-
公开(公告)号：CN111915449B
公开(公告)日：2024-03-19
申请号：CN202010571036.0
申请日：2020-06-22
申请人： 沈阳工业大学 , 国网辽宁省电力有限公司电力科学研究院 , 国网辽宁省电力有限公司
IPC分类号： G06Q50/06
摘要： 本发明涉及电力负荷数据的处理，具体涉及基于VMD与OMP的电力负荷数据降维重构处理方法。该方法先采集电力负荷数据；再将采集到的电力负荷数据通过变分模态分解方法进行数据分解滤波和降维处理；然后在得到频率从低到高的固有模态分量后，再运用正交匹配跟踪算法对分解滤波后的数据进行重构优化处理。本发明首次将VMD运算方法与OMP运算方法结合起来，得到一种运算效率高且普适性强的降维重构处理方法，适用于现有维度的数据集，且不易受噪声影响，稳定性高，更加适应越来越蓬勃发展信息时代衍生的电力负荷大数据处理。
-
公开(公告)号：CN112018822A
公开(公告)日：2020-12-01
申请号：CN202010571032.2
申请日：2020-06-22
申请人： 沈阳工业大学 , 国网辽宁省电力有限公司电力科学研究院 , 国网辽宁省电力有限公司
摘要： 本发明涉及一种需求侧综合柔性负荷调控优化方法及系统，适用于运算复杂的考虑需求侧综合柔性负荷的协调方法优化。该方法先对收集到的历史数据进行预处理；在粒子群中利用轮盘转法选出粒子领导者，并基于粒子领导者更新粒子速度和最佳位置；将多目标粒子群算法和同步回代消除算法相结合，得到最佳方案。该系统包括预处理模块、选择粒子领导者模块、优化模块。本发明首次将MOSPO算法与同步回代消除算法相结合，使得算法更加严谨准确，同时首次将MOSPO算法应用到冷热电气结合问题上，提出了解决多种储能技术相结合会互相冲突的问题，将会对IDR系统的进一步发展提供可能性与新思路。
-
公开(公告)号：CN112016734A
公开(公告)日：2020-12-01
申请号：CN202010571376.3
申请日：2020-06-22
申请人： 沈阳工业大学 , 国网辽宁省电力有限公司电力科学研究院 , 国网辽宁省电力有限公司
摘要： 本发明属于负荷预测技术领域，具体涉及基于LSTM栈式自编码多模型荷预测方法及系统。该方法包括获取数据集，对数据集进行预处理；建立电动汽车充电开始时间的概率模型并重构数据集；构建LSTM栈式自编码结构并训练；利用XGBoost模型预测短期负荷，并进行指标评价。该系统包括获取数据集模块，预处理模块，概率模型和重构模块，LSTM栈式自编码结构的构建和训练模块，预测模块，指标评价模块。本发明提出的方法能够考虑电动汽车充电负荷的影响，最大程度利用原始数据，深度学习其内部特征，有效提高短期负荷预测精度。
-
公开(公告)号：CN112101623B
公开(公告)日：2024-07-09
申请号：CN202010812163.5
申请日：2020-08-13
申请人： 国网辽宁省电力有限公司电力科学研究院 , 沈阳工业大学 , 国网辽宁省电力有限公司
摘要： 发明涉及需求侧响应的控制领域，具体涉及一种基于多智能体的工业需求响应聚合商能量优化方法。其特征在于首先将市场代理分为三层：供应侧，中间侧和需求侧；具体实现步骤如下：对工业负荷建模；建立基于过程的电力负荷模型，以进一步经济高效地将工业需求的灵活性纳入需求侧响应应用中；建立电力消耗优化模型，调度用电设备的工业运行，实现需求侧响应；步骤三：通过多代理系统MAS框架来协调工业需求响应实体。其目的在于提高能源密集型重工业的整条生产线的灵活性潜力，在电力市场上交易综合灵活性，减小未来电力系统间歇性电力不确定性的影响。
-
公开(公告)号：CN112101624A
公开(公告)日：2020-12-18
申请号：CN202010812763.1
申请日：2020-08-13
申请人： 国网辽宁省电力有限公司电力科学研究院 , 沈阳工业大学 , 国网辽宁省电力有限公司
摘要： 本发明属于电力需求中的信息技术领域，涉及一种基于ARIMA的电动汽车随机充电需求预测及调度方法，用于同时预测CEL和CDE的充电需求。具体步骤是：电动汽车充电需求预测模型以每日驾驶模式和距离为输入，确定预期的充电负荷分布；通过调整ARIMA模型的参数，使预测器的MSE最小；通过优化自回归阶数参数来提高ARIMA预测器的准确性；由于CEL和CDE的季节性和每日驾驶模式不同，提出时间解耦的需求预测方法，在减少错误方面提供了显着的优化。本方法研究了电动汽车充电需求在两种工况下对负荷预测器准确性的影响：(1)针对CEL+CDE的集成预测器；(2)针对CEL+CDE的解耦预测器。最后，预测模型输出用于制定一个有约束条件的日前调度问题，以减小其随机性对电力系统运行的影响。
-
公开(公告)号：CN112101623A
