适用于电网可视化仿真模型自动生成的拓扑分层识别方法

    公开(公告)号:CN109830954B

    公开(公告)日:2021-03-26

    申请号:CN201811378384.5

    申请日:2018-11-19

    IPC分类号: H02J3/00

    摘要: 本发明公开了适用于电网可视化仿真模型自动生成的拓扑分层识别方法,包括源数据中的数据表,通过拼合所述数据表的拓扑信息来生成全拓扑结构,并解构所述全拓扑结构中的支路和处理单端点元件,得到全拓扑信息表T、节点信息表F;将所述全拓扑结构中的输电线路支路移除,得到若干彼此孤立的厂站,并通过基于非输电支路‑节点关联矩阵对所述厂站进行辨识后,搜索出所有厂站信息,并制得电气节点‑站点对应表,最后根据厂站信息对站点进行自动命名;通过处理所述全拓扑信息表T、节点信息表F、非输电支路‑节点关联矩阵的行和列以及厂站信息完成站内拓扑识别;通过站内拓扑识别、厂站信息,并基于输电支路‑节点关联矩阵完成站间拓扑识别。

    一种水电站MILP模型最优代表水头选取方法和系统

    公开(公告)号:CN111667119A

    公开(公告)日:2020-09-15

    申请号:CN202010523887.8

    申请日:2020-06-10

    IPC分类号: G06Q10/04 G06Q50/06

    摘要: 本发明公开了一种水电站MILP模型最优代表水头选取方法和系统,选取方法包括以下步骤:建立代表水头水电站MILP模型;代表水头水电站MILP模型包括目标函数和运行模拟约束;根据水电站的历史运行数据和代表水头水电站MILP模型建立最优代表水头选取的特征矩阵M;根据调度日x的预测平均入库流量、预测平均出力以及特征矩阵M获取调度日x的最优代表水头。本发明的目的在于提供一种水电站MILP模型最优代表水头选取方法和系统,通过挖掘历史数据规律,结合水电站平均入库流量和平均出力预测结果,可实现水电精细化调度,确保实际水电调度中梯级上下游水电站之间的水量匹配,提高流域水资源利用效率。

    基于关联矩阵压缩和支路指针矢量更新的连通片辨识方法

    公开(公告)号:CN109449926B

    公开(公告)日:2020-08-25

    申请号:CN201811345741.8

    申请日:2018-11-13

    IPC分类号: H02J3/00

    摘要: 本发明公开了基于关联矩阵压缩和支路指针矢量更新的连通片辨识方法,解决了如何高效可靠地进行网络连通片辨识的问题。本发明包括以下步骤:步骤1:根据网络支路‑节点相关信息生成网络的支路‑节点关联矩阵;步骤2:搜索支路‑节点关联矩阵的零列,辨识孤立节点;步骤3:对支路‑节点关联矩阵按行进行“压缩”,仅保留非零元素的列标,得到多个二元连通集合;步骤4:对支路‑节点关联矩阵进行列扫描,并更新支路指针矢量。步骤5:根据最终的支路指针矢量,对二元连通集合进行融合增长,从而获得最终的连通片集合。本发明避免了大量的图搜索和逻辑运算,也无需进行矩阵分解运算,方法高效可靠,适于利用稀疏技术进行加速等优点。

    一种电力系统可视化仿真模型拓扑分层布局方法

    公开(公告)号:CN107480409B

    公开(公告)日:2020-06-30

    申请号:CN201710975338.2

    申请日:2017-10-16

    IPC分类号: G06F30/392 G06F113/04

    摘要: 本发明公开了一种电力系统可视化仿真模型拓扑分层布局方法,包括步骤:依据电网机电暂态数据建立邻接矩阵A和支路数量矩阵B;首先输入最高电压等级网络的指定边界节点坐标,其余节点坐标随机生成;遍历邻接矩阵A中节点电压等级最高的子矩阵A1,计算所有支路两端节点的引力、计算其余节点对该节点的斥力及合力作为各节点需要移动的距离和方向,对各节点坐标进行移动,以完成最高电压等级网络自动布局;逐步对第n个电压等级的网络进行自动布局,最终完成电网的拓扑布局。本发明考虑厂站实际相对位置、基于不同电压等级网络,为大规模电力系统电磁暂态可视化仿真模型的拓扑布局提供节点坐标,并可直接应用于机电暂态模型地理接线图的快速生成。

    基于数据驱动启发式优化的城市高压配电网阻塞管理方法

    公开(公告)号:CN111105025A

    公开(公告)日:2020-05-05

    申请号:CN201911245120.7

    申请日:2019-12-06

    摘要: 本发明公开了一种基于数据驱动启发式优化的城市高压配电网阻塞管理方法,首先利用佳点集理论,产生大量运行断面数据,利用多个深度神经网络拟合高压配电网拓扑状态、节点负荷与节点电压、支路功率的非线性关系;其次将训练好的神经网络嵌入到启发式优化算法中,将输电线路传输容量、变电站容量、发电机出力上下限、电压幅值上下限、切负荷上限及神经网络拟合的非线性映射作为约束条件,以切负荷总量最小作为目标函数,构建城市电网阻塞管控模型,最后采用遗传算法求解。该模型将复杂的0-1拓扑约束、交流潮流约束及N-1约束用神经网络代替,避免了复杂耗时的N-1校验过程,且深度网络对复杂非线性关系有良好的拟合能力,有效提高求解效率。