CN113435799A - 一种基于自然辨识的切面冻结置信度的提升方法 - Google Patents

一种基于自然辨识的切面冻结置信度的提升方法 Download PDF

Info

Publication number
CN113435799A
CN113435799A CN202110987398.2A CN202110987398A CN113435799A CN 113435799 A CN113435799 A CN 113435799A CN 202110987398 A CN202110987398 A CN 202110987398A CN 113435799 A CN113435799 A CN 113435799A
Authority
CN
China
Prior art keywords
terminal
identification
matching
optimal
freezing
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
CN202110987398.2A
Other languages
English (en)
Other versions
CN113435799B (zh
Inventor
李莹莹
戴聪
卢雨亭
邓士伟
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.)
Jiangsu Zhizhen Energy Technology Co ltd
Original Assignee
Jiangsu Zhizhen Energy Technology 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 Jiangsu Zhizhen Energy Technology Co ltd filed Critical Jiangsu Zhizhen Energy Technology Co ltd
Priority to CN202110987398.2A priority Critical patent/CN113435799B/zh
Publication of CN113435799A publication Critical patent/CN113435799A/zh
Application granted granted Critical
Publication of CN113435799B publication Critical patent/CN113435799B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于自然辨识的切面冻结置信度的提升方法，属于智能电网技术领域。包括进行自然拓扑识别并以“天”为单位按照上下级终端通道进行匹配；筛选出下级终端与每台上级终端的最优匹配通道；S3判断每天经通道筛选后下级终端匹配一台上级终端的最优阶跃匹配数量是否为3条以上；计算阶跃偏差度和阶跃辨识，筛选出最优阶跃偏差度大于65%且最优阶跃辨识占比大于50%的下级终端；以两天为间隔再次计算，判断两次的计算结果是否一致；判断两次阶跃是否存在变动，如果存在则将此下级终端辨识结果冻结；如果不存在，则判断自然辨识总时长是否小于一周，如果是，则对该下级终端进行切面冻结。本发明的冻结切面的产生时间相对短，置信度高。

Description

一种基于自然辨识的切面冻结置信度的提升方法
技术领域
本发明涉及一种基于自然辨识的切面冻结置信度的提升方法，属于智能电网、智能用电技术领域。
背景技术
近年来，随着经济的发展，不仅仅对电的需求逐年升高。对用户能源可视化，综合能耗降低和电网削峰、填谷方面的智能管理的需求也在不断提升。
基于此和易推广的前提下，非侵入负荷辨识技术应运而出。它是最先进的高级量测技术，只需要在箱变或者出线柜和表箱处安装上下级智能终端，通过上下级智能终端去采集用户总进线的电压和电流，再通过智能算法，即可分解出用户的细粒度用电行为。
而自然辨识技术是基于采集到的用户开启的大功率电器数据，同一线路的上下级智能终端捕获相关产生的阶跃，通过分析用户的真实用电数据，达到一定匹配的拓扑关系，计算形成切面冻结。因此自然辨识冻结结果是台区拓扑识别的结果，原始的冻结方法会出现误匹配情况，尤其当小区内用户用电情况比较类似的时候，得到的拓扑关系不完全可信。
发明内容
本发明的目的在于，克服现有技术中存在的问题，提供一种基于自然辨识的切面冻结置信度的提升方法，冻结切面的产生时间相对短，置信度高。
为了解决上述问题，本发明的基于自然辨识的切面冻结置信度的提升方法包括如下步骤：包括如下步骤：
S1：进行自然拓扑识别并以“天”为单位按照上下级终端通道进行匹配；
S2：筛选出下级终端与每台上级终端的最优匹配通道；
S3：判断每天经通道筛选后下级终端匹配一台上级终端的最优阶跃匹配数量是否为3条以上，如果是，则进入S4，如果不是，则将该下级终端剔除；
S4：计算阶跃偏差度和阶跃辨识，如果最优阶跃偏差度大于65%且最优阶跃辨识占比大于50%，则进入步骤S5，如果不是，则将该下级终端剔除；
S5：以两天为间隔再次计算阶跃偏差度和阶跃辨识占比，判断两次的计算结果是否一致，如果不一致，则下级终端辨识失败，将该下级终端剔除；如果一致，则进入S6；
S6：判断两次阶跃是否存在变动，如果存在则将此下级终端辨识结果冻结；如果不存在，则判断自然辨识总时长是否小于一周，如果是，则对该下级终端进行切面冻结，如果不是，则将该下级终端剔除。
进一步的，S2中所述的最优通道匹配方法为：按“天”筛选上下级终端匹配数的最大值。
进一步的，所述阶跃匹配的类型包括冰箱类、空调类和电热类，相同的阶跃匹配类型匹配的阶跃时间差为±1s、功率差为±10%。
进一步的，所述电热类为开启、关闭时只有有功功率的变化，并且在零点几秒内瞬间达到稳定功率的电器，电热类电器的有功功率>1200W；
所述空调类为有功功率200-3000W、开启时在短时间内，有功功率陡增后再缓降至稳定值的电器；
所述冰箱类为有功功率50-200W、开启时在短时间内，有功功率陡增后再缓降至稳定值的电器。
进一步的，所述最优阶跃偏差度的计算方法为：
Figure 113511DEST_PATH_IMAGE001
，式中：
Figure 776574DEST_PATH_IMAGE002
为下级终端最大匹配数的最优阶跃偏差度，
Figure 272539DEST_PATH_IMAGE003
为下级终端与匹配最多上级终端的阶跃数量，
Figure 210408DEST_PATH_IMAGE004
为下级终端与匹配第二多上级终端的阶跃数量。
进一步的，所述最优阶跃辨识占比的计算公式为
Figure 239544DEST_PATH_IMAGE005
式中：
Figure 542350DEST_PATH_IMAGE006
指下级终端最优阶跃辨识占比；
Figure 24147DEST_PATH_IMAGE007
指下级终端与各上级终端阶跃匹配的总条数；
Figure 437810DEST_PATH_IMAGE008
指下级终端与匹配最多上级终端的阶跃条数。
本发明的有益效果是：冻结切面的产生时间要相对短，能够使辨识结果的置信度提升至接近100%。
附图说明
图1为本发明基于自然辨识的切面冻结置信度的提升方法的流程图；
图2为6月9日至6月14日的单日辨识情况；
图3为6月9日至6月14日的累计辨识结果；
图4为6月9日至6月14日单日辨识结果；
图5为6月9日至6月14日两日辨识结果。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，本发明的基于自然辨识的切面冻结置信度的提升方法包括如下步骤：
S1：进行自然拓扑识别并以“天”为单位按照上下级终端通道进行匹配；阶跃匹配的类型包括冰箱类、空调类和电热类，相同的阶跃匹配类型匹配的阶跃时间差为±1s、功率差为±10%。
电热类为开启、关闭时只有有功功率的变化，并且在零点几秒内瞬间达到稳定功率的电器，电热类电器的有功功率>1200W；
空调类为有功功率200-3000W、开启时在短时间内，有功功率陡增后再缓降至稳定值的电器；
冰箱类为有功功率50-200W、开启时在短时间内，有功功率陡增后再缓降至稳定值的电器。
S2：筛选出下级终端与每台上级终端的最优匹配通道；S2中的最优通道匹配方法为：按“天”筛选上下级终端匹配数的最大值。
S3：判断每天经通道筛选后下级终端匹配一台上级终端的最优阶跃匹配数量是否为3条以上，如果是，则进入S4，如果不是，则将该下级终端剔除；
S4：计算阶跃偏差度和阶跃辨识，如果最优阶跃偏差度大于65%且最优阶跃辨识占比大于50%，则进入步骤S5，如果不是，则将该下级终端剔除；最优阶跃偏差度的计算方法为：
Figure 524715DEST_PATH_IMAGE009
，式中：
Figure 496957DEST_PATH_IMAGE010
为下级终端最大匹配数的最优阶跃偏差度，
Figure 731629DEST_PATH_IMAGE011
为下级终端与匹配最多上级终端的阶跃数量，
Figure 886667DEST_PATH_IMAGE012
为下级终端与匹配第二多上级终端的阶跃数量。
上式计算结果可表征匹配数量最多的上级终端与第二多的比值，当最优偏差度为90%时，表明此比值为9倍，具备反映真实匹配数据的能力。
将每日的辨识结果与真实结果比较，每天均存在若干错误辨识结果，表2为辨识错误终端单日的辨识结果。
Figure DEST_PATH_IMAGE013
表1
表1统计了单日错误辨识终端结果，经分析错误匹配的终端虽然可能具有较高最优偏差度但是阶跃数量较小，因此单独从最优偏差度或数量的角度分析不可靠，需要进行结合判断。
如图2所示，横线表示参加辨识的下级终端数量，黑线表示当天为止已辨识的下级终端数量。横坐标表示匹配天数，纵坐标为下级终端辨识数量。后一天的结果与前一天结果取并集，图中可知，自然冻结在第二天辨识完成，第三天保持稳定。
但单台下级终端终端匹配阶跃大于5次，且最优偏差度大于65%的判据是基于龙湖文馨苑得出的经验值，由于不同台区不同时间段的用电情况不同，还需要继续评估。
龙湖文馨苑上下级终端阶跃错误情况如下表所示：
Figure 687133DEST_PATH_IMAGE014
表2 3929-283下级终端单日错误情况匹配
Figure DEST_PATH_IMAGE015
表3 3929-494下级终端单日错误匹配情况
Figure 66162DEST_PATH_IMAGE016
表4 3929-495下级终端单日错误匹配情况
表2中虽然存在误匹配的情况，但是与5021-3的匹配数最突出，最优偏差度达到90%。表3中存在与多台上级终端误匹配的情况，最优偏差度为50%，无法选出最优匹配值。表4中，虽然最优偏差度较大达到8/13=61%，但是总的匹配情况均匀分布。
因此在存在误匹配的情况下，匹配最多上级终端的阶跃匹配率是关注重点。为了表征匹配最多上级终端的阶跃占此下级终端总匹配阶跃的比值，引入最优阶跃辨识占比，公式如下：
Figure 788130DEST_PATH_IMAGE017
其中：
Figure 543596DEST_PATH_IMAGE018
指下级终端最优阶跃辨识占比；
Figure 136252DEST_PATH_IMAGE019
指下级终端与各上级终端阶跃匹配的总条数；
Figure 155023DEST_PATH_IMAGE020
指下级终端与匹配最多上级终端的阶跃条数；
S5：以两天为间隔再次计算阶跃偏差度和阶跃辨识占比，判断两次的计算结果是否一致，如果不一致，则下级终端辨识失败，将该下级终端剔除；如果一致，则进入S6；
为使自然辨识技术置信度达到100%，目前先使用以下5个指标对龙湖文馨苑数据分析：
（1）自然拓扑识别，以天为单位按照上下级终端通道进行匹配；
（2）每台下级终端与上级终端为最优通道匹配（按天筛选上下级终端匹配数最大值）；
（3）每天经通道筛选后下级终端匹配一台上级终端阶跃数量，包含首阶跃至少3条；
（4）最优偏差度大于65%（最多的约为第二多的1.8倍）；
（5）最优阶跃辨识占比大于50%；
（6）目前冻结切面最长时间为一周。
将龙湖文馨苑台区以这5个指标进行匹配，每天对开始匹配日至当天的累计样本分析，结果如图3所示，其中：横坐标代表天数，纵坐标代表辨识结果。由图中曲线可以看到，辨识数量先下降后上升，最终辨识率达到100%。但此方法使用时间太长，当某一天数据较差时，可能会影响一段时间的匹配，出现结果下降的情况，效率较低。
不使用累计数据，根据每天的辨识结果进行辨识，每天结果和前一天取并集可得结果。如图4所示，第5天完成辨识，第6天获得稳定结果。此方法存在当第二天结果与第一天不一致时，难以判断是前者还是后者存在错误。
S6：判断两次阶跃是否存在变动，如果存在则将此下级终端辨识结果冻结；如果不存在，则判断自然辨识总时长是否小于一周，如果是，则对该下级终端进行切面冻结，如果不是，则将该下级终端剔除。
前后一天出现结果不一致情况是由于某一天的辨识效果较差导致。此时以两天为单位的滑动窗口计算，例如，6月9日与6月10日阶跃集合计算，6月10日与6月11日集合计算，将前者与后者的结果进行比较，可以剔除误匹配的结果。若两次结果不一致，则认为此结果置信度低，直至两次结果一致时冻结此终端的表箱-变关系。如图5所示，最终辨识效果在第5天完成，第6天稳定。第5天与第6天的辨识结果一致，此时已完成自然冻结切面。
目前的自然辨识方案长时间尺度看每条阶跃的辨识率为一个固定概率（龙湖文馨苑为1/2），同时理论分析置信度最高可以达到100%。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (6)

1.一种基于自然辨识的切面冻结置信度的提升方法，其特征在于，包括如下步骤：
S1：进行自然拓扑识别并以“天”为单位按照上下级终端通道进行匹配；
S2：筛选出下级终端与每台上级终端的最优匹配通道；
S3：判断每天经通道筛选后下级终端匹配一台上级终端的最优阶跃匹配数量是否为3条以上，如果是，则进入S4，如果不是，则将该下级终端剔除；
S4：计算阶跃偏差度和阶跃辨识，如果最优阶跃偏差度大于65%且最优阶跃辨识占比大于50%，则进入步骤S5，如果不是，则将该下级终端剔除；
S5：以两天为间隔再次计算阶跃偏差度和阶跃辨识占比，判断两次的计算结果是否一致，如果不一致，则下级终端辨识失败，将该下级终端剔除；如果一致，则进入S6；
S6：判断两次阶跃是否存在变动，如果存在则将此下级终端辨识结果冻结；如果不存在，则判断自然辨识总时长是否小于一周，如果是，则对该下级终端进行切面冻结，如果不是，则将该下级终端剔除。
2.根据权利要求1所述的基于自然辨识的切面冻结置信度的提升方法，其特征在于，S2中所述的最优通道匹配方法为：按“天”筛选上下级终端匹配数的最大值。
3.根据权利要求1所述的基于自然辨识的切面冻结置信度的提升方法，其特征在于，所述阶跃匹配的类型包括冰箱类、空调类和电热类，相同的阶跃匹配类型匹配的阶跃时间差为±1s、功率差为±10%。
4.根据权利要求3所述的基于自然辨识的切面冻结置信度的提升方法，其特征在于，所述电热类为开启、关闭时只有有功功率的变化，并且在零点几秒内瞬间达到稳定功率的电器，电热类电器的有功功率>1200W；
所述空调类为有功功率200-3000W、开启时在短时间内，有功功率陡增后再缓降至稳定值的电器；
所述冰箱类为有功功率50-200W、开启时在短时间内，有功功率陡增后再缓降至稳定值的电器。
5.根据权利要求2所述的基于自然辨识的切面冻结置信度的提升方法，其特征在于：所述最优阶跃偏差度的计算方法为：
Figure 906449DEST_PATH_IMAGE001
，式中：
Figure 45175DEST_PATH_IMAGE002
为下级终端最大匹配数的最优阶跃偏差度，
Figure 252166DEST_PATH_IMAGE003
为下级终端与匹配最多上级终端的阶跃数量，
Figure DEST_PATH_IMAGE005AA
为下级终端与匹配第二多上级终端的阶跃数量。
6.根据权利要求2所述的基于自然辨识的切面冻结置信度的提升方法，其特征在于：所述最优阶跃辨识占比的计算公式为
Figure 37719DEST_PATH_IMAGE006
式中：
Figure 681059DEST_PATH_IMAGE007
指下级终端最优阶跃辨识占比；
Figure 639788DEST_PATH_IMAGE008
指下级终端与各上级终端阶跃匹配的总条数；
Figure 435705DEST_PATH_IMAGE009
指下级终端与匹配最多上级终端的阶跃条数。
CN202110987398.2A 2021-08-26 2021-08-26 一种基于自然辨识的切面冻结置信度的提升方法 Active CN113435799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110987398.2A CN113435799B (zh) 2021-08-26 2021-08-26 一种基于自然辨识的切面冻结置信度的提升方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110987398.2A CN113435799B (zh) 2021-08-26 2021-08-26 一种基于自然辨识的切面冻结置信度的提升方法

Publications (2)

Publication Number Publication Date
CN113435799A true CN113435799A (zh) 2021-09-24
CN113435799B CN113435799B (zh) 2021-12-14

Family

ID=77798048

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110987398.2A Active CN113435799B (zh) 2021-08-26 2021-08-26 一种基于自然辨识的切面冻结置信度的提升方法

Country Status (1)

Country Link
CN (1) CN113435799B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109873501A (zh) * 2019-04-15 2019-06-11 东南大学 一种低压配电网拓扑自动识别方法
CN110350528A (zh) * 2019-07-22 2019-10-18 石家庄科林电气股份有限公司 一种低压台区拓扑自动辨识方法
CN110880753A (zh) * 2019-11-02 2020-03-13 国网上海市电力公司 一种基于hplc环境下的台区线损矫正方法
CN112186740A (zh) * 2020-09-09 2021-01-05 北京市腾河电子技术有限公司 对小负荷用户进行台区识别的方法及系统、存储介质
CN112766741A (zh) * 2021-01-22 2021-05-07 南方电网深圳数字电网研究院有限公司 查询方法、系统、终端及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112950172A (zh) * 2021-03-30 2021-06-11 山东卓文信息科技有限公司 一种台区拓扑识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109873501A (zh) * 2019-04-15 2019-06-11 东南大学 一种低压配电网拓扑自动识别方法
CN110350528A (zh) * 2019-07-22 2019-10-18 石家庄科林电气股份有限公司 一种低压台区拓扑自动辨识方法
CN110880753A (zh) * 2019-11-02 2020-03-13 国网上海市电力公司 一种基于hplc环境下的台区线损矫正方法
CN112186740A (zh) * 2020-09-09 2021-01-05 北京市腾河电子技术有限公司 对小负荷用户进行台区识别的方法及系统、存储介质
CN112766741A (zh) * 2021-01-22 2021-05-07 南方电网深圳数字电网研究院有限公司 查询方法、系统、终端及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢虹宇 等: "低压配电台区拓扑辨识及校核方法", 《测量与检测技术》 *

Also Published As

Publication number Publication date
CN113435799B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
Taneja et al. Defining cps challenges in a sustainable electricity grid
CN110635506B (zh) 一种用于新能源消纳分析的电网优化分区方法
CN111339491A (zh) 一种城市配电网改造方案的评估方法
CN111082446B (zh) 一种考虑电池自消耗的储能优化配置方法
CN111679122B (zh) 一种基于变压器调压功能的电表台区识别方法
Kyrylenko et al. Main features of the stability and reliability enhancement of electricity grid with DG in Ukraine based on IEEE standards
Emmanuel et al. Net electricity clustering at different temporal resolutions using a SAX-based method for integrated distribution system planning
CN117874470B (zh) 一种专变采集终端监测数据分析处理方法
CN113435799B (zh) 一种基于自然辨识的切面冻结置信度的提升方法
CN111541273B (zh) 一种地区新能源消纳能力计算分析方法
CN116169701A (zh) 一种基于最大化光伏消纳率的储能容量配置方法
Few et al. Smart energy research lab: Energy use in GB domestic buildings 2021
Vallvé et al. Energy Limitation for Better Energy Service to the User: First Results of Applying “Energy Dispensers” in Multi-User PV Stand-Alone Systems
CN113033867B (zh) 一种计及电供热特性的省级电网负荷特性分析方法
CN112003284B (zh) 一种基于强同步负荷特征匹配的低压台区拓扑识别方法
CN114461662A (zh) 居民用户需求响应高潜力用户筛选方法及系统
Rigoni et al. Deliverable 3.7 “Characterisation of LV Networks”
CN112016587A (zh) 基于主站特征库技术的用能监测云端协同非侵入辨识方法
CN111948446A (zh) 一种自适应的负荷识别方法以及智能电能表
CN111815022A (zh) 一种基于延时坐标嵌入法的电力负荷预测方法
CN110751388A (zh) 一种配电网居民户均配变容量指标计算的方法及系统
Liu et al. Hierarchical identification method of household-transformer relationship based on adaptive piecewise aggregation approximation
CN117291299B (zh) 一种考虑多种影响因素的月度电量预测方法
CN115965287A (zh) 基于自然辨识的切面冻结置信度和辨识率的再提升方法
CN117879047B (zh) 一种分布式光伏接入配网的优化方法及系统

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