CN110689242A - 一种母线负荷成分测算方法、装置及设备 - Google Patents
一种母线负荷成分测算方法、装置及设备 Download PDFInfo
- Publication number
- CN110689242A CN110689242A CN201910868386.0A CN201910868386A CN110689242A CN 110689242 A CN110689242 A CN 110689242A CN 201910868386 A CN201910868386 A CN 201910868386A CN 110689242 A CN110689242 A CN 110689242A
- Authority
- CN
- China
- Prior art keywords
- load
- calculating
- user
- bus load
- bus
- 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
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
- G06Q10/063—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种母线负荷成分测算方法,步骤包括:根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线;根据所述用户典型日负荷曲线以及待测算的母线负荷曲线的输入数据,构建并求解母线负荷成分测算模型,计算得到各类负荷所占母线负荷的比例值;根据所述比例值计算出各类用户的负荷数据。本发明提供了一种母线负荷成分测算方法、装置及设备,能够测算出各类负荷在母线负荷中所占比例,从而有利于提取全部用户的用电数据。
Description
技术领域
本发明涉及电力系统技术领域,尤其是涉及一种母线负荷成分测算方法、装置及设备。
背景技术
在电力系统中,母线负荷一般是指电网中220KV主变高压侧的有功负荷,其中,通常由多种用户负荷类型组成,如工业负荷、商业负荷、居民负荷等。不同类型的用户用电规律存在差异,而相同类型的用户用电规律大致相同。
然而,电力系统中的用户数量十分庞大,虽然智能电表等测量设备在电网应用中普及率越来越高,但目前也只能采集到部分用户的用电数据,无法做到全用户覆盖。
发明内容
针对上述技术问题,本发明提供了一种母线负荷成分测算方法、装置及设备,能够测算出各类负荷在母线负荷中所占比例,从而有利于提取全部用户的用电数据。所述技术方案如下:
第一方面,本发明实施例提供了一种母线负荷成分测算方法,步骤包括:
根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线;
根据所述用户典型日负荷曲线以及待测算的母线负荷曲线的输入数据,构建并求解母线负荷成分测算模型,计算得到各类负荷所占母线负荷的比例值;
根据所述比例值计算出各类用户的负荷数据。
在本发明第一方面的第一种可能的实现方式中,所述根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线,具体为:
利用聚类算法对获取到的用户负荷曲线进行聚类;
当计算出的风险值小于预设的分类风险阈值时,输出用户典型日负荷曲线,否则进行算法迭代。
在本发明第一方面的第二种可能的实现方式中,所述利用聚类算法对获取到的用户负荷曲线进行聚类,具体为:
基于高斯混合模型的最大期望聚类算法,设定分布数和分类风险阈值,所述分布数为聚类的簇数;
计算各条所述用户负荷曲线对应用电模式的后验概率;其中,聚类算法的每个簇代表一种用电模式;
选择后验概率最大的分布模式作为所述用户负荷曲线所属的模式;
选取包含曲线数最多的模式的聚类中心作为用户典型日负荷曲线。
在本发明第一方面的第三种可能的实现方式中,所述的母线负荷成分测算方法,步骤还包括:
根据模型求解所得的标幺基准值以及所述用户典型日负荷曲线,计算出与所述用户典型日负荷曲线对应的有名值;
将所述有名值叠加,得出分类以后合成的母线负荷;
计算分类以后合成的母线负荷与原始母线负荷的误差值。
在本发明第一方面的第四种可能的实现方式中,所述计算分类以后合成的母线负荷与原始母线负荷的误差值,包括:
计算分类以后合成的母线负荷与原始母线负荷的逐点相对误差值、绝对值最大相对误差值、绝对值最小相对误差值以及平均相对误差值。
在本发明第一方面的第五种可能的实现方式中,所述计算分类以后合成的母线负荷与原始母线负荷的误差值,包括:
计算出剩余平方和、拟合值与实际平均值的之差的回归平方和以及实际值与实际平均值之间差的总偏差平方和;
根据所述剩余平方和、所述回归平方和以及所述总偏差平方和得到曲线拟合精度。
在本发明第一方面的第六种可能的实现方式中,所述母线负荷成分测算方法,步骤还包括:
计算分类比例误差值。
第二方面,本发明实施例提供了一种母线负荷成分测算装置,步骤包括:
曲线拟合模块,用于根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线;
比例值计算模块,用于根据所述用户典型日负荷曲线以及待测算的母线负荷曲线的输入数据,构建并求解母线负荷成分测算模型,计算得到各类负荷所占母线负荷的比例值;
负荷数据计算模块,用于根据所述比例值计算出各类用户的负荷数据。
第三方面,本发明实施例提供了一种母线负荷成分测算设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的母线负荷成分测算方法。
相比于现有技术,本发明实施例具有如下有益效果:
本发明提供一种母线负荷成分测算方法,在获取到某条母线历史负荷曲线以及各类典型用户历史负荷曲线的前提下,首先根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线,有利于准确地表征用户的用电模式,再以待测算的母线负荷曲线和各类用户典型日负荷曲线为输入,通过寻找各类用户负荷的最优标幺基准值,测算出各类负荷在母线负荷中所占比例,最后根据所述比例值计算出各类用户的负荷数据,从而完成对母线负荷成分的识别、测算,为后续更好的分析母线波动的原因奠定基础。
附图说明
图1是本发明实施例中的一种母线负荷成分测算方法的步骤流程图;
图2是本发明实施例中的一种母线负荷成分测算方法的聚类算法计算流程图;
图3是本发明实施例中的一种母线负荷成分测算方法的原理图;
图4是本发明实施例中的一种母线负荷成分测算装置的结构模块图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,其示出了一种示例性实施例,在本实施例的其中一种实施方式中,一种母线负荷成分测算方法,步骤包括:
S101、根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线;
S102、根据所述用户典型日负荷曲线以及待测算的母线负荷曲线的输入数据,构建并求解母线负荷成分测算模型,计算得到各类负荷所占母线负荷的比例值;
在本实施例中,获取到的单条母线负荷曲线可以用以下方式表示:
所述用户典型日负荷曲线经过处理后得到各类用户的标幺化负荷曲线:
各类负荷所占母线负荷的比例值为:
αi(i=1,2...,n)
由上述条件可得以下关系式:
由上式可得:
从上式可看出,只要求出各类负荷归一化时对应的基值就可测算出相应负荷所占母线负荷的比例。
为了求解上式,可设:
目标函数为求其最小值时对应的基值,属于优化类问题的一种,因此用驻点条件求解该问题:
由上述两式可得:
整理可得:
将上式化为矩阵形式:
令:
可得:
AX=b
AX=b
将单条母线负荷以及各类用户的标幺化负荷值带入,求解该方程中的矩阵X,即可得到各类负荷的基准值,进而求出各类负荷所占母线负荷的比例αi。
S103、根据所述比例值计算出各类用户的负荷数据。
可以理解的是,用户每日的用电行为易受随机因素影响,即便相似性很高的两天,其日负荷曲线也会有所变化,为了表征用户的用电模式,需提取其典型的日负荷曲线。对大部分用户来说,虽然用电行为会受到节假日、极端天气等因素的影响,但生产经营活动是持续的、稳定的,因而大部分的日负荷曲线是其从事生产经营活动等行为而产生的。因此可以利用聚类算法对用户多日的日负荷曲线进行分类,普通的生产经营活动产生的“正常日”的日负荷曲线将形成包含元素最多的一类,该类的聚类中心则代表该用户的典型用电曲线。
本发明实施例提供一种母线负荷成分测算方法,在获取到某条母线历史负荷曲线以及各类典型用户历史负荷曲线的前提下,首先根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线,有利于准确地表征用户的用电模式,再以待测算的母线负荷曲线和各类用户典型日负荷曲线为输入,通过寻找各类用户负荷的最优标幺基准值,测算出各类负荷在母线负荷中所占比例,最后根据所述比例值计算出各类用户的负荷数据,从而完成对母线负荷成分的识别、测算,为后续更好的分析母线波动的原因奠定基础。
请参见图2,本发明还提供一种示例性实施例,在本实施例的其中一种实施方式中,在上述一种母线负荷成分测算方法的基础上,所述根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线,具体为:
获取用户的负荷曲线;
利用聚类算法对所述用户负荷曲线进行聚类;
所述利用聚类算法对所述用户负荷曲线进行聚类,具体为:
基于高斯混合模型的最大期望聚类算法,设定分布数和分类风险阈值,所述分布数为聚类的簇数;
可以理解的是,此处采用GMM聚类算法对用户的负荷曲线进行聚类。GMM模型为常用的描述混合密度分布的模型,它由多个高斯分布加权混合得到。对一个包含K个高斯分布的GMM模型,第n天的负荷曲线在该模型下的概率密度。所述概率密度可用以下方式表示:
fk(Pn;μk,Σk)=(2π)-T/2|Σk|-1/2×exp[-(Pn-μk)TΣk -1(Pn-μk)/2] (2)
式中,Pn,t为第n天第t时段的负荷值;分布数K为聚类的簇数,每个簇代表一种用电模式;fk(Pn;μk,Σk)为负荷曲线Pn属于第k种用电模式的概率,其中均值曲线μk和协方差矩阵Σk是待定参数;λk是fk的权重,由于混合分布的概率密度积分为1,因此权重λk之和也等于1。
计算所述用户负荷曲线属于各个分布函数的后验概率;
其中,在已知第1—N天的负荷曲线Pn、fk的形式、以及分布数K的情况下,可通过最大期望(expectation maximum,EM)算法迭代求解使得似然函数最大化的参数λk和μk,Σk。具体步骤如下:
E步骤:引入隐变量,即Pn属于第k种用电模式的后验概率P(k|Pn,Ψi),其中Ψi为第i次迭代后待求参数λk,i和μk,i,Σk,i的集合,Ψ0表示这些参数的初值。隐变量的计算为:
M步骤:将E步骤计算得到的隐变量代入待求参数的最大似然估计公式中,得到第i+1次迭代结果:
每次执行M步骤后,对迭代终止条件||Ψi+1-Ψi||<ε(偏差值ε设为一个足够小的值)进行判断,若满足则停止迭代,否则继续E步骤。
选择后验概率最大的分布作为所述用户负荷曲线所属的模式;
选取包含曲线数最多的模式的聚类中心作为用户典型日负荷曲线。
可以理解的是,根据上述EM算法可确定GMM模型的参数,再计算Pn属于各个分布函数fk的后验概率。选择后验概率最大的分布作为Pn所属的模式,再选取包含曲线数最多的模式的聚类中心作为典型日负荷曲线。
当计算出的风险值小于预设的分类风险阈值时,输出用户典型日负荷曲线;否则进行算法迭代。
在本实施例中,给定分类风险阈值(一般取0.2~0.4)。
由于本方案中用电模式的数量不是十分巨大,本实施例用簇代表一种用电模式,对于处理大量用户负荷曲线的数据时起到简单高效、时间复杂度、空间复杂度低的效果,相比起其他计算方法,本实施例的聚类算法更适合于本发明技术方案。
请参见图3,利用所述母线负荷成分测算模型,可以得到各类负荷所占母线负荷的比例αi(i=1,2,...,n),同时根据各类负荷的特性曲线,可以计算得出分类以后得出的各类负荷叠加而成的母线负荷数据。
本发明还提供一种实施例,从两个方面评价测算精确度,一个是各类负荷按照测算比例加和之后的总负荷与实际母线负荷之间的误差。
在所述母线负荷成分测算方法的基础上,测算各类负荷按照测算比例加和之后的总负荷与实际母线负荷之间的误差,步骤还包括:
根据模型求解所得的标幺基准值以及所述用户典型日负荷曲线,计算出与所述用户典型日负荷曲线对应的有名值;
将所述有名值叠加,得出分类以后合成的母线负荷;
计算分类以后合成的母线负荷与原始母线负荷的误差值。其中,所述原始母线负荷可从待测算的母线负荷曲线中获得。
对于分类之后所得的母线负荷与原始的母线负荷,可采用(1)逐点误差分析方法以及(2)曲线拟合精度分析方法来进行评价。
本实施例的其中一种实施方式,所述计算分类以后合成的母线负荷与原始母线负荷的误差值,包括:
计算分类以后合成的母线负荷与原始母线负荷的逐点相对误差值、绝对值最大相对误差值、绝对值最小相对误差值以及平均相对误差值。
在本实施例中,所述逐点相对误差值、所述绝对值最大相对误差值、所述绝对值最小相对误差值以及所述平均相对误差值通过以下方式求解:
逐点相对误差:
绝对值最大相对误差:
绝对值最小相对误差:
平均相对误差:
本实施例的其中一种实施方式,所述计算分类以后合成的母线负荷与原始母线负荷的误差值,包括:
计算出剩余平方和、拟合值与实际平均值的之差的回归平方和以及实际值与实际平均值之间差的总偏差平方和;
根据所述剩余平方和、所述回归平方和以及所述总偏差平方和得到曲线拟合精度。
可以理解的是,拟合精度可以从以下几个指标分析:剩余平方和(Q)是指残差的平方和,一般的最小二乘法回归就是追求剩余平方和尽可能小;回归平方和(U)是指回归差的平方和,即拟合值与实际平均值的之差的平方和;总偏差平方和(L)是指实际值与实际平均值之间差的平方和。
剩余平方和:
回归平方和:
总偏差平方和:
上述三项指标值越接近0,表明曲线拟合效果越好。
另一个是典型算例的分类比例误差。
在所述母线负荷成分测算方法的基础上,测算分类比例误差,步骤还包括:
计算分类比例误差值。
通过分类比例误差的分析可以得出分类结果与真实情况的近似程度。
本发明还提供了测算总负荷与实际母线负荷之间的误差和分类比例误差的技术方案,能够更精确地描述结果的误差值,有利于改进测算方法及检验测算结果的科学性、合理性,进一步提高测算结果的准确性。
需要说明的是,i为单条母线负荷分类类别(i=0时表示母线的总负荷);j为天数下标;t为时段下标,每天负荷点数为T=24/48/96/288,对应Δt=60/30/15/5min;Pi(t)表示第i类负荷在t时段的实际负荷;Pi *(t)表示第i类负荷在t时段的标幺化负荷值;表示第i类负荷在t时段标幺基准值;αi为第i类负荷在该条母线负荷中所占的比例,其中i=1,2,...,n。
请参见图4,本发明实施例提供了一种母线负荷成分测算装置,步骤包括:
曲线拟合模块201,用于根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线;
比例值计算模块202,用于根据所述用户典型日负荷曲线以及待测算的母线负荷曲线的输入数据,构建并求解母线负荷成分测算模型,计算得到各类负荷所占母线负荷的比例值;
负荷数据计算模块203,用于根据所述比例值计算出各类用户的负荷数据。
所述曲线拟合模块,还包括:
聚类算法计算模块,用于利用聚类算法对获取到的用户负荷曲线进行聚类;
风险判断模块,用于当计算出的风险值小于预设的分类风险阈值时,输出用户典型日负荷曲线,否则进行算法迭代。
所述聚类算法计算模块,还包括:
模型构建模块,用于基于高斯混合模型的最大期望聚类算法,设定分布数和分类风险阈值,所述分布数为聚类的簇数;
概率计算模块,用于计算各条所述用户负荷曲线对应用电模式的后验概率;其中,聚类算法的每个簇代表一种用电模式;
模式选择模块,用于选择后验概率最大的分布模式作为所述用户负荷曲线所属的模式;
聚类中心计算模块,用于选取包含曲线数最多的模式的聚类中心作为用户典型日负荷曲线。
所述母线负荷成分测算装置,还包括:
有名值计算模块,用于根据模型求解所得的标幺基准值以及所述用户典型日负荷曲线,计算出与所述用户典型日负荷曲线对应的有名值;
拟合模块,用于将所述有名值叠加,得出分类以后合成的母线负荷;
误差值计算模块,用于计算分类以后合成的母线负荷与原始母线负荷的误差值。
本发明实施例提供了一种母线负荷成分测算设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的母线负荷成分测算方法。
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,这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (9)
1.一种母线负荷成分测算方法,其特征在于,步骤包括:
根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线;
根据所述用户典型日负荷曲线以及待测算的母线负荷曲线的输入数据,构建并求解母线负荷成分测算模型,计算得到各类负荷所占母线负荷的比例值;
根据所述比例值计算出各类用户的负荷数据。
2.如权利要求1所述的母线负荷成分测算方法,其特征在于,所述根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线,具体为:
利用聚类算法对获取到的用户负荷曲线进行聚类;
当计算出的风险值小于预设的分类风险阈值时,输出用户典型日负荷曲线,否则进行算法迭代。
3.如权利要求2所述的母线负荷成分测算方法,其特征在于,所述利用聚类算法对获取到的用户负荷曲线进行聚类,具体为:
基于高斯混合模型的最大期望聚类算法,设定分布数和分类风险阈值,所述分布数为聚类的簇数;
计算各条所述用户负荷曲线对应用电模式的后验概率;其中,聚类算法的每个簇代表一种用电模式;
选择后验概率最大的分布模式作为所述用户负荷曲线所属的模式;
选取包含曲线数最多的模式的聚类中心作为用户典型日负荷曲线。
4.如权利要求1所述的母线负荷成分测算方法,其特征在于,步骤还包括:
根据模型求解所得的标幺基准值以及所述用户典型日负荷曲线,计算出与所述用户典型日负荷曲线对应的有名值;
将所述有名值叠加,得出分类以后合成的母线负荷;
计算分类以后合成的母线负荷与原始母线负荷的误差值。
5.如权利要求4所述的母线负荷成分测算方法,其特征在于,所述计算分类以后合成的母线负荷与原始母线负荷的误差值,包括:
计算分类以后合成的母线负荷与原始母线负荷的逐点相对误差值、绝对值最大相对误差值、绝对值最小相对误差值以及平均相对误差值。
6.如权利要求4所述的母线负荷成分测算方法,其特征在于,所述计算分类以后合成的母线负荷与原始母线负荷的误差值,包括:
计算出剩余平方和、拟合值与实际平均值的之差的回归平方和以及实际值与实际平均值之间差的总偏差平方和;
根据所述剩余平方和、所述回归平方和以及所述总偏差平方和得到曲线拟合精度。
7.如权利要求1所述的母线负荷成分测算方法,其特征在于,所述母线负荷成分测算方法,步骤还包括:
计算分类比例误差值。
8.一种母线负荷成分测算装置,其特征在于,步骤包括:
曲线拟合模块,用于根据各类用户负荷曲线的输入数据生成用户典型日负荷曲线;
比例值计算模块,用于根据所述用户典型日负荷曲线以及待测算的母线负荷曲线的输入数据,构建并求解母线负荷成分测算模型,计算得到各类负荷所占母线负荷的比例值;
负荷数据计算模块,用于根据所述比例值计算出各类用户的负荷数据。
9.一种母线负荷成分测算设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的母线负荷成分测算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868386.0A CN110689242A (zh) | 2019-09-12 | 2019-09-12 | 一种母线负荷成分测算方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868386.0A CN110689242A (zh) | 2019-09-12 | 2019-09-12 | 一种母线负荷成分测算方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689242A true CN110689242A (zh) | 2020-01-14 |
Family
ID=69109119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910868386.0A Pending CN110689242A (zh) | 2019-09-12 | 2019-09-12 | 一种母线负荷成分测算方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689242A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033716A (zh) * | 2012-12-26 | 2013-04-10 | 清华大学 | 一种电网综合负荷模型中各负荷成分所占比例的计算方法 |
WO2014187147A1 (zh) * | 2013-05-20 | 2014-11-27 | 国家电网公司 | 电力系统中长期优化运行的中长期风电出力模型建模方法 |
CN105160598A (zh) * | 2015-08-28 | 2015-12-16 | 国网智能电网研究院 | 一种基于改进em算法的电网业务分类方法 |
CN107067162A (zh) * | 2017-03-21 | 2017-08-18 | 浙江华立电力科技有限公司 | 基于时域及环境特征的自学习短期负荷预测算法 |
CN107730097A (zh) * | 2017-09-29 | 2018-02-23 | 广东电网有限责任公司电力调度控制中心 | 一种母线负荷预测方法、装置及计算设备 |
-
2019
- 2019-09-12 CN CN201910868386.0A patent/CN110689242A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033716A (zh) * | 2012-12-26 | 2013-04-10 | 清华大学 | 一种电网综合负荷模型中各负荷成分所占比例的计算方法 |
WO2014187147A1 (zh) * | 2013-05-20 | 2014-11-27 | 国家电网公司 | 电力系统中长期优化运行的中长期风电出力模型建模方法 |
CN105160598A (zh) * | 2015-08-28 | 2015-12-16 | 国网智能电网研究院 | 一种基于改进em算法的电网业务分类方法 |
CN107067162A (zh) * | 2017-03-21 | 2017-08-18 | 浙江华立电力科技有限公司 | 基于时域及环境特征的自学习短期负荷预测算法 |
CN107730097A (zh) * | 2017-09-29 | 2018-02-23 | 广东电网有限责任公司电力调度控制中心 | 一种母线负荷预测方法、装置及计算设备 |
Non-Patent Citations (2)
Title |
---|
尚金成等: "《电力市场技术支持系统设计与关键技术研究》", 31 August 2002, 中国电力出版社 * |
蔡秋娜等: "基于GMM聚类和SVM的用户负荷行业分类辨识方法", 《广东电力》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
Chicco et al. | Emergent electricity customer classification | |
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 | |
CN110380444B (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 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及系统 | |
CN112308427A (zh) | 一种基于组合赋权-灰关联的新能源消纳制约因素评估方法及系统 | |
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 | |
CN110837915A (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN115905904A (zh) | 一种配电网馈线的线损异常评估方法及装置 | |
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 | |
CN114611842A (zh) | 一种整县屋顶分布式光伏功率预测方法 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
CN112101673A (zh) | 一种基于隐马尔可夫模型的电网发展趋势预测方法及系统 | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
CN116131261A (zh) | 一种考虑模型鲁棒性的微电网动态等值建模方法 | |
CN110689242A (zh) | 一种母线负荷成分测算方法、装置及设备 | |
CN115796341A (zh) | 一种基于碳效码的企业低碳经济表现的协同测度方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200114 |