CN118659448B - 一种分布式电源承载力与并网分析方法 - Google Patents
一种分布式电源承载力与并网分析方法 Download PDFInfo
- Publication number
- CN118659448B CN118659448B CN202411152720.XA CN202411152720A CN118659448B CN 118659448 B CN118659448 B CN 118659448B CN 202411152720 A CN202411152720 A CN 202411152720A CN 118659448 B CN118659448 B CN 118659448B
- Authority
- CN
- China
- Prior art keywords
- distributed power
- power supply
- parameter
- grid
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 68
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 238000011056 performance test Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims 1
- 238000007726 management method Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for AC mains or AC distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种分布式电源承载力与并网分析方法，属于电网技术领域，包括如下步骤：S1：获取分布式电源的运行数据，根据分布式电源的运行数据构建分布式电源学习模型；S2：获取电网的运行数据，根据电网的运行数据构建电网学习模型；S3：对电网学习模型及分布式电源学习模型进行仿真分析评估，根据分析评估结果制定优化管控决策。本发明解决现有的不能对分布式电源承载力及并网情况进行实时监测和分析评估，使分布式电源并网安全性和稳定性低，不能使分布式电源高效、安全并网运行的问题，本发明可对分布式电源承载力及并网情况进行实时监测和分析评估，可提升分布式电源并网安全性和稳定性，可实现分布式电源的高效、安全并网运行。
Description
技术领域
本发明涉及电网技术领域，具体为一种分布式电源承载力与并网分析方法。
背景技术
随着可再生能源技术的不断发展，分布式电源作为一种新型的能源接入方式，越来越受到人们的关注。其中，分布式电源为分布在用户端，接入35kV及以下电压等级电网，以就地消纳为主的电源，其包括太阳能、天然气、生物质能、风能、水能、氢能、地热能、海洋能、资源综合利用发电和储能等类型。
公开号为CN117977694A的中国专利公开了一种分布式电源集群控制方法，包括如下步骤：S1：采集基于分布式电源集群控制的分布式电源数据；S2：对分布式电源数据进行处理，确定出基于分布式电源集群控制的分布式电源表征数据；S3：对分布式电源表征数据进行对比分析，确定出基于分布式电源集群控制的分布式电源分析结果；S4：对基于分布式电源集群控制的分布式电源分析结果进行智能化控制，确定出基于分布式电源集群控制的分布式电源集群控制方法；可对分布式电源进行有效地集群控制，可提升分布式电源集群控制效果；但是该专利存在以下缺陷：
现有的分布式电源在接入电网时可能会出现承载力不足的问题，不能对分布式电源承载力及并网情况进行实时监测和分析评估，使得分布式电源并网安全性和稳定性低，不能实现分布式电源的高效、安全并网运行。
发明内容
本发明的目的在于提供一种分布式电源承载力与并网分析方法，可对分布式电源承载力及并网情况进行实时监测和分析评估，可提升分布式电源并网安全性和稳定性，可实现分布式电源的高效、安全并网运行，解决了上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种分布式电源承载力与并网分析方法，包括如下步骤：
S1：获取分布式电源的运行数据，根据分布式电源的运行数据构建分布式电源学习模型；
S2：获取电网的运行数据，根据电网的运行数据构建电网学习模型；
S3：对电网学习模型及分布式电源学习模型进行仿真分析评估，根据分布式电源承载力与并网分析评估结果制定分布式电源承载力与并网优化管控决策。
优选的，所述S1中，获取分布式电源的运行数据，执行以下操作：
对分布式电源的输出功率进行监测，确定出分布式电源功率参数；
对分布式电源的输出电流进行监测，确定出分布式电源电流参数；
对分布式电源的输出电压进行监测，确定出分布式电源电压参数；
其中，基于分布式电源功率参数、电流参数及电压参数，确定出分布式电源的运行数据。
优选的，所述S1中，获取分布式电源的运行数据，还包括：
实时监测所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻；
根据所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻获取分布式电源功率参数与所述分布式电源电流参数之间的数据获取时间差、分布式电源电流参数与所述分布式电源电压参数之间的数据获取时间差以及分布式电源功率参数和分布式电源电压参数之间的数据获取时间差；
将所述分布式电源功率参数与所述分布式电源电流参数之间的数据获取时间差作为第一时间差数据；
将分布式电源电流参数与所述分布式电源电压参数之间的数据获取时间差作为第二时间差数据；
将所述分布式电源功率参数和分布式电源电压参数之间的数据获取时间差作为第三时间差数据；
利用所述第一时间差数据、第二时间差数据和第三时间差数据获取数据差稳定评价系数；其中，所述数据差稳定评价系数通过如下公式获取：
；
其中，W表示数据差稳定评价系数；n表示分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的数据采集次数；Tc01i、Tc02i和Tc03i分别表示第i次进行数据采集对应的第一时间差数据、第二时间差数据和第三时间差数据；w表示补偿系数，并且，所述补偿系数通过如下公式获取：
；
其中，w表示补偿系数；Pmax01和Pmin01分别表示在已经历的数据采集过程中，第一时间差数据为最大值的出现比率和第一时间差数据为最小值的出现比率；Pmax02和Pmin02分别表示在已经历的数据采集过程中，第二时间差数据为最大值的出现比率和第二时间差数据为最小值的出现比率；Pmax03和Pmin03分别表示在已经历的数据采集过程中，第三时间差数据为最大值的出现比率和第三时间差数据为最小值的出现比率；
将所述数据差稳定评价系数与预设的评价系数阈值进行比较；
当所述数据差稳定评价系数低于预设的评价系数阈值时，则对分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行评估和异常判定。
优选的，当所述数据差稳定评价系数低于预设的评价系数阈值时，则对分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行评估和异常判定，包括：
当所述数据差稳定评价系数低于预设的评价系数阈值时，提取所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻；
根据所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻结合第一波动获取模型确定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的第一波动参数；
其中，所述第一波动获取模型的模型结构如下：
；
其中，B01表示第一波动获取模型获取的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的第一波动参数；n表示分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的数据采集次数；Ti表示第i次数据采集时分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的数据采集时刻；Ti-1表示第i-1次数据采集时分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的数据采集时刻；Te表示预设的每相邻两个采集时刻的所允许最大波幅度时长；Pt表示已经历的n次数据采集中的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的采集时刻波动为三个参数采集波动中的最大值所占比例；
将所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的第一波动参数与预设的第一波动参数阈值进行比较；提取超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数；
根据所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数的数量分别判定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态是否存在异常。
优选的，根据所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数的数量分别判定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态是否存在异常，包括：
当所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量为一个时，则直接针对超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数据采集运行状态进行异常报警；
当所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量为多个时，则利用所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的时间差数据获取第二波动参数；其中，所述第二波动参数通过如下公式获取：
；
其中，B01表示第二波动参数；m表示超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量；B01j表示第j个超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的第一波动参数；Tcpj表示第j个超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数所涉及的时间差数据平均值；Te表示预设的每相邻两个采集时刻的所允许最大波幅度时长；
当所述第二波动参数超过预设的第二波动参数阈值时，则对定分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行异常报警。
优选的，所述S1中，根据分布式电源的运行数据构建分布式电源学习模型，执行以下操作：
获取分布式电源的运行数据；
对分布式电源的运行数据进行划分；
确定出分布式电源训练集及分布式电源测试集；
根据分布式电源承载力与并网分析需求，选择合适的模型架构；
基于分布式电源训练集，对选择的合适的模型架构进行训练；
确定出分布式电源学习模型；
基于分布式电源测试集，对分布式电源学习模型进行性能测试；
确定出基于分布式电源学习模型的性能测试结果；
对基于分布式电源学习模型的性能测试结果进行深入挖掘及相关分析；
确定出基于分布式电源学习模型的优化调整方案；
基于优化调整方案对分布式电源学习模型进行优化调整；
确定出最优的分布式电源学习模型。
优选的，所述S2中，获取电网的运行数据，执行以下操作：
对电网的运行状态进行监测，确定出电网状态参数；
对电网的运行环境进行监测，确定出电网环境参数；
对电网的运行市场进行监测，确定出电网市场参数；
其中，基于电网状态参数、环境参数及市场参数，确定电网的运行数据。
优选的，所述S2中，根据电网的运行数据构建电网学习模型，执行以下操作：
获取电网的运行数据；
对电网的运行数据进行划分；
确定出电网训练集及电网测试集；
根据分布式电源承载力与并网分析需求，选择合适的模型架构；
基于电网训练集，对选择的合适的模型架构进行训练；
确定出电网学习模型；
基于电网测试集，对电网学习模型进行性能测试；
确定出基于电网学习模型的性能测试结果；
