CN106936127B - 一种线路负荷回归分析与预测方法及系统 - Google Patents
一种线路负荷回归分析与预测方法及系统 Download PDFInfo
- Publication number
- CN106936127B CN106936127B CN201710113178.0A CN201710113178A CN106936127B CN 106936127 B CN106936127 B CN 106936127B CN 201710113178 A CN201710113178 A CN 201710113178A CN 106936127 B CN106936127 B CN 106936127B
- Authority
- CN
- China
- Prior art keywords
- transformer
- route
- data
- large user
- area
- 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 34
- 238000000611 regression analysis Methods 0.000 title claims description 22
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012512 characterization method Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000010937 topological data analysis Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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]
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种线路负荷回归分析与预测方法及系统：以挂载在线路下用户负荷数据来预测线路负荷的方法；通过电力系统中网架拓扑分析，将线路下挂载的台区变压器和大用户变压器进行关联分析，根据采集台区和大用户的运行数据和外部数据(气象数据、特殊事件数据等)，构建训练集、测试集特征向量；采用回归预测方法分别对每个台区和大用户进行负荷预测，根据台区和大用户的负荷预测构建线路的回归方程，从而形成一种由用户视角的线路负荷进行预测方法。本发明通过线路下的台区和大用户的运行数据对线路负荷进行预测，有效地反映出电力拓补中线路及其挂载变压器的关系，更有效地利用多维数据全面展现出线路负荷与其下的用户之间的关系。
Description
技术领域：
本发明涉及的是属于信息技术领域，具体涉及的是一种线路负荷回归分析与预测方法及系统。
背景技术：
线路负荷预测是制定电网运行方式、计算线路输送能力进而做好调度计划安全校核及鉴别电网安全状况的重要依据。同时,作为后续制定考虑安全约束发电调度计划的基础,线路负荷预测对于实现整个电网调度的安全性、节能性、经济性具有重要意义。
目前，线路负荷预测方法，多是基于线路本身的历史运行数据以及一些外部数据(气象数据、节假日信息等)来构建线路预测的特征向量。此类方法忽略了线路下挂载的变压器设备信息，无法全面有效地将线路下的设备对线路运行影响描述。
发明内容：
为克服现有技术上的不足，本发明的目的在于实现一种线路负荷回归分析与预测方法及系统，有效地预测线路负荷，并且利用线路下变压器设备的运行数据全面分析出线路与挂载在其下的设备的相关性。
为实现上述目的，本发明提供了如下方案：
一种线路负荷回归分析与预测方法，其方法包括：
根据电力拓扑信息和电力设备信息，将一条线路下的台区变压器和大用户变压器进行电气拓补关联分析，得出此时该条线路下变压器设备的挂载情况；
获取线路相关联的设备的历史运行数据获取，按天分为一条记录；
把每天对应的外部数据和运行数据按特征规则进行抽取，构建特征向量训练数据集；
选择回归模型，将构建的特征向量训练数据集输入回归模型，进行模型训练，得出每个台区变压器和大用户变压器的回归模型，向每个台区变压器和大变压器的回归模型内输入由采集的运行数据和外部数据构成的特征向量测试集，预测出台区变压器和大用户变压器的负荷值；
将该条线路下每个台区变压器和大用户变压器的每天预测值和一个线损常量作为一个特征向量，并构建线路特征向量训练集合，选择对应的回归模型进行模型训练，得到该线路的回归模型；
向该线路的回归模型内输入每个台区变压器负荷和大用户变压器负荷构成的特征向量，预测该线路的负荷。
优选的，所述线路是电网系统中10kV等级线路，所述台区变压器和大用户变压器是10kV线路下直接挂载变压器。
优选的，所述电气关联拓补分析是根据CIM模型(通用信息模型即CIM模型)的XML文件中，定义了该条线路下的台区变压器和大用户变压器通过开关闭合进行逻辑连接，根据该逻辑连接特性对10kV线路拓扑分析。
优选的，所述运行数据是时序数据，采集的设备运行数据是按照一定频率采集的时序序列值，一台设备的一天的负荷记录是N个采样点序列值。外部数据有三种：气象数据也是时序数据，节假日信息以标志位形式表现，特殊事件信息以标志位形式表现。
所述电气拓补关联分析是根据公共信息模型的XML文件中，定义的开关开闭状态，采用广度优先搜索算法分析电网结构拓扑，其具体分析方法为：
首先根据设备之间的连接关系，通过连接分析，形成连接节点模型；
再根据开关的开闭状态，确定连接点之间的连接关系，形成拓补节点模型；
最后将各拓补节点模型中的设备编号信息与设备基数信息表关联，找出每条线路下的台区变压器和大用户变压器，形成线路与变压器设备关联关系。
优选的，上述回归模型包括岭回归模型、lasso回归模型、随机森林回归模型。
一种线路负荷回归分析与预测系统，其包括：
电力拓扑分析模块，根据电力拓扑信息和电力设备信息，将一条线路下的台区变压器和大用户变压器进行关联分析，得出此时该条线路下变压器设备的挂载情况；
特征向量构建模块，把每天对应的外部数据和运行数据按特征规则进行抽取，构建特征向量训练数据集；
台区大用户回归模型模块，向每个台区变压器和大用户变压器的回归模型内输入由采集的运行数据和外部数据构成的特征向量测试集，预测出台区变压器和大用户变压器的负荷值；
线路模型训练模块，用于将构建的线路特征向量训练集合选择对应的回归模型进行模型训练，得到该线路的回归模型；
预测模块，用于将该线路的回归模型内输入每个台区负荷和大用户负荷构成的特征向量，预测该线路的负荷。
其还包括数据获取模块，获取与线路相关联的所有设备的历史运行数据，按天分为一条记录；把每天对应的外部数据和运行数据按特征规则进行抽取，构建特征向量训练数据集；所述台区大用户回归模型中，用于输入构建的特征向量训练数据集，进行模型训练，得出每个台区变压器和大用户变压器的回归模型。
其还包括训练数据构建模块，用于将该条线路下每个台区和大用户的每天预测值和一个线损常量作为一个特征向量，并构建线路特征向量训练集合。
所述线路是电网系统中10kV等级线路，所述台区变压器和大用户变压器是10kV线路下直接挂载变压器。
所述电力拓补分析模块中的CIM模型的XML文件中，定义了该条线路下的台区变压器和大用户变压器通过开关闭合进行逻辑连接，根据该逻辑连接特性对10kV线路拓扑分析。
所述特征向量构建模块中，运行数据是时序数据，采样装置按一定频率采集一天中设备运行的负荷数据，外部数据有三种：气象数据也是时序数据，节假日信息以标志位形式表现，特殊事件信息以标志位形式表现。
上述特征规则，特征向量是由外部数据构成；所述外部数据包括气象信息、节假日信息、星期信息和月份信息，其中气象数据包含温度、湿度、降雨信息；气象采集值与设备运行数据值一一对应，一台设备一天就形成n个m维向量，n是由时序数据的采集频率决定的，m是由特征个数据决定。
上述回归模型包括岭回归模型、lasso回归模型、随机森林回归模型。所述外部数据指影响负荷变化的气象数据、节假日数据、特殊事件数据。
所述回归模型为常用主流回归模型，必要时可以调整特征向量的表示方式。
所述回归模型没有特定限制，而且特征向量的表达形式可以通过模型的不同适当改变。
本发明通过线路下的台区变压器和大用户变压器的运行数据对线路负荷进行预测，有效地反映出电力拓补中线路及其挂载变压器的关系，更有效地利用多维数据全面展现出线路负荷与其下的用户之间的关系。
附图说明：
图1是发明实施例提供的方法的流程图。
具体实施方式：
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。参见图1，本实施例的一种线路负荷回归分析与预测方法，其方法步骤如下：
1、根据电力拓扑信息和电力设备信息，将一条线路下的台区变压器和大用户变压器进行关联分析，得出此时该条线路下变压器设备的挂载情况。
2、将与线路相关联的设备的历史运行数获取，按天分为一条记录。
3、把每天对应的外部数据和运行数据按规则进行抽取，构建特征向量训练数据集。
4、选择合适的回归模型，将构建的特征向量训练数据集输入模型，进行模型训练。
5、得出每个台区变压器和大用户变压器的回归模型。
6、输入特征向量测试集，预测出台区变压器和大用户变压器的负荷值。
7、将该线路下每个台区和大用户的每天预测值和一个线损常量作为一个特征向量，并构建线路特征向量训练集合，选择合适的回归模型进行模型训练。
8、得到该线路的回归模型。
9、输入每个台区负荷和大用户负荷构成的特征向量，预测该线路的负荷。
现通过举例说明上述方法如下：
1、准备数据，确定某一地区的电网CIM模型的文件，通过对该地区电力网络连接关系分析和拓补节点分析，形成拓补节点模型，通过设备编号，将节点模型中的节点与设备关联，从而得出线路与变压器设备的关联。该地区一定时间范围内(最近一两年)各个台区设备的每天的运行数据，设备运行数据是时序数据，采集频率是15(分钟/次)，此功率采集值为监督标签。气象采集值与设备运行数据值一一对应，这样一台设备一天就形成96个m维向量，向量维数是由特征个数决定的，一般包含温度、湿度、降雨信息、节假日信息、星期信息、月份信息即m＝6。
2、训练预测模型，选择其中某一条线路，根据步奏1将该线路下的变压器取出，然后选择某一回归算法，因为回归算法可以选择多种，因此特征向量输入时，可以适当调整其形式以便适应不同算法。利用训练数据集，对每一台每台设备进行模型训练，得出每台设备的回归模型。然后将每台设备的预测输出值和一个常量值(线损值)构成线路的特征向量，作为线路回归模型的训练集，训练线路回归模型。最后得出一条线路下，该方法所需的每一层的模型。以上训练过程，通过测试集反馈，重复多次得到相应回归模型的最优参数。
3、负荷预测，当新的采集数据到达，一般通过天气预测信息获取气象数据，其他事件信息可以提前查获。按照训练集的中特征向量的形式将新数据构成特征向量，输入到步奏2每台设备的预测模型，得出每台设备负荷预测值，然后将在同一条线路的每台设备的预测值输入至相应线路的预测模型中，得出线路的负荷预测值。
本发明另提供一种线路负荷回归分析与预测系统，其包括：
电力拓扑分析模块，根据电力拓扑信息和电力设备信息，将一条线路下的台区变压器和大用户变压器进行关联分析，得出此时该条线路下变压器设备的挂载情况；
数据获取模块，获取与线路相关联的设备的历史运行数据；
特征向量构建模块，把每天对应的外部数据和运行数据按规则进行抽取，构建特征向量训练数据；
台区大用户回归模型模块，用于输入构建的特征向量训练数据集，进行模型训练，得出每个台区变压器和大用户变压器的回归模型，向每个台区变压器和大用户变压器的回归模型内输入采集的运行数据和外部数据构成的特征向量测试集，预测出台区和大用户的负荷值；
训练数据构建模块，用于将该条线路下每个台区变压器和大用户变压器的每天预测值和一个线损常量作为一个特征向量，并构建线路特征向量训练集合；
线路模型训练模块，用于将构建的线路特征向量训练集合选择对应的回归模型进行模型训练，得到该线路的回归模型；
预测模块，用于将该线路的回归模型内输入每个台区变压器负荷和大用户变压器负荷构成的特征向量，预测该线路的负荷。
所述外部数据指影响负荷变化的气象数据、节假日数据、特殊事件数据。
所述回归模型为常用主流回归模型，必要时可以调整特征向量的表示方式。
所述回归模型没有特定限制，而且特征向量的表达形式可以通过模型的不同适当改变。
本发明通过线路下的台区和大用户的运行数据对线路负荷进行预测，有效地反映出电力拓补中线路及其挂载变压器的关系，更有效地利用多维数据全面展现出线路负荷与其下的用户之间的关系。
本发明是以挂载在线路下用户负荷数据来预测线路负荷的方法，这是一种自下而上的分析方法；通过电力系统中网架拓扑分析，将线路下挂载的台区变压器和大用户变压器进行关联分析，根据采集台区和大用户的运行数据和外部数据(气象数据、特殊事件数据等)，构建训练集、测试集特征向量；采用回归预测方法分别对每个台区和大用户进行负荷预测，根据台区和大用户的负荷预测构建线路的回归方程，从而形成一种由用户视角的线路负荷进行预测方法。本发明通过线路下的台区和大用户的运行数据对线路负荷进行预测，有效地反映出电力拓补中线路及其挂载变压器的关系，更有效地利用多维数据全面展现出线路负荷与其下的用户之间的关系。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (14)
1.一种线路负荷回归分析与预测方法，其特征在于，其方法包括：
根据电力拓扑信息和电力设备信息，将一条线路下的台区变压器和大用户变压器进行电气拓扑关联分析；得出此时该条线路下变压器设备的挂载情况；
向每个台区变压器和大用户变压器的回归模型内输入由采集的运行数据和外部数据构成的特征向量测试集，预测出台区变压器和大用户变压器的负荷值；向该线路的回归模型内输入每个台区负荷和大用户负荷构成的特征向量，预测该线路的负荷；
所述电气拓扑关联分析是根据公共信息模型的XML文件中，定义的开关开闭状态，采用广度优先搜索算法分析电网结构拓扑，其具体分析方法为：
首先根据设备之间的连接关系，通过连接分析，形成连接节点模型；
再根据开关的开闭状态，确定连接点之间的连接关系，形成拓扑节点模型；
最后将各拓扑节点模型中的设备编号信息与设备基数信息表关联，找出每条线路下的台区变压器和大用户变压器，形成线路与变压器设备关联关系。
2.根据权利要求1所述线路负荷回归分析与预测方法，其特征在于，获取与线路相关联的所有设备的历史运行数据，按天分为一条记录；把每天对应的外部数据和运行数据按特征规则进行抽取，构建特征向量训练数据集；将构建的特征向量训练数据集输入回归模型，进行模型训练，得出上述每个台区变压器和大用户变压器的回归模型。
3.根据权利要求1或2所述线路负荷回归分析与预测方法，其特征在于，将该条线路下每个台区和大用户的每天预测值和一个线损常量作为一个特征向量，并构建线路特征向量训练集合，选择对应的回归模型进行模型训练，得到该线路的回归模型。
4.根据权利要求1所述线路负荷回归分析与预测方法，其特征在于，所述线路是电网系统中10kV等级线路，所述台区变压器和大用户变压器是10kV线路下直接挂载变压器。
5.根据权利要求1所述的线路负荷回归分析与预测方法，其特征在于，所述运行数据是时序数据，采样装置按一定频率采集一天中设备运行的负荷数据，外部数据有三种：气象数据为时序数据，节假日信息以标志位形式表现，特殊事件信息以标志位形式表现。
6.根据权利要求2所述的线路负荷回归分析与预测方法，其特征在于，所述特征规则，特征向量是由外部数据构成；所述外部数据包括气象信息、节假日信息、星期信息和月份信息，其中气象数据包含温度、湿度、降雨信息；气象采集值与设备运行数据值一一对应，一台设备一天就形成n个m维向量，n是由时序数据的采集频率决定的，m是由特征个数据决定。
7.根据权利要求1所述的线路负荷回归分析与预测方法，其特征在于，上述回归模型包括岭回归模型、lasso回归模型、随机森林回归模型。
8.一种线路负荷回归分析与预测系统，其特征在于：其包括：
电力拓扑分析模块，根据电力拓扑信息和电力设备信息，将一条线路下的台区变压器和大用户变压器进行关联分析，得出此时该条线路下变压器设备的挂载情况；
台区大用户回归模型模块，向每个台区变压器和大用户变压器的回归模型内输入由采集的运行数据和外部数据构成的特征向量测试集，预测出台区变压器和大用户变压器的负荷值；
预测模块，用于将该线路的回归模型内输入每个台区负荷和大用户负荷构成的特征向量，预测该线路的负荷；
所述电力拓扑分析模块中的CIM模型的XML文件中，定义了该条线路下的台区变压器和大用户变压器通过开关闭合进行逻辑连接，根据该逻辑连接特性对线路拓扑分析，该线路拓扑分析采用广度优先搜索算法分析电网结构拓扑，其具体分析方法为：
首先根据设备之间的连接关系，通过连接分析，形成连接节点模型；
再根据开关的开闭状态，确定连接点之间的连接关系，形成拓扑节点模型；
最后将各拓扑节点模型中的设备编号信息与设备基数信息表关联，找出每条线路下的台区变压器和大用户变压器，形成线路与变压器设备关联关系。
9.根据权利要求8所述线路负荷回归分析与预测系统，其特征在于，其还包括数据获取模块，获取与线路相关联的所有设备的历史运行数据，按天分为一条记录；特征向量构建模块，把每天对应的外部数据和运行数据按特征规则进行抽取，构建特征向量训练数据集；所述台区大用户回归模型中，用于输入构建的特征向量训练数据集，进行模型训练，得出每个台区变压器和大用户变压器的回归模型。
10.根据权利要求8所述线路负荷回归分析与预测系统，其特征在于，其还包括训练数据构建模块，用于将该条线路下每个台区和大用户的每天预测值和一个线损常量作为一个特征向量，并构建线路特征向量训练集合；以及线路模型训练模块，用于将构建的线路特征向量训练集合选择对应的回归模型进行模型训练，得到该线路的回归模型。
11.根据权利要求8所述线路负荷回归分析与预测系统，其特征在于，所述线路是电网系统中10kV等级线路，所述台区变压器和大用户变压器是10kV线路下直接挂载变压器。
12.根据权利要求9所述线路负荷回归分析与预测系统，其特征在于，所述特征向量构建模块中，运行数据是时序数据，采样装置按一定频率采集一天中设备运行的负荷数据，外部数据有三种：气象数据也是时序数据，节假日信息以标志位形式表现，特殊事件信息以标志位形式表现。
13.根据权利要求8所述的线路负荷回归分析与预测系统，其特征在于，上述回归模型包括岭回归模型、lasso回归模型、随机森林回归模型。
14.根据权利要求9所述线路负荷回归分析与预测系统，其特征在于，所述特征规则，特征向量是由外部数据构成；所述外部数据包括气象信息、节假日信息、星期信息和月份信息，其中气象数据包含温度、湿度、降雨信息；气象采集值与设备运行数据值一一对应，一台设备一天就形成n个m维向量，n是由时序数据的采集频率决定的，m是由特征个数据决定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710113178.0A CN106936127B (zh) | 2017-02-28 | 2017-02-28 | 一种线路负荷回归分析与预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710113178.0A CN106936127B (zh) | 2017-02-28 | 2017-02-28 | 一种线路负荷回归分析与预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106936127A CN106936127A (zh) | 2017-07-07 |
| CN106936127B true CN106936127B (zh) | 2019-05-24 |
Family
ID=59424044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710113178.0A Active CN106936127B (zh) | 2017-02-28 | 2017-02-28 | 一种线路负荷回归分析与预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106936127B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107453376B (zh) * | 2017-07-17 | 2020-06-23 | 国网江西省电力公司电力科学研究院 | 一种台区负荷数据采集点的确定方法及装置 |
| JP6833660B2 (ja) * | 2017-11-08 | 2021-02-24 | 株式会社東芝 | 信頼度監視システム、信頼度評価方法、及びプログラム |
| CN110363326B (zh) * | 2019-05-31 | 2022-02-11 | 广东电网有限责任公司 | 一种电网110kV线路短期负荷曲线预测方法 |
| CN110348596B (zh) * | 2019-05-31 | 2022-02-11 | 广东电网有限责任公司 | 一种电网220kV主变短期负荷曲线预测方法 |
| CN111382906B (zh) * | 2020-03-06 | 2024-02-27 | 南京工程学院 | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 |
| CN111612233A (zh) * | 2020-05-13 | 2020-09-01 | 云南电网有限责任公司电力科学研究院 | 一种配电网线路重跳影响因素重要性得分获取方法及装置 |
| CN111930802A (zh) * | 2020-08-01 | 2020-11-13 | 青岛鼎信通讯股份有限公司 | 一种基于Lasso解析的反窃电分析方法 |
| CN112529250B (zh) * | 2020-11-16 | 2023-06-30 | 贵州电网有限责任公司 | 一种变压器负载状况综合监控方法 |
| CN112448479B (zh) * | 2020-11-16 | 2023-07-04 | 贵州电网有限责任公司 | 一种变压器负载状况综合判别方法 |
| CN112448478B (zh) * | 2020-11-16 | 2023-07-04 | 贵州电网有限责任公司 | 一种变压器负载管控方法 |
| CN112414462A (zh) * | 2020-11-16 | 2021-02-26 | 贵州电网有限责任公司 | 一种变压器负载状况监控中多级异常数据处理方法 |
| CN113569904A (zh) * | 2021-06-10 | 2021-10-29 | 国电南瑞科技股份有限公司 | 母线接线类型辨识方法、系统、存储介质及计算设备 |
| CN114243695B (zh) * | 2021-12-17 | 2023-09-15 | 中国矿业大学(北京) | 一种基于双向长短时记忆神经网络的电力负荷预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60106325A (ja) * | 1983-11-11 | 1985-06-11 | 株式会社日立製作所 | 負荷予想方法 |
| CN105631483B (zh) * | 2016-03-08 | 2019-03-12 | 国家电网公司 | 一种短期用电负荷预测方法及装置 |
-
2017
- 2017-02-28 CN CN201710113178.0A patent/CN106936127B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106936127A (zh) | 2017-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106936127B (zh) | 一种线路负荷回归分析与预测方法及系统 | |
| Cui et al. | Enhance high impedance fault detection and location accuracy via $\mu $-PMUs | |
| CN105069690B (zh) | 一种电网运行数据处理方法 | |
| CN105787089B (zh) | 一种配电网规划基础数据集成方法 | |
| CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
| WO2016000341A1 (zh) | 基于cim模型的跨区域供电范围搜索方法及其系统 | |
| CN103049799A (zh) | 一种基于多目标优化的电网规划设计方法 | |
| CN101930481B (zh) | 生成描述指定时间段内电网变化的cim模型的方法和系统 | |
| CN109241169A (zh) | 配电网运行信息多源异构数据融合数据库集成方法 | |
| CN105976262B (zh) | 一种基于厂站粒度的电网模型版本共享方法 | |
| CN114565779B (zh) | 一种低压台区户变拓扑辨识方法及系统 | |
| CN106130781B (zh) | 基于配电网拓扑模型的变压器故障累积效应评估方法 | |
| Feng et al. | [Retracted] Design and Simulation of Human Resource Allocation Model Based on Double‐Cycle Neural Network | |
| CN106372747A (zh) | 基于随机森林的台区合理线损率估计方法 | |
| CN106339800A (zh) | 一种基于Graphx的大电网快速拓扑分析的方法 | |
| Shin et al. | Spatiotemporal load-analysis model for electric power distribution facilities using consumer meter-reading data | |
| CN107729939A (zh) | 一种面向新增电网资源的cim模型扩展方法及装置 | |
| Ray et al. | Hybrid methodology for short-term load forecasting | |
| CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN108053095A (zh) | 一种电能质量扰动事件特征提取方法及系统 | |
| Ullah et al. | Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids | |
| CN109726880B (zh) | 一种输电线路参数合理性评估方法及系统 | |
| CN110413722A (zh) | 地址选择方法、装置以及非瞬时性存储介质 | |
| Wang et al. | Application of multiattention mechanism in power system branch parameter identification | |
| CN107016066A (zh) | 一种电网模型建模过程中测点匹配方法及装置 |
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 | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee after: NARI Group Corp. Patentee after: State Grid Corporation of China Co-patentee after: NARI INFORMATION AND COMMUNICATION TECHNOLOGY Co. Co-patentee after: STATE GRID ANHUI ELECTRIC POWER Co. Co-patentee after: STATE GRID GANSU ELECTRIC POWER Co. Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Co-patentee before: NARI Group CORPORATION STATE GRID ELECTRIC POWER INSTITUTE Patentee before: State Grid Corporation of China Co-patentee before: NARI INFORMATION AND COMMUNICATION TECHNOLOGY Co. Co-patentee before: STATE GRID ANHUI ELECTRIC POWER Co. Co-patentee before: STATE GRID GANSU ELECTRIC POWER Co. |
|
| CP01 | Change in the name or title of a patent holder |