公开(公告)日：2020-12-18
申请号：CN202010812163.5
申请日：2020-08-13
申请人： 国网辽宁省电力有限公司电力科学研究院 , 沈阳工业大学 , 国网辽宁省电力有限公司
摘要： 发明涉及需求侧响应的控制领域，具体涉及一种基于多智能体的工业需求响应聚合商能量优化方法。其特征在于首先将市场代理分为三层：供应侧，中间侧和需求侧；具体实现步骤如下：对工业负荷建模；建立基于过程的电力负荷模型，以进一步经济高效地将工业需求的灵活性纳入需求侧响应应用中；建立电力消耗优化模型，调度用电设备的工业运行，实现需求侧响应；步骤三：通过多代理系统MAS框架来协调工业需求响应实体。其目的在于提高能源密集型重工业的整条生产线的灵活性潜力，在电力市场上交易综合灵活性，减小未来电力系统间歇性电力不确定性的影响。
-
公开(公告)号：CN112101622A
公开(公告)日：2020-12-18
申请号：CN202010812125.X
申请日：2020-08-13
申请人： 国网辽宁省电力有限公司电力科学研究院 , 沈阳工业大学 , 国网辽宁省电力有限公司
摘要： 本发明属于电力系统需求侧响应的控制领域，涉及一种基于混合整数线性规划的配电网灵活性潜力挖掘方法。本方法提出考虑通过配电网挖掘需求侧响应资源延迟电网后期投资的方法解决此类问题。本方法提出一种基于混合整数线性规划的配电网灵活性潜力挖掘方法，所提的灵活调度模型可帮助实现产销者与配电系统运营商（DSO）具有需求灵活性的性能，同时提出的方法可让DSO和产销者双方共同受益，辅助配电网长期规划，并能够提供最佳的物理扩展和需求灵活性分配的组合方案，以确保电网的稳定安全运行。
-
公开(公告)号：CN111898856A
公开(公告)日：2020-11-06
申请号：CN202010571025.2
申请日：2020-06-22
申请人： 沈阳工业大学 , 国网辽宁省电力有限公司电力科学研究院 , 国网辽宁省电力有限公司
摘要： 本发明涉及电力系统领域，具体涉及基于极限学习机的物理-数据融合楼宇建模的分析方法。该方法先数据采集和预处理：通过搜集和预处理后的建筑数据、电气数据，基于总体测辩法构建楼宇物理模型；将楼宇物理模型与搜集和预处理后的用户数据、环境数据以及实际用电数据用极限学习机进行训练，得到物理-数据融合模型；待分析的用电行为的静态参数通过物理模型，再与动态参数输入到物理-数据融合模型中，得到分析结果。该系统包括数据采集和预处理模块、楼宇物理模块；物理-数据融合模块。为解决目前楼宇模型精度低，需求侧响应较慢，负荷预测精度低的问题，本发明提出一种基于极限学习机的物理-数据融合楼宇建模的分析方法。
-
公开(公告)号：CN112016734B
公开(公告)日：2024-03-22
申请号：CN202010571376.3
申请日：2020-06-22
申请人： 沈阳工业大学 , 国网辽宁省电力有限公司电力科学研究院 , 国网辽宁省电力有限公司
IPC分类号： H02J3/00 , G06Q50/06 , G06N3/0442 , G06N3/0455 , G06N3/084 , G06N3/0985 , G06N20/20 , G06N5/01
摘要： 本发明属于负荷预测技术领域，具体涉及基于LSTM栈式自编码多模型荷预测方法及系统。该方法包括获取数据集，对数据集进行预处理；建立电动汽车充电开始时间的概率模型并重构数据集；构建LSTM栈式自编码结构并训练；利用XGBoost模型预测短期负荷，并进行指标评价。该系统包括获取数据集模块，预处理模块，概率模型和重构模块，LSTM栈式自编码结构的构建和训练模块，预测模块，指标评价模块。本发明提出的方法能够考虑电动汽车充电负荷的影响，最大程度利用原始数据，深度学习其内部特征，有效提高短期负荷预测精度。
-
公开(公告)号：CN112101521A
公开(公告)日：2020-12-18
申请号：CN202010812762.7
申请日：2020-08-13
申请人： 国网辽宁省电力有限公司电力科学研究院 , 沈阳工业大学 , 国网辽宁省电力有限公司
摘要： 本发明属于电力需求侧响应的控制领域，涉及一种基于长短期记忆网络混合模型的建筑能耗预测方法，提出了一种针对建筑物的能耗预测模型，该模型采用长短期记忆网络LSTM和改进的正弦余弦优化算法，可进行准确并且可靠的建筑能耗预测。同时，引入了一种新型基于Haar小波的突变算子，提高正弦余弦优化算法向全局最优解的发散性。提出的改进的正弦余弦优化算法ISCOA可优化LSTM的超参数（学习率，权重衰减，动量和隐藏单位数）。本方法提出的ISCOA‑LSTM可计算稳定而准确的预测结果，进而作为解决能耗预测问题的有效工具。
-
-
-
-
-
-
-
-
-
搜索结果
179 条记录 (耗时 0.097 秒)
