CN115360703A - 一种实用的配电网状态估计方法 - Google Patents
一种实用的配电网状态估计方法 Download PDFInfo
- Publication number
- CN115360703A CN115360703A CN202211038481.6A CN202211038481A CN115360703A CN 115360703 A CN115360703 A CN 115360703A CN 202211038481 A CN202211038481 A CN 202211038481A CN 115360703 A CN115360703 A CN 115360703A
- Authority
- CN
- China
- Prior art keywords
- voltage
- check
- distribution network
- voltage measurement
- state estimation
- 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 42
- 238000005259 measurement Methods 0.000 claims abstract description 73
- 238000012937 correction Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims description 54
- 230000035772 mutation Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012795 verification Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
-
- 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
-
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种实用的配电网状态估计方法。该方法包括采集配电网中电压量测值,然后根据数据校验标准对电压量测值进行预处理;对电压量测值设定并计算质量标签,对质量标签进行贝叶斯分类,然后修正不良数据;采用牛顿拉夫逊潮流修正方程组和对应的雅可比矩阵作为配电网状态估计的模型,设置状态变量和迭代方程,然后进行迭代,求解牛顿拉夫逊潮流修正方程组和雅可比矩阵,判断是否满足约束条件;当满足约束条件时,则输出雅可比矩阵相应的解为状态估计结果;当不满足约束条件时,则更新迭代方程后继续迭代。本发明实现了对不良数据的辨别修正,提高了数据质量,避免了现有技术的独立性缺陷的影响,提高了状态估计的精度。
Description
技术领域
本发明属于电网运维的技术领域,具体涉及一种实用的配电网状态估计方法。
背景技术
配电网直接连接电力用户,是电力分配和供应的重要环节。配网状态估计(Distribution State Estimator,DSE)作为配电管理系统的重要组成部分,其主要功能是利用冗余的系统量测数据,然后根据设定条件来排除偶然的错误信息和不良数据,估计出配电网的实时运行状态。
目前,现有的配电网状态估计算法,主要通过对电压数据使用牛顿法的加权最小二乘(WLS)估计来进行状态估计。但是,现有技术在使用牛顿法的加权最小二乘(WLS)估计钱并没有对数据进行辨识筛选,因此在配电网数据量庞大且数据来源混杂的情况下,导致了状态估计前数据分类难、不良数据难以辨识的问题。另一方面,现有技术对状态的表述局限于局部最优问题,容易因局部对整体辨识结果造成影响,数据辨识和状态估计的精度差。
发明内容
为了克服现有技术存在的一个或者多个缺陷与不足,本发明的目的在于提供一种实用的配电网状态估计方法,用于在配电网状态估计前实现不良数据的辨识和修正,在状态估计中实现较高的精度。
为了达到上述目的,本发明采用以下的技术方案。
一种实用的配电网状态估计方法,包括步骤如下:
采集配电网中设定的采样节点的电压量测值,然后根据数据校验标准对电压量测值进行预处理,从中区分出不良数据;
对电压量测值设定并计算质量标签,将质量标签作为样本,对质量标签使用改进的贝叶斯分类模型进行分类,然后修正不良数据;
使用加权最小二乘法的方式,构造牛顿拉夫逊潮流修正方程组和对应的雅可比矩阵作为配电网状态估计的模型;设置状态变量和迭代方程,然后进行迭代,求解牛顿拉夫逊潮流修正方程组和雅可比矩阵;判断是否满足约束条件;当满足约束条件时,则输出雅可比矩阵相应的解为状态估计结果;当不满足约束条件时,则更新迭代方程后继续求解牛顿拉夫逊潮流修正方程组和雅可比矩阵,直到满足约束条件。
优选地,根据数据校验标准预处理时,包括分别进行当前电压校验、电压突变校验、历史电压校验;
当前电压校验为:当同一采样节点的电压量测值大小处于额定电压幅值±5%范围之外时,将该电压量测值归类为不良数据;
电压突变校验为:将同一采样节点相邻时刻的两个电压量测值的差值绝对值,与设定的突变阈值进行对比,当差值绝对值大于突变阈值时,将该电压量测值归类为不良数据;
历史电压校验为:对同一采样节点,计算其在设定天数内每天的某一时间点的电压量测值的平均值,接着计算该平均值与设定天数的后一天在同一时间点的电压量测值的差值绝对值,然后将该差值绝对值与设定的经验误差阈值进行大小比较,当该差值绝对值大于经验误差阈值时,将设定天数的后一天同一时间点的电压量测值归类为不良数据。
进一步地,质量标签Ωi定义如下式所示:
其中,k=1,2,3,此时的k分别表示对应当前电压校验、电压突变校验、历史电压校验,Ω0表示采样节点在采集电压量测值的初始时刻的质量标签,i表示第几个采样节点,w表示是否分别符合当前电压校验、电压突变校验、历史电压校验时的电压量测值的标识位,ωk表示分别对应当前电压校验、电压突变校验、历史电压校验的权重值。
进一步地,改进的贝叶斯模型如下式所示:
其中,用向量A=[a1,a2,a3]代表分别符合当前电压校验、电压突变校验、历史电压校验,B代表分别符合不良数据、非不良数据的分类,用向量B=[b1,b2]表示,e表示分别符合不良数据、非不良数据的含义,e=1,2,argmax表示求对应最大数的集合,P(·)表示计算概率;
对于质量标签Ωi中相应的权重值ωk,其计算公式如下:
其中,Cov(·)表示计算协方差,C(·)表示计算方差。
进一步地,修正不良数据的方式如下式所示:
进一步地,构造牛顿拉夫逊潮流修正方程组和对应的雅可比矩阵作的过程为:
采用极坐标潮流残差方程的形式对配电网的采样节点状态进行表示,极坐标潮流残差方程如下式所示:
其中,P表示有功功率,Q表示无功功率,ΔP,ΔQ分别表示对应量的残差,V表示电压,θ表示角度,G、B分别为两个不同的中间系数,此时的n表示采样节点的总数;
对极坐标潮流残差方程进行简化,获取牛顿拉夫逊潮流修正方程组及相应的雅可比矩阵。
进一步地,获取牛顿拉夫逊潮流修正方程组及相应的雅可比矩阵过程如下:
对极坐标潮流残差方程进行泰勒级数展开后只取一次项,得到对应的牛顿拉夫逊潮流修正方程组,牛顿拉夫逊潮流修正方程组如下式所示:
进一步地,设置状态变量和迭代方程包括:
设置状态变量为x,x包含角度θ和电压V,其初始值用x0表示,迭代次数用s表示,迭代方程为x(s+1)=x(s)+Δx(s)。
进一步地,进行迭代求解牛顿拉夫逊潮流修正方程组和雅可比矩阵,判断是否满足约束条件具体过程为:
求解本次迭代时的牛顿拉夫逊潮流的修正方程组和雅可比矩阵,然后根据求解结果推导本次迭代时的x(s)及其修正量Δx(s);
判断是否满足约束条件;若不满足,则更新迭代方程,进行下一次的牛顿拉夫逊潮流的修正方程组和雅可比矩阵求解;若满足,则表示迭代方程收敛,停止迭代,然后输出状态估计结果。
进一步地,约束条件为:
符合|J(x(s))-J(x(s-1))|<ζa或||Δx(s)||<ζb其中的一个或两个,则为满足约束条件,ζa,ζb分别为相应设定的两个不同阈值。
本发明技术方案与现有技术相比,具有如下有益效果:
本发明适应配电网数据庞大数据来源多的情形,在状态估计前对多数据源、不完整数据实现了不良数据的辨识,并完成了初步的数据修正,避免了数据分类难、不良数据难以辨识的问题,提高了数据质量;相比现有技术中,因辨识方法由于条件独立性的缺陷容易突出局部对辨识结果的影响,造成抗差性能较差的问题,本发明通过改进的贝叶斯分类模型,克服了单个独立条件的局限性,提高了对数据辨识的精度,实现了一种实用的方法完成对配电网状态估计,为配电管理系统进行有效决策提供基础。
附图说明
图1为本发明的一种实用的配电网状态估计方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及其优点更加清楚明白,以下结合附图及其实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
如图所示,本实施例的一种实用的配电网状态估计方法,包括步骤如下:
S1、电压数据采集;在配电网中采集全部设定的采样节点的电压量测值,具体的电压量测值指采样节点上的电压在某时刻的幅值,然后将电压量测值输入一台计算机中,该计算机后续用来对全部的电压量测值数据进行处理;
S2、对步骤S1所获取到的电压量测值进行预处理,根据检验结果将不符合数据校验标准的电压量测值归类为不良数据(一般将误差大于5%~6%的数据归为不良数据);具体包括:
S21、进行当前电压校验;对全部采样节点上的电压量测值均分别进行筛选,将电压量测值大小处于额定电压幅值±5%范围内的电压量测值归类为不是不良数据,超出该范围的归类为不良数据,筛选时符合下式的不是不良数据:
0.95Un≤U≤1.05Un
其中,Un为额定电压幅值,U为电压量测值;
S22、进行电压突变校验;将同一采样节点在相邻时刻的两个电压量测值的差值绝对值,与设定的突变阈值进行对比,当满足该差值绝对值大于突变阈值时,把后一个时刻的电压量测值归类为不良数据,满足下式时不是不良数据:
|y(t)-y(t-1)|≤ε
其中,y(t)、y(t-1)分别为后一时刻的电压量测值、前一时刻的电压量测值,ε为突变阈值,t表示后一时刻;
全部的采样节点均需要进行一次电压突变校验;
S23、进行历史电压校验;对同一采样节点,计算其在设定天数D内每天的某一时间点的电压量测值的平均值,接着计算该平均值与第D+1天时同一时间点的电压量测值的差值绝对值,然后将该差值绝对值与设定的经验误差阈值进行大小比较,在该差值绝对值大于经验误差阈值时,将第D+1天时同一时间点的电压量测值归类为不良数据,满足下式的不是不良数据:
|χdv-χda|≤σ
其中,χdv、χda分别为D天内同一时间点电压量测值的平均值、第D+1天时同一时间点的电压量测值,σ为经验误差阈值,下标dv表示取D天内平均值的含义、da表示取第D+1天电压量测值的含义;
全部的采样节点均需进行历史电压校验;
S3、在完成步骤S2的预处理后,为每个采样节点的电压量测值设定质量标签,每个节点各自的质量标签Ωi定义如下式所示:
其中,此时的k=1,2,3分别表示对应当前电压校验、电压突变校验、历史电压校验的含义,Ω0表示采样节点在采集电压量测值的初始时刻的质量标签,i表示第几个采样节点,w表示是否分别符合当前电压校验、电压突变校验、历史电压校验时各自的电压量测值的标识位(符合时取值为1,不符合时取值为0),ωk表示分别对应当前电压校验、电压突变校验、历史电压校验的权重值;
S4、将步骤S3获取到的全部采样节点对应的质量标签作为样本,设置改进的贝叶斯模型对样本进行贝叶斯分类,对样本中的不良数据进行辨别修正;
S41、贝叶斯分类的原理如下式所示:
其中,A代表分别符合当前电压校验、电压突变校验、历史电压校验,用向量A=[a1,a2,a3]表示,B代表分别符合不良数据、非不良数据的分类,用向量B=[b1,b2]表示,P(·)表示计算概率;
对样本进行分类的依据如下式所示:
Bmax=argmaxeP(be|a1,a2,a3)
其中,e表示分别符合不良数据、非不良数据的含义,e=1,2,argmax表示求对应最大数的集合;将上式进行改写:
然后,对改写后的式子代入P(be)和属于be的先验概率P(a1,a2,a3|be),即可求解上式中概率的最大类别;
本步骤具体使用质量标签为样本进行贝叶斯分类,从前述的原理部分可以得到改进的分类模型如下式所示:
其中,对于质量标签Ωi中相应的权重值ωk,其计算公式如下:
其中,Cov(·)表示计算协方差,C(·)表示计算方差;
使用质量标签为样本进行贝叶斯分类后,得到相应全部存在不良数据的采样节点的质量标签集合;
S42、对步骤S41得到的不良数据相应的采样节点上的电压值量测值进行修正;修正过程如下式所示:
S5、根据步骤S4中全部采样节点修正后的电压量测值,设置状态变量和状态估计模型,对状态变量使用加权最小二乘法实现对配电网的状态估计;本步骤中使用加权最小二乘法可以估计配电网状态的原理为:
首先选定配电网的状态变量,根据配电网的线路模型、网络参数、拓扑结构,构造电压量测值h(x)与相应状态变量x之间的关系如下式所示:
其中,z为全部修正后的电压量测值,x=[x1,x2,…xn]T表示n维状态变量,z=[z1,z2,…zk]T表示k维状态变量,h(x)=[h1(x),h2(x),…hk(x)]T表示x的k非线性量测函数,v=[v1,v2,…vk]T表示k维量测误差;设定第i个电压量测值对应的误差为vi,则量测误差满足正态分布vi~N(0,σi 2),σi为zi的标准差;
然后以加权最小二乘估计的残差平方和最小构造目标函数J(x),再获取迭代方程;在给出修正后的电压量测值z后,目标函数J(x)的最小值如下式所示:
其中,W表示量测误差所组成的误差矩阵的逆矩阵Ψ-1,具体如下式所示:
接着采用迭代的方法,设x0为近似等于状态变量x的一个常数,利用泰勒级数展开让方程h(x)在x0处展开,只保留一次项,得到下式:
h(x)≈h(x0)+H(x0)Δx
J(x)=[z-H(x0)Δx]TW[z-H(x0)Δx]
x(s+1)=x(s)+Δx(s)
其中,s为迭代次数,x(s)表示第s次迭代的值;
当上式满足|J(x(s))-J(x(s-1))|<ζa或||Δx(s)||<ζb中的任意条件时即可判断其收敛,ζa,ζb分别为约束条件的阈值;
最后,经过s次迭代之后,满足下式:
此时的x(s)即为最终状态估计结果,z的值为z=h(x)s;
本步骤进行状态估计的具体过程为:
S51、状态估计模型可以采用潮流方程的形式进行表示,本步骤中采用极坐标潮流残差方程的形式对配电网的采样节点状态进行表示,极坐标潮流残差方程如下式所示:
其中,P表示有功功率,Q表示无功功率,ΔP,ΔQ分别表示对应量的残差,V表示电压,θ表示角度,G、B分别为两个不同的中间系数,i、j表示的含义与步骤S42中的i、j含义相同,此时的n表示采样节点的总数;
S52、对步骤S51的极坐标潮流残差方程进行简化,对其进行泰勒级数展开后只取一次项,得到对应的牛顿拉夫逊潮流修正方程组,方程组如下式所示:
S53、确定状态变量后设置迭代方程然后进行迭代,并在迭代过程求解牛顿拉夫逊潮流的修正方程组和雅可比矩阵,根据求解结果得到状态变量及其修正量,直到迭代达到约束条件;详细过程如下:
S531、设置状态变量为x,x包含角度θ和电压V,其初始值用x0表示,迭代次数用s表示,迭代方程为x(s+1)=x(s)+Δx(s);然后进行第一次迭代,根据x0求解牛顿拉夫逊潮流的修正方程组,得到x1=x0+Δx0;
S532、求解本次迭代时的牛顿拉夫逊潮流的修正方程组和雅可比矩阵,然后根据求解结果推导本次迭代时的x(s)及其修正量Δx(s);
S533、判断是否满足|J(x(s))-J(x(s-1))|<ζa或||Δx(s)||<ζb其中一个条件,ζa,ζb分别为相应设定的约束条件的两个不同阈值;若均不满足,则迭代次数加一返回步骤S532继续进行下一次迭代过程;若满足,则表示迭代方程收敛,停止迭代;
S534、在停止迭代后,输出状态变量的最终值、雅可比矩阵的最终解为最优的状态估计结果。
本实施例的实用的配电网状态估计方法与现有技术相比,其有益效果在于:
本实施例在状态估计前对多数据源、不完整数据实现了不良数据的辨识,并完成了初步的数据修正,避免了数据分类难、不良数据难以辨识的问题,提高了数据质量;相比现有技术中因辨识方法由于条件独立性的缺陷,容易突出局部对辨识结果的影响,造成的抗差性能较差的问题,本实施例通过改进的贝叶斯分类模型,克服了单个独立条件的局限性,提高了对数据辨识的精度,实现了一种实用的方法完成对配电网状态估计,为配电管理系统进行有效决策提供基础。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种实用的配电网状态估计方法,其特征在于,包括步骤如下:
采集配电网中设定的采样节点的电压量测值,然后根据数据校验标准对电压量测值进行预处理,从中区分出不良数据;
对电压量测值设定并计算质量标签,将质量标签作为样本,对质量标签使用改进的贝叶斯分类模型进行分类,然后修正不良数据;
使用加权最小二乘法的方式,构造牛顿拉夫逊潮流修正方程组和对应的雅可比矩阵作为配电网状态估计的模型;设置状态变量和迭代方程,然后进行迭代,求解牛顿拉夫逊潮流修正方程组和雅可比矩阵;判断是否满足约束条件;当满足约束条件时,则输出雅可比矩阵相应的解为状态估计结果;当不满足约束条件时,则更新迭代方程后继续求解牛顿拉夫逊潮流修正方程组和雅可比矩阵,直到满足约束条件。
2.根据权利要求1所述实用的配电网状态估计方法,其特征在于,根据数据校验标准预处理时,包括分别进行当前电压校验、电压突变校验、历史电压校验;
所述当前电压校验为:当同一采样节点的电压量测值大小处于额定电压幅值±5%范围之外时,将该电压量测值归类为不良数据;
所述电压突变校验为:将同一采样节点相邻时刻的两个电压量测值的差值绝对值,与设定的突变阈值进行对比,当所述差值绝对值大于突变阈值时,将该电压量测值归类为不良数据;
所述历史电压校验为:对同一采样节点,计算其在设定天数内每天的某一时间点的电压量测值的平均值,接着计算该平均值与设定天数的后一天在同一时间点的电压量测值的差值绝对值,然后将该差值绝对值与设定的经验误差阈值进行大小比较,当该差值绝对值大于经验误差阈值时,将设定天数的后一天同一时间点的电压量测值归类为不良数据。
8.根据权利要求7所述实用的配电网状态估计方法,其特征在于,设置状态变量和迭代方程包括:
设置状态变量为x,x包含角度θ和电压V,其初始值用x0表示,迭代次数用s表示,迭代方程为x(s+1)=x(s)+Δx(s)。
9.根据权利要求8所述实用的配电网状态估计方法,其特征在于,进行迭代求解牛顿拉夫逊潮流修正方程组和雅可比矩阵,判断是否满足约束条件具体过程为:
求解本次迭代时的牛顿拉夫逊潮流的修正方程组和雅可比矩阵,然后根据求解结果推导本次迭代时的x(s)及其修正量Δx(s);
判断是否满足约束条件;若不满足,则更新迭代方程,进行下一次的牛顿拉夫逊潮流的修正方程组和雅可比矩阵求解;若满足,则表示迭代方程收敛,停止迭代,然后输出状态估计结果。
10.根据权利要求9所述实用的配电网状态估计方法,其特征在于,所述约束条件为:
符合|J(x(s))-J(x(s-1))|<ζa或||Δx(s)||<ζb其中的一个或两个,则为满足约束条件,ζa,ζb分别为相应设定的两个不同阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211038481.6A CN115360703A (zh) | 2022-08-29 | 2022-08-29 | 一种实用的配电网状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211038481.6A CN115360703A (zh) | 2022-08-29 | 2022-08-29 | 一种实用的配电网状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115360703A true CN115360703A (zh) | 2022-11-18 |
Family
ID=84004429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211038481.6A Pending CN115360703A (zh) | 2022-08-29 | 2022-08-29 | 一种实用的配电网状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115360703A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522268A (zh) * | 2023-06-28 | 2023-08-01 | 广东电网有限责任公司 | 一种配电网的线损异常识别方法 |
-
2022
- 2022-08-29 CN CN202211038481.6A patent/CN115360703A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522268A (zh) * | 2023-06-28 | 2023-08-01 | 广东电网有限责任公司 | 一种配电网的线损异常识别方法 |
CN116522268B (zh) * | 2023-06-28 | 2024-03-19 | 广东电网有限责任公司 | 一种配电网的线损异常识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
US20190265768A1 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
WO2018045642A1 (zh) | 一种母线负荷预测方法 | |
CN110245801A (zh) | 一种基于组合挖掘模型的电力负荷预测方法及系统 | |
CN111523785A (zh) | 一种基于生成对抗网络的电力系统动态安全评估方法 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN106055918A (zh) | 一种电力系统负荷数据辨识及修复方法 | |
CN111401599A (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN112903758B (zh) | 一种气体传感器重叠分块温湿度智能自校准方法 | |
CN111369045A (zh) | 一种短期光伏发电功率预测的方法 | |
CN114004139A (zh) | 一种光伏发电功率预测方法 | |
CN105929216B (zh) | 一种卫星电源主母线电流区间预测方法 | |
CN109948920B (zh) | 一种基于证据理论的电力市场结算数据风险处理方法 | |
CN115360703A (zh) | 一种实用的配电网状态估计方法 | |
CN111898729A (zh) | 一种输电线路故障原因识别方法及系统 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN117150409A (zh) | 一种用电异常检测方法 | |
CN111080000A (zh) | 基于psr-dbn的超短期母线负荷预测方法 | |
CN112651444B (zh) | 一种基于自学习的非平稳过程异常检测方法 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN113204857A (zh) | 基于极端梯度提升树算法的电子器件剩余寿命预测方法 | |
CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN115794805B (zh) | 一种中低压配网量测数据补齐方法 | |
CN113688875B (zh) | 工业系统故障识别方法及装置 |
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 |