CN110135511A - 电力系统时间断面的确定方法、装置以及电子设备 - Google Patents
电力系统时间断面的确定方法、装置以及电子设备 Download PDFInfo
- Publication number
- CN110135511A CN110135511A CN201910428235.3A CN201910428235A CN110135511A CN 110135511 A CN110135511 A CN 110135511A CN 201910428235 A CN201910428235 A CN 201910428235A CN 110135511 A CN110135511 A CN 110135511A
- Authority
- CN
- China
- Prior art keywords
- time section
- cluster
- discontinuity surface
- similarity
- section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 13
- 238000003066 decision tree Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 28
- 230000006872 improvement Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004321 preservation Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004441 surface measurement Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种电力系统时间断面的确定方法、装置以及电子设备,涉及电力系统技术领域,可以解决时间断面的相似性结果的精确度较低的技术问题。该方法包括:获取电力系统的历史时间断面;将目标时间断面和历史时间断面中与目标时间断面相似度最小的时间断面分别作为初始聚类中心,对历史时间断面进行聚类,得到第一时间断面对应的第一集群和第二时间断面对应的第二集群;重复执行步骤:重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对历史时间断面进行聚类,得到第一时间断面对应的第一集群;对第一集群中的多个时间断面进行筛选,得到与目标时间断面相似度最高的断面。
Description
技术领域
本申请涉及电力系统技术领域,尤其是涉及一种电力系统时间断面的确定方法、装置以及电子设备。
背景技术
在电力系统领域中,电力系统的时间断面指的是电力系统在某一个时刻时,电网的整体运行状态,其中包括有这一时刻电网运行的线路潮流、节点电压、负荷量、发电量和设备状态等各项数据信息。电网在实际运行中会每隔5分钟至15分钟保存一次电力系统的时间断面。
在电力系统的实际调度工作中,电力系统的运行决策安排过程需要考虑很多因素,而时间断面是对电网运行方式安排、运行决策、静态安全分析、潮流优化、稳定性计算等诸多工作的重要依据。在实际应用中,若在历史时间段内存在与当前的时间断面极为相似的某一历史时间断面,便能够直接根据该历史时间断面下的电力系统运行决策安排,来进行当前时刻的运行决策安排,以节省人力、提高效率,而且避免人工的主观判断影响运行决策效果。
现有的对相似时间断面的确定过程是利用传统的聚类算法而进行相似性聚类。但是在该方法中,聚类中心的选取对聚类结果影响较大,很容易将本身与当前时间断面相似度较大的断面分类为非相似类型,而最终得到的相似类型中却存在与当前时间断面相似度较小的断面。因此,通过目前的相似性聚类方法得到的相似性结果的精确度较低。
发明内容
有鉴于此,本申请的目的在于提供一种电力系统时间断面的确定方法、装置以及电子设备,以解决目前的相似性聚类方法得到的时间断面的相似性结果的精确度较低的技术问题。
第一方面,本申请实施例提供了一种电力系统时间断面的确定方法,包括:
获取历史时间断面,将第一时间断面和第二时间断面作为初始聚类中心对历史时间断面聚类,分别得到第一集群和第二集群;第一时间断面为目标时间断面,第二时间断面为与目标时间断面相似度最小的时间断面;
重复执行此步骤至第一集群稳定,确定稳定的第一集群为相似集群:重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对所述历史时间断面进行聚类,得到所述第一时间断面对应的第一集群和所述第三时间对应的第二集群,并对所述相似集群中的多个时间断面进行筛选,得到与所述目标时间断面相似度最高的断面。
第二方面,本申请实施例还提供一种电力系统时间断面的确定装置,包括:
聚类模块,用于获取历史时间断面,将第一时间断面和第二时间断面作为初始聚类中心对历史时间断面聚类,分别得到第一集群和第二集群,第一时间断面为目标时间断面,第二时间断面为与目标时间断面相似度最小时间断面,并重复执行此步骤至第一集群稳定,确定稳定的第一集群为相似集群:重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对历史时间断面进行聚类,得到第一时间断面对应的第一集群,和第三时间对应的第二集群;
筛选模块,用于对相似集群中多个时间断面进行筛选,得到与目标时间断面相似度最高断面。
第三方面,本申请实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述如第一方面所述的方法的步骤。
第四方面,本申请实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行如第一方面所述的方法。
本方案中,由于将目标时间断面和与目标时间断面相似度最小的第二时间断面分别作为初始聚类中心,进而对历史时间断面进行聚类,并且,在聚类过程中,保持目标时间断面对应的第一集群的聚类中心,始终为目标时间断面不变,使第一集群中的时间断面在聚类过程中始终以目标时间断面为聚类中心不变,能够避免将本身与目标时间断面相似度较大的断面从第一集群中划分出去。再者,在聚类过程中,通过重复执行:将第二时间断面对应的第二集群的聚类中心进行更新,能够将更多的与目标时间断面之间相似度较小的断面划分为第二集群,避免了最终得到的第一集群中却存在与目标时间断面相似度较小的断面。因此,达到将相似度较小的断面以及相似度较大的断面之间进行更为精确的区分,以便于之后直接从聚类结果精确的稳定的第一集群中筛选出与目标时间断面相似度最高的断面。因此,这种只更新部分聚类中心的聚类过程使相似类型的准确度得到保证,提高了相似性结果的精确度。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例所提供的一种电力系统时间断面的确定方法的流程图;
图2示出了本申请实施例所提供的时间断面的示意图;
图3示出了本申请实施例所提供的电力系统时间断面的确定方法中,获取电力系统的历史时间断面步骤的具体方法的流程图;
图4示出了本申请实施例所提供的决策树模型的结构示意图;
图5(a)示出了本申请实施例所提供的算法改进前的聚类结果;
图5(b)示出了本申请实施例所提供的算法改进后的聚类结果的示意图;
图6示出了本申请实施例所提供的模拟检修图的结构示意图;
图7示出了本申请实施例所提供的一种电力系统时间断面的确定装置的结构示意图;
图8示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例。在下面的详细描述中,提出了许多具体细节,以便提供对本发明的全面理解。但是,对于本领域技术人员来说很明显的是,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明的更好的理解。本发明决不限于下面所提出的任何具体配置和算法,而是在不脱离本发明的精神的前提下覆盖了元素、部件和算法的任何修改、替换和改进。在附图和下面的描述中,没有示出公知的结构和技术,以便避免对本发明造成不必要的模糊。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
此外,本发明的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前,随着电网整体规模的逐步扩大、大规模可再生能源的接入,以及智能电网、互联通信和传感器技术的不断发展,原本通过搭建模型进行仿真计算的难度进一步加大。电力系统的安全稳定分析和调度运行控制的难度加大且要求提高,传统的人工、设备再结合经验的半自动生产方式已经不能很好满足当前电网调度运行的需求。
在电力系统的实际调度运行工作中,电力系统的运行决策安排过程需要考虑很多因素,而时间断面是对电网运行方式安排、运行决策、静态安全分析、潮流优化、稳定性计算等诸多工作的重要依据,通过与系统当前运行的时间断面最为相似的历史时间断面,进而获取以往有价值的运行方式安排、检修计划、事故预案等工作票信息。在实际应用中,若在历史时间段内存在与当前的时间断面极为相似的某一历史时间断面,便能够直接根据该历史时间断面下的电力系统运行决策安排,来进行当前时刻的运行决策安排,以节省人力、提高效率,而且避免人工的主观判断影响运行决策效果。
现有的对相似时间断面的确定过程是利用传统的K均值聚类算法(简称K-means聚类算法)而进行相似性聚类。K-means聚类算法是一种基于划分的算法,其聚类目标是类内样本相似性最高,类间样本相似性最低,但是在该方法中,存在固有缺陷问题:一是聚类个数k需要预先给定,二是初始聚类中心的选取对结果影响较大,很容易将本身与当前时间断面相似度较大的断面分类为非相似类型,而最终得到的相似类型中却存在与当前时间断面相似度较小的断面。因此,通过目前的相似性聚类方法得到的相似性结果的精确度较低。
对于这两个缺陷当前已有一些文献提出了改进策略,例如基于平均距离法、密度法确定初始聚类中心等。但这些改进大多侧重在聚类开始之前对样本数据进行较大规模的预先计算,计算的复杂度较大。在处理海量数据时,这些当前的改进措施都将极大影响算法计算的速度,降低其实际应用价值。
基于此,本申请实施例提供的一种电力系统时间断面的确定方法、装置以及电子设备,可以解决目前的相似性聚类方法得到的时间断面的相似性结果的精确度较低的技术问题。
为便于对本实施例进行理解,首先对本申请实施例所公开的一种电力系统时间断面的确定方法、装置以及电子设备进行详细介绍。
本申请实施例提供的一种电力系统时间断面的确定方法,如图1所示,包括以下步骤:
S11:获取历史时间断面。
其中,历史时间断面包括电力系统在多个历史时刻的时间断面,时间断面为电力系统的时间断面。如图2所示,时间断面指的是电力系统在某一个时刻时,电网的整体运行状态,其中包括有这一时刻电网运行的线路潮流、节点电压、负荷量、发电量和设备状态等各项数据信息。在实际应用中,电网在实际运行中会每隔5分钟至15分钟保存一次电力系统的时间断面。而本步骤中,获取的史时间断面中,便包括了电力系统在多个历史时刻的时间断面。
S12:将第一时间断面和第二时间断面作为初始聚类中心,对历史时间断面进行聚类,分别得到第一集群和第二集群;其中,第一时间断面为目标时间断面,第二时间断面为历史时间断面中与目标时间断面相似度最小的时间断面。
其中,第一集群为与第一时间断面对应的集群;第二集群为与第二时间断面对应的集群。
本实施例的目的便是从多个历史时间断面中,找出与目标时间断面相似的时间断面,这个目标时间断面可以为当前此刻的时间断面,即从多个历史时间断面中,找出与当前时间断面相似的时间断面。
本步骤中,先从历史时间断面中确定出与目标时间断面相似度最小的时间断面,即第二时间断面。然后,将目标时间断面和第二时间断面这两个对象分别作为聚类算法的初始聚类中心,根据这些历史时间断面与这两个聚类中心的相似度,分别将这些历史时间断面分配给与这两个聚类中心最相似的聚类,即目标时间断面所对应的第一集群和第二时间断面所对应的第二集群。
S13:重复执行此步骤直至第一集群稳定,确定稳定的第一集群为相似集群:重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对历史时间断面进行聚类,得到第一时间断面对应的第一集群,和第三时间对应的第二集群。
重复执行此步骤:首先,对于步骤S12中所获取到的第二集群,通过计算第二集群中所有时间断面的均值,重新确定出第二集群的新的聚类中心为第三时间断面;然后,再以第三时间和之前的目标时间断面断作为聚类中心,对这些历史时间断面进行聚类,得到目标时间断面对应的第一集群,和第三时间对应的新的第二集群。本步骤中,不断重复这一过程直到第一集群稳定为止。最终达到的聚类结果是:在第一集群中,包含了目标时间断面和与目标时间断面相似度较高的多个历史时间断面,因此第一集群即为相似集群;而第二集群中便是与目标时间断面的相似度较低的多个历史时间断面。
由此可见,在不断重复执行聚类的这一过程中,第二集群的聚类中心是随着每次聚类结果的改变在不断迭代更新的;而第一集群的聚类中心并不随着每次聚类结果的改变而更新变化,即不参与聚类中心的迭代更新过程,在每次的聚类过程中第一集群的聚类中心是保持始终不变的,即每次第一集群的聚类都是以目标时间断面作为聚类中心的。
因此,在第一集群和第二集群两个集群的聚类过程中,各集群内的时间断面本身尽可能的紧凑,而两个集群之间尽可能的分开。并且,在聚类过程中,保持第一集群的聚类中心始终为目标时间断面不变,而第二集群的聚类中心随每次聚类结果而在不断变化更新。进而在不断的聚类过程中,能够避免将本身与目标时间断面相似度较大的断面从第一集群中划分出去,而且还能够使第二集群在不断扩大而第一集群在不断的缩小变得更加精确,使第一集群中的时间断面与目标时间断面尽可能的相似,以降低相似类型中的数据规模并保证其数据的有效性。
通过以时间断面间的相似程度为计算依据的聚类,面对庞大的电网存储数据量,便能够从海量的历史时间断面中,准确的分类出与目标时间断面属于相似类型的时间断面,进而准确的完成了对相似历史时间断面的初步筛选。因此,通过本步骤的聚类过程,极大减少了要确定相似性的历史时间断面的个数,大幅度的缩小了的要处理的数据规模,进而提高了整体确定过程的处理速度且还保证了处理准确率。
S14:对相似集群中的多个时间断面进行筛选,得到与目标时间断面相似度最高的断面。
本步骤中,从步骤S13获取到的相似集群(即第一集群)中筛选出与目标时间断面最为相似的历史时间断面,去除与目标时间断面的相似度较低的第二集群。
通过本实施例中的聚类过程,使最后一步的筛选过程中便能够直接从数量较小的相似集中进行筛选,极大的减少了要筛选的相似历史时间断面的个数,大幅度的缩小了的本步骤要处理的数据规模,进而提高了整体确定过程的处理速度,而且还使相似性结果的精确度得到提高。
为了使将要进行聚类的历史时间断面中的状态特征量,能够尽量满足相似性匹配的要求,即令这些状态特征量的集合能够更加充分的表征历史时间断面,且在进行聚类算法时能满足处理速度和准确性上的要求,上述获取电力系统的历史时间断面的步骤(即步骤S11),如图3所示,可以包括以下步骤:
S111:确定电力系统的时间断面的多个状态特征量。
本步骤中,可以先根据时间断面的运行特点构建状态特征量库,即构建表征电力系统的历史时间断面的状态特征量库,如下表所示。因此,可以通过状态特征量库的形式表示本步骤确定出的时间断面的多个状态特征量。
在状态特征量库中包含了电网运行时各个方面存在的可能有价值的特征量,为方便表述,在本实施例中根据变量是否能用数值表示,将状态特征量分为数值型变量和属性变量。根据变量维数是否会随网络规模的扩大而增加,将状态特征量分为变维特征量和不变维特征量;根据变量性质将特征量分为稳态特征量和暂态特征量。表中有一些离散型特征量并不适合进行距离计算,如机组开机信息、系统关键节点等。一些变维特征量应用于大电网时不但会产生高维数据,并且会掩盖其他特征量的重要程度,也不适合直接加入到本次聚类分析中来,如发电机有功出力、节点有功负荷等。不过这一类特征量可以通过加入统计量的方式加以改进并重新利用,如改成最大发电机有功出力、有功负荷平均值等形式。
S112:按照预设规则从多个状态特征量中筛选目标参量。
本步骤中,根据系统运行特点和数据存储格式,采用决策树模型来提取、筛选状态特征量,得到目标参量。具体的,首先,将预设规则作为决策规则,并根据决策规则建立决策树模型,决策树模型如图4所示,进而实现结合状态特征量选取的目的和要求,建立多层决策树模型。之后,利用决策树模型,从多个状态特征量(即状态特征量库)中筛选目标参量,从而能够根据决策树模型的决策规则,从特征量库中筛选出满足决策规则要求的状态特征量集,即目标参量。例如,设目标参量即将要进行聚类的状态特征量集为Feature:Feature={f1 f2 … fn},其中,fn为特征量集中的所筛选出的第n个特征量,其中n=1,2,…,N。
因此,根据决策树模型可以将状态特征量库中的众多变量精简为满足要求的聚类特征集,即目标参量,通过利用决策树模型对特征量进行甄别和筛选,极大能够降低了聚类样本的维度,加快了计算速度,即提高了聚类速度。
S113:基于目标参量,对电力系统的历史时间段内的时间断面中的初始状态特征量进行筛选,以使得到的历史时间断面中的状态特征量为目标参量。
在状态特征量的选过程取中,特征量的提取难度是组成聚类所需状态特征量集的重要参考之一。在面对海量历史时间断面时,状态特征量的提取难度过大会导致对样本的预处理时间过长,从而降低整体的匹配效率。但这其中某些状态特征量往往更能反映样本间的距离,能够更好的衡量样本间的相似程度。
因此,利用步骤S112中选取出的目标参量,对历史时间段内的时间断面中的初始状态特征量进行筛选,能够使得到的历史时间断面中的状态特征量为目标参量,这些目标参量能够反映样本间的距离,以更准确的衡量样本间的相似程度。
为了得到与目标时间断面之间相似度最小的时间断面,上述将第一时间断面和第二时间断面分别作为初始聚类中心的步骤(即步骤S12)之前,可以先进行如下步骤:
先根据历史时间断面中的目标参量,从历史时间断面中,确定与目标时间断面之间相似度最小的时间断面;然后,将该与目标时间断面之间相似度最小的时间断面作为第二时间断面,将目标时间断面作为第一时间断面。
因此,在步骤S12中,便可以直接将该第一时间断面和该第二时间断面分别作为初始聚类中心,以便于聚类过程的快速完成。
为了使聚类过程更加准确,上述重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对历史时间断面进行聚类,得到第一时间断面对应的第一集群,和第三时间对应的第二集群的步骤(即步骤S13中重复执行的步骤),可以包括以下步骤:
一方面,保持第一时间断面为第一时间断面对应的集群的聚类中心不变,利用K-means聚类算法对历史时间断面进行聚类,得到第一时间断面对应的第一集群;
另一方面,重新确定第二时间断面对应的集群的中心为第三时间断面,将第三时间断面作为新的聚类中心,利用K-means聚类算法对历史时间断面进行聚类,得到第三时间对应的第二集群。
因此,本实施例中,对现有K-means算法加以改进,并将改进后的K-means算法作为聚类过程的算法,使其在聚类的同时更加适应相似性匹配工作。
例如,要进行聚类的时间断面个数为30个,算法改进前聚类结果如图5(a)所示,算法改进后的聚类结果如图5(b)所示。在聚类结果中,作为样本的时间断面被分成三类,其中样本(X:0.403,Y:0.237)表示目标时间断面,所以其所在的一类为目标类,即第一集群,另外两类为冗余类,即第二集群。
对比图5中的(a)、(b)两图可以看出,聚类算法改进前,目标类以类内样本的中心点作为聚类中心,即归于目标类的样本需要与类内所有样本都相似,此时样本A被归为冗余类;算法改进后,目标类由于一直以系统目标时间断面作为聚类中心,使得归于目标类内的样本只要与目标时间断面相似即可,此时样本A被归为目标类。可见,由于聚类算法的改进,更多与目标时间断面相似的样本被保留下来,而与其不相似的样本被剔除,这也尽可能避免了关键历史时间断面的丢失。聚类的结果证明:本实施例对K-means算法的改进是可行且有效的,改进措施使得聚类过程的目的性更强,聚类结果也更加符合期望。而且,通过该聚类算法进行分类,能够在很大程度上减少样本数量,降低历史时间断面后续筛选的难度,提高相似时间断面的确定速度。
因此,本实施例中的改进后的聚类算法的应用极大降低了时间断面作为样本的数据规模,使得能够仅在第一集群(即图5中的目标类)中计算这些时间断面的状态特征量,并使后续对时间断面进行快速筛选变得可行。并且,通过改进后的聚类算法,还保证了第一集群中的时间断面都是与目标时间断面相似度较高的时间断面,提高了相似时间断面的分类精度。
为了从相似时间断面数量较多的第一集群中,准确的筛选出最相似的历史时间断面,上述对相似类型中的多个时间断面进行筛选,得到历史时间断面中与目标时间断面相似度最高的断面的步骤(即步骤S14),可以包括以下步骤:
(1)分别计算目标时间断面和相似类型中的多个时间断面的相似度参考指标,相似度参考指标包括雅可比矩阵特征值、电力系统节点数据、电力系统潮流熵中的至少一种。
对于其中的雅克比矩阵特征值的指标,需要说明的是,系统的状态变化与潮流计算所用雅克比矩阵的特征值的大小有十分密切的关系,系统的每一组特征值都与一个“功率摄动—系统状态”运行模式相对应,且由雅克比矩阵计算式亦可得知,其每一元素皆与节点导纳矩阵对应元素密切相关,可以说潮流计算所用雅克比矩阵的特征值是系统网架结构与系统当前状态的统一表征量。据此将特征值向量作为相似性匹配指标之一,电网某时间断面的特征值指标如该式所示:Rk=(λk1 λk2 … λki … λkm),其中,Rk为第k个断面的特征值向量,λki为第k断面所对应雅克比矩阵的第i个特征值。
对于关键节点的指标,需要说明的是,关键节点是电网运行中最为关键的某一节点或区域,一般以节点电压稳定性或在网架中所处位置作为衡量标准,它是不同时间断面的标志性特征之一,也是现场地调人员在网络中最为关心的地方。时间断面相似性匹配工作正是为了在海量历史信息中提取对于当前状态最有参考价值的部分,因此本实施例将每一时间断面的关键节点标号组成一个集合,定义为关键节点指标,作为对比两时间断面相似程度的指标之一,如该式所示:Key={a b c},其中,Key即为关键节点集合,a、b、c是通过计算得出的关键节点的标号。
对于潮流熵的指标,需要说明的是,熵广泛应用于系统的不确定性、稳定程度的描述中。物理学中,熵是来描述系统内部分子运动混乱程度的量度。在电力系统中引入熵的概念可以定量描述线路潮流分布的不平衡性,进而可以研究这种不平衡性对电网连锁故障和自组织临界性的影响[18]。设线路最大传输容量为Fi max,系统运行时线路i的实际潮流为Fi 0,则线路的负载率μi为:
其中:i=1,2,…,n,n为线路条数。
给定常数序列Z={Z1 Z2 … Zk … ZN}(本实施例中取Z={0 0.05 … 1.5})。用lk表示负载率μi∈(Zk,Zk+1]的线路条数,对不同负载率区间内的线路条数概率化得:
其中,P(k)为负载率μi∈(Zk,Zk+1]的线路条数占总线路条数的比例。
因此,可得电网潮流熵为:
其中,C取ln10,H即为潮流熵。
(2)基于相似度参考指标,利用相似度度量算法分别计算目标时间断面与相似类型中的多个时间断面之间的相似度值。
本步骤中,对各项指标的相似性度量方案及综合评定。
首先,对于向量指标的相似性度量,一般将向量之间的相似性度量归于数值属性的相似性度量,例如本实施例中的雅克比矩阵特征值指标,可采用闵可夫斯基距离计算相似度:
其中,E1和E2代表比较相似性的两个向量;E11和E21分别表示表示E1和E2的第一个元素,每一个向量均有m个元素;在本实施例中n取2。
再者,对于集合指标的相似性度量,集合一般被归于非对称二元属性,所谓“非对称”是指我们只关心“正匹配”的结果,即更加关注两个集合的交集,由此定义相似度:
其中,O1,O2代表进行相似性度量的两个集合。
(3)基于多个相似度值进行大小对比,根据对比结果得到与目标时间断面相似度最高的历史时间断面。
作为一个优选方式,本步骤中,对第一集群中的时间断面以一定的方式进行相似程度评价排序。具体的,建立能够表征断面特征的时间断面相似性匹配指标体系,使得第一集群中,各时间断面与系统当前时间断面的相似程度得以用数值的方式直观表现出来,从而为进一步确定有价值的时间断面提供了基础。因此,为保证匹配精度和匹配结果的实用性,在聚类的基础上定义了相似性评价指标体系,将聚类结果进一步按相似程度排序,能够确保最终结果有足够的参考和利用价值。
因此,本实施例中,建立了相似性评价指标体系,利用雅克比矩阵特征值、关键节点和潮流熵等更加详尽全面的相似性匹配指标体系,更准确的定位最具参考价值的历史时间行断面,为目标时间断面匹配到最有参考和利用价值的历史时间断面及其对应决策信息。
作为本实施例中的另一种实施方式,相似度参考指标包括雅可比矩阵特征值、电力系统节点数据、电力系统潮流熵中的至少两种。则上述基于多个相似度值进行大小对比,根据对比结果得到与目标时间断面相似度最高的历史时间断面的步骤,可以包括以下步骤:
首先,基于多个相似度参考指标,利用变异系数算法得到每个相似度参考指标的权重。然后,根据每个相似度参考指标的权重和每个相似度参考指标对应的相似度值,计算目标时间断面和相似类型中的多个时间断面之间的综合相似度。例如,相似度综合得分的计算公式可以为:Scorek=(β1yk1+β2yk2+β3yk3)*100,其中,Scorek为第k断面的综合得分,βi为第i指标的权重,yki为该时间断面第i指标经同向化和归一化后的指标值。之后,对多个综合相似度进行大小对比,得到对比结果。最后,根据对比结果得到与目标时间断面相似度最高的历史时间断面。
因此,本实施例采用综合评分法作为时间断面相似度评定方法,通过变异系数法计算各指标权重,这样可根据实际情况选取一个或多个最为相似的时间断面作为参考。利用同向化和去量纲化后的指标值以及各项指标权重进行更加准确的时间断面相似度综合评定,进而使最终确定出的历史时间断面的准确度得以提高。
下面通过仿真算例进行本实施例提供的电力系统时间断面确定方法的验证。
首先,对仿真算例进行分析。对于构造样本集,算例采用电力系统与中的IEEE39节点系统,发电机模型采用二阶经典模型,考虑发电机出力在基础潮流数据情况下在±40%范围内随机波动,各负荷节点的负荷数据在基础潮流数据基础上在±20%范围内随机波动,且保证各母线电压维持在0.95p.u.-1.05p.u.的合理范围内。仿真软件为中国电科院PSD-BPA和MATLAB,共构造260个历史时间断面和1个基础潮流断面作为系统当前时间断面,IEEE39节点系统接线图如图6所示,IEEE39节点系统接线图。
之后,进行结果分析:首先,根据状态特征量库所列的特征量以及常用最大、最小、平均数等统计量,利用所提决策树模型为样本降维获取特征量集。经过筛选和测试,最终确定了18个状态特征量作为聚类特征量集。将所有260个历史时间断面和一个当前时间断面的数据按照聚类特征量集Feature中的特征量一一整理,最终将每一时间断面的存储数据变成“1×18”的矩阵形式,并将每一特征值进行归一化处理:其中,yi表示特征量集中第i个特征量,yki表示第k时间断面这一特征量的值。
按本实施例所提供的改进后的K-means算法对降维处理后的样本进行相似性聚类,聚类结果显示:所有样本共被分成19类,其中1个目标类、18个冗余类,我们所关心的目标类中共有17个样本,表示聚类得到与系统当前时间断面相似的历史时间断面共有16个。可见通过聚类算法大幅降低了数据规模,为进一步确定目标类中与系统当前时间断面最相似的历史时间断面,也即对当前系统最有参考和利用价值的时间断面,依靠相似性评价指标体系对目标类中的历史时间断面进行相似性排序。
分别计算不同时间断面的各项指标值,利用相应的相似性度量方法,将每一历史断面的各项指标与系统当前时间断面对比。各时间断面与当前时间断面对比结果如下表所示:
由上表中的数据可知,目标类中的时间断面虽是通过聚类所得,但与系统当前状态的差距仍有不同,也即它们的可利用价值仍有差别;在直观上,不同指标的数值大小不同,且有正项指标也有负向指标,因此需要对各指标进行去量纲化和同向化处理。通过变异系数法逐步完成指标标准化和同向化工作并进一步确定各项指标权重,最终经综合评定计算公式得到这16个历史时间断面与当前时间断面的相似程度。计算后各时间断面指标值与综合得分情况如下表所示:
由上表中的数据可知,根据变异系数法得到的各时间断面的相似度得分情况,可将目标类中的时间断面依据相似程度进一步区分排列,其中断面编号为05、01、02和12的4个历史时间断面与系统当前运行状态最为相近。将系统中存储的以上4个时间断面的运行数据及运行方式安排、检修计划及事故预案等相关工作信息提取出来,供现场调度人员参考即可安排电网下一步的工作计划并完成工作票的制定。
最后,对匹配结果的验证过程包括以下步骤:
(1)聚类算法的有效性验证。
选取当前时间断面中潮流最重的3条支路,并与目标类中的05和01时间断面以及冗余类中两个时间断面进行支路有功潮流对比,从而验证应用改进K-means算法聚类后,聚类过程的有效性和聚类结果的正确性,时间断面支路的有功潮流对比如下表所示:
由上表可知,从各支路的有功潮流的大小可以看出,目标类中的时间断面明显比冗余类中的断面具有更高的相似性,这也证明了本实施例所用聚类算法在很大程度上去除了基础信息差异大的个体,聚类有效。
(2)相似性评价指标体系的正确性验证。
为验证本实施例所提指标体系的正确性,如图6所示,模拟检修图中的线路5-8,选择潮流变化最为严重的线路5-6、6-7、7-8做潮流转移对比分析,本次选取的时间断面包括综合评分最高的05、01、02三个时间断面和评分最低的04、16和10三个时间断面,将其有功潮流变化量填入表中,线路检修后潮流转移结果对比结果如下表所示:
由上表中各时间断面的潮流转移结果可以得知,历史时间断面中综合评分较高的05、01、02断面与当前时间断面的潮流转移结果很接近。相对来说,综合得分较低的时间断面04、16和10的潮流转移结果相差较多。潮流转移是调度部门制定线路或设备检修计划必须要考虑的部分,此结果表明,评分较高的05、01、02时间断面所对应的历史信息对于当前工作更具有参考价值,从而验证了本实施例所提相似性评价指标体系的正确性和应用价值。
因此,由仿真算例表明,本实施例所提方法可以很好地完成时间断面的相似性匹配工作,具有良好的性能和应用价值,可为电网工作人员优化系统运行提供参考和指导。再者,算例分析也表明了,所用聚类算法和指标体系可准确快速地为系统匹配到历史相似时间断面,进而可为电网调度人员获取有价值的辅助决策信息,并为优化电网运行提供指导。
本申请实施例还提供一种电力系统时间断面的确定装置,如图7所示,电力系统时间断面的确定装置3包括:
聚类模块31,用于获取历史时间断面,其中,历史时间断面包括电力系统在多个历史时刻的时间断面;聚类模块31还用于将第一时间断面和第二时间断面作为初始聚类中心对历史时间断面进行聚类,分别得到第一集群和第二集群;第一时间断面为目标时间断面,第二时间断面为与目标时间断面相似度最小的时间断面。具体的,得到的是第一时间断面对应的第一集群和第二时间断面对应的第二集群。
聚类模块31还用于重复执行此步骤直至第一集群稳定,确定稳定的第一集群为相似集群:重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对历史时间断面进行聚类,得到第一时间断面对应的第一集群,和第三时间对应的第二集群。
筛选模块32,用于对相似集群中的多个时间断面进行筛选,得到与目标时间断面相似度最高的断面。
本申请实施例提供的电力系统时间断面的确定装置,与上述实施例提供的电力系统时间断面的确定方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本申请实施例还提供一种电子设备,如图8所示,电子设备4包括存储器41、处理器42,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例提供的方法的步骤。
参见图8,电子设备还包括:总线43和通信接口44,处理器42、通信接口44和存储器41通过总线43连接;处理器42用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口44(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线43可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器42在接收到执行指令后,执行所述程序,前述本申请任一实施例揭示的过程定义的装置所执行的方法可以应用于处理器42中,或者由处理器42实现。
处理器42可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器42中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器42可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器42读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本申请实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述实施例提供的方法。
本申请实施例提供的处理器可执行的非易失的程序代码的计算机可读介质,与上述实施例提供的电力系统时间断面的确定方法、装置以及电子设备具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种电力系统时间断面的确定方法,其特征在于,包括:
获取历史时间断面,将第一时间断面和第二时间断面作为初始聚类中心对历史时间断面聚类,分别得到第一集群和第二集群;第一时间断面为目标时间断面,第二时间断面为与目标时间断面相似度最小的时间断面;
重复执行此步骤至第一集群稳定,确定稳定的第一集群为相似集群:重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对所述历史时间断面进行聚类,得到所述第一时间断面对应的第一集群和所述第三时间对应的第二集群,并对所述相似集群中的多个时间断面进行筛选,得到与所述目标时间断面相似度最高的断面。
2.根据权利要求1所述的方法,其特征在于,所述获取历史时间断面,包括:
确定电力系统的时间断面的多个状态特征量;
按照预设规则从所述多个状态特征量中筛选目标参量;
基于所述目标参量,对电力系统的历史时间段内的时间断面中的初始状态特征量进行筛选,以使得到的历史时间断面中的状态特征量为目标参量,其中,所述历史时间断面包括所述电力系统在多个历史时刻的时间断面。
3.根据权利要求2所述的方法,其特征在于,所述按照预设规则从所述多个状态特征量中筛选目标参量,包括:
将预设规则作为决策规则,并根据所述决策规则建立决策树模型;
利用所述决策树模型,从所述多个状态特征量中筛选目标参量。
4.根据权利要求2所述的方法,其特征在于,所述将第一时间断面和第二时间断面作为初始聚类中心之前,还包括:
根据所述历史时间断面中的目标参量,从所述历史时间断面中,确定与所述目标时间断面之间相似度最小的时间断面。
5.根据权利要求4所述的方法,其特征在于,所述重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对所述历史时间断面进行聚类,得到所述第一时间断面对应的第一集群,和所述第三时间对应的第二集群,包括:
保持所述第一时间断面为所述第一时间断面对应的集群的聚类中心不变,利用K-means聚类算法对所述历史时间断面进行聚类,得到所述第一时间断面对应的第一集群;
重新确定所述第二时间断面对应的集群的中心为第三时间断面,将所述第三时间断面作为新的聚类中心,利用K-means聚类算法对所述历史时间断面进行聚类,得到所述第三时间对应的第二集群。
6.根据权利要求1所述的方法,其特征在于,所述对所述相似集群中的多个时间断面进行筛选,得到与所述目标时间断面相似度最高的断面,包括:
分别计算所述目标时间断面和相似类型中的多个时间断面的相似度参考指标,所述相似度参考指标包括雅可比矩阵特征值、电力系统节点数据、电力系统潮流熵中的至少一种;
基于所述相似度参考指标,利用相似度度量算法分别计算所述目标时间断面与所述相似类型中的多个时间断面之间的相似度值;
基于多个所述相似度值进行大小对比,根据对比结果得到与所述目标时间断面相似度最高的历史时间断面。
7.根据权利要求6所述的方法,其特征在于,所述相似度参考指标包括雅可比矩阵特征值、电力系统节点数据、电力系统潮流熵中的至少两种;所述基于多个所述相似度值进行大小对比,根据对比结果得到与所述目标时间断面相似度最高的历史时间断面,包括:
基于多个所述相似度参考指标,利用变异系数算法得到每个相似度参考指标的权重;
根据所述每个相似度参考指标的权重和每个相似度参考指标对应的所述相似度值,计算所述目标时间断面和所述相似类型中的多个时间断面之间的综合相似度;
对多个所述综合相似度进行大小对比,得到对比结果;
根据所述对比结果得到与所述目标时间断面相似度最高的历史时间断面。
8.一种电力系统时间断面的确定装置,其特征在于,包括:
聚类模块,用于获取历史时间断面,将第一时间断面和第二时间断面作为初始聚类中心对历史时间断面聚类,分别得到第一集群和第二集群,第一时间断面为目标时间断面,第二时间断面为与目标时间断面相似度最小时间断面,并重复执行此步骤至第一集群稳定,确定稳定的第一集群为相似集群:重新确定第二集群的中心为第三时间断面,将第一时间断面和第三时间断面作为新的聚类中心,对历史时间断面进行聚类,得到第一时间断面对应的第一集群,和第三时间对应的第二集群;筛选模块,用于对相似集群中多个时间断面进行筛选,得到与目标时间断面相似度最高断面。
9.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至7任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至7任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910428235.3A CN110135511B (zh) | 2019-05-22 | 2019-05-22 | 电力系统时间断面的确定方法、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910428235.3A CN110135511B (zh) | 2019-05-22 | 2019-05-22 | 电力系统时间断面的确定方法、装置以及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135511A true CN110135511A (zh) | 2019-08-16 |
CN110135511B CN110135511B (zh) | 2021-07-20 |
Family
ID=67572307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910428235.3A Active CN110135511B (zh) | 2019-05-22 | 2019-05-22 | 电力系统时间断面的确定方法、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135511B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116629754A (zh) * | 2023-07-24 | 2023-08-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514368A (zh) * | 2013-09-18 | 2014-01-15 | 燕山大学 | 一种采用聚类技术的实时与阶段理论线损快速估算方法 |
CN103929738A (zh) * | 2014-04-21 | 2014-07-16 | 东南大学 | 一种基于危险多代理的WSNs联合入侵检测方法 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
CN107017632A (zh) * | 2017-05-24 | 2017-08-04 | 广东电网有限责任公司电力调度控制中心 | 一种电力系统主动解列断面搜索方法与孤岛调整策略 |
US20180032579A1 (en) * | 2016-07-28 | 2018-02-01 | Fujitsu Limited | Non-transitory computer-readable recording medium, data search method, and data search device |
-
2019
- 2019-05-22 CN CN201910428235.3A patent/CN110135511B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103514368A (zh) * | 2013-09-18 | 2014-01-15 | 燕山大学 | 一种采用聚类技术的实时与阶段理论线损快速估算方法 |
CN103929738A (zh) * | 2014-04-21 | 2014-07-16 | 东南大学 | 一种基于危险多代理的WSNs联合入侵检测方法 |
CN104036239A (zh) * | 2014-05-29 | 2014-09-10 | 西安电子科技大学 | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 |
US20180032579A1 (en) * | 2016-07-28 | 2018-02-01 | Fujitsu Limited | Non-transitory computer-readable recording medium, data search method, and data search device |
CN107017632A (zh) * | 2017-05-24 | 2017-08-04 | 广东电网有限责任公司电力调度控制中心 | 一种电力系统主动解列断面搜索方法与孤岛调整策略 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116629754A (zh) * | 2023-07-24 | 2023-08-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
CN116629754B (zh) * | 2023-07-24 | 2023-12-22 | 广东电网有限责任公司广州供电局 | 一种电力仓储物资库容紧张时间断面及库存峰值预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110135511B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A new short-term load forecasting approach using self-organizing fuzzy ARMAX models | |
CN108764273A (zh) | 一种数据处理的方法、装置、终端设备及存储介质 | |
CN109710926B (zh) | 电网调度专业语言语义关系抽取方法、装置及电子设备 | |
CN112791997B (zh) | 一种退役电池梯次利用筛选的方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及系统 | |
CN108959187A (zh) | 一种变量分箱方法、装置、终端设备及存储介质 | |
CN106529731A (zh) | 一种区域电网光伏电站集群划分方法 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN105469219A (zh) | 一种基于决策树的电力负荷数据处理方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN109492783A (zh) | 一种基于gbdt的电力计量设备故障风险预测方法 | |
CN110135511A (zh) | 电力系统时间断面的确定方法、装置以及电子设备 | |
CN117290462B (zh) | 一种数据大模型的智能决策系统及方法 | |
CN107729939A (zh) | 一种面向新增电网资源的cim模型扩展方法及装置 | |
CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN114662989A (zh) | 电力系统的暂态稳定自适应评估方法及装置 | |
CN110490220A (zh) | 一种母线负荷辨识方法和系统 | |
CN109858785A (zh) | 一种评价智能电能表运行状态的方法和系统 | |
CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
Ferreira et al. | A data-mining-based methodology for transmission expansion planning | |
CN113268929A (zh) | 短期负荷区间预测方法及装置 | |
CN107155215A (zh) | 一种应用归属服务集群的分配方法和装置 | |
CN117076967A (zh) | 一种基于理论线损数据计算的台区拓扑修正方法及系统 | |
CN116933201A (zh) | 低压充电桩违约用电行为识别的方法和系统 | |
CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |