CN114217127A - 一种考虑pcc谐波数据分布的谐波责任划分方法 - Google Patents
一种考虑pcc谐波数据分布的谐波责任划分方法 Download PDFInfo
- Publication number
- CN114217127A CN114217127A CN202111420714.4A CN202111420714A CN114217127A CN 114217127 A CN114217127 A CN 114217127A CN 202111420714 A CN202111420714 A CN 202111420714A CN 114217127 A CN114217127 A CN 114217127A
- Authority
- CN
- China
- Prior art keywords
- harmonic
- data
- pcc
- responsibility
- voltage
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000009826 distribution Methods 0.000 title claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000010586 diagram Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
Landscapes
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种考虑PCC谐波数据分布的谐波责任划分方法,包括以下步骤:步骤S1:获取PCC谐波电压数据序列、PCC所接各线路谐波电流数据序列;步骤S2:采用多谐波责任划分,得到各线路谐波电流数据责任指标结果;步骤S3:根据线路谐波电流数据在数据序列中严重程度、谐波电流是否超标、谐波电压是否超标三个因素进行模糊层次分析,获取各因素的一级主观权重;步骤S4:构建基于K‑means聚类的PCC谐波云模型,并进一步获得模糊评价二级权重;步骤S5:结合一级权重与二级权重求取主客观综合权重,对各线路谐波电流数据责任指标结果进行修正。本发明有效提高谐波责任划分的可靠性,进一步提升电网区域性谐波治理效率。
Description
技术领域
本发明涉及电力系统谐波调控领域,特别是涉及一种考虑PCC谐波数据分布的谐波责任划分方法。
背景技术
日益增多的非线性设备是的电力系统的谐波污染问题越发严重,污染情况也越发复杂。电网公共连接点(Point ofCommon Coupling,PCC)谐波电压由连接的所有谐波源谐波电压共同作用产生,包括用户谐波源以及系统谐波源。谐波责任划分通过测量PCC谐波电压、支路谐波电流,根据PCC谐波方程与各类谐波责任划分方法,求解各用户等效谐波阻抗与系统侧背景谐波电压,进而计算各用户谐波电压在PCC总谐波电压方向上的投影占比,作为此用户谐波责任指标。为了量化各用户所发射谐波对PCC谐波电压的影响,多谐波源责任划分问题是关键,是谐波精确治理的前提。
发明内容
有鉴于此,本发明的目的在于提供一种考虑PCC谐波数据分布的谐波责任划分方法,有效提高谐波责任划分的可靠性,进一步提升电网区域性谐波治理效率。
为实现上述目的,本发明采用如下技术方案:
一种考虑PCC谐波数据分布的谐波责任划分方法,包括以下步骤:
步骤S1:获取PCC谐波电压数据序列、PCC所接各线路谐波电流数据序列;
步骤S2:采用多谐波责任划分,得到各线路谐波电流数据责任指标结果;
步骤S3:根据线路谐波电流数据在数据序列中严重程度、谐波电流是否超标、谐波电压是否超标三个因素进行模糊层次分析,获取各因素的一级主观权重;
步骤S4:构建基于K-means聚类的PCC谐波云模型,并进一步获得模糊评价二级权重
步骤S5:结合一级权重与二级权重求取主客观综合权重,对各线路谐波电流数据责任指标结果进行修正。
利用叠加定理对图1的电路进行计算,得出公式(1)
通过式(2)求得在h次谐波频率下用户i的谐波责任
进一步的,所述步骤S3具体为:
设由n个元素构造得到模糊互补判断矩阵A=(aij)n×n
对矩阵A各行求和得:
并对其进行如下数学变换构造模糊一致性矩阵R=(rij)n×n,其中:
通过模糊一致性矩阵R进行行和归一化求取各指标权重向量W=(W1,W2,…,Wn),(i=1,2,…,n),其中
进一步的,所述步骤S4具体为:使用数据驱动法,首先将谐波电压、电流数据分别归一化,通过K-means算法将数据聚为四类,按聚类中心从小到大将论域分为很好、好、中等、差、很差五个等级;采用PCC谐波云模型分别计算各等级谐波数据对应的期望Ex、熵En和超熵He,最终生成客观评价等级的云模型图。
进一步的,所述K-means算法,具体为:
输入谐波数据S为N个谐波数据点的集合,其中S={xi|i=1,2,…,N};
将S分成k个子集N1,N2,…,Nk共有k次划分,一次划分即一次K聚类,其中每个Ni称为一个簇,聚类簇中心依次为c1,c2,…,ck,其表达式为
式中:nj是簇Nj中数据对象的个数;
以式(8)的聚类目标函数来衡量衡量聚类质量的好坏:
式中:dij(xj,cj)表示数据xj与聚类中心cj之间的欧式距离;目标函数J为各簇内包含的所有数据与其所在的聚类中心间距离的总和,J值越小则簇内数据关联性越高;故对聚类中心选取进行迭代优化,使得当J取值小于预设值时,取得最适的聚类中心。
进一步的,所述PCC谐波数据云模型构建,具体为采集PCC谐波电压、谐波电流数据,再采用逆向云发生器计算PCC谐波电压、谐波电流电流数据的期望Ex、熵En和超熵He,包括如下步骤:
其一阶样本绝对中心矩B1计算公式,如式(10)所示
样本方差S2的计算公式如式(11)所示
3)建立基于PCC谐波数据的云模型时,若云模型的He较大,则令He=αEn,α为控制常数;
利用PCC谐波数据,通过逆向云发生器可以得到云模型的三个数字特征(Ex,En,He);
根据三个数字特征,利用正向云发生器生成含有不确定度且随机的云滴完成映射。
进一步的,所述步骤S5具体为:
其中三因素指标对应一级权重为ρi 2=[ρi1 2,ρi2 2,…ρik 2]为该用户的谐波数据所分的k个谐波数据段对应的二级权重数据序列;当序列中k时刻谐波电流超过国标时αik取1,否则取0;当序列中k时刻谐波电压超过国标时βik取1,否则取0;
之后计算k时段i用户的谐波责任H′ci,k为:
H′ci,k=ρikHci,k (14)
对各时间段的谐波责任求和得最终谐波责任划分指标:
其中n为总数据个数,nk为第k个时间段内的数据个数。
一种考虑PCC谐波数据分布的谐波责任划分系统,包括处理器、存储器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时,具体执行如权利要求1-7任一项所述的谐波责任划分方法中的步骤。
本发明与现有技术相比具有以下有益效果:
本发明有效提高谐波责任划分的可靠性,进一步提升电网区域性谐波治理效率。
附图说明
图1是本发明一实施例中的多谐波源接入等值电路图;
图2是本发明一实施例中的谐波电压投影图;
图3是本发明一实施例中的层次结构模型;
图4是本发明一实施例中的客观评价等级云模型图
图5是本发明总体流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
在本实施例中,参考图5,提供一种考虑PCC谐波数据分布的谐波责任划分方法,包括以下步骤:
步骤S1:获取PCC谐波电压数据序列、PCC所接各线路谐波电流数据序列;
步骤S2:采用多谐波责任划分,得到各线路谐波电流数据责任指标结果;
步骤S3:根据线路谐波电流数据在数据序列中严重程度、谐波电流是否超标、谐波电压是否超标三个因素进行模糊层次分析,获取各因素的一级主观权重;
步骤S4:构建基于K-means聚类的PCC谐波云模型,并进一步获得模糊评价二级权重
步骤S5:结合一级权重与二级权重求取主客观综合权重,对各线路谐波电流数据责任指标结果进行修正。
在本实施例中,在本实施例中,在多谐波源接入的情况下,建立如图1等值电路图,其中 分别为系统侧h次谐波电压与系统侧谐波阻抗,为PCC点h次谐波电压, 分别表示第i个用户谐波阻抗和h次谐波电流(设共有N个用户)。利用叠加定理对图1的电路进行计算,可以得出公式(1)。计算各个谐波用户在PCC上贡献的谐波电压在PCC点谐波电压的投影即谐波贡献,如图2与式(2)所示。
在本实施例中,参考图2,建立层次结构模型,选取某时刻谐波数据在数据序列中严重程度、谐波电流是否超标、谐波电压是否超标三个因素进行模糊层次分析,获取各因素的一级主观权重。之后分别通过考K-means聚类方法对数据进行分类处理获得不同严重度类,之后通过云模型提取不同等级分类数据特征并直观化表示,之后通过模糊层次分析法构造模糊评价二级权重;分别计算各支路谐波电流与PCC谐波电压与国标大小关系,构造单因模糊评价二级权重。最后结合一级权重与二级权重求取主客观综合权重,对长时间的谐波责任划分结果进行修正。
优选的,在本实施中,通过模糊层次分析方法对本专利选取的谐波严重程度四项指标进行相对尺度进行对比,采用一个因素比另一个因素的重要程度进行表示,减少性质不同的诸因素相互比较的困难,以提高准确性。设由n个元素构造得到模糊互补判断矩阵A=(aij)n×n。
表1层次分析法0.1~0.9标度
优选的,在本实施例中,基于模糊互补判断矩阵的各因素权重计算,具体如下:
对矩阵A各行求和得:
并对其进行如下数学变换构造模糊一致性矩阵R=(rij)n×n,其中:
通过模糊一致性矩阵R进行行和归一化求取各指标权重向量W=(W1,W2,…,Wn),(i=1,2,…,n),其中
优选的,本实施例中,还设有模糊互补判断矩阵的一致性检验,具体为:
设矩阵A=(aij)n×n与B=(bij)n×n都为模糊互补判断矩阵,其一致性指标为
令构造判断矩阵A的特征矩阵W*=(Wij)n×n。计算判断矩阵A与特征矩阵W*的一致性指标I(A,W*),一致性指标值越小则矩阵具有较好的一致性;指标值越大,则不一致越严重。一般当I(A,W*)<0.1时,认为矩阵有较好的一致性,检验通过。
在本实施例中,基于K-means聚类的PCC谐波电压云模型构建,包括基于K-means聚类的数据分类和PCC谐波电压云模型构建,具体如下
优选的,基于K-means聚类的数据分类,K-均值算法是一种基于划分的聚类算法,适合处理数值型数据,且有较高的收敛速度,在分析大型数据集时有较好的应用效果。输入谐波数据S为N个谐波数据点的集合,其中S={xi|i=1,2,…,N}。将S分成k个子集N1,N2,…,Nk共有k次划分,一次划分即一次K聚类,其中每个Ni称为一个簇(cluster),聚类簇中心依次为c1,c2,…,ck,其表达式为
式中:nj是簇Nj中数据对象的个数。以式(8)的聚类目标函数来衡量衡量聚类质量的好坏:
式中:dij(xj,cj)表示数据xj与聚类中心cj之间的欧式距离;目标函数J为各簇内包含的所有数据与其所在的聚类中心间距离的总和,J值越小则簇内数据关联性越高。故对聚类中心选取进行迭代优化,使得当J取值最小时,取得最适的聚类中心。
K-均值聚类的具体步骤可归结为:
1)根据设定的K值,随机寻找K个数据作为初始聚类中心;
2)将各数据指配给各聚类中心,形成K个簇;
3)根据聚类结果,重新计算每个簇的聚类中心,不断重复这一过程,直至满足设定的收敛条件为止。其具体收敛条件即为当J取得极小值、前后两次迭代J的差值小于预设精度或者达到迭代次数上限。通过迭代方法对目标函数进行优化,得到目标函数J取极小值时的聚类,即为最优聚类方案,将谐波数据分为K类。
优选的,构建PCC谐波数据云模型,需要先采集PCC谐波电压、谐波电流数据,再采用逆向云发生器计算PCC谐波电压、谐波电流电流数据的期望Ex、熵En和超熵He。下述为具体算法流程:
其一阶样本绝对中心矩B1计算公式如式(10)所示
样本方差S2的计算公式如式(11)所示
利用PCC谐波数据,通过逆向云发生器可以得到云模型的三个数字特征(Ex,En,He)。随后,可根据三个数字特征,利用正向云发生器生成含有不确定度且随机的云滴完成映射。下述为正向云发生器的算法步骤流程:
1)生成期望值为En,方差为He 2的一个正态随机数E′n;
2)生成期望值为Ex,方差为E′n 2的正态随机数x;
3)利用式(12)计算确定度
4)令由数域中的x生成的云滴的确定度为μ;
5)反复执行步骤1)到4),产生所需要的n个云滴的PCC谐波数据云模型构建与严重度区间划分云。
使用数据驱动法,首先将谐波电压、电流数据分别归一化。之后通过K-means算法将数据聚为四类,按聚类中心从小到大将论域分为很好、好、中等、差、很差五个等级。采用上节逆向云模型发生器分别计算各等级谐波数据对应的期望Ex、熵En和超熵He,最终生成客观评价等级的云模型图。
再以逆向云模型发生器计算谐波数据序列整体期望Ex、熵En与超熵He参数,以正向云模型发生器生成整体数据对应云模型,对数据整体情况进行整体初步评估。之后找到输入数据序列中各数据点对应云模型图中的等级,之后通过模糊层次分析法赋予对应权值。一一对应得到i用户总数据所分的k个谐波数据段各自对应的二级权重序列ρi 2=[ρi1 2,ρi2 2,…ρik 2]。
模糊层次分析法中“0.1-0.9值标度法”将五个数据区间按从小到大排列,根据重要度列写判断矩阵A。
依据式(3)-(5)计算,可以算得从小到大5个不同谐波数据严重度区间得权值分别为0.15,0.175,0.200,0.225,0.250。
优选的,在本实施例中,通过公式(13)计算用户i在第k时段内各数据点的综合权重序列ρik。其中三因素指标对应一级权重为ρi 2=[ρi1 2,ρi2 2,…ρik 2]为该用户的谐波数据所分的k个谐波数据段对应的二级权重数据序列;当序列中k时刻谐波电流超过国标时αik取1,否则取0;当序列中k时刻谐波电压超过国标时βik取1,否则取0;
之后计算k时段i用户的谐波责任H′ci,k为:
H′ci,k=ρikHci,k (14)
对各时间段的谐波责任求和得最终谐波责任划分指标:
其中n为总数据个数,nk为第k个时间段内的数据个数。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种考虑PCC谐波数据分布的谐波责任划分方法,其特征在于,包括以下步骤:
步骤S1:获取PCC谐波电压数据序列、PCC所接各线路谐波电流数据序列;
步骤S2:采用多谐波责任划分,得到各线路谐波电流数据责任指标结果;
步骤S3:根据线路谐波电流数据在数据序列中严重程度、谐波电流是否超标、谐波电压是否超标三个因素进行模糊层次分析,获取各因素的一级主观权重;
步骤S4:构建基于K-means聚类的PCC谐波云模型,并进一步获得模糊评价二级权重
步骤S5:结合一级权重与二级权重求取主客观综合权重,对各线路谐波电流数据责任指标结果进行修正。
4.根据权利要求1所述的一种考虑PCC谐波数据分布的谐波责任划分方法,其特征在于,所述步骤S4具体为:使用数据驱动法,首先将谐波电压、电流数据分别归一化,通过K-means算法将数据聚为四类,按聚类中心从小到大将论域分为很好、好、中等、差、很差五个等级;采用PCC谐波云模型分别计算各等级谐波数据对应的期望Ex、熵En和超熵He,最终生成客观评价等级的云模型图。
5.根据权利要求4所述的一种考虑PCC谐波数据分布的谐波责任划分方法,其特征在于,所述K-means算法,具体为:
输入谐波数据S为N个谐波数据点的集合,其中S={xi|i=1,2,…,N};
将S分成k个子集N1,N2,…,Nk共有k次划分,一次划分即一次K聚类,其中每个Ni称为一个簇,聚类簇中心依次为c1,c2,…,ck,其表达式为
式中:nj是簇Nj中数据对象的个数;
以式(8)的聚类目标函数来衡量衡量聚类质量的好坏:
式中:dij(xj,cj)表示数据xj与聚类中心cj之间的欧式距离;目标函数J为各簇内包含的所有数据与其所在的聚类中心间距离的总和,J值越小则簇内数据关联性越高;故对聚类中心选取进行迭代优化,使得当J取值小于预设值时,取得最适的聚类中心。
6.根据权利要求4所述的一种考虑PCC谐波数据分布的谐波责任划分方法,其特征在于,所述PCC谐波数据云模型构建,具体为采集PCC谐波电压、谐波电流数据,再采用逆向云发生器计算PCC谐波电压、谐波电流电流数据的期望Ex、熵En和超熵He,包括如下步骤:
其一阶样本绝对中心矩B1计算公式,如式(10)所示
样本方差S2的计算公式如式(11)所示
3)建立基于PCC谐波数据的云模型时,若云模型的He较大,则令He=αEn,α为控制常数;
利用PCC谐波数据,通过逆向云发生器可以得到云模型的三个数字特征(Ex,En,He);
根据三个数字特征,利用正向云发生器生成含有不确定度且随机的云滴完成映射。
7.根据权利要求4所述的一种考虑PCC谐波数据分布的谐波责任划分方法,其特征在于,所述步骤S5具体为:
其中三因素指标对应一级权重为ρi 2=[ρi1 2,ρi2 2,···ρik 2]为该用户的谐波数据所分的k个谐波数据段对应的二级权重数据序列;当序列中k时刻谐波电流超过国标时αik取1,否则取0;当序列中k时刻谐波电压超过国标时βik取1,否则取0;
之后计算k时段i用户的谐波责任H'ci,k为:
H'ci,k=ρikHci,k (14)
对各时间段的谐波责任求和得最终谐波责任划分指标:
其中n为总数据个数,nk为第k个时间段内的数据个数。
8.一种考虑PCC谐波数据分布的谐波责任划分系统,其特征在于,包括处理器、存储器以及存储在所述存储器上的计算机程序,所述处理器执行所述计算机程序时,具体执行如权利要求1-7任一项所述的谐波责任划分方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420714.4A CN114217127B (zh) | 2021-11-26 | 2021-11-26 | 一种考虑pcc谐波数据分布的谐波责任划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111420714.4A CN114217127B (zh) | 2021-11-26 | 2021-11-26 | 一种考虑pcc谐波数据分布的谐波责任划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114217127A true CN114217127A (zh) | 2022-03-22 |
CN114217127B CN114217127B (zh) | 2024-05-10 |
Family
ID=80698587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111420714.4A Active CN114217127B (zh) | 2021-11-26 | 2021-11-26 | 一种考虑pcc谐波数据分布的谐波责任划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114217127B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427199A (zh) * | 2016-01-25 | 2016-03-23 | 国家电网公司 | 一种综合主客观因素的多谐波源责任评估方法 |
CN110308345A (zh) * | 2019-06-20 | 2019-10-08 | 国网山西省电力公司电力科学研究院 | 基于多层次模糊综合评判的谐波综合责任评估方法 |
CN110707714A (zh) * | 2019-09-30 | 2020-01-17 | 贵州电网有限责任公司凯里供电局 | 一种配电网无功电压控制效果评估指标方法 |
CN110850167A (zh) * | 2019-12-27 | 2020-02-28 | 福州大学 | 一种多谐波源责任划分方法 |
CN113283061A (zh) * | 2021-05-07 | 2021-08-20 | 福建亿力优能电力科技有限公司 | 一种考虑pcc谐波电压严重度的谐波责任划分方法 |
-
2021
- 2021-11-26 CN CN202111420714.4A patent/CN114217127B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427199A (zh) * | 2016-01-25 | 2016-03-23 | 国家电网公司 | 一种综合主客观因素的多谐波源责任评估方法 |
CN110308345A (zh) * | 2019-06-20 | 2019-10-08 | 国网山西省电力公司电力科学研究院 | 基于多层次模糊综合评判的谐波综合责任评估方法 |
CN110707714A (zh) * | 2019-09-30 | 2020-01-17 | 贵州电网有限责任公司凯里供电局 | 一种配电网无功电压控制效果评估指标方法 |
CN110850167A (zh) * | 2019-12-27 | 2020-02-28 | 福州大学 | 一种多谐波源责任划分方法 |
CN113283061A (zh) * | 2021-05-07 | 2021-08-20 | 福建亿力优能电力科技有限公司 | 一种考虑pcc谐波电压严重度的谐波责任划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114217127B (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104881706B (zh) | 一种基于大数据技术的电力系统短期负荷预测方法 | |
CN106897821B (zh) | 一种暂态评估特征选择方法及装置 | |
CN111523778A (zh) | 基于粒子群算法和梯度提升树的电网运行安全评估方法 | |
CN107203842B (zh) | 基于扩展云相似度与逼近理想解的谐波污染水平评估方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
Oliinyk et al. | The decision tree construction based on a stochastic search for the neuro-fuzzy network synthesis | |
Khalilian et al. | A novel k-means based clustering algorithm for high dimensional data sets | |
CN113449802A (zh) | 基于多粒度互信息最大化的图分类方法及装置 | |
Lu et al. | Neural network interpretability for forecasting of aggregated renewable generation | |
CN114139940A (zh) | 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN115033591A (zh) | 一种电费数据异常智能检测方法、系统、存储介质及计算机设备 | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
CN114217127A (zh) | 一种考虑pcc谐波数据分布的谐波责任划分方法 | |
CN109165854B (zh) | 空管运行效率等级评估方法及其装置 | |
CN116702132A (zh) | 网络入侵检测方法及系统 | |
CN116720743A (zh) | 基于数据聚类和机器学习的碳排放测算方法 | |
CN115374823A (zh) | 一种基于tlbo算法的电能质量扰动分类方法及系统 | |
Kumar et al. | Distance histogram computation based on spatiotemporal uniformity in scientific data | |
Liu et al. | Computing budget allocation in multi-objective evolutionary algorithms for stochastic problems | |
CN113742204B (zh) | 一种基于模糊测试的深度学习算子测试方法 | |
Saedudin et al. | Data Clustering for Identification of Building Conditions Using Hybrid Multivariate Multinominal Distribution Soft Set (MMDS) Method | |
Kolgatin | Computer-based simulation of stochastic process for investigation of efficiency of statistical hypothesis testing in pedagogical research |
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 |