CN102930344B - 一种基于负荷趋势变化的超短期母线负荷预测方法 - Google Patents
一种基于负荷趋势变化的超短期母线负荷预测方法 Download PDFInfo
- Publication number
- CN102930344B CN102930344B CN201210379646.6A CN201210379646A CN102930344B CN 102930344 B CN102930344 B CN 102930344B CN 201210379646 A CN201210379646 A CN 201210379646A CN 102930344 B CN102930344 B CN 102930344B
- Authority
- CN
- China
- Prior art keywords
- bus load
- day
- load
- value
- prediction
- 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
- 230000008859 change Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 claims description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于负荷趋势变化的超短期母线负荷预测方法,该方法包括下述步骤:(1)母线负荷建模;(2)获取及处理母线负荷样本数据;(3)相似日选择;(4)超短期母线负荷预测计算。该方法加速获得超短期母线负荷预测结果,并与现行的一些方法进行了比较,确定该方法简单实用、计算速度快、预测结果准确满足实时调度和实时安全校核的要求。
Description
技术领域
本发明涉及电力系统母线负荷预测技术领域,具体涉及一种基于负荷趋势变化的超短期母线负荷预测方法。
背景技术
超短期母线负荷预测是电力系统母线负荷预测中的一个重要组成部分。超短期母线负荷预测在实时和日内发电计划制定和方式安排中起到重要的基础性作用。目前多个网省的安全校核工作已经不能完全满足实时发电计划和检修方式下的实时安全校核要求。部分电网实时发电计划和电网方式安排中的安全漏洞已经反映到实际运行中,只能采取临时调整发电计划或电网运行方式予以弥补,这给电网运行带来了安全隐患。
电网的迅速发展使电网拓扑的组合方式按级数增长,加上区域经济不平衡因素,导致月度方式计算远不能涵盖所有的电网安全问题。建立与国际先进技术同步的实时安全校核技术支持系统势在必行,而快速精确的超短期母线负荷预测是进行实时安全校核的基础。
超短期母线负荷预测的特点是在线运行,不仅要求预测精度高,而且要求计算速度快。描述超短期母线负荷预测的资料相对超短期系统母线负荷预测而言非常少。与超短期系统母线负荷的分析过程类似,母线负荷自身也具有特定的变化规律,可以考虑使用超短期系统母线负荷预测的某些方法来进行超短期母线负荷预测,但母线负荷预测的特点决定了它属于信息不完备、不精确问题,很难直接套用超短期系统母线负荷预测的思路来解决,例如,不精确的历史数据和其中相对较多的坏数据会对绝大部分已有方法产生破坏性影响。因此,必须从实时快速的数据辨识、多元化的超短期母线负荷预测模型、超短期母线负荷预测的组合分析机制等多个方面进行深入研究,提出全套的解决方案,最终快速准确的进行超短期母母线负荷预测,为实时安全校核和实时发电计划提高精准的基础数据。
发明内容
针对现有技术的不足,本发明提供一种基于负荷趋势变化的超短期母线负荷预测方法,该方法加速获得超短期母线负荷预测结果,并与现行的一些方法进行了比较,确定该方法简单实用、计算速度快、预测结果准确满足实时调度和实时安全校核的要求。
本发明的目的是采用下述技术方案实现的:
一种基于负荷趋势变化的超短期母线负荷预测方法,其改进之处在于,所述方法包括下述步骤:
(1)母线负荷建模;
(2)获取及处理母线负荷样本数据;
(3)相似日选择;
(4)超短期母线负荷预测计算。
其中,所述步骤(1)中,所述母线负荷建模包括:
A、获取母线负荷预测电网模型:母线负荷预测电网模型通过基于IEC61970标准或基于国网E语言标准的电网模型获取;
B、定义母线负荷组:母线负荷组是母线负荷模型中的基本实体,母线负荷组连接到单个电力元件测量值;
C、定义母线负荷:母线负荷指的是母线负荷统计关口与节点;
D、建立母线负荷模型:母线负荷模型是树状结构,描述分区、厂站和母线负荷的层次关系;母线负荷模型通过电网模型中的母线负荷组定义直接创建。
其中,所述步骤(2)中,母线负荷样本数据获取及处理包括下述步骤:
a、从以计算机为基础的DC与电力自动化监控系统SCADA服务器中获取母线负荷历史数据以及实时母线负荷值并保存在母线负荷预测数据库中;
b、对从以计算机为基础的DC与电力自动化监控系统SCADA服务器中获得的母线负荷预测历史值进行加工处理,由母线负荷预测历史数据构成原始样本数据;
c、计算样本日母线负荷变化率;
d、计算平均日母线负荷变化率。
其中,所述步骤b中,首先判断原始样本数据是否为伪数据,判据如下:
式中:ΔLi所选样本日第i点的母线负荷变化率;ΔLiav是i点平均母线负荷变化率;P为评价倍数,省网选P=3;
对识别出的伪数据根据下述②式进行加工处理:
Li+1=Li*(1+Liav) ②;
式中:Li表示i时刻的母线负荷值;Li+1表示通过Li和ΔLiav计算得到的i+1时刻的母线负荷值;当历史样本中i+1时刻的母线负荷历史值是伪数据时,将该伪数据由②式计算所得的Li+1替换。
其中,所述步骤c中,样本日母线负荷变化率的计算通过对由历史样本数据的拟合曲线求导获取,对于离散的以计算机为基础的DC与电力自动化监控系统SCADA母线负荷序列,样本日各点的母线负荷变化率ΔLi用下述③式表示:
ΔLi=(Li+1-Li)/Li ③。
其中,所述步骤d中,根据步骤c,求取平均母线负荷变化率,所述平均母线负荷变化率ΔLiav用下述④式表示:
式中:M为所选样本的天数。
其中,所述步骤(3)中,相似日选择包括如下步骤:
I、给定“距离”的阀;
II、从最临近预测日的历史日开始,计算每个历史日与预测日的“距离”;以历史日的母线负荷值和母线负荷增量值为分量,计算出距离值,保留接近1的数据;
III、对保留下来接近1的数据,利用表达式⑦计算出距离N的值;
IV、比较步骤III计算出的N值,如果小于阀值φ,则该历史日是预测日的相似日;或选取与预测日相似的m天作相似日。
其中,所述步骤I中,相似性判别函数的公式如下:
距离N的值用下述公式⑦表示:
其中:
是预测日向量的第k个分量;是距离预测l日前天向量的第k个分量;为权重值。
其中,所述步骤(4)中,在平均日各母线负荷变化率的基础上,从以计算机为基础的DC与电力自动化监控系统SCADA中实时获取的288点母线负荷数据中的当前值,进行超短期母线负荷预测,单个母线负荷值用下述⑨式表示:
L/ f(i+1)=Li*(1+Liav) ⑨;
式中:L/ f(i+1)是超短期预测得到的i+1时刻单个母线负荷值。
与现有技术比,本发明达到的有益效果是:
1、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法,母线负荷模型基于能量管理实时系统(EMS)中,能够及时获取网络信息。
2、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法,实时处理母线负荷坏数据,即伪数据。
3、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法,提前进行历史母线负荷趋势变化计算。
4、、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法,数据存储过程中考虑依托底层数据库,通过建立多层索引和关键字等快速存储技术,提高数据访问速度。
5、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法,快速计算和存储超短期母线负荷预测结果。
6、本发明提供的基于负荷趋势变化的超短期母线负荷预测方法,加速获得超短期母线负荷预测结果,该方法简单实用、计算速度快、预测结果准确满足实时调度和实时安全校核的要求。
附图说明
图1是本发明提供的电网超短期母线负荷预测物理模型;
图2是本发明提供的基于负荷趋势变化的超短期母线负荷预测方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
本发明提供的基于负荷趋势变化的超短期母线负荷预测方法的流程如图2所示,该方法包括下述步骤:
(1)母线负荷建模;