对基于电网学习模型的性能测试结果进行深入挖掘及相关分析；
确定出基于电网学习模型的优化调整方案；
基于优化调整方案对电网学习模型进行优化调整；
确定出最优的电网学习模型。
优选的，所述S3中，对电网学习模型及分布式电源学习模型进行仿真分析评估，执行以下操作：
获取分布式电源的实时运行数据；
将分布式电源的实时运行数据输入到最优的分布式电源学习模型中；
基于最优的分布式电源学习模型，对分布式电源的实时运行数据进行仿真分析；
确定出分布式电源承载力分析结果；
获取电网的实时运行数据；
将电网的实时运行数据输入到最优的电网学习模型中；
基于最优的电网学习模型，对电网的实时运行数据进行仿真分析；
确定出分布式电源承载力与并网分析评估结果。
优选的，所述S3中，获取分布式电源的实时运行数据及电网的实时运行数据，执行以下操作：
获取分布式电源的实时运行数据及电网的实时运行数据；
基于顺序检索方法，对分布式电源的实时运行数据及电网的实时运行数据进行检索；
检查分布式电源的实时运行数据及电网的实时运行数据的一致性；
根据分布式电源的实时运行数据及电网的实时运行数据中每个变量的合理取值范围和相互关系，检查分布式电源的实时运行数据及电网的实时运行数据是否合乎要求；
去除分布式电源的实时运行数据及电网的实时运行数据中超出正常范围、逻辑上不合理或相互矛盾的不一致数据；
对分布式电源的实时运行数据及电网的实时运行数据进行无效值及缺失值处理；
去除分布式电源的实时运行数据及电网的实时运行数据中对分布式电源承载力与并网分析无价值的无效数据及缺失数据；
确定出对分布式电源承载力与并网分析有价值的分布式电源的实时运行数据及电网的实时运行数据。
优选的，所述S3中，根据评估结果制定优化管控决策，执行以下操作：
获取分布式电源承载力与并网分析评估结果；
对分布式电源承载力与并网分析评估结果进行深入挖掘及相关分析；
确定出分布式电源承载力与并网优化管控决策；
基于分布式电源承载力与并网优化管控决策对分布式电源承载力与并网情况进行优化管控，使分布式电源高效、安全并网运行。
与现有技术相比，本发明的有益效果是：
本发明通过获取分布式电源的运行数据，根据分布式电源的运行数据构建分布式电源学习模型，通过获取电网的运行数据，根据电网的运行数据构建电网学习模型，基于电网学习模型及分布式电源学习模型对电网的实时运行数据及分布式电源的实时运行数据进行仿真分析评估，确定出分布式电源承载力与并网分析评估结果，根据分布式电源承载力与并网分析评估结果制定分布式电源承载力与并网优化管控决策，基于分布式电源承载力与并网优化管控决策对分布式电源承载力与并网情况进行优化管控，可对分布式电源承载力及并网情况进行实时监测和分析评估，可提升分布式电源并网安全性和稳定性，可实现分布式电源的高效、安全并网运行。
附图说明
图1为本发明的分布式电源承载力与并网分析方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了解决现有的不能对分布式电源承载力及并网情况进行实时监测和分析评估，使得分布式电源并网安全性和稳定性低，不能实现分布式电源的高效、安全并网运行的问题，请参阅图1，本实施例提供以下技术方案：
一种分布式电源承载力与并网分析方法，包括如下步骤：
S1：获取分布式电源的运行数据，根据分布式电源的运行数据构建分布式电源学习模型；
在本实施例中，作为本发明的优选技术方案，获取分布式电源的运行数据，执行以下操作：
对分布式电源的输出功率进行监测，确定出分布式电源功率参数；
对分布式电源的输出电流进行监测，确定出分布式电源电流参数；
对分布式电源的输出电压进行监测，确定出分布式电源电压参数；
其中，基于分布式电源功率参数、电流参数及电压参数，确定出分布式电源的运行数据。
具体的，所述S1中，获取分布式电源的运行数据，还包括：
实时监测所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻；
根据所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻获取分布式电源功率参数与所述分布式电源电流参数之间的数据获取时间差、分布式电源电流参数与所述分布式电源电压参数之间的数据获取时间差以及分布式电源功率参数和分布式电源电压参数之间的数据获取时间差；
将所述分布式电源功率参数与所述分布式电源电流参数之间的数据获取时间差作为第一时间差数据；
将分布式电源电流参数与所述分布式电源电压参数之间的数据获取时间差作为第二时间差数据；
将所述分布式电源功率参数和分布式电源电压参数之间的数据获取时间差作为第三时间差数据；
利用所述第一时间差数据、第二时间差数据和第三时间差数据获取数据差稳定评价系数；其中，所述数据差稳定评价系数通过如下公式获取：
；
其中，W表示数据差稳定评价系数；n表示分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的数据采集次数；Tc01i、Tc02i和Tc03i分别表示第i次进行数据采集对应的第一时间差数据、第二时间差数据和第三时间差数据；w表示补偿系数，并且，所述补偿系数通过如下公式获取：
；
其中，w表示补偿系数；Pmax01和Pmin01分别表示在已经历的数据采集过程中，第一时间差数据为最大值的出现比率和第一时间差数据为最小值的出现比率；Pmax02和Pmin02分别表示在已经历的数据采集过程中，第二时间差数据为最大值的出现比率和第二时间差数据为最小值的出现比率；Pmax03和Pmin03分别表示在已经历的数据采集过程中，第三时间差数据为最大值的出现比率和第三时间差数据为最小值的出现比率；
将所述数据差稳定评价系数与预设的评价系数阈值进行比较；
当所述数据差稳定评价系数低于预设的评价系数阈值时，则对分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行评估和异常判定。
上述技术方案的技术效果为：通过实时监测分布式电源的功率、电流和电压参数及其获取时刻，能够精确计算出这些参数之间的数据获取时间差（即第一时间差、第二时间差和第三时间差）。这种实时监测和精确计算确保了数据的时效性和准确性，为后续的数据分析和评估提供了可靠的基础。
利用计算出的时间差数据（第一时间差、第二时间差和第三时间差），结合补偿系数，通过特定的公式计算出数据差稳定评价系数（W）。这个评价系数综合考虑了数据获取时间差的分布特性和极端情况的出现比率，从而能够全面评估数据的稳定性和可靠性。
补偿系数（w）的引入是一个重要的创新点。它根据时间差数据的最大值和最小值出现比率进行动态调整，使得数据差稳定评价系数更加符合实际情况，提高了评估的准确性和鲁棒性。这种自适应补偿机制有助于减少因极端数据导致的误判，提高了系统的稳定性和可靠性。
通过将计算出的数据差稳定评价系数与预设的评价系数阈值进行比较，可以实现对分布式电源功率、电流和电压参数数据采集运行状态的评估和异常判定。一旦发现数据差稳定评价系数低于预设阈值，即表示可能存在数据采集异常或设备运行状态不稳定的情况，从而能够及时采取措施进行修复或调整，确保分布式电源系统的正常运行。
该技术方案通过自动化的数据监测、分析和评估流程，减少了人工干预和误判的可能性，提高了系统维护与管理的效率。同时，它也为分布式电源系统的故障诊断和性能优化提供了有力的数据支持。
综上所述，该技术方案通过实时监测、精确计算、自适应补偿和异常判定等手段，有效提升了分布式电源系统数据采集的准确性和稳定性评估的可靠性，为系统的正常运行和高效管理提供了有力保障。
具体的，当所述数据差稳定评价系数低于预设的评价系数阈值时，则对分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行评估和异常判定，包括：
当所述数据差稳定评价系数低于预设的评价系数阈值时，提取所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻；
根据所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻结合第一波动获取模型确定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的第一波动参数；
其中，所述第一波动获取模型的模型结构如下：
；
其中，B01表示第一波动获取模型获取的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的第一波动参数；n表示分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的数据采集次数；Ti表示第i次数据采集时分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的数据采集时刻；Ti-1表示第i-1次数据采集时分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的数据采集时刻；Te表示预设的每相邻两个采集时刻的所允许最大波幅度时长；Pt表示已经历的n次数据采集中的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的采集时刻波动为三个参数采集波动中的最大值所占比例；
将所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的第一波动参数与预设的第一波动参数阈值进行比较；提取超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数；
根据所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数的数量分别判定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态是否存在异常。
上述技术方案的技术效果为：当数据差稳定评价系数低于预设的评价系数阈值时，技术方案通过进一步分析分布式电源功率参数、电流参数和电压参数的获取时刻，利用第一波动获取模型来确定这些参数的第一波动参数。这种方法能够更精确地捕捉到数据在时间序列上的波动情况，从而更有效地识别出潜在的异常或不稳定状态。
第一波动获取模型考虑了数据采集次数（n）、数据采集时刻（Ti和Ti-1）、预设的每相邻两个采集时刻的所允许最大波幅度时长（Te）以及采集时刻波动为三个参数中最大值所占比例（Pt）。这些因素的引入使得模型具有更好的动态适应性，能够根据不同情况自动调整判断标准，提高异常检测的准确性。
方案不仅评估了分布式电源功率参数、电流参数和电压参数的单独波动情况，还通过比较这些参数的第一波动参数与预设的阈值，以及统计超过阈值的参数数量，来综合判定数据采集运行状态是否存在异常。这种多维度评估方法能够更全面地反映系统的实际状况，减少误判和漏判。
通过实时监测和评估数据采集运行状态，一旦发现异常或不稳定情况，可以立即触发预警机制，通知相关人员及时采取措施进行修复或调整。这有助于减少系统故障对生产运营的影响，提高系统的可靠性和稳定性。
通过对数据采集运行状态的持续监测和评估，可以及时发现并纠正数据质量问题，如数据缺失、错误或异常波动等。这有助于提升数据质量，为后续的数据分析和决策提供更加准确和可靠的信息支持。
自动化的异常检测和评估流程减少了人工干预和检查的工作量，使得系统维护人员能够更专注于处理实际问题和优化系统性能。同时，基于数据的精准分析和判断也提高了维护工作的针对性和有效性。
综上所述，该技术方案通过引入第一波动获取模型和多维度评估方法，实现了对分布式电源数据采集运行状态的精确监测和异常判定，提升了系统的可靠性和稳定性，优化了数据质量管理，并提高了系统维护的效率。
具体的，根据所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数的数量分别判定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态是否存在异常，包括：
当所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量为一个时，则直接针对超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数据采集运行状态进行异常报警；
当所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量为多个时，则利用所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的时间差数据获取第二波动参数；其中，所述第二波动参数通过如下公式获取：
；
