CN115293195A - 一种应用于煤改电负荷特性的分析预测方法及装置 - Google Patents
一种应用于煤改电负荷特性的分析预测方法及装置 Download PDFInfo
- Publication number
- CN115293195A CN115293195A CN202210751495.6A CN202210751495A CN115293195A CN 115293195 A CN115293195 A CN 115293195A CN 202210751495 A CN202210751495 A CN 202210751495A CN 115293195 A CN115293195 A CN 115293195A
- Authority
- CN
- China
- Prior art keywords
- load
- harmonic
- analysis
- current
- coal
- 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 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 32
- 230000000694 effects Effects 0.000 abstract description 10
- 238000007635 classification algorithm Methods 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001052 transient effect Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明具体涉及一种应用于煤改电负荷特性的分析预测方法及装置,属于电网负荷监测技术领域,所要解决的技术问题是部分负荷设备的负荷特征如电压或电压的幅值、波形等会出现一定的相近或相似现象,给识别效果带来负面影响。采用的技术方案为:采用非侵入式负荷监测方法,建立数据库,通过对稳态负荷特征提取,基于频谱特征量贝叶斯分类算法研究微观负荷特征,利用负荷识别算法实现谐波分析及故障分析;并是基于台区高频数据的宏观负荷特征研究负荷分析。本发明还提供了一种应用于煤改电负荷特性的分析预测装置。本发明的方法和装置用于非侵入式负荷监测,可以提高了负荷分析的准确率。
Description
技术领域
本发明属于电网负荷监测技术领域,具体涉及一种应用于煤改电负荷特性的分析预测方法及装置。
背景技术
目前“煤改电”负荷、电动汽车负荷、电能替代后的大型负荷等冲击性间歇性负荷大量应用,电力负荷侧管理变得更为复杂,负荷监测不到位造成的故障隐患和电表尾烧坏等现象频频发生,用电安全压力倍增。随着电网的智能化发展,各种智能电量计量装置的广泛使用,电能计量自动化系统中积累了大量的异构多源的数据,用电负荷分析方向,通过对大量的用电数据进行分析处理,从中获取用户负荷特征曲线,可以发现用户模式,分析用户在用电时间和用电量上的差异,掌握用户的用电模式,了解用户负荷特征及趋势,可以在电网规划运行、资产运维管理、用户和社会服务三大领域发挥重要作用。
负荷监测系统包括侵入式负荷监测系统和非侵入式负荷监测系统。侵入式负荷监测系统中,系统会通过对每一个用电设备加装相应的监测硬件来进行符合监测,这些监测硬件能够实时将电力负荷数据传输到中央集成数据处理器中,但是这种需要加装硬件才能实现的负荷监测方式会提高电力监测的成本;非侵入式负荷监测系统是在电力入口处安装监测设备,基于监测该处的电压、电流等信号,通过算法识别就可以分析得到负荷集群中单个负荷的种类和运行情况。其中监测的电压、电流等信号为负荷特征,而通过算法识别的方法即为负荷识别方法。
当前,非侵入式负荷识别方法是非侵入式负荷监测的核心内容和关键技术。基于负荷特征的负荷识别是广泛应用的方法,通过一定的计算方法将量测数据进行处理,提取负荷特征并将其与负荷特征数据库的样本特征进行对比,根据匹配程度识别出具体的负荷类型和对应工作状态。现有技术采用不同识别方法进行非侵入式负荷分解,但缺少对用户用电模式的关注与分析。考虑到用户用电模式与负荷运行联系密切,用电行为不同将影响负荷特征,进行用电行为分析具有一定意义和必要性。
在某些工作场景中,部分负荷设备的负荷特征如电压或电压的幅值、波形等会出现一定的相近或相似现象,即不同特征彼此之间的差异缺乏区分程度,这将对识别效果造成不利影响。比如,多种负荷同期工作的复杂场景,不同负荷类型有特性差异,在噪声不可忽略的情况下,大功率负荷设备可能对低功率负荷设备的负荷特征信息造成时间轴上的局部或整体遮盖,这些遮挡还可能源于暂态过程的时间长短差异较大、谐波成分差异较大、稳态过程幅值对比差异较大等客观因素,这也给识别效果带来负面影响。
发明内容
本发明克服了现有技术存在的不足,提供了一种应用于煤改电负荷特性的分析预测方法及装置,可以提高负荷分析的准确率。
为了解决上述技术问题,本发明采用的技术方案为:
一种应用于煤改电负荷特性的分析预测方法,其特征在于,包括如下步骤:
S10采集户表功率、电流、电压的历史数据;
S20基于采集的户表功率、电流、电压的数据建立样本数据库;
S30通过稳态特征提取算法从所述样本数据库提取一次稳态特征点;
S40基于提取的一次稳态特征点,通过快速傅里叶变换算法将负荷信号时域特征信息转换为频域内的频谱信号,从而得到负荷设备的频域特征信息;
S50基于所述频域负荷特征信息进行谐波分析,得到谐波特征值;
S60基于所述频域负荷特征信息进行贝叶斯聚类,形成明确的宏观负荷特征值、微观负荷特征值;
S70基于所述宏观负荷特征值、微观负荷特征值、谐波特征值,通过神经网络特征识别算法建立负荷识别模型;
S80通过所述负荷识别模型进行负荷识别计算和谐波计算。
进一步地,所述负荷信号波形分为活性和非活性两个部分;对差异化较大非活性部分进行傅里叶变换后得到负荷设备在频域上的特征信息,即提取谐波分量,具体地为:
进一步地,所述基于所述频域负荷特征信息进行谐波分析,得到谐波特征值,具体为:根据
可计算出用户谐波电流比例和电流总谐波畸变率
谐波电流比例为:
电流总谐波畸变率为:
进一步地,所述负荷特征为稳态特征。
进一步地,所述通过稳态特征提取算法从所述样本数据库提取一次稳态特征点中,具体通过PQ特性、电流特性、V-I特性提取负荷一次稳态特征点。
进一步地,建立负荷识别模型包括如下步骤:
第一步,收集历史负荷数据;
第二步,将历史负荷数据作为训练集进行训练;
第三步,建立神经网络遗传迭代优化模型;
第四步,基于网络训练误差,将神经网络训练误差作为遗传迭代的目标函数,对神经网络中的权值和阈值进行优化。
进一步地,所述神经网络包括输入层、隐含层和输出层三层结构;所述输入层选择采样数据计算求得的负荷特征作为神经网络的输入,所述输出层神经元个数等于用电场景中的电器种类数,数组中的每一个字符编码数表示电器的一种开闭运行状态,所述隐含层包含于神经网络中,其中隐含层神经元个数是输入层神经元个数的两倍再加一。
本发明还提供了一种应用于煤改电负荷特性的分析预测装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现上述应用于煤改电负荷特性的分析预测方法的步骤。
本发明与现有技术相比具有以下有益效果。
本发明将在电流波形特征的基础上提出非活性电流谐波负荷特征提取方法,首先将负荷电流波形分解为活性和非活性两个部分,再对差异化较大的非活性电流进行频域特性分析,对非活性电流进行傅里叶变换后得到负荷设备在频域上的特征信息,去除了复杂场景中其他因素的影响,提高了负荷分析的准确率。
针对煤改电用户开展负荷分析、谐波计算及不规则用电分析,基于户表数据实现负荷、谐波及违规用电的判断分析,打破数据之间封闭性的壁垒,通过聚类分析挖掘技术发现数据的潜在价值,实现用户负荷特征分析及谐波污染溯源,保障用户用电正常,提高电能质量。
附图说明
下面结合附图对本发明做进一步的说明。
图1为本发明实施例中应用于煤改电负荷特性的分析预测方法的步骤。
图2为本发明实施例中建立负荷识别模型步骤。
图3为本发明实施例神经网络图。
图4为本发明实施例中非侵入式监测流程。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
负荷监测系统包括侵入式负荷监测系统和非侵入式负荷监测系统。侵入式负荷监测系统中,系统会通过对每一个用电设备加装相应的监测硬件来进行符合监测,这些监测硬件能够实时将电力负荷数据传输到中央集成数据处理器中,但是这种需要加装硬件才能实现的负荷监测方式会提高电力监测的成本;非侵入式负荷监测系统,即NILM,是在电力入口处安装监测设备,基于监测该处的电压、电流等信号,通过算法识别就可以分析得到负荷集群中单个负荷的种类和运行情况。其中监测的电压、电流等信号为负荷特征,而通过算法识别的方法即为负荷识别方法。
在某些工作场景中,部分负荷设备的负荷特征如电压或电压的幅值、波形等会出现一定的相近或相似现象,即不同特征彼此之间的差异缺乏区分程度,这将对识别效果造成不利影响。比如,多种负荷同期工作的复杂场景,不同负荷类型有特性差异,在噪声不可忽略的情况下,大功率负荷设备可能对低功率负荷设备的负荷特征信息造成时间轴上的局部或整体遮盖,这些遮挡还可能源于暂态过程的时间长短差异较大、谐波成分差异较大、稳态过程幅值对比差异较大等客观因素,这也给识别效果带来负面影响。
在本实施中,包括如下步骤:
1、采集户表功率、电流、电压的历史数据;基于采集的户表功率、电流、电压的数据建立样本数据库;同时建立负荷分析平台与户表数据的对接,通过负荷分析平台实现负荷实时分析。
2、进行负荷特征提取。当前,非侵入式负荷监测的负荷特征可分为稳态特征和暂态特征两大类,稳态特征是认为负荷设备运行在稳定状态时所提取的特征,暂态特征是考虑到负荷设备在过渡阶段功耗水平不稳定时所提取的特征。稳态特征的分析主要有有功功率和无功功率、稳态基波分量、谐波分量、特征值、波形相角等;暂态特征的分析主要为负荷设备在开启或关闭瞬间负荷电流、电压等相应特征信号的开关暂态波形、持续时间、谐波能量等,稳态特征易于提取,抗干扰能力较强,而暂态特征需要通过高频采样观测和获取,因此本实施例中,一稳态特征作为负荷特征。负荷特征提取包括如下子步骤:
(1)通过稳态特征提取算法从所述样本数据库提取一次稳态特征点。负荷类型多样、功能不一,根据稳定运行状态的不同,负荷类型又可分为开/关二状态设备、有限多状态设备、连续变状态设备三类。其中,前两种设备类型没有本质区别,都具有有限的工作状态,且工作状态对应的负荷特征相对稳定且彼此独立,开/关二状态设备只有开、关两种状态,有限多状态设备有多个运行状态,且不同工作状态(工作模式/功率档位)之间可以切换运行,各个状态之间也有暂态联系。第三种设备类型因其负荷连续变化,不具有稳定的稳态特征,对应的负荷行为建模具有一定难度,可简化处理为由有限个离散状态得到的随机观测。因用户用电负荷包括线性、非线性负载,根据负荷类型特性,本实施例中,运用PQ特性、电流特性、V-I特性提取负荷一次稳态特征点。
(2)基于提取的一次稳态特征点,通过快速傅里叶变换算法将负荷信号时域特征信息转换为频域内的频谱信号,从而得到负荷设备的频域特征信息,即谐波分量。为提高负荷分析准确率,本实施例中,将在电流波形特征的基础上提出非活性电流谐波负荷特征提取方法,首先将负荷电流波形分解为活性和非活性两个部分,再对差异化较大的非活性电流进行频域特性分析,具体如下:
该方法去除了复杂场景中其他因素的影响,提高了负荷分析的准确率。
(3)基于所述频域负荷特征信息进行谐波分析,得到谐波特征值。具体如下,
根据公式:
可计算出用户谐波电流比例和电流总谐波畸变率。
谐波电流比例为:
电流总谐波畸变率为:
不同类型负荷设备产生谐波不同,非线性负荷运行时产生谐波成分相对较多。一般情况下,通过快速傅里叶变换将时域内的电流信号转换为频域内的频谱信号,从而得到负荷设备在频域上的特征信息,即提取谐波分量,快速傅里叶变换是离散傅里叶变换的一种。
1)傅里叶变换的形式
离散时间、离散频率一离散傅里叶变换:
首先离散傅里叶变换是针对有限长序列或周期序列才存在的它相当于把式频域加以离散化,同时频域的离散化造成时间函数也呈周期性,故级数应限定在一个周期内。
所以有:
基于离散傅里叶变换对电压/电流信号进行转换,转换为频域数据,可求谐波,公式如下:
将(2-6)与(2-7)做变换
上述可知当知道电压/电流/功率信号时一域离散抽样后,经傅里叶变换,可以很容易得到各次整数次谐波的有效值,相位角等参数。
(4)基于所述频域负荷特征信息进行贝叶斯聚类,形成明确的宏观负荷特征值、微观负荷特征值。其中,贝叶斯聚类算法是利用粗糙集的方法对改进的贝叶斯分类进行数据预处理,进行约简后得到影响负荷变化的核心因素,然后利用贝叶斯分类对结果进行分类。贝叶斯分类的基本思路是依据类的概率、概率密度,从统计上讲即按照某种准则来得到最好的分类结果。也就是说,根据类的概率、概率密度将模式空间划分成若干个子空间,以此来形成模式分类的判决规则;准则函数直接影响所导出的判决规则和分类结果;准则或方法的具体选择应根据具体问题来确定。粗糙集一个知识表达系统可表达成,它是一个四元组。其中,是论域,它是对象的非空有限集合;疑D 是属性集合,和 分别是条件属性和决策属性;是属性值的集合,是属性的值域; 是指定中每一对象的属性值的一个信息函数。在粗糙集理论中,知识表达系统也可以说是信息系统,通常用来表示。
3、基于所述宏观负荷特征值、微观负荷特征值、谐波特征值,通过神经网络特征识别算法建立负荷识别模型。负荷特征识别过程中采用神经网络算法,建立负荷目标识别模型,即根据历史负荷数据作为训练集进行训练,同时建立神经网络遗传迭代优化模型,根据网络训练误差作为遗传迭代的目标函数,对神经网络中的权值和阈值进行优化,获得更好的网络性能和负荷识别效果,使特征识别具有学习性,可自动优化基于神经网络的负荷识别,来提高神经网络在负荷监测与识别中的准确性。
4、通过所述负荷识别模型进行负荷识别计算和谐波计算。
其中,神经网络识别过程为:NILM的目标是将一组特征向量映射到一组特定的电器运行状态向量,是一种典型的模式识别问题。本实施例中神经网络是反向传播神经网络,是一种多层前馈神经网络,其典型的三层结构包含输入层、隐含层和输出层,每一层之间由含有权值的链相连接。各层具体含义为,输入层:选择采样数据计算求得的负荷特征作为神经网络的输入,如电流电压、有功无功、谐波等。 输出层:输出层神经元个数等于用电场景中的电器种类数,数组中的每一个字符编码数表示电器的一种开闭运行状态。 隐含层:BP神经网络中包含一个隐含层,其中隐含层神经元个数是输入层神经元个数的两倍再加一。
为了避免BP神经网络中的过拟合问题,还需要为神经网络设置一个适应度数。一般采用网络误差的2范数来训练神经网络。
本实施例中还提供了一种应用于煤改电负荷特性的分析预测装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行所述程序时实现上述从数据收集到特征提取再到负荷识别模型进行负荷识别计算和谐波计算这一系列方法的全部步骤。
上述实施方式仅示例性说明本发明的原理及其效果,而非用于限制本发明。对于熟悉此技术的人皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改进。因此,凡举所述技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种应用于煤改电负荷特性的分析预测方法,其特征在于,包括如下步骤:
S10采集户表功率、电流、电压的历史数据;
S20基于采集的户表功率、电流、电压的数据建立样本数据库;
S30通过稳态特征提取算法从所述样本数据库提取一次稳态特征点;
S40基于提取的一次稳态特征点,通过快速傅里叶变换算法将负荷信号时域特征信息转换为频域内的频谱信号,从而得到负荷设备的频域特征信息;
S50基于所述频域负荷特征信息进行谐波分析,得到谐波特征值;
S60基于所述频域负荷特征信息进行贝叶斯聚类,形成明确的宏观负荷特征值、微观负荷特征值;
S70基于所述宏观负荷特征值、微观负荷特征值、谐波特征值,通过神经网络特征识别算法建立负荷识别模型;
S80通过所述负荷识别模型进行负荷识别计算和谐波计算。
4.根据权利要求1所述的一种应用于煤改电负荷特性的分析预测方法,其特征在于,所述负荷特征为稳态特征。
5.根据权利要求1所述的一种应用于煤改电负荷特性的分析预测方法,其特征在于,所述通过稳态特征提取算法从所述样本数据库提取一次稳态特征点中,具体通过PQ特性、电流特性、V-I特性提取负荷一次稳态特征点。
6.根据权利要求1所述的一种应用于煤改电负荷特性的分析预测方法,其特征在于,建立负荷识别模型包括如下步骤:
第一步,收集历史负荷数据;
第二步,将历史负荷数据作为训练集进行训练;
第三步,建立神经网络遗传迭代优化模型;
第四步,基于网络训练误差,将神经网络训练误差作为遗传迭代的目标函数,对神经网络中的权值和阈值进行优化。
7.根据权利要求1所述的一种应用于煤改电负荷特性的分析预测方法,其特征在于,所述神经网络包括输入层、隐含层和输出层三层结构;所述输入层选择采样数据计算求得的负荷特征作为神经网络的输入,所述输出层神经元个数等于用电场景中的电器种类数,数组中的每一个字符编码数表示电器的一种开闭运行状态,所述隐含层包含于神经网络中,其中隐含层神经元个数是输入层神经元个数的两倍再加一。
8.一种应用于煤改电负荷特性的分析预测装置,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751495.6A CN115293195A (zh) | 2022-06-29 | 2022-06-29 | 一种应用于煤改电负荷特性的分析预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210751495.6A CN115293195A (zh) | 2022-06-29 | 2022-06-29 | 一种应用于煤改电负荷特性的分析预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293195A true CN115293195A (zh) | 2022-11-04 |
Family
ID=83819760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210751495.6A Pending CN115293195A (zh) | 2022-06-29 | 2022-06-29 | 一种应用于煤改电负荷特性的分析预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293195A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951114A (zh) * | 2023-01-17 | 2023-04-11 | 上海山源电子科技股份有限公司 | 一种供电监测系统中的电流信号识别方法 |
-
2022
- 2022-06-29 CN CN202210751495.6A patent/CN115293195A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115951114A (zh) * | 2023-01-17 | 2023-04-11 | 上海山源电子科技股份有限公司 | 一种供电监测系统中的电流信号识别方法 |
CN115951114B (zh) * | 2023-01-17 | 2023-06-23 | 上海山源电子科技股份有限公司 | 一种供电监测系统中的电流信号识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Saini et al. | Classification of power quality events–a review | |
Wang et al. | A combined framework based on data preprocessing, neural networks and multi-tracker optimizer for wind speed prediction | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
Zhou et al. | Short-term wind power prediction optimized by multi-objective dragonfly algorithm based on variational mode decomposition | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN114720764B (zh) | 一种基于电表实时监测数据的谐波分析方法及系统 | |
CN113902104A (zh) | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN115293195A (zh) | 一种应用于煤改电负荷特性的分析预测方法及装置 | |
Chen et al. | Detection and classification of power quality disturbances in time domain using probabilistic neural network | |
Li et al. | An innovative combined model based on multi-objective optimization approach for forecasting short-term wind speed: A case study in China | |
Cai et al. | Wind power forecasting based on ensemble empirical mode decomposition with generalized regression neural network based on cross-validated method | |
Wang et al. | A hybrid deep learning method based on CEEMDAN and attention mechanism for network traffic prediction | |
Wang* et al. | Ultra‐short‐term PV power prediction model based on HP‐OVMD and enhanced emotional neural network | |
Wang et al. | A wind speed prediction method based on improved empirical mode decomposition and support vector machine | |
CN115983507B (zh) | 送端源电网断面宽频振荡风险预测方法及系统 | |
Jiang et al. | Application of a hybrid model of big data and BP network on fault diagnosis strategy for microgrid | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
Zhou et al. | Research on non-invasive load monitoring based on convolutional neural network | |
Lu et al. | Non-intrusive Load Monitoring based on Multiple Feature Optimization and Genetic Algorithm | |
CN111541245A (zh) | 一种智能家庭能量管理系统控制方法 | |
Zhang et al. | Non-intrusive Load Decomposition of Stacked Hybrid Recurrent Neural Networks | |
Xu et al. | CiteSpace Based Knowledge Mapping Research of Artificial Intelligence Technology in Power System | |
Wang et al. | Ultra-short-term wind speed forecasting based on meta learning with signal trend and fluctuation decomposition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |