CN106203732A - 基于itd和时间序列分析的计量误差计算方法 - Google Patents
基于itd和时间序列分析的计量误差计算方法 Download PDFInfo
- Publication number
- CN106203732A CN106203732A CN201610593828.1A CN201610593828A CN106203732A CN 106203732 A CN106203732 A CN 106203732A CN 201610593828 A CN201610593828 A CN 201610593828A CN 106203732 A CN106203732 A CN 106203732A
- Authority
- CN
- China
- Prior art keywords
- error
- component
- dipping
- itd
- 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.)
- Pending
Links
- 238000007598 dipping method Methods 0.000 title claims abstract description 27
- 238000000205 computational method Methods 0.000 title claims abstract description 12
- 238000012731 temporal analysis Methods 0.000 title claims abstract description 12
- 238000000700 time series analysis Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 42
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 16
- 241001123248 Arma Species 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000000926 separation method Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000000819 phase cycle Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种能够在线分析且预测误差较小的基于ITD和时间序列分析的计量误差计算方法。该基于ITD和时间序列分析的计量误差计算方法利用ITD分解法在线分离出计量误差历史时间序列的旋转分量和趋势分量,对于平稳变化的趋势分量采用ARMA模型进行误差建模预测,对于其他非平稳变化的旋转分量则由ARIMA模型实现该部分误差的预测,最后,将所有误差分量预测模型的预测值叠加综合,实时计算电能计量误差的预测结果,能够实现在线分析且预测误差较小。适合在关口计量设备状态评估技术领域推广应用。
Description
技术领域
本发明涉及关口计量设备状态评估技术领域,尤其是一种基于ITD和时间序列分析的计量误差计算方法。
背景技术
随着电力行业市场化改革的深入进行,发电上网、跨区输电、跨省输电及省级供电等关口电量交换日益增加,电力企业开始更加关注自身经济利益的维护。如何确保电能计量装置的准确性,维持电力市场公平有序的运转是电力市场当前研究的一个重要课题。关口电能计量装置运行管理主要包括现场检验及周期轮换,DL/T 448-2000《电能计量装置技术管理规程》规定I类、II类和III类电能表的现场检验周期分别为至少3个月、6个月和1年。目前,这种现场检验方式已难以适应电能计量技术和电力公司精细化管理的要求,主要表现为:1)电网规模正在不断扩大,交易电量和电能计量装置也越来越多,在有限的人力条件下实现规范化的技术管理非常困难;2)传统人工现场检验的工作效率低,不能对装置进行实时监测和故障预警,尤其难以及时发现两次现场检验之间出现的计量问题,对电量追补工作带来了很大的困难。因此,须亟需在线监测电能计量装置的运行状态,对其误差水平进行实时测量和趋势预测,从而克服计量装置现场检验模式的弊端,提高其运行管理水平。特别是电能计量装置误差的变化趋势预测是其运行状态评估的重要环节,对于实现电能计量装置超差预警及优化检验周期具有重要的实用价值。
电能计量装置的误差水平由电能表、电压和电流互感器、二次回路4个部分的误差综合而成,由于各部分误差来源的因素多样性和内在关联性,使得电能计量误差时间序列呈现显著的非平稳变化特征。现有研究仅对计量装置的误差进行在线监测,未给出计量误差趋势预测的具体方法。计量误差预测是其运行状态预报和故障预警的基础,考虑计量误差时间序列的随机性和不确定性,可采用目前普遍用于新能源发电预测的持续时间法、自回归滑动平均(Auto Regressive Moving Average,ARMA)法、卡尔曼滤波法及其他人工智能方法进行预测,也有研究提出将部分模型组合的预测方法,但是前述方法对于计量误差预测的适应性还需进一步研究。
