CN113761700A - 基于动态聚类的负荷建模与在线修正方法及系统 - Google Patents
基于动态聚类的负荷建模与在线修正方法及系统 Download PDFInfo
- Publication number
- CN113761700A CN113761700A CN202010507735.9A CN202010507735A CN113761700A CN 113761700 A CN113761700 A CN 113761700A CN 202010507735 A CN202010507735 A CN 202010507735A CN 113761700 A CN113761700 A CN 113761700A
- Authority
- CN
- China
- Prior art keywords
- load
- model
- power
- user
- electrical information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000012937 correction Methods 0.000 title claims abstract description 44
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 230000003068 static effect Effects 0.000 claims description 51
- 230000006698 induction Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 39
- 230000002776 aggregation Effects 0.000 claims description 31
- 238000004220 aggregation Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 13
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000012986 modification Methods 0.000 claims description 6
- 230000004048 modification Effects 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000002715 modification method Methods 0.000 claims 3
- 230000006399 behavior Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000033228 biological regulation Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于动态聚类的负荷建模与在线修正方法和系统，其核心思想在于根据电力用户的用电负荷特性，利用特征提取算法，进行动态聚类，得到若干个典型用户；根据负荷智能终端采集的所述典型用户的负荷电气信息与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个典型用户的用户负荷模型；并根据用户负荷模型，建立各电压等级上的聚合负荷模型直至对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，实现了负荷模型的在线测辩和修正。本发明提供的负荷建模与在线修正方法和系统，能够实现负荷建模动态更新，更符合电力负荷的实际情况。
Description
技术领域
本发明属于负荷控制技术领域，尤其是涉及一种基于动态聚类的负荷建模与在线修正方法及系统。
背景技术
电力调控是为了保证电网安全稳定运行、对外可靠供电、各类电力生产工作有序进行而采用的一种有效的管理手段。电力调控的具体工作内容是依据各类信息采集设备反馈回来的数据信息，结合电网实际运行参数，如电压、电流、频率、负荷等，综合考虑各项生产工作开展情况，对电网安全、经济运行状态进行判断，调整发电机出力、调整负荷分布以及投切电容器等，从而确保电网持续安全稳定运行。
随着技术的快速发展，尤其是电网特高压直流密集接入，输送容量占送、受端系统规模的比重不断增大，对电力系统的调控能力提出更高的要求。这是因为一旦发生直流闭锁造成大功率冲击，容易诱发电网安全稳定问题，存在大面积停电风险，甚至导致频率大幅下跌引起新能源大规模脱网，严重制约清洁能源消纳和资源优化配置能力的提升。
如前所述，调整负荷分布是电力调控的关键因素之一，而负荷模型的准确性对电力系统静态、动态和暂态特性和稳定性的分析与仿真计算都有着较大的影响。然而，由于负荷本身的随机性、非线性、分散性和多样性使得负荷模型的建立十分困难。
现有技术中，应用较广泛的负荷建模方法主要有两种，其中一种是统计综合法，其基本思想为综合负荷看成成千上万用户的集合，在实验室确定各种典型负荷的平均特性，然后统计出各类负荷的比例，估算其平均特性最终得到负荷模型，该方法的缺陷在于一是需通过大量调研与测试工作获得典型负荷特性。由于同类负荷的分散性，典型负荷特性的确定必须通过大量实验及负荷机理分析来综合；二是没有考虑到负荷随时间变化的特性。另外一种是总体测辩法，其基本思想是在电网的负荷节点安装测试记录装置，对测试数据采用辨识算法进行建模。该方法的缺陷在于实际应用中很难在所有的负荷节点都安装测试记录装置，数据来源不充分。由此可见，现有技术中的负荷建模方法得到的负荷模型相对简化和粗糙，负荷模型的过于粗糙已成为电力系统分析和仿真计算精度的制约因素，不合适的负荷模型在临界情况下甚至会得出截然相反的结论。进一步地，随着各种新型电力电子设备的出现，使得负荷特性变得越来越复杂，且随着时间的推移，负荷时变性特征越明显，现有负荷建模方法得到的负荷模型已很难适应电力系统的快速发展。
因此，如何建立符合实际、能够准确反映实际电力特性的动态负荷模型逐渐成为本领域技术人员亟待解决的技术问题之一。
需要说明的是，公开于该发明背景技术部分的信息仅仅旨在加深对本发明一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
为本发明的目的在于解决现有技术中负荷建模存在的不足，提供一种基于动态聚类的负荷建模与在线修正方法，用以提供一种符合实际、能够准确反映实际电力特性的负荷模型。
为实现上述目的，本发明通过以下技术方案予以实现：一种基于动态聚类的负荷建模与在线修正方法，包括以下步骤，
