CN103336891B - 一种用于配电网状态估计的伪量测生成方法 - Google Patents
一种用于配电网状态估计的伪量测生成方法 Download PDFInfo
- Publication number
- CN103336891B CN103336891B CN201310231022.4A CN201310231022A CN103336891B CN 103336891 B CN103336891 B CN 103336891B CN 201310231022 A CN201310231022 A CN 201310231022A CN 103336891 B CN103336891 B CN 103336891B
- Authority
- CN
- China
- Prior art keywords
- load
- day
- data
- load data
- time series
- 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 abstract description 32
- 238000005259 measurement Methods 0.000 title claims abstract description 22
- 230000002354 daily effect Effects 0.000 claims description 27
- 238000009499 grossing Methods 0.000 claims description 14
- 230000003203 everyday effect Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000004088 simulation Methods 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 230000001932 seasonal effect Effects 0.000 description 7
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种应用于配电网状态估计的伪量测生成方法,属于电力系统调度自动化与电网仿真技术领域。首先将电量计费系统采集的负荷数据作为负荷量测;并利用holt‑winter模型进行超短期负荷预测;然后把配电网中的原始数据与预测值进行三次样条插值获得伪量测;来补充配电网量测装置的不足。本发明的伪量测生成方法充分利用了配电网计量系统中的负荷数据,且方法实现简单,计算速度快,结果准确,能够使非量测点的伪量测负荷的准确度达到或者接近实际量测值,进而提高了配电网状态估计准确度。
Description
技术领域
本发明涉及一种用于配电网状态估计的伪量测生成方法,使用holt-winter模型的超短期负荷预测方法和三次样条插值函数法获得伪量测,属于电力系统调度自动化与电网仿真技术领域。
背景技术
配电网状态估计是配电网管理系统的最基础和最重要的功能之一,由于配网量测装置配置量极其有限,单靠实时量测难以进行状态估计,通常需引入伪量测。依据用户侧数据信息,包括账单信息、停电信息、电能表计数据等,从而生成伪量测,来保证配电网可观测性的要求非常重要。目前,配电网负荷伪量测可利用的数据分为两类,一种是去年一年或上一个月的电能表历史数据,另一种是每隔15分钟计量系统自动读表传送的数据。较发达的城市配网能够提供每隔15分钟自动读表的数据,欠发达地区的配网仅能提供一个月的电能表数据。这些数据的共同特点是实时性较差。利用这些数据得到负荷伪量测,精度不高。需要一种较高精度的负荷伪量测生成方法。
发明内容
本发明的目的是提出一种用于配电网状态估计的伪量测生成方法,利用holt-winter模型的超短期馈线负荷预测方法,根据历史负荷变化规律,预测未来15min的馈线负荷需求,通过插值函数法求得每个1分钟的负荷伪量测序列,利用计算周期为1分钟的状态估计,结合实时量测和负荷伪量测进行状态估计。该方法在线跟踪电力系统的状态变化,递归生成负荷伪量测,为配电网的状态估计提供可靠的信息。
本发明提出的用于配电网状态估计的伪量测生成方法,包括以下步骤:
(1)选择配电网中需要预测的负荷,从配电网计量系统中分别获取预测日前n天的历史负荷数据,历史负荷数据中每一天的负荷数据记为历史日负荷数据,将预测日前n天划分为工作日和假日;
