电力系统负荷削减量的检测方法和系统

    公开(公告)号:CN107256158B

    公开(公告)日:2021-06-18

    申请号:CN201710423891.5

    申请日:2017-06-07

    IPC分类号: G06F8/20 G06Q10/06 G06Q50/06

    摘要: 本发明涉及一种电力系统负荷削减量的检测方法和系统。上述电力系统负荷削减量的检测方法包括:将电力数据输入软件开发程序,将软件开发程序提供的jar文件导入Java平台,在Java平台编写与输入软件开发程序的电力数据相对应的数据结构;在计算引擎上通过划分多个计算能力相同的工作区间,统计所述数据结构对应的任务数目,根据任务数目将所述数据结构平均分配至各个工作区间;分别在各个工作区间执行并行处理操作,引入预设的Scala语言计算程序分别计算各个工作区间对应的负荷削减分量;执行计算引擎的收集操作,将负荷削减分量返回到计算引擎的主程序,获取电力系统的负荷削减总量。其提高了获取电力系统负荷削减量的效率,可以降低负荷相应检测成本。

    电力设备识别模型构建方法和系统、电力设备的识别方法

    公开(公告)号:CN107480730A

    公开(公告)日:2017-12-15

    申请号:CN201710792194.7

    申请日:2017-09-05

    IPC分类号: G06K9/62 G06N3/08

    CPC分类号: G06K9/6256 G06N3/08

    摘要: 本发明涉及一种电力设备识别模型构建方法和系统、电力设备的识别方法。上述电力设备识别模型构建方法包括:标注各类电力设备分别对应的红外图像中的电力设备目标,得到样本训练集;输入RPN卷积神经网络,使损失函数有最小值,输出目标候选框;将目标候选框输入Fast-RCNN卷积神经网络,通过全连接层与回归函数计算目标候选框到对应的类别的转换权值,利用边框回归获得目标候选框的位置偏移到对应标签位置的Fast-RCNN参数;将共享卷积层学习率设为0,初始化,在所述RPN卷积神经网络中根据所述Fast-RCNN参数对输入的红外图像进行训练,得到RPN卷积神经网络模型;将目标候选框输入所述RPN卷积神经网络模型,更新Fast-RCNN卷积神经网络,形成统一的Faster-RCNN网络,输出电力设备识别模型。

    一种热电联产系统调度策略确定方法及装置

    公开(公告)号:CN118228907A

    公开(公告)日:2024-06-21

    申请号:CN202410035757.8

    申请日:2024-01-08

    摘要: 本说明书涉及热电联产系统领域,提供了一种热电联产系统调度策略确定方法及装置,方法包括:建立热电联产系统中各设备的设备运行模型及各能源转换设备的约束条件;根据所述设备运行模型及约束条件,训练得到热电联产系统模型;根据热电联产系统的多维度成本,建立第一目标函数;根据热电联产系统模型、设备运行模型及约束条件,利用元启发式优化算法优化所述第一目标函数得到调度策略。本说明书建立的热电联产系统模型能够真实动态地反应系统内在输入输出关系,准确地及高效地模拟热电联产系统输出情况和未来趋势,利用热电联产系统模型及元启发优化算法优化目标函数能够提高优化过程收敛速度和准确性。

    多船协同的海上风电运维调度高效优化方法及相关装置

    公开(公告)号:CN117892893A

    公开(公告)日:2024-04-16

    申请号:CN202410065192.8

    申请日:2024-01-16

    摘要: 本申请提出一种多船协同的海上风电运维调度高效优化方法及相关装置,将构建的多船协同运维调度模型分解为多个满足多船协同运维调度模型约束条件的单船运维优化调度子模型,分别求解后,合并各单船运维优化调度子模型的解,得到多船协同运维调度模型的解,作为海上风电运维调度优化策略。实现了海上风电场多船协同优化调度模型的高效求解,帮助风电运营商和第三方运维服务商提高运维任务的排布效率,减少风险,降低运维成本。即使面对大规模的多船协同运维调度模型,也能够快速完成求解,得到优化策略,效率高且计算准确度高。

    电池电荷状态的预测方法及预测装置、存储介质、设备

    公开(公告)号:CN111695301A

    公开(公告)日:2020-09-22

    申请号:CN202010549995.2

    申请日:2020-06-16

    IPC分类号: G06F30/27 G06N3/04 G06N3/08

    摘要: 本发明公开了基于神经网络模型的电池电荷状态的预测方法及预测装置、计算机可读存储介质、计算机设备。该预测方法包括:获取电池的历史电荷状态数据;利用预构建的筛选模型从历史电荷状态数据中选取若干时刻的历史输入数据和历史输出数据作为训练数据;利用训练数据对初始的神经网络模型进行训练;对训练完成的神经网络模型进行优化处理,获得目标神经网络模型;将获取的电池的实时输入数据输进目标神经网络模型,目标神经网络模型输出电池的实时电荷状态数据。该预测方法从历史电荷状态数据中选取部分数据作为训练数据,能够充分挖掘历史数据信息,具有更高的灵活性与实用性,可以减少运算量,减少训练时间,可以减小模型误差,提高预测精度。

    一种电池荷电状态估计方法及估计器

    公开(公告)号:CN111505504A

    公开(公告)日:2020-08-07

    申请号:CN202010364716.5

    申请日:2020-04-30

    IPC分类号: G01R31/367 G06F30/20

    摘要: 本申请提供了一种电池荷电状态估计方法及估计器,该方法包括:基于电池的实际状态数据至少确定两个所述电池时域内连续的状态模型,所述状态模型能够根据输入的目标时刻的电流值对应输出电压值;基于目标时刻的实际电压值处理第一电压值得到第一处理结果,所述第一电压值由第一状态模型根据目标时刻的电流值计算得到,所述第一处理结果用于调整第二状态模型,以提高所述第二状态模型对电压值的计算精度;基于所述第一处理结果调整第二状态模型,并得到所述第二状态模型对所述目标时刻输出的第二电压值;处理所述第一电压值及第二电压值,以得到所述目标时刻下所述电池的荷电状态。本申请能够实时、高效、准确地对电池进行荷电状态估计。