CN107064667A - 一种基于改进高斯混合模型的电铁负荷电能质量评估系统 - Google Patents

一种基于改进高斯混合模型的电铁负荷电能质量评估系统 Download PDF

Info

Publication number
CN107064667A
CN107064667A CN201710019391.5A CN201710019391A CN107064667A CN 107064667 A CN107064667 A CN 107064667A CN 201710019391 A CN201710019391 A CN 201710019391A CN 107064667 A CN107064667 A CN 107064667A
Authority
CN
China
Prior art keywords
mrow
data
msubsup
msub
msup
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
Application number
CN201710019391.5A
Other languages
English (en)
Inventor
李慧蓬
王承民
王金浩
雷达
王朋朋
刘涌
宋述勇
李胜文
仇汴
徐龙
赵旭伟
杨赟磊
肖莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI PROINVENT INFORMATION TECH Ltd
Shanghai Jiaotong University
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
Original Assignee
SHANGHAI PROINVENT INFORMATION TECH Ltd
Shanghai Jiaotong University
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHANGHAI PROINVENT INFORMATION TECH Ltd, Shanghai Jiaotong University, State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Shanxi Electric Power Co Ltd filed Critical SHANGHAI PROINVENT INFORMATION TECH Ltd
Priority to CN201710019391.5A priority Critical patent/CN107064667A/zh
Publication of CN107064667A publication Critical patent/CN107064667A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

一种基于改进高斯混合模型的电铁牵引负荷电能质量评估系统：包括电能质量监测、数据预处理、数据建模以及电能质量评估模块。电能质量监测模块用以对接入电铁负荷后电网中的数据进行实时监测，并将监测数据传输到数据预处理模块；数据预处理模块针对各类反映电网电能质量的数据进行预处理，形成原始数据样本集；数据建模模块利用改进高斯混合模型训练原始数据样本集，构建反映电铁牵引负荷电能质量分布特性的高斯混合模型，形成比对样本集；电能质量评估模块将比对样本集与新建电铁负荷样本进行分析评估。本发明通过对接入电铁负荷的电网各类数据实时监测与处理，构建电铁牵引负荷类型库，可实现新增电铁牵引负荷对电网电能质量影响的快速评估。