电能计量误差包含多种时间和频率尺度的分量,直接对该误差进行预测难以准确获得未来误差趋势的估计值。因此,须采用适当的时频分析法将电能误差分解成局部时间和频率尺度的序列分量,进而对各分量分别进行预测,以提高电能计量误差水平预测的准确性。目前主要采用小波变换、经验模式分解(Empirical Mode Decomposition,EMD)和局部均值分解,其中小波变换利用固定的基函数分解时间序列,对其局部特征的表征能力有限,也无法进行自适应分解;而经验模式分解法则能把非平稳时间序列自适应地分解为多个本征模式分量,但该方法仍存在端点效应、模式混叠、过/欠包络等不足;为了解决过/欠包络问题和减缓端点效应,局部均值分解法将复杂时间序列分解成多个由调幅和调频信号相乘的乘积函数,但该方法的最优平滑步长选择困难,且计算量大无法用于在线分析。
发明内容
本发明所要解决的技术问题是提供一种能够在线分析且预测误差较小的基于ITD和时间序列分析的计量误差计算方法。
本发明解决其技术问题所采用的技术方案为:该基于ITD和时间序列分析的计量误差计算方法,包括以下步骤:
A、将计量误差历史时间序列x(t)利用ITD法分解成n个旋转分量xR1(t),xR2(t),…,xRn(t)和1个趋势分量xT(t);
B、分别建立n个旋转分量xR1(t),xR2(t),…,xRn(t)的ARIMA预测子模型MR1,MR2,…,MRn,xRn(t)的ARIMA(p,d,q)模型为:式中:(1-z-1)d为d次差分运算算子,通过计算得到旋转分量模型系数和θRnj,i=1,2,…,p和j=1,2,…,q;
C、建立趋势分量xT(t)的ARMA预测子模型MT,xT(t)的ARMA(p,q)模型为:
式中:z-i为单位延时算子,和为自回归函数(p阶)和系数,θq(z-1)和θj为滑动平均函数(q阶)和系数,ε(t)为白噪声时间序列,通过计算得到趋势分量模型系数和θTj,i=1,2,…,p和j=1,2,…,q;
D、利用如下公式计算分别计算趋势分量和旋转分量在τ=t+1,t+2,…时刻的预测值,具体公式如下所述:
E、将计算得到的趋势分量预测值和旋转分量值预测值叠加,得到τ时刻误差预测值x(τ),所述
进一步的是,在步骤A中,将计量误差历史时间序列x(t)利用ITD法分解成n个旋转分量xR1(t),xR2(t),…,xRn(t)和1个趋势分量xT(t)的方法如下所述:
a、获取从0至t时刻的计量装置误差时间序列x(t),设时间序列x(t)包含M个极值点Xi,对应的出现时刻为Ti(i=1,2,…,M),通过如下公式提取Ti至Ti+1时间段内基线信号L(t),
式中:Li+1为Ti至Ti+1时间段内的基线提取算子,α∈[0,1]为常系数,若基线信号提取的极值点出现时刻T0=0且仅提取至Ti-2至Ti-1时间段;
b、计算Ti至Ti+1时间段内旋转分量提取算子Hi+1,Hi+1=(1-Li+1);
c、利用Ti至Ti+1时间段内基线提取算子Li+1和旋转分量提取算子Hi+1将Ti至Ti+1时间段内时间序列x(t)依次分解为:
Ti至Ti+1时间段内时间序列x(t)被分解为n个旋转分量和1个趋势分量即为:
xRn(t)=Hi+1Li+1 n-1x(t),xT(t)=Li+1 nx(t)
当趋势分量xT(t)为单调或者常函数时,则停止分解输出Ti至Ti+1时间段内时间序列x(t)的各个分量。
d、重复步骤A、B、C逐步分解出x(t)的旋转分量xRn(t)和趋势分量xT(t)。
进一步的是,在步骤b中,所述α取值为0.5。
本发明的有益效果:该基于ITD和时间序列分析的计量误差计算方法利用ITD分解法在线分离出计量误差历史时间序列的旋转分量和趋势分量,对于平稳变化的趋势分量采用ARMA模型进行误差建模预测,对于其他非平稳变化的旋转分量则由ARIMA模型实现该部分误差的预测,最后,将所有误差分量预测模型的预测值叠加综合,实时计算电能计量误差的预测结果,能够实现在线分析且预测误差较小。
附图说明
图1表示采用本发明所述ITD以及与现有的EMD和LMD三种方法分解时前3个(高频)分量与原始时间序列的相关系数和计算耗时(分解10次的平均耗时);
图2为采用ARIMA、EMD-ARIMA以及本文方法的预测结果和计量误差实际值对比图;
图3为采用ARIMA、EMD-ARIMA以及本文方法的预测结果绝对误差曲线图。
具体实施方式
本发明所述的基于ITD和时间序列分析的计量误差计算方法,包括以下步骤:
A、将计量误差历史时间序列x(t)利用ITD法分解成n个旋转分量xR1(t),xR2(t),…,xRn(t)和1个趋势分量xT(t);
B、分别建立n个旋转分量xR1(t),xR2(t),…,xRn(t)的ARIMA预测子模型MR1,MR2,…,MRn,xRn(t)的ARIMA(p,d,q)模型为:式中:(1-z-1)d为d次差分运算算子,通过计算得到旋转分量模型系数和θRnj,i=1,2,…,p和j=1,2,…,q;
C、建立趋势分量xT(t)的ARMA预测子模型MT,xT(t)的ARMA(p,q)模型为:
式中:z-i为单位延时算子,和为自回归函数(p阶)和系数,θq(z-1)和θj为滑动平均函数(q阶)和系数,ε(t)为白噪声时间序列,通过计算得到趋势分量模型系数和θTj,i=1,2,…,p和j=1,2,…,q;
D、利用如下公式计算分别计算趋势分量和旋转分量在τ=t+1,t+2,…时刻的预测值,具体公式如下所述:
E、将计算得到的趋势分量预测值和旋转分量值预测值叠加,得到τ时刻误差预测值x(τ),所述
该基于ITD和时间序列分析的计量误差计算方法利用ITD分解法在线分离出计量误差历史时间序列的旋转分量和趋势分量,对于平稳变化的趋势分量采用ARMA模型进行误差建模预测,对于其他非平稳变化的旋转分量则由ARIMA模型实现该部分误差的预测,最后,将所有误差分量预测模型的预测值叠加综合,实时计算电能计量误差的预测结果,能够实现在线分析,而且采用本文方法能更好地预报出各个计量误差分量的趋势变化规律。
进一步的是,在步骤A中,将计量误差历史时间序列x(t)利用ITD法分解成n个旋转分量xR1(t),xR2(t),…,xRn(t)和1个趋势分量xT(t)的方法如下所述:
a、获取从0至t时刻的计量装置误差时间序列x(t),设时间序列x(t)包含M个极值点Xi,对应的出现时刻为Ti(i=1,2,…,M),通过如下公式提取Ti至Ti+1时间段内基线信号L(t),
式中:Li+1为Ti至Ti+1时间段内的基线提取算子,α∈[0,1]为常系数,若基线信号提取的极值点出现时刻T0=0且仅提取至Ti-2至Ti-1时间段;
b、计算Ti至Ti+1时间段内旋转分量提取算子Hi+1,Hi+1=(1-Li+1);
c、利用Ti至Ti+1时间段内基线提取算子Li+1和旋转分量提取算子Hi+1将Ti至Ti+1时间段内时间序列x(t)依次分解为:
Ti至Ti+1时间段内时间序列x(t)被分解为n个旋转分量和1个趋势分量即为:
xRn(t)=Hi+1Li+1 n-1x(t),xT(t)=Li+1 nx(t)
当趋势分量xT(t)为单调或者常函数时,则停止分解输出Ti至Ti+1时间段内时间序列x(t)的各个分量。
d、重复步骤A、B、C逐步分解出x(t)的旋转分量xRn(t)和趋势分量xT(t)。
该分解方法采用相邻极值点间分段线性化的方式有效提高了在线分解效率,计算耗时明显减少,同时也很好地保留了原始信号的在时间尺度上的信息。
进一步的是,在步骤b中,所述α取值优选为0.5。
图1表示采用本发明所述ITD以及与现有的EMD和LMD三种方法分解时前3个(高频)分量与原始时间序列的相关系数和计算耗时(分解10次的平均耗时),其中第1至第3个分量相关系数依次减小,前两个分量与原始信号的相关性较强,采用本发明所述ITD得到的第1个相关系数和其余两种方法基本一致,但其第2个相关系数高于EMD和LMD法。此外,ITD法的计算耗时明显低于其他方法,可见ITD在保留原始时间序列信息和在线分解方面均具有一定优势。
图2为采用ARIMA、EMD-ARIMA以及本文方法的预测结果和计量误差实际值对比图;图3为采用ARIMA、EMD-ARIMA以及本文方法的预测结果绝对误差曲线图,由图3可知,直接采用ARIMA模型时预测值的最大绝对误差将达0.15%,EMD-ARIMA的最大绝对误差为0.086%,而本文方法的最大绝对误差仅为0.041%,明显优于前述两种方法。ARIMA和EMD-ARIMA两种方法在第4、5和10天等多个计量误差的拐点处,均出现了预测值过度突增或突降的现象,而本文方法则能对计量误差突变进行适当反应,确保预测值紧跟误差的实际值。可见采用本文方法能更好地预报出各个计量误差分量的趋势变化规律。
为了定量直观地比较不同模型的预测结果,采用归一化绝对平均误差、均方根误差、最大绝对误差3个指标衡量模型的预测效果,如表1所示。其中EMD-ARIMA和本文方法的归一化均方根误差为12.8344%和6.2497%均小于ARIMA的18.9511%;相较于EMD-ARIMA法,本文方法除了改进计量误差的分解外,还建立其时间序列的组合预测模型,因而其预测精度得到有效改善(归一化均方根误差仅为EMD-ARIMA法的1/2)。
表1不同模型预测的误差指标对比
Claims (3)
1.基于ITD和时间序列分析的计量误差计算方法,其特征在于包括以下步骤:
A、将计量误差历史时间序列x(t)利用ITD法分解成n个旋转分量xR1(t),xR2(t),…,xRn(t)和1个趋势分量xT(t);
B、分别建立n个旋转分量xR1(t),xR2(t),…,xRn(t)的ARIMA预测子模型MR1,MR2,…,MRn,xRn(t)的ARIMA(p,d,q)模型为:式中:(1-z-1)d为d次差分运算算子,通过计算得到旋转分量模型系数和θRnj,i=1,2,…,p和j=1,2,…,q;
