CN110109971A - 一种低压台区用户用电负荷特性分析方法 - Google Patents
一种低压台区用户用电负荷特性分析方法 Download PDFInfo
- Publication number
- CN110109971A CN110109971A CN201910316199.1A CN201910316199A CN110109971A CN 110109971 A CN110109971 A CN 110109971A CN 201910316199 A CN201910316199 A CN 201910316199A CN 110109971 A CN110109971 A CN 110109971A
- Authority
- CN
- China
- Prior art keywords
- load
- power utilization
- user power
- low
- platform area
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 71
- 230000005611 electricity Effects 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003542 behavioural effect Effects 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 8
- 230000006399 behavior Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 240000002853 Nelumbo nucifera Species 0.000 description 5
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 5
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 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
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient 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
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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—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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种低压台区用户用电负荷特性分析方法，具体步骤如下：(1)确定低压台区用户用电负荷特性指标；(2)根据已确定的用户用电负荷特性指标，将低压台区用户用电信息进行标准化处理；(3)对经过标准化处理的低压台区用户用电信息进行聚类分析；(4)针对聚类分析后获得的不同类别的低压台区用户用电数据进行分析；(5)根据分析结果，制定负荷管理管理措施。本方法通过分析温度、节假日及气候等因素对低压台区用户用电特性的影响，分析用户的用电行为，进而制定出合理有效的负荷管理措施，提高系统运行的经济性，提高终端用电效率，深入推进节能减排工作。
Description
技术领域
本发明属于电力计量领域，涉及用电数据挖掘与分析技术，具体是一种低压台区用户用电负荷特性分析方法。
背景技术
低压台区是用电的重要组成部分，由于低压用电居民用电数量大、分布广，如何建立低压台区用户用电数据的标准化处理模式，从采集到的数据中提取可以有效体现不同低压台区特性的电气特征参数，并通过智能算法对台区进行分类，构建典型台区模型成为该领域关注的热点。
用户用电负荷特性描述了用户用电设备运行时表现出的特有电气行为,根据用户用电的运行状态，负荷特性可分为稳态特性、暂态特性和运行模式特性，其中稳态特性是用电设备在稳定运行状态下所表现出的电气特性，是负荷的主要特性，也是当前电力用户用电分析的重点。在进行低压台区用户负荷特性分析方面，由于用户用电行为所涉及的指标数量多，指标变化的随机性大，而且指标一般不能直接相加，因此分析的难度和工作量均比较大。从低压负荷用户特性分析的整体情况来看，目前国外研究的深度普遍不够，各地区负荷特性采用的指标不完全一致，所开展的负荷特性分析的深度和历史资料的积累也不一致。主要表现在：一是目前缺乏系统的负荷及负荷特性分析方法；二是负荷特性指标是时点指标，不同地区、不同时间的负荷特性不能直接叠加，使得进行大范围区域负荷特性分析的难度明显增加；三是各行业典型负荷曲线、非电网统调负荷特性曲线的获取和加工处理较为困难；四是定量分析各种因素对负荷特性的影响较为困难。因此目前国内外的负荷特性分析主要是以定性分析为主，有效地定量分析的方法不多。
近年来，随着经济的快速发展和人民生活水平的不断提高，电力需求持续增长，供需矛盾日益突出，受供需形势等多方面因素影响，用户用电负荷不断发生着变化，这使得用户用电负荷特性分析时刻都有新的研究内容。不同地区人民生活水平、经济发展水平、产业结构以及气象因素等都不相同，用户用电负荷特性也不相同。在相同的负荷管理措施下，不同用户响应程度是不同的，研究不同用户的用电特性，有利于准确把握电力负荷的内在特征。
发明内容
本发明的目的在于克服现有技术的不足之处，提供一种低压台区用户用电负荷特性分析方法，通过分析温度、节假日及气候等因素对低压台区用户用电特性的影响，分析用户的用电行为，进而制定出合理有效的负荷管理措施，提高系统运行的经济性，提高终端用电效率，深入推进节能减排工作。
本发明解决其技术问题是采取以下技术方案实现的：
一种低压台区用户用电负荷特性分析方法，其特征在于：具体步骤如下：
(1)确定低压台区用户用电负荷特性指标；
(2)根据已确定的用户用电负荷特性指标，将低压台区用户用电信息进行标准化处理；
(3)对经过标准化处理的低压台区用户用电信息进行聚类分析；
(4)针对聚类分析后获得的不同类别的低压台区用户用电数据进行分析；
(5)根据分析结果，制定负荷管理管理措施。
而且，所述低压台区用户用电负荷特性指标包括：典型日最大/小负荷、日平均负荷、日负荷率、日最小负荷率、日峰谷差率、月负荷率、年平均月负荷率、季不均衡系数、最大负荷利用小时数、年负荷率、日负荷曲线、年负荷曲线。
而且，在步骤(2)之前还包括：确定低压台区用户用电负荷的主要影响因素，其中所述主要影响因素包括：气候因素和时间因素。
而且，所述低压台区用户用电信息的标准化处理，具体过程包括：
(1)确定用户用电负荷特征指标：
(2)将用户用电负荷特征指标代入标准用电特征参数矩阵：对于N个待评估的用电特征量和M个参与用电行为分析的用户，得到用户标准用电特征量矩阵；
(3)针对用户标准用电特征量矩阵，计算对应的不同特征量，采用熵权法，计算特征量的指标权重；
(4)根据计算获得的待评估用电特征量的权重，对标准用电特征量矩阵进行加权计算，得到能够反映用户综合用电信息的加权矩阵。
而且，所述确定用户用电负荷特征指标包括：
①最高负荷利用小时X1；②日峰谷差率X2；③日负荷率X3；④日最小负荷率X4。
而且，所述标准用电特征参数矩阵的获得方法，包括：
对用户用电负荷特征指标进行标准归一化处理，得到标准用电特征量矩阵，对于每个用电特征量Xj，(j＝1,2,3,4)设Xj＝[xij]T(i＝1，K，m)为参与用电行为分析的用户总数，对矩阵中同一列的元素进行标准归一化处理，对于全部待评估的用电特征量和m个参与用电行为分析的用户，得到用户标准用电特征量矩阵其中x’ij为第i个用户的第j个待评估用电特征值。
一种低压台区用户用电负荷特性分析系统，其特征在于：包括影响因素确定模块、
标准化模块、聚类分析模块以及特征分析模块，影响因素确定模块、标准化模块、聚类分析
模块以及特征分析模块依次顺序连接，影响因素确定模块用于确定低压台区用户用电负荷
特性指标；标准化模块用于根据已确定的用户用电负荷特性指标，将低压台区用户用电信
息进行标准化处理；聚类分析模块用于对经过标准化处理的低压台区用户用电信息进行聚
类分析；特征分析模块用于针对聚类分析后获得的不同类别的低压台区用户用电数据进行
分析。
而且，所述影响因素确定模块确定出的低压台区用户用电负荷特性指标，具体包
括：典型日最大/小负荷、日平均负荷、日负荷率、日最小负荷率、日峰谷差率、月负荷率、年
平均月负荷率、季不均衡系数、最大负荷利用小时数、年负荷率、日负荷曲线、年负荷曲线。
而且，影响因素确定模块，还用于确定气候因素以及时间因素。
而且，所述标准化模块包括依次顺序连接的用户用电负荷特征指标采集模块、参数输入模块、指标权重计算模块以及加权计算模块，用户用电负荷特征指标采集模块用于确定用户用电负荷特征指标；参数输入模块用于将用户用电负荷特征指标代入标准用电特征参数矩阵；指标权重计算模块用于针对用户标准用电特征量矩阵，计算对应的不同特征量，采用熵权法，计算特征量的指标权重；加权计算模块用于根据计算获得的待评估用电特征量的权重，对标准用电特征量矩阵进行加权计算，得到能够反映用户综合用电信息的加权矩阵。
本发明的优点和积极效果是：
1、本发明将数据挖掘技术中的聚类算法应用到负荷特性分析中，对负荷特性进行更为客观的分析。首先选择某市的低压台区负荷为研究对象，通过对负荷数据归一化、标准化处理，在此基础上应用爬山法改进的模糊均值聚类算法分析不同行业用户负荷特性，用优化的BP 神经网络算法分析负荷与时间因素、气候因素、节假日因素的关系，统计各类因素的相关性大小，分析出有价值的负荷特性信息。
2、本发明将负荷分类后分别分析对应的特点，分析了影响负荷特性的相关影响因素，简单概述了负荷特性指标，然后简单介绍了常用的负荷特性分析方法，并结合实例对日、月、年负荷特性指标的变化规律进行了探讨和分析。基于数据聚类方法，对用户多维度用电特征的数据集进行聚类，挖掘负荷特性群体信息，有助于更深刻地认识用户及其群体特征。
