一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法

    公开(公告)号:CN110570014A

    公开(公告)日:2019-12-13

    申请号:CN201910725799.3

    申请日:2019-08-07

    Applicant: 浙江大学

    Abstract: 本发明提出了一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法。该预测方法包括以下步骤:首先,根据电动汽车的特征将电动汽车划分为电动公交车、电动出租车、电动私家车和电动公务车4种类型,建立负荷影响因素的概率模型,进而得到不同类型电动汽车充电功率的计算模型;其次,根据电动汽车保有量预测结果,采用蒙特卡洛模拟方法抽取电动汽车的起始荷电状态、起始充电时间等来计算各时刻电动汽车的充电负荷;最后,根据蒙特卡洛抽样得到的各时刻电动汽车充电负荷,采用LSTM深度学习算法对电动汽车充电负荷进行深度学习、预测,从而得到电动汽车充电负荷曲线。本发明的充电负荷预测方法具有较好的科学性和客观性。

    一种高比例可再生能源电力系统的骨干网架优化方法

    公开(公告)号:CN108281959A

    公开(公告)日:2018-07-13

    申请号:CN201810005588.8

    申请日:2018-01-03

    Applicant: 浙江大学

    Abstract: 本发明涉及一种高比例可再生能源电力系统的骨干网架优化方法,来考虑高比例可再生能源在电力系统核心骨干网架中的作用和对电力系统的影响。基本实施流程包括步骤:输入电力系统的拓扑结构和电气特性参数;计算负荷节点、风电场节点、光伏电站节点、常规机组节点的相对重要度;采用改进的熵权-理想解法来求取不同类型节点间的相对重要度;采用分阶段骨干网架构建策略,第一阶段模型以优化负荷节点为主要任务,采用蜂群算法求解;第二阶段模型以优化电源节点为主要任务,采用蜂群算法结合贪心策略求解。本发明方法优化得到的核心骨干网架,能够保障对重要负荷的供电,并且具有较高的间歇性能源渗透率与利用率。

    电网安全约束的鲁棒机组组合方法

    公开(公告)号:CN107239863A

    公开(公告)日:2017-10-10

    申请号:CN201710515679.1

    申请日:2017-06-29

    Abstract: 本发明提供一种电网安全约束的鲁棒机组组合方法,步骤如下:S1,预测风电出力,并对其进行拉丁超立方抽样,生成场景集,然后通过场景缩减技术对场景集缩减。S2,对缩减后的场景集按照其相应概率大小从大到小排序。S3,根据风电的预测出力求解主问题,即确定性考虑安全约束的机组组合问题。S4,对求得机组组合策略对场景逐一进行安全性校验。若通过校验,则计算该启停策略对其他场景集的切负荷和弃风所产生成本,并将该场景加入“鲁棒置信区间”,并则对下一个场景进行安全性校验。若不通过,则生成benders 割返回主问题,重复步骤S3。S5,当对所有场景进行过安全性校验后,总成本最小的即为最优策略。

    一种大停电后电力系统并行恢复方法

    公开(公告)号:CN106684906A

    公开(公告)日:2017-05-17

    申请号:CN201611056019.3

    申请日:2016-11-23

    CPC classification number: H02J3/38 H02J2003/007

    Abstract: 本发明涉及一种大停电后电力系统并行恢复方法,提出了电力系统黑启动分区的两步策略。其中,第一步建立待恢复机组的分组模型,其以待恢复机组获得恢复功率所需时间最小为目标,从而保证机组的快速启动;第二步建立电力系统图分区模型,目标是使得各黑启动分区在满足一定的约束条件下分区间的联络线数最少以及联络线的有功功率绝对值之和最小。然后,利用商用线性规划求解器ILOG CPLEX求解所提出的两步策略数学模型。同时,为了减少求解工作量,提出了可以尽可能减少线路信息丢失的拓扑图简化原则。最后,以新英格兰10机39节点系统为例说明了所发展的模型和方法的基本特征。

    一种风电场和电转气厂站的协同选址规划方法

    公开(公告)号:CN106548416A

    公开(公告)日:2017-03-29

    申请号:CN201611047535.X

    申请日:2016-11-23

    CPC classification number: Y04S10/60 G06Q50/06

    Abstract: 本发明公开了一种风电场和电转气厂站的协同选址规划方法,包括以下步骤:(1)建立电转气厂站的数学模型;(2)以历史风速时间序列为原始场景,利用一种密度聚类算法对众多历史数据进行聚类分析,得到缩减后的风电场出力场景;(3)根据步骤(1)的数学模型和步骤(2)获得的风电场出力场景,以最大化投资净收益为优化目标,建立基于场景分析的协同选址规划数学模型;(4)根据步骤(1)‑步骤(3),采用AMPL/BONMIN求解器对所构建的风电场和电转气厂站的协同选址规划模型进行求解,获得规划结果。本发明的协同选址规划方法能够考虑电转气厂站运行的技术特征,评估并分析规划方案的经济性,并可以有效减少系统弃风量。

Patent Agency Ranking