本发明提供的电网超短期母线负荷预测物理模型如图1所示,建立电网母线负荷预测物理模型是母线负荷预测中的重要环节,结合考虑到各级电网的实际的特点,建立如下所示的预测模型。该模型主要是对220kV或110kV进行建模,将220kV变电站高压测或中、低压侧的实际负荷和线路统一看成是等值负荷,超短期母线负荷预测的目的就是通过计算得到这些等值负荷的超短期预测结果。建立规范的母线负荷模型是母线负荷预测工作的前提和基本保证。母线负荷预测使用的网络模型立足于调度EMS系统使用的网络模型,一体化建设,一体化维护,也可以按照IEC61970标准的CIM模型或基于国网E语言标准从能量管理系统(EMS)中获取。母线负荷建模包括下述内容:
母线负荷预测用于获得未来潮流计算中各计算母线上的母线负荷类注入量,这些母线负荷注入量,物理上表现为与下级电网的线路关口、主变关口量测。
A、电网模型获取:母线负荷预测使用的电网模型来源于调度EMS系统,可以通过基于IEC61970(DL/Z 890)标准或基于国网E语言标准的电网模型获取。
B、母线负荷组的定义:母线负荷组是母线负荷模型中的基本实体,母线负荷组可以连接到单个电力元件测量值,例如变压器测量值,或者连接到母线负荷元件测量值的总集合中。
C、母线负荷的定义:母线负荷预测中的“母线”并不是指物理母线实体,而是指母线负荷统计关口与节点;母线负荷是一个逻辑概念,但其总与具体的物理设备关联,并具有明确的物理意义。
D、母线负荷模型的建立:母线负荷基本模型是树状结构的,可以描述为分区、厂站、母线负荷的层次关系,其定义依据源自EMS电网模型。母线负荷模型主要通过利用电网模型中的母线负荷组定义直接创建。
(2)获取及处理母线负荷样本数据;
母线负荷的历史样本数据是预测未来母线负荷的基础。由于自动化系统问题等各种原因,实际的母线负荷样本数据中总是不可避免地包含有各种坏数据,这些坏数据的存在显然会影响最终的预报精度。因此在母线负荷预测应用中,样本数据的预处理非常重要。坏数据通常由以下原因造成:一是自动化系统故障,如数据采集系统中某一数据通道的暂时性中断,这将造成数据不真实;二是类似某些大工业母线负荷的突发性偶然波动等的特殊事件,使得数据的本来规律被各种“假象”覆盖。三是统计口径不同带来的误差。这两种情况一般认为会造成坏数据,第三种会造成数据异常。解决办法主要有修正法、解析分析法、相关法、调整历史数据的可信度、自动检测与辨识不良数据等。将电力系统不良数据检测和辨识技术应用到母线负荷预测的数据处理,能够有效的处理历史数据中的异常值。
从以计算机为基础的DC与电力自动化监控系统(SCADA)服务器中自动获取系统历史以及实时母线负荷值并送入自身数据库中进行更新维护。由于EMS运行过程中有时会受到干扰或发生中断,造成采集到的母线负荷出现错误,从而使母线负荷曲线出现不正常的毛刺,这些伪数据的出现必然严重影响预测结果的准确性。因此在超短期母线负荷预测中,预测样本的维护非常重要,辨识和修正伪数据是保证预测结果可信的前提。
a、从以计算机为基础的DC与电力自动化监控系统(SCADA)服务器中自动获取母线负荷历史数据以及实时母线负荷值并保存在母线负荷预测数据库中;
b、对从SCADA中获得的母线负荷预测历史值进行加工处理,由母线负荷预测历史数据构成原始样本数据;,其具体判据如下:
首先判断原始样本数据是否为伪数据,判据如下:
式中:ΔLi所选样本日第i点的母线负荷变化率;ΔLiav是i点平均母线负荷变化率;P为评价倍数,其值根据电网实际情况选取,省网选P=3;
对识别出的伪数据根据下述②式进行加工处理:
Li+1=Li*(1+Liav) ②;
式中:Li表示i时刻的母线负荷值;Li+1为通过Li和ΔLiav计算得到的i+1时刻的母线负荷值;当历史样本中i+1时刻的母线负荷历史值是伪数据时,将该伪数据由②式计算所得的Li+1替换。
c、样本日母线负荷变化率计算:
样本日母线负荷变化率的计算通过对由历史样本数据的拟合曲线求导获取,对于离散的SCADA母线负荷序列,样本日各点的母线负荷变化率用下述③式表示:
ΔLi=(Li+1-Li)/Li ③。
d、平均日母线负荷变化率计算:
通过计算③式,得到各样本日各点的母线负荷变化率,由此对其进行统计求取平均母线负荷变化率,平均母线负荷变化率用下述④式表示:
式中:M为所选样本的天数。
