CN109558897A - 一种基于数据挖掘的电网规划多场景提取方法 - Google Patents
一种基于数据挖掘的电网规划多场景提取方法 Download PDFInfo
- Publication number
- CN109558897A CN109558897A CN201811324971.6A CN201811324971A CN109558897A CN 109558897 A CN109558897 A CN 109558897A CN 201811324971 A CN201811324971 A CN 201811324971A CN 109558897 A CN109558897 A CN 109558897A
- Authority
- CN
- China
- Prior art keywords
- scene
- cluster
- clustering
- data
- network planning
- 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 28
- 238000007418 data mining Methods 0.000 title claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 12
- 238000003064 k means clustering Methods 0.000 claims abstract description 11
- 239000012141 concentrate Substances 0.000 claims abstract description 10
- 241001269238 Data Species 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 230000002354 daily effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了属于智能电网开发技术领域的一种基于数据挖掘的电网规划多场景提取方法。该方法先从大规模多场景数据集中筛选能够描述电网规划的聚类属性变量，然后通过主成分分析法对多场景数据集中特征变量的发电机节点和负荷节点进行降维处理；并以多场景数据集中的每个时刻为场景样本，以降维后的发电机组和负荷节点的有功功率为属性，利用改进的K‑means聚类算法进行聚类分析，从聚类结果中选取具有代表性的真实场景作为典型场景；最后输出场景提取结果。本发明可以权衡各因素对电网规划场景变化模式的影响程度，提取适合于大规模电网规划需求的关键影响要素，并幅降低数据维数，提高效率；实现系统化、科学化、高效化的典型场景提取。
Description
技术领域
本发明属于智能电网开发技术领域，特别涉及一种基于数据挖掘的电网规划 多场景提取方法。
背景技术
随着智能电网的发展与建设，大规模的新能源接入电网，电网的结构日趋复 杂，传统的仅针对冬大、冬小、夏大、夏小四个极端运行方式的评估与分析将无 法满足未来电力系统精细化规划计算与分析的客观需要，需要针对精细化电网运 行方式开展电网规划多场景提取，以筛选考虑到新能源随机性和波动性的典型场 景，从而为全面评估电网规划及运行方案的合理性提出科学指导，提高电网安全 稳定分析的合理性。但是，电力系统精细化运行方式规模庞大，若选取的数据挖 掘模型不合适，将可能造成计算时间过长甚至无法求解，或提取场景无代表性的 后果。
数据挖掘是从大量的数据集中挖掘出隐含的、具有潜在价值的关系、模式和 趋势，并且利用这些知识提供预测性决策支持的方法、工具和过程。通过数据挖 掘来进行电网规划多场景的提取，不仅要考虑到典型场景的代表性，同时还需要 兼顾计算效率和精度，因此，系统化、科学化的电网规划多场景数据挖掘模型显 得尤为重要。目前，数据挖掘方法已逐渐拓展应用到电力系统中电网运行、电力 状态监测等细分领域，但在电网规划尤其是场景提取中并未有系统、成熟的应用。
发明内容
本发明的目的是提出一种基于数据挖掘的电网规划多场景提取方法，其特征 在于，该方法先从大规模多场景数据集中筛选能够描述电网规划的聚类属性变 量，然后通过主成分分析法对多场景数据集中特征变量的发电机节点和负荷节点 进行降维处理；并以多场景数据集中的每个时刻为场景样本，以降维后的发电机 组和负荷节点的有功功率为属性，利用改进的K-means聚类算法进行聚类分析， 从聚类结果中选取具有代表性的真实场景作为典型场景；最后输出场景提取结 果；具体包括如下步骤：
步骤1：数据输入，输入电网规划场景数据集，其包括系统规模、机组的技 术参数、网架信息以及负荷功率；
步骤2：数据特征分析，对场景数据集中的属性变量进行选取，选择发电节 点出力的有功、无功功率和负荷节点的有功、无功功率作为聚类的特征变量；
步骤3：数据预处理，从场景数据集中解析属性变量的相关数据，剔除不合 理的数据和常年利用率较低的节点，并对数据进行标准化；
步骤4：数据降维，通过主成分分析法在数量繁多的发电机节点和负荷节点 中提取出具有典型性和代表性的主成分，同时达到降维分析的目的；
步骤5：聚类分析，设定初始的聚类个数k，同时初始化k个聚类中心，采 用改进的K-means聚类算法对降维后的场景数据集进行聚类分析；
步骤6：判断聚类个数k是否合理，如果不合理，通过DBI指标(Davies-BouldinIndex，DBI)和CHI指标(Calinski-Harabasz Index，CHI)、确定最佳聚类个数k， 重新设置聚类个数，重复步骤5；
步骤7：多场景提取，从聚类结果的同类场景中选取距离聚类中心最近的真 实场景作为代表该类的典型场景，同时通过离群点检测提取离群场景；
步骤8：结果输出，输出聚类结果，包括聚类个数、各聚类场景集数量、各 类典型场景以及离群场景；
步骤9：结束多场景提取。
所述改进的K-means聚类算法是对最佳聚类个数和初始聚类点问题进行的改 进如下：
改进1：选用CHI指标、DBI指标作为聚类结果质量评价指标来确定最佳聚 类个数，计算公式如下。
(1)DBI指标
其中：
式中，d(Xk)和d(Xj)为矩阵内部距离；d(ck,cj)为向量间的距离。针对一个聚 类结果，期望类内距离最小，类间距离最大，此时聚类效果最佳，因此，IDBI越 小聚类效果越好。
(2)CHI指标
其中：
式中：B代表所有聚类间距离，W代表所有聚类内对象距离，K代表聚类个 数，N代表第k个聚类对象总数，为所有对象的均值,ck代表第k个聚类中心， wk,i表示第i个对象xi对第k个聚类的隶属关系，即
改进2：对初始聚类点的确定方法进行改进,
(1)首先将多场景数据集作为一个大类，选取整个数据集的均值为第1个 初始聚类点；
(2)计算与第1个初始聚类点距离最大的场景作为第2个初始聚类点；
(3)在余下的多场景中计算与前两个初始聚类点距离之和最大的场景为第3 个初始聚类点；
(4)重复上述步骤，第i个初始聚类点为距离前i-1个初始聚类点距离之和 最大的场景；
(5)直到所有的初始聚类点确定完为止。
本发明的有益效果是能够实现系统化、科学化、高效化的典型场景提取，具 有如下优点：
(1)本发明提出了基于数据挖掘的电网规划多场景提取模型，填补了数据 挖掘在电力系统中电网规划领域的空缺，解决了大规模电网规划中长期基于人工 经验编制中存在的效率低、出错高、典型性不强等问题。
(2)电网规划场景影响因素具有高维、复杂等特性，本发明通过主成分分 析的场景因素筛选方法，可以权衡各因素对电网规划场景变化模式的影响程度， 从而提取适合于大规模电网规划需求的关键影响要素，并大幅降低数据维数，提 高效率。
(3)本发明针对典型K-means聚类算法中最佳聚类个数和初始聚类点问题 进行了改进，提出了最佳聚类个数评价指标与方法、基于最远距离的初始聚类点 确定方法，提高了电网规划多场景提取算法的实用性与适用性。
附图说明
图1为电网规划多场景提取流程图。
图2为DBI指标和CHI指标随聚类个数变化趋势图，其中，a DBI指标；b CHI 指标；
具体实施方式
本发明提出一种基于数据挖掘的电网规划多场景提取方法，其特征在于，该 方法先从大规模多场景数据集中筛选能够描述电网规划的聚类属性变量，然后通 过主成分分析法对多场景数据集中特征变量的发电机节点和负荷节点进行降维 处理；并以多场景数据集中的每个时刻为场景样本，以降维后的发电机组和负荷 节点的有功功率为属性，利用改进的K-means聚类算法进行聚类分析，从聚类结 果中选取具有代表性的真实场景作为典型场景；最后输出场景提取结果；具体如 图1所示的电网规划多场景提取流程图。图中所示：
步骤1：数据输入，输入电网规划场景数据集，其包括系统规模、机组的技 术参数、网架信息以及负荷功率；
步骤2：数据特征分析，对场景数据集中的属性变量进行选取，选择发电节 点出力的有功、无功功率和负荷节点的有功、无功功率作为聚类的特征变量；
步骤3：数据预处理，从场景数据集中解析属性变量的相关数据，剔除不合 理的数据和常年利用率较低的节点，并对数据进行标准化；
步骤4：数据降维，通过主成分分析法在数量繁多的发电机节点和负荷节点 中提取出具有典型性和代表性的主成分，同时达到降维分析的目的；
步骤5：聚类分析，设定初始聚类个数k，同时初始化k个聚类中心，采用 改进的K-means聚类算法对降维后的场景数据集进行聚类分析；
步骤6：判断聚类个数k是否合理，如果不合理，通过DBI指标(Davies-BouldinIndex，DBI)和CHI指标(Calinski-Harabasz Index，CHI)、确定最佳聚类个数k， 重新设置聚类个数，重复步骤5；
步骤7：多场景提取，从聚类结果的同类场景中选取距离聚类中心最近的真 实场景作为代表该类的典型场景，同时通过离群点检测提取离群场景；
步骤8：结果输出，输出聚类结果，包括聚类个数、各聚类场景集数量、各 类典型场景以及离群场景；
步骤9：结束多场景提取。
所述改进的K-means聚类算法是对最佳聚类个数和初始聚类点问题进行的改 进如下：
改进1：选用CHI指标、DBI指标作为聚类结果质量评价指标来确定最佳聚 类个数，计算公式如下。
(1)DBI指标
其中：
式中，d(Xk)和d(Xj)为矩阵内部距离；d(ck,cj)为向量间的距离。针对一个聚 类结果，我们期望类内距离最小，类间距离最大，此时聚类效果最佳，因此，IDBI越小聚类效果越好。
(2)CHI指标
其中：
式中：B代表所有聚类间距离，W代表所有聚类内对象距离，K代表聚类个 数，N代表第k个聚类对象总数，为所有对象的均值,ck代表第k个聚类中心， wk,i表示第i个对象xi对第k个聚类的隶属关系，即
改进2：对初始聚类点的确定方法进行改进,
(1)首先将多场景数据集作为一个大类，选取整个数据集的均值为第1个 初始聚类点；
(2)计算与第1个初始聚类点距离最大的场景作为第2个初始聚类点；
(3)在余下的多场景中计算与前两个初始聚类点距离之和最大的场景为第3 个初始聚类点；
(4)重复上述步骤，第i个初始聚类点为距离前i-1个初始聚类点距离之和 最大的场景；
(5)直到所有的初始聚类点确定完为止。
以如下实际算例对本方法予以说明。
数据来自我国某省实际电网数据，数据范围从2015年5月16日0点开始， 至2015年6月5日0点为止，每隔10分钟进行一次采样，共产生2880个电网 实际场景数据。
采用本发明提出的方法进行电网规划多场景提取。在经过基于主成分分析的 数据降维后，对包含102个特征变量的不同场景开始聚类分析。由于K-means聚 类算法需要事先指定聚类数目，本发明选取DBI指标和CHI指标作为聚类指标 评估聚类效果，最终确定最佳聚类个数，聚类数目的取值范围为
根据DBI指标和CHI指标计算公式进行计算，如图2的a,DBI指标和b， CHI指标所示的随聚类个数变化的趋势图。
由图2的a,DBI指标和b，CHI指标可知，聚类效果最好时，DBI指标最小， CHI指标最大，因此将多场景数据集划分为4个场景时，聚类效果最好，即场景 划分显著性较好。
聚类结果中各类场景在每一天中存在时段，在每天白天8:30～每天夜晚22:30 左右，这段时间人们的社会生产活动最活跃，所以表现为整体负荷水平最高，持 续时间最长，聚类效果最好；在每天6:00～9:30和每天夜晚21:30～23:30左右，这 两个时间段人们的社会生产活动刚开始或者刚结束，表现为整体负荷水平较低， 持续总时长最短；在每天深夜23:00～次日凌晨6:30，这段时间人们大部分的社会 生产活动都已经停止，因此，表现为整体负荷水平最低，持续总时长较长。
Claims (2)
1.一种基于数据挖掘的电网规划多场景提取方法，其特征在于，该方法先从大规模多场景数据集中筛选能够描述电网规划的聚类属性变量，然后通过主成分分析法对多场景数据集中特征变量的发电机节点和负荷节点进行降维处理；并以多场景数据集中的每个时刻为场景样本，以降维后的发电机组和负荷节点的有功功率为属性，利用改进的K-means聚类算法进行聚类分析，从聚类结果中选取具有代表性的真实场景作为典型场景；最后输出场景提取结果；具体包括如下步骤：
步骤1：数据输入，输入电网规划场景数据集，其包括系统规模、机组的技术参数、网架信息以及负荷功率；
步骤2：数据特征分析，对场景数据集中的属性变量进行选取，选择发电节点出力的有功、无功功率和负荷节点的有功、无功功率作为聚类的特征变量；
步骤3：数据预处理，从场景数据集中解析属性变量的相关数据，剔除不合理的数据和常年利用率较低的节点，并对数据进行标准化；
步骤4：数据降维，通过主成分分析法在数量繁多的发电机节点和负荷节点中提取出具有典型性和代表性的主成分，同时达到降维分析的目的；
步骤5：聚类分析，设定初始聚类个数k，同时初始化k个聚类中心，采用改进的K-means聚类算法对降维后的场景数据集进行聚类分析；
步骤6：判断聚类个数k是否合理，如果不合理，通过DBI指标(Davies-Bouldin Index，DBI)和CHI指标(Calinski-Harabasz Index，CHI)、确定最佳聚类个数k，重新设置聚类个数，重复步骤5；
步骤7：多场景提取，从聚类结果的同类场景中选取距离聚类中心最近的真实场景作为代表该类的典型场景，同时通过离群点检测提取离群场景；
步骤8：结果输出，输出聚类结果，包括聚类个数、各聚类场景集数量、各类典型场景以及离群场景；
步骤9：结束多场景提取。
2.根据权利要求1所述基于数据挖掘的电网规划多场景提取方法，其特征在于，所述改进的K-means聚类算法是对最佳聚类个数和初始聚类点问题进行的改进如下：
改进1：选用CHI指标、DBI指标作为聚类结果质量评价指标来确定最佳聚类个数，计算公式如下：
(1)DBI指标
其中：
式中，d(Xk)和d(Xj)为矩阵内部距离；d(ck,cj)为向量间的距离；针对一个聚类结果，期望类内距离最小，类间距离最大，此时聚类效果最佳，因此，IDBI越小聚类效果越好；
(2)CHI指标
其中：
式中：B代表所有类簇间距离，W代表所有类簇内对象距离，K代表聚类个数，N代表第k个聚类对象总数，为所有对象的均值,ck代表第k个聚类中心，wk,i表示第i个对象xi对第k个聚类的隶属关系，即
改进2：对初始聚类点的确定方法进行改进,
(1)首先将多场景数据集作为一个大类，选取整个数据集的均值为第1个初始聚类点；
(2)计算与第1个初始聚类点距离最大的场景作为第2个初始聚类点；
(3)在余下的多场景中计算与前两个初始聚类点距离之和最大的场景为第3个初始聚类点；
(4)重复上述步骤，第i个初始聚类点为距离前i-1个初始聚类点距离之和最大的场景；
(5)直到所有的初始聚类点确定完为止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811324971.6A CN109558897A (zh) | 2018-11-08 | 2018-11-08 | 一种基于数据挖掘的电网规划多场景提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811324971.6A CN109558897A (zh) | 2018-11-08 | 2018-11-08 | 一种基于数据挖掘的电网规划多场景提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109558897A true CN109558897A (zh) | 2019-04-02 |
Family
ID=65866057
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811324971.6A Pending CN109558897A (zh) | 2018-11-08 | 2018-11-08 | 一种基于数据挖掘的电网规划多场景提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109558897A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321799A (zh) * | 2019-06-04 | 2019-10-11 | 武汉大学 | 一种基于sbr和平均类间距离的场景数选择方法 |
| CN110471279A (zh) * | 2019-07-25 | 2019-11-19 | 浙江大学 | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 |
| CN110717725A (zh) * | 2019-08-30 | 2020-01-21 | 国网浙江省电力有限公司 | 基于大数据分析的电网项目选取方法 |
| CN111985718A (zh) * | 2020-08-25 | 2020-11-24 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的配电变压器选型推荐方法 |
| CN112200220A (zh) * | 2020-09-18 | 2021-01-08 | 中国航空无线电电子研究所 | 一种基于数据归纳的飞机机载设备健康监控方法 |
| CN112308412A (zh) * | 2020-10-30 | 2021-02-02 | 国网电力科学研究院有限公司 | 基于评估指标的波浪发电典型场景生成方法 |
| CN112671096A (zh) * | 2020-11-20 | 2021-04-16 | 浙江华云信息科技有限公司 | 基于数据分析的台区线损电能监测系统及其监测方法 |
| CN112785457A (zh) * | 2021-02-02 | 2021-05-11 | 东南大学 | 一种基于面板数据的分布式供能系统典型场景构建方法 |
| CN115618258A (zh) * | 2022-12-16 | 2023-01-17 | 中国电力科学研究院有限公司 | 一种电力系统规划关键运行方式提取方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107256415A (zh) * | 2017-08-04 | 2017-10-17 | 国网北京经济技术研究院 | 一种电力系统运行方式场景的计算方法及计算系统 |
| CN107301472A (zh) * | 2017-06-07 | 2017-10-27 | 天津大学 | 基于场景分析法和电压调节策略的分布式光伏规划方法 |
-
2018
- 2018-11-08 CN CN201811324971.6A patent/CN109558897A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301472A (zh) * | 2017-06-07 | 2017-10-27 | 天津大学 | 基于场景分析法和电压调节策略的分布式光伏规划方法 |
| CN107256415A (zh) * | 2017-08-04 | 2017-10-17 | 国网北京经济技术研究院 | 一种电力系统运行方式场景的计算方法及计算系统 |
Non-Patent Citations (1)
| Title |
|---|
| 段云琦: "基于数据挖掘的电网规划多场景建模研究", 《万方数据》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110321799B (zh) * | 2019-06-04 | 2022-11-18 | 武汉大学 | 一种基于sbr和平均类间距离的场景数选择方法 |
| CN110321799A (zh) * | 2019-06-04 | 2019-10-11 | 武汉大学 | 一种基于sbr和平均类间距离的场景数选择方法 |
| CN110471279A (zh) * | 2019-07-25 | 2019-11-19 | 浙江大学 | 一种基于vine-copulas的工业生产模拟场景发生器及场景发生方法 |
| CN110717725A (zh) * | 2019-08-30 | 2020-01-21 | 国网浙江省电力有限公司 | 基于大数据分析的电网项目选取方法 |
| CN110717725B (zh) * | 2019-08-30 | 2023-09-19 | 国网浙江省电力有限公司 | 基于大数据分析的电网项目选取方法 |
| CN111985718B (zh) * | 2020-08-25 | 2022-09-20 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的配电变压器选型推荐方法 |
| CN111985718A (zh) * | 2020-08-25 | 2020-11-24 | 国网河南省电力公司电力科学研究院 | 一种基于数据驱动的配电变压器选型推荐方法 |
| CN112200220A (zh) * | 2020-09-18 | 2021-01-08 | 中国航空无线电电子研究所 | 一种基于数据归纳的飞机机载设备健康监控方法 |
| CN112308412B (zh) * | 2020-10-30 | 2022-11-11 | 国网电力科学研究院有限公司 | 基于评估指标的波浪发电典型场景生成方法 |
| CN112308412A (zh) * | 2020-10-30 | 2021-02-02 | 国网电力科学研究院有限公司 | 基于评估指标的波浪发电典型场景生成方法 |
| CN112671096A (zh) * | 2020-11-20 | 2021-04-16 | 浙江华云信息科技有限公司 | 基于数据分析的台区线损电能监测系统及其监测方法 |
| CN112671096B (zh) * | 2020-11-20 | 2024-02-20 | 浙江华云信息科技有限公司 | 基于数据分析的台区线损电能监测系统及其监测方法 |
| CN112785457A (zh) * | 2021-02-02 | 2021-05-11 | 东南大学 | 一种基于面板数据的分布式供能系统典型场景构建方法 |
| CN112785457B (zh) * | 2021-02-02 | 2023-10-10 | 东南大学 | 一种基于面板数据的分布式供能系统典型场景构建方法 |
| CN115618258A (zh) * | 2022-12-16 | 2023-01-17 | 中国电力科学研究院有限公司 | 一种电力系统规划关键运行方式提取方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109558897A (zh) | 一种基于数据挖掘的电网规划多场景提取方法 | |
| CN107423769B (zh) | 基于形态特征的电力负荷曲线自适应聚类方法 | |
| CN104200275B (zh) | 基于用户行为特点的用电模式分类和控制方法 | |
| CN103400052B (zh) | 一种风电场短期风速组合预测方法 | |
| CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
| CN104239964B (zh) | 基于谱聚类和遗传优化极端学习机的超短期风速预测方法 | |
| CN107578288B (zh) | 一种考虑用户用电模式差异的非侵入式负荷分解方法 | |
| CN109598451A (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
| CN108306303A (zh) | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 | |
| CN109492748B (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
| CN110321934A (zh) | 一种检测用户用电异常数据的方法及系统 | |
| CN110909911B (zh) | 考虑时空相关性的多维时序数据的聚合方法 | |
| CN110232476A (zh) | 一种基于深度学习的微电网负荷预测方法 | |
| CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
| CN109711483A (zh) | 一种基于Sparse Autoencoder的电力系统运行方式聚类方法 | |
| CN110516944A (zh) | 一种配电网多阶段典型运行场景生成方法 | |
| CN113141008A (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
| CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| CN108155649A (zh) | 一种考虑dg不确定性的配电网网架模糊规划方法 | |
| CN103679288A (zh) | 一种径流式小水电集群发电功率短期预测方法及预测系统 | |
| CN107944617A (zh) | 一种基于逻辑回归的疑似窃电主题影响因素权重优化方法 | |
| CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
| CN112200391B (zh) | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 | |
| CN104598657A (zh) | 一种基于memetic算法的基因模体重构技术 | |
| CN107276093A (zh) | 基于场景削减的电力系统概率潮流计算方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |
|
| RJ01 | Rejection of invention patent application after publication |