3、本发明分析方法说明天气、节假日等外部因素对用户的用电行为是有影响的，引入外部因素后能更好地拟合用户的用电行为。
4、本方法能够准确地描述用户用电行为特性，为需求响应如峰时电价制定、错峰管理、负荷调控等提供了有效的数据支撑。
附图说明
图1为本发明具体实施例提供的一种低压台区用户用电负荷特性分析方法流程图；
图2为本发明具体实施例提供的低压台区用户用电数据标准化流程图；
图3为本发明具体实施例提供的对用电信息进行聚类分析流程图；
图4为本发明具体实施例提供的对用电信息进行聚类图；
图5为本发明具体实施例提供的18年夏季日峰荷(MW)与温度(℃)的变化趋势图(最大负荷出现在早上)；
图6为本发明具体实施例提供的18年夏季日峰荷(MW)与温度(℃)的变化趋势图(最大负荷出现在晚上)；
图7为本发明具体实施例提供的18年夏季节假日峰荷(MW)与各温度因子的变化趋势图。
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。
一种低压台区用户用电负荷特性分析方法，参见图1所示，具体步骤如下：
1、确定低压台区用户用电负荷特性指标及主要影响因素；
2、低压台区用户用电信息标准化；
3、基于K-Means聚类与间隙统计算法(GSA)相结合的思想对用电信息进行聚类分析；
4、利用cophenetic相关系数分析日峰负荷、日谷负荷、日平均负荷、日峰谷差与日最高温度、日最低温度、日期类型及天气因素对用户用电负荷特性的影响；
5、进行算例分析。
低压台区用户用电负荷特性指标及主要影响因素如下：
低压台区用户用电负荷特性指标有：(典型日)最大(小)负荷、日平均负荷、日负荷率、日最小负荷率、日峰谷差率、月负荷率、年平均月负荷率、季不均衡系数、最大负荷利用小时数、年负荷率、日负荷曲线、年负荷曲线等，具体为：
(1)(典型日)最大(小)负荷：记录的某一典型日所有负荷中，数值最大(小)的一个。计量间隔通常可以为瞬时、15分钟、半小时或1小时，典型日一般选最大负荷日或最大峰谷差日，也可根据各地情况选不同季节的某一代表日。
(2)日平均负荷：日电量除以24小时得到日平均负荷。
(3)日负荷率：日平均负荷除以日最大负荷，用来反映一日内负荷变化平稳程度，负荷变化越小，则日负荷率越高。
(4)日最小负荷率：日最小负荷除以日最大负荷，反映一日内负荷变化的幅度。
(5)日峰谷差率：日峰谷差与日最大负荷的比值。与日最小负荷率一样，也反映一日内负荷变化的幅度。
(6)月负荷率：指月平均负荷与本月内最大负荷日的平均负荷的比值，用来反映一个月内负荷平稳程度。
(7)年平均月负荷率：一年内各月平均负荷之和与各月最大负荷日平均负荷之和的比值。
(8)季不均衡系数：指全年各月最大负荷的平均与年最大负荷的比值。季不均衡系数表示一年内月最大负荷变化的不均衡性。
(9)最大负荷利用小时数：为年用电量与年最大负荷的比值。
(10)年负荷率：指年平均负荷(全年平均日电量除以24)与年最大负荷的比值，也等于最大负荷利用小时数与全年小时数(8760)的比值。
(11)日负荷曲线：通常采用一天中以15分钟(半小时、1小时)为间隔的负荷变化形成的日负荷曲线。日负荷曲线也可以用标幺值表示。前者直观地反映了负荷值的变化，后者更清楚地反映不同时段负荷的相对关系。
(12)年负荷曲线：按时间顺序以每月最大负荷绘制成的负荷曲线，用以描述各月最大负荷在年内的变化情况。
步骤S11中低压台区用户用电负荷的主要影响因素有：
(1)气候因素：温度是影响负荷的最主要的因素，其他气候因素还有湿度、风速、降水量和日照时长也对台区负荷的变化有影响。随着居民生活水平的提高，家用电器的普及，夏天増加降温负荷，冬天取暖负荷会随之増长，气候变化对台区负荷的影响越来越显著。
(2)时间因素：法定节假日、工作日、休息日、不同季节的白昼小时数、日照小时、温度的变化不同，都会影响到台区负荷的变化。
不同季节的白昼小时数、日照小时、温度的变化不同，都会影响到台区负荷的变化；由于工作方式和人们生活习惯在工作和作息上循环交替，使得台区负荷具有日周周期性；法定节假日伴随着休息、旅游等活动，使得比平时相化明显下降，研究还表明节假日前后的负荷也会受到节假日的累积影响会略有降低。
所述步骤S12，低压台区用户用电数据标准化过程包括：
(1)确定用户用电负荷特征参数：
①最高负荷利用小时X1：发(供、用)电量与它们的最高负荷的比率：
最高负荷利用小时(h)＝报告期发(供、用)电量(kWh)/报告期发(供、用)电最高负荷 (kW)
②日峰谷差率X2：日峰谷差最大值与当日最高负荷的比率。
③日负荷率X3：日平均负荷除以日最大负荷，用来反映一日内负荷变化平稳程度，负荷变化越小，则日负荷率越高。
④日最小负荷率X4：日最小负荷除以日最大负荷，反映一日内负荷变化的幅度。
(2)标准用电特征参数矩阵：对于N个待评估的用电特征量和M个参与用电行为分析的用户，得到用户标准用电特征量矩阵；