S1：根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户；
S2：根据第二预设时间周期采集每个所述典型用户的负荷电气信息，所述负荷电气信息包括电压参数、电流参数和频率参数；
S3：根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个所述典型用户的用户负荷模型；
S4：根据所述用户负荷模型，建立各电压等级上的聚合负荷模型，所述聚合负荷模型包括静态负荷聚合模型和动态负荷聚合模型；
S5：对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，从而实现电网负荷模型的在线测辩和修正。
可选地，在步骤S3之后，还包括根据新型负荷元素对于电网负荷模型的影响，修正所述用户负荷模型；其中，所述新型负荷元素包括分布式新能源并网负荷和/或储能元件负荷。
可选地，步骤S1中根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户的方法，包括，
根据所述电力用户的日负荷曲线，构建所述电力用户的行为特征标签，并根据所述行为特征标签和预设负荷相似度指标，对所述电力用户进行用户聚类，从每个所述用户聚类中得到所述典型用户；
其中，所述行为特征标签包括用电时间特征、用电电量特征和/或用电峰谷特征。
可选地，所述根据所述行为特征标签和预设负荷相似度指标，对所述电力用户进行用户聚类，从每个所述用户聚类中得到所述典型用户的方法，包括使用k-means聚类算法对所述电力用户进行用户聚类，将通过所述k-means聚类算法得到的聚类中心作为所述典型用户。
可选地，步骤S3中所述根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别的方法包括，
利用负荷用电波形和典型负荷特性信息，计算负荷类型隶属度，实现所述负荷类型识别。
可选地，步骤S3中所述根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，获取负荷模型参数的方法包括，
基于负荷波形特征信息，根据静态负荷和动态负荷的不同响应特性，利用波形分解进行时间序列数据处理，分别获取所述静态负荷和所述动态负荷的负荷模型参数。
可选地，在步骤S3之前，还包括对所述负荷电气信息进行压缩，将所述负荷电气信息转化为负荷信息标签后进行传输。
可选地，步骤S4中所述根据所述用户负荷模型，建立各电压等级上的聚合负荷模型的方法，其中建立所述静态负荷聚合模型的方法包括，利用电网负荷的有功功率和无功功率，建立所述静态负荷聚合模型。
可选地，利用电网负荷的有功功率和无功功率，建立所述静态负荷聚合模型方法包括，将所述电网负荷的有功功率和无功功率分别按照各分量的系数进行加权得到，如下式，
式中，P0S和Q0S分别为聚合静态负荷的额定有功功率和无功功率；aS、bS、cS为聚合静态负荷的有功功率系数；αS、βS、γS为聚合静态负荷的无功功率系数。
可选地，步骤S4中所述根据所述用户负荷模型，建立各电压等级上的聚合负荷模型的方法，其中建立所述动态负荷聚合模型的方法，包括，利用容量加权法建立感应电动机负荷的聚合模型，其中，所述感应电动机负荷的聚合模型中的参数通过以下方法得到,
惯性时间常数同步转速下，聚合感应电动机负荷的动能等于所有单一感应电动机负荷的动能之和；
利用基于容量的加权求和法获取聚合感应电动机负荷的电气支路参数，所述聚合感应电动机负荷的等值电路参数为等值电路中各支路导纳的加权平均值。
可选地，步骤S5中所述对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型的方法，包括，
所述综合负荷模型由所述静态负荷聚合模型并联所述感应电动机负荷的聚合模型得到，通过配电网络等值阻抗、感应电动机负荷等值以及静态负荷等值得到所述综合负荷模型的模型参数，其中，所述配电网络包括配电变压器及配电线路。
本发明还提供了一种基于动态聚类的负荷建模与在线修正系统，包括，
动态聚类单元，被配置为根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户；
负荷智能终端，被配置为根据第二预设时间周期采集每个所述典型用户的负荷电气信息，所述负荷电气信息包括电压参数、电流参数和频率参数；
第一建模单元，被配置为根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个所述典型用户的用户负荷模型；
第二建模单元，被配置为根据所述用户负荷模型，建立各电压等级上的聚合负荷模型，所述聚合负荷模型包括静态负荷聚合模型和动态负荷聚合模型；
第三建模单元，被配置为对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，从而实现电网负荷模型的在线测辩和修正。
可选地，所述负荷智能终端包括滤波采样模块、数据处理模块、执行模块、通信模块以及电源模块，其中，所述电源模块分别与所述滤波采样模块、所述数据处理模块、所述执行模块以及所述通信模块连接，所述数据处理模块分别与所述滤波采样模块、所述执行模块以及所述通信模块连接；
所述滤波采样模块用于采集所述负荷电气信息，并将所述负荷电气信息传递给所述数据处理模块进行处理；
所述数据处理模块用于接收所述负荷电气信息以及来自所述执行模块的执行结果，并对来自控制中心的控制指令进行处理；
所述执行模块用于执行所述数据处理模块的所述控制指令，并将结果返回给所述数据处理模块进行处理；
所述通信模块用于与控制中心通信连接，被配置为实现所述负荷智能终端和所述控制中心之间数据和指令的上传下达。
可选地，所述负荷智能终端与所述控制中心通过路由器和通讯基站通信连接。
与现有技术相比，本发明提供的一种基于动态聚类的负荷建模与在线修正方法，具有以下有益效果：
本发明提供的一种基于动态聚类的负荷建模与在线修正方法，根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户。既避免了采集每个电力用户的负荷电气信息的繁琐，也节省了采集电力负荷电气信息的采集设备的投入；同时避免了所有所述电力用户都使用相同的参数从而带来负荷模型相对简化和粗略的问题。进一步地，根据第一预设时间周期对所述电力用户进行动态聚类的在线方式，从而达到了在线分析负荷构成、在线分类、在线确定参数，从而进行负荷建模动态更新，更符合电力负荷实际情况，提高了负荷建模的实用性与可行性。
进一地，本发明根据第二预设时间周期采集每个所述典型用户的负荷电气信息，并根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个所述典型用户的用户负荷模型。充分考虑了所述电力用户之间的负荷特征的相似性和差异性，能够为得到更准确的建模参数提供了全面而适量的基础数据。
进一步地，本发明利用人工智能算法，根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别的方法包括，利用负荷用电波形和典型负荷特性信息，计算负荷类型隶属度，实现所述负荷类型识别。具体地，其中，获取负荷模型参数的方法包括，基于负荷波形特征信息，根据静态负荷和动态负荷的不同响应特性，利用波形分解进行时间序列数据处理，分别获取静态负荷和动态负荷的负荷模型参数。利用实时仿真与实际数据误差修正负荷模型。
更进一步地，本发明根据所述用户负荷模型，建立各电压等级上的聚合负荷模型，所述聚合负荷模型包括静态负荷聚合模型和动态负荷聚合模型；对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，采用人工智能算法建立误差与负荷模型参数的映射关系，从而实现实时负荷模型测辨与修正。
本发明提供的一种基于动态聚类的负荷建模与在线修正系统与所述基于动态聚类的负荷建模与在线修正方法，属于同一发明构思，至少具有相同的有益效果，不再一一描述。
附图说明
图1为本发明实施例一的一种基于动态聚类的负荷建模与在线修正方法的流程图；
图2为图1中其中一种实施方式的原理示意图；
图3为图1中步骤S1的具体流程示意图；
图4为感应电机负荷等值电路聚合过程示意图；
图5为低压侧负荷经配电网向高压侧折算示意图；
图6为本发明实施例二的其中一种基于动态聚类的负荷建模与在线修正系统结构示意图；
图7为图6中其中一种负荷智能终端的结构示意图；
图8为应用本发明实施例的其中一种能源互联网的网络拓扑示意图。
附图说明：
100-动态聚类单元，200-负荷智能终端，300-第一建模单元，400-第二建模单元，500-第三建模单元，600-控制中心；
210-滤波采样模块，220-数据处理模块，230-执行模块，240-通信模块，250-电源模块。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图对本发明提出的基于动态聚类的负荷建模与在线修正方法，作进一步详细说明。显然地，本文所述的方法包括一系列步骤，且本文所呈现的这些步骤的顺序并非必须是可执行这些步骤的唯一顺序，且一些所述的步骤可被省略和/或一些本文未描述的其他步骤可被添加到该方法。进一步地，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
在具体介绍本发明具体实施方式之前，对本发明的理论基础及实现的物质基础先简要阐述如下。首先，理论上，电力系统配电网中，越接近电力用户用电终端，负荷组成情况越详细，同时选取的样本越多，负荷识别及负荷建模的准确性也越高。其次，由于技术手段的限制，传统负荷建模难以深入到配电网底层的电力用户。发明人经研究发现，随着大规模智能电网建设，计算、通信、传感等信息技术的快速发展，电力系统负荷信息的在线监测成为可能。负荷在线监测设备可实时采集电力系统用户负荷信息，并进行在线测辨，向电力部门提供实时的、准确的负荷信息，能够为开展实时负荷建模提供必要的基础。即泛在电力物联网的建设为基于能源互联网的负荷智能终端实时采集数据提供了重要的物质基础。基于上述研究，本发明提出了一种基于动态聚类的负荷建模与在线修正方法及系统。
本发明提供的一种基于动态聚类的负荷建模与在线正方法及系统的核心思想在于：负荷智能终端实时采集泛在电力物联网负荷电气信息并上传至控制中心，与所述控制中心中预先设定的各类型泛在电力物联网负荷用电信息进行样本训练与特征匹配，进而实现泛在电力物联网负荷类型识别与模型参数匹配。在此基础上，基于“以点代面”的思想，利用每类中典型泛在电力物联网用户的负荷模型替代该类中其他用户，以实时获取底层所有用户负荷模型(如：10min一次)。接下来建立泛在电力物联网负荷的分层聚合模型。基于获取的所有泛在电力物联网用户的负荷模型，分别建立各电压等级上的静态负荷及感应电动机负荷的聚合模型。最后，建立考虑配电网络的泛在电力物联网综合负荷模型。考虑到各电压等级之间存在配电变压器、配电线路等，对负荷逐级聚合影响较大。提出一种自下而上的逐级等值模型修正方法，将泛在电力物联网综合负荷模型由低压侧逐步向高压侧聚合、等值，最终获取配电网(比如，220kV/110kV)母线下的泛在电力物联网综合负荷模型。
实施例一
为了便于理解，本实施例以基于能源互联网的负荷智能终端采集所述电气负荷信息为例进行说明。参见附图1所示，为本实施例提供的一种动态聚类的负荷建模与在线修正方法，包括以下步骤，
S1：根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户。
S2：根据第二预设时间周期采集每个所述典型用户的负荷电气信息，所述负荷电气信息包括电压参数、电流参数和频率参数。
S3：根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个所述典型用户的用户负荷模型。
S4：根据所述用户负荷模型，建立各电压等级上的聚合负荷模型，所述聚合负荷模型包括静态负荷聚合模型和动态负荷聚合模型。
S5：对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，从而实现电网负荷模型的在线测辩和修正。
优选地，在步骤S1中根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户的方法，包括，根据所述电力用户的日负荷曲线，构建所述电力用户的行为特征标签，并根据所述行为特征标签和预设负荷相似度指标，对所述电力用户进行用户聚类，从每个所述用户聚类中得到所述典型用户。其中，所述行为特征标签包括用电时间特征、用电电量特征和/或用电峰谷特征。具体地，结合附图2所示，假设日负荷电力用户有n个，分别为用户1、用户2、……、以及用户n；其中，所述第一预设时间周期包括天、周或月，本发明对此不限制。对所述电力用户在某一次动态聚类后，选取的所述典型用户包括用户类A、用户类B、……。在其中一种实施方式中，所述典型用户包括居民用户、工业用户以及商业用户。
该步骤的基本思想在于挖掘海量电力用户用电行为之间的相似性，把用电行为相近的所述电力用户归到同一类中。在每类中选取部分典型用户进行开展侵入式量测，利用有限的负荷信息开展在线负荷建模工作。较佳地，聚类结果应满足同一类中的所述电力用户具有较高的相似性，不同类的所述电力用户之间具有较大的分离度。
具体地，根据所述电力用户的日负荷曲线，构建所述电力用户的行为特征标签，并根据所述行为特征标签和预设负荷相似度指标，对所述电力用户进行用户聚类，从每个所述用户聚类中得到所述典型用户包括使用k-means聚类算法对所述电力用户进行用户聚类，将通过所述k-means聚类算法得到的聚类中心作为所述典型用户。K-means其基本思想是选取合适的聚类数目k；然后随机地选取k个初始聚类中心，计算所有其他数据对象与所述初聚类中心的距离，若满足设定的条件，则将其划分到就近的类中，然后再根据该类中的数据利用一定的算法(比如该类中所有数据的平均值)作为该类的中心，以此类推，不断迭代，直到所有的聚类中心不再改变或者准则函数收敛到一个确定的值，即完成聚类。具体地，在本实施例中，请参见附图3，所述k-means聚类算法包括以下步骤，
S11：数据选择，每隔一采样间隔采集聚类区域范围内的所述电力用户的电压、电流以及有功、无功等相关负荷测量值作为用户日负荷的原始样本数据，形成所述日负荷曲线。显然地，所述原始样本数据可构成一个n×m阶的日负荷曲线初始矩阵，其中n为所述电力用户的个数，m为每条曲线的负荷测量数据的个数。
S12：数据清理，剔除所述原始样本数据中的异常数据得到第一样本数据。其中，所述异常数据包括但不限于有功负荷为负值(可能是发电电力用户)的电力用户，以及负荷突增数据、骤降数据等，具体实施时，可根据实际工况选取，本发明对此不作限制。
S13：负荷特征指标选取，负荷特征指标反映了所述电力用户的用电行为及特点，可以使用相关的所述行为特征标签予以表征，比如在一天中选取不同的时间段来表示所述电力用户的用电特征，包括所述电力用户一天的平均负荷、最大负荷、小负荷以及总负荷等。
S14：数据降维，对所述第一样本数据进行数据降维得到第二样本数据。在具体实施时，降维算法可以采用有监督的线性降维算法，比如LDA(Linear DiscriminantAnalysis)，PCA(Principal Component Analysis)等，本发明对此不作限制。通过数据降维，很好的解决了在聚类过程中计算量过大的问题。
S15：负荷特征指标赋权，根预设所用时间特征、所述用电电力特征和/或所述用电峰谷特征的对电力调控的影响程度，对所述第二样本数据赋予权值，得到第三样本数据。该步骤影响后续所述电力用户的聚类结果及所述典型用户的选取，对于所述行为特征标签的具体赋值策略，本发明不做限制。
S16：设定聚类数K＝2；
S17：用户负荷曲线聚类，在所述第三样本数据中，随机选取k个所述电力用户作为聚类的聚类中心，形成k个初始聚类中心，将剩余的其他电力用户依据负荷曲线欧式距离分别聚类到距离最近的聚类中心，计算聚类有效性指标，直至聚类个数k达到最大可聚类数kmax，共形成k个所述典型用户；根据所述聚类有效性指标，确定最佳聚类数，从而得到所述电力用户聚类以及所述典型负荷分布。其中，所述聚类有效性指标包括但不限于CHI指标、DBI指标和/或SSE指标。
如前所述，根据步骤S15中所述负荷特征指标赋权的策略不同，在其中一种实施方式中，所述典型用户包括工业用户、商业用户及居民用户；在另外的实施方式中，所述典型用户包括晚高峰性用户、平稳性用户等。
可以理解地，上述实施方式提供的根据所述行为特征标签和预设负荷相似度指标进行用户聚类的方法仅是较佳实施方式的描述，并非本发明的限制，在其他的实施方式中，可以采用FCM等聚类算法对所述电力用户进行聚类，得到所述典型用户。不再一一赘述，但均在本发明的保护范围之内。
优选地，在其中一种示例性实施方式中，在步骤S3之后，还包括根据新型负荷元素对于电网负荷模型的影响，修正所述用户负荷模型，其中，所述新型负荷元素包括分布式新能源并网负荷和/或储能元件负荷。比如电动汽车充电桩，由于新型负荷元素具有随机性以及分散性的特点，因此，根据所述新型负荷元素对于电网负荷模型的影响，需要对所述用户负荷模型进行修正。
优选地，在其中一种实施方式中，步骤S3中所述根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别的方法包括，利用负荷用电波形和典型负荷特性信息，计算负荷类型隶属度，实现所述负荷类型识别。具体地，其中，获取负荷模型参数的方法包括，基于负荷波形特征信息，根据静态负荷和动态负荷的不同响应特性，利用波形分解进行时间序列数据处理，分别获取静态负荷和动态负荷的负荷模型参数。
优选地，在其中一种实施方式中，结合附图2，在步骤S3之前，还包括对所述负荷电气信息进行压缩，将所述负荷电气信息转化为负荷信息标签后进行传输。
优选地，在其中一种实施方式中，步骤S4中所述根据所述用户负荷模型，建立各电压等级上的聚合负荷模型的方法，其中建立所述静态负荷聚合模型的方法包括，利用电网负荷的有功功率和无功功率，建立所述静态负荷聚合模型。较佳地，将所述电网负荷的有功功率和无功功率分别按照各分量的系数进行加权得到，如下式，
式中，P0S和Q0S分别为聚合静态负荷的额定有功功率和无功功率；aS、bS、cS为聚合静态负荷的有功功率系数；αS、βS、γS为聚合静态负荷的无功功率系数。显然地，利用所述有功功率和无功功率分别按照各分量的系数进行加权得到的方法仅是较佳实施方式的描述，而非本发明的限制，在其他的实施方式中，也可以通过其他的方式获得，比如，最小绝对残差法、线性BP网络法等，不再赘述。
优选地，在其中一种实施方式中，步骤S4中所述根据所述用户负荷模型，建立各电压等级上的聚合负荷模型的方法，其中建立所述动态负荷聚合模型的方法包括，利用容量加权法建立感应电动机负荷的聚合模型。其中，所述感应电动机负荷的聚合模型中的参数通过以下方法得到。惯性时间常数同步转速下，聚合感应电动机负荷的动能等于所有单一感应电动机负荷的动能之和；利用基于容量的加权求和法获取聚合感应电动机负荷的电气支路参数，所述聚合感应电动机负荷的等值电路参数为等值电路中各支路导纳的加权平均值。具体描述如下：
·惯性时间常数同步转速下，假设聚合感应电动机负荷的动能等于所有单一感应电动机负荷的动能之和。因此可得：
式中，TJi为第i台单一电动机负荷的惯性时间常数；TJM为聚合电动机负荷的惯性时间常数；SNi为第i台单一电动机负荷的额定容量；SNM为聚合电动机负荷的额定容量。其中，聚合电动机负荷的额定容量为单台电动机负荷的额定容量之和，即
令ρi＝SNi/SNM，则聚合感应电动机负荷的惯性时间常数可表示为：
·等值电气支路参数，当感应电动机负荷采用T型等值电路时，可采用基于容量的加权求和法近似地获取聚合感应电动机负荷的电气支路参数，其聚合过程请参见附图4。
聚合感应电动机负荷的等值电路参数为等值电路中各支路导纳的加权均值
ZM为等值电动机负荷的电气支路阻抗，对定子支路Z＝RS+jXS，对励磁支路Z＝jXm，对转子支路Z＝Rr/s+jXr。
在电力系统仿真分析中，负荷模型通常设置于220kV或110kV母线上，然而实际泛在电力物联网负荷一般处于配电网底层，不可能由220kV或110kV母线直接供电，因此在研究自下而上的负荷建模过程中必须计及配电网的影响。
优选地，在其中一种实施方式中，步骤S5中所述对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型的方法，包括，所述综合负荷模型由所述静态负荷聚合模型并联所述感应电动机负荷的聚合模型得到，通过配电网络等值阻抗、感应电动机负荷等值以及静态负荷等值得到所述综合负荷模型的模型参数，其中，所述配电网络包括配电变压器及配电线路。具体如下：
·配电网络等值阻抗计算
参见图5所示，为低压侧综合负荷模型经配电网络向高压侧等效的系统示意图。其中，M代表感应电动机负荷，ZIP代表静态负荷。
为高压侧的总电流，
分别为流向低压母线感应电动机负荷和静态负荷的电流；ZD为配电网等值阻抗；
为低压侧母线电压，
为高压侧母线电压；P、Q分别为流入高压母线的有功、无功，PL、QL分别为流入低压母线的有功、无功。配电网络主要包含配电变压器及配电线路，其等值阻抗可通过下式计算。
·感应电动机负荷等值
由图5中的电路关系可得
式中，YS＝YZ+YI+YP；YZ为恒阻抗负荷的等值导纳；YI、YP分别为恒电流、恒功率负荷的等值导纳，其值随着母线电压的变化而动态变化，其中
Pconst、Qconst分别为恒功率负荷消耗的有功、无功功率，
为流经恒电流负荷的电流。由式(11)、(12)可得
依据感应电动机三阶模型，低压侧母线电压可表示为
将式(13)代入式(14)可得
式(15)中，假设
将式(17)-(19)代入式(15)可得高压侧母线电压表达式为
将式(17)、(18)代入低压侧电动机暂态电动势方程可得
式(22)中，T′oH＝T′o，XH＝X+λ2，由XH和X'H的表达式可联合推导得出高压侧等值电动机的励磁电抗、定子电抗以及转子电阻、转子电抗表达式为：
XmH＝Xm (22)
XsH＝Xs+λ2 (23)
RsH+jXrH＝Rr+jXr (24)
将式(17)、(18)代入低压侧感应电动机电磁力矩方程
可得高压侧等值电动机电磁力矩为：
在进行初始化计算时，感应电动机的机械功率初值通常是依据电磁功率初值计算得到的，因此高压侧电动机机械转矩相应地可表示为：
令高压侧电动机等值惯性时间常数为：
将式(25)、(26)以及(27)，代入低压侧感应电动机转子运动方程可得高压侧电动机等值转子运动方程表达式为：
以上为感应电动机负荷经配电网络向高压侧等值的推导过程。
·静态负荷等值
对于高压侧的静态负荷模型。由图5所示的电路关系可得
上式整理可得
结合式(29)，可得低压侧静态负荷等值导纳YS折算到高压侧为
由此可见，低压侧静态负荷折算到高压侧后，其等值阻抗不仅与低压侧等值阻抗、配电系统阻抗有关，还与高压侧电压、功率值有关。代入初始高压侧电压及功率值，可求得高压侧静态负荷等值导纳YH。基于低压侧静态负荷恒阻抗、恒电流、恒功率的比例，可从YH中分离出三类静态负荷的等值导纳，进而得到高压侧泛在电力物联网等值静态负荷模型。
本发明提供的一种基于动态聚类的负荷建模与在线修正方法，根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户。既避免了采集每个电力用户的负荷电气信息的繁琐，也节省了采集电力负荷电气信息的采集设备的投入；同时避免了所有所述电力用户都使用相同的参数从而带来负荷模型相对简化和粗略的问题。进一步地，根据第一预设时间周期对所述电力用户进行动态聚类的在线方式，从而达到了在线分析负荷构成、在线分类、在线确定参数，从而进行负荷建模动态更新，更符合电力负荷实际情况，提高了负荷建模的实用性与可行性。
进一地，本发明根据第二预设时间周期采集每个所述典型用户的负荷电气信息，并根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个所述典型用户的用户负荷模型。充分考虑了所述电力用户之间的负荷特征的相似性和差异性，能够为得到更准确的建模参数提供了全面而适量的基础数据。
进一步地，本发明利用人工智能算法，根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别的方法包括，利用负荷用电波形和典型负荷特性信息，计算负荷类型隶属度，实现所述负荷类型识别。具体地，其中，获取负荷模型参数的方法包括，基于负荷波形特征信息，根据静态负荷和动态负荷的不同响应特性，利用波形分解进行时间序列数据处理，分别获取静态负荷和动态负荷的负荷模型参数。利用实时仿真与实际数据误差修正负荷模型。
更进一步地，本发明根据所述用户负荷模型，建立各电压等级上的聚合负荷模型，所述聚合负荷模型包括静态负荷聚合模型和动态负荷聚合模型；对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，采用人工智能算法建立误差与负荷模型参数的映射关系，从而实现实时负荷模型测辨与修正。
实施例二
如附图6所示，为本发明实施例提供的一种基于动态聚类的负荷建模与在线修正系统，包括，动态聚类单元100，被配置为根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户；负荷智能终端200，被配置为根据第二预设时间周期采集每个所述典型用户的负荷电气信息，所述负荷电气信息包括电压参数、电流参数和频率参数；第一建模单元300，被配置为根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个所述典型用户的用户负荷模型；第二建模单元400，被配置为根据所述用户负荷模型，建立各电压等级上的聚合负荷模型，所述聚合负荷模型包括静态负荷聚合模型和动态负荷聚合模型；第三建模单元500，被配置为对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，从而实现电网负荷模型的在线测辩和修正。
优选地，所述负荷智能终端200包括滤波采样模块210、数据处理模块220、执行模块230、通信模块240以及电源模块250，其中，所述电源模块250分别与所述滤波采样模块210、所述数据处理模块220、所述执行模块230以及所述通信模块240连接，所述数据处理模块220分别与所述滤波采样模块210、所述执行模块230以及所述通信模块240连接。所述滤波采样模块210用于采集所述负荷电气信息，并将所述负荷电气信息传递给所述数据处理模块220进行处理；所述数据处理模块220用于接收所述负荷电气信息以及来自所述执行模块230的执行结果，并对来自所述控制指中心500的控制指令进行处理；所述执行模块230用于执行所述数据处理模块220的所述控制指令，并将结果返回给所述数据处理模块220进行处理；所述通信模块240用于与控制中心600通信连接，被配置为实现所述负荷智能终端200和所述控制中心600之间数据和指令的上传下达。具体地，在其中一种实施方式中，所述滤波采样模块210采集当前负荷智能终端200连接负荷的电压、电流和频率参数，将高电压和大电流信号转换为低电压信号，供所述数据处理模块220分析。所述数据处理模块220是智能终端的核心。所述负荷智能终端能够实时收集用户电气参数信息和环境参数信息并上传至相应的控制中心(所述控制中心可以位于云平台)，同时能够接收和执行电力网络管理系统下发的控制指令，进行负荷开断及功率调节等。可以理解地，所述数据处理模块220可以为硬件与软件相结合的方式实现其功能4本发明对此不做限制。
如附图8所示，为应用本发明实施例的其中一种能源互联网的网络拓扑结构示意图，所述负荷智能终端200实时采集用户负荷电气信息，通过路由器和通讯基站将负荷电气信息上传至所述控制中心600(控制中心可设置在云端，本发明不做限制)，所述控制中心600进行数据处理及可视化展示。同时，所述负荷智能终端200还可接收和执行所述控制中心600下发的负荷开断及功率调节等控制指令。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。进一步地，本实施例提供的一种基于动态聚类的负荷建模与在线修正系统，与实施例一提供的一种基于动态聚类的负荷将与在线修正方法属于同一发明构思，亦具有与之相同的有益效果，不再重述。
最后应说明的是，以上所述仅为本发明的优选实施例而已，并非对本发明范围的任何限定，本发明包括但不局限于上述实施例中所列举的构型。尽管前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，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 (14)
1.一种基于动态聚类的负荷建模与在线修正方法，其特征在于，包括以下步骤，
S1：根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户；
S2：根据第二预设时间周期采集每个所述典型用户的负荷电气信息，所述负荷电气信息包括电压参数、电流参数和频率参数；
S3：根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个所述典型用户的用户负荷模型；
S4：根据所述用户负荷模型，建立各电压等级上的聚合负荷模型，所述聚合负荷模型包括静态负荷聚合模型和动态负荷聚合模型；
S5：对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，从而实现电网负荷模型的在线测辩和修正。
2.根据权利要求1所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，在步骤S3之后，还包括根据新型负荷元素对于电网负荷模型的影响，修正所述用户负荷模型；其中，所述新型负荷元素包括分布式新能源并网负荷和/或储能元件负荷。
3.根据权利要求1所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，步骤S1中根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户的方法，包括，
根据所述电力用户的日负荷曲线，构建所述电力用户的行为特征标签，并根据所述行为特征标签和预设负荷相似度指标，对所述电力用户进行用户聚类，从每个所述用户聚类中得到所述典型用户；
其中，所述行为特征标签包括用电时间特征、用电电量特征和/或用电峰谷特征。
4.根据权利要求3所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，所述根据所述行为特征标签和预设负荷相似度指标，对所述电力用户进行用户聚类，从每个所述用户聚类中得到所述典型用户的方法，包括使用k-means聚类算法对所述电力用户进行用户聚类，将通过所述k-means聚类算法得到的聚类中心作为所述典型用户。
5.根据权利要求1所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，步骤S3中所述根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别的方法包括，
利用负荷用电波形和典型负荷特性信息，计算负荷类型隶属度，实现所述负荷类型识别。
6.根据权利要求1所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，步骤S3中所述根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，获取负荷模型参数的方法包括，
基于负荷波形特征信息，根据静态负荷和动态负荷的不同响应特性，利用波形分解进行时间序列数据处理，分别获取所述静态负荷和所述动态负荷的负荷模型参数。
7.根据权利要求1所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，在步骤S3之前，还包括对所述负荷电气信息进行压缩，将所述负荷电气信息转化为负荷信息标签后进行传输。
8.根据权利要求1所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，步骤S4中所述根据所述用户负荷模型，建立各电压等级上的聚合负荷模型的方法，其中建立所述静态负荷聚合模型的方法包括，利用电网负荷的有功功率和无功功率，建立所述静态负荷聚合模型。
9.根据权利要求8所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，利用电网负荷的有功功率和无功功率，建立所述静态负荷聚合模型方法包括，将所述电网负荷的有功功率和无功功率分别按照各分量的系数进行加权得到，如下式，
式中，P0S和Q0S分别为聚合静态负荷的额定有功功率和无功功率；aS、bS、cS为聚合静态负荷的有功功率系数；αS、βS、γS为聚合静态负荷的无功功率系数。
10.根据权利要求2所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，步骤S4中所述根据所述用户负荷模型，建立各电压等级上的聚合负荷模型的方法，其中建立所述动态负荷聚合模型的方法，包括，利用容量加权法建立感应电动机负荷的聚合模型，其中，所述感应电动机负荷的聚合模型中的参数通过以下方法得到,
惯性时间常数同步转速下，聚合感应电动机负荷的动能等于所有单一感应电动机负荷的动能之和；
利用基于容量的加权求和法获取聚合感应电动机负荷的电气支路参数，所述聚合感应电动机负荷的等值电路参数为等值电路中各支路导纳的加权平均值。
11.根据权利要求10所述的基于动态聚类的负荷建模与在线修正方法，其特征在于，步骤S5中所述对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型的方法，包括，
所述综合负荷模型由所述静态负荷聚合模型并联所述感应电动机负荷的聚合模型得到，通过配电网络等值阻抗、感应电动机负荷等值以及静态负荷等值得到所述综合负荷模型的模型参数，其中，所述配电网络包括配电变压器及配电线路。
12.一种基于动态聚类的负荷建模与在线修正系统，其特征在于，包括，
动态聚类单元，被配置为根据电力用户的用电负荷特性，利用特征提取算法，根据第一预设时间周期对所述电力用户进行动态聚类，得到若干个典型用户；
负荷智能终端，被配置为根据第二预设时间周期采集每个所述典型用户的负荷电气信息，所述负荷电气信息包括电压参数、电流参数和频率参数；
第一建模单元，被配置为根据所述负荷电气信息，与预设电气信息进行样本训练与特征匹配，实现负荷类型识别和获取负荷模型参数，建立每个所述典型用户的用户负荷模型；
第二建模单元，被配置为根据所述用户负荷模型，建立各电压等级上的聚合负荷模型，所述聚合负荷模型包括静态负荷聚合模型和动态负荷聚合模型；
第三建模单元，被配置为对所述聚合负荷模型进行自下而上的逐级等值模型修正，得到配电母线下的综合负荷模型，从而实现电网负荷模型的在线测辩和修正。
13.根据权利要求12所述的基于动态聚类的负荷建模与在线修正系统，其特征在于，所述负荷智能终端包括滤波采样模块、数据处理模块、执行模块、通信模块以及电源模块，其中，所述电源模块分别与所述滤波采样模块、所述数据处理模块、所述执行模块以及所述通信模块连接，所述数据处理模块分别与所述滤波采样模块、所述执行模块以及所述通信模块连接；
所述滤波采样模块用于采集所述负荷电气信息，并将所述负荷电气信息传递给所述数据处理模块进行处理；
所述数据处理模块用于接收所述负荷电气信息以及来自所述执行模块的执行结果，并对来自控制中心的控制指令进行处理；
所述执行模块用于执行所述数据处理模块的所述控制指令，并将结果返回给所述数据处理模块进行处理；
所述通信模块用于与控制中心通信连接，被配置为实现所述负荷智能终端和所述控制中心之间数据和指令的上传下达。
14.根据权利要求13所述的基于动态聚类的负荷建模与在线修正系统，其特征在于，所述负荷智能终端与所述控制中心通过路由器和通讯基站通信连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010507735.9A CN113761700A (zh) | 2020-06-05 | 2020-06-05 | 基于动态聚类的负荷建模与在线修正方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010507735.9A CN113761700A (zh) | 2020-06-05 | 2020-06-05 | 基于动态聚类的负荷建模与在线修正方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113761700A true CN113761700A (zh) | 2021-12-07 |
Family
ID=78785113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010507735.9A Pending CN113761700A (zh) | 2020-06-05 | 2020-06-05 | 基于动态聚类的负荷建模与在线修正方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113761700A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118094961A (zh) * | 2024-04-24 | 2024-05-28 | 广东电网有限责任公司中山供电局 | 电力系统的负荷模型建模方法、存储介质及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004086897A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | モデル構築方法およびモデル構築システム |
| KR20100048738A (ko) * | 2008-10-31 | 2010-05-11 | 한국전력공사 | 원격계측 전력 부하패턴의 분류 및 예측 방법 |
| CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳（集团）有限公司 | 一种用于电力负荷聚类的方法及装置 |
| CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
| CN105005708A (zh) * | 2015-08-13 | 2015-10-28 | 山东大学 | 一种基于ap聚类算法的广义负荷特性聚类方法 |
| CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
| CN108306284A (zh) * | 2018-01-05 | 2018-07-20 | 东南大学 | 一种基于局部智能量测的在线负荷建模方法 |
| CN110601174A (zh) * | 2019-07-06 | 2019-12-20 | 天津大学 | 一种基于深度学习的负荷建模与在线修正方法 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN110795610A (zh) * | 2019-09-18 | 2020-02-14 | 国网江苏省电力有限公司 | 一种基于聚类的电力负荷分析方法 |
-
2020
- 2020-06-05 CN CN202010507735.9A patent/CN113761700A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004086897A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | モデル構築方法およびモデル構築システム |
| KR20100048738A (ko) * | 2008-10-31 | 2010-05-11 | 한국전력공사 | 원격계측 전력 부하패턴의 분류 및 예측 방법 |
| CN103049651A (zh) * | 2012-12-13 | 2013-04-17 | 航天科工深圳（集团）有限公司 | 一种用于电力负荷聚类的方法及装置 |
| CN104063480A (zh) * | 2014-07-02 | 2014-09-24 | 国家电网公司 | 一种基于电力大数据的负荷曲线并行聚类方法 |
| CN105005708A (zh) * | 2015-08-13 | 2015-10-28 | 山东大学 | 一种基于ap聚类算法的广义负荷特性聚类方法 |
| CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
| CN108306284A (zh) * | 2018-01-05 | 2018-07-20 | 东南大学 | 一种基于局部智能量测的在线负荷建模方法 |
| CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
| CN110601174A (zh) * | 2019-07-06 | 2019-12-20 | 天津大学 | 一种基于深度学习的负荷建模与在线修正方法 |
| CN110795610A (zh) * | 2019-09-18 | 2020-02-14 | 国网江苏省电力有限公司 | 一种基于聚类的电力负荷分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 朱亮亮: "基于负荷模型在线修正的交直流电网频率控制技术", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 1 - 36 * |
| 李欣然, 李培强, 陈辉华, 唐外文, 朱军飞, 潘力强, 陈凤, 刘艳阳: "基于统计综合负荷建模的系统方法研究", 电力自动化设备, vol. 24, no. 03, pages 25 - 28 * |
| 李欣然;徐振华;宋军英;李小菊;李培强;陈辉华;: "基于功率空间的分时段负荷模型参数在线修正", 电工技术学报, no. 08, pages 153 - 162 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118094961A (zh) * | 2024-04-24 | 2024-05-28 | 广东电网有限责任公司中山供电局 | 电力系统的负荷模型建模方法、存储介质及系统 |
| CN118094961B (zh) * | 2024-04-24 | 2024-08-20 | 广东电网有限责任公司中山供电局 | 电力系统的负荷模型建模方法、存储介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428355A (zh) | 一种电力负荷数字统计智能综合的建模方法 | |
| CN106875035A (zh) | 一种主动配电网可靠性评估优化方法 | |
| CN109829560A (zh) | 一种配电网可再生能源发电集群接入规划方法 | |
| CN115684809A (zh) | 一种基于虚拟电厂的用户端用电测试系统 | |
| CN116203351A (zh) | 线路阻抗异常的检测方法及系统 | |
| 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 | |
| CN111193293A (zh) | 配电网协调多主体调度处理方法及装置 | |
| CN113761700A (zh) | 基于动态聚类的负荷建模与在线修正方法及系统 | |
| Grigoras et al. | Customer classification and load profiling using data from Smart Meters | |
| CN113468385A (zh) | 基于边缘处理端的能源梯度确定方法、装置及存储介质 | |
| CN115632487B (zh) | 一种智慧园区电力协调控制方法及系统 | |
| CN116068303B (zh) | 一种基于数据驱动的专用变压器私自增容在线监测方法 | |
| CN112001578A (zh) | 一种适用于广义储能资源优化调度方法及系统 | |
| CN116073406A (zh) | 一种区域电网源荷不平衡度的评估方法 | |
| CN109586309A (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
| CN112994002B (zh) | 一种电力可移动负荷识别方法 | |
| CN114925962A (zh) | 基于节点边际电价的有源配电网运行灵活性量化分析方法 | |
| CN112737422A (zh) | 一种基于云计算的电机设备调速控制方法 | |
| CN118399460B (zh) | 分布式储能系统的管理方法、装置、设备及存储介质 | |
| Huang et al. | A Method based on K-Means and fuzzy algorithm for industrial load identification | |
| Fan et al. | Prediction and Analysis of Power User Energy Consumption Based on Demand Side Management | |
| Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning | |
| CN118199058B (zh) | 交直流混合配电网低压群间与台站互济优化方法 | |
| Chen et al. | Research on Graph Clustering Based Line Loss Prediction in Low-Voltage Distribution Network | |
| Ling et al. | Research on Distributed Resource Aggregation Technology Based on Hierarchical Agglomerative Clustering Analysis |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20211207 |
|
| WD01 | Invention patent application deemed withdrawn after publication |