CN109064009B - 基于ems数据的变电站行业比例获取方法及计算设备 - Google Patents
基于ems数据的变电站行业比例获取方法及计算设备 Download PDFInfo
- Publication number
- CN109064009B CN109064009B CN201810849230.3A CN201810849230A CN109064009B CN 109064009 B CN109064009 B CN 109064009B CN 201810849230 A CN201810849230 A CN 201810849230A CN 109064009 B CN109064009 B CN 109064009B
- Authority
- CN
- China
- Prior art keywords
- factor
- industry
- data
- clustering
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 5
- 238000012935 Averaging Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000000556 factor analysis Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 7
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 1
- 238000011835 investigation Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 239000002699 waste material 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于EMS系统底层负荷出线和专变用户的日负荷数据，获取时变的变电站行业构成的方法，采用纵向聚类求平均值的方法分别提取每条底层出线的典型日负荷曲线；对所有出线的典型日负荷曲线进行横向聚类分析，获得220kV变电站下所有底层出线的聚类情况；最后，根据所有底层出线和专变用户的行业归属情况，自下而上聚合得到变电站的行业构成比例；本发明基于EMS系统数据进行分析，可在线获取变电站行业构成比例，无需人工统计调查；又可以获取时变的行业构成比例，有利于解决负荷建模的时变性问题。
Description
技术领域
本发明属于电力系统建模技术领域，特别涉及了一种基于EMS数据的变电站行业比例获取方法。
背景技术
负荷模型的准确与否对电网有着重要影响，过于悲观的负荷模型会导致资金投入过多，浪费严重；过于乐观的负荷模型则会给电网的安全稳定运行造成隐患。负荷模型的参数获取主要有两种方法，一是总体测辨法，通过实测动态响应辨识模型参数，但该方法仅针对故障时刻有效，且扰动数据不易获取；二是通过统计综合法离线对用户进行调查，但实际负荷构成复杂，统计调查耗时费力，且这种方法是离线的，难以反映负荷构成的时变性。负荷构成的时变性是负荷模型具有时变性的主要原因，而用户和变电站的负荷功率曲线含有反映负荷构成变化的丰富信息。但在现有条件下，由于用电信息采集系统与智能电网调度控制系统D5000的网络拓扑命名规则不一致，导致两者数据匹配率较低，难以利用底层用户功率数据自上而下获得变电站的行业构成。
发明内容
为了解决上述背景技术存在的问题，本发明旨在提供一种基于EMS数据的变电站行业比例获取方法，从而获取时变的变电站行业构成比例，无需人工统计调查，节省人力物力；无需接入用户数据，便于在线应用及推广；又有利于解决负荷模型的时变性问题。
为解决上述技术问题，本发明采用的技术方案为：
一种基于EMS数据的变电站行业比例获取方法，具体包括以下步骤：
S1：对EMS系统底层出线日负荷数据中的异常数据进行识别和清洗，对清洗后的数据进行归一化处理，得到归一化数据；
S2：按季节划分，以出线各个季节的日负荷数据为季节负荷数据集进行纵向聚类，根据纵向聚类结果取类别最多的一类为典型类，对典型类求平均值，获得各条出线的典型日负荷曲线；
S3：以各出线的典型类日负荷曲线为日负荷数据集，进行横向聚类；根据横向聚类结果对同类出线的原始日负荷曲线(降维前的日负荷曲线)计算平均值，根据日负荷曲线的平均值分析各出线的用电行为，获取各出线的行业类型，得到典型行业日负荷曲线；
S4：根据EMS系统底层负荷出线及专变用户(专用变压器的工业用户)的行业归属，自下而上聚合得到变电站的行业构成。
横向聚类和纵向聚类均采用基于因子分析法降维的K-means聚类算法，包括以下步骤：
101：提取KMO(Kaiser-Meyer-Olkin)统计量：令Z＝(Z1,Z2,…Zs…Zp)T,s＝1,2…p，为样本原始变量集，纵向聚类时样本原始变量集为步骤S2所述的季节负荷数据集，横向聚类时样本原始变量集为权利1S3所述日负荷数据集，p表示样本数，Zs表示第s个样本原始变量；对样本原始变量集提取KMO(Kaiser-Meyer-Olkin)统计量，设置KMO门限值，当KMO值大于KMO门限值时，数据集适用于基于因子分析法降维；
102：基于主成分分析法提取公因子：根据归一化数据，计算相关系数矩阵R，并求出R的特征根以及特征向量，选择公因子；基于式(4)所示的因子模型，计算初始因子载荷矩阵A＝(ast)：
其中，F＝(F1,F2,…Ft…,Fm)T，t＝1,2…m，F为公因子集，m表示选取的公因子个数，Ft表示第t个公因子；ast为因子载荷，表示Zs与第t个公因子间的相关系数；εs为Zs的特殊因子，表示公因子以外的影响因子；
103：以方差最大化为原则，对初始因子载荷矩阵右乘一个正交矩阵，实现对初始因子载荷矩阵的旋转，得到旋转后的公因子；
104：获取样本原始变量与旋转后的公因子之间的关系，估计出每个样本原始变量对各个公因子的得分，获得因子得分矩阵；因子得分矩阵的求取采用回归算法，将公因子表示成与样本原始变量的线性表达式，为式(5)；
Ft＝bt1Z1+bt2Z2+…+btsZs+…+btpZp,s＝1,2,…,p，t＝1,2,…,m (5)
其中，bts为样本原始变量Zs对公因子Ft的因子得分系数，因子得分系数矩阵B＝(bts)；
保存计算所得的因子得分系数矩阵；
105：基于因子分析提取低维度因子得分系数矩阵，采用K-means算法进行聚类分析：根据实际需求确定的聚类组数，选取初始聚类中心；计算各条日负荷曲线与聚类中心的平方欧式距离；按照平方欧式距离就近原则，对日负荷曲线进行重新归类，并计算新的聚类中心；当聚类中心不再发生变化，或者到达最大迭代次数，算法结束，输出聚类结果，否则继续迭代。
较优地，KMO门限值为0.7。
较优地，公因子的选择依据为特征根大于1和特征值累计贡献率大于等于85％；
较优地，步骤S1基于式(1)进行归一化处理，得到归一化数据；
其中，xi为第i个原始采样点数据；xi'为归一化后的第i个采样点数据；n为采样点个数；X为日负荷曲线的所有采样点数据，X＝(x1,x2,…xi…,xn)。
较优地，步骤S2按照式(2)对典型类求平均值
其中，yr,j为典型类中第r天第j个采样点的负荷值；N为出线典型类的天数；yj为出线典型类日负荷曲线第j个采样点的负荷值；M为日采样点个数。
较优地，步骤S4基于式(3)自下而上聚合得到变电站的行业构成；
其中，ρi为第i类行业的占比；Pij为第i类行业的第j条出线的负荷值；Ni为第i类行业的出线总数；K为行业类型总数。
一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行一种基于EMS数据的变电站行业比例获取方法的指令。
一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行一种基于EMS数据的变电站行业比例获取方法。
本发明的有益效果为：
本发明基于对EMS系统数据的自下而上聚类分析，实现了变电站时变的行业构成比例的无监督获取，无需人工统计调查，节约了大量的人力物力；无需接入用电信息采集系统数据，有利于在线应用及推广；由于获取的行业构成比例是时变的，有利于建立时变的负荷模型，提高负荷模型的泛化能力；因而总体上有利于电网运行的安全性和经济性。
附图说明
下面结合附图和实施例对本发明进一步说明；
图1为基于EMS数据的变电站行业比例获取流程图。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
现结合附图和具体实施方式对本发明作进一步详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种基于EMS数据的变电站行业比例获取方法，采用自下而上聚合的方法，应用于220kV变电站行业构成比例的获取，具体包括以下步骤：
S1：对EMS(Element Management System网元管理系统)系统底层出线日负荷数据中的异常数据(由于量测设备故障环境干扰因素导致的数据异常)进行识别和清洗，得到清洗后的数据，然后对清洗后的数据基于式(1)进行归一化处理，得到归一化数据；
其中，xi为第i个原始采样点数据；xi'为归一化后的第i个采样点数据；n为采样点个数；X为日负荷曲线的所有采样点数据，X＝(x1,x2,…xi…,xn)；
S2：按季节划分，以出线各个季节的日负荷数据为季节负荷数据集进行纵向聚类，根据纵向聚类结果取类别最多的一类为典型类，按照式(2)对典型类求平均值，获得各条出线的典型日负荷曲线；
其中，yr,j为典型类中第r天第j个采样点的负荷值；N为出线典型类的天数；yj为出线典型类日负荷曲线第j个采样点的负荷值；M为日采样点个数，本实施例，M为288。
S3：以各出线的典型类日负荷曲线为日负荷数据集，进行横向聚类；根据横向聚类结果对同类出线的原始日负荷曲线(降维前的日负荷曲线)计算平均值，根据日负荷曲线的平均值分析各出线的用电行为，获取各出线的行业类型，得到典型行业日负荷曲线；
S4：根据EMS系统底层负荷出线(最小颗粒密度为10kV负荷出线)及专变用户(专用变压器的工业用户)的行业归属，基于式(3)自下而上聚合得到220kV变电站的行业构成；
其中，ρi为第i类行业的占比；Pij为第i类行业的第j条出线的负荷值；Ni为第i类行业的出线总数；K为行业类型总数。
横向聚类和纵向聚类均采用基于因子分析法降维的K-means聚类算法，包括以下步骤：
101：提取KMO(Kaiser-Meyer-Olkin)统计量：设Z＝(Z1,Z2,…Zs…Zp)T,s＝1,2…p，为样本原始变量集，纵向聚类时样本原始变量集为步骤S2所述季节负荷数据集，横向聚类时样本原始变量集为步骤S3所述日负荷数据集，p表示样本数，Zs表示第s个样本原始变量。对样本原始变量集提取KMO(Kaiser-Meyer-Olkin)统计量，设置KMO门限值，当KMO值大于KMO门限值时，数据集适用于基于因子分析法降维；
KMO统计量反映原始数据的相关程度，取值范围为[0,1]，KMO值趋近于0时，数据间相关性弱，因子分析法并不适用；KMO值趋向于1时，数据间相关性强。KMO＝0.7为数据间相关性的门限值；当KMO值大于0.7时，相关性高，KMO门限值为0.7。数据集适用于因子分析(纵向聚类数据集为步骤2所述的每条出线各个季节的季节负荷数据集，横向聚类数据集为步骤3所述的日负荷数据集)。
102：基于主成分分析法提取公因子：根据归一化数据，计算相关系数矩阵R，并求出R的特征根以及特征向量，选择公因子，以特征根大于1和特征值累计贡献率大于等于85％作为公因子的选择依据；基于式(4)所示的因子模型，计算初始因子载荷矩阵A＝(ast)：
其中，F＝(F1,F2,…Ft…,Fm)T，t＝1,2…m为公因子，m表示选取的公因子个数；ast为因子载荷，表示Zs与第t个公因子间的相关系数；εs为Zs的特殊因子，表示公因子以外的影响因子，当提取的公因子包含大部分原始信息量时，εs对变量的影响极小，可忽略不计。
103：以方差最大化为原则，对初始因子载荷矩阵右乘一个正交矩阵，实现对初始因子载荷矩阵的旋转，得到旋转后的公因子。
104：获取样本原始变量与旋转后的公因子之间的关系，估计出每个样本原始变量对各个公因子的得分，获得因子得分矩阵。因子得分矩阵的求取采用回归算法，将公因子表示成与样本原始变量的线性表达式，为式(5)所示；
Ft＝bt1Z1+bt2Z2+…+btsZs+…+btpZp,s＝1,2,…,p，t＝1,2,…,m (5)
其中，bts为样本原始变量Zs对公因子Ft的因子得分系数，因子得分系数矩阵B＝(bts)；
保存计算所得的因子得分系数矩阵，作为后续K-means算法聚类分析的基础；
105：基于因子分析提取低维度因子得分系数矩阵，采用K-means算法进行聚类分析：根据实际需求确定的聚类组数，选取初始聚类中心；计算各条日负荷曲线与聚类中心的平方欧式距离；按照平方欧式距离就近原则，对日负荷曲线进行重新归类，并计算新的聚类中心；当聚类中心不再发生变化，或者到达最大迭代次数，算法结束，输出聚类结果，否则继续迭代。
一种计算设备，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行一种基于EMS数据的变电站行业比例获取方法的指令。
一种存储一个或多个程序的计算机可读存储介质，所述的一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行一种基于EMS数据的变电站行业比例获取方法。
本领域内的技术人员可以对本发明进行改动或变型的设计但不脱离本发明的思想和范围。因此，如果本发明的这些修改和变型属于本发明权利要求及其等同的技术范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于EMS数据的变电站行业比例获取方法，其特征在于，
具体包括以下步骤：
S1：对EMS系统底层出线日负荷数据中的异常数据进行识别和清洗，对清洗后的数据进行归一化处理，得到归一化数据；
S2：按季节划分，以出线各个季节的日负荷数据为季节负荷数据集进行纵向聚类，根据纵向聚类结果取类别最多的一类为典型类，对典型类求平均值，获得各条出线的典型日负荷曲线；
S3：以各出线的典型类日负荷曲线为日负荷数据集，进行横向聚类；根据横向聚类结果对同类出线的原始日负荷曲线计算平均值，根据日负荷曲线的平均值分析各出线的用电行为，获取各出线的行业类型，得到典型行业日负荷曲线；
S4：根据EMS系统底层负荷出线及专变用户的行业归属，自下而上聚合得到变电站的行业构成；
横向聚类和纵向聚类均采用基于因子分析法降维的K-means聚类算法，包括以下步骤：
101：提取KMO统计量：
令Z＝(Z1,Z2,…Zs…Zp)T,s＝1,2…p，Z为样本原始变量集，纵向聚类时样本原始变量集为步骤S2所述季节负荷数据集，横向聚类时样本原始变量集为步骤S3所述日负荷数据集，p表示样本数，Zs表示第s个样本原始变量；对样本原始变量集提取KMO统计量，设置KMO门限值，当KMO值大于KMO门限值时，适用于基于因子分析法降维；
102：基于主成分分析法提取公因子：根据归一化数据，计算相关系数矩阵R，并求出R的特征根以及特征向量，选择公因子；基于式(4)所示的因子模型，计算初始因子载荷矩阵A＝(ast)：
其中，F＝(F1,F2,…Ft…,Fm)T，t＝1,2…m，F为公因子集，m为选取的公因子个数，Ft表示第t个公因子；ast为因子载荷，表示Zs与第t个公因子间的相关系数；εs为Zs的特殊因子，表示公因子以外的影响因子；
103：以方差最大化为原则，对初始因子载荷矩阵右乘一个正交矩阵，实现对初始因子载荷矩阵的旋转，得到旋转后的公因子；
104：获取样本原始变量与旋转后的公因子之间的关系，估计出每个样本原始变量对各个公因子的得分，获得因子得分矩阵；因子得分矩阵的求取采用回归算法，将公因子表示成与样本原始变量的线性表达式，为式(5)；
Ft＝bt1Z1+bt2Z2+…+btsZs+…+btpZp,s＝1,2,…,p，t＝1,2,…,m (5)
其中，bts为样本原始变量Zs对公因子Ft的因子得分系数，因子得分系数矩阵B＝(bts)；
保存计算所得的因子得分系数矩阵；
105：基于因子分析提取低维度因子得分系数矩阵，采用K-means算法进行聚类分析：根据实际需求确定的聚类组数，选取初始聚类中心；计算各条日负荷曲线与聚类中心的平方欧式距离；按照平方欧式距离就近原则，对日负荷曲线进行重新归类，并计算新的聚类中心；当聚类中心不再发生变化，或者到达最大迭代次数，算法结束，输出聚类结果，否则继续迭代。
2.根据权利要求1所述的一种基于EMS数据的变电站行业比例获取方法，其特征在于，
KMO门限值为0.7。
3.根据权利要求1所述的一种基于EMS数据的变电站行业比例获取方法，其特征在于，公因子的选择依据为特征根大于1和特征值累计贡献率大于等于85％。
4.根据权利要求1所述的一种基于EMS数据的变电站行业比例获取方法，其特征在于，
步骤S1基于式(1)进行归一化处理，得到归一化数据；
其中，xi为第i个原始采样点数据；xi'为归一化后的第i个采样点数据；n为采样点个数；X为日负荷曲线的所有采样点数据，X＝(x1,x2,…xi…,xn)。
5.根据权利要求1所述的一种基于EMS数据的变电站行业比例获取方法，其特征在于，
步骤S2按照式(2)对典型类求平均值
其中，yr,j为典型类中第r天第j个采样点的负荷值；N为出线典型类的天数；yj为出线典型类日负荷曲线第j个采样点的负荷值；M为日采样点个数。
6.根据权利要求1所述的一种基于EMS数据的变电站行业比例获取方法，其特征在于，
步骤S4基于式(3)自下而上聚合得到变电站的行业构成；
其中，ρi为第i类行业的占比；Pij为第i类行业的第j条出线的负荷值；Ni为第i类行业的出线总数；K为行业类型总数。
7.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至6所述的方法中的任一方法的指令。
8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，
所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至6所述的方法中的任一方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810849230.3A CN109064009B (zh) | 2018-07-28 | 2018-07-28 | 基于ems数据的变电站行业比例获取方法及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810849230.3A CN109064009B (zh) | 2018-07-28 | 2018-07-28 | 基于ems数据的变电站行业比例获取方法及计算设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109064009A CN109064009A (zh) | 2018-12-21 |
| CN109064009B true CN109064009B (zh) | 2021-10-15 |
Family
ID=64836782
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810849230.3A Active CN109064009B (zh) | 2018-07-28 | 2018-07-28 | 基于ems数据的变电站行业比例获取方法及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109064009B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116775951B (zh) * | 2023-08-16 | 2023-11-14 | 深圳江行联加智能科技有限公司 | 新型电力系统的数据安全存储方法、装置及设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104268402A (zh) * | 2014-09-25 | 2015-01-07 | 国家电网公司 | 一种基于模糊c均值的电力系统负荷聚类方法 |
| CN105404935A (zh) * | 2015-11-11 | 2016-03-16 | 国网浙江省电力公司经济技术研究院 | 一种考虑业扩增量的电力系统月度负荷预测方法 |
| CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
| KR101854522B1 (ko) * | 2016-06-15 | 2018-05-03 | 연세대학교 산학협력단 | 스케줄링 방법 및 장치 |
| CN107463738A (zh) * | 2017-07-26 | 2017-12-12 | 浙江大学 | 一种考虑构成的变电站负荷两层聚类方法 |
-
2018
- 2018-07-28 CN CN201810849230.3A patent/CN109064009B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109064009A (zh) | 2018-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860979B (zh) | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 | |
| CN111932402B (zh) | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 | |
| CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN104200032B (zh) | 广义负荷建模中基于时段性的横向时间轴聚类方法 | |
| CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
| CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
| CN113126019A (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
| CN111339167A (zh) | 基于K-means和主成分线性回归的台区线损率影响因素分析方法 | |
| CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
| CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
| CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
| CN109064009B (zh) | 基于ems数据的变电站行业比例获取方法及计算设备 | |
| CN116165597A (zh) | 一种基于核偏最小二乘法的电能表失准在线检测方法 | |
| CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN105116268B (zh) | 一种分压售电量和分压供电量对线损率影响的分析方法 | |
| Sun | The price linkage between oil, gold, stock and exchange rate based on vine copula | |
| CN112508259A (zh) | 一种针对独立用户类别的中长期用电量预测方法及系统 | |
| CN106886851A (zh) | 基于电能表状态检修的电能表备品备件预测方法 | |
| CN113850432A (zh) | 一种电力负荷数据的预测方法、系统、设备和介质 | |
| CN113224748A (zh) | 一种低压配电台区线路损耗的计算方法 | |
| Ao et al. | Research on weighted cluster analysis method of panel data | |
| Zhong et al. | An evaluation method of voltage characteristics for medium-voltage distribution network considering probability distribution and fluctuation | |
| Li et al. | Sensitivity analysis and forecast of power load characteristics based on meteorological feature information | |
| CN112990559B (zh) | 一种低压业扩电源点的选取方法 |
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 |