CN107800140A - 一种考虑负荷特征的大用户供电接入决策方法 - Google Patents
一种考虑负荷特征的大用户供电接入决策方法 Download PDFInfo
- Publication number
- CN107800140A CN107800140A CN201710971229.3A CN201710971229A CN107800140A CN 107800140 A CN107800140 A CN 107800140A CN 201710971229 A CN201710971229 A CN 201710971229A CN 107800140 A CN107800140 A CN 107800140A
- Authority
- CN
- China
- Prior art keywords
- load
- large user
- mrow
- msub
- power
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000005611 electricity Effects 0.000 claims abstract description 48
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000003909 pattern recognition Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 240000002853 Nelumbo nucifera Species 0.000 claims description 4
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims description 4
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 238000013138 pruning Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 208000019300 CLIPPERS Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 208000021930 chronic lymphocytic inflammation with pontine perivascular enhancement responsive to steroids Diseases 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
-
- H02J3/005—
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
- Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
- Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
- Y04S20/20—End-user application control systems
- Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于负荷特征库的大用户供电接入决策方法，包括：根据大用户的报装时提供的用电设备信息，定义大用户的报装参数；利用已接入大用户历史用电数据，在归一化的基础上，形成可供挖掘的负荷样本数据；对于负荷样本数据通过模糊C均值聚类算法将样本数据聚类为L簇，聚类中心即为大用户负荷特征库，并基于最大隶属度原则确定样本数据的所属类别；根据大用户所能提供的报装参数定义负荷特性指标，并按负荷特性指标处理负荷样本数据形成训练数据集；利用训练数据集，通过分类回归树算法CART挖掘大用户负荷模式识别规则；将负荷识别结果输入大用户供电接入组合优化模型，通过寻优得出供电接入优化策略。
Description
技术领域
本发明属于电力系统规划领域，涉及到供电接入方案的制定以及负荷分类以及新接入用户负荷模式识别。
背景技术
随着国民经济的快速发展，大用户用电量日益增长，为不同类型大用户负荷提供经济可靠的供电路径，是当前电网企业面临的重要工作任务。业扩报装作为大用户优化接入电网的核心环节，其内容是电网企业受理新装用电及增容用电申请，根据电网的供电能力制定供电接入方案，将有新装用电需要的用户接电入网[1]。
业扩报装是电网企业的窗口，供电接入方案的制定会影响其服务质量和电力资产利用率，其主要工作是确定负荷接入系统的供电点以及供电路径。文献[2]提出一种基于Kruskal和Floyd算法配电网新增负荷的接入方法，考虑系统的无功配置情况优化负荷接入；文献[3]考虑不同用户的负荷分级、负荷特性、用户性质分类，基于负荷特征指标分析来确定相应的负荷接入方式；文献[4]考虑负荷类型和用电年限对报装实用系数的影响，对用户可能达到的最大负荷进行重新估算，使用户供电接入方案的制定更加合理；文献[5]通过调整负荷在主变和馈线间的分配消纳新增负荷，从而达到利用已有网络消纳新增负荷的目的；文献[6]在预测城市居民小区负荷基础上提出一种确定居民小区接入系统标准的方法。
上述供电接入方案的制定往往基于用户装接容量，同时率，负荷密度等特征参数信息来确定最终的供电接入方案，较少精细地考虑负荷的时域分布特征。该信息的缺失极易导致负荷峰值在某一时段内分布较为集中的负荷在同一供电点集中接入，出现负荷峰谷差不断增大、在高峰负荷时段易触及供配电设施传输容量极限、供配电设施利用率低下、容量浪费、经济性差等一系列问题。而在以往的业扩报装业务中，大用户提供的信息局限于行业类型，用电设备清单，导致电力企业无法进一步掌握大用户负荷时域分布特征。应当充分挖掘大用户提供的行业类型，用电设备清单，通过负荷模式识别技术预测新接入大用户的负荷时域分布特征，以期实现提高现有供配电设施的利用率，提升供配电设施利用率，降低配电网建设成本的目的。
参考文献
[1]卢明珠,王熙照,霍建兵.业扩报装空间辅助决策支持系统的设计与实现[J].电力系统自动化，2006，30(17)：84-88.LU Mingzhu,WANG Xizhao,HUO Jianbing.Designand Implementation of Spatial Assistant Dceision Support System for PowerBusiness Expansion[J]Automation of Electric Power Systems,2006,30(17):84-88.
[2]王建元，鞠默欣，鞠默然.基于Kruskal和Floyd算法的馈线新增负荷接入方法[J].华东电力,2014,42(6):1154-1157.WANG Jianyuan,JU Moxin,JU Moran.New LoadAccess Method to Feeder Based on Kruskal and Floyd Algorithm[J]East ChinaElectric Power,2014,42(6):1154-1157.
[3]吴丽红,秦洪伟.配电网专用用户协调接入方案研究[J].陕西电力,2014,42(04):24-28.WU Lihong,QIN Hongwei.Study on Coordinate Access Solutions ofDistribution Network Private Users[J]SHAANXI Electric power,2014,42(04):24-28.
[4]戎荣,黄伟.考虑分布式光伏接入的大用户供电方案设计方法[J].广东电力,2015,(04):36-40.RONG Rong,HUANG Wei.Design Method of Power Supply Scheme forLarge Users Considering Distributed Photovoltaic Access[J]GuangDong ElectricPower,2015,(04):36-40.
肖峻，张婷，张跃，等.基于最大供电能力的配电网规划理念与方法[J].中国电机工程学报2013,33(10)：106-113.XIAO Jun,ZHANG Ting,ZHANG Yue,et al.TSC basedplanning idea and method for distribution networks[J].Proceedings of theCSEE,2013,33(10)：106-113.
[5]陈恩泽,张洁琼,刘刚.城市居民小区负荷预测方法与接入系统标准[J].电力系统及其自动化学报,2016,S1:25-30.CHEN Enze,ZHANG Jieqiong,LIU Gang.LoadForecasting Method and Access Standard for Urban Communities[J]Proceedings ofthe CSU-EPSA,2016,S1:25-30.
发明内容
本发明的目的是辨识接入大用户负荷的时域分布特征，利用负荷需求的时间分布互补性，将峰谷互补的大用户组合接入到特定供电点，实现供配电设施的高效利用。采用本发明的方法可通过接入供电点负荷的优化组合提升供配电设施利用率，降低配电网建设成本，挖掘配电网对负荷的承载能力。技术方案如下：
一种基于负荷特征库的大用户供电接入决策方法，包括下列步骤：
步骤一：根据大用户的报装时提供的用电设备信息，定义大用户的报装参数如下：
1)设备类参数：依据大用户主要用电设备组成估计大用户日用电峰值Pmax和日用电基荷Pmin；
2)能量类参数：依据用电需求估算大用户全天用电量Q，除以24得到日平均功率Pav；
3)功率类参数：依据经济生产计划估算峰期用电量Qpeak、谷期用电量Qsh、平期用电量Qval，并除以相应峰谷平期时间长度得出峰期平均功率Pav.peak、平期平均功率Pav.sh、谷期平均功率Pav.val；
步骤二：利用已接入大用户历史用电数据，在归一化的基础上，形成了可供挖掘的负荷样本数据，大用户历史用电数据U表示为：
U＝[U1,U2,U3...Ui...UN]T (1)
式中，N表示历史用电数据的条目数；Ui为第i条历史用电数据；第i条历史用电数据归一化过程可表示为：
Ui＝Ui/max(Ui) (2)
步骤三、对于负荷样本数据通过模糊C均值聚类算法将样本数据聚类为L簇，聚类中心即为大用户负荷特征库，并基于最大隶属度原则确定样本数据的所属类别，方法如下：
通过模糊C均值聚类算法获取的大用户负荷特征库X及隶属度矩阵V，负荷特征库表示为：
X＝[X1,X2,...Xk,...XL]T (3)
其中X中每一行元素Xk代表一类用电模式；隶属度矩阵V中的每一个元素Vi.k代表了历史用电数据Ui对于典型用电模式Xk的隶属度，按照最大隶属度原则确定样本数据的归属负荷模式，若某样本数据Ui属于负荷模式Xk，则其隶属度需满足：
Vi,k＝max{Vi,1,Vi,2,…,Vi,k,…,Vi,L} (4)
步骤四、根据大用户所能提供的报装参数定义负荷特性指标如表1，并按负荷特性指标处理负荷样本数据形成训练数据集，样本数据集按表1计算样本的负荷特性指标形成输入变量，按式(4)确定样本所属负荷模式形成输出变量，进一步组合为“输入-输出”数据对作为训练数据集；
表1负荷特性指标
步骤五、利用训练数据集，通过分类回归树算法CART挖掘大用户负荷模式识别规则；
步骤六、电力企业结合大用户的报装参数，利用CART挖掘出的一系列大用户识别规则，在既有负荷特征库中匹配相应的负荷模式，负荷模式识别结果用于模拟新接入用户的电力需求，并作为优化模型的输入，设当前有n个大用户等待接入配电网中，若第i个大用户负荷模式识别结果为负荷特征库中第j类负荷模式，则第i个新接入大用户电力需求估计为：
Ai＝Xj·Pi.max (5)
式中Pi.max为大用户i日用电峰值；
步骤七、电力企业将负荷识别结果输入大用户供电接入组合优化模型，通过寻优得出供电接入优化策略，设当前区域内可供选择的供电点有M个，则第k，2≤k≤M，个供电点日负荷曲线表示为：
Lk＝[xk，1,xk，2,......,xk，24] (6)
负荷均衡指标LBI用于描述供电点负荷曲线平缓程度，第k个供电点的负荷均衡指标表示为：
优化模型目标在于提高供电点负荷曲线的平缓程度，缩小负荷曲线的峰谷差，因此优化模型目标函数可表示为：
式中表示第k个供电点的平均负荷,优化模型的决策变量为大用户i是否接入供电点k，为典型的“0-1”变量：
假设第k个供电点初始负荷为lk，则接入新大用户后，供电点负荷可以表示为：
式中，2≤k≤M；Lk代表接入后供电点k的负荷，注意此时第k个供电点负荷曲线仍可用式(6)表示,第k个供电点的有功传输容量上限为Pk.Nmax，则要求接入供电点负荷要满足的约束条件为：
max(Lk)≤Pk.Nmax (11)
式(6)、(7)-(11)构成了供电接入组合优化模型，采用智能算法进行寻优，寻优结果即为大用户供电接入优化策略。
本发明的有益效果如下：
1.本发明充分挖掘大用户提供的行业类型，用电设备清单信息，通过负荷模式识别技术辨识新接入大用户的负荷时域分布特征。
2.优化模型通过粒子群优化算法求解优化模型，有效降低了供配电设施的负荷峰谷差率，提高了供配电设施的日负荷率，达到了提升电力企业资产利用率的目的
附图说明
图1：方法整体框架。
图2：大用户典型负荷特征库的生成过程。
图3：原供电接入方案。
图4：负荷模式及大用户典型负荷特征库,(a)(b)(c)(d)(e)(f)(g)分别为负荷模式1至7，(h)为大用户典型负荷特征库。
图5：大用户负荷模式识别规则。
图6：优化前后馈线1的日负荷曲线对比图。
图7：优化前后馈线2的日负荷曲线对比图。
图8：负荷模式识别结果。
具体实施方式
本发明提出了一种数据驱动的大用户供电接入决策方法。首先利用历史用电数据，通过模糊C均值聚类提取既有用户的典型用电模式构成大用户典型负荷特征库；随后定义报装参数并基于决策树模型建立了新用户报装参数同既有典型用电模式之间的映射关系，进而以负荷特征库中对应的用电模式近似模拟新用户的用电行为；最后，提出基于大用户负荷特征的供电接入组合优化模型，确定最终的供电接入方案。所采用的技术方案为：
本发明的供电接入决策方法包括4大模块，分别为数据分析模块、负荷识别模块、用户报装模块及优化接入模块，其整体框架如图1所示：
1用户报装模块：为了利用数据资源指导制定供电接入方案，本发明定义一系列报装参数。大用户用电需求稳定性高，其经济生产活动将显著影响负荷的时域分布特征。在业扩报装时，需要大用户结合本单位的经济生产活动特点计算报装参数，作为负荷识别模块的输入。
2数据分析模块：数据分析模块利用已接入大用户历史用电数据，在去除坏数据，归一化等数据预处理的基础上，形成了可供挖掘的负荷样本数据。对于样本数据，一方面通过聚类分析构建大用户负荷特征库，并基于最大隶属度原则确定样本数据的所属类别；另一方面，根据用户所能提供的报装参数确定负荷特性指标，并按负荷特性指标处理样本数据形成训练数据集。进一步，通过决策树模型挖掘大用户负荷模式识别规则。
3负荷识别模块：电力企业结合新用户的报装参数，利用决策树模型挖掘出的一系列大用户识别规则，在既有负荷特征库中匹配相应的负荷模式。负荷模式识别结果用于模拟新接入用户的电力需求，并作为优化接入层的输入。
4优化接入模块：电力企业将负荷识别结果输入大用户供电接入组合优化模型，通过寻优得出供电接入优化策略。优化策略核心在于明晰负荷时域分布特征，在供电接入过程中将峰谷互补的大用户组合接入特定供电点，从而平缓供电点的负荷曲线。本发明采用负荷均衡指标(Load Balancing Index，LBI)描述供电点负荷曲线的平缓程度，大用户供电接入优化模型以LBI为优化目标，通过寻优确定供电接入中每个大用户接入的供电点，在满足配电网安全运行的同时求解最佳的接入方案。
本发明利用聚类分析技术将形态相似的负荷曲线聚类到一簇，从而提取该簇类心，用以表征对应的一类负荷模式。每个负荷模式代表一类用电行为相似的用电群体，多个负荷模式组成大用户典型负荷特征库，其过程如图2所示。
1配电网数据采集与监控系统(Supervisory Control And Data Acquisition,SCADA)可提供大用户的历史用电数据。由SCADA获取的大用户历史用电数据U表示为：
U＝[U1,U2,U3...Ui...UN]T (12)
Ui＝[ui,1,ui,2,...,ui,j,...ui,96] (13)
式中，N表示历史用电数据的条目数；Ui为第i条历史用电数据；ui,j表示第i条历史用电数据中第j时段负荷有功功率，一天共24个采样时段。对历史用电数据去除坏数据并归一化。第i条历史用电数据归一化过程可表示为：
Ui＝Ui/max(Ui) (14)
其中max表示最大值函数。
2历史用电数据经过数据预处理得到样本数据，利用模糊C均值聚类(Fuzzy C-Means，FCM)算法将样本数据聚类为L簇，假设初始聚类中心矩阵表示为：
X＝[X1,X2,...Xk,...XL]T (15)
则Ui属于第k个聚类中心的隶属度Vik需满足：
3当选择簇k中向量Ui与相应聚类中心Xk间的欧式距离作为日负荷曲线形态的相似度指标时，目标函数F可定义为：
4为使式(6)得到最小值，由拉格朗日变换可得：
5FCM算法通过迭代式(7)、(8)更新各聚类中心Xk和隶属度矩阵V，并计算相应目标函数。当目标函数变化量小于阈值时终止迭代，所得的聚类中心矩阵即为大用户典型负荷特征库，其中的每一个行向量Xk表示一个特定的负荷模式。
6按照最大隶属度原则确定样本数据的归属负荷模式，若某样本数据Ui属于负荷模式Xk，则其隶属度需满足：
Vi,k＝max{Vi,1,Vi,2,…,Vi,k,…,Vi,L} (20)
其中max表示最大值函数。通过FCM对日负荷曲线进行聚类分析获取用户典型用电行为，可用于估计大用户的电力需求特征。
7大用户负荷模式识别是制定大用户供电接入方案的关键。电力企业只有通过掌握新接入大用户的负荷模式，才能更加深刻利用大用户之间的峰谷互补性。为此，本发明提出基于决策树模型的负荷模式识别方法。以往的业扩报装业务中，大用户提供的信息局限于行业类型，用电设备清单等，导致电力企业无法进一步掌握大用户负荷时域分布特征。考虑到大用户用电稳定，其经济生产活动将显著影响用户负荷需求的时间分布，结合大用户的报装时提供的用电设备详细信息，本发明提出大用户的报装参数：
●设备类参数：依据大用户主要用电设备组成估计大用户日用电峰值Pmax和日用电基荷Pmin；
●能量类参数：依据用电需求估算大用户全天用电量Q，除以24得到日平均功率Pav；
●功率类参数：依据经济生产计划估算峰期用电量Qpeak、谷期用电量Qsh、平期用电量Qval，并除以相应峰谷平期时间长度得出峰期平均功率Pav.peak、平期平均功率Pav.sh、谷期平均功率Pav.val。
为了辅助电力企业实现负荷模式识别，大用户在报装时需要提供以上报装参数。
大用户的负荷随时间在不断发生变化，要描述和区分各种不同类型大用户负荷的特性，需使用负荷特性指标。负荷特性指标的选取，一方面要满足指标对大用户的区分与描述；另一方面要兼顾用户所能提供的信息。综合考虑两方面的因素，本发明定义的负荷特性指标如表1所示。
表1负荷特性指标
样本数据集按表1计算样本的负荷特性指标形成输入变量，按式(9)确定样本所属负荷模式形成输出变量，进一步组合为“输入-输出”数据对作为训练数据集。决策树模型是一种用于监督学习的层次模型，通过训练可以从无次序、无规则的训练数据集中推理出以决策树形式表示的大用户负荷模式识别规则。分类回归树(Classification AndRegression Tree，CART)是一种广泛使用的决策树模型，主要包括树生长、树剪枝和最优树选择三部分。
1.设决策树的当前节点为t，当前的训练数据集为S，由SN个样本组成，分属于L个负荷模式，若属于负荷模式Xi的样本个数为si，则表征当前节点的杂质度的基尼系数(Ginicoefficient,GINI)指数为：
式中p(Xi|t)＝si/SN表示负荷模式Xi在训练数据集S中的概率。
采用表1中某负荷特性指标ai将t分裂产生两子节点tR和tL，子节点GINI指数为GINI(tR)和GINI(tL)则本次分裂的杂质度削减量为：
Φ(t)＝GINI(t)-pRGINI(tR)-pLGINI(tL) (22)
式中，pL为t中样本被分到tL的概率，pR为t中样本被分到tR的概率。杂质削减量最大的负荷特性指标即可作为分裂属性。CART按式(10)、(11)不断生长直到所有的叶节点均满足最小的GINI指数即可得到最大树T0。
2.为了避免决策树过于庞大，需进行“剪枝”。综合考虑“剪枝”带来的误分类损失和决策树的复杂度，引入代价复杂度函数Rα(T)：
式中，R(T)为树的误分类损失，为树的节点数量，α是复杂度参数。将α从0增大至剪枝阈值即可进行剪枝，剪枝阈值为：
对最大树T0，令α从0增加，直至出现满足剪枝阈值的节点，则剪枝得子树T1；继续增大α，重复上述步骤，直至只有一个根节点，此时得到一系列子树T0，T1,…,Th。
3.获得子树序列后，可通过子树评估确定误分类损失尽量小、节点数尽量少的最优树。评估函数一般取子树的误分类损失：
式中，tN是样本数目，c(i|j)是将负荷模式j误分类为负荷模式i的代价，tNi,j为误分类样本数。通过交叉验证进行最优树的选择，利用独立于训练样本的测试样本计算误分类损失并选择最优树。所得最优树即为大用户负荷模式识别规则。
4.结合新接入用户的报装参数，大用户负荷模式识别规则可指导电力企业辨识新接入大用户的负荷模式。识别过程如下：电力企业根据用户的报装参数按表1计算新接入用户的负荷特性指标数值，并从决策树的根节点开始对比相应的负荷特性指标大小，并按照对比结果选择输出分支，重复上述过程直到到达叶节点，并将叶节点存放的负荷模式作为识别结果。
5.若当前有n个大用户等待接入配电网中，第i个用户负荷模式识别结果为负荷特征库中第j类负荷模式，则第i个新接入大用户电力需求估计为：
Ai＝Xj·Pi.max (26)
式中，j∈[1,L]，i∈[1,n]，Pi.max为大用户i日用电峰值。
6.供电点指的是用户受电装置接入供电网中的位置。对高压供电的用户，接引的高压线路即为该用户的供电点；对低压供电的用户，接引的配电变压器即为该用户的供电点。在满足可靠性的前提下，电力部门一般希望供电点利用率高、峰谷差小。反映到供电点日负荷曲线上，表现为供电点日负荷曲线波形平缓。设当前的供电接入方案可供选择的供电点有M个，则第k个供电点日负荷曲线可以表示为：
Lk＝[xk，1,xk，2,......,xk,24] (27)
式中，2≤k≤M。
7.LBI用于描述供电点负荷曲线平缓程度，表示为：
式中，表示第k个供电点的平均负荷。可见供电点的LBI越小，负荷曲线越平缓。
8.在负荷总量一定的条件下，提高供电点负荷曲线的平缓程度，首先，可以减少供配电设施所需要的容量，提高供电设施利用率，节省配电网的投资费用；其次，提高了负荷裕度及转供能力；最后，有效起到削峰填谷的作用，提高了配电网的可靠性。因此，优化策略以负荷均衡为目标，目标函数表示成：
9.在业扩报装工程实施前，确定接入供电点的负荷组合，从而影响供电设施负荷率的分布特征。而确定一个供电接入的方案，就相当于需要确定所有大用户接入供电点的组合。供电接入组合优化模型的决策变量可以表示为：
10.第k个供电点初始负荷为lk，则接入新大用户后，供电点负荷可以表示为：
11.注意此时第k个供电点负荷曲线仍可用式(16)表示，出于配电网安全性的考虑，还要求供电点日峰值负荷小于供电点额定传输容量。第k个供电点的传输容量上限为Pk.Nmax，则要求接入供电点负荷满足：
max(Lk)≤Pk.Nmax (32)
12.式(15)、(18)-(21)构成了供电接入组合优化模型，采用智能算法进行寻优，寻优结果即为大用户供电接入优化策略。
13.利用MATLAB软件编写算法程序,并与传统方法。以国网天津市电力公司某次供电接入方案为例，结合本发明给出一个供电优化方案。在该地区，有16户大用户等待接入地理位置临近的两条馈线(供电点)。电力公司综合考虑用户装接容量，同时率，负荷密度等因素制定的原供电方案称为传统方法。本发明称之为优化方法。传统方法制定的供电接入方案如图3所示，出于方案保密性省去大用户具体名称，对其进行编号，其中用户1到用户8接于馈线1，用户9到用户16接于馈线2。本发明通过选取806户大用户进行负荷模式提取，聚类数目L＝7，构建如图4所示负荷特征库。在负荷特征库的基础上利用训练数据集进行挖掘以建立决策树，最终构造如图5所示的决策树。根据图5可实现新接入大用户的负荷模式识别。例如，大用户1的报装参数如表2所示。计算得该大用户负荷特性指标集为(0.64、0.64、0.60、1.29、0.95、0.84)，电力企业即可依据大用户负荷识别规则，按图5虚线路径所示，将该用户识别为负荷模式1。以此类推，可实现现有或新增大用户负荷模式快速识别。对于本发明中的16户大用户，通过上述方法即可确定其负荷模式，作为供电接入组合优化模型的输入，负荷识别结果见图8。
表2大用户1报装参数表
Table 2User-supplied information
不含新接入大用户的馈线初始负荷数据可通过SCADA系统获得，如图6、7中点划线所示。馈线1、2型号为YJV22-8.7/15kV-3*25，线路有功传输容量上限都为1500kW。通过智能算法求解供电接入组合优化模型给出的一个优化策略如图8所示。按式(20)分别计算传统方法和优化方法下馈线日负荷曲线如图6、7所示，其中实线表示的是原有供电方案下的馈线日负荷曲线，虚线表示采用本文方法进行优化接入的馈线日负荷曲线图。由图6、7明显看出与传统方法对比，优化方法有效实现了削峰填谷，一方面，对比初始负荷，传统方法进一步加大了馈线负荷日峰谷差，供配电设施传输容量长时间闲置且容易触及安全运行边界；另一方面，采用优化方法的供电点负荷峰谷差率显著降低，日负荷率有效提高，达到了提升电力企业资产利用率的目的。依据表1计算馈线1、2优化前后的负荷特性指标如表3所示。以馈线2为例，采用优化方法后，与传统方法相比，馈线日负荷率提高了2.3％，日最小负荷率提高了6.06％，日峰谷差率降低了6.54％。大用户负荷优化组合使馈线日负荷曲线更加平缓。
表3馈线负荷特性指标计算结果
Table 3Load characteristics for large consumers
Claims (1)
1.一种基于负荷特征库的大用户供电接入决策方法，包括下列步骤：
步骤一：根据大用户的报装时提供的用电设备信息，定义大用户的报装参数如下：
1)设备类参数：依据大用户主要用电设备组成估计大用户日用电峰值Pmax和日用电基荷Pmin；
2)能量类参数：依据用电需求估算大用户全天用电量Q，除以24得到日平均功率Pav；
3)功率类参数：依据经济生产计划估算峰期用电量Qpeak、谷期用电量Qsh、平期用电量Qval，并除以相应峰谷平期时间长度得出峰期平均功率Pav.peak、平期平均功率Pav.sh、谷期平均功率Pav.val；
步骤二：利用已接入大用户历史用电数据，在归一化的基础上，形成可供挖掘的负荷样本数据，大用户历史用电数据U表示为：
U＝[U1,U2,U3...Ui...UN]T (1)
式中，N表示历史用电数据的条目数；Ui为第i条历史用电数据；第i条历史用电数据归一化过程可表示为：
Ui＝Ui/max(Ui) (2)
步骤三、对于负荷样本数据通过模糊C均值聚类算法将样本数据聚类为L簇，聚类中心即为大用户负荷特征库，并基于最大隶属度原则确定样本数据的所属类别，方法如下：
通过模糊C均值聚类算法获取的大用户负荷特征库X及隶属度矩阵V，负荷特征库表示为：
X＝[X1,X2,...Xk,...XL]T (3)
其中X中每一行元素Xk代表一类用电模式；隶属度矩阵V中的每一个元素Vi.k代表了历史用电数据Ui对于典型用电模式Xk的隶属度，按照最大隶属度原则确定样本数据的归属负荷模式，若某样本数据Ui属于负荷模式Xk，则其隶属度需满足：
Vi,k＝max{Vi,1,Vi,2,…,Vi,k,…,Vi,L} (4)
步骤四、根据大用户所能提供的报装参数定义负荷特性指标如表1，并按负荷特性指标处理负荷样本数据形成训练数据集，样本数据集按表1计算样本的负荷特性指标形成输入变量，按式(4)确定样本所属负荷模式形成输出变量，进一步组合为“输入-输出”数据对作为训练数据集；
表1负荷特性指标
步骤五、利用训练数据集，通过分类回归树算法CART挖掘大用户负荷模式识别规则；
步骤六、电力企业结合大用户的报装参数，利用CART挖掘出的一系列大用户识别规则，在既有负荷特征库中匹配相应的负荷模式，负荷模式识别结果用于模拟新接入用户的电力需求，并作为优化模型的输入，设当前有n个大用户等待接入配电网中，若第i个大用户负荷模式识别结果为负荷特征库中第j类负荷模式，则第i个新接入大用户电力需求估计为：
Ai＝Xj·Pi.max (5)
式中Pi.max为大用户i日用电峰值；
步骤七、电力企业将负荷识别结果输入大用户供电接入组合优化模型，通过寻优得出供电接入优化策略，设当前区域内可供选择的供电点有M个，则第k，2≤k≤M，个供电点日负荷曲线表示为：
Lk＝[xk，1,xk，2,......,xk，24] (6)
负荷均衡指标LBI用于描述供电点负荷曲线平缓程度，第k个供电点的负荷均衡指标表示为：
<mrow>
<msub>
<mi>LBI</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>24</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>24</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
优化模型目标在于提高供电点负荷曲线的平缓程度，缩小负荷曲线的峰谷差，因此优化模型目标函数可表示为：
<mrow>
<mtable>
<mtr>
<mtd>
<mi>min</mi>
</mtd>
<mtd>
<mrow>
<mi>L</mi>
<mi>B</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>24</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>24</mn>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中表示第k个供电点的平均负荷,优化模型的决策变量为大用户i是否接入供电点k，为典型的“0-1”变量：
假设第k个供电点初始负荷为lk，则接入新大用户后，供电点负荷可以表示为：
<mrow>
<msub>
<mi>L</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>A</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，2≤k≤M；Lk代表接入后供电点k的负荷，注意此时第k个供电点负荷曲线仍可用式(6)表示,第k个供电点的有功传输容量上限为Pk.Nmax，则要求接入供电点负荷要满足的约束条件为：
max(Lk)≤Pk.Nmax (11)
式(6)、(7)-(11)构成了供电接入组合优化模型，采用智能算法进行寻优，寻优结果即为大用户供电接入优化策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710971229.3A CN107800140B (zh) | 2017-10-18 | 2017-10-18 | 一种考虑负荷特征的大用户供电接入决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710971229.3A CN107800140B (zh) | 2017-10-18 | 2017-10-18 | 一种考虑负荷特征的大用户供电接入决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107800140A true CN107800140A (zh) | 2018-03-13 |
| CN107800140B CN107800140B (zh) | 2021-08-13 |
Family
ID=61533311
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710971229.3A Active CN107800140B (zh) | 2017-10-18 | 2017-10-18 | 一种考虑负荷特征的大用户供电接入决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107800140B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
| CN108920790A (zh) * | 2018-06-20 | 2018-11-30 | 国网上海市电力公司 | 一种基于历史数据的公共建筑用电模式识别模型建立方法 |
| CN109657884A (zh) * | 2019-02-15 | 2019-04-19 | 广东电网有限责任公司 | 电网供电优化方法、装置、设备和计算机可读存储介质 |
| CN109754129A (zh) * | 2019-02-21 | 2019-05-14 | 清华大学 | 电力负荷组团供电方案优化方法及优化装置 |
| CN109902868A (zh) * | 2019-02-25 | 2019-06-18 | 国网河南省电力公司电力科学研究院 | 一种基于负荷特性的大用户业扩辅助分析方法和装置 |
| CN110009123A (zh) * | 2018-12-30 | 2019-07-12 | 国网天津市电力公司电力科学研究院 | 一种考虑时序互补特性的配电台区源-荷协同接入方法 |
| CN110133364A (zh) * | 2019-04-24 | 2019-08-16 | 广东石油化工学院 | 一种负载开关事件检测的方法和装置 |
| CN110601195A (zh) * | 2019-10-18 | 2019-12-20 | 华润智慧能源有限公司 | 配电网用户电源接入方法、系统、服务器及存储介质 |
| CN110852621A (zh) * | 2019-11-12 | 2020-02-28 | 国网重庆市电力公司电力科学研究院 | 电力客户负荷特性分析及分类方法、装置及可读存储介质 |
| CN111082419A (zh) * | 2019-12-06 | 2020-04-28 | 国网河北省电力有限公司电力科学研究院 | 基于大数据技术的智能配电网用户接入方案管理方法及系统 |
| CN112491046A (zh) * | 2020-11-25 | 2021-03-12 | 国网湖北省电力有限公司咸宁供电公司 | 一种负载接入位置决策方法、装置、设备及存储介质 |
| CN113075448A (zh) * | 2021-03-23 | 2021-07-06 | 国网四川省电力公司营销服务中心 | 一种基于知识图谱的业扩计量装置的配置方法及系统 |
| CN113452018A (zh) * | 2021-06-29 | 2021-09-28 | 湖南大学 | 一种电力系统备用不足风险场景辨识方法 |
| CN114219155A (zh) * | 2021-12-17 | 2022-03-22 | 广东电网有限责任公司广州供电局 | 一种考虑分布式资源运行特性的配电网规划与运行方法 |
| CN116956075A (zh) * | 2023-09-18 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 电力用户侧类型自动识别方法、系统、设备及存储介质 |
| CN118194055A (zh) * | 2024-05-14 | 2024-06-14 | 国网江西省电力有限公司信息通信分公司 | 一种充电桩功率曲线匹配方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140074304A1 (en) * | 2012-09-13 | 2014-03-13 | Accenture Global Services Limited | Method, system and apparatus for load shaving of a power grid and a tangible computer readable medium |
| CN103869102A (zh) * | 2014-03-11 | 2014-06-18 | 广东电网公司电网规划研究中心 | 一种大区域电网负荷统计与分类方法 |
| CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
| CN105678314A (zh) * | 2015-10-15 | 2016-06-15 | 东南大学 | 一种基于模糊c聚类的典型需求侧用户筛选方法 |
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
-
2017
- 2017-10-18 CN CN201710971229.3A patent/CN107800140B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140074304A1 (en) * | 2012-09-13 | 2014-03-13 | Accenture Global Services Limited | Method, system and apparatus for load shaving of a power grid and a tangible computer readable medium |
| CN103869102A (zh) * | 2014-03-11 | 2014-06-18 | 广东电网公司电网规划研究中心 | 一种大区域电网负荷统计与分类方法 |
| CN104200275A (zh) * | 2014-06-24 | 2014-12-10 | 国家电网公司 | 基于用户行为特点的用电模式分类和控制方法 |
| CN105678314A (zh) * | 2015-10-15 | 2016-06-15 | 东南大学 | 一种基于模糊c聚类的典型需求侧用户筛选方法 |
| CN106485262A (zh) * | 2016-09-09 | 2017-03-08 | 国网山西省电力公司晋城供电公司 | 一种母线负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 彭勃等: "《结合负荷形态指标的电力负荷曲线两步聚类算法》", 《电力建设》 * |
| 赵腾等: "《采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法》", 《中国电机工程学报》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920790A (zh) * | 2018-06-20 | 2018-11-30 | 国网上海市电力公司 | 一种基于历史数据的公共建筑用电模式识别模型建立方法 |
| CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
| CN110009123A (zh) * | 2018-12-30 | 2019-07-12 | 国网天津市电力公司电力科学研究院 | 一种考虑时序互补特性的配电台区源-荷协同接入方法 |
| US11500341B2 (en) | 2018-12-30 | 2022-11-15 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Source-load cooperation access method for a power distribution region, terminal and storage medium |
| CN109657884A (zh) * | 2019-02-15 | 2019-04-19 | 广东电网有限责任公司 | 电网供电优化方法、装置、设备和计算机可读存储介质 |
| CN109754129A (zh) * | 2019-02-21 | 2019-05-14 | 清华大学 | 电力负荷组团供电方案优化方法及优化装置 |
| CN109902868A (zh) * | 2019-02-25 | 2019-06-18 | 国网河南省电力公司电力科学研究院 | 一种基于负荷特性的大用户业扩辅助分析方法和装置 |
| CN110133364B (zh) * | 2019-04-24 | 2021-07-09 | 广东石油化工学院 | 一种负载开关事件检测的方法和装置 |
| CN110133364A (zh) * | 2019-04-24 | 2019-08-16 | 广东石油化工学院 | 一种负载开关事件检测的方法和装置 |
| CN110601195A (zh) * | 2019-10-18 | 2019-12-20 | 华润智慧能源有限公司 | 配电网用户电源接入方法、系统、服务器及存储介质 |
| CN110601195B (zh) * | 2019-10-18 | 2023-05-09 | 华润智慧能源有限公司 | 配电网用户电源接入方法、系统、服务器及存储介质 |
| CN110852621A (zh) * | 2019-11-12 | 2020-02-28 | 国网重庆市电力公司电力科学研究院 | 电力客户负荷特性分析及分类方法、装置及可读存储介质 |
| CN111082419B (zh) * | 2019-12-06 | 2022-06-24 | 国网河北省电力有限公司电力科学研究院 | 基于大数据技术的智能配电网用户接入方案管理方法及系统 |
| CN111082419A (zh) * | 2019-12-06 | 2020-04-28 | 国网河北省电力有限公司电力科学研究院 | 基于大数据技术的智能配电网用户接入方案管理方法及系统 |
| CN112491046A (zh) * | 2020-11-25 | 2021-03-12 | 国网湖北省电力有限公司咸宁供电公司 | 一种负载接入位置决策方法、装置、设备及存储介质 |
| CN113075448A (zh) * | 2021-03-23 | 2021-07-06 | 国网四川省电力公司营销服务中心 | 一种基于知识图谱的业扩计量装置的配置方法及系统 |
| CN113075448B (zh) * | 2021-03-23 | 2024-08-23 | 国网四川省电力公司营销服务中心 | 一种基于知识图谱的业扩计量装置的配置方法及系统 |
| CN113452018A (zh) * | 2021-06-29 | 2021-09-28 | 湖南大学 | 一种电力系统备用不足风险场景辨识方法 |
| CN114219155A (zh) * | 2021-12-17 | 2022-03-22 | 广东电网有限责任公司广州供电局 | 一种考虑分布式资源运行特性的配电网规划与运行方法 |
| CN116956075A (zh) * | 2023-09-18 | 2023-10-27 | 国网山西省电力公司营销服务中心 | 电力用户侧类型自动识别方法、系统、设备及存储介质 |
| CN116956075B (zh) * | 2023-09-18 | 2024-01-12 | 国网山西省电力公司营销服务中心 | 电力用户侧类型自动识别方法、系统、设备及存储介质 |
| CN118194055A (zh) * | 2024-05-14 | 2024-06-14 | 国网江西省电力有限公司信息通信分公司 | 一种充电桩功率曲线匹配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107800140B (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107800140A (zh) | 一种考虑负荷特征的大用户供电接入决策方法 | |
| CN110009123A (zh) | 一种考虑时序互补特性的配电台区源-荷协同接入方法 | |
| Li et al. | A novel bi-level robust game model to optimize a regionally integrated energy system with large-scale centralized renewable-energy sources in Western China | |
| CN111262243B (zh) | 一种园区配电系统运行方式智能辨识以及优化方法 | |
| CN108242807B (zh) | 一种考虑多维安全约束的含光伏配电网重构方法 | |
| CN109978404A (zh) | 计及不确定性因素与场景削减的输电通道扩展规划方法 | |
| CN107612016A (zh) | 基于电压最大相关熵的配电网中分布式电源的规划方法 | |
| CN108306346A (zh) | 一种配电网无功补偿节能方法 | |
| CN111210068A (zh) | 一种基于集群划分的配电网扩展双层规划方法 | |
| CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
| Zhang et al. | Multi–objective cluster partition method for distribution network considering uncertainties of distributed generations and loads | |
| CN115293649A (zh) | 一种区配电网智能精细化降损方法 | |
| CN103886393A (zh) | 基于模拟投资效益分析及学习自动机的电网投资优化方法 | |
| CN113783179B (zh) | 一种电网负荷预测及优化方法 | |
| Li et al. | A gray rbf model improved by genetic algorithm for electrical power forecasting | |
| Liu et al. | Accurate investment evaluation model of power grid based on Improved Fuzzy Neural Inference | |
| Jianghong et al. | A method of evaluating 10kV distribution network line losses based on intelligent algorithm | |
| Yin | Energy Efficiency Evaluation Method for Township Power Users Based on OLAP Technology | |
| Wang et al. | Research on Double Layer Coordinated Optimization Planning of Distribution Network with Distributed Generation | |
| Asadpour | Planning of the distribution system operation through reconfiguration and optimal placement and sizing of distributed generation using chaotic particle swarm optimization algorithm | |
| CN114580657B (zh) | 一种基于关系深度强化学习的能量管控方法及系统 | |
| Tsegaye et al. | Optimal Generation Dispatch of Ethiopian Power System Using Hybrid Genetic Algorithm-Hopfield Neural Network | |
| Tian et al. | Intelligent Distribution Optimization of Distribution Network Based on Multi-objective Genetic Algorithm | |
| Yang | A Data Analytics Framework for Regional Voltage Control | |
| Xu et al. | Studying the Intelligent Power Distribution and Consumption of the Power Grid and its Cost Structure Using Big Data Analysis |
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 |