Description

一种基于改进高斯混合模型的电铁负荷电能质量评估系统
技术领域
本发明涉及一种电气化铁路评估系统，尤其涉及一种基于改进高斯混合模型的电铁牵引负荷电能质量评估分析，作为一种数据评估方式，可用以对电气化铁路系统数据进行安全评估分析。
背景技术
电气化铁路牵引负荷具有非线性、波动性和冲击性的大容量不对称负荷，其电能质量问题具有特殊性，研究这些特性以及它们对于电力系统的影响是对电气化铁路牵引负荷进行科学、合理的电能质量评估的基础。
本发明所涉及的一种基于改进高斯混合模型的电铁牵引负荷电能质量评估系统，通过对接入大规模电铁负荷的电网各类数据实时监测，并对数据进行相应处理，拟合建模构建电铁牵引负荷类型库，可实现新增电铁牵引负荷的快速评估，定位负荷类型，从而分析其对电网电能质量的影响，可对待评价数据的本身特性予以充分的考虑，并其综合评估结果更具有科学性和合理性，有明确的解释意义。应用实例证明，该评估系统可靠性强，能够对大量样本快速准确评估，具有可行性。
发明内容
本发明所要解决的技术问题，就是提供一种基于改进高斯混合模型的电铁牵引负荷电能质量评估系统，用于对新建电铁线路负荷类型正确评估，利用电能质量评估模块从数据建模模块获得的比对数据样本集与实测新建电铁线路负荷样本进行对照分析，其中比对数据样本集包括反映电铁线路负荷电能质量分布特性的电压、电流、功率、谐波等，对新建线路数据进行识别分析，评估新建电铁负荷类型，为电气化铁路运行与线路升级改造中新线路对电网的冲击提供理论依据。
解决上述技术问题，本发明采用的技术方案如下：
一种基于改进高斯混合模型的电铁牵引负荷电能质量评估系统，其特征是：包括电能质量监测模块、数据预处理模块、数据建模模块以及电能质量评估模块；
所述电能质量监测模块可对接入电铁牵引负荷的电网中各类数据进行实时监测，数据包括电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等，且均为三相电的原始测量值，并将监测到的数据传输到数据预处理模块。
所述数据预处理模块通过对从电能质量监测模块接收到的数据进行小波去噪等预处理操作，得到不含离群点的数据，构建形成用于数据建模的原始数据样本集。
所述数据建模模块利用改进高斯混合模型训练原始数据样本集，得到输出模型参数，即不同负荷下电网电能质量的特征参数以及各负荷的先验概率，构建反映电铁牵引负荷电能质量分布特性的高斯混合模型，作为电能质量评估模块的数据比对样本集。
所述电能质量评估模块将从数据建模模块获得的比对数据样本集与实测新建电铁线路负荷样本进行对照分析，其中比对数据样本集包括反映电铁线路负荷电能质量分布特性的电压、电流、功率、谐波等，对新建线路数据进行识别分析，评估新建电铁负荷类型，其评估方法利用带有合并算子Figueiredo-Jain(F-J)算法实现，具体如下：
①假设新建线路后，电网各类数据的特征集为x，其中包含n类数据，其参数值可表示为其中K0为数据的类别，ωi、μi、σi分别表示电网每类数据的权重，均值和协方差，即数据的特征值，对于每类数据的权重为1/K0，且每个数据对应一个高斯元。
②根据已知数据对应的高斯元的特征值进行计算，寻求与数据建模模块生成的比对数据样本集中相对应的负荷类型带入公式：
