CN111091223B - 一种基于物联网智能感知技术的配变短期负荷预测方法 - Google Patents
一种基于物联网智能感知技术的配变短期负荷预测方法 Download PDFInfo
- Publication number
- CN111091223B CN111091223B CN201911042330.6A CN201911042330A CN111091223B CN 111091223 B CN111091223 B CN 111091223B CN 201911042330 A CN201911042330 A CN 201911042330A CN 111091223 B CN111091223 B CN 111091223B
- Authority
- CN
- China
- Prior art keywords
- load
- per unit
- daily
- day
- curve
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000005611 electricity Effects 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 abstract description 2
- 238000004140 cleaning Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于物联网智能感知技术的配变短期负荷预测方法，该方法的数据来源是一定地理区域内、同一配变下的各个用户智能电表采集的用电量数据。首先通过相关系数完成数据清洗与补全，通过标幺化处理得到用电量数据标幺曲线，然后通过仿射传播算法聚类后合并得到相似日的标幺曲线，最后通过加权求和得到待测未来日的标幺曲线，与基值组合后得到完整的待测日负荷曲线，从而完成整体配变短期负荷预测工作。将该方法应用到其他配变的同类数据作计算分析，可弥补低压配网精益化运维现状的不足，并为低压配网无功补偿策略控制方案提供支持，为低压设备的更新和低压配电系统的改造提供依据，所需的物资和人力成本低、准确性高、可操作性好。
Description
技术领域
本发明属于用电信息采集数据分析、挖掘领域，具体涉及一种基于物联网智能感知技术的配变短期负荷预测方法。
背景技术
配电网根据电压等级的不同，可分为高压配电网、中压配电网与低压配电网，低压配电网的电压一般为三相四线制380/220V，或单相二线制220V，连接大量的居民、商业等普通用户，并由连接在中压配电网上的中压、低压配电所供电。我国有着极为复杂而庞大的低压配电网络，且智能化水平一直处于薄弱状态，主要表现在故障抢修率低、运行状态监测水平低、精益化管理水平低等。随着智能感知技术的逐步发展，为物联网技术在电力系统中的应用带来机遇，且低压配网作为电力系统直接连接用户侧业务与分布式能源接入的末端，成为电力物联网建设的主要战场。新形势下，低压配网大量的智能感知终端的部署，作为基础元件和核心设备的智能电表可以短间隔记录并上传用户的多种用电信息，为电力系统数据分析带来了新的方法和思路，实现了低压配网海量数据采集用于边缘计算及以配电变压器供电范围为单位的台区管理，可对片区网络进行自主综合监控、管理与双向互动，有效提升供电可靠性和供电质量，低压配电网精益化管控问题得以解决。
短期负荷预测是电力系统经济调度的重要内容，配变台区作为智能电网与用户侧交互的纽带，由其负荷量级小且随机性强的特点为短期预测工作带来挑战。基于智能电表的量测数据，可以实现低电压的各式负荷进行预测，低压配电变压器、线路、用户等。这不仅可以为低压配网无功补偿策略控制方案提供支持，而且可以为低压设备的更新和低压配电系统的改造提供依据，因此台区级别的短期负荷预测成为低压配网精益化运维的基本功能。
发明内容
本发明的目的是提供一种基于物联网智能感知技术的配变短期负荷预测方法，以解决目前短期负荷预测方法难以应对低压台区负荷随机性的问题。
当负荷量级减小，随机性和波动性增大时，预测工作变得较为困难，基于神经网络等样本训练方法的适用性较小。在预测算法上，将数据挖掘方法应用于负荷分析和预测是近年来的新思路。数据挖掘算法意在从大量数据中发现规律，本发明主要也是沿此思路构建负荷预测算法。
负荷预测需要准确的负荷数据来支撑，通过智能电表一天内(00:00-23:59)每间隔一定时间(5min/15min/1h)记录一次配变量测数据，汇总当日全部测量数据就能得到该配变当日的负荷数据。根据不同量测周期，每日负荷数据曲线有288/96/24个测量时间点。假定某配变每日有24个测量时间点，将该配变N天所有的负荷时间序列数据用于下面的运算。
1)为提高数据分析的准确性以及可观测性，需要对数据中包含的坏数据进行预处理。常见的坏数据包括数据缺失以及数据失真，但是对于台区级这种小量级系统，失真数据也可能是负荷的随机性以及波动性导致的正常数据，因此考虑通过皮尔逊相关系数搜索预处理日负荷曲线的极大相似历史负荷曲线并补全。