C、建立趋势分量xT(t)的ARMA预测子模型MT,xT(t)的ARMA(p,q)模型为:
式中:z-i为单位延时算子,和为自回归函数(p阶)和系数,θq(z-1)和θj为滑动平均函数(q阶)和系数,ε(t)为白噪声时间序列,通过计算得到趋势分量模型系数和θTj,i=1,2,…,p和j=1,2,…,q;
D、利用如下公式计算分别计算趋势分量和旋转分量在τ=t+1,t+2,…时刻的预测值,具体公式如下所述:
E、将计算得到的趋势分量预测值和旋转分量值预测值叠加,得到τ时刻误差预测值x(τ),所述
2.如权利要求1所述的基于ITD和时间序列分析的计量误差计算方法,其特征在于:在步骤A中,将计量误差历史时间序列x(t)利用ITD法分解成n个旋转分量xR1(t),xR2(t),…,xRn(t)和1个趋势分量xT(t)的方法如下所述:
a、获取从0至t时刻的计量装置误差时间序列x(t),设时间序列x(t)包含M个极值点Xi,对应的出现时刻为Ti(i=1,2,…,M),通过如下公式提取Ti至Ti+1时间段内基线信号L(t),t∈[Ti,Ti+1],式中:Li+1为Ti至Ti+1时间段内的基线提取算子,α∈[0,1]为常系数,若基线信号提取的极值点出现时刻T0=0且仅提取至Ti-2至Ti-1时间段;
b、计算Ti至Ti+1时间段内旋转分量提取算子Hi+1,Hi+1=(1-Li+1);
c、利用Ti至Ti+1时间段内基线提取算子Li+1和旋转分量提取算子Hi+1将Ti至Ti+1时间段内时间序列x(t)依次分解为:
Ti至Ti+1时间段内时间序列x(t)被分解为n个旋转分量和1个趋势分量即为:
xRn(t)=Hi+1Li+1 n-1x(t),xT(t)=Li+1 nx(t)
当趋势分量xT(t)为单调或者常函数时,则停止分解输出Ti至Ti+1时间段内时间序列x(t)的各个分量。
d、重复步骤A、B、C逐步分解出x(t)的旋转分量xRn(t)和趋势分量xT(t)。
3.如权利要求2所述的基于ITD和时间序列分析的计量误差计算方法,其特征在于:在步骤b中,所述α取值为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610593828.1A CN106203732A (zh) | 2016-07-26 | 2016-07-26 | 基于itd和时间序列分析的计量误差计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610593828.1A CN106203732A (zh) | 2016-07-26 | 2016-07-26 | 基于itd和时间序列分析的计量误差计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203732A true CN106203732A (zh) | 2016-12-07 |
Family
ID=57496009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610593828.1A Pending CN106203732A (zh) | 2016-07-26 | 2016-07-26 | 基于itd和时间序列分析的计量误差计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203732A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN108020761A (zh) * | 2017-12-04 | 2018-05-11 | 中国水利水电科学研究院 | 一种局部放电去噪方法 |
CN111948597A (zh) * | 2020-08-24 | 2020-11-17 | 国网四川省电力公司电力科学研究院 | 基于负荷曲线分段统计分析的电能误差退补电能量计算方法 |
CN113792931A (zh) * | 2021-09-18 | 2021-12-14 | 北京京东振世信息技术有限公司 | 数据预测方法、装置、物流货量预测方法、介质和设备 |
CN113821938A (zh) * | 2021-11-18 | 2021-12-21 | 武汉格蓝若智能技术有限公司 | 一种互感器计量误差状态短期预测方法及装置 |
CN115097376A (zh) * | 2022-08-24 | 2022-09-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
-
2016
- 2016-07-26 CN CN201610593828.1A patent/CN106203732A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN108020761A (zh) * | 2017-12-04 | 2018-05-11 | 中国水利水电科学研究院 | 一种局部放电去噪方法 |
CN108020761B (zh) * | 2017-12-04 | 2019-08-23 | 中国水利水电科学研究院 | 一种局部放电去噪方法 |
CN111948597A (zh) * | 2020-08-24 | 2020-11-17 | 国网四川省电力公司电力科学研究院 | 基于负荷曲线分段统计分析的电能误差退补电能量计算方法 |
CN113792931A (zh) * | 2021-09-18 | 2021-12-14 | 北京京东振世信息技术有限公司 | 数据预测方法、装置、物流货量预测方法、介质和设备 |
CN113821938A (zh) * | 2021-11-18 | 2021-12-21 | 武汉格蓝若智能技术有限公司 | 一种互感器计量误差状态短期预测方法及装置 |
CN113821938B (zh) * | 2021-11-18 | 2022-02-18 | 武汉格蓝若智能技术有限公司 | 一种互感器计量误差状态短期预测方法及装置 |
CN115097376A (zh) * | 2022-08-24 | 2022-09-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
CN115097376B (zh) * | 2022-08-24 | 2022-11-01 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106203732A (zh) | 基于itd和时间序列分析的计量误差计算方法 | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
Momoh et al. | A review of selected optimal power flow literature to 1993. II. Newton, linear programming and interior point methods | |
CN103268519B (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
CN104682381B (zh) | 大型风电场柔性直流输电系统可靠性计算方法 | |
CN103177186B (zh) | 一种电气回路故障概率预测方法 | |
CN103996084B (zh) | 基于纵向时刻Markov链模型的风功率概率预测方法 | |
CN104484723A (zh) | 一种基于寿命数据的电力变压器经济寿命预测方法 | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN107944612B (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
CN103699800A (zh) | 基于频域多尺度风速信号可预报性的超短期风速预测方法 | |
CN103077428B (zh) | 一种厂级多台发电机组可靠性在线预测方法 | |
Almutairi et al. | Use of MCMC to incorporate a wind power model for the evaluation of generating capacity adequacy | |
CN106655190A (zh) | 一种求解风电场概率最优潮流的方法 | |
CN105354636A (zh) | 一种基于非参数核密度估计的风功率波动性概率密度建模方法 | |
Zhu et al. | Based on the ARIMA model with grey theory for short term load forecasting model | |
CN104376383A (zh) | 一种基于地理信息系统的电网电压监视与预测系统及方法 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
CN103996147A (zh) | 配电网综合评估方法 | |
Lv et al. | Short-term wind speed forecasting based on non-stationary time series analysis and ARCH model | |
CN104268370A (zh) | 一种电网设备全寿命周期的能耗计算方法 | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
CN104504465A (zh) | 一种发电燃料供应预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20161207 |