一种基于聚类分析算法的配电网线损差异化计算方法

    公开(公告)号:CN117556282A

    公开(公告)日:2024-02-13

    申请号:CN202311495677.2

    申请日:2023-11-10

    摘要: 本发明公开了一种基于聚类分析算法的配电网线损差异化计算方法,本发明属于电网运行技术领域,本发明的目的在于解决现在的配电网线损差异化计算方法,对电力公司更好地理解其配电网的线损情况了解不全面,因此无法通过相应解决办法采取措施来减少线损,从而降低了电网系统的效率和可靠性的问题。达到的技术效果为:根据数据集选择适当的聚类算法,使用所选的聚类算法将配电网数据集分成不同的簇或群集,分析不同簇之间线损的差异,以适应不同的配电网情境,从而确定可能导致线损差异的主要因素,将帮助电力公司更好地理解其配电网的线损情况,有针对性地采取措施来减少线损,从而提高系统的效率和可靠性。

    一种电网精确箱型经济运行域的加速求解方法

    公开(公告)号:CN116029464A

    公开(公告)日:2023-04-28

    申请号:CN202310310438.9

    申请日:2023-03-28

    IPC分类号: G06Q10/04 G06Q50/06 H02J3/00

    摘要: 本发明公开了一种电网精确箱型经济运行域的加速求解方法,包括:基于大M法将求解电网精确箱型经济运行域的双层优化问题转化为含大M的第一单层优化问题;在电网不确定集内随机生成若干随机场景,分别对所有随机场景对应的第一单层优化问题中的每个大M缩减为,得到第二单层优化问题;求解第二单层优化问题,构建电网精确箱型经济运行域。本发明方法有助于提高电网经济运行域的求解效率,节约计算资源。

    一种电网凸包经济运行域分解并行求解方法及装置

    公开(公告)号:CN115660385A

    公开(公告)日:2023-01-31

    申请号:CN202211590666.8

    申请日:2022-12-12

    摘要: 本发明公开了一种电网凸包经济运行域分解并行求解方法及装置。本发明针对新能源消纳问题,提出了刻画新能源出力不确定性对电网调度计划影响的凸包经济运行域的分解并行求解方法。首先,构建可并行求解的第一双层优化模型,确定各时刻凸包经济运行域的维度;然后,初始化各时刻包含初始经济运行点的初始凸包;最后,构建用来扩展凸包经济运行域顶点的第二双层优化模型,并提出一种可并行执行的双层迭代算法,求解得到最终的凸包经济运行域。本方法相比于传统的串行求解算法具有更高的求解效率,得到的凸包经济运行域一方面可以用来实时评估电网运行的安全性和经济性,另一方面可以支撑电网智能精细化调度,支撑电网自动巡航技术的实现。

    一种基于图深度强化学习的电网低压减载紧急控制方法

    公开(公告)号:CN114865638A

    公开(公告)日:2022-08-05

    申请号:CN202210284930.9

    申请日:2022-03-22

    摘要: 本发明涉及一种基于图深度强化学习的电网低压减载紧急控制方法。该方法基于电力系统算例规模设计拓扑变化场景和低压减载策略;采样系统拓扑多时刻观测值构建节点特征矩阵;基于FastGCN‑D3QN图深度强化学习提取有效样本特征,训练并建立电力系统低压减载紧急控制模型;利用训练完成的低压减载模型进行预测获取系统紧急控制方案。现有基于传统深度强化学习的低压减载方法难以适应电网拓扑变化,无法提供准确和可靠的控制方案;而改进的FastGCN方法可对非欧式空间数据进行建模,提取拓扑频繁变化的电网拓扑特征,但是缺乏一定的决策能力。本发明将两者结合优势互补,为拓扑频繁变化的电力系统场景的感知决策问题提供了解决思路,可提供更可靠更经济的控制策略。

    一种基于CNN的GPU并行潮流越限判别方法

    公开(公告)号:CN112670996A

    公开(公告)日:2021-04-16

    申请号:CN202011405704.9

    申请日:2020-12-03

    IPC分类号: H02J3/06 G06N3/04 G06N3/08

    摘要: 本发明公开了一种基于CNN的GPU并行潮流越限判别方法,该方法首先获取电力系统的系统参数、负荷曲线和额定运行状态数据;潮流越限判别数据集数据增强;构建标签;以数据增强后的运行状态数据作为输入,标签作为输出构建用于潮流越限判别的卷积神经网络模型的数据集构建卷积神经网络,将数据集和模型移动至GPU,使用训练数据集并行训练模型的参数;最后获取实际环境中的电力系统运行状态数据,使用训练完成的卷积神经网络模型进行潮流越限判别,并根据判别结果计算模型的判别误差。本发明通过建立并使用GPU并行训练卷积神经网络,得到可进行潮流越限判别的模型,能够在确保判别准确率的前提下加快潮流越限判别。