其中，B01表示第二波动参数；m表示超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量；B01j表示第j个超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的第一波动参数；Tcpj表示第j个超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数所涉及的时间差数据平均值；Te表示预设的每相邻两个采集时刻的所允许最大波幅度时长；
当所述第二波动参数超过预设的第二波动参数阈值时，则对定分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行异常报警。
上述技术方案的技术效果为：该方案根据超过预设第一波动参数阈值的参数数量，采取了不同的异常判定策略。当只有一个参数超过阈值时，直接对该参数的数据采集运行状态进行异常报警，这有助于快速定位并处理单一问题。而当有多个参数超过阈值时，则进一步计算这些参数的第二波动参数，以更全面地评估系统的稳定性。
在多个参数超过第一波动参数阈值的情况下，方案利用这些参数对应的时间差数据来计算第二波动参数。这种方法不仅考虑了参数的波动幅度，还结合了时间因素，能够更准确地反映系统状态的变化趋势和稳定性。
通过引入第二波动参数及其阈值判定，该方案提高了对系统异常状态的检测能力。即使在多个参数同时出现波动时，也能通过综合分析来确定是否真正存在异常，避免了因单一参数波动而导致的误报。
方案中的第一波动参数阈值和第二波动参数阈值都是可预设的，这为用户提供了根据实际需求调整判定标准的灵活性。用户可以根据系统的具体情况和运行要求来设置合适的阈值，以达到最佳的异常检测效果。
一旦检测到异常状态，方案会立即触发异常报警机制，通知相关人员及时采取措施进行处理。这种高效的异常处理流程有助于减少系统故障对生产运营的影响，提高系统的可靠性和稳定性。
通过对数据采集运行状态的持续监测和异常判定，该方案有助于及时发现并纠正数据质量问题。这不仅可以提高数据的准确性和可靠性，还可以为后续的数据分析和决策提供更加有力的支持。
综上所述，该技术方案通过细化的异常判定逻辑、综合的时间差数据分析、增强的异常检测能力、灵活的阈值设置以及高效的异常处理流程，实现了对分布式电源数据采集运行状态的全面监测和精准判定，优化了数据质量管理，并提高了系统的可靠性和稳定性。
在本实施例中，作为本发明的优选技术方案，根据分布式电源的运行数据构建分布式电源学习模型，执行以下操作：
获取分布式电源的运行数据；
对分布式电源的运行数据进行划分；
确定出分布式电源训练集及分布式电源测试集；
根据分布式电源承载力与并网分析需求，选择合适的模型架构；
基于分布式电源训练集，对选择的合适的模型架构进行训练；
确定出分布式电源学习模型；
基于分布式电源测试集，对分布式电源学习模型进行性能测试；
确定出基于分布式电源学习模型的性能测试结果；
对基于分布式电源学习模型的性能测试结果进行深入挖掘及相关分析；
确定出基于分布式电源学习模型的优化调整方案；
基于优化调整方案对分布式电源学习模型进行优化调整；
确定出最优的分布式电源学习模型。
需要说明的是，通过获取分布式电源的运行数据，根据分布式电源的运行数据构建分布式电源学习模型，便于后续基于分布式电源学习模型对分布式电源的实时运行数据进行仿真分析，可快速确定出分布式电源承载力分析结果，可对分布式电源承载力进行实时监测。
S2：获取电网的运行数据，根据电网的运行数据构建电网学习模型；
在本实施例中，作为本发明的优选技术方案，获取电网的运行数据，执行以下操作：
对电网的运行状态进行监测，确定出电网状态参数；
对电网的运行环境进行监测，确定出电网环境参数；
对电网的运行市场进行监测，确定出电网市场参数；
其中，基于电网状态参数、环境参数及市场参数，确定电网的运行数据。
在本实施例中，作为本发明的优选技术方案，根据电网的运行数据构建电网学习模型，执行以下操作：
获取电网的运行数据；
对电网的运行数据进行划分；
确定出电网训练集及电网测试集；
根据分布式电源承载力与并网分析需求，选择合适的模型架构；
基于电网训练集，对选择的合适的模型架构进行训练；
确定出电网学习模型；
基于电网测试集，对电网学习模型进行性能测试；
确定出基于电网学习模型的性能测试结果；
对基于电网学习模型的性能测试结果进行深入挖掘及相关分析；
确定出基于电网学习模型的优化调整方案；
基于优化调整方案对电网学习模型进行优化调整；
确定出最优的电网学习模型。
需要说明的是，通过获取电网的运行数据，根据电网的运行数据构建电网学习模型，便于后续基于电网学习模型对电网的实时运行数据进行仿真分析，可快速确定出分布式电源承载力与并网分析评估结果，可对分布式电源承载力及并网情况进行实时分析评估。
S3：对电网学习模型及分布式电源学习模型进行仿真分析评估，根据分布式电源承载力与并网分析评估结果制定分布式电源承载力与并网优化管控决策。
在本实施例中，作为本发明的优选技术方案，对电网学习模型及分布式电源学习模型进行仿真分析评估，执行以下操作：
获取分布式电源的实时运行数据；
将分布式电源的实时运行数据输入到最优的分布式电源学习模型中；
基于最优的分布式电源学习模型，对分布式电源的实时运行数据进行仿真分析；
确定出分布式电源承载力分析结果；
获取电网的实时运行数据；
将电网的实时运行数据输入到最优的电网学习模型中；
基于最优的电网学习模型，对电网的实时运行数据进行仿真分析；
确定出分布式电源承载力与并网分析评估结果。
在本实施例中，作为本发明的优选技术方案，获取分布式电源的实时运行数据及电网的实时运行数据，执行以下操作：
获取分布式电源的实时运行数据及电网的实时运行数据；
基于顺序检索方法，对分布式电源的实时运行数据及电网的实时运行数据进行检索；
检查分布式电源的实时运行数据及电网的实时运行数据的一致性；
根据分布式电源的实时运行数据及电网的实时运行数据中每个变量的合理取值范围和相互关系，检查分布式电源的实时运行数据及电网的实时运行数据是否合乎要求；
去除分布式电源的实时运行数据及电网的实时运行数据中超出正常范围、逻辑上不合理或相互矛盾的不一致数据；
对分布式电源的实时运行数据及电网的实时运行数据进行无效值及缺失值处理；
去除分布式电源的实时运行数据及电网的实时运行数据中对分布式电源承载力与并网分析无价值的无效数据及缺失数据；
确定出对分布式电源承载力与并网分析有价值的分布式电源的实时运行数据及电网的实时运行数据。
在本实施例中，作为本发明的优选技术方案，所述S3，根据评估结果制定优化管控决策，执行以下操作：
获取分布式电源承载力与并网分析评估结果；
对分布式电源承载力与并网分析评估结果进行深入挖掘及相关分析；
确定出分布式电源承载力与并网优化管控决策；
基于分布式电源承载力与并网优化管控决策对分布式电源承载力与并网情况进行优化管控，使分布式电源高效、安全并网运行。
需要说明的是，基于分布式电源承载力与并网分析评估结果，制定分布式电源承载力与并网优化管控决策，基于分布式电源承载力与并网优化管控决策对分布式电源承载力与并网情况进行优化管控，使分布式电源高效、安全并网运行，可提高分布式电源接入电网的安全性和稳定性，降低因分布式电源故障导致的停电风险。
因此，通过获取分布式电源的运行数据，根据分布式电源的运行数据构建分布式电源学习模型，通过获取电网的运行数据，根据电网的运行数据构建电网学习模型，基于电网学习模型及分布式电源学习模型对电网的实时运行数据及分布式电源的实时运行数据进行仿真分析评估，确定出分布式电源承载力与并网分析评估结果，根据分布式电源承载力与并网分析评估结果制定分布式电源承载力与并网优化管控决策，基于分布式电源承载力与并网优化管控决策对分布式电源承载力与并网情况进行优化管控，可对分布式电源承载力及并网情况进行实时监测和分析评估，提高分布式电源接入电网的安全性和稳定性，降低因分布式电源故障导致的停电风险，可实现分布式电源的高效、安全并网运行。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种分布式电源承载力与并网分析方法，其特征在于，包括如下步骤：
S1：获取分布式电源的运行数据，根据分布式电源的运行数据构建分布式电源学习模型；
S2：获取电网的运行数据，根据电网的运行数据构建电网学习模型；
S3：对电网学习模型及分布式电源学习模型进行仿真分析评估，根据分布式电源承载力与并网分析评估结果制定分布式电源承载力与并网优化管控决策；
所述S1中，获取分布式电源的运行数据，还包括：
实时监测所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻；
根据所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻获取分布式电源功率参数与所述分布式电源电流参数之间的数据获取时间差、分布式电源电流参数与所述分布式电源电压参数之间的数据获取时间差以及分布式电源功率参数和分布式电源电压参数之间的数据获取时间差；
将所述分布式电源功率参数与所述分布式电源电流参数之间的数据获取时间差作为第一时间差数据；
将分布式电源电流参数与所述分布式电源电压参数之间的数据获取时间差作为第二时间差数据；
将所述分布式电源功率参数和分布式电源电压参数之间的数据获取时间差作为第三时间差数据；
利用所述第一时间差数据、第二时间差数据和第三时间差数据获取数据差稳定评价系数；其中，所述数据差稳定评价系数通过如下公式获取：
；
其中，W表示数据差稳定评价系数；n表示分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的数据采集次数；Tc01i、Tc02i和Tc03i分别表示第i次进行数据采集对应的第一时间差数据、第二时间差数据和第三时间差数据；w表示补偿系数，并且，所述补偿系数通过如下公式获取：
；
其中，w表示补偿系数；Pmax01和Pmin01分别表示在已经历的数据采集过程中，第一时间差数据为最大值的出现比率和第一时间差数据为最小值的出现比率；Pmax02和Pmin02分别表示在已经历的数据采集过程中，第二时间差数据为最大值的出现比率和第二时间差数据为最小值的出现比率；Pmax03和Pmin03分别表示在已经历的数据采集过程中，第三时间差数据为最大值的出现比率和第三时间差数据为最小值的出现比率；
将所述数据差稳定评价系数与预设的评价系数阈值进行比较；
当所述数据差稳定评价系数低于预设的评价系数阈值时，则对分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行评估和异常判定。
2.根据权利要求1所述的一种分布式电源承载力与并网分析方法，其特征在于，所述S1中，获取分布式电源的运行数据，执行以下操作：
对分布式电源的输出功率进行监测，确定出分布式电源功率参数；
对分布式电源的输出电流进行监测，确定出分布式电源电流参数；
对分布式电源的输出电压进行监测，确定出分布式电源电压参数；
其中，基于分布式电源功率参数、电流参数及电压参数，确定出分布式电源的运行数据。
3.根据权利要求2所述的一种分布式电源承载力与并网分析方法，其特征在于，当所述数据差稳定评价系数低于预设的评价系数阈值时，则对分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行评估和异常判定，包括：
当所述数据差稳定评价系数低于预设的评价系数阈值时，提取所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻；
根据所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的获取时刻结合第一波动获取模型确定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的第一波动参数；
其中，所述第一波动获取模型的模型结构如下：
；
其中，B01表示第一波动获取模型获取的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的第一波动参数；n表示分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的数据采集次数；Ti表示第i次数据采集时分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的数据采集时刻；Ti-1表示第i-1次数据采集时分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的数据采集时刻；Te表示预设的每相邻两个采集时刻的所允许最大波幅度时长；Pt表示已经历的n次数据采集中的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的采集时刻波动为三个参数采集波动中的最大值所占比例；
