CN117495426B - 一种新能源电力系统运行成本快速计算方法及系统 - Google Patents

一种新能源电力系统运行成本快速计算方法及系统 Download PDF

Info

Publication number
CN117495426B
CN117495426B CN202311851219.8A CN202311851219A CN117495426B CN 117495426 B CN117495426 B CN 117495426B CN 202311851219 A CN202311851219 A CN 202311851219A CN 117495426 B CN117495426 B CN 117495426B
Authority
CN
China
Prior art keywords
new energy
load
power system
cost
energy power
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
Application number
CN202311851219.8A
Other languages
English (en)
Other versions
CN117495426A (zh
Inventor
张知
赵海波
王尧
段惠
宋晓俊
刘红丽
余娟
冉晴月
李琦
胡恩德
申泽渊
杨知方
向明旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Economic and Technological Research Institute of State Grid Shanxi Electric Power Co Ltd
Original Assignee
Chongqing University
Economic and Technological Research Institute of State Grid Shanxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University, Economic and Technological Research Institute of State Grid Shanxi Electric Power Co Ltd filed Critical Chongqing University
Priority to CN202311851219.8A priority Critical patent/CN117495426B/zh
Publication of CN117495426A publication Critical patent/CN117495426A/zh
Application granted granted Critical
Publication of CN117495426B publication Critical patent/CN117495426B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—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
    • H02J3/48—Controlling the sharing of the in-phase component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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
    • H02J3/12—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
    • 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
    • H02J3/50—Controlling the sharing of the out-of-phase component
    • 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]
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Finance (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种新能源电力系统运行成本快速计算方法及系统，属于新能源电力系统运行成本计算技术领域；为了解决目前新能源电力系统运行成本计算方法处理数据量大、采用迭代型算法计算耗时长的技术问题，提供一种新能源电力系统运行成本快速计算方法及计算系统结构的改进；解决该技术问题采用的技术方案为：获取新能源电力系统相关技术数据，以切负荷量最小为目标函数，构建最小切负荷模型；将新能源接入功率以及负荷功率作为输入特征向量，经由深度神经网络计算，输出得到新能源电力系统各运行成本以及切负荷判断值；本发明用于计算新能源电力系统运行成本。

Description

一种新能源电力系统运行成本快速计算方法及系统
技术领域
本发明提供一种新能源电力系统运行成本快速计算方法及系统，属于新能源电力系统运行成本计算技术领域。
背景技术
电力系统运行成本的计算对于电力系统的经济运行分析具有重要的意义，随着电力系统新能源接入比例的增加，新能源电力系统的不确定性大大增加，导致在分析新能源接入对新能源电力系统运行成本的影响时，往往需要在海量新能源场景下执行运行成本计算，耗时极长，已经难以满足在新能源电力系统运行过程中快速计算运行成本的需求；此外，传统的电力系统运行成本计算方法通常建立在求解方程组或优化问题上，求解方法多采用迭代型算法，导致计算时间长，难以满足实际计算需求。
发明内容
本发明为了解决目前新能源电力系统运行成本计算方法处理数据量大、采用迭代型算法计算耗时长的技术问题，提供一种新能源电力系统运行成本快速计算方法及计算系统结构的改进。
为了解决上述技术问题，本发明采用的技术方案为：一种新能源电力系统运行成本快速计算方法，包括如下的计算步骤：
步骤S1：获取新能源电力系统相关技术数据，包括新能源电力系统输电网络结构、参数，新能源接入功率以及负荷功率，然后以切负荷量最小为目标函数，构建最小切负荷模型；
步骤S2：将新能源电力系统当前新能源接入功率以及负荷功率作为输入特征向量，经由离线训练好的深度神经网络计算，输出得到新能源电力系统当前各运行成本以及切负荷判断值；
步骤S3：根据输出的切负荷判断值，决定是否执行最小切负荷计算：
若否，则直接输出新能源电力系统所有的运行成本；
若是，则基于最小切负荷模型计算最小切负荷量，并计算切负荷成本，再输出新能源电力系统所有的运行成本。
所述步骤S1中构建的最小切负荷模型包括如下的函数模型：
1）目标函数，表达式为：
；
式中，C i 是各交流节点的切负荷量；S B 是新能源电力系统的交流节点数；
2）交流线路潮流约束，表达式为：
；
；
式中，PF k 是交流线路的传输有功；V i 、V j 分别是交流节点i、j的电压幅值；G ij 、B ij 分别是交流节点i、j间线路的电导和电纳；θ ij 是交流节点i、j间的电压相角差；PF k lo 、PF k up 分别对应于交流线路的传输有功下限、上限；S K 是新能源电力系统的交流线路数；
3）交流节点功率平衡约束，表达式为：
；
式中，P G i 和Q G i 分别是交流节点i处常规发电机输出的有功功率和无功功率；P R i 和Q R i 分别是交流节点i处新能源机组接入系统的有功功率和无功功率；P D i 和Q D i 分别是交流节点i处负荷的有功功率和无功功率；
4）节点电压上下限约束，表达式为：
；
式中，V i lo 、V i up 分别是交流节点电压的上下限；
5）常规发电机容量约束，表达式为：
；
式中，PG i lo 、PG i up 分别是发电机有功出力的上限、下限；QG i lo 、QG i up 分别是发电机无功出力的上限、下限；S G 是新能源电力系统中的发电机数量；
6）新能源机组容量约束，表达式为：
；
式中，PR i up 是新能源机组有功出力的上限；QR i up 是新能源机组无功出力的上限；S R 是新能源电力系统中的新能源机组的数量；
7）新能源渗透率要求，表达式为：
；
式中，α R 是新能源电力系统新能源渗透率比例要求；
8）新能源弃风、弃光率要求，表达式为：
；
式中，β R 是新能源电力系统弃风、弃光率要求；
9）切负荷量物理要求，表达式为：
；
要求各交流节点的切负荷量大于等于0。
所述步骤S2中计算新能源电力系统当前各运行成本包括购电成本、网损费用、切负荷成本，各运行成本的计算方法为：
1）购电成本的计算公式为：
；
；
式中，C G 是常规能源购电成本，C R 是新能源购电成本；a G i 、b G i 、c G i 分别对应于交流节点i处于常规发电机购电成本函数fi的2次、1次以及常数系数，P G i 对应于交流节点i处常规发电机输出的有功功率；a R i 、b R i 、c R i 分别对应于交流节点i处于新能源购电成本函数hi的2次、1次以及常数系数，P R i 对应于交流节点i处新能源机组接入系统的有功功率；
2）网损费用的计算公式为：
；
式中，C LOSS 是全系统网损费用；η ij 是有功网损P ij loss 对应的费用系数；S K 是新能源电力系统的交流线路数；
3）切负荷成本的计算公式为：
；
式中，C CUT 是系统切负荷成本；ρ i 是各交流节点的最小切负荷量C i 对应的成本系数。
所述步骤S2中采用的深度神经网络具体为全连接深度神经网络，表达式为：
；
；
；
；
式中，Z 0是全连接深度神经网络的输入特征向量，对应于新能源接入功率以及负荷功率P IN ；y OUT 是全连接深度神经网络的输出特征向量，对应于新能源电力系统各运行成本以及切负荷判断；是第k层神经元的输入向量，Z k 是第k层神经元的输出向量；W k 为全连接深度神经网络第k层权重矩阵，b k 为深度神经网络第k层偏置向量；δ(·)为激活函数。
所述步骤S2中采用的深度神经网络的样本具体由模拟法生成，生成方法为：
对新能源、负荷可能的功率进行抽样，并基于潮流计算获得在当前新能源功率、负荷功率注入下的常规发电机组出力功率、线路功率、线路网损、节点电压幅值，计算新能源电力系统的各运行成本；
当潮流计算结果中出现节点电压越线或线路过载时，切负荷判断值为1，并基于步骤S1中构建的最小切负荷模型计算切负荷量，进而计算切负荷成本，否则切负荷判断值为0，切负荷成本为0；
整理所有计算结果得到深度神经网络的样本。
所述步骤S2中采用的深度神经网络在进行离线训练时，使用均方误差函数为损失函数，表达式为：
；
式中，是样本中第i个输入数据的标签值；/>是全连接深度神经网络计算的第i个输出数据；N y 对应于深度神经网络输出特征向量的维度。
所述步骤S3中根据输出的切负荷判断值决定是否执行最小切负荷计算的具体方法为：
若深度神经网络输出的切负荷判断值大于等于0.5，则执行最小切负荷计算，此时由最小切负荷模型计算最小切负荷量并计算切负荷成本；
若深度神经网络输出的切负荷判断值小于0.5，则不执行最小切负荷计算，此时切负荷成本为0。
一种新能源电力系统运行成本快速计算系统，包括如下的计算模块：
准备模块，用于获取新能源电力系统相关技术数据，包括新能源电力系统输电网络结构、参数，新能源接入功率以及负荷功率；
计算模块，以新能源电力系统当前新能源接入功率以及负荷功率为输入特征向量，经由离线训练好的深度神经网络计算输出得到新能源电力系统当前各运行成本以及切负荷判断值；
判断模块，由输出的切负荷判断值决定是否执行最小切负荷计算。
本发明相对于现有技术具备的有益效果为：本发明提供一种经过改进的新能源电力系统运行成本快速计算方法，构建基于深度神经网络模块实现由新能源接入功率、负荷功率至系统运行成本的直接快速映射，提高了计算速度，大幅缩减计算时间；本发明基于全连接深度神经网络计算获得新能源电力系统运行成本，以新能源电力系统的新能源、负荷功率为输入数据，输出新能源电力系统运行成本以及切负荷判断值，同时根据深度神经网络的切负荷判断值进一步计算切负荷成本，保证了切负荷成本的计算精度。
附图说明
下面结合附图对本发明做进一步说明：
图1为本发明计算方法的步骤流程示意图；
图2为本发明采用全连接深度神经网络模型的结构示意图；
图3为本发明实施例提供算例参数设置的示意图；
图4为本发明实施例在104个新能源场景下，基于深度神经网络直接映射的运行成本计算时间与基于牛顿-拉夫逊法求解潮流方程再根据潮流和切负荷数据计算运行成本的时间对比图；
图5为本发明实施例所训练的深度神经网络计算系统运行成本的平均绝对百分比误差图；
图6为本发明实施例所训练的深度神经网络计算系统切负荷判断精准度图；
图7为本发明实施例中节点4风机的有功功率与新能源电力系统总运行成本之间的关联关系图。
具体实施方式
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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测（陈述的条件或事件）”可以被解释成为“当确定时”或“响应于确定”或“当检测（陈述的条件或事件）时”或“响应于检测（陈述的条件或事件）”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明主要提供一种新能源电力系统运行成本快速计算方法，利用离线训练的深度神经网络构建新能源、负荷功率与新能源电力系统运行成本之间的关联关系；在线计算中，根据新能源接入功率和负荷功率由深度神经网络直接映射得到系统运行成本，提高了计算速度。同时针对新能源电力系统切负荷数据存在样本不均衡导致的深度神经网络计算精度低问题，通过切负荷判断值来决定计算系统切负荷成本。
实施例1：
参见图1，本发明提供的针对新能源电力系统运行成本进行快速计算的方法，具体包括以下步骤：
步骤S1、获取新能源电力系统相关技术数据，包括新能源电力系统输电网络结构、参数，新能源接入功率以及负荷功率；以切负荷量最小为目标函数，构建最小切负荷模型：
1）目标函数：
；
式中，C i 是各交流节点的切负荷量；S B 是新能源电力系统的交流节点数。
2）交流线路潮流约束：
；
；
式中，PF k 是交流线路的传输有功；V i 、V j 分别是交流节点i、j的电压幅值；G ij 、B ij 分别是交流节点i、j间线路的电导和电纳；θ ij 是交流节点i、j间的电压相角差；PF k lo 、PF k up 分别对应于交流线路的传输有功下限、上限；S K 是新能源电力系统的交流线路数。
3）交流节点功率平衡约束：
；
式中，P G i 和Q G i 分别是交流节点i处常规发电机输出的有功功率和无功功率；P R i 和Q R i 分别是交流节点i处新能源机组接入系统的有功功率和无功功率；P D i 和Q D i 分别是交流节点i处负荷的有功功率和无功功率。
4）节点电压上下限约束：
；
式中，V i lo 、V i up 分别是交流节点电压的上下限。
5）常规发电机容量约束：
；
式中，PG i lo 、PG i up 分别是发电机有功出力的上限、下限；QG i lo 、QG i up 分别是发电机无功出力的上限、下限；S G 是新能源电力系统中的发电机数量；
6）新能源机组容量约束：
；
式中，PR i up 是新能源机组有功出力的上限；QR i up 是新能源机组无功出力的上限；S R 是新能源电力系统中的新能源机组的数量。
7）新能源渗透率要求：
；
式中，α R 是新能源电力系统新能源渗透率比例要求。
8）新能源弃风、弃光率要求：
；
式中，β R 是新能源电力系统弃风、弃光率要求。
9）切负荷量物理要求：
；
要求各交流节点的切负荷量大于等于0。
步骤S2、设计基于深度神经网络的新能源电力系统运行成本计算方法，主要包括深度神经网络模块。以新能源电力系统当前新能源接入功率以及负荷功率为输入特征向量，经由离线训练好的深度神经网络输出得到新能源电力系统当前各运行成本以及切负荷判断值。
计算新能源电力系统当前各运行成本包括购电成本、网损费用、切负荷成本，各运行成本的计算方法为：
1）购电成本的计算公式为：
；
；
式中，C G 是常规能源购电成本，C R 是新能源购电成本；a G i 、b G i 、c G i 分别对应于交流节点i处于常规发电机购电成本函数fi的2次、1次以及常数系数，P G i 对应于交流节点i处常规发电机输出的有功功率；a R i 、b R i 、c R i 分别对应于交流节点i处于新能源购电成本函数hi的2次、1次以及常数系数，P R i 对应于交流节点i处新能源机组接入系统的有功功率；
2）网损费用的计算公式为：
；
式中，C LOSS 是全系统网损费用；η ij 是有功网损P ij loss 对应的费用系数；S K 是新能源电力系统的交流线路数；
3）切负荷成本的计算公式为：
；
式中，C CUT 是系统切负荷成本；ρ i 是各交流节点的最小切负荷量C i 对应的成本系数。
采用的深度神经网络为全连接深度神经网络，参照图2其模型表述如下：
；
；
；
；
式中，Z 0是全连接深度神经网络的输入特征向量，对应于新能源接入功率以及负荷功率P IN ；y OUT 是全连接深度神经网络的输出特征向量，对应于新能源电力系统各运行成本以及切负荷判断；是第k层神经元的输入向量，Z k 是第k层神经元的输出向量；W k 为全连接深度神经网络第k层权重矩阵，b k 为深度神经网络第k层偏置向量；δ(·)为激活函数。
全连接深度神经网络选取的激活函数是ReLU激活函数，因此基于深度神经网络构建新能源、负荷功率与新能源电力系统运行成本之间的关联关系是分段线性的。
深度神经网络的样本可以直接来自于新能源电力系统运行数据或者由模拟法生成。其中模拟法具体表述为：首先对新能源、负荷可能的功率进行抽样，并基于潮流计算获得在当前新能源功率、负荷功率注入下的常规发电机组出力功率、线路功率、线路网损、节点电压幅值；其次根据各运行成本的计算公式计算得到新能源电力系统的运行成本。特别的，当潮流计算结果中出现节点电压越线或线路过载时，切负荷判断值为1，否则为0，并基于步骤S1中构建的最小切负荷模型计算切负荷量，进而计算切负荷成本；最后整理所有计算结果得到样本。
离线训练深度神经网络时采用均方误差函数为损失函数，表述如下：
；
式中，是样本中第i个输入数据的标签值；/>是全连接深度神经网络计算的第i个输出数据；N y 对应于深度神经网络输出特征向量的维度。
由于新能源电力系统正常运行过程中发生切负荷的场景很少，因此基于深度神经网络的切负荷成本映射学习中存在样本不均衡的问题，导致深度神经网络的映射误差较大，无法实际使用，因此本发明中并不采用深度神经网络实现切负荷成本的直接计算，而是输出切负荷判断值。
步骤S3、设计了判断模块，若深度神经网络输出的切负荷判断值大于等于0.5，则执行最小切负荷计算，此时由最小切负荷模型计算最小切负荷量并计算切负荷成本；若输出的切负荷判断值小于0.5，则不执行最小切负荷计算，此时切负荷成本为0。
在该实施例中，为实现上述计算方法提供有一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于新能源电力系统运行成本快速计算方法的操作，包括：
获取新能源电力系统相关技术数据，包括新能源电力系统输电网络结构、参数，新能源接入功率以及负荷功率；以切负荷量最小为目标函数，构建最小切负荷模型；以新能源电力系统当前新能源接入功率以及负荷功率为输入特征向量，经由离线训练好的深度神经网络计算输出得到新能源电力系统当前各运行成本以及切负荷判断值；由输出的切负荷判断值决定是否执行最小切负荷计算。若否，则直接输出新能源电力系统所有的运行成本；若是，则基于最小切负荷模型计算最小切负荷量，并计算切负荷成本，再输出新能源电力系统所有的运行成本。
此外，本发明还提供有一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-VolatileMemory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关新能源电力系统运行成本快速计算方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
获取新能源电力系统相关技术数据，包括新能源电力系统输电网络结构、参数，新能源接入功率以及负荷功率；以切负荷量最小为目标函数，构建最小切负荷模型；以新能源电力系统当前新能源接入功率以及负荷功率为输入特征向量，经由离线训练好的深度神经网络计算输出得到新能源电力系统当前各运行成本以及切负荷判断值；由输出的切负荷判断值决定是否执行最小切负荷计算。若否，则直接输出新能源电力系统所有的运行成本；若是，则基于最小切负荷模型计算最小切负荷量，并计算切负荷成本，再输出新能源电力系统所有的运行成本。
实施例2：
以IEEE 14节点电力系统为例，验证基于深度神经网络的新能源电力系统运行成本快速计算方法的有效性。
算例选取104个风机、光伏出力场景以及相应的负荷波动值，通过概率潮流计算和最小切负荷模型计算获取潮流数据与切负荷数据，并计算对应的运行成本，构成104个训练样本。104个测试样本的获取方法同训练样本。全连接深度神经网络结构包括4层隐含层，每个隐含层神经元数量为100个。
本发明考虑一种测试场景。
场景一：参照图3，风机接入交流节点4、10，光伏接入交流节点3、9；负荷功率波动的均值为IEEE 14节点电力系统的默认值，波动的标准差为0.5。
如图4所示，采用本发明提出的快速计算方法，进行104次系统运行成本计算的时间为8.7s，而基于牛顿-拉夫逊法求解潮流方程再根据潮流和切负荷数据计算运行成本的时间为20637.8s，显著提高了计算速度。
如图5所示，采用本发明提出的快速计算方法，常规能源购电成本、新能源购电成本、网损费用的平均绝对百分比误差分别为1.3%、1.3%、6.5%，显著提高了计算速度的同时计算精度并没有大幅下降。
如图6所示，采用本发明提出的快速计算方法，切负荷判断的精准度为92.3%，可见本发明所采用的输出切负荷判断值的方法可以较好地保证切负荷成本的计算精度。
如图7所示，本发明所构建的节点4风机有功功率与新能源电力系统总运行成本之间的关联关系，可见由于深度神经网络的激活函数为ReLU激活函数，因此该关联关系是分段线性的。
综上所述，本发明提供的新能源电力系统运行成本快速计算方法及系统，首先利用离线训练的深度神经网络构建新能源、负荷功率与新能源电力系统运行成本之间的关联关系；其次在在线计算中，根据新能源接入功率和负荷功率由深度神经网络直接映射得到新能源电力系统运行成本，提高了计算速度。同时针对新能源电力系统切负荷数据存在样本不均衡导致的深度神经网络计算精度低问题，通过切负荷判断值来决定计算新能源电力系统切负荷成本。
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。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory ，ROM) 、随机存取存储器(RandomAccess Memory，RAM)、电载波信号、电信信号以及软件分发介质等，需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
本申请参照实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图进行描述，应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合，可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种新能源电力系统运行成本快速计算方法，其特征在于：包括如下的计算步骤：
步骤S1：获取新能源电力系统相关技术数据，包括新能源电力系统输电网络结构、参数，新能源接入功率以及负荷功率，然后以切负荷量最小为目标函数，构建最小切负荷模型；
步骤S2：将新能源电力系统当前新能源接入功率以及负荷功率作为输入特征向量，经由离线训练好的深度神经网络计算，输出得到新能源电力系统当前各运行成本以及切负荷判断值；
采用的深度神经网络的样本具体由模拟法生成，生成方法为：
对新能源、负荷可能的功率进行抽样，并基于潮流计算获得在当前新能源功率和负荷功率注入下的常规发电机组出力功率、线路功率、线路网损和节点电压幅值，计算新能源电力系统的各运行成本；
当潮流计算结果中出现节点电压越线或线路过载时，切负荷判断值为1，并基于步骤S1中构建的最小切负荷模型计算切负荷量，进而计算切负荷成本，否则切负荷判断值为0，切负荷成本为0；
整理所有计算结果得到深度神经网络的样本；
步骤S3：根据输出的切负荷判断值，决定是否执行最小切负荷计算：
若否，则直接输出新能源电力系统所有的运行成本；
若是，则基于最小切负荷模型计算最小切负荷量，并计算切负荷成本，再输出新能源电力系统所有的运行成本。
2.根据权利要求1所述的一种新能源电力系统运行成本快速计算方法，其特征在于：所述步骤S1中构建的最小切负荷模型包括如下的函数模型：
1)目标函数，表达式为：
式中，Ci是各交流节点的切负荷量；SB是新能源电力系统的交流节点数；
2)交流线路潮流约束，表达式为：
PFk＝PFij＝ViVj(Gijcosθij+Bijsinθij)-Vi 2Gij；
其中k∈SK；
式中，PFk和PFij是交流线路的传输有功；Vi、Vj分别是交流节点i、j的电压幅值；Gij、Bij分别是交流节点i、j间线路的电导和电纳；θij是交流节点i、j间的电压相角差；PFk lo、PFk up分别对应于交流线路的传输有功下限、上限；SK是新能源电力系统的交流线路数；
3)交流节点功率平衡约束，表达式为：
其中i∈SB；
式中，PG i和QG i分别是交流节点i处常规发电机输出的有功功率和无功功率；PR i和QR i分别是交流节点i处新能源机组接入系统的有功功率和无功功率；PD i和QD i分别是交流节点i处负荷的有功功率和无功功率；
4)节点电压上下限约束，表达式为：
其中i∈SB；
式中，Vi lo、Vi up分别是交流节点电压的下上限；
5)常规发电机容量约束，表达式为：
其中i∈SG；
式中，PGi lo、PGi up分别是发电机有功出力的下限、上限；QGi lo、QGi up分别是发电机无功出力的下限、上限；SG是新能源电力系统中的发电机数量；
6)新能源机组容量约束，表达式为：
其中i∈SR；
式中，PRi up是新能源机组有功出力的上限；QRi up是新能源机组无功出力的上限；SR是新能源电力系统中的新能源机组的数量；
7)新能源渗透率要求，表达式为：
式中，αR是新能源电力系统新能源渗透率比例要求；
8)新能源弃风、弃光率要求，表达式为：
式中，βR是新能源电力系统弃风、弃光率要求；
9)切负荷量物理要求，表达式为：
Ci≥0，其中i∈SB；
要求各交流节点的切负荷量大于等于0。
3.根据权利要求1所述的一种新能源电力系统运行成本快速计算方法，其特征在于：所述步骤S2中计算新能源电力系统当前各运行成本包括购电成本、网损费用和切负荷成本，各运行成本的计算方法为：
1)购电成本的计算公式为：
式中，CG是常规能源购电成本，CR是新能源购电成本；aG i、bG i、cG i分别对应于交流节点i处于常规发电机购电成本函数fi的2次、1次以及常数系数，PG i对应于交流节点i处常规发电机输出的有功功率；aR i、bR i、cR i分别对应于交流节点i处于新能源购电成本函数hi的2次、1次以及常数系数，PR i对应于交流节点i处新能源机组接入系统的有功功率；
2)网损费用的计算公式为：
式中，CLOSS是全系统网损费用；ηij是有功网损Pij loss对应的费用系数；SK是新能源电力系统的交流线路数；
3)切负荷成本的计算公式为：
式中，CCUT是系统切负荷成本；ρi是各交流节点的最小切负荷量Ci对应的成本系数。
4.根据权利要求1所述的一种新能源电力系统运行成本快速计算方法，其特征在于：所述步骤S2中采用的深度神经网络具体为全连接深度神经网络，表达式为：
Z0＝PIN；
yOUT＝WK+1ZK+bK+1；
式中，Z0是全连接深度神经网络的输入特征向量，对应于新能源接入功率以及负荷功率PIN；yOUT是全连接深度神经网络的输出特征向量，对应于新能源电力系统各运行成本以及切负荷判断；是第k层神经元的输入向量，Zk是第k层神经元的输出向量；Wk为全连接深度神经网络第k层权重矩阵，bk为深度神经网络第k层偏置向量；δ(·)为激活函数。
5.根据权利要求1所述的一种新能源电力系统运行成本快速计算方法，其特征在于：所述步骤S2中采用的深度神经网络在进行离线训练时，使用均方误差函数为损失函数，表达式为：
式中，是样本中第i个输入数据所对应的标签值；/>是全连接深度神经网络计算的第i个输出数据；Ny对应于深度神经网络输出特征向量的维度。
6.根据权利要求1所述的一种新能源电力系统运行成本快速计算方法，其特征在于：所述步骤S3中根据输出的切负荷判断值决定是否执行最小切负荷计算的具体方法为：
若深度神经网络输出的切负荷判断值大于等于0.5，则执行最小切负荷计算，此时由最小切负荷模型计算最小切负荷量并计算切负荷成本；
若深度神经网络输出的切负荷判断值小于0.5，则不执行最小切负荷计算，此时切负荷成本为0。
7.为实现权利要求1所述的一种新能源电力系统运行成本快速计算方法所使用的计算系统，其特征在于：包括如下的计算模块：
准备模块，用于获取新能源电力系统相关技术数据，包括新能源电力系统输电网络结构、参数，新能源接入功率以及负荷功率；
计算模块，以新能源电力系统当前新能源接入功率以及负荷功率为输入特征向量，经由离线训练好的深度神经网络计算输出得到新能源电力系统当前各运行成本以及切负荷判断值；
判断模块，由输出的切负荷判断值决定是否执行最小切负荷计算。
CN202311851219.8A 2023-12-29 2023-12-29 一种新能源电力系统运行成本快速计算方法及系统 Active CN117495426B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311851219.8A CN117495426B (zh) 2023-12-29 2023-12-29 一种新能源电力系统运行成本快速计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311851219.8A CN117495426B (zh) 2023-12-29 2023-12-29 一种新能源电力系统运行成本快速计算方法及系统

Publications (2)

Publication Number Publication Date
CN117495426A CN117495426A (zh) 2024-02-02
CN117495426B true CN117495426B (zh) 2024-03-29

Family

ID=89676902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311851219.8A Active CN117495426B (zh) 2023-12-29 2023-12-29 一种新能源电力系统运行成本快速计算方法及系统

Country Status (1)

Country Link
CN (1) CN117495426B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107370188A (zh) * 2017-09-11 2017-11-21 国网山东省电力公司莱芜供电公司 一种计及风电出力的电力系统多目标调度方法
CN109102146A (zh) * 2018-06-29 2018-12-28 清华大学 基于多参数线性规划的电力系统风险评估加速方法
CN114094592A (zh) * 2021-11-17 2022-02-25 中国电力科学研究院有限公司 电网紧急切负荷控制方法、系统、设备及存储介质
CN114389265A (zh) * 2022-03-23 2022-04-22 山东大学 基于增殖和缩减进化的电网紧急切负荷优化方法及系统
CN115496256A (zh) * 2022-07-01 2022-12-20 国网福建省电力有限公司 一种基于神经网络预测的共享储能容量优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107370188A (zh) * 2017-09-11 2017-11-21 国网山东省电力公司莱芜供电公司 一种计及风电出力的电力系统多目标调度方法
CN109102146A (zh) * 2018-06-29 2018-12-28 清华大学 基于多参数线性规划的电力系统风险评估加速方法
CN114094592A (zh) * 2021-11-17 2022-02-25 中国电力科学研究院有限公司 电网紧急切负荷控制方法、系统、设备及存储介质
CN114389265A (zh) * 2022-03-23 2022-04-22 山东大学 基于增殖和缩减进化的电网紧急切负荷优化方法及系统
CN115496256A (zh) * 2022-07-01 2022-12-20 国网福建省电力有限公司 一种基于神经网络预测的共享储能容量优化方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Real-time emergency load shedding for power system transient stability control: A risk-averse deep learning method;Jizhe Liu等;《Applied Energy》;20211124;第1-14页，全文 *
Reinforcement Learning Based Optimal Load Shedding for Transient Stabilization;Yunhe Wei等;《2022 IEEE PES Innovative Smart Grid Technologies Conference Europe (ISGT-Europe)》;20221128;第1-6页，全文 *
Risk-Averse Graph Learning for Real-time Power System Emergency Load Shedding;Jizhe Liu等;《2022 IEEE PES Innovative Smart Grid Technologies - Asia (ISGT Asia)》;20230111;第520-524页，全页 *
城南电网负荷预测的影响因素及预测方法浅析;杨克等;《江西电力职业技术学院学报》;20090328;第22卷(第1期);第26-28页，全文 *
基于智能负荷控制的分布式能源系统调控策略研究;郭新志等;《智慧电力》;20220331;第50卷(第3期);第8-14页，全文 *
基于深度学习的概率能量流快速计算方法;余娟等;《中国电机工程学报》;20190105;第39卷(第1期);第22-30页，全文 *
计及运行灵活性的配电网双层规划;赵海波等;《现代电力》;20231031;第40卷(第5期);第817-826页，全文 *

Also Published As

Publication number Publication date
CN117495426A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN108336739B (zh) 一种基于rbf神经网络的概率潮流在线计算方法
Gong et al. A new convolutional network structure for power quality disturbance identification and classification in micro-grids
CN113553755B (zh) 电力系统状态估计方法、装置及设备
CN111368259B (zh) 一种配网电压数据缺失填补方法及相关装置
CN112069723A (zh) 一种用于评估电力系统暂态稳定的方法及系统
CN109066651B (zh) 风电-负荷场景的极限传输功率的计算方法
CN114781435A (zh) 一种基于改进哈里斯鹰优化算法优化变分模态分解的电力电子电路故障诊断方法
Wang et al. Dynamic equivalent method of PMSG‐based wind farm for power system stability analysis
CN115796338A (zh) 光伏发电功率预测模型构建及光伏发电功率预测方法
CN117495426B (zh) 一种新能源电力系统运行成本快速计算方法及系统
CN117874615A (zh) 一种基于深度数字孪生的光伏故障诊断方法以及系统
CN117394313A (zh) 一种电力系统暂态稳定评估方法、系统、芯片及设备
CN110703038B (zh) 一种适用于风机接入配电网的谐波阻抗估算方法
CN110261773B (zh) 一种航空发电机故障征兆提取方法及系统
CN111651939A (zh) 计及变流器控制参数差异的永磁风电场动态等值建模方法
CN104850757B (zh) 一种分布式电源谐波的在线检测方法及装置
CN115275975B (zh) 一种光储充电站电力数据匹配度的确定方法及装置
CN114819107B (zh) 基于深度学习的混合数据同化方法
CN116127447A (zh) 虚拟电厂虚假数据注入攻击检测方法、装置、终端及介质
CN116305683A (zh) 基于样本均衡化的电力系统暂态稳定评估方法及系统
CN116029614A (zh) 配电网台区电能质量评估方法、装置和计算机设备
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
CN113721461A (zh) 一种基于多试验场景的新能源机组参数辨识方法及系统
Niu et al. Research on Power System Transient Security Prediction Based on AdaBoost-SVM
CN110222361A (zh) 一种风电场输出功率模拟方法及装置

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