-
公开(公告)号：CN119275843A
公开(公告)日：2025-01-07
申请号：CN202411212803.3
申请日：2024-08-30
Applicant: 国网冀北电力有限公司电力科学研究院 , 三峡大学
Abstract: 本申请提供一种基于SVR数据驱动的配电网潮流回归方法及装置，涉及配电网网络分析技术领域，该方法包括：获取包含配电网各个节点的状态信息的目标输入信息；配电网的节点包括以下至少一项：PV节点和PQ节点；PV节点的状态信息包括：有功功率和电压幅值；PQ节点的状态信息包括：有功功率和无功功率；将目标输入信息输入到潮流回归模型中，得到目标输出结果；该模型为基于支持向量回归SVR模型构建的；该模型的目标函数为基于已知量与未知量的第二映射关系得到的。本申请提供的基于SVR数据驱动的配电网潮流回归方法及装置，用于通过基于SVR数据驱动的配电网潮流回归模型，计算得到高准确度的潮流解，进而实现对配电网的合理调配。
-
公开(公告)号：CN118249425A
公开(公告)日：2024-06-25
申请号：CN202410336637.1
申请日：2024-03-22
Applicant: 三峡大学
IPC: H02J3/50 , H02J3/38 , H02J3/16 , G06F30/27 , G06N3/006 , G06N7/08 , G06F113/04 , G06F111/04
Abstract: 基于改进麻雀搜索算法的有源配电网电压控制方法，包括以下步骤：步骤1、以有源配电网全天平均电压偏差最小和网损最小建立目标函数；步骤2、建立有源配电网电压控制模型的约束条件；步骤3、采用改进后的麻雀搜索算法对有源配电网电压控制模型进行求解。本发明提供一种基于改进麻雀搜索算法的有源配电网电压控制方法，利用改进麻雀搜索算法(ISSA)对有源配电网电压控制模型进行求解，相较于传统下垂控制，本方法可以协同控制各个光伏无功出力，实现系统的全局优化，提升了整体电压控制效果；相较于传统的智能优化算法，本发明所提方法引入Tent混沌映射、Levy飞行对麻雀搜索算法(SSA)进行改进，显著提升算法的全局搜索能力和收敛速度，并且本发明仅采用分布式光伏无功出力进行调压，无需额外的电压调节设备，具有较好的经济性。
-
公开(公告)号：CN119539311A
公开(公告)日：2025-02-28
申请号：CN202410908902.9
申请日：2024-07-08
Applicant: 三峡大学
IPC: G06Q10/0631 , H02J3/46 , H02J3/32 , G06Q50/06 , G06N5/01 , G06F18/23213 , G06N3/126
Abstract: 基于K‑means与模拟退火遗传算法的风光储协调配置方法，先采用K‑means算法对初始数据进行处理，随后构建风光储配置模型，最后采用模拟退火遗传算法进行求解。模拟退火遗传算法将模拟退火算法局部搜索能力强的优点和遗传算法全局搜索能力强的优点相结合，可以相互取长补短，以提高算法的精度和寻优速度。通过对某一园区的风光储能配置进行测试，最终取得了良好的结果，减少弃风弃光的同时使得投资成本最低，为微电网提供了有效的规划方案。
-
公开(公告)号：CN118316135A
公开(公告)日：2024-07-09
申请号：CN202410336633.3
申请日：2024-03-22
Applicant: 三峡大学
Abstract: 基于光伏逆变器无功调节的有源配电网实时电压控制方法，包括以下步骤：步骤1、以最小化配电网全天平均电压偏差和网损为目标建立有源配电网实时电压控制模型；步骤2、将有源配电网实时电压控制模型转变为分散部分可观测的马尔科夫决策过程；步骤3、将各光伏逆变器当作强化学习环境中的智能体，利用多智能体双延迟深度确定性策略梯度算法进行训练；步骤4、将训练完成的智能体模型应用于有源配电网中进行实时电压控制。本发明提供一种基于光伏逆变器无功调节的有源配电网实时电压控制方法，将有源配电网实时电压控制模型转变为分散部分可观测的马尔科夫决策过程(Dec‑POMDP)，能更好的应对实际有源配电网中的不确定性，可以在系统不具备完善通信设备的条件下，根据系统最新状态进行实时电压控制，具有良好的控制时效性；本发明的强化学习算法为MATD3PG，该算法基于MADDPG优化而来，解决传统强化学习算法训练过程中出现收敛困难的问题，降低训练的复杂度，提升训练效果，并显著提高在线实时决策的效率；相较于传统的优化算法，本发明所提方法无需依赖精确的配电网模型，并且本发明仅采用光伏逆变器无功调压，在不进行光伏有功削减的情况下进行实时电压控制，无需额外的电压调节设备，经济性较好。
-
公开(公告)号：CN117474417A
公开(公告)日：2024-01-30
申请号：CN202311213366.2
申请日：2023-09-19
Applicant: 三峡大学
IPC: G06Q10/067 , G06Q50/06 , G06N7/01 , G06F17/16
Abstract: 一种基于风电功率时域特性和KDE的风电时序模拟算法，包括：Step1、以历史风电功率数据为基础，统计功率的波动量；Step2、计算状态转移率矩阵和状态转移累计概率矩阵；Step3、进行概率分布函数预测；Step4、根据Step1中得到波动量的概率分布，并对其采用三阶加权高斯分布拟合；Step5、生成所需长度的状态序列；Step6、遍历所有状态得到风电功率离散状态序列；Step7、遍历每个状态叠加相应的波动分量，得到最终的风电序列。针对传统马尔科夫链蒙特卡洛法状态难以跳变、波动过于频繁的问题，对风电功率的时域特性和持续时间分布拟合进行了调整。引入非参数核密度估计法对状态持续时间进行抽样，使抽样模拟生成的风电功率时间序列能够较好的复现原始数据特性。
-
Patent Agency Ranking
公开(公告)号：CN116485000A
公开(公告)日：2023-07-25
申请号：CN202310099371.9
申请日：2023-02-01
Applicant: 三峡大学
IPC: G06Q10/04 , H02J3/00 , G06Q10/0631 , G06Q50/06 , G06N3/006
Abstract: 一种基于改进的多元宇宙优化算法的微电网优化调度方法，属于电力系统优化调度领域，步骤为：建立微电网中光伏机组模型、风力发电机组模型、燃气轮机模型、储能元件模型；建立孤立微电网动态多目标优化调度模型；利用改进的多元宇宙优化算法进行求解，宇宙膨胀时期，黑洞和白洞存在机会均等，如果存在虫洞则黑洞穿越虫洞在最优宇宙周围以TDR旅行距离率进行探索成为白洞；若不存在虫洞，则黑洞基于已穿越的白洞进行螺旋式星系公转，采用指数形式改进传统的旅行距离率TDR，在迭代中寻找微电网优化调度模型的最优解。本发明的目的是为了能够更加有效地指导微电网的调度工作，减少微电网综合运营成本，提高电力系统稳定性。
-
公开(公告)号：CN117674161A
公开(公告)日：2024-03-08
申请号：CN202311420745.9
申请日：2023-10-30
Applicant: 三峡大学
Abstract: 基于改进的模块度性能指标分区的高比例分布式光伏并网电压控制优化方法，包括以下步骤：步骤1：基于改进的模块度性能指标对配电网进行分区；步骤2：建立分区分布式电压优化控制模型；步骤3：建立分区分布式电压控制模型的约束条件；步骤3.1：结合辐射型配电网潮流特点建立支路潮流约束；步骤3.2：对配电网中的可控单元，分布式光伏和静止无功补偿器，建立模型约束；步骤3.3：设置节点电压约束；步骤4：利用增广拉格朗日函数进行适当变换，基于同步型ADMM算法进行求解；步骤5：采用CPLEX商用求解器对所建模型进行求解。本发明提供了一种基于改进的模块度性能指标分区的高比例分布式光伏并网电压控制优化方法，通过改进的模块度性能指标分区。
-
公开(公告)号：CN117493922A
公开(公告)日：2024-02-02
申请号：CN202311233645.5
申请日：2023-09-22
Applicant: 三峡大学
IPC: G06F18/23213 , G06F18/10 , G06F18/2135 , G06Q50/06
Abstract: 一种基于数据驱动的配电网户变关系识别方法，包括以下步骤：步骤一，电压数据处理归一化，由于用户电压差距较大，采用最大最小归一化方法；步骤二，核主成分分析降维；核主成分分析降维方法为一种加入核函数的主成分分析降维方法，核主成分分析通过核函数使用核函数将数据映射到高维特征空间，然后在该空间中进行降维。步骤三，K‑means聚类，基于同一台区电压数据具有相似性这一原理，对降维处理后的数据进行聚类，从何实现台区户变关系识别。首先采用最大最小值归一化方法对原始数据进行预处理，使用户电压数据特征差异更加明显。再对处理后的数据采用核主成分分析进行降维，方便后续聚类算法的准确性以及快速性。
-
公开(公告)号：CN117493788A
公开(公告)日：2024-02-02
申请号：CN202311202926.4
申请日：2023-09-18
Applicant: 三峡大学
Abstract: 基于爬坡方向和累积分布概率划分状态的风电功率序列建模算法，包括：Step1、统计原始风电功率数据，并进行分类；Step2、按出力累积概率和爬坡方向定义风电功率的不同出力状态；Step3、生成状态跳变率矩阵；Step4、生成给定抽样次数的风电功率状态序列；Step5、生成服从其分布的各状态持续时间集合；Step6、生成服从其分布的随机功率集合；Step7、遍历Step4的风电功率状态序列；Step8、得出最终的出力时间序列曲线。提高风电时间序列模型对大出力状态的建模—抽样精度；引入爬坡方向，对风电出力连续爬坡至大出力状态的过程进行更准确地描述，并提出以累积分布概率划分状态区间而不是以功率大小均匀划分状态空间，使各个状态区间的样本分布更均匀，进一步提高了模型的精度。
-
公开(公告)号：CN118611068A
公开(公告)日：2024-09-06
申请号：CN202410590660.3
申请日：2024-05-13
Applicant: 三峡大学
IPC: H02J3/06 , H02J3/00 , G06F30/27 , G06F18/27 , G06F113/04
Abstract: 一种基于数据驱动的配电网分段潮流线性化，步骤为：首先以基于物理模型的潮流计算方程为基础，建立不同母线类型下的数据驱动潮流方程，然后利用改进的k平面回归算法，将数据进行聚类，相近特征的作为一类，然后各自训练潮流模型，实现了潮流的离线学习，更好地拟合潮流的非线性；最后，当有新样本时，先进行归类，再进行潮流映射，从而实现了在线潮流计算。本方法在多个IEEE标准系统和改进的IEEE33节点系统进行仿真，在配电网不可观测性的场景下，该方法具有很高的精度，能解决数据共线性和潮流非线性的问题。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.016 seconds)