(2)建立一个与预测日前的历史负荷数据相对应的时间序列Y,时间序列Y为等时间间隔的实数值序列,其中的时间间隔为15分钟,根据时间序列Y分别形成预测日前每一天的负荷时间序列Xl,记为历史日负荷时间序列,l=1,2,...,n;
(3)以15分钟的时间间隔,从配电网计量系统中获取预测日的预测当前时刻至预测日零点的负荷数据,得到预测日负荷数据,并得到预测日负荷时间序列Xf;
(4)分别计算预测日前每一天的负荷时间序列Xl与预测日负荷时间序列Xf的相似度,相似度M的计算公式如下:
其中,T为预测日负荷时间序列数据Xf的倒置;
(5)保留与相似度M在0.75<M<1.25范围内的相应历史日的负荷数据;
(6)用以下公式计算预测日负荷数据与相似度在0.75<M<1.25范围内的历史日的负荷数据之间的距离N:
其中:为预测日负荷数据时间序列Xf中的第k个分量,是预测日前的每一天的负荷时间序列数据Xl的第k个分量,m是预测日负荷数据时间序列Xf的长度;
(7)设定一个大于或等于零的阈值θ,将上述距离值N与阈值θ进行比较,若N<θ,则判定该历史日是预测日的相似日,若N≥θ,则历史日不是预测日的相似日;重复步骤(1)-步骤(7),得到预测日前n天内的所有相似日,并形成相似日的负荷时间序列D,进行步骤(8);
(8)采用温特斯的超短期负荷预测模型,对预测日的预测当前时刻15分钟后的负荷数据进行预测,预测过程包括以下步骤:
(8-1)建立温特斯超短期预测模型:
bt=β(St-St-1)+(1-β)bt-1
上述模型中,Dt是与上述相似日的负荷时间序列D中时刻t相对应的负荷数据,St为时刻t负荷数据中的稳定成分,St-1为时刻t-1负荷数据中的稳定成分,bt是时刻t负荷数据中的线性成分,bt-1为时刻t-1负荷数据的线性成分,It是时刻t负荷数据的季节成分It-L是时刻t-L负荷数据的季节成分,L是上述相似日的负荷时间序列数据D中的季节长度或时间周期,α,β,γ分别是平滑参数,α,β,γ的取值范围分别为∈[0,1];
(8-2)利用上述超短期预测模型,进行超短期负荷预测,具体步骤如下:
(8-2-1)将步骤(7)得到的相似日的负荷时间序列数据D输入到上述超短期负荷预测模型中;
(8-2-2)设定相似日的负荷时间序列数据D中的周期为一天一个周期,设定L=96;
(8-2-3)开始预测时,根据第一个相似日的负荷数据,计算上述超短期预测模型的初始值:
b1=(DL-D1)/(L-1);
令t=97开始,计算第一天内每相隔15分钟的初始值:
上式中,DL,D1分别为相似日的负荷时间序列数据D中第一周期中的第一个和最后一个的负荷数据,Dt-L为相似日的负荷时间序列数据D中时刻t-L的负荷数据;
(8-2-4)将步骤(8-2-3)的计算结果代入步骤(8-2-1)的超短期预测模型中,进行递推计算,得到超短期预测的不同时刻t的St,bt和It;
(8-2-5)通过如下公式,计算得到预测当前时刻15分钟后的负荷数据:
上式中:是t+p时刻的负荷数据预测值,p是待预测时刻与预测当前时刻的时刻间隔;
(8-2-6)利用寻优目标函数,分别确定平滑参数α,β,γ的最优值:
上式中,Dt是与上述相似日的负荷时间序列D中时刻t相对应的负荷数据,是时刻t的负荷数据预测值,
使f(α,β,γ)达到最小值时的α,β,γ为最优参数;
(9)根据步骤(8)计算得到的预测当前时刻15分钟后的负荷数据,得到用于配电网状态估计的伪量测,具体过程如下:
(9-1)将预测当前时刻前的最近5个历史负荷数据记为x1,…,x5,将超短期负荷预测数据记为:x6,将与历史负荷数据和超短期负荷预测数据相对应的采样时间记为:t1,…,t5,t6;
(9-2)设定一个三次样条函数:
上式中,t∈[ti-1,ti],i=2,…,6,x∈[xi-1,xi],i=2,…,6,hi=ti-ti-1,i=2,…,6,Mi=S”(ti),i=2,…,6;
(9-3)根据S(ti)=xi,且S(ti)在采样时间ti处具有连续的一阶导数,利用三次样条函数的自然边界条件M1=S”(t1)=0;M6=S”(t6)=0,计算得到Mi,i=2,…,6;
(9-4)将上述Mi代入三次样条函数中,并在小区间[t5,t6]给出三次样条插值多项式:
(9-5)将t=t5+jΔt代入步骤(9-4)多项式中,求负荷数据插值,该负荷数据插值即为用于配电网状态估计的伪量测,其中t∈[t5,t6],Δt=1分钟,j=1,2,...,14。
本发明提出的应用于配电网状态估计的伪量测生成方法,其优点是:
1、本发明方法充分利用了配电网中的负荷序列的平稳性,可以针对量测有限的配电网有效地产生伪量测,便于进行配电网状态估计。
