CN108918928A - 一种负荷分解中功率信号自适应重构方法 - Google Patents
一种负荷分解中功率信号自适应重构方法 Download PDFInfo
- Publication number
- CN108918928A CN108918928A CN201811055177.6A CN201811055177A CN108918928A CN 108918928 A CN108918928 A CN 108918928A CN 201811055177 A CN201811055177 A CN 201811055177A CN 108918928 A CN108918928 A CN 108918928A
- Authority
- CN
- China
- Prior art keywords
- matrix
- power
- power signal
- data
- signal sequence
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种负荷分解中功率信号自适应重构方法,能够重构生成没有缺失数据的功率信号序列。所述方法包括:采集功率信号序列,将其转换为功率矩阵;根据转换得到的功率矩阵,构建变换算子矩阵;构建测量矩阵;根据得到的变换算子矩阵和构建的测量矩阵,迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度;将当前得到的功率矩阵进行转换,生成没有缺失数据的功率信号序列。本发明涉及电力领域。
Description
技术领域
本发明涉及电力领域,特别是指一种负荷分解中功率信号自适应重构方法。
背景技术
负荷分解(也可以称为:能量分解)是将电表处读取的功率值分解为单个负载所消耗的功率值,如图1所示,其中,图1中的数据为模拟数据,非实测数据。
随着智能电网的发展,家庭用电负荷的分析变得越来越重要。通过用电负荷的分析,家庭用户可以及时获得每个电器的用电信息,以及电费的精细化清单;电力部门可以获得更详尽的用户用电信息,并可以提高用电负荷预测的准确度,为电力部门提供统筹规划的依据。同时,利用每个电器的用电信息,可获知用户的用电行为,这对于家庭能耗评估和节能策略的研究具有指导意义。
当前用电负荷分解主要分为侵入式负荷分解和非侵入式负荷分解两种方法。非侵入式负荷分解方法不需要在负荷的内部用电设备上安装监测设备,只需要根据用电负荷总信息即可获得每个用电设备的负荷信息。非侵入式负荷分解方法具有投入少、方便使用等特点,因此,该方法适用于家庭负荷用电的分解。
非侵入式负荷分解方法所使用的功率数据来自于智能电表的读数,智能电表一般安装在家庭用电入户线处,以检测家庭用户所使用的总电量。由于负荷分解属于典型的欠定问题(即:方程数远远小于未知变量的个数),所以数据的完备性在负荷分解中显得尤其重要。但是来自智能电表的实际数据可能有缺失(例如,智能电表故障、通信故障、数据接收装置故障等等均会造成数据的缺失),有缺失的数据会进一步恶化欠定问题的求解,造成负荷分解结果具有较大的误差。
发明内容
本发明要解决的技术问题是提供一种负荷分解中功率信号自适应重构方法,以解决现有技术所存在的智能电表数据缺失的问题。
为解决上述技术问题,本发明实施例提供一种负荷分解中功率信号自适应重构方法,包括:
采集功率信号序列,将其转换为功率矩阵;
根据转换得到的功率矩阵,构建变换算子矩阵;
构建测量矩阵;
根据得到的变换算子矩阵和构建的测量矩阵,迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度;
将当前得到的功率矩阵进行转换,生成没有缺失数据的功率信号序列。
进一步地,所述采集功率信号序列,将其转换为功率矩阵包括:
采集功率信号序列pori=[P1,P2,…,PN],其中,N为功率信号序列的长度;
按照功率信号序列的先后次序,将功率信号序列分为NR段,每段含有NC个数据,其中,符号表示上取整;
如果N<NR×NC,则将最后一段不足的部分补零;
将分段后的数据重新排列为矩阵的形式,一段数据为一行,得到功率矩阵
进一步地,所述根据转换得到的功率矩阵,构建变换算子矩阵包括:
将功率矩阵转换为二维信号;
确定二维信号的信号变换算子;
将信号变换算子转换为矩阵形式,得到变换算子矩阵。
进一步地,转换后得到的二维信号为:
nr=1,2,…,NR
nc=1,2,…,NC
其中,表示二维信号,表示功率矩阵的第nr行、第nc列元素。
进一步地,信号变换算子表示为:
其中,表示信号变换算子,表示参量;为域中的权重函数,自变量为为域中的权重函数,自变量为上标i表示虚数单位。
进一步地,变换算子矩阵表示为:
其中,D表示变换算子矩阵;公式表示变换算子矩阵D中,第nr行、第nc列的元素是D为NR×NC维矩阵。
进一步地,构建的测量矩阵的形式为:
其中,R表示测量矩阵;I为单位矩阵;0为零矩阵。
进一步地,所述根据得到的变换算子矩阵和构建的测量矩阵,迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度包括:
通过功率矩阵迭代公式迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度N时终止迭代,得到没有缺失数据的功率矩阵其中,功率矩阵迭代公式表示为:
其中,表示第k+1次迭代得到的功率矩阵;表示第k次迭代得到的功率矩阵;表示阈值算子;表示对矩阵D和矩阵的乘积中的所有元素进行阈值运算;xij表示矩阵的第i行、第j列元素;σmax表示中所有元素绝对值的最大值;σmin表示中所有元素绝对值的最小值。
进一步地,所述将当前得到的功率矩阵进行转换,生成没有缺失数据的功率信号序列包括:
将得到的矩阵Prec的第一行数据作为第一段,第二行数据作为第二段,以此类推,最后一行数据作为最后一段,将这些段按照顺序连接起来,并截取前面的N个数据组成一数据序列,此数据序列就是没有缺失数据的功率信号序列。
本发明的上述技术方案的有益效果如下:
上述方案中,采集功率信号序列,将其转换为功率矩阵;根据转换得到的功率矩阵,构建变换算子矩阵;构建测量矩阵;根据得到的变换算子矩阵和构建的测量矩阵,迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度;将当前得到的功率矩阵进行转换,生成没有缺失数据的功率信号序列,从而快速重构智能电表数据,解决智能电表数据缺失问题。
附图说明
图1为负荷分解示意图;
图2为本发明实施例提供的负荷分解中功率信号自适应重构方法的流程示意图;
图3为本发明实施例提供的负荷分解中功率信号自适应重构方法的详细流程示意图;
图4为本发明实施例提供的数据分段和矩阵排列示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的智能电表数据缺失的问题,提供一种负荷分解中功率信号自适应重构方法。
如图2所示,本发明实施例提供的负荷分解中功率信号自适应重构方法,包括:
S101,采集功率信号序列,将其转换为功率矩阵;
S102,根据转换得到的功率矩阵,构建变换算子矩阵;
S103,构建测量矩阵;
S104,根据得到的变换算子矩阵和构建的测量矩阵,迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度;
S105,将当前得到的功率矩阵进行转换,生成没有缺失数据的功率信号序列。
本发明实施例所述的负荷分解中功率信号自适应重构方法,采集功率信号序列,将其转换为功率矩阵;根据转换得到的功率矩阵,构建变换算子矩阵;构建测量矩阵;根据得到的变换算子矩阵和构建的测量矩阵,迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度;将当前得到的功率矩阵进行转换,生成没有缺失数据的功率信号序列,从而快速重构智能电表数据,解决智能电表数据缺失问题。
为了更好地理解本发明实施例所述的负荷分解中功率信号自适应重构方法,对其进行详细说明,如图3所示,所述负荷分解中功率信号自适应重构方法具体可以包括以下步骤:
A1,采集功率信号序列
采集功率信号序列pori=[P1,P2,…,PN],其中,N为功率信号序列的长度,其中,功率信号序列也可称为功率数据序列。
A2,将功率信号序列pori=[P1,P2,…,PN]进行分段并将分段后的数据重新排列为一功率矩阵P,数据分段和矩阵排列如图4所示。
A21,按照功率信号序列的先后次序,将功率信号序列分为NR段,每段含有NC个数据,其中,符号表示上取整,例如,这样做的目的是所有的数据都参与运算,不舍弃数据。
一般情况下,NR=256或512或1024,在实际应用中,NR的取值由实际应用场景确定。
A22,如果N<NR×NC,则将最后一段不足的部分补零。
A23,将分段后的数据重新排列为矩阵的形式,一段数据为一行,故此功率矩阵P共有NR行、NC列,功率矩阵P可以表示为
A3,将功率矩阵转换为二维信号
nr=1,2,…,NR
nc=1,2,…,NC
其中,表示二维信号,表示功率矩阵的第nr行、第nc列元素。
A4,确定二维信号的信号变换算子
信号变换算子表示为:
其中,表示参量;为域中的权重函数,自变量为一般情况下可以选择高斯函数;为域中的权重函数,自变量为上标i表示虚数单位。
A5,构建变换算子矩阵D
将信号变换算子转换为矩阵形式:
其中,表示变换算子矩阵D中,第nr行、第nc列的元素是因此,矩阵D为NR×NC维矩阵。
A6,构建测量矩阵R
测量矩阵R的一般形式可以表示为:
其中,I为单位矩阵,表示没有数据缺失的段;0为零矩阵,表示有数据缺失的段。
本实施例中,测量矩阵的取值是由功率矩阵确定的,假设,功率矩阵中第2行第3列的数据有缺失,则测量矩阵中第2行第3列元素为0,否则为1。
A7,迭代运算
假设当前进行第k+1次迭代,在k+1次中得到的功率矩阵为在上一次(即第k次)所得到的功率矩阵为k=1,2,…,N-1。
A71,确定功率矩阵
根据得到的变换算子矩阵和构建的测量矩阵,更新功率矩阵为:
其中,表示阈值算子,用于对括号内的数据进行阈值运算;表示对矩阵D和矩阵的乘积(其中,乘积是一个矩阵)中的所有元素进行阈值运算,阈值运算是对矩阵中的元素一个一个进行的;xij表示矩阵的第i行、第j列元素;σmax表示中所有元素绝对值的最大值;σmin表示中所有元素绝对值的最小值。
A72,判断当前迭代次数是否等于功率信号序列的长度N,如果k=N,则迭代终止,得到没有缺失数据的功率矩阵进入步骤A8;否则,k=k+1返回步骤A71继续迭代。
A8,重新排列数据,将得到的没有缺失数据的功率矩阵Prec转换为功率信号序列,得到没有缺失数据的功率信号序列
将得到的矩阵Prec的第一行数据作为第一段,第二行数据作为第二段,以此类推,最后一行数据作为最后一段,将这些段按照顺序连接起来,并截取前面的N个数据组成一数据序列,此数据序列就是没有缺失数据的功率信号序列,即为所求。
本发明实施例所述的负荷分解中功率信号自适应重构方法,可以有效恢复缺失的功率信号。如果采集的功率信号序列缺失不超过总数据的20%,本算法所恢复的信号序列,其误差不超过4%。且由于本发明实施例所述的负荷分解中功率信号自适应重构方法采用迭代方式,计算简单快速。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种负荷分解中功率信号自适应重构方法,其特征在于,包括:
采集功率信号序列,将其转换为功率矩阵;
根据转换得到的功率矩阵,构建变换算子矩阵;
构建测量矩阵;
根据得到的变换算子矩阵和构建的测量矩阵,迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度;
将当前得到的功率矩阵进行转换,生成没有缺失数据的功率信号序列。
2.根据权利要求1所述的负荷分解中功率信号自适应重构方法,其特征在于,所述采集功率信号序列,将其转换为功率矩阵包括:
采集功率信号序列pori=[P1,P2,…,PN],其中,N为功率信号序列的长度;
按照功率信号序列的先后次序,将功率信号序列分为NR段,每段含有NC个数据,其中,符号表示上取整;
如果N<NR×NC,则将最后一段不足的部分补零;
将分段后的数据重新排列为矩阵的形式,一段数据为一行,得到功率矩阵
3.根据权利要求2所述的负荷分解中功率信号自适应重构方法,其特征在于,所述根据转换得到的功率矩阵,构建变换算子矩阵包括:
将功率矩阵转换为二维信号;
确定二维信号的信号变换算子;
将信号变换算子转换为矩阵形式,得到变换算子矩阵。
4.根据权利要求3所述的负荷分解中功率信号自适应重构方法,其特征在于,转换后得到的二维信号为:
nr=1,2,…,NR
nc=1,2,…,NC
其中,表示二维信号,表示功率矩阵的第nr行、第nc列元素。
5.根据权利要求4所述的负荷分解中功率信号自适应重构方法,其特征在于,信号变换算子表示为:
其中,表示信号变换算子,表示参量;为域中的权重函数,自变量为 为域中的权重函数,自变量为上标i表示虚数单位。
6.根据权利要求5所述的负荷分解中功率信号自适应重构方法,其特征在于,变换算子矩阵表示为:
其中,D表示变换算子矩阵;公式表示变换算子矩阵D中,第nr行、第nc列的元素是D为NR×NC维矩阵。
7.根据权利要求6所述的负荷分解中功率信号自适应重构方法,其特征在于,构建的测量矩阵的形式为:
其中,R表示测量矩阵;I为单位矩阵;0为零矩阵。
8.根据权利要求7所述的负荷分解中功率信号自适应重构方法,其特征在于,所述根据得到的变换算子矩阵和构建的测量矩阵,迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度包括:
通过功率矩阵迭代公式迭代更新功率矩阵,直至当前迭代次数等于功率信号序列的长度N时终止迭代,得到没有缺失数据的功率矩阵其中,功率矩阵迭代公式表示为:
其中,表示第k+1次迭代得到的功率矩阵;表示第k次迭代得到的功率矩阵;表示阈值算子;表示对矩阵D和矩阵的乘积中的所有元素进行阈值运算;xij表示矩阵的第i行、第j列元素;σmax表示中所有元素绝对值的最大值;σmin表示中所有元素绝对值的最小值。
9.根据权利要求8所述的负荷分解中功率信号自适应重构方法,其特征在于,所述将当前得到的功率矩阵进行转换,生成没有缺失数据的功率信号序列包括:
将得到的矩阵Prec的第一行数据作为第一段,第二行数据作为第二段,以此类推,最后一行数据作为最后一段,将这些段按照顺序连接起来,并截取前面的N个数据组成一数据序列,此数据序列就是没有缺失数据的功率信号序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811055177.6A CN108918928B (zh) | 2018-09-11 | 2018-09-11 | 一种负荷分解中功率信号自适应重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811055177.6A CN108918928B (zh) | 2018-09-11 | 2018-09-11 | 一种负荷分解中功率信号自适应重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108918928A true CN108918928A (zh) | 2018-11-30 |
CN108918928B CN108918928B (zh) | 2020-11-10 |
Family
ID=64408481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811055177.6A Expired - Fee Related CN108918928B (zh) | 2018-09-11 | 2018-09-11 | 一种负荷分解中功率信号自适应重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108918928B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611522A (zh) * | 2019-09-20 | 2019-12-24 | 广东石油化工学院 | 一种利用多正则优化理论的plc信号重构方法和系统 |
CN112179479A (zh) * | 2020-11-06 | 2021-01-05 | 华北电力大学 | 一种利用成形因子的功率信号重构方法和系统 |
CN116341616A (zh) * | 2022-11-11 | 2023-06-27 | 南京工程学院 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020140426A1 (en) * | 2001-04-02 | 2002-10-03 | Regents Of The University Of Minnesota | NMR spectroscopy data recovery method and appartus |
CN101067650A (zh) * | 2007-06-08 | 2007-11-07 | 骆建华 | 基于部分频谱数据信号重构的信号去噪方法 |
CN101135722A (zh) * | 2007-10-23 | 2008-03-05 | 骆建华 | 基于重构信号替代频谱数据的信号去噪方法 |
CN101278282A (zh) * | 2004-12-23 | 2008-10-01 | 剑桥显示技术公司 | 数字信号处理方法和设备 |
US20090083031A1 (en) * | 2007-09-26 | 2009-03-26 | University Of Washington | Clipped-waveform repair in acoustic signals using generalized linear prediction |
CN101512555A (zh) * | 2006-09-11 | 2009-08-19 | 卡斯西部储备大学 | 迭代图像重构 |
EP2134018A1 (en) * | 2008-05-23 | 2009-12-16 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for recovery of lost and/ or corrupted data |
CN101680872A (zh) * | 2007-04-13 | 2010-03-24 | 塞昆纳姆股份有限公司 | 序列比较分析方法和系统 |
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN102625338A (zh) * | 2012-03-12 | 2012-08-01 | 浙江工业大学 | 一种具有数据包丢失的无线传感器网络滚动时域信噪比估计方法 |
CN103744828A (zh) * | 2013-12-30 | 2014-04-23 | 中国人民解放军重庆通信学院 | 一种测量值缺失的压缩感知重构方法 |
US20140181575A1 (en) * | 2012-12-21 | 2014-06-26 | Microsoft Corporation | Data error detection and correction using hash values |
CN104062072A (zh) * | 2014-06-24 | 2014-09-24 | 西安交通大学 | 一种基于微分搜索算法的轴系动平衡多目标优化方法 |
CN104239972A (zh) * | 2014-09-09 | 2014-12-24 | 翟明岳 | 一种基于自相似性理论的电网负荷预测方法 |
US20160170850A1 (en) * | 2014-12-10 | 2016-06-16 | Intel Corporation | Performing an atomic write operation across multiple storage devices |
CN107274459A (zh) * | 2017-05-29 | 2017-10-20 | 明峰医疗系统股份有限公司 | 一种用于加快锥形束ct图像迭代重建的预条件方法 |
CN107615089A (zh) * | 2014-01-03 | 2018-01-19 | 朱宇东 | 压缩感知和mri的建模和验证方法 |
CN107832170A (zh) * | 2017-10-31 | 2018-03-23 | 北京金风科创风电设备有限公司 | 缺失数据的恢复方法和装置 |
-
2018
- 2018-09-11 CN CN201811055177.6A patent/CN108918928B/zh not_active Expired - Fee Related
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020140426A1 (en) * | 2001-04-02 | 2002-10-03 | Regents Of The University Of Minnesota | NMR spectroscopy data recovery method and appartus |
CN101278282A (zh) * | 2004-12-23 | 2008-10-01 | 剑桥显示技术公司 | 数字信号处理方法和设备 |
CN101512555A (zh) * | 2006-09-11 | 2009-08-19 | 卡斯西部储备大学 | 迭代图像重构 |
CN101680872A (zh) * | 2007-04-13 | 2010-03-24 | 塞昆纳姆股份有限公司 | 序列比较分析方法和系统 |
CN101067650A (zh) * | 2007-06-08 | 2007-11-07 | 骆建华 | 基于部分频谱数据信号重构的信号去噪方法 |
US20090083031A1 (en) * | 2007-09-26 | 2009-03-26 | University Of Washington | Clipped-waveform repair in acoustic signals using generalized linear prediction |
CN101135722A (zh) * | 2007-10-23 | 2008-03-05 | 骆建华 | 基于重构信号替代频谱数据的信号去噪方法 |
EP2134018A1 (en) * | 2008-05-23 | 2009-12-16 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Method for recovery of lost and/ or corrupted data |
CN101895297A (zh) * | 2010-07-30 | 2010-11-24 | 哈尔滨工业大学 | 一种面向压缩感知的块稀疏信号重构方法 |
CN102625338A (zh) * | 2012-03-12 | 2012-08-01 | 浙江工业大学 | 一种具有数据包丢失的无线传感器网络滚动时域信噪比估计方法 |
US20140181575A1 (en) * | 2012-12-21 | 2014-06-26 | Microsoft Corporation | Data error detection and correction using hash values |
CN103744828A (zh) * | 2013-12-30 | 2014-04-23 | 中国人民解放军重庆通信学院 | 一种测量值缺失的压缩感知重构方法 |
CN107615089A (zh) * | 2014-01-03 | 2018-01-19 | 朱宇东 | 压缩感知和mri的建模和验证方法 |
CN104062072A (zh) * | 2014-06-24 | 2014-09-24 | 西安交通大学 | 一种基于微分搜索算法的轴系动平衡多目标优化方法 |
CN104239972A (zh) * | 2014-09-09 | 2014-12-24 | 翟明岳 | 一种基于自相似性理论的电网负荷预测方法 |
US20160170850A1 (en) * | 2014-12-10 | 2016-06-16 | Intel Corporation | Performing an atomic write operation across multiple storage devices |
CN107274459A (zh) * | 2017-05-29 | 2017-10-20 | 明峰医疗系统股份有限公司 | 一种用于加快锥形束ct图像迭代重建的预条件方法 |
CN107832170A (zh) * | 2017-10-31 | 2018-03-23 | 北京金风科创风电设备有限公司 | 缺失数据的恢复方法和装置 |
Non-Patent Citations (4)
Title |
---|
WU XUE-MEI ET AL: "A New Surface Reconstruction Method in Reverse Engineering", 《2009 FIFTH INTERNATIONAL CONFERENCE ON NATURAL COMPUTATION》 * |
张茁生: "一种新的信号二进小波变换模极大值重构信号的迭代算法", 《中国科学》 * |
王宝帅: "基于复高斯模型的样本缺失窄带雷达信号重构算法", 《电子与信息学报》 * |
翟明岳: "基于EMD-TFPF 算法的电力线通信噪声消除技术研究", 《电力系统保护与控制》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611522A (zh) * | 2019-09-20 | 2019-12-24 | 广东石油化工学院 | 一种利用多正则优化理论的plc信号重构方法和系统 |
CN112179479A (zh) * | 2020-11-06 | 2021-01-05 | 华北电力大学 | 一种利用成形因子的功率信号重构方法和系统 |
CN116341616A (zh) * | 2022-11-11 | 2023-06-27 | 南京工程学院 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
CN116341616B (zh) * | 2022-11-11 | 2023-10-17 | 南京工程学院 | 基于矩阵重构二维卷积网络的电力负载信息获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108918928B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108918930A (zh) | 一种负荷分解中功率信号自适应重构方法 | |
CN108918928A (zh) | 一种负荷分解中功率信号自适应重构方法 | |
Li et al. | Measurement-based transmission line parameter estimation with adaptive data selection scheme | |
CN110086168B (zh) | 一种基于多源数据融合的配电网运行拓扑辨识方法 | |
CN108918931A (zh) | 一种负荷分解中功率信号自适应滤波方法 | |
CN108918932A (zh) | 负荷分解中功率信号自适应滤波方法 | |
CN104616061B (zh) | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 | |
CN103941162A (zh) | 利用波形时域特征聚类的谐振接地系统故障选线方法 | |
CN107589342A (zh) | 一种配电网单相接地故障定位方法及系统 | |
CN111159638A (zh) | 基于近似低秩矩阵补全的配电网负荷缺失数据恢复方法 | |
Srivastava et al. | Fault diagnosis, service restoration, and data loss mitigation through multi-agent system in a smart power distribution grid | |
Pengwah et al. | Topology identification of radial distribution networks using smart meter data | |
CN106330429B (zh) | Sm4算法的s盒的生成方法及装置 | |
Vedik et al. | Optimal placement of PMUs using differential evolution | |
Manikanta et al. | Placing distributed generators in distribution system using adaptive quantum inspired evolutionary algorithm | |
Chen et al. | A seidel-type recursive Bayesian approach and its applications to power systems | |
WO2016058248A1 (zh) | 一种基于双线性凸优化理论电力系统双线性抗差估计方法 | |
CN108918929A (zh) | 一种负荷分解中功率信号自适应滤波方法 | |
CN109587070A (zh) | 智能电网中同时具有隐私保护和负载均衡的数据汇聚方法 | |
CN109038577A (zh) | 负荷分解中功率信号自适应重构方法 | |
CN109194367A (zh) | 能量分解中功率信号重构方法 | |
CN109066709B (zh) | 一种基于元模型的分布式电源就地电压控制策略改进方法 | |
CN109241874A (zh) | 能量分解中功率信号滤波方法 | |
CN113421004B (zh) | 输配协同的主动配电网分布式鲁棒扩展规划系统及方法 | |
CN109067433A (zh) | 适用于智能电能表的低压电力线载波通信噪声抑制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201110 Termination date: 20210911 |
|
CF01 | Termination of patent right due to non-payment of annual fee |