CN112861365A - 低压配电网负荷状态估计方法、装置及终端设备 - Google Patents

低压配电网负荷状态估计方法、装置及终端设备 Download PDF

Info

Publication number
CN112861365A
CN112861365A CN202110201983.5A CN202110201983A CN112861365A CN 112861365 A CN112861365 A CN 112861365A CN 202110201983 A CN202110201983 A CN 202110201983A CN 112861365 A CN112861365 A CN 112861365A
Authority
CN
China
Prior art keywords
load
distribution network
state
current
moment
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
CN202110201983.5A
Other languages
English (en)
Other versions
CN112861365B (zh
Inventor
董杰
李省
丛晓青
康帅
黄尊
王珺
贾清泉
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.)
State Grid Jibei Power Co ltd Smart Distribution Network Center
State Grid Corp of China SGCC
Yanshan University
Original Assignee
State Grid Jibei Power Co ltd Smart Distribution Network Center
State Grid Corp of China SGCC
Yanshan University
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 State Grid Jibei Power Co ltd Smart Distribution Network Center, State Grid Corp of China SGCC, Yanshan University filed Critical State Grid Jibei Power Co ltd Smart Distribution Network Center
Priority to CN202110201983.5A priority Critical patent/CN112861365B/zh
Publication of CN112861365A publication Critical patent/CN112861365A/zh
Application granted granted Critical
Publication of CN112861365B publication Critical patent/CN112861365B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供了一种低压配电网负荷状态估计方法、装置及终端设备，该方法包括：获取低压配电网的历史负荷功率数据；根据所述历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵；基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间；基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态。本发明提供的低压配电网负荷状态估计方法、装置及终端设备能够实现低压配电网负荷状态的估计，可以有效支持配电网负荷的不确定性潮流分析以及分散大功率用电设备接入电网的规划。

Description

低压配电网负荷状态估计方法、装置及终端设备
技术领域
本发明属于配电网负荷预测技术领域，更具体地说，是涉及一种低压配电网负荷状态估计方法、装置及终端设备。
背景技术
随着人们生活水平的日益提高，用户用电设备发生了很大变化，分散大功率用电负荷大量接入低压配电网。这些用电负荷随机性较强，给低压配电网安全运行带来了很大的影响。目前，电网公司通过采集功率数据来了解低压配电网负荷的工作情况，针对低压配电网负荷状态分析手段多数是在时间断面上静态模拟分析，缺少配电网负荷的随机时序状态估计手段。
发明内容
本发明的目的在于提供一种低压配电网负荷状态估计方法、装置及终端设备，以实现配电网负荷的状态预测。
本发明实施例的第一方面，提供了一种低压配电网负荷状态估计方法，包括：
获取低压配电网的历史负荷功率数据；
根据所述历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵；
基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间；
基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态。
本发明实施例的第二方面，提供了一种低压配电网负荷状态估计装置，包括：
数据获取模块，用于获取低压配电网的历史负荷功率数据；
数据计算模块，用于根据所述历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵；基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间；
状态估计模块，用于基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的低压配电网负荷状态估计方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的低压配电网负荷状态估计方法的步骤。
本发明实施例提供的低压配电网负荷状态估计方法、装置及终端设备的有益效果在于：
区别于现有技术，本发明基于马尔科夫链模型给出了一种低压配电网负荷状态估计方案，也即根据低压配电网的历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵，进而确定下一时刻配电网负荷的所处状态。也就是说，本发明通过考虑数据的不确定性给出了一种动态预测方案，其能够弥补传统静态分析配电网负荷的缺陷，并有效支持配电网负荷的不确定性潮流分析以及分散大功率用电设备接入电网的规划。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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为本发明一实施例提供的低压配电网负荷状态估计方法的流程示意图；
图2为本发明一实施例提供的低压配电网负荷状态估计装置的结构框图；
图3为本发明一实施例提供的终端设备的示意框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参考图1，图1为本发明一实施例提供的低压配电网负荷状态估计方法的流程示意图，该方法包括：
S101：获取低压配电网的历史负荷功率数据。
S102：根据历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵。
在本实施例中，记当前时刻为t时刻，可通过历史负荷功率数据确定t时刻配电网负荷处于当前状态的
Figure BDA0002949336350000031
概率、以及t时刻配电网负荷的状态转移矩阵P(t)＝[pt(i,j)]。
S103：基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间。
在本实施例中，可基于t时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间
Figure BDA0002949336350000032
S104：基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态。
在本实施例中，可基于
Figure BDA0002949336350000041
P(t)、
Figure BDA0002949336350000042
确定t+1时刻配电网负荷的所处状态。其中，配电网负荷所处状态的划分由配电网的负荷大小决定。
由上可以得出，区别于现有技术，本发明基于马尔科夫链模型给出了一种低压配电网负荷状态估计方案，也即根据低压配电网的历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵，进而确定下一时刻配电网负荷的所处状态。也就是说，本发明通过考虑数据的不确定性给出了一种动态预测方案，其能够弥补传统静态分析配电网负荷的缺陷，并有效支持配电网负荷的不确定性潮流分析以及分散大功率用电设备接入电网的规划。
可选地，作为本发明实施例提供的低压配电网负荷状态估计方法的一种具体实施方式，根据历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率，包括：
S21：基于配电网负荷的大小设定配电网负荷的状态个数S，并初始化配电网负荷各个状态的初值
Figure BDA0002949336350000043
设定迭代次数m＝1，其中，i∈[1,S]。
S22：记
Figure BDA0002949336350000044
为第m次迭代配电网负荷状态si的估计值，计算
Figure BDA0002949336350000045
函数，求使
Figure BDA0002949336350000046
函数极大化的si数值，令
Figure BDA0002949336350000047
其中，
Figure BDA0002949336350000048
Figure BDA0002949336350000049
表示完全数据的对数似然函数在给定样本数据X和当前状态si的条件概率分布的期望，样本数据X和当前状态si构成完全数据。X＝{X1,X2,…XK}表示历史负荷功率数据，历史负荷功率数据包含k组测量数据，第k组测量数据Xk包含时间长度为T的测量数据{xk,1,xk,2,…xk,T}，xk,t表示第k组测量数据在t时刻的数据值。
S23：令m＝m+1，若迭代次数m小于预设次数，则返回步骤S22。，若迭代次数m不小于预设次数，则将最后一次迭代计算中得到的
Figure BDA0002949336350000051
作为当前时刻配电网负荷处于当前状态的概率。
在本实施例中，可基于历史负荷功率数据以及期望最大化算法(也即EM算法)确定配电网负荷t时刻处于状态si的概率
Figure BDA0002949336350000052
在本实施例中，状态个数S可以为4～10，预设迭代次数可以为200。
在本实施例中，低压配电网的历史负荷功率数据为X＝{X1,X2,…XK}，数据共有K组，第k组测量数据Xk包含时间长度为T的测量数据{xk,1,xk,2,…xk,T}。假设低压配电网负荷功率数据相互独立，对应的状态si未知，为此需要确定所属状态使得p(xk,t|si)最大化，低压配电网的历史负荷功率数据中第k组数据xk和状态si构成完全数据，则t时刻完全数据的似然函数为
Figure BDA0002949336350000053
其中，
Figure BDA0002949336350000054
表示当前模型参数下t时刻数据处于状态si的概率，其中k＝1,2，…，K，t＝1,2，…，T。
基于t时刻完全数据的似然函数L(si)可以确定t时刻完全数据的对数似然函数log(L(si))，定义状态si服从Q分布函数，该分布函数表示完全数据的对数似然函数在给定样本数据X和当前状态si的条件概率分布的期望，根据log(L(si))推导可以得到Q分布函数为：
Figure BDA0002949336350000055
进而可基于EM算法迭代求取L(si)的极大似然估计，具体步骤如S21～S23所示，最终得到的
Figure BDA0002949336350000056
作为当前时刻配电网负荷处于当前状态的概率。
可选地，作为本发明实施例提供的低压配电网负荷状态估计方法的一种具体实施方式，根据历史负荷功率数据确定当前时刻配电网负荷的状态转移矩阵，包括：
根据历史负荷功率数据确定从上一时刻至当前时刻发生状态转变的负荷功率数据的数量。
根据从上一时刻至当前时刻发生状态转变的负荷功率数据的数量确定从上一时刻至当前时刻配电网负荷的状态转移概率。
基于从上一时刻至当前时刻配电网负荷的状态转移概率确定当前时刻配电网负荷的状态转移矩阵。
在本实施例中，可根据历史负荷功率数据确定t-1时刻处于si状态，t时刻转移至sj状态的低压配电网负荷功率数据的数量
Figure BDA0002949336350000061
也即从上一时刻至当前时刻发生状态转变的负荷功率数据的数量。
在本实施例中，根据从上一时刻至当前时刻发生状态转变的负荷功率数据的数量确定从上一时刻至当前时刻配电网负荷的状态转移概率，包括：
Figure BDA0002949336350000062
其中，pt(i,j)为配电网负荷从状态si转移到状态sj的概率，si为上一时刻配电网的状态，sj为当前时刻配电网的状态，
Figure BDA0002949336350000063
为从上一时刻至当前时刻发生状态转变的负荷功率数据的数量，S为配电网负荷的状态总数，i∈[0,S]、j∈[0,S]。
在本实施例中，t时刻配电网负荷的状态转移矩阵为：
Figure BDA0002949336350000064
其中，pt(i,j)为t时刻配电网负荷状态转移矩阵第i行第j列的元素。
可选地，作为本发明实施例提供的低压配电网负荷状态估计方法的一种具体实施方式，基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间，包括：
Figure BDA0002949336350000071
其中，
Figure BDA0002949336350000072
为配电网负荷处于当前状态si的持续时间，pt(i,j)为当前时刻配电网负荷的状态转移矩阵中的元素，其中，i∈[0,S]、j∈[0,S]，S为配电网负荷的状态总数，
Figure BDA0002949336350000073
为在区间内[0,1]的随机数。
可选地，作为本发明实施例提供的低压配电网负荷状态估计方法的一种具体实施方式，基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态，包括：
根据配电网负荷处于当前状态的持续时间
Figure BDA0002949336350000074
确定当前状态si的结束时刻。
若结束时刻属于第一预设范围
Figure BDA0002949336350000075
则根据当前时刻配电网负荷的状态转移矩阵确定下一时刻配电网负荷处于各个状态的概率。
若结束时刻属于
Figure BDA0002949336350000076
则计算下一时刻配电网负荷的状态转移矩阵，并根据下一时刻配电网负荷的状态转移矩阵确定下一时刻配电网负荷处于各个状态的概率。其中，t′为当前状态的结束时刻，t＜t′＜t+1，Δt为预设值，Δt可以为10～15min。
确定下一时刻配电网负荷处于各个状态的概率的最大值，将概率最大值对应的状态作为下一时刻配电网负荷的所处状态。
在本实施例中，根据当前时刻(t时刻)配电网负荷的状态转移矩阵P(t)确定下一时刻(t+1时刻)配电网负荷处于各个状态的概率
Figure BDA0002949336350000077
包括：
Figure BDA0002949336350000078
其中，
Figure BDA0002949336350000081
为矩阵PS(t+1)的元素，
Figure BDA0002949336350000082
在本实施例中，根据下一时刻配电网负荷的状态转移矩阵P(t+1)确定下一时刻配电网负荷处于各个状态的概率
Figure BDA0002949336350000083
包括：
Figure BDA0002949336350000084
其中，
Figure BDA0002949336350000085
为矩阵PS(t+1)的元素，
Figure BDA0002949336350000086
在本实施例中，可计算矩阵PS(t+1)所有元素的最大值maxPS(t+1)，将最大值maxPS(t+1)数值所对应的状态确定为t+1时刻配电网负荷所处状态。
在本实施例中，下一时刻配电网负荷的状态转移矩阵P(t+1)可以基于同时刻的历史状态转移矩阵确定。例如，可基于历史负荷功率数据计算上周一b+1时刻的历史状态转移矩阵，若需使用本周一b+1时刻的状态转移矩阵进行负荷状态的估计，则可直接将上周一b+1时刻的历史状态转移矩阵作为本周一b+1时刻的状态转移矩阵。
对应于上文实施例的低压配电网负荷状态估计方法，图2为本发明一实施例提供的低压配电网负荷状态估计装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图2，该低压配电网负荷状态估计装置20包括：数据获取模块21、数据计算模块22、状态估计模块23。
其中，数据获取模块21，用于获取低压配电网的历史负荷功率数据。
数据计算模块22，用于根据历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵。基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间。
状态估计模块23，用于基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态。
可选地，作为本发明实施例提供的低压配电网负荷状态估计装置的一种具体实施方式，根据历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率，包括：
S21：基于配电网负荷的大小设定配电网负荷的状态个数S，并初始化配电网负荷各个状态的初值
Figure BDA0002949336350000091
设定迭代次数m＝1，其中，i∈[1,S]。
S22：记
Figure BDA0002949336350000092
为第m次迭代配电网负荷状态si的估计值，计算
Figure BDA0002949336350000093
函数，求使
Figure BDA0002949336350000094
函数极大化的si数值，令
Figure BDA0002949336350000095
其中，
Figure BDA0002949336350000096
Figure BDA0002949336350000097
表示完全数据的对数似然函数在给定样本数据X和当前状态si的条件概率分布的期望，样本数据X和当前状态si构成完全数据。X＝{X1,X2,…XK}表示历史负荷功率数据，历史负荷功率数据包含k组测量数据，第k组测量数据Xk包含时间长度为T的测量数据{xk,1,xk,2,…xk,T}，xk,t表示第k组测量数据在t时刻的数据值。
S23：令m＝m+1，若迭代次数m小于预设次数，则返回步骤S22。，若迭代次数m不小于预设次数，则将最后一次迭代计算中得到的
Figure BDA0002949336350000098
作为当前时刻配电网负荷处于当前状态的概率。
可选地，作为本发明实施例提供的低压配电网负荷状态估计装置的一种具体实施方式，根据历史负荷功率数据确定当前时刻配电网负荷的状态转移矩阵，包括：
根据历史负荷功率数据确定从上一时刻至当前时刻发生状态转变的负荷功率数据的数量。
根据从上一时刻至当前时刻发生状态转变的负荷功率数据的数量确定从上一时刻至当前时刻配电网负荷的状态转移概率。
基于从上一时刻至当前时刻配电网负荷的状态转移概率确定当前时刻配电网负荷的状态转移矩阵。
可选地，作为本发明实施例提供的低压配电网负荷状态估计装置的一种具体实施方式，根据从上一时刻至当前时刻发生状态转变的负荷功率数据的数量确定从上一时刻至当前时刻配电网负荷的状态转移概率，包括：
Figure BDA0002949336350000101
其中，pt(i,j)为配电网负荷从状态si转移到状态sj的概率，si为上一时刻配电网的状态，sj为当前时刻配电网的状态，
Figure BDA0002949336350000102
为从上一时刻至当前时刻发生状态转变的负荷功率数据的数量，S为配电网负荷的状态总数。
可选地，作为本发明实施例提供的低压配电网负荷状态估计装置的一种具体实施方式，基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间，包括：
Figure BDA0002949336350000103
其中，
Figure BDA0002949336350000104
为配电网负荷处于当前状态si的持续时间，pt(i,j)为当前时刻配电网负荷的状态转移矩阵中的元素，其中，i∈[0,S]、j∈[0,S]，S为配电网负荷的状态总数，
Figure BDA0002949336350000105
为在区间内[0,1]的随机数。
可选地，作为本发明实施例提供的低压配电网负荷状态估计装置的一种具体实施方式，基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态，包括：
根据配电网负荷处于当前状态的持续时间确定当前状态的结束时刻。
若结束时刻属于第一预设范围，则根据当前时刻配电网负荷的状态转移矩阵确定下一时刻配电网负荷处于各个状态的概率。
若结束时刻属于第二预设范围，则计算下一时刻配电网负荷的状态转移矩阵，并根据下一时刻配电网负荷的状态转移矩阵确定下一时刻配电网负荷处于各个状态的概率。
确定下一时刻配电网负荷处于各个状态的概率的最大值，将概率最大值对应的状态作为下一时刻配电网负荷的所处状态。
可选地，作为本发明实施例提供的低压配电网负荷状态估计装置的一种具体实施方式，第一预设范围为
Figure BDA0002949336350000111
第二预设范围为
Figure BDA0002949336350000112
其中，t′为当前状态的结束时刻，Δt为预设值。
参见图3，图3为本发明一实施例提供的终端设备的示意框图。如图3所示的本实施例中的终端300可以包括：一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序，计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中，处理器301被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图2所示模块21至23的功能。
应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的低压配电网负荷状态估计方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上，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，可轻易想到各种等效的修改或替换，这些修改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以权利要求的保护范围为准。

Claims (10)

1.一种低压配电网负荷状态估计方法，其特征在于，包括：
获取低压配电网的历史负荷功率数据；
根据所述历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵；
基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间；
基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态。
2.如权利要求1所述的低压配电网负荷状态估计方法，其特征在于，根据所述历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率，包括：
S21：基于配电网负荷的大小设定配电网负荷的状态个数S，并初始化配电网负荷各个状态的初值
Figure FDA0002949336340000011
设定迭代次数m＝1，其中，i∈[1,S]；
S22：记
Figure FDA0002949336340000012
为第m次迭代配电网负荷状态si的估计值，计算
Figure FDA0002949336340000013
函数，求使
Figure FDA0002949336340000014
函数极大化的si数值，令
Figure FDA0002949336340000015
其中，
Figure FDA0002949336340000016
Figure FDA0002949336340000017
表示完全数据的对数似然函数在给定样本数据X和当前状态si的条件概率分布的期望，样本数据X和当前状态si构成完全数据；X＝{X1,X2,…XK}表示历史负荷功率数据，所述历史负荷功率数据包含k组测量数据，第k组测量数据Xk包含时间长度为T的测量数据{xk,1,xk,2,…xk,T}，xk,t表示第k组测量数据在t时刻的数据值；
S23：令m＝m+1，若迭代次数m小于预设次数，则返回步骤S22；，若迭代次数m不小于预设次数，则将最后一次迭代计算中得到的
Figure FDA0002949336340000018
作为当前时刻配电网负荷处于当前状态的概率。
3.如权利要求1所述的低压配电网负荷状态估计方法，其特征在于，根据所述历史负荷功率数据确定当前时刻配电网负荷的状态转移矩阵，包括：
根据历史负荷功率数据确定从上一时刻至当前时刻发生状态转变的负荷功率数据的数量；
根据从上一时刻至当前时刻发生状态转变的负荷功率数据的数量确定从上一时刻至当前时刻配电网负荷的状态转移概率；
基于从上一时刻至当前时刻配电网负荷的状态转移概率确定当前时刻配电网负荷的状态转移矩阵。
4.如权利要求3所述的低压配电网负荷状态估计方法，其特征在于，所述根据从上一时刻至当前时刻发生状态转变的负荷功率数据的数量确定从上一时刻至当前时刻配电网负荷的状态转移概率，包括：
Figure FDA0002949336340000021
其中，pt(i,j)为配电网负荷从状态si转移到状态sj的概率，si为上一时刻配电网的状态，sj为当前时刻配电网的状态，
Figure FDA0002949336340000022
为从上一时刻至当前时刻发生状态转变的负荷功率数据的数量，S为配电网负荷的状态总数。
5.如权利要求1所述的低压配电网负荷状态估计方法，其特征在于，所述基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间，包括：
Figure FDA0002949336340000023
其中，
Figure FDA0002949336340000024
为配电网负荷处于当前状态si的持续时间，pt(i,j)为当前时刻配电网负荷的状态转移矩阵中的元素，其中，i∈[0,S]、j∈[0,S]，S为配电网负荷的状态总数，
Figure FDA0002949336340000025
为在区间内[0,1]的随机数。
6.如权利要求1所述的低压配电网负荷状态估计方法，其特征在于，所述基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态，包括：
根据配电网负荷处于当前状态的持续时间确定当前状态的结束时刻；
若所述结束时刻属于第一预设范围，则根据当前时刻配电网负荷的状态转移矩阵确定下一时刻配电网负荷处于各个状态的概率；
若所述结束时刻属于第二预设范围，则计算下一时刻配电网负荷的状态转移矩阵，并根据下一时刻配电网负荷的状态转移矩阵确定下一时刻配电网负荷处于各个状态的概率；
确定下一时刻配电网负荷处于各个状态的概率的最大值，将概率最大值对应的状态作为下一时刻配电网负荷的所处状态。
7.如权利要求5所述的低压配电网负荷状态估计方法，其特征在于，所述第一预设范围为
Figure FDA0002949336340000031
所述第二预设范围为
Figure FDA0002949336340000032
其中，t′为当前状态的结束时刻，Δt为预设值。
8.一种低压配电网负荷状态估计装置，其特征在于，包括：
数据获取模块，用于获取低压配电网的历史负荷功率数据；
数据计算模块，用于根据所述历史负荷功率数据确定当前时刻配电网负荷处于当前状态的概率、以及当前时刻配电网负荷的状态转移矩阵；基于当前时刻配电网负荷的状态转移矩阵确定配电网负荷处于当前状态的持续时间；
状态估计模块，用于基于当前时刻配电网负荷处于当前状态的概率、当前时刻配电网负荷的状态转移矩阵、配电网负荷处于当前状态的持续时间确定下一时刻配电网负荷的所处状态。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，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任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202110201983.5A 2021-02-23 2021-02-23 低压配电网负荷状态估计方法、装置及终端设备 Active CN112861365B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110201983.5A CN112861365B (zh) 2021-02-23 2021-02-23 低压配电网负荷状态估计方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110201983.5A CN112861365B (zh) 2021-02-23 2021-02-23 低压配电网负荷状态估计方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN112861365A true CN112861365A (zh) 2021-05-28
CN112861365B CN112861365B (zh) 2022-09-06

Family

ID=75990191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110201983.5A Active CN112861365B (zh) 2021-02-23 2021-02-23 低压配电网负荷状态估计方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN112861365B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107425520A (zh) * 2017-06-12 2017-12-01 东南大学 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法
CN107634516A (zh) * 2017-09-11 2018-01-26 三峡大学 一种基于灰色‑马尔可夫链的配网状态估计方法
CN109217386A (zh) * 2018-11-13 2019-01-15 国网河北能源技术服务有限公司 自动发电控制方法、系统及终端设备
CN109301877A (zh) * 2018-09-13 2019-02-01 国网江苏省电力有限公司 一种分布式电源及节点负荷典型运行场景集生成方法
CN109713674A (zh) * 2019-02-25 2019-05-03 重庆大学 计及电动汽车有序充放电的离网型微电网可靠性评估方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN110674752A (zh) * 2019-09-25 2020-01-10 广东省智能机器人研究院 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法
CN111709587A (zh) * 2020-06-22 2020-09-25 国网山西省电力公司电力科学研究院 基于概率-时序不确定性的配电系统状态概率评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107425520A (zh) * 2017-06-12 2017-12-01 东南大学 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法
CN107634516A (zh) * 2017-09-11 2018-01-26 三峡大学 一种基于灰色‑马尔可夫链的配网状态估计方法
US20190265768A1 (en) * 2018-02-24 2019-08-29 Hefei University Of Technology Method, system and storage medium for predicting power load probability density based on deep learning
CN109301877A (zh) * 2018-09-13 2019-02-01 国网江苏省电力有限公司 一种分布式电源及节点负荷典型运行场景集生成方法
CN109217386A (zh) * 2018-11-13 2019-01-15 国网河北能源技术服务有限公司 自动发电控制方法、系统及终端设备
CN109713674A (zh) * 2019-02-25 2019-05-03 重庆大学 计及电动汽车有序充放电的离网型微电网可靠性评估方法
CN110674752A (zh) * 2019-09-25 2020-01-10 广东省智能机器人研究院 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法
CN111709587A (zh) * 2020-06-22 2020-09-25 国网山西省电力公司电力科学研究院 基于概率-时序不确定性的配电系统状态概率评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李凌飞等: "考虑恶劣天气影响的海上风电场及柔性直流并网系统可靠性评估", 《南方电网技术》 *

Also Published As

Publication number Publication date
CN112861365B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN109461023B (zh) 流失用户挽回方法及装置、电子设备、存储介质
CN115936180A (zh) 光伏发电功率预测方法、装置和计算机设备
CN116707331B (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN112801315A (zh) 电力二次设备的状态诊断方法、装置及终端
CN111260147A (zh) 发电量预测方法、装置及终端设备
CN108133005B (zh) 一种基于内存数据库的环境模型模拟方法、终端设备及存储介质
CN113743650A (zh) 电力负荷预测方法、装置、设备与存储介质
CN112861365B (zh) 低压配电网负荷状态估计方法、装置及终端设备
CN115840881B (zh) 空气数据处理方法、装置及相关设备
CN116168403A (zh) 医疗数据分类模型训练方法、分类方法、装置及相关介质
CN113033870B (zh) 电力专变客户柔性负荷调度方法及终端设备
CN115983210A (zh) 表格数据增强方法、装置、设备及介质
CN112684281B (zh) 配电网单相接地故障区段定位方法、装置及终端设备
CN115796338A (zh) 光伏发电功率预测模型构建及光伏发电功率预测方法
CN113609445A (zh) 多源异构监测数据处理方法、终端设备及可读存储介质
CN114356235A (zh) 一种数据标准化处理方法、装置、电子设备及存储介质
CN109783745B (zh) 对页面进行个性化排版的方法、装置和计算机设备
CN112861363B (zh) 光伏发电状态估计方法、装置及终端设备
CN110929957A (zh) 一种用于综合能源系统的优化方法及装置
CN112531629B (zh) 配电网保护定值自动整定方法、装置及终端设备
CN113361960B (zh) 一种大规模需求响应能力量化方法、介质、装置及设备
CN113361819B (zh) 一种线性预测方法及装置
CN117370331B (zh) 小区用水总数据清洗方法及装置、终端设备、存储介质
CN112801369A (zh) 基于电网负荷的聚合响应容量预测方法及终端设备
CN111221878B (zh) 一种知识空间中知识点相关值确定方法、装置、计算机设备及存储介质

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