CN107908638A - 基于大数据挖掘配的电网运行效率评价方法及系统 - Google Patents
基于大数据挖掘配的电网运行效率评价方法及系统 Download PDFInfo
- Publication number
- CN107908638A CN107908638A CN201710883641.XA CN201710883641A CN107908638A CN 107908638 A CN107908638 A CN 107908638A CN 201710883641 A CN201710883641 A CN 201710883641A CN 107908638 A CN107908638 A CN 107908638A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- model
- somebody
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000009826 distribution Methods 0.000 claims abstract description 81
- 238000012417 linear regression Methods 0.000 claims abstract description 36
- 238000009499 grossing Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 230000001131 transforming effect Effects 0.000 claims description 24
- 239000002245 particle Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 230000006978 adaptation Effects 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000009413 insulation Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000003455 independent Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000001568 sexual effect Effects 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000009412 basement excavation Methods 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Fuzzy Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于大数据挖掘配的电网运行效率评价方法及系统,涉及配电网监测控制领域;其方法包括:采集配电网运行效率评价参数,并建立配电网运行效率评价参数数据库;构建至少包括多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和神经网络参数优化模型;利用所述多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和神经网络参数优化模型对配电网运行效率进行评价和/或预测。通过挖掘配网的相关性大数据,按照不同供电区域、功能区类型,分析配网设备及系统运行效率、协调性及设备均衡度,以及公用电网资产、用户专用资产效率,挖掘效率低的影响因素,形成对配网效率监测的高效工具,并具备一定的趋势预判及估算功能。
Description
技术领域
本发明涉及配电网监测控制领域,尤其是基于大数据挖掘配的电网运行效率评价方法及系统。
背景技术
作为电网的六大环节之一,配电网直接面向用户是保证供电质量、提高电网运行效率、立异用户服务的关头环节。所以配电网的建设关系到整个电网的稳定性以及用户的电能质量,尤其是国家大力发展智能电网后,配电网的建设就显得尤其重要了。如何保证配电网为地区经济社会发展和人民生活水平提高提供优质的电力供应,是配电网规划所面临的主要问题。
电力企业为达到实现节约型社会的目标,应努力开展节能降损工作,降低配电网电能的损失。之前,供电企业把工作重点放在了电力系统的安全性,可靠性,而忽视了经济效益。随着电力市场的逐步形成,配电网运行的经济性越来越重要,供电企业要提高竞争力,必须提高配电网运行的经济性。但由于历史条件的限制,我国电网未能统一规划,电网运行的经济效益较低,尤其是配电网的经济运行、线损计算与分析方面存在着很多不足。虽然经过电网建设与改造,配电网运行的经济性有了大幅度的提高,但依然存在电网损耗大、电压低、变电站布局不合理、供电半径过长等问题。另外,随着用电负荷的变化,当初规划的电网不一定适应当前负荷的发展状况。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于大数据挖掘配的电网运行效率评价方法及系统通过挖掘配网的相关性大数据,按照不同供电区域、功能区类型,分析配网设备及系统运行效率、协调性及设备均衡度,以及公用电网资产、用户专用资产效率,挖掘效率低的影响因素,以上述的挖掘结果,建立线性或者非线性回归模型,形成对配网效率监测的高效工具,并具备一定的趋势预判及估算功能。
本发明的目的是通过以下技术方案来实现的,基于大数据挖掘配的电网运行效率评价方法,具体至少包括如下步骤:
采集配电网运行效率评价参数,并建立配电网运行效率评价参数数据库;
构建至少包括多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和神经网络参数优化模型;
利用所述多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和神经网络参数优化模型对配电网运行效率进行评价和/或预测。
进一步的,所述配电网运行效率评价参数至少包括:运行水平参数和供电能力参数,所述运行水平参数至少包括综合指标参数、装备水平参数和/或设备运行状况参数;所述供电能力参数至少包括负载能力参数和/或转供能力参数。
进一步的,所述综合指标参数至少包括供电可靠率RS3、D类电压合格率、综合线损率和/或重复计划停电用户比例;所述装备水平参数至少包括运行超30年线路故障停电率、运行超20年配变故障停电率、运行超20年的开关故障停电率和/或线路绝缘化率;所述或设备运行状况参数至少包括架空线路故障停电率、电缆线路故障停电率、配变故障停电率、开关设备故障停电率、外力破坏的故障停电次数比例、线路轻载比例、配变轻载比例和/或理论线损偏高线路比例。
进一步的,所述多元线性回归模型,用以对配电网运行效率的预测具体包括:
若存在两个以上的自变量,假定被解释变量Y与多个解释变量X1,X2,…,Xk之间具有线性关系,是解释变量的多元线性函数,即元线性回归模型,具体表示为:
Y=β0+β1X1+β2X2+…+βkXk+ε
其中Y为被解释变量Xj(j=1,2,…,k)为k个解释变量,βj(j=0,1,2,…,k)为k+1个未知参数,ε为随机误差项,服从正态分布,满足:
E(ε)=0,Var(ε)=σ2。
对等式两边同时取期望,则被解释变量Y的期望值与解释变量X1,X2,…,Xk的多元总体线性回归方程,简称总体回归方程线性方程为:
E(Y|X)=β0+β1X1+β2X2+βkXk
若β0,β1,β2,…,βk的估计值为则:
为因变量Y对解释变量X1,X2,…,Xk的多元经验回归方程,其中为经验回归系数,通过β=(XTX)-1XTY计算得出。
进一步的,所述多元线性回归模型的构建还需在求出多元线性回归的经验方程后,对该方程的显著性进行T检验和/或F检验。
进一步的,所述指数平滑模型具体包括:
计算指数平滑值α;
配合预设时间序列预测模型对现象的未来进行预测。
进一步的,所述一阶/二阶自适应组合模型具体包括:
采用基于最小二乘法的方差倒数法选择最佳权重;
分别构造一阶自适应系数模型、二阶自适应系数模型和/或一阶/二阶自适应系数模型。
进一步的,所述一阶/二阶自适应组合模型,各单一模型所得预测误差的标准差为:
S1,S2,…,Sn
以及,方差倒数表示为:
且i=1,2,…,n
其中,D为第i个模型的误差平方和。
进一步的,所述神经网络参数优化具体为:
设搜索空间为D维,总粒子数为n,粒子i的信息可以用D维向量表示;
位置表示为:
Xi=(xi1,xi2,...,xil)T
速度表示为:
Vi=(vi1,vi2,...,vil)T
则速度和位置的更新方程分别为:
其中,w为惯性权重(inertia weight),vid k是粒子i在第k次迭代中第d维的速度;c1,c2是加速系数,rand1()和rand2()为两个在[0,l]范围内变化的随机函数,是粒子i在第k次迭代中第d维的当前位置;pbestid是粒子i在第d维个体极值点的位置。
基于大数据挖掘配的电网运行效率评价系统,至少包括数据获取模块、数据输入模块、处理模块和/或存储模块;
所述数据获取模块用于获取权利要求2-3所述配电网运行效率评价参数;
所述数据输入模块将数据获取模块获取的配电网运行效率评价参数数据输入至处理模块;
所述处理模块用于构建至少包括多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和/或神经网络参数优化模型,并利用所述元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和/或神经网络参数优化模型实现对配电网运行效率进行评价和/或预测;
所述存储模块用于对系统数据的存储。
本发明的有益效果是:本发明通过挖掘配网的相关性大数据,按照不同供电区域、功能区类型,分析配网设备及系统运行效率、协调性及设备均衡度,以及公用电网资产、用户专用资产效率,挖掘效率低的影响因素,以上述的挖掘结果,建立线性或者非线性回归模型,形成对配网效率监测的高效工具,并具备一定的趋势预判及估算功能。
附图说明
图1为基于大数据挖掘配的电网运行效率评价方法一个实施例的流程图;
图2为二阶自适应预测法一个实施例的流程图;
图3为基于大数据挖掘配的电网运行效率评价系统一个实施例的框图。
具体实施方式
下面将详细描述本发明的具体实施例,应当注意,这里描述的实施例只用于举例说明,并不用于限制本发明。在以下描述中,为了提供对本发明的透彻理解,阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本发明。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。
采集配电网运行效率评价参数,所述配电网运行效率评价参数至少包括:运行水平参数和供电能力参数,所述运行水平参数至少包括综合指标参数、装备水平参数和/或设备运行状况参数;所述供电能力参数至少包括负载能力参数和/或转供能力参数。
本实施例中,所述综合指标参数以此重点考核评估地区电网综合运营情况,至少包括供电可靠率RS3、电压合格率和/或线损率等具体为:
供电可靠率RS3由于本体系重点评估配电网的可靠性,不考虑由于系统电源不足而引起的限电,因此在综合反映供电可靠性的指标中,采用供电可靠率RS3指标。本配电网运行效率评价参数的可利用比如利用(申请号201310740026.5)方法及装置得到供电可靠率或者利用其他现有或者公知技术获得。
D类电压合格率本指标定义参见国家电网公司《电力系统电压质量和无功电力管理规定》,为直接反映电网用户电压合格率情况,本指标釆用D类电压合格率进行评估。
综合线损率也称为统计线损率,是线损电量与供电量的比值,反映线路传输损耗,可通过供电量与售电量的差值获得。
重复计划停电用户比例,用于评估供电企业重复计划停电管理水平,是反映电网运行水平的重要方面。本指标为重复计划停电2次及以上用户数除以用户总数。
本实施例中,所述装备水平参数,用来重点考核评估样本地区电网装备水平与电网发展的适应性,所述装备水平参数至少包括运行超30年线路故障停电率、运行超20年配变故障停电率、运行超20年的开关故障停电率和/或线路绝缘化率,其具体为:
运行超30年线路故障停电率,是用来反映评估区域老旧的线路情况,重点关注老旧线路中故障率较高线路。考虑在单条线路中,不同线段的实际运行年限可能不同,因此本指标按线路的长度进行统计。在统计时,只对运行年限超过30年的线段的长度进行统计相加。具体公式为:运行超过30年的线路故障停电次数/运行超过30年的线路总长×100。
运行超20年配变故障停电率是用来反映评估区域老旧的配变情况。主要是依据配变订货技术条件中配变寿命期在20年及以上的要求。运行超过20年的配变,其运行的经济性、安全性和能效指标均有所下降,应重点关注其中故障率较髙配变。具体公式为:运行超过20年的配变故障停电次数/运行超过20年的配变总台数×100。
运行超20年的开关故障停电率是用来反映评估区域老旧的开关情况。依据开关的机械寿命和电气寿命,运行超过20年的开关,其运行的可靠性、安全性指标均有所下降,应重点关注其中故障率较高开关。具体公式为:运行超过20年的开关故障停电次数/运行超过20年的开关总台数×100。
线路绝缘化率,所述的线路即指配电线路中的架空线路和电缆线路,所述线路绝缘化率计算方式为:架空绝缘导线和电缆的长度之和除以线路总长度。
本实施例中,所述设备运行状况参数至少包括:架空线路故障停电率、电缆线路故障停电率、配变故障停电率、开关设备故障停电率、外力破坏的故障停电次数比例、线路轻载比例、配变轻载比例和/或理论线损偏高线路比例,具体为:
架空线路故障停电率(次/百公里·年):参照《供电系统用户供电可靠性评价规程》有关术语定义。
电缆线路故障停电率(次/百公里·年):参照《供电系统用户供电可靠性评价规程》有关术语定义。
配变故障停电率(次/百公里·年):参照《供电系统用户供电可靠性评价规程》有关术语定义。
开关设备故障停电率(次/百公里·年):参照《供电系统用户供电可靠性评价规程》有关术语定义。
外力破坏的故障停电次数比例(%):所述外力破坏的故障停电次数比例重点考察电网设备故障停电原因中由外力破坏造成的比例。防外力破坏工作是电网提高供电可靠性的重要手段,是反映供电企业运行、管理水平的重要方面。
线路轻载比例(%):所述线路轻载比例重点反映设备利用率情况。
配变轻载比例(%):所述配变轻载比例是考察配变运行状况。配变基础数据一般取自配变信息采集终端,考虑到目前配变信息釆集率不高,根据实际条件,可选取最大负荷日的配变负载率作为单台配变年最大负载率。
理论线损偏高线路比例(%):所述理论线损偏高线路比例为理论线损偏高线路的条数之和除以线路总条数,理论线损偏高线路指理论线损高于限值的线路。
本实施例供电能力参数至少包括负载能力参数和/或转供能力参数,所述负载能力参数是指外接器件后,输出的电压或电流大小不受影响的能力;所述转供能力参数具体体现为某一供电区域内,当电网元件或变电站停运时,电网转移负荷的能力,一般量化为可转移的负荷占区域总负荷的比例。
根据上述配电网运行效率评价参数,本领域技术人员能够明了配电网属于多重属性并且总体优劣程度受相关因素影响的大型复杂系统。对于这种系统来说,全面、综合而又科学的考虑这些属性或因素,是进行总体性评价的前提条件。在评估过程中,考虑不同的理论和方法从不同的侧重点出发,以各自科学有效的处理方式,以便确定各配电网运行效率评价参数及其关系,从而建立综合评价指标体系。
如图1所示,主成分分析法被广泛地运用于海量的高维和高频数据分析领域,数据处理具体包括清洗修正、特征提取、关联分析、挖掘预测个步骤,分别实现查找并修正错误数据,分析不同类型数据的特征,找出不同数据特征之间的相关性,通过主成分分析方法降维并建立线性或者非线性回归模型,对电网运行效率评价参数未来的数据进行预测,而根据过去和现在的电网运行效率评价参数分析中对未来进行分析和预测正是大数据理念的体现,形成对配网效率监测的高效工具,并具备一定的趋势预判及估算功能,利用主成分分析对现有的配电网运行效率评价参数进行筛选,通过线性回归模型对筛选后的指标进行评价分析,指导当前配电网运行工作顺利进行。
再如,利用指数平滑法是生产预测中常用的一种方法将其运用到电网运行效率评价参数分析中。也用于中短期经济发展趋势预测,所有预测方法中,一次指数平滑法平滑是用得最多的一种。简单的全期平均法是对时间数列的过去数据一个不漏地全部加以同等利用;移动平均法则不考虑较远期的数据,并在加权移动平均法中给予近期资料更大的权重;而指数平滑法则兼容了全期平均和移动平均所长,不舍弃过去的数据,但是仅给予逐渐减弱的影响程度,即随着数据的远离,赋予逐渐收敛为零的权数。
它是通过计算指数平滑值,配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。
利用指数平滑法预测下年度各月业扩新增容量及分行业用户容量平均利用率,进而预测下年度相关售电量。
Ft=a×Ft-1+a×(1-a)×Ft-2+a×(1-a)×Ft-3+…+a×(1-a)×F1
上式中,Ft是对下期的预测值;Ft-1、Ft-2、F1分别是第t-1、t-2、…、1期的实际值;a为平滑指数,取值范围是0<a<1。
取定参数α,0<α<1,初值s0=x1。
指数平滑序列st=αxt+(1-α)st-1,用t期的平滑值st代替的t+1期的预测值xt+1。故用平滑值代替预测值得到地推公式为:
xt+1=αtxt+(1-αt)xt-1
或者将其表示为:
xt+1=xt+α(xt-xt)
后者表明新预测xt+1通过调整前期预测xt得到,调整项与前期预测误差(et=xt-xt)成比例,比例系数为平滑常数α。
利用上述公式做预测时,需要解决两个问题:一个是确定初值x1,由前可知,当t较大或接近1时,初值x1=s0的权系数(1-α)t很小,因此x1的选取并不重要,一般取x1=s0=x1或者x1=s0=0。当数据较少且α偏小时,初值x1=s0的选取对预测值影响较大,可通过分析预测误差得到合适的初值。第二个问题是的α取值,若数据波动较大,为了在预测中反映这种波动,应当突出新数据xt或者强化误差修正项,需使用较大的α值。反之,则使用较小的α值。
另外,一阶自适应系数法是在一次指数平滑的进一步发展,在那里α的选取并非易事,随着数据的新变化,原来的α值可能不再适用。考虑根据情况变化,不断的修订α值,使预测效果更佳。这就是一阶自适应系数法的思想。
将α记为αt,递推式为:
xt+1=αtxt+(1-αt)xtxt+1=xt+αt(xt-xt)=xt+αtet
下面讨论αt的求法。在一个时期内,如果预测出现系统偏差(et均为正或均为负值),应调大αt。这是因为,当预测值xt相对偏小时,et=xt-x1>0,故应调大αt,使xt+1增大;当xt偏高,时,为把xt+1减小,也要把αt调大。预测系统偏差愈大,αt愈要增大,加强修正力度;若没有系统偏差,此时et值正负交替,|et|又不过大,则αt可维持不变
现另取一个常数β,0<β<1,对t时刻以前的预测误差eK(K=1,2,…,t)作指数加强权平均,即
Et=βet+β(1-β)et-1+…β(1-β)t-1e1
|Et|便能反映预测的系统偏差情况。上式中令t为t-1,有
Et-1=βet-1+β(1-β)et-2+…β(1-β)t-2e1
则通过上述可得:
Et=βet+(1-β)Et-1
即关于的递推计算公式。为了使0<αt<1,再令
Mt=β|et|+β(1-β)|et-1|+…β(1-β)t-1|e1|
同样有递推公式
Mt=β|et|+(1-β)Mt-1
取αt=|Et|/Mt即能满足要求。
类似于一阶自适应系数预测法,二阶自适应系数预测法是在二阶指数平滑的基础上,依据预测误差的变化情况,不断调整平滑系数,α记为αt。
二次指数平滑首先在一次指数平滑的基础上,计算二次指数平滑序列。
其中α为平滑参数,St表示平滑点的数据值。
如图2所示,二阶自适应预测法计算步骤如下:
(1)设定初值,取β=0.1或0.2,M0=E0=0,
(2)计算自适应系数αt
(3)采用下式作出预测
自t=1至t=T,循环执行第(2)、(3)两步,得到预测值T检验之后的预测由下式给出
根据上述一阶自适应系数预测法,二阶自适应系数预测法;组合模型预测法各种预测方法都有其适合的条件,有一定的假设基础,因此,有其自身的局限性.如时间序列法,要求时间序列是平稳的,以环境条件相似为假设的前提,从历史数据中观察出某种趋势.回归分析法假设预测值与影响因素之间存在因果关系.因此,组合多种预测方法,可以准确揭示事物变化发展的规律,有利于把握预测对象被未来因素的影响程度,有助于我们建立一种具备较高预测精度的预测模型.同时,组合多种预测方法可以减少因资料不足引起的问题.因为每一种预测方法都要对历史资料进行分析,而历史资料不足可能导致在具体应用某一预测方法时出现问题。采用多种预测方法组合模型弥补不足、互相补充,从而,得到比较理想的预测结果.
组合预测是提高预测精度的最佳方法之一,组合预测方法是对同一个问题,采用两种以上不同预测方法的预测。它既可是几种定量方法的组合,也可是几种定性的方法的组合,但实践中更多的则是利用定性方法与定量方法的组合。组合的主要目的是综合利用各种方法所提供的信息,尽可能地提高预测精度。
组合模型的预测精度主要取决于权系数的确定,有两种基本形式:一是等权组合,即各预测方法的预测值按相同的权数组合成新的预测值;二是不等权组合,即赋予不同预测方法的预测值的权数是不一样的。这两种形式的原理和运用方法完全相同,只是权数的取定上有所区别。根据已进行的预测结果,采用不等权组合的组合预测法结果较为准确。
在本实施例中标准差法,各单一模型所得预测误差的标准差为s1,s2,…,sn
方差倒数法
且i=1,2,…,n
其中,D为第i个模型的误差平方和。
在这里,拟采用基于最小二乘法的方差倒数法选择最佳权重,构造三组组合模型,分别是一次指数平滑-一阶自适应系数模型、一次指数平滑-二阶自适应系数模型和一阶自适应系数-二阶自适应系数模型,来进行预测。
本实施例中,神经网络参数优化另外再用人工智能的方法优化模型的参数α。粒子群优化算法是一类基于群智能的随机优化算法。该算法模拟鸟集群飞行觅食的行为,通过鸟之间的集体协作使群体达到目的。
设搜索空间为D维,总粒子数为n。粒子i的信息可以用D维向量表示,位置表示为Xi=(xi1,xi2,...,xil)T,速度为Vi=(vi1,vi2,...,vil)T,其他向量类似。则速度和位置更新方程为
其中,w为惯性权重(inertia weight),vid k是粒子i在第k次迭代中第d维的速度;c1,c2是加速系数(或称学习因子)。rand1()和rand2()为两个在[0,l]范围内变化的随机函数。是粒子i在第k次迭代中第d维的当前位置;pbestid是粒子i在第d维个体极值点的位置(即坐标)。
本实施例中利用回归分析中对电网运行效率评价参数进行分析预测具体为:如果有两个或两个以上的自变量,就称为多元回归。假定被解释变量Y与多个解释变量X1,X2,…,Xk之间具有线性关系,是解释变量的多元线性函数,称为多元线性回归模型,即:
Y=β0+β1X1+β2X2+…+βkXk+ε
也可以写成如下形式:
Y=f(X)+ε
其中Y为被解释变量,Xj(j=1,2,…,k)为k个解释变量,βj(j=0,1,2,…,k)为k+1个未知参数,ε为随机误差项,服从正态分布,满足E(ε)=0,Var(ε)=σ2。
对等式两边同时取期望,则被解释变量Y的期望值与解释变量X1,X2,…,Xk的线性方程为:
E(Y|X)=β0+β1X1+β2X2+βkXk
或者如下所示:
E(Y|X)=f(X)
称之为多元总体线性回归方程,简称总体回归方程。
设β0,β1,β2,…,βk的估计值为则称
为因变量Y对解释变量X1,X2,…,Xk的多元经验回归方程,其中为经验回归系数,可通过β=(XTX)-1XTY计算得出。
在一个实施例中,以甘肃省为例,影响甘肃省线损率的因素主要有35kV售电占比、10kV售电占比和最高负荷,给定的预测点为(X11,X12,…,X13),预测值由三元线性回归方程给出,即:
式中,X11:第一个35kV售电占比;
X12:第一个月10kV售电占比;
X13:第一个月最高负荷;
第一个月线损率;
根据35kV售电占比、10kV售电占比和最高负荷的历史数据,代入的系数计算公式中,得出的值。在预测模型中,根据月供电量、月最大负荷、月售电量的历史数据,得出X11、X12、X13的预测值。最后将X11、X12、X13的预测值代入中,最终可得第一个月线损率的预测值
此外,在实际问题研究中,无法事先判定因变量Y同多个解释变量X1,X2,…,Xk的之间是否确有线性关系。因此在求出多元线性回归的经验方程后,要对该方程的显著性进行F检验。
对多元线性回归,要分析解释变量Xi对因变量Y的影响是否显著,就需对其经验回归系数βi是否为0进行检验。回归系数βi=0时,说明解释变量Xi对因变量Y影响程度不显著,否则影响程度显著。因此,建立t检验用于检验回归系数的显著性。
多元线性回归方程的t检验是从每个回归系数角度出发检验其对因变Y的影响显著性,对多元回归方程显著性检验也可以从解释变量总体出发,检验所有解释变量X1,X2,…,Xk对因变量Y是否有显著影响,就要用到多元线性回归方程F检验。
样本决定系数R2来表示回归方程拟和的好坏。
其中,SSR为回归平方和,SST为离差平方和。R2越大表示回归方程同样本观测值的拟和程度越好。称R为变量X1,X2,…,Xk的样本复相关系数,它表示作为整体的X1,X2,…,Xk和Y的线性关系大小。
如图3所示,基于配电网运行效率评价的大数据挖掘系统100,至少包括数据获取模块101、数据输入模块104、处理模块102、存储模块105和结果呈现模块103;所述数据获取模块101、数据输入模块104、处理模块102、存储模块105和结果呈现模块103通过数据总线106通讯连接。
所述数据获取模块101用于获取配电网运行效率评价参数;
所述数据输入模块104将数据获取模块101获取的配电网运行效率评价参数数据输入至处理模块102;
所述处理模块102用于构建至少包括多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和/或神经网络参数优化模型,并利用所述元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和/或神经网络参数优化模型实现对配电网运行效率进行评价和/或预测;
所述存储模块105用于对系统数据的存储,所述数据至少包括采集的配电网运行效率评价参数数据(此处不再累述)、各所构建模型处理数据、反馈数据、外部控制命令和/或系统输出命令的存储备份。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于大数据挖掘配的电网运行效率评价方法,其特征在于:
采集配电网运行效率评价参数,并建立配电网运行效率评价参数数据库;
构建至少包括多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和神经网络参数优化模型;
利用所述多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和神经网络参数优化模型对配电网运行效率进行评价和/或预测。
2.根据权利要求1所述的基于大数据挖掘配的电网运行效率评价方法,其特征在于,所述配电网运行效率评价参数至少包括:运行水平参数和供电能力参数,所述运行水平参数至少包括综合指标参数、装备水平参数和/或设备运行状况参数;所述供电能力参数至少包括负载能力参数和/或转供能力参数。
3.根据权利要求2所述的基于大数据挖掘配的电网运行效率评价方法,其特征在于,所述综合指标参数至少包括供电可靠率RS3、D类电压合格率、综合线损率和/或重复计划停电用户比例;所述装备水平参数至少包括运行超30年线路故障停电率、运行超20年配变故障停电率、运行超20年的开关故障停电率和/或线路绝缘化率;所述或设备运行状况参数至少包括架空线路故障停电率、电缆线路故障停电率、配变故障停电率、开关设备故障停电率、外力破坏的故障停电次数比例、线路轻载比例、配变轻载比例和/或理论线损偏高线路比例。
4.根据权利要求1所述的基于大数据挖掘配的电网运行效率评价方法,其特征在于,所述多元线性回归模型,用以对配电网运行效率的预测具体包括:
若存在两个以上的自变量,假定被解释变量Y与多个解释变量X1,X2,…,Xk之间具有线性关系,是解释变量的多元线性函数,即元线性回归模型,具体表示为:
Y=β0+β1X1+β2X2+…+βkXk+ε
其中Y为被解释变量Xj(j=1,2,…,k)为k个解释变量,βj(j=0,1,2,…,k)为k+1个未知参数,ε为随机误差项,服从正态分布,满足:
E(ε)=0,Var(ε)=σ2;
对等式两边同时取期望,则被解释变量Y的期望值与解释变量X1,X2,…,Xk的多元总体线性回归方程,简称总体回归方程线性方程为:
E(Y|X)=β0+β1X1+β2X2+βkXk
若β0,β1,β2,…,βk的估计值为则:
<mrow>
<mover>
<mi>Y</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
</msub>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<mo>...</mo>
<mo>+</mo>
<msub>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>;</mo>
</mrow>
为因变量Y对解释变量X1,X2,…,Xk的多元经验回归方程,其中为经验回归系数,通过β=(XTX)-1XTY计算得出。
5.根据权利要求4所述的基于大数据挖掘配的电网运行效率评价方法,其特征在于,所述多元线性回归模型的构建还需在求出多元线性回归的经验方程后,对该方程的显著性进行T检验和/或F检验。
6.根据权利要求1所述的基于大数据挖掘配的电网运行效率评价方法,其特征在于,所述指数平滑模型具体包括:
计算指数平滑值α;
配合预设时间序列预测模型对现象的未来进行预测。
7.根据权利要求1所述的基于大数据挖掘配的电网运行效率评价方法,其特征在于,所述一阶/二阶自适应组合模型具体包括:
采用基于最小二乘法的方差倒数法选择最佳权重;
分别构造一阶自适应系数模型、二阶自适应系数模型和/或一阶/二阶自适应系数模型。
8.根据权利要求7所述的基于大数据挖掘配的电网运行效率评价方法,其特征在于,所述一阶/二阶自适应组合模型,各单一模型所得预测误差的标准差为:
s1,s2,…,sn
<mrow>
<mi>s</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>s</mi>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
</mrow>
<mi>s</mi>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
</mrow>
以及,方差倒数表示为:
且
其中,D为第i个模型的误差平方和。
9.根据权利要求1所述的基于大数据挖掘配的电网运行效率评价方法,其特征在于,所述神经网络参数优化具体为:
设搜索空间为D维,总粒子数为n,粒子i的信息可以用D维向量表示;
位置表示为:
Xi=(xi1,xi2,...,xil)T
速度表示为:
Vi=(vi1,vi2,...,vil)T
则速度和位置的更新方程分别为:
<mrow>
<msup>
<msub>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>=</mo>
<msup>
<msub>
<mi>wv</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mi>k</mi>
</msup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<msup>
<msub>
<mi>rand</mi>
<mn>1</mn>
</msub>
<mi>k</mi>
</msup>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>pbest</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mi>k</mi>
</msup>
<mo>-</mo>
<msup>
<msub>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
</msub>
<mi>k</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<msubsup>
<mi>rand</mi>
<mn>2</mn>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>gbest</mi>
<mi>d</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo>&le;</mo>
<mi>n</mi>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>d</mi>
<mo>&le;</mo>
<mi>D</mi>
</mrow>
其中,w为惯性权重(inertia weight),vid k是粒子i在第k次迭代中第d维的速度;c1,c2是加速系数,rand1()和rand2()为两个在[0,l]范围内变化的随机函数,是粒子i在第k次迭代中第d维的当前位置;pbestid是粒子i在第d维个体极值点的位置。
10.利用权利要求1-9任意一项所述的基于大数据挖掘配的电网运行效率评价系统,其特征在于,至少包括数据获取模块、数据输入模块、处理模块和/或存储模块,所述数据获取模块、数据输入模块、处理模块和/或存储模块通过数据总线通讯连接;
所述数据获取模块用于获取权利要求2-3所述配电网运行效率评价参数;
所述数据输入模块将数据获取模块获取的配电网运行效率评价参数数据输入至处理模块;
所述处理模块用于构建至少包括多元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和/或神经网络参数优化模型,并利用所述元线性回归模型、指数平滑模型、一阶/二阶自适应组合模型和/或神经网络参数优化模型实现对配电网运行效率进行评价和/或预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710883641.XA CN107908638A (zh) | 2017-09-26 | 2017-09-26 | 基于大数据挖掘配的电网运行效率评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710883641.XA CN107908638A (zh) | 2017-09-26 | 2017-09-26 | 基于大数据挖掘配的电网运行效率评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107908638A true CN107908638A (zh) | 2018-04-13 |
Family
ID=61841026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710883641.XA Pending CN107908638A (zh) | 2017-09-26 | 2017-09-26 | 基于大数据挖掘配的电网运行效率评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107908638A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242225A (zh) * | 2018-11-28 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种提升配电网运行效率的方法、设备及可读存储介质 |
CN109544012A (zh) * | 2018-11-26 | 2019-03-29 | 南方电网科学研究院有限责任公司 | 一种配电网运行效率的分析方法以及系统 |
CN109886507A (zh) * | 2019-03-15 | 2019-06-14 | 广东工业大学 | 基于主成分分析的电力系统短期负荷预测方法 |
CN110458472A (zh) * | 2019-08-20 | 2019-11-15 | 广西电网有限责任公司电力科学研究院 | 一种配电网设备准实时资产运行效率的计算方法 |
CN110490471A (zh) * | 2019-08-23 | 2019-11-22 | 广西电网有限责任公司电力科学研究院 | 一种配电网供电可靠性差异化的改造方法 |
CN110490454A (zh) * | 2019-08-20 | 2019-11-22 | 广西电网有限责任公司电力科学研究院 | 基于配网设备运行效率评价的配网资产运行效率计算方法 |
CN110826794A (zh) * | 2019-10-31 | 2020-02-21 | 上海电力大学 | 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置 |
CN111144682A (zh) * | 2019-08-27 | 2020-05-12 | 广东电网有限责任公司 | 一种配电网运行效率主要影响因素挖掘方法 |
CN111144638A (zh) * | 2019-12-24 | 2020-05-12 | 东南大学 | 一种基于大数据的配电网运行态势预测方法 |
CN111815190A (zh) * | 2020-07-15 | 2020-10-23 | 国网能源研究院有限公司 | 基于多元信息深度挖掘的电网发展诊断分析方法和系统 |
CN112488404A (zh) * | 2020-12-07 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
CN113030633A (zh) * | 2020-12-01 | 2021-06-25 | 国家电网有限公司 | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 |
CN113672658A (zh) * | 2021-07-06 | 2021-11-19 | 国网宁夏电力有限公司电力科学研究院 | 基于复相关系数的电力设备在线监测错误数据识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521652A (zh) * | 2012-01-10 | 2012-06-27 | 武汉大学 | 一种电网运营效率评价决策方法 |
CN104156888A (zh) * | 2014-08-14 | 2014-11-19 | 国网上海市电力公司 | 基于风险综合评价模型的电力系统运营风险监测方法 |
CN104181883A (zh) * | 2014-08-08 | 2014-12-03 | 青岛高校信息产业有限公司 | 实时数据采集系统的异常数据实时处理方法 |
-
2017
- 2017-09-26 CN CN201710883641.XA patent/CN107908638A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521652A (zh) * | 2012-01-10 | 2012-06-27 | 武汉大学 | 一种电网运营效率评价决策方法 |
CN104181883A (zh) * | 2014-08-08 | 2014-12-03 | 青岛高校信息产业有限公司 | 实时数据采集系统的异常数据实时处理方法 |
CN104156888A (zh) * | 2014-08-14 | 2014-11-19 | 国网上海市电力公司 | 基于风险综合评价模型的电力系统运营风险监测方法 |
Non-Patent Citations (1)
Title |
---|
韩克存等: "高可靠性城市示范区建设探索与实践", 《山东电力技术》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544012A (zh) * | 2018-11-26 | 2019-03-29 | 南方电网科学研究院有限责任公司 | 一种配电网运行效率的分析方法以及系统 |
CN109242225A (zh) * | 2018-11-28 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种提升配电网运行效率的方法、设备及可读存储介质 |
CN109886507B (zh) * | 2019-03-15 | 2023-08-01 | 广东工业大学 | 基于主成分分析的电力系统短期负荷预测方法 |
CN109886507A (zh) * | 2019-03-15 | 2019-06-14 | 广东工业大学 | 基于主成分分析的电力系统短期负荷预测方法 |
CN110458472A (zh) * | 2019-08-20 | 2019-11-15 | 广西电网有限责任公司电力科学研究院 | 一种配电网设备准实时资产运行效率的计算方法 |
CN110490454A (zh) * | 2019-08-20 | 2019-11-22 | 广西电网有限责任公司电力科学研究院 | 基于配网设备运行效率评价的配网资产运行效率计算方法 |
CN110458472B (zh) * | 2019-08-20 | 2022-07-22 | 广西电网有限责任公司电力科学研究院 | 一种配电网设备准实时资产运行效率的计算方法 |
CN110490454B (zh) * | 2019-08-20 | 2022-06-24 | 广西电网有限责任公司电力科学研究院 | 基于配网设备运行效率评价的配网资产运行效率计算方法 |
CN110490471A (zh) * | 2019-08-23 | 2019-11-22 | 广西电网有限责任公司电力科学研究院 | 一种配电网供电可靠性差异化的改造方法 |
CN110490471B (zh) * | 2019-08-23 | 2023-07-11 | 广西电网有限责任公司电力科学研究院 | 一种配电网供电可靠性差异化的改造方法 |
CN111144682A (zh) * | 2019-08-27 | 2020-05-12 | 广东电网有限责任公司 | 一种配电网运行效率主要影响因素挖掘方法 |
CN110826794A (zh) * | 2019-10-31 | 2020-02-21 | 上海电力大学 | 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置 |
CN111144638B (zh) * | 2019-12-24 | 2023-12-12 | 东南大学 | 一种基于大数据的配电网运行态势预测方法 |
CN111144638A (zh) * | 2019-12-24 | 2020-05-12 | 东南大学 | 一种基于大数据的配电网运行态势预测方法 |
CN111815190A (zh) * | 2020-07-15 | 2020-10-23 | 国网能源研究院有限公司 | 基于多元信息深度挖掘的电网发展诊断分析方法和系统 |
CN113030633B (zh) * | 2020-12-01 | 2023-05-02 | 国家电网有限公司 | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 |
CN113030633A (zh) * | 2020-12-01 | 2021-06-25 | 国家电网有限公司 | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 |
CN112488404A (zh) * | 2020-12-07 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及系统 |
CN113672658B (zh) * | 2021-07-06 | 2023-05-23 | 国网宁夏电力有限公司电力科学研究院 | 基于复相关系数的电力设备在线监测错误数据识别方法 |
CN113672658A (zh) * | 2021-07-06 | 2021-11-19 | 国网宁夏电力有限公司电力科学研究院 | 基于复相关系数的电力设备在线监测错误数据识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107908638A (zh) | 基于大数据挖掘配的电网运行效率评价方法及系统 | |
Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
Singh et al. | Distributed power generation planning for distribution networks using electric vehicles: Systematic attention to challenges and opportunities | |
Neimane | On development planning of electricity distribution networks | |
CN113609649B (zh) | 一种构建基于机会约束的配电网中压线路规划模型的方法 | |
CN108122068A (zh) | 一种配电网风险规划方法及系统 | |
Galvani et al. | A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters | |
CN101888087A (zh) | 一种在配网终端中实现分布式超短期区域负荷预测的方法 | |
Jain et al. | Planning and impact evaluation of distributed generators in Indian context using multi-objective particle swarm optimization | |
Agajie et al. | Reliability enhancement and voltage profile improvement of distribution network using optimal capacity allocation and placement of distributed energy resources | |
CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
Zhou et al. | An optimal expansion planning of electric distribution network incorporating health index and non-network solutions | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN115693652A (zh) | 基于电力平衡和性能成本的配电网网架优化方法及装置 | |
Yılmaz | Real measure of a transmission line data with load fore-cast model for the future | |
Liu et al. | Coordinated optimal allocation of distributed generations in smart distribution grids considering active management and contingencies | |
Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
Li et al. | A novel framework for integrating solar renewable source into smart cities through digital twin simulations | |
Reddy et al. | Placement of distributed generator, capacitor and DG and capacitor in distribution system for loss reduction and reliability improvement | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
CN112734274A (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
Falabretti et al. | San Severino Marche smart grid pilot within the InteGRIDy project | |
Tazi et al. | Demand and energy management in smart grid: Techniques and implementation | |
Yari et al. | A new practical approach to optimal switch placement in the presence of distributed generation | |
Tsao et al. | Integrated voltage control and maintenance insurance planning for distribution networks considering uncertainties |
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 |