一种基于多主体V2G响应的城市配电网应急响应决策方法

    公开(公告)号:CN119338431A

    公开(公告)日:2025-01-21

    申请号:CN202411284836.9

    申请日:2024-09-13

    Applicant: 四川大学

    Abstract: 本发明涉及电力系统领域,具体公开了一种基于多主体V2G响应的城市配电网应急响应决策方法,包括:利用NetLogo构建基于多主体的V2G响应估计模型;所述V2G响应估计模型通过集成车辆跟随模型、改进的离散选择Logit模型和路径规划模型来模拟多主体的行为;配电网运营商向个性化旅行顾问传播V2G响应,个性化旅行顾问收集电动汽车的数据并对电动汽车发出请求,通过车辆跟随模型和改进的离散选择Logit模型判断电动汽车车主意向;利用Matlab中的MILP构建恢复模型;用于极端事件中修复故障。本发明的优点是提高了电网在极端事件后的恢复效率,还降低了运营成本,为配电网运营商在实际恢复规划中提供了有效的决策支持。

    一种面向实时最优潮流的KKT条件学习图神经网络构建方法

    公开(公告)号:CN119026635A

    公开(公告)日:2024-11-26

    申请号:CN202411058461.4

    申请日:2024-08-02

    Applicant: 四川大学

    Abstract: 本发明涉及电力系统技术领域,具体公开了一种面向实时最优潮流的KKT条件学习图神经网络构建方法,包括建立ACOPF模型及其约束条件;通过非线性规划方法对ACOPF模型求解,首先将ACOPF模型的不等式约束转化为等式约束,通过在拉格朗日函数上应用KKT条件来解决对偶问题;首先建立PG‑GNN模型,将KKT条件作为目标,引入梯度下降算法来训练一个GNN,PG‑GNN模型学习近似ACOPF的解,通过使用KKT条件作为损失函数,PG‑GNN模型学习遵循电力系统物理规律的模式;然后采用大量的历史拓扑实例和N‑1事故情况来建立训练数据集;通过训练数据集来对PG‑GNN模型进行训练。本发明的优点是避免了对ACOPF数据进行耗时的标记,使得GNN可以在没有标签的情况下学习并应用于实际问题,同时减少了人工标记数据的工作量。

    一种提升重要用户供电可靠性的资源协同配置方法

    公开(公告)号:CN118886742A

    公开(公告)日:2024-11-01

    申请号:CN202410914784.2

    申请日:2024-07-09

    Applicant: 四川大学

    Abstract: 本发明提供一种提升重要用户供电可靠性的资源协同配置方法,属于配电网可靠性评估技术领域,包括,步骤S1,获取配电网数据以及与配电网存在用电联系的用户基础数据,并选择配电网重要用户;步骤S2,构建考虑运检因素的配电网设备故障状态转移模型;步骤S3,综合考虑交通路况、资源充裕度构建移动保供与运检资源的协同配置与调控模型;步骤S4,通过S2与S3构建的模型确定配电网重要用户的供电可靠性。本发明充分考虑了重要用户对高供电可靠性的需求,通过移动保供与运检资源的协同配置与调控的方法提升了配电网对重要用户的差异化供电服务水平,可有效提升用户满意度。

    一种采用FH/OFDMA B5G通信网络的多终端协同差动保护方法

    公开(公告)号:CN117791520A

    公开(公告)日:2024-03-29

    申请号:CN202311793885.0

    申请日:2023-12-25

    Applicant: 四川大学

    Abstract: 本发明公开了一种基于FH/OFDMA的B5G通信网络的多终端协同的差动保护方法,包括S1:配电线路各端保护装置获取本端的已同步的电流采样数据;S2:采用预先设定的映射关系将各端的电流采样数据进行量化编码,根据量化编码后的比特信息构造子载波跳频OFDMA信号;S3:通过B5G通道将本端的子载波跳频OFDMA信号发送给其余各端的保护装置;S4:处理各端发送来的子载波跳频OFDMA信号,获取基于FH/OFDMA的结果信号;S5:并根据预先设定的映射关系获取各端的采样数据,并获取结果运行改写的电流差动保护逻辑,快速准确进行差动保护判断。

    一种考虑局部与全局的用户负荷数据修复方法

    公开(公告)号:CN117093830A

    公开(公告)日:2023-11-21

    申请号:CN202310812473.0

    申请日:2023-07-04

    Applicant: 四川大学

    Abstract: 本发明涉及一种考虑局部与全局的用户负荷数据修复方法,属于负荷数据插补技术领域,局部插补模型利用数据点之间存在局部的相似性,基于局部相似性对缺失值进行插补;全局插补模型利用整个数据集的特征与分布信息,基于全局信息对缺失值进行插补。基于相似数据点的插补方法简单易用,但是受到局部相似性的限制,缺乏数据集的全局信息;基于全局模型的插补方法可以利用整个数据集的特征和分布信息,但计算复杂度较高,受极端数据点的影响较大。通过将二者结合,首先利用GCN挖掘数据的局部相似性,进行局部插补,再基于局部插补的结果使用GAN的对抗训练,进行全局插补。经实验验证,相比现有插补算法,本发明所提插补方法更加准确和稳定。

Patent Agency Ranking