CN116756530A - 用于新能源接入配电网的电网线损评估方法及系统 - Google Patents
用于新能源接入配电网的电网线损评估方法及系统 Download PDFInfo
- Publication number
- CN116756530A CN116756530A CN202311052957.6A CN202311052957A CN116756530A CN 116756530 A CN116756530 A CN 116756530A CN 202311052957 A CN202311052957 A CN 202311052957A CN 116756530 A CN116756530 A CN 116756530A
- Authority
- CN
- China
- Prior art keywords
- power
- equipment
- loss
- line loss
- month
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 238000009826 distribution Methods 0.000 title claims abstract description 53
- 238000010248 power generation Methods 0.000 claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000000605 extraction Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims description 83
- 238000004364 calculation method Methods 0.000 claims description 57
- 238000009434 installation Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 230000005415 magnetization Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 15
- 230000008859 change Effects 0.000 description 12
- 230000005672 electromagnetic field Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005286 illumination Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000012854 evaluation process Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网线损评估的技术领域，特别是涉及一种用于新能源接入配电网的电网线损评估方法及系统，其规范统一且评估精准；所述方法包括：获取发电设备接入配电网所用到的辅助电力设备参数信息；所述辅助电力设备包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器和直流开关设备；基于机器学习算法，构建辅助电力设备损耗特征识别模型，利用辅助电力设备损耗特征识别模型对所有辅助电力设备参数信息进行特征识别，获得电网线损要素设备集合，所述电网线损要素设备集合包括对新能源接入配电网造成电网线损的所有辅助电力设备；基于机器学习算法，构建辅助电力设备损耗参数提取模型。
Description
技术领域
本发明涉及电网线损评估的技术领域，特别是涉及一种用于新能源接入配电网的电网线损评估方法及系统。
背景技术
新能源发电是利用可再生能源或清洁能源的方式进行发电，以替代传统的化石燃料发电；在多样性的新能源发电方式中利用较多的为太阳能发电，由于其丰富的资源、环保的特点、经济可行性以及灵活性与可扩展性，太阳能发电在多样性的新能源发电方式中得到了广泛应用。随着技术的进一步提升和成本的降低，太阳能发电在未来的能源转型中将继续发挥重要作用。
在太阳能发电设备选址安装过程中，需要对新能源发电设备在接入配电网之前的电网线损进行评估，并根据评估结果制定合理的设备选址和安装计划。在实际操作中，往往需要经验丰富的电气工程师或电力系统专家提供专业的评估和建议，由于在评估过程中不同的工程师对线损影响因素的侧重点有所不同，导致评估结果可能会有一定的差异，因此，亟需一种规范统一且评估精准的用于新能源接入配电网的电网线损评估方法。
发明内容
为解决上述技术问题，本发明提供一种规范统一且评估精准的用于新能源接入配电网的电网线损评估方法。
第一方面，本发明提供了用于新能源接入配电网的电网线损评估方法，所述方法包括：
获取发电设备接入配电网所用到的辅助电力设备参数信息；所述辅助电力设备包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器和直流开关设备；
基于机器学习算法，构建辅助电力设备损耗特征识别模型，利用辅助电力设备损耗特征识别模型对所有辅助电力设备参数信息进行特征识别，获得电网线损要素设备集合，所述电网线损要素设备集合包括对新能源接入配电网造成电网线损的所有辅助电力设备；
基于机器学习算法，构建辅助电力设备损耗参数提取模型，利用辅助电力设备损耗参数提取模型对电网线损要素设备集合进行参数特征提取，获得电网线损要素参数集合，所述电网线损要素参数集合包括各个辅助电力设备的电阻损耗参数和部分辅助电力设备的电磁损耗参数；
获取发电设备安装节点历史环境信息以及发电设备性能参数信息；
基于发电设备性能与安装节点历史环境信息，构建月发电功率计算模型，利用月发电功率计算模型遍历一个自然年内的发电设备安装节点历史环境信息，获得该自然年内每个月的发电功率；
基于电阻损耗参数和电磁损耗参数，构建月损耗功率计算模型，将每个月的发电功率代入至月损耗功率计算模型中，获得该自然年内每个月的损耗功率；
考虑环境因素对线损的影响，对每个月份的平均环境进行评估，获得每个月的环境影响权重；
对每个月的损耗功率、发电功率和环境影响权重进行综合计算得到电网线损率。
另一方面，本申请还提供了用于新能源接入配电网的电网线损评估系统，所述系统包括：
信息获取模块，用于获取发电设备接入配电网所需的辅助电力设备参数信息、发电设备安装节点历史环境信息以及发电设备性能参数信息，并发送；其中所述辅助电力设备包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器和直流开关设备；
损耗特征识别模块，用于接收辅助电力设备参数信息，并利用预先存储的辅助电力设备损耗特征识别模型对所有辅助电力设备参数信息进行特征识别，输出电网线损要素设备集合，并发送；
损耗参数提取模块，用于接收电网线损要素设备集合，并利用预先存储的辅助电力设备损耗参数提取模型对电网线损要素设备集合进行参数提取，输出电网线损要素参数集合，并发送；
数据处理模块，用于接收发电设备安装节点历史环境信息以及发电设备性能参数信息，并利用预先存储的月发电功率计算模型遍历一个自然年内的发电设备安装节点历史环境信息，输出每个月的发电功率，并发送；
同时将每个月的发电功率代入至预先存储的月损耗功率计算模型中，获得该自然年内每个月的损耗功率；根据每个月的发电功率和每个月的损耗功率，并结合当月的环境影响权重进行综合计算得到电网线损率，并发送；
展示模块，用于接收电网线损率，并将电网线损率与所要建设的发电设备相关联，并将关联结果展示给工作人员。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
进一步地，所述对每个月的损耗功率、发电功率和环境影响权重进行综合计算得到电网线损率的计算公式，包括：；其中，Li表示第i个月的损耗功率；Pi表示第i个月的发电功率；Wi表示第i个月环境因素对损耗功率的影响权重；R表示新能源接入配电网的电网线损率。
进一步地，所述辅助电力设备包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器和直流开关设备。
进一步地，构建所述辅助电力设备损耗参数提取模型的方法，包括：
收集与辅助电力设备相关的数据，包括各个辅助电力设备的制造商提供的技术规格书、性能参数和损耗数据；
对收集到的数据进行处理和特征提取，选择的特征包括电压、电流、功率因数和温度，并结合领域专家的经验进行特征工程和选择；
采用机器学习算法建立辅助电力设备损耗参数提取模型；
将收集到的数据分为训练集和验证集，使用训练集对辅助电力设备损耗参数提取模型进行训练和调整模型参数；使用验证集对辅助电力设备损耗参数提取模型进行评估和验证，直至达到预期目标；
将损耗参数提取模型应用于电网线损要素设备集合中的所有辅助电力设备，提取出电阻损耗参数和电磁损耗参数。
进一步地，所述发电设备的性能参数信息包括发电设备的额定发电功率；发电设备将太阳能转化为电能的转换效率；发电设备在不同温度下的温度系数。
进一步地，所述月发电功率计算模型的运算公式如下：；其中P为月发电功率；Pr为发电设备的额定功率；η为转换效率；TC为温度系数；Ta为实际温度，表示该月份下发电设备所处的实际温度；Ts为标准温度，根据设备规格或制造商提供的标准温度条件；AF为环境调整系数，根据环境因素进行调整的修正系数。
进一步地，所述月损耗功率计算模型的运算公式如下：；其中，L为该月份发电设备造成的总损耗功率；P为该月份的发电功率；H为电阻损耗参数，表示辅助电力设备造成的电阻损耗的评价参数；J为电磁损耗参数，表示辅助电力设备造成的磁化损耗和磁滞损耗的评价参数；C、D、E是用于考虑发电功率平方项、立方项和温度影响的系数, Ta为实际温度；/>项和项分别表示发电功率的平方和立方对损耗功率的影响，用于考虑辅助电力设备的非线性特性；/>项表示温度对损耗功率的影响，用于考虑温度的变化导致辅助电力设备工作状态的改变。
与现有技术相比本发明的有益效果为：本发明利用机器学习技术构建辅助电力设备损耗特征提取模型，对导电线缆、逆变器、计量设备、变压器和直流开关设备等辅助电力设备的参数信息进行特征提取；能够全面获取影响电网线损的所有辅助电力设备，确保评估结果准确性；
本发明利用发电设备安装节点历史环境信息和发电设备性能参数构建了月发电功率计算模型和月损耗功率计算模型；通过遍历自然年内每个月的环境信息和发电设备性能参数，可以得到每个月的发电功率和损耗功率，为电网线损率的计算提供了可靠的数据支持；
本发明引入了环境因素对损耗功率的影响权重，用于量化环境对线损的影响程度；这样可以更精确地衡量环境因素对线损率的贡献，使评估结果更加准确和可靠；本发明的步骤规范统一，使评估过程可复现、可比较；通过综合考虑多个因素和利用机器学习技术进行特征提取，评估结果更加精准，有助于制定合理的新能源发电设备选址和安装计划；
综上所述，该方法通过综合考虑多个辅助电力设备的损耗特征和参数、结合历史环境信息和发电设备性能参数，以及考虑环境因素对线损的影响，能够提供一种规范统一且评估精准的电网线损评估方法，为新能源发电设备的选址和安装提供可靠的决策依据。
附图说明
图1是本发明的流程图；
图2是构建所述辅助电力设备损耗参数提取模型的流程图；
图3是用于新能源接入配电网的电网线损评估系统的结构图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方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、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图2所示，本发明的用于新能源接入配电网的电网线损评估方法，具体包括以下步骤：
S1、获取发电设备接入配电网所用到的辅助电力设备参数信息；所述辅助电力设备包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器和直流开关设备；
S1步骤中，获取发电设备接入配电网所用到的辅助电力设备参数信息是评估新能源接入配电网电网线损的第一步；在电网输送电领域，不同类型的发电设备对应不同的辅助电力设备，而辅助电力设备分别具有各自的参数，这些参数对电网线损会产生影响；具体包括以下辅助电力设备及其参数信息：
导电线缆：导电线缆是用于输送电能的电力线路，主要参数包括导线材料、直径、长度、导电截面积、电阻等；这些参数反映了导线的电导率和电阻特性，对线路的电阻损耗有影响；
逆变器：逆变器用于将直流电转换为交流电，以满足配电网的要求；逆变器的参数包括输入功率、转换效率、工作电压范围等；这些参数决定了逆变器的能效和电能转换损耗；
计量设备：计量设备用于测量和记录电能使用情况，如电表、电能表等；计量设备的参数包括精度等级、额定电压、电流量程等；这些参数对于准确计量电能和评估电网线损很重要；
电网侧连接设备：电网侧连接设备用于将发电设备与配电网连接，如开关、连接器等；关键参数包括额定电压、额定电流、接触电阻等；这些参数对电能传输和连接可靠性起到重要作用；
变压器：变压器用于改变电压水平以适应输电和配电的需要，参数包括额定容量、额定电压、变比等；变压器的负载损耗和空载损耗对电网线损产生影响；
直流开关设备：直流开关设备用于直流电路的开关和控制，如断路器、开关柜等；参数包括额定电压、额定电流、额定短路开断电流等；这些参数决定了设备的额定容量和正常工作状态下的损耗；
实际情况还可能涉及其他设备和参数，上述设备及参数仅仅是较为典型的部分，其他能够被获取及利用的设备及参数也均在本发明的保护范围内；在S1步骤中，通过收集上述设备的参数信息，以便后续步骤中进行特征提取、参数提取和计算；这样的数据收集和准备工作是评估新能源接入配电网电网线损的重要前提，确保评估的有效性和准确性。
S2、基于机器学习算法，构建辅助电力设备损耗特征识别模型，利用辅助电力设备损耗特征识别模型对所有辅助电力设备参数信息进行特征识别，获得电网线损要素设备集合，所述电网线损要素设备集合包括对新能源接入配电网造成电网线损的所有辅助电力设备；
S2步骤涉及使用机器学习技术构建辅助电力设备损耗特征识别模型，对所有辅助电力设备参数信息进行特征识别，以获得电网线损要素设备集合。在电网输送电领域，辅助电力设备是指与新能源发电设备接入配电网相关的各种设备，包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器和直流开关设备等。这些设备在发电过程中会有一定的能量损耗，对电网线损产生一定的影响。
为了评估电网线损情况，首先需要从以上辅助电力设备中识别出对线损影响最为显著的设备，并获得其相关参数信息。机器学习技术可以应用于该过程中，通过构建辅助电力设备损耗特征识别模型，从辅助电力设备参数信息中识别出与线损相关的辅助电力设备。
辅助电力设备损耗特征识别模型可以采用多种机器学习算法，例如决策树、支持向量机、神经网络等。模型的训练过程需要准备一定量的标记数据，包括已知线损情况下的辅助电力设备参数信息和对应的线损诱因。模型通过学习这些数据的特征和线损之间的关联，可以逐步提高对辅助电力设备损耗特征的识别准确度。
在模型训练完成后，可以将所有辅助电力设备参数信息输入到该模型中，进行特征识别操作。模型会根据输入的参数信息，识别出对线损产生影响的辅助电力设备，并将这些对线损产生影响的辅助电力设备汇总，得到电网线损要素设备集合。
在本步骤中，使用机器学习技术可以自动地从大量的辅助电力设备参数数据中识别出对电网线损产生影响的设备，无需人工逐个分析和判断；这大大提高了效率和准确度；辅助电力设备参数信息通常包含大量的特征和不同的数据类型，例如数值、分类、文本等；机器学习模型可以有效地处理这些复杂的数据结构，并从中提取相关特征，以更好地识别影响电网线损的设备；机器学习模型可以通过学习大量的标记数据来建立辅助电力设备损耗特征与线损之间的关联，从而实现高准确度的特征识别；模型可以发现人们可能忽略或难以察觉的模式和关联关系；一旦构建好的辅助电力设备损耗特征识别模型可以轻松地应用于新的数据集，以识别线损要素设备；这种模型的可扩展性使其适用于不同规模和类型的电力系统，并支持未来新能源接入配电网的线损识别需求。
S3、基于机器学习算法，构建辅助电力设备损耗参数提取模型，利用辅助电力设备损耗参数提取模型对电网线损要素设备集合进行参数特征提取，获得电网线损要素参数集合，所述电网线损要素参数集合包括各个辅助电力设备的电阻损耗参数和部分辅助电力设备的电磁损耗参数；
在S3步骤中，辅助电力设备损耗参数提取模型的目标是从电网线损要素设备集合中提取各个辅助电力设备的电阻损耗参数和部分辅助电力设备的电磁损耗参数；这些参数是评估电网线损的关键因素，通过准确提取它们可以更好地评估和预测线损情况；
具体的，电阻损耗参数表示辅助电力设备造成的电阻损耗的评价参数；电阻损耗是由电流通过辅助电力设备中的电阻元件而产生的能量损失；对于每个辅助电力设备，可以提取其电阻损耗参数进行评价；
电磁损耗参数表示辅助电力设备造成的磁化损耗和磁滞损耗的评价参数；辅助电力设备在工作过程中会产生一部分能量损耗，其中磁化损耗和磁滞损耗属于电磁能转化为热能的损耗过程；对于部分带有磁性元器件的辅助电力设备，可以提取其电磁损耗参数进行评价；
具体的辅助电力设备的电磁损耗参数通过以下方式获取：
T1、确定模拟计算方法和工具：选择适合于电磁场模拟计算的软件工具，如有限元分析软件、电磁场仿真软件等；确保所选的软件能够对电磁场和电磁损耗进行准确建模和计算；
T2、建立设备的几何模型：使用模拟软件创建设备的几何模型；根据设备的形状和尺寸，在软件中建立相应的几何模型；包括导电线缆的长度、逆变器的外形、计量设备的结构、电网侧连接设备的布局、变压器的构造以及直流开关设备的形式等；
T3、设置物理参数：设置模型的物理参数，包括材料特性、电流负载、工作频率等；根据设备的材料特性和工作条件，为模型分配相应的电导率、介电常数、磁导率等物理参数，以便进行电磁场分析和损耗计算；
T4、应用电磁场激励：对模型应用适当的电磁场激励，这里的电磁场激励包括外部电流、电压、磁场或电场等，根据设备的工作原理和预期的太阳能发电设备工作状态选择适当的激励方式；
T5、进行模拟计算：运行模拟软件对设备进行电磁场分析和损耗计算；根据设备模型、物理参数和激励条件，进行电磁场分布和损耗的计算；软件将生成相应的结果，如电磁场强度、磁感应强度、导体损耗等；
T6、分析和解释结果：分析模拟计算结果，评估设备的电磁损耗情况；根据模拟结果，可以得出辅助电力设备在预定工作条件下的电磁损耗参数。
构建辅助电力设备损耗参数提取模型，具体包括以下步骤：
S31、数据收集和准备：收集与辅助电力设备相关的数据，包括各个辅助设备的制造商提供的技术规格书、性能参数、损耗数据等；同时还需要收集同类型设备在实际运行中的数据，包括运行状态、环境条件和电力系统的运行情况等；
S32、特征工程：对收集到的数据进行处理和特征提取，以便用于建立损耗参数提取模型；这可能涉及到数据清洗、缺失值处理、数据变换等步骤，以确保数据的准确性和完整性；同时，根据电气工程的知识，选择适当的特征，如电压、电流、功率因数、温度等，并结合领域专家的经验进行特征工程和选择；
S33、建立损耗参数提取模型：采用合适的机器学习算法来建立辅助电力设备损耗参数提取模型；可能的算法包括回归算法、决策树算法、神经网络算法等，具体选择算法应根据实际情况和数据特点进行评估和比较；在建立模型时，可以将收集到的数据分为训练集和验证集，通过训练和调整模型参数，以获得较好的模型性能；
S34、模型评估和验证：使用验证集对建立的损耗参数提取模型进行评估和验证；评估指标可以包括模型的精度、准确性、泛化能力等；如果模型表现不理想，需要进行模型调整和优化，直到达到预期的效果；
S35、模型应用：在评估步骤中，将损耗参数提取模型应用于电网线损要素设备集合中的所有辅助电力设备，提取出电阻损耗参数和电磁损耗参数；这些损耗参数可以用于后续步骤中的发电功率计算和损耗功率计算，从而评估电网线损率。
在本步骤中，通过机器学习算法，能够从电网线损要素设备集合中准确提取各个辅助电力设备的电阻损耗参数和部分辅助电力设备的电磁损耗参数；相比传统的手动提取方法，机器学习算法能够更好地捕捉数据中的潜在模式和规律，从而提高提取参数的准确性；同时特征工程在建立模型过程中起着重要作用；机器学习算法能够自动从原始数据中提取并选择适当的特征，减轻了手动特征工程的工作负担；通过合理选择和构建的特征，模型可以更好地捕捉与损耗参数相关的信息；
辅助电力设备损耗参数的提取往往涉及到复杂的非线性关系；机器学习算法可以利用神经网络等灵活的模型结构来建模非线性关系，更好地适应实际数据的复杂性；这使得模型能够更准确地预测和提取损耗参数；一旦建立了辅助电力设备损耗参数提取模型，可以重复应用于不同的电网线损要素设备集合，具有较好的可持续性和可扩展性；这样可以提高工作效率，并确保提取参数的一致性和标准化。
S4、获取发电设备安装节点历史环境信息以及发电设备性能参数信息；
S4步骤涉及获取发电设备安装节点历史环境信息以及发电设备性能参数信息；这些信息对电网线损评估方法的准确性和可靠性具有重要影响；具体包括以下信息：
a、发电设备安装节点的历史环境信息
气候数据：附近气象站的数据，包括年均气温、年均日照时数、降雨量和风速等；
阴影情况：附近建筑物、树木或其他结构对太阳能发电设备的阴影覆盖情况；
这些信息可以通过地区气象数据或相关数据库获得。
b、发电设备的性能参数信息
额定功率：设备的额定发电能力，通常以瓦特或千瓦表示；
转换效率：设备将太阳能转化为电能的效率，通常以百分比表示；
温度系数：设备在不同温度下的性能变化率，这对于考虑设备在不同环境条件下的发电能力很重要；
输出电压：设备的输出电压特性，例如直流发电设备的输出电压。
这些参数可以从设备的技术规格或生产商提供的文档中获取。
在本步骤中，通过获取发电设备安装节点的历史环境信息，可以考虑到环境因素对发电设备性能的影响；气候数据和阴影情况等因素会对设备的发电能力产生影响；考虑这些因素可以提高线损评估方法的准确性；通过收集发电设备的性能参数信息，例如额定功率、转换效率、温度系数和输出电压等，可以提供对设备性能的详细了解；这些数据可以用于计算设备的预期发电量、效率和适用范围等，为线损评估方法提供可靠的数据支持；历史环境信息和性能参数信息可以帮助预测设备在不同环境条件下的表现；例如，温度系数可以指示设备在不同温度下的性能变化，这对线损评估方法考虑设备在不同季节和地区的使用具有重要意义。
S5、基于发电设备性能与安装节点历史环境信息，构建月发电功率计算模型，利用月发电功率计算模型遍历一个自然年内的发电设备安装节点历史环境信息，获得该自然年内每个月的发电功率；
S5步骤是基于发电设备的性能参数信息和安装节点的历史环境信息构建月发电功率计算模型。该模型可以用来预测在不同环境条件下，发电设备在每个月份内的发电功率。利用这些信息构建月发电功率计算模型。该模型可以采用数学公式或机器学习算法进行建模。具体的月发电功率计算模型的运算公式如下：；其中P为月发电功率，表示预测的发电设备在某个月份内的发电功率；
Pr为额定功率，表示在设备的标准条件下，即在特定温度、辐射强度等环境参数下，发电设备的最大输出功率；
η为转换效率，表示将太阳能转换为电能的效率；该系数考虑了发电系统中能量转换过程的损耗，通常取值为0到1之间；
TC为温度系数，该系数反映了温度对发电设备输出功率的影响；随着环境温度的变化，发电设备的输出功率会发生调整；温度系数为单位温度变化下功率的变化率；
Ta为实际温度，表示该月份下发电设备所处的实际环境温度；
Ts为标准温度，表示设备规格或制造商提供的参考温度条件；一般情况下，设备性能参数的额定功率是基于标准温度条件下给出的；
AF为环境调整系数，该系数用于根据环境因素如日照时数、风速等进行调整的修正系数；环境调整系数考虑了实际环境条件对发电设备性能的影响，并在计算中对其进行修正；
更为具体的，环境调整系数AF通过以下方法之一进行确定：
a、基于历史数据分析：通过分析历史数据，收集不同环境因素下的发电功率和对应的环境参数，可以建立一个回归模型或查找表，以预测环境调整系数；例如，可以利用回归分析来建立发电功率与环境因素之间的数学关系，并根据实际环境参数来估算环境调整系数；
b、根据设备制造商提供的性能曲线：某些发电设备制造商会提供性能曲线，其中包含了在不同环境条件下的发电功率数据；通过使用这些性能曲线，可以根据实际环境参数与标准条件下的发电功率进行比较，从而确定环境调整系数；
c、基于专业知识和经验：具有丰富经验的专业人士可以根据他们对发电设备性能和环境因素的了解，凭借经验来确定环境调整系数；这种方法可能需要依赖行业标准或经验准则来提供指导。S6、基于电阻损耗参数和电磁损耗参数，构建月损耗功率计算模型，将每个月的发电功率代入至月损耗功率计算模型中，获得该自然年内每个月的损耗功率；
在S6步骤中，目的是通过月损耗功率计算模型计算每个月的损耗功率，月损耗功率计算模型是基于电网输送电领域的技术方案来构建的，它可以通过输入电阻损耗参数、电磁损耗参数和每个月的发电功率，计算得出每个月的损耗功率；该模型可以综合考虑各个参数对损耗功率的影响，从而评估并预测每个月的损耗功率水平；具体的，损耗功率的计算公式如下：；其中，L为该月份发电设备造成的总损耗功率；
对于：P表示该月份的发电功率，代入该公式计算每个月的损耗功率；H是电阻损耗参数，表示辅助电力设备造成的电阻损耗的评价参数；J是电磁损耗参数，表示辅助电力设备造成的磁化损耗和磁滞损耗的评价参数；这部分项计算了发电功率P与电阻损耗参数H和电磁损耗参数J的乘积，以考虑辅助设备对损耗功率的影响；
对于：C是一个系数，用于考虑发电功率平方项对损耗功率的影响；P2表示发电功率P的平方；这个项对应于发电功率P的平方与系数C的乘积，用于考虑辅助设备损耗随着发电功率的增加而出现的非线性特性；
对于：D是一个系数，用于考虑发电功率立方项对损耗功率的影响；P3表示发电功率P的立方；这个项对应于发电功率P的立方与系数D的乘积，用于考虑辅助设备损耗随着发电功率的增加而出现的非线性特性；
对于：E是一个系数，用于考虑温度对损耗功率的影响；Ta是实际温度，表示该月份下发电设备所处的实际环境温度；这个项对应于系数E与实际温度Ta的乘积，用于考虑温度变化对辅助设备工作状态的影响。在本步骤中，该模型能够综合考虑电阻损耗、电磁损耗、发电功率平方项、发电功率立方项以及温度对损耗功率的影响；这样可以更全面地评估每个月的损耗功率水平，并更准确地预测发电设备的损耗情况；模型中的温度项表示温度对损耗功率的影响；温度的变化可以影响辅助设备的工作状态，从而对损耗功率产生影响；通过引入温度项，模型可以更准确地估计温度对损耗功率的影响，进一步提高计算结果的准确性；
基于电阻损耗参数和电磁损耗参数构建月损耗功率计算模型的优点在于它综合考虑了多个因素，并通过引入非线性项和温度项提高了计算结果的准确性，使得可以更好地评估和预测每个月的损耗功率水平；这有助于更精确地了解发电设备的性能和损耗情况，为优化运维提供了有效的决策依据。
S7、考虑环境因素对线损的影响，对每个月份的平均环境进行评估，获得每个月的环境影响权重；
S7步骤中，考虑环境因素对线损的影响是一个关键的评估过程，它需要对每个月份的平均环境进行评估，并获得每个月的环境影响权重；在电网输送电领域，环境因素对线损的影响是一个复杂的问题，涉及多个方面；
首先，温度是一个重要的环境因素，特别是在太阳能发电设备中；温度的变化会影响导线、逆变器、变压器等设备的电阻，从而对线损产生影响；较高的温度可能导致设备的电阻增加，进而增加线损；因此，需要考虑每个月的平均温度，以及温度变化对设备电阻的影响，并将其纳入评估中；
其次，湿度和环境湿度也是影响线损的因素之一；湿度的增加可能导致设备表面的积水或腐蚀，进而对设备的电导率和电阻产生影响；因此，在评估过程中，需要考虑每个月的平均湿度和环境湿度对设备电导率和电阻的影响，并将其纳入权重计算中；
此外，考虑到太阳能发电的特点，日照时间和光照强度也是重要的环境因素；太阳能发电设备的发电效率受日照时间和光照强度的影响，而发电效率的变化可能会间接影响线损；因此，在评估过程中，需要考虑每个月的平均日照时间和光照强度，并将其与发电功率和损耗功率的计算模型结合起来，计算出光照条件对线损的具体影响；
此外还有其他环境因素的影响，如风速、空气质量等；这些因素对线路导线、逆变器以及其他设备的散热和工作效率有一定的影响，进而影响线损；在评估过程中，可以考虑使用实测数据或相关模型来估计这些环境因素的影响，并将其纳入权重计算中；
综上所述，S7步骤中的环境影响权重评估需要考虑多个环境因素的影响，包括温度、湿度、日照时间、光照强度、风速、空气质量等；通过对每个月的平均环境数据进行评估，并结合相应的计算模型，可以得出每个月环境影响权重的具体值；这样，在综合计算中，可以将环境影响权重与损耗功率、发电功率相乘，得到最终的电网线损率；这样的评估方法能够更准确地反映环境因素对新能源发电设备接入配电网所引起的电网线损的影响，为设备选址和安装计划的制定提供更科学、规范的依据。
S8、对每个月的损耗功率、发电功率和环境影响权重进行综合计算得到电网线损率；
在电网输送电领域，电网线损率是一个重要的指标，用于评估电力系统的运行效率和电能传输质量；在S8中，需要对每个月的损耗功率、发电功率和环境影响权重进行综合计算，以得到电网线损率；下面将分别介绍这三个主要参数的计算方法；
损耗功率计算：在S6中，已经构建了月损耗功率计算模型，该模型考虑了辅助电力设备的电阻损耗参数和电磁损耗参数；通过遍历一个自然年内的发电设备安装节点历史环境信息，并使用该模型进行计算，可以得到该自然年内每个月的损耗功率；
发电功率计算：在S5中，已经构建了月发电功率计算模型，该模型基于发电设备的性能参数和安装节点历史环境信息；通过遍历一个自然年内的发电设备安装节点历史环境信息，并利用该模型进行计算，可以获得该自然年内每个月的发电功率；
环境影响权重评估：在S7中，需要对每个月份的平均环境进行评估，以获得每个月的环境影响权重；具体的评估方法可以根据实际情况进行制定，一种常见的方法是利用历史数据统计分析，考虑天气、温度、湿度、风速等因素对电网线损的影响程度；通过对历史数据的分析，可以得到每个月的环境影响权重。
具体的运算公式如下：；其中，Li表示第i个月的损耗功率；Pi表示第i个月的发电功率；Wi表示第i个月环境因素对损耗功率的影响权重；R表示新能源接入配电网的电网线损率。
在本步骤中，通过综合计算这三个主要参数，可以更全面地评估电网线损率；损耗功率反映了新能源接入配电网的能量损耗情况，发电功率表示了发电设备的产出能力，而环境影响权重则考虑了外部环境因素对电网线损的影响程度；将它们结合在一起，可以更准确地评估新能源接入配电网的电网线损情况；
电力系统的运行状况和环境因素会因月份而异；通过对每个月份的损耗功率、发电功率和环境影响权重进行综合计算，可以更好地捕捉到这种变化；这样可以做到更精确的评估，并帮助识别出存在问题的月份或季节，为系统的运维和改进提供有针对性的指导；
对环境影响权重进行评估，可以用于量化不同因素对电网线损的影响程度；例如，高温、高湿度等条件可能会导致电线的导电能力下降，增加电网线损；通过考虑这些因素，并赋予它们相应的权重，在综合计算中反映出它们的影响，可以更全面地评估电网线损率；
电网线损率是评估新能源接入配电网质量的重要指标；通过综合考虑损耗功率、发电功率和环境影响权重，可以得到一个定量的电网线损率值；这个值可以用于与可接受的线损率标准进行比较，帮助评估系统的运行状况，并提供指导改进措施。
实施例二
如图3所示，本发明的用于新能源接入配电网的电网线损评估系统，具体包括以下模块；
信息获取模块，用于获取发电设备接入配电网所需的辅助电力设备参数信息、发电设备安装节点历史环境信息以及发电设备性能参数信息，并发送；其中所述辅助电力设备包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器和直流开关设备；
损耗特征识别模块，用于接收辅助电力设备参数信息，并利用预先存储的辅助电力设备损耗特征识别模型对所有辅助电力设备参数信息进行特征识别，输出电网线损要素设备集合，并发送；
损耗参数提取模块，用于接收电网线损要素设备集合，并利用预先存储的辅助电力设备损耗参数提取模型对电网线损要素设备集合进行参数提取，输出电网线损要素参数集合，并发送；
数据处理模块，用于接收发电设备安装节点历史环境信息以及发电设备性能参数信息，并利用预先存储的月发电功率计算模型遍历一个自然年内的发电设备安装节点历史环境信息，输出每个月的发电功率，并发送；
同时将每个月的发电功率代入至预先存储的月损耗功率计算模型中，获得该自然年内每个月的损耗功率；根据每个月的发电功率和每个月的损耗功率，并结合当月的环境影响权重进行综合计算得到电网线损率，并发送；
展示模块，用于接收电网线损率，并将电网线损率与所要建设的发电设备相关联，并将关联结果展示给工作人员。
该系统提供一种规范统一的电网线损评估方法，通过使用预先存储的模型和算法来对电网线损进行评估；这种标准化的方法可以减少不同工程师之间的主观差异，提高评估结果的一致性和准确性；系统中的各个模块都具有自动化的功能，能够自动获取和处理数据，并进行特征提取、参数提取和综合计算；与传统的手动评估方法相比，该系统能够大大节省时间和人力成本，并减少潜在的人为错误；
该系统综合考虑了多个因素对电网线损的影响，如辅助电力设备的损耗特征、发电设备的历史环境信息和性能参数、月发电功率以及环境影响权重等；通过综合考虑这些因素，系统能够更准确地评估电网线损，并为设备选址和安装计划提供合理的建议；
同时该系统还支持实时的数据获取和处理，可以随时更新和调整模型和算法；这使得系统能够适应不同的场景和需求，并提供及时的评估和建议；该系统通过展示模块将评估结果与发电设备相关联，并以可视化的形式呈现给工作人员；这样，工作人员可以直观地了解电网线损率及其影响因素，以便更好地做出决策和优化方案；
综上所述，上述电网线损评估系统通过规范统一的评估方法、自动化的流程、多因素考虑、实时性和灵活性以及可视化展示等特点，能够有效解决新能源接入配电网过程中的问题，提供准确和可靠的评估结果，并帮助决策者做出合理的设备选址和安装计划决策。
前述实施例一中的用于新能源接入配电网的电网线损评估方法的各种变化方式和具体实施例同样适用于本实施例的用于新能源接入配电网的电网线损评估系统,通过前述对用于新能源接入配电网的电网线损评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中用于新能源接入配电网的电网线损评估系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种用于新能源接入配电网的电网线损评估方法，其特征在于，所述方法包括：
获取发电设备接入配电网所用到的辅助电力设备参数信息；
基于机器学习算法，构建辅助电力设备损耗特征识别模型，利用辅助电力设备损耗特征识别模型对所有辅助电力设备参数信息进行特征识别，获得电网线损要素设备集合，所述电网线损要素设备集合包括对新能源接入配电网造成电网线损的所有辅助电力设备；
基于机器学习算法，构建辅助电力设备损耗参数提取模型，利用辅助电力设备损耗参数提取模型对电网线损要素设备集合进行参数特征提取，获得电网线损要素参数集合，所述电网线损要素参数集合包括各个辅助电力设备的电阻损耗参数和部分辅助电力设备的电磁损耗参数；
获取发电设备安装节点历史环境信息以及发电设备性能参数信息；
基于发电设备性能与安装节点历史环境信息，构建月发电功率计算模型，利用月发电功率计算模型遍历一个自然年内的发电设备安装节点历史环境信息，获得该自然年内每个月的发电功率；
基于电阻损耗参数和电磁损耗参数，构建月损耗功率计算模型，将每个月的发电功率代入至月损耗功率计算模型中，获得该自然年内每个月的损耗功率；
考虑环境因素对线损的影响，对每个月份的平均环境进行评估，获得每个月的环境影响权重；
对每个月的损耗功率、发电功率和环境影响权重进行综合计算得到电网线损率。
2.如权利要求1所述的用于新能源接入配电网的电网线损评估方法，其特征在于，所述对每个月的损耗功率、发电功率和环境影响权重进行综合计算得到电网线损率的计算公式，包括：；其中，Li表示第i个月的损耗功率；Pi表示第i个月的发电功率；Wi表示第i个月环境因素对损耗功率的影响权重；R表示新能源接入配电网的电网线损率。
3.如权利要求1所述的用于新能源接入配电网的电网线损评估方法，其特征在于，所述辅助电力设备包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器、直流开关设备中的一种或多种。
4.如权利要求1所述的用于新能源接入配电网的电网线损评估方法，其特征在于，构建所述辅助电力设备损耗参数提取模型的方法，包括：
收集与辅助电力设备相关的数据，包括各个辅助电力设备的制造商提供的技术规格书、性能参数和损耗数据；
对收集到的数据进行处理和特征提取，选择的特征包括电压、电流、功率因数和温度，并结合领域专家的经验进行特征标注和选择；
采用机器学习算法建立辅助电力设备损耗参数提取模型；
将收集到的数据分为训练集和验证集，使用训练集对辅助电力设备损耗参数提取模型进行训练和调整模型参数；
使用验证集对辅助电力设备损耗参数提取模型进行评估和验证，直至达到预期目标；
将损耗参数提取模型应用于电网线损要素设备集合中的所有辅助电力设备，提取出电阻损耗参数和电磁损耗参数。
5.如权利要求1所述的用于新能源接入配电网的电网线损评估方法，其特征在于，所述发电设备的性能参数信息包括发电设备的额定发电功率、发电设备将太阳能转化为电能的转换效率和发电设备在不同温度下的温度系数。
6.如权利要求5所述的用于新能源接入配电网的电网线损评估方法，其特征在于，所述月发电功率计算模型的运算公式如下：；其中P表示月发电功率；Pr表示发电设备的额定功率；η表示转换效率；TC表示温度系数；Ta表示该月份下发电设备所处的实际温度；Ts表示设备设计规格的标准温度条件；AF表示根据环境因素进行调整的修正系数。
7.如权利要求6所述的用于新能源接入配电网的电网线损评估方法，其特征在于，所述月损耗功率计算模型的运算公式如下：；其中，L表示该月份发电设备造成的总损耗功率；P表示该月份的发电功率；H表示辅助电力设备造成的电阻损耗的评价参数；J表示辅助电力设备造成的磁化损耗和磁滞损耗的评价参数；C、D、E 是用于考虑发电功率平方项、立方项和温度影响的系数, Ta表示该月份下发电设备所处的实际温度；/>项和/>项分别表示发电功率的平方和立方对损耗功率的影响；/>项表示温度对损耗功率的影响。
8.一种用于新能源接入配电网的电网线损评估系统，其特征在于，所述系统包括：
信息获取模块，用于获取发电设备接入配电网所需的辅助电力设备参数信息、发电设备安装节点历史环境信息以及发电设备性能参数信息，并发送；其中所述辅助电力设备包括导电线缆、逆变器、计量设备、电网侧连接设备、变压器和直流开关设备；
损耗特征识别模块，用于接收辅助电力设备参数信息，并利用预先存储的辅助电力设备损耗特征识别模型对所有辅助电力设备参数信息进行特征识别，输出电网线损要素设备集合，并发送；
损耗参数提取模块，用于接收电网线损要素设备集合，并利用预先存储的辅助电力设备损耗参数提取模型对电网线损要素设备集合进行参数提取，输出电网线损要素参数集合，并发送；
数据处理模块，用于接收发电设备安装节点历史环境信息以及发电设备性能参数信息，并利用预先存储的月发电功率计算模型遍历一个自然年内的发电设备安装节点历史环境信息，输出每个月的发电功率，并发送；
同时将每个月的发电功率代入至预先存储的月损耗功率计算模型中，获得该自然年内每个月的损耗功率；根据每个月的发电功率和每个月的损耗功率，并结合当月的环境影响权重进行综合计算得到电网线损率，并发送；
展示模块，用于接收电网线损率，并将电网线损率与所要建设的发电设备相关联，并将关联结果展示给工作人员。
9.一种用于新能源接入配电网的电网线损评估电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311052957.6A CN116756530B (zh) | 2023-08-21 | 2023-08-21 | 用于新能源接入配电网的电网线损评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311052957.6A CN116756530B (zh) | 2023-08-21 | 2023-08-21 | 用于新能源接入配电网的电网线损评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116756530A true CN116756530A (zh) | 2023-09-15 |
| CN116756530B CN116756530B (zh) | 2023-11-14 |
Family
ID=87948275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311052957.6A Active CN116756530B (zh) | 2023-08-21 | 2023-08-21 | 用于新能源接入配电网的电网线损评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116756530B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273987A (zh) * | 2023-11-21 | 2023-12-22 | 天津风霖物联网科技有限公司 | 建筑自动化系统数据处理方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678469A (zh) * | 2016-01-29 | 2016-06-15 | 南京市产品质量监督检验院 | 一种应用于智能变电站继电保护设备的风险评估方法 |
| CN111178657A (zh) * | 2019-08-21 | 2020-05-19 | 中民新能投资集团有限公司 | 一种基于*的交直流混合分布式系统电损耗及能效评价方法 |
| CN111460001A (zh) * | 2020-03-30 | 2020-07-28 | 济南大学 | 一种配电网理论线损率评估方法及系统 |
| CN115619592A (zh) * | 2022-11-04 | 2023-01-17 | 重庆中电自能科技有限公司 | 一种光伏组串损失电量计算方法及系统 |
| CN115795889A (zh) * | 2022-12-06 | 2023-03-14 | 国家电网有限公司华中分部 | 一种基于多参量修正的输电线路线损优化计算方法 |
| CN116205380A (zh) * | 2023-05-05 | 2023-06-02 | 北京东润环能科技股份有限公司 | 新能源电场站内损耗预测模型构建方法、预测方法和系统 |
-
2023
- 2023-08-21 CN CN202311052957.6A patent/CN116756530B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105678469A (zh) * | 2016-01-29 | 2016-06-15 | 南京市产品质量监督检验院 | 一种应用于智能变电站继电保护设备的风险评估方法 |
| CN111178657A (zh) * | 2019-08-21 | 2020-05-19 | 中民新能投资集团有限公司 | 一种基于*的交直流混合分布式系统电损耗及能效评价方法 |
| CN111460001A (zh) * | 2020-03-30 | 2020-07-28 | 济南大学 | 一种配电网理论线损率评估方法及系统 |
| CN115619592A (zh) * | 2022-11-04 | 2023-01-17 | 重庆中电自能科技有限公司 | 一种光伏组串损失电量计算方法及系统 |
| CN115795889A (zh) * | 2022-12-06 | 2023-03-14 | 国家电网有限公司华中分部 | 一种基于多参量修正的输电线路线损优化计算方法 |
| CN116205380A (zh) * | 2023-05-05 | 2023-06-02 | 北京东润环能科技股份有限公司 | 新能源电场站内损耗预测模型构建方法、预测方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| XI CHEN等: "Spatiotemporal analysis of line loss rate: A case study in China", 《ENERGY REPORTS》, pages 7048 - 7059 * |
| 李果等: "基于神经网络模型的智能电网线损估计方法", 《沈阳工业大学学报》, vol. 44, no. 2, pages 133 - 138 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273987A (zh) * | 2023-11-21 | 2023-12-22 | 天津风霖物联网科技有限公司 | 建筑自动化系统数据处理方法及系统 |
| CN117273987B (zh) * | 2023-11-21 | 2024-02-02 | 天津风霖物联网科技有限公司 | 建筑自动化系统数据处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116756530B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Koirala et al. | Hosting capacity of photovoltaic systems in low voltage distribution systems: A benchmark of deterministic and stochastic approaches | |
| Wang et al. | Time-varying stochastic assessment of conservation voltage reduction based on load modeling | |
| CN112084651B (zh) | 计及疲劳损伤的多尺度风电igbt可靠性评估方法及系统 | |
| CN112214951B (zh) | 分段式lstm的微网逆变器igbt可靠性评估方法及系统 | |
| Kopsidas et al. | Power network reliability evaluation framework considering OHL electro-thermal design | |
| CN116756530B (zh) | 用于新能源接入配电网的电网线损评估方法及系统 | |
| CN111401657B (zh) | 一种基于支持向量回归算法的变压器热点温度时序预测方法 | |
| CN109829560B (zh) | 一种配电网可再生能源发电集群接入规划方法 | |
| CN104252649A (zh) | 一种计及多风电场相关性的区域风电出力预测方法 | |
| CN106548410B (zh) | 一种含分布式电源的配电网电压不平衡概率评估方法 | |
| Wallnerström et al. | Potential of dynamic rating in Sweden | |
| CN107103184A (zh) | 一种高压电缆接头温度预测方法 | |
| WO2020202184A1 (en) | A system employing electrical digital twin for solar photovoltaic power plant | |
| Häring et al. | Accuracy analysis of selected time series and machine learning methods for smart cities based on Estonian electricity consumption forecast | |
| CN106849064B (zh) | 一种基于气象数据的区域电网负荷预测管理系统 | |
| Abeysinghe et al. | Electrical properties of medium voltage electricity distribution networks | |
| Goergens et al. | Determination of the potential to provide reactive power from distribution grids to the transmission grid using optimal power flow | |
| Koh et al. | Reliability evaluation of electric power systems with solar photovoltaic & energy storage | |
| CN104573858A (zh) | 一种电网负荷的预测和调控方法 | |
| Karimi et al. | A comparison between fuzzy and probabilistic estimation of dynamic thermal rating of transmission lines | |
| Gemeda et al. | Probabilistic ampacity forecasting of dynamic line rating considering tsos risk-averse | |
| Codjo et al. | Impact of the line resistance statistical distribution on a probabilistic load flow computation | |
| Alberdi et al. | Short-term ampacity forecasting based on linear regression in a distribution line | |
| CN113812052A (zh) | 用于动态预测、聚合、和验证的装置和方法 | |
| Cruzat et al. | Evaluating the impact of information and communication technologies on network reliability |
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 |