CN117353305B - 一种台区电能质量预测方法、装置、介质及电子设备 - Google Patents
一种台区电能质量预测方法、装置、介质及电子设备 Download PDFInfo
- Publication number
- CN117353305B CN117353305B CN202311656929.5A CN202311656929A CN117353305B CN 117353305 B CN117353305 B CN 117353305B CN 202311656929 A CN202311656929 A CN 202311656929A CN 117353305 B CN117353305 B CN 117353305B
- Authority
- CN
- China
- Prior art keywords
- node
- nodes
- weighted
- key
- value corresponding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 abstract description 44
- 230000008569 process Effects 0.000 description 21
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力系统以及光伏发电技术领域,公开了一种台区电能质量预测方法、装置、介质及电子设备。其中方法包括:基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。本申请中的台区电能质量预测方法可以准确的预测出未来光伏发电系统对电能质量的影响,提高预测效率。
Description
技术领域
本发明涉及电力系统及光伏发电领域,特别涉及一种台区电能质量预测方法、装置、介质及电子设备。
背景技术
随着光伏发电技术的广泛应用和分布式光伏发电系统规模的扩大,光伏发电系统对台区电能质量的影响日益显著。光伏发电系统的输出波动会引起电压波动、谐波污染、功率因数变化等问题,进而影响整个台区的电能质量。因此,准确预测光伏发电系统对台区电能质量的影响对于电网调度、运行、维护以及光伏发电系统的规划、设计和优化具有重要意义。
现有的预测方法主要包括基于数学模型、仿真模型和实测数据的方法。这些方法在一定程度上可以预测光伏发电系统对台区电能质量的影响,但在实际应用中存在局限性。例如,基于数学模型的方法依赖于准确的电力系统参数和光伏发电系统输出波动特性,但这些参数和特性难以精确获得;基于仿真模型的方法需要大量的计算资源和时间,不适用于实时或近实时预测;基于实测数据的方法受限于数据质量和可用性,难以预测未来光伏发电系统对电能质量的影响。
因此,亟需一种准确预测光伏发电系统对台区电能质量的影响的预测方法,以克服现有方法局限性。
发明内容
有鉴于此,本发明提供了一种台区电能质量预测方法、装置、存储介质以及电子设备,主要目的在于解决目前存在的对台区电能质量预测方法局限性的问题。
为解决上述问题,本申请提供一种台区电能质量预测方法,包括:
基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:
基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;
基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。
可选的,所述各节点信息包括节点类型、功率以及电压中的一种或者几种;
所述路径信息包括:电气距离值、电阻值以及电导率中的一种或几种。
可选的,所述基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值,具体包括:
基于各所述节点的若干历史时刻的历史光伏输出功率值、各所述节点间的电气距离值,采用预设电能质量影响函数进行计算处理,获得各节点间的权重值。
可选的,所述基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径,具体包括:
基于各所述权重值、各所述节点信息以及各所述路径信息进行特征值计算处理,获得与各所述节点对应的若干特征参数值;
基于各所述特征参数值对各节点以及各路径进行筛选,得到若干关键节点以及若干关键路径。
可选的,所述基于各所述权重值、各所述节点信息以及各所述路径信息进行特征值计算处理,获得与各所述节点对应的若干特征参数值,具体包括:
针对目标节点,基于各非目标节点与所述目标节点间的各所述权重值进行计算处理,得到与目标节点对应的目标加权度中心性特征值,以得到各所述节点分别对应的加权度中心性特征值;
基于经过所述目标节点的除目标节点外的各任意两个节点间的最短路径数量、以及所述预设电网结构中的各节点数量进行计算处理,获得与目标节点对应的加权介数中心性特征值,以得到各所述节点分别对应的所述加权介数中心性特征值;
基于各所述路径信息进行计算处理,获得与各所述节点对应的加权紧密中心性特征值;
针对目标节点,遍历所述预设电网结构中各非目标节点中的任意两个第一节点,计算获得与所述目标节点对应的加权聚类系数,以得到与各所述节点分别对应的加权紧密中心性特征值。
可选的,所述基于各所述特征参数值对各节点以及各路径进行筛选,得到若干关键节点以及若干关键路径,具体包括:
基于各所述节点对应的各所述特征参数值,以及各所述特征参数对应的预定权重系数进行计算,获得与各所述节点对应的评分值;
对各所述评分值进行筛选,确定满足预设条件的各目标评分值对应的节点为关键节点;
基于各所述关键节点,确定连接各所述关键节点的各路径,以得到各所述关键路径。
可选的,所述基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量影响预测结果,具体包括:
基于各所述关键节点对应的各所述历史光伏输出功率值采用预设概率模型进行预测,获得与各所述历史光伏输出功率值对应的输出功率预测值;
分别针对各所述输出功率预测值采用各预设波动函数进行计算处理,获得与各所述输出功率预测值对应的各所述节点的若干电能质量指标值,所述电能质量指标值包括:电压波动值、谐波含量波动值以及功率因数波动值;
基于各所述电能质量指标值采用预设概率分布算法进行计算,得到与各所述输出功率预测值对应的各所述节点对台区电能质量影响的概率分布特征,以得到台区电能质量预测结果。
为解决上述问题本申请提供一种台区电能质量预测装置,包括:
确定模块:用于基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:
计算模块:用于基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
获得模块:用于基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;
预测模块:用于基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。
为解决上述问题本申请提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述所述台区电能质量预测方法的步骤。
为解决上述问题本申请提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述所述台区电能质量预测方法的步骤。
本申请提供了一种基于图论的台区电能质量预测方法。通过构建光伏分布式发电系统和台区电力网络模型,运用图论进行权重计算和特征分析,识别关键节点和路径,进而对电能质量进行预测。本发明具有的有益效果为:本申请具有实用价值,尤其适用于在大规模部署光伏发电系统的电网环境中,为电网运营决策提供科学依据,本申请中的台区电能质量预测方法可以准确的预测出未来光伏发电系统对电能质量的影响,提高预测效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请实施例提供的一种台区电能质量预测方法的流程示意图;
图2示出了本申请又一实施例提供的一种台区电能质量预测方法的流程示意图;
图3示出了本申请另一实施例提供的一种台区电能质量预测装置的结构框图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
本申请实施例提供一种台区电能质量预测方法,如图1所示,包括:
步骤S101:基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:
在具体实施过程中,基于预设电网结构,将预设电网结构中包含的各光伏分布式发电系统、台区负荷以及变压器等设备确定为节点,将连接各设备元件之间的连接关系抽象为网络中的路径。具体的,将光伏系统、负荷、变压器等设备元件视为节点,而电线看作是连接这些节点的路径。确定各所述节点以及路径的属性信息,所述节点信息包括节点类型、功率以及电压等信息;所述路径信息包括:电气距离值、电阻值以及电导率等信息。
步骤S102:基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
在具体实施过程中,获取各节点的历史输出信号数据;具体的,通过查询光伏发电系统的监控系统或者气象站获取得到各节点的历史输出信号数据;所述历史输出信号数据包括光伏发电系统的光伏发电量数据,天气条件等数据。基于各所述历史输出信号数据采用预设预测方法进行预测,得到各所述节点的若干光伏输出功率预测值;所述预设预测方法可以为机器学习预测方法。基于各所述光伏输出功率预测值以及各所述节点间的电气距离值采用预设电能质量影响函数进行计算处理,获得各节点间的权重值。
步骤S103:基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;
在具体实施过程中,基于各所述权重值、各所述节点信息以及各所述路径信息进行特征值计算处理,获得与各所述节点对应的若干特征参数值;各所述特征参数值包括:与各所述节点对应的加权度中心性参数值、与各所述节点对应的加权介数中心性参数值、与各所述节点对应的加权紧密中心性参数值以及与各所述节点对应的加权聚类系数参数值。基于各所述特征参数值对各节点以及各路径进行筛选,得到若干关键节点以及若干关键路径。
步骤S104:基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。
在具体实施过程中,可以采用蒙特卡洛方法进行随机模拟,对光伏发电系统的输出波动和电能质量的影响进行概率性预测。具体的,基于各所述关键节点对应的各所述历史光伏输出功率值采用预设概率模型进行预测,获得与各所述历史光伏输出功率值对应的输出功率预测值;分别针对各所述输出功率预测值采用各预设波动函数进行计算处理,获得与各所述输出功率预测值对应的各所述节点的若干电能质量指标值,所述电能质量指标值包括:电压波动值、谐波含量波动值以及功率因数波动值;基于各所述电能质量指标值采用预设概率分布算法进行计算,得到与各所述输出功率预测值对应的各所述节点对台区电能质量影响的概率分布特征,以得到台区电能质量预测结果。
本申请提供了一种基于图论的台区电能质量预测方法。通过构建光伏分布式发电系统和台区电力网络模型,运用图论进行权重计算和特征分析,识别关键节点和路径,进而对电能质量进行预测。本申请具有的有益效果为:本申请的方法具有实用价值,尤其适用于在大规模部署光伏发电系统的电网环境中,为电网运营决策提供科学依据,本申请中的台区电能质量预测方法可以准确的预测出未来光伏发电系统对电能质量的影响,提高预测效率。
本申请又一实施例提供另一种台区电能质量预测方法,如图2所示,包括:
步骤S201:基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息;
本步骤在具体实施过程中,基于预设电网结构,将预设电网结构中包含的各光伏分布式发电系统、台区负荷以及变压器等设备确定为节点,将连接各设备元件之间的连接关系抽象为网络中的路径。具体的,将光伏系统、负荷、变压器等设备元件视为节点,而电线看作是连接这些节点的路径。确定各所述节点以及路径的属性信息,所述节点信息包括节点类型、功率以及电压等信息;所述节点类型包括:光伏系统类型、负荷类型以及变压器等类型。所述路径信息包括:电气距离值、电阻值以及电导率等信息。
步骤S202:基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
本步骤在具体实施过程中,基于各所述节点的若干历史时刻的历史光伏输出功率值、各所述节点间的电气距离值,采用预设电能质量影响函数进行计算处理,获得各节点间的权重值。首先:获取各节点的历史输出信号数据;具体的,通过查询光伏发电系统的监控系统或者气象站获取得到各节点的历史输出信号数据;所述历史输出信号数据包括光伏发电系统的光伏发电量数据,天气条件等数据。基于各所述历史输出信号数据采用预设预测方法进行预测,得到各所述节点的若干光伏输出功率预测值;所述预设预测方法可以为机器学习预测方法。基于各所述光伏输出功率预测值以及各所述节点间的电气距离值采用预设电能质量影响函数进行计算处理,获得各节点间的权重值。各节点间的权重值的计算数学史可以为如下公式(1)所示:
(1)其中,/>表示节点i和j之间的权重,/>和分别代表节点i和j在时刻t的光伏输出功率,/>代表节点i和j之间的电气距离,f是一个衡量光伏输出波动对电能质量影响的预设电能质量影响函数。
步骤S203:针对目标节点,基于各非目标节点与所述目标节点间的各所述权重值进行计算处理,得到与目标节点对应的目标加权度中心性特征值,以得到各所述节点分别对应的加权度中心性特征值;
本步骤在具体实施过程中,各所述节点分别对应的加权度中心性特征值的计算公式为如下公式(2)所示:
(2)其中,/>表示节点/>的加权度中心性,/>是节点i和节点j之间的权重。
步骤S204:基于经过所述目标节点的除目标节点外的各任意两个节点间的最短路径数量、以及所述预设电网结构中的各节点数量进行计算处理,获得与目标节点对应的加权介数中心性特征值,以得到各所述节点分别对应的所述加权介数中心性特征值;
本步骤在具体实施过程中,各所述节点分别对应的所述加权介数中心性特征值的计算公式为如下公式(3)所示:
(3)其中,/>是从节点j到节点k的最短路径中经过节点的路径数。如果路径经过节点i,/>为1,否则为0,N是网络中的节点总数,j和k遍历网络中所有的节点,并确保j≠k≠i。
步骤S205:基于各所述路径信息进行计算处理,获得与各所述节点对应的加权紧密中心性特征值;
本步骤在具体实施过程中,各所述节点对应的加权紧密中心性特征值D的数学表达式为如下公式(4)所示:
(4)其中,/>表示节点i的加权紧密中心性,/>是节点i和节点j之间的电器距离。
步骤S206:针对目标节点,遍历所述预设电网结构中各非目标节点中的任意两个第一节点,计算获得与所述目标节点对应的加权聚类系数,以得到与各所述节点分别对应的加权紧密中心性特征值;
本步骤在具体实施过程中,各所述节点分别对应的加权聚类系数的计算公式为如下公式(5) 所示:
(5) 其中,/>表示节点i的加权聚类系数,/>、和/>分别表示节点i和节点j、节点j和节点k、节点k和节点i之间的权重,j和k遍历网络中所有的节点,并确保j≠k≠i。
步骤S207:基于各所述节点对应的各所述特征参数值,以及各所述特征参数对应的预定权重系数进行计算,获得与各所述节点对应的评分值;
本步骤在具体实施过程中,各所述节点对应的评分值可以用如下公式(6)所示:
(6)其中,/>表示i节点对应的评分值,a为特征参数加权度中心性对应的权重系数值、b为特征参数加权介数中心性对应的权重系数值、c为特征参数加权紧密中心性对应的权重系数值、d分别代表特征参数加权聚类系数对应的权重系数值,其中a、b、 c、d的数值可以根据实际需要而设定。
步骤S208:对各所述评分值进行筛选,确定满足预设条件的各目标评分值对应的节点为关键节点;
本步骤在具体实施过程中,采用预设条件对各所述述评分值进行筛选,获得满足预设条件的各目标评分值;将各所述目标评分值对应的节点确定为关键节点。具体的,可以将评分值中大于预设阈值的各评分值确定为目标分数值,所述预设阈值可以根据实际需要而设定。然后将各所述目标分数值对应的节点确定为关键节点。
步骤S209:基于各所述关键节点,确定连接各所述关键节点的各路径,以得到各所述关键路径;
本步骤在具体实施过程中,基于各所述关键节点,确定连接各所述关键节点的各路径,以得到各所述关键路径。找出连接这些关键节点的所有可能的路径,并基于光伏发电系统的输出波动和节点间的电气距离计算每个路径的权重。可以使用图论可视化工具,如Gephi、NetworkX等,将网络模型、节点、路径以及对应的权重和特征可视化。
步骤S210:基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量影响预测结果。
本步骤在具体实施过程中,基于各所述关键节点对应的各所述历史光伏输出功率值采用预设概率模型进行预测,获得与各所述历史光伏输出功率值对应的输出功率预测值;具体的,所述预设概率模型可以为正态分布概率模型或者伽马分布概率模型等,本申请对预设概率模型不做限制,依据概率模型生成大量光伏发电系统的输出功率样本。假设光伏发电系统的输出功率符合正态分布,其均值为μ,标准差为σ,可为如下公式(7)所为:PV_output ~ N(μ, σ^2)(7)生成光伏发电系统的输出波动样本,从上述概率分布中随机抽取N个样本值,得到各所述输出功率预测值。分别针对各所述输出功率预测值采用各预设波动函数进行计算处理,获得与各所述输出功率预测值对应的各所述节点的若干电能质量指标值,所述电能质量指标值包括:电压波动值、谐波含量波动值以及功率因数波动值;例如:计算关键节点i在光伏输出波动下的电压波动可采用以下公式(8)所示:
(8)其中,/>表示节点i的电压波动,k为节点电压与功率之间的关系系数,/>为光伏发电系统输出功率变化。基于各所述电能质量指标值采用预设概率分布算法进行计算,得到与各所述输出功率预测值对应的各所述节点对台区电能质量影响的概率分布特征,以得到台区电能质量预测结果。具体的,基于各所述节点对应的各电压波动值采用预定电压概率分布函数进行计算处理,得到各所述节点对台区电能质量影响的电压概率分布特征;基于各所述节点对应的各谐波含量波动值采用预定谐波含量概率分布函数进行计算处理,得到各所述节点对台区电能质量影响的谐波含量概率分布特征;基于各所述节点对应的各功率因数波动值采用预定功率因数概率分布函数进行计算处理,得到各所述节点对台区电能质量影响的功率因数概率分布特征。可将预测结果作为电网调度、运行和维护的决策依据。可将预测结果用于制定光伏发电系统的优化控制策略,具体包括,功率控制策略、无功补偿策略、谐波滤波策略。可将预测结果用于指导光伏发电系统的规划设计,具体包括,对分布光伏发电系统的容量、选址和接入点进行规划设计。可将预测结果用于电能质量监测设备的布置和优化。
本申请通过基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息;基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;针对目标节点,基于各非目标节点与所述目标节点间的各所述权重值进行计算处理,得到与目标节点对应的目标加权度中心性特征值,以得到各所述节点分别对应的加权度中心性特征值;基于经过所述目标节点的除目标节点外的各任意两个节点间的最短路径数量、以及所述预设电网结构中的各节点数量进行计算处理,获得与目标节点对应的加权介数中心性特征值,以得到各所述节点分别对应的所述加权介数中心性特征值;基于各所述路径信息进行计算处理,获得与各所述节点对应的加权紧密中心性特征值;针对目标节点,遍历所述预设电网结构中各非目标节点中的任意两个第一节点,计算获得与所述目标节点对应的加权聚类系数,以得到与各所述节点分别对应的加权紧密中心性特征值;基于各所述节点对应的各所述特征参数值,以及各所述特征参数对应的预定权重系数进行计算,获得与各所述节点对应的评分值;对各所述评分值进行筛选,确定满足预设条件的各目标评分值对应的节点为关键节点;基于各所述关键节点,确定连接各所述关键节点的各路径,以得到各所述关键路径;基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量影响预测结果。本申请中的台区电能质量预测方法可以准确的预测出未来光伏发电系统对电能质量的影响,提高预测效率。
本申请又一实施例提供一种台区电能质量预测装置,如图3所示,包括:
确定模块1:用于基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:
计算模块2:用于基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
获得模块3:用于基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;
预测模块4:用于基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。
在具体实施过程中,所述确定模块1具体用于:所述各节点信息包括节点类型、功率以及电压中的一种或者几种;所述路径信息包括:电气距离值、电阻值以及电导率中的一种或几种。
在具体实施过程中,所述计算模块2具体用于:基于各所述节点的若干历史时刻的历史光伏输出功率值、各所述节点间的电气距离值,采用预设电能质量影响函数进行计算处理,获得各节点间的权重值。
在具体实施过程中,所述获得模块3具体用于:基于各所述权重值、各所述节点信息以及各所述路径信息进行特征值计算处理,获得与各所述节点对应的若干特征参数值;基于各所述特征参数值对各节点以及各路径进行筛选,得到若干关键节点以及若干关键路径。
在具体实施过程中,所述获得模块3还用于:针对目标节点,基于各非目标节点与所述目标节点间的各所述权重值进行计算处理,得到与目标节点对应的目标加权度中心性特征值,以得到各所述节点分别对应的加权度中心性特征值;基于经过所述目标节点的除目标节点外的各任意两个节点间的最短路径数量、以及所述预设电网结构中的各节点数量进行计算处理,获得与目标节点对应的加权介数中心性特征值,以得到各所述节点分别对应的所述加权介数中心性特征值;基于各所述路径信息进行计算处理,获得与各所述节点对应的加权紧密中心性特征值;针对目标节点,遍历所述预设电网结构中各非目标节点中的任意两个第一节点,计算获得与所述目标节点对应的加权聚类系数,以得到与各所述节点分别对应的加权紧密中心性特征值。
在具体实施过程中,所述获得模块3还用于:基于各所述节点对应的各所述特征参数值,以及各所述特征参数对应的预定权重系数进行计算,获得与各所述节点对应的评分值;对各所述评分值进行筛选,确定满足预设条件的各目标评分值对应的节点为关键节点;基于各所述关键节点,确定连接各所述关键节点的各路径,以得到各所述关键路径。
在具体实施过程中,所述预测模块4具体用于:基于各所述关键节点对应的各所述历史光伏输出功率值采用预设概率模型进行预测,获得与各所述历史光伏输出功率值对应的输出功率预测值;分别针对各所述输出功率预测值采用各预设波动函数进行计算处理,获得与各所述输出功率预测值对应的各所述节点的若干电能质量指标值,所述电能质量指标值包括:电压波动值、谐波含量波动值以及功率因数波动值;基于各所述电能质量指标值采用预设概率分布算法进行计算,得到与各所述输出功率预测值对应的各所述节点对台区电能质量影响的概率分布特征,以得到台区电能质量预测结果。
本申请提供了一种基于图论的台区电能质量预测方法。通过构建光伏分布式发电系统和台区电力网络模型,运用图论进行权重计算和特征分析,识别关键节点和路径,进而对电能质量进行预测。本发明具有实用价值,尤其适用于在大规模部署光伏发电系统的电网环境中,为电网运营决策提供科学依据。本申请中的台区电能质量预测方法可以准确的预测出未来光伏发电系统对电能质量的影响,提高预测效率。
本申请另一实施例提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如下方法步骤:
步骤一、基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:
步骤二、基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
步骤三、基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;
步骤四、基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
上述方法步骤的具体实施过程可参见上述任意台区电能质量预测方法的实施例,本实施例在此不再重复赘述。
本申请提供了一种基于图论的台区电能质量预测方法。通过构建光伏分布式发电系统和台区电力网络模型,运用图论进行权重计算和特征分析,识别关键节点和路径,进而对电能质量进行预测。本发明具有实用价值,尤其适用于在大规模部署光伏发电系统的电网环境中,为电网运营决策提供科学依据。本申请中的台区电能质量预测方法可以准确的预测出未来光伏发电系统对电能质量的影响,提高预测效率。
本申请另一实施例提供一种电子设备,该电子设备可以是服务端,该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部的客户端通过网络连接通信。该电子设备程序被处理器执行时以实现一种台区电能质量预测方法服务端侧的功能或步骤。
在一个实施例中,提供了一种电子设备,该电子设备可以是客户端。该电子设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的网络接口用于与外部服务器通过网络连接通信。该电子设备程序被处理器执行时以实现一种台区电能质量预测方法客户端侧的功能或步骤。
本申请另一实施例提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现如下方法步骤:
步骤一、基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:
步骤二、基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
步骤三、基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;
步骤四、基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。
上述方法步骤的具体实施过程可参见上述任意台区电能质量预测方法的实施例,本实施例在此不再重复赘述。
本申请提供了一种基于图论的台区电能质量预测方法。通过构建光伏分布式发电系统和台区电力网络模型,运用图论进行权重计算和特征分析,识别关键节点和路径,进而对电能质量进行预测。本发明具有实用价值,尤其适用于在大规模部署光伏发电系统的电网环境中,为电网运营决策提供科学依据。本申请中的台区电能质量预测方法可以准确的预测出未来光伏发电系统对电能质量的影响,提高预测效率。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (7)
1.一种台区电能质量预测方法,其特征在于,包括:
基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:
基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;
所述基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径,具体包括:
基于各所述权重值、各所述节点信息以及各所述路径信息进行特征值计算处理,获得与各所述节点对应的若干特征参数值;
所述基于各所述权重值、各所述节点信息以及各所述路径信息进行特征值计算处理,获得与各所述节点对应的若干特征参数值,具体包括:
针对目标节点,基于各非目标节点与所述目标节点间的各所述权重值进行计算处理,得到与目标节点对应的目标加权度中心性特征值,以得到各所述节点分别对应的加权度中心性特征值;
各所述节点分别对应的加权度中心性特征值的计算公式为:
其中,表示节点/>的加权度中心性,/> 是节点i和节点j之间的权重;
基于经过所述目标节点的除目标节点外的各任意两个节点间的最短路径数量、以及所述预设电网结构中的各节点数量进行计算处理,获得与目标节点对应的加权介数中心性特征值,以得到各所述节点分别对应的所述加权介数中心性特征值;
各所述节点分别对应的所述加权介数中心性特征值的计算公式为:
其中,为加权介数中心性,/>是从节点j到节点k的最短路径中经过节点的路径数,如果路径经过节点i,/>为1,否则为0,N是网络中的节点总数,j和k遍历网络中所有的节点,并确保j≠k≠i;
基于各所述路径信息进行计算处理,获得与各所述节点对应的加权紧密中心性特征值;
各所述节点对应的加权紧密中心性特征值的数学表达式为:
其中,表示节点i的加权紧密中心性,/>是节点i和节点j之间的电器距离;
针对目标节点,遍历所述预设电网结构中各非目标节点中的任意两个第一节点,计算获得与所述目标节点对应的加权聚类系数,以得到与各所述节点分别对应的加权聚类系数特征值;
各所述节点分别对应的加权紧密中心性特征值的计算公式为:
(5)
其中,表示节点i的加权聚类系数,/>、/>和 />分别表示节点i和节点j、节点j和节点k、节点k和节点i之间的权重,j和k遍历网络中所有的节点,并确保j≠k≠i;
基于各所述特征参数值对各节点以及各路径进行筛选,得到若干关键节点以及若干关键路径;
所述基于各所述特征参数值对各节点以及各路径进行筛选,得到若干关键节点以及若干关键路径,具体包括:
基于加权度中心性对应的权重系数值、加权介数中心性对应的权重系数值、加权紧密中心性对应的权重系数值、加权聚类系数对应的权重系数值以及各所述特征参数值进行计算处理,获得与各所述节点对应的评分值;
各所述节点对应的评分值的计算公式为:
其中,表示i节点对应的评分值,a为特征参数加权度中心性对应的权重系数值、b为特征参数加权介数中心性对应的权重系数值、c为特征参数加权紧密中心性对应的权重系数值、d分别代表特征参数加权聚类系数对应的权重系数值,其中a、b、 c、d的数值可以根据实际需要而设定;
对各所述评分值进行筛选,确定满足预设条件的各目标评分值对应的节点为关键节点;
基于各所述关键节点,确定连接各所述关键节点的各路径,以得到各所述关键路径;
基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。
2.如权利要求1所述的方法,其特征在于,所述各节点信息包括节点类型、功率以及电压中的一种或者几种;
所述路径信息包括:电气距离值、电阻值以及电导率中的一种或几种。
3.如权利要求1所述的方法,其特征在于,所述基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值,具体包括:
基于各所述节点的若干历史时刻的历史光伏输出功率值、各所述节点间的电气距离值,采用预设电能质量影响函数进行计算处理,获得各节点间的权重值。
4.如权利要求1所述的方法,其特征在于,所述基于各所述关键节点以及各所述关键路径对台区电能质量进行评估,得到台区电能质量影响预测结果,具体包括:
基于各所述关键节点对应的各所述历史光伏输出功率值采用预设概率模型进行预测,获得与各所述历史光伏输出功率值对应的输出功率预测值;
分别针对各所述输出功率预测值采用各预设波动函数进行计算处理,获得与各所述输出功率预测值对应的各所述节点的若干电能质量指标值,所述电能质量指标值包括:电压波动值、谐波含量波动值以及功率因数波动值;
基于各所述电能质量指标值采用预设概率分布算法进行计算,得到与各所述输出功率预测值对应的各所述节点对台区电能质量影响的概率分布特征,以得到台区电能质量预测结果。
5.一种台区电能质量预测装置,其特征在于,包括:
确定模块:用于基于预设电网结构,确定所述预设电网结构中的各节点信息以及各路径信息:
计算模块:用于基于预先获取的各节点的历史输出信号数据进行计算处理,获得各所述节点之间的权重值;
获得模块:用于基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径;所述基于各所述权重值对各节点以及各路径进行筛选,获得若干关键节点以及若干关键路径,具体包括:基于各所述权重值、各所述节点信息以及各所述路径信息进行特征值计算处理,获得与各所述节点对应的若干特征参数值;所述基于各所述权重值、各所述节点信息以及各所述路径信息进行特征值计算处理,获得与各所述节点对应的若干特征参数值,具体包括:
针对目标节点,基于各非目标节点与所述目标节点间的各所述权重值进行计算处理,得到与目标节点对应的目标加权度中心性特征值,以得到各所述节点分别对应的加权度中心性特征值;
各所述节点分别对应的加权度中心性特征值的计算公式为:
其中,表示节点/>的加权度中心性,/> 是节点i和节点j之间的权重;基于经过所述目标节点的除目标节点外的各任意两个节点间的最短路径数量、以及所述预设电网结构中的各节点数量进行计算处理,获得与目标节点对应的加权介数中心性特征值,以得到各所述节点分别对应的所述加权介数中心性特征值;各所述节点分别对应的所述加权介数中心性特征值的计算公式为:
其中,为加权介数中心性,/>是从节点j到节点k的最短路径中经过节点的路径数,如果路径经过节点i,/>为1,否则为0,N是网络中的节点总数,j和k遍历网络中所有的节点,并确保j≠k≠i;基于各所述路径信息进行计算处理,获得与各所述节点对应的加权紧密中心性特征值;各所述节点对应的加权紧密中心性特征值的数学表达式为:
其中,/>表示节点i的加权紧密中心性,/>是节点i和节点j之间的电器距离;针对目标节点,遍历所述预设电网结构中各非目标节点中的任意两个第一节点,计算获得与所述目标节点对应的加权聚类系数,以得到与各所述节点分别对应的加权聚类系数特征值;各所述节点分别对应的加权紧密中心性特征值的计算公式为:
其中,/>表示节点i的加权聚类系数,/>、/>和 />分别表示节点i和节点j、节点j和节点k、节点k和节点i之间的权重,j和k遍历网络中所有的节点,并确保j≠k≠i;
基于各所述特征参数值对各节点以及各路径进行筛选,得到若干关键节点以及若干关键路径;所述基于各所述特征参数值对各节点以及各路径进行筛选,得到若干关键节点以及若干关键路径,具体包括:基于加权度中心性对应的权重系数值、加权介数中心性对应的权重系数值、加权紧密中心性对应的权重系数值、加权聚类系数对应的权重系数值以及各所述特征参数值进行计算处理,获得与各所述节点对应的评分值;各所述节点对应的评分值的计算公式为:
其中,表示i节点对应的评分值,a为特征参数加权度中心性对应的权重系数值、b为特征参数加权介数中心性对应的权重系数值、c为特征参数加权紧密中心性对应的权重系数值、d分别代表特征参数加权聚类系数对应的权重系数值,其中a、b、 c、d的数值可以根据实际需要而设定;
对各所述评分值进行筛选,确定满足预设条件的各目标评分值对应的节点为关键节点;基于各所述关键节点,确定连接各所述关键节点的各路径,以得到各所述关键路径;
预测模块:用于基于各所述关键节点以及各所述关键路径对台区电能质量进行预测,得到台区电能质量预测结果。
6.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-4任一项所述台区电能质量预测方法的步骤。
7.一种电子设备,其特征在于,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述权利要求1-4任一项所述台区电能质量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311656929.5A CN117353305B (zh) | 2023-12-06 | 2023-12-06 | 一种台区电能质量预测方法、装置、介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311656929.5A CN117353305B (zh) | 2023-12-06 | 2023-12-06 | 一种台区电能质量预测方法、装置、介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117353305A CN117353305A (zh) | 2024-01-05 |
CN117353305B true CN117353305B (zh) | 2024-03-01 |
Family
ID=89358012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311656929.5A Active CN117353305B (zh) | 2023-12-06 | 2023-12-06 | 一种台区电能质量预测方法、装置、介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117353305B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114143204A (zh) * | 2021-11-19 | 2022-03-04 | 南方电网科学研究院有限责任公司 | 电网继电保护整定关键节点筛选方法、装置、终端及介质 |
CN116029197A (zh) * | 2022-12-15 | 2023-04-28 | 苏州电力设计研究院有限公司 | 以变电站为落点的综合能源搭载及容量优化配置方法 |
CN116667336A (zh) * | 2023-06-12 | 2023-08-29 | 国网福建省电力有限公司经济技术研究院 | 台区光伏配电网信息网络节点评估方法、系统与电子设备 |
CN116780768A (zh) * | 2023-06-07 | 2023-09-19 | 武汉大学 | 台区光伏配电网设备关键节点识别方法、系统与电子设备 |
CN116937562A (zh) * | 2023-07-24 | 2023-10-24 | 北京智芯微电子科技有限公司 | 分布式光伏接入的电能质量预测方法、装置以及电力系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1567869B (zh) * | 2003-06-30 | 2010-05-05 | 叶启祥 | 可避免干扰损坏并增加空间再用率的干扰控制方法 |
-
2023
- 2023-12-06 CN CN202311656929.5A patent/CN117353305B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114143204A (zh) * | 2021-11-19 | 2022-03-04 | 南方电网科学研究院有限责任公司 | 电网继电保护整定关键节点筛选方法、装置、终端及介质 |
CN116029197A (zh) * | 2022-12-15 | 2023-04-28 | 苏州电力设计研究院有限公司 | 以变电站为落点的综合能源搭载及容量优化配置方法 |
CN116780768A (zh) * | 2023-06-07 | 2023-09-19 | 武汉大学 | 台区光伏配电网设备关键节点识别方法、系统与电子设备 |
CN116667336A (zh) * | 2023-06-12 | 2023-08-29 | 国网福建省电力有限公司经济技术研究院 | 台区光伏配电网信息网络节点评估方法、系统与电子设备 |
CN116937562A (zh) * | 2023-07-24 | 2023-10-24 | 北京智芯微电子科技有限公司 | 分布式光伏接入的电能质量预测方法、装置以及电力系统 |
Non-Patent Citations (1)
Title |
---|
Critical Nodes Identification for Power Communication Network under Electrical Interdependent Effects of Smart Grid;Quanming Zhang等;2022 IEEE 22nd International Conference on Communication Technology;第1230-1234页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117353305A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Adinolfi et al. | Multiobjective optimal design of photovoltaic synchronous boost converters assessing efficiency, reliability, and cost savings | |
Illias et al. | Estimation of transformer parameters from nameplate data by imperialist competitive and gravitational search algorithms | |
CN104573906B (zh) | 用于分析电力传输系统中的振荡稳定性的系统和方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN113300373B (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
Jaramillo et al. | A novel methodology for optimal location of reactive compensation through deep neural networks | |
CN113326343B (zh) | 基于多级网格和文件索引的路网数据存储方法及系统 | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
CN112949201B (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
CN111585277B (zh) | 一种基于混合集成模型的电力系统动态安全评估方法 | |
CN117353305B (zh) | 一种台区电能质量预测方法、装置、介质及电子设备 | |
CN116896093A (zh) | 一种风电场并网振荡稳定性在线分析与优化方法 | |
CN117114161A (zh) | 一种基于元学习的输电线路风偏闪络风险的预测方法 | |
CN115905360A (zh) | 一种基于随机构建矩阵的异常数据量测辨识方法和装置 | |
CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
Madadi et al. | Application of big data analysis to operation of smart power systems | |
CN114548828A (zh) | 一种分布式光伏电源的选址和定容方法、装置及设备 | |
Candelo-Becerra et al. | Voltage stability assessment using fast non-dominated sorting algorithm | |
CN113361769B (zh) | 基于prmse和crmse评价指标的稳定裕度值预测方法及装置 | |
CN117217502B (zh) | 一种电网调度影响因素评估方法、装置、介质以及设备 | |
CN116505522B (zh) | 一种电力系统运行仿真模拟方法、仿真平台及设备 | |
CN117767250B (zh) | 基于故障监测的直流微电网协调控制方法及系统 |
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 |