基于三维空间的海量电网运行数据时变特性分析系统

    公开(公告)号:CN116305941A

    公开(公告)日:2023-06-23

    申请号:CN202310269345.6

    申请日:2023-03-20

    摘要: 本发明公开了一种基于三维空间的海量电网运行数据时变特性分析系统,其包括:数据资源储备模块,包括调控云运行数据平台、调控云模型数据平台和调控云实时数据平台;数据采集模块,包括数据抽取模块等,对电网数据进行抽取模块、清洗、校验、结构化;数据分析处理模块,包括数据标准化模块等,数据分析处理模块涉及ODS层和DW层,数据标准化模块对电网数据进行标准化预处理;数据场景配置模块,包括数立方配置模块等,基于WebGL实现电网运行数据在三维空间内形成聚簇的柱状类似地势面的三维立体模型。本发明将传统的二维曲线空间拓展到三维空间,形成图数联动、友好交互的数据三维空间体,为电网运行人员提供直观、高效的数据时变特性分析手段。

    一种超大规模电网的需求侧频率紧急控制的敏捷反应方法

    公开(公告)号:CN110460070B

    公开(公告)日:2022-08-19

    申请号:CN201910819994.2

    申请日:2019-08-31

    IPC分类号: H02J3/24

    摘要: 本发明公开了电力系统技术领域的一种超大规模电网的需求侧频率紧急控制的敏捷反应方法,包括毫秒级主动响应,以本地侧零通信的主动响应形式进行,通过阶段一响应过程是零通信的,实现响应速度最快可达毫秒级,可靠延时响应,通过3~5秒的延时反复确认频率骤降事实,得到进行可靠响应以补充剩余的有功缺额,最优动态控制,若存在控制成本低于发电侧备用的负荷且频率仍低于额定值,则系统以通信的方式准确切除此类负荷,并且将频率以最优的动态特性恢复至额定频率,该方法兼顾了快速性和可靠性,同时能够完成分阶段本地侧主动响应,响应过程零通信,实现需求侧负荷资源的响应速度最快可达毫秒级,该方案相对于单阶段响应方案的可靠性更高。

    一种电力语音中多音字检测方法
    37.
    发明公开

    公开(公告)号:CN113808580A

    公开(公告)日:2021-12-17

    申请号:CN202010540515.6

    申请日:2020-06-15

    摘要: 本发明涉及基于人工智能的电力领域,具体为一种电力语音中多音字检测方法,其不同之处在于,包括以下步骤:步骤1:采集语音内容形成语音信号,进行预处理;步骤2:对每一帧语音信号进行快速傅立叶变换,确定其幅度谱和相位谱,同时确定平均幅度谱输入步骤五;步骤3:确定多窗谱功率谱密度;确定其平滑功率谱密度;步骤4:确定增益因子;步骤5:得到谱减后的幅度谱;步骤6:求出减噪后的语音信号;步骤7:确定对数能量与谱熵的比值即能熵比;步骤8:检测到电力语音起始点;步骤9:检测到语音终止点;步骤10:重复步骤8和步骤9直至电力语音段结束。本发明有效提升电力领域用户在自然环境中多音字识别准确率。

    一种插座负荷类型识别系统的架构与识别方法

    公开(公告)号:CN113609635A

    公开(公告)日:2021-11-05

    申请号:CN202110558162.7

    申请日:2021-05-21

    摘要: 本发明公开了插座负荷类型识别技术领域的一种插座负荷类型识别系统的架构,包括用户服务端、核心平台端、接入层端和设备终端,设备终端与接入层端交互,接入层端与核心平台端交互,核心平台端与用户服务端交互,负荷识别方法采用自下而上的思想进行架构,具体为:Ⅰ、采用OvR(One vs.Rest)拆分法处理多个电器类型的识别的问题;Ⅱ、每种电器分别进行建模,并采用单分类方法训练每个二分类器;Ⅲ、结合电器的状态序列对电器类型进行识别;本发明可以在数据有限的情况下构建可用的负荷识别系统;当数据发生更改或增删时仅影响数据所属的电器类,参数的修改较为直观且简单;系统可以随时增加新的电器类型而不影响已有的电器类型的识别结果。

    一种基于深度强化学习的智慧园区优化策略

    公开(公告)号:CN113469839A

    公开(公告)日:2021-10-01

    申请号:CN202110748404.9

    申请日:2021-06-30

    摘要: 本发明公开了一种基于深度强化学习的智慧园区优化策略,涉及智慧园区优化领域,包括以下步骤:构建智慧园区的模型,所述智慧园区包括园区决策中心、微型燃气轮机、PV发电系统、储能系统及园区负荷,所述园区负荷包括刚性负荷和柔性负荷;采用深度强化学习方法,针对日前时间尺度和日内时间尺度,实现所述智慧园区的优化决策。本发明采用两个时间尺度相结合的方式,针对日前时间尺度,采用基于深度Q网络算法的深度强化学习方法,实现离散动作空间的优化过程;针对日内时间尺度,采用基于优势动作评论算法的深度强化学习方法,实现连续动作空间的优化决策;日内优化将考虑日前优化的决策行为,从而加速算法收敛,提升训练的效率。