一种含新能源发电的电力系统降阶区间Krawczyk迭代潮流方法

    公开(公告)号:CN110224408A

    公开(公告)日:2019-09-10

    申请号:CN201910614131.1

    申请日:2019-07-09

    Applicant: 福州大学

    Abstract: 本发明涉及一种含新能源发电的电力系统降阶区间Krawczyk迭代潮流方法。首先是对区间Krawczyk迭代法的中心值扩展形式进行改进,对中心值扩展修改为最优值扩展;然后对高维区间非线性方程组的求解采取降阶思想,降阶后的区间非线性方程采用改进的区间Krawczyk迭代法进行求解,并在计算过程中每求解一个区间非线性方程就更新区间潮流解,重复迭代直至最后达到收敛判据,输出区间潮流解。本发明可以实现考虑新能源发电出力功率以及负荷功率在区间波动情况下进行区间潮流的求解,并且具有更好的适应性以及更高的计算效率。

    一种含新能源发电的电力系统降阶区间Krawczyk迭代潮流方法

    公开(公告)号:CN110224408B

    公开(公告)日:2022-08-23

    申请号:CN201910614131.1

    申请日:2019-07-09

    Applicant: 福州大学

    Abstract: 本发明涉及一种含新能源发电的电力系统降阶区间Krawczyk迭代潮流方法。首先是对区间Krawczyk迭代法的中心值扩展形式进行改进,对中心值扩展修改为最优值扩展;然后对高维区间非线性方程组的求解采取降阶思想,降阶后的区间非线性方程采用改进的区间Krawczyk迭代法进行求解,并在计算过程中每求解一个区间非线性方程就更新区间潮流解,重复迭代直至最后达到收敛判据,输出区间潮流解。本发明可以实现考虑新能源发电出力功率以及负荷功率在区间波动情况下进行区间潮流的求解,并且具有更好的适应性以及更高的计算效率。

    一种预测校正的不确定性仿射潮流方法

    公开(公告)号:CN111181166A

    公开(公告)日:2020-05-19

    申请号:CN202010096069.4

    申请日:2020-02-17

    Applicant: 福州大学

    Abstract: 本发明涉及一种预测校正的不确定性仿射潮流方法,包括以下步骤:步骤S1:采集电网系统网络参数和波动量参数;步骤S2:构建固定噪声元的仿射非线性运算模型;步骤S3:忽略波动量,进行确定性潮流计算,确定各节点电压仿射中心值;步骤S4:根据节点仿射中心值和节点导纳矩阵,计算校正矩阵A和W;步骤S5:计算各待求节点电压的仿射预测值;步骤S6:根据校正矩阵A和W,对节点电压的仿射预测值进行校正,求得校正后的节点电压仿射量;步骤S7:判断校正后的节点电压仿射量是否满足收敛条件,若不满足则跳转至步骤S5;步骤S8:若满足则输出该节点电压仿射量,得到节点电压区间迭代结果,计算节点电压波动量,能更精确的评估各个不确定量对电网节点电压的影响程度。

    一种预测校正的不确定性仿射潮流方法

    公开(公告)号:CN111181166B

    公开(公告)日:2022-10-28

    申请号:CN202010096069.4

    申请日:2020-02-17

    Applicant: 福州大学

    Abstract: 本发明涉及一种预测校正的不确定性仿射潮流方法,包括以下步骤:步骤S1:采集电网系统网络参数和波动量参数;步骤S2:构建固定噪声元的仿射非线性运算模型;步骤S3:忽略波动量,进行确定性潮流计算,确定各节点电压仿射中心值;步骤S4:根据节点仿射中心值和节点导纳矩阵,计算校正矩阵A和W;步骤S5:计算各待求节点电压的仿射预测值;步骤S6:根据校正矩阵A和W,对节点电压的仿射预测值进行校正,求得校正后的节点电压仿射量;步骤S7:判断校正后的节点电压仿射量是否满足收敛条件,若不满足则跳转至步骤S5;步骤S8:若满足则输出该节点电压仿射量,得到节点电压区间迭代结果,计算节点电压波动量,能更精确的评估各个不确定量对电网节点电压的影响程度。

    一种基于设备迁移学习的非侵入式负荷监测方法

    公开(公告)号:CN111369120A

    公开(公告)日:2020-07-03

    申请号:CN202010122993.5

    申请日:2020-02-27

    Applicant: 福州大学

    Abstract: 本发明涉及一种基于设备迁移学习的非侵入式负荷监测方法,采集各家用电器设备的负荷幅值数据与家庭总负荷幅值数据,建立原始数据集;将原始数据集的数据进行归一化处理;搭建初始化序列到点CNN模型来构建迁移学习的设备选取模型,选取迁移学习的初始数据和目标数据;采用初始数据对初始化序列到点CNN模型进行训练过程和验证过程,形成迁移学习初始模型;采用目标数据微调初始模型的全连接层,形成迁移学习目标模型;将归一化后的家庭总负荷幅值数据输入到迁移学习目标模型中,获得目标设备的功率幅值,实现对目标电器设备的非侵入式负荷监测。本发明减少了模型训练的时间,降低了非侵入式负荷监测的经济成本与时间成本。

Patent Agency Ranking