CN116502771B - 一种基于电力物资预测的配电方法及系统 - Google Patents
一种基于电力物资预测的配电方法及系统 Download PDFInfo
- Publication number
- CN116502771B CN116502771B CN202310736264.2A CN202310736264A CN116502771B CN 116502771 B CN116502771 B CN 116502771B CN 202310736264 A CN202310736264 A CN 202310736264A CN 116502771 B CN116502771 B CN 116502771B
- Authority
- CN
- China
- Prior art keywords
- data
- power
- model
- demand
- prediction
- 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
- 239000000463 material Substances 0.000 title claims abstract description 208
- 238000009826 distribution Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 83
- 239000004035 construction material Substances 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims description 101
- 238000013499 data model Methods 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 24
- 238000010248 power generation Methods 0.000 claims description 15
- 238000004146 energy storage Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 8
- 238000013112 stability test Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 description 7
- 239000002305 electric material Substances 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000002737 fuel gas Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于电力物资预测的配电方法及系统，涉及配电系统技术领域，所述方法包括：获取历史电力物资数据；对所述历史电力物资数据进行预处理，获得训练数据；根据所述训练数据建立电力物资预测模型；根据所述电力物资预测模型获得灾害物资需求数据和电网建设物资需求数据；基于所述灾害物资需求数据和所述电网建设物资需求数据获得预测结果；根据配电自动化系统建立电网模型，根据所述电网模型获取电网的需求数据；根据所述预测结果，对所述需求数据进行优化，获得配电策略，保证在特殊情况发生前制定配电物资分配预案。
Description
技术领域
本发明涉及配电系统技术领域，具体而言，涉及一种基于电力物资预测的配电方法及系统。
背景技术
电力资源具有复杂性大、可靠性强、经济性好的特点，由于电能的生产、传输和消费几乎同时进行，导致发电设备任何时候可生产的电能必须与消耗的电能相平衡。当电网的规模较大时，电力物资的保障情况会影响发电和供电的效率，尤其电力系统遇到例如自然灾害等突发性事故时，由于自然灾害的突发性及其带来的破坏程度的不可预测性，导致电力物资被破坏，或导致电力物资的性能降低，进而导致发电或配电出现波动。
目前对电力物资的预测大多依靠管理人员的经验，对电力物资的状态进行主观估计，缺乏科学的预测方法，在出现突发情况时易出现物资短缺的现象，而物资的调控工作难以根据突发情况做出积极响应，电网缺乏电力物资的供应，导致既定配电方案无法匹配现实需求，最终影响配电作业。
发明内容
本发明解决的问题是如何防止突发情况产生时影响配电作业。
为解决上述问题，本发明提供一种基于电力物资预测的配电方法，包括：
获取历史电力物资数据；
对所述历史电力物资数据进行预处理，获得训练数据；
根据所述训练数据建立电力物资预测模型；
根据所述电力物资预测模型获得灾害物资需求数据和电网建设物资需求数据；
基于所述灾害物资需求数据和所述电网建设物资需求数据获得预测结果；
根据配电自动化系统建立电网模型，根据所述电网模型获取电网的需求数据；
根据所述预测结果，对所述需求数据进行优化，获得配电策略。
相对于现有技术，本发明根据历史电力物资数据作为数据源，处理获得训练数据，防止不准确的数据参与训练，通过训练数据建立电力物资预测模型，并分别对电力物资需求影响较大的自然灾害情况以及电网建设作业针对性地进行分别预测，并根据上述两种特殊情况获得具有电力物资需求的预测结果；另一方面，通过配电自动化系统建立电网模型，以准确获取电网需求数据，由于电网需求数据为用户端的需求，电力物资需求为系统端需求，因为电网具有实时性，故二者需要进行匹配，根据预测结果以及电网需求数据进行优化和匹配，获得配电策略，保证在普通时刻可以根据预测结果制定配电策略，也可以在自然灾害情况以及电网产生建设作业时，也能匹配需求数据，使控制端可以及时作出应急预案，在突发情况产生之前制定相应的配电策略，保证配电作业的稳定进行。
