CN113077148A - 一种计及通信人流数据的居民台区可开放容量评估方法 - Google Patents

一种计及通信人流数据的居民台区可开放容量评估方法 Download PDF

Info

Publication number
CN113077148A
CN113077148A CN202110356398.2A CN202110356398A CN113077148A CN 113077148 A CN113077148 A CN 113077148A CN 202110356398 A CN202110356398 A CN 202110356398A CN 113077148 A CN113077148 A CN 113077148A
Authority
CN
China
Prior art keywords
load
data
residential
residential area
representing
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
CN202110356398.2A
Other languages
English (en)
Other versions
CN113077148B (zh
Inventor
唐冬来
游传强
陈瑞
尚忠玉
李小山
刘桃
颜涛
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.)
Aostar Information Technologies Co ltd
Original Assignee
Aostar Information Technologies 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 Aostar Information Technologies Co ltd filed Critical Aostar Information Technologies Co ltd
Priority to CN202110356398.2A priority Critical patent/CN113077148B/zh
Publication of CN113077148A publication Critical patent/CN113077148A/zh
Application granted granted Critical
Publication of CN113077148B publication Critical patent/CN113077148B/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
    • G06Q10/06—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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种计及通信人流数据的居民台区可开放容量评估方法，包括步骤A.采用时空网格聚类方法对居民用户的负荷进行分类分级；步骤B.根据历史通信人流量数据和居民台区负荷进行时空耦合；步骤C.根据气象数据以及步骤B中得到的时空耦合数据，对居民用户负荷进行预测；步骤D.根据经济数据以及步骤C得到的居民用户负荷预测数据，对居民台区配变负荷进行预测；步骤E.根据居民台区配变负荷预测数据得到居民台区的最大供电能力；步骤F.根据步骤E得到的居民台区最大供电能力计算得出居民台区的可开放容量。通过本发明能够解决传统的居民台区可开放容量评估中存在的分析细粒度不足和缺少分析通信人流量数据的问题。

Description

一种计及通信人流数据的居民台区可开放容量评估方法
技术领域
本发明涉及居民台区可开放容量技术领域，具体涉及一种计及通信人流数据的居民台区可开放容量评估方法。
背景技术
居民台区：在电力系统中，台区是指(一台)居民使用的公用配电变压器的供电范围或区域；可开放容量是指在居民台区内，配电变压器可以给新增用户提供的容量。通信人流数据是指在使用手机的人员在通信活动状态下的人流量计数数据。
目前配电网可开放容量评估主要分为单层评估法和双层评估法，单层评估法主要采用单一方法对配电网的最大供电能力进行评估，并结合历史负荷情况，分析配电网的可开放容量；双层评估法采用两种优化算法对配电网最大供电能力进行求解，并结合历史负荷情况，分析配电网的可开放容量。
但对于上述两种方法，单层评估法仅考虑配电网络节点的负荷变化情况，而居民台区用户类型多，用电规律变化大，需要更细的评估细粒度。对于双层评估法，居民小区负荷变化与流量关联度大，需要结合人流量数据进行综合评估。
发明内容
为解决传统的居民台区可开放容量评估中存在的分析细粒度不足和缺少分析通信人流量数据的问题，本发明提供一种计及通信人流数据的居民台区可开放容量评估方法，综合考虑通信人流量数据、气象数据和经济数据对居民用户负荷进行预测，并通过预测结果进行居民台区可开放容量分析。
本发明一种计及通信人流数据的居民台区可开放容量评估方法，包括：
步骤A.采用时空网格聚类方法对居民用户的负荷进行分类分级；
步骤B.根据历史通信人流量数据和居民台区用户负荷数据进行时空耦合；
步骤C.根据气象数据以及步骤B中得到的时空耦合数据，对居民用户负荷进行预测；
步骤D.根据经济数据以及步骤C得到的居民用户负荷预测数据，对居民台区配变负荷进行预测；
步骤E.根据居民台区配变负荷预测数据得到居民台区的最大供电能力；
步骤F.根据步骤E得到的居民台区最大供电能力计算得到居民台区的可开放容量。
进一步的，步骤A具体包括：
步骤A1.设定时间维度数量有ma个，通过负荷密度表达式求得每个网格维度的居民用户负荷密度；所述负荷密度表达式为：
Figure BDA0003004077150000021
其中:na表示居民用户数量；Bt表示居民用户在空间维度的负荷集合；Vt表示居民台区每个网格用户的平均负荷；
Figure BDA0003004077150000022
表示每个用户的时间维度的负荷密度；Zt表示每个网格维度的居民用户的负荷密度；
步骤A2.根据求得的每个网格维度的居民用户负荷密度，通过聚类中心表达式求得居民台区的聚类中心；
Figure BDA0003004077150000023
其中:Vs表示居民台区用户的平均负荷；θt表示第nb个网格维度的权重系数；ηjs表示聚类中心；
步骤A3.根据求得的聚类中心对居民用户的典型负荷进行分类，其中相同属性的负荷有一个聚类中心，如果有多类负荷，则有多个聚类中心；
步骤A4.在分类的基础上进一步对每一类负荷进行更详细的分级：根据居民用户负荷表达式求得居民用户负荷Pa，并根据居民用户负荷Pa的大小进行分级，从而得到用户的分类分级数据Mxyz；所述居民用户负荷表达式为：
Figure BDA0003004077150000024
其中:Pma表示居民用户的周期性变化负荷；Pnb表示居民用户趋势变化负荷；
Figure BDA0003004077150000025
表示负荷量测周期；tc表示负荷采样时间段。
因为每一类用户有不同的重要级别，分级是对该类用户的进一步划分。
进一步的，步骤B具体包括；
根据对居民台区用户负荷数据以及历史通信人流量数据进行时空耦合，设定时空耦合的时间段有td个时刻，则得到拟合后的序列Ec＝f(Cal,Dal)，
其中:居民台区负荷时间尺度Cal＝((c1，c2，...ctd)，Mxyz)；其中：c1，c2，..ctd分别对应td个时刻中的居民台区用户的负荷数据；
历史通信人流量时间尺度序列
Figure BDA0003004077150000031
其中
Figure BDA0003004077150000032
分别对应td个时刻中的通信人流量数据；
拟合后的居民台区用户负荷数据与通信人流量数据序列Ec可表达为：
Figure BDA0003004077150000033
其中:θa表示耦合权重；
为了解决耦合过程中的失效问题，还需要通过耦合标准得到最接近真实值的耦合关系，所述耦合标准Ga的表达式为：
Figure BDA0003004077150000034
其中：λa表示时空耦合数据的残差，nd表示耦合次数。
本步骤进行耦合的目的是通过居民台区用户负荷以及历史通信人流量数据进行时空耦合，找到通信人流量多少与负荷大小之间的关联关系。并且根据步骤A中的分类分级，居民用户负荷与历史通信人流量数据时空耦合的局限就有了多种类别。
进一步的，步骤C具体包括：
根据居民用户负荷与通信人流量时空耦合数据结合气象数据，通过神经网络进行居民用户负荷预测，在时刻t-1向神经单元输入居民用户负荷与通信人流量时空耦合数据以及气象数据，所述神经单元是神经网络的组成部分，通过神经单元处理数据，可以进行更加精准的预测，所述神经单元包括：输入、输出以及存储门。
存储门决定了t-1时刻输入的居民用户负荷与通信人流量时空耦合数据保存到t时刻的比列，设定激活函数为φ，所述存储门Ra的表达式为：
Figure BDA0003004077150000035
其中：Et-1表示t-1时刻的时空耦合数据，Qt-1表示t-1时刻的气象数据，θe表示权重。
根据输入的数据状态表达式求得输入的数据状态Ja，所述数据状态Ja表达式为：
Ja＝tanh(θe[Et-1，Qt-1])
设定输入门为Rb，则输出的状态数据表达式为：
Figure BDA0003004077150000036
其中Rc表示输出的状态数据即居民用户负荷预测数据。
进一步的，步骤D具体包括：
根据得到的居民负荷预测数据Rc，结合相关的经济数据，输入到神经网络通过神经单元对居民台区配电变压器负荷进行预测，设定激活函数为φa，该神经单元中的存储门Rat的表达式为：
Figure BDA0003004077150000041
其中：θat表示居民台区变压器耦合权重，Et表示输入神经单元的t时刻居民用户负荷与通信人流量耦合数据，Qt表示t时刻的气象数据，Hd表示经济数据；
根据输出的状态数据表达式，求得输出的状态数据Rct，即求得居民台区配变负荷预测数据。所述状态数据Rct表达式为：
Rct＝Rat×tanh(Rc)×Ja
进一步的，步骤E具体包括：
根据步骤D得到的居民台区配变负荷预测数据Rct，通过最大供电能力表达式求得最大供电能力，所述最大供电能力表达式为：
Pt.max＝Ptra×Δf+min(Pph)+max(Pst)-Rct
其中：Ptra表示居民台区配电变压器的额定输出功率；Δf表示配电变压器的安全输出系数；Pph表示分布式光伏的高峰时段的输出功率；Pst表示储能装置输出功率；Rct表示居民台区配变负荷预测数据；
并且分布式光伏和储能装置需要满足以下约束条件：
Wpha≥Ppha(tl)+Qpha(tl)
其中：Ppha(tl)表示在tl时间段内，光伏逆变器输出的有功功率；Qpha(tl)表示在tl时间段内，光伏逆变器输出的无功功率；Wpha表示光伏逆变器的容量；
Figure BDA0003004077150000042
其中：
Figure BDA0003004077150000043
表示储能装置在tj时间段的最大输出功率；
Figure BDA0003004077150000044
表示储能装置在tj时间段的最小输出功率；Pst表示满足约束条件的储能装置输出功率。
进一步的，步骤F具体包括：
根据居民台区的最大供电能力，通过居民台区可开放容量计算公式，求得本居民台区的可开放容量Wmxa，所述居民台区的可开放容量表达式为：
Wmxa＝Pt.max×Δk-Pmxa-Pcta
其中：Pt.max表示步骤E中计算得到的最大供电能力；Pmxa表示居民台区的历史最大负荷；Pcta表示负荷余量修正因子数据；Δk表示最大供电系数。
本发明在考虑居民台区负荷与通信活动状态下的人流数量与居民台区负荷之间的时空耦合关系的情况下进行负荷预测，同时增加了气象数据和经济数据，提高了评估细粒度。同时，在此基础上，综合分析了居民台区负荷、分布式光伏、储能的协同控制关系，通过求解居民台区峰时段输出最大功率的方式以实现居民台区可开放容量的有效评估。
附图说明
图1为本发明的流程图；
图2为本发明的流程结构框图；
图3为本发明居民用户负荷分类分级图；
图4为通信活动状态下的人流数量与用电负荷之间的关系图。
具体实施方式
以下结合实施例的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。在不脱离本发明上述技术思想情况下，根据本领域普通技术知识和惯用手段做出的各种替换或变更，均应包括在本发明的范围内。
如图1和图2所示，本发明一种计及通信人流数据的居民台区可开放容量评估方法，包括两部分：居民台区负荷预测以及居民台区可开放容量分析；
所述居民台区负荷预测具体包括；
步骤A.根据居民用户历史负荷数据进行居民用户负荷聚类；
步骤A1.设定时间维度数量有ma个，通过负荷密度表达式求得每个网格维度的居民用户负荷密度，所述表达式为：
Figure BDA0003004077150000051
其中na表示居民用户数量；Bt表示居民用户在空间维度的负荷集合；Vt表示居民台区每个网格用户的平均负荷；
Figure BDA0003004077150000052
表示每个用户的时间维度的负荷密度；Zt表示每个网格维度的居民用户的负荷密度；
步骤A2.根据求得的每个网格维度的居民用户负荷密度，通过聚类中心表达式求得居民台区的聚类中心；
Figure BDA0003004077150000061
其中Vs表示居民台区用户的平均负荷；θt表示第nb个网格维度的权重系数；ηjs表示聚类中心；
步骤A3.根据求得的聚类中心对居民用户的典型负荷进行分类，其中相同属性的负荷有一个聚类中心，如果有多类负荷，则有多个聚类中心。
步骤B.根据居民用户负荷聚类进行居民用户分级；
根据居民用户负荷表达式求得居民用户负荷Ia，并根据居民用户负荷Ia的大小进行分级，所述表达式为：
Figure BDA0003004077150000062
其中Ima表示居民用户的周期性变化负荷；Inb表示居民用户趋势变化负荷；
Figure BDA0003004077150000063
表示负荷量测周期；tc表示负荷采样时间段。
从而得到用户的分类分级数据Mxyz如图3所示。
因为每一类用户有不同的重要级别，分级是对该类用户的进一步划分。
步骤C.根据历史通信人流量数据和居民台区负荷进行时空耦合；
设定时空耦合的时间段有td个时刻，则得到拟合后的序列Ec＝f(Cal,Dal)；
其中：居民台区负荷时间尺度Cal＝((c1，c2，...ctd)，Mxyz)；其中：c1，c2，..ctd分别对应td个时刻中的居民台区用户的负荷数据；
历史通信人流量时间尺度序列
Figure BDA0003004077150000064
其中
Figure BDA0003004077150000065
分别对应td个时刻中的通信人流量数据；
拟合后的居民用户负荷与通信人流量数据序列Ec可表达为：
Figure BDA0003004077150000066
其中θa表示耦合权重，为了解决耦合过程中的失效问题，还需要通过耦合标准得到最接近真实值的耦合关系，所述耦合标准Ga的表达式为：
Figure BDA0003004077150000067
其中λa表示时空耦合数据的残差，nd表示耦合次数。
通过居民用户负荷与通信人流量数据时空耦合后，可挖掘通信人流量与居民台区负荷变化的关联关系如图4所示。
步骤D.根据时空耦合数据以及气象数据得到居民用户负荷预测数据；
根据居民用户负荷与通信人流量时空耦合数据结合气象数据，输入到神经网络通过神经单元进行居民用户负荷预测，得到居民用户负荷预测数据Rc。
步骤E.根据居民用户负荷预测数据以及经济数据得到居民台区配变负荷预测数据；
根据得到的居民负荷预测数据Rc，结合相关的经济数据，输入到神经网络通过神经单元对居民台区配电变压器负荷进行预测，得到居民台区配电变压器负荷预测数据Rct。
所述居民台区可开放容量分析包括：
步骤F.根据居民台区配变负荷预测数据结合配变历史负荷数据、光伏功率、储能输出以及配变容量计算得到最大供电能力；
所述最大供电能力表达式为：
Pt.max＝Ptra×Δf+min(Pph)+max(Pst)-Rct
其中Ptra表示居民台区配电变压器的额定输出功率；Δf表示配电变压器的安全输出系数；Pph表示分布式光伏峰时段的输出功率；Pst表示储能输出功率；Rct表示居民台区配变负荷预测数据。
步骤G.根据最大供电能力计算出台区的可开放容量；
所述居民台区的可开放容量表达式为：
Wmxa＝Pt.max×Δk-Pmxa-Pcta
其中，Pt.max表示步骤E中计算得到的最大供电能力；Pmxa表示居民台区的历史最大负荷；Pcta表示负荷余量修正因子数据；Δk表示最大供电系数。

Claims (7)

1.一种计及通信人流数据的居民台区可开放容量评估方法，其特征在于，包括：
步骤A.采用时空网格聚类方法对居民用户的负荷进行分类分级；
步骤B.根据历史通信人流量数据和居民台区用户负荷数据进行时空耦合；
步骤C.根据气象数据以及步骤B中得到的时空耦合数据，对居民用户负荷进行预测；
步骤D.根据经济数据以及步骤C得到的居民用户负荷预测数据，对居民台区配变负荷进行预测；
步骤E.根据居民台区配变负荷预测数据得到居民台区的最大供电能力；
步骤F.根据步骤E得到的居民台区最大供电能力计算得到居民台区的可开放容量。
2.根据权利要求1所述的一种计及通信人流数据的居民台区可开放容量评估方法，其特征在于，所述步骤A具体包括：
步骤A1.设定时间维度数量有ma个，通过负荷密度表达式求得每个网格维度的居民用户负荷密度；所述负荷密度表达式为：
Figure FDA0003004077140000011
其中:na表示居民用户数量；Bt表示居民用户在空间维度的负荷集合；Vt表示居民台区每个网格用户的平均负荷；
Figure FDA0003004077140000012
表示每个用户的时间维度的负荷密度；Zt表示每个网格维度的居民用户的负荷密度；
步骤A2.根据求得的每个网格维度的居民用户负荷密度，通过聚类中心表达式求得居民台区的聚类中心；
Figure FDA0003004077140000013
其中:Vs表示居民台区用户的平均负荷；θt表示第nb个网格维度的权重系数；ηjs表示聚类中心；
步骤A3.根据求得的聚类中心对居民用户的典型负荷进行分类，其中相同属性的负荷有一个聚类中心，如果有多类负荷，则有多个聚类中心；
步骤A4.在分类的基础上进一步对每一类负荷进行更详细的分级：根据居民用户负荷表达式求得居民用户负荷Pa，并根据居民用户负荷Pa的大小进行分级，从而得到用户的分类分级数据Mxyz；所述居民用户负荷表达式为：
Figure FDA0003004077140000021
其中：Pma表示居民用户的周期性变化负荷；Pnb表示居民用户趋势变化负荷；
Figure FDA0003004077140000026
表示负荷量测周期；tc表示负荷采样时间段。
3.根据权利要求1所述的一种计及通信人流数据的居民台区可开放容量评估方法，其特征在于，所述步骤B具体包括：
根据对居民台区用户负荷数据以及历史通信人流量数据进行时空耦合，设定时空耦合的时间段有td个时刻，则得到拟合后的序列Ec＝f(Cal，Dal)，
其中：居民台区负荷时间尺度Cal＝((c1，c2，...ctd)，Mxyz)；其中：c1，c2，..ctd分别对应td个时刻中的居民台区用户的负荷数据；
历史通信人流量时间尺度序列
Figure FDA0003004077140000022
其中
Figure FDA0003004077140000023
分别对应td个时刻中的通信人流量数据；
拟合后的居民台区用户负荷数据与通信人流量数据序列Ec可表达为：
Figure FDA0003004077140000024
其中：θa表示耦合权重；
为了解决耦合过程中的失效问题，还需要通过耦合标准得到最接近真实值的耦合关系，所述耦合标准Ga的表达式为：
Figure FDA0003004077140000025
其中：λa表示时空耦合数据的残差，nd表示耦合次数。
4.根据权利要求3所述的一种计及通信人流数据的居民台区可开放容量评估方法，其特征在于，所述步骤C具体包括：
根据居民台区用户负荷数据与通信人流量时空耦合数据结合气象数据，输入到神经网络通过神经单元进行居民用户负荷预测，得到居民用户负荷预测数据Rc。
5.根据权利要求4所述的一种计及通信人流数据的居民台区可开放容量评估方法，其特征在于，所述步骤D具体包括：
根据得到的居民负荷预测数据Rc，结合相关的经济数据，输入到神经网络通过神经单元对居民台区配电变压器负荷进行预测，得到居民台区配变负荷预测数据Rct。
6.根据权利要求5所述的一种计及通信人流数据的居民台区可开放容量评估方法，其特征在于，所述步骤E具体包括：
根据步骤D得到的居民台区配变负荷预测数据Rct，通过最大供电能力表达式求得最大供电能力，所述最大供电能力表达式为：
Pt.max＝Ptra×Δf+min(Pph)+max(Pst)-Rct
其中：Ptra表示居民台区配电变压器的额定输出功率；Δf表示配电变压器的安全输出系数；Pph表示分布式光伏峰时段的输出功率；Pst表示储能输出功率；Rct表示居民台区配变负荷预测数据。
7.根据权利要求6所述的一种计及通信人流数据的居民台区可开放容量评估方法，其特征在于，所述步骤F具体包括：
根据居民台区的最大供电能力，通过居民台区可开放容量计算公式，求得本居民台区的可开放容量Wmxa，所述居民台区的可开放容量表达式为：
Wmxa＝Pt，max×Δk-Pmxa-Pcta
其中：Pt，max表示步骤E中计算得到的最大供电能力；Pmxa表示居民台区的历史最大负荷；Pcta表示负荷余量修正因子数据；Δk表示最大供电系数。
CN202110356398.2A 2021-04-01 2021-04-01 一种计及通信人流数据的居民台区可开放容量评估方法 Active CN113077148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110356398.2A CN113077148B (zh) 2021-04-01 2021-04-01 一种计及通信人流数据的居民台区可开放容量评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110356398.2A CN113077148B (zh) 2021-04-01 2021-04-01 一种计及通信人流数据的居民台区可开放容量评估方法

Publications (2)

Publication Number Publication Date
CN113077148A true CN113077148A (zh) 2021-07-06
CN113077148B CN113077148B (zh) 2023-06-02

Family

ID=76614619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110356398.2A Active CN113077148B (zh) 2021-04-01 2021-04-01 一种计及通信人流数据的居民台区可开放容量评估方法

Country Status (1)

Country Link
CN (1) CN113077148B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105681768A (zh) * 2016-03-29 2016-06-15 浪潮通信信息系统有限公司 一种通过通信数据实现人流实时监控的方法
CN106786637A (zh) * 2016-11-16 2017-05-31 广东电网有限责任公司电力科学研究院 基于商业区负荷群外部特性的综合补偿装置配置方法
CN108074004A (zh) * 2016-11-12 2018-05-25 华北电力大学（保定） 一种基于网格法的地理信息系统短期负荷预测方法
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法
CN109474030A (zh) * 2018-09-28 2019-03-15 杭州中恒电气股份有限公司 多维区域自适应智能充电控制方法
CN110472892A (zh) * 2019-08-27 2019-11-19 上海电气分布式能源科技有限公司 建筑人流量、冷热电负荷评估方法及系统、设备和介质
CN111027741A (zh) * 2019-10-28 2020-04-17 国网天津市电力公司电力科学研究院 一种面向时空维度的通用化负荷模型分析库构建方法
CN111237989A (zh) * 2020-02-04 2020-06-05 青岛海信网络科技股份有限公司 一种基于负荷预测的楼宇通风空调控制方法及装置
CN111461197A (zh) * 2020-03-27 2020-07-28 国网上海市电力公司 一种基于特征提取的空间负荷分布规律研究方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105681768A (zh) * 2016-03-29 2016-06-15 浪潮通信信息系统有限公司 一种通过通信数据实现人流实时监控的方法
CN108074004A (zh) * 2016-11-12 2018-05-25 华北电力大学（保定） 一种基于网格法的地理信息系统短期负荷预测方法
CN106786637A (zh) * 2016-11-16 2017-05-31 广东电网有限责任公司电力科学研究院 基于商业区负荷群外部特性的综合补偿装置配置方法
CN108491969A (zh) * 2018-03-16 2018-09-04 国家电网公司 基于大数据的空间负荷预测模型构建方法
CN109474030A (zh) * 2018-09-28 2019-03-15 杭州中恒电气股份有限公司 多维区域自适应智能充电控制方法
CN110472892A (zh) * 2019-08-27 2019-11-19 上海电气分布式能源科技有限公司 建筑人流量、冷热电负荷评估方法及系统、设备和介质
CN111027741A (zh) * 2019-10-28 2020-04-17 国网天津市电力公司电力科学研究院 一种面向时空维度的通用化负荷模型分析库构建方法
CN111237989A (zh) * 2020-02-04 2020-06-05 青岛海信网络科技股份有限公司 一种基于负荷预测的楼宇通风空调控制方法及装置
CN111461197A (zh) * 2020-03-27 2020-07-28 国网上海市电力公司 一种基于特征提取的空间负荷分布规律研究方法

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
C SI, S XU, C WAN, D CHEN, W CUI: "Electric load clustering in smart grid: Methodologies, applications, and future trends", IEEE *
CHENGJINYE,YIDING: "A Data-Driven Bottom-Up Approach for Spatial and Temporal Electric Load Forecasting", IEEE *
JIANMIN JIA: "Planning of the Charging Station for Electric Vehicles Utilizing Cellular Signaling Data", MDPI *
Y YANG,J CHE,C DENG: "Sequential grid approach based support vector regression for short-tern eletric load forecasting", APPLIED ENERGY *
YANGHPING,TANG CHENYI: "Load Forecasting of Central Urban Area Power Grid Based on Saturated Load Density Index", IOPSCIENCE *
YEHONG,YINGJIE ZHOU,QIBIN LI: "A Deep Learning Method for Short-Term Residential Load Forecasting in Smart Grid", IEEE ACCESS *
YI SHI 1,JUNYAN YANG ,PEIYU SHEN: "Revealing the Correlation between Population Density and the Spatial Distribution of Urban Public Service Facilities with Mobile Phone Data", MDPI *
刘婉兵等: "城市负荷空间分布的聚类群簇分析", 电力系统自动化 *
刘思: "配电网空间负荷聚类及预测方法研究", 中国优秀硕士学位论文全文数据库（工程科技） *
胡忠旺等: "基于时空关联—网格聚类的多扩展目标跟踪算法", 传感器与微系统 *
苏运 等: "基于移动人流数据的商业楼宇负荷用电预测", 计算机应用与软件 *
金辉: "石嘴山市大武口区电网负荷特性分析及空间负荷预测研究" *
陈彬等: "极端灾害下基于时空网格的配电网多源数据融合方法", 中国电力 *

Also Published As

Publication number Publication date
CN113077148B (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
Xu et al. Probabilistic load forecasting for buildings considering weather forecasting uncertainty and uncertain peak load
US20190265768A1 (en) Method, system and storage medium for predicting power load probability density based on deep learning
Cheung et al. Behind-the-meter solar generation disaggregation using consumer mixture models
Hong et al. Hour-ahead wind power and speed forecasting using simultaneous perturbation stochastic approximation (SPSA) algorithm and neural network with fuzzy inputs
CN107730031B (zh) 一种超短期高峰负荷预测方法及其系统
Shao et al. Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm
WO2020248228A1 (zh) 一种Hadoop平台计算节点负载预测方法
CN108921358B (zh) 一种电力负荷特征的预测方法、预测系统及相关装置
Huang et al. Energy demand forecasting: combining cointegration analysis and artificial intelligence algorithm
CN108364187A (zh) 一种基于停电敏感特性的停电敏感用户确定方法和系统
Liu et al. Edge sensing data-imaging conversion scheme of load forecasting in smart grid
Alamaniotis et al. A Pareto optimization approach of a Gaussian process ensemble for short-term load forecasting
Gajowniczek et al. Electricity peak demand classification with artificial neural networks
Xiao et al. Short-term power load interval forecasting based on nonparametric Bootstrap errors sampling
CN110728409A (zh) 一种洪水过程类型相似性挖掘与快速预测方法
CN107527121A (zh) 一种电网的信息系统运行状态诊断预测的方法
CN108964023A (zh) 一种用于电网的母线电压态势短期预测方法及系统
CN111222700A (zh) 基于动态网络分位数模型的日前电价概率预测方法
CN113627735A (zh) 工程建设项目安全风险的预警方法及系统
CN112288172A (zh) 台区线损率的预测方法、装置
CN108989092A (zh) 一种无线网络预测方法、电子设备及存储介质
CN109978236B (zh) 一种基于特征组合的小水电短期功率精细化预测方法
CN115169719A (zh) 一种基于模糊聚类和bp神经网络的台区状态预测模型
Sun et al. Forecasting wireless demand with extreme values using feature embedding in gaussian processes
CN113298318A (zh) 一种新型的配电变压器重过载预测方法

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
GR01 Patent grant
GR01 Patent grant