CN111915451B - 台区日功率曲线计算方法 - Google Patents
台区日功率曲线计算方法 Download PDFInfo
- Publication number
- CN111915451B CN111915451B CN202010776139.0A CN202010776139A CN111915451B CN 111915451 B CN111915451 B CN 111915451B CN 202010776139 A CN202010776139 A CN 202010776139A CN 111915451 B CN111915451 B CN 111915451B
- Authority
- CN
- China
- Prior art keywords
- daily
- power
- user
- curve
- calculating
- 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 53
- 230000005611 electricity Effects 0.000 claims abstract description 65
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 238000006467 substitution reaction Methods 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- 239000002245 particle Substances 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 9
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 230000002354 daily effect Effects 0.000 description 108
- 230000006870 function Effects 0.000 description 11
- 238000004128 high performance liquid chromatography Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明提供一种台区日功率曲线计算方法,该台区日功率曲线计算方法包括:获取台区所有用户的用电参数,生成用电参数矩阵;对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群;求解出每类用户群的日负荷标准曲线;利用用户的日电量和所述用户相应的日负荷标准曲线,获得所述用户的日功率曲线。本发明的台区日功率曲线计算方法,通过计算出台区中各用户的日功率曲线,以便用于观察分析用户用电是否存在异常,并且还可以用来高精度还原该台区中各时刻点潮流分布以及潮流变化,便于对台区中设备的检修。
Description
技术领域
本发明涉及电网领域,具体而言,涉及一种台区日功率曲线计算方法、装置、计算机设备和可读存储介质。
背景技术
目前,在台区一般是直接获取用户每日的用电量,这种用电分析都不能很好的反映用户用电负荷的变化特性,难以分析出台区中用电异常的用户,并且在还原台区中各时刻点潮流分布以及潮流变化时精度较低。
发明内容
鉴于上述问题,本发明提供了一种台区日功率曲线计算方法、装置、计算机设备和可读存储介质,以计算出台区中各用户的日功率曲线,便于根号的反映用户用电负荷的变化特性,以及高精度还原台区中各时刻点潮流分布以及潮流变化。
为了实现上述目的,本发明采用如下的技术方案:
一种台区日功率曲线计算方法,包括:
获取台区所有用户的用电参数,生成用电参数矩阵;
对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群;
求解出每类用户群的日负荷标准曲线;
利用用户的日电量和所述用户相应的日负荷标准曲线,获得所述用户的日功率曲线。
优选地,所述的台区日功率曲线计算方法中,还包括:
获取所述台区的潮流计算表,利用所述潮流计算表、台区中各用户的所述日功率曲线进行前推回代法的潮流计算,获得所述台区的理论线损。
优选地,所述的台区日功率曲线计算方法中,所述获取台区所有用户的用电参数,生成用电参数矩阵包括:
获取所述台区中各用户的包括计算日的预设天数的日电量数据,生成所述用电参数矩阵;或
获取所述台区中各用户在所述计算日内以预定时间间隔获取的电流值,生成所述用电参数矩阵。
优选地,所述的台区日功率曲线计算方法中,所述对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群包括:
利用预设聚类算法对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群;所述预设聚类算法包括SAGA-FCM算法、K均值算法或模糊C算法。
优选地,所述的台区日功率曲线计算方法中,所述求解出每类用户群的日负荷标准曲线包括:
根据计算日内预设数量时刻点生成每类用户群的日负荷曲线系数矩阵;
利用预设的矩阵约束对所述日负荷曲线系数矩阵进行求解运算,获得每类用户群的日负荷曲线系数;
根据每类用户群的日负荷曲线系数生成相应的日负荷标准曲线。
优选地,所述的台区日功率曲线计算方法中,在所述台区设置有分布式接入光伏时,还包括:
利用与计算日天气情况相应的光伏曲线系数,和光伏日发电量相乘获得计算日的光伏日出电力曲线;
根据所述光伏日出电力曲线计算所述台区的各光伏节点的注入功率;
根据所述各光伏节点的注入功率以及各用户的日负荷曲线系数计算出所述台区各节点的功率;
利用所述台区各节点的功率以及前推回代法计算出所述台区配变出口的计算电流值;
利用所述计算电流值、所述台区配变出口的实际电流值以及粒子群算法,计算出设置有分布式接入光伏的所述台区的每类用户群的日负荷曲线系数。
优选地,所述的台区日功率曲线计算方法中,还包括:
获取所述台区的实际线损,根据所述实际线损以及所述理论线损计算出所述台区的管理线损。
本发明还提供一种台区日功率曲线计算装置,包括:
矩阵生成模块,用于获取台区所有用户的用电参数,生成用电参数矩阵;
用户分类模块,用于对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群;
标准曲线求解模块,用于求解出每类用户群的日负荷标准曲线;
功率曲线计算模块,用于利用用户的日电量和所述用户相应的日负荷标准曲线,获得所述用户的日功率曲线。
本发明还提供一种计算机设备,包括存储器以及处理器,所述存储器存储有计算机程序,所述处理器运行所述计算机程序以使所述计算机设备执行所述的台区日功率曲线计算方法。
本发明还提供一种可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行所述的台区日功率曲线计算方法。
本发明提供一种台区日功率曲线计算方法,该台区日功率曲线计算方法包括:获取台区所有用户的用电参数,生成用电参数矩阵;对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群;求解出每类用户群的日负荷标准曲线;利用用户的日电量和所述用户相应的日负荷标准曲线,获得所述用户的日功率曲线。本发明的台区日功率曲线计算方法,通过计算出台区中各用户的日功率曲线,以便用于观察分析用户用电是否存在异常,并且还可以用来高精度还原该台区中各时刻点潮流分布以及潮流变化,便于对台区中设备的检修。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1是本发明实施例1提供的一种台区日功率曲线计算方法的流程图;
图2是本发明实施例2提供的一种台区理论线损计算方法的流程图;
图3是本发明实施例2提供的一种台区管理线损计算方法的流程图;
图4是本发明实施例3提供的一种求解每类用户群的日负荷标准曲线的流程图;
图5是本发明实施例3提供的另一种求解每类用户群的日负荷标准曲线的流程图;
图6是本发明实施例4提供的一种台区日功率曲线计算装置的结构示意图。
具体实施方式
下面将结合本发明实施例中附图,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。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
实施例1
图1是本发明实施例1提供的一种台区日功率曲线计算方法的流程图,该方法包括如下步骤:
步骤S11:获取台区所有用户的用电参数,生成用电参数矩阵。
本发明实施例中,台区指的是配电变压器的供电范围或区域,可以包括有低压台区等。其中,低压台区的用电用户比较复杂,低压台区中可能有几十个用电用户甚至几百个用电用户,这些用电用户中包括有小型工业用户、商业用户、居民用户以及农业用户等,其用电负载类型不同,因此产生的用电参数也会不同。而从台区中获取所有用户的用电参数的方式也存在多种,首先,在并未安装有HPLC电表(HPLC,宽带电力线载波)的台区中,只能通过各用户末端电表获取每日电量数据,该电量数据在每日的规定时间可以上报至电网系统中,因此可以在电网系统中获取台区的连续多日的用电量数据作为用电参数,例如可以获取包括台区日功率曲线计算日在内的7天的日电量数据作为用电参数。
而在已经安装有HPLC电表的台区中,则可直接从HPLC电表中读取用户的计算日的电流值作为用电参数,例如该HPLC电表是每隔15分钟进行依次电流值的采集,每天采集96个电流值,则可获取台区日功率曲线计算日的96个电流值作为相应用户的用电参数。
本发明实施例中,获取所述台区中各用户的包括计算日的预设天数的日电量数据,生成所述用电参数矩阵;或获取所述台区中各用户在所述计算日内以预定时间间隔获取的电流值,生成所述用电参数矩阵。也即,针对仅能读取到日电量数据的台区,可以选取每个用户包括计算日在内的预设天数的电量数据,生成用电参数矩阵,具体地,例如选取7天的日电量数据生成的用电参数矩阵为矩阵中Ani为台区中第n个用户第i天的日电量数据。
而针对已经安装有HPLC电表的台区,可以获取台区中每个用户的计算日的预设数量的电流值,生成用电参数矩阵,例如台区中设置的是96点电流值采集的HPLC电表,则生成的用电参数矩阵为矩阵中Ini为台区中第n个用户第i个时刻的电流值。
本发明实施例中,上述生成用电参数矩阵的过程可以利用算法或应用程序来实现,例如可以在计算机设备中预先存储有生成用电参数矩阵的应用程序,在获取到台区中所有用户的日电量数据或者电流值后生成相应的用电参数矩阵。
步骤S12:对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群。
本发明实施例中,在生成用电参数矩阵后,可以利用预设聚类算法对该用电参数矩阵进行算法分析,从而划分出该台区中预设分类数目的用户群。其中,该分类数据可以有用户来决定,在一些负载类型比较简单的台区中可以设置较少的分类数目,例如在农用电网台区中可以仅设置划分三类用户群,从而可以减少运算量。而在一些比较复杂的台区中,例如该台区中包括有商业用户、工业用户以及居民用户等,可以设置更多的分类数目,以使分类更精确,更能满足用户的需求。
本发明实施例中,所述预设聚类算法包括SAGA-FCM算法(SAGA-FCM,(SimulatedAnnealing Algorithm and Genetic Algorithm—Fuzzy C-Means ClusteringAlgorithm,基于遗传退火算法的模糊C均值)、K均值算法(k-means clusteringalgorithm)或模糊C算法(fuzzy c-means algorithm)。其中,该SAGA-FCM算法为本实施例中的最优算法,该算法融合了模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,能够克服传统模糊C算法对初始聚类中心敏感和容易陷入局部最优的问题。
本发明实施例中,上述分类处理的过程可以利用应用程序来实现,例如可以在计算机设备中预先存储有基于SAGA-FCM算法的分类应用程序,在生成用电参数矩阵后可以输入至该分类应用程序中,以获得预设分类数目的用户群。其中,在台区中的各个用户可以预先进行编号的标记,在分类后按编号存储用户群,以便后续的日负荷曲线的计算。
步骤S13:求解出每类用户群的日负荷标准曲线。
本发明实施例中,针对于每类用户群,可以利用预先设置的算法求解出该类用户的日负荷标准曲线。其中,该预设算法包括粒子群算法,在计算机设备中可以存储有基于粒子群算法的应用程序,分别输入每类用户群的用电参数,从而求解出每类用户群的日负荷标准曲线。由此可知,在上述步骤中对台区中的用户分类越细,产生的用户群就越多,而产生的日负荷标准曲线也就越多,使单个用户的日负荷模拟分析更加精确。
步骤S14:利用用户的日电量和所述用户相应的日负荷标准曲线,获得所述用户的日功率曲线。
本发明实施例中,在求解获得每类用户群的日负荷标准曲线后,可以利用用户的计算日的日电量乘以相应的负荷标准曲线,从而获得该用户的日功率曲线。其中,该日功率曲线为通过计算而模拟出来的日功率曲线,在计算出台区的所有用户的日功率曲线后,可以用来还原该台区中各时刻点潮流分布以及潮流变化,日功率曲线也可以用于观察分析用户用电是否存在异常。同时基于SAGA-FCM的用户分类方法也可以作为辅助台区进行用户分类的方法,有利于为后期有针对性的对不同用电类型的用户开展分时段的检修或者服务。
实施例2
图2是本发明实施例2提供的一种台区理论线损计算方法的流程图,该方法包括如下步骤:
步骤S21:获取台区所有用户的用电参数,生成用电参数矩阵。
此步骤与上述步骤S11一致,在此不再赘述。
步骤S22:对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群。
此步骤与上述步骤S12一致,在此不再赘述。
步骤S23:求解出每类用户群的日负荷标准曲线。
此步骤与上述步骤S13一致,在此不再赘述。
步骤S24:利用用户的日电量和所述用户相应的日负荷标准曲线,获得所述用户的日功率曲线。
此步骤与上述步骤S14一致,在此不再赘述。
步骤S25:获取所述台区的潮流计算表,利用所述潮流计算表、台区中各用户的所述日功率曲线进行前推回代法的潮流计算,获得所述台区的理论线损。
本发明实施例中,在计算出台区中各个用户的日功率曲线后,还可以从台区的电网系统中获取该台区的潮流计算表,然后利用该潮流计算表以及各用户的日功率曲线进行前推回代法的潮流计算,计算该台区的理论线损。其中,潮流计算表中包括有该台区的各支路、节点、线路电阻电抗、各节点的有功功率和无功功率等数据。通过前推回代法以及上述已获得的数据,可以从台区线路最末端开始,以每个时刻点的初值电压和功率为已知条件,计算支路首端功率,并前推到出口处变压器为止;从出口处变压器开始,以首端功率和首端电压为已知条件计算末端电压,以此类推,直至线路最末端,最终计算得出台区中三相支路的有功损耗和中性线的有功损耗,从而相加得到线损总损耗,为理论线损。
本发明实施例中,上述理论线损的计算过程中因为用到了台区中各用户的日功率曲线,考虑到了不同时间段用户用电负荷的变化影响,相较于平均功率的迭代算法,可以更准确的反映台区运行的真实损耗,使计算得出的理论线损更加精确。
图3是本发明实施例2提供的一种台区管理线损计算方法的流程图,该方法还包括如下步骤:
步骤S26:获取所述台区的实际线损,根据所述实际线损以及所述理论线损计算出所述台区的管理线损。
本发明实施例中,实际线损是根据电能表的读数计算出来的,即供电量和售电量的差值,而理论线损包括线路上产生的损耗,而是包括变压器、电表、无功补偿设备等等所有在输电、配电过程当中消耗的可计算的线损,管理线损是指其他损失或不明损失。包括计量装置的误差,营业工作中的漏抄、错算,用户违章用电、窃电,绝缘不良造成的漏电等等。因此,通过对台区的管理线损的计算可以很好的监控人为管理疏忽造成的损失。
实施例3
图4是本发明实施例3提供的一种求解每类用户群的日负荷标准曲线的流程图,包括如下步骤:
步骤S41:根据计算日内预设数量时刻点生成每类用户群的日负荷曲线系数矩阵。
本发明实施例中,上述计算日也即需要进行台区日功率曲线计算的当天。在进行用户群的分类后,可以根据计算日内预设数量时刻点生成每类用户群的日负荷曲线系数矩阵,例如设置HPLC电表的台区中,经过分类获得三类用户,针对该台区可以生成96时刻点的日负荷曲线系数矩阵,如pi为按一天96个时刻点划分的某分类下的用户负荷曲线系数矩阵,点xi,yi,zi为三类负荷的曲线系数。
步骤S42:利用预设的矩阵约束对所述日负荷曲线系数矩阵进行求解运算,获得每类用户群的日负荷曲线系数。
本发明实施例中,根据上述96时刻点矩阵的例子,该矩阵约束包括该矩阵是用于约束每种分类用户群的负荷曲线为一个标准曲线,也即描述曲线的形状,求解的是每一个时刻点的权重系数。
步骤S43:根据每类用户群的日负荷曲线系数生成相应的日负荷标准曲线。
本发明实施例中,根据上述96时刻点矩阵的例子,在求解出每类用户的xi,yi,zi后,也即求出了每类用户群的日负荷曲线系数,可以利用该日负荷曲线系数生成相应的日负荷标准曲线。
图5是本发明实施例3提供的另一种求解每类用户群的日负荷标准曲线的流程图,应用于设置有分布式接入光伏的台区,还包括如下步骤:
步骤S44:利用与计算日天气情况相应的光伏曲线系数,和光伏日发电量相乘获得计算日的光伏日出电力曲线。
本发明实施例中,台区中接入光伏也即在台区的预设节点中加入光伏发电板,若台区中接入光伏则需要考虑到光伏功率对线损的影响。首先,需要根据计算日的实际情况选取不同天气情况的光伏曲线系数,例如96时刻点的光伏曲线系数可以表示为在晴天、阴天以及雨天等不同的天气情况下,该ki值都会不同,具体的ki可以通过试验来得出,本实施例中直接选出与计算日天气相应的光伏曲线系数,并获取计算日的光伏日发电量进行相乘获得光伏日出电力曲线,该光伏日出电力曲线用于描述计算日内光伏的输入电量变化。
步骤S45:根据所述光伏日出电力曲线计算所述台区的各光伏节点的注入功率。
步骤S46:根据所述各光伏节点的注入功率以及各用户的日负荷曲线系数计算出所述台区各节点的功率。
本发明实施例中,在有光伏接入的节点中,由于光伏是发出功率,因此该节点的功率等于该节点全部负荷叠加得到的负荷功率减去该节点光伏的注入功率。
步骤S47:利用所述台区各节点的功率以及前推回代法计算出所述台区配变出口的计算电流值。
步骤S48:利用所述计算电流值、所述台区配变出口的实际电流值以及粒子群算法,计算出设置有分布式接入光伏的所述台区的每类用户群的日负荷曲线系数。
本发明实施例中,利用前推回代法计算出台区配电变压器出口处的三相电流IA,IB和IC后,再获取该台区配电变压器出口的实际三相电流IAreal,IBreal和ICreal,计算各相对应差值的平方和,可得目标函数如f=min{(IA-IAreal)2+(IB-IBreal)2+(IC-ICreal)2},通过粒子群算法求解该目标函数的函数值,则可获得设置有分布式接入光伏的所述台区的每类用户群的日负荷曲线系数。
实施例4
图6是本发明实施例4提供的一种台区日功率曲线计算装置的结构示意图。
该台区日功率曲线计算装置600包括:
矩阵生成模块610,用于获取台区所有用户的用电参数,生成用电参数矩阵;
用户分类模块620,用于对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群;
标准曲线求解模块630,用于求解出每类用户群的日负荷标准曲线;
功率曲线计算模块640,用于利用用户的日电量和所述用户相应的日负荷标准曲线,获得所述用户的日功率曲线。
本发明实施例中,上述各个模块更加详细的功能描述可以参考前述实施例中相应部分的内容,在此不再赘述。
此外,本发明还提供了一种计算机设备,该计算机设备包括存储器和处理器,存储器可用于存储计算机程序,处理器通过运行所述计算机程序,从而使计算机设备执行上述方法或者上述台区日功率曲线计算装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种可读存储介质,用于储存上述计算机设备中使用的计算机程序。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (6)
1.一种台区日功率曲线计算方法,其特征在于,包括:
获取台区所有用户的用电参数,生成用电参数矩阵;
对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群,所述用户群的分类包括小型工业用户、商业用户、居民用户以及农业用户;
求解出每类用户群的日负荷标准曲线;
利用用户的日电量和所述用户相应的日负荷标准曲线,获得所述用户的日功率曲线;
其中,所述求解出每类用户群的日负荷标准曲线包括:
根据计算日内预设数量时刻点生成每类用户群的日负荷曲线系数矩阵;
利用预设的矩阵约束对所述日负荷曲线系数矩阵进行求解运算,获得每类用户群的日负荷曲线系数;
根据每类用户群的日负荷曲线系数生成相应的日负荷标准曲线。
2.根据权利要求1所述的台区日功率曲线计算方法,其特征在于,还包括:
获取所述台区的潮流计算表,利用所述潮流计算表、台区中各用户的所述日功率曲线进行前推回代法的潮流计算,获得所述台区的理论线损。
3.根据权利要求1所述的台区日功率曲线计算方法,其特征在于,所述获取台区所有用户的用电参数,生成用电参数矩阵包括:
获取所述台区中各用户的包括计算日的预设天数的日电量数据,生成所述用电参数矩阵;或
获取所述台区中各用户在所述计算日内以预定时间间隔获取的电流值,生成所述用电参数矩阵。
4.根据权利要求1所述的台区日功率曲线计算方法,其特征在于,所述对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群包括:
利用预设聚类算法对所述用电参数矩阵进行分类处理,获得预设分类数目的用户群;所述预设聚类算法包括SAGA-FCM算法、K均值算法或模糊C算法。
5.根据权利要求1所述的台区日功率曲线计算方法,其特征在于,在所述台区设置有分布式接入光伏时,还包括:
利用与计算日天气情况相应的光伏曲线系数,和光伏日发电量相乘获得计算日的光伏日出电力曲线;
根据所述光伏日出电力曲线计算所述台区的各光伏节点的注入功率;
根据所述各光伏节点的注入功率以及各用户的日负荷曲线系数计算出所述台区各节点的功率;
利用所述台区各节点的功率以及前推回代法计算出所述台区配变出口的计算电流值;
利用所述计算电流值、所述台区配变出口的实际电流值以及粒子群算法,计算出设置有分布式接入光伏的所述台区的每类用户群的日负荷曲线系数。
6.根据权利要求2所述的台区日功率曲线计算方法,其特征在于,还包括:
获取所述台区的实际线损,根据所述实际线损以及所述理论线损计算出所述台区的管理线损。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776139.0A CN111915451B (zh) | 2020-08-05 | 2020-08-05 | 台区日功率曲线计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010776139.0A CN111915451B (zh) | 2020-08-05 | 2020-08-05 | 台区日功率曲线计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915451A CN111915451A (zh) | 2020-11-10 |
CN111915451B true CN111915451B (zh) | 2024-03-29 |
Family
ID=73287149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010776139.0A Active CN111915451B (zh) | 2020-08-05 | 2020-08-05 | 台区日功率曲线计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915451B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010573A (zh) * | 2023-08-31 | 2023-11-07 | 连云港市港圣开关制造有限公司 | 一种智能配电节能优化方法及系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09259114A (ja) * | 1996-03-22 | 1997-10-03 | Kubota Corp | ネットワークの機能評価方法及びその装置 |
JPH1080062A (ja) * | 1996-09-05 | 1998-03-24 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
JPH10117437A (ja) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | 日最大電力需要量予測方法 |
CN102545214A (zh) * | 2012-01-13 | 2012-07-04 | 重庆大学 | 一种含电池储能设备的风电场可靠性评估方法 |
CN104751253A (zh) * | 2015-04-23 | 2015-07-01 | 国家电网公司 | 基于b-样条基底展开曲线聚类的配电网潮流预测方法 |
CN106651651A (zh) * | 2016-12-12 | 2017-05-10 | 全球能源互联网研究院 | 一种电网用户用电功率曲线数据填补方法和装置 |
CN107273911A (zh) * | 2017-04-24 | 2017-10-20 | 国网江西省电力公司赣州供电分公司 | 一种基于模糊c均值聚类分析的台区负荷精确分类方法 |
CN108197425A (zh) * | 2018-01-19 | 2018-06-22 | 北京工业大学 | 一种基于非负矩阵分解的智能电网数据分解方法 |
CN108345908A (zh) * | 2018-02-10 | 2018-07-31 | 武汉轻工大学 | 电网数据的分类方法、分类设备及存储介质 |
CN109902953A (zh) * | 2019-02-27 | 2019-06-18 | 华北电力大学 | 一种基于自适应粒子群聚类的电力用户分类方法 |
CN110097237A (zh) * | 2019-06-14 | 2019-08-06 | 广东电网有限责任公司 | 一种基于电动汽车和多能源的主配网协调调度优化方法 |
CN110109971A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区用户用电负荷特性分析方法 |
CN110212521A (zh) * | 2019-06-05 | 2019-09-06 | 国网河南省电力公司电力科学研究院 | 配电网线损计算方法及系统 |
CN110942173A (zh) * | 2019-10-15 | 2020-03-31 | 合肥工业大学 | 一种基于负荷预测和相序优化的配电台区节能降损方法 |
CN111126765A (zh) * | 2019-11-22 | 2020-05-08 | 广东电网有限责任公司 | 一种电动汽车群联合优化方法及系统 |
CN111199016A (zh) * | 2019-09-29 | 2020-05-26 | 国网湖南省电力有限公司 | 一种基于DTW的改进K-means的日负荷曲线聚类方法 |
CN111476303A (zh) * | 2020-04-09 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 基于量子优化粒子群的模糊c均值聚类的线损分析方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9806528B2 (en) * | 2014-01-22 | 2017-10-31 | The Boeing Company | Systems and methods for estimating net solar energy production for airborne photovoltaic systems |
-
2020
- 2020-08-05 CN CN202010776139.0A patent/CN111915451B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09259114A (ja) * | 1996-03-22 | 1997-10-03 | Kubota Corp | ネットワークの機能評価方法及びその装置 |
JPH1080062A (ja) * | 1996-09-05 | 1998-03-24 | Fuji Electric Co Ltd | 日負荷曲線予測方法 |
JPH10117437A (ja) * | 1996-10-09 | 1998-05-06 | Fuji Electric Co Ltd | 日最大電力需要量予測方法 |
CN102545214A (zh) * | 2012-01-13 | 2012-07-04 | 重庆大学 | 一种含电池储能设备的风电场可靠性评估方法 |
CN104751253A (zh) * | 2015-04-23 | 2015-07-01 | 国家电网公司 | 基于b-样条基底展开曲线聚类的配电网潮流预测方法 |
CN106651651A (zh) * | 2016-12-12 | 2017-05-10 | 全球能源互联网研究院 | 一种电网用户用电功率曲线数据填补方法和装置 |
CN107273911A (zh) * | 2017-04-24 | 2017-10-20 | 国网江西省电力公司赣州供电分公司 | 一种基于模糊c均值聚类分析的台区负荷精确分类方法 |
CN108197425A (zh) * | 2018-01-19 | 2018-06-22 | 北京工业大学 | 一种基于非负矩阵分解的智能电网数据分解方法 |
CN108345908A (zh) * | 2018-02-10 | 2018-07-31 | 武汉轻工大学 | 电网数据的分类方法、分类设备及存储介质 |
CN109902953A (zh) * | 2019-02-27 | 2019-06-18 | 华北电力大学 | 一种基于自适应粒子群聚类的电力用户分类方法 |
CN110109971A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区用户用电负荷特性分析方法 |
CN110212521A (zh) * | 2019-06-05 | 2019-09-06 | 国网河南省电力公司电力科学研究院 | 配电网线损计算方法及系统 |
CN110097237A (zh) * | 2019-06-14 | 2019-08-06 | 广东电网有限责任公司 | 一种基于电动汽车和多能源的主配网协调调度优化方法 |
CN111199016A (zh) * | 2019-09-29 | 2020-05-26 | 国网湖南省电力有限公司 | 一种基于DTW的改进K-means的日负荷曲线聚类方法 |
CN110942173A (zh) * | 2019-10-15 | 2020-03-31 | 合肥工业大学 | 一种基于负荷预测和相序优化的配电台区节能降损方法 |
CN111126765A (zh) * | 2019-11-22 | 2020-05-08 | 广东电网有限责任公司 | 一种电动汽车群联合优化方法及系统 |
CN111476303A (zh) * | 2020-04-09 | 2020-07-31 | 国网河北省电力有限公司电力科学研究院 | 基于量子优化粒子群的模糊c均值聚类的线损分析方法 |
Non-Patent Citations (2)
Title |
---|
基于典型负荷曲线的配电网线损计算方法研究;王磊;张建宾;余昆;周全;黄伟;王倩;牛雨;;智慧电力(第03期);全文 * |
姜宁等.《线损与节电技术问答》.中国电力出版社,2005,第3页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111915451A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiu et al. | Stochastic multistage coplanning of transmission expansion and energy storage | |
Hasche et al. | Capacity value of wind power, calculation, and data requirements: the Irish power system case | |
Jethmalani et al. | Auxiliary hybrid PSO-BPNN-based transmission system loss estimation in generation scheduling | |
CN110247397B (zh) | 一种储能配置方法、系统、装置及可读存储介质 | |
CN111914205A (zh) | 台区理论线损计算方法、装置和日负荷曲线计算方法 | |
Tejada-Arango et al. | Representation of storage operations in network-constrained optimization models for medium-and long-term operation | |
Galvani et al. | Data clustering based probabilistic optimal power flow in power systems | |
Aaslid et al. | Pricing electricity in constrained networks dominated by stochastic renewable generation and electric energy storage | |
Tahir et al. | Optimal ESS size calculation for ramp rate control of grid-connected microgrid based on the selection of accurate representative days | |
CN111915451B (zh) | 台区日功率曲线计算方法 | |
Chihota | Extending the Herman-Beta transform for probabilistic load flow analysis of radial feeders | |
Fleten et al. | Bidding hydropower generation: Integrating short-and long-term scheduling | |
CN116502771B (zh) | 一种基于电力物资预测的配电方法及系统 | |
Broderick et al. | Accuracy of clustering as a method to group distribution feeders by PV hosting capacity | |
Zhang et al. | Cycle-life-aware optimal sizing of grid-side battery energy storage | |
CN112328851A (zh) | 分布式电源监测方法、装置及电子设备 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、系统、设备和存储介质 | |
Kahrobaee et al. | PV curtailment analysis to improve utilization of hosting capacity in California | |
Chen et al. | Reconsidering the smart metering data collection frequency for distribution state estimation | |
Safdar et al. | Electricity Cost Prediction using Autoregressive Integrated Moving Average (ARIMA) in Korea | |
CN113205259A (zh) | 电网调度决策评估方法、装置及终端设备 | |
CN112329996A (zh) | 一种逆变器失配优化方法、装置及设备 | |
Yuan et al. | A probabilistic data-driven method for photovoltaic pseudo-measurement generation in distribution systems | |
Zuluaga et al. | Data-driven sizing of co-located storage for uncertain renewable energy | |
Wang et al. | A stochastic rolling horizon-based approach for power generation expansion planning |
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 |