计算台区全部用户连续N天的日负荷时间序列数据的皮尔逊相关系数，可以确定极大相似历史负荷曲线。相关系数Rxy的计算方法为：
其中：
Rxy：用户x与用户y在连续N天的日负荷时间序列数据的皮尔逊相关系数；
xi：用户x第i点的负荷值；
用户x的平均负荷值；
yi：用户y第i点的负荷值；
得到计算结果后，可通过寻找待补全日负荷数据的极大相关系数日，将待补全日的缺失数据点补全。
2)针对低容量负荷，基值与标幺负荷曲线分开预测的解耦预测方法可降低负荷突变和随机性的影响，亦有利于分析负荷规律，从而提高预测精度。为了进行聚类分析以辨识负荷模式，对去除坏点的负荷数据做标幺化处理，从而重点分析日负荷的变化规律，因此考虑选择日负荷均值作为基值进行标幺化，可以降低负荷尖峰对变化规律的影响。
假设有N日24点的配变负荷数据PN(t)，标幺负荷曲线表达式为其中为日负荷均值。
3)配变负荷本质上是一组具有很强随机性及波动性的时间序列信号，皮尔逊相关系数具有很好分析非平稳信号的效果，因此考虑通过皮尔逊相关系数矩阵建立标幺日负荷曲线间的相关系数，将其定义为相似度距离。
通过公式(1)计算标幺负荷曲线pN彼此的相关系数矩阵，则rij为第i日与第j日的标幺负荷曲线的相关系数，通过rij构造相似度矩阵s。
AP算法是D Dueck等人在2007年在Science首次提出的一种聚类方法，该算法依据数据点的相似度矩阵来聚类，一般来讲聚类就是使得数据点到其类代表点的距离最小化，所以通常把数据点之间的欧式距离作为相似度来计算，任意两点αi与βk之间的相似度为：
s(i，k)＝-d2(αi，βk)＝-||αi-βk||2，i＝k (2)
AP算法在计算过程中通过数据点之间信息的互相传递，从而获取为选出类代表点提供足够的证据。数据点之间的信息主要包括两类：R(i，k)为候选代表点βk从数据点αi搜寻的证据，方向由αi指向βk，反映了βk适合成为αi的类代表点的程度；A(i，k)为数据点αi从候选代表点βk搜寻的证据，方向由βk指向αi，反应了αi选择βk作为其类代表点的适合程度。
AP算法在每一次迭代中，都需要对R(i，k)与A(i，k)进行更新，初始化A(i，k)＝0，每一次迭代更新点i’、k’公式为：
对公式(3)两边同时加上A(i，k)得到公式(5)：
通过以上更新原则，数据点之间的信息能够互相传递，对于数据点集αi，当A(i，k)+R(i，k)的值有最大程度变化时，表明βk成为αi的类代表点，也能够通过设定迭代次数或者是局部变化的程度终止算法。
该算法依据数据点的相似度矩阵来聚类，通过步骤3)中得到的各标幺日负荷曲线间的相关系数构成相似度矩阵，假定自动将各标幺日负荷曲线分成B类。B＝1，2，...，K。
4)得到聚类结果后，需要研究如何对负荷曲线进行加权，从而获取待预测日的负荷预测曲线。为此，将两个连续日的负荷联合起来看作一种负荷模式，认为今天的负荷规律将从概率上影响明天的负荷规律，从而可以通过待预测日p1前24小时的负荷pl-1来预测待预测日的负荷情况，故提取待预测日前一天日负荷p1-1所属类K中所有的标幺日负荷曲线pK，并提取pK后一日的标幺日负荷曲线pK+1，定义为相似日标幺负荷曲线。
通过相似日标幺负荷曲线pK+1及pK与p1-1相关系数Rm，通过加权平均的方法得到待测日的日标幺负荷曲线P1：
5)在负荷预处理的时候，对负荷进行了标幺化，故为了完成预测，需预测基值，采用倍比平滑法可以用近两周的负荷基值估计待测日的基值：
6)用待测日的日标幺负荷曲线p1乘以待测日负荷基值最终得到待测日负荷P1。
本发明与现有技术相比，具有以下优点和效果：本方法的数据来源是一定地理区域内、同一配变下的各个用户智能电表采集的用电量数据。首先通过相关系数完成数据清洗与补全，通过标幺化处理得到用电量数据标幺曲线，然后通过仿射传播算法聚类后合并得到相似日的标幺曲线，最后通过加权求和得到待测未来日的标幺曲线，与基值组合后得到完整的待测日负荷曲线，从而完成整体配变短期负荷预测工作。将该方法应用到其他配变的同类数据作计算分析，可弥补低压配网精益化运维现状的不足，并为低压配网无功补偿策略控制方案提供支持，为低压设备的更新和低压配电系统的改造提供依据。这种方法所需的物资和人力成本低、准确性高、可操作性好，对提高低压配网精益化运维具有积极意义。
附图说明
图1是本发明的配变短期负荷预测步骤图；
图2是本发明的相似日负荷标幺值曲线图；
图3是本发明的待测日负荷标幺值曲线图；
图4是本发明的待测日负荷曲线与实际负荷曲线的对比图。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
本实施例提供一种基于物联网智能感知技术的配变短期负荷预测方法，包括如下步骤：
1)计算台区全部用户连续N天的日负荷时间序列数据的皮尔逊相关系数，处理日负荷曲线的极大相似历史负荷曲线并补全。
2)为降低负荷尖峰对变化规律的影响，对完整的历史负荷曲线做标幺化处理，从而重点分析日负荷的变化规律，将历史负荷曲线拆分成历史负荷曲线标幺值与基值。
3)考虑通过皮尔逊相关系数矩阵建立标幺日负荷曲线间的相关系数，将其定义为相似度距离并构造历史负荷曲线标幺值的相似度矩阵，通过AP算法对历史负荷曲线标幺值的相似度矩阵来聚类，假定自动将各标幺日负荷曲线分成B类。B＝1，2，...，K。
4)将两个连续日的负荷联合起来看作一种负荷模式，认为今天的负荷规律将从概率上影响明天的负荷规律，从而可以通过待预测日p1前24小时的负荷pl-1来预测待预测日的负荷情况，故提取待预测日前一天日负荷pl-1所属类K中所有的标幺日负荷曲线pK，并提取pK后一日的标幺日负荷曲线pK+1，定义为相似日标幺负荷曲线。通过相似日标幺负荷曲线pK+1及pK与pl-1相关系数Rm，通过加权平均的方法得到待测日的日标幺负荷曲线P1。
5)在负荷预处理的时候，对负荷进行了标幺化，故为了完成预测，需预测基值，采用倍比平滑法可以用近两周的负荷基值估计待测日的基值。
6)用待测日的日标幺负荷曲线p1乘以待测日负荷基值最终得到待测日负荷P1。
虽然本发明已以实施例公开如上，但其并非用以限定本发明的保护范围，任何熟悉该项技术的技术人员，在不脱离本发明的构思和范围内所作的更动与润饰，均应属于本发明的保护范围。
Claims (1)
1.一种基于物联网智能感知技术的配变短期负荷预测方法，其特征是，包括如下步骤：
1）计算台区全部用户连续N天的日负荷时间序列数据的皮尔逊相关系数，处理日负荷曲线的极大相似历史负荷曲线并补全；
2）为降低负荷尖峰对变化规律的影响，对完整的历史负荷曲线做标幺化处理，从而重点分析日负荷的变化规律，将历史负荷曲线拆分成历史负荷曲线标幺值与基值；
3）通过皮尔逊相关系数矩阵建立标幺日负荷曲线间的相关系数，将其定义为相似度距离并构造历史负荷曲线标幺值的相似度矩阵，通过AP算法对历史负荷曲线标幺值的相似度矩阵来聚类，假定自动将各标幺日负荷曲线分成B类，B=1,2,…,K；
4）将两个连续日的负荷联合起来看作一种负荷模式，认为今天的负荷规律将从概率上影响明天的负荷规律，通过待预测日pl前24小时的负荷pl-1来预测待预测日的负荷情况，故提取待预测日前一天日负荷pl-1所属类K中所有的标幺日负荷曲线pK，并提取pK后一日的标幺日负荷曲线pK+1，定义为相似日标幺负荷曲线；通过相似日标幺负荷曲线pK+1及pK与pl-1相关系数Rm，通过加权平均的方法得到待测日的日标幺负荷曲线pl；
5）在负荷预处理的时候，对负荷进行了标幺化，故为了完成预测，预测基值，采用倍比平滑法估计待测日的基值，公式如下：
；
6）用待测日的日标幺负荷曲线pl乘以待测日负荷基值，最终得到待测日负荷Pl。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911042330.6A CN111091223B (zh) | 2019-10-30 | 2019-10-30 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911042330.6A CN111091223B (zh) | 2019-10-30 | 2019-10-30 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111091223A CN111091223A (zh) | 2020-05-01 |
| CN111091223B true CN111091223B (zh) | 2023-08-04 |
Family
ID=70393457
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911042330.6A Active CN111091223B (zh) | 2019-10-30 | 2019-10-30 | 一种基于物联网智能感知技术的配变短期负荷预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091223B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598330A (zh) * | 2020-05-13 | 2020-08-28 | 国网河北省电力有限公司电力科学研究院 | 一种基于负荷识别技术的居民用电负荷预测方法 |
| CN112070121A (zh) * | 2020-08-12 | 2020-12-11 | 国网黑龙江省电力有限公司哈尔滨供电公司 | 一种基于变分自编码器的智能电表数据填补方法 |
| CN112508260B (zh) * | 2020-12-03 | 2022-09-02 | 广东电网有限责任公司 | 基于对比学习的配电变压器中长期负荷预测方法及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104600747A (zh) * | 2015-01-21 | 2015-05-06 | 西安交通大学 | 协调运行风险与风能消纳的电力系统运行优化方法 |
| CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
| CN109117872A (zh) * | 2018-07-24 | 2019-01-01 | 贵州电网有限责任公司信息中心 | 一种基于自动最优聚类算法的用户用电行为分析方法 |
| CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
| CN109409570A (zh) * | 2018-09-20 | 2019-03-01 | 平安科技（深圳）有限公司 | 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质 |
| CN109636010A (zh) * | 2018-11-23 | 2019-04-16 | 国网湖北省电力有限公司 | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 |
| CN109934395A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
| CN109934396A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于两阶段还原的地区网供负荷精细化预测方法 |
| CN110007901A (zh) * | 2019-02-28 | 2019-07-12 | 华电电力科学研究院有限公司 | 一种集团级风电监控平台的开发系统及其运行方法及开发方法 |
| CN110334739A (zh) * | 2019-06-05 | 2019-10-15 | 深圳供电局有限公司 | 一种两段式分量负荷预测方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150186827A1 (en) * | 2013-12-11 | 2015-07-02 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven targeting of energy programs using time-series data |
| JP2017027145A (ja) * | 2015-07-16 | 2017-02-02 | ソニー株式会社 | 表示制御装置、表示制御方法、及び、プログラム |
| JP6652699B2 (ja) * | 2015-10-05 | 2020-02-26 | 富士通株式会社 | アノマリ評価プログラム、アノマリ評価方法、および情報処理装置 |
-
2019
- 2019-10-30 CN CN201911042330.6A patent/CN111091223B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104600747A (zh) * | 2015-01-21 | 2015-05-06 | 西安交通大学 | 协调运行风险与风能消纳的电力系统运行优化方法 |
| CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
| CN109117872A (zh) * | 2018-07-24 | 2019-01-01 | 贵州电网有限责任公司信息中心 | 一种基于自动最优聚类算法的用户用电行为分析方法 |
| CN109190672A (zh) * | 2018-08-02 | 2019-01-11 | 清华大学 | 电力系统运行工况无监督聚类方法及装置 |
| CN109409570A (zh) * | 2018-09-20 | 2019-03-01 | 平安科技（深圳）有限公司 | 电子装置、基于聚类算法的建筑物日用电负荷预测方法及存储介质 |
| CN109636010A (zh) * | 2018-11-23 | 2019-04-16 | 国网湖北省电力有限公司 | 基于相关因素矩阵的省级电网短期负荷预测方法及系统 |
| CN110007901A (zh) * | 2019-02-28 | 2019-07-12 | 华电电力科学研究院有限公司 | 一种集团级风电监控平台的开发系统及其运行方法及开发方法 |
| CN109934395A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 |
| CN109934396A (zh) * | 2019-03-04 | 2019-06-25 | 三峡大学 | 一种基于两阶段还原的地区网供负荷精细化预测方法 |
| CN110334739A (zh) * | 2019-06-05 | 2019-10-15 | 深圳供电局有限公司 | 一种两段式分量负荷预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111091223A (zh) | 2020-05-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091223B (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 | |
| CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
| CN108549907B (zh) | 一种基于多源迁移学习的数据校验方法 | |
| CN110363432A (zh) | 基于改进熵权-灰色关联的配电网可靠性影响分析方法 | |
| CN110687361A (zh) | 一种用于识别低压配网台区相序的方法及系统 | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
| CN109829246B (zh) | 一种基于参数综合可疑度的线路参数辨识方法 | |
| CN115453193A (zh) | 基于pqm、ttu和sm量测数据协同的配电网谐波状态估计方法 | |
| CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
| CN112182499B (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
| CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN113505951A (zh) | 一种配网规划全过程评估管理系统 | |
| CN112215482A (zh) | 一种户变关系识别方法和装置 | |
| Hu et al. | Transformer-customer relationship identification for low-voltage distribution networks based on joint optimization of voltage silhouette coefficient and power loss coefficient | |
| Hu et al. | A data-driven method of users-transformer relationship identification in the secondary power distribution system | |
| Hu et al. | Real-time line loss calculation method based on equivalent resistance of low voltage distribution network | |
| Dashtdar et al. | Fault location in distribution network by solving the optimization problem using genetic algorithm based on the calculating voltage changes | |
| CN110865328B (zh) | 基于ami的智能电表相位识别、拓扑辨识及阻抗估计方法 | |
| Yang et al. | AI-Based Detection of Power Consumption Behavior of People in a Smart City | |
| CN112564095A (zh) | 一种配电网线变关系数据校验方法和系统 | |
| Deng et al. | Users-transformer relationship identification based on smart meter data | |
| Yang et al. | Evaluating the effectiveness of conservation voltage reduction with multilevel robust regression | |
| Cordeiro et al. | Energy box mapping and energy balance in low voltage grids | |
| CN109190080A (zh) | 一种电力变压器的健康状况确定方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |