CN113949079A - 基于深度学习的配电台区用户三相不平衡预测优化方法 - Google Patents

基于深度学习的配电台区用户三相不平衡预测优化方法 Download PDF

Info

Publication number
CN113949079A
CN113949079A CN202111284996.XA CN202111284996A CN113949079A CN 113949079 A CN113949079 A CN 113949079A CN 202111284996 A CN202111284996 A CN 202111284996A CN 113949079 A CN113949079 A CN 113949079A
Authority
CN
China
Prior art keywords
phase
data
user
power distribution
users
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
CN202111284996.XA
Other languages
English (en)
Other versions
CN113949079B (zh
Inventor
汤奕
邵晨旭
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202111284996.XA priority Critical patent/CN113949079B/zh
Publication of CN113949079A publication Critical patent/CN113949079A/zh
Application granted granted Critical
Publication of CN113949079B publication Critical patent/CN113949079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/26—Arrangements for eliminating or reducing asymmetry in polyphase networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/50—Arrangements for eliminating or reducing asymmetry in polyphase networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开基于深度学习的配电台区用户三相不平衡预测优化方法，包括如下步骤：采集居民用户智能电表用电数据和接入相位情况，进行数据预处理；根据配电台区用户名单对居民用电数据进行用户用电行为分析，划分出K类用电相近用户；计算K类用户负荷的不平衡度，通过对同类用户的三相不平衡度计算得到配电台区整体的三相不平衡度；搭建深度学习循环神经网络模型对聚类分析后居民用户进行用电三相不平衡度预测；在多时间尺度下完成配电台区用电三相不平衡优化策略的规划。本发明通过自适应聚类算法对用户用电行为进行特征提取，得到最优聚类结果，并且对各类用户单独进行三相不平衡程度的计算，得到台区整体不平衡度，大大降低了计算复杂度。

Description

基于深度学习的配电台区用户三相不平衡预测优化方法
技术领域
本发明属于电力数据分析领域，具体涉及基于深度学习的配电台区用户三相不平衡预测优化方法。
背景技术
配电台区三相不平衡是电能质量考核的重要指标，台区的不平衡运行会给电力系统的造成严重的经济和安全稳定影响。及时进行配电台区三相不平衡度预测优化，对配电台区保障电能质量、提高用能经济性具有重要意义。一方面配电网具有体量大、数量多、分布广的特征，庞大的用户数量以及交错复杂的配电线路在不平衡状态下用电会带来巨大的经济损失。
另一方面，由于配电台区常用三相四线制的布线方式，大部分普通居民用户并网均是以单相接入的方式，并且负荷的随机性、波动性也会恶化其不平衡程度。在配电台区的网络拓扑结构和用户用电特征下，配电台区的三相不平衡电流是亟待关注的问题，通常伴随着线损过大、危害旋转电机、影响自动保护装置误动等不良后果，是电力系统的一个重大安全隐患。
降低配电台区三相不平衡运行造成的损失，是配电网在线治理的技术攻关难题之一。智能电表的普及和用电信息采集系统功能的不断完善，为配电台区三相不平衡治理提供了技术支撑，目前己经实现采集系统的全覆盖以及电力营销数据的全采集，并且采集异常处理己经趋于日常化。但目前针对低压居民用户的三相不平衡治理中，缺乏更加准确的用户负荷预测和不平衡治理技术，会造成治理效果低、优化策略不匹配等实际问题。
针对上述提出的问题，现提出一种基于深度学习的配电台区用户三相不平衡预测优化方法。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于深度学习的配电台区用户三相不平衡预测优化方法，在居民用户丰富历史数据的基础上，对居民用电行为分析，采用自适应算法对居民负荷进行匹配聚类，然后搭建深度学习神经网络模型对用电行为分析后居民用户用电数据集进行三相不平衡程度预测，大大提高配电台区三相不平衡治理的处理速度和精确度。
本发明的目的可以通过以下技术方案实现：
基于深度学习的配电台区用户三相不平衡预测优化方法，包括如下步骤：
S1、采集居民用户智能电表用电数据和接入相位情况，进行数据预处理；
S2、根据配电台区用户名单对居民用电数据进行用户用电行为分析，划分出K类用电相近用户；
S3、计算K类用户负荷的不平衡度，通过对同类用户的三相不平衡度计算得到配电台区整体的三相不平衡度；
S4、搭建深度学习循环神经网络模型对聚类分析后居民用户进行用电三相不平衡度预测；
S5、在多时间尺度下完成配电台区用电三相不平衡优化策略的规划。
进一步的，所述S1具体包括如下步骤：
S1.1、采集某地区居民用户智能电表用电数据，进行数据预处理。数据预处理包括数据无效数据的删除与缺失值的填补；
S1.2、采集某地区居民用户智能电表接入相位情况，包括台区所有用户的接相方式和用户性质。
进一步的，所述S2具体为：对处理后的居民电流数据进行聚类分析，对用户负荷数据采用聚类算法，根据聚类评价指标设置最优用户用电行为聚类个数K。
进一步的，所述聚类评价指标的具体计算公式如下：
Figure BDA0003332679310000031
Figure BDA0003332679310000032
WK＝Tr(W)③
Figure BDA0003332679310000033
BK＝Tr(Bk)⑤
Figure BDA0003332679310000034
公式①中，Wk表示第k类中数据点的分散度，x表示第k类中的元素，Ck表示第k类中所有的数据集合，ck是第k类的聚类中心，对于每个簇Ck，定义簇内散点矩阵即Wk；
公式②中，W表示所有簇的分散度值总和，表示K个簇集群的总分散度，K表示最终聚类个数，Wk表示类内分散度值；
公式③中，WK表示簇内离差矩阵的迹；
公式④中，Bk表示第k个簇间的分散度，c是整体用户的聚类中心，ck是第k类的聚类中心，nk是被划分到第k类聚类簇的元素个数；
公式⑤中，BK表示簇间离差矩阵的迹；
公式⑥中，CHI(K)表示在聚类个数为K时的聚类性能，N为输入聚类算法的用户总数。
进一步的，所述S3具体为：根据用电采集系统得到配电台区用户初始相位和个用户用电量，选取电流值对系统三相不平衡度进行求解，计算公式如下：
Figure BDA0003332679310000041
公式⑦中，Deltai表示节点i的三相电流不平衡度，取三相最大不平衡度为代表，IAi、IBi和ICi表示节点i处的三相电流值，Iavg表示整个系统的三相平均电流，满足如下公式；
Figure BDA0003332679310000042
公式⑧中，Ii表示节点i的全部电流值，N表示节点个数。
进一步的，所述S4的模型训练学习方法为无监督学习，引入均方根误差评价指标，具体公式如下：
Figure BDA0003332679310000043
公式⑨中，RMSE为输入数据Y，
Figure BDA0003332679310000044
的均方根误差，Y为原始数据，
Figure BDA0003332679310000045
为模型预测数据，m为输入数据时间维度，yi为第i时刻的原始数据，
Figure BDA0003332679310000046
为第i时刻的预测数据。
进一步的，模型包括：数据输入层和长短时间记忆层；
数据输入层：输入人为设定维度的电流数据，同时对数据集拆分为训练集和验证集，并设定验证集的比例；
长短时间记忆层：人为设置网络步长，对数据进行数据重组满足输入要求后，依次输入第1层长短时间记忆层、第2层长短时间记忆层以及全连接层，最后输出层输出用户负荷数据预测结果，根据电流计算三相不平衡度的计算方法，得到多时间尺度的三相不平衡预测结果。
进一步的，所述S5具体为：根据单一时间周期内对配电台区用电三相不平衡的预测结果，建立台区三相不平衡相序优化模型，考虑不平衡度和换相次数间的内在冲突，计算得到两者平衡最优优化方案。
本发明的有益效果：
1、本发明提出的基于深度学习的配电台区用户三相不平衡预测优化方法，通过自适应聚类算法对用户用电行为进行特征提取，得到最优聚类结果，并且对各类用户单独进行三相不平衡程度的计算，得到台区整体不平衡度，大大降低了计算复杂度；
2、本发明提出的基于深度学习的配电台区用户三相不平衡预测优化方法，通过搭建深度学习循环神经网络模型对用户用电行为进行精准预测，与传统机器学习方法相比，能够获取更高的预测精度，相较传统算法得到的相序优化方案能通过台区用户用电的波动性和随机性，得到更加的整体治理效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，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是本发明实施例的台区用户用电数据预处理结果图；
图2是本发明实施例的台区用户用电聚类效果指标图；
图3是本发明实施例的台区用户用电聚类结果图；
图4是本发明实施例的搭建的循环神经网络模型图；
图5是本发明实施例的循环神经网络损失函数图；
图6是本发明实施例的循环神经网络预测结果与真值对比图；
图7是本发明实施例的台区优化方案不平衡度改善结果对比图。
具体实施方式
下面将结合本发明实施例中的附图，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
基于深度学习的配电台区用户三相不平衡预测优化方法，包括如下步骤：
S1、采集居民用户智能电表用电数据和接入相位情况，进行数据预处理；
S2、根据配电台区用户名单对居民用电数据进行用户用电行为分析，划分出K类用电相近用户；
S3、计算K类用户负荷的不平衡度，通过对同类用户的三相不平衡度计算得到配电台区整体的三相不平衡度；
S4、搭建深度学习循环神经网络模型对聚类分析后居民用户进行用电三相不平衡度预测；
S5、在多时间尺度下完成配电台区用电三相不平衡优化策略的规划。
所述S1具体包括如下步骤：
S1.1、采集某地区居民用户智能电表用电数据，进行数据预处理。数据预处理包括数据无效数据的删除与缺失值的填补。
对无效数据进行删除——若某用户一天24个电流数据有超过12个数值为0，则定义为无效数据，删除该用户对应时刻数据。
对于数据缺失值——选取该用户前后两天同一时刻的电流平均值作为该缺失值的填补。
S1.2、采集某地区居民用户智能电表接入相位情况，包括台区所有用户的接相方式和用户性质。用户性质包括：单相用电用户以及三相用电用户，其中单相用户接相方式分为：接在A相、B相、C相。
所述S2中K为正整数，所述S2具体为：对处理后的居民电流数据进行聚类分析(将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程)，对用户负荷数据采用聚类算法(也叫群分析，是研究样品或指标分类问题的一种统计分析方法，同时也是数据挖掘的一个重要算法)，根据聚类评价指标(CHI——Calinski-Harabaz Index)设置最优用户用电行为聚类个数K。
聚类评价指标用来衡量聚类效果的优劣，其值越大表示簇内相似度越高，类内越紧密，簇间相似度越低，类间越分散，聚类结果越好，其具体计算公式如下：
Figure BDA0003332679310000071
公式①中，Wk表示第k类中数据点的分散度；x表示第k类中的元素；Ck表示第k类中所有的数据集合；ck是第k类的聚类中心；对于每个簇Ck，定义簇内散点矩阵即Wk。