由于在K-Means聚类算法中，用户用电数据的异常值和特殊的变量会对聚类产生较大的影响，所以首先需要对其进行标准归一化处理，得到标准用电特征量矩阵。
对于每个用电特征量Xj，(j＝1,2,3,4)设Xj＝[xij]T(i＝1，K，m)为参与用电行为分析的用户总数。对矩阵中同一列的元素进行标准归一化处理，则对于4个待评估的用电特征量和m个参与用电行为分析的用户，得到用户标准用电特征量矩阵其中x’ij为第i个用户的第j个待评估用电特征值。
(3)不同特征量权值设定：对于不同特征量，采用熵权法，计算特征量的指标权重；
其中第j个待评估用电特征值下第i个用户的比重则第j个待评估用电特征值的熵值从而得到第j个待评估用电特征值的熵权获得权重矩阵W＝[w1,w2,w3,w4]。
(4)用户综合用电信息：根据各待评估用电特征量的权重，对标准用电特征量矩阵进行加权计算，得到能够反映用户综合用电信息的加权矩阵
步骤S13，基于K-Means聚类与间隙统计算法(GSA)相结合的思想对用电信息进行聚类分析的具体步骤包括：
(1)由K-Means聚类算法得到的结果确定聚类数目及聚类中心；
(2)假设样本数据生成k个聚类C1，C2，…，Ck。由公式(1)、(2)计算分类聚类个数分别为k＝1，2，…，k时对应的聚类离散度W(k)：
式中，Ca为所分类中的任何一个聚类；na为聚类Ca所包含的用电特征量个数。
(3)基于实际需要分成F组参考数据集，由公式(3)分别计算每组参考数据中对应各个k 的聚类离散度Wr(k)。当参考分布为均匀分布时，对产生的参考数据聚集成了k类，则对参考数据产生的类1的平均离散程度可以通过下式来度量：
式中，Xr，i表示参考数据聚成的第i类的量测值对应的随机变量，若Xr,i在区间[ai，bi]上服从均匀分布，令li＝bi-ai，则：
式中li表示对一维区间进行k次划分后第i个区间的长度，可以看出E(Wr,k)是一个关于聚类的函数。
(4)由公式(6)、(7)、(8)计算观察数据和参考数据被分成个聚类时的gap(k)值，以及标准差sdk和sk值，计算公式如下：
(5)由公式(9)确定满足最小k,使之满足下式，此时的k即为最佳的聚类个数。
gap(k)≥gap(k+1)-sk+1 (9)
经上述步骤(1)～(5)将实现用电负荷的聚类，聚类结果如图4所示。
利用由公式(10)计算cophenetic相关系数，分析日峰负荷、日谷负荷、日平均负荷、日峰谷差与日最高温度、日最低温度、日期类型及天气因素对用户用电负荷特性的影响。
所述步骤S14，针对聚类后的不同类别的低压台区用户用电数据，分析温度、日期类型及天气因素对用户负荷特性的影响具体步骤如下：
cophenetic相关系数是指y和x之间的线性相关系数，反映了两个数据样本间相关性的程度，cophenetic相关系数越接近于1，说明相关性的程度越高。通过cophenetic相关系数可以分析不同温度等级对用电负荷的影响，由此进一步分析用户用电行为特征。cophenetic相关系数表达式如下：即：
其中t为天数。
令x分别为日峰负荷、日谷负荷、日平均负荷、日峰谷差；y分别为日最高温度、日最低温度，利用上述公式计算分析以下问题：
(1)分析用户日峰负荷与日最高温度之间的相关性；
(2)分析用户日谷负荷与日最低温度之间的相关性；
(3)分析用户日平均负荷与最高、低温度之间的相关性；
(4)分析用户日峰谷差与最高、低温度之间的相关性；
(5)分析以上(1)～(4)在工作日与休息日的区别。
步骤S15，各个影响因素与用户用电负荷特性之间的相关性分析具体如下：
(1)负荷时间特性分析实例
1)年度负荷特性分析
表2尖峰负荷持续时间表(单位：小时)
由表2对比可知18年低压台区居民用户的最大负荷和最小负荷较农村居民台区都有所提高，说明供电量需求有所增加。但第一类居民用户80％、90％、95％、97％以上的尖峰负荷的利用小时却小于第二类居民用户，这说明尖峰电价没有得到很好的实施。应适时实施尖峰电价进行用电调度。第二类居民用户最高负荷利用小时数为：5207.9小时；第一类居民用户最高负荷利用小时数为：5051.0小时，第一类居民用户较第二类居民用户最高负荷利用小时数有所减少。
2)月负荷特性分析
月负荷特性指标包括月负荷率，月平均日负荷率，月最大峰谷差，月最大峰谷差率，月最大、最小负荷和月平均日峰谷差等。这里只对月平均日负荷、各月最大日峰谷差及峰谷差率、各月月负荷率进行分析。
表3第一、二类居民用户各月平均日负荷率
由表3可以看出，各月平均日负荷率大体在80％左右波动，不会小于70％，也不会超过90％，从上下波动来看，总的呈季节性的特点，夏季较高，其余时间较低；就这两种类型的台区来看负荷率波动较为平稳。
(2)负荷与温度相关性分析实例
分析2018年高层居民小区6-9月工作日最高温度、最低温度、2点温度、8点温度、14点温度、20点温度六个温度因子与日最高负荷的关系。用y1表示最大温度和最高负荷的简单相关系数，用y2表示最大负荷与最低温度的简单相关系数，用y3表示最大负荷与2点温度的简单相关系数，用y4表示最大负荷与8点温度的简单相关系数，用y5表示最大负荷与 14点温度的简单相关系数，用y6表示最大负荷与20点温度的简单相关系数。
为更清楚分析日峰荷与温度因子的相关性，将工作日的日峰荷分为两种情况：最大负荷出现在早上(0-12点之间)和最大负荷出现在晚上(12-24点之间)。对于这两种不同情况，分别找出最相关温度因子，做相关性分析。
1)最大负荷出现在早上(0-12点之间)
经过计算得出y1＝0.88，y2＝0.82，y3＝0.79,y4＝0.84,y5＝0.84,y6＝0.80。即日峰荷与最高温度相关系数为0.88，与早上8点温度相关系数为0.84，与14点温度相关系数也为 0.84，与这三者高度相关；与凌晨2点温度相关系数最小，为0.79。夏季日峰荷与最相关温度因子的变化趋势如图4所示。
2)最大负荷出现在晚上(12-24点之间)
经过统计计算得出y1＝0.85，y2＝0.76，y3＝0.76,y4＝0.85,y5＝0.85,y6＝0.79。即出现在晚高峰期间的日峰荷与最高温度、早上8点温度、14点温度相关系数皆为0.85，与这三者高度相关；与日最低温度、凌晨2点温度相关系数最小，为0.76。夏季日峰荷与最相关温度因子的变化趋势如图5所示。
(3)双休日日峰荷与温度因子相关性分析
经过统计计算得出y1＝0.84，y2＝0.76，y3＝0.71,y4＝0.85,y5＝0.81,y6＝0.74。即日峰荷与最高温度相关系数为0.84，与早上8点温度相关系数为0.85，与14点温度相关系数也为 0.81，与这三者高度相关；与凌晨2点温度相关系数最小，为0.71。2018年夏季节假日峰荷(MW) 与各温度因子的变化趋势如图6所示。
一种低压台区用户用电负荷特性分析系统，包括影响因素确定模块、标准化模块、
聚类分析模块以及特征分析模块，影响因素确定模块、标准化模块、聚类分析模块以及特征
分析模块依次顺序连接，
影响因素确定模块用于确定低压台区用户用电负荷特性指标；影响因素确定模块
确定出的低压台区用户用电负荷特性指标，具体包括：典型日最大/小负荷、日平均负荷、日
负荷率、日最小负荷率、日峰谷差率、月负荷率、年平均月负荷率、季不均衡系数、最大负荷
利用小时数、年负荷率、日负荷曲线、年负荷曲线。影响因素确定模块，还用于确定气候因素
以及时间因素。
标准化模块用于根据已确定的用户用电负荷特性指标，将低压台区用户用电信息
进行标准化处理；聚类分析模块用于对经过标准化处理的低压台区用户用电信息进行聚类
分析；标准化模块包括依次顺序连接的用户用电负荷特征指标采集模块、参数输入模块、指
标权重计算模块以及加权计算模块，用户用电负荷特征指标采集模块用于确定用户用电负
荷特征指标；参数输入模块用于将用户用电负荷特征指标代入标准用电特征参数矩阵；指
标权重计算模块用于针对用户标准用电特征量矩阵，计算对应的不同特征量，采用熵权法，
计算特征量的指标权重；加权计算模块用于根据计算获得的待评估用电特征量的权重，对
标准用电特征量矩阵进行加权计算，得到能够反映用户综合用电信息的加权矩阵。
特征分析模块用于针对聚类分析后获得的不同类别的低压台区用户用电数据进
行分析。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种低压台区用户用电负荷特性分析方法，其特征在于：具体步骤如下：
(1)确定低压台区用户用电负荷特性指标；
(2)根据已确定的用户用电负荷特性指标，将低压台区用户用电信息进行标准化处理；
(3)对经过标准化处理的低压台区用户用电信息进行聚类分析；
(4)针对聚类分析后获得的不同类别的低压台区用户用电数据进行分析；
(5)根据分析结果，制定负荷管理管理措施。
2.根据权利要求1所述的低压台区用户用电负荷特性分析方法，其特征在于：所述低压台区用户用电负荷特性指标包括：典型日最大/小负荷、日平均负荷、日负荷率、日最小负荷率、日峰谷差率、月负荷率、年平均月负荷率、季不均衡系数、最大负荷利用小时数、年负荷率、日负荷曲线、年负荷曲线。
3.根据权利要求1所述的低压台区用户用电负荷特性分析方法，其特征在于：在步骤(2)之前还包括：确定低压台区用户用电负荷的主要影响因素，其中所述主要影响因素包括：气候因素和时间因素。
4.根据权利要求1所述的低压台区用户用电负荷特性分析方法，其特征在于：所述低压台区用户用电信息的标准化处理，具体过程包括：
(1)确定用户用电负荷特征指标：
(2)将用户用电负荷特征指标代入标准用电特征参数矩阵：对于N个待评估的用电特征量和M个参与用电行为分析的用户，得到用户标准用电特征量矩阵；
(3)针对用户标准用电特征量矩阵，计算对应的不同特征量，采用熵权法，计算特征量的指标权重；
(4)根据计算获得的待评估用电特征量的权重，对标准用电特征量矩阵进行加权计算，得到能够反映用户综合用电信息的加权矩阵。
5.根据权利要求4所述的低压台区用户用电负荷特性分析方法，其特征在于：所述确定用户用电负荷特征指标包括：
①最高负荷利用小时X1；②日峰谷差率X2；③日负荷率X3；④日最小负荷率X4。
6.根据权利要求4所述的低压台区用户用电负荷特性分析方法，其特征在于：所述标准用电特征参数矩阵的获得方法，包括：
对用户用电负荷特征指标进行标准归一化处理，得到标准用电特征量矩阵，对于每个用电特征量Xj，(j＝1,2,3,4)设Xj＝[xij]T(i＝1，K，m)为参与用电行为分析的用户总数，对矩阵中同一列的元素进行标准归一化处理，对于全部待评估的用电特征量和m个参与用电行为分析的用户，得到用户标准用电特征量矩阵其中x′ij为第i个用户的第j个待评估用电特征值。
7.一种低压台区用户用电负荷特性分析系统，其特征在于：包括影响因素确定模块、标准化模块、聚类分析模块以及特征分析模块，影响因素确定模块、标准化模块、聚类分析模块以及特征分析模块依次顺序连接，影响因素确定模块用于确定低压台区用户用电负荷特性指标；标准化模块用于根据已确定的用户用电负荷特性指标，将低压台区用户用电信息进行标准化处理；聚类分析模块用于对经过标准化处理的低压台区用户用电信息进行聚类分析；特征分析模块用于针对聚类分析后获得的不同类别的低压台区用户用电数据进行分析。
8.根据权利要求7所述的低压台区用户用电负荷特性分析系统，其特征在于：所述影响因素确定模块确定出的低压台区用户用电负荷特性指标，具体包括：典型日最大/小负荷、日平均负荷、日负荷率、日最小负荷率、日峰谷差率、月负荷率、年平均月负荷率、季不均衡系数、最大负荷利用小时数、年负荷率、日负荷曲线、年负荷曲线。
9.根据权利要求7所述的低压台区用户用电负荷特性分析系统，其特征在于：影响因素确定模块，还用于确定气候因素以及时间因素。
10.根据权利要求7所述的低压台区用户用电负荷特性分析系统，其特征在于：所述标准化模块包括依次顺序连接的用户用电负荷特征指标采集模块、参数输入模块、指标权重计算模块以及加权计算模块，用户用电负荷特征指标采集模块用于确定用户用电负荷特征指标；参数输入模块用于将用户用电负荷特征指标代入标准用电特征参数矩阵；指标权重计算模块用于针对用户标准用电特征量矩阵，计算对应的不同特征量，采用熵权法，计算特征量的指标权重；加权计算模块用于根据计算获得的待评估用电特征量的权重，对标准用电特征量矩阵进行加权计算，得到能够反映用户综合用电信息的加权矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910316199.1A CN110109971A (zh) | 2019-04-19 | 2019-04-19 | 一种低压台区用户用电负荷特性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910316199.1A CN110109971A (zh) | 2019-04-19 | 2019-04-19 | 一种低压台区用户用电负荷特性分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110109971A true CN110109971A (zh) | 2019-08-09 |
Family
ID=67485771
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910316199.1A Pending CN110109971A (zh) | 2019-04-19 | 2019-04-19 | 一种低压台区用户用电负荷特性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110109971A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598994A (zh) * | 2019-08-19 | 2019-12-20 | 国网冀北电力有限公司 | 一种风电利用小时影响因素贡献度分析方法和装置 |
| CN110713560A (zh) * | 2019-10-12 | 2020-01-21 | 国网北京市电力公司 | 基于电能表低压电力线宽带载波通信的台区管理监控方法 |
| CN111027741A (zh) * | 2019-10-28 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 一种面向时空维度的通用化负荷模型分析库构建方法 |
| CN111915451A (zh) * | 2020-08-05 | 2020-11-10 | 国网安徽省电力有限公司电力科学研究院 | 台区日功率曲线计算方法 |
| CN112270338A (zh) * | 2020-09-27 | 2021-01-26 | 西安理工大学 | 一种电力负荷曲线聚类方法 |
| CN112418516A (zh) * | 2020-11-20 | 2021-02-26 | 天津海川能源科技有限公司 | 基于大数据的标幺值法电力负荷预测方法及系统 |
| CN112737109A (zh) * | 2020-12-18 | 2021-04-30 | 北京国电通网络技术有限公司 | 一种智能电网实时安全预警系统 |
| CN113536205A (zh) * | 2021-07-09 | 2021-10-22 | 国电南瑞科技股份有限公司 | 低压台区用能优化潜力评价方法及用能优化台区筛选系统 |
| CN115829418A (zh) * | 2023-02-07 | 2023-03-21 | 国网江苏省电力有限公司营销服务中心 | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766245A (zh) * | 2015-03-18 | 2015-07-08 | 华南理工大学 | 一种基于气象信息和熵权理论的电缆负荷曲线估算方法 |
| CN104933630A (zh) * | 2015-05-21 | 2015-09-23 | 国家电网公司 | 一种负荷特性分析方法和系统 |
| CN108280479A (zh) * | 2018-01-25 | 2018-07-13 | 重庆大学 | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 |
| CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及系统 |
| CN109634940A (zh) * | 2018-11-12 | 2019-04-16 | 国网天津市电力公司电力科学研究院 | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 |
| CN109636146A (zh) * | 2018-11-28 | 2019-04-16 | 东南大学 | 一种用户需求响应潜力画像方法 |
-
2019
- 2019-04-19 CN CN201910316199.1A patent/CN110109971A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104766245A (zh) * | 2015-03-18 | 2015-07-08 | 华南理工大学 | 一种基于气象信息和熵权理论的电缆负荷曲线估算方法 |
| CN104933630A (zh) * | 2015-05-21 | 2015-09-23 | 国家电网公司 | 一种负荷特性分析方法和系统 |
| CN108280479A (zh) * | 2018-01-25 | 2018-07-13 | 重庆大学 | 一种基于负荷特性指标加权聚类算法的电网用户分类方法 |
| CN108776939A (zh) * | 2018-06-07 | 2018-11-09 | 上海电气分布式能源科技有限公司 | 用户用电行为的分析方法及系统 |
| CN109634940A (zh) * | 2018-11-12 | 2019-04-16 | 国网天津市电力公司电力科学研究院 | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 |
| CN109636146A (zh) * | 2018-11-28 | 2019-04-16 | 东南大学 | 一种用户需求响应潜力画像方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598994B (zh) * | 2019-08-19 | 2022-10-25 | 国网冀北电力有限公司 | 一种风电利用小时影响因素贡献度分析方法和装置 |
| CN110598994A (zh) * | 2019-08-19 | 2019-12-20 | 国网冀北电力有限公司 | 一种风电利用小时影响因素贡献度分析方法和装置 |
| CN110713560A (zh) * | 2019-10-12 | 2020-01-21 | 国网北京市电力公司 | 基于电能表低压电力线宽带载波通信的台区管理监控方法 |
| CN111027741A (zh) * | 2019-10-28 | 2020-04-17 | 国网天津市电力公司电力科学研究院 | 一种面向时空维度的通用化负荷模型分析库构建方法 |
| CN111915451A (zh) * | 2020-08-05 | 2020-11-10 | 国网安徽省电力有限公司电力科学研究院 | 台区日功率曲线计算方法 |
| CN111915451B (zh) * | 2020-08-05 | 2024-03-29 | 国网安徽省电力有限公司电力科学研究院 | 台区日功率曲线计算方法 |
| CN112270338A (zh) * | 2020-09-27 | 2021-01-26 | 西安理工大学 | 一种电力负荷曲线聚类方法 |
| CN112418516A (zh) * | 2020-11-20 | 2021-02-26 | 天津海川能源科技有限公司 | 基于大数据的标幺值法电力负荷预测方法及系统 |
| CN112418516B (zh) * | 2020-11-20 | 2022-03-25 | 天津海川能源科技有限公司 | 基于大数据的标幺值法电力负荷预测方法及系统 |
| CN112737109A (zh) * | 2020-12-18 | 2021-04-30 | 北京国电通网络技术有限公司 | 一种智能电网实时安全预警系统 |
| CN112737109B (zh) * | 2020-12-18 | 2022-05-31 | 北京国电通网络技术有限公司 | 一种智能电网实时安全预警系统 |
| CN113536205A (zh) * | 2021-07-09 | 2021-10-22 | 国电南瑞科技股份有限公司 | 低压台区用能优化潜力评价方法及用能优化台区筛选系统 |
| CN113536205B (zh) * | 2021-07-09 | 2024-05-28 | 国电南瑞科技股份有限公司 | 低压台区用能优化潜力评价方法及用能优化台区筛选系统 |
| CN115829418A (zh) * | 2023-02-07 | 2023-03-21 | 国网江苏省电力有限公司营销服务中心 | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
| Huang et al. | A clustering based grouping method of nearly zero energy buildings for performance improvements | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Chicco et al. | Emergent electricity customer classification | |
| CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
| CN109858728B (zh) | 基于分行业用电特性分析的负荷预测方法 | |
| CN111461761A (zh) | 一种基于多维细粒度行为数据的居民用户画像方法 | |
| CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
| CN110428168A (zh) | 一种计及储能的多能源配电系统协调调度综合评价方法 | |
| CN103310388B (zh) | 基于信源熵的电网运行综合指数计算方法 | |
| CN103793788B (zh) | 一种有序用电管理方法 | |
| Zhou et al. | Multiobjective model of time-of-use and stepwise power tariff for residential consumers in regulated power markets | |
| CN106355285B (zh) | 一种基于参数修正的用电负荷预测方法 | |
| CN112968441B (zh) | 一种应用于大规模风电基地的电网规划方法 | |
| Fidalgo et al. | A new clustering algorithm for load profiling based on billing data | |
| CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
| CN110380444A (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN113902304A (zh) | 一种基于总负荷曲线相似性的可控负荷筛选方法 | |
| CN110244099A (zh) | 基于用户电压的窃电检测方法 | |
| CN115907511A (zh) | 可调节负荷资源价值评估模型的构建方法及装置 | |
| CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
| CN111428745A (zh) | 一种基于聚类分析的低压用户用电特征提取方法 | |
| CN106875058A (zh) | 一种电力业扩可开放容量智能判断方法 | |
| Lee et al. | Iteration particle swarm optimization for contract capacities selection of time-of-use rates industrial customers | |
| CN115809718B (zh) | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统 |
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: 20190809 |
|
| RJ01 | Rejection of invention patent application after publication |