2、本发明方法充分利用了计量系统的负荷数据,减小了负荷伪量测的误差,进而提高了配电网状态估计准确度。
3、本发明方法实现简单、计算速度快,尤其适用于大规模配电网的状态估计。
附图说明
图1是本发明提出的用于配电网状态估计的伪量测生成方法的流程框图。
图2是本发明方法中寻找相似日的流程框图。
具体实施方式
本发明提出的用于配电网状态估计的伪量测生成方法,其流程框图如图1所示,包括以下步骤:
(1)选择配电网中需要预测的负荷,从配电网计量系统中分别获取预测日前n天的历史负荷数据,历史负荷数据中每一天的负荷数据记为历史日负荷数据,将预测日前n天划分为工作日(周一到周五)和假日(周末与节假日);(该历史负荷数据为预测日之前的一个月左右,历史负荷数据采样间隔为15分钟一点。若预测日是假日,则获取该负荷在对应假日的历史负荷数据以及预测日前1-2天的历史负荷数据,同时获取预测日的每15分钟一点的负荷数据)。
(2)建立一个与预测日前的历史负荷数据相对应的时间序列Y,时间序列Y为等时间间隔的实数值序列,其中的时间间隔为15分钟,根据时间序列Y分别形成预测日前每一天的负荷时间序列Xl,记为历史日负荷时间序列,l=1,2,...,n;
(3)以15分钟的时间间隔,从配电网计量系统中获取预测日的预测当前时刻至预测日零点的负荷数据,得到预测日负荷数据,并得到预测日负荷时间序列Xf;
(4)分别计算预测日前每一天的负荷时间序列Xl与预测日负荷时间序列Xf的相似度,相似度M的计算公式如下:
其中,T为预测日负荷时间序列数据Xf的倒置;
(5)保留与相似度M在0.75<M<1.25范围内的相应历史日的负荷数据;
(6)用以下公式计算预测日负荷数据与相似度在0.75<M<1.25范围内的历史日的负荷数据之间的距离N:
其中:为预测日负荷数据时间序列Xf中的第k个分量,是预测日前的每一天的负荷时间序列数据Xl的第k个分量,m是预测日负荷数据时间序列Xf的长度;
(7)设定一个大于或等于零的阈值θ,将上述距离值N与阈值θ进行比较,若N<θ,则判定该历史日是预测日的相似日,若N≥θ,则历史日不是预测日的相似日;重复步骤(1)-步骤(7),得到预测日前n天内的所有相似日,得到所有相似日的流程框图如图2所示,形成相似日的负荷时间序列D,进行步骤(8);(θ值的确定,要根据不同地区的实际情况,由经验决定或者也可以把阀值等于N的均值),
(8)采用温特斯的超短期负荷预测模型,对预测日的预测当前时刻15分钟后的负荷数据进行预测,预测过程包括以下步骤:
(8-1)建立温特斯超短期预测模型:
bt=β(St-St-1)+(1-β)bt-1
上述模型中,Dt是与上述相似日的负荷时间序列D中时刻t相对应的负荷数据,St为时刻t负荷数据中的稳定成分(指除去了季节变化影响的时间序列指数平滑平均数),St-1为时刻t-1负荷数据中的稳定成分,bt是时刻t负荷数据中的线性成分(指时间序列变化趋势的指数平滑平均数),bt-1为时刻t-1负荷数据的线性成分,It是时刻t负荷数据的季节成分(指季节因子的指数平滑平均数),It-L是时刻t-L负荷数据的季节成分,L是上述相似日的负荷时间序列数据D中的季节长度或时间周期,α,β,γ分别是平滑参数,α,β,γ的取值范围分别为(取值的原则是预测值和实测值之间的均方差最小),
在计算指数平滑平均数St的第一项中,通过除以季节因子It-L,消除了Dt中的季节变化影响;第二项中,在前一时刻的平均数St-1上,再加入趋势变化的平均数bt-1,进一步改善了指数平滑结果的准确性。
bt是用来描述平滑时间序列的变化趋势。用差值St-St-1表示趋势的增量是合理的,但由于随机干扰的存在,还应对此差值进行平滑修正,即将这个差值与上期的趋势增量进行加权平均,作为趋势增量的估计。用系数β(0<β<1)进行加权;同时对前一时刻的趋势值bt-1用1-β来加权。
It相当于季节指数,是时间序列当前时刻的观测值Dt与时间序列指数平滑平均数St的比值,St中包含了趋势的变化,但不含季节变化的影响,通过给季节因子乘上系数γ(0<γ<1);同时对上一个相同季节的季节指数It-L乘上1-γ。
(8-2)利用上述超短期预测模型,进行超短期负荷预测,具体步骤如下:
(8-2-1)将步骤(7)得到的相似日的负荷时间序列数据D输入到上述超短期负荷预测模型中;
(8-2-2)设定相似日的负荷时间序列数据D中的周期为一天一个周期(即一个周期包括一天的所有负荷数据),设定L=96;
(8-2-3)开始预测时,根据第一个相似日的负荷数据,计算上述超短期预测模型的初始值:
b1=(DL-D1)/(L-1);
令t=97开始,计算第一天内每相隔15分钟的初始值:
上式中,DL,D1分别为相似日的负荷时间序列数据D中第一周期中的第一个和最后一个的负荷数据,Dt-L为相似日的负荷时间序列数据D中时刻t-L的负荷数据;
(8-2-4)将步骤(8-2-3)的计算结果代入步骤(8-2-1)的超短期预测模型中,进行递推计算,得到超短期预测的不同时刻t的St,bt和It;
(8-2-5)通过如下公式,计算得到预测当前时刻15分钟后的负荷数据:
上式中:是t+p时刻的负荷数据预测值,p是待预测时刻与预测当前时刻的时刻间隔;
(8-2-6)利用寻优目标函数,分别确定平滑参数α,β,γ的最优值:
上式中,Dt是与上述相似日的负荷时间序列D中时刻t相对应的负荷数据,是时刻t的负荷数据预测值,
使f(α,β,γ)达到最小值时的α,β,γ为最优参数;使f(α,β,γ)达到最小值的方法,即模型中的参数优选方法有很多,例如,单纯形法,Excel规划求解法等等,本发明的一个实施例中,使用以下方法:
(8-2-6-1)任选一个基点B1=(α1,β1,γ1),算出此点的目标函数值。对于本实施例可以定义B1=(0.5,0.5,0.5)。
(8-2-6-2)首先选择平滑参数α,按某一步长Δα=Δβ=Δγ=0.05修正(固定β,γ),即比较(α1,β1,γ1),(α1+Δα,β1,γ1),(α1-Δα,β1,γ1)的目标函数f值,选择目标函数值f最小的平滑参数α的临时矢点记为:Bα=(α1+xΔα,β1,γ1),x∈(-1,1);然后以Bα,修正平滑参数β得到临时矢点Bαβ=(α1+xΔα,β1+xΔβ,γ1),最后以Bαβ为基点,修正平滑参数γ的临时矢Bαβγ=(α1+xΔα,β1+xΔβ,γ1+xΔγ)。
定义梯度:dP=(Bαβγ-B1)=(xΔα,xΔβ,xΔγ)
(8-2-6-3)i=0;P=Bαβγ
(8-2-6-4)计算f(P+dP)。
(8-2-6-5)如果f(P+dP)<f(P),则P=P+dP,转(8-2-6-4)。否则转(8-2-6-6)
(8-2-6-6)缩小(或增大)步长,令Δα=Δβ=Δγ=Δα-xdΔα(对于本问题dΔα=0.001),转(2-2-1)。
(8-2-6-7)如果f(Bαβγ)<f(P),则停止迭代。否则转(8-2-6-3)。
(9)根据步骤(8)计算得到的预测当前时刻15分钟后的负荷数据,得到用于配电网状态估计的伪量测,具体过程如下:
(9-1)将预测当前时刻前的最近5个历史负荷数据记为x1,…,x5,将超短期负荷预测数据记为:x6,将与历史负荷数据和超短期负荷预测数据相对应的采样时间记为:t1,…,t5,t6;
(9-2)设定一个三次样条函数:
上式中,t∈[ti-1,ti],i=2,…,6,x∈[xi-1,xi],i=2,…,6,hi=ti-ti-1,i=2,…,6,Mi=S”(ti),i=2,…,6;
(9-3)根据S(ti)=xi,且S(ti)在采样时间ti处具有连续的一阶导数,利用三次样条函数的自然边界条件M1=S”(t1)=0;M6=S”(t6)=0,计算得到Mi,i=2,…,6;
(9-4)将上述Mi代入三次样条函数中,并在小区间[t5,t6]给出三次样条插值多项式:
(9-5)将t=t5+jΔt代入步骤(9-4)多项式中,求负荷数据插值,该负荷数据插值即为用于配电网状态估计的伪量测,其中t∈[t5,t6],Δt=1分钟,j=1,2,...,14。
Claims (1)
1.一种用于配电网状态估计的伪量测生成方法,其特征在于该方法包括以下步骤:
(1)选择配电网中需要预测的负荷,从配电网计量系统中分别获取预测日前n天的历史负荷数据,历史负荷数据中每一天的负荷数据记为历史日负荷数据,将预测日前n天划分为工作日和假日;
(2)建立一个与预测日前的历史负荷数据相对应的时间序列Y,时间序列Y为等时间间隔的实数值序列,其中的时间间隔为15分钟,根据时间序列Y分别形成预测日前每一天的负荷时间序列Xl,记为历史日负荷时间序列,l=1,2,...,n;
(3)以15分钟的时间间隔,从配电网计量系统中获取预测日的预测当前时刻至预测日零点的负荷数据,得到预测日负荷数据,并得到预测日负荷时间序列Xf;
(4)分别计算预测日前每一天的负荷时间序列Xl与预测日负荷时间序列Xf的相似度,相似度M的计算公式如下:
其中,T为预测日负荷时间序列数据Xf的倒置;
(5)保留与相似度M在0.75<M<1.25范围内的相应历史日的负荷数据;
(6)用以下公式计算预测日负荷数据与相似度在0.75<M<1.25范围内的历史日的负荷数据之间的距离N:
