CN116365513B - 一种基于电网态势指挥网络交互方法及其系统 - Google Patents
一种基于电网态势指挥网络交互方法及其系统 Download PDFInfo
- Publication number
- CN116365513B CN116365513B CN202310408118.7A CN202310408118A CN116365513B CN 116365513 B CN116365513 B CN 116365513B CN 202310408118 A CN202310408118 A CN 202310408118A CN 116365513 B CN116365513 B CN 116365513B
- Authority
- CN
- China
- Prior art keywords
- power supply
- data
- distribution network
- power distribution
- supply capacity
- 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 51
- 230000003993 interaction Effects 0.000 title claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 142
- 238000012549 training Methods 0.000 claims description 46
- 238000010248 power generation Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004146 energy storage Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance 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
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开涉及电网指挥网络交互技术领域,尤其涉及一种基于电网态势指挥网络交互方法及其系统。所述方法根据历史数据训练出主动配电网设备的故障预测模型以及供电能力模型,从主动配电网设备的故障情况以及供电能力做了全方位的评估,进而实时感知电网态势,再根据感知到的电网态势,基于故障预测模型和供电能力模型结合预测负荷数据,进而获得源荷不平衡程度,进而基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。解决了态势感知存在疏漏时很难纠错,调度方式还是采用的传统的调度计划制定的方式实现,系统的运行鲁棒性不够,调度优化策略难以得到有效评估和纠正的问题。
Description
技术领域
本公开涉及电网指挥网络交互技术领域,尤其涉及一种基于电网态势指挥网络交互方法及其系统。
背景技术
为满足未来电网发展需要和年负荷逐年增长的趋势下,主动配电网应运而生,其采用主动管理分布式电源、储能单元和利于优化调度的模式,具有灵活拓扑结构的公用配电网。由于分布式电源的发电不确定性会使得主动配电网的运行状态复杂多变,现有研究中通常会考虑终端用电的同时,也关注电网的态势感知,例如,结合分布式电源间歇性出力波动、电压越限、失负荷等情况来对电网的安全态势进行感知和评估,进而实现分时间段的对主动配电网进行优化调度。
然而,这种实现电网态势感知后结合用电需求的调度方式尽管能够自适应的优化用电调度,使得主动配电网的系统损耗值降低。然而,态势感知存在疏漏时很难纠错,调度方式还是采用的传统的调度计划制定的方式实现,系统的运行鲁棒性不够,调度优化策略难以得到有效评估和纠正。
发明内容
本公开提出了一种基于电网态势指挥网络交互方法及其系统,以解决上述技术问题中的至少一个。
根据本公开的一方面,提供了一种基于电网态势指挥网络交互方法,包括如下步骤:
获取主动配电网设备的历史运行数据和历史供电数据,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,基于所述历史供电数据训练获得主动配电网设备的供电能力模型;
基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据;
获取主动配电网设备的运行状态,将所述运行状态和负荷预测数据输入所述故障预测模型得到故障概率,将所述主动配电网设备的运行状态和故障概率输入所述供电能力模型获取供电能力数据;
根据所述负荷预测数据和供电能力数据计算得到源荷不平衡程度;
基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。
优选地,所述主动配电网设备至少包括如下设备:分布式发电单元、柔性负荷单元和储能单元。
优选地,基于所述历史供电数据训练获得主动配电网设备的供电能力模型,包括如下步骤:
根据主动配电网设备数量和供电量结合历史供电数据得出单个的主动配电网设备的平均供电量;
根据平均供电量以及历史供电数据中的各个主动配电网设备的分时供电能力作为深度神经网络的输入层进行训练得到供电能力模型,所述供电能力模型的输出为预测供电量。
优选地,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,包括如下步骤:
获取历史运行数据中的故障类型以及所述故障类型对应的设备运行时间以及超负荷次数;
将所述设备运行时间、超负荷次数和故障类型作为深度神经网络的输入层进行训练得到故障预测模型,所述故障预测模型的输出为所述主动配电网设备的预测故障概率。
优选地,获取主动配电网设备的运行状态,将所述运行状态和负荷预测数据输入所述故障预测模型得到故障概率,将所述主动配电网设备的运行状态和故障概率输入所述供电能力模型获取供电能力数据,包括如下步骤:
获取主动配电网设备的运行状态并根据所述运行状态计算出设备运行时间,所述设备运行时间包括启停次数和累积运行时间;
根据主动配电网设备的设备类型、设备运行时间以及负荷预测数据输入所述故障预测模型得到故障概率;
根据主动配电网设备的设备类型和故障概率,获取单个所述主动配电网设备的供电能力,再根据单个设备运行状态计算所有主动配电网设备的供电能力数据。
优选地,根据主动配电网设备的设备类型和故障概率,获取单个所述主动配电网设备的供电能力,再根据单个设备运行状态计算所有主动配电网设备的供电能力数据,包括:
统计主动配电网的设备类型并根据所述设备类型对应的供电能力减去该设备类型的故障概率对应的供电损耗,得到不同设备类型的总体供电能力;
根据所述总体供电能力除以设备数量得到单个所述主动配电网设备的供电能力;
根据单个所述主动配电网设备的供电能力,结合单个设备运行状态计算所有主动配电网设备的供电能力数据。
优选地,基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据,包括:
获取历史需求、历史天气预报情况及其对应的历史负荷数据,拟合出需求负荷方程;
将所述需求侧变化数据、天气预报数据输入所述需求负荷方程得到负荷预测数据。
作为本公开实施例的另一方面,提供一种基于电网态势指挥网络交互系统,包括:
模型训练模块,获取主动配电网设备的历史运行数据和历史供电数据,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,基于所述历史供电数据训练获得主动配电网设备的供电能力模型;
负荷预测数据获取模块,基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据;
供电能力计算模块,获取主动配电网设备的运行状态,将所述运行状态和负荷预测数据输入所述故障预测模型得到故障概率,将所述主动配电网设备的运行状态和故障概率输入所述供电能力模型获取供电能力数据;
源荷不平衡计算模块,根据所述负荷预测数据和供电能力数据计算得到源荷不平衡程度;
优化调度模块,基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。
根据本公开实施例的另一方面,还提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述基于电网态势指挥网络交互方法。
根据本公开实施例的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述基于电网态势指挥网络交互方法。
在本公开实施例中,提出了一种基于电网态势指挥网络交互方法及其系统的技术方案,根据历史数据训练出主动配电网设备的故障预测模型以及供电能力模型,从主动配电网设备的故障情况以及供电能力做了全方位的评估,进而实时感知电网态势,再根据感知到的电网态势,基于故障预测模型和供电能力模型结合预测负荷数据,进而获得源荷不平衡程度,进而基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。最终实现了基于电网态势指挥网络的主动配电网设备交互方法,解决了态势感知存在疏漏时很难纠错,调度方式还是采用的传统的调度计划制定的方式实现,系统的运行鲁棒性不够,调度优化策略难以得到有效评估和纠正的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的基于电网态势指挥网络交互方法的流程图;
图2示出根据本公开实施例的供电能力模型训练的步骤流程图;
图3示出根据本公开实施例的故障预测模型训练的步骤流程图;
图4示出根据本公开实施例的供电能力数据获取的步骤流程图;
图5示出根据本公开实施例的基于电网态势指挥网络交互系统的示意图;
图6是根据一示例性实施例示出的一种电子设备800的框图;
图7是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了基于电网态势指挥网络交互系统、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种基于电网态势指挥网络交互方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图1示出根据本公开实施例的基于电网态势指挥网络交互方法的流程图。如图1所示,包括如下步骤:
根据本公开的一方面,提供了一种基于电网态势指挥网络交互方法,包括如下步骤:
S10、获取主动配电网设备的历史运行数据和历史供电数据,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,基于所述历史供电数据训练获得主动配电网设备的供电能力模型;
S20、基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据;
S30、获取主动配电网设备的运行状态,将所述运行状态和负荷预测数据输入所述故障预测模型得到故障概率,将所述主动配电网设备的运行状态和故障概率输入所述供电能力模型获取供电能力数据;
S40、根据所述负荷预测数据和供电能力数据计算得到源荷不平衡程度;
S50、基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。
基于上述方案本公开实施例能够根据历史数据训练出主动配电网设备的故障预测模型以及供电能力模型,从主动配电网设备的故障情况以及供电能力做了全方位的评估,进而实时感知电网态势,再根据感知到的电网态势,基于故障预测模型和供电能力模型结合预测负荷数据,进而获得源荷不平衡程度,进而基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。最终实现了基于电网态势指挥网络的主动配电网设备交互方法,解决了态势感知存在疏漏时很难纠错,调度方式还是采用的传统的调度计划制定的方式实现,系统的运行鲁棒性不够,调度优化策略难以得到有效评估和纠正的问题。
为更进一步说明本公开实施例的实施方案,以下将具体的描述示例性的实施方式:
S10、获取主动配电网设备的历史运行数据和历史供电数据,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,基于所述历史供电数据训练获得主动配电网设备的供电能力模型;
其中,所述主动配电网设备至少包括如下设备:分布式发电单元、柔性负荷单元和储能单元。所述分布式发电单元通常是指发电功率在几千瓦至数百兆瓦(或者更低的在30~50兆瓦以下)的小型模块化、分散式、布置在用户附近的高效、可靠的发电单元。包括不限于以下几种:以液体或气体为燃料的内燃机、微型燃气轮机、太阳能发电(光伏电池、光热发电)、风力发电、生物质能发电等。柔性负荷单元包括不限于以下设备:变压器、高压柜、低压柜、母线桥、直流屏、模拟屏、高压电缆等。储能单元例如电化学储能系统主要由电池组、电池管理系统(BMS)、能量管理系统(EMS)、储能变流器(PCS)以及其他电气设备构成。
优选地,基于所述历史供电数据训练获得主动配电网设备的供电能力模型,如图2所示,包括如下步骤:
S101、根据主动配电网设备数量和供电量结合历史供电数据得出单个的主动配电网设备的平均供电量;其中,可以根据分布式发电单元、柔性负荷单元和储能单元的数量和能够提供的供电量,例如设备数量为66个,现在设备能够提供的供电量为8万千瓦,基于历史供电数据也就是供电能力与实际提供的供电量之间的关系(例如如果是线性关系,则直接按照比例折算现有供电能力能够提供的平均供电量,如果是非线性的,则可以根据历史供电数据拟合出供电能力和实际供电量之间的关系,根据关系推算出平均供电量)。
S103、根据平均供电量以及历史供电数据中的各个主动配电网设备的分时供电能力作为深度神经网络的输入层进行训练得到供电能力模型,所述供电能力模型的输出为预测供电量。
其中,为了更为细化的评估出各个主动配电网设备中的分布式发电单元的分时供电能力,所述分时供电能力是指分时段的能够提供的发电量,例如风力发电跟风力发电机的分布位置以及与分布位置的天气和季节情况有关,需要结合实际情况继续评估和测算。然后将各个设备的分时供电能力作为神经节点的输入形成输入层,对其中的数据特征如风力发电机的分布位置以及历史供电量、历史风力情况等进行提取,经过神经网络的隐含层的反向传播,进而对深度神经网络进行训练和学习,具体的,根据输出层中供电能力的输出值与实际的供电量之间的误差,通过delta规则学习权重,再通过反向传播计算,得到输出节点并求出相邻节点直至输入层与隐含层两者之间的临近值能够取到最小值,通过广义delta规则对权重进行调整,反复进行多次训练直至训练结果达到最佳,以最终得到供电能力模型。其中,所述供电能力模型的输出层包括预测供电量
优选地,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,如图3所示,包括如下步骤:
S201、获取历史运行数据中的故障类型以及所述故障类型对应的设备运行时间以及超负荷次数;其中,不同的设备对应的故障不同,所述故障类型包括不限于以下几种:由于组件或逆变器原因造成发电量低等系统部件可能出现的典型问题有接线盒烧毁、组件局部烧毁等。同时还需要获取上述故障类型中的设备运行多久发生的故障以及超负荷的次数等数据,所述超负荷次数可通过采集电流传感器的数据以实现监测,进而获取超出预设电流范围的次数即可作为超负荷次数。
S203、将所述设备运行时间、超负荷次数和故障类型作为深度神经网络的输入层进行训练得到故障预测模型,所述故障预测模型的输出为所述主动配电网设备的预测故障概率。同样的,采用将设备运行时间、超负荷次数和故障类型作为输入层采用深度神经网络进行训练,具体的训练过程可以参考供电能力模型中的训练过程。最终得到预测故障概率。
优选地,获取主动配电网设备的运行状态,将所述运行状态和负荷预测数据输入所述故障预测模型得到故障概率,将所述主动配电网设备的运行状态和故障概率输入所述供电能力模型获取供电能力数据,如图4所示,包括如下步骤:
