CN116865258A - 一种层级构造的分布式电源智能电网构建方法 - Google Patents
一种层级构造的分布式电源智能电网构建方法 Download PDFInfo
- Publication number
- CN116865258A CN116865258A CN202310869482.3A CN202310869482A CN116865258A CN 116865258 A CN116865258 A CN 116865258A CN 202310869482 A CN202310869482 A CN 202310869482A CN 116865258 A CN116865258 A CN 116865258A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- processing
- power supply
- generate
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 226
- 238000004891 communication Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 65
- 238000002347 injection Methods 0.000 claims abstract description 30
- 239000007924 injection Substances 0.000 claims abstract description 30
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 68
- 238000004458 analytical method Methods 0.000 claims description 55
- 230000005611 electricity Effects 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000013441 quality evaluation Methods 0.000 claims description 42
- 238000009826 distribution Methods 0.000 claims description 41
- 230000006399 behavior Effects 0.000 claims description 38
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 238000011049 filling Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000000547 structure data Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 230000000750 progressive effect Effects 0.000 claims description 4
- 238000010845 search algorithm Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 239000003607 modifier Substances 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 16
- 238000007726 management method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000007405 data analysis Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 238000013439 planning Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000013179 statistical model 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
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能电网处理技术领域,尤其涉及一种层级构造的分布式电源智能电网构建方法。所述方法包括以下步骤:利用预设的电力资源云服务器获取电力资源数据;对电力资源数据进行数据预处理,得到标准电力资源数据;通过对电力需求分析确定电力外部影响因素和电力内部影响因素;基于电力外部影响因素对标准电力资源数据进行节点部署处理,生成电力通信节点;基于电力内部影响因素对电力通信节点进行模拟电力注入处理,得到模拟电力流向数据;对模拟电力流向数据进行区域电力特征提取处理,生成区域电力特征数据;本发明通过对电力资源数据进行内外层级构建,并通过电源模型进行智能带调度,以实现层级构造的分布式电源智能电网构建方法。
Description
技术领域
本发明涉及智能电网处理技术领域,尤其涉及一种层级构造的分布式电源智能电网构建方法。
背景技术
分布式电源智能电网构建方法的背景技术发展历程可以追溯到传统中央化电网的时代,在这个时期,电力系统主要依赖于大型发电厂通过输电线路向用户供电。然而,随着可再生能源的迅速发展和对碳排放的关注,分布式电源技术逐渐兴起,分布式电源是指将多个小型发电装置分散地接入电力系统,例如光伏电站、风电场和小水电站等,这种分布式方式不仅可以提供可靠的电力供应,还可以利用可再生能源减少对传统化石燃料的依赖,智能电网的概念随后被提出,将信息和通信技术与电力系统集成,实现能源的高效配送和管理。智能电网可以实现分布式电源的实时监测、控制和优化,使得电力系统更加灵活、可靠和可持续。然而目前的智能电网仍然存在着一些缺陷,例如层级缺乏导致电源检测不全面导致智能电网调度不精准,以及无法通过对电源监控而智能采取电源电力调度的问题。
发明内容
基于此,有必要提供一种层级构造的分布式电源智能电网构建方法,以解决至少一个上述技术问题。
为实现上述目的,一种层级构造的分布式电源智能电网构建方法,所述方法包括以下步骤:
步骤S1:利用预设的电力资源云服务器获取电力资源数据;对电力资源数据进行数据预处理,得到标准电力资源数据;
步骤S2:通过对电力需求分析确定电力外部影响因素和电力内部影响因素;基于电力外部影响因素对标准电力资源数据进行节点部署处理,生成电力通信节点;基于电力内部影响因素对电力通信节点进行模拟电力注入处理,得到模拟电力流向数据;
步骤S3:对模拟电力流向数据进行区域电力特征提取处理,生成区域电力特征数据;利用电力负荷流转公式对区域电力特征数据进行层级构建,得到内部电力调度层和外部电力通信监管层;
步骤S4:根据内部电力调度层进行用户用电行为分析处理,生成用户用电行为分析数据;对外部电力通信监管层进行设备状态识别处理,生成正常设备标识数据;基于用户用电行为分析数据和正常设备标识数据进行拓扑构建处理,得到电网拓扑结构;
步骤S5:利用电网拓扑结构配置进行电源配置处理,得到电网电源数据;根据电网电源数据进行电源监管模型构建,生成初步电源预测模型;利用交叉验证对初步电源预测模型进行验证优化,从而得到电源预测模型;
步骤S6:将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,生成电源状态估计结果;利用优化算法对状态估计结果进行电力状态策略调度处理,生成电源优化调度策略方案;
步骤S7:基于服务质量评估公式对电源优化调度策略方案进行质量评估处理,生成电网服务质量评估优化结果。
本发明通过利用预设的电力资源云服务器获取电力资源数据,对电力资源数据进行数据预处理,可以确保数据在整个处理流程中具有一致性和可比性,提高数据分析和决策的准确性和可信度,可以处理不完整、不一致或不可信的原始数据,从而提高数据的可用性和可靠性;通过对电力需求分析确定电力外部影响因素和电力内部影响因素,可以对电力资源数据进行部署和模拟,从而实现对电力系统的可靠性进行分析和评估,基于电力外部影响因素对标准电力资源数据进行节点部署处理,可以揭示电力系统中不同节点的电力传输和分配情况,从而揭示电力系统中不同节点的电力传输和分配情况,基于电力内部影响因素对电力通信节点进行模拟电力注入处理,可以进行电力系统的预测和决策支持,从而帮助制定合理的电力调度策略和决策,以满足电力需求、提高供电可靠性,并优化能源资源的利用;对模拟电力流向数据进行区域电力特征提取处理,可以反映不同区域的电力供需情况、负荷变化、能源分布等特征信息,深入了解区域内的电力系统状态和特点,为电力调度和管理提供基础数据支持,利用电力负荷流转公式对区域电力特征数据进行层级构建,可以实现电力资源的合理分配和调度,提高电力系统的效率和稳定性,实现实时监测电力流向、故障检测和通信管理,提高电力系统的可靠性和安全性,提高故障检测的准确性和时效性,加强对电力系统的容错能力,从而减少故障对供电的影响;根据内部电力调度层进行用户用电行为分析处理,可以更好地了解用户的用电需求和习惯,从而进行用电需求预测和优化,对外部电力通信监管层进行设备状态识别处理,可以实时监测设备的运行状态并识别正常设备,减少故障对电力系统的影响,基于用户用电行为分析数据和正常设备标识数据进行拓扑构建处理,可以了解电力系统的组成部分、节点之间的连接关系,有助于电力系统的规划和扩展;利用电网拓扑结构配置进行电源配置处理,可以更好地了解电力系统的供电能力和分布情况,有效地规划电源的使用和分配,提高电力系统的灵活性和可靠性,根据电网电源数据进行电源监管模型构建,可以预测电力系统中各个节点的电源供应情况,利用交叉验证对初步电源预测模型进行验证优化,可以评估模型的准确性并进行微调,以得到更精确和可靠的电源预测模型;将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,可以优化调度算法根据电源状态的变化进行合理的决策和调度,以最大程度地利用电力资源,提高电力系统的效率和运行质量,利用优化算法对状态估计结果进行电力状态策略调度处理,可以提高电力系统的效率和可持续性,降低能源消耗和环境影响;基于服务质量评估公式对电源优化调度策略方案进行质量评估处理,可以提高可再生能源的利用率,减少碳排放和环境影响,实现电力系统的可持续发展,提高用户的满意度和信任度,增强电力系统的用户体验。因此,本发明通过对电力资源数据进行内外层级构造,并通过电网拓扑结构和模型进行电源调度,以解决智能电网调度不精确和智能化问题。
附图说明
图1为一种层级构造的分布式电源智能电网构建方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
图4为图1中步骤S4的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种层级构造的分布式电源智能电网构建方法,所述方法包括以下步骤:
步骤S1:利用预设的电力资源云服务器获取电力资源数据;对电力资源数据进行数据预处理,得到标准电力资源数据;
步骤S2:通过对电力需求分析确定电力外部影响因素和电力内部影响因素;基于电力外部影响因素对标准电力资源数据进行节点部署处理,生成电力通信节点;基于电力内部影响因素对电力通信节点进行模拟电力注入处理,得到模拟电力流向数据;
步骤S3:对模拟电力流向数据进行区域电力特征提取处理,生成区域电力特征数据;利用电力负荷流转公式对区域电力特征数据进行层级构建,得到内部电力调度层和外部电力通信监管层;
步骤S4:根据内部电力调度层进行用户用电行为分析处理,生成用户用电行为分析数据;对外部电力通信监管层进行设备状态识别处理,生成正常设备标识数据;基于用户用电行为分析数据和正常设备标识数据进行拓扑构建处理,得到电网拓扑结构;
步骤S5:利用电网拓扑结构配置进行电源配置处理,得到电网电源数据;根据电网电源数据进行电源监管模型构建,生成初步电源预测模型;利用交叉验证对初步电源预测模型进行验证优化,从而得到电源预测模型;
步骤S6:将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,生成电源状态估计结果;利用优化算法对状态估计结果进行电力状态策略调度处理,生成电源优化调度策略方案;
步骤S7:基于服务质量评估公式对电源优化调度策略方案进行质量评估处理,生成电网服务质量评估优化结果。
本发明通过利用预设的电力资源云服务器获取电力资源数据,对电力资源数据进行数据预处理,可以确保数据在整个处理流程中具有一致性和可比性,提高数据分析和决策的准确性和可信度,可以处理不完整、不一致或不可信的原始数据,从而提高数据的可用性和可靠性;通过对电力需求分析确定电力外部影响因素和电力内部影响因素,可以对电力资源数据进行部署和模拟,从而实现对电力系统的可靠性进行分析和评估,基于电力外部影响因素对标准电力资源数据进行节点部署处理,可以揭示电力系统中不同节点的电力传输和分配情况,从而揭示电力系统中不同节点的电力传输和分配情况,基于电力内部影响因素对电力通信节点进行模拟电力注入处理,可以进行电力系统的预测和决策支持,从而帮助制定合理的电力调度策略和决策,以满足电力需求、提高供电可靠性,并优化能源资源的利用;对模拟电力流向数据进行区域电力特征提取处理,可以反映不同区域的电力供需情况、负荷变化、能源分布等特征信息,深入了解区域内的电力系统状态和特点,为电力调度和管理提供基础数据支持,利用电力负荷流转公式对区域电力特征数据进行层级构建,可以实现电力资源的合理分配和调度,提高电力系统的效率和稳定性,实现实时监测电力流向、故障检测和通信管理,提高电力系统的可靠性和安全性,提高故障检测的准确性和时效性,加强对电力系统的容错能力,从而减少故障对供电的影响;根据内部电力调度层进行用户用电行为分析处理,可以更好地了解用户的用电需求和习惯,从而进行用电需求预测和优化,对外部电力通信监管层进行设备状态识别处理,可以实时监测设备的运行状态并识别正常设备,减少故障对电力系统的影响,基于用户用电行为分析数据和正常设备标识数据进行拓扑构建处理,可以了解电力系统的组成部分、节点之间的连接关系,有助于电力系统的规划和扩展;利用电网拓扑结构配置进行电源配置处理,可以更好地了解电力系统的供电能力和分布情况,有效地规划电源的使用和分配,提高电力系统的灵活性和可靠性,根据电网电源数据进行电源监管模型构建,可以预测电力系统中各个节点的电源供应情况,利用交叉验证对初步电源预测模型进行验证优化,可以评估模型的准确性并进行微调,以得到更精确和可靠的电源预测模型;将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,可以优化调度算法根据电源状态的变化进行合理的决策和调度,以最大程度地利用电力资源,提高电力系统的效率和运行质量,利用优化算法对状态估计结果进行电力状态策略调度处理,可以提高电力系统的效率和可持续性,降低能源消耗和环境影响;基于服务质量评估公式对电源优化调度策略方案进行质量评估处理,可以提高可再生能源的利用率,减少碳排放和环境影响,实现电力系统的可持续发展,提高用户的满意度和信任度,增强电力系统的用户体验。因此,本发明通过对电力资源数据进行内外层级构造,并通过电网拓扑结构和模型进行电源调度,以解决智能电网调度不精确和智能化问题。
本发明实施例中,参考图1所述,为本发明一种层级构造的分布式电源智能电网构建方法的步骤流程示意图,在本实例中,所述一种层级构造的分布式电源智能电网构建方法包括以下步骤:
步骤S1:利用预设的电力资源云服务器获取电力资源数据;对电力资源数据进行数据预处理,得到标准电力资源数据;
本发明实施例中,通过需要明确获取电力资源数据的来源,可能包括电力公司的数据库、传感器设备、监控系统等,通过电力资源云服务器建立与数据源的连接,可以是通过API接口、数据库连接、文件传输等方式来获取数据,确保服务器和数据源之间的通信正常,使用云服务器与数据源进行通信,获取所需的电力资源数据,根据需求获取实时数据或历史数据,包括电力负荷、发电机状态、变压器参数等,使用数据处理工具和算法进行数据清洗,其中数据清洗的步骤包括去除无效数据、填补缺失值、处理异常值等,使用例如数据类型转换、单位转换、数据字段重新命名等操作将原始数据转换为标准的电力资源数据格式,将经过预处理的标准电力资源数据存储到云服务器中,以便后续的数据分析和处理,得到标准电力资源数据。
步骤S2:通过对电力需求分析确定电力外部影响因素和电力内部影响因素;基于电力外部影响因素对标准电力资源数据进行节点部署处理,生成电力通信节点;基于电力内部影响因素对电力通信节点进行模拟电力注入处理,得到模拟电力流向数据;
本发明实施例中,通过对电力系统进行需求分析,确定影响电力流向的外部和内部因素,其中外部影响因素可能包括天气状况、用电负荷变化、电网状况等,内部影响因素可能包括发电机状态、变压器参数、电力输配电设备状态等,根据电力外部影响因素,在电力资源数据中选择合适的节点进行部署处理,节点可以是发电站、变电站、输电线路、配电设备等,根据选定的节点,生成电力通信节点,这些节点代表了实际电力系统中的实体,可以有唯一的标识符和属性,节点之间可以建立连接关系,形成电力通信网络,基于电力内部影响因素,对电力通信节点进行模拟电力注入处理,包括模拟发电机的出力、变压器的转换、线路的传输损耗等,根据节点的物理特性和运行状态,模拟电力的流向和分配情况,通过模拟电力注入处理,得到模拟电力流向数据,这些数据反映了在给定条件下电力系统中电力的分配和流动情况,可以记录节点之间的功率流向、电压变化等信息。
步骤S3:对模拟电力流向数据进行区域电力特征提取处理,生成区域电力特征数据;利用电力负荷流转公式对区域电力特征数据进行层级构建,得到内部电力调度层和外部电力通信监管层;
本发明实施例中,通过对模拟电力流向数据进行处理,提取出区域电力特征,其中包括电力供需关系、节点负荷状况、电力传输效率、节点之间的功率流向等,可以考虑节点之间的电力流向、能量传输、功率平衡等因素,将电力系统划分为不同的层级以实现更好的调度和监管,利用电力负荷流转公式对区域电力特征数据进行层级构建,生成内部电力调度层和外部电力通信监管层,在内部电力调度层中,通过对区域电力特征数据的分析和调度算法的运用,实现对电力系统内部节点的电力调度,其中电力调度包括调整发电机出力、变压器转换、负荷管理等操作,以保证节点之间的功率平衡和电力的高效分配,在外部电力通信监管层中,通过对区域电力特征数据的监测和监管算法的应用,实现对电力系统中节点之间的通信、传输和电力质量的监测和管理,其中包括监测节点之间的功率流向、电压变化、电力负荷等,以及执行必要的控制和故障管理操作。
步骤S4:根据内部电力调度层进行用户用电行为分析处理,生成用户用电行为分析数据;对外部电力通信监管层进行设备状态识别处理,生成正常设备标识数据;基于用户用电行为分析数据和正常设备标识数据进行拓扑构建处理,得到电网拓扑结构;
本发明实施例中,通过利用内部电力调度层中的数据,对用户的用电行为进行分析,涉及用户的用电模式、用电量变化、用电峰谷等方面的分析,提取用户用电的关键特征,并生成用户用电行为分析数据,针对外部电力通信监管层中的设备数据,进行设备状态的识别处理,包括设备的正常运行状态、异常状态、故障等的识别。利用合适的算法和技术,对设备数据进行监测和分析,生成正常设备标识数据,根据节点之间的电力传输、连接关系、设备运行状态等信息,生成电网的拓扑结构。
步骤S5:利用电网拓扑结构配置进行电源配置处理,得到电网电源数据;根据电网电源数据进行电源监管模型构建,生成初步电源预测模型;利用交叉验证对初步电源预测模型进行验证优化,从而得到电源预测模型;
本发明实施例中,通过对电网拓扑结构,进行电源配置处理,其中涉及确定电源的位置、类型和容量,并将其配置到合适的位置,以保证电网的稳定供电,配置过程需要考虑电力负荷需求、电源容量、供电可靠性等因素,根据电网拓扑结构配置结果,生成电网电源数据,其中电网电源数据包括电源的位置、容量、类型以及与其相连的节点和线路信息等,采用机器学习、统计分析等方法分析和建模电源的运行状态、能量产出等指标,可以构建初步的电源预测模型,对初步的电源预测模型进行交叉验证和微调,以提高其准确性和预测能力,其中交叉验证通过将数据集分成训练集和验证集,验证模型在未知数据上的表现,微调可以通过调整模型的参数、选择合适的算法和特征,进一步优化模型性能。
步骤S6:将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,生成电源状态估计结果;利用优化算法对状态估计结果进行电力状态策略调度处理,生成电源优化调度策略方案;
本发明实施例中,通过收集实际或者模拟的电力流向数据,包括负荷需求、电源供应、线路参数等信息,将这些数据导入到电源预测模型中进行处理,通过输入电力流向数据,模型将进行处理并预测电源的状态,包括电源的运行状态、发电量等,根据电源预测模型的输出,得到电源状态估计结果,电源状态估计结果包括每个电源的电力输出状态、运行情况等,利用基于数学规划、遗传算法、蚁群算法等优化算法对电源状态估计结果进行电力状态策略调度,其中电力状态策略包括调整电源输出功率、切换电源连接方式、调整电源间的负载分配等。
步骤S7:基于服务质量评估公式对电源优化调度策略方案进行质量评估处理,生成电网服务质量评估优化结果。
本发明实施例中,通过基于电网的关键性能指标和目标定义服务质量评估公式,将电源优化调度策略方案的数据收集起来,这些数据包括电源状态、负荷需求、线路参数、电网拓扑等信息,将收集到的优化调度方案数据应用于选定的服务质量评估公式中,通过计算和分析,得到电网服务质量评估结果,根据评估结果,可以识别出优化调度方案中的弱点或改进空间,从而对电网服务质量评估结果进行分析和比较,根据需要,进行相应调整和改进,以达到满足服务质量要求的最佳电源优化调度策略方案。
优选地,步骤S1包括以下步骤:
步骤S11:通过云平台服务器API接口采集电网数据,获得电力资源数据;
步骤S12:对电力资源数据进行数据完整性检测处理,当电力资源数据出现数据缺失时,利用哑变量填充法对电力资源数据进行缺失值填充处理,生成电力资源填充数据;
步骤S13:将电力资源填充数据进行平滑去噪处理,得到电力资源去噪数据;
步骤S14:对电力资源去噪数据进行维度变换处理,生成电力资源维度数据;根据Z-score标准化算法对电力资源维度数据进行标准化处理,生成标准电力资源数据。
本发明通过云平台服务器API接口采集电网数据,可以获取到电力资源数据,包括各种电网参数和指标;对电力资源数据进行数据完整性检测处理,可以提高数据的准确性和完整性,避免在后续的数据分析中出现因数据缺失而引起的问题;将电力资源填充数据进行平滑去噪处理,可以降低数据中的噪声对分析结果的影响,提高数据的质量和真实性;对电力资源去噪数据进行维度变换处理,可以使数据更易于分析和理解,减少数据维度带来的复杂性,根据Z-score标准化算法对电力资源维度数据进行标准化处理,可以消除数据之间的量纲差异,提高数据比较和分析的可行性。
本发明实施例中,通过根据需求确定需要采集的电力资源数据类型,例如供电负荷数据、发电量数据、电网状态数据等,与云平台服务器建立连接,并通过API接口获取电力资源数据,通过统计分析、数据异常检测等方法对采集到的电力资源数据进行检测,判断是否存在数据缺失的情况,当发现数据缺失时,需要选择适当的缺失值填充方法,例如采用哑变量填充法,其中哑变量填充法将缺失值替换为与数据特征无关的特殊值(例如,用0或-999表示),以标识缺失的数据点,通过编程技术(如Python中的pandas库)或数据处理工具对于每个存在缺失值的数据点,将其相应的特征值替换为哑变量,填充完缺失值后,将数据整合起来,形成电力资源填充数据,根据数据特点和需求选择适当的去噪方法,例如移动平均法、加权平均法、滤波器等,将电力资源填充数据应用于选定的去噪方法中去噪,得到电力资源去噪数据,对电力资源去噪数据进行维度变换处理,根据实际情况选择适当的维度变换方法。例如,如果需要降低维度并保留主要信息,可以使用主成分分析方法;如果需要转换分类特征为数值特征,可以使用独热编码方法,使用Z-score标准化算法对维度变换后的数据进行标准化处理,将电力资源维度数据映射到均值为0、标准差为1的分布,以消除不同维度之间的尺度差异,得到标准电力资源数据。
优选地,步骤S2包括以下步骤:
步骤S21:利用启发式搜索算法对标准电力资源数据进行特征选择处理,从而得到电力资源特征数据;
步骤S22:对电力资源特征数据进行外部因素需求分析处理,得到电力外部影响因素;对电力资源特征数据进行内部因素需求分析处理,得到电力内部影响因素;
步骤S23:根据电力外部影响因素对电力资源特征数据进行关键节点创建,生成电力分布关键节点;
步骤S24:基于电力通信关键节点进行区域电力节点地图构建处理,得到区域电力节点分布图像;利用电力节点分布图像对标准电力资源数据进行节点部署,生成电力通信节点;
步骤S25:根据电力内部影响因素对电力通信节点进行模拟电力注入处理,生成模拟电力注入数据;利用模拟电力注入数据进行电力流向模拟处理,从而得到模拟电力流向数据。
本发明通过利用启发式搜索算法对标准电力资源数据进行特征选择处理,可以减少数据维度和冗余信息,提高数据处理和分析的效率;对电力资源特征数据进行外部因素需求分析处理和内部因素需求分析处理,可以识别关键的外部和内部因素,深入理解电力系统的供需状况和影响因素;根据电力外部影响因素对电力资源特征数据进行关键节点创建,可以清晰了解电力系统中的节点结构和关联关系,为节点部署和决策提供指导;基于电力通信关键节点进行区域电力节点地图构建处理,利用电力节点分布图像对标准电力资源数据进行节点部署,通过模拟电力注入和流向模拟,可以预测和分析电力系统中的电力流动情况,揭示节点之间的供需关系和潜在问题,为系统调度和优化提供决策支持。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:利用启发式搜索算法对标准电力资源数据进行特征选择处理,从而得到电力资源特征数据;
本发明实施例中,通过选择适当的评估指标来度量每个特征对于目标任务的相关性和有用性,例如,可以使用信息增益、方差、相关系数等指标来评估特征与目标之间的关系,将所有特征作为候选特征集的初始状态,定义一个启发式函数,以帮助确定下一步选择哪个特征进行评估,启发式函数可以基于某种特征选择策略,例如贪婪搜索、遗传算法、模拟退火等,通过迭代地应用启发式函数,不断选择最优特征并更新候选特征集,直到满足特定的停止准则,包括选择固定数量的特征、达到特定的评估指标阈值、或者遍历所有特征后停止等,在每次循环中,通过使用选择的特征子集训练模型并评估模型的性能来确定选择的特征的效果,根据特征的重要性、相关性等进行排序,选择排名靠前的特征作为最终特征子集,即电力资源特征数据。
步骤S22:对电力资源特征数据进行外部因素需求分析处理,得到电力外部影响因素;对电力资源特征数据进行内部因素需求分析处理,得到电力内部影响因素;
本发明实施例中,通过获取与电力资源相关的外部数据,例如天气数据、经济指标、环境数据等,将外部数据与电力资源特征数据进行合并,以构建一个综合的数据集,对合并后的数据集进行特征工程处理,包括特征选择、特征变换、特征构造等,基于合并后的数据集,通过统计分析、相关性分析、机器学习等方法,识别与电力资源特征数据相关的外部因素,这些外部因素可能包括天气状况、季节变化、经济活动水平等,得到电力外部影响因素,获取与内部因素相关的数据,例如电力系统运行记录、设备运行状态数据、负荷数据等,对内部数据进行特征工程处理,包括特征选择、特征变换、特征构造等,以得到与电力资源特征相关的有效特征,通过统计分析、相关性分析、机器学习等方法识别与电力资源特征数据相关的内部因素,得到电力内部影响因素。
步骤S23:根据电力外部影响因素对电力资源特征数据进行关键节点创建,生成电力分布关键节点;
本发明实施例中,通过确定电力分布中需要监测和控制的重要位置或关键设备,这些位置或设备对电力系统的运行具有重要影响,例如,变电站,重要输电线路,关键负载点等,通过历史数据分析、专家判断、统计模型等方法来分析外部因素与关键节点之间的关联关系。例如,天气因素对于电力分布的影响,可以分析天气因素与关键节点的关系,并确定具体的影响方式,根据关键节点的定义,从现有的电力系统监测设备、传感器、数据存储系统等获取相应的数据,其中这些数据可能包括设备状态数据、负载数据、电压数据等,根据数据分析和关联关系,对电力资源特征数据进行关键节点的创建,对生成的关键节点进行验证,确保其准确性和可行性,生成电力分布关键节点。
步骤S24:基于电力通信关键节点进行区域电力节点地图构建处理,得到区域电力节点分布图像;利用电力节点分布图像对标准电力资源数据进行节点部署,生成电力通信节点;
本发明实施例中,通过地理信息系统(GIS)等工具对收集到的电力资源数据和定义的电力通信关键节点,进行区域电力节点地图的构建,将电力资源数据和关键节点的位置信息进行整合,并生成电力节点分布的地图图像,通过系统规划、网络设计工具等方式根据电力通信需求和通信技术要求,确定节点的数量、位置、通信设备类型等,并将其与电力资源进行对应,利用电力节点分布图像和标准电力资源数据,对电力通信节点进行部署,对生成的电力通信节点进行验证,确保其满足通信需求和电力系统的要求,进行系统测试和模拟,评估节点的通信性能和覆盖范围,并根据需要进行调整和优化。
步骤S25:根据电力内部影响因素对电力通信节点进行模拟电力注入处理,生成模拟电力注入数据;利用模拟电力注入数据进行电力流向模拟处理,从而得到模拟电力流向数据。
本发明实施例中,通过对电力系统内部的影响因素进行分析,包括负载变化、电力设备状态变化、发电机输出变化等,根据电力内部影响因素,对电力通信节点进行模拟电力注入处理,例如通过添加虚拟的负载或发电机模型,模拟节点注入或吸收电力的情况,在模拟电力注入处理过程中,记录电力通信节点的电流注入或吸收情况,并将其数据进行记录和整理,生成的模拟电力注入数据可以包括电流大小、注入节点的位置、时间等信息,利用生成的模拟电力注入数据,进行电力流向模拟处理,通过例如电力系统仿真软件或模拟工具进行,根据节点的注入数据,模拟电力流向的传播和分配情况,在电力流向模拟处理过程中,记录每个节点的电力流向情况,并将其数据进行记录和整理生成的模拟电力流向数据可以表明电力从注入节点到周围节点的传输情况,分析电力系统中的负载分布和功率流向。
优选地,步骤S3包括以下步骤:
步骤S31:对模拟电力流向数据进行区域电力特征提取处理,生成区域电力特征数据;将区域电力节点地图与云平台内存储的城市地域图像进行图像合并处理,生成地域电力节点图像;根据地域电力节点图像对模拟电力流向数据进行图像映射处理,生成地域节点电力流向图像;
步骤S32:根据地域节点电力流向图像对区域电力特征数据进行人口划分处理,生成高人口区域电力特征数据和低人口区域电力特征数据;
步骤S33:利用机器学习算法对高人口区域电力特征数据和低人口区域电力特征数据进行电力峰值预测,从而得到高峰值电力特征数据和低峰值电力特征数据;
步骤S34:利用电力负荷流转公式对高峰值电力特征数据和低峰值电力特征数据进行电力负载调度处理,生成内部电力调度层;
步骤S35:对高峰值电力特征数据进行节点高频监控处理,得到高峰值监控节点;将高峰值监控节点进行节点整合处理,从而生成外部电力通信监管层;
本发明通过对模拟电力流向数据进行区域电力特征提取处理,将区域电力节点地图与云平台内存储的城市地域图像进行图像合并处理,根据地域电力节点图像对模拟电力流向数据进行图像映射处理,可以从模拟数据中提取地域特征,并将电力流向可视化在地域图像上,以便更直观地分析和理解电力系统的地域分布和节点间的电力流动,方便决策和分析;对地域节点电力流向图像对区域电力特征数据进行人口划分处理,可以根据人口分布和电力需求的关系,预测不同地域的电力峰值情况,为电力负载调度和运行优化提供决策依据;利用机器学习算法对高人口区域电力特征数据和低人口区域电力特征数据进行电力峰值预测,可以根据电力特征数据和预测结果,对电力系统中的电力负载进行合理调度和分配,以实现供需平衡、减少负荷压力和提高电力系统的稳定性和效率;利用电力负荷流转公式对高峰值电力特征数据和低峰值电力特征数据进行电力负载调度处理,可以实现电力系统内部的负载均衡和优化,提高电力供需的协调性和系统的稳定性;对高峰值电力特征数据进行节点高频监控处理,将高峰值监控节点进行节点整合处理,可以及时识别和监控电力系统中的高风险节点,加强对电力系统的监管和管理。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S3包括:
步骤S31:对模拟电力流向数据进行区域电力特征提取处理,生成区域电力特征数据;将区域电力节点地图与云平台内存储的城市地域图像进行图像合并处理,生成地域电力节点图像;根据地域电力节点图像对模拟电力流向数据进行图像映射处理,生成地域节点电力流向图像;
本发明实施例中,通过对模拟电力流向数据进行分析和处理,提取出区域电力的相关特征,包括电力流向的主要路径、能量分布、电流强度等信息,生成区域电力特征数据,利用图像处理软件或编程技术,将两个图像按照相应的比例和位置进行叠加处理,通过图像合并处理,生成地域电力节点图像,地域电力节点图像展示电力节点在城市地域中的位置和分布,可以根据节点的电力特征,采用不同的颜色、大小或符号等方式来表示节点的不同属性,通过图像处理算法或技术,将模拟电力流向数据与地域电力节点图像对应起来,对模拟电力流向数据进行图像映射处理,例如,可以通过像素坐标或区域划分的方式,将电力流向信息映射到相应的地域节点上,在图像映射处理完成后,生成地域节点电力流向图像。
步骤S32:根据地域节点电力流向图像对区域电力特征数据进行人口划分处理,生成高人口区域电力特征数据和低人口区域电力特征数据;
本发明实施例中,通过取地区或城市的人口数据,可以通过政府机构、统计数据或其他来源获取相关的人口统计信息,将区域电力特征数据中的地域节点与人口数据中的相应地域节点进行对齐,确保两个数据集的节点顺序、编号或位置一致,根据人口数量、人口密度或其他相关因素来设定划分的阈值或标准,将区域电力特征数据中的地域节点分为高人口区域和低人口区域,根据划分结果,提取并整理高人口区域的电力特征数据和低人口区域的电力特征数据。
步骤S33:利用机器学习算法对高人口区域电力特征数据和低人口区域电力特征数据进行电力峰值预测,从而得到高峰值电力特征数据和低峰值电力特征数据;
本发明实施例中,通过利用线性回归、决策树回归、支持向量回归或神经网络等机器学习算法建立电力峰值预测模型,用已训练的模型对未知数据进行预测,从而得到高峰值电力特征数据和低峰值电力特征数据。
步骤S34:利用电力负荷流转公式对高峰值电力特征数据和低峰值电力特征数据进行电力负载调度处理,生成内部电力调度层;
本发明实施例中,通过利用电力负荷流转公式对高峰值电力特征数据和低峰值电力特征数据进行电力负载调度处理,寻找最优的电力负荷调度方案,将所得到的电力负荷调度方案转化为内部电力调度层的表示,例如调整设备状态、优化负荷配置、调整发电机输出等,参考历史数据、负荷曲线等对生成的内部电力调度层进行分析和验证,确保调度方案的合理性和有效性,生成内部电力调度层。
步骤S35:对高峰值电力特征数据进行节点高频监控处理,得到高峰值监控节点;将高峰值监控节点进行节点整合处理,从而生成外部电力通信监管层;
本发明实施例中,通过使用包括使用滑动时间窗口、数据平滑滤波等方法分析高峰值电力特征数据的时间序列,通过采样和处理技术,提取出高频数据,通过设定阈值或采用异常检测算法(如基于统计学、机器学习等的方法),识别出具有高峰值电力特征的节点,这些节点可能表现出电力特征超过正常范围,或者波动性较大,将多个相邻或相关节点进行聚合,形成一个单独的监控节点,根据整合后的监控节点,建立外部电力通信监管层,其中外部电力通信监管层使用通信协议、数据格式等标准,确保与外部系统的互操作性。
优选地,步骤S34中的电力负荷流转公式具体如下:
式中,l(t)表示为对于每个时间点t进行电力调整供应量,a表示为高负荷时段的电力需求,xt表示为高峰值电力特征数据在时间t的指数平均值,b表示为电力需求量的波动范围,c表示为低负荷时段的电力需求,yt表示为低峰值电力特征数据在时间t的指数平均值,d表示为电力需求量的波动次数,e表示为内部电力调度层的总电力负载,f表示为平均电力需求量,gt表示为在时间周期t内从高峰值到低峰值的电力变化量,ε表示为电力负荷流转异常调整值。
本发明构建了一种电力负荷流转公式,用于通过高负荷时段的电力需求以及低负荷时段的电力需求进行峰值电力需求分析,该电力负荷流转公式可以根据电力需求量的波动次数和高峰值电力特征数据在时间t的指数平均值对用户用电需求预测,实现最佳的电力负荷计算,根据内部电力调度层的总电力负载和平均电力需求量来评估内部电力调度层在高峰值区域和低峰值区域的电力调度差异,从而精确确定在时间周期t内从高峰值到低峰值的电力变化量。在实际应用中,该公式可以对高峰值和低峰值的电力需求和需求波动进行分析,从而确定高峰值电力特征数据和低峰值电力特征数据对内部电力调度层的负荷影响,对高峰值和低峰值区域进行动态电力供应调整。该公式充分考虑了高负荷时段的电力需求a,高峰值电力特征数据在时间t的指数平均值xt,电力需求量的波动范围b,低负荷时段的电力需求c,低峰值电力特征数据在时间t的指数平均值yt,电力需求量的波动次数d,内部电力调度层的总电力负载e,平均电力需求量f,在时间周期t内从高峰值到低峰值的电力变化量gt,电力负荷流转异常调整值ε,根据内部电力调度层的总电力负载e与以上各参数之间的相互关系构成了一种函数关系:
通过电力需求量的波动次数与平均电力需求量的相互作用关系,可以了解峰值电力需求的频率,保证区域数据精确的情况下进行负荷精准测量,利用平均电力需求量,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过电力负荷流转异常调整值ε对于每个时间点t进行电力调整供应量生成进行调整,更加准确的生成对于每个时间点t进行电力调整供应量l(t),提高了电力负荷流转的准确性和可靠性。同时该公式中的电力需求量的波动范围、内部电力调度层的总电力负载等参数可以根据实际情况进行调整,从而适应不同的电力负荷流转场景,提高了算法的适用性和灵活性。
优选地,步骤S4包括以下步骤:
步骤S41:根据内部电力调度层进行用户用电消费数据收集处理,得到用户电力消费数据,其中用户电力消费数据包括用户用电量、用户用电时间;
步骤S42:利用关联规则学习方法对用户用电量和用户用电时间进行用电行为分析处理,生成用户用电行为分析数据;
步骤S43:根据外部电力通信监管层中预设的外部设备传感器进行设备数据采集,得到电力设备运行状态数据;对电力设备运行状态数据进行运行状态分析,当电力设备运行状态处于正常状态时,则对电力设备运行状态数据进行正常数据标识处理,得到正常设备标识数据;当电力设备运行状态处于非正常状态时,则将电力设备运行状态数据标记为异常设备标识数据;
步骤S44:根据异常设备标识数据进行设备地址锁定处理,从而得到异常电力设备地址;通过电力分流技术对异常电力设备地址所在的电力资源数据进行分流处理,生成电力分流数据;将电力分流数据通过电力通信节点进行分流检测,从而重新进行步骤S2;
步骤S45:基于最短路径算法对用户用电行为分析数据和正常设备标识数据进行电网拓扑构建处理,得到电网拓扑结构数据;根据渐进结构优化法对电网拓扑结构数据进行拓扑优化,从而生成电网拓扑结构。
本发明通过根据内部电力调度层进行用户用电消费数据收集处理,可以获取用户的用电量和用电时间;利用关联规则学习方法对用户用电量和用户用电时间进行用电行为分析处理,可以更好地理解和预测用户的用电模式;根据外部电力通信监管层中预设的外部设备传感器进行设备数据采集,得到电力设备运行状态数据,可以对收集到的数据进行运行状态分析,判断电力设备是否处于正常状态。如果设备状态正常,系统将对数据进行标识处理,并生成正常设备标识数据。如果设备状态异常,系统会标记该数据为异常设备标识数据,提高电力系统的效率、可靠性和安全性;根据异常设备标识数据进行设备地址锁定处理,从而得到异常电力设备地址,通过电力分流技术对异常电力设备地址所在的电力资源数据进行分流处理,生成电力分流数据,将电力分流数据通过电力通信节点进行分流检测,从而重新进行步骤S2,可以分析和处理用户的用电消费数据以及电力设备的运行状态数据,提取有益信息并优化电网的拓扑结构;基于最短路径算法对用户用电行为分析数据和正常设备标识数据进行电网拓扑构建处理,根据渐进结构优化法对电网拓扑结构数据进行拓扑优化,可以提高电力系统的效率、可靠性和安全性,包括优化用户用电行为、识别异常设备、实施分流处理和优化电网拓扑结构。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S4包括:
步骤S41:根据内部电力调度层进行用户用电消费数据收集处理,得到用户电力消费数据,其中用户电力消费数据包括用户用电量、用户用电时间;
本发明实施例中,通过确保内部电力调度层的监控设备和系统正常运行,并与用户电力消费设备(如智能电表、智能插座等)进行连接,利用内部电力调度层的监控设备和系统,采集用户的用电数据,包括实时采集电表的读数、插座的用电量等信息,监控设备可以通过传感器、通信模块等实现数据采集,并将数据发送至内部电力调度层,得到用户电力消费数据。
步骤S42:利用关联规则学习方法对用户用电量和用户用电时间进行用电行为分析处理,生成用户用电行为分析数据;
本发明实施例中,通过将用户用电量和用电时间的数据从原始格式转换为适合关联规则学习的形式,将用电时间按照时间段进行离散化处理,例如将一天分为几个时间段(例如早晨、中午、下午、晚上)或按小时划分,应用关联规则学习算法,如Apriori算法或FP-Growth算法,对转换后的用户用电数据进行关联规则挖掘,从而发现数据中的频繁项集(频繁出现的用电模式)和关联规则(用电模式之间的关联性),根据关联规则学习的结果,提取频繁项集,频繁项集指的是在用户用电数据中频繁出现的组合,即常见的用电模式,基于频繁项集,生成关联规则,关联规则是用来描述用户用电模式之间关联关系的规则,包括前项、后项和关联度等信息,利用提取的频繁项集和生成的关联规则,可以生成用户用电行为分析数据,包括关联规则的支持度、置信度、提升度等指标,以及频繁项集的数量、出现频率等信息,即生成用户用电行为分析数据。
步骤S43:根据外部电力通信监管层中预设的外部设备传感器进行设备数据采集,得到电力设备运行状态数据;对电力设备运行状态数据进行运行状态分析,当电力设备运行状态处于正常状态时,则对电力设备运行状态数据进行正常数据标识处理,得到正常设备标识数据;当电力设备运行状态处于非正常状态时,则将电力设备运行状态数据标记为异常设备标识数据;
本发明实施例中,通过根据预设的外部设备传感器,在电力通信监管层中进行设备数据的实时采集,对采集到的电力设备运行状态数据进行分析,包括检查设备的工作状态是否正常、是否存在异常情况,以及对各种运行参数进行监测和分析,当电力设备的运行状态处于正常状态时,将对应的设备运行状态数据进行正常数据标识处理,当电力设备的运行状态处于非正常状态时,将对应的设备运行状态数据标记为异常设备标识数据,使用数据库或其他数据存储技术将处理后的正常设备标识数据和异常设备标识数据进行存储和管理。
步骤S44:根据异常设备标识数据进行设备地址锁定处理,从而得到异常电力设备地址;通过电力分流技术对异常电力设备地址所在的电力资源数据进行分流处理,生成电力分流数据;将电力分流数据通过电力通信节点进行分流检测,从而重新进行步骤S2;
本发明实施例中,通过设备标识、设备名称或其他唯一标识根据异常设备标识数据,确定异常电力设备的地址信息,使用电力分流技术对异常电力设备地址所在的电力资源数据进行分流处,通过分布式处理、数据分片或数据区域划分等方法将电力资源数据分割成多个片段或通道,以便更精确地监测和处理异常情况,在电力分流处理后,生成电力分流数据,将生成的电力分流数据通过电力通信节点进行分流检测,电力通信节点是指网络中负责处理和传输电力数据的节点,将经过分流检测的数据重新输入步骤S2,即重新进行设备数据采集和运行状态分析。
步骤S45:基于最短路径算法对用户用电行为分析数据和正常设备标识数据进行电网拓扑构建处理,得到电网拓扑结构数据;根据渐进结构优化法对电网拓扑结构数据进行拓扑优化,从而生成电网拓扑结构。
本发明实施例中,通过使用最短路径算法,结合用户用电行为分析数据和正常设备标识数据,进行电网拓扑构建处理,其中最短路径算法可以帮助确定电网中各个节点之间的最短路径或最佳路径。用户用电行为数据可以提供用户的电力需求和消耗情况,而正常设备标识数据可以提供已知的正常设备连接信息,在完成电网拓扑构建处理后,得到电网拓扑结构数据,采用渐进结构优化法对电网拓扑结构数据进行优化,例如通过调整节点之间的连接关系或优化线路容量等方式进行优化,通过对电网拓扑结构数据应用渐进结构优化法,生成电网的最终拓扑结构,这将是一个经过优化的电网拓扑,其中节点的连接关系和线路容量经过调整,以达到更好的性能和可靠性。
优选地,步骤S5包括以下步骤:
步骤S51:基于电网拓扑结构进行电源配置处理,得到电网电源数据;
步骤S52:将电网电源数据进行划分处理,生成模型训练集和模型测试集;利用机器学习方法对电网电源数据进行模型构建处理,生成初步电源预测模型;
步骤S53:通过时间序列预测算法利用模型训练集对初步电源预测模型进行训练处理,得到电源预测预模型;通过模型测试集利用交叉验证技术对电源预测预模型进行模型优化处理,从而生成电源预测模型。
本发明通过基于电网拓扑结构进行电源配置处理,可以确保只考虑可用的电源,避免对无效或不可靠的电源数据进行训练和预测,提高了模型的准确性和有效性;将电网电源数据进行划分处理,生成模型训练集和模型测试集,将电源数据划分为训练集和测试集可以评估模型的性能,并避免模型对已知数据的过拟合,用机器学习方法对电网电源数据进行模型构建处理,可以发现电源数据中的模式和关联,帮助模型学习电源行为规律;通过时间序列预测算法利用模型训练集对初步电源预测模型进行训练处理,可以利用历史数据中的信息进行未来的电源预测,可以更好地捕捉电源行为中的趋势和季节性变化,通过模型测试集利用交叉验证技术对电源预测预模型进行模型优化处理,从而生成电源预测模型,可以提高电源预测模型的准确性和泛化能力,使其能够对新数据进行准确的预测。
本发明实施例中,通过基于电网拓扑结构进行电源配置处理,得到电网电源数据,采用例如随机抽样或者时间序列划分等方法将电网电源数据进行划分处理,生成模型训练集和模型测试集,使用训练集来构建模型,并使用测试集来评估模型的性能,采用例如支持向量机(SVM)、决策树(Decision Tree)、神经网络等机器学习算法对电网电源数据进行模型构建处理,生成初步的电源预测模型,针对电源数据具有时序特征的情况,可以采用时间序列预测算法对初步电源预测模型进行训练处理,时间序列预测算法可以包括自回归移动平均模型(ARMA)、自回归积分滑动平均模型(ARIMA)等,对初步电源预测模型进行训练处理,得到电源预测预模型,使用交叉验证技术,如k折交叉验证,通过模型测试集对电源预测预模型进行性能评估和参数调整,从而优化模型的预测能力,生成电源预测模型。
优选地,步骤S6包括以下步骤:
步骤S61:将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,生成初步电源状态估计结果;
步骤S62:对初步电源状态估计结果进行校验处理,当初步电源状态估计结果与预设的理想状态估计结果数据区间进行对比,若初步电源状态估计结果处于理想状态估计结果区间时,则对初步电源状态估计结果进行结果记录处理,生成电源状态估计结果数据集;当初步电源状态估计结果不处于理想状态估计结果数据区间时,则对初步电源状态估计结果进行修正处理,直至生成电源状态估计结果数据集。
步骤S63:利用功率调节优化算法对电源状态估计结果数据集进行策略调度模型生成处理,生成电力状态策略调度模型;通过电力状态策略调度模型对电源状态估计结果数据集进行智能调度方案生成处理,从而得到电源优化调度策略方案。
本发明通过将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,可以提前获取电源的状态信息,帮助系统运营员做出合适的决策,生成初步电源状态估计结果;对初步电源状态估计结果进行校验处理可以提高估计结果的准确性,减少误差和不确定性,若初步电源状态估计结果处于理想状态估计结果区间时,则对初步电源状态估计结果进行结果记录处理,生成电源状态估计结果数据集;当初步电源状态估计结果不处于理想状态估计结果数据区间时,则对初步电源状态估计结果进行修正处理,直至生成电源状态估计结果数据集;用功率调节优化算法对电源状态估计结果数据集进行策略调度模型生成处理,可以优化电源的调度方案,提高电力系统的效率和可靠性;通过电力状态策略调度模型对电源状态估计结果数据集进行智能调度方案生成处理,可以提高电力系统的性能,如降低能耗、减少成本、增加可再生能源利用等。
本发明实施例中,通过将实际的模拟电力流向数据输入到已构建的电源预测模型中进行处理,通过电源预测模型,可以对电源的状态进行估计和预测,例如预测电源的功率输出、状态切换等,得到初步的电源状态估计结果,将初步电源状态估计结果与预设的理想状态估计结果数据区间进行对比,如果初步电源状态估计结果处于理想状态估计结果区间内,那么将初步电源状态估计结果进行记录处理,生成电源状态估计结果数据集,如果初步电源状态估计结果不处于理想状态估计结果数据区间内,那么需要对初步结果进行修正处理,直到生成符合要求的电源状态估计结果数据集,通过功率调节优化算法,可以进一步处理电源状态估计结果数据集,生成策略调度模型,这个模型可以用于电力系统的优化调度,在考虑电源状态估计的基础上,生成智能调度方案,最终得到的电源优化调度策略方案可以应用于实际的电力系统运行中,实现电力系统的优化调度和控制。
优选地,步骤S7包括以下步骤:
步骤S71:将电源优化调度策略方案进行评估单元分解,得到策略分解数据;
步骤S72:利用服务质量评估公式对策略分解数据进行策略度量评估处理,生成电网服务质量评估优化结果。
本发明通过将电源优化调度策略方案进行评估单元分解,可以更加详细地理解和评估每个部分的贡献,使得评估和调整更具针对性和灵活性;利用服务质量评估公式对策略分解数据进行策略度量评估处理,生成电网服务质量评估优化结果,可以量化地评估各个评估单元的质量,并比较不同策略分解数据的影响,帮助决策者做出更合理的决策,优化电网的服务质量和性能。
本发明实施例中,通过根据电源优化调度策略方案的特点和复杂程度,确定需要进行评估和分解的单元,这些单元可以是时间段、区域、电力设备等,具体取决于电网系统的特点和优化目标,根据电网系统的需求和目标,设计适当的服务质量评估公式,通过计算服务质量评估公式,从而生成电网服务质量评估优化结果。
优选地,步骤S72中的服务质量评估公式具体如下:
式中,Q表示为服务质量评估优化结果,n表示为数据分解的策略数量,Ri表示为第i个策略的风险因子,Di表示为第i个策略的可靠性,Li表示为第i个策略的延迟,θi表示为第i个策略的满意度,Pi表示为第i个策略的负载,Qi表示为第i个策略的质量因子,μ表示为服务质量评估异常修正量。
本发明构建了一种服务质量评估公式,用于通过数据分解的策略数量以及第i个策略的满意度进行策略质量评估,该服务质量评估公式可以根据第i个策略的风险因子和第i个策略的可靠性对策略风险进行评估,实现最佳的策略质量因子计算,根据第i个策略的负载和第i个策略的延迟来评估策略在系统中运行的优先级差异,从而精确确定第i个策略的质量因子。在实际应用中,该公式可以根据策略的可靠性、延迟、风险因子和满意度等权重指标对策略的服务质量进行分析,从而衡量和评估服务的质量水平。该公式充分考虑了数据分解的策略数量n,第i个策略的风险因子Ri,第i个策略的可靠性Di,第i个策略的延迟Li,第i个策略的满意度θi,第i个策略的负载Pi,第i个策略的质量因子Qi,服务质量评估异常修正量μ,根据数据分解的策略数量n与以上各参数之间的相互关系构成了一种函数关系:
通过第i个策略的风险因子与第i个策略的质量因子的相互作用关系,可以了解策略的风险质量比值,保证区域数据精确的情况下进行服务质量评估,利用第i个策略的满意度,在保证数据准确的情况下减少数据冗余,节约了算力,使计算达到快速收敛,通过服务质量评估异常修正量μ对于服务质量评估进行调整,更加准确的生成服务质量评估优化结果Q,提高了服务质量评估的准确性和可靠性。同时该公式中的第i个策略的延迟、服务质量评估异常修正量等参数可以根据实际情况进行调整,从而适应不同的服务质量评估场景,提高了算法的适用性和灵活性。
本发明的有益效果在于通过利用预设的电力资源云服务器获取电力资源数据,对电力资源数据进行数据预处理,可以减少了错误和无效数据对后续分析和应用的干扰,提高了数据的可靠性和可用性,自动化数据获取和预处理过程,提高了效率和生产力,减少了人工处理和误差的可能性,通过对电力需求进行分析并考虑外部和内部影响因素,能够更全面地了解电力系统的运行情况和影响因素,为后续决策和优化提供基础,基于电力外部影响因素对标准电力资源数据进行节点部署处理,可以更加精确地反映不同区域或系统组件的变化和需求,提供更准确的节点数据,通过模拟电力注入处理,可以生成潜在的电力流向数据,帮助分析和预测电力系统的运行状况,优化资源分配和调度策略,通过对模拟电力流向数据进行区域电力特征提取处理,可以提取出反映区域电力系统特点的关键指标和特征。这些特征可以帮助系统管理者更好地了解和分析电力系统,为决策和优化提供依据,利用电力负荷流转公式对区域电力特征数据进行层级构建,可以将电力系统分为不同的层级,并根据实际情况进行任务分配和规划,有助于电力系统管理者有效地调度电力资源和协调电力通信监管,提高系统的运行效率和灵活性,内部电力调度层和外部电力通信监管层的建立,可以明确不同层级的职责和任务,加强对电力系统的管理和监管,有助于提高电力系统的稳定性、可靠性和安全性,通过区域电力特征提取和层级构建,可以为后续的电力系统规划、资源配置和应急响应等方面提供依据和支持,有助于提高电力系统的可持续发展和应对潜在风险的能力,通过用户用电行为分析可以了解用户的用电需求和特点,从而为电力系统的负荷预测和优化调度提供依据,提高系统的效率和稳定性,设备状态识别可以实时监测电力设备的运行状态,及时发现异常和故障,并采取相应的维修措施,提高电力系统的可靠性和安全性,建立电网的拓扑结构可以提供对电力系统整体的全面认识,为电网规划、故障恢复和日常运维提供支持和指导,电源预测模型可以实时监测电源的运行状态和负荷特性,提前发现潜在的问题和风险,减少电力系统的故障和事故发生,通过有效的电源配置和监管模型,可以实现对电力系统的灵活调度和优化,提高电网的稳定性和可靠性,将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,可以将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,利用优化算法对状态估计结果进行电力状态策略调度处理,生成电源优化调度策略方案,可以帮助电力系统实现能源的可持续发展和智能化运营,促进清洁能源的利用和碳排放的减少,基于服务质量评估公式对电源优化调度策略方案进行质量评估处理,生成电网服务质量评估优化结果,可以量化电源优化调度策略方案的性能和优化水平,提供客观且可比较的评估结果。因此,本发明通过对电力资源数据进行内外层级构造,并通过电网拓扑结构和模型进行电源调度,以解决智能电网调度不精确和智能化问题。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种层级构造的分布式电源智能电网构建方法,其特征在于,包括以下步骤:
步骤S1:利用预设的电力资源云服务器获取电力资源数据;对电力资源数据进行数据预处理,得到标准电力资源数据;
步骤S2:通过对电力需求分析确定电力外部影响因素和电力内部影响因素;基于电力外部影响因素对标准电力资源数据进行节点部署处理,生成电力通信节点;基于电力内部影响因素对电力通信节点进行模拟电力注入处理,得到模拟电力流向数据;
步骤S3:对模拟电力流向数据进行区域电力特征提取处理,生成区域电力特征数据;利用电力负荷流转公式对区域电力特征数据进行层级构建,得到内部电力调度层和外部电力通信监管层;
步骤S4:根据内部电力调度层进行用户用电行为分析处理,生成用户用电行为分析数据;对外部电力通信监管层进行设备状态识别处理,生成正常设备标识数据;基于用户用电行为分析数据和正常设备标识数据进行拓扑构建处理,得到电网拓扑结构;
步骤S5:利用电网拓扑结构配置进行电源配置处理,得到电网电源数据;根据电网电源数据进行电源监管模型构建,生成初步电源预测模型;利用交叉验证对初步电源预测模型进行验证优化,从而得到电源预测模型;
步骤S6:将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,生成电源状态估计结果;利用优化算法对状态估计结果进行电力状态策略调度处理,生成电源优化调度策略方案;
步骤S7:基于服务质量评估公式对电源优化调度策略方案进行质量评估处理,生成电网服务质量评估优化结果。
2.根据权利要求1所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S1包括以下步骤:
步骤S11:通过云平台服务器API接口采集电网数据,获得电力资源数据;
步骤S12:对电力资源数据进行数据完整性检测处理,当电力资源数据出现数据缺失时,利用哑变量填充法对电力资源数据进行缺失值填充处理,生成电力资源填充数据;
步骤S13:将电力资源填充数据进行平滑去噪处理,得到电力资源去噪数据;
步骤S14:对电力资源去噪数据进行维度变换处理,生成电力资源维度数据;根据Z-score标准化算法对电力资源维度数据进行标准化处理,生成标准电力资源数据。
3.根据权利要求2所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用启发式搜索算法对标准电力资源数据进行特征选择处理,从而得到电力资源特征数据;
步骤S22:对电力资源特征数据进行外部因素需求分析处理,得到电力外部影响因素;对电力资源特征数据进行内部因素需求分析处理,得到电力内部影响因素;
步骤S23:根据电力外部影响因素对电力资源特征数据进行关键节点创建,生成电力分布关键节点;
步骤S24:基于电力通信关键节点进行区域电力节点地图构建处理,得到区域电力节点分布图像;利用电力节点分布图像对标准电力资源数据进行节点部署,生成电力通信节点;
步骤S25:根据电力内部影响因素对电力通信节点进行模拟电力注入处理,生成模拟电力注入数据;利用模拟电力注入数据进行电力流向模拟处理,从而得到模拟电力流向数据。
4.根据权利要求3所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对模拟电力流向数据进行区域电力特征提取处理,生成区域电力特征数据;将区域电力节点地图与云平台内存储的城市地域图像进行图像合并处理,生成地域电力节点图像;根据地域电力节点图像对模拟电力流向数据进行图像映射处理,生成地域节点电力流向图像;
步骤S32:根据地域节点电力流向图像对区域电力特征数据进行人口划分处理,生成高人口区域电力特征数据和低人口区域电力特征数据;
步骤S33:利用机器学习算法对高人口区域电力特征数据和低人口区域电力特征数据进行电力峰值预测,从而得到高峰值电力特征数据和低峰值电力特征数据;
步骤S34:利用电力负荷流转公式对高峰值电力特征数据和低峰值电力特征数据进行电力负载调度处理,生成内部电力调度层;
步骤S35:对高峰值电力特征数据进行节点高频监控处理,得到高峰值监控节点;将高峰值监控节点进行节点整合处理,从而生成外部电力通信监管层。
5.根据权利要求4所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S34中的电力负荷流转公式如下所示:
式中,l(t)表示为对于每个时间点t进行电力调整供应量,a表示为高负荷时段的电力需求,xt表示为高峰值电力特征数据在时间t的指数平均值,b表示为电力需求量的波动范围,c表示为低负荷时段的电力需求,yt表示为低峰值电力特征数据在时间t的指数平均值,d表示为电力需求量的波动次数,e表示为内部电力调度层的总电力负载,f表示为平均电力需求量,gt表示为在时间周期t内从高峰值到低峰值的电力变化量,ε表示为电力负荷流转异常调整值。
6.根据权利要求4所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S4包括以下步骤:
步骤S41:根据内部电力调度层进行用户用电消费数据收集处理,得到用户电力消费数据,其中用户电力消费数据包括用户用电量、用户用电时间;
步骤S42:利用关联规则学习方法对用户用电量和用户用电时间进行用电行为分析处理,生成用户用电行为分析数据;
步骤S43:根据外部电力通信监管层中预设的外部设备传感器进行设备数据采集,得到电力设备运行状态数据;对电力设备运行状态数据进行运行状态分析,当电力设备运行状态处于正常状态时,则对电力设备运行状态数据进行正常数据标识处理,得到正常设备标识数据;当电力设备运行状态处于非正常状态时,则将电力设备运行状态数据标记为异常设备标识数据;
步骤S44:根据异常设备标识数据进行设备地址锁定处理,从而得到异常电力设备地址;通过电力分流技术对异常电力设备地址所在的电力资源数据进行分流处理,生成电力分流数据;将电力分流数据通过电力通信节点进行分流检测,从而重新进行步骤S2;
步骤S45:基于最短路径算法对用户用电行为分析数据和正常设备标识数据进行电网拓扑构建处理,得到电网拓扑结构数据;根据渐进结构优化法对电网拓扑结构数据进行拓扑优化,从而生成电网拓扑结构。
7.根据权利要求6所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S5包括以下步骤:
步骤S51:基于电网拓扑结构进行电源配置处理,得到电网电源数据;
步骤S52:将电网电源数据进行划分处理,生成模型训练集和模型测试集;利用机器学习方法对电网电源数据进行模型构建处理,生成初步电源预测模型;
步骤S53:通过时间序列预测算法利用模型训练集对初步电源预测模型进行训练处理,得到电源预测预模型;通过模型测试集利用交叉验证技术对电源预测预模型进行模型优化处理,从而生成电源预测模型。
8.根据权利要求7所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S6包括以下步骤:
步骤S61:将模拟电力流向数据导入至电源预测模型中进行电源状态预测处理,生成初步电源状态估计结果;
步骤S62:对初步电源状态估计结果进行校验处理,当初步电源状态估计结果与预设的理想状态估计结果数据区间进行对比,若初步电源状态估计结果处于理想状态估计结果区间时,则对初步电源状态估计结果进行结果记录处理,生成电源状态估计结果数据集;当初步电源状态估计结果不处于理想状态估计结果数据区间时,则对初步电源状态估计结果进行修正处理,直至生成电源状态估计结果数据集。
步骤S63:利用功率调节优化算法对电源状态估计结果数据集进行策略调度模型生成处理,生成电力状态策略调度模型;通过电力状态策略调度模型对电源状态估计结果数据集进行智能调度方案生成处理,从而得到电源优化调度策略方案。
9.根据权利要求7所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S7包括以下步骤:
步骤S71:将电源优化调度策略方案进行评估单元分解,得到策略分解数据;
步骤S72:利用服务质量评估公式对策略分解数据进行策略度量评估处理,生成电网服务质量评估优化结果。
10.根据权利要求7所述的一种层级构造的分布式电源智能电网构建方法,其特征在于,步骤S72中的服务质量评估公式如下所示:
式中,Q表示为服务质量评估优化结果,n表示为数据分解的策略数量,Ri表示为第i个策略的风险因子,Di表示为第i个策略的可靠性,Li表示为第i个策略的延迟,θi表示为第i个策略的满意度,Pi表示为第i个策略的负载,Qi表示为第i个策略的质量因子,μ表示为服务质量评估异常修正量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869482.3A CN116865258B (zh) | 2023-07-14 | 2023-07-14 | 一种层级构造的分布式电源智能电网构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310869482.3A CN116865258B (zh) | 2023-07-14 | 2023-07-14 | 一种层级构造的分布式电源智能电网构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116865258A true CN116865258A (zh) | 2023-10-10 |
CN116865258B CN116865258B (zh) | 2023-12-05 |
Family
ID=88233841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310869482.3A Active CN116865258B (zh) | 2023-07-14 | 2023-07-14 | 一种层级构造的分布式电源智能电网构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116865258B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117237678A (zh) * | 2023-11-16 | 2023-12-15 | 邯郸欣和电力建设有限公司 | 用电行为异常检测方法、装置、设备及存储介质 |
CN117422590A (zh) * | 2023-10-27 | 2024-01-19 | 国网北京市电力公司 | 一种基于负荷分解的施工监控方法、装置、设备及介质 |
CN117421567A (zh) * | 2023-12-19 | 2024-01-19 | 华能济南黄台发电有限公司 | 一种应用于城市的电厂能源管理方法及系统 |
CN117454120A (zh) * | 2023-12-20 | 2024-01-26 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
CN117650571A (zh) * | 2024-01-30 | 2024-03-05 | 深圳亿网云科技有限公司 | 一种基于层级构造的分布式智能能源体系构建方法及系统 |
CN117996966A (zh) * | 2024-04-03 | 2024-05-07 | 江门市赛为电力科技有限公司 | 一种基于优化算法的电力屏柜的智慧管理方法及系统 |
CN118213998A (zh) * | 2024-05-21 | 2024-06-18 | 四川华电木里河水电开发有限公司 | 一种新能源电站集中区域智能管控方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
CN116258282A (zh) * | 2023-05-12 | 2023-06-13 | 国网浙江省电力有限公司金华供电公司 | 一种基于云平台的智能电网资源调度分配方法 |
CN116316640A (zh) * | 2023-04-11 | 2023-06-23 | 常州工学院 | 一种智能电网调度方法 |
-
2023
- 2023-07-14 CN CN202310869482.3A patent/CN116865258B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
CN116316640A (zh) * | 2023-04-11 | 2023-06-23 | 常州工学院 | 一种智能电网调度方法 |
CN116258282A (zh) * | 2023-05-12 | 2023-06-13 | 国网浙江省电力有限公司金华供电公司 | 一种基于云平台的智能电网资源调度分配方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422590A (zh) * | 2023-10-27 | 2024-01-19 | 国网北京市电力公司 | 一种基于负荷分解的施工监控方法、装置、设备及介质 |
CN117237678A (zh) * | 2023-11-16 | 2023-12-15 | 邯郸欣和电力建设有限公司 | 用电行为异常检测方法、装置、设备及存储介质 |
CN117237678B (zh) * | 2023-11-16 | 2024-03-22 | 邯郸欣和电力建设有限公司 | 用电行为异常检测方法、装置、设备及存储介质 |
CN117421567A (zh) * | 2023-12-19 | 2024-01-19 | 华能济南黄台发电有限公司 | 一种应用于城市的电厂能源管理方法及系统 |
CN117421567B (zh) * | 2023-12-19 | 2024-03-08 | 华能济南黄台发电有限公司 | 一种应用于城市的电厂能源管理方法及系统 |
CN117454120A (zh) * | 2023-12-20 | 2024-01-26 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
CN117454120B (zh) * | 2023-12-20 | 2024-03-15 | 山西思极科技有限公司 | 电力通信系统数据的采集分析方法 |
CN117650571A (zh) * | 2024-01-30 | 2024-03-05 | 深圳亿网云科技有限公司 | 一种基于层级构造的分布式智能能源体系构建方法及系统 |
CN117650571B (zh) * | 2024-01-30 | 2024-04-09 | 深圳亿网云科技有限公司 | 一种基于层级构造的分布式智能能源体系构建方法及系统 |
CN117996966A (zh) * | 2024-04-03 | 2024-05-07 | 江门市赛为电力科技有限公司 | 一种基于优化算法的电力屏柜的智慧管理方法及系统 |
CN117996966B (zh) * | 2024-04-03 | 2024-06-07 | 江门市赛为电力科技有限公司 | 一种基于优化算法的电力屏柜的智慧管理方法及系统 |
CN118213998A (zh) * | 2024-05-21 | 2024-06-18 | 四川华电木里河水电开发有限公司 | 一种新能源电站集中区域智能管控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116865258B (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN111143447B (zh) | 一种电网薄弱环节动态监测预警决策系统及方法 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
CN104022552A (zh) | 一种用于电动汽车充电控制的智能检测方法 | |
Shi et al. | Expected output calculation based on inverse distance weighting and its application in anomaly detection of distributed photovoltaic power stations | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN117595391A (zh) | 一种电网系统的协调控制方法 | |
CN117077922A (zh) | 一种基于bp神经网络智能电网配电方法 | |
Vijayan | Energy consumption prediction in low energy buildings using machine learning and artificial intelligence for energy efficiency | |
CN117933660A (zh) | 基于物联网的能源管理平台 | |
CN117543835A (zh) | 一种配电柜智能配电控制方法及装置 | |
CN117390944A (zh) | 一种变电站运行工况仿真系统 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN117422274A (zh) | 综合能源系统运行优化系统及方法 | |
CN112100784A (zh) | 基于聚类网架拓扑和可靠性估算关联模型的配电网规划方法 | |
CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
CN115663886A (zh) | 一种用于分布式电源配电网的故障识别处理的方法及系统 | |
CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
CN111709602A (zh) | 一种泛在电力物联网系统中可靠性的评价方法 | |
CN114764672A (zh) | 联合学习框架下的融合多因素的电网设备风险评估方法 | |
CN117786372B (zh) | 基于机器学习的分布式光伏发电数据处理方法及系统 | |
CN117649027B (zh) | 基于智慧车站的数据处理方法及系统 | |
CN117175695B (zh) | 一种基于柴油发电机组的光伏微网发电方法及系统 | |
CN118094262B (zh) | 一种基于空间聚类的负荷异常值检测方法 |
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 |