-
公开(公告)号：CN110807508A
公开(公告)日：2020-02-18
申请号：CN201911056853.6
申请日：2019-10-31
Applicant: 国网辽宁省电力有限公司经济技术研究院 , 国家电网有限公司 , 东北电力大学
Abstract: 计及复杂气象影响的母线峰值负荷预测方法，属于母线峰值负荷预测技术领域。本发明以条件互信息对原始特征集合中待选特征的特征重要度结果为依据，结合IPSO-ELM作为预测器，开展前向特征选择，确定母线峰值负荷预测的最优特征集合，降低了母线峰值负荷预测时特征冗余对预测精度的影响，且针对不同母线分别构建最优预测模型有效提高了不同母线预测精度，又引入改进粒子群优化极限学习机与线性方法结合，开展不同场景下峰荷预测，满足小样本或无样本场景下预测需要。
-
公开(公告)号：CN110807508B
公开(公告)日：2023-06-09
申请号：CN201911056853.6
申请日：2019-10-31
Applicant: 国网辽宁省电力有限公司经济技术研究院 , 国家电网有限公司 , 东北电力大学
Abstract: 计及复杂气象影响的母线峰值负荷预测方法，属于母线峰值负荷预测技术领域。本发明以条件互信息对原始特征集合中待选特征的特征重要度结果为依据，结合IPSO‑ELM作为预测器，开展前向特征选择，确定母线峰值负荷预测的最优特征集合，降低了母线峰值负荷预测时特征冗余对预测精度的影响，且针对不同母线分别构建最优预测模型有效提高了不同母线预测精度，又引入改进粒子群优化极限学习机与线性方法结合，开展不同场景下峰荷预测，满足小样本或无样本场景下预测需要。
-
公开(公告)号：CN114662759B
公开(公告)日：2024-07-16
申请号：CN202210295347.8
申请日：2022-03-24
Applicant: 东北电力大学
IPC: G06Q10/0631 , G06Q30/0201 , G06Q50/06 , G06N3/006
Abstract: 本发明公开了多主体双层博弈的规模化电动汽车充放电优化调度方法，具体按照以下步骤实施：基于logit协议构建电动汽车充放电调度的多策略集演化博弈模型，通过演化均衡求解算法得到电动汽车各时段的最优充放电功率；构建多电动汽车聚合商在电力市场中竞标购/售电价格的非合作博弈模型；用演化博弈论中的复制者动态描述配电网运营商向各聚合商分配需求响应时段响应电量的策略演化；提出联合求解演化博弈的演化均衡解和非合作博弈的纳什均衡解的方法，得到双层博弈模型三主体的最优稳定策略；本发明方法能够平衡配电网运营商、电动汽车聚合商与电动汽车用户三者之间的经济利益。
-
公开(公告)号：CN114465256B
公开(公告)日：2024-06-21
申请号：CN202210079212.8
申请日：2022-01-24
Applicant: 东北电力大学
Abstract: 本发明公开了多节点电动汽车充电负荷联合对抗生成区间预测方法，包括分析待预测日和历史日联合充电场景中多节点充电负荷间时‑空相关性，确定描述多节点电动汽车充电行为的原始多节点多相关日联合充电场景集；利用梯度惩罚Wasserstein生成对抗网络刻画充电负荷时‑空分布强随机性，对抗生成海量与原始场景集具有相似概率分布但时序分布存在差异的联合充电场景；根据生成的多节点多相关日联合充电场景集，采用加权2‑D相关系数筛选出与待预测日强相关联合场景集；根据待预测日强相关联合场景集获得多节点充电负荷区间预测结果；能更有效预测配网空间内电动汽车充电负荷时‑空分布，更有利于提高配电网运行的稳定性与经济性。
-
公开(公告)号：CN114465256A
公开(公告)日：2022-05-10
申请号：CN202210079212.8
申请日：2022-01-24
Applicant: 东北电力大学
Abstract: 本发明公开了多节点电动汽车充电负荷联合对抗生成区间预测方法，包括分析待预测日和历史日联合充电场景中多节点充电负荷间时‑空相关性，确定描述多节点电动汽车充电行为的原始多节点多相关日联合充电场景集；利用梯度惩罚Wasserstein生成对抗网络刻画充电负荷时‑空分布强随机性，对抗生成海量与原始场景集具有相似概率分布但时序分布存在差异的联合充电场景；根据生成的多节点多相关日联合充电场景集，采用加权2‑D相关系数筛选出与待预测日强相关联合场景集；根据待预测日强相关联合场景集获得多节点充电负荷区间预测结果；能更有效预测配网空间内电动汽车充电负荷时‑空分布，更有利于提高配电网运行的稳定性与经济性。
-
Patent Agency Ranking
公开(公告)号：CN114707292A
公开(公告)日：2022-07-05
申请号：CN202210071063.0
申请日：2022-01-21
Applicant: 东北电力大学
IPC: G06F30/20 , G06Q10/04 , G06Q50/06 , H02J3/32 , G06F111/08 , G06F113/04
Abstract: 本发明公开了含电动汽车配电网电压稳定性分析方法，具体按照以下步骤实施：首先，计及目的地类型与时刻相关性建立出行链模型，结合蒙特卡洛仿真方法，实现出行模拟，生产海量充电负荷场景；其次，计及多节点空间相关性，基于条件Wasserstein梯度惩罚生成对抗网络建立常规负荷生成模型，生成大量常规负荷场景；然后，筛选出典型、极端充电负荷场景和典型、极端常规负荷场景，并构造潜在小概率极端负荷场景、典型负荷场景；最后，基于快速电压稳定指标和电压稳定裕度指标分析配电网电压稳定性，解决了规划结果与实际需求不平衡，导致充电站容量冗余的问题，能使电动汽车配电网电压稳定性分析结果更可靠。
-
公开(公告)号：CN111898822A
公开(公告)日：2020-11-06
申请号：CN202010750651.8
申请日：2020-07-30
Applicant: 东北电力大学
Abstract: 本发明公开了基于多相关日场景生成的充电负荷区间预测方法，具体按照以下步骤实施：步骤1、基于SR相关系数理论，分析待预测日与历史各日EV充电行为的日间相关性，构建多相关日场景集；步骤2、以多相关日场景集为基础，构建基于β-VAE的EV充电负荷场景生成模型，生成海量充电场景；步骤3、在生成海量充电场景中筛选与待预测日的极强相关历史日间充电行为相关性强的场景，组成相似场景集；步骤4、根据相似场景集最后一日数据得到EV充电负荷区间预测结果。解决了现有基于模型驱动的预测方法中存在较多假设条件，使得EV充电行为的分析偏于主观的问题；获得覆盖率高、宽度窄的预测区间。
-
公开(公告)号：CN114742342B
公开(公告)日：2024-10-29
申请号：CN202210163570.7
申请日：2022-02-22
Applicant: 东北电力大学
IPC: G06Q10/0639 , G06Q50/06 , G06F18/213 , G06F18/24
Abstract: 本发明公开了基于多标签LightGBM的电能质量复合扰动识别方法，对原始扰动信号进行基于S变换的时‑频域特征提取，对单一扰动标签对应的LightGBM子分类器分别进行基于total_gain特征重要度的原始特征排序，并以各LightGBM子分类器的分类准确率为决策变量开展前向特征选择，确定与各子分类器相匹配的最优特征子集，根据各最优特征子集构建最优LightGBM子分类器来识别信号中所含的单一扰动成分，并构建含多子分类器的多标签LightGBM来识别电能质量复合扰动。本方法识别准确率高、抗噪声能力强，并且能有效识别无训练样本未知类型复合扰动数据，避免将未知类型复合扰动误识别为错误的已知类型。
-
公开(公告)号：CN114707292B
公开(公告)日：2024-05-24
申请号：CN202210071063.0
申请日：2022-01-21
Applicant: 东北电力大学
IPC: G06F30/20 , G06Q10/047 , G06Q50/06 , H02J3/32 , G06F111/08 , G06F113/04
Abstract: 本发明公开了含电动汽车配电网电压稳定性分析方法，具体按照以下步骤实施：首先，计及目的地类型与时刻相关性建立出行链模型，结合蒙特卡洛仿真方法，实现出行模拟，生产海量充电负荷场景；其次，计及多节点空间相关性，基于条件Wasserstein梯度惩罚生成对抗网络建立常规负荷生成模型，生成大量常规负荷场景；然后，筛选出典型、极端充电负荷场景和典型、极端常规负荷场景，并构造潜在小概率极端负荷场景、典型负荷场景；最后，基于快速电压稳定指标和电压稳定裕度指标分析配电网电压稳定性，解决了规划结果与实际需求不平衡，导致充电站容量冗余的问题，能使电动汽车配电网电压稳定性分析结果更可靠。
-
公开(公告)号：CN114742342A
公开(公告)日：2022-07-12
申请号：CN202210163570.7
申请日：2022-02-22
Applicant: 东北电力大学
Abstract: 本发明公开了基于多标签LightGBM的电能质量复合扰动识别方法，对原始扰动信号进行基于S变换的时‑频域特征提取，对单一扰动标签对应的LightGBM子分类器分别进行基于total_gain特征重要度的原始特征排序，并以各LightGBM子分类器的分类准确率为决策变量开展前向特征选择，确定与各子分类器相匹配的最优特征子集，根据各最优特征子集构建最优LightGBM子分类器来识别信号中所含的单一扰动成分，并构建含多子分类器的多标签LightGBM来识别电能质量复合扰动。本方法识别准确率高、抗噪声能力强，并且能有效识别无训练样本未知类型复合扰动数据，避免将未知类型复合扰动误识别为错误的已知类型。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.064 seconds)