通过④式,获得一个用于伪数据判断的平均母线负荷变化率。利用此变化率,进行伪数据的判别和加工修改,然后再利用加工修改后的样本重新进行样本日母线负荷变化率、平均日母线负荷变化率的计算,得出新的平均日母线负荷变化率,比较前后两次平均日母线负荷变化率的差值,如果差值较大则重新循环,直至满足要求,得到用于预测的平均日母线负荷变化率为止。工程经验证明,重复进行一次计算即可满足实用要求。
(3)相似日选择;
由于相似日同一时段母线负荷曲线呈现相近的变化规律,所以在选择相似日时,根据相似目母线负荷曲线的特征,要考虑的输入量包括:母线负荷增量值、母线负荷值。在确定历史日的选择范围时,考虑到使用与预测日相隔比较久的历史日会降低预测精度,所以取与预测日相隔不超过两个月,或是预测日前一年的同一月的各历史日构成母线负荷预测的样本集,每个样本包括该日各时段的母线负荷值和母线负荷增量值。
相似日选择包括下述步骤:
I、给定“距离”的阀;
在数学上,相似性判别函数的公式如下:
式中y为行1列向量,以负荷增量值、负荷值、日类型作为向量的分量。当yk和yl两组数据比较接近时,M(yk,yl)就会很大。
由于负荷具有周期性,所以大多数情况下,M(yk,yl)的值都比较接近1。为了得到更加准确的结果,引进了距离公式来计算历史日与预测日的“距离”。
其中
是预测日向量的第k个分量;是距离预测l日前天向量的第k个分量。权重值的确定,可以通过以往的历史负荷数据资料,使用最小二乘法来得到。
距离N值越小,则说明相似度越高,该历史日相应时段的负荷曲线越接近于预测日的负荷曲线。由相似性原理,给定阀值φ和距离公式N,如果对于向量yk和yl-1,有yk和N(yl-yl-1)≤φ,则yk和yl-1的阀值φ内相似,简称yk和yl-1相似。φ值的确定,要根据不同地区的实际情况,由经验决定。
II、从最临近预测日的历史日开始,计算每个历史日与预测日的“距离”;以历史日的母线负荷值和母线负荷增量值为分量,计算出距离值,保留接近1的数据;
III、对保留下来接近1的数据,用⑦式计算出N值;
IV、比较步骤III计算出的N值,如果小于阀值φ,则该历史日是预测日的相似日;或选取与预测日相似的m天作相似日。
(4)超短期母线负荷预测计算;
在得到用于预测的平均日各母线负荷变化率的基础上,利用从电力自动化监控系统SCADA系统中实时获取的288点(每5min取一点)母线负荷数据中的当前值,即可进行未来时刻的超短期母线负荷预测,单个母线负荷值用下述⑨式表示:
L/ f(i+1)=Li*(1+Liav) ⑨;
式中:L/ f(i+1)是超短期预测得到的i+1时刻单个母线负荷值。
实施例:
将以上所述方法应用到某省级电网调度自动化中,进行最小间隔为5分钟,长度为2小时的超短期母线负荷预测。日预测精度能提高2%-3%,很好的满足了日内发电计划的要求。且算法运行稳定,预测在拐点或其他波动时段都有很好的适应能力,预测结果稳定,具有一定的通用性和推广价值。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于负荷趋势变化的超短期母线负荷预测方法,其特征在于,所述方法包括下述步骤:
(1)母线负荷建模;
(2)获取及处理母线负荷样本数据;
(3)相似日选择;
(4)超短期母线负荷预测计算;
所述步骤(1)中,所述母线负荷建模包括:
A、获取母线负荷预测电网模型:母线负荷预测电网模型通过基于IEC61970标准或基于国网E语言标准的电网模型获取;
B、定义母线负荷组:母线负荷组是母线负荷模型中的基本实体,母线负荷组连接到单个电力元件测量值;
C、定义母线负荷:母线负荷指的是母线负荷统计关口与节点;
D、建立母线负荷模型:母线负荷模型是树状结构,描述分区、厂站和母线负荷的层次关系;母线负荷模型通过电网模型中的母线负荷组定义直接创建;
所述步骤(2)中,获取及处理母线负荷样本数据包括下述步骤:
a、从以计算机为基础的DC与电力自动化监控系统SCADA服务器中获取母线负荷历史数据以及实时母线负荷值并保存在母线负荷预测数据库中;
b、对从以计算机为基础的DC与电力自动化监控系统SCADA服务器中获得的母线负荷预测历史值进行加工处理,由母线负荷预测历史数据构成原始样本数据;
c、计算样本日母线负荷变化率;
d、计算平均日母线负荷变化率;
所述步骤b中,首先判断原始样本数据是否为伪数据,判据如下:
式中:ΔLi所选样本日第i点的母线负荷变化率;ΔLiav是i点平均母线负荷变化率;P为评价倍数,省网选P=3;
