化后的各行相加；
(3)将相加后的向量除以n，即得到权重向量。
进一步地，所述步骤3包括如下子步骤：
步骤3.1、指标归一化，将可调控容量Si和调控准确率Ri作为正指标，单位调控成本ci作为逆指标进行归一化；
步骤3.2、选择最佳聚类数目，利用肘部法则来确定最合适的聚类数目K，
根据K-means算法的聚类原则，即类簇间欧式距离大、类簇内欧氏距离小，设置目标函数：
式中，K为总聚类集群个数，Nk表示各集群k内样本集合，xi与x0,k分别代表第样本i及集群k的聚合中心；
步骤3.3、初始化聚类中心
在样本集中随机选取K个样本作为聚类中心的方式实现理想质心初始化；
步骤3.4、考虑指标权重计算样本欧氏距离，如下式：
式中U0,k为第k个聚类中心样本；xij代表样本Ui内第j个指标的值的统称；wj为第j个指标的权重大小；x0,k,j为第k个聚类中心U0,k内各个指标的统称；
步骤3.5、样本分群与聚类中心更新
根据加权计算结果依照簇间距离最大，簇内距离最小的原则进行分群，并重新计算新的聚类中心集，更新方式如下式：
其中Nk代表簇Ck中样本的总个数，即集群内电动汽车和分布式储能数量；Uk,i为簇Ck中的第i个样本；
步骤3.6、判断聚类中心位置，重复步骤3.4和步骤3.5两个步骤的工作，直至聚类中心不发生变化，停止迭代求解，完成资源分群；
步骤3.7、对资源控制指标进行聚合表示，结束聚类流程。
本发明还提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的考虑分布式储能及电动汽车调控指标权重的聚类方法。
本发明还提供一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前所述考虑分布式储能及电动汽车调控指标权重的聚类方法。
与现有技术相比，本发明带来了以下有益技术效果，本发明可以实现对配电网内大规模分布式储能单元和电动汽车的分群聚合，并以聚合后的资源控制指标作为评判聚合体间调控性能优劣的主要依据，增强大规模分布式储能和电动汽车参与电网调控的可行性和经济性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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他的附图。
图1为本发明资源聚类控制指标体系；
图2为考虑分布式储能及电动汽车调控指标权重的K-means聚类算法流程图。
具体实施方式
以下结合附图和实施例详细说明本发明的技术方案。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。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的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面将结合附图，对本发明进行详细说明，基于本发明的实施例，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，都属于本发明保护的范围。
本发明提供一种面向电动汽车和分布式储能协同控制的资源聚类方法：包括以下步骤：
步骤1：根据资源特点构建资源聚类控制指标体系，从技术性和调控性两个角度选择相应的控制指标，建立起服务于资源聚类的控制指标体系；
步骤2：配置聚类指标权重，根据聚类目标及聚类的服务对象确定权重的配置原则，采用主观赋权法对各个聚类指标进行赋权；
步骤3：提出考虑电动汽车和分布式储能指标权重的K-means算法，基于得到的权重配置结果改进K-means算法中的样本欧氏距离计算方式，实现分布式资源的分群聚类，赋予聚类结果实际含义。
步骤1.1、确定调控性指标
(1)可调控容量
控制资源的可调控容量Si直接体现了控制资源的可调控范围，可以通过分布式单元所允许的最大和最小出力来表示：
式中Pi.max和Pi.min分别代表分布式单元i的最大容量与最小容量。
此处针对不同的资源类型应根据相应的资源约束和运行情况对各时段的资源可调容量进行评估，以提高资源指标数据的可靠性和准确性。
(2)调控准确率
基于历史数据的调控准确率Ri在很大程度上反映了资源可调控性能的好坏，通过下式来表示调控准确率：
式中Pt'和Pt分别为电动汽车及分布式储能的实际出力和基于调控方法的预期出力；N代表时段总数；Cap为分布式单元实际容量。
步骤1.2、确定经济性指标
为提升含规模化分布式资源配电网的经济性，应当根据不同的资源类型和特点，以不同的角度考虑资源参与调控的调节成本，并将其作为分群聚类的经济性指标。
(1)分布式储能调节成本
储能单元的调节总成本CESS.i与当前的充放电状态、单位调节成本cESS,i和一段时间内的充放电功率
或
的大小有关。将其中的单位调节成本cESS,i作为分布式储能资源的经济性指标。
(2)电动汽车调节成本
电动汽车的调节成本CEV,i取决于参与调节的电动汽车调节量大小ΔPEV,i和单位调节成本cEV,i，将cEV,i作为该类型资源的经济性指标。
最终得到面向分布式储能和电动汽车的资源聚类控制指标体系如图1所示。
步骤2主要通过主观上的层次分析法完成，具体步骤包括：
步骤2.1、建立层次结构模型
具体以配电网当中控制资源的调控性能为目标层，将技术性和经济性作为准则层，将步骤1选定的3个聚类指标作为指标层。
步骤2.2、构造指标重要性判断矩阵
式中A代表指标重要性判断矩阵；aij为指标i和指标j之间重要性的比较结果；n为判断矩阵的维数，也即指标的个数。
其中，判断矩阵的元素应满足aij＝1/aij，若i＝j，则aij＝1。aij的值应根据经验与实际需求，按照比例标度表进行指标重要程度的量化评级，比例标度表如表1所示。
表1判断矩阵赋值参照表
步骤2.3：计算指标权重
采用和法计算权值，将判断矩阵A的n个行向量归一化后的算术平均值，近似作为权重值。如下式：
其具体步骤包括：
(1)A内元素按行归一化；
(2)将归一化后的各行相加；
(3)将相加后的向量除以n，即得到权重向量。
步骤2.4：进行一致性检验
计算判断矩阵的最大特征值和一致性指标CI，并结合随机判断矩阵阶数n和随机一致性指标RI，计算一致性比例CR，三个参数的计算方法如下所示。
式中λmax为判断矩阵最大特征值；W代表指标权重组成的特征向量。若计算得到的一致性比例CR≤0.1，则说明判断矩阵合理，可以确定指标的权重大小。
步骤3的具体实现包括：
步骤3.1、指标归一化
归一化处理不同的含义、量级和量纲的各个指标。考虑指标物理含义，将选择的指标分为正、逆指标，前者越大越好，后者越小越好，具体将可调控容量Si和调控准确率Ri作为正指标，单位调控成本ci作为逆指标，归一化方式如下所示，其中的带“*”的量表示归一化后的数值。
步骤3.2、选择最佳聚类数目
聚类数量K对K-means算法的聚类效果有着决定性的影响，本发明利用肘部法则来确定最合适的聚类数目K。根据K-means算法的聚类原则，即类簇间欧式距离大、类簇内欧氏距离小，设置目标函数：
式中，K为总聚类集群个数，Nk表示各集群k内样本集合，xi与x0,k分别代表第样本i及集群k的聚合中心。随着聚类数的增大，各集群的聚合程度会逐渐提高，目标函数也会逐渐减小。当K达到其真实聚类数时，聚合程度回报急剧减小，对应于目标函数D下降的最大值，类似于D与K关系图肘部，对应数目即可确定为最优聚类数K。
步骤3.3、初始化聚类中心
在样本集中随机选取K个样本作为聚类中心的方式实现理想质心初始化。
步骤3.4、考虑指标权重计算样本欧氏距离
在欧氏距离计算方法的基础上，考虑指标实际意义，计算分布式单元样本到各个聚类中心的欧氏距离。
式中U0,k为第k个聚类中心样本；xij代表样本Ui内第j个指标的值的统称；wj为第j个指标的权重大小；x0,k,j为第k个聚类中心U0,k内各个指标的统称。
步骤3.5、样本分群与聚类中心更新
根据加权计算结果依照簇间距离最大，簇内距离最小的原则进行分群，并重新计算新的聚类中心集，更新方式如下式：
其中Nk代表簇Ck中样本的总个数，即集群内电动汽车和分布式储能数量；Uk,i为簇Ck中的第i个样本。
步骤3.6、判断聚类中心位置，重复步骤3.4和步骤3.5两个步骤的工作，直至聚类中心不发生变化，停止迭代求解，完成资源分群；
步骤3.7、对资源控制指标进行聚合表示，结束聚类流程。
本发明采用的考虑分布式储能及电动汽车调控指标权重的聚类算法流程如图2所示。
对含多元控制资源的聚合体建立指标的聚合模型。本发明通过下面三个公式分别对可调控容量、调控准确率和单位调控成本三个指标进行了聚合：
式中
为聚合体k在t时刻的总可调控容量，
为聚合体k的在t时刻的平均调控准确率，ck为聚合体k内各类资源的平均单位调控成本之和，Nk,ESS和Nk,EV分别代表聚合体k中储能单元及电动汽车的数量，i和j分别代表集群k内分布式储能和电动汽车中的某一单元。
本发明所提出的方法具体实施过程如下：
1.实际配电网分布式资源数据采集与处理
根据本发明提出的考虑资源调控性和经济性的资源聚类控制指标体系，有针对性地采集分布式储能以及电动汽车的实时运行数据和参数，并按照相关指标的定义方法对采集数据进行处理，以计算并构建分布式资源的样本数据库，具体包括分布式储能和电动汽车的可调控容量Si、调控准确率Ri和单位调控成本ci。
2.配置资源控制指标权重
利用主观上的层次分析法对选定的各个资源聚类指标进行权重配置，可根据最终资源聚类结果的应用场景和需求制定相应的权重配置原则，例如，在较长时间尺度下，以资源调控代价最小为优先考量，应当相应增大单位调控成本ci的权重大小；相反地，在短时间尺度调控需求下，增大资源调控准确率Ri或者可调控容量Si的权重。
3.结合指标权重与K-means聚类算法实现资源分群聚合
利用指标权重反映指标实际意义，更新资源样本数据间的欧式距离矩阵计算方法，并根据K-means算法的基础原则进行分群，通过迭代聚类中心完成资源聚合；最终通过聚合指标模型作为大规模分布式储能和电动汽车集群调控性能优劣的判断依据，以此体现本发明所提出的聚类方法的有效性和可行性。
本发明还提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的面向分布式储能及电动汽车的加权聚类方法。
一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前所述面向分布式储能及电动汽车的加权聚类方法。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的方法并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。
Claims (10)
1.一种面向分布式储能及电动汽车的加权聚类方法，其特征在于，包括以下步骤：
步骤1：根据资源特点构建资源聚类控制指标体系，从技术性和调控性两个角度选择相应的控制指标，建立起服务于资源聚类的控制指标体系；
步骤2：配置聚类指标权重，根据聚类目标及聚类的服务对象确定权重的配置原则，采用主观赋权法对各个聚类指标进行赋权；
步骤3：提出考虑电动汽车和分布式储能指标权重的K-means算法，基于得到的权重配置结果改进K-means算法中的样本欧氏距离计算方式，实现分布式资源的分群聚类，赋予聚类结果实际含义。
2.根据权利要求1所述的一种面向分布式储能及电动汽车的加权聚类方法，其特征在于，所述步骤1包括如下子步骤：
步骤1.1、确定调控性指标，其中所述调控性指标包括可调控容量和调控准确率；
步骤1.2、确定经济性指标，其中所述经济性指标包括分布式储能调节成本、电动汽车调节成本。
3.根据权利要求2所述的一种面向分布式储能及电动汽车的加权聚类方法，其特征在于，控制资源的可调控容量Si通过分布式单元所允许的最大和最小出力来表示：
Si＝Pi max-Pi min
式中Pi.max和Pi.min分别代表分布式单元i的最大容量与最小容量。
4.根据权利要求2所述的一种面向分布式储能及电动汽车的加权聚类方法，其特征在于，基于历史数据的调控准确率Ri通过下式来表示：
式中Pt'和Pt分别为电动汽车及分布式储能的实际出力和基于调控方法的预期出力；N代表时段总数；Cap为分布式单元实际容量。
5.根据权利要求2所述的一种面向分布式储能及电动汽车的加权聚类方法，其特征在于，将储能单元的的单位调节成本cESS,i作为分布式储能资源的经济性指标；将电动汽车的单位调节成本cEV,i作为电动汽车的经济性指标。
6.根据权利要求1所述的一种面向分布式储能及电动汽车的加权聚类方法，其特征在于，所述步骤2通过主观上的层次分析法完成，具体步骤包括：
步骤2.1、建立层次结构模型，具体以配电网当中控制资源的调控性能为目标层，将技术性和经济性作为准则层，将步骤1选定的3个聚类指标作为指标层；
步骤2.2、构造指标重要性判断矩阵A；
步骤2.3、计算指标权重，采用和法计算权值，将判断矩阵A的n个行向量归一化后的算术平均值作为权重值，
步骤2.4、进行一致性检验。
7.根据权利要求6所述的一种面向分布式储能及电动汽车的加权聚类方法，其特征在于，所述步骤2.3其具体步骤包括：
(1)A内元素按行归一化；
(2)将归一化后的各行相加；
(3)将相加后的向量除以n，即得到权重向量。
8.根据权利要求1所述的一种面向分布式储能及电动汽车的加权聚类方法，其特征在于，所述步骤3包括如下子步骤：
步骤3.1、指标归一化，将可调控容量Si和调控准确率Ri作为正指标，单位调控成本ci作为逆指标进行归一化；
步骤3.2、选择最佳聚类数目，利用肘部法则来确定最合适的聚类数目K，
根据K-means算法的聚类原则，即类簇间欧式距离大、类簇内欧氏距离小，设置目标函数：
式中，K为总聚类集群个数，Nk表示各集群k内样本集合，xi与x0,k分别代表第样本i及集群k的聚合中心；
步骤3.3、初始化聚类中心
在样本集中随机选取K个样本作为聚类中心的方式实现理想质心初始化；
步骤3.4、考虑指标权重计算样本欧氏距离，如下式：
式中U0,k为第k个聚类中心样本；xij代表样本Ui内第j个指标的值的统称；wj为第j个指标的权重大小；x0,k,j为第k个聚类中心U0,k内各个指标的统称；
步骤3.5、样本分群与聚类中心更新
根据加权计算结果依照簇间距离最大，簇内距离最小的原则进行分群，并重新计算新的聚类中心集，更新方式如下式：
其中Nk代表簇Ck中样本的总个数，即集群内电动汽车和分布式储能数量；Uk,i为簇Ck中的第i个样本；
步骤3.6、判断聚类中心位置，重复步骤3.4和步骤3.5两个步骤的工作，直至聚类中心不发生变化，停止迭代求解，完成资源分群；
步骤3.7、对资源控制指标进行聚合表示，结束聚类流程。
9.一种存储介质，其特征在于，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如权利要求1-8任一项所述的面向分布式储能及电动汽车的加权聚类方法。
10.一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-8任一项所述的面向分布式储能及电动汽车的加权聚类方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211717049.XA CN115995838A (zh) | 2022-12-29 | 2022-12-29 | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211717049.XA CN115995838A (zh) | 2022-12-29 | 2022-12-29 | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115995838A true CN115995838A (zh) | 2023-04-21 |
Family
ID=85989919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211717049.XA Pending CN115995838A (zh) | 2022-12-29 | 2022-12-29 | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115995838A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502111A (zh) * | 2023-06-27 | 2023-07-28 | 武汉大学 | 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 |
| CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
-
2022
- 2022-12-29 CN CN202211717049.XA patent/CN115995838A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116502111A (zh) * | 2023-06-27 | 2023-07-28 | 武汉大学 | 基于指标权重改进K-means++算法的分布式资源聚类方法及系统 |
| CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
| CN117067920B (zh) * | 2023-10-18 | 2024-01-05 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115995838A (zh) | 面向分布式储能及电动汽车的加权聚类方法、存储介质及电子设备 | |
| CN110096349B (zh) | 一种基于集群节点负载状态预测的作业调度方法 | |
| CN111008504B (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
| CN105744006A (zh) | 一种面向多类型服务的粒子群优化用户请求调度方法 | |
| CN111967733A (zh) | 一种聚合群电源调峰潜力模糊综合评估方法 | |
| CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
| CN113010270A (zh) | 基于Kubernetes平台资源动态负载均衡调度方法及系统 | |
| CN115173465A (zh) | 一种基于Copula理论的风光水火储一体化耦合机理分析方法 | |
| CN108765194A (zh) | 一种有效的居民用电行为分析系统 | |
| CN115759626A (zh) | 改进K-means++的多资源动态聚类方法及系统 | |
| CN112002949A (zh) | 一种动力电池主动均衡的监测管理方法及系统 | |
| CN117526286A (zh) | 电动汽车集群可调容量评估方法、系统、设备和存储介质 | |
| CN116109458A (zh) | 一种水库泄洪闸门调度方法、系统、存储介质及计算设备 | |
| CN117465272A (zh) | 多枪低功率充电桩系统及充电方法 | |
| CN114880939A (zh) | 一种动力电池寿命的智能预测方法及装置 | |
| CN118195825A (zh) | 一种换电站动力电池智能高效充放电方法及系统 | |
| CN117196884A (zh) | 一种虚拟电厂优化控制方法及系统 | |
| CN117634806A (zh) | 电动汽车负荷聚合方法、系统、设备及介质 | |
| CN117220281A (zh) | 一种电动汽车接入电网调节能力量化评估方法及系统 | |
| CN112882805A (zh) | 一种任务资源约束的利润优化调度方法 | |
| CN117201408A (zh) | 一种基于群体博弈的大规模物联网设备负载均衡解决方法 | |
| CN114944662B (zh) | 基于支持向量聚类的电动汽车集群并网鲁棒优化调度方法 | |
| CN110991743A (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
| CN115879715A (zh) | 一种考虑响应特性的虚拟电厂多形态柔性资源等值聚合方法 | |
| CN116187506A (zh) | 考虑气象分类的短期风电功率组合概率预测方法及系统 |
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 |