-
公开(公告)号：CN114266290B
公开(公告)日：2025-04-22
申请号：CN202111414916.8
申请日：2021-11-25
Applicant: 国网河南省电力公司电力科学研究院 , 重庆大学 , 国网河南省电力公司 , 国家电网有限公司
IPC: G06F18/2433 , G06F16/215 , H02J3/24 , G06Q50/06
Abstract: 一种针对相量测量单元(PMU)频率数据异常的检测方法。所述方法包括：根据参考站与量测站监测的采样点，分别生成各自的频率序列数据；根据频率序列数据中元素的频率值，分别提取出由时间序号组成的极大值序列与极小值序列；根据参考站极大值序列与极小值序列，对量测站的极大值序列与极小值序列进行适配；分别合并参考站与量测站的极大值序列与极小值序列，以生成参考站与量测站的关键特征点序列；将参考站的关键特征点序列中的元素与量测站的关键特征点序列中的对应元素相减，得到差值序列；若差值序列的任一元素的绝对值均超过时延阈值，输出异常为频率存在时延。本公开可以精细化的检测各种异常情况。
-
公开(公告)号：CN114638454B
公开(公告)日：2025-04-01
申请号：CN202111346961.4
申请日：2021-11-15
Applicant: 重庆大学
IPC: G06Q10/0635 , G06Q30/0201 , G06Q50/06 , G06F17/11 , G06F17/16 , G06F17/18 , G06N3/04 , G06N3/08
Abstract: 本发明公开基于数据驱动的现货市场电价风险评估系统，包括数据获取模块、机组出力和传输线路潮流计算模块、样本识别模块、第一电价计算模块、第二电价计算模块；本发明构建了DC‑OPF问题的GP替代模型来识别LMP计算的关键信息。通过求解一组线性方程组，提出了一种模型‑数据混合EPRA方法。该方法在不影响EPRA精度的前提下，显著提高了EPRA的效率。
-
公开(公告)号：CN111798037B
公开(公告)日：2024-08-06
申请号：CN202010528642.4
申请日：2020-06-10
Applicant: 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: G06N3/09 , G06N3/0499 , H02J3/06
Abstract: 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：CN117689098A
公开(公告)日：2024-03-12
申请号：CN202311449819.1
申请日：2023-11-02
Applicant: 重庆大学
IPC: G06Q10/063 , G06Q50/06 , G06F18/2415 , G06F18/214 , G06N3/0475 , G06N3/045
Abstract: 本发明公开一种考虑样本不平衡性的运行可靠性智能评估方法，包括以下步骤：1)获取电力系统在不同状态下的神经网络训练样本集；2)基于切负荷基础样本集，训练生成对抗神经网络；3)利用对抗神经网络生成切负荷新增样本集；基于切负荷基础样本集和切负荷新增样本集，构建切负荷扩充样本集；4)以正常状态样本集和切负荷扩充样本集作为训练集，利用基于注意力机制的神经网络学习方法训练生成最小切负荷计算神经网络；5)利用最小切负荷计算神经网络进行电力系统运行可靠性评估。发明通过精准扩充切负荷样本和基于注意力的学习方法，构建电力系统运行可靠性智能评估智能体，提升运行可靠性在线评估能力。
-
公开(公告)号：CN116316629A
公开(公告)日：2023-06-23
申请号：CN202211690444.3
申请日：2022-12-27
Applicant: 杭州电力设备制造有限公司 , 国网浙江省电力有限公司杭州市余杭区供电公司 , 国网浙江省电力有限公司杭州供电公司 , 重庆大学
Abstract: 本发明公开一种考虑拓扑特征学习的数据驱动最优潮流计算方法，包括以下步骤：1)建立电力系统最优潮流模型；2)构建基于最优潮流模型的图卷积神经网络，并对图卷积神经网络进行训练，得到最优潮流计算的神经网络模型；3)基于电力系统最优潮流模型，构建神经网络模型输入特征；4)将神经网络模型输入特征输入到最优潮流计算的神经网络模型中，得到最优潮流计算结果。本发明能够训练在多种拓扑下的最优潮流计算图卷积神经网络，对于多种拓扑具有良好的适应性。本发明能够训练在多种拓扑下的最优潮流计算图卷积神经网络，对于多种拓扑具有良好的适应性，同时利用本发明计算得到的最优潮流结果近似数值计算结果。
-
Patent Agency Ranking
公开(公告)号：CN116029603A
公开(公告)日：2023-04-28
申请号：CN202310075428.1
申请日：2023-02-07
Applicant: 重庆大学 , 北京电力交易中心有限公司
Abstract: 本发明公开一种考虑市场成员不平衡功率贡献的调频里程成本分摊系统，包括系统不平衡功率量化计算模块、市场成员不平衡功率贡献度计算模块、调频里程成本分摊模块；所述系统不平衡功率量化计算模块根据调整出力的变化来计算反映调频里程需求的系统不平衡功率；所述市场成员不平衡功率贡献度计算模块根据系统不平衡功率计算每个市场成员对系统不平衡功率的贡献度；所述调频里程成本分摊模块根据每个市场成员对系统不平衡功率的贡献度计算得到每个市场成员应承担的调频里程成本。本发明可广泛应用于电力市场调频里程成本的分摊，可激励负荷、新能源等引起系统调频里程需求的市场成员主动降低自身随机波动特性，从而促进系统频率性能的提升。
-
公开(公告)号：CN115954952A
公开(公告)日：2023-04-11
申请号：CN202211559868.6
申请日：2022-12-06
Applicant: 国家电网有限公司 , 国网重庆市电力公司经济技术研究院 , 重庆大学
IPC: H02J3/46 , H02J3/14 , G06Q10/0631 , G06Q50/06
Abstract: 本发明公开了一种基于时序运行模拟的灵活性资源规划方法，包括：S1.构建灵活性资源规划模型；S2.调整灵活性资源规划模型中各参数值，使得灵活性资源规划模型取得最小值，将规划模型取得最小值时设置的参数作为灵活性资源规划的最优参数。本发明的基于时序运行模拟的灵活性资源规划方法，能够结合不同的运行场景，对不同时间尺度的各类灵活性资源进行准确、可靠地规划分析，为灵活性资源的科学规划提供了技术参考。
-
公开(公告)号：CN115564489A
公开(公告)日：2023-01-03
申请号：CN202211274436.0
申请日：2022-10-18
Applicant: 国家电网有限公司 , 国网重庆市电力公司经济技术研究院 , 国网重庆市电力公司 , 重庆大学
Abstract: 本发明提供了一种电网投资成本与负荷曲线特征关联性分析方法，首先，以电网输电线路投资成本及发电机组运行成本为目标函数，考虑功率平衡及支路功率上下限等约束，建立电网投资模型；其次，提出一种基于拉丁超立方抽样的蒙特卡洛模拟方法，实现对负荷曲线的生成，并提取负荷曲线特征，完成对数据集的构建，为分析电网投资成本与负荷特征的关联关系提供数据支撑；随后，构建模型的训练集输入和训练集输出，并对XGBoost模型进行训练，构建负荷曲线特征与电网投资成本的非线性映射关系；最后，通过对已训练好的XGBoost模型，计算出每个负荷曲线特征的权重，并对权重的大小进行排序，通过比较权重大小分析各负荷曲线特征对电网投资成本的影响程度。
-
公开(公告)号：CN109599872B
公开(公告)日：2022-11-08
申请号：CN201811633643.4
申请日：2018-12-29
IPC: H02J3/06
Abstract: 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：CN114266290A
公开(公告)日：2022-04-01
申请号：CN202111414916.8
申请日：2021-11-25
Applicant: 国网河南省电力公司电力科学研究院 , 重庆大学 , 国网河南省电力公司 , 国家电网有限公司
IPC: G06K9/62 , G06F16/215 , H02J3/24 , G06Q50/06
Abstract: 一种针对相量测量单元(PMU)频率数据异常的检测方法。所述方法包括：根据参考站与量测站监测的采样点，分别生成各自的频率序列数据；根据频率序列数据中元素的频率值，分别提取出由时间序号组成的极大值序列与极小值序列；根据参考站极大值序列与极小值序列，对量测站的极大值序列与极小值序列进行适配；分别合并参考站与量测站的极大值序列与极小值序列，以生成参考站与量测站的关键特征点序列；将参考站的关键特征点序列中的元素与量测站的关键特征点序列中的对应元素相减，得到差值序列；若差值序列的任一元素的绝对值均超过时延阈值，输出异常为频率存在时延。本公开可以精细化的检测各种异常情况。
-
-
-
-
-
-
-
-
-
Search Results
151
records
(took 0.079 seconds)
