CN116031888B - 基于动态负荷预测的潮流优化方法、系统及存储介质 - Google Patents
基于动态负荷预测的潮流优化方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116031888B CN116031888B CN202310304423.1A CN202310304423A CN116031888B CN 116031888 B CN116031888 B CN 116031888B CN 202310304423 A CN202310304423 A CN 202310304423A CN 116031888 B CN116031888 B CN 116031888B
- Authority
- CN
- China
- Prior art keywords
- data
- dynamic load
- clustering center
- classified
- information
- 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
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
本发明涉及一种基于动态负荷预测的潮流优化方法、系统及存储介质,属于电网优化技术领域,本发明通过构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,根据修正后的分类数据生成相应的潮流优化措施。通过LOF算法能对每一初始聚类中心的用户样本数据进行筛选,从而将该离群点数据进行剔除,使得对于处于同一数据或者相近的数据而不处于同一初始聚类中心的数据进行修正;其次,通过马尔科夫随机场模型对分类数据以及对应的聚类中心进行重新修正,使得电网监测系统对于动态负荷样本数据的识别更加准确,进而提高了目标区域中电网数据的潮流优化精度,从而使得电网数据分配更加合理。
Description
技术领域
本发明涉及电网技术领域,尤其涉及一种基于动态负荷预测的潮流优化方法、系统及存储介质。
背景技术
微电网可以有效的提升了区域电力系统供电的可靠性,对目前的能源困境的所能想到的解决方案有一定的启示意义。从目前来看,微电网也得到了各国的重视,有了较大的发展。在传统的电网中,对潮流的计算和优化已经比较完善,离线的潮流计算可以应用于运行方式分析等方面;在线实时的潮流计算不止在安全监控方面应用广泛,也会在安全分析等方面有所使用。最优潮流在原先只有等式约束的基础上,为了使模型更加稳定运行而加入了对功率、电压等参数上下限的限制,即不等式约束。微电网虽然是一种可以发挥分布式发电优势的组织方式和结构,但随着新能源的蓬勃发展,不断地接入微电网会改变电网结构,含有分布式电源的微电网在并网后的潮流优化也面临新的挑战。现如今,电网数据的处理关系到后期的潮流优化数据,电网监测系统常常需要将用户采集到的数据转换成另一种让计算机系统能够识别的信息,从而提高电网监测系统的识别速度。然而,FCM算法是由模糊理论和聚类理论结合而成的,对具有相似特征的电网数据进行分类,从而能够处理样本数量较大的数据,提高对电网数据的处理能力。现有技术中对于电网数据的处理还是存在一定的问题,由于FCM算法的特性,容易产生一定的问题,如处于同一数据或者相近的数据而不是处于同一初始聚类中心,而被分到其他的类别中,进而产生了局部最优解的现象产生,不利于电网数据的潮流优化。
发明内容
本发明克服了现有技术的不足,提供了一种基于动态负荷预测的潮流优化方法、系统及存储介质。
为达上述目的,本发明采用的技术方案为:
本发明提供了一种基于动态负荷预测的潮流优化方法,包括以下步骤:
获取目标区域中的历史动态负荷数据信息,并根据历史动态负荷数据信息构建用户动态负荷数据预测模型,基于用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息;
根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心;
通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据;
构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,根据修正后的分类数据生成相应的潮流优化措施。
进一步地,本发明的一个较佳实施例中,获取目标区域中的历史动态负荷数据信息,并根据历史动态负荷数据信息构建用户动态负荷数据预测模型,基于用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息,具体包括以下步骤:
获取目标区域中各个时段的历史动态负荷数据信息,基于卷积神经网络构建用户动态负荷数据预测模型,并将历史动态负荷数据信息分为训练集;
将训练集输送到卷积层以及池化层中进行卷积处理以及池化处理,并提取卷积处理以及池化处理的历史动态负荷数据信息中局部特征信息,并将局部特征信息进行降维,以获取一维向量;
将一维向量输入到全连接层中,通过输出向量识别历史动态负荷数据信息的类别信息,最后通过利用 Softmax 进行分类,保存模型参数,并输出用户动态负荷数据预测模型;
获取当前目标区域待潮流优化的时段信息,并将当前目标区域待潮流优化的时段信息输入到用户动态负荷数据预测模型中进行预估,以获取当前目标区域的预测动态负荷数据信息。
进一步地,本发明的一个较佳实施例中,根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心,具体为:
根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并预设若干个类别数据,基于类别数据通过FCM算法进行分类;
预设隶属度指数,并计算每一类对应的聚类中心以及每个样本数据与对应的聚类中心之间的欧式距离,以获取每一类对应的隶属度以及聚类中心;
对FCM算法的目标函数使用拉格朗乘子法对每一类对应的隶属度以及聚类中心进行更新,通过更新隶属度与聚类中心得到新的目标函数;
判断目标函数是否达到最小值,若目标函数达到最小值,停止迭代,每一样本数据根据最大隶属度确定聚类中心,以获取分类数据以及每一类分类数据对应的聚类中心。
进一步地,本发明的一个较佳实施例中,通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据,具体包括:
通过LOF算法计算每一类分类数据中的样本数据的局部离群因子,构建局部离群因子集合,并将每一类分类数据中的样本数据的局部离群因子输入到局部离群因子集合中;
逐一判断局部离群因子集合中的局部离群因子是否存在大于预定阈值的局部离群因子,若局部离群因子集合中的局部离群因子存在大于预定阈值的局部离群因子,则将当前局部离群因子对应的样本数据进行标记,生成处理后的样本数据集;
从处理后的样本数据集中提取出LOF值最小的对象作为第一个初始聚类中心,第二个初始聚类中心放置于第一个初始聚类中心LOF值不同且距离最远的位置点;
第三个初始聚类中心放置于与前两个初始聚类中心LOF值不同且距离次远的位置点,以此类推,直到计算得到所有的初始聚类中心为止,并根据所有的初始聚类中心确定二次分类数据。
进一步地,本发明的一个较佳实施例中,构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,具体为:
构建马尔科夫随机场模型,并根据马尔科夫随机场模型计算每一二次分类数据中样本数据对于相对应的初始聚类中心的先验概率值;
通过马氏距离度量算法计算每一二次分类数据中样本数据的位置以及相对应的初始聚类中心的马氏距离,根据先验概率值以及马氏距离计算出修正数据;
根据修正数据加入到原始的FCM算法的目标函数中,得到新的目标函数,并根据新的目标函数通过拉格朗日乘子法进行隶属度以及聚类中心进行数据更新,以获取更新后的隶属度以及更新后的聚类中心;
根据更新后的隶属度构建隶属度矩阵,并通过隶属度矩阵中各个样本数据与更新后的聚类中心的欧式距离最大值确定数据分类结果,以生成修正后的分类数据。
进一步地,本发明的一个较佳实施例中,根据修正后的分类数据生成相应的潮流优化措施,具体包括以下步骤:
根据修正后的分类数据获取目标区域中各个子目标对应的用户预估用电数据信息,并统计目标区域中各个子目标对应的用户用电数据信息,以生成用户预估总用电数据信息;
获取预设范围之内的分布式电源数据信息,并判断用户预估总用电数据信息与预设用电数据信息对比,得到偏差率,判断偏差率是否大于预设偏差率阈值;
若偏差率阈值大于预设偏差率阈值,则获取目标区域中的分布式电源剩余储能数据信息,并根据目标区域中的分布式电源剩余储能数据信息以及用户预估总用电数据信息获取用电差值数据;
根据用电差值数据生成补偿信息,并通过预设范围之内的分布式电源数据信息根据补偿信息对目标区域中的分布式电源进行电能储存。
本发明第二方面提供了一种基于动态负荷预测的潮流优化系统,系统包括存储器以及处理器,存储器中包含基于动态负荷预测的潮流优化方法程序,基于动态负荷预测的潮流优化方法程序被处理器执行时,实现如下步骤:
获取目标区域中的历史动态负荷数据信息,并根据历史动态负荷数据信息构建用户动态负荷数据预测模型,基于用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息;
根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心;
通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据;
构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,根据修正后的分类数据生成相应的潮流优化措施。
进一步地,本发明的一个较佳实施例中,通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据,具体包括:
通过LOF算法计算每一类分类数据中的样本数据的局部离群因子,构建局部离群因子集合,并将每一类分类数据中的样本数据的局部离群因子输入到局部离群因子集合中;
逐一判断局部离群因子集合中的局部离群因子是否存在大于预定阈值的局部离群因子,若局部离群因子集合中的局部离群因子存在大于预定阈值的局部离群因子,则将当前局部离群因子对应的样本数据进行标记,生成处理后的样本数据集;
从处理后的样本数据集中提取出LOF值最小的对象作为第一个初始聚类中心,第二个初始聚类中心放置于第一个初始聚类中心LOF值不同且距离最远的位置点;
第三个初始聚类中心放置于与前两个初始聚类中心LOF值不同且距离次远的位置点,以此类推,直到计算得到所有的初始聚类中心为止,并根据所有的初始聚类中心确定二次分类数据。
进一步地,本发明的一个较佳实施例中,构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,具体为:
构建马尔科夫随机场模型,并根据马尔科夫随机场模型计算每一二次分类数据中样本数据对于相对应的初始聚类中心的先验概率值;
通过马氏距离度量算法计算每一二次分类数据中样本数据的位置以及相对应的初始聚类中心的马氏距离,根据先验概率值以及马氏距离计算出修正数据;
根据修正数据加入到原始的FCM算法的目标函数中,得到新的目标函数,并根据新的目标函数通过拉格朗日乘子法进行隶属度以及聚类中心进行数据更新,以获取更新后的隶属度以及更新后的聚类中心;
根据更新后的隶属度构建隶属度矩阵,并通过隶属度矩阵中各个样本数据与更新后的聚类中心的欧式距离最大值确定数据分类结果,以生成修正后的分类数据。
本发明第三方面提供了一种计算机可读存储介质,该计算机可读存储介质中包括基于动态负荷预测的潮流优化方法程序,基于动态负荷预测的潮流优化方法程序被处理器执行时,实现基于动态负荷预测的潮流优化方法的步骤。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
本发明通过获取目标区域中的历史动态负荷数据信息,并根据历史动态负荷数据信息构建用户动态负荷数据预测模型,基于用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息,进一步根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心,进而通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据,最后通过构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,根据修正后的分类数据生成相应的潮流优化措施。通过LOF算法能对每一初始聚类中心的用户样本数据进行筛选,从而将该离群点数据进行剔除,使得对于处于同一数据或者相近的数据而不处于同一初始聚类中心的数据进行修正;其次,通过马尔科夫随机场模型对分类数据以及对应的聚类中心进行重新修正,使得电网监测系统对于动态负荷样本数据的识别更加准确,进而提高了目标区域中电网数据的潮流优化精度,从而使得电网数据分配更加合理。
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他实施例的附图。
图1示出了基于动态负荷预测的潮流优化方法的整体方法流程图;
图2示出了基于动态负荷预测的潮流优化方法的第一方法流程图;
图3示出了基于动态负荷预测的潮流优化方法的第二方法流程图;
图4使出了基于动态负荷预测的潮流优化系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示,本发明提供了一种基于动态负荷预测的潮流优化方法,包括以下步骤:
S102:获取目标区域中的历史动态负荷数据信息,并根据历史动态负荷数据信息构建用户动态负荷数据预测模型,基于用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息;
S104:根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心;
S106:通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据;
S108:构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,根据修正后的分类数据生成相应的潮流优化措施。
需要说明的是,本发明通过LOF算法能对每一初始聚类中心的用户样本数据进行筛选,从而将该离群点数据进行剔除,使得对于处于同一数据或者相近的数据而不处于同一初始聚类中心的数据进行修正;其次,通过马尔科夫随机场模型对分类数据以及对应的聚类中心进行重新修正,使得电网监测系统对于动态负荷样本数据的识别更加准确,进而提高了目标区域中电网数据的潮流优化精度,从而使得电网数据分配更加合理。
进一步地,本发明的一个较佳实施例中,获取目标区域中的历史动态负荷数据信息,并根据历史动态负荷数据信息构建用户动态负荷数据预测模型,基于用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息,具体包括以下步骤:
获取目标区域中各个时段的历史动态负荷数据信息,基于卷积神经网络构建用户动态负荷数据预测模型,并将历史动态负荷数据信息分为训练集;
将训练集输送到卷积层以及池化层中进行卷积处理以及池化处理,并提取卷积处理以及池化处理的历史动态负荷数据信息中局部特征信息,并将局部特征信息进行降维,以获取一维向量;
将一维向量输入到全连接层中,通过输出向量识别历史动态负荷数据信息的类别信息,最后通过利用 Softmax 进行分类,保存模型参数,并输出用户动态负荷数据预测模型;
获取当前目标区域待潮流优化的时段信息,并将当前目标区域待潮流优化的时段信息输入到用户动态负荷数据预测模型中进行预估,以获取当前目标区域的预测动态负荷数据信息。
需要说明的是,通过本方法能够根据目标区域中各个时段的历史动态负荷数据信息来预测出当前目标区域待潮流优化的时段信息对应的动态负荷数据信息。
进一步地,本发明的一个较佳实施例中,根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心,具体为:
根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并预设若干个类别数据,基于类别数据通过FCM算法进行分类;
预设隶属度指数,并计算每一类对应的聚类中心以及每个样本数据与对应的聚类中心之间的欧式距离,以获取每一类对应的隶属度以及聚类中心;
对FCM算法的目标函数使用拉格朗乘子法对每一类对应的隶属度以及聚类中心进行更新,通过更新隶属度与聚类中心得到新的目标函数;
判断目标函数是否达到最小值,若目标函数达到最小值,停止迭代,每一样本数据根据最大隶属度确定聚类中心,以获取分类数据以及每一类分类数据对应的聚类中心。
示例性地,本申请中采用的是FCM算法来对预测动态负荷数据信息进行描述,如用户用电数据为100kw/h为正常用电数据,用户用电数据为300 kw/h为中等用电数据等,由于计算机终端不知道100kw/h的含义,需要通过FCM算法对该类数据进行处理并分类,并生成对应的分类数据(即隶属度),如100kw/h对应的隶属度为正常用电数据,从而获取到分类数据以及初始化的每一类分类数据对应的聚类中心。其中隶属度指数一般设定为2。
如图2所示,进一步地,本发明的一个较佳实施例中,通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据,具体包括:
S202:通过LOF算法计算每一类分类数据中的样本数据的局部离群因子,构建局部离群因子集合,并将每一类分类数据中的样本数据的局部离群因子输入到局部离群因子集合中;
S204:逐一判断局部离群因子集合中的局部离群因子是否存在大于预定阈值的局部离群因子,若局部离群因子集合中的局部离群因子存在大于预定阈值的局部离群因子,则将当前局部离群因子对应的样本数据进行标记,生成处理后的样本数据集;
S206:从处理后的样本数据集中提取出LOF值最小的对象作为第一个初始聚类中心,第二个初始聚类中心放置于第一个初始聚类中心LOF值不同且距离最远的位置点;
S208:第三个初始聚类中心放置于与前两个初始聚类中心LOF值不同且距离次远的位置点,以此类推,直到计算得到所有的初始聚类中心为止,并根据所有的初始聚类中心确定二次分类数据。
示例性地,由于FCM算法的缺陷,处于同一数据或者相近的数据有可能不处于同一初始聚类中心,如处于100kw/h的数据,分类到了300kw/h的中等用电数据中,导致了数据的分类错误;当多个样本数据的局部离群因子趋近于1时,说明该类样本数据处于同一类的概率大。当存在样本数据的局部离群因子大于1时,说明样本数据的分类发生了错误。当样本数据的局部离群因子小于1时,说明该样本数据所在的位置点是聚类中心所在的位置点。通过本方法能够将错误分类的数据重新确定其聚类中心,并根据所有的初始聚类中心确定二次分类数据,从而提高对于样本数据的识别精度,进而提高电网在潮流优化时的优化精度。
如图3所示,进一步地,本发明的一个较佳实施例中,构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,具体为:
S302:构建马尔科夫随机场模型,并根据马尔科夫随机场模型计算每一二次分类数据中样本数据对于相对应的初始聚类中心的先验概率值;
S304:通过马氏距离度量算法计算每一二次分类数据中样本数据的位置以及相对应的初始聚类中心的马氏距离,根据先验概率值以及马氏距离计算出修正数据;
S306:根据修正数据加入到原始的FCM算法的目标函数中,得到新的目标函数,并根据新的目标函数通过拉格朗日乘子法进行隶属度以及聚类中心进行数据更新,以获取更新后的隶属度以及更新后的聚类中心;
S308:根据更新后的隶属度构建隶属度矩阵,并通过隶属度矩阵中各个样本数据与更新后的聚类中心的欧式距离最大值确定数据分类结果,以生成修正后的分类数据。
需要说明的是,当用户用电的样本数据很庞大时,FCM算法的实效性就会不太好,容易出现其他庞大的样本数据分类到其他样本数据中,导致样本数据的分类不够多的事件出现,进而影响了样本数据的分类类别,从而影响电网潮流优化的精度。针对于此,本申请中通过根据马尔科夫随机场模型计算每一二次分类数据中样本数据对于相对应的初始聚类中心的先验概率值,进而通过先验概率值以及马氏距离度量算法来实现对样本数据类别的修正,其中,修正的关系式满足:
;
其中,表示第x个样本数据属于第y类的修正隶属度,N为样本数据对应的集合,/>为每一个样本数据x对于对应的聚类中心y的先验概率,/>表示马氏距离。
其中,对于马氏距离的算法,满足以下关系式:
;
其中,表示马氏距离,x表示样本数据在计算机系统中所在的位置点,y为聚类中心所在的位置点,T表示矩阵转置。
通过以上方式,能够计算出修正数据,从而将修正数据加入到原始的FCM算法的目标函数中,得到新的目标函数,并根据新的目标函数通过拉格朗日乘子法进行隶属度以及聚类中心进行数据更新,以获取更新后的隶属度以及更新后的聚类中心,并通过隶属度矩阵中各个样本数据与更新后的聚类中心的欧式距离最大值确定数据分类结果,以生成修正后的分类数据,使得样本数据的分类更精确,进而提高对用电样本数据的识别精度,进而提高电网数据潮流优化的精度。
进一步地,本发明的一个较佳实施例中,根据修正后的分类数据生成相应的潮流优化措施,具体包括以下步骤:
根据修正后的分类数据获取目标区域中各个子目标对应的用户预估用电数据信息,并统计目标区域中各个子目标对应的用户用电数据信息,以生成用户预估总用电数据信息;
获取预设范围之内的分布式电源数据信息,并判断用户预估总用电数据信息与预设用电数据信息对比,得到偏差率,判断偏差率是否大于预设偏差率阈值;
若偏差率阈值大于预设偏差率阈值,则获取目标区域中的分布式电源剩余储能数据信息,并根据目标区域中的分布式电源剩余储能数据信息以及用户预估总用电数据信息获取用电差值数据;
根据用电差值数据生成补偿信息,并通过预设范围之内的分布式电源数据信息根据补偿信息对目标区域中的分布式电源进行电能储存。
需要说明的是,修正后的分类数据仅仅只是计算机系统能够识别的数据,其中需要将每个修正后的分类数据转换为统计时能够识别的数据,如正常用电数据为100w/h,如将正常用电的隶属度转换100w/h的样本数据。通过本方法能够根据补偿信息对目标区域中的分布式电源进行电能储存,实现提前对于预估用电进行潮流优化。
此外,计算每一类对应的聚类中心,具体还可以包括以下步骤:
根据FCM算法初始化随机生成若干个聚类中心,形成第一代粒子,构建适应度模型,并根据所述第一代粒子计算每个聚类中心的适应度值;
基于所述每个聚类中心的适应度值通过GA算法构建适应度种群,并获取适应度种群中适应值最大的粒子,通过PSO算法对适应度种群中每个粒子进行速度以及位置更新;
依据交叉概率以及变异概率进行选择、交叉和变异操作,并产生下一代适应度种群;计算所述新的种群中每个粒子的适应度值,并获取新的种群中适应值最大的粒子;
若适应度种群中适应值最大的粒子小于新的种群中适应值最大的粒子,则取代上一代适应度种群,并将该适应度种群的最大适应值作为最优个体,并生成若干个聚类中心。
需要说明的是,通过结合GA算法以及PSO算法来对聚类中心进行初始化,从而对聚类中心进行优化,能够提高FCM算法的聚类效果,进而提高对用电样本数据的识别精度,进而提高电网数据潮流优化的精度。其中,适应度模型满足以下关系式:
;
其中,为第i个粒子的适应度,k为常数,/>为FCM的目标函数。
需要说明的是,的值越小代表聚类效果越好,即当/>越大时,说明粒子的适应度就越大,亦表示对于数据的分类效果就越好,用电样本数据的识别精度就会越高,电网数据潮流优化的精度也会越高。
此外,本方法还可以包括以下步骤:
获取当前目标区域中每一电能传输路线的支路电能传输路线规划图,根据所述支路电能传输路线规划图获取潮流控制设备所在支路路线;
获取所述补偿信息大于预设补偿信息所在的支路路线,通过灰色关联分析法计算各个潮流控制设备所在支路路线以及所述补偿信息大于预设补偿信息所在的支路路线之间的关联性;
判断所述关联性是否不大于预设关联性,若所述关联性不大于预设关联性,则获取该支路路线所述补偿信息所出现的次数;
若所述次数大于预设次数,则将关联性大于预设关联性的支路路线标记为潮流优化设备的布局节点,根据潮流优化设备的布局节点对当前统一潮流控制器的布局进行优化,并定期更新潮流优化设备的布局节点。
需要说明的是,当关联性不大于预设关联性时,说明该支路路线经常出现异常的情况且不能通过各个潮流控制设备所在支路路线进行潮流优化,需要重新布置潮流控制设备对其控制。潮流优化设备可以是统一潮流控制器、分布式潮流控制器,当支路路线中需要潮流优化的次数大于预设次数时,说明该支路经常出现需要潮流优化的情况,通过本方法能够增强潮流优化设备布局节点的优化效果,从而使得潮流优化设备布局节点的布局更加合理,从而提高控制线路潮流、稳定电压、平衡负载从而提高系统输电能力的效果。其中,潮流优化可以是调节电压、稳压等情况,在本实施例中并未限制。
本发明第二方面提供了一种基于动态负荷预测的潮流优化系统4,系统包括存储器41以及处理器62,存储器41中包含基于动态负荷预测的潮流优化方法程序,基于动态负荷预测的潮流优化方法程序被处理器62执行时,实现如下步骤:
获取目标区域中的历史动态负荷数据信息,并根据历史动态负荷数据信息构建用户动态负荷数据预测模型,基于用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息;
根据当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心;
通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据;
构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,根据修正后的分类数据生成相应的潮流优化措施。
进一步地,本发明的一个较佳实施例中,通过LOF算法计算每一类分类数据的局部离群因子值,根据局部离群因子值确定每一类分类数据的初始聚类中心,基于初始聚类中心确定二次分类数据,具体包括:
通过LOF算法计算每一类分类数据中的样本数据的局部离群因子,构建局部离群因子集合,并将每一类分类数据中的样本数据的局部离群因子输入到局部离群因子集合中;
逐一判断局部离群因子集合中的局部离群因子是否存在大于预定阈值的局部离群因子,若局部离群因子集合中的局部离群因子存在大于预定阈值的局部离群因子,则将当前局部离群因子对应的样本数据进行标记,生成处理后的样本数据集;
从处理后的样本数据集中提取出LOF值最小的对象作为第一个初始聚类中心,第二个初始聚类中心放置于第一个初始聚类中心LOF值不同且距离最远的位置点;
第三个初始聚类中心放置于与前两个初始聚类中心LOF值不同且距离次远的位置点,以此类推,直到计算得到所有的初始聚类中心为止,并根据所有的初始聚类中心确定二次分类数据。
进一步地,本发明的一个较佳实施例中,构建马尔科夫随机场模型,并根据马尔科夫随机场模型对二次分类数据信息修正,以获取修正后的分类数据,具体为:
构建马尔科夫随机场模型,并根据马尔科夫随机场模型计算每一二次分类数据中样本数据对于相对应的初始聚类中心的先验概率值;
通过马氏距离度量算法计算每一二次分类数据中样本数据的位置以及相对应的初始聚类中心的马氏距离,根据先验概率值以及马氏距离计算出修正数据;
根据修正数据加入到原始的FCM算法的目标函数中,得到新的目标函数,并根据新的目标函数通过拉格朗日乘子法进行隶属度以及聚类中心进行数据更新,以获取更新后的隶属度以及更新后的聚类中心;
根据更新后的隶属度构建隶属度矩阵,并通过隶属度矩阵中各个样本数据与更新后的聚类中心的欧式距离最大值确定数据分类结果,以生成修正后的分类数据。
本发明第三方面提供了一种计算机可读存储介质,该计算机可读存储介质中包括基于动态负荷预测的潮流优化方法程序,基于动态负荷预测的潮流优化方法程序被处理器执行时,实现基于动态负荷预测的潮流优化方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,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,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上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;既可以位于一个地方,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实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以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,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。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做出贡献的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(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明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揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.基于动态负荷预测的潮流优化方法,其特征在于,包括以下步骤:
获取目标区域中的历史动态负荷数据信息,并根据所述历史动态负荷数据信息构建用户动态负荷数据预测模型,基于所述用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息;
根据所述当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对所述动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心;
通过LOF算法计算每一类分类数据的局部离群因子值,根据所述局部离群因子值确定每一类分类数据的初始聚类中心,基于所述初始聚类中心确定二次分类数据;
构建马尔科夫随机场模型,并根据所述马尔科夫随机场模型对所述二次分类数据信息修正,以获取修正后的分类数据,根据所述修正后的分类数据生成相应的潮流优化措施;
其中,根据所述当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对所述动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心,具体为:
根据所述当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并预设若干个类别数据,基于所述类别数据通过FCM算法进行分类;
预设隶属度指数,并计算每一类对应的聚类中心以及每个样本数据与对应的聚类中心之间的欧式距离,以获取每一类对应的隶属度以及聚类中心;
对FCM算法的目标函数使用拉格朗日乘子法对所述每一类对应的隶属度以及聚类中心进行更新,通过更新隶属度与聚类中心得到新的目标函数;
判断所述目标函数是否达到最小值,若所述目标函数达到最小值,停止迭代,每一样本数据根据最大隶属度确定聚类中心,以获取分类数据以及每一类分类数据对应的聚类中心;
其中,通过LOF算法计算每一类分类数据的局部离群因子值,根据所述局部离群因子值确定每一类分类数据的初始聚类中心,基于所述初始聚类中心确定二次分类数据,具体包括:
通过LOF算法计算每一类分类数据中的样本数据的局部离群因子,构建局部离群因子集合,并将所述每一类分类数据中的样本数据的局部离群因子输入到所述局部离群因子集合中;
逐一判断所述局部离群因子集合中的局部离群因子是否存在大于预定阈值的局部离群因子,若所述局部离群因子集合中的局部离群因子存在大于预定阈值的局部离群因子,则将当前局部离群因子对应的样本数据进行标记,生成处理后的样本数据集;
从所述处理后的样本数据集中提取出LOF值最小的对象作为第一个初始聚类中心,第二个初始聚类中心放置于第一个初始聚类中心LOF值不同且距离最远的位置点;
第三个初始聚类中心放置于与前两个初始聚类中心LOF值不同且距离次远的位置点,以此类推,直到计算得到所有的初始聚类中心为止,并根据所有的初始聚类中心确定二次分类数据;
其中,构建马尔科夫随机场模型,并根据所述马尔科夫随机场模型对所述二次分类数据信息修正,以获取修正后的分类数据,具体为:
构建马尔科夫随机场模型,并根据所述马尔科夫随机场模型计算每一所述二次分类数据中样本数据对于相对应的初始聚类中心的先验概率值;
通过马氏距离度量算法计算每一所述二次分类数据中样本数据的位置以及相对应的初始聚类中心的马氏距离,根据所述先验概率值以及马氏距离计算出修正数据;
根据所述修正数据加入到原始的FCM算法的目标函数中,得到新的目标函数,并根据所述新的目标函数通过拉格朗日乘子法进行隶属度以及聚类中心进行数据更新,以获取更新后的隶属度以及更新后的聚类中心;
根据所述更新后的隶属度构建隶属度矩阵,并通过所述隶属度矩阵中各个样本数据与更新后的聚类中心的欧式距离最大值确定数据分类结果,以生成修正后的分类数据;
其中,FCM算法为模糊聚类算法,LOF算法为离群点检测算法,LOF值为局部离群因子。
2.根据权利要求1所述的基于动态负荷预测的潮流优化方法,其特征在于,获取目标区域中的历史动态负荷数据信息,并根据所述历史动态负荷数据信息构建用户动态负荷数据预测模型,基于所述用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息,具体包括以下步骤:
获取目标区域中各个时段的历史动态负荷数据信息,基于卷积神经网络构建用户动态负荷数据预测模型,并将所述历史动态负荷数据信息分为训练集;
将所述训练集输送到卷积层以及池化层中进行卷积处理以及池化处理,并提取卷积处理以及池化处理的历史动态负荷数据信息中局部特征信息,并将所述局部特征信息进行降维,以获取一维向量;
将所述一维向量输入到全连接层中,通过输出向量识别所述历史动态负荷数据信息的类别信息,最后通过利用Softmax进行分类,保存模型参数,并输出用户动态负荷数据预测模型;
获取当前目标区域待潮流优化的时段信息,并将当前目标区域待潮流优化的时段信息输入到所述用户动态负荷数据预测模型中进行预估,以获取当前目标区域的预测动态负荷数据信息。
3.根据权利要求1所述的基于动态负荷预测的潮流优化方法,其特征在于,根据所述修正后的分类数据生成相应的潮流优化措施,具体包括以下步骤:
根据所述修正后的分类数据获取目标区域中各个子目标对应的用户预估用电数据信息,并统计所述目标区域中各个子目标对应的用户用电数据信息,以生成用户预估总用电数据信息;
获取预设范围之内的分布式电源数据信息,并判断所述用户预估总用电数据信息与预设用电数据信息对比,得到偏差率,判断所述偏差率是否大于预设偏差率阈值;
若所述偏差率阈值大于预设偏差率阈值,则获取目标区域中的分布式电源剩余储能数据信息,并根据所述目标区域中的分布式电源剩余储能数据信息以及用户预估总用电数据信息获取用电差值数据;
根据所述用电差值数据生成补偿信息,并通过预设范围之内的分布式电源数据信息根据补偿信息对目标区域中的分布式电源进行电能储存。
4.基于动态负荷预测的潮流优化系统,其特征在于,所述系统包括存储器以及处理器,所述存储器中包含基于动态负荷预测的潮流优化方法程序,所述基于动态负荷预测的潮流优化方法程序被处理器执行时,实现如下步骤:
获取目标区域中的历史动态负荷数据信息,并根据所述历史动态负荷数据信息构建用户动态负荷数据预测模型,基于所述用户动态负荷数据预测模型获取当前目标区域的预测动态负荷数据信息;
根据所述当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对所述动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心;
通过LOF算法计算每一类分类数据的局部离群因子值,根据所述局部离群因子值确定每一类分类数据的初始聚类中心,基于所述初始聚类中心确定二次分类数据;
构建马尔科夫随机场模型,并根据所述马尔科夫随机场模型对所述二次分类数据信息修正,以获取修正后的分类数据,根据所述修正后的分类数据生成相应的潮流优化措施;
其中,根据所述当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并通过FCM算法对所述动态负荷样本数据分类,以获取分类数据以及每一类分类数据对应的聚类中心,具体为:
根据所述当前目标区域的预测动态负荷数据信息构建动态负荷样本数据,并预设若干个类别数据,基于所述类别数据通过FCM算法进行分类;
预设隶属度指数,并计算每一类对应的聚类中心以及每个样本数据与对应的聚类中心之间的欧式距离,以获取每一类对应的隶属度以及聚类中心;
对FCM算法的目标函数使用拉格朗日乘子法对所述每一类对应的隶属度以及聚类中心进行更新,通过更新隶属度与聚类中心得到新的目标函数;
判断所述目标函数是否达到最小值,若所述目标函数达到最小值,停止迭代,每一样本数据根据最大隶属度确定聚类中心,以获取分类数据以及每一类分类数据对应的聚类中心;
其中,通过LOF算法计算每一类分类数据的局部离群因子值,根据所述局部离群因子值确定每一类分类数据的初始聚类中心,基于所述初始聚类中心确定二次分类数据,具体包括:
通过LOF算法计算每一类分类数据中的样本数据的局部离群因子,构建局部离群因子集合,并将所述每一类分类数据中的样本数据的局部离群因子输入到所述局部离群因子集合中;
逐一判断所述局部离群因子集合中的局部离群因子是否存在大于预定阈值的局部离群因子,若所述局部离群因子集合中的局部离群因子存在大于预定阈值的局部离群因子,则将当前局部离群因子对应的样本数据进行标记,生成处理后的样本数据集;
从所述处理后的样本数据集中提取出LOF值最小的对象作为第一个初始聚类中心,第二个初始聚类中心放置于第一个初始聚类中心LOF值不同且距离最远的位置点;
第三个初始聚类中心放置于与前两个初始聚类中心LOF值不同且距离次远的位置点,以此类推,直到计算得到所有的初始聚类中心为止,并根据所有的初始聚类中心确定二次分类数据;
其中,构建马尔科夫随机场模型,并根据所述马尔科夫随机场模型对所述二次分类数据信息修正,以获取修正后的分类数据,具体为:
构建马尔科夫随机场模型,并根据所述马尔科夫随机场模型计算每一所述二次分类数据中样本数据对于相对应的初始聚类中心的先验概率值;
通过马氏距离度量算法计算每一所述二次分类数据中样本数据的位置以及相对应的初始聚类中心的马氏距离,根据所述先验概率值以及马氏距离计算出修正数据;
根据所述修正数据加入到原始的FCM算法的目标函数中,得到新的目标函数,并根据所述新的目标函数通过拉格朗日乘子法进行隶属度以及聚类中心进行数据更新,以获取更新后的隶属度以及更新后的聚类中心;
根据所述更新后的隶属度构建隶属度矩阵,并通过所述隶属度矩阵中各个样本数据与更新后的聚类中心的欧式距离最大值确定数据分类结果,以生成修正后的分类数据;
其中,FCM算法为模糊聚类算法,LOF算法为离群点检测算法,LOF值为局部离群因子。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于动态负荷预测的潮流优化方法程序,所述基于动态负荷预测的潮流优化方法程序被处理器执行时,实现如权利要求1-3任一项所述的基于动态负荷预测的潮流优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310304423.1A CN116031888B (zh) | 2023-03-27 | 2023-03-27 | 基于动态负荷预测的潮流优化方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310304423.1A CN116031888B (zh) | 2023-03-27 | 2023-03-27 | 基于动态负荷预测的潮流优化方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116031888A CN116031888A (zh) | 2023-04-28 |
CN116031888B true CN116031888B (zh) | 2023-07-28 |
Family
ID=86077906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310304423.1A Active CN116031888B (zh) | 2023-03-27 | 2023-03-27 | 基于动态负荷预测的潮流优化方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116031888B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116567547B (zh) * | 2023-07-05 | 2023-12-01 | 北京融信数联科技有限公司 | 人口数据质量检验方法、系统和可读存储介质 |
CN116645175A (zh) * | 2023-07-27 | 2023-08-25 | 深圳新联胜光电科技有限公司 | 一种光学透镜的生产管理方法、系统及介质 |
CN116761298B (zh) * | 2023-08-23 | 2023-10-27 | 深圳光都照明有限公司 | 一种具有智能控制功能的led驱动器及控制方法 |
CN117132022B (zh) * | 2023-10-20 | 2023-12-29 | 江苏瑞问科技有限公司 | 基于动态负荷的数字化电网智能管理系统及方法 |
CN117519449A (zh) * | 2023-10-31 | 2024-02-06 | 深圳壹润科技有限公司 | 一种服务器主板电源控制方法、装置及设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070094061A1 (en) * | 2005-10-12 | 2007-04-26 | Jianying Hu | Method and system for predicting resource requirements for service engagements |
GB202013378D0 (en) * | 2020-08-26 | 2020-10-07 | Arbnco Ltd | Estimating energy consumption for a building using dilated convolutional neural networks |
CN115600729A (zh) * | 2022-09-27 | 2023-01-13 | 国网四川省电力公司经济技术研究院(Cn) | 一种考虑多属性网格电网负荷预测方法 |
-
2023
- 2023-03-27 CN CN202310304423.1A patent/CN116031888B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116031888A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
Hu et al. | Daily condition monitoring of grid-connected wind turbine via high-fidelity power curve and its comprehensive rating | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
Fan et al. | Fluctuation pattern recognition based ultra-short-term wind power probabilistic forecasting method | |
CN116821832A (zh) | 针对高压工商业用户用电负荷的异常数据辨识与修正方法 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
Wang et al. | Probabilistic power curve estimation based on meteorological factors and density LSTM | |
CN117060408B (zh) | 新能源发电预测方法及系统 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及系统 | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
Teekaraman et al. | [Retracted] Diminution of Smart Grid with Renewable Sources Using Support Vector Machines for Identification of Regression Losses in Large‐Scale Systems | |
CN115528684A (zh) | 一种超短期负荷预测方法、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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230704 Address after: No. 7, Wanshan Avenue, Meicheng Town, Qianshan City, Anqing City, Anhui Province 246000 Applicant after: State Grid Anhui Electric Power Co., Ltd. Qianshan Power Supply Co. Address before: 230009 No. 193, Tunxi Road, Hefei, Anhui Applicant before: Hefei University of Technology Applicant before: State Grid Anhui Electric Power Co., Ltd. Qianshan Power Supply Co. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |