一种基于多智能体的海量分布式可控资源调度方法

    公开(公告)号:CN118798669A

    公开(公告)日:2024-10-18

    申请号:CN202410740062.X

    申请日:2024-06-07

    摘要: 本发明公开了一种基于多智能体的海量分布式可控资源调度方法,包括:建立系统模型,包括每个可控资源的特性、限制以及对应的智能体模型;为每个分布式资源配置一个智能体,能够自主决策、响应集中控制中心的命令;构建一个可靠的通信网络,连接所有智能体和集中控制中心;设计分层控制策略,包括局部控制和全局控制,建立多智能体协商机制。本发明通过结合智能体自主决策、多层控制策略、强化学习和协商机制通过智能体自主决策和局部控制与全局控制的结合,提高了资源调度的灵活性和响应速度。采用强化学习算法和多智能体协商机制,优化了资源利用率和调度效率,确保了资源的最优配置。

    一种拓扑辨识停电检修计划的风险辨识方法

    公开(公告)号:CN113627766B

    公开(公告)日:2024-08-20

    申请号:CN202110879363.7

    申请日:2021-08-02

    IPC分类号: G06Q10/0635 G06Q50/06

    摘要: 本发明公开了一种拓扑辨识停电检修计划的风险辨识方法,其特征在于,包括以下步骤:智能监测终端获取电力设备信息,并根据电力设备信息生成拓扑图;所述智能监测终端对拓扑图进行处理,构建区域电网网络完整拓扑结构的图数据模型;所述智能监测终端将图数据模型进行重叠检修的拓扑分析;所述智能监测终端将图数据模型进行拓扑辨识;所述智能监测终端生成重叠检修辨识结果和拓扑辨识结果;有效解决了停电检修计划的风险辨识效率准确性,使检修计划结果能更趋近且满足电网运行安全合理性要求,并解决多部门之间协作的效率难题;实现了拓扑辨识停电检修时存在的电网运行风险。

    一种ES-DFIG系统的高风速频率响应模型建立方法

    公开(公告)号:CN117937593A

    公开(公告)日:2024-04-26

    申请号:CN202311757473.1

    申请日:2023-12-20

    摘要: 本发明涉及一次调频技术领域,特别涉及一种ES‑DFIG系统的高风速频率响应模型建立方法,包括步骤:建立高于额定风速运行情况下DFIG运动方程的小信号模型;根据DFIG运动方程的小信号模型建立高于额定风速运行情况下DFIG转子速度变化方程;根据DFIG运动方程的小信号模型和DFIG转子速度变化方程建立高风速下的ES‑DFIG系统的频率响应模型。本发明所提出的高风速下的ES‑DFIG系统的输出功率小信号模型对比常见的DFIG模型,首次考虑到了储能单元ES的调频作用,这避免了采用传统的等效模型来描述ES‑DFIG的频率特性时所导致的误差,能够更有效的分析高风速条件下的频率响应特性,从而提高ES‑DFIG系统的等值精度。

    一种业务功能拆分驱动的模块化系统升级方法

    公开(公告)号:CN117632228A

    公开(公告)日:2024-03-01

    申请号:CN202311485404.X

    申请日:2023-11-09

    IPC分类号: G06F8/71 G06F8/65

    摘要: 本发明公开了一种业务功能拆分驱动的模块化系统升级方法,包括以下步骤:基于业务需求设定若干个服务子模块,每个服务子模块分别提供不同的业务功能;设计版本更新控制模块,用于对每个服务子模块进行版本管理处理;版本更新控制模块基于业务需求的变更和升级需求对服务子模块进行版本更新;服务子模块完成版本升级,并对完成版本升级的服务子模块进行测试和验证处理;实现了基于业务功能拆分的模块化系统将系统复杂的业务功能分解为更小、更独立的模块,使得每个部分都可以独立地处理和管理,提高了系统的可维护性、可扩展性和灵活性。

    一种基于多层前馈网络的负荷预测方法及系统

    公开(公告)号:CN116862043A

    公开(公告)日:2023-10-10

    申请号:CN202310591490.6

    申请日:2023-05-24

    摘要: 本发明提出一种基于多层前馈网络的负荷预测方法及系统,所述方法包括以下步骤:步骤1:获取历史气象特征数据、时序特征数据以及与所述历史气象特征数据、时序特征数据对应的历史负荷数据,构建训练集;所述训练集的输入为所述历史气象特征数据、时序特征数据,输出为所述对应的历史负荷数据。步骤2:利用多层前馈网络以及所述训练集构建负荷预测模型,所述多层前馈网络为考虑正则项的多层前馈网络。步骤3:将待预测特征数据输入所述负荷预测模型,得到负荷预测值。本发明通过采用正则化技术来避免过拟合情况,将正则项加入深度神经网络的目标函数之中,能够有效提高极端小样本场景下的负荷预测精度。