CN116565979B - 一种包含多微网的主动配电网调度方法 - Google Patents
一种包含多微网的主动配电网调度方法 Download PDFInfo
- Publication number
- CN116565979B CN116565979B CN202310835408.XA CN202310835408A CN116565979B CN 116565979 B CN116565979 B CN 116565979B CN 202310835408 A CN202310835408 A CN 202310835408A CN 116565979 B CN116565979 B CN 116565979B
- Authority
- CN
- China
- Prior art keywords
- power distribution
- node
- representing
- vertex
- micro
- 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 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 49
- 238000004146 energy storage Methods 0.000 claims description 14
- 238000005295 random walk Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010248 power generation Methods 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力控制技术领域,公开了一种包含多微网的主动配电网调度方法,包括以下步骤:步骤101,采集微电网的配电节点信息,基于同一配电网支路上的微电网的配电节点信息生成子图;步骤102,提取配电网知识图谱,生成全局局部图;步骤103,将子图和全局局部图输入调度神经网络,输出下一个时段的配电节点的有功功率和无功功率;步骤104,基于下一时段的可控的配电节点的有功功率和无功功率对这些配电节点进行调度控制;本发明的有益效果在于:通过合理调度来调整微电网的无功出力,有效利用微电网的能源资源的同时保持微电网对于主电网的冲击处于低水平。
Description
技术领域
本发明涉及电力控制技术领域,更具体地说,它涉及一种包含多微网的主动配电网调度方法。
背景技术
微电网的可再生能源是间歇的不可控的,存在剩余、平衡和溢出三种状态,为了降低微电网对主电网的冲击,一般采用隔离的方式处理微电网,限制微电网对主电网的功率输出,导致微电网的资源无法良好的利用。
发明内容
本发明提供一种包含多微网的主动配电网调度方法,解决相关技术中微电网的资源无法良好的利用的技术问题。
本发明提供了一种包含多微网的主动配电网调度方法,包括以下步骤:
步骤101,采集微电网的配电节点信息,基于同一配电网支路上的微电网的配电节点信息生成子图;子图包括顶点,顶点对应于微电网的配电节点,子图内的顶点之间通过无向边全连接;
步骤102,提取配电网知识图谱,以微电网的用于储能的配电节点为中心进行随机游走生成局部图谱,将局部图谱融合生成全局局部图;全局局部图中的顶点与配电网知识图谱中的实体一一对应,顶点之间的无向边对应于配电网知识图谱中的实体的联系;
步骤103,将子图和全局局部图输入调度神经网络,调度神经网络包括NLP(多层感知机)层、GNN(图神经网络)层和全连接层,NLP层输入子图,NLP层输出更新的子图的顶点矢量;
NLP层的计算包括:
,/>和/>分别表示第h个和第h-1个NLP层输出的第i个节点的顶点矢量,/>和/>分别表示第h个NLP层的权值参数和偏置参数,/>表示最大池化,/>表示向量拼接,/>表示ReLU激活函数,/>表示第h-1个NLP层输出的第j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示/>与/>的关注度;,其中/>和/>分别表示第h-1个NLP层输出的第i和j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示伸缩系数;
GNN层输入全局局部图,GNN层对全局局部图中的顶点的顶点矢量进行更新,与配电节点对应的更新后的顶点的顶点矢量输入全连接层,输出下一个时段的配电节点的有功功率和无功功率;
GNN层的计算如下:
,/>表示第l个隐藏层输出的第e个节点的节点矢量,/>和/>分别表示第l-1个隐藏层输出的第e个和第v个节点的节点矢量,/>表示全局局部图中与第e个节点直接相邻的节点,M表示中的节点总数;/>表示激活函数,/>和/>分别表示第l层GNN层的权重参数和偏置参数,/>表示/>的关注度;
,其中/>和/>分别表示第h-1个NLP层输出的第i和j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示伸缩系数;
全局局部图中与子图相对应的顶点的顶点矢量等于NLP层输出的顶点矢量,全局局部图中的其余顶点由顶点对应的实体进行编码向量化作为顶点矢量;
全局局部图中的顶点与子图的顶点相对应表示全局局部图中的实体对应的配电节点与子图的顶点对应的配电节点相同;
步骤104,基于下一时段的可控的配电节点的有功功率和无功功率对这些配电节点进行调度控制。
进一步地,顶点矢量表示为:;其中a表示功率数,b表示功率因数角正切值,c表示有功功率,d表示无功功率。
进一步地,全连接的含义是一个顶点与子图内的其他所有节点都有无向边连接。
进一步地,对每个微电网的用于储能的配电节点进行S次以上的随机游走。
进一步地,一次随机游走的过程如下:
步骤201,初始化配电节点对应的实体为当前实体,初始化游走步数为1;
步骤202,随机选择一个当前的当前实体所直接联系的实体,将其更新为新的当前实体,并对游走步数累加1;
步骤203,迭代执行步骤202,直至游走步数达到N。当然在步骤202中不会重复选择当前实体,如果出现只能重复选择的情况,则提前终止迭代。
进一步地,配电网知识图谱包括配电节点实体、配电线路实体、节点信息实体、功率因数实体、电压幅值实体、电压偏角实体。
进一步地,全连接层设有两个,分类标签分别对应于离散化之后的有功功率值域和无功功率值域;有功功率值域和无功功率值域离散化之后生成多个离散的点值,分类标签与离散后的点值一一对应。
进一步地,调度神经网络的损失函数为:,其中/>,/>,/>分别为第一损失函数、第二损失函数为第三损失函数;
;
;
;
其中为调度神经网络对于第g个配电节点输出的第t个有功功率离散值的概率值,e为自然常数,C和H分别为有功功率离散值的总数和配电节点的总数,/>表示第g个配电节点对应的有功功率离散值真值为t;/>表示无功功率离散值的总数,表示第o个不属于微电网储能的配电节点对应的有功功率离散值真值为r,为调度神经网络对于第o个配电节点输出的第r个无功功率离散值的概率值;表示第y个属于微电网储能的配电节点对应的有功功率离散值真值为r,/>为调度神经网络对于第o个配电节点输出的第r个无功功率离散值的概率值。
本发明的有益效果在于:通过合理调度来调整微电网的无功出力,有效利用微电网的能源资源的同时保持微电网对于主电网的冲击处于低水平。
附图说明
图1是本发明的一种包含多微网的主动配电网调度方法的流程图;
图2是本发明的随机游走的过程示意图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1和图2所示,一种包含多微网的主动配电网调度方法,包括以下步骤:
步骤101,采集微电网的配电节点信息,基于同一配电网支路上的微电网的配电节点信息生成子图;子图包括顶点,顶点对应于微电网的配电节点,子图内的顶点之间通过无向边全连接;
顶点矢量表示为:;其中a表示功率数,b表示功率因数角正切值,c表示有功功率,d表示无功功率;
对于不同类型的配电节点的功率数的含义不同,对于配电网侧的配电节点来说,功率数表示用电功率,对于储能的配电节点来说,功率数表示充电或放电功率,对于发电的配电节点来说功率数表示输出功率;
一个调度周期包括多个时段,对于每个顶点来说,每个时段对应一个顶点矢量;在本发明实施例的步骤中处理的是同一时段的数据。
全连接的含义是一个顶点与子图内的其他所有节点都有无向边连接。
步骤102,提取配电网知识图谱,以微电网的用于储能的配电节点为中心进行随机游走生成局部图谱,将局部图谱融合生成全局局部图;全局局部图中的顶点与配电网知识图谱中的实体一一对应,顶点之间的无向边对应于配电网知识图谱中的实体的联系;
对每个微电网的用于储能的配电节点进行S次以上的随机游走;一次随机游走的过程如下:
步骤201,初始化配电节点对应的实体为当前实体,初始化游走步数为1;
步骤202,随机选择一个当前的当前实体所直接联系的实体,将其更新为新的当前实体,并对游走步数累加1;
步骤203,迭代执行步骤202,直至游走步数达到N。当然在步骤202中不会重复选择当前实体,如果出现只能重复选择的情况,则提前终止迭代。
N为可调参数,缺省值为5。
配电网知识图谱包括配电节点实体、配电线路实体、节点信息实体、功率因数实体、电压幅值实体、电压偏角实体等;
节点信息实体包括最大输出功率实体、最大负载实体等。
步骤103,将子图和全局局部图输入调度神经网络,调度神经网络包括NLP层、GNN层和全连接层,NLP层输入子图,NLP层输出更新的子图的顶点矢量;NLP层的计算包括:
,/>和分别表示第h个和第h-1个NLP层输出的第i个节点的顶点矢量,/>和/>分别表示第h个NLP层的权值参数和偏置参数,/>表示最大池化,/>表示向量拼接,/>表示ReLU激活函数,/>表示第h-1个NLP层输出的第j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示/>与/>的关注度;
对于第一层NLP来说,和/>分别表示第i个节点和第j个节点的初始的顶点矢量。
,其中/>和/>分别表示第h-1个NLP层输出的第i和j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示伸缩系数,默认为0.1。
GNN层输入全局局部图,GNN层对全局局部图中的顶点的顶点矢量进行更新,与配电节点对应的更新后的顶点的顶点矢量输入全连接层,输出下一个时段的配电节点的有功功率和无功功率。
GNN层的计算如下:
,/>表示第l个隐藏层输出的第e个节点的节点矢量,/>和/>分别表示第l-1个隐藏层输出的第e个和第v个节点的节点矢量,/>表示全局局部图中与第e个节点直接相邻的节点,M表示中的节点总数;/>表示激活函数,/>和/>分别表示第l层GNN层的权重参数和偏置参数,/>表示/>与/>的关注度;
,其中/>和/>分别表示第h-1个NLP层输出的第i和j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示伸缩系数,默认为0.1。
全局局部图中与子图相对应的顶点的顶点矢量等于NLP层输出的顶点矢量,全局局部图中的其余顶点由顶点对应的实体进行编码向量化作为顶点矢量;
全局局部图中的顶点与子图的顶点相对应表示全局局部图中的实体对应的配电节点与子图的顶点对应的配电节点相同;
基于知识图谱的实体进行向量化的方法为常规技术手段,例如采用常规的语义嵌入的方式来向量化作为节点矢量。需要说明的是,实体向量化之后需要通过线性层映射到与NLP层输出的顶点矢量到同一维度。
全连接层设有两个,分类标签分别对应于离散化之后的有功功率值域和无功功率值域;有功功率值域和无功功率值域离散化之后生成多个离散的点值,分类标签与离散后的点值一一对应。
在本发明的一个实施例中,调度神经网络的损失函数为:
,其中/>,/>,/>分别为第一损失函数、第二损失函数为第三损失函数;
;
;
;
其中为调度神经网络对于第g个配电节点输出的第t个有功功率离散值的概率值,e为自然常数,C和H分别为有功功率离散值的总数和配电节点的总数,/>表示第g个配电节点对应的有功功率离散值真值为t(值最接近);/>表示无功功率离散值的总数,/>表示第o个不属于微电网储能的配电节点对应的有功功率离散值真值为r,为调度神经网络对于第o个配电节点输出的第r个无功功率离散值的概率值;表示第y个属于微电网储能的配电节点对应的有功功率离散值真值为r,/>为调度神经网络对于第o个配电节点输出的第r个无功功率离散值的概率值;
上述损失函数增加了对于微电网储能的配电节点的预测结果的损失权重,使训练后的调度神经网络更加侧重于对于微电网储能的配电节点的无功功能的调配。
需要说明的是,训练的样本是专业专家在线路稳定、线路平衡和经济性等各种因素下选择的历史数据。
步骤104,基于下一时段的可控的配电节点的有功功率和无功功率对这些配电节点进行调度控制。
本实施例对于微电网的独立子图的局部信息融合,基于配电网知识图谱提取全局图,并结合生成以储能的配电节点为核心的全局局部图,通过调度神经网络融合子图与全局局部图的信息来以全局的配电节点作为参照来进行训练,能够获得侧重于发挥微电网无功输出能力的控制参数。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (8)
1.一种包含多微网的主动配电网调度方法,其特征在于,包括以下步骤:
步骤101,采集微电网的配电节点信息,基于同一配电网支路上的微电网的配电节点信息生成子图;子图包括顶点,顶点对应于微电网的配电节点,子图内的顶点之间通过无向边全连接;
步骤102,提取配电网知识图谱,以微电网的用于储能的配电节点为中心进行随机游走生成局部图谱,将局部图谱融合生成全局局部图;全局局部图中的顶点与配电网知识图谱中的实体一一对应,顶点之间的无向边对应于配电网知识图谱中的实体的联系;
步骤103,将子图和全局局部图输入调度神经网络,调度神经网络包括NLP层、GNN层和全连接层,NLP层输入子图,NLP层输出更新的子图的顶点矢量;
NLP层的计算包括:
,/>和分别表示第h个和第h-1个NLP层输出的第i个节点的顶点矢量,/>和/>分别表示第h个NLP层的权值参数和偏置参数,/>表示最大池化,/>表示向量拼接,/>表示ReLU激活函数,/>表示第h-1个NLP层输出的第j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示/>与/>的关注度;,其中/>和/>分别表示第h-1个NLP层输出的第i和j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示伸缩系数;
GNN层输入全局局部图,GNN层对全局局部图中的顶点的顶点矢量进行更新,与配电节点对应的更新后的顶点的顶点矢量输入全连接层,输出下一个时段的配电节点的有功功率和无功功率;
GNN层的计算如下:
,/>表示第l个隐藏层输出的第e个节点的节点矢量,/>和/>分别表示第l-1个隐藏层输出的第e个和第v个节点的节点矢量,/>表示全局局部图中与第e个节点直接相邻的节点,M表示/>中的节点总数;/>表示激活函数,/>和/>分别表示第l层GNN层的权重参数和偏置参数,/>表示的关注度;
,其中/>和/>分别表示第h-1个NLP层输出的第i和j个节点的顶点矢量,/>表示子图中除第i个节点之外的所有节点的集合,/>表示伸缩系数;
全局局部图中与子图相对应的顶点的顶点矢量等于NLP层输出的顶点矢量,全局局部图中的其余顶点由顶点对应的实体进行编码向量化作为顶点矢量;
全局局部图中的顶点与子图的顶点相对应表示全局局部图中的实体对应的配电节点与子图的顶点对应的配电节点相同;
步骤104,基于下一时段的可控的配电节点的有功功率和无功功率对这些配电节点进行调度控制。
2.根据权利要求1所述的一种包含多微网的主动配电网调度方法,其特征在于,顶点矢量表示为:;其中a表示功率数,b表示功率因数角正切值,c表示有功功率,d表示无功功率。
3.根据权利要求1所述的一种包含多微网的主动配电网调度方法,其特征在于,全连接的含义是一个顶点与子图内的其他所有节点都有无向边连接。
4.根据权利要求1所述的一种包含多微网的主动配电网调度方法,其特征在于,对每个微电网的用于储能的配电节点进行S次以上的随机游走。
5.根据权利要求4所述的一种包含多微网的主动配电网调度方法,其特征在于,一次随机游走的过程如下:
步骤201,初始化配电节点对应的实体为当前实体,初始化游走步数为1;
步骤202,随机选择一个当前的当前实体所直接联系的实体,将其更新为新的当前实体,并对游走步数累加1;
步骤203,迭代执行步骤202,直至游走步数达到N。
6.根据权利要求1所述的一种包含多微网的主动配电网调度方法,其特征在于,配电网知识图谱包括配电节点实体、配电线路实体、节点信息实体、功率因数实体、电压幅值实体、电压偏角实体。
7.根据权利要求1所述的一种包含多微网的主动配电网调度方法,其特征在于,全连接层设有两个,分类标签分别对应于离散化之后的有功功率值域和无功功率值域;有功功率值域和无功功率值域离散化之后生成多个离散的点值,分类标签与离散后的点值一一对应。
8.根据权利要求7所述的一种包含多微网的主动配电网调度方法,其特征在于,调度神经网络的损失函数为:/>,其中/>,,/>分别为第一损失函数、第二损失函数为第三损失函数;
;
;
;
其中为调度神经网络对于第g个配电节点输出的第t个有功功率离散值的概率值,e为自然常数,C和H分别为有功功率离散值的总数和配电节点的总数,/>表示第g个配电节点对应的有功功率离散值真值为t;/>表示无功功率离散值的总数,/>表示第o个不属于微电网储能的配电节点对应的有功功率离散值真值为r,/>为调度神经网络对于第o个配电节点输出的第r个无功功率离散值的概率值;/>表示第y个属于微电网储能的配电节点对应的有功功率离散值真值为r,/>为调度神经网络对于第o个配电节点输出的第r个无功功率离散值的概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835408.XA CN116565979B (zh) | 2023-07-10 | 2023-07-10 | 一种包含多微网的主动配电网调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310835408.XA CN116565979B (zh) | 2023-07-10 | 2023-07-10 | 一种包含多微网的主动配电网调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116565979A CN116565979A (zh) | 2023-08-08 |
CN116565979B true CN116565979B (zh) | 2023-11-28 |
Family
ID=87495107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310835408.XA Active CN116565979B (zh) | 2023-07-10 | 2023-07-10 | 一种包含多微网的主动配电网调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116565979B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116766A (zh) * | 2013-03-20 | 2013-05-22 | 南京大学 | 一种基于增量神经网络和子图编码的图像分类方法 |
CN106329546A (zh) * | 2016-09-12 | 2017-01-11 | 东南大学 | 一种基于等网损微增率的主动配电网分布式无功优化方法 |
CN108287881A (zh) * | 2017-12-29 | 2018-07-17 | 北京理工大学 | 一种基于随机游走关系发现的优化方法 |
CN109066822A (zh) * | 2018-07-18 | 2018-12-21 | 清华大学 | 一种基于电力电子变压器的多点分散式配电系统调度方法 |
CN111159426A (zh) * | 2019-12-30 | 2020-05-15 | 武汉理工大学 | 一种基于图卷积神经网络的产业图谱融合方法 |
WO2022236373A1 (en) * | 2021-05-13 | 2022-11-17 | REX Energy Pty Ltd | Energy provision system and method |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113489015B (zh) * | 2021-06-17 | 2024-01-26 | 清华大学 | 一种基于强化学习的配电网多时间尺度无功电压控制方法 |
-
2023
- 2023-07-10 CN CN202310835408.XA patent/CN116565979B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116766A (zh) * | 2013-03-20 | 2013-05-22 | 南京大学 | 一种基于增量神经网络和子图编码的图像分类方法 |
CN106329546A (zh) * | 2016-09-12 | 2017-01-11 | 东南大学 | 一种基于等网损微增率的主动配电网分布式无功优化方法 |
CN108287881A (zh) * | 2017-12-29 | 2018-07-17 | 北京理工大学 | 一种基于随机游走关系发现的优化方法 |
CN109066822A (zh) * | 2018-07-18 | 2018-12-21 | 清华大学 | 一种基于电力电子变压器的多点分散式配电系统调度方法 |
CN111159426A (zh) * | 2019-12-30 | 2020-05-15 | 武汉理工大学 | 一种基于图卷积神经网络的产业图谱融合方法 |
WO2022236373A1 (en) * | 2021-05-13 | 2022-11-17 | REX Energy Pty Ltd | Energy provision system and method |
Non-Patent Citations (1)
Title |
---|
计及需求响应的风电储能两阶段调度优化模型及求解算法;鞠立伟;于超;谭忠富;;电网技术(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116565979A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kannan et al. | Application of NSGA-II algorithm to generation expansion planning | |
CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
Khaleel et al. | Artificial Intelligence in Engineering | |
Caputo et al. | Photovoltaic plants predictive model by means of ANN trained by a hybrid evolutionary algorithm | |
Deb et al. | Performance of turbulent flow of water optimization on economic load dispatch problem | |
Fang et al. | Deep reinforcement learning for scenario-based robust economic dispatch strategy in internet of energy | |
Ngoc et al. | Support vector regression based on grid search method of hyperparameters for load forecasting | |
Zhao et al. | Deep learning based model-free robust load restoration to enhance bulk system resilience with wind power penetration | |
Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
CN112862065A (zh) | 一种基于多任务图神经网络的电网支路参数辨识方法 | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
Khan et al. | Electrical load forecasting using fast learning recurrent neural networks | |
Asghar et al. | RECLAIM: Renewable energy based demand-side management using machine learning models | |
Hakimi-Asiabar et al. | Multi-objective genetic local search algorithm using Kohonen’s neural map | |
Bukhtoyarov et al. | Neural networks ensembles approach for simulation of solar arrays degradation process | |
CN116565979B (zh) | 一种包含多微网的主动配电网调度方法 | |
Lam et al. | Chemical reaction optimization for the fuzzy rule learning problem | |
Rahman et al. | An efficient electricity generation forecasting system using artificial neural network approach with big data | |
Phan et al. | Improved particle swarm optimization algorithms for economic load dispatch considering electric market | |
Kumar et al. | Sigmoidal salp swarm algorithm | |
Tindra et al. | Daily Peak Load Forecast of Banda Aceh City Using Adaptive Neuro Fuzzy Inference System (ANFIS) Method | |
Zhang et al. | A hybrid discrete particle swarm optimization for satellite scheduling problem | |
CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 | |
CN116247676A (zh) | 一种基于实时市场电价的配电网拓扑推导方法 | |
Kronqvist et al. | Alternating mixed-integer programming and neural network training for approximating stochastic two-stage problems |
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 |