CN107220907B - 一种采用秩和比综合评价的谐波污染用户分级方法 - Google Patents
一种采用秩和比综合评价的谐波污染用户分级方法 Download PDFInfo
- Publication number
- CN107220907B CN107220907B CN201710435870.5A CN201710435870A CN107220907B CN 107220907 B CN107220907 B CN 107220907B CN 201710435870 A CN201710435870 A CN 201710435870A CN 107220907 B CN107220907 B CN 107220907B
- Authority
- CN
- China
- Prior art keywords
- harmonic
- user
- rank
- value
- matrix
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000002347 injection Methods 0.000 abstract description 4
- 239000007924 injection Substances 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Economics (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种采用秩和比综合评价的谐波污染用户分级方法,其特征在于,包括以下步骤:步骤S1:输入单日谐波电流监测数据;步骤S2:在时频域上建立用户谐波典型模态的模态模型;步骤S3:基于秩和比综合评价法评估用户谐波危害。本发明从海量谐波电流监测数据提取用户谐波污染的频域特征,并挖掘用户运行的时域典型模态,利用秩和比综合分析法评价各模态的污染量,从统计分析角度全面评估长时间内的用户谐波污染注入量。
Description
技术领域
本发明涉及一种采用秩和比综合评价的谐波污染用户分级方法。
背景技术
随着非线性设备和分布式发电系统的不断应用,谐波分布范围越来越广,含量越来越高,电网中的谐波问题变得更加复杂。对谐波用户进行合理的奖惩,必须针对各谐波污染源量化用户谐波的发射水平,处以必要的责任分担。
目前已经具备成熟的谐波监测技术和装置,可以为干扰用户的谐波危害评估提供必要的测量数据。IEC61000-3-6和我国谐波标准都采用测量时段内(10分钟)的95%概率大值作为谐波测量值,并与谐波发射限值对比,判断越限与否。由于谐波干扰用户的运行具有一定的不确定性,在较长时间内(如1天)的谐波监测序列具有时变特性,谐波注入水平也具有典型的时变特征。如果只采用越限与否的二值化判断会丧失深层次运行信息,工程上需要计及干扰用户此特性,对其总体注入水平给出量化评价。
监测用户接入点的谐波电压和谐波电流,并建立系统和用户在公共连接点(Pointof Common Coupling,PCC)处的等效模型,可以判断出主谐波源的位置,判断谐波污染的主要责任方,这是一种定性评估方法。
目前,通过检测PCC点的谐波电压和电流实测值精确估算谐波阻抗,建立等效电路模型,能够量化系统和用户谐波发射水平确定系统和用户侧的责任分摊,但是这类方法需要连续监测节点谐波电压和谐波电流。而目前的谐波监测系统给出的是检测时段内的谐波统计值,无法用于谐波阻抗估计。此外,谐波阻抗随着负荷、网络参数和系统运行情况而不断变化,其时变特性会给谐波阻抗估计带来较大误差。
现如今,采用电能质量监测数据评估干扰用户的谐波危害具有坚实的工程基础。但在评估手段上,将一个监测周期内的信息压缩为统计性指标直接与谐波限值比较做出合格与否的定性判断,忽略了监测信息随时间变化的过程信息以及不确定性的用户运行特性,缺乏历史数据挖掘及全面综合分析的手段,并不能全面反映用户真实谐波污染水平。
发明内容
有鉴于此,本发明的目的在于提供一种采用秩和比综合评价的谐波污染用户分级方法,从海量谐波电流监测数据提取用户谐波污染的频域特征,并挖掘用户运行的时域典型模态,利用秩和比综合分析法评价各模态的污染量,从统计分析角度全面评估长时间内的用户谐波污染注入量。
为实现上述目的,本发明采用如下技术方案:
一种采用秩和比综合评价的谐波污染用户分级方法,其特征在于,包括以下步骤:
步骤S1:输入单日谐波电流监测数据;
步骤S2:在时频域上建立用户谐波典型模态的模态模型;
步骤S3:基于秩和比综合评价法评估用户谐波危害。
进一步的,所述步骤S2的具体内容如下:
在频域上利用主成分分析提取谐波污染特征量:
设原始数据矩阵为X=(xij)n×p,其中n为评估对象个数,p为监测数据的指标个数,所述原始矩阵又可以表示为X=(x1,x2,…xp);
xi=(x1i,x2i,…,xni)T(i=1,2,…,p),其协方差矩阵Σ是一个p阶的非负定矩阵,计算如式(1):
在时域上利用聚类算法划分用户谐波典型模态,建立其模态模型:
设X=(x1,x2,…,xn)T是降维后的数据样本的集合, xi=(xi1,xi2,…,xim)(i=1,2,…,n),m为选取的m个主特征量;通过模糊聚类将该集合分成c类,记F=(F1,F2,…Fc)T,其中聚类数c通过模糊有效性指标Xie-Beni确定;如公式(2),逐个代入聚类数计算Vxb的值,取Vxb为最小值时对应的聚类数为最佳聚类数:
其中,uij为xj到Fi的隶属度,vi为Fi类的聚类中心;
确定最佳聚类数的同时,初始化设置聚类中心矩阵V0,设置迭代阈值ε为系统默认值,设置迭代计数器的值b=0,然后进行模糊聚类计算;U为隶属度矩阵,表示为U(X)=[uij]c×n,uij为xj到Fi的隶属度;V为聚类中心矩阵,聚类为不断最小化目标化函数,不断进行迭代的过程,如公式(3):
其中m为加权指数;迭代过程中,通过式(4)、(5)更新样本的隶属度矩阵U和聚类中心矩阵V;用所得到的U和V代入公式(3)中的目标函数J,判断J的值是否小于阈值ε或者与上一次目标函数值的差值是否小于阈值ε,如果满足上述条件之一则停止迭代,否则返回公式(4) 和公式(5)重新更新样本的隶属度矩阵U和聚类中心矩阵V;
采用模糊聚类分析划分典型模态,实质上是将具有相似谐波危害特征的时段聚类在同一模态,构成以下模态模型:
其中,nc表示各模态样本的个数。
进一步的,所述加权指数的取值范围为1.5~2.5。
进一步的,所述步骤S3的具体内容如下:
步骤S31:针对每类模态中n个时段m次谐波评价指标构成的n ×m数据矩阵,编出各次谐波对各个时段的秩,运用非整次秩和比法将定量的指标值转换为半定量的秩次,所编的秩次除了最大指标值和最小指标值为整数外,其余为非整数,公式如下:
其中,R为秩次,R=(Rij)n×m,n为样本数,X为原始指标值,Xmin、Xmax分别为最小原始指标值和最大原始指标值;
步骤S32:提出评估用户谐波污染危害的加权秩和比指标WRSR,计算每类模态的加权秩和比WRSR,公式如下:
其中,Wj为第j个指标的权重系数,表现典型模态中各次谐波指标对污染危害的程度不同,∑Wj=1,公式计算如式(9)、(10)、(11):
步骤S33:然后计算概率单位,确定WRSR频率分布表,列出各组频数f,计算各组累计频数∑f;确定各组WRSR秩次范围R和平均秩次A,计算累计频率P=A*R/n;将百分率P转换为概率单位Probit, Probit为百分率P对应的标准正态离差u加5,按照查询百分数与概率单位对照表,最后向下的累计频率按照1-1/4×n估计;
步骤S34:计算用户谐波污染危害分布直线回归方程,以累计频率所对应的概率单位Probit为自变量,以WRSR值为因变量,计算直线回归方程,即WRSR=a+b×Probit,a、b为计算得到的常系数;
步骤S35:将多日用户谐波危害情况分档排序:依据各分档情况下概率单位Probit值,按照回归方程推算所对应WRSR估计值,然后根据常用的分档数对应的百分位数及概率单位表,对评价对象分档排序,实现谐波用户污染危害分级。
本发明与现有技术相比具有以下有益效果:本发明考虑谐波用户运行的不确定性,分析海量谐波监测数据的时、频域特性,利用数据挖掘的方法划分谐波用户不同运行特性下的典型模态,定量分析不同模态下污染用户的谐波危害,建立综合的评价标准;该方法结合实际数据具有的特征使评估结论更合理有效。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种采用秩和比综合评价的谐波污染用户分级方法,其特征在于,包括以下步骤:
步骤S1:输入单日谐波电流监测数据;
步骤S2:在时频域上建立用户谐波典型模态的模态模型;具体内容如下:
1)在频域上利用主成分分析提取谐波污染特征量:
设原始数据矩阵为X=(xij)n×p,其中n为评估对象个数,p为监测数据的指标个数,所述原始矩阵又可以表示为X=(x1,x2,…xp);
xi=(x1i,x2i,…,xni)T(i=1,2,…,p),其协方差矩阵Σ是一个p阶的非负定矩阵,计算如式(1):
2)在时域上利用聚类算法划分用户谐波典型模态,建立其模态模型:
设X=(x1,x2,…,xn)T是降维后的数据样本的集合, xi=(xi1,xi2,…,xim)(i=1,2,…,n),m为选取的m个主特征量;通过模糊聚类将该集合分成c类,记F=(F1,F2,…Fc)T,在模糊算法中需要提前设置聚类数c,本发明通过模糊有效性指标Xie-Beni来确定聚类数c;如公式(2),由于样本数据不大,逐个代入聚类数计算Vxb的值,取Vxb为最小值时对应的聚类数为最佳聚类数:
其中,uij为xj到Fi的隶属度,vi为Fi类的聚类中心;
确定最佳聚类数的同时,初始化设置聚类中心矩阵V0,设置迭代阈值ε为系统默认值,设置迭代计数器的值b=0,然后进行模糊聚类计算;U为隶属度矩阵,表示为U(X)=[uij]c×n,uij为xj到Fi的隶属度;V为聚类中心矩阵,聚类为不断最小化目标化函数,不断进行迭代的过程,如公式(3):
其中m为加权指数,取值范围为1.5~2.5,本发明取值为2。
迭代过程中,通过式(4)、(5)更新样本的隶属度矩阵U和聚类中心矩阵V;用所得到的U和V代入公式(3)中的目标函数J,判断J的值是否小于阈值ε或者与上一次目标函数值的差值是否小于阈值ε,如果满足上述条件之一则停止迭代,否则返回公式(4)和公式(5)重新更新样本的隶属度矩阵U和聚类中心矩阵V;
采用模糊聚类分析划分典型模态,实质上是将具有相似谐波危害特征的时段聚类在同一模态,构成以下模态模型:
其中,nc表示各模态样本的个数,c为聚类数。
步骤S3:基于秩和比综合评价法评估用户谐波危害;定义一种加权秩和比指标,定量评估每类典型模态的谐波污染程度。确定不同典型模态下评价指标的权重系数,评估污染用户整体的谐波危害,具体内容如下:
步骤S31:编秩,针对每类模态中n个时段m次谐波评价指标构成的n×m数据矩阵,编出各次谐波对各个时段的秩,运用非整次秩和比法将定量的指标值转换为半定量的秩次,用类似于线性插值的方法进行编秩,所编的秩次除了最大指标值和最小指标值为整数外,其余基本为非整数,公式如下:
其中,R为秩次,R=(Rij)n×m,n为样本数,X为原始指标值,Xmin、Xmax分别为最小原始指标值和最大原始指标值;
步骤S32:提出评估用户谐波污染危害的加权秩和比指标WRSR,计算每类模态的加权秩和比WRSR,公式如下:
其中,Wj为第j个指标的权重系数,表现典型模态中各次谐波指标对污染危害的程度不同,∑Wj=1,公式计算如式(9)、(10)、(11):
步骤S33:通过以上方法分别计算多日用户的谐波危害和加权秩和比指标值,然后计算概率单位,确定WRSR频率分布表,列出各组频数f,计算各组累计频数∑f;确定各组WRSR秩次范围R和平均秩次A,计算累计频率P=A*R/n;将百分率P转换为概率单位Probit,Probit为百分率P对应的标准正态离差u加5,按照查询百分数与概率单位对照表,最后向下的累计频率按照1-1/4×n估计;
步骤S34:计算用户谐波污染危害分布直线回归方程,以累计频率所对应的概率单位Probit为自变量,以WRSR值为因变量,计算直线回归方程,即WRSR=a+b×Probit,a、b为计算得到的常系数;
步骤S35:将多日用户谐波危害情况分档排序:依据各分档情况下概率单位Probit值,按照回归方程推算所对应WRSR估计值,然后根据常用的分档数对应的百分位数及概率单位表,对评价对象分档排序,实现谐波用户污染危害分级。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (2)
1.一种采用秩和比综合评价的谐波污染用户分级方法,其特征在于,包括以下步骤:
步骤S1:输入单日谐波电流监测数据;
步骤S2:在时频域上建立用户谐波典型模态的模态模型;
步骤S3:基于秩和比综合评价法评估用户谐波危害;
所述步骤S2的具体内容如下:
在频域上利用主成分分析提取谐波污染特征量:
设原始数据矩阵为X=(xij)n×p,其中n为评估对象个数,p为监测数据的指标个数,所述原始矩阵又可以表示为X=(x1,x2,…xp);xi=(x1i,x2i,…,xni)T(i=1,2,…,p),其协方差矩阵Σ是一个p阶的非负定矩阵,计算如式(1):
在时域上利用聚类算法划分用户谐波典型模态,建立其模态模型:
设X=(x1,x2,…,xn)T是降维后的数据样本的集合,xi=(xi1,xi2,…,xim)(i=1,2,…,n),m为选取的m个主特征量;通过模糊聚类将该集合分成c类,记F=(F1,F2,…Fc)T,其中聚类数c通过模糊有效性指标Xie-Beni确定;如公式(2),逐个代入聚类数计算Vxb的值,取Vxb为最小值时对应的聚类数为最佳聚类数:
其中,uij为xj到Fi的隶属度,vi为Fi类的聚类中心;
确定最佳聚类数的同时,初始化设置聚类中心矩阵V0,设置迭代阈值ε为系统默认值,设置迭代计数器的值b=0,然后进行模糊聚类计算;U为隶属度矩阵,表示为U(X)=[uij]c×n,uij为xj到Fi的隶属度;V为聚类中心矩阵,聚类为不断最小化目标化函数,不断进行迭代的过程,如公式(3):
其中m为加权指数;迭代过程中,通过式(4)、(5)更新样本的隶属度矩阵U和聚类中心矩阵V;用所得到的U和V代入公式(3)中的目标函数J,判断J的值是否小于阈值ε或者与上一次目标函数值的差值是否小于阈值ε,如果满足上述条件之一则停止迭代,否则返回公式(4)和公式(5)重新更新样本的隶属度矩阵U和聚类中心矩阵V;
采用模糊聚类分析划分典型模态,实质上是将具有相似谐波危害特征的时段聚类在同一模态,构成以下模态模型:
其中,nc表示各模态样本的个数;
所述步骤S3的具体内容如下:
步骤S31:针对每类模态中n个时段m次谐波评价指标构成的n×m数据矩阵,编出各次谐波对各个时段的秩,运用非整次秩和比法将定量的指标值转换为半定量的秩次,所编的秩次除了最大指标值和最小指标值为整数外,其余为非整数,公式如下:
其中,R为秩次,R=(Rij)n×m,n为样本数,X为原始指标值,Xmin、Xmax分别为最小原始指标值和最大原始指标值;
步骤S32:提出评估用户谐波污染危害的加权秩和比指标WRSR,计算每类模态的加权秩和比WRSR,公式如下:
其中,Wj为第j个指标的权重系数,表现典型模态中各次谐波指标对污染危害的程度不同,∑Wj=1,公式计算如式(9)、(10)、(11):
步骤S33:然后计算概率单位,确定WRSR频率分布表,列出各组频数f,计算各组累计频数∑f;确定各组WRSR秩次范围R和平均秩次A,计算累计频率P=A*R/n;将百分率P转换为概率单位Probit,Probit为百分率P对应的标准正态离差u加5,按照查询百分数与概率单位对照表,最后向下的累计频率按照1-1/4×n估计;
步骤S34:计算用户谐波污染危害分布直线回归方程,以累计频率所对应的概率单位Probit为自变量,以WRSR值为因变量,计算直线回归方程,即WRSR=a+b×Probit,a、b为计算得到的常系数;
步骤S35:将多日用户谐波危害情况分档排序:依据各分档情况下概率单位Probit值,按照回归方程推算所对应WRSR估计值,然后根据常用的分档数对应的百分位数及概率单位表,对评价对象分档排序,实现谐波用户污染危害分级。
2.根据权利要求1所述的采用秩和比综合评价的谐波污染用户分级方法,其特征在于:所述加权指数的取值范围为1.5~2.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710435870.5A CN107220907B (zh) | 2017-06-10 | 2017-06-10 | 一种采用秩和比综合评价的谐波污染用户分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710435870.5A CN107220907B (zh) | 2017-06-10 | 2017-06-10 | 一种采用秩和比综合评价的谐波污染用户分级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220907A CN107220907A (zh) | 2017-09-29 |
CN107220907B true CN107220907B (zh) | 2020-07-07 |
Family
ID=59947466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710435870.5A Active CN107220907B (zh) | 2017-06-10 | 2017-06-10 | 一种采用秩和比综合评价的谐波污染用户分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220907B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472195B (zh) * | 2019-08-15 | 2023-04-18 | 国网福建省电力有限公司莆田供电公司 | 一种基于区间监测数据的用户谐波危害预警评估方法 |
CN111652421A (zh) * | 2020-05-26 | 2020-09-11 | 广东电网有限责任公司东莞供电局 | 基于主成分分析和模糊分类的验电评估方法和装置 |
CN112085414A (zh) * | 2020-09-22 | 2020-12-15 | 厦门理工学院 | 一种谐波污染程度评估方法、终端设备及存储介质 |
CN113743744B (zh) * | 2021-08-13 | 2024-02-23 | 红云红河烟草(集团)有限责任公司 | 一种卷烟制造过程质量微变化自动识别和预警方法 |
CN116384776B (zh) * | 2023-06-02 | 2023-08-01 | 北京建工环境修复股份有限公司 | 基于模糊评价的场地污染评估方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103778341A (zh) * | 2014-01-27 | 2014-05-07 | 福州大学 | 一种谐波污染用户的概率潮流评估方法 |
EP2741092A1 (en) * | 2012-12-10 | 2014-06-11 | Itron France | Estimating an electricity supply's fundamental frequency |
CN106485089A (zh) * | 2016-10-21 | 2017-03-08 | 福州大学 | 谐波用户典型工况的区间参数获取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954450A (zh) * | 2014-05-19 | 2014-07-30 | 重庆交通大学 | 基于主成分分析的轴承寿命退化性能评估指标构建方法 |
CN104698837B (zh) * | 2014-12-11 | 2017-10-20 | 华侨大学 | 一种时变线性结构工作模态参数识别方法、装置及应用 |
CN106326530A (zh) * | 2016-08-10 | 2017-01-11 | 北京理工大学 | 一种基于右矩阵分式模型的时变结构模态参数辨识方法 |
-
2017
- 2017-06-10 CN CN201710435870.5A patent/CN107220907B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2741092A1 (en) * | 2012-12-10 | 2014-06-11 | Itron France | Estimating an electricity supply's fundamental frequency |
CN103778341A (zh) * | 2014-01-27 | 2014-05-07 | 福州大学 | 一种谐波污染用户的概率潮流评估方法 |
CN106485089A (zh) * | 2016-10-21 | 2017-03-08 | 福州大学 | 谐波用户典型工况的区间参数获取方法 |
Non-Patent Citations (2)
Title |
---|
谐波污染用户建模及危害评估;蒋东东;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20161215(第12期);C042-135:第5-62页 * |
面向海量历史监测数据的谐波污染用户统计建模方法;邵振国;《电力自动化设备》;20160831;第36卷(第8期);第110-114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107220907A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220907B (zh) | 一种采用秩和比综合评价的谐波污染用户分级方法 | |
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
Jiang et al. | Wavelet based feature extraction and multiple classifiers for electricity fraud detection | |
ElNozahy et al. | A probabilistic load modelling approach using clustering algorithms | |
CN107436963B (zh) | 一种基于Copula函数多元退化的O型橡胶密封圈寿命预测方法 | |
CN109472003A (zh) | 一种应用于成本分析的多元线性回归算法 | |
Ni et al. | A hybrid method for short-term sensor data forecasting in internet of things | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
Pappenberger et al. | Functional classification and evaluation of hydrographs based on multicomponent mapping (Mx) | |
Groß et al. | Comparison of stochastic load profile modeling approaches for low voltage residential consumers | |
Mishra et al. | Rainfall-runoff modeling using clustering and regression analysis for the river brahmaputra basin | |
Zounemat-Kermani | Investigating chaos and nonlinear forecasting in short term and mid-term river discharge | |
CN104408525B (zh) | 作业车间调度风险的量化评估与控制方法 | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN115421216A (zh) | 一种基于stl-arima-nar混合模型的中长期月降雨预报方法 | |
CN114004162A (zh) | 一种多工况场景下的冶炼负荷谐波发射水平的建模方法 | |
CN114595721A (zh) | 一种基于路况识别的车辆零部件应变载荷预测方法 | |
CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
Abaurrea et al. | Drought analysis based on a cluster Poisson model: distribution of the most severe drought | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
Ganjavi et al. | A study on probability of distribution loads based on expectation maximization algorithm | |
Rizvi et al. | Real-time zip load parameter tracking using sensitivity-based adaptive window and variable elimination with realistic synchrophasor data |
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 |