CN117277355A - 一种智慧监测数据的输电方法及系统 - Google Patents
一种智慧监测数据的输电方法及系统 Download PDFInfo
- Publication number
- CN117277355A CN117277355A CN202311483796.6A CN202311483796A CN117277355A CN 117277355 A CN117277355 A CN 117277355A CN 202311483796 A CN202311483796 A CN 202311483796A CN 117277355 A CN117277355 A CN 117277355A
- Authority
- CN
- China
- Prior art keywords
- power
- time
- power generation
- generation network
- preset time
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000010248 power generation Methods 0.000 claims abstract description 112
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种智慧监测数据的输电方法及系统,应用于分布式电网,包括获取分布式电网的历史监测数据,并将所述历史输出功率数据组织成时间序列数据;计算第一发电网的输出功率时间序列与第一预设时间后的其它发电网的输出功率时间序列的相似度;设置第一预设时间=第一预设时间+第二预设时间,并重复计算,对于同一电网,只保留相似度最大的关系式;当第一发电网的输出功率变化率大于第二阈值时,预测相似发电网的第三预设时间后的输出功率;根据预设时间功率确定电网的总功率变化量,根据总功率变化量进行输电平衡。通过上述方案可以预测分布发电网的输出功率变化,从而提前准备功率输出平衡。
Description
技术领域
本发明涉及电网领域,具体而言涉及一种智慧监测数据的输电方法及系统。
背景技术
分布式电网(Distributed Generation,DG)由风电、太阳能等小型可再生能源发电系统组成,通常是分布在地理位置多样的点上,以满足局部的电力需求。
电网中的发电量和用电量需要在大多数情况下保持平衡,以维持电力系统的稳定运行。这是因为电力系统必须满足消费者的电能需求,以避免电压下降、电力不足或电力负荷不平衡等问题。
然而,风电、太阳能等受环境影响较大,其输出功能可能出现较大的波动。如天气变化、日升日落导致风电、太阳的输出功率改变。
现有技术中通常使用水电、火电或电池对分布式电网进行调节,以应对电网不平衡问题。但使用水电、火电或电池进行调节都需要一定的准备时间,如果不能提前预知电网输出功能的变化,就会导致电网调节不及时,产生短时间的波动,影响用户的电器正常运行。
发明内容
为了解决现有技术中的问题,本发明提供一种智慧监测数据的输电方法及系统。
在本发明的一个方面,提供一种智慧监测数据的输电方法,所述方法应用于分布式电网,其特征在于:
步骤1,获取分布式电网的历史监测数据,所述历史监测数据包括分布式电网中每一发电网的历史输出功率数据,并将所述历史输出功率数据组织成时间序列数据;
步骤2,计算第一发电网的输出功率时间序列与第一预设时间后的其它发电网的输出功率时间序列的相似度,如果相似度大于第一阈值,表明被计算的电网第一预设时间后的输出功率变化率与第一发电网输出功率相似,则有
wn(t+t1)=ρw1(t)
其中w1(t)表示第一电网的输出功率函数,t为时间变量,ρ为缩放系数;
wn(t+t1)表示第n个电网t1时间后的输出功率函数,t为时间变量,t1为第一预设时间;
步骤3,设置第一预设时间=第一预设时间+第二预设时间,并重复步骤2,对于同一电网,只保留相似度最大的关系式;
步骤4,当第一发电网的输出功率变化率大于第二阈值时,根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率;
步骤5,根据预设时间功率确定电网的总功率变化量,根据总功率变化量进行输电平衡。
进一步地,所述时间序列数据结构包括以下列:时间戳列:包含时间戳信息;功率值列:包含与每个时间戳对应的功率值;时间序列数据的频率:确定时间序列数据的采样频率。
进一步地,使用Pearson相关系数计算所述相似度。
进一步地,通过下式进行计算:
wn(t+t3)=ρw1(t-t1+t3);
其中t3表示第三预设时间。
进一步地,对每一分布式发电网都重复执行上述步骤S2-S3,为每一个分布式发电网都确定相应的相似发电网,当任意一个分布式发电网变化过量时,计算与之相似发电网的变化,并通过步骤S4-S5进行输电平衡。
本发明另一方面还提供一种智慧监测数据的输电系统,所述系统应用于分布式电网,其特征在于:
数据模块,用于获取分布式电网的历史监测数据,所述历史监测数据包括分布式电网中每一发电网的历史输出功率数据,并将所述历史输出功率数据组织成时间序列数据;
比较模块,用于计算第一发电网的输出功率时间序列与第一预设时间后的其它发电网的输出功率时间序列的相似度,如果相似度大于第一阈值,表明被计算的电网第一预设时间后的输出功率变化率与第一发电网输出功率相似,则有:
wn(t+t1)=ρw1(t);
其中w1(t)表示第一电网的输出功率函数,t为时间变量,ρ为缩放系数;
wn(t+t1)表示第n个电网t1时间后的输出功率函数,t为时间变量,t1为第一预设时间;
重复模块,用于设置第一预设时间=第一预设时间+第二预设时间,并重复步骤2,对于同一电网,只保留相似度最大的关系式;
预测模块,用于当第一发电网的输出功率变化率大于第二阈值时,根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率;
平衡模块,用于根据预设时间功率确定电网的总功率变化量,根据总功率变化量进行输电平衡。
进一步地,所述时间序列数据结构包括以下列:时间戳列:包含时间戳信息;功率值列:包含与每个时间戳对应的功率值;时间序列数据的频率:确定时间序列数据的采样频率。
进一步地,使用Pearson相关系数计算所述相似度。
进一步地,根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率具体为:通过下式进行计算:
wn(t+t3)=ρw1(t-t1+t3);
其中t3表示第三预设时间。
进一步地,对每一分布式发电网都重复运行上述比较模块、重复模块,为每一个分布式发电网都确定相应的相似发电网,当任意一个分布式发电网变化过量时,计算与之相似发电网的变化,并通过预测模块和平衡模块进行输电平衡。
本发明通过上述技术方案,可以产生如下有益效果:
通过计算迟滞相似度,确定出与第一发电网迟滞相似的发电网络,当第一发电网出现波动时,可根据第一发电网的数据预测出其它相关发电网的输出功率波动,从而提前进行输出功率平衡的准备工作,减少电网的波动。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明方法的流程图。
具体实施方式
下面,结合附图以及具体实施方式,对发明做出优选的描述。
本实施例通过如下步骤解决上术问题:
在一个实施例中,参考图1,本发明提供一种智慧监测数据的输电方法,具体包括:
步骤1,获取分布式电网的历史监测数据,所述历史监测数据包括分布式电网中每一发电网的历史输出功率数据,并将所述历史输出功率数据组织成时间序列数据。
在分布式电网中小型能源发电设备分布在不同的地理位置,与传统的中央电厂不同。这些小型发电设备通常包括太阳能电池、风力涡轮机等,通常安装在分布式位置,以满足局部的电力需求。分布式电网通常布设范围较广,因此,当因天气、日升日落等变化导致输出功率变化时,不同位置的电网通常有迟滞性。如乌云来临时,通常会先覆盖一部分电网,导致输出功率下降,随着乌云的移动,其它电网逐渐产生反应,类似地,日升日落,也有类似的效果。基于此原理,当监测到一部分电网输出功率变化时,可以据此预测其它电网的输出功率,以提前进行准备。
电网智能监测是一种利用先进的传感器、数据分析和通信技术来实时监测电力系统的方法。随着信息化的进行,目前新建电网多数已具体智慧监测的功能。在获取历史数据时,可由分布式电网的智慧监控系统或数据采集设备生成和记录相应的数据,并获取历史输出功率数据。在获取数据后,可根据需要确定所需数据的格式和存储方式,为了方便后续的处理,数据应当包括时间戳和对应的输出功率值。
获取数据后,需要先验证数据的准确性和完整性,处理任何缺失数据、异常值或重复数据。确保时间戳是标准的日期时间格式,并将其转换为合适的时间格式,时间戳可以以年-月-日小时:分钟:秒的格式表示。根据时间戳对数据进行排序,以确保数据按时间顺序排列。将数据存储在时间序列数据结构中,常见的格式包括CSV文件、Excel表格、数据库表或专用的时间序列数据库。
确保数据结构包括以下列:
时间戳列:包含时间戳信息。
功率值列:包含与每个时间戳对应的功率值。
时间序列数据的频率:确定时间序列数据的采样频率。这意味着确定数据点之间的时间间隔,如每小时、每分钟或每秒。频率可根据智慧监测系统的上报频率确定,此处不做限定。最后,可将组织好的时间序列数据存储在安全的位置,并创建数据备份以防止数据丢失。
步骤2,计算第一发电网的输出功率时间序列与第一预设时间后的其它发电网的输出功率时间序列的相似度,如果相似度大于第一阈值,表明被计算的电网第一预设时间后的输出功率变化率与第一发电网输出功率相似,则有
wn(t+t1)=ρw1(t)
其中w1(t)表示第一电网的输出功率函数,t为时间变量,ρ为缩放系数;
wn(t+t1)表示第n个电网t1时间后的输出功率函数,t为时间变量,t1为第一预设时间;
为了对后续的电网状态进行预测,需要确定出与第一发电网迟滞相关的其它电网。由于电网的地理位置不同,可取一个最小的预测时间为第一预设时间。如至少要预测5分钟之后电网情况,则第一预设时间的取值确定为5分钟,类似地,可根据实际的需要(如准备平衡电网需要的时间)确定其它数值为第一预设时间。
计算第一发电网的输出功率时间序列与第一预设时间后的其它发电网的输出功率时间序列的相似度,即将其它电网的输出功率的时间序列整体向前移动第一预设时间。并计算两个时间序列的相似度。
为了计算相似度,本实施例可采用Pearson相关系数(Pearson CorrelationCoefficient),也称为Pearson积差相关系数(Pearson product-moment correlationcoefficient),是用于衡量两个连续变量之间线性关系强度和方向的统计指标。它通常用符号"r"表示,其值介于-1和1之间,具体含义如下:
r=1:表示完全正相关,两个变量的线性关系是正向的,即当一个变量增加时,另一个变量也增加,呈线性关系。
r=-1:表示完全负相关,两个变量的线性关系是负向的,即当一个变量增加时,另一个变量减少,呈线性关系。
r=0:表示没有线性关系,两个变量之间的线性关系非常弱或根本不存在。
可采用python中的scipy.stats计算Pearson相关系数。
当相似度较大时,表明被计算的电网第一预设时间后的输出功率变化率与第一发电网输出功率相似。本实施例优选地,第一阈值不小于0.95,也即相似度不小于0.95时,表示正在计算的电网的输出功率在第一预设时间后与第一电网的输出功率相似。
为了方便描述,本实施例采用如下表达式进行表述:
wn(t+t1)=ρw1(t)
其中w1(t)表示第一电网的输出功率函数,t为时间变量,ρ为缩放系数;
wn(t+t1)表示第n个电网t1时间后的输出功率函数,t为时间变量,t1为第一预设时间。
相似度只能表示整体的趋势相似性,而缩放系数是指绝对的比值,缩放系数可根据相同条件下的输出功率比值来确定。例如,当其它条件均相同时,第一发电网的输出功率为10kw,第二发电网的输出功率为8kw,则缩放系数=(8/10)=0.8。
也就是说通过输出功率时间序列确定出第一电网的输出功率函数后(可使用离散表达式,也可对时间序列进行拟合,以得到曲线表达式),即可确定出被计算电网的输出功率函数,通过wn(t+t1)可以计算出后续的预测功率。
步骤3,设置第一预设时间=第一预设时间+第二预设时间,并重复步骤2,对于同一电网,只保留相似度最大的关系式;
由于第一电网与其它电网之间的距离不一,因此迟滞时间也可能不同。例如,第一发电网与第二发电网之间的距离为20km,他们之间的迟滞时间为5分钟,第一发电网与第三发电网之间的距离为30km,他们之间的迟滞时间为7分钟,因此,需要针对每一个发电网进行最佳的迟滞时间进行探测。
第二时间可以设置一个远小于第一时间的值,例如,第一时间设计为5分钟,第二时间设置为5秒,即以5秒为一个步长,迭代地执行步骤2,从而得到多组第一发电网与其它发电网之间的迟滞关系。
示例性地,如下表示所述,通过使用步长5秒迭代地,运行步骤2,可以得到多组与第一发电网相关的发电网,并记录相应的迟滞时间、相似度。
对于相同的发电网,不同的迟滞时间可能计算出多个不同的相似度,如2号发电网,在迟滞时间分别为300,310,315时,相似度分别为0.96,0.98,0.95,当迟滞时间为310时,相似度最大,则只保留滞时间为310的值。
只保留相似度最大的关系式之后,则如下表所述。
发电网编号 | 迟滞时间(s) | 相似度 |
2 | 310 | 0.98 |
4 | 405 | 0.96 |
6 | 375 | 0.98 |
9 | 600 | 0.99 |
步骤4,当第一发电网的输出功率变化率大于第二阈值时,根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率。
当分布式电网的输出功率平稳时,不需要做平衡处理。当分布式电网的输出功率出现波动时,则整体电网需要平衡输电。对于第一发电网络,如果输出功率变化率过大,例如,在5分钟内增加或减少超过10%,则此时需要考虑平衡输出问题。为了能够及时应用后续的电网输出变化,通过wn(t+t1)=ρw1(t)即可计算出其它相关的电网的后续的功率输出。
例如,某发电网第5分钟后的输出功率则可通过下式进行计算
wn(t+5)=ρw1(t-t1+5)
即将第一电网的时间序列整体左移迟滞时间,然后加上要预测的时间5分钟。
步骤5,根据预设时间功率确定电网的总功率变化量,根据总功率变化量进行输电平衡。
通过预测相关的发电网的第三预设时间后的输出功率后可以为相应的电网平衡进行提前准备。
例如,预测2、4、6、9号发电网后续功率将总共减少5kw,则可提前提高火电锅炉功率,以便提前应对5分钟之后的功率短缺,从而减少电网的整体输电波动。
进一步地,电网中有多个发电网,对每一发电网都重复执行上述步骤S2-S3(即每一个发电网均可做为第一发电网),从而为每一个发电网都确定相应的相似发电网,从而当任意一个发电网变化过量时,均可以计算其它相似发电网的变化,并提前进行平衡应对。
另一方面,本发明还提供一种智慧监测数据的输电系统,所述系统应用于分布式电网,其特征在于:
数据模块,用于获取分布式电网的历史监测数据,所述历史监测数据包括分布式电网中每一发电网的历史输出功率数据,并将所述历史输出功率数据组织成时间序列数据;
比较模块,用于计算第一发电网的输出功率时间序列与第一预设时间后的其它发电网的输出功率时间序列的相似度,如果相似度大于第一阈值,表明被计算的电网第一预设时间后的输出功率变化率与第一发电网输出功率相似,则有:
wn(t+t1)=ρw1(t)
其中w1(t)表示第一电网的输出功率函数,t为时间变量,ρ为缩放系数;
wn(t+t1)表示第n个电网t1时间后的输出功率函数,t为时间变量,t1为第一预设时间;
重复模块,用于设置第一预设时间=第一预设时间+第二预设时间,并重复比较模块,对于同一电网,只保留相似度最大的关系式;
预测模块,用于当第一发电网的输出功率变化率大于第二阈值时,根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率;
平衡模块,用于根据预设时间功率确定电网的总功率变化量,根据总功率变化量进行输电平衡。
进一步地,上述所述的一种智慧监测数据的输电系统具体的实现方法均与一种智慧监测数据的输电方法相同,一种智慧监测数据的输电方法中的全部进一步的技术方案均完全引入一种智慧监测数据的输电系统中。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
本发明未特别明确的部分模块结构,以现有技术记载的内容为准。本发明在前述背景技术部分以及具体实施例部分提及的现有技术可作为本发明的一部分,用于理解部分技术特征或者参数的含义。本发明的保护范围以权利要求实际记载的内容为准。
Claims (10)
1.一种智慧监测数据的输电方法,所述方法应用于分布式电网,其特征在于:
步骤1,获取分布式电网的历史监测数据,所述历史监测数据包括分布式电网中每一发电网的历史输出功率数据,并将所述历史输出功率数据组织成时间序列数据;
步骤2,计算第一发电网的输出功率时间序列与第一预设时间后的其它发电网的输出功率时间序列的相似度,如果相似度大于第一阈值,表明被计算的电网第一预设时间后的输出功率变化率与第一发电网输出功率相似,则有wn(t+t1)=ρw1(t)
其中w1(t)表示第一电网的输出功率函数,t为时间变量,ρ为缩放系数;wn(t+t1)表示第n个电网t1时间后的输出功率函数,t为时间变量,t1为第一预设时间;
步骤3,设置第一预设时间=第一预设时间+第二预设时间,并重复步骤2,对于同一电网,只保留相似度最大的关系式;
步骤4,当第一发电网的输出功率变化率大于第二阈值时,根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率;
步骤5,根据预设时间功率确定电网的总功率变化量,根据总功率变化量进行输电平衡。
2.根据权利要求1所述的一种智慧监测数据的输电方法,其特征在于所述时间序列数据结构包括以下列:时间戳列:包含时间戳信息;功率值列:包含与每个时间戳对应的功率值;时间序列数据的频率:确定时间序列数据的采样频率。
3.根据权利要求1所述的一种智慧监测数据的输电方法,其特征在于:使用Pearson相关系数计算所述相似度。
4.根据权利要求1所述的一种智慧监测数据的输电方法,其特征在于根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率具体为:通过下式进行计算
wn(t+t3)=ρw1(t-t1+t3)
其中t3表示第三预设时间。
5.根据权利要求1所述的一种智慧监测数据的输电方法,其特征在于:对每一分布式发电网都重复执行上述步骤S2-S3,为每一个分布式发电网都确定相应的相似发电网,当任意一个分布式发电网变化过量时,计算与之相似发电网的变化,并通过步骤S4-S5进行输电平衡。
6.一种智慧监测数据的输电系统,所述系统基于权利要求1-5任一项所述的方法并应用于分布式电网,其特征在于:
数据模块,用于获取分布式电网的历史监测数据,所述历史监测数据包括分布式电网中每一发电网的历史输出功率数据,并将所述历史输出功率数据组织成时间序列数据;
比较模块,用于计算第一发电网的输出功率时间序列与第一预设时间后的其它发电网的输出功率时间序列的相似度,如果相似度大于第一阈值,表明被计算的电网第一预设时间后的输出功率变化率与第一发电网输出功率相似,则有wn(t+t1)=ρw1(t);
其中w1(t)表示第一电网的输出功率函数,t为时间变量,ρ为缩放系数;wn(t+t1)表示第n个电网t1时间后的输出功率函数,t为时间变量,t1为第一预设时间;
重复模块,用于设置第一预设时间=第一预设时间+第二预设时间,并重复比较模块,对于同一电网,只保留相似度最大的关系式;
预测模块,用于当第一发电网的输出功率变化率大于第二阈值时,根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率;
平衡模块,用于根据预设时间功率确定电网的总功率变化量,根据总功率变化量进行输电平衡。
7.根据权利要求6所述的一种智慧监测数据的输电系统,其特征在于所述时间序列数据结构包括以下列:时间戳列:包含时间戳信息;功率值列:包含与每个时间戳对应的功率值;时间序列数据的频率:确定时间序列数据的采样频率。
8.根据权利要求6所述的一种智慧监测数据的输电系统,其特征在于:使用Pearson相关系数计算所述相似度。
9.根据权利要求6所述的一种智慧监测数据的输电系统,其特征在于根据wn(t+t1)=ρw1(t)预测相似发电网的第三预设时间后的输出功率具体为:通过下式进行计算:
wn(t+t3)=ρw1(t-t1+t3);
其中t3表示第三预设时间。
10.根据权利要求6所述的一种智慧监测数据的输电系统,其特征在于:对每一分布式发电网都重复运行上述比较模块、重复模块,为每一个分布式发电网都确定相应的相似发电网,当任意一个分布式发电网变化过量时,计算与之相似发电网的变化,并通过预测模块和平衡模块进行输电平衡。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483796.6A CN117277355B (zh) | 2023-11-09 | 2023-11-09 | 一种智慧监测数据的输电方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483796.6A CN117277355B (zh) | 2023-11-09 | 2023-11-09 | 一种智慧监测数据的输电方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117277355A true CN117277355A (zh) | 2023-12-22 |
CN117277355B CN117277355B (zh) | 2024-03-22 |
Family
ID=89221754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311483796.6A Active CN117277355B (zh) | 2023-11-09 | 2023-11-09 | 一种智慧监测数据的输电方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117277355B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198420A1 (en) * | 2009-02-03 | 2010-08-05 | Optisolar, Inc. | Dynamic management of power production in a power system subject to weather-related factors |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN113410875A (zh) * | 2021-08-19 | 2021-09-17 | 新风光电子科技股份有限公司 | 基于云计算与大数据的微电网分布式能源管理方法 |
CN116258355A (zh) * | 2023-05-15 | 2023-06-13 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
CN116739104A (zh) * | 2023-02-15 | 2023-09-12 | 中国电力科学研究院有限公司 | 一种新能源功率序列样本生成方法及系统 |
CN116865343A (zh) * | 2023-09-01 | 2023-10-10 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网的无模型自适应控制方法、装置及介质 |
-
2023
- 2023-11-09 CN CN202311483796.6A patent/CN117277355B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100198420A1 (en) * | 2009-02-03 | 2010-08-05 | Optisolar, Inc. | Dynamic management of power production in a power system subject to weather-related factors |
CN112734125A (zh) * | 2021-01-15 | 2021-04-30 | 国网山西省电力公司晋城供电公司 | 一种光伏出力预测方法、装置和电子设备 |
CN113410875A (zh) * | 2021-08-19 | 2021-09-17 | 新风光电子科技股份有限公司 | 基于云计算与大数据的微电网分布式能源管理方法 |
CN116739104A (zh) * | 2023-02-15 | 2023-09-12 | 中国电力科学研究院有限公司 | 一种新能源功率序列样本生成方法及系统 |
CN116258355A (zh) * | 2023-05-15 | 2023-06-13 | 国网浙江省电力有限公司永康市供电公司 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
CN116865343A (zh) * | 2023-09-01 | 2023-10-10 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网的无模型自适应控制方法、装置及介质 |
Non-Patent Citations (1)
Title |
---|
孙仲卿 等: "基于特征匹配的暂态稳定紧急控制策略快速生成", 《电力系统自动化》网络首发论文, 23 October 2023 (2023-10-23) * |
Also Published As
Publication number | Publication date |
---|---|
CN117277355B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Apostolopoulou et al. | Robust optimization for hydroelectric system operation under uncertainty | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN102102626A (zh) | 风电场短期功率预测方法 | |
CN103296701B (zh) | 一种风电场有功功率控制方法 | |
CN104392274A (zh) | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 | |
US20220376499A1 (en) | System and method for load and source forecasting for increasing electrical grid component longevity | |
CN103825272A (zh) | 一种基于解析法的含分散风电的配电网可靠性确定方法 | |
CN116128167B (zh) | 一种基于云计算实时监测的分布式光伏发电分析方法 | |
CN105279707A (zh) | 一种综合考虑负荷与风电时序特性的随机生产模拟方法 | |
CN107977898B (zh) | 一种光伏电站的发电量保险定价评估方法 | |
Yang et al. | Photovoltaic power forecasting with a rough set combination method | |
CN105140967A (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
CN111754029A (zh) | 一种社区负荷预测系统 | |
CN113131517B (zh) | 一种分布式储能的光伏并网监测方法及系统 | |
Buonanno et al. | Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids | |
CN108471137B (zh) | 一种风功率预测中风速功率概率性映射方法 | |
CN113988421A (zh) | 基于深度学习的风电机组功率智能预测方法 | |
CN117277355B (zh) | 一种智慧监测数据的输电方法及系统 | |
CN113505909A (zh) | 一种面向短期风电功率趋势预测的误差补偿方法 | |
Eltohamy et al. | Technical investigation for power system flexibility | |
CN112651560A (zh) | 一种超短期风功率预测方法、装置及设备 | |
CN104850914B (zh) | 一种基于特征建模的新能源发电量预测方法 | |
Lin et al. | Scenarios analysis method based on wind and photovoltaic power output correlation | |
Duan et al. | Study on performance evaluation and prediction of mixed-flow hydraulic turbine units under variable operating conditions | |
CN116845985B (zh) | 一种基于数据分析的源网荷储协同调度系统 |
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 |