CN111080164A - 一种基于日负荷曲线的电力负荷聚类结果评价方法 - Google Patents
一种基于日负荷曲线的电力负荷聚类结果评价方法 Download PDFInfo
- Publication number
- CN111080164A CN111080164A CN201911377161.1A CN201911377161A CN111080164A CN 111080164 A CN111080164 A CN 111080164A CN 201911377161 A CN201911377161 A CN 201911377161A CN 111080164 A CN111080164 A CN 111080164A
- Authority
- CN
- China
- Prior art keywords
- clustering
- index
- effect evaluation
- load
- determining
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 121
- 230000000694 effects Effects 0.000 claims abstract description 96
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 21
- 239000006185 dispersion Substances 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000011436 cob Substances 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 14
- 238000011425 standardization method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000002759 z-score normalization Methods 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
- G06Q10/063—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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于日负荷曲线的电力负荷聚类结果评价方法,该方法包括以下步骤:基于日负荷曲线,确定待评物元,建立由多种聚类效果评价指标构成的聚类效果评价指标体系;基于综合评价权重法确定聚类效果评价指标权重系数;运用云物元理论,确定聚类效果评价指标的正态云物元模型;基于正态云物元模型,确定聚类效果评价指标同效果评价等级间的关联度;计算待评电力负荷关于各个效果评价等级的关联度;根据最大隶属度原则,关联度最大的效果评价等级判定为待评电力负荷的聚类结果。本发明提供的基于日负荷曲线的电力负荷聚类结果评价方法,明确了评价指标并提出了综合权重评价法,可对不同聚类算法的聚类效果进行科学的评价。
Description
技术领域
本发明涉及电力负荷聚类技术领域,特别是涉及一种基于日负荷曲线的电力负荷聚类结果评价方法。
背景技术
负荷聚类(Load Clustering,LC)是根据各行业日负荷曲线特点,选取合适的聚类指标,采用一定的聚类算法,将变电站进行分类的过程。从负荷聚类结果中,可以大体看出变电站供电对象及负荷变化趋势,常用于负荷预测及电力系统的运行控制,对电力系统的安全稳定运行具有重大意义。
总体来看,关于负荷聚类的讨论主要集中在负荷曲线标准化方法、聚类算法的选择、聚类效果评价指标的选择这三个方面。近年来,关于负荷曲线标准化方法以及聚类算法的研究已经非常成熟。负荷曲线标准化方法主要有峰值标准化方法、最大最小值标准化方法、Z-score标准化方法。聚类算法主要有K-means算法、模糊C均值(fuzzy C-means,FCM)算法、Ward算法、自组织映射神经网络(Self-organizing map,SOM)算法等。目前关于负荷聚类方法的研究依然集中在标准化方法以及聚类算法的改进。
然而,针对聚类效果评价的研究进展十分有限,目前常用的聚类效果评价指标主要有MIA、CDI、SMI、DBI、SI、RFI,前五个聚类效果评价指标都是基于负荷曲线的欧式距离进行计算的,会受到标准化方法的影响,最后一个聚类效果评价指标不受标准化方法的影响。虽然有六个聚类效果评价指标,但是在实际项目中,一般只考虑其中一两个指标,而没有提出考虑多个指标拟合的综合评价方法。
发明内容
本发明的目的是提供一种基于日负荷曲线的电力负荷聚类结果评价方法,填补了当前电力负荷聚类效果的多指标综合评价方法的空白,建立了针对电力负荷聚类效果的评价体系,明确了评价指标并提出了综合权重评价法,可对不同聚类算法的聚类效果进行科学的评价。
为实现上述目的,本发明提供了如下方案:
本发明提供了一种基于日负荷曲线的电力负荷聚类结果评价方法,包括以下步骤:
步骤1,基于日负荷曲线,确定待评物元,建立由多种聚类效果评价指标构成的聚类效果评价指标体系;
步骤2,基于综合评价权重法确定聚类效果评价指标权重系数;
步骤3,运用云物元理论,确定聚类效果评价指标的正态云物元模型;
步骤4,基于正态云物元模型,确定聚类效果评价指标同效果评价等级间的关联度;
步骤5,计算待评电力负荷关于各个效果评价等级的关联度;
步骤6,根据最大隶属度原则,以关联度作为判定效果评价等级的标准,关联度最大的效果评价等级判定为待评电力负荷的聚类结果。
可选的,所述步骤1中,确定待评物元,建立由多种聚类效果评价指标构成的聚类效果评价指标体系,具体包括:
确定待评物元,包括:
MIA,表示分配给聚类的每个输入向量与其中心之间的平均距离;
CDI,表示同一集群中输入向量之间的平均基础距离与类代表负荷曲线之间的基础距离的比率;
SMI,表示对称相似矩阵的最大非对角线元素,通过使用所有种类的有代表性负载曲线之间的欧式距离的对数函数来计算;
DBI,表示每个群集与其最相似群集的相似性度量的系统范围内的平均值;
SI,分散指数,表示分散占聚类的比例;
RFI,包括:
距离:
式中,l(i)为第i个负荷曲线时刻t的负荷值,T为负荷曲线的时段数目;
类内距离:
式中,X为所要计算的类内所有向量的集合,M、N相等,为类群内部向量数目;
由多种聚类效果评价指标构成的聚类效果评价指标体系,包括:
MIA指标:
式中,l(i,j)表示第j个聚类类别里第i个向量,Cj为第j个类群的聚类中心,M(j)为第j个类别的对象数目,K为聚类类群总数,MIA指标越小代表聚类结果内部越紧凑,更适合作为优选聚类结果;
CDI指标:
式中,C为聚类结果中所有类群聚类中心的集合,X(k)为第k个聚类群,K为聚类类群总数,CDI指标分子表示类群内部的紧密程度,分母表示类群之间的离散程度,CDI指标越小代表聚类结果越好;
SMI指标:
式中,c(i)为第i类负荷曲线的代表性曲线向量;
DBI指标:
SI指标:
RFI指标:
式中,n为聚类数;k为类别序号;xk,i为第k类中第i个负荷的特征属性向量;Cobb表示以xk,i负荷属性样本作为输入;I函数表示函数内部两个变量相等时其值为1,否则为0,聚类效果越好则RFI指标越高。
可选的,所述步骤2,基于综合评价权重法确定聚类效果评价指标权重系数,具体包括:综合评价权重法基于主观权重法和客观权重法进行计算,在聚类效果评价指标权重系数中,主观权重占比为60%,客观权重占比为40%。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的基于日负荷曲线的电力负荷聚类结果评价方法,可以将MIA、CDI、SMI、DBI、SI、RFI六种聚类效果评价指标综合到一起,建立了针对电力负荷聚类效果的综合评价体系,填补了当前电力负荷聚类效果的多指标综合评价方法的空白;考虑到六种聚类效果评价指标及实际负荷聚类侧重点的不同,增加主观权重的比例,明确了评价指标并提出了综合权重评价法,可对不同聚类算法的聚类效果进行科学的评价,给出更为科学的评价结果;评价体系基于云物元理论,结合概率论和模糊数学理论,将各项评价指标科学结合,使聚类效果评价更为客观。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于日负荷曲线的电力负荷聚类结果评价方法流程图。
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做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。
本发明的目的是提供一种基于日负荷曲线的电力负荷聚类结果评价方法,填补了当前电力负荷聚类效果的多指标综合评价方法的空白,建立了针对电力负荷聚类效果的评价体系,明确了评价指标并提出了综合权重评价法,可对不同聚类算法的聚类效果进行科学的评价。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种基于日负荷曲线的电力负荷聚类结果评价方法,该方法包括以下步骤:
步骤1,基于日负荷曲线,确定待评物元,建立由多种聚类效果评价指标构成的聚类效果评价指标体系;
步骤2,基于综合评价权重法确定聚类效果评价指标权重系数;
步骤3,运用云物元理论,确定聚类效果评价指标的正态云物元模型;
步骤4,基于正态云物元模型,确定聚类效果评价指标同效果评价等级间的关联度;
步骤5,计算待评电力负荷关于各个效果评价等级的关联度;
步骤6,根据最大隶属度原则,以关联度作为判定效果评价等级的标准,关联度最大的效果评价等级判定为待评电力负荷的聚类结果。
其中,所述步骤1,基于日负荷曲线,确定待评物元,建立由多种聚类效果评价指标构成的聚类效果评价指标体系,具体包括:
针对电力负荷聚类效果的评价,通过查阅电力负荷聚类的相关文献,确定了待评物元:1.Mean index adeqquacy(MIA),表示的是分配给聚类的每个输入向量与其中心之间的平均距离;2.Clustering dispersion indicator(CDI),表示的是同一集群中输入向量之间的平均基础距离与类代表负荷曲线之间的基础距离的比率;3.Similarity matrixindicator(SMI),被定义为对称相似矩阵的最大非对角线元素,通过使用所有种类的有代表性负载曲线之间的欧式距离的对数函数来计算;4.Davies-Bouldin indicator(DBI),表示的是每个群集与其最相似群集的相似性度量的系统范围内的平均值;5.Scatterindicator(SI),分散指数,表示的是分散占聚类的比例;6.Random forest indicator(RFI)。
距离:
式中,l(i)为第i个负荷曲线时刻t的负荷值,T为负荷曲线的时段数目。
类内距离:
式中,X为所要计算的类内所有向量的集合,M,N相等,为类群内部向量数目;
建立由多种聚类效果评价指标构成的聚类效果评价指标体系,包括:
①MIA指标
式中,l(i,j)表示第j个聚类类别里第i个向量,Cj为第j个类群的聚类中心,M(j)为第j个类别的对象数目,K为聚类类群总数,MIA指标越小代表聚类结果内部越紧凑,更适合作为优选聚类结果;
②CDI指标
式中,C为聚类结果中所有类群聚类中心的集合,X(k)为第k个聚类群,K为聚类类群总数,CDI指标分子表示类群内部的紧密程度,分母表示类群之间的离散程度,CDI指标越小代表聚类结果越好;
③SMI指标
式中,c(i)为第i类负荷曲线的代表性曲线向量。
④DBI指标
⑤SI指标
⑥RFI指标
式中,n为聚类数;k为类别序号;xk,i为第k类中第i个负荷的特征属性向量;Cobb表示以xk,i负荷属性样本作为输入,以这些没有采用此样本的决策树模型对该负荷进行分类,采用所有决策树输出结果的众数作为分类结果;I函数表示函数内部两个变量相等时其值为1,否则为0,聚类效果越好则RFI指标越高。
其中,所述步骤2,基于综合评价权重法确定聚类效果评价指标权重系数,具体包括:
综合评价权重法基于主观权重法和客观权重法进行计算,考虑到六种聚类效果评价指标及实际负荷聚类侧重点的不同,增加主观权重的比例。在综合评价权重中,主观权重占比为60%,客观权重占比为40%。
综合评价权重=主观权重×0.6+客观权重×0.4
其中,所述步骤3,运用云物元理论,确定聚类效果评价指标的正态云物元模型,具体包括:
如表1和表2所示,针对不同聚类方法可能得到的六种指标值,考虑将最终聚类效果等级划分为优,良,中,差四个等级。考虑到这六个指标都是定量指标,根据各种指标值大小与聚类效果的对应关系,参考相关标准,给出这六个指标对应于四个评价等级的量值,一般以区间数值的形式呈现,如[cmin,cmax],要运用云物元理论,需将区间数值转换为云表示的指标,转换公式如下:
Ex=(cmin+cmax)/2
En=(cmax-cmin)/6
本文中聚类效果评价各指标等级即为区间数,可以采用指标近似法将其转化为云数据,即将各指标等级区间数值看成是一个双约束的指标[cmin,cmax],用区间的中点值来代表整个区间得到Ex,依据正态云的“3En”规则计算En。
期望Ex(expectation):定性概念的期望值或者可以理解成中心值或者理想值,它其实就是“云”的分布中心。
熵En(entropy):定性概念模糊度的度量,反映了可被这个概念所接受的数值范围,体现了定性概念亦此亦彼性的裕度,熵越大,概念所接受的数值范围也越大,概念越模糊。
表1负荷聚类效果评价指标区间数值标准
表2负荷聚类效果评价指标云模型指标标准
所述步骤4,基于正态云物元模型,确定聚类效果评价指标同效果评价等级间的关联度,具体包括:
由步骤3以及表2确定的负荷聚类效果评价指标正态云物元模型,根据各指标的测量值可得到关联度,权重计算在步骤2已给出。通过运算可得各指标的关联度值。
步骤5,计算待评电力负荷关于各个效果评价等级的关联度;例如计算待评事物关于等级j的关联度,
步骤6,根据最大隶属度原则,以关联度作为判定效果评价等级的标准,关联度最大的效果评价等级判定为待评电力负荷的聚类结果,
表3负荷聚类效果评价最终关联度
本发明提供的基于日负荷曲线的电力负荷聚类结果评价方法,可以将MIA、CDI、SMI、DBI、SI、RFI六种聚类效果评价指标综合到一起,考虑六种评价指标,既包括与标准化方法有关的五个指标,又包括与标准化方法无关的一个指标,评价结果更为全面,建立了针对电力负荷聚类效果的综合评价体系,填补了当前电力负荷聚类效果的多指标综合评价方法的空白;考虑到六种聚类效果评价指标及实际负荷聚类侧重点的不同,增加主观权重的比例,明确了评价指标并提出了综合权重评价法,可对不同聚类算法的聚类效果进行科学的评价,给出更为科学的评价结果;评价体系基于云物元理论,结合概率论和模糊数学理论,将各项评价指标科学结合,使聚类效果评价更为客观。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种基于日负荷曲线的电力负荷聚类结果评价方法,其特征在于,包括以下步骤:
步骤1,基于日负荷曲线,确定待评物元,建立由多种聚类效果评价指标构成的聚类效果评价指标体系;
步骤2,基于综合评价权重法确定聚类效果评价指标权重系数;
步骤3,运用云物元理论,确定聚类效果评价指标的正态云物元模型;
步骤4,基于正态云物元模型,确定聚类效果评价指标同效果评价等级间的关联度;
步骤5,计算待评电力负荷关于各个效果评价等级的关联度;
步骤6,根据最大隶属度原则,以关联度作为判定效果评价等级的标准,关联度最大的效果评价等级判定为待评电力负荷的聚类结果。
2.根据权利要求1所述的基于日负荷曲线的电力负荷聚类结果评价方法,其特征在于,所述步骤1中,确定待评物元,建立由多种聚类效果评价指标构成的聚类效果评价指标体系,具体包括:
确定待评物元,包括:
MIA,表示分配给聚类的每个输入向量与其中心之间的平均距离;
CDI,表示同一集群中输入向量之间的平均基础距离与类代表负荷曲线之间的基础距离的比率;
SMI,表示对称相似矩阵的最大非对角线元素,通过使用所有种类的有代表性负载曲线之间的欧式距离的对数函数来计算;
DBI,表示每个群集与其最相似群集的相似性度量的系统范围内的平均值;
SI,分散指数,表示分散占聚类的比例;
RFI,包括:
距离:
式中,l(i)为第i个负荷曲线时刻t的负荷值,T为负荷曲线的时段数目;
类内距离:
式中,X为所要计算的类内所有向量的集合,M、N相等,为类群内部向量数目;
由多种聚类效果评价指标构成的聚类效果评价指标体系,包括:
MIA指标:
式中,l(i,j)表示第j个聚类类别里第i个向量,Cj为第j个类群的聚类中心,M(j)为第j个类别的对象数目,K为聚类类群总数,MIA指标越小代表聚类结果内部越紧凑,更适合作为优选聚类结果;
CDI指标:
式中,C为聚类结果中所有类群聚类中心的集合,X(k)为第k个聚类群,K为聚类类群总数,CDI指标分子表示类群内部的紧密程度,分母表示类群之间的离散程度,CDI指标越小代表聚类结果越好;
SMI指标:
式中,c(i)为第i类负荷曲线的代表性曲线向量;
DBI指标:
SI指标:
RFI指标:
式中,n为聚类数;k为类别序号;xk,i为第k类中第i个负荷的特征属性向量;Cobb表示以xk,i负荷属性样本作为输入;I函数表示函数内部两个变量相等时其值为1,否则为0,聚类效果越好则RFI指标越高。
3.根据权利要求1所述的基于日负荷曲线的电力负荷聚类结果评价方法,其特征在于,所述步骤2,基于综合评价权重法确定聚类效果评价指标权重系数,具体包括:综合评价权重法基于主观权重法和客观权重法进行计算,在聚类效果评价指标权重系数中,主观权重占比为60%,客观权重占比为40%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377161.1A CN111080164A (zh) | 2019-12-27 | 2019-12-27 | 一种基于日负荷曲线的电力负荷聚类结果评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911377161.1A CN111080164A (zh) | 2019-12-27 | 2019-12-27 | 一种基于日负荷曲线的电力负荷聚类结果评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111080164A true CN111080164A (zh) | 2020-04-28 |
Family
ID=70318536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911377161.1A Pending CN111080164A (zh) | 2019-12-27 | 2019-12-27 | 一种基于日负荷曲线的电力负荷聚类结果评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111080164A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200482A (zh) * | 2020-10-22 | 2021-01-08 | 国网新疆电力有限公司电力科学研究院 | 一种极端气候条件下输电线路安全投运评估方法 |
CN112668764A (zh) * | 2020-12-22 | 2021-04-16 | 国网福建省电力有限公司 | 一种基于云模型和fcm算法的海上风电场储能系统优化配置方法 |
-
2019
- 2019-12-27 CN CN201911377161.1A patent/CN111080164A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200482A (zh) * | 2020-10-22 | 2021-01-08 | 国网新疆电力有限公司电力科学研究院 | 一种极端气候条件下输电线路安全投运评估方法 |
CN112200482B (zh) * | 2020-10-22 | 2024-04-23 | 国网新疆电力有限公司电力科学研究院 | 一种极端气候条件下输电线路安全投运评估方法 |
CN112668764A (zh) * | 2020-12-22 | 2021-04-16 | 国网福建省电力有限公司 | 一种基于云模型和fcm算法的海上风电场储能系统优化配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280479B (zh) | 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 | |
CN111091143B (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
CN110991786A (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN111382797B (zh) | 一种基于样本密度和自适应调整聚类中心的聚类分析方法 | |
CN110909977A (zh) | 基于adasyn-dhsd-et的电网故障诊断方法 | |
CN112785119B (zh) | 基于聚类和层次分析算法的配网电压越限原因分析方法 | |
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 | |
CN111242161B (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
CN111080164A (zh) | 一种基于日负荷曲线的电力负荷聚类结果评价方法 | |
CN111008504A (zh) | 一种基于气象模式识别的风电功率预测误差建模方法 | |
CN109657884A (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN111967733A (zh) | 一种聚合群电源调峰潜力模糊综合评估方法 | |
Lu et al. | Adaptive weighted fuzzy clustering algorithm for load profiling of smart grid customers | |
CN108108874A (zh) | 一种基于正负靶心的灰靶模型的配电网综合评价方法 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
Zhang et al. | A new medium and long-term power load forecasting method considering policy factors | |
CN114065495A (zh) | 基于逆向云组合权重及模糊贴近度的变压器状态评估方法 | |
CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
CN111737924A (zh) | 一种基于多源数据选取典型负荷特性变电站的方法 | |
Zhang et al. | User power interaction behavior clustering analysis that is based on the self-organizing-center K-means algorithm | |
CN111914900A (zh) | 一种用户用电模式分类方法 | |
CN115423271A (zh) | 一种配电网综合评价指标选取方法 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 |
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 |