其中:为预测日负荷数据时间序列Xf中的第k个分量,是预测日前的每一天的负荷时间序列数据Xl的第k个分量,m是预测日负荷数据时间序列Xf的长度;
(7)设定一个大于或等于零的阈值θ,将上述距离值N与阈值θ进行比较,若N<θ,则判定该历史日是预测日的相似日,若N≥θ,则历史日不是预测日的相似日;重复步骤(1)-步骤(7),得到预测日前n天内的所有相似日,并形成相似日的负荷时间序列D,进行步骤(8);
(8)采用温特斯的超短期负荷预测模型,对预测日的预测当前时刻15分钟后的负荷数据进行预测,预测过程包括以下步骤:
(8-1)建立温特斯超短期预测模型:
bt=β(St-St-1)+(1-β)bt-1
上述模型中,Dt是与上述相似日的负荷时间序列D中时刻t相对应的负荷数据,St为时刻t负荷数据中的稳定成分,St-1为时刻t-1负荷数据中的稳定成分,bt是时刻t负荷数据中的线性成分,bt-1为时刻t-1负荷数据的线性成分,It是时刻t负荷数据的季节成分,It-L是时刻t-L负荷数据的季节成分,L是上述相似日的负荷时间序列数据D中的季节长度或时间周期,α,β,γ分别是平滑参数,α,β,γ的取值范围分别为∈[0,1];
(8-2)利用上述超短期预测模型,进行超短期负荷预测,具体步骤如下:
(8-2-1)将步骤(7)得到的相似日的负荷时间序列数据D输入到上述超短期负荷预测模型中;
(8-2-2)设定相似日的负荷时间序列数据D中的周期为一天一个周期,设定L=96;
(8-2-3)开始预测时,根据第一个相似日的负荷数据,计算上述超短期预测模型的初始值:
b1=(DL-D1)/(L-1);
令t=97开始,计算第一天内每相隔15分钟的初始值:
上式中,DL,D1分别为相似日的负荷时间序列数据D中第一周期中的第一个和最后一个的负荷数据,Dt-L为相似日的负荷时间序列数据D中时刻t-L的负荷数据;
(8-2-4)将步骤(8-2-3)的计算结果代入步骤(8-2-1)的超短期预测模型中,进行递推计算,得到超短期预测的不同时刻t的St,bt和It;
(8-2-5)通过如下公式,计算得到预测当前时刻15分钟后的负荷数据:
上式中:是t+p时刻的负荷数据预测值,p是待预测时刻与预测当前时刻的时刻间隔;
(8-2-6)利用寻优目标函数,分别确定平滑参数α,β,γ的最优值:
上式中,Dt是与上述相似日的负荷时间序列D中时刻t相对应的负荷数据,是时刻t的负荷数据预测值,
使f(α,β,γ)达到最小值时的α,β,γ为最优参数;
(9)根据步骤(8)计算得到的预测当前时刻15分钟后的负荷数据,得到用于配电网状态估计的伪量测,具体过程如下:
(9-1)将预测当前时刻前的最近5个历史负荷数据记为x1,…,x5,将超短期负荷预测数据记为:x6,将与历史负荷数据和超短期负荷预测数据相对应的采样时间记为:t1,…,t5,t6;
(9-2)设定一个三次样条函数:
上式中,t∈[ti-1,ti],i=2,…,6,x∈[xi-1,xi],i=2,…,6,hi=ti-ti-1,i=2,…,6,Mi=S”(ti),i=2,…,6;
(9-3)根据S(ti)=xi,且S(ti)在采样时间ti处具有连续的一阶导数,利用三次样条函数的自然边界条件M1=S”(t1)=0;M6=S”(t6)=0,计算得到Mi,i=2,…,6;
(9-4)将上述Mi代入三次样条函数中,并在小区间[t5,t6]给出三次样条插值多项式:
(9-5)将t=t5+jΔt代入步骤(9-4)多项式中,求负荷数据插值,该负荷数据插值即为用于配电网状态估计的伪量测,其中t∈[t5,t6],Δt=1分钟,j=1,2,...,14。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310231022.4A CN103336891B (zh) | 2013-06-09 | 2013-06-09 | 一种用于配电网状态估计的伪量测生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310231022.4A CN103336891B (zh) | 2013-06-09 | 2013-06-09 | 一种用于配电网状态估计的伪量测生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103336891A CN103336891A (zh) | 2013-10-02 |
CN103336891B true CN103336891B (zh) | 2016-08-17 |
Family
ID=49245054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310231022.4A Active CN103336891B (zh) | 2013-06-09 | 2013-06-09 | 一种用于配电网状态估计的伪量测生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103336891B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103577892A (zh) * | 2013-10-30 | 2014-02-12 | 河海大学 | 一种智能配电系统递进式调度方法 |
CN104182644A (zh) * | 2014-08-29 | 2014-12-03 | 国家电网公司 | 一种融合分布式电源特性的配电网状态估计方法 |
CN104537233B (zh) * | 2014-12-23 | 2017-09-19 | 国家电网公司 | 一种基于核密度估计的配电网伪量测生成方法 |
CN105048445B (zh) * | 2015-01-09 | 2017-08-25 | 河海大学 | 计及多类型分布式电源的主动配电网三相状态估计方法 |
CN105071388B (zh) * | 2015-08-14 | 2017-06-13 | 贵州电网公司信息通信分公司 | 一种基于极大似然估计的配电网状态估计方法 |
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 |
CN105552885B (zh) * | 2015-12-17 | 2018-08-10 | 深圳供电局有限公司 | 一种提高配电网状态估计可观测性的方法及其系统 |
CN107843810B (zh) * | 2017-11-01 | 2019-12-17 | 东南大学 | 一种基于状态估计的有源配电网故障区段在线定位方法 |
CN107909273A (zh) * | 2017-11-15 | 2018-04-13 | 福建奥通迈胜电力科技有限公司 | 基于信息相似度的配电网遥控仿真培训评价方法 |
CN108255951B (zh) * | 2017-12-18 | 2021-10-08 | 国网上海市电力公司 | 基于数据挖掘的中低压配电网状态估计伪量测量确定方法 |
CN108320063A (zh) * | 2018-03-26 | 2018-07-24 | 上海积成能源科技有限公司 | 一种电力负荷预测中对异常数据剔除和去噪处理的方法 |
CN113110292B (zh) * | 2021-04-29 | 2022-03-18 | 浙江陀曼云计算有限公司 | 基于时序功率数据的机床工作状态预测方法及系统 |
CN113672666A (zh) * | 2021-08-23 | 2021-11-19 | 成都佳华物链云科技有限公司 | 机器负荷预测方法、装置、电子设备及可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590685A (zh) * | 2012-03-08 | 2012-07-18 | 清华大学 | 一种配电网电流匹配状态估计方法 |
CN102723711A (zh) * | 2012-06-08 | 2012-10-10 | 陕西电力科学研究院 | 一种基于可信度的电缆配电网状态估计方法 |
-
2013
- 2013-06-09 CN CN201310231022.4A patent/CN103336891B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102590685A (zh) * | 2012-03-08 | 2012-07-18 | 清华大学 | 一种配电网电流匹配状态估计方法 |
CN102723711A (zh) * | 2012-06-08 | 2012-10-10 | 陕西电力科学研究院 | 一种基于可信度的电缆配电网状态估计方法 |
Non-Patent Citations (7)
Title |
---|
Distribution system state estimation through Gaussian mixture model of the load as pseudo-measurement;R.Singh et al.;《IET Generation,Transmission & Distribution》;20100131;第4卷(第1期);50-59 * |
Distribution System State Estimation Using an Artificial Neural Network Approach for Pseudo Measurement Modeling;Efthymios Manitsas et al.;《IEEE Transactions on power systems》;20121018;第27卷(第4期);1888-1896 * |
Robust forecasting with exponential and holt-winters smoothing;Sarah Gelper et al.;《Journal of forecasting》;20100430;第29卷(第3期);285-300 * |
一种用于配网状态估计的实时负荷数据模型;杨成龙;《江苏电机工程》;20030731;第22卷(第4期);1-4 * |
基于Holt-winter的电离层延迟预报模型;席广永等;《测绘通报》;20120930(第9期);7-10 * |
基于相似日的神经网络短期负荷预测方法;姜勇等;《电力系统及其自动化学报》;20011231;第13卷(第6期);35-36,40 * |
温斯特线性与季节性指数平滑法在电力负荷预测中的应用及改进;叶舟等;《上海电力学院学报》;20000930;第16卷(第3期);13-18 * |
Also Published As
Publication number | Publication date |
---|---|
CN103336891A (zh) | 2013-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103336891B (zh) | 一种用于配电网状态估计的伪量测生成方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN107818395B (zh) | 一种基于测量不确定度的电能表误差迭代计算方法 | |
CN104392274B (zh) | 基于用电负荷与温度趋势的城市短期用电负荷预测方法 | |
CN105260607A (zh) | 一种串并联耦合的多模型水文预报方法 | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
CN103854068A (zh) | 一种居民小区短期负荷预测方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN104268800A (zh) | 基于场景库的风电并网调峰平衡判定方法 | |
CN109379240A (zh) | 车联网流量预测模型构建方法、装置和电子设备 | |
CN103106314B (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
CN110033134A (zh) | 一种考虑气象因素的逐日分段短期负荷预测算法 | |
CN105184388A (zh) | 一种城市电力负荷短期预测的非线性回归方法 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
CN103530700B (zh) | 城区配电网饱和负荷综合预测方法 | |
CN108764547A (zh) | 一种满足电量约束的中长期负荷曲线生成方法 | |
CN107423836A (zh) | 基于体感温度的短期负荷预测方法 | |
CN104537233B (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
CN107657349B (zh) | 一种水库分期发电调度规则提取方法 | |
CN103617563A (zh) | 一种基于地统计空间分析理论的供水管网无监测节点压力确定方法 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN105389637A (zh) | 用于月度用电预测模型的有效工作日构建方法 | |
CN104063810B (zh) | 一种基于大数据的用电因素影响模型的构建方法 |
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 |