-
公开(公告)号：CN110222887A
公开(公告)日：2019-09-10
申请号：CN201910454601.2
申请日：2019-05-27
申请人： 国网安徽省电力有限公司 , 国网安徽省电力有限公司电力科学研究院 , 安徽大学
摘要： 本发明公开了基于VMD和DNN的预测方法及在短期负荷预测的应用，属于电力系统短期负荷预测技术领域。包括步骤1：采集负荷数据；步骤2：将采集数据进行归一化处理；步骤3：采用VMD方法对归一化后的原始负荷序列进行分解；步骤4：对步骤3得到的K个分量进行深度神经网络（DNN）训练；步骤5：将分解后的测试样本带入DNN并叠加得到最终的预测结果。本发明对具有波动性和随机性的数据预测准确，能够有效减少数据的计算量，缩短了计算时间，而且预测结果准确，提升负荷预测的准确性对电力系统的经济调度、稳定运行具有重要意义。
-
公开(公告)号：CN110490369A
公开(公告)日：2019-11-22
申请号：CN201910678862.2
申请日：2019-07-25
申请人： 国网安徽省电力有限公司 , 国网安徽省电力有限公司电力科学研究院 , 安徽大学
摘要： 一种基于EWT和LSSVM模型的短期电力负荷预测方法，可解决现有方法计算效率低、计算成本大的技术问题。包括以下步骤：S100：利用EWT分解原始电力负荷序列，获得不同频率下的IMF分量；S200：使用LSSVM建立各个IMF分量序列的负荷预测模型；S300：将各个负荷预测模型的预测结果相加，得到总的预测结果。本发明通过经验小波变换，既可以解决EMD存在的模态混叠问题，同时经过其分解得到更少的分量，降低计算规模。该方法是一种建立自适应小波的新方法，其通过提取出具有紧凑的支撑傅立叶谱的AM-FM分量，使用EWT分解不同模态相当于对傅立叶频谱进行分段并应用对应于每个检测到的支撑的一些滤波，提高预测精度。
-
公开(公告)号：CN108183488B
公开(公告)日：2020-04-28
申请号：CN201711403797.X
申请日：2017-12-22
申请人： 安徽大学 , 国网安徽省电力有限公司电力科学研究院
摘要： 本发明针对现有高渗透率大规模分布式能源系统，在集群划分依据、划分方法、调压策略方面仍旧处于探索阶段，不便于对高渗透率大规模分布式能源系统开展后续电压调节的问题，提供一种基于集群划分的高渗透率分布式能源系统智能调压方法。该方法，包括：采用K‑means算法将电力系统中的节点划分为n个亚群落，以可控PV节点无功功率和有功功率为可调变量，并在亚群落内进行潮流运算；预设非线性调节周期，采用混合粒子群优化算法对PV节点电压进行粗调节，并确定工作点Γ；根据确定的工作点Γ，采用节点电压的线性化方程对PV节点电压进行细调节。本发明可有效的解决高渗透率可再生能源的过电压问题，并具有良好的实时性。
-
公开(公告)号：CN108183488A
公开(公告)日：2018-06-19
申请号：CN201711403797.X
申请日：2017-12-22
申请人： 安徽大学 , 国网安徽省电力有限公司电力科学研究院
摘要： 本发明针对现有高渗透率大规模分布式能源系统，在集群划分依据、划分方法、调压策略方面仍旧处于探索阶段，不便于对高渗透率大规模分布式能源系统开展后续电压调节的问题，提供一种基于集群划分的高渗透率分布式能源系统智能调压方法。该方法，包括：采用K-means算法将电力系统中的节点划分为n个亚群落，以可控PV节点无功功率和有功功率为可调变量，并在亚群落内进行潮流运算；预设非线性调节周期，采用混合粒子群优化算法对PV节点电压进行粗调节，并确定工作点Γ；根据确定的工作点Γ，采用节点电压的线性化方程对PV节点电压进行细调节。本发明可有效的解决高渗透率可再生能源的过电压问题，并具有良好的实时性。
-
公开(公告)号：CN110942205B
公开(公告)日：2022-12-06
申请号：CN201911232794.3
申请日：2019-12-05
申请人： 国网安徽省电力有限公司 , 安徽大学
摘要： 本发明提出了一种基于HIMVO‑SVM的短期光伏发电功率预测方法。首先，为摆脱传统MVO算法易陷入局部优化的缺点，采用基于帐篷映射的混沌序列参与种群初始化；接着，在MVO算法的位置矢量更新中，引入了一种非线性惯性权值下降策略，并加入差分进化(DE)算法进行全局搜索，提出了HIMVO算法来寻优SVM参数；最后，采用所提方法在三种不同天气类型下进行仿真实验。预测结果与SVM、MVO‑SVM方法对比，验证了HIMVO‑SVM方法可有效提升短期光伏发电功率预测精度。
-
公开(公告)号：CN110942205A
公开(公告)日：2020-03-31
申请号：CN201911232794.3
申请日：2019-12-05
申请人： 国网安徽省电力有限公司 , 安徽大学
摘要： 本发明提出了一种基于HIMVO-SVM的短期光伏发电功率预测方法。首先，为摆脱传统MVO算法易陷入局部优化的缺点，采用基于帐篷映射的混沌序列参与种群初始化；接着，在MVO算法的位置矢量更新中，引入了一种非线性惯性权值下降策略，并加入差分进化(DE)算法进行全局搜索，提出了HIMVO算法来寻优SVM参数；最后，采用所提方法在三种不同天气类型下进行仿真实验。预测结果与SVM、MVO-SVM方法对比，验证了HIMVO-SVM方法可有效提升短期光伏发电功率预测精度。
-
公开(公告)号：CN111060779A
公开(公告)日：2020-04-24
申请号：CN201911143515.6
申请日：2019-11-20
申请人： 安徽大学
IPC分类号： G01R31/08
摘要： 本发明的一种基于概率神经网络的电网分区故障诊断方法及系统，可解决大电网故障诊断难度大的技术问题；本发明通过将大电网划分为小区域进行故障诊断，降低大电网故障诊断的难度。首先利用概率神经网络对分区的电网故障进行诊断，然后利用灰色关联度对重合区域的线路故障进行再分析，实现整个电网的精准故障诊断。本发明不仅能够诊断出非重合区域故障，而且能够准确诊断重合区域的故障。有效降低大电网故障诊断的复杂度，能够处理多种复杂故障情况，具有良好的故障诊断能力。
-
公开(公告)号：CN109934418A
公开(公告)日：2019-06-25
申请号：CN201910243384.2
申请日：2019-03-28
申请人： 安徽大学
摘要： 本发明针对现有的短期负荷预测方法都存在预测方法较为单一，预测精度不高的问题，提供一种基于频域分解及人工智能算法的短期负荷预测方法。该方法，包括：用频域分解算法对原始负荷数据的负荷时间序列进行分解，获得日周期分量、周周期分量、低频分量和高频分量；采用神经网络算法对日周期和周周期进行预测；采用随机森林算法对低频分量进行预测；对高频分量进行二次分解，对分解后的低频部分采用神经网络算法进行预测。本发明所提的基于频域分解的短期负荷预测模型，预测结果与Elman神经网络、随机森林预测结果相比具有更高的预测精度。
-
公开(公告)号：CN111060779B
公开(公告)日：2022-03-11
申请号：CN201911143515.6
申请日：2019-11-20
申请人： 安徽大学
IPC分类号： G01R31/08
摘要： 本发明的一种基于概率神经网络的电网分区故障诊断方法及系统，可解决大电网故障诊断难度大的技术问题；本发明通过将大电网划分为小区域进行故障诊断，降低大电网故障诊断的难度。首先利用概率神经网络对分区的电网故障进行诊断，然后利用灰色关联度对重合区域的线路故障进行再分析，实现整个电网的精准故障诊断。本发明不仅能够诊断出非重合区域故障，而且能够准确诊断重合区域的故障。有效降低大电网故障诊断的复杂度，能够处理多种复杂故障情况，具有良好的故障诊断能力。
-
-
-
-
-
-
-
-
搜索结果
9 条记录 (耗时 0.052 秒)