对识别出的伪数据根据下述②式进行加工处理:
Li+1=Li*(1+ΔLiav) ②;
式中:Li表示i时刻的母线负荷值;Li+1表示通过Li和ΔLiav计算得到的i+1时刻的母线负荷值;当历史样本中i+1时刻的母线负荷历史值是伪数据时,将该伪数据由②式计算所得的Li+1替换;
所述步骤c中,样本日母线负荷变化率的计算通过对由历史样本数据的拟合曲线求导获取,对于离散的以计算机为基础的DC与电力自动化监控系统SCADA母线负荷序列,样本日各点的母线负荷变化率ΔLi用下述③式表示:
ΔLi=(Li+1-Li)/Li ③;
所述步骤d中,根据步骤c,求取平均母线负荷变化率,所述平均母线负荷变化率ΔLiav用下述④式表示:
式中:M为所选样本的天数;
所述步骤(3)中,相似日选择包括如下步骤:
I、给定距离的阈;
在数学上,相似性判别函数的公式如下:
式中:y为行1列向量,以负荷增量值、负荷值、日类型作为向量的分量,当yk和yl两组数据接近时,M(yk,yl)的值很大;
由于负荷具有周期性,所以大多数情况下,M(yk,yl)的值都比较接近1,为了得到更加准确的结果,引进了距离公式来计算历史日与预测日的距离;
其中
是预测日向量的第k个分量;是距离预测l日前天向量的第k个分量;权重值 的确定,通过以往的历史负荷数据资料,使用最小二乘法来得到;
距离N值越小,则说明相似度越高,该历史日相应时段的负荷曲线越接近于预测日的负荷曲线;由相似性原理,给定阈值φ和距离公式N,如果对于向量yk和yl-1,有yk和N(yl-yl-1)≤φ,则yk和yl-1的阈值φ内相似,简称yk和yl-1相似;φ值的确定,要根据不同地区的实际情况,由经验决定;
II、从最临近预测日的历史日开始,计算每个历史日与预测日的距离;以历史日的母线负荷值和母线负荷增量值为分量,计算出距离值,保留接近1的数据;
III、对保留下来接近1的数据,利用表达式⑦计算出距离N的值;
IV、比较步骤III计算出的N值,如果小于阈值φ,则该历史日是预测日的相似日;或选取与预测日相似的m天作相似日;
所述步骤I中,相似性判别函数的公式如下:
距离N的值用下述公式⑦表示:
其中:
是预测日向量的第k个分量;是距离预测l日前天向量的第k个分量;为权重值;
所述步骤(4)中,在平均日各母线负荷变化率的基础上,从以计算机为基础的DC与电力自动化监控系统SCADA中实时获取的288点母线负荷数据中的当前值,进行超短期母线负荷预测,单个母线负荷值用下述⑨式表示:
L/ f(i+1)=Li*(1+ΔLiav) ⑨;
式中:L/ f(i+1)是超短期预测得到的i+1时刻单个母线负荷值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210379646.6A CN102930344B (zh) | 2012-10-09 | 2012-10-09 | 一种基于负荷趋势变化的超短期母线负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210379646.6A CN102930344B (zh) | 2012-10-09 | 2012-10-09 | 一种基于负荷趋势变化的超短期母线负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102930344A CN102930344A (zh) | 2013-02-13 |
CN102930344B true CN102930344B (zh) | 2016-08-31 |
Family
ID=47645138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210379646.6A Active CN102930344B (zh) | 2012-10-09 | 2012-10-09 | 一种基于负荷趋势变化的超短期母线负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102930344B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093288B (zh) * | 2013-02-21 | 2016-03-30 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
CN103455953A (zh) * | 2013-09-12 | 2013-12-18 | 国家电网公司 | 母线负荷预测方法及装置 |
CN103971175B (zh) * | 2014-05-06 | 2017-05-10 | 华中科技大学 | 一种多级变电站的短期负荷预测方法 |
CN104156453A (zh) * | 2014-08-18 | 2014-11-19 | 国家电网公司 | 一种超短期母线负荷预测实时在线考核分析方法 |
CN104168142A (zh) * | 2014-08-18 | 2014-11-26 | 国家电网公司 | 一种超短期系统负荷预测实时在线考核分析方法 |
CN105991303B (zh) * | 2015-01-27 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 运维参量监控样本处理方法和装置及通信系统 |
CN104850918B (zh) * | 2015-06-02 | 2018-05-01 | 国网山东省电力公司经济技术研究院 | 一种计及电网拓扑约束的节点负荷预测方法 |
CN105205547A (zh) * | 2015-08-25 | 2015-12-30 | 广西电网有限责任公司 | 一种基于多种不确定因素相似度匹配的母线负荷预测算法 |
CN105243451B (zh) * | 2015-10-27 | 2019-06-07 | 福建奥通迈胜电力科技有限公司 | 基于最优局部形相似的微网超短期负荷预测方法 |
CN105552902B (zh) * | 2016-01-25 | 2021-01-12 | 中国电力科学研究院 | 基于馈线端实时量测的配电网终端负荷超短期预测方法 |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
CN110222879B (zh) * | 2019-05-17 | 2023-02-10 | 广东电网有限责任公司电力调度控制中心 | 一种考虑置信区间的系统-母线负荷预测协调方法及装置 |
CN110633842B (zh) * | 2019-08-20 | 2022-04-19 | 广州供电局有限公司 | 一种220kV母线负荷预测结果调整方法、系统、介质及设备 |
CN110866633B (zh) * | 2019-10-25 | 2023-11-24 | 上海电气集团股份有限公司 | 一种基于svr支持向量回归的微电网超短期负荷预测方法 |
CN113590989A (zh) * | 2020-04-30 | 2021-11-02 | 北京金山云网络技术有限公司 | 用于实时计算异常时的数据处理方法、装置以及电子设备 |
CN112183813B (zh) * | 2020-08-26 | 2024-04-09 | 河海大学 | 一种基于优化稀疏编码的超短期负荷滚动多步预测方法 |
CN112149882A (zh) * | 2020-09-04 | 2020-12-29 | 深圳供电局有限公司 | 一种电网中长期负荷预测管理系统 |
CN113837503B (zh) * | 2021-11-29 | 2022-03-29 | 新风光电子科技股份有限公司 | 基于人工智能的电网负荷预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739502A (zh) * | 2008-11-20 | 2010-06-16 | 上海申瑞电力科技股份有限公司 | 4阶龙格-库塔母线负荷预报方法 |
CN102063563A (zh) * | 2010-12-14 | 2011-05-18 | 中国电力科学研究院 | 网省地一体化的母线负荷预测方法 |
-
2012
- 2012-10-09 CN CN201210379646.6A patent/CN102930344B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739502A (zh) * | 2008-11-20 | 2010-06-16 | 上海申瑞电力科技股份有限公司 | 4阶龙格-库塔母线负荷预报方法 |
CN102063563A (zh) * | 2010-12-14 | 2011-05-18 | 中国电力科学研究院 | 网省地一体化的母线负荷预测方法 |
Non-Patent Citations (3)
Title |
---|
改进的基于聚类分析的超短期负荷预测方法;杨争林 等;《电力系统自动化》;20051225;第29卷(第24期);第83-86页,第97页,第0,1,2节 * |
母线负荷预测中样本数据预处理的新方法;李光珍 等;《电网技术》;20100228;第34卷(第2期);第149-154,第0,1,3节 * |
母线负荷预测的实用算法;陈小平;《四川电力技术》;20120229;第35卷(第1期);第66-68页,第1.1,2,3.1,3.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN102930344A (zh) | 2013-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102930344B (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN111814390B (zh) | 基于传递熵和小波神经网络的电压互感器误差预测方法 | |
CN101413981B (zh) | 电力系统运行备用可靠性测试系统 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN103872681A (zh) | 一种基于主配网一体化的在线实时合环方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN112131441A (zh) | 一种快速识别用电异常行为的方法及系统 | |
CN103425874B (zh) | 一种基于率模可靠性理论的航天器健康评估方法 | |
CN113050018A (zh) | 基于数据驱动评估结果变化趋势的电压互感器状态评估方法及系统 | |
CN104318397A (zh) | 一种基于电网短期运行行为的风险评估及分析方法 | |
CN101923685A (zh) | 一种基于断线故障概率预测的电力切负荷决策系统及方法 | |
CN106952178B (zh) | 一种基于量测平衡的遥测不良数据辨识与原因分辨方法 | |
CN103020870A (zh) | Sf6断路器的状态评价建模方法与系统 | |
CN116956203B (zh) | 一种变压器分接开关动作特性测量方法及系统 | |
Luo et al. | Research and application of GIS‐based medium‐voltage distribution network comprehensive technical evaluation system | |
Makanju et al. | Machine Learning Approaches for Power System Parameters Prediction: A Systematic Review | |
CN114156865B (zh) | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 | |
CN106159940A (zh) | 基于电网负荷特性分析的pmu最优布点方法 | |
CN105095659A (zh) | 基于云计算的省地协调分布式状态估计方法 | |
CN114638169A (zh) | 变压器时变故障概率计算方法、装置及计算机可读存储介质 | |
CN110727912B (zh) | 一种电力二次设备差异化改造方案选择方法 | |
CN103280841A (zh) | 一种间歇性能源的并网点确定方法 | |
Procopiou et al. | Advanced Planning of PV-Rich Distribution Networks-Deliverable 2: Innovative Analytical Techniques | |
CN107546742B (zh) | 一种日前计划潮流有功及电压计算误差分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |