-
公开(公告)号：CN117424244A
公开(公告)日：2024-01-19
申请号：CN202311151503.4
申请日：2023-09-07
申请人： 国网电力科学研究院有限公司 , 国电南瑞科技股份有限公司 , 国电南瑞南京控制系统有限公司 , 南瑞集团有限公司
摘要： 本发明公开了楼宇群协同调峰策略及系统，包括：依据电网负荷数据，获取调峰目标信息，下发调峰目标指令；搭建用能互补的楼宇群能源系统协同调峰架构；通过实时供需比获取动态收益价格，建立供需比价格模型；楼宇群依据供需比价格模型参与电网调峰交易，建立考虑综合需求响应的楼宇群用能互济协同调峰模型；求解楼宇群用能互济协同调峰模型，得到考虑综合需求响应的楼宇群协同调峰策略。本发明方案能够调动大规模用户群广泛参与需求响应，积极响应电网调度信号，充分发挥资源调度潜力，在满足电网调度需求的同时，可达到节省楼宇运行经济成本的经济效益与充分调度楼宇资源潜力的效率提升。
-
公开(公告)号：CN117251758A
公开(公告)日：2023-12-19
申请号：CN202310942600.9
申请日：2023-07-30
申请人： 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 南瑞集团有限公司 , 国网电力科学研究院有限公司
IPC分类号： G06F18/24 , G06F18/10 , G06F18/2131 , G06N20/20 , G06F18/214 , G06N3/0464 , G06F18/25
摘要： 本发明公开了基于多元特征和Bagging集成学习模型的负荷识别方法及系统包括，获取电器负荷信号，并对负荷信号进行特征提取；基于特征提取结果构建电力负荷数据指纹特征库，将电力负荷数据指纹特征库结合Bagging集成学习模型进行分类学习，得到电器负荷识别分类模型；根据电器负荷识别分类模型对电器负荷信号进行识别。本发明构造了基于后端融合的集成学习Bagging算法来进行负荷识别，能够显著提升负荷预测的精度。
-
公开(公告)号：CN116011626A
公开(公告)日：2023-04-25
申请号：CN202211621856.1
申请日：2022-12-16
申请人： 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 南瑞集团有限公司 , 国网电力科学研究院有限公司
IPC分类号： G06Q10/04 , G06Q50/06 , G06F18/23213 , G06F18/214 , G06N3/08 , G06N3/044
摘要： 本发明属于用电管理技术领域，公开了一种用电负荷预测方法、装置、设备及存储介质；该方法包括：获取边缘节点中用户的历史用电信息，根据历史用电信息得到用户电量负荷曲线，对用户进行分类得到参考用户；通过用电负荷预测模型对参考用户进行用电负荷预测得到参考用电负荷；将多个参考用电负荷融合得到预测用电负荷，根据预测用电负荷对用户用电负荷进行调节；本发明通过储存在边缘节点中的用户用电信息绘制用户用电曲线，根据用户用电曲线准确对用户进行分类，并对分类后的用户分别进行预测，能够更加准确的预测用电负荷，准确的用电负荷预测能够更加及时的用电负荷进行调节，避免因为用电负荷不均衡导致发电成本增高。
-
公开(公告)号：CN117131357A
公开(公告)日：2023-11-28
申请号：CN202310991268.5
申请日：2023-08-08
申请人： 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 南瑞集团有限公司 , 国网电力科学研究院有限公司
IPC分类号： G06F18/213 , G06F18/241 , G06N3/0464 , G06N3/08 , H02J3/00
摘要： 本发明公开了基于多元特征提取和Stacking学习框架的负荷识别方法及装置包括：首先提取不同电器负荷下信号的特征建立负荷数据特征库，利用傅里叶变换提取信号的谐波特征，利用概率统计提取信号统计特征，利用一维卷积神经网络提取信号深度特征；然后设计Stacking算法，学习数据特征和对应的负荷类别之间的关系；选择随机森林，决策树和支持向量机作为初级学习器，并结合随机森林作为次级学习器，训练出最终的负荷识别模型；本发明具有实现简单，负荷识别精度高的优点，可用于调控和资源调配等领域。
-
公开(公告)号：CN116307073A
公开(公告)日：2023-06-23
申请号：CN202310048974.6
申请日：2023-02-01
申请人： 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 国网电力科学研究院有限公司 , 南瑞集团有限公司
摘要： 本发明公开了一种充电站电力负荷可调潜力预测方法及相关装置，本发明根据历史序列、充电车数量预测模型、功率可调充电车数量预测模型、充电负荷预测模型、负荷可调潜力预测模型获取负荷可调潜力序列B，实现较准确的充电站电力负荷可调潜力预测，可为电力负荷调控提供决策依据。
-
公开(公告)号：CN116167573A
公开(公告)日：2023-05-26
申请号：CN202211693451.9
申请日：2022-12-28
申请人： 国网河北省电力有限公司雄安新区供电公司 , 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 国网电力科学研究院有限公司 , 南瑞集团有限公司
IPC分类号： G06Q10/0631 , G06Q50/06
摘要： 本发明公开了一种高铁站综合能源需求响应优化调度方法及相关装置，本发明的高铁站综合能源系统优化调度模型，基于高铁站综合能源系统参与碳市场交易成本、以及用户侧舒适度需求响应创建，以高铁站综合能源系统的负荷波动最小、运行成本最低为目标，获得优选调度数据，根据优选调度数据实现了市场下高铁站综合能源需求响应优化调度，可满足高铁站的低碳经济运行，解决能源短缺问题，而且降低了系统运行所需成本。
-
公开(公告)号：CN117171632A
公开(公告)日：2023-12-05
申请号：CN202310875565.3
申请日：2023-07-17
申请人： 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 南瑞集团有限公司 , 国网电力科学研究院有限公司
IPC分类号： G06F18/241 , G06F18/2131 , G06F18/214 , G06N5/01 , G06N20/20
摘要： 本发明公开了基于多元特征提取和Adaboost集成学习的负荷识别方法及系统包括，获取不同电器负荷信号值，并对不同电器负荷信号值进行特征提取；根据特征提取结果，构建电力负荷数据指纹特征库；结合Adaboost框架集成学习框架进行分类学习，构建训练指纹特征和对应负荷之间的关系，得到负荷识别模型进行负荷识别。不仅可满足电力企业在新形势下对负荷预测的要求，同时降低电力企业成本，也能发展深度序列特征学习方法，并拓宽其应用范围，具有重要的工程意义和理论价值。
-
公开(公告)号：CN116247649A
公开(公告)日：2023-06-09
申请号：CN202211598497.2
申请日：2022-12-14
申请人： 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 国网电力科学研究院有限公司 , 南瑞集团有限公司
摘要： 本发明公开了一种保护隐私的电网用户用能分析方法、系统及存储介质，属于智能电网技术领域，方法包括：获取用能分析服务器与各电网用户之间的共享密钥；根据预构建的Lenet‑5网络模型，通过所述用能服务器，使用所述共享密钥，向各所述电网用户发送用能分析请求；响应于所述用能分析请求，根据私密性点乘算法，通过各所述电网用户，使用所述共享密钥，向所述用能服务器发送用能分析应答；响应于所述用能分析应答，根据所述Lenet‑5网络模型，通过所述用能分析服务器，输出用能分析结果。该方法在解决用能数据隐私问题的同时，解决数据完整性保护问题。
-
公开(公告)号：CN116029427A
公开(公告)日：2023-04-28
申请号：CN202211637090.6
申请日：2022-12-16
申请人： 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 南瑞集团有限公司 , 国网电力科学研究院有限公司
摘要： 本发明涉及云边协同技术领域，尤其涉及一种工业区的用电负荷预测方法以及系统，应用于云端服务器；包括以下步骤：接收N个边缘计算终端发送的非均匀连续时间隐半马尔可夫模型，并进行解密；根据初步加密的用电工厂的用电负荷预测向量和随机生成口令还原得到预测出的用电工厂的未来用电负荷和所述用电工厂的用电负荷预测模型的满足预设精度要求的权值和阈值；根据所述未来用电负荷和满足预设精度要求的权值和阈值，训练工业区用电负荷预测模型；重复上述操作，直到所述工业区用电负荷预测模型到达预设精度要求，并通过所述工业区用电负荷模型预测出工业区的用电负荷，从而通过云边协同技术，实现了精确地预测出未来一段时间工业区的用电负荷。
-
公开(公告)号：CN115563859A
公开(公告)日：2023-01-03
申请号：CN202211171525.2
申请日：2022-09-26
申请人： 国电南瑞南京控制系统有限公司 , 国电南瑞科技股份有限公司 , 南瑞集团有限公司 , 国网电力科学研究院有限公司
IPC分类号： G06F30/27 , G06Q50/06 , G06F119/06
摘要： 本发明公开了一种基于分层联邦学习的电力负荷预测方法、装置及介质。方法包括：在离线阶段，首先将客户端分成本地客户端和中间层服务器。在本地客户端对采集的气象和时间信息进行预处理后，利用长短期记忆神经网络（LSTM）进行回归学习，得到电力负荷的预测模型和对应的权重系数。在中间层服务器利用联邦学习中的FedAvg算法对深度学习网络参数进行加权聚合，形成初步的电力负荷预测模型。最后通过本地服务器进行加权聚合，形成最终的电力负荷预测模型。该方法具有结构简单，预测精度高的优点。
-
-
-
-
-
-
-
-
-
搜索结果
31 条记录 (耗时 0.067 秒)