Figure BDA0003332679310000072
公式②中，W表示所有簇的分散度值总和，表示K个簇集群的总分散度；K表示最终聚类个数；Wk表示类内分散度值。
WK＝Tr(W)③
公式③中，WK表示簇内离差矩阵的迹。
Figure BDA0003332679310000073
公式④中，Bk表示第k个簇间的分散度；c是整体用户的聚类中心；ck是第k类的聚类中心；nk是被划分到第k类聚类簇的元素个数。
BK＝Tr(Bk)⑤
公式⑤中，BK表示簇间离差矩阵的迹。
Figure BDA0003332679310000074
公式⑥中，CHI(K)表示在聚类个数为K时的聚类性能；N为输入聚类算法的用户总数。选取CHI指数最大的聚类数目，对用户用电电流数据进行聚类。
所述S3具体为：根据用电采集系统得到配电台区用户初始相位和个用户用电量，选取电流值对系统三相不平衡度进行求解，计算公式如下：
Figure BDA0003332679310000081
公式⑦中，Deltai表示节点i的三相电流不平衡度，取三相最大不平衡度为代表。IAi、IBi和ICi表示节点i处的三相电流值；Iavg表示整个系统的三相平均电流，满足如下公式：
Figure BDA0003332679310000082
公式⑧中，Ii表示节点i的全部电流值，N表示节点个数。
按上式可以计算得到k类用户负荷的不平衡度，通过对同类用户的三相不平衡度整合可以得到配电台区整体的三相不平衡度。
所述S4的模型训练学习方法为无监督学习，引入均方根误差(Root Mean SquardError,RMSE)评价指标，具体公式如下：
Figure BDA0003332679310000083
公式⑨中，RMSE为输入数据Y，
Figure BDA0003332679310000084
的均方根误差，Y为原始数据，
Figure BDA0003332679310000085
为模型预测数据，m为输入数据时间维度，yi为第i时刻的原始数据，
Figure BDA0003332679310000086
为第i时刻的预测数据。
模型包括：
1、数据输入层，输入7×24维度的电流数据，同时对数据集拆分为训练集和验证集，其中设定验证集的比例为0.2；
2、长短时间记忆层，设置网络步长为8，对数据进行数据重组满足输入要求后，依次输入第1层长短时间记忆层(神经元数目100，批训练量为32)、第2层长短时间记忆层(神经元数目50，随机丢弃率为0.2，批训练量为32)以及全连接层，最后输出层输出用户负荷数据预测结果。根据电流计算三相不平衡度的计算方法，可以得到多时间尺度的三相不平衡预测结果。
所述S5具体为：根据单一时间周期内对配电台区用电三相不平衡的预测结果，建立台区三相不平衡相序优化模型，考虑不平衡度和换相次数间的内在冲突，计算得到两者平衡最优优化方案。
下面列举一个实施例对本申请做进一步描述，具体的参照附图如1—7所示。
实施例1
S1、采集48个用户连续一周的24小时整点的电流数据，其中单相用户33户，三相用户14户。对数据缺失填补、无效数据删除。经初步筛选，发现其中有一户所有日期均用电数据都为零，对其作删除处理；
对用户用电数据进行数据重组，存在单相用户仅单相用电和三相用户仅三相用电的差异，采用对三相用户电流展开的方式，得到某时刻台区所有用户电流向量(维度为75)，进一步构成多时刻的电流矩阵(维度为168)，完成数据准备；
S2、选取正常用电数据，选用CHI指标确定最优聚类数为4，运用kmeans聚类算法进行聚类。离群值的样本删除，共计75户用电数据，分类结果为第1类有6户，第2类有63户，第3类3户，第4类3户；
S3、计算聚类后各聚类中心用户的时刻三相不平衡度，得到整体台区不平衡程度指标；
S4、搭建循环神经网络模型对居民用户历史用电数据集进行记及时序特征的负荷预测。搭建的循环神经网络包括：第1层——长短时间记忆层(神经元数目100，批训练量为32)，第2层——长短时间记忆层(神经元数目50，随机丢弃率为0.2，批训练量为32)，第3层——全连接层，最后输出层输出用户负荷数据预测结果，得到的用户用电预测与真值误差RMSE为0.081。根据电流计算三相不平衡度的计算方法，可以得到多时间尺度的三相不平衡预测结果，最后输出层输出标签判定结果；
S5、根据配电台区用电三相不平衡的预测结果，建立台区三相不平衡相序优化模型，考虑不平衡度和换相次数间的内在冲突，计算得到两者平衡最优优化方案。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (8)

1.基于深度学习的配电台区用户三相不平衡预测优化方法，其特征在于，包括如下步骤：
S1、采集居民用户智能电表用电数据和接入相位情况，进行数据预处理；
S2、根据配电台区用户名单对居民用电数据进行用户用电行为分析，划分出K类用电相近用户；
S3、计算K类用户负荷的不平衡度，通过对同类用户的三相不平衡度计算得到配电台区整体的三相不平衡度；
S4、搭建深度学习循环神经网络模型对聚类分析后居民用户进行用电三相不平衡度预测；
S5、在多时间尺度下完成配电台区用电三相不平衡优化策略的规划。
2.根据权利要求1所述的基于深度学习的配电台区用户三相不平衡预测优化方法，其特征在于，所述S1具体包括如下步骤：
S1.1、采集某地区居民用户智能电表用电数据，进行数据预处理。数据预处理包括数据无效数据的删除与缺失值的填补；
S1.2、采集某地区居民用户智能电表接入相位情况，包括台区所有用户的接相方式和用户性质。
3.根据权利要求1所述的基于深度学习的配电台区用户三相不平衡预测优化方法，其特征在于，所述S2具体为：对处理后的居民电流数据进行聚类分析，对用户负荷数据采用聚类算法，根据聚类评价指标设置最优用户用电行为聚类个数K。
4.根据权利要求3所述的基于深度学习的配电台区用户三相不平衡预测优化方法，其特征在于，所述聚类评价指标的具体计算公式如下：
Figure FDA0003332679300000021
Figure FDA0003332679300000022
WK＝Tr(W) ③
Figure FDA0003332679300000023
BK＝Tr(Bk) ⑤
Figure FDA0003332679300000024
公式①中，Wk表示第k类中数据点的分散度，x表示第k类中的元素，Ck表示第k类中所有的数据集合，ck是第k类的聚类中心，对于每个簇Ck，定义簇内散点矩阵即Wk；
公式②中，W表示所有簇的分散度值总和，表示K个簇集群的总分散度，K表示最终聚类个数，Wk表示类内分散度值；
公式③中，WK表示簇内离差矩阵的迹；
公式④中，Bk表示第k个簇间的分散度，c是整体用户的聚类中心，ck是第k类的聚类中心，nk是被划分到第k类聚类簇的元素个数；
公式⑤中，BK表示簇间离差矩阵的迹；
公式⑥中，CHI(K)表示在聚类个数为K时的聚类性能，N为输入聚类算法的用户总数。
5.根据权利要求1所述的基于深度学习的配电台区用户三相不平衡预测优化方法，其特征在于，所述S3具体为：根据用电采集系统得到配电台区用户初始相位和个用户用电量，选取电流值对系统三相不平衡度进行求解，计算公式如下：
Figure FDA0003332679300000025
公式⑦中，Deltai表示节点i的三相电流不平衡度，取三相最大不平衡度为代表，IAi、IBi和ICi表示节点i处的三相电流值，Iavg表示整个系统的三相平均电流，满足如下公式；
Figure FDA0003332679300000031
公式⑧中，Ii表示节点i的全部电流值，N表示节点个数。
6.根据权利要求1所述的基于深度学习的配电台区用户三相不平衡预测优化方法，其特征在于，所述S4的模型训练学习方法为无监督学习，引入均方根误差评价指标，具体公式如下：
Figure FDA0003332679300000032
公式⑨中，RMSE为输入数据Y，
Figure FDA0003332679300000033
的均方根误差，Y为原始数据，
Figure FDA0003332679300000034
为模型预测数据，m为输入数据时间维度，yi为第i时刻的原始数据，
Figure FDA0003332679300000035
为第i时刻的预测数据。
7.根据权利要求6所述的基于深度学习的配电台区用户三相不平衡预测优化方法，其特征在于，模型包括：数据输入层和长短时间记忆层；
数据输入层：输入人为设定维度的电流数据，同时对数据集拆分为训练集和验证集，并设定验证集的比例；
长短时间记忆层：人为设置网络步长，对数据进行数据重组满足输入要求后，依次输入第1层长短时间记忆层、第2层长短时间记忆层以及全连接层，最后输出层输出用户负荷数据预测结果，根据电流计算三相不平衡度的计算方法，得到多时间尺度的三相不平衡预测结果。
8.根据权利要求1所述的基于深度学习的配电台区用户三相不平衡预测优化方法，其特征在于，所述S5具体为：根据单一时间周期内对配电台区用电三相不平衡的预测结果，建立台区三相不平衡相序优化模型，考虑不平衡度和换相次数间的内在冲突，计算得到两者平衡最优优化方案。
CN202111284996.XA 2021-11-01 2021-11-01 基于深度学习的配电台区用户三相不平衡预测优化方法 Active CN113949079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111284996.XA CN113949079B (zh) 2021-11-01 2021-11-01 基于深度学习的配电台区用户三相不平衡预测优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111284996.XA CN113949079B (zh) 2021-11-01 2021-11-01 基于深度学习的配电台区用户三相不平衡预测优化方法

Publications (2)

Publication Number Publication Date
CN113949079A true CN113949079A (zh) 2022-01-18
CN113949079B CN113949079B (zh) 2023-08-25

Family

ID=79337446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111284996.XA Active CN113949079B (zh) 2021-11-01 2021-11-01 基于深度学习的配电台区用户三相不平衡预测优化方法

Country Status (1)

Country Link
CN (1) CN113949079B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116316712A (zh) * 2023-04-07 2023-06-23 国网江苏省电力有限公司南通市通州区供电分公司 一种基于用电特征的三相负载智能化协同调控方法
CN118630792A (zh) * 2024-08-06 2024-09-10 国网浙江省电力有限公司诸暨市供电公司 一种新能源汽车充电用三相负载平衡方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886465A (zh) * 2019-01-20 2019-06-14 东北电力大学 一种基于智能电表用户聚类分析的配电网负荷预测方法
CN114566987A (zh) * 2022-03-10 2022-05-31 南京东博智慧能源研究院有限公司 基于配电网拓扑结构的配电台区三相不平衡多目标优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886465A (zh) * 2019-01-20 2019-06-14 东北电力大学 一种基于智能电表用户聚类分析的配电网负荷预测方法
CN114566987A (zh) * 2022-03-10 2022-05-31 南京东博智慧能源研究院有限公司 基于配电网拓扑结构的配电台区三相不平衡多目标优化方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116316712A (zh) * 2023-04-07 2023-06-23 国网江苏省电力有限公司南通市通州区供电分公司 一种基于用电特征的三相负载智能化协同调控方法
CN116316712B (zh) * 2023-04-07 2024-02-09 国网江苏省电力有限公司南通市通州区供电分公司 一种基于用电特征的三相负载智能化协同调控方法
CN118630792A (zh) * 2024-08-06 2024-09-10 国网浙江省电力有限公司诸暨市供电公司 一种新能源汽车充电用三相负载平衡方法

Also Published As

Publication number Publication date
CN113949079B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
CN109272176B (zh) 利用K-means聚类算法对台区线损率预测计算方法
De Souza et al. Microgenetic algorithms and fuzzy logic applied to the optimal placement of capacitor banks in distribution networks
CN106505593B (zh) 一种基于大数据的配变三相不平衡分析与负荷调整的方法
CN107516170A (zh) 一种基于设备故障概率和电网运行风险的差异自愈控制方法
CN112149873B (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN112103988B (zh) 一种结合网络重构的集群划分双层模型的建立方法
CN106329516A (zh) 一种基于典型场景识别的配电网动态重构方法
CN113949079B (zh) 基于深度学习的配电台区用户三相不平衡预测优化方法
CN114519514B (zh) 一种低压台区合理线损值测算方法、系统及计算机设备
CN109544029A (zh) 一种台区线损的分析方法、分析装置及终端
CN113139596A (zh) 低压台区线损神经网络的优化算法
CN113379116A (zh) 基于聚类和卷积神经网络的台区线损预测方法
CN112241836A (zh) 一种基于增量学习的虚拟负荷主导参数辨识方法
CN112132283A (zh) 一种基于遗传算法的非信号注入式户变拓扑关系识别方法
CN113328467B (zh) 一种概率电压稳定性评估方法、系统、终端设备及介质
CN117578434B (zh) 考虑柔性资源可调能力的配电网灵活性评估方法及装置
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
CN112508254A (zh) 变电站工程项目投资预测数据的确定方法
CN107274025A (zh) 一种实现用电模式智能识别与管理的系统和方法
CN113285440B (zh) 一种低压台区降损优化方法
CN115564180A (zh) 一种基于大数据分析的电力网络可靠性评估方法
Wang et al. Study on Daily Line Loss Calculation Based on Operation Data and Resistance Characteristics of Low Voltage Distribution Transformer Area
CN112241812A (zh) 基于单边优化与遗传算法协作的低压配电网拓扑识别方法
Liu et al. Research and application of grid-based integrated evaluation and management of distribution grid
CN118157162B (zh) 基于神经网络的新型电力系统等效惯量评估方法及装置

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