-
公开(公告)号：CN111898811B
公开(公告)日：2024-06-04
申请号：CN202010689913.4
申请日：2020-07-17
IPC分类号： G06Q10/04 , G06Q10/067 , G06Q50/06
摘要： 本发明公开DC‑OPF模型中修正二次目标函数分段线性化误差的方法，包括以下步骤：1)建立DC‑OPF分段线性化模型；2)校正DC‑OPF分段线性化模型的误差，得到DC‑OPF分段线性化模型最优解。本发明在直流最优潮流模型中目标函数为二次的情况下，建立了DC‑OPF分段线性化模型，提出了最佳分段数量准则，并矫正了分段线性化带来的误差。
-
公开(公告)号：CN111884208A
公开(公告)日：2020-11-03
申请号：CN202010690077.1
申请日：2020-07-17
摘要： 本发明公开基于状态空间变换的线性潮流模型库构建方法及其快速响应方法，线性潮流模型库构建方法步骤为：1)设置独立变量，并对独立变量进行状态空间变换；2)建立一般线性潮流模型库；响应方法步骤为：将当前运行下的负荷波动与线性潮流模型库中各模型对应的负荷波动相对比，选择出与当前运行下的负荷波动差值最小的一组线性潮流模型，并将选择出的线性潮流模型应用于当前运行状态。本发明在基于状态空间变换的前提下，提出了误差更小的一般线性潮流模型，并建立了线性潮流模型库，应用快速响应方法后，有效减小了线性化带来的误差，并具有良好的鲁棒性。
-
公开(公告)号：CN111799802A
公开(公告)日：2020-10-20
申请号：CN202010711576.4
申请日：2020-07-22
IPC分类号： H02J3/06
摘要： 本发明公开基于线性组合的潮流方程线性化方法，包括以下步骤：1)基于非线性潮流方程，依次建立线性潮流方程的通用表达式和常用表达式；2)基于线性潮流方程的常用表达式，建立减小误差后的线性潮流新方程；3)获取电网运行数据，并建立决策变量优化模型，计算得到令潮流方程线性化误差最小的决策变量；4)基于令潮流方程线性化误差最小的决策变量，更新减小误差后的线性潮流新方程，得到误差最小的最优线性近似模型。本发明所提出的潮流方程线性化新形式，相比于其他线性潮流方程，能够更加有效地降低线性化误差。并且在不同节点系统中均应用效果良好，具有较强的普适性。
-
公开(公告)号：CN118297334A
公开(公告)日：2024-07-05
申请号：CN202410434753.7
申请日：2024-04-11
申请人： 国网重庆市电力公司电力科学研究院 , 重庆大学 , 国家电网有限公司
IPC分类号： G06Q10/0631 , H02J3/24 , H02J3/00 , G06F18/22 , G06F18/214 , G06F18/2411 , G06Q50/06
摘要： 本发明公开了一种基于调度时段内波动极值可信预测的调频容量需求量化方法，提出基于特征匹配度的细粒度净负荷随机波动特征筛选方法，在数据驱动输入与输出端分别构建有效反映调频容量需求特征的低维特征向量，以降低数据驱动预测输入输出的复杂映射关系和学习难度；在此基础上，采用具有小样本学习特性的高斯过程，建立基于高斯过程的净负荷波动极值预测模型，预测得到净负荷波动极值均值和标准差；引入机会约束可信评估预测结果，得到不同置信水平下的分布情况，采用蒙特卡洛模拟法生成场景集映射到相应的分布区间，以此可信量化调频容量需求，提高其量化精度。
-
公开(公告)号：CN110929989B
公开(公告)日：2023-04-18
申请号：CN201911040124.1
申请日：2019-10-29
申请人： 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
IPC分类号： G06Q10/0635 , G06Q50/06 , G06N3/0499 , G06N3/048 , G06N3/08
摘要： 本发明公开了基于深度学习的含不确定性N‑1安全校核方法，主要步骤为：1)获取电力网络数据，并建立输入特征向量集Xin；2)对特征向量进行预处理，并划分为训练集和验证集；3)建立的深度神经网络直流潮流模型；4)利用训练集和验证集对深度神经网络直流潮流模型进行训练；5)以电力网络实时数据建立测试集，并输入到训练后的深度神经网络直流潮流模型中，得到潮流输出特征向量Yout；6)对输出特征向量Yout＝[θi,Pij]进行安全性验证。本发明可广泛应用于不确定性场景的N‑1安全校核在线分析，能够获得与传统直流潮流求解方法获得不相上下的校核精度，并提高近百倍的分析速度。
-
公开(公告)号：CN111798037A
公开(公告)日：2020-10-20
申请号：CN202010528642.4
申请日：2020-06-10
申请人： 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
摘要： 本发明公开一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法，主要包括以下步骤：1)建立极限学习机模型；2)将若干极限学习机模型逐层堆叠，建立堆叠式极限学习机；3)对堆叠式极限学习机进行优化，得到优化后的堆叠式极限学习机；4)建立数据驱动最优潮流学习框架；5)利用优化后的堆叠式极限学习机对数据驱动最优潮流学习框架进行解算。本发明可广泛应用于提高神经网络算法在电力系统分析中计算效率的问题。
-
公开(公告)号：CN110829434A
公开(公告)日：2020-02-21
申请号：CN201910938908.X
申请日：2019-09-30
申请人： 重庆大学 , 国网重庆市电力公司电力科学研究院 , 国家电网有限公司
摘要： 本发明公开了一种提高深度神经网络潮流模型扩展性的方法，主要步骤为：1)获取电力系统基本数据；2)确定特征向量；3)建立原始DNN潮流模型；4)对原始DNN潮流模型进行训练，得到训练后的原始DNN潮流模型；5)对原始DNN潮流模型进行扩建，得到扩建DNN潮流模型；6)对扩建系统概率潮流进行解算，得到概率潮流结果。本发明可广泛应用于电力系统的概率潮流求解，特别适用于因系统扩建导致原始系统DNN无法适用的情况。
-
公开(公告)号：CN109784692A
公开(公告)日：2019-05-21
申请号：CN201811631297.6
申请日：2018-12-29
摘要： 本发明公开了一种基于深度学习的快速安全约束经济调度方法，主要步骤为：1)确定适用于安全约束经济调度模型的深度神经网络。2)对堆栈降噪自动编码器SDAE进行训练。3)建立基于深度学习的安全约束经济调度模型。4)令k＝1，将电力系统运行条件输入到深度神经网络中，得到安全约束经济调度模型的起作用约束集J(1)。5)将约束集J(1)。输入到安全约束经济调度模型中，得到安全约束经济调度方案。6)对安全约束经济调度方案进行N-1检验，若有新约束J(new)，则令k＝k+1,约束集更新为J(k)＝J(k)∪J(new)，并返回步骤5。若无新约束，则输出安全约束经济调度方案。本发明可广泛应用于电力系统各个行业的安全约束经济调度分析。
-
公开(公告)号：CN109599872A
公开(公告)日：2019-04-09
申请号：CN201811633643.4
申请日：2018-12-29
IPC分类号： H02J3/06
摘要： 本发明公开了基于堆栈降噪自动编码器的电力系统概率最优潮流计算方法，主要步骤为：1)建立SDAE最优潮流模型。2)获取SDAE最优潮流模型输入层的输入样本X。3)对SDAE最优潮流模型进行初始化。4)对SDAE最优潮流模型进行训练，从而得到训练后的SDAE最优潮流模型。5)采用MCS法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本。6)将步骤5得到的训练样本数据一次性输入步骤4中训练完成的SDAE最优潮流模型中，从而计算出最优潮流在线概率。7)对所述最优潮流在线概率进行分析，即绘制SDAE最优潮流模型的输出变量的概率密度曲线。本发明可广泛应用于电力系统的概率最优潮流求解，特别适用于新能源渗透率高导致系统不确定性增强的在线分析情况。
-
公开(公告)号：CN111884208B
公开(公告)日：2023-11-14
申请号：CN202010690077.1
申请日：2020-07-17
摘要： 本发明公开基于状态空间变换的线性潮流模型库构建方法及其快速响应方法，线性潮流模型库构建方法步骤为：1)设置独立变量，并对独立变量进行状态空间变换；2)建立一般线性潮流模型库；响应方法步骤为：将当前运行下的负荷波动与线性潮流模型库中各模型对应的负荷波动相对比，选择出与当前运行下的负荷波动差值最小的一组线性潮流模型，并将选择出的线性潮流模型应用于当前运行状态。本发明在基于状态空间变换的前提下，提出了误差更小的一般线性潮流模型，并建立了线性潮流模型库，应用快速响应方法后，有效减小了线性化带来的误差，并具有良好的鲁棒性。
-
-
-
-
-
-
-
-
-
搜索结果
253 条记录 (耗时 0.083 秒)
