-
公开(公告)号：CN111541252B
公开(公告)日：2023-12-12
申请号：CN202010487749.9
申请日：2020-06-02
摘要： 本发明公开了基于历史数据和误差分析的配电网线性化潮流通式最优独立变量选取方法，步骤为：1)获取实际电网物理参数信息和历史场景数据；2)推导计及/不计及ZIP负荷模型的节点注入形式的线性化潮流通式；3)以vk作为独立变量，分析k值变化对所有历史场景下的线性化潮流模型整体误差的影响，选取误差最小时对应的k值为最优独立变量vk的指数。本发明以两种不同形式的节点注入功率方程为基础，vk和θij为独立变量，推导了计及/不计及ZIP负荷模型的两种一般化线性化潮流模型，并根据历史场景选取了线性化潮流模型的最优独立变量，并结合配电网特点，在不同场景下验证了所选最优独立变量的有效性和鲁棒性。
-
公开(公告)号：CN111799802B
公开(公告)日：2023-12-05
申请号：CN202010711576.4
申请日：2020-07-22
IPC分类号： H02J3/06
摘要： 本发明公开基于线性组合的潮流方程线性化方法，包括以下步骤：1)基于非线性潮流方程，依次建立线性潮流方程的通用表达式和常用表达式；2)基于线性潮流方程的常用表达式，建立减小误差后的线性潮流新方程；3)获取电网运行数据，并建立决策变量优化模型，计算得到令潮流方程线性化误差最小的决策变量；4)基于令潮流方程线性化误差最小的决策变量，更新减小误差后的线性潮流新方程，得到误差最小的最优线性近似模型。本发明所提出的潮流方程线性化新形式，相比于其他线性潮流方程，能够更加有效地降低线性化误差。并且在不同节点系统中均应用效果良好，具有较强的普适性。
-
公开(公告)号：CN109784692A
公开(公告)日：2019-05-21
申请号：CN201811631297.6
申请日：2018-12-29
摘要： 本发明公开了一种基于深度学习的快速安全约束经济调度方法，主要步骤为：1)确定适用于安全约束经济调度模型的深度神经网络。2)对堆栈降噪自动编码器SDAE进行训练。3)建立基于深度学习的安全约束经济调度模型。4)令k＝1，将电力系统运行条件输入到深度神经网络中，得到安全约束经济调度模型的起作用约束集J(1)。5)将约束集J(1)。输入到安全约束经济调度模型中，得到安全约束经济调度方案。6)对安全约束经济调度方案进行N-1检验，若有新约束J(new)，则令k＝k+1,约束集更新为J(k)＝J(k)∪J(new)，并返回步骤5。若无新约束，则输出安全约束经济调度方案。本发明可广泛应用于电力系统各个行业的安全约束经济调度分析。
-
公开(公告)号：CN109599872A
公开(公告)日：2019-04-09
申请号：CN201811633643.4
申请日：2018-12-29
IPC分类号： H02J3/06
摘要： 本发明公开了基于堆栈降噪自动编码器的电力系统概率最优潮流计算方法，主要步骤为：1)建立SDAE最优潮流模型。2)获取SDAE最优潮流模型输入层的输入样本X。3)对SDAE最优潮流模型进行初始化。4)对SDAE最优潮流模型进行训练，从而得到训练后的SDAE最优潮流模型。5)采用MCS法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本。6)将步骤5得到的训练样本数据一次性输入步骤4中训练完成的SDAE最优潮流模型中，从而计算出最优潮流在线概率。7)对所述最优潮流在线概率进行分析，即绘制SDAE最优潮流模型的输出变量的概率密度曲线。本发明可广泛应用于电力系统的概率最优潮流求解，特别适用于新能源渗透率高导致系统不确定性增强的在线分析情况。
-
公开(公告)号：CN111898811B
公开(公告)日：2024-06-04
申请号：CN202010689913.4
申请日：2020-07-17
IPC分类号： G06Q10/04 , G06Q10/067 , G06Q50/06
摘要： 本发明公开DC‑OPF模型中修正二次目标函数分段线性化误差的方法，包括以下步骤：1)建立DC‑OPF分段线性化模型；2)校正DC‑OPF分段线性化模型的误差，得到DC‑OPF分段线性化模型最优解。本发明在直流最优潮流模型中目标函数为二次的情况下，建立了DC‑OPF分段线性化模型，提出了最佳分段数量准则，并矫正了分段线性化带来的误差。
-
公开(公告)号：CN111884208A
公开(公告)日：2020-11-03
申请号：CN202010690077.1
申请日：2020-07-17
摘要： 本发明公开基于状态空间变换的线性潮流模型库构建方法及其快速响应方法，线性潮流模型库构建方法步骤为：1)设置独立变量，并对独立变量进行状态空间变换；2)建立一般线性潮流模型库；响应方法步骤为：将当前运行下的负荷波动与线性潮流模型库中各模型对应的负荷波动相对比，选择出与当前运行下的负荷波动差值最小的一组线性潮流模型，并将选择出的线性潮流模型应用于当前运行状态。本发明在基于状态空间变换的前提下，提出了误差更小的一般线性潮流模型，并建立了线性潮流模型库，应用快速响应方法后，有效减小了线性化带来的误差，并具有良好的鲁棒性。
-
公开(公告)号：CN111799802A
公开(公告)日：2020-10-20
申请号：CN202010711576.4
申请日：2020-07-22
IPC分类号： H02J3/06
摘要： 本发明公开基于线性组合的潮流方程线性化方法，包括以下步骤：1)基于非线性潮流方程，依次建立线性潮流方程的通用表达式和常用表达式；2)基于线性潮流方程的常用表达式，建立减小误差后的线性潮流新方程；3)获取电网运行数据，并建立决策变量优化模型，计算得到令潮流方程线性化误差最小的决策变量；4)基于令潮流方程线性化误差最小的决策变量，更新减小误差后的线性潮流新方程，得到误差最小的最优线性近似模型。本发明所提出的潮流方程线性化新形式，相比于其他线性潮流方程，能够更加有效地降低线性化误差。并且在不同节点系统中均应用效果良好，具有较强的普适性。
-
公开(公告)号：CN109599872B
公开(公告)日：2022-11-08
申请号：CN201811633643.4
申请日：2018-12-29
IPC分类号： H02J3/06
摘要： 本发明公开了基于堆栈降噪自动编码器的电力系统概率最优潮流计算方法，主要步骤为：1)建立SDAE最优潮流模型。2)获取SDAE最优潮流模型输入层的输入样本X。3)对SDAE最优潮流模型进行初始化。4)对SDAE最优潮流模型进行训练，从而得到训练后的SDAE最优潮流模型。5)采用MCS法对待计算概率潮流的电力系统的随机变量进行抽样，从而获取计算样本。6)将步骤5得到的训练样本数据一次性输入步骤4中训练完成的SDAE最优潮流模型中，从而计算出最优潮流在线概率。7)对所述最优潮流在线概率进行分析，即绘制SDAE最优潮流模型的输出变量的概率密度曲线。本发明可广泛应用于电力系统的概率最优潮流求解，特别适用于新能源渗透率高导致系统不确定性增强的在线分析情况。
-
公开(公告)号：CN109784692B
公开(公告)日：2020-11-24
申请号：CN201811631297.6
申请日：2018-12-29
摘要： 本发明公开了一种基于深度学习的快速安全约束经济调度方法，主要步骤为：1)确定适用于安全约束经济调度模型的深度神经网络。2)对堆栈降噪自动编码器SDAE进行训练。3)建立基于深度学习的安全约束经济调度模型。4)令k＝1，将电力系统运行条件输入到深度神经网络中，得到安全约束经济调度模型的起作用约束集J(1)。5)将约束集J(1)。输入到安全约束经济调度模型中，得到安全约束经济调度方案。6)对安全约束经济调度方案进行N‑1检验，若有新约束J(new)，则令k＝k+1,约束集更新为J(k)＝J(k)∪J(new)，并返回步骤5。若无新约束，则输出安全约束经济调度方案。本发明可广泛应用于电力系统各个行业的安全约束经济调度分析。
-
公开(公告)号：CN111541252A
公开(公告)日：2020-08-14
申请号：CN202010487749.9
申请日：2020-06-02
摘要： 本发明公开了基于历史数据和误差分析的配电网线性化潮流通式最优独立变量选取方法，步骤为：1)获取实际电网物理参数信息和历史场景数据；2)推导计及/不计及ZIP负荷模型的节点注入形式的线性化潮流通式；3)以vk作为独立变量，分析k值变化对所有历史场景下的线性化潮流模型整体误差的影响，选取误差最小时对应的k值为最优独立变量vk的指数。本发明以两种不同形式的节点注入功率方程为基础，vk和θij为独立变量，推导了计及/不计及ZIP负荷模型的两种一般化线性化潮流模型，并根据历史场景选取了线性化潮流模型的最优独立变量，并结合配电网特点，在不同场景下验证了所选最优独立变量的有效性和鲁棒性。
-
-
-
-
-
-
-
-
-
搜索结果
37 条记录 (耗时 0.072 秒)
