-
公开(公告)号：CN112434444A
公开(公告)日：2021-03-02
申请号：CN202011427995.1
申请日：2020-12-07
申请人： 国网天津市电力公司 , 国网天津市电力公司滨海供电分公司 , 国家电网有限公司 , 天津大学
IPC分类号： G06F30/20 , G06Q10/04 , G06Q10/06 , G06Q30/02 , G06Q50/06 , G06F111/04 , G06F119/06
摘要： 本发明公开了一种计及需求响应的配电网站网协同扩容规划方法，该方法采用的是一个双层优化模型：下层主要建立基于补偿价格的EV充放电行为优化模型，以用户充电成本最小为目标，优化EV充放电功率；上层考虑EV用户对补偿价格的响应，建立配电网站网协同扩容规划模型，以年总投资运行成本最小为目标，确定变电站和线路的容量以及充电补偿价格。本发明的方法中通过引入优化补偿价格，间接引导充电过程，改善了充电负荷分布与配电网运行，延缓了配电网投资，并能减少配电网年总投资运行成本。
-
公开(公告)号：CN112434444B
公开(公告)日：2022-03-11
申请号：CN202011427995.1
申请日：2020-12-07
申请人： 国网天津市电力公司 , 国网天津市电力公司滨海供电分公司 , 国家电网有限公司 , 天津大学
IPC分类号： G06F30/20 , G06Q10/04 , G06Q10/06 , G06Q30/02 , G06Q50/06 , G06F111/04 , G06F119/06
摘要： 本发明公开了一种计及需求响应的配电网站网协同扩容规划方法，该方法采用的是一个双层优化模型：下层主要建立基于补偿价格的EV充放电行为优化模型，以用户充电成本最小为目标，优化EV充放电功率；上层考虑EV用户对补偿价格的响应，建立配电网站网协同扩容规划模型，以年总投资运行成本最小为目标，确定变电站和线路的容量以及充电补偿价格。本发明的方法中通过引入优化补偿价格，间接引导充电过程，改善了充电负荷分布与配电网运行，延缓了配电网投资，并能减少配电网年总投资运行成本。
-
公开(公告)号：CN112330028A
公开(公告)日：2021-02-05
申请号：CN202011235182.2
申请日：2020-11-08
申请人： 国网天津市电力公司 , 国网天津市电力公司滨海供电分公司 , 天津大学
摘要： 本发明公开了一种基于谱聚类和LSTM神经网络的电动公交车充电负荷预测方法，该充电负荷预测方法包括：步骤一、电动公交车充电负荷数据处理及分析，即整理电动公交车充电负荷数据，并进行预处理与清洗，从而得到日负荷曲线，并分析日负荷曲线特征；步骤二、根据电动公交车日负荷曲线特征，利用考虑距离和形态特性的谱聚类算法对日负荷曲线进行聚类；步骤三、根据考虑距离和形态特性的谱聚类算法的负荷曲线聚类结果，对各类群体分别进行LSTM神经网络训练，确定最优网络参数，对预测日进行负荷预测。本发明通过聚类算法将具有相同特性的电动公交车划分为同一类簇，针对不同类簇进行LSTM神经网络建模分析，能提高总体负荷预测精度。
-
公开(公告)号：CN110570023B
公开(公告)日：2023-05-16
申请号：CN201910758297.0
申请日：2019-08-16
IPC分类号： G06Q10/04 , G06Q50/06 , G06N3/044 , G06N3/08 , G06N20/10 , G06F18/27 , G06F18/214 , H02J3/00
摘要： 本发明涉及基于SARIMA‑GRNN‑SVM的短期商业电力负荷预测方法，包括如下步骤：通过对负荷曲线的分析得出商业电力负荷波动的影响因素；对商业电力负荷时间序列预测与多因素回归预测构建单一预测模型；构建SVM模型，并利用训练样本对SVM模型进行参数优化与训练，通过网格搜索与交叉验证法进行SVM模型的参数优化；将SARIMA模型、GRNN模型得出的预测日的预测值输入到训练后的SVM模型中，即得到预测日的商业电力负荷预测值。本发明克服了单一预测模型无法综合考虑商业负荷的周期性变化与影响因素导致预测结果易发生较大误差的问题，提升了预测精确度与鲁棒性。
-
公开(公告)号：CN110570023A
公开(公告)日：2019-12-13
申请号：CN201910758297.0
申请日：2019-08-16
摘要： 本发明涉及基于SARIMA-GRNN-SVM的短期商业电力负荷预测方法，包括如下步骤：通过对负荷曲线的分析得出商业电力负荷波动的影响因素；对商业电力负荷时间序列预测与多因素回归预测构建单一预测模型；构建SVM模型，并利用训练样本对SVM模型进行参数优化与训练，通过网格搜索与交叉验证法进行SVM模型的参数优化；将SARIMA模型、GRNN模型得出的预测日的预测值输入到训练后的SVM模型中，即得到预测日的商业电力负荷预测值。本发明克服了单一预测模型无法综合考虑商业负荷的周期性变化与影响因素导致预测结果易发生较大误差的问题，提升了预测精确度与鲁棒性。
-
公开(公告)号：CN109165792B
公开(公告)日：2021-09-21
申请号：CN201811072221.4
申请日：2018-09-14
摘要： 本发明涉及一种基于SOA‑WNN的光伏短期输出功率预测方法，其技术特点在于：包括以下步骤：步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。本发明将小波分析与BP神经网络进行融合，可以改善原有算法的固有缺陷，并利用人群搜索法在速度及全局搜索上的优势对小波神经网络进行改进。
-
公开(公告)号：CN112287559A
公开(公告)日：2021-01-29
申请号：CN202011239481.3
申请日：2020-11-09
IPC分类号： G06F30/20 , G06F113/04 , G06F119/08
摘要： 本发明提供了一种冷热管网虚拟储能的配电网供电能力分析方法及装置，涉及电网评估的技术领域，具体包括：构建冷热负荷用户舒适度模型以及冷热管网虚拟储能模型，并获取热感平均标度预测指标以及热管网时滞热量；基于热管网时滞热量获取热管网时滞热量所需的电能；判定热感平均标度预测指标是否在阈值之内；若在，则获取主变压器负载率以及馈线负载率，构建供电能力目标函数，并基于热管网时滞热量所需的电能、主变压器负载率以及馈线负载率构建约束条件，获取供电能力目标函数的最大值。通过本发明提供的方法和装置，可以进一步提挖掘城市配电网的供电能力，更大地发挥配电网的资源利用效能，提升电网建设与运行的经济性。
-
公开(公告)号：CN109165792A
公开(公告)日：2019-01-08
申请号：CN201811072221.4
申请日：2018-09-14
摘要： 本发明涉及一种基于SOA-WNN的光伏短期输出功率预测方法，其技术特点在于：包括以下步骤：步骤1、构建基于皮尔森相似系数的相似日选取原则，确定小波神经网络的拓扑结构；步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化；步骤3、基于步骤2的小波神经网络参数优化，将相似日数据样本带入小波神经网络中进行建模，得到光伏短期输出功率预测值。本发明将小波分析与BP神经网络进行融合，可以改善原有算法的固有缺陷，并利用人群搜索法在速度及全局搜索上的优势对小波神经网络进行改进。
-
公开(公告)号：CN114676941B
公开(公告)日：2022-09-30
申请号：CN202210596819.3
申请日：2022-05-30
申请人： 国网天津市电力公司经济技术研究院 , 国网天津市电力公司 , 国家电网有限公司
摘要： 本发明涉及园区综合能源系统电‑热负荷联合自适应预测方法及装置，通过多任务学习框架学习多元负荷的耦合关系，采用CNN‑LSTM‑Attention网络分别提取电热负荷的特征，结合日前的天气信息作为共享层；同时损失函数考虑到电热负荷的不确定性差异，对不同任务赋予动态权重，来权衡多任务学习总体的损失大小，进一步提高负荷预测的准确性；在过渡季预测偏差大时，以MMD来分别衡量电热负荷以及天气的数据分布差异，采用迁移学习固定模型底层网络参数，并对相应的顶层网络参数进行微调，解决园区综合能源系统负荷预测模型的自适应性问题，为园区综合能源系统的精细化调度优化提供依据。
-
公开(公告)号：CN114676941A
公开(公告)日：2022-06-28
申请号：CN202210596819.3
申请日：2022-05-30
申请人： 国网天津市电力公司经济技术研究院 , 国网天津市电力公司 , 国家电网有限公司
摘要： 本发明涉及园区综合能源系统电‑热负荷联合自适应预测方法及装置，通过多任务学习框架学习多元负荷的耦合关系，采用CNN‑LSTM‑Attention网络分别提取电热负荷的特征，结合日前的天气信息作为共享层；同时损失函数考虑到电热负荷的不确定性差异，对不同任务赋予动态权重，来权衡多任务学习总体的损失大小，进一步提高负荷预测的准确性；在过渡季预测偏差大时，以MMD来分别衡量电热负荷以及天气的数据分布差异，采用迁移学习固定模型底层网络参数，并对相应的顶层网络参数进行微调，解决园区综合能源系统负荷预测模型的自适应性问题，为园区综合能源系统的精细化调度优化提供依据。
-
-
-
-
-
-
-
-
-
搜索结果
87 条记录 (耗时 0.08 秒)