将所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数对应的第一波动参数与预设的第一波动参数阈值进行比较；提取超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数；
根据所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数的数量分别判定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态是否存在异常。
4.根据权利要求3所述的一种分布式电源承载力与并网分析方法，其特征在于，根据所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和/或分布式电源电压参数的数量分别判定所述分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态是否存在异常，包括：
当所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量为一个时，则直接针对超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数据采集运行状态进行异常报警；
当所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量为多个时，则利用所述超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的时间差数据获取第二波动参数；其中，所述第二波动参数通过如下公式获取：
；
其中，B01表示第二波动参数；m表示超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数的数量；B01j表示第j个超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数对应的第一波动参数；Tcpj表示第j个超过所述预设的第一波动参数阈值的第一波动参数所对应的分布式电源功率参数、分布式电源电流参数或分布式电源电压参数所涉及的时间差数据平均值；Te表示预设的每相邻两个采集时刻的所允许最大波幅度时长；
当所述第二波动参数超过预设的第二波动参数阈值时，则对应分布式电源功率参数、分布式电源电流参数和分布式电源电压参数的数据采集运行状态进行异常报警。
5.根据权利要求4所述的一种分布式电源承载力与并网分析方法，其特征在于，所述S1中，根据分布式电源的运行数据构建分布式电源学习模型，执行以下操作：
获取分布式电源的运行数据；
对分布式电源的运行数据进行划分；
确定出分布式电源训练集及分布式电源测试集；
根据分布式电源承载力与并网分析需求，选择合适的模型架构；
基于分布式电源训练集，对选择的合适的模型架构进行训练；
确定出分布式电源学习模型；
基于分布式电源测试集，对分布式电源学习模型进行性能测试；
确定出基于分布式电源学习模型的性能测试结果；
对基于分布式电源学习模型的性能测试结果进行深入挖掘及相关分析；
确定出基于分布式电源学习模型的优化调整方案；
基于优化调整方案对分布式电源学习模型进行优化调整；
确定出最优的分布式电源学习模型。
6.根据权利要求5所述的一种分布式电源承载力与并网分析方法，其特征在于，所述S2中，获取电网的运行数据，根据电网的运行数据构建电网学习模型，执行以下操作：
对电网的运行状态进行监测，确定出电网状态参数；
对电网的运行环境进行监测，确定出电网环境参数；
对电网的运行市场进行监测，确定出电网市场参数；
其中，基于电网状态参数、环境参数及市场参数，确定电网的运行数据；
对电网的运行数据进行划分；
确定出电网训练集及电网测试集；
根据分布式电源承载力与并网分析需求，选择合适的模型架构；
基于电网训练集，对选择的合适的模型架构进行训练；
确定出电网学习模型；
基于电网测试集，对电网学习模型进行性能测试；
确定出基于电网学习模型的性能测试结果；
对基于电网学习模型的性能测试结果进行深入挖掘及相关分析；
确定出基于电网学习模型的优化调整方案；
基于优化调整方案对电网学习模型进行优化调整；
确定出最优的电网学习模型。
7.根据权利要求6所述的一种分布式电源承载力与并网分析方法，其特征在于，所述S3中，对电网学习模型及分布式电源学习模型进行仿真分析评估，执行以下操作：
获取分布式电源的实时运行数据；
将分布式电源的实时运行数据输入到最优的分布式电源学习模型中；
基于最优的分布式电源学习模型，对分布式电源的实时运行数据进行仿真分析；
确定出分布式电源承载力分析结果；
获取电网的实时运行数据；
将电网的实时运行数据输入到最优的电网学习模型中；
基于最优的电网学习模型，对电网的实时运行数据进行仿真分析；
确定出分布式电源承载力与并网分析评估结果。
8.根据权利要求7所述的一种分布式电源承载力与并网分析方法，其特征在于，所述S3中，获取分布式电源的实时运行数据及电网的实时运行数据，执行以下操作：
获取分布式电源的实时运行数据及电网的实时运行数据；
基于顺序检索方法，对分布式电源的实时运行数据及电网的实时运行数据进行检索；
检查分布式电源的实时运行数据及电网的实时运行数据的一致性；
根据分布式电源的实时运行数据及电网的实时运行数据中每个变量的合理取值范围和相互关系，检查分布式电源的实时运行数据及电网的实时运行数据是否合乎要求；
去除分布式电源的实时运行数据及电网的实时运行数据中超出正常范围、逻辑上不合理或相互矛盾的不一致数据；
对分布式电源的实时运行数据及电网的实时运行数据进行无效值及缺失值处理；
去除分布式电源的实时运行数据及电网的实时运行数据中对分布式电源承载力与并网分析无价值的无效数据及缺失数据；
确定出对分布式电源承载力与并网分析有价值的分布式电源的实时运行数据及电网的实时运行数据。
9.根据权利要求8所述的一种分布式电源承载力与并网分析方法，其特征在于，所述S3中，根据评估结果制定优化管控决策，执行以下操作：
获取分布式电源承载力与并网分析评估结果；
对分布式电源承载力与并网分析评估结果进行深入挖掘及相关分析；
确定出分布式电源承载力与并网优化管控决策；
基于分布式电源承载力与并网优化管控决策对分布式电源承载力与并网情况进行优化管控，使分布式电源高效、安全并网运行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411152720.XA CN118659448B (zh) | 2024-08-21 | 2024-08-21 | 一种分布式电源承载力与并网分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411152720.XA CN118659448B (zh) | 2024-08-21 | 2024-08-21 | 一种分布式电源承载力与并网分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118659448A CN118659448A (zh) | 2024-09-17 |
| CN118659448B true CN118659448B (zh) | 2024-12-27 |
Family
ID=92702652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411152720.XA Active CN118659448B (zh) | 2024-08-21 | 2024-08-21 | 一种分布式电源承载力与并网分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118659448B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692513A (zh) * | 2022-05-26 | 2022-07-01 | 国网山西省电力公司晋城供电公司 | 基于深度学习的新能源承载力评估方法、预警方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113381456A (zh) * | 2021-06-10 | 2021-09-10 | 中国电力科学研究院有限公司 | 一种电力系统新能源承载能力评估方法及系统 |
| CN114723242A (zh) * | 2022-03-21 | 2022-07-08 | 中国电力科学研究院有限公司 | 一种配电网分布式电源承载能力评估方法、系统及设备 |
| CN117713245A (zh) * | 2023-12-18 | 2024-03-15 | 国网吉林省电力有限公司白城供电公司 | 考虑新能源多场站短路比的网源协同规划方法及系统 |
-
2024
- 2024-08-21 CN CN202411152720.XA patent/CN118659448B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114692513A (zh) * | 2022-05-26 | 2022-07-01 | 国网山西省电力公司晋城供电公司 | 基于深度学习的新能源承载力评估方法、预警方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118659448A (zh) | 2024-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117808456B (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
| CN109188227B (zh) | 一种双馈型风力发电机绝缘状态评估方法及系统 | |
| CN116933197B (zh) | 一种基于大数据的用电信息采集系统故障判别方法及系统 | |
| CN118520359A (zh) | 一种水电站故障预测与事故预警方法及系统 | |
| CN115270491A (zh) | 基于多元信息融合的海上风电运维平台设计方法 | |
| CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
| CN119010178A (zh) | 一种智能经济的离网型光储微网系统 | |
| CN117490338A (zh) | 基于深度学习的船舶冷却机组控制方法及系统 | |
| CN119151160B (zh) | 一种新能源场站运行智慧管理方法及系统 | |
| CN118659448B (zh) | 一种分布式电源承载力与并网分析方法 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 | |
| CN118521082A (zh) | 一种基于配电网架的配电网规划系统 | |
| CN118982131A (zh) | 电站整体效率分析方法及系统 | |
| CN118148895A (zh) | 一种新能源电动泵微控制方法 | |
| CN110836835A (zh) | 智能化sf6密度在线监测数据分析及信息反馈系统 | |
| CN117634872A (zh) | 一种新能源电力系统的风险预警系统及方法 | |
| CN119247243B (zh) | 一种用电采集数据精度增强方法及装置 | |
| CN118826640B (zh) | 一种基于太阳能光伏板运行健康的在线监测方法及系统 | |
| CN119515114B (zh) | 一种基于潮流计算的配网承载力评估方法 | |
| Tang et al. | Research on Transformer Temperature Warning Algorithm Based on Support Vector Machine | |
| CN118364627A (zh) | 基于组串分析的低效定位方法及系统 | |
| CN119561125A (zh) | 基于大数据分析的储能电站管理系统 | |
| CN118739263A (zh) | 一种构网型储能系统的能源监控方法及系统 | |
| CN118536974A (zh) | 一种电气设备运行状态智能监测方法及系统 | |
| CN119420021A (zh) | 一种水系钠离子电池储能电站智慧管控系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |