-
公开(公告)号：CN113887794A
公开(公告)日：2022-01-04
申请号：CN202111144517.4
申请日：2021-09-28
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学 , 国网安徽省电力有限公司
Abstract: 本发明公开了一种配电网无功优化的方法及装置，所述方法包括以下步骤：将配电网的历史负荷、拓扑数据以及对应的历史无功优化策略输入改进的CNN网络进行特征提取；特征提取后的配电网数据中历史负荷、拓扑数据作为DBN网络的输入，对应的历史无功优化策略作为DBN网络的输出，训练DBN网络，直到达到预设的迭代次数或者网络损耗不变的时候停止训练得到无功优化模型；将实时获取的历史负荷、拓扑数据输入无功优化模型，得出实时的无功优化策略，利用实时的无功优化策略对配电网进行无功优化；本发明的优点在于：配电网无功优化过程的计算时间短以及精度高。
-
公开(公告)号：CN119625701A
公开(公告)日：2025-03-14
申请号：CN202411694512.2
申请日：2024-11-25
Applicant: 国网安徽省电力有限公司电力科学研究院 , 国网安徽省电力有限公司 , 安徽大学
IPC: G06V20/60 , G06V20/62 , G06V10/44 , G06V10/52 , G06V10/80 , G06V10/82 , G06V30/14 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了一种轻量级网络表计指针识读方法及系统，方法包括：应用训练好的轻量级识别网络，对采集的表计图进行特征提取和融合，识别表计图中的表计；将识别到的表计进行裁剪，将裁剪后的表计图像采用基于文本识别和霍夫变换的表计读数法读取。本发明在表计识别部分在保持计算效率的前提下，提升特征表达的丰富度和有效性。
-
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
Applicant: 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
Abstract: 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：CN110796303B
公开(公告)日：2023-11-07
申请号：CN201911018674.3
申请日：2019-10-24
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
IPC: G06Q10/04 , G06F18/23 , G06F18/214 , G06Q50/06
Abstract: 一种基于EWT和ODBSCAN的短期电力负荷预测方法，可解决单一的预测模型对于具有复杂变化及随机特性的负荷序列，预测难以获得理想的精度的技术问题。本发明提出基于EWT和ODBSCAN的组合预测方法，首先，采用EWT分解负荷，得到不同的固有模态分量；其次，采用合理的方法对各分量进行预测。其中，低频、中频分量采用IRF预测；高频分量具有不确定性，使用ODBSCAN根据气象因素温度和湿度聚类，再根据每类的样本特性选择处理方法。最后，叠加各个分量的预测结果，获取总的预测结果。根据某地市现场实测负荷数据进行实验，预测结果分别与EWT‑IRF、EWT‑RF、EMD‑IRF模型的预测结果进行对比，可以获得更高的预测精度，体现实际负荷的变化规律。
-
公开(公告)号：CN115271242A
公开(公告)日：2022-11-01
申请号：CN202210970798.7
申请日：2022-08-13
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
Abstract: 本发明实施例公开了一种光伏发电功率预测模型的训练方法、预测方法、装置。按照天气类型，将待训练数据进行划分，得到多种划分后的待训练数据；将多种划分后的待训练数据输入预设的光伏功率集成预测模型Stacking TCN‑LGBM‑PM中；基于预设的光伏功率集成预测模型，对每种划分后的待训练数据进行计算，得到每种划分后的待训练数据对应的光伏功率；根据计算得到的每种划分后的待训练数据对应的光伏功率和每种划分后的待训练数据对应的标识光伏功率，对光伏功率集成预测模型进行训练，得到训练后的多种天气类型对应的光伏功率集成预测模型。解决了光伏发电功率预测精度过低的问题，提高了光伏发电功率的预测精度。
-
Patent Agency Ranking
公开(公告)号：CN108964120B
公开(公告)日：2021-09-24
申请号：CN201810699373.0
申请日：2018-06-29
Applicant: 安徽大学 , 国网安徽省电力有限公司电力科学研究院 , 中国电力科学研究院有限公司 , 国家电网有限公司
Abstract: 本发明公开了一种低压分布式光伏接入容量优化控制方法，该方法使用控制器与调容调压变压器提升光伏接入容量的优化控制，该方法在一定程度上解决了台区因光伏消纳能力较差而引发的电压正偏差问题，显著提升了低压台区的低压分布式光伏的接入容量，并降低了低压台区电能质量建设改造的成本，普片适用于含分布式光伏的低压台区。
-
公开(公告)号：CN116451035A
公开(公告)日：2023-07-18
申请号：CN202310450686.3
申请日：2023-04-25
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
IPC: G06F18/15 , G06F18/2433 , G06F18/243 , G06F18/214 , G06F18/213 , G06N3/045 , G06N3/0464 , G06N3/082 , H02J3/00
Abstract: 本发明涉及一种提高分布式光伏预测精度的数据特征工程处理方法，包括：基于iForest算法进行初始数据识别；超分辨率重构‑双通道卷积神经网络进行数据重构，得到重构数据；通过皮尔逊相关系数将得到的重构数据进行相关性的分析；通过相关性的分析和格兰杰因果检验GCT找到最优时间偏移量输入进物理模型，将风速和风向进行变换和气象数据的归一化输入数据驱动模型进行处理。本发明中的物理模型的数据处理，专门用于处理场数据的时空相关性，最后引入特征生成技术来实现数据驱动模型的数据特征提取最大化；对缺失数据进行了识别差补，弥补了分布式光伏电站的数据缺失问题，因为该神经网络的双通道处理，差补的缺失数据与原有的相关性较高。
-
公开(公告)号：CN109873498A
公开(公告)日：2019-06-11
申请号：CN201910212338.6
申请日：2019-03-20
Applicant: 安徽大学 , 国网安徽省电力有限公司电力科学研究院 , 中国电力科学研究院有限公司 , 国家电网有限公司
Abstract: 本发明公开了一种含分布式光伏的低压配电网电能质量综合监测方法，通过将智能电表、光伏逆变器和电能质量在线监测终端采集到的电能质量运行数据，实现低压台区供电首端、光伏接入点和负荷接入点的全面覆盖，克服了传统电能质量监测装置价格高，监测点难以全面覆盖的缺陷，降低了低压台区电能质量在线监测的成本投入。
-
公开(公告)号：CN117277271A
公开(公告)日：2023-12-22
申请号：CN202311009525.7
申请日：2023-08-09
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
Abstract: 本发明涉及一种机理模型嵌入的深度学习光伏短期预测方法，包括：采用Softsign函数替换LSTM模型的tanh函数，采用CSS函数替换LSTM模型的sigmoid函数，得到改进的LSTM模型；将单二极管模型和改进的LSTM模型结合，得到Diode‑LSTM模型，使用历史数据训练Diode‑LSTM模型，得到训练好的Diode‑LSTM模型，使用训练好的Diode‑LSTM模型对未来一段时间内的光伏发电系统输出功率进行预测；将预测的输出功率与实际输出功率进行比较，评估预测的准确性，并根据需要进行调整和优化。本发明具有更好的梯度传递，Softsign函数的梯度在输入接近于0的时候更加平缓，因此可以更好地传递梯度，避免梯度消失或爆炸的问题，具有更快的收敛速度，具有更好的鲁棒性和更好的泛化能力，可以更好地适应不同的数据集和任务。
-
公开(公告)号：CN110796303A
公开(公告)日：2020-02-14
申请号：CN201911018674.3
申请日：2019-10-24
Applicant: 国网安徽省电力有限公司电力科学研究院 , 安徽大学
Abstract: 一种基于EWT和ODBSCAN的短期电力负荷预测方法，可解决单一的预测模型对于具有复杂变化及随机特性的负荷序列，预测难以获得理想的精度的技术问题。本发明提出基于EWT和ODBSCAN的组合预测方法，首先，采用EWT分解负荷，得到不同的固有模态分量；其次，采用合理的方法对各分量进行预测。其中，低频、中频分量采用IRF预测；高频分量具有不确定性，使用ODBSCAN根据气象因素温度和湿度聚类，再根据每类的样本特性选择处理方法。最后，叠加各个分量的预测结果，获取总的预测结果。根据某地市现场实测负荷数据进行实验，预测结果分别与EWT-IRF、EWT-RF、EMD-IRF模型的预测结果进行对比，可以获得更高的预测精度，体现实际负荷的变化规律。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.138 seconds)