可选地，所述历史电力物资数据包括天气数据、施工数据，所述对所述历史电力物资数据进行预处理，获得训练数据包括：
根据所述历史电力物资数据的数据类型建立预处理约束，删除偏离所述预处理约束的数据，获得第一数据；
将所述第一数据中大于预设烈度的所述天气数据作为自然灾害数据；
将所述第一数据中施工时长超过预设时长，且施工类型为预设类型的所述施工数据作为电网建设数据；
将所述第一数据中的其他数据作为普通数据；
将所述自然灾害数据、所述电网建设数据和所述普通数据作为所述训练数据。
可选地，所述根据所述训练数据建立电力物资预测模型包括：
随机选取至少一个季度的所述训练数据作为验证集；
基于其他季度的所述训练数据建立训练集；
根据所述训练集分别建立自然灾害物资预测模型、电网建设数据模型和普通物资预测模型；
根据所述自然灾害物资预测模型、所述电网建设数据模型和所述普通物资预测模型建立所述电力物资预测模型。
可选地，所述基于其他季度的所述训练数据作为训练集包括：
对所述训练数据进行平稳性检验，获得平稳性参数；
判断所述平稳性参数是否为1；
若是，则对所述训练数据进行差分操作，并重新对差分后的所述训练数据进行平稳性检验，判断所述平稳性参数是否为1，直至所述平稳性参数小于1，将符合条件的训练数据作为所述训练集。
可选地，所述根据所述训练集分别建立自然灾害物资预测模型、电网建设数据模型和普通物资预测模型包括：
构建自回归模型、差分模型和移动平均模型；
基于所述自然灾害数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述自然灾害物资预测模型；
基于所述电网建设数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述电网建设数据模型；
基于所述普通数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述普通物资预测模型。
可选地，所述根据所述自然灾害物资预测模型、所述电网建设数据模型和所述普通物资预测模型建立所述电力物资预测模型包括：
对所述自然灾害物资预测模型、所述电网建设数据模型和所述普通物资预测模型的输出结果进行特征提取，获得特征向量；
将提取出的所述特征向量进行向量连接，获得融合特征；
利用支持向量机SVM模型对所述融合特征进行训练，获得多分类器；
基于所述多分类器获得所述电力物资预测模型。
可选地，所述基于所述灾害物资需求数据和所述电网建设物资需求数据获得预测结果包括：
获取待预测日期，根据所述待预测日期所在的季度确定以往天气情况和以往施工情况；
根据所述以往天气情况预测所述待预测日期的天气情况以及恶劣天气概率；
所述以往施工情况预测所述待预测日期的施工情况以及施工概率；
根据所述自然灾害物资预测模型获得所述待预测日期的自然灾害物资预测数据；根据所述普通物资预测模型获得所述待预测日期的普通物资预测数据；根据所述电网建设数据模型获得所述待预测日期的电网建设预测数据；根据所述电网建设数据模型获得所述待预测日期的电力物资预测数据；
根据所述恶劣天气概率和所述施工概率求得融合期望，所述融合期望包括自然灾害物资需求期望、普通物资需求期望和电网建设物资需求期望；
将所述融合期望与所述电力物资预测数据进行比对，若与所述电力物资需求数据小于预设差异值，则将所述融合期望作为所述预测结果。
可选地，所述根据配电自动化系统建立电网模型，根据所述电网模型获取电网的需求数据包括：
获取电网的架构模型、连接模型和电网中各个设备的运行参数；
根据所述架构模型、所述连接模型和所述运行参数确定所述电网的运行水平；
根据所述运行水平获得需求数据，其中，所述需求数据包括电力需求曲线、热力需求曲线和燃气需求曲线的至少一个。
可选地，所述根据所述预测结果，对所述需求数据进行优化，获得配电策略包括：
根据所述需求数据获得物资需求量；
比较所述预测结果和所述物资需求量；
当所述物资需求量大于所述预测结果时，根据所述需求数据进行配电，作为所述配电策略；
当所述物资需求量小于所述预测结果时，根据所述预测结果获得需求数据，作为所述配电策略。
另一方面，本发明还提供一种基于电力物资预测的配电系统，包括处理器、电能存储设备、发电单元和并网模块；
所述处理器用于实现如上所述的基于电力物资预测的配电方法；
所述电能存储设备用于存储电能，当电力物资因灾害或电网建设而缺乏时，所述电能存储设备通过所述并网模块向电网输出电能；
所述发电单元用于根据所述处理器的指令进行发电。
所述基于电力物资预测的配电系统相对于现有技术所具有的有益效果与所述基于电力物资预测的配电方法相同，在此不再赘述。
附图说明
图1为本发明实施例的基于电力物资预测的配电方法的流程示意图；
图2为本发明实施例的基于电力物资预测的配电方法步骤S200细化后的流程示意图；
图3为本发明实施例的基于电力物资预测的配电方法步骤S300细化后的流程示意图；
图4为本发明实施例的基于电力物资预测的配电方法步骤S300细化后的另一流程示意图；
图5为本发明实施例的基于电力物资预测的配电方法步骤S500细化后的流程示意图；
图6为本发明实施例的基于电力物资预测的配电方法步骤S600细化后的流程示意图；
图7为本发明实施例的基于电力物资预测的配电方法步骤S700细化后的流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
如图1所示，本发明一实施例提供的一种基于电力物资预测的配电方法，包括：
步骤S100，获取历史电力物资数据。
在一实施例中，电力物资包括应急物资、发电物资和配电物资等物资，不同的物资可能会对配电产生不同的影响，在训练模型之前，需要对事故事件中的电力物资进行特征提取，通过历史的电力物资数据获得不同事件对电力物资数据需求的影响，进而获得电力物资数据对配电的影响，最终获得突发事件对配电的影响，通过突发事件预测电力物资数据的需求量，建立突发事件、物资数据和配电策略之间的关系，然后通过电力物资数据的需求量制定配电策略。
步骤S200，对所述历史电力物资数据进行预处理，获得训练数据。
在一实施例中，历史电力物资数据与当前时间点可能具有较长的间隔，数据量较大，且数据类型较为复杂，在长时间的记录中，有较大的概率记录到异常的数据，对历史电力物资数据进行预处理，剔除异常数据、错误数据，以获得更好的模型。
步骤S300，根据所述训练数据建立电力物资预测模型。
具体地，训练数据包括已经预处理后的历史电力物资数据，通过历史电力物资数据对时间序列进行拟合，估计出合适的模型参数，从而对物资数据进行未来时间的预测。通过历史电力物资数据的平稳性进行验证，筛选出数据较为平稳的时间序列，作为电力物资预测模型的一部分，使训练好的电力物资预测模型的预测结果更符合规律，增加预测的准确性。通过历史电力物资数据的误差进行处理，通过在模型中增加误差的考量，增加模型的鲁棒性，增加模型的抗干扰效果。
步骤S400，根据所述电力物资预测模型获得灾害物资需求数据和电网建设物资需求数据。
具体地，由于电力物资的需求波动、电网的配电需求波动通常由无法预测的自然灾害或电网建设作业产生，其中自然灾害包括大风、暴雨或其它诸如地震、海啸、台风等不可抗力产生的灾害；电网建设既包括受到自然灾害后的重建作业，电网扩展、维修、升级等作业也会影响电力物资的需求以及电网的配电需求。通过灾害物资需求数据和电网建设物资需求数据，可以获得非常规情况下的物资需求数据，并通过需求数据进一步优化配电策略。
步骤S500，基于所述灾害物资需求数据和所述电网建设物资需求数据获得预测结果。
具体地，预测结果需要平衡未知的灾害带来的电力物资需求影响，也需要平衡计划外的电网建设带来的电力物资需求影响，二者所处的情况不同，所需的预测参数也不同，故，在获得训练好的电力物资预测模型后，通过电力物资预测模型求解灾害物资需求数据和电网建设物资需求数据，因二者是不可抗力或完全随机产生的，故，无法很准确地预测二者的出现，通过平衡二者的需求数据以及出现概率，使预测出的结果尽可能趋近于数学期望，保证预测结果的抗干扰性。
步骤S600，根据配电自动化系统建立电网模型，根据所述电网模型获取电网的需求数据。
借助配电自动化系统获取电网模型，包括获取电网的架构模型、连接模型以及电网中各个设备的运行参数，通过配电自动化系统进行数据交互，获取电网模型、10kV线路数据，配网网格数据和低压侧主要负荷数据、分布式光伏数据以及低压源荷数据等运行数据，进而可以根据上述数据获取主要电源的发电方式以及发电转化效率，帮助更好地衡量电网中各种电源的效率和运行水平。
由于电力使用需求连贯且具有复现性，建立电网模型，通过建立已有的电网架构、连接和运行参数，以及以往的电网需求数据，可以准确获得电网未来短时间内的需求数据，根据预测的需求数据进行对应的发电匹配，保证高效利用新能源场站的能量。
步骤S700，根据所述预测结果，对所述需求数据进行优化，获得配电策略。
具体地，预测结果包括应急物资需求、发电物资需求和配电物资需求等结果，通过预测结果可以反推带预测日期当天以及前后几日的物资需求，通过对恶劣天气进行估计获得恶劣天气下所需的物资，通过对电网建设施工情况进行估计，获得电网建设所需的物资，根据预测的情况制定相应的配电策略，防止出现突发情况时，电网不能快速产生应急手段。
可选地，如图2所示，所述历史电力物资数据包括天气数据、施工数据，所述对所述历史电力物资数据进行预处理，获得训练数据包括：
步骤S201，根据所述历史电力物资数据的数据类型建立预处理约束，删除偏离所述预处理约束的数据，获得第一数据；
步骤S202，将所述第一数据中大于预设烈度的所述天气数据作为自然灾害数据；
步骤S203，将所述第一数据中施工时长超过预设时长，且施工类型为预设类型的所述施工数据作为电网建设数据；
步骤S204，将所述第一数据中的其他数据作为普通数据；
步骤S205，将所述自然灾害数据、所述电网建设数据和所述普通数据作为所述训练数据。
在一实施例中，预处理包括剔除错误数据、对数据进行分类。由于恶劣天气会影响电力物资的需求，进而影响配电策略；灾后重建的施工数据以及电网扩展、检修等施工也会影响电力物资的需求，进而影响配电策略，故，在获得历史电力物资数据时，需要将天气数据和施工数据一并获取，并将天气数据、施工数据和其他数据进行联系，以日期为线索，以季度为组别，划分历史电力物资数据。
在剔除偏离预处理约束的数据后，将剩余的数据分别进行两次独立判断，包括判断当天是否为自然灾害数据、当天是否进行施工，当施工时长超过预设时长，且施工类型为预设类型时，判断该施工作业可以影响电力物资需求，需要将其列为电网建设数据，例如，当某次施工持续24小时，且施工类型为春检，则表示该次施工作业可以影响到电力物资的需求，将此次施工作为电网建设数据，用于训练电力物资预测模型。
在另一实施例中，大部分数据不是自然灾害数据，也不是电网建设数据，则将其作为普通数据，作为一般性预测的数据集。
可选地，如图3所示，所述根据所述训练数据建立电力物资预测模型包括：
步骤S310，随机选取至少一个季度的所述训练数据作为验证集；
步骤S320，基于其他季度的所述训练数据建立训练集；
步骤S330，根据所述训练集分别建立自然灾害物资预测模型、电网建设数据模型和普通物资预测模型；
步骤S340，根据所述自然灾害物资预测模型、所述电网建设数据模型和所述普通物资预测模型建立所述电力物资预测模型。
可选地，选择36个季度作为历史电力物资数据。
优选地，选择6个季度作为验证集。
在一实施例中，选择30个季度的训练数据建立训练集，将训练集中的所有自然灾害数据建立为自然灾害物资预测模型，用于在待预测日期出现自然灾害时，对当日进行物资需求预测；将训练集中的所有电网建设数据建立电网建设数据模型，用于在待预测日期具有施工作业时，对当日进行物资需求预测；将训练集剩余的普通数据建立普通物资预测模型，用于预测不具有其他情况时的物资需求。由于电力物资预测模型包括三个部分，故将特征量融合后，通过验证集中的数据进行验证，当误差小于预设误差时，将模型作为电力物资预测模型。
当误差大于预设误差时，额外选择18个季度作为历史电力物资数据，重新训练自然灾害物资预测模型、电网建设数据模型和普通物资预测模型。
可选地，预设误差为5%。
可选地，如图4所示，所述基于其他季度的所述训练数据作为训练集包括：
步骤S321，对所述训练数据进行平稳性检验，获得平稳性参数；
步骤S322，判断所述平稳性参数是否为1；
步骤S323，若是，则对所述训练数据进行差分操作，并重新对差分后的所述训练数据进行平稳性检验，判断所述平稳性参数是否为1，直至所述平稳性参数小于1，将符合条件的训练数据作为所述训练集。
在一实施例中，通过单位根检验获得平稳性参数，当平稳性参数小于1时，将训练数据作为训练集。当平稳性参数为1时，自变量和因变量之间的关系具有欺骗性，因为残差序列的任何误差都不会随着样本量增大而衰减，即模型中的残差的影响是永久的，该回归为伪回归，此时对训练数据进行一阶差分操作，对一阶差分后的训练数据进行平稳性检验，当平稳性参数小于1时，将该训练数据作为训练集；当平稳性参数仍为1时，对一阶差分后的训练数据进行二阶差分，重新判断平稳性参数。
可选地，所述根据所述训练集分别建立自然灾害物资预测模型、电网建设数据模型和普通物资预测模型包括：
构建自回归模型、差分模型和移动平均模型；
基于所述自然灾害数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述自然灾害物资预测模型；
基于所述电网建设数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述电网建设数据模型；
基于所述普通数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述普通物资预测模型。
在一实施例中，自回归模型用于表征待预测日期与历史日期的值之间的关系；差分模型用于消除序列数据的非平稳性；移动平均模型用于表征待预测日期与历史日期之间的误差。
在一实施例中，通过ARIMA模型预测物资需求，模型可表示为ARIMA(p,d,q)=AR(p)+I(d)+MA(q)，
其中，AR(p)表示自回归模型，I(d)表示差分模型，MA(q)表示移动平均模型，p表示自回归阶数，d表示差分阶数，q表示移动平均阶数，自回归模型用于表示当前时间点的需求量与前面时间点的物资使用量之间的关系；差分模型用于消除物资使用量在往年时刻随时间变化的平稳性；移动平均模型用于表示当前时间点的需求量与前面时间点的物资使用量的误差。
在一实施例中，通过对自然灾害数据、电网建设数据和普通数据分别进行训练，获得针对性强的三个模型，然后对三个模型进行特征融合，训练成为预测物资需求的总预测模型，可以模型的预测效果更加准确。
可选地，所述根据所述自然灾害物资预测模型、所述电网建设数据模型和所述普通物资预测模型建立所述电力物资预测模型包括：
对所述自然灾害物资预测模型、所述电网建设数据模型和所述普通物资预测模型的输出结果进行特征提取，获得特征向量；
将提取出的所述特征向量进行向量连接，获得融合特征；
利用支持向量机SVM模型对所述融合特征进行训练，获得多分类器；
基于所述多分类器获得所述电力物资预测模型。
在一实施例中，对训练好的自然灾害物资预测模型、电网建设数据模型和普通物资预测模型的输出结果进行累加和融合，然后通过支持向量机SVM模型进行有监督训练，获得具有多分类能力的分类器，将分类器连接至三种模型的输出端，使电力物资预测模型具有对灾害物资需求和电网建设物资需求分类的能力，进而获得灾害物资需求数据和电网建设物资需求数据，对上述两种数据进行分情况讨论，即可在突发情况发生之前制定与突发情况匹配的配电策略。
可选地，如图5所示，所述基于所述灾害物资需求数据和所述电网建设物资需求数据获得预测结果包括：
步骤S510，获取待预测日期，根据所述待预测日期所在的季度确定以往天气情况和以往施工情况；
步骤S520，根据所述以往天气情况预测所述待预测日期的天气情况以及恶劣天气概率；
步骤S530，所述以往施工情况预测所述待预测日期的施工情况以及施工概率；
步骤S540，根据所述自然灾害物资预测模型获得所述待预测日期的自然灾害物资预测数据；根据所述普通物资预测模型获得所述待预测日期的普通物资预测数据；根据所述电网建设数据模型获得所述待预测日期的电网建设预测数据；根据所述电网建设数据模型获得所述待预测日期的电力物资预测数据；
步骤S550，根据所述恶劣天气概率和所述施工概率求得融合期望，所述融合期望包括自然灾害物资需求期望、普通物资需求期望和电网建设物资需求期望；
步骤S560，将所述融合期望与所述电力物资预测数据进行比对，若与所述电力物资需求数据小于预设差异值，则将所述融合期望作为所述预测结果。
在一实施例中，通过以往相同季度、相同日期或相近日期获得待预测日期的天气情况以及施工情况和施工概率，用于与电力物资预测模型建立联系，通过预测恶劣天气所需的电力物资、预测电网建设作业所需的电力物资、未出现其他情况时的普通电力物资需求，相应获得恶劣天气和施工概率，求得融合期望，进而获得平衡了恶劣天气、施工情况的预测结果。
例如，待预测日期的恶劣天气概率为1%，所需某项电力物资为a，施工情况概率为1%，所需某项电力物资为b，既有恶劣天气又有施工情况的概率为0.01%，所需某项电力物资为c，普通情况为98.99%，所需某项电力物资为d，则融合期望为1%a+1%b+0.01%c+98.99%d。
可选地，如图6所示，所述根据配电自动化系统建立电网模型，根据所述电网模型获取电网的需求数据包括：
步骤S610，获取电网的架构模型、连接模型和电网中各个设备的运行参数；
步骤S620，根据所述架构模型、所述连接模型和所述运行参数确定所述电网的运行水平；
步骤S630，根据所述运行水平获得需求数据，其中，所述需求数据包括电力需求曲线、热力需求曲线和燃气需求曲线的至少一个。
在一实施例中，获取火力发电和电网的架构信息，建立架构模型，获得连接信息，建立连接模型，根据架构模型和连接模型获得设备运行信息，另一方面获取电力物资需求信息，基于电力物资需求信息和设备运行信息获得电力电量平衡水平，判断电力电量平衡水平是否处于预设水平，若不处于预设水平，则通过电力电量平衡水平和预设水平之间的匹配程度确定需求数据，其中，电力物资负荷需求在与火力发电厂的出力做差后，获得电力需求曲线。在一些实施例中，火电厂还承担供热职能，通过相同的方法获得热力需求曲线；在另一些实施例中，燃气需求曲线通过燃气需求负荷获得。
可选地，如图7所示，所述根据所述预测结果，对所述需求数据进行优化，获得配电策略包括：
步骤S710，根据所述需求数据获得物资需求量；
步骤S720，比较所述预测结果和所述物资需求量；
步骤S730，当所述物资需求量大于所述预测结果时，根据所述需求数据进行配电，作为所述配电策略；
步骤S740，当所述物资需求量小于所述预测结果时，根据所述预测结果获得需求数据，作为所述配电策略。
物资需求包括多种电力物资需求，通过对待预测日期进行预测，获得该日发生各种突发情况所需的电力物资的类型和数量，电力物资需求量也可进一步表征电网的运行情况，例如电网在该时刻是否正常运行，通过运行情况再与需求数据进行比对，即可明确该需求数据在突发情况产生时能否有效应对，若需求量小于预测结果，则表示通过电网模型获得的需求数据不能应对发生在待预测日期的突发情况，电网的配电作业很可能受到影响，此时通过预测结果准备电力物资；若需求量大于预测结果，则表示电网的配电作业在待预测日期很可能不会受到影响，此时无需改变原计划，根据需求数据制定配电策略。
可选地，所述获取历史电力物资数据包括：
以日期为索引，获取至少八个季度的电力物资数据作为所述历史电力物资数据。
本发明另一实施例提供的一种基于电力物资预测的配电系统，包括处理器、电能存储设备、发电单元和并网模块；
所述处理器用于实现如上所述的基于电力物资预测的配电方法；
所述电能存储设备用于存储电能，当电力物资因灾害或电网建设而缺乏时，所述电能存储设备通过所述并网模块向电网输出电能；
所述发电单元用于根据所述处理器的指令进行发电。
本发明又一实施例提供的一种电子设备，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行该计算机程序时，实现如上所述的基于电力物资预测的配电方法。
本发明又一实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于电力物资预测的配电方法。
现将描述可以作为本发明的服务器或客户端的电子设备，其是可以应用于本发明的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机和其他适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其他类似的计算装置。本文所示的部件、它们的连接和关系，以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
电子设备包括计算单元，其可以根据存储在只读存储器（ROM）中的计算机程序或者从存储单元加载到随机访问存储器（RAM）中的计算机程序，来执行各种适当的动作和处理。在RAM中，还可存储设备操作所需的各种程序和数据。计算单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端－服务器关系的计算机程序来产生客户端和服务器的关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存储记忆体（Random AccessMemory，RAM）等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，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者全部单元来实现本发明实施例方案的目的。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。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (4)
1.一种基于电力物资预测的配电方法，其特征在于，包括：
获取历史电力物资数据；
对所述历史电力物资数据进行预处理，获得训练数据包括：根据所述历史电力物资数据的数据类型建立预处理约束，删除偏离所述预处理约束的数据，获得第一数据；将所述第一数据中大于预设烈度的天气数据作为自然灾害数据；将所述第一数据中施工时长超过预设时长，且施工类型为预设类型的所述施工数据作为电网建设数据；将所述第一数据中的其他数据作为普通数据；将所述自然灾害数据、所述电网建设数据和所述普通数据作为所述训练数据；
根据所述训练数据建立电力物资预测模型包括：随机选取至少一个季度的所述训练数据作为验证集；基于其他季度的所述训练数据建立训练集；根据所述训练集分别建立自然灾害物资预测模型、电网建设数据模型和普通物资预测模型包括：构建自回归模型、差分模型和移动平均模型；基于所述自然灾害数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述自然灾害物资预测模型；基于所述电网建设数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述电网建设数据模型；基于所述普通数据训练所述自回归模型、所述差分模型和所述移动平均模型，获得所述预测模型获得所述普通物资预测模型；根据所述自然灾害物资预测模型、所述电网建设数据模型和所述普通物资预测模型建立所述电力物资预测模型，具体包括：对所述自然灾害物资预测模型、所述电网建设数据模型和所述普通物资预测模型的输出结果进行特征提取，获得特征向量；将提取出的所述特征向量进行向量连接，获得融合特征；利用支持向量机SVM模型对所述融合特征进行训练，获得多分类器；基于所述多分类器获得所述电力物资预测模型；
根据所述电力物资预测模型获得灾害物资需求数据和电网建设物资需求数据；
基于所述灾害物资需求数据和所述电网建设物资需求数据获得预测结果包括：获取待预测日期，根据所述待预测日期所在的季度确定以往天气情况和以往施工情况；根据所述以往天气情况预测所述待预测日期的天气情况以及恶劣天气概率；根据所述以往施工情况预测所述待预测日期的施工情况以及施工概率；根据所述自然灾害物资预测模型获得所述待预测日期的自然灾害物资预测数据；根据所述普通物资预测模型获得所述待预测日期的普通物资预测数据；根据所述电网建设数据模型获得所述待预测日期的电网建设预测数据；根据所述电网建设数据模型获得所述待预测日期的电力物资预测数据；根据所述恶劣天气概率和所述施工概率求得融合期望，所述融合期望包括自然灾害物资需求期望、普通物资需求期望和电网建设物资需求期望；将所述融合期望与所述电力物资预测数据进行比对，若与电力物资需求数据小于预设差异值，则将所述融合期望作为所述预测结果；
根据配电自动化系统建立电网模型，根据所述电网模型获取电网的需求数据包括：获取电网的架构模型、连接模型和电网中各个设备的运行参数；根据所述架构模型、所述连接模型和所述运行参数确定所述电网的运行水平；根据所述运行水平获得需求数据，其中，所述需求数据包括电力需求曲线、热力需求曲线和燃气需求曲线的至少一个；
根据所述预测结果，对所述需求数据进行优化，获得配电策略。
2.根据权利要求1所述的基于电力物资预测的配电方法，其特征在于，所述基于其他季度的所述训练数据作为训练集包括：
对所述训练数据进行平稳性检验，获得平稳性参数；
判断所述平稳性参数是否为1；
若是，则对所述训练数据进行差分操作，并重新对差分后的所述训练数据进行平稳性检验，判断所述平稳性参数是否为1，直至所述平稳性参数小于1，将符合条件的训练数据作为所述训练集。
3.根据权利要求1所述的基于电力物资预测的配电方法，其特征在于，所述根据所述预测结果，对所述需求数据进行优化，获得配电策略包括：
根据所述需求数据获得物资需求量；
比较所述预测结果和所述物资需求量；
当所述物资需求量大于所述预测结果时，根据所述需求数据进行配电，作为所述配电策略；
当所述物资需求量小于所述预测结果时，根据所述预测结果获得需求数据，作为所述配电策略。
4.一种基于电力物资预测的配电系统，其特征在于，包括处理器、电能存储设备、发电单元和并网模块；
所述处理器用于实现如权利要求1-3任一项所述的基于电力物资预测的配电方法；
所述电能存储设备用于存储电能，当电力物资因灾害或电网建设而缺乏时，所述电能存储设备通过所述并网模块向电网输出电能；
所述发电单元用于根据所述处理器的指令进行发电。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736264.2A CN116502771B (zh) | 2023-06-21 | 2023-06-21 | 一种基于电力物资预测的配电方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736264.2A CN116502771B (zh) | 2023-06-21 | 2023-06-21 | 一种基于电力物资预测的配电方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502771A CN116502771A (zh) | 2023-07-28 |
| CN116502771B true CN116502771B (zh) | 2023-12-01 |
Family
ID=87323347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310736264.2A Active CN116502771B (zh) | 2023-06-21 | 2023-06-21 | 一种基于电力物资预测的配电方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502771B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236665B (zh) * | 2023-11-14 | 2024-02-09 | 中国信息通信研究院 | 物资生产调度优化方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798435A (zh) * | 2017-11-09 | 2018-03-13 | 贵州电网有限责任公司 | 一种基于文本信息抽取的电力物资需求预测方法 |
| CN110866656A (zh) * | 2019-11-26 | 2020-03-06 | 广州供电局有限公司 | 电力物资需求预测方法、装置、计算机设备及存储介质 |
| CN111401808A (zh) * | 2020-03-12 | 2020-07-10 | 重庆文理学院 | 一种基于混合模型的物资协议库存需求预测方法 |
| CN111639815A (zh) * | 2020-06-02 | 2020-09-08 | 贵州电网有限责任公司 | 一种多模型融合预测电网缺陷物资的方法及系统 |
| CN112614011A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 电力配网物资需求预测方法和装置、存储介质及电子设备 |
| CN113077108A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求的数据预测系统 |
| CN113077007A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求测算的模型匹配系统 |
| CN113283657A (zh) * | 2021-06-01 | 2021-08-20 | 国网山东省电力公司嘉祥县供电公司 | 一种电力应急物资需求的预测方法 |
| CN114066018A (zh) * | 2021-10-27 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 基于支持向量的配电站建设物资需求预测方法 |
| CN114140158A (zh) * | 2021-11-30 | 2022-03-04 | 广东电网有限责任公司 | 基于组合预测的配电网投资需求确定方法、装置、设备及存储介质 |
| CN115481844A (zh) * | 2021-06-15 | 2022-12-16 | 深圳供电局有限公司 | 基于特征提取和改进的svr模型的配网物资需求预测系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9367825B2 (en) * | 2009-10-23 | 2016-06-14 | Viridity Energy, Inc. | Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model |
-
2023
- 2023-06-21 CN CN202310736264.2A patent/CN116502771B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798435A (zh) * | 2017-11-09 | 2018-03-13 | 贵州电网有限责任公司 | 一种基于文本信息抽取的电力物资需求预测方法 |
| CN110866656A (zh) * | 2019-11-26 | 2020-03-06 | 广州供电局有限公司 | 电力物资需求预测方法、装置、计算机设备及存储介质 |
| CN111401808A (zh) * | 2020-03-12 | 2020-07-10 | 重庆文理学院 | 一种基于混合模型的物资协议库存需求预测方法 |
| CN111639815A (zh) * | 2020-06-02 | 2020-09-08 | 贵州电网有限责任公司 | 一种多模型融合预测电网缺陷物资的方法及系统 |
| CN112614011A (zh) * | 2020-12-07 | 2021-04-06 | 国网北京市电力公司 | 电力配网物资需求预测方法和装置、存储介质及电子设备 |
| CN113077108A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求的数据预测系统 |
| CN113077007A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求测算的模型匹配系统 |
| CN113283657A (zh) * | 2021-06-01 | 2021-08-20 | 国网山东省电力公司嘉祥县供电公司 | 一种电力应急物资需求的预测方法 |
| CN115481844A (zh) * | 2021-06-15 | 2022-12-16 | 深圳供电局有限公司 | 基于特征提取和改进的svr模型的配网物资需求预测系统 |
| CN114066018A (zh) * | 2021-10-27 | 2022-02-18 | 南方电网数字电网研究院有限公司 | 基于支持向量的配电站建设物资需求预测方法 |
| CN114140158A (zh) * | 2021-11-30 | 2022-03-04 | 广东电网有限责任公司 | 基于组合预测的配电网投资需求确定方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多元回归分析法的电网应急物资需求预测方法;眭楷;王语涵;王少勇;陈长智;苏兴锐;;电子技术与软件工程(23);全文 * |
| 电网建设项目物资需求预测研究;宋斌;卜涛;张洪青;;物流技术(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502771A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hasche et al. | Capacity value of wind power, calculation, and data requirements: the Irish power system case | |
| US9727036B2 (en) | Operation plan creating method, computer product, and operation plan creating apparatus | |
| Zhao et al. | Resilient unit commitment for day-ahead market considering probabilistic impacts of hurricanes | |
| CN108155674B (zh) | 考虑不确定分布特性的水火电联合调度方法及系统 | |
| CN116502771B (zh) | 一种基于电力物资预测的配电方法及系统 | |
| CN116821660A (zh) | 一种电力管理方法、系统、终端设备及存储介质 | |
| CN113190693B (zh) | 储能系统的数据处理方法、装置、电子设备及存储介质 | |
| Koh et al. | Reliability evaluation of electric power systems with solar photovoltaic & energy storage | |
| CN114784882A (zh) | 机组组合优化处理方法及装置 | |
| Aghajani et al. | Optimal energy storage sizing and offering strategy for the presence of wind power plant with energy storage in the electricity market | |
| Chen et al. | Toward future information market: An information valuation paradigm | |
| CN111082424B (zh) | 一种综合能源及微电网系统可靠性预测方法及装置 | |
| CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
| Ding et al. | A dynamic period partition method for time-of-use pricing with high-penetration renewable energy | |
| CN115577996B (zh) | 一种电网停电计划的风险评估方法、系统、设备和介质 | |
| CN116562696A (zh) | 目标地区的微电网运行效果的确定方法及确定装置 | |
| CN112865101B (zh) | 一种考虑可再生能源出力不确定性的线性化交易方法 | |
| CN115907140A (zh) | 电力现货出清方案优化方法、装置、计算机设备和介质 | |
| CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
| CN111915451B (zh) | 台区日功率曲线计算方法 | |
| Galeela et al. | Reliability Framework Integrating Grid Scale BESS Considering BESS Degradation | |
| CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及系统 | |
| Yamayee et al. | Production simulation for power system studies | |
| Zuluaga et al. | Data-driven sizing of co-located storage for uncertain renewable energy | |
| CN113689033B (zh) | 容量发电价核定方法、装置、计算机设备和存储介质 |
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 |