S301、获取主动配电网设备的运行状态并根据所述运行状态计算出设备运行时间,所述设备运行时间包括启停次数和累积运行时间;为了更好的评估设备运行状态,需要对容易造成设备损耗或者跟设备故障密切相关的启停次数以及累积运行时间进行统计,这样能够得到更准确的故障概率。
S303、根据主动配电网设备的设备类型、设备运行时间以及负荷预测数据输入所述故障预测模型得到故障概率;考虑到不同设备类型的运行时间以及负荷预测数据对设备的影响情况,这样得到的故障概率在大数据中会具有更高的可信性。
S305、根据主动配电网设备的设备类型和故障概率,获取单个所述主动配电网设备的供电能力,再根据单个设备运行状态计算所有主动配电网设备的供电能力数据。其中,可以通过同一设备类型下的故障概率,预估出单个设备的供电能力。
优选地,根据主动配电网设备的设备类型和故障概率,获取单个所述主动配电网设备的供电能力,再根据单个设备运行状态计算所有主动配电网设备的供电能力数据,包括:
统计主动配电网的设备类型并根据所述设备类型对应的供电能力减去该设备类型的故障概率对应的供电损耗,得到不同设备类型的总体供电能力;先得到同一设备类型的供电能力以及供电损耗,得到整体的供电能力,这样能够避免随机误差对于整体的影响。
根据所述总体供电能力除以设备数量得到单个所述主动配电网设备的供电能力;这样得到的是单一预估的供电能力。
根据单个所述主动配电网设备的供电能力,结合单个设备运行状态计算所有主动配电网设备的供电能力数据。根据单个设备运行的状态预估出每个设备的故障概率以及这一故障概率下的供电能力,进而将其作为供电能力模型的输入层节点,基于供电能力模型的输出,进而得到所有的主动配电网设备的供电能力数据。
优选地,基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据,包括:
获取历史需求、历史天气预报情况及其对应的历史负荷数据,拟合出需求负荷方程;
将所述需求侧变化数据、天气预报数据输入所述需求负荷方程得到负荷预测数据。例如,如果需求负荷方程体现的是线性关系,则直接按照比例折算现有需要的需求负荷,如果是非线性的,则可以根据历史需求、历史天气预报情况及其对应的历史负荷数据拟合出历史需求、历史天气预报情况和历史负荷数据之间的关系,根据关系推算出需求负荷。
作为本公开实施例的另一方面,提供一种基于电网态势指挥网络交互系统,包括:
模型训练模块,获取主动配电网设备的历史运行数据和历史供电数据,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,基于所述历史供电数据训练获得主动配电网设备的供电能力模型;
负荷预测数据获取模块,基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据;
供电能力计算模块,获取主动配电网设备的运行状态,将所述运行状态和负荷预测数据输入所述故障预测模型得到故障概率,将所述主动配电网设备的运行状态和故障概率输入所述供电能力模型获取供电能力数据;
源荷不平衡计算模块,根据所述负荷预测数据和供电能力数据计算得到源荷不平衡程度;
优化调度模块,基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。
为更进一步说明本公开实施例的实施方案,如图5所示,示出了基于电网态势指挥网络交互系统的示意图,以下将具体的描述示例性的实施方式:
在模型训练模块中,所述主动配电网设备至少包括如下设备:分布式发电单元、柔性负荷单元和储能单元。所述分布式发电单元通常是指发电功率在几千瓦至数百兆瓦(或者更低的在30~50兆瓦以下)的小型模块化、分散式、布置在用户附近的高效、可靠的发电单元。包括不限于以下几种:以液体或气体为燃料的内燃机、微型燃气轮机、太阳能发电(光伏电池、光热发电)、风力发电、生物质能发电等。柔性负荷单元包括不限于以下设备:变压器、高压柜、低压柜、母线桥、直流屏、模拟屏、高压电缆等。储能单元例如电化学储能系统主要由电池组、电池管理系统(BMS)、能量管理系统(EMS)、储能变流器(PCS)以及其他电气设备构成。
在模型训练模块中,基于所述历史供电数据训练获得主动配电网设备的供电能力模型,具体实现如下功能:
根据主动配电网设备数量和供电量结合历史供电数据得出单个的主动配电网设备的平均供电量;其中,可以根据分布式发电单元、柔性负荷单元和储能单元的数量和能够提供的供电量,例如设备数量为66个,现在设备能够提供的供电量为8万千瓦,基于历史供电数据也就是供电能力与实际提供的供电量之间的关系(例如如果是线性关系,则直接按照比例折算现有供电能力能够提供的平均供电量,如果是非线性的,则可以根据历史供电数据拟合出供电能力和实际供电量之间的关系,根据关系推算出平均供电量)。
根据平均供电量以及历史供电数据中的各个主动配电网设备的分时供电能力作为深度神经网络的输入层进行训练得到供电能力模型,所述供电能力模型的输出为预测供电量。
在模型训练模块中,为了更为细化的评估出各个主动配电网设备中的分布式发电单元的分时供电能力,所述分时供电能力是指分时段的能够提供的发电量,例如风力发电跟风力发电机的分布位置以及与分布位置的天气和季节情况有关,需要结合实际情况继续评估和测算。然后将各个设备的分时供电能力作为神经节点的输入形成输入层,对其中的数据特征如风力发电机的分布位置以及历史供电量、历史风力情况等进行提取,经过神经网络的隐含层的反向传播,进而对深度神经网络进行训练和学习,具体的,根据输出层中供电能力的输出值与实际的供电量之间的误差,通过delta规则学习权重,再通过反向传播计算,得到输出节点并求出相邻节点直至输入层与隐含层两者之间的临近值能够取到最小值,通过广义delta规则对权重进行调整,反复进行多次训练直至训练结果达到最佳,以最终得到供电能力模型。其中,所述供电能力模型的输出层包括预测供电量
在模型训练模块中,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,具体实现如下功能:
获取历史运行数据中的故障类型以及所述故障类型对应的设备运行时间以及超负荷次数;其中,不同的设备对应的故障不同,所述故障类型包括不限于以下几种:由于组件或逆变器原因造成发电量低等系统部件可能出现的典型问题有接线盒烧毁、组件局部烧毁等。同时还需要获取上述故障类型中的设备运行多久发生的故障以及超负荷的次数等数据,所述超负荷次数可通过采集电流传感器的数据以实现监测,进而获取超出预设电流范围的次数即可作为超负荷次数。
将所述设备运行时间、超负荷次数和故障类型作为深度神经网络的输入层进行训练得到故障预测模型,所述故障预测模型的输出为所述主动配电网设备的预测故障概率。同样的,采用将设备运行时间、超负荷次数和故障类型作为输入层采用深度神经网络进行训练,具体的训练过程可以参考供电能力模型中的训练过程。最终得到预测故障概率。
优选地,供电能力计算模块中,还实现如下功能:
获取主动配电网设备的运行状态并根据所述运行状态计算出设备运行时间,所述设备运行时间包括启停次数和累积运行时间;为了更好的评估设备运行状态,需要对容易造成设备损耗或者跟设备故障密切相关的启停次数以及累积运行时间进行统计,这样能够得到更准确的故障概率。
根据主动配电网设备的设备类型、设备运行时间以及负荷预测数据输入所述故障预测模型得到故障概率;考虑到不同设备类型的运行时间以及负荷预测数据对设备的影响情况,这样得到的故障概率在大数据中会具有更高的可信性。
根据主动配电网设备的设备类型和故障概率,获取单个所述主动配电网设备的供电能力,再根据单个设备运行状态计算所有主动配电网设备的供电能力数据。其中,可以通过同一设备类型下的故障概率,预估出单个设备的供电能力。
优选地,供电能力计算模块中,还包括功能:
统计主动配电网的设备类型并根据所述设备类型对应的供电能力减去该设备类型的故障概率对应的供电损耗,得到不同设备类型的总体供电能力;先得到同一设备类型的供电能力以及供电损耗,得到整体的供电能力,这样能够避免随机误差对于整体的影响。
根据所述总体供电能力除以设备数量得到单个所述主动配电网设备的供电能力;这样得到的是单一预估的供电能力。
根据单个所述主动配电网设备的供电能力,结合单个设备运行状态计算所有主动配电网设备的供电能力数据。根据单个设备运行的状态预估出每个设备的故障概率以及这一故障概率下的供电能力,进而将其作为供电能力模型的输入层节点,基于供电能力模型的输出,进而得到所有的主动配电网设备的供电能力数据。
优选地,基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据,包括:
获取历史需求、历史天气预报情况及其对应的历史负荷数据,拟合出需求负荷方程;
将所述需求侧变化数据、天气预报数据输入所述需求负荷方程得到负荷预测数据。例如,如果需求负荷方程体现的是线性关系,则直接按照比例折算现有需要的需求负荷,如果是非线性的,则可以根据历史需求、历史天气预报情况及其对应的历史负荷数据拟合出历史需求、历史天气预报情况和历史负荷数据之间的关系,根据关系推算出需求负荷。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述基于电网态势指挥网络交互方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述基于电网态势指挥网络交互方法。电子设备可以被提供为终端、服务器或其它形态的设备。
图6是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图6,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图7是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图7,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如WindowsServerTM,MacOSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、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、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地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、或者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)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或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、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它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、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种基于电网态势指挥网络交互方法,其特征在于,包括如下步骤:
获取主动配电网设备的历史运行数据和历史供电数据,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,基于所述历史供电数据训练获得主动配电网设备的供电能力模型;
基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据;
获取主动配电网设备的运行状态,将所述运行状态和负荷预测数据输入所述故障预测模型得到故障概率,将所述主动配电网设备的运行状态和故障概率输入所述供电能力模型获取供电能力数据;包括如下步骤:获取主动配电网设备的运行状态并根据所述运行状态计算出设备运行时间,所述设备运行时间包括启停次数和累积运行时间;根据主动配电网设备的设备类型、设备运行时间以及负荷预测数据输入所述故障预测模型得到故障概率;统计主动配电网的设备类型并根据所述设备类型对应的供电能力减去该设备类型的故障概率对应的供电损耗,得到不同设备类型的总体供电能力;根据所述总体供电能力除以设备数量得到单个所述主动配电网设备的供电能力;根据单个所述主动配电网设备的供电能力,结合单个设备运行状态计算所有主动配电网设备的供电能力数据;
根据所述负荷预测数据和供电能力数据计算得到源荷不平衡程度;
基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。
2.根据权利要求1所述的基于电网态势指挥网络交互方法,其特征在于,所述主动配电网设备至少包括如下设备:分布式发电单元、柔性负荷单元和储能单元。
3.根据权利要求2所述的基于电网态势指挥网络交互方法,其特征在于,基于所述历史供电数据训练获得主动配电网设备的供电能力模型,包括如下步骤:
根据主动配电网设备数量和供电量结合历史供电数据得出单个的主动配电网设备的平均供电量;
根据平均供电量以及历史供电数据中的各个主动配电网设备的分时供电能力作为深度神经网络的输入层进行训练得到供电能力模型,所述供电能力模型的输出为预测供电量。
4.根据权利要求2-3任一项所述的基于电网态势指挥网络交互方法,其特征在于,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,包括如下步骤:
获取历史运行数据中的故障类型以及所述故障类型对应的设备运行时间以及超负荷次数;
将所述设备运行时间、超负荷次数和故障类型作为深度神经网络的输入层进行训练得到故障预测模型,所述故障预测模型的输出为所述主动配电网设备的预测故障概率。
5.根据权利要求1所述的基于电网态势指挥网络交互方法,其特征在于,基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据,包括:
获取历史需求、历史天气预报情况及其对应的历史负荷数据,拟合出需求负荷方程;
将所述需求侧变化数据、天气预报数据输入所述需求负荷方程得到负荷预测数据。
6.一种基于电网态势指挥网络交互系统,其特征在于,包括:
模型训练模块,获取主动配电网设备的历史运行数据和历史供电数据,基于所述历史运行数据训练获得主动配电网设备的故障预测模型,基于所述历史供电数据训练获得主动配电网设备的供电能力模型;
负荷预测数据获取模块,基于历史负荷数据、需求侧变化数据和天气预报数据预测得到负荷预测数据;
供电能力计算模块,获取主动配电网设备的运行状态,将所述运行状态和负荷预测数据输入所述故障预测模型得到故障概率,将所述主动配电网设备的运行状态和故障概率输入所述供电能力模型获取供电能力数据;包括:获取主动配电网设备的运行状态并根据所述运行状态计算出设备运行时间,所述设备运行时间包括启停次数和累积运行时间;根据主动配电网设备的设备类型、设备运行时间以及负荷预测数据输入所述故障预测模型得到故障概率;统计主动配电网的设备类型并根据所述设备类型对应的供电能力减去该设备类型的故障概率对应的供电损耗,得到不同设备类型的总体供电能力;根据所述总体供电能力除以设备数量得到单个所述主动配电网设备的供电能力;根据单个所述主动配电网设备的供电能力,结合单个设备运行状态计算所有主动配电网设备的供电能力数据;
源荷不平衡计算模块,根据所述负荷预测数据和供电能力数据计算得到源荷不平衡程度;
优化调度模块,基于所述故障概率和源荷不平衡程度对主动配电网设备进行优化调度。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1-5任一项中所述基于电网态势指挥网络交互系统的方法。
8.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1-5任一项中所述基于电网态势指挥网络交互系统的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408118.7A CN116365513B (zh) | 2023-04-17 | 2023-04-17 | 一种基于电网态势指挥网络交互方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408118.7A CN116365513B (zh) | 2023-04-17 | 2023-04-17 | 一种基于电网态势指挥网络交互方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116365513A CN116365513A (zh) | 2023-06-30 |
CN116365513B true CN116365513B (zh) | 2023-10-27 |
Family
ID=86921035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310408118.7A Active CN116365513B (zh) | 2023-04-17 | 2023-04-17 | 一种基于电网态势指挥网络交互方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116365513B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN112381266A (zh) * | 2020-10-22 | 2021-02-19 | 国网湖北省电力有限公司武汉供电公司 | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合系统及方法 |
EP3968247A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
CN114493238A (zh) * | 2022-01-23 | 2022-05-13 | 泰豪软件股份有限公司 | 供电服务风险预测方法、系统、存储介质及计算机设备 |
CN114492976A (zh) * | 2022-01-20 | 2022-05-13 | 广东电网有限责任公司电力调度控制中心 | 一种基于人工智能技术的调度运行态势全局感知方法及系统 |
CN114519450A (zh) * | 2021-12-17 | 2022-05-20 | 贵州电网有限责任公司 | 一种适用于新型电力系统的配电网态势感知方法及系统 |
CN115860383A (zh) * | 2022-11-29 | 2023-03-28 | 南方电网数字电网研究院有限公司 | 配电网调度方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230052730A1 (en) * | 2017-09-04 | 2023-02-16 | Southeast University | Method for predicting operation state of power distribution network with distributed generations based on scene analysis |
-
2023
- 2023-04-17 CN CN202310408118.7A patent/CN116365513B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3968247A1 (en) * | 2019-06-21 | 2022-03-16 | Siemens Aktiengesellschaft | Power load data prediction method and device, and storage medium |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
WO2021244000A1 (zh) * | 2020-06-03 | 2021-12-09 | 国网上海市电力公司 | 一种区域能源综合体虚拟聚合系统及方法 |
CN112381266A (zh) * | 2020-10-22 | 2021-02-19 | 国网湖北省电力有限公司武汉供电公司 | 基于历史供电及天气数据预测未来供电量的系统及其方法 |
CN114519450A (zh) * | 2021-12-17 | 2022-05-20 | 贵州电网有限责任公司 | 一种适用于新型电力系统的配电网态势感知方法及系统 |
CN114492976A (zh) * | 2022-01-20 | 2022-05-13 | 广东电网有限责任公司电力调度控制中心 | 一种基于人工智能技术的调度运行态势全局感知方法及系统 |
CN114493238A (zh) * | 2022-01-23 | 2022-05-13 | 泰豪软件股份有限公司 | 供电服务风险预测方法、系统、存储介质及计算机设备 |
CN115860383A (zh) * | 2022-11-29 | 2023-03-28 | 南方电网数字电网研究院有限公司 | 配电网调度方法、装置、电子设备及存储介质 |
Non-Patent Citations (8)
Title |
---|
A Review of Highly Reliable Operation Technologies and Evaluation Techniques for Microgrids in Remote Rural Areas;Huayong Ou等;《2023 8th Asia Conference on Power and Electrical Engineering》;第125-131页 * |
A Situation Awareness and Early Warning Method for Voltage Instability Risk;Wen Zhang等;《 2018 China International Conference on Electricity Distribution》;第1010-1014页 * |
Research on Network Information Security Model Based on Computer Artificial Intelligence Technology;Jiali Xiao等;《2023 IEEE 2nd International Conference on Electrical Engineering》;第582-585页 * |
基于BP神经网络的智能电表动态测量数据自动化分类;刘怡琳等;《自动化与仪器仪表》(第5期);第61-64、68页 * |
基于历史数据挖掘的配电网态势感知方法;黄蔓云等;《电网技术》;第41卷(第4期);第1139-1145页 * |
基于新型电力系统的"大电网"安全态势分析及策略研究;孔晨华等;《能源电力》;第15-17页 * |
基于风险性指标的主动配电网理论可靠性评估;郑博文等;《供用电》;第53-58页 * |
计及不确定性因素基于多场景的主动配电系统短期供电能力评估;高亚静;朱静;程华新;梁海峰;李鹏;;《中国电机工程学报》(第22期);第6076-6085页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116365513A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104267795B (zh) | 电量管理方法、电量管理装置和电子设备 | |
CN110783652B (zh) | 电池充电方法、电池充电装置及存储介质 | |
CN109766954A (zh) | 一种目标对象处理方法、装置、电子设备及存储介质 | |
CN112736970A (zh) | 光伏系统动态重构方法及装置、系统和电子设备 | |
JP6208344B2 (ja) | コンテキストに応じた電力管理 | |
JP5991318B2 (ja) | 行動推奨装置、行動推奨システム、行動推奨方法およびプログラム | |
Mohammed et al. | Programmable logic controller based lithium-ion battery management system for accurate state of charge estimation | |
CN113746118B (zh) | 基于储能电站的调度方法、装置、设备和系统 | |
EP3399423B1 (en) | Information terminal, information processing method, and control program | |
CN110190643B (zh) | 提醒用户充电的方法、装置、可穿戴设备及存储介质 | |
JP2013110917A (ja) | 売電スケジュール提示システム | |
CN108777330A (zh) | 充电管理方法、装置及终端 | |
CN110941642A (zh) | 基于Lucene全文检索的配电网数据处理方法、装置 | |
CN112698224B (zh) | 剩余电量估算方法、装置、设备及可读存储介质 | |
CN104822018A (zh) | 一种拍照装置的闪光灯控制方法 | |
CN116365513B (zh) | 一种基于电网态势指挥网络交互方法及其系统 | |
CN112736971A (zh) | 光伏系统动态重构方法及装置、系统和电子设备 | |
CN108874107B (zh) | 荷电状态的控制方法及装置 | |
CN113451669A (zh) | 充电方法及装置、电子设备、存储介质 | |
KR102344499B1 (ko) | 충전 계수를 기반으로 충전 상태를 판단하기 위한 전자 장치 및 그 동작 방법 | |
CN112924875B (zh) | 电池检测方法、装置和电子设备 | |
CN104778040A (zh) | 一种拍照装置 | |
CN107750043A (zh) | 基于穿戴式设备的位置提醒方法、装置、设备及存储介质 | |
CN111722695B (zh) | 终端设备功耗优化方法及装置 | |
CN116633005B (zh) | 基于拓扑分析技术的电力设备状态监控、控制方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |