CN111768023A - 一种基于智慧城市电能表数据的概率峰值负荷估计方法 - Google Patents

一种基于智慧城市电能表数据的概率峰值负荷估计方法 Download PDF

Info

Publication number
CN111768023A
CN111768023A CN202010395835.7A CN202010395835A CN111768023A CN 111768023 A CN111768023 A CN 111768023A CN 202010395835 A CN202010395835 A CN 202010395835A CN 111768023 A CN111768023 A CN 111768023A
Authority
CN
China
Prior art keywords
user
steps
following
calculating
probabilistic
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
Application number
CN202010395835.7A
Other languages
English (en)
Other versions
CN111768023B (zh
Inventor
刘岩
袁瑞铭
刘影
郑思达
张威
肖娜
王皓
彭鑫霞
杨晓坤
殷庆铎
杨东升
李文文
王艳琴
杨磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
NARI Nanjing Control System Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd, NARI Nanjing Control System Co Ltd filed Critical Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Priority to CN202010395835.7A priority Critical patent/CN111768023B/zh
Publication of CN111768023A publication Critical patent/CN111768023A/zh
Application granted granted Critical
Publication of CN111768023B publication Critical patent/CN111768023B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于智慧城市电能表数据的概率峰值负荷估计方法，S01：通过用户类别的智能电表历史需求数据通过变量阶段R‑vine连接方法进行用户负荷建模，并计算用户负荷采样数据集；S02：计算用户负荷采样数据集相关矩阵，获取相关系数大于阈值的K组用户；S03：通过K组用户负荷采样数据集，计算概率性NMDDn曲线；S04：利用概率性NMDDn曲线，在给定未来用户数ng的情况下，计算概率同步峰值需求估计结果。本发明通过智能电表系统的数据采集，利用本方法可有效对不同用户的峰值负荷进行估计，并利用智能电表系统对配电网系统进行管理。

Description

一种基于智慧城市电能表数据的概率峰值负荷估计方法
技术领域
本发明涉及一种基于智慧城市电能表数据的概率峰值负荷估计方法，属于智能电表技术领域。
背景技术
在未来的智慧城市中，越来越多的智慧建筑或公园将会从无到有地扩展或规划。准确的峰值负荷估计是确定变电站、馈线等电力输送设备容量的关键驱动力。可靠性和经济性之间的平衡应该通过最佳地匹配需求和供应来实现。低估需求峰值将导致资产规模过小，并在某些时期无法承担服务负荷。与此同时，过高估计需求峰值可能会导致成本效率低下的决策，因为同样水平的可靠性可以用降低评级的更便宜资产来提供。
在平时我们的生活中，原来广泛存在的机械式电能表逐渐被电子式电能表取代，原因归咎于前者的稳定性，精确度，灵敏度，线性动态，功耗，防窃电等部分远不如后者，而这些产品大都是单纯针对单用户电能的计量所设计的，为了制作出满足智慧城市电网提出的“以服务为导向”的需求趋势，随着互联网络硬件、软件的迅猛发展，数据采集与控制设备在逐步地走向网络化，物联网中的以太网可以满足数据可靠实时的传输，直接连接到家庭中的网线就可以实现系统数据的传输。
个体消费者的用电行为具有较高的随机性和波动性。总高峰负荷的一致性更有规律，也更稳定，因为聚集了更多的用户。因此，由低压变电站和馈线提供的单个或多个建筑物的峰值负荷估计比大型电力系统更具挑战性。对于小群体的消费者来说，必须考虑到个体消费者的用电行为的多样性。事实上，基本用电量是由不同类别的客户(例如，收入水平和住户人数)所推动的。结果表明，家庭规模与最大需求峰值明显相关，可以作为衡量单个家庭连接大小的有用指标。
那么，如何更好的通过智能电能表数据对小群体用户的峰值负荷进行估计，是本领域技术人员急需要解决的技术问题。
发明内容
目的：为了解决利用智能电表如何进行峰值负荷估计的问题，本发明提供一种基于智慧城市电能表数据的概率峰值负荷估计方法。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种基于智慧城市电能表数据的概率峰值负荷估计方法，包括以下步骤：
S01：通过用户类别的智能电表历史需求数据通过变量阶段R-vine连接方法进行用户负荷建模，并计算用户负荷采样数据集；
S02：计算用户负荷采样数据集相关矩阵，获取相关系数大于阈值的K组用户；
S03：通过K组用户负荷采样数据集，计算概率性NMDDn曲线；
S04：利用概率性NMDD n曲线，在给定未来用户数ng的情况下，计算概率同步峰值需求估计结果。
作为优选方案，所述步骤S01具体步骤如下：
获取隶属于用户类别g的智能电表历史需求数据
Figure BDA0002486279370000021
T代表序列采样数，Mg代表隶属于用户类别g现有用户总数；将智能电表历史需求数据
Figure BDA0002486279370000022
随机选取训练用户数据集
Figure BDA0002486279370000023
mg代表隶属于类别g训练用户总数；
基于训练用户数据集
Figure BDA0002486279370000024
采用变量阶段R-vine连接方法进行用户负荷的联合分布概率密度函数建模；
将输入参数信息保留阈值和给定采样数Ts输入到用户负荷的联合分布概率密度函数，得到用户负荷采样数据集
Figure BDA0002486279370000025
作为优选方案，所述用户负荷的联合分布概率密度函数建模的具体步骤如下：
设mg个随机变量
Figure BDA0002486279370000026
边际密度函数fi(di)和边际密度分布函数Fi(di)，根据斯科拉定理，联合概率密度函数表示为：
Figure BDA0002486279370000027
其中，
Figure BDA0002486279370000028
为连接系数；
经验累积分布函数表示为：
Figure BDA0002486279370000029
其中，
Figure BDA0002486279370000031
Figure BDA0002486279370000032
R-vine由一组嵌套的mg-1树组成，使得第j棵树Tj有mg+1-j节点和mg-j条边，分别记为树Tj的边集Ej，节点集Nj，其中，j＝1,2,...,mg-1；
对
Figure BDA0002486279370000033
的R-Vine模型分解模型的联合分布概率密度函数表示为：
Figure BDA0002486279370000034
其中，
Figure BDA0002486279370000035
其中，边集Ej中的一条边记为ei＝j(e),k(e)|D(e)，j(e)和k(e)是连接该边的两个节点，D(e)为条件集，cj(e),k(e)D(e)为边ei对应的联合概率密度函数，θ为经验累积分布函数的参数，dj(e)|dD(e)、dk(e)|dD(e)分别代表两个节点j(e)和k(e)对应的条件集D(e)决定的
Figure BDA0002486279370000036
的子向量。
作为优选方案，所述步骤S02具体步骤如下：
计算用户负荷采样数据集
Figure BDA0002486279370000037
相关矩阵S＝(ri,j),i,j＝1,2,...,mg，获取相关系数大于阈值的K组用户；
其中，
Figure BDA0002486279370000038
Figure BDA0002486279370000039
代表
Figure BDA00024862793700000310
中第i,j个负荷采样数据。
作为优选方案，所述步骤S03具体步骤如下：
根据K组用户负荷采样数据集
Figure BDA00024862793700000311
每个用户的概率Pk，从第k个用户
Figure BDA00024862793700000312
中的dk个用户随机选择nk＝n×Pk用户构成
Figure BDA00024862793700000313
其中n＝1,...,mg；
计算迭代次数i的一致峰值需求CPn,i，i＝1,...,Nr，
Figure BDA0002486279370000041
Figure BDA0002486279370000042
计算ADMDn＝CP/n，其中，
Figure BDA0002486279370000043
Figure BDA0002486279370000044
计算
Figure BDA0002486279370000045
其中，
Figure BDA0002486279370000046
作为优选方案，所述步骤S04具体步骤如下：
利用概率NMDD n曲线，在给定未来用户数ng的情况下，计算概率同步峰值需求估计结果
Figure BDA0002486279370000047
其中
Figure BDA0002486279370000048
代表
Figure BDA0002486279370000049
的概率ω的峰值需求。
作为优选方案，所述ω优选95％。
有益效果：本发明提供的一种基于智慧城市电能表数据的概率峰值负荷估计方法，通过智能电表系统的数据采集，利用本方法可有效对不同用户的峰值负荷进行估计，并利用智能电表系统对配电网系统进行管理。具备以下有益效果：
(1)基于高分辨率智能电表测量数据和人口统计数据的信息，对具有大计算速度的高维需求数据进行建模和采样，同时捕获其复杂的非线性依赖关系，特别是尾部依赖关系。
(2)为了有效地选择给定数量的客户，在归一化最大多样化需求估计过程之前，提出了一种基于相关关系的客户分组方法。
(3)该基于智慧城市体系的物联网智能电表系统，通过监测模块、控制模块和以太网模块之间的配合设置，从而监测模块对每户的用电进行记录和监测，再通过以太网模块发送至供电局管理系统进行管理，对各用户进行数据统计，用电管理等功能，而且抄数即快速又准确，彻底解决了人工抄表的所有弊病，大大提高了工作效率。
(4)该基于智慧城市体系的物联网智能电表系统，通过分析模块、告警模块和以太网模块的设置，从而在电表运行中通过分析模块对用户的用电量进行分析监测，当出现异常用电情况通过告警模块和以太网模块发送信息通知用户，进而保护用户的正常用电。
附图说明
图1为本发明智能电能表的系统示意图；
图2单一类别g的概率同步峰值需求估计框架；
图3估计概率峰值需求和实际峰值需求的箱线图和PDF图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，一种基于智慧城市电能表系统，单片机的输入端与监测模块的输出端电连接，单片机的输出端与分析模块的输入端电连接，监测模块包括电流传感器，电流传感器的型号为ACS712ELCTR-30A-T，单片机的输入端与分析模块的输出端电连接，单片机的输入端与存储单元的输出端电连接，单片机的输出端与存储单元的输入端电连接，存储单元包括用户数据存储模块、实时数据存储模块和预设值存储模块，通过用户数据存储模块和实时数据存储模块的设置，从而为分析模块提供分析数据，单片机的输出端与显示模块的输入端电连接，显示模块包括显示屏，通过显示屏的设置，从而可以直观的给用户提供数据信息如用电量、历史用电量和账号信息等，单片机的输出端与控制模块的输入端电连接，控制模块包括空气开关，空气开关的型号为C80，单片机与告警模块双向电连接，单片机的输出端与以太网模块的输入端电连接，单片机的输入端与以太网模块的输出端电连接，以太网模块以以太网络使用CSMA/CD技术，并以10M/S的速率运行在电缆上，以太网与IEEE802-3系列标准相类似，以太网模块的输出端与供电局管理系统的输入端信号连接，以太网模块的输入端与供电局管理系统的输出端信号连接，电表系统的输入端与电源模块的输出端电连接。
如图2所示，一种基于智慧城市电能表数据的概率峰值负荷估计方法，包括以下步骤：
S01：通过用户类别的智能电表历史需求数据通过变量阶段R-vine连接(variabletruncated R-vine copulas,VTRC)方法进行用户负荷建模，并计算用户负荷采样数据集。
S02：计算用户负荷采样数据集相关矩阵，获取相关系数大于阈值的K组用户。
S03：通过K组用户负荷采样数据集，计算概率性NMDDn曲线。
S04：利用概率性NMDD n曲线，在给定未来用户数ng的情况下，计算概率同步峰值需求估计结果。
所述步骤S01具体步骤如下：
获取隶属于用户类别g的智能电表历史需求数据
Figure BDA0002486279370000061
T代表序列采样数，Mg代表隶属于用户类别g现有用户总数；将智能电表历史需求数据
Figure BDA0002486279370000062
随机选取训练用户数据集
Figure BDA0002486279370000063
mg代表隶属于类别g训练用户总数。
基于训练用户数据集
Figure BDA0002486279370000064
采用变量阶段R-vine连接(variabletruncated R-vine copulas,VTRC)方法进行用户负荷的联合分布概率密度函数建模，具体步骤如下：
设mg个随机变量
Figure BDA0002486279370000065
边际密度函数fi(di)和边际密度分布函数Fi(di)，根据斯科拉定理，联合概率密度函数表示为:
Figure BDA0002486279370000066
其中，
Figure BDA0002486279370000067
为连接系数；
经验累积分布函数表示为：
Figure BDA0002486279370000068
其中，
Figure BDA0002486279370000069
Figure BDA00024862793700000610
R-vine由一组嵌套的mg-1树组成，使得第j棵树Tj有mg+1-j节点和mg-j条边，分别记为树Tj的边集Ej，节点集Nj，其中，j＝1,2,...,mg-1。
对
Figure BDA00024862793700000611
的R-Vine模型分解模型的联合分布概率密度函数表示为：
Figure BDA0002486279370000071
其中，
Figure BDA0002486279370000072
其中，边集Ej中的一条边记为ei＝j(e),k(e)|D(e)，j(e)和k(e)是连接该边的两个节点，D(e)为条件集，cj(e),k(e)D(e)为边ei对应的联合概率密度函数，θ为经验累积分布函数的参数，dj(e)|dD(e)、dk(e)|dD(e)分别代表两个节点j(e)和k(e)对应的条件集D(e)决定的
Figure BDA0002486279370000073
的子向量。
将输入参数信息保留阈值和给定采样数Ts输入到用户负荷的联合分布概率密度函数，得到用户负荷采样数据集
Figure BDA0002486279370000074
所述步骤S02具体步骤如下：
计算用户负荷采样数据集
Figure BDA0002486279370000075
相关矩阵S＝(ri,j),i,j＝1,2,...,mg，获取相关系数大于阈值的K组用户。
其中，
Figure BDA0002486279370000076
Figure BDA0002486279370000077
代表
Figure BDA0002486279370000078
中第i,j个负荷采样数据。
所述步骤S03具体步骤如下：
根据K组用户负荷采样数据集
Figure BDA0002486279370000079
每个用户的概率Pk，从第k个用户
Figure BDA00024862793700000710
中的dk个用户随机选择nk＝n×Pk用户构成
Figure BDA00024862793700000711
其中n＝1,...,mg。
计算迭代次数i的一致峰值需求CPn,i，i＝1,...,Nr，
Figure BDA00024862793700000712
Figure BDA00024862793700000713
得到ADMDn＝CP/n，其中，
Figure BDA00024862793700000714
Figure BDA00024862793700000715
得到
Figure BDA0002486279370000081
其中，
Figure BDA0002486279370000082
在步骤S04中，利用概率NMDD n曲线，在给定未来用户数ng的情况下，计算概率同步峰值需求估计结果
Figure BDA0002486279370000083
其中
Figure BDA0002486279370000084
代表
Figure BDA0002486279370000085
的95％峰值需求。
如图3所示，通过与实际峰值需求的比较，可以通过定量度量来评价本方法的性能。特别地，平均绝对百分比误差和弹珠台损失函数分别用于评估
Figure BDA0002486279370000086
的平均值和分布。在给定g类新客户ng的情况下，得到的概率NMDDn曲线，可以估计出重合峰需求
Figure BDA0002486279370000087
的分布。
综上所述，该基于智慧城市体系的物联网智能电表系统，通过监测模块、控制模块和以太网模块之间的配合设置，从而监测模块对每户的用电进行记录和监测，再通过以太网模块发送至供电局管理系统进行管理，对各用户进行数据统计，用电管理等功能，而且抄数即快速又准确，彻底解决了人工抄表的所有弊病，大大提高了工作效率，通过分析模块、告警模块和以太网模块的设置，从而在电表运行中通过分析模块对用户的用电量进行分析监测，当出现异常用电情况通过告警模块和以太网模块发送信息通知用户，进而保护用户的正常用电。
以上所述仅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，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于智慧城市电能表数据的概率峰值负荷估计方法，其特征在于：包括以下步骤：
S01：通过用户类别的智能电表历史需求数据通过变量阶段R-vine连接方法进行用户负荷建模，并计算用户负荷采样数据集；
S02：计算用户负荷采样数据集相关矩阵，获取相关系数大于阈值的K组用户；
S03：通过K组用户负荷采样数据集，计算概率性NMDDn曲线；
S04：利用概率性NMDDn曲线，在给定未来用户数ng的情况下，计算概率同步峰值需求估计结果。
2.根据权利要求1所述的一种基于智慧城市电能表数据的概率峰值负荷估计方法，其特征在于：所述步骤S01具体步骤如下：
获取隶属于用户类别g的智能电表历史需求数据
Figure FDA0002486279360000011
T代表序列采样数，Mg代表隶属于用户类别g现有用户总数；将智能电表历史需求数据
Figure FDA0002486279360000012
随机选取训练用户数据集
Figure FDA0002486279360000013
mg代表隶属于类别g训练用户总数；
基于训练用户数据集
Figure FDA0002486279360000014
采用变量阶段R-vine连接方法进行用户负荷的联合分布概率密度函数建模；
将输入参数信息保留阈值和给定采样数Ts输入到用户负荷的联合分布概率密度函数，得到用户负荷采样数据集
Figure FDA0002486279360000015
3.根据权利要求2所述的一种基于智慧城市电能表数据的概率峰值负荷估计方法，其特征在于：所述用户负荷的联合分布概率密度函数建模的具体步骤如下：
设mg个随机变量
Figure FDA0002486279360000016
边际密度函数fi(di)和边际密度分布函数Fi(di)，根据斯科拉定理，联合概率密度函数表示为：
Figure FDA0002486279360000017
其中，
Figure FDA0002486279360000018
为连接系数；
经验累积分布函数表示为：
Figure FDA0002486279360000019
其中，
Figure FDA0002486279360000021
i∈[1,mg]
Figure FDA0002486279360000022
R-vine由一组嵌套的mg-1树组成，使得第j棵树Tj有mg+1-j节点和mg-j条边，分别记为树Tj的边集Ej，节点集Nj，其中，j＝1,2,...,mg-1；
对
Figure FDA0002486279360000023
的R-Vine模型分解模型的联合分布概率密度函数表示为：
Figure FDA0002486279360000024
其中，
Figure FDA0002486279360000025
其中，边集Ej中的一条边记为ei＝j(e),k(e)|D(e)，j(e)和k(e)是连接该边的两个节点，D(e)为条件集，cj(e),k(e)D(e)为边ei对应的联合概率密度函数，θ为经验累积分布函数的参数，dj(e)|dD(e)、dk(e)|dD(e)分别代表两个节点j(e)和k(e)对应的条件集D(e)决定的
Figure FDA0002486279360000026
的子向量。
4.根据权利要求1所述的一种基于智慧城市电能表数据的概率峰值负荷估计方法，其特征在于：所述步骤S02具体步骤如下：
计算用户负荷采样数据集
Figure FDA0002486279360000027
相关矩阵S＝(ri,j),i,j＝1,2,...,mg，获取相关系数大于阈值的K组用户；
其中，
Figure FDA0002486279360000028
Figure FDA0002486279360000029
代表
Figure FDA00024862793600000210
中第i,j个负荷采样数据。
5.根据权利要求1所述的一种基于智慧城市电能表数据的概率峰值负荷估计方法，其特征在于：所述步骤S03具体步骤如下：
根据K组用户负荷采样数据集
Figure FDA00024862793600000211
k＝1,...,K，每个用户的概率Pk，从第k个用户
Figure FDA0002486279360000031
中的dk个用户随机选择nk＝n×Pk用户构成
Figure FDA0002486279360000032
其中n＝1,...,mg；
计算迭代次数i的一致峰值需求CPn,i，i＝1,...,Nr，
Figure FDA0002486279360000033
Figure FDA0002486279360000034
计算ADMDn＝CP/n，其中，
Figure FDA0002486279360000035
Figure FDA0002486279360000036
计算
Figure FDA0002486279360000037
其中，
Figure FDA0002486279360000038
6.根据权利要求1所述的一种基于智慧城市电能表数据的概率峰值负荷估计方法，其特征在于：所述步骤S04具体步骤如下：
利用概率NMDDn曲线，在给定未来用户数ng的情况下，计算概率同步峰值需求估计结果
Figure FDA0002486279360000039
Figure FDA00024862793600000310
其中
Figure FDA00024862793600000311
代表
Figure FDA00024862793600000312
的概率ω的峰值需求。
7.根据权利要求6所述的一种基于智慧城市电能表数据的概率峰值负荷估计方法，其特征在于：所述ω优选95％。
CN202010395835.7A 2020-05-11 2020-05-11 一种基于智慧城市电能表数据的概率峰值负荷估计方法 Active CN111768023B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010395835.7A CN111768023B (zh) 2020-05-11 2020-05-11 一种基于智慧城市电能表数据的概率峰值负荷估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010395835.7A CN111768023B (zh) 2020-05-11 2020-05-11 一种基于智慧城市电能表数据的概率峰值负荷估计方法

Publications (2)

Publication Number Publication Date
CN111768023A true CN111768023A (zh) 2020-10-13
CN111768023B CN111768023B (zh) 2024-04-09

Family

ID=72719059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010395835.7A Active CN111768023B (zh) 2020-05-11 2020-05-11 一种基于智慧城市电能表数据的概率峰值负荷估计方法

Country Status (1)

Country Link
CN (1) CN111768023B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1097286A (ja) * 1996-08-02 1998-04-14 Fujitsu Ltd 単語・連語分類処理方法、連語抽出方法、単語・連語分類処理装置、音声認識装置、機械翻訳装置、連語抽出装置及び単語・連語記憶媒体
KR20130081965A (ko) * 2012-01-10 2013-07-18 주식회사 에어로네트 풍분포를 이용한 분산발전형 풍력터빈의 모니터링 및 스마트그리드 제어방법
US20170098279A1 (en) * 2015-10-02 2017-04-06 Green Charge Networks Llc Methods and apparatuses for risk assessment and insuring intermittent electrical systems
CN108205713A (zh) * 2016-12-16 2018-06-26 中国电力科学研究院 一种区域风电功率预测误差分布确定方法和装置
CN108416695A (zh) * 2018-02-24 2018-08-17 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN109165455A (zh) * 2018-09-04 2019-01-08 南京大学 基于互信息和vine copula的水文相依结构建模方法
CN109559154A (zh) * 2018-10-29 2019-04-02 国网天津市电力公司 基于Johnson-Copula模型的电力需求总量相关因素分析系统及方法
CN109726865A (zh) * 2018-12-27 2019-05-07 国网江苏省电力有限公司电力科学研究院 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
CN109840308A (zh) * 2017-11-29 2019-06-04 中国电力科学研究院有限公司 一种区域风电功率概率预报方法及系统
CN110400056A (zh) * 2019-07-04 2019-11-01 国网四川省电力公司电力科学研究院 基于风光时空特性的梯级水电日前优化调度方法及装置
CN111860977A (zh) * 2020-06-30 2020-10-30 清华大学 短期负荷的概率预测方法和概率预测装置
CN113504306A (zh) * 2021-07-13 2021-10-15 电子科技大学 一种基于超声相控阵低秩矩阵恢复的钢轨缺陷检测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1097286A (ja) * 1996-08-02 1998-04-14 Fujitsu Ltd 単語・連語分類処理方法、連語抽出方法、単語・連語分類処理装置、音声認識装置、機械翻訳装置、連語抽出装置及び単語・連語記憶媒体
KR20130081965A (ko) * 2012-01-10 2013-07-18 주식회사 에어로네트 풍분포를 이용한 분산발전형 풍력터빈의 모니터링 및 스마트그리드 제어방법
US20170098279A1 (en) * 2015-10-02 2017-04-06 Green Charge Networks Llc Methods and apparatuses for risk assessment and insuring intermittent electrical systems
CN108205713A (zh) * 2016-12-16 2018-06-26 中国电力科学研究院 一种区域风电功率预测误差分布确定方法和装置
CN109840308A (zh) * 2017-11-29 2019-06-04 中国电力科学研究院有限公司 一种区域风电功率概率预报方法及系统
CN108416695A (zh) * 2018-02-24 2018-08-17 合肥工业大学 基于深度学习的电力负荷概率密度预测方法和系统、介质
CN109165455A (zh) * 2018-09-04 2019-01-08 南京大学 基于互信息和vine copula的水文相依结构建模方法
CN109559154A (zh) * 2018-10-29 2019-04-02 国网天津市电力公司 基于Johnson-Copula模型的电力需求总量相关因素分析系统及方法
CN109726865A (zh) * 2018-12-27 2019-05-07 国网江苏省电力有限公司电力科学研究院 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质
CN110400056A (zh) * 2019-07-04 2019-11-01 国网四川省电力公司电力科学研究院 基于风光时空特性的梯级水电日前优化调度方法及装置
CN111860977A (zh) * 2020-06-30 2020-10-30 清华大学 短期负荷的概率预测方法和概率预测装置
CN113504306A (zh) * 2021-07-13 2021-10-15 电子科技大学 一种基于超声相控阵低秩矩阵恢复的钢轨缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘影，刘岩，燕凯，岳振宇，彭鑫霞: "基于智能电能表的智慧城市峰值负荷概率估计", 电测与仪表, vol. 58, no. 9 *

Also Published As

Publication number Publication date
CN111768023B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Sun et al. Probabilistic peak load estimation in smart cities using smart meter data
Chicco et al. Emergent electricity customer classification
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN110097297A (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN113159339A (zh) 一种基于大数据的一台区一指标线损管理方法及系统
CN106651169A (zh) 基于模糊综合评价的配电自动化终端状态评价方法及系统
CN107221927A (zh) 一种基于量化评估模型窃电嫌疑分析算法的反窃电分析方法
CN115575754B (zh) 一种智慧工业园用电信息异常标识方法及系统
DE112018000125B4 (de) Quantifizieren einer kombinierten Auswirkung untereinander abhängiger unsicherer Ressourcen in einem elektrischen Stromnetz
CN115170000B (zh) 一种基于电能表通信模块的远程监测方法及系统
CN107730111A (zh) 一种考虑用户负荷和新能源接入的配网电压风险评估模型
CN106709823A (zh) 一种电力用户用电信息采集系统的运行性能评价方法
CN113033617A (zh) 一种基于大数据台区线损数据深度挖掘分析方法
CN112288303A (zh) 确定线损率的方式、装置
CN111815060A (zh) 一种用电地区短期负荷预测方法及装置
CN106600146A (zh) 一种电费回收风险评价方法和装置
CN115684809A (zh) 一种基于虚拟电厂的用户端用电测试系统
CN112366708A (zh) 一种充电管理方法、装置、设备及存储介质
CN115759708A (zh) 一种考虑电力时空分布特性的线损分析方法及系统
CN110880055A (zh) 楼宇智能电表系统
CN106548284A (zh) 一种面向运行调控的自适应模块化电网安全预警评价方法
CN112365090A (zh) 一种基于深度学习的非入侵式用电负荷识别方法及装置
CN111768023B (zh) 一种基于智慧城市电能表数据的概率峰值负荷估计方法
Zhang et al. Economic dispatch considering volatile wind power generation with lower-semi-deviation risk measure
CN105279706A (zh) 用于确定电网运行安全状态的方法

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