CN116914751A - 一种智能配电控制系统 - Google Patents
一种智能配电控制系统 Download PDFInfo
- Publication number
- CN116914751A CN116914751A CN202311168052.5A CN202311168052A CN116914751A CN 116914751 A CN116914751 A CN 116914751A CN 202311168052 A CN202311168052 A CN 202311168052A CN 116914751 A CN116914751 A CN 116914751A
- Authority
- CN
- China
- Prior art keywords
- sub
- power supply
- area
- node
- fuzzy
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims description 51
- 238000005457 optimization Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 239000002243 precursor Substances 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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]
-
- 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
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
- H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
- H02J2310/58—The condition being electrical
- H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving
Abstract
本发明公开了一种智能配电控制系统，涉及配电控制技术领域，旨在提高电力系统的供电质量和电能利用率。该系统包括数据获取部分，目标区域划分部分，预测部分，模糊拓扑建立部分，冲突解决部分，线路优化部分，配电控制部分，这些部分协同合作，基于负荷预测模型，基于模糊逻辑算法，多目标优化模型以及基于最短路径算法的供电路线规划模型，实现电力系统的智能配电控制。该方法能够有效减少电力系统的供电成本和能源浪费，提高电力系统的稳定性和可靠性。
Description
技术领域
本发明涉及配电控制技术领域，特别涉及一种智能配电控制系统。
背景技术
随着社会经济的发展和电力需求的增加，电力配送系统的安全性、可靠性和经济性越来越受到重视。传统的电力配电系统普遍存在着容量不足、电力线路老化、电力负荷不平衡、电力故障频繁等问题，这些问题给电力系统的运行和管理带来了很大的挑战。针对这些问题，人们提出了各种各样的解决方案，其中智能配电控制系统是一种新兴的技术，已经在电力配电领域得到了广泛的应用。
在智能配电控制系统之前，传统的电力配电系统主要依靠手动操作和定时控制，这种方式效率低下、容易出现误操作和安全隐患，无法实现对电力负荷的精细化管理和动态控制。而智能配电控制系统则能够利用现代信息技术和智能控制算法，实现对电力负荷的精细化管理和动态控制，提高电力配电系统的安全性、可靠性和经济性。
目前已经有一些智能配电控制系统的相关技术被公开。例如现有技术中的基于无线传感器的智能配电系统，一般通过无线传感器采集电力负荷数据，并通过云计算和智能控制算法实现对电力负荷的精细化管理和动态控制。另外，现有技术中也有基于分布式智能控制器的智能配电控制系统，这些系统一般通过分布式智能控制器实现对电力负荷的分布式管理和动态控制，提高了电力配电系统的稳定性和可靠性。
尽管这些技术在一定程度上提高了电力配电系统的管理和控制能力，但是在实际应用中仍然存在一些问题。首先，由于电力负荷数据的采集和处理技术尚未达到理想水平，对于大规模的电力负荷数据的处理和分析仍然存在一定的局限性。其次，现有的智能控制算法仍然有待进一步的优化和完善，以实现更加精细化的电力负荷管理和控制。此外，智能配电控制系统需要耗费大量的成本进行硬件设备的安装和维护，这也是普及智能配电控制系统的一大限制因素。
针对这些问题，需要进一步开展研究和探索，以实现更加高效和可靠的智能配电控制系统。一方面，能够加强电力负荷数据采集和处理技术的研究和开发，利用更加先进的传感器和数据处理算法，实现对电力负荷的高精度采集和分析，为智能配电控制系统的优化和改进提供更加准确的数据支持。另一方面，能够进一步研究和开发智能控制算法，将人工智能、模糊控制等先进技术引入到智能配电控制系统中，实现对电力负荷的更加精细化管理和动态控制。
发明内容
本发明的目的是提供一种智能配电控制系统，能够有效提高电力系统的供电质量和电能利用率，具有较高的实用性和经济性。
为解决上述技术问题，本发明提供一种智能配电控制系统，包括：
数据获取部分，配置用于获取在一个供电周期内的目标供电区域和目标电力系统的数据，得到历史负荷数据和历史供电总量数据；
目标区域划分部分，配置用于基于获取到的历史供电总量数据，将目标供电区域划分为多个子区域，保证每个子区域内的历史供电总量的标准差在设定的阈值范围内；每个子区域均对应一个子区域的历史供电总量数据和一个子区域的历史负荷数据；
预测部分，配置用于基于每个子区域的历史负荷数据，使用预设的负荷预测模型，对每个子区域进行负荷预测，得到每个子区域的负荷预测结果；以及，基于每个子区域的历史供电总量数据，使用预设的供电总量预测模型，对每个子区域进行供电总量预测，得到每个子区域的供电总量预测结果；
模糊拓扑建立部分，配置用于将供电区域划分的每个子区域视为一个节点，将与每个子区域连接的所有供电线路视为一个连接线，目标电力系统视为起始节点，构建模糊拓扑图；
冲突解决部分，配置用于基于每个子区域的供电总量预测结果和每个子区域的负荷预测结果，使用预设的多目标优化模型，对每个子区域的供电总量预测结果进行优化，得到每个子区域的优化电量结果；
线路优化部分，配置用于基于构建的模糊拓扑图，计算得到目标供电系统与每个子区域的最短路径；
配电控制部分，配置用于控制目标电力系统，根据每个子区域的优化电量结果，使用与每个子区域相连接的最短路径，为每个子区域配送电量。
进一步的，所述负荷预测模型，对每个子区域进行负荷预测，得到每个子区域的负荷预测结果的方法包括：对每个子区域的历史负荷数据进行高斯模糊化处理，将其转换为一组负荷模糊量；基于每个子区域的历史负荷数据，根据专家经验或机器学习的方式，建立一组负荷模糊逻辑规则库；根据负荷模糊逻辑规则库进行模糊推理，得到负荷模糊结论；将负荷模糊结论通过最大隶属度法进行去模糊化处理，得到负荷预测结果。
进一步的，所述供电总量预测模型，对每个子区域进行供电总量预测，得到每个子区域的供电总量预测结果的方法包括：对每个子区域的历史供电总量数据进行高斯模糊化处理，将其转换为一组供电总量模糊量；基于每个子区域的历史供电总量数据，根据专家经验或机器学习的方式，建立一组供电总量模糊逻辑规则库；基于供电总量模糊量和根据供电总量模糊逻辑规则库进行模糊推理，得到供电总量模糊结论；将供电总量模糊结论通过最大隶属度法进行去模糊化处理，得到供电总量预测结果。
进一步的，所述配电控制部分在为每个子区域配送电量时，使用该子区域与目标电力系统的最短路径作为配送线路，将与该子区域对应的优化电量结果等额的电量配送至该子区域。
进一步的，所述线路优化部分，基于构建的模糊拓扑图，计算得到目标供电系统与每个子区域的最短路径的方法包括：将模糊拓扑图表示为：
：
其中是节点集合，包括了作为起始节点的目标供电系统和作为节点的子区域，
是连接线集合，对应于连接线；为起始节点，对应于目标供电系统；为目标节点，对应于子
区域；表示从节点到节点的距离（或代价）；为从起始节点到节点的
最短距离；：从起始节点到节点的最短路径上，节点的前驱节点；op为待扩展
的节点集合；cl为已扩展的节点集合；每次从op中选择估价函数
最小的节点进行扩展；其中，表示从起始节点到节点的最短距离，表示从
节点到目标节点的最短距离的估计值；因此，表示从起始节点经过节点到目标
节点的最短距离的估计值；初始化op和cl；令，，将起始节点加
入op中；重复以下步骤，直到op为空或者找到目标节点：步骤1：从op中选择最小的节
点进行扩展；步骤2：将节点从op中移除，并将其加入cl中；步骤3：对于节点的每个邻
居节点，如果不在cl中；步骤4：计算，即从起始节点经过节
点到达节点的距离；步骤5：如果不在op中，将加入op，并将的值设为；步骤6：如果在op中，并且新的值比原来的小，则更新的
和值，并将的前驱节点设为；如果找到目标节点，则通过回溯到起始节点
，得到从到的最短路径；表示从起始节点到节点的最短路径上，节点的前
驱节点；因此，能够通过回溯到起始节点；所述满足以下条件：
；。
进一步的，所述估价函数使用如下公式进行表示：
；
其中，为调整系数，取值范围为0.2~0.8；和分别是节点和目
标节点在模糊拓扑图的坐标；为估价函数。
进一步的，所述冲突解决部分包括：基于每个子区域的供电总量预测结果和每个
子区域的负荷预测结果，使用预设的多目标优化模型，对每个子区域的供电总量预测结果
进行优化，得到每个子区域的优化电量结果的方法包括：假设有个子区域，每个子区域的
历史供电总量分别为，供电总量预测结果为；基于每个子区域
的历史供电总量数据和负荷预测结果计算出该子区域的供电总量和负荷之间的差值，即：
；
其中，为差值，表示第个子区域的供电总量预测结果，表示第个子区域的
负荷预测结果，，为子区域的数量；定义目标函数来描述
所有子区域的优化目标，分别为每个子区域的电量优化结果的中间值；使用
模糊多目标优化算法来求解优化电量结果；算法的输入为目标函数，以
及每个子区域的优化电量结果上下界，即，其中为第个子区域的最大供电能
力；输出为每个子区域的优化电量结果。
进一步的，所述模糊多目标优化算法为遗传算法。
进一步的，所述目标函数由两个部分组成：第一部分为所有子区域的历史供电总量数据与供电总量预测结果之间的误差，第二部分为所有子区域之间的电量平衡；使用模糊逻辑函数来描述这两部分，所述目标函数的公式如下：
；
其中，和分别为模糊逻辑函数，和为权重系数；的输入为所有
子区域的优化电量结果与供电总量预测结果之间的差值的加权和，输出为整个系统的误
差；的输入为所有子区域的优化电量结果的最大值与最小值的差值，输出为整个系统
的电量平衡度；表示目标函数。
进一步的，所述模糊多目标优化算法为NSGA-II算法。
本发明的一种智能配电控制系统，具有以下有益效果：
首先，本发明采用模糊多目标优化算法来实现电量的优化分配，能够更加准确地预测各个子区域的负荷需求，使得电力系统在满足各个子区域电能需求的同时，能够更好地保证电力系统的平稳运行。通过对历史供电总量数据和负荷预测结果的分析，本发明能够得出每个子区域的供电总量和负荷之间的差值，并将其作为目标函数的一部分进行优化求解，有效提高了电量的分配效率，从而提高了电力系统的供电质量。
其次，本发明采用基于模糊逻辑函数的目标函数来衡量每个子区域的优化目标，能够更加精准地评估每个子区域的电量平衡度和误差率，从而得到更加符合实际情况的电量分配结果。在目标函数的计算过程中，本发明还使用了加权系数来对每个子区域的优化目标进行量化，从而更好地控制电量分配结果，进一步提高了电力系统的供电质量。
此外，本发明还采用了基于模糊拓扑图的最短路径算法来进行电力系统的配电控制，该算法能够有效降低电力系统的供电损耗，提高电能的利用效率。通过使用模糊拓扑图，本发明能够准确描述电力系统中各个子区域的电力关系，找到各个子区域与目标电力系统之间的最短路径，进一步提高了电能的传输效率，降低了供电损耗。
最后，本发明还采用了智能决策技术和冲突解决技术，能够实现智能化的电量分配和配电控制，提高了电力系统的自适应能力和鲁棒性。在电力系统出现异常情况或者负荷需求变化时，本发明能够及时进行调整和优化，保证电力系统的平稳运行，提高了电力系统的稳定性和安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还能够根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种智能配电控制系统的系统结构示意图。
具体实施方式
本发明的核心是提供一种智能配电控制系统，可以更加准确地预测供电量和负荷，有效避免供需失衡的情况发生，提高电力系统的稳定性和可靠性。本发明的方法不仅可以应用于传统的中央化电力系统，也可以应用于分布式能源系统，例如光伏发电和风力发电等。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。
实施例1
参考图1，一种智能配电控制系统，所述系统包括：
数据获取部分，配置用于获取在一个供电周期内的目标供电区域和目标电力系统的数据，得到历史负荷数据和历史供电总量数据；
具体的，该部分在执行过程中，包括以下几个过程：
确定目标供电区域和目标电力系统。在实际应用中，能够根据具体的需求和实际情况，确定需要进行智能配电控制的目标供电区域和目标电力系统。
配置数据采集设备。根据目标供电区域和目标电力系统的具体情况，能够配置相应的数据采集设备，如传感器、电能表、监控系统等，用于采集历史负荷数据和历史供电总量数据。
实时获取数据。数据采集设备会实时获取目标供电区域和目标电力系统的相关数据，并将数据传输给数据获取部分进行处理。在每个供电周期内，数据获取部分会获取该周期内的目标供电区域和目标电力系统的数据。
处理数据。数据获取部分会将获取到的历史负荷数据和历史供电总量数据进行处理和分析，得到目标供电区域和目标电力系统的相关数据。其中，历史负荷数据能够反映出目标供电区域的用电情况，历史供电总量数据能够反映出目标供电区域的供电情况。
存储数据。数据获取部分会将处理后的数据存储到数据库或者其他数据存储设备中，以便后续的分析和处理。
目标区域划分部分，配置用于基于获取到的历史供电总量数据，将目标供电区域划分为多个子区域，保证每个子区域内的历史供电总量的标准差在设定的阈值范围内；每个子区域均对应一个子区域的历史供电总量数据和一个子区域的历史负荷数据；
具体的，该部分的执行具体包括以下几个过程：
确定历史供电总量数据。目标区域划分部分需要先获取历史供电总量数据，该数据能够从数据获取部分得到。确定划分标准差阈值。根据实际情况，目标区域划分部分需要设定一个标准差阈值，以保证每个子区域内的历史供电总量的标准差在设定的阈值范围内。
进行区域划分。目标区域划分部分将目标供电区域划分为多个子区域，保证每个子区域内的历史供电总量的标准差在设定的阈值范围内。具体划分方法能够采用基于聚类分析的方法，如k-means算法、DBSCAN算法等，也能够采用分治法等其他算法。
确定子区域的历史供电总量数据和历史负荷数据。目标区域划分部分会对每个子区域的历史供电总量数据进行统计和分析，并得到每个子区域的历史供电总量数据和历史负荷数据。
存储子区域数据。目标区域划分部分会将每个子区域的历史供电总量数据和历史负荷数据存储到数据库或者其他数据存储设备中，以便后续的分析和处理。
预测部分，配置用于基于每个子区域的历史负荷数据，使用预设的负荷预测模型，对每个子区域进行负荷预测，得到每个子区域的负荷预测结果；以及，基于每个子区域的历史供电总量数据，使用预设的供电总量预测模型，对每个子区域进行供电总量预测，得到每个子区域的供电总量预测结果；
模糊拓扑建立部分，配置用于将供电区域划分的每个子区域视为一个节点，将与每个子区域连接的所有供电线路视为一个连接线，目标电力系统视为起始节点，构建模糊拓扑图；
冲突解决部分，配置用于基于每个子区域的供电总量预测结果和每个子区域的负荷预测结果，使用预设的多目标优化模型，对每个子区域的供电总量预测结果进行优化，得到每个子区域的优化电量结果；
线路优化部分，配置用于基于构建的模糊拓扑图，计算得到目标供电系统与每个子区域的最短路径；
配电控制部分，配置用于控制目标电力系统，根据每个子区域的优化电量结果，使用与每个子区域相连接的最短路径，为每个子区域配送电量。
实施例2
在上一实施例的基础上，所述负荷预测模型，对每个子区域进行负荷预测，得到每个子区域的负荷预测结果的方法包括：对每个子区域的历史负荷数据进行高斯模糊化处理，将其转换为一组负荷模糊量；基于每个子区域的历史负荷数据，根据专家经验或机器学习的方式，建立一组负荷模糊逻辑规则库；根据负荷模糊逻辑规则库进行模糊推理，得到负荷模糊结论；将负荷模糊结论通过最大隶属度法进行去模糊化处理，得到负荷预测结果。
具体的，负荷预测模型的执行具体包括以下过程：
高斯模糊化处理。对每个子区域的历史负荷数据进行高斯模糊化处理，将其转换为一组负荷模糊量。高斯模糊化处理能够使得历史负荷数据更加平滑，从而减少异常值的影响，提高负荷预测的准确性。
设 表示第 个历史负荷数据， 表示第 个模糊集合， 表示
在模糊集合 中的隶属度，则模糊化输入的公式为：
；
其中， 和 分别表示模糊集合 的中心和标准差。
建立负荷模糊逻辑规则库。基于每个子区域的历史负荷数据，能够根据专家经验或机器学习的方式，建立一组负荷模糊逻辑规则库。该规则库包括一系列模糊规则，每个规则都描述了负荷量与一些相关因素之间的模糊关系。
以下是一个简单的模糊逻辑规则库的例子，其中输入变量为前 小时的历史负荷
数据，输出变量为下一时刻的负荷预测值：
如果当前负荷较低，并且前小时的负荷数据处于较低水平，那么下一时刻的负荷
预测值为低水平。
如果当前负荷较低，并且前小时的负荷数据处于较高水平，那么下一时刻的负荷
预测值为中等水平。
如果当前负荷处于中等水平，并且前小时的负荷数据处于较低水平，那么下一时
刻的负荷预测值为中等水平。
如果当前负荷处于中等水平，并且前小时的负荷数据处于中等水平，那么下一时
刻的负荷预测值为中等水平。
如果当前负荷处于中等水平，并且前小时的负荷数据处于较高水平，那么下一时
刻的负荷预测值为高水平。
如果当前负荷较高，并且前小时的负荷数据处于较低水平，那么下一时刻的负荷
预测值为中等水平。
如果当前负荷较高，并且前小时的负荷数据处于中等水平，那么下一时刻的负荷
预测值为高水平。
如果当前负荷较高，并且前小时的负荷数据处于较高水平，那么下一时刻的负荷
预测值为高水平。
模糊推理。根据负荷模糊逻辑规则库进行模糊推理，得到负荷模糊结论。模糊推理是根据模糊逻辑规则库对输入数据进行模糊计算，以得到一个模糊输出结果。
将模糊逻辑规则库中的规则与模糊化的历史负荷数据进行匹配，得出一个模糊结
论。在这里，假设采用模糊最大化合成算法进行模糊推理。设模糊结论为，则其公式为：
；
其中， 表示求最小值， 表示求最大值。 分别表示未来负荷数据和历史负荷数据在
相应模糊集合中的隶属度。设模糊逻辑规则库中共有条规则，第条规则的前提部分为，后件部分为，则模糊结论的计算公式为：
；
去模糊化处理。将负荷模糊结论通过最大隶属度法进行去模糊化处理，得到负荷预测结果。最大隶属度法是一种常用的模糊推理方法，其基本思想是寻找模糊集合中隶属度最大的元素，作为输出结果。
将模糊结论转换为实际的负荷预测结果。常用的去模糊化方法包括最大隶属度法、平均法、加权平均法等。在这里，假设采用最大隶属度法进行去模糊化处理，则负荷预测结果为：
其中， 表示使 取到最大值时的 值。
最大隶属度法是一种常用的模糊逻辑方法，用于处理模糊或不确定性信息。该方法的基本思想是将输入的模糊量（例如模糊的语言变量）与一组模糊子集进行匹配，从而得到一组隶属度值，用于描述输入模糊量属于各个模糊子集的程度。在最大隶属度法中，输出值的确定基于隶属度值最大的子集，即输出值等于具有最大隶属度值的子集的输出值。该方法可以有效地应用于模糊控制、模糊决策等领域，能够提高系统的鲁棒性和容错性，具有较强的实用性和可靠性。在本发明中，最大隶属度法被用于处理负荷预测、供电总量预测等模糊信息，用于优化电量结果分配，从而提高电力系统的供电质量和电能利用率，具有较高的实际应用价值。
实施例3
在上一实施例的基础上，所述供电总量预测模型，对每个子区域进行供电总量预测，得到每个子区域的供电总量预测结果的方法包括：对每个子区域的历史供电总量数据进行高斯模糊化处理，将其转换为一组供电总量模糊量；基于每个子区域的历史供电总量数据，根据专家经验或机器学习的方式，建立一组供电总量模糊逻辑规则库；基于供电总量模糊量和根据供电总量模糊逻辑规则库进行模糊推理，得到供电总量模糊结论；将供电总量模糊结论通过最大隶属度法进行去模糊化处理，得到供电总量预测结果。
具体的，供电总量预测模型使用与负荷预测模型相似的方法，具体包括以下过程：
高斯模糊化处理。对每个子区域的历史供电总量数据进行高斯模糊化处理，将其转换为一组供电总量模糊量。高斯模糊化处理能够使得历史供电总量数据更加平滑，从而减少异常值的影响，提高供电总量预测的准确性。
建立供电总量模糊逻辑规则库。基于每个子区域的历史供电总量数据，能够根据专家经验或机器学习的方式，建立一组供电总量模糊逻辑规则库。该规则库包括一系列模糊规则，每个规则都描述了供电总量与一些相关因素之间的模糊关系。
模糊推理。根据供电总量模糊逻辑规则库进行模糊推理，得到供电总量模糊结论。模糊推理是根据模糊逻辑规则库对输入数据进行模糊计算，以得到一个模糊输出结果。
去模糊化处理。将供电总量模糊结论通过最大隶属度法进行去模糊化处理，得到供电总量预测结果。最大隶属度法是一种常用的模糊推理方法，其基本思想是寻找模糊集合中隶属度最大的元素，作为输出结果。
实施例4
在上一实施例的基础上，所述配电控制部分在为每个子区域配送电量时，使用该子区域与目标电力系统的最短路径作为配送线路，将与该子区域对应的优化电量结果等额的电量配送至该子区域。
具体的，配电控制部分控制目标电力系统，根据每个子区域的优化电量结果和该子区域与目标电力系统之间的最短路径，将等额的电量配送至该子区域。具体来说，该部分会根据优化电量结果，将对应的电量按照最短路径配送至该子区域，以满足该子区域的电力需求。
实施例5
在上一实施例的基础上，所述线路优化部分，基于构建的模糊拓扑图，计算得到目标供电系统与每个子区域的最短路径的方法包括：将模糊拓扑图表示为：
：
其中是节点集合，包括了作为起始节点的目标供电系统和作为节点的子区域，
是连接线集合，对应于连接线；为起始节点，对应于目标供电系统；为目标节点，对应于子
区域；表示从节点到节点的距离（或代价）；为从起始节点到节点的
最短距离；：从起始节点到节点的最短路径上，节点的前驱节点；op为待扩展
的节点集合；cl为已扩展的节点集合；每次从op中选择估价函数
最小的节点进行扩展；其中，表示从起始节点到节点的最短距离，表示从
节点到目标节点的最短距离的估计值；因此，表示从起始节点经过节点到目标
节点的最短距离的估计值；初始化op和cl；令，，将起始节点加
入op中；重复以下步骤，直到op为空或者找到目标节点：步骤1：从op中选择最小的节
点进行扩展；步骤2：将节点从op中移除，并将其加入cl中；步骤3：对于节点的每个邻
居节点，如果不在cl中；步骤4：计算，即从起始节点经过节
点到达节点的距离；步骤5：如果不在op中，将加入op，并将的值设为；步骤6：如果在op中，并且新的值比原来的小，则更新的
和值，并将的前驱节点设为；如果找到目标节点，则通过回溯到起始节点
，得到从到的最短路径；表示从起始节点到节点的最短路径上，节点的前
驱节点；因此，能够通过回溯到起始节点；所述满足以下条件：
；。
实施例6
在上一实施例的基础上，所述估价函数使用如下公式进行表示：
；
其中，为调整系数，取值范围为0.2~0.8；和分别是节点和目
标节点在模糊拓扑图的坐标；为估价函数。
具体的，该估价函数是一个多元函数，包括了多个因素的影响。其中，第一项表示起始节点到节点的距离，第二项表示节点和目标节点之间的欧氏距离。调整系数的取
值范围为，能够根据实际情况进行调整。
第一项中的表示起始节点到节点的距离，表示节点到目标节点
的最短距离的估计值，是的对数值，是的指数值。这里使
用对数和指数是为了在值较小的时候提高函数的敏感度。通过这样的设计，能够使得
估价函数对节点到目标节点的距离具有更好的适应性和灵敏度。
第二项表示欧氏距离，是节点和目标节点之间的几何距离。通过将欧氏距离加
入估价函数中，能够使得算法考虑节点之间的几何位置关系，进一步提高路径规划的准确
性和可靠性。
总体来说，该估价函数综合考虑了多个因素对节点到目标节点的影响，是一个
比较全面和有效的估价函数。
实施例7
在上一实施例的基础上，所述冲突解决部分包括：基于每个子区域的供电总量预
测结果和每个子区域的负荷预测结果，使用预设的多目标优化模型，对每个子区域的供电
总量预测结果进行优化，得到每个子区域的优化电量结果的方法包括：假设有个子区域，
每个子区域的历史供电总量分别为，供电总量预测结果为；基
于每个子区域的历史供电总量数据和负荷预测结果计算出该子区域的供电总量和负荷之
间的差值，即：
；
其中，为差值，表示第个子区域的供电总量预测结果，表示第个子区域的
负荷预测结果，，为子区域的数量；定义目标函数来描述
所有子区域的优化目标，分别为每个子区域的电量优化结果的中间值；使用
模糊多目标优化算法来求解优化电量结果；算法的输入为目标函数，以
及每个子区域的优化电量结果上下界，即，其中为第个子区域的最大供电能
力；输出为每个子区域的优化电量结果。
实施例8
在上一实施例的基础上，所述模糊多目标优化算法为遗传算法。
具体的，遗传算法作为一种模糊多目标优化算法，用于优化每个子区域的电量结果。遗传算法的过程可以概括为以下几个步骤：
初始化种群：随机生成一组初始个体作为种群，每个个体代表一组子区域的电量结果。
评估适应度：对于每个个体，根据目标函数计算其适应度值，衡量该个体的优劣程度。
选择操作：从种群中选择适应度高的个体作为父代，通过选择操作生成下一代个体。
交叉操作：对于被选择的父代个体，进行交叉操作，产生新的子代个体。
变异操作：对新产生的子代个体进行变异操作，增加种群的多样性。
评估适应度：对新产生的子代个体进行适应度评估。
确定下一代种群：根据选择、交叉和变异操作生成的新个体，确定下一代种群。
终止条件：当达到预设的迭代次数或满足一定的收敛条件时，终止算法并返回最优解。
在本发明中，遗传算法的个体代表每个子区域的优化电量结果，种群则代表所有可能的子区域电量组合。通过遗传算法优化每个子区域的电量结果，的到每个子区域的优化电量结果。可以最大化满足供电需求的同时，最大限度地降低电网损失。
在使用遗传算法时，目标函数是在考虑每个子区域的优化电量和供电总量预测结果之间误差和所有子区域之间的电量平衡的情况下，对整个系统的电量平衡和电能利用效率进行优化的目标函数，可以表示为：
；
是每个子区域的优化电量结果的中间值，使用遗传算法对该目标函
数进行求解后，输出结果为值，作为优化电量结果，作为每个子区域的优化电量
结果， 是第 个子区域的供电总量和负荷之间的差值。 和 是目标函数中误差
和电量平衡两部分的权重系数，由实际情况和需求进行设定。
实施例9
在上一实施例的基础上，所述目标函数由两个部分组成：第一部分为所有子区域的历史供电总量数据与供电总量预测结果之间的误差，第二部分为所有子区域之间的电量平衡；使用模糊逻辑函数来描述这两部分，所述目标函数的公式如下：
；
其中，和分别为模糊逻辑函数，和为权重系数；的输入为所有
子区域的优化电量结果与供电总量预测结果之间的差值的加权和，输出为整个系统的误
差；的输入为所有子区域的优化电量结果的最大值与最小值的差值，输出为整个系统
的电量平衡度；表示目标函数。
具体的，在这个实施例中，目标函数由两个部分组成，分别是历史供电总量数据与供电总量预测结果之间的误差和所有子区域之间的电量平衡。这两个部分都被表示为模糊逻辑函数，以便更好地处理模糊和不确定信息。
第一部分的模糊逻辑函数的输入为所有子区域的优化电量结果与供电总量
预测结果之间的差值的加权和，输出为整个系统的误差。这个函数的形式可以是高斯、三角
形或梯形等形式，具体的形式可以根据实际情况进行选择和调整。
第二部分的模糊逻辑函数的输入为所有子区域的优化电量结果的最大值与
最小值的差值，输出为整个系统的电量平衡度。同样地，这个函数的形式也可以是高斯、三
角形或梯形等形式。
这两个部分的权重系数和可以根据实际情况进行调整，以达到系统优化的
效果。例如，如果更注重保持系统的电量平衡，可以增加的权重；如果更注重降低误差，
可以增加的权重。
整个目标函数的形式非常灵活，可以根据实际情况进行调整和优化。通过使用模糊逻辑函数来表示目标函数的不确定性和模糊性，可以更好地处理这种复杂的优化问题。
实施例10
在上一实施例的基础上，所述模糊多目标优化算法为NSGA-II算法。
NSGA-II (Non-dominated Sorting Genetic Algorithm II) 是一种常用的多目标优化算法，它是一种基于遗传算法的进化算法，主要用于解决具有多个决策变量和目标函数的复杂问题。该算法通过对个体进行非支配排序和拥挤距离计算，来维护种群的多样性和均衡性，从而使得算法能够在多个目标之间达到 Pareto 最优解集。
NSGA-II 算法的基本思路是将种群中的个体按照非支配排序分为多个等级，等级越高的个体越优秀，然后通过计算个体与周围个体之间的拥挤距离来保持多样性和均衡性。具体来说，算法首先通过交叉和变异等操作生成一个新的子代种群，然后将父代种群和子代种群合并为一个大种群。接着，算法对该种群进行非支配排序，以确定每个个体所处的Pareto前沿等级。在排序后，算法计算每个个体周围的拥挤距离，并使用拥挤距离选择算子，来选择更好的个体并生成下一代种群。
在本实施例中，NSGA-II 算法被用来进行模糊多目标优化，通过最小化目标函数中的两个模糊逻辑函数，来得到每个子区域的优化电量结果。由于 NSGA-II 算法具有高效、稳定的特点，在处理多目标优化问题时得到了广泛应用。
以上对本发明进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还能够对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种智能配电控制系统，其特征在于，所述系统包括：
数据获取部分，配置用于获取在一个供电周期内的目标供电区域和目标电力系统的数据，得到历史负荷数据和历史供电总量数据；
目标区域划分部分，配置用于基于获取到的历史供电总量数据，将目标供电区域划分为多个子区域，保证每个子区域内的历史供电总量的标准差在设定的阈值范围内；每个子区域均对应一个子区域的历史供电总量数据和一个子区域的历史负荷数据；
预测部分，配置用于基于每个子区域的历史负荷数据，使用预设的负荷预测模型，对每个子区域进行负荷预测，得到每个子区域的负荷预测结果；以及，基于每个子区域的历史供电总量数据，使用预设的供电总量预测模型，对每个子区域进行供电总量预测，得到每个子区域的供电总量预测结果；
模糊拓扑建立部分，配置用于将供电区域划分的每个子区域视为一个节点，将与每个子区域连接的所有供电线路视为一个连接线，目标电力系统视为起始节点，构建模糊拓扑图；
冲突解决部分，配置用于基于每个子区域的供电总量预测结果和每个子区域的负荷预测结果，使用预设的多目标优化模型，对每个子区域的供电总量预测结果进行优化，得到每个子区域的优化电量结果；
线路优化部分，配置用于基于构建的模糊拓扑图，计算得到目标供电系统与每个子区域的最短路径；
配电控制部分，配置用于控制目标电力系统，根据每个子区域的优化电量结果，使用与每个子区域相连接的最短路径，为每个子区域配送电量。
2.如权利要求1所述的系统，其特征在于，所述负荷预测模型，对每个子区域进行负荷预测，得到每个子区域的负荷预测结果的方法包括：对每个子区域的历史负荷数据进行高斯模糊化处理，将其转换为一组负荷模糊量；基于每个子区域的历史负荷数据，根据专家经验或机器学习的方式，建立一组负荷模糊逻辑规则库；根据负荷模糊逻辑规则库进行模糊推理，得到负荷模糊结论；将负荷模糊结论通过最大隶属度法进行去模糊化处理，得到负荷预测结果。
3.如权利要求1所述的系统，其特征在于，所述供电总量预测模型，对每个子区域进行供电总量预测，得到每个子区域的供电总量预测结果的方法包括：对每个子区域的历史供电总量数据进行高斯模糊化处理，将其转换为一组供电总量模糊量；基于每个子区域的历史供电总量数据，根据专家经验或机器学习的方式，建立一组供电总量模糊逻辑规则库；基于供电总量模糊量和根据供电总量模糊逻辑规则库进行模糊推理，得到供电总量模糊结论；将供电总量模糊结论通过最大隶属度法进行去模糊化处理，得到供电总量预测结果。
4.如权利要求2或3所述的系统，其特征在于，所述配电控制部分在为每个子区域配送电量时，使用该子区域与目标电力系统的最短路径作为配送线路，将与该子区域对应的优化电量结果等额的电量配送至该子区域。
5.如权利要求4所述的系统，其特征在于，所述线路优化部分，基于构建的模糊拓扑图，计算得到目标供电系统与每个子区域的最短路径的方法包括：将模糊拓扑图表示为：
：
其中是节点集合，包括了作为起始节点的目标供电系统和作为节点的子区域，/>是连接线集合，对应于连接线；设/>为起始节点，对应于目标供电系统；/>为目标节点，对应于子区域；/>表示从节点/>到节点/>的距离或代价；/>为从起始节点/>到节点/>的最短距离；/>：从起始节点/>到节点/>的最短路径上，节点/>的前驱节点；op为待扩展的节点集合；cl为已扩展的节点集合；每次从op中选择估价函数/>最小的节点进行扩展；其中，/>表示从起始节点/>到节点/>的最短距离，/>表示从节点/>到目标节点/>的最短距离的估计值；因此，/>表示从起始节点/>经过节点/>到目标节点/>的最短距离的估计值；初始化op和cl；令/>，/>，将起始节点/>加入op中；重复以下步骤，直到op为空或者找到目标节点/>：
步骤1：从op中选择最小的节点/>进行扩展；
步骤2：将节点从op中移除，并将其加入cl中；
步骤3：对于节点的每个邻居节点/>，如果/>不在cl中；
步骤4：计算，即从起始节点/>经过节点/>到达节点/>的距离；
步骤5：如果不在op中，将/>加入op，并将/>的/>值设为/>；
步骤6：如果在op中，并且新的/>值比原来的小，则更新/>的/>和/>值，并将/>的前驱节点设为/>；如果找到目标节点/>，则通过/>回溯到起始节点/>，得到从/>到/>的最短路径；
表示从起始节点/>到节点/>的最短路径上，节点/>的前驱节点；因此，能够通过/>回溯到起始节点/>；所述/>满足以下条件：
；/>。
6.如权利要求5所述的系统，其特征在于，所述估价函数使用如下公式进行表示：
；
其中，为调整系数，取值范围为0.2~0.8；/>和/>分别是节点/>和目标节点/>在模糊拓扑图的坐标；/>为估价函数。
7.如权利要求6所述的系统，其特征在于，所述冲突解决部分包括：基于每个子区域的供电总量预测结果和每个子区域的负荷预测结果，使用预设的多目标优化模型，对每个子区域的供电总量预测结果进行优化，得到每个子区域的优化电量结果的方法包括：假设有个子区域，每个子区域的历史供电总量分别为/>，供电总量预测结果为；基于每个子区域的历史供电总量数据和负荷预测结果计算出该子区域的供电总量和负荷之间的差值，即：
；
其中，为差值，/>表示第/>个子区域的供电总量预测结果，/>表示第/>个子区域的负荷预测结果，/>，/>为子区域的数量；定义目标函数/>来描述所有子区域的优化目标，/>分别为每个子区域的电量优化结果的中间值；使用模糊多目标优化算法来求解优化电量结果；算法的输入为目标函数/>，以及每个子区域的优化电量结果上下界，即/>，其中/>为第/>个子区域的最大供电能力；输出为每个子区域的优化电量结果/>。
8.如权利要求7所述的系统，其特征在于，所述模糊多目标优化算法为遗传算法。
9.如权利要求8所述的系统，其特征在于，所述目标函数由两个部分组成：第一部分为所有子区域的历史供电总量数据与供电总量预测结果之间的误差，第二部分为所有子区域之间的电量平衡；使用模糊逻辑函数来描述这两部分，所述目标函数的公式如下：
；
其中，和/>分别为模糊逻辑函数，/>和/>为权重系数；/>的输入为所有子区域的优化电量结果与供电总量预测结果之间的差值的加权和，输出为整个系统的误差；的输入为所有子区域的优化电量结果的最大值与最小值的差值，输出为整个系统的电量平衡度；/>表示目标函数。
10.如权利要求7所述的系统，其特征在于，所述模糊多目标优化算法为NSGA-II算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311168052.5A CN116914751B (zh) | 2023-09-12 | 2023-09-12 | 一种智能配电控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311168052.5A CN116914751B (zh) | 2023-09-12 | 2023-09-12 | 一种智能配电控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116914751A true CN116914751A (zh) | 2023-10-20 |
| CN116914751B CN116914751B (zh) | 2023-12-05 |
Family
ID=88360587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311168052.5A Active CN116914751B (zh) | 2023-09-12 | 2023-09-12 | 一种智能配电控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116914751B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236663A (zh) * | 2023-11-14 | 2023-12-15 | 深圳前海橙色魔方信息技术有限公司 | 一种基于人工智能的计算机数据分析方法及系统 |
| CN117424231A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市华星数字有限公司 | 一种节能配电控制系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107104442A (zh) * | 2017-04-20 | 2017-08-29 | 河海大学 | 计及参数模糊性的含风电场电力系统概率潮流计算方法 |
| CN107706932A (zh) * | 2017-09-18 | 2018-02-16 | 浙江大学 | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 |
| CN110443428A (zh) * | 2019-08-12 | 2019-11-12 | 上海宝能信息科技有限公司 | 一种空气压缩机群组负荷预测方法及其控制设备 |
| CN112202168A (zh) * | 2020-09-28 | 2021-01-08 | 国网江苏省电力有限公司苏州供电分公司 | 多目标协调优化的多元电网超前控制供电方法及其系统 |
| CN115693652A (zh) * | 2022-10-19 | 2023-02-03 | 贵州电网有限责任公司 | 基于电力平衡和性能成本的配电网网架优化方法及装置 |
| CN116485075A (zh) * | 2023-04-23 | 2023-07-25 | 国网江苏省电力有限公司南通市海门区供电分公司 | 一种基于fts的电网负荷预测方法 |
| CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
-
2023
- 2023-09-12 CN CN202311168052.5A patent/CN116914751B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107104442A (zh) * | 2017-04-20 | 2017-08-29 | 河海大学 | 计及参数模糊性的含风电场电力系统概率潮流计算方法 |
| CN107706932A (zh) * | 2017-09-18 | 2018-02-16 | 浙江大学 | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 |
| CN110443428A (zh) * | 2019-08-12 | 2019-11-12 | 上海宝能信息科技有限公司 | 一种空气压缩机群组负荷预测方法及其控制设备 |
| CN112202168A (zh) * | 2020-09-28 | 2021-01-08 | 国网江苏省电力有限公司苏州供电分公司 | 多目标协调优化的多元电网超前控制供电方法及其系统 |
| CN115693652A (zh) * | 2022-10-19 | 2023-02-03 | 贵州电网有限责任公司 | 基于电力平衡和性能成本的配电网网架优化方法及装置 |
| CN116485075A (zh) * | 2023-04-23 | 2023-07-25 | 国网江苏省电力有限公司南通市海门区供电分公司 | 一种基于fts的电网负荷预测方法 |
| CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 曾鸣;杜楠;张鲲;周飞;: "基于多目标静态模糊模型的分布式电源规划", 电网技术, no. 04 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236663A (zh) * | 2023-11-14 | 2023-12-15 | 深圳前海橙色魔方信息技术有限公司 | 一种基于人工智能的计算机数据分析方法及系统 |
| CN117236663B (zh) * | 2023-11-14 | 2024-03-05 | 深圳前海橙色魔方信息技术有限公司 | 一种基于人工智能的计算机数据分析方法及系统 |
| CN117424231A (zh) * | 2023-12-14 | 2024-01-19 | 深圳市华星数字有限公司 | 一种节能配电控制系统及方法 |
| CN117424231B (zh) * | 2023-12-14 | 2024-03-15 | 深圳市华星数字有限公司 | 一种节能配电控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116914751B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116914751B (zh) | 一种智能配电控制系统 | |
| CN109165764A (zh) | 一种遗传算法优化bp神经网络的线损计算方法 | |
| CN110417015A (zh) | 基于模型预测控制的微电网多目标优化调度方法及系统 | |
| CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
| CN113300380B (zh) | 一种基于负荷曲线分段的配电网无功优化补偿方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
| CN107706932B (zh) | 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 | |
| Dong et al. | Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
| Zhao et al. | A fast and optimal smart home energy management system: State-space approximate dynamic programming | |
| CN113141012B (zh) | 电网潮流调控决策推理方法 | |
| CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
| Gang et al. | Dynamic economic emission dispatch with wind power based on improved multi‐objective brain storm optimisation algorithm | |
| Kumar et al. | Load forecasting of Andhra Pradesh grid using PSO, DE algorithms | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Modi et al. | Voltage stability evaluation of power system with FACTS devices using fuzzy neural network | |
| CN115513945A (zh) | 一种基于物联网的分布式电源管理方法 | |
| Liu et al. | Deep-Q-network-based intelligent reschedule for power system operational planning | |
| CN115001002A (zh) | 一种求解储能参与削峰填谷的优化调度方法和系统 | |
| CN115118015A (zh) | 一种基于融合终端的台区供电稳定性监测系统 | |
| CN114429248A (zh) | 一种变压器视在功率预测方法 | |
| CN114298429A (zh) | 一种配电网动案辅助决策方法、系统、装置和存储介质 | |
| Yasin et al. | Optimal least squares support vector machines parameter selection in predicting the output of distributed generation | |
| Khairudin et al. | Estimated use of electrical load using regression analysis and adaptive neuro fuzzy inference system |
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 |