其中p(s)(Ck (s)|xj)是在第s次迭代中第j个样本属于第k类数据对应的高斯元Ck (s)的后验概率。
③在评估新建线路负荷类型中，寻找匹配类型流程中，计算在第(s+1)次迭代中数据对应的高斯元Ck (s+1)的均值、协方差和权重和通过如下公式计算所得：
其中m是样本点的维数。
④当全部数据权重小于1/K0，那么就计算和其他数据的距离。接着将每个数据对应的高斯元和距离它最近的高斯元合并，并更新权重如下，并重新计算后验概率：
当全部数据权重大于1/K0，则检查两次迭代中参数的变化，如果变化大于一个特定的额非常小的值，则重新计算后验概率。
当所有数据的权重大于等于1/K0并且两次迭代之间参数的变化小于这个特定的非常小的值，迭代终止，即定位到新建线路所对应负荷类型，评估过程结束。
本发明通过对接入大规模电铁负荷的电网各类数据实时监测，并对数据进行相应处理，拟合建模构建电铁牵引负荷类型库，采用非线性逼近能力强的算法建立了电能质量综合评价模型，可实现新增电铁牵引负荷的快速评估，定位负荷类型，从而分析其对电网电能质量的影响，可对待评价数据的本身特性予以充分的考虑，并其综合评估结果更具有科学性和合理性。
本发明优点：
一、作为一种基于改进高斯混合模型的电铁牵引负荷电能质量评估系统，可利用电能质量监测模块对接入电铁的电网侧各类数据进行实时监测。
二、本发明可利用数据预处理模块对原始网侧数据滤波处理，保障数据的合理性。
三、本实验系统可实现新增电铁牵引负荷的快速评估，定位负荷类型。
四、本系统系统的评估方案可用以指导电气化铁路线路改建与扩建对电网电能质量的影响，实现线路改建前的理论分析，更好地未电气化铁路的规划与运行提供辅助服务。
附图说明
图1是本发明提供的基于改进高斯混合模型的电铁牵引负荷电能质量评估系统结构示意图。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1所示，本发明的一种基于改进高斯混合模型的电铁牵引负荷电能质量评估系统，其特征是：包括电能质量监测模块、数据预处理模块、数据建模模块以及电能质量评估模块；
所述电能质量监测模块可对接入电铁牵引负荷的电网中各类数据进行实时监测，数据包括电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等，且均为三相电的原始测量值，并将监测到的数据传输到数据预处理模块，其监测变量具体如表1所示。
表1电铁牵引负荷电网电能质量监测装置监控变量
序号 变量名 序号 变量名
1 A相基波功率因数 2 B相基波功率因数
3 C相基波功率因数 4 总基波功率因数
5 A相电流有效值 6 B相电流有效值
7 C相电流有效值 8 A相有功功率
9 B相有功功率 10 C相有功功率
11 总有功功率 12 A相全功率因数
13 B相全功率因数 14 C相全功率因数
15 总全功率因数 16 A相无功功率
17 B相无功功率 18 C相无功功率
19 总无功功率 20 A相视在功率
21 B相视在功率 22 C相视在功率
23 A相视在功率 24 A相电压有效值
25 B相电压有效值 26 C相电压有效值
27 A相总功 28 B相总功
29 C相总功 30 总功
31 负序电流 32 正序电流
33 零序电流 34 负序电压
35 正序电压 36 零序电压
38 A相闪变 39 B相闪变
40 C相闪变 41 A相电流三次谐波绝对值
42 B相电流三次谐波绝对值 43 C相电流三次谐波绝对值
44 A相电流五次谐波绝对值 45 B相电流五次谐波绝对值
46 C相电流五次谐波绝对值 47 A相电流七次谐波绝对值
48 B相电流七次谐波绝对值 49 C相电流七次谐波绝对值
所述数据预处理模块通过对从电能质量监测模块接收到的数据进行小波去噪等预处理操作，得到不含离群点的数据，构建形成用于数据建模的原始数据样本集。
所述数据建模模块利用改进高斯混合模型训练原始数据样本集，得到输出模型参数，即不同负荷下电网电能质量的特征参数以及各负荷的先验概率，构建反映电铁牵引负荷电能质量分布特性的高斯混合模型，作为电能质量评估模块的数据比对样本集。
所述电能质量评估模块将从数据建模模块获得的比对数据样本集与实测新建电铁线路负荷样本进行对照分析，其中比对数据样本集包括反映电铁线路负荷电能质量分布特性的电压、电流、功率、谐波等，对新建线路数据进行识别分析，评估新建电铁负荷类型，其评估方法利用带有合并算子Figueiredo-Jain(F-J)算法实现，具体如下：
①假设新建线路后，电网各类数据的特征集为x，其中包含n类数据，其参数值可表示为其中K0为数据的类别，ωi、μi、σi分别表示电网每类数据的权重，均值和协方差，即数据的特征值，对于每类数据的权重为1/K0，且每个数据对应一个高斯元。
②根据已知数据对应的高斯元的特征值进行计算，寻求与数据建模模块生成的比对数据样本集中相对应的负荷类型带入公式：
其中p(s)(Ck (s)|xj)是在第s次迭代中第j个样本属于第k类数据对应的高斯元Ck (s)的后验概率。
③在评估新建线路负荷类型中，寻找匹配类型流程中，计算在第(s+1)次迭代中数据对应的高斯元Ck (s+1)的均值、协方差和权重和通过如下公式计算所得：
其中m是样本点的维数。
④当全部数据权重小于1/K0，那么就计算和其他数据的距离。接着将每个数据对应的高斯元和距离它最近的高斯元合并，并更新权重如下，并重新计算后验概率：
当全部数据权重大于1/K0，则检查两次迭代中参数的变化，如果变化大于一个特定的额非常小的值，则重新计算后验概率。
当所有数据的权重大于等于1/K0并且两次迭代之间参数的变化小于这个特定的非常小的值，迭代终止，即定位到新建线路所对应负荷类型，评估过程结束。
本发明通过对接入大规模电铁负荷的电网各类数据实时监测，并对数据进行相应处理，拟合建模构建电铁牵引负荷类型库，采用非线性逼近能力强的算法建立了电能质量综合评价模型，可实现新增电铁牵引负荷的快速评估，定位负荷类型，从而分析其对电网电能质量的影响，可对待评价数据的本身特性予以充分的考虑，并其综合评估结果更具有科学性和合理性。
基于上述过程，本发明所述一种基于改进高斯混合模型的电铁牵引负荷电能质量评估系统通过对接入大规模电铁负荷的电网各类数据实时监测，并对数据进行相应处理，拟合建模构建电铁牵引负荷类型库，可实现新增电铁牵引负荷的快速评估，定位负荷类型，从而分析其对电网电能质量的影响，实例证明，本系统对评估电铁牵引负荷电能质量有良好的实用性。

Claims (3)

1.一种基于改进高斯混合模型的电铁牵引负荷电能质量评估系统，包括电能质量监测模块、数据预处理模块、数据建模模块以及电能质量评估模块；
所述电能质量监测模块可对接入电铁牵引负荷的电网中各类数据进行实时监测，数据包括电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等，且均为三相电的原始测量值，并将监测到的数据传输到数据预处理模块；
所述数据预处理模块通过对从电能质量监测模块接收到的数据进行小波去噪等预处理操作，构建形成用于数据建模的原始数据样本集；
所述数据建模模块利用改进高斯混合模型训练原始数据样本集，得到输出模型参数，即不同负荷下电网电能质量的特征参数以及各负荷的先验概率，构建反映电铁牵引负荷电能质量分布特性的高斯混合模型，作为电能质量评估模块的数据比对样本集；
所述电能质量评估模块将从数据建模模块获得的比对数据样本集与实测新建电铁线路负荷样本进行对照分析，其中比对数据样本集包括反映电铁线路负荷电能质量分布特性的电压、电流、功率、谐波等，对新建线路数据进行识别分析，评估新建电铁负荷类型。
2.根据权利要求1所述的基于改进高斯混合模型的电铁牵引负荷电能质量评估系统，其特征是：电能质量监测模块所监测全部数据，取电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据进行分析，所筛选数据经数据预处理模块进行小波去噪，得到平滑数据曲线。
3.根据权利要求1所述的基于改进高斯混合模型的电铁牵引负荷电能质量评估系统，电能质量评估模块对于新建线路进行电能质量评估，根据其所属的负荷类型，基于其反变换后的电网电压有效值、电流有效值、有功功率、无功功率、视在功率、基波功率因数、全功率因数、谐波、闪变等数据的特征值，分析其对电网电能质量的影响，其评估方法利用带有合并算子Figueiredo-Jain(F-J)算法实现，具体如下：
①假设新建线路后，电网各类数据的特征集为x，其中包含n类数据，其参数值可表示为其中K0为数据的类别，ωi、μi、σi分别表示电网每类数据的权重，均值和协方差，即数据的特征值，对于每类数据的权重为1/K0。
②根据已知数据的特征值进行计算，寻求与数据建模模块生成的比对数据样本集中相对应的负荷类型带入公式：
<mrow> <msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <msup> <msub> <mi>C</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;omega;</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msubsup> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>|</mo> <msubsup> <mi>&amp;mu;</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msubsup> <mo>,</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <msubsup> <mi>&amp;omega;</mi> <mi>i</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msubsup> <mi>g</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>|</mo> <msubsup> <mi>&amp;mu;</mi> <mi>i</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msubsup> <mo>,</mo> <msubsup> <mi>&amp;sigma;</mi> <mi>i</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中p(s)(Ck (s)|xj)是在第s次迭代中第j个样本属于第k类数据Ck (s)的后验概率。
③在评估新建线路负荷类型中，寻找匹配类型流程中，计算在第(s+1)次迭代中数据Ck (s+1)的均值、协方差和权重和通过如下公式计算所得：
<mrow> <msubsup> <mi>&amp;mu;</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <msup> <msub> <mi>C</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <msub> <mi>x</mi> <mi>j</mi> </msub> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <msup> <msub> <mi>C</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <msup> <msub> <mi>C</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msubsup> <mi>&amp;mu;</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <msup> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>-</mo> <msubsup> <mi>&amp;mu;</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mrow> <mo>(</mo> <msup> <msub> <mi>C</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow> 1
<mrow> <msubsup> <mi>&amp;omega;</mi> <mi>k</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>+</mo> <mn>1</mn> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <mfrac> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <msup> <msub> <mi>C</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>)</mo> <mo>-</mo> <mfrac> <mi>V</mi> <mn>2</mn> </mfrac> <mo>}</mo> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </msubsup> <mi>max</mi> <mo>{</mo> <mn>0</mn> <mo>,</mo> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msup> <mi>p</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>(</mo> <msup> <msub> <mi>C</mi> <mi>k</mi> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msub> <mi>x</mi> <mi>j</mi> </msub> <mo>)</mo> </mrow> <mo>)</mo> <mo>-</mo> <mfrac> <mi>V</mi> <mn>2</mn> </mfrac> <mo>}</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中m是样本点的维数。
④当所有数据的权重大于等于1/K0并且两次迭代之间参数的变化小于这个特定的非常小的值，迭代终止，即定位到新建线路所对应负荷类型，评估过程结束。
CN201710019391.5A 2017-01-11 2017-01-11 一种基于改进高斯混合模型的电铁负荷电能质量评估系统 Pending CN107064667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710019391.5A CN107064667A (zh) 2017-01-11 2017-01-11 一种基于改进高斯混合模型的电铁负荷电能质量评估系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710019391.5A CN107064667A (zh) 2017-01-11 2017-01-11 一种基于改进高斯混合模型的电铁负荷电能质量评估系统

Publications (1)

Publication Number Publication Date
CN107064667A true CN107064667A (zh) 2017-08-18

Family

ID=59597849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710019391.5A Pending CN107064667A (zh) 2017-01-11 2017-01-11 一种基于改进高斯混合模型的电铁负荷电能质量评估系统

Country Status (1)

Country Link
CN (1) CN107064667A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505522A (zh) * 2017-08-23 2017-12-22 南京联能电力检测研究所有限公司 一种基于增益预判建模的电能质量评估方法及测试仪
CN111090014A (zh) * 2019-12-17 2020-05-01 深圳华建电力物联技术有限公司 一种基于高斯模型的电器识别方法及装置
CN116681186A (zh) * 2023-08-03 2023-09-01 深圳友讯达科技股份有限公司 一种基于智能终端的用电质量分析方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05176463A (ja) * 1991-12-19 1993-07-13 Fuji Electric Co Ltd 経済負荷配分方法
JP2007215354A (ja) * 2006-02-10 2007-08-23 Meiji Univ 電力負荷予測方法、及び電力負荷予測処理プログラム
US20070203658A1 (en) * 2004-10-01 2007-08-30 Patel Sureshchandra B System And Method Of Parallel Loadflow Computation For Electrical Power System
CN103241130A (zh) * 2013-04-10 2013-08-14 华中科技大学 一种电动公交车充换电站的能量管理方法及系统
CN103777091A (zh) * 2013-12-13 2014-05-07 国家电网公司 一种基于k均值的高铁电能质量监测数据分类方法
CN103824129A (zh) * 2014-02-26 2014-05-28 国家电网公司 一种基于动态阈值的高铁电能质量异常状态预警方法
CN106410794A (zh) * 2016-11-14 2017-02-15 国家电网公司 一种电铁牵引负荷电能质量分布特性高斯模型分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05176463A (ja) * 1991-12-19 1993-07-13 Fuji Electric Co Ltd 経済負荷配分方法
US20070203658A1 (en) * 2004-10-01 2007-08-30 Patel Sureshchandra B System And Method Of Parallel Loadflow Computation For Electrical Power System
JP2007215354A (ja) * 2006-02-10 2007-08-23 Meiji Univ 電力負荷予測方法、及び電力負荷予測処理プログラム
CN103241130A (zh) * 2013-04-10 2013-08-14 华中科技大学 一种电动公交车充换电站的能量管理方法及系统
CN103777091A (zh) * 2013-12-13 2014-05-07 国家电网公司 一种基于k均值的高铁电能质量监测数据分类方法
CN103824129A (zh) * 2014-02-26 2014-05-28 国家电网公司 一种基于动态阈值的高铁电能质量异常状态预警方法
CN106410794A (zh) * 2016-11-14 2017-02-15 国家电网公司 一种电铁牵引负荷电能质量分布特性高斯模型分析方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107505522A (zh) * 2017-08-23 2017-12-22 南京联能电力检测研究所有限公司 一种基于增益预判建模的电能质量评估方法及测试仪
CN107505522B (zh) * 2017-08-23 2020-01-14 江苏联能电力科学研究院有限公司 一种基于增益预判建模的电能质量评估方法及测试仪
CN111090014A (zh) * 2019-12-17 2020-05-01 深圳华建电力物联技术有限公司 一种基于高斯模型的电器识别方法及装置
CN116681186A (zh) * 2023-08-03 2023-09-01 深圳友讯达科技股份有限公司 一种基于智能终端的用电质量分析方法及装置
CN116681186B (zh) * 2023-08-03 2024-01-12 深圳友讯达科技股份有限公司 一种基于智能终端的用电质量分析方法及装置

Similar Documents

Publication Publication Date Title
CN103605757B (zh) 一种基于支持向量机的高铁电能质量数据的分类方法
CN101924354B (zh) 利用s变换能量样本属性的配电网故障的人工神经网络选线方法
CN107451557A (zh) 基于经验小波变换与局部能量的输电线路短路故障诊断方法
CN103995237A (zh) 一种卫星电源系统在线故障诊断方法
CN110687393B (zh) 一种基于vmd-svd-fcm的阀短路保护故障定位方法
CN109800520B (zh) 一种基于神经网络的电动汽车充电站谐波建模方法
CN107832950A (zh) 一种基于改进区间模糊评价的配电网投资成效评价方法
Ayyagari Artificial neural network based fault location for transmission lines
CN109444667B (zh) 基于卷积神经网络的配电网早期故障分类方法及装置
CN107064667A (zh) 一种基于改进高斯混合模型的电铁负荷电能质量评估系统
CN103578050A (zh) 一种电压暂降原因的识别方法
CN109142851A (zh) 一种新型的配电网内部过电压识别方法
CN108061832A (zh) 基于神经网络黑箱模型的串联型故障电弧仿真方法
CN105676022A (zh) 一种长线路风电场并网谐振信息提取方法
CN104393590B (zh) 电网暂态失稳模式智能辨识方法
CN104598725A (zh) 一种分布式电源并网后配电网适应性的评价方法
CN106203531A (zh) 一种基于卷积稀疏自动编码器的输电线故障分类方法
CN105911476A (zh) 一种基于数据挖掘的电池储能系统soc预测方法
CN107123988A (zh) 一种考虑恢复量不确定的停电电网负荷恢复二阶锥规划方法
CN108304931A (zh) 一种变电设备状态检修故障诊断方法
CN106099891A (zh) 对海上风电场出线端海缆进行并联电抗器优化配置的分析方法
CN105183938A (zh) 电网不良数据辨识与估计方法
CN110174255A (zh) 一种基于径向基神经网络的变压器振动信号分离方法
CN106410794A (zh) 一种电铁牵引负荷电能质量分布特性高斯模型分析方法
CN102185314A (zh) 电能质量综合评判方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170818