CN115459299A - 低压配电无功调节方法、装置、计算机设备和存储介质 - Google Patents
低压配电无功调节方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115459299A CN115459299A CN202211239042.1A CN202211239042A CN115459299A CN 115459299 A CN115459299 A CN 115459299A CN 202211239042 A CN202211239042 A CN 202211239042A CN 115459299 A CN115459299 A CN 115459299A
- Authority
- CN
- China
- Prior art keywords
- reactive power
- period
- data
- prediction
- current
- 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 53
- 238000005070 sampling Methods 0.000 claims abstract description 181
- 230000008859 change Effects 0.000 claims abstract description 84
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000007499 fusion processing Methods 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training 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
- H02J3/18—Arrangements for adjusting, eliminating or compensating reactive 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
- Y02E40/30—Reactive power compensation
Abstract
本申请涉及一种低压配电无功调节方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为当前采集周期的参考周期;将参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;根据预测周期的无功功率预测数据,对低压配电网进行无功调节。采用本方法能够提高无功补偿的及时性。
Description
技术领域
本申请涉及电网技术领域,特别是涉及一种低压配电无功调节方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电网技术的发展,出现了低压配电无功调节技术。通过低压配电无功调节,可以对电网进行无功补偿,从而提高功率因数、改善供电环境。
传统技术中,低压配电无功调节一般是通过配电箱得到实时的电气量数据,然后根据实时的电气量数据计算当前的无功功率数值,从而判断是否需要无功补偿,然后调节自动低压无功补偿装置。然而,从指示无功补偿装置开始工作到无功补偿装置真正发挥作用需要时间,因此使得无功补偿的及时性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高无功补偿的及时性的低压配电无功调节方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种低压配电无功调节方法。所述方法包括:
响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期;所述历史采集周期和所述当前采集周期,均是针对低压配电网数据的采集周期;
将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;所述当前采样点是指在所述当前采集周期内,上一次采集低压配电网数据的时间点;
根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节。
在其中一个实施例中,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期之前,还包括:
获取所述当前采集周期的无功功率实际数据,以及所述各个历史采集周期的无功功率实际数据;所述当前采集周期的无功功率实际数据是指在所述当前采集周期内,且在所述当前采样点之前的无功功率实际数据;
确认所述各个历史采集周期的无功功率偏离信息;所述历史采集周期的无功功率偏离信息,用于表征所述当前采集周期的无功功率实际数据,相对于所述历史采集周期的无功功率实际数据的偏离程度;
根据所述各个历史采集周期的无功功率偏离信息,查询无功功率偏离信息与相似度的对应关系,得到所述各个历史采集周期对应的无功功率变化特征与所述当前采集周期对应的无功功率变化特征之间的相似度。
在其中一个实施例中,所述确认所述各个历史采集周期的无功功率偏离信息,包括:
根据所述当前采集周期的各个采样点的无功功率实际数据,与所述各个历史采集周期的各个采样点的无功功率实际数据,确认所述各个历史采集周期的各个采样点的无功功率比率信息;所述各个历史采集周期的采样点个数与所述当前采集周期的采样点个数相等;
根据所述各个历史采集周期的各个采样点的无功功率比率信息,分别确认所述各个历史采集周期的无功功率比率平均值;
根据所述各个历史采集周期的各个采样点的无功功率比率信息、所述各个历史采集周期的无功功率比率平均值,以及所述当前采集周期的采样点个数,确认所述各个历史采集周期的无功功率偏离信息。
在其中一个实施例中,所述各个历史采集周期的无功功率实际数据包括所述参考周期的无功功率实际数据;所述各个历史采集周期的无功功率比率平均值包括所述参考周期的无功功率比率平均值;
所述将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据,包括:
通过无功功率预测模型,对所述参考周期的无功功率实际数据和所述参考周期的无功功率比率平均值进行融合处理,得到在所述当前采样点之后的预测周期的无功功率预测数据。
在其中一个实施例中,在根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节之后,还包括:
在所述预测周期结束的情况下,根据所述预测周期的结束采样点,更新所述当前采样点,得到更新后的当前采样点,并根据所述更新后的当前采样点,更新所述当前采集周期的采样点个数,得到所述当前采集周期更新后的采样点个数;
根据所述当前采集周期更新后的采样点个数,更新所述参考周期的无功功率比率平均值,得到所述参考周期更新后的无功功率比率平均值;
将所述参考周期更新后的无功功率比率平均值,作为所述参考周期的无功功率比率平均值,并返回所述通过无功功率预测模型,对所述参考周期的无功功率实际数据和所述参考周期的无功功率比率平均值进行融合处理,得到在所述当前采样点之后的预测周期的无功功率预测数据的步骤,直到所述当前采集周期结束。
在其中一个实施例中,所述根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节,包括:
在所述预测周期的无功功率预测数据大于预设无功功率阈值的情况下,通过无功补偿装置,对所述低压配电网进行无功调节。
第二方面,本申请还提供了一种低压配电无功调节装置。所述装置包括:
识别模块,用于响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期;所述历史采集周期和所述当前采集周期,均是针对低压配电网数据的采集周期;
预测模块,用于将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;所述当前采样点是指在所述当前采集周期内,上一次采集低压配电网数据的时间点;
调节模块,用于根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期;所述历史采集周期和所述当前采集周期,均是针对低压配电网数据的采集周期;
将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;所述当前采样点是指在所述当前采集周期内,上一次采集低压配电网数据的时间点;
根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期;所述历史采集周期和所述当前采集周期,均是针对低压配电网数据的采集周期;
将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;所述当前采样点是指在所述当前采集周期内,上一次采集低压配电网数据的时间点;
根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期;所述历史采集周期和所述当前采集周期,均是针对低压配电网数据的采集周期;
将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;所述当前采样点是指在所述当前采集周期内,上一次采集低压配电网数据的时间点;
根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节。
上述低压配电无功调节方法、装置、计算机设备、存储介质和计算机程序产品,通过响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为当前采集周期的参考周期;然后,将参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;最后,根据预测周期的无功功率预测数据,对低压配电网进行无功调节。这样,通过在历史采集周期中选取与当前采集周期的无功功率变化特征最相似的历史采集周期作为参考周期,然后基于无功功率预测模型,根据参考周期的无功功率实际数据对当前采集周期的无功功率进行预测,根据预测得到的无功功率预测数据,判断是否需要对低压配电网进行无功调节,因此缩短了从指示无功补偿装置开始工作到真正发挥无功补偿的时间差,从而消除了无功补偿的滞后性,提高了无功补偿的及时性。
附图说明
图1为一个实施例中低压配电无功调节方法的流程示意图;
图2为一个实施例中得到各个历史采集周期对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度的步骤的流程示意图;
图3为一个实施例中确认各个历史采集周期的无功功率偏离信息的步骤的流程示意图;
图4为另一个实施例中低压配电无功调节方法的流程示意图;
图5为一个实施例中基于负荷预测的低压配电无功调节方法的流程示意图;
图6为一个实施例中当前周期的无功功率变化曲线与历史周期的无功功率变化曲线的对比示意图;
图7为一个实施例中低压配电无功调节装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一示例性实施例中,如图1所示,提供了一种低压配电无功调节方法,本实施例以该方法应用于服务器进行举例说明,可以理解的是,该方法也可以应用于终端。本实施例中,该方法包括以下步骤:
步骤S101,响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为当前采集周期的参考周期。
其中,低压配电网是指电压等级在1KV以下的配电网,一般来说,低压配电网的数据由智能配电箱采集,并存储在智能配电箱中;历史采集周期和当前采集周期,均是针对低压配电网数据的采集周期;无功功率变化特征可以用无功功率变化曲线表征,无功功率变化曲线由采集周期内各个采样点对应的无功功率数据构成。
需要说明的是,智能配电箱通常以一周为一个采集周期,以十五分钟为采样间隔对低压配电网数据进行采集,采集周期和采样间隔可以根据需要进行设定。通过智能配电箱得到的采样信息,可以得知低压配电网在某个采样时刻的电压幅值、电流幅值以及电压与电流的相位差,根据电压幅值、电流幅值以及电压与电流的相位差可以计算得到低压配电网在该采样时刻的无功功率。
具体地,服务器首先响应于针对低压配电网的无功调节指令,在智能配电箱存储的各个历史采集周期中,识别出无功功率变化特征与当前采集周期的无功功率变化特征相似度最大的历史采集周期,并将该历史采集周期作为预测当前采集周期无功功率的参考周期。
举例说明,在智能配电箱中存储有若干条历史采集周期的无功功率变化曲线中,服务器在若干条曲线中识别出与当前采集周期的无功功率变化曲线X相似度最大的一条无功功率变化曲线XS,并将该曲线对应的历史采集周期,确认为用于预测当前采集周期无功功率的参考周期。
步骤S102,将参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据。
其中,无功功率实际数据是指由智能配电箱采集得到的实际的无功功率数据,无功功率预测数据是指由无功功率预测模型预测得到的预测数据;当前采样点是指在当前采集周期内,上一次采集低压配电网数据的时间点;预测周期是指以当前采样点为起始采样点,以预设的预测采样点个数为范围的周期,例如,服务器在当前采样点的基础上,每次向前预测一个小时的无功功率数据,那么无功功率预测模型每次就需要输出四个采样点的无功功率预测数据,预测周期即为这四个采样点组成的周期,预设采样点个数可以根据需要进行调整。
需要说明的是,无功功率预测模型用于根据参考周期的无功功率实际数据预测当前采集周期的无功功率预测数据;无功功率预测模型可以是对预测过程涉及的公式抽象得到的数学模型,也可以是通过多次训练得到的深度学习模型。
具体地,服务器将智能配电箱在参考周期内采集到的无功功率实际数据作为无功功率预测模型的输入,通过无功功率预测模型,在当前采样点的基础上,输出预设采样点个数的无功功率预测数据,组成预测周期的无功功率预测数据。
举例说明,假设当前采样点在当前采集周期中处于第N个采样点(其中,N为正整数),预设采样点个数为四个,那么服务器通过将参考周期的无功功率实际数据输入无功功率预测模型,可以得到当前采集周期内第N+1、N+2、N+3和N+4个采样点的无功功率预测数据。
步骤S103,根据预测周期的无功功率预测数据,对低压配电网进行无功调节。
具体地,服务器根据得到的预测周期的无功功率预测数据,对低压配电网进行无功调节。
举例说明,假设根据预测周期的无功功率预测数据得知在第N+1和N+3个采样点时刻,需要对低压配电网进行无功调节,那么服务器就会在输出无功功率预测数据之后,根据预测结果指示自动无功补偿装置,从而实现对低压配电网的无功调节。其中,自动无功补偿装置是指在低压配电网中用于进行无功补偿的装置,其作用是提高电网的功率因数,降低供电变压器及输送线路的损耗,提高供电效率以及改善供电环境。
上述低压配电无功调节方法中,服务器首先响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为当前采集周期的参考周期;然后,将参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;最后,根据预测周期的无功功率预测数据,对低压配电网进行无功调节。这样,服务器通过在历史采集周期中选取与当前采集周期的无功功率变化特征最相似的历史采集周期作为参考周期,然后基于无功功率预测模型,根据参考周期的无功功率实际数据对当前采集周期的无功功率进行预测,根据预测得到的无功功率预测数据,判断是否需要对低压配电网进行无功调节,因此缩短了从指示无功补偿装置开始工作到真正发挥无功补偿的时间差,从而消除了无功补偿的滞后性,提高了无功补偿的及时性。
在一示例性实施例中,如图2所示,在上述步骤S102,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为当前采集周期的参考周期之前,还具体包括如下步骤:
步骤S201,获取当前采集周期的无功功率实际数据,以及各个历史采集周期的无功功率实际数据。
步骤S202,确认各个历史采集周期的无功功率偏离信息。
步骤S203,根据各个历史采集周期的无功功率偏离信息,查询无功功率偏离信息与相似度的对应关系,得到各个历史采集周期对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度。
其中,当前采集周期的无功功率实际数据是指在当前采集周期内,且在当前采样点之前的无功功率实际数据,假设在当前采集周期中,第N个采样点为当前采样点,那么第N个采样点前的无功功率实际数据就是当前采集周期的无功功率实际数据。
需要说明的是,历史采集周期的无功功率偏离信息,用于表征当前采集周期的无功功率实际数据,相对于历史采集周期的无功功率实际数据的偏离程度;特殊地,无功功率偏离信息可以是方差,也可以是其他可以表征偏离程度的数据或信息,本申请在此不做具体限定。
还需要说明的是,无功功率偏离信息与相似度的对应关系是指,无功功率偏离信息越小,对应的相似度也就越大。
具体地,服务器在识别参考周期之前,还需要从智能配电箱中获取当前采集周期的无功功率实际数据,以及各个历史采集周期的无功功率实际数据,从而确认当前采集周期的无功功率实际数据相对于历史采集周期的无功功率实际数据的无功功率偏离信息,然后查询、无功功率偏离信息与相似度的对应关系,进一步获得各个历史采集周期对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度。
举例说明,服务器从智能配电箱中获取当前采集周期的无功功率实际数据,以及各个历史采集周期的无功功率实际数据,并计算当前采集周期的前N个采样点的无功功率实际数据相对于各个历史采集周期的前N个采样点的无功功率实际数据的无功功率偏离信息,然后根据无功功率偏离信息确定各个历史采集周期对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度,其中,无功功率偏离信息越小的历史采集周期对应的相似度越大。
本实施例中,服务器通过历史采集周期的无功功率偏离信息,以及无功功率偏离信息与相似度之间的对应关系,可以确定各个历史采集周期对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度,从而使得服务器能够在各个历史采集周期中,识别与当前采集周期的无功功率变化特征最相似的参考周期,并通过参考周期对当前采集周期的无功功率数据进行预测。
在一示例性实施例中,如图3所示,上述步骤S202,确认各个历史采集周期的无功功率偏离信息,具体包括如下步骤:
步骤S301,根据当前采集周期的各个采样点的无功功率实际数据,与各个历史采集周期的各个采样点的无功功率实际数据,确认各个历史采集周期的各个采样点的无功功率比率信息。
步骤S302,根据各个历史采集周期的各个采样点的无功功率比率信息,分别确认各个历史采集周期的无功功率比率平均值。
步骤S303,根据各个历史采集周期的各个采样点的无功功率比率信息、各个历史采集周期的无功功率比率平均值,以及当前采集周期的采样点个数,确认各个历史采集周期的无功功率偏离信息。
其中,各个历史采集周期的采样点个数与当前采集周期的采样点个数相等,即当前采集周期采集了N个采样点,那么用于确认无功功率比率信息、无功功率比率平均值和无功功率偏离信息的历史采集周期采样点个数也为N个。
需要说明的是,历史采集周期的各个采样点的无功功率比率信息,可以理解为,当前采集周期的前N个采样点的无功功率实际数据,分别与历史采集周期的前N个采样点的无功功率实际数据的比值;特殊地,无功功率比率信息也可以是其他能够反映当前采集周期的前N个采样点的无功功率实际数据,分别与历史采集周期的前N个采样点的无功功率实际数据之间的关系的数据或信息,本申请在此不做具体限定。
还需要说明的是,历史采集周期的无功功率比率平均值,可以理解为,历史采集周期内各个采样点对应的无功功率实际数据的比值的平均值;无功功率比率平均值也可以是其他能够反映当前采集周期的各个采样点的无功功率实际数据,与各个历史采集周期的各个采样点的无功功率实际数据之间的关系的集中程度的数据或信息,本申请在此不做具体限定。
具体地,服务器首先获取当前采集周期的各个采样点的无功功率实际数据,与各个历史采集周期的各个采样点的无功功率实际数据,确认各个历史采集周期的各个采样点的无功功率比率信息;然后根据各个历史采集周期的各个采样点的无功功率比率信息,分别确认各个历史采集周期的无功功率比率平均值;最后根据各个历史采集周期的各个采样点的无功功率比率信息、各个历史采集周期的无功功率比率平均值,以及当前采集周期的采样点个数,确认各个历史采集周期的无功功率偏离信息。
举例说明,服务器通过以下方式确认历史采集周期的无功功率偏离信息,首先获取当前采集周期的前N个采样点的无功功率实际数据,和该历史采集周期的前N个采样点的无功功率实际数据,然后通过以下公式,得到历史采集周期的无功功率比率平均值:
其中,N表示当前采集周期的采样点个数,i表示N个采样点中的第i个;X(i)表示当前采集周期的第i个采样点的无功功率实际数据,XH(i)表示历史采集周期的第i个采样点的无功功率实际数据;表示该历史采集周期的第i个采样点的无功功率比率信息;μ表示该历史采集周期的无功功率比率平均值。
接着服务器根据以下公式,得到历史采集周期的无功功率偏离信息:
其中,σ表示该历史采集周期的无功功率偏离信息。
本实施例中,服务器确认各个采样点的无功功率比率信息,然后确认历史采集周期的无功功率比率平均值,最后确认历史采集周期的无功功率偏离信息,实现了将无功功率实际数据转换为无功功率偏离信息,从而便于在历史采集周期中,识别出可以用于预测当前采集周期的无功功率数据的历史采集周期,使得预测结果更加准确,提高了低压配电无功调节的准确性。
在一示例性实施例中,各个历史采集周期的无功功率实际数据包括参考周期的无功功率实际数据;各个历史采集周期的无功功率比率平均值包括参考周期的无功功率比率平均值;上述步骤S102,将参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据,具体包括如下内容:通过无功功率预测模型,对参考周期的无功功率实际数据和参考周期的无功功率比率平均值进行融合处理,得到在当前采样点之后的预测周期的无功功率预测数据。
具体地,服务器在识别出参考周期的过程中,还会获取参考周期的无功功率比率平均值和参考周期的无功功率实际数据,然后通过无功功率预测模型对参考周期的无功功率实际数据和参考周期的无功功率比率平均值进行融合处理,对当前采样点之后的采样点的无功功率进行预测,从而得到在当前采样点之后的预测周期的无功功率预测数据。
举例说明,服务器通过无功功率预测模型中的以下公式,对参考周期的无功功率实际数据和参考周期的无功功率比率平均值进行融合处理:
X′(N+j)=XS(N+j)×μ
其中,j表示预测周期的第j个采样点,例如假设预设采样点个数为四个,那么j=1,2,3,4;X′(N+j)表示当前采样周期第N+j个采样点的无功功率预测数据,也就是在当前采样点之后的预测周期的无功功率预测数据;XS(N+j)表示参考周期第N+j个采样点的无功功率实际数据。
服务器通过以上公式对参考周期的无功功率实际数据和参考周期的无功功率比率平均值进行融合处理,得到在当前采样点之后的预测周期的无功功率预测数据。
本实施例中,服务器通过无功功率预测模型,实现了根据参考周期的无功功率实际数据预测当前采样周期的无功功率数据,从而能够提前指示无功补偿装置的工作,缩短了从指示无功补偿装置开始工作到真正发挥无功补偿的时间差,消除了无功补偿的滞后性,提高了无功补偿的及时性。
在一示例性实施例中,在上述步骤S103,根据预测周期的无功功率预测数据,对低压配电网进行无功调节之后,还具体包括如下内容:预测周期结束的情况下,根据预测周期的结束采样点,更新当前采样点,得到更新后的当前采样点,并根据更新后的当前采样点,更新当前采集周期的采样点个数,得到当前采集周期更新后的采样点个数;根据当前采集周期更新后的采样点个数,更新参考周期的无功功率比率平均值,得到参考周期更新后的无功功率比率平均值;将参考周期更新后的无功功率比率平均值,作为参考周期的无功功率比率平均值,并返回通过无功功率预测模型,对参考周期的无功功率实际数据和参考周期的无功功率比率平均值进行融合处理,得到在当前采样点之后的预测周期的无功功率预测数据的步骤,直到当前采集周期结束。
需要说明的是,在得到预测周期的无功功率预测数据之后,智能配电箱仍然会实时采集低压配电网的实际数据,因此服务器仍然可以获取预测周期的无功功率实际数据。
具体地,服务器在预测周期结束时,会将预测周期的结束采样点作为新的当前采样点,并根据新的当前采样点更新当前采集周期的采样点个数、当前采集周期的无功功率实际数据,从而得到参考周期更新后的无功功率比率平均值,并根据参考周期更新后的无功功率比率平均值,通过无功功率预测模型对新的当前采样点之后的预测周期的无功功率数据进行预测,即开始预测新一个预测周期的无功功率数据。服务器重复上述步骤,直到服务器检测到当前采集周期结束为止。
举例说明,假设在第N+4个采样点时预测周期结束,那么服务器会将第N+4个采样点更新为当前采样点,并对应更新当前采集周期的采样点个数、当前采集周期的无功功率实际数据,从而更新参考周期的无功功率比率平均值,例如:
其中,μ′表示参考周期的更新后的无功功率比率平均值。需要注意的是,此时的当前采集周期的采样点个数N是已经更新后的当前采集周期的采样点个数。
然后服务器通过无功功率预测模型继续对当前采集周期的无功功率数据进行预测,例如:
X′(N+j)=XS(N+j)×μ′
直到当前采集周期结束,那么针对于当前采集周期的低压配电无功调节也就结束了。
本实施例中,服务器通过同步记录预设周期的无功功率实际数据,并根据预设周期的无功功率实际数据和预设周期的结束采样点,更新参考周期更新后的无功功率比率平均值,即用预设周期的无功功率实际数据来修正参考周期更新后的无功功率比率平均值,能够提高预测的精度,使得预测结果与实际数据越来越接近,提高了低压配电无功调节的准确性。
在一示例性实施例中,上述步骤S103,根据预测周期的无功功率预测数据,对低压配电网进行无功调节,还具体包括如下内容:在预测周期的无功功率预测数据大于预设无功功率阈值的情况下,通过无功补偿装置,对低压配电网进行无功调节。
其中,预设无功功率阈值是指用于判断是否需要进行无功补偿的阈值,预设无功功率阈值可以根据需要进行设定;无功补偿装置是指在低压配电无功调节中发挥无功补偿作用的自动低压无功补偿装置。
具体地,服务器在预测周期的无功功率预测数据大于预设无功功率阈值的情况下,通过调节自动低压无功补偿装置,对低压配电网进行实时的无功调节。
举例说明,服务器在预测周期的无功功率预测数据高于预设无功功率阈值时,通过调节自动低压无功补偿装置,指示自动低压无功补偿装置工作,实现对低压配电的无功调节。例如,在得到预测周期的无功功率预测数据后,服务器通过检测发现在第N+1和第N+3个采样点的无功功率预测数据大于预设无功功率阈值,那么就指示自动低压无功补偿装置对低压配电网进行无功补偿,使得在实际的第N+1和第N+3个采样点时,低压配电网的无功功率实际数据不会高于预设无功功率阈值。
本实施例中,服务器通过对无功功率预测数据和预设无功功率阈值的比较,确定是否需要对低压配电网进行无功补偿,从而实现提前调节自动低压无功补偿装置,及时对低压配电网进行无功调节,进而消除了无功补偿的滞后性,提高了无功补偿的及时性。
在一示例性实施例中,如图4所示,提供了另一种低压配电无功调节方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤S401,获取当前采集周期的无功功率实际数据,以及各个历史采集周期的无功功率实际数据。
其中,历史采集周期和当前采集周期,均是针对低压配电网数据的采集周期。当前采集周期的无功功率实际数据是指在当前采集周期内,且在当前采样点之前的无功功率实际数据。
步骤S402,确认各个历史采集周期的无功功率偏离信息。
其中,历史采集周期的无功功率偏离信息,用于表征当前采集周期的无功功率实际数据,相对于历史采集周期的无功功率实际数据的偏离程度。
步骤S403,根据各个历史采集周期的无功功率偏离信息,得到各个历史采集周期对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度。
其中,各个历史采集周期对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度,通过查询无功功率偏离信息与相似度的对应关系得到。
步骤S404,响应于针对低压配电网的无功调节指令,在各个历史采集周期中识别出参考周期。
其中,参考周期是指在各个历史采集周期中,对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期。
步骤S405,通过无功功率预测模型,对参考周期的无功功率实际数据和参考周期的无功功率比率平均值进行融合处理,得到在当前采样点之后的预测周期的无功功率预测数据。
步骤S406,在预测周期的无功功率预测数据大于预设无功功率阈值的情况下,通过无功补偿装置,对低压配电网进行无功调节。
步骤S407,预测周期结束的情况下,更新参考周期的无功功率比率平均值,得到参考周期的更新后的无功功率比率平均值,将参考周期的更新后的无功功率比率平均值作为参考周期的无功功率比率平均值,并返回步骤S405,直到当前采集周期结束。
本实施例中,服务器通过当前采集周期的无功功率实际数据,相对于历史采集周期的无功功率实际数据的无功功率偏离信息,确定无功功率变化特征的相似度,在历史采集周期中选取与当前采集周期的无功功率变化特征最相似的历史采集周期作为参考周期;然后基于无功功率预测模型,根据参考周期的无功功率实际数据对当前采集周期的无功功率进行预测,根据预测得到的无功功率预测数据和预设无功功率阈值的比较,判断是否需要对低压配电网进行无功调节;并通过同步记录预设周期的无功功率实际数据,根据预设周期的无功功率实际数据和预设周期的结束采样点,更新参考周期更新后的无功功率比率平均值,即用预设周期的无功功率实际数据来修正参考周期更新后的无功功率比率平均值,从而实现了缩短从指示无功补偿装置开始工作到真正发挥无功补偿的时间差,消除了无功补偿的滞后性,提高了无功补偿的及时性。
为了更清晰阐明本申请实施例提供的低压配电无功调节方法,以下以一个具体的实施例对该低压配电无功调节方法进行具体说明。在一示例性实施例中,如图5所示,本申请还提供了一种基于负荷预测的低压配电无功调节方法,具体包括以下步骤:
步骤S501,将当前周期采集的无功功率数据转换成无功功率变化曲线。
步骤S502,将当前周期的无功功率变化曲线与配电箱内存空间中存储的历史周期的无功功率变化曲线进行对比,选出波形最为相似的一条曲线作为预测曲线。
如图6所示,为当前周期的无功功率变化曲线与配电箱内存空间中存储的历史周期的无功功率变化曲线的对比情况,圆点标注的曲线为当前周期的无功功率变化曲线,十字标注的曲线为历史周期的无功功率变化曲线;t0为当前时间,即当前周期采集了到当前时间t0为止的无功功率数据。
其中,判断曲线是否相似的方法如下:已知当前周期记录已采集了N个采样点,假设当前周期的无功功率变化曲线为X1,用于比较的无功功率变化曲线为X2。那么两条无功功率变化曲线之间可能会有相似的倍数关系,因此需要计算两条无功功率变化曲线的前N个点的采样值倍数的平均值μ与方差σ:
其中,X1(i)代表当前周期的无功功率变化曲线的第i个采样点的采样值;X2(i)代表用于比较的无功功率变化曲线的第i个采样点的采样值。由于σ反映了每个采样点的倍数与倍数的平均值的偏离程度,因此σ越小,说明两条无功功率变化曲线的相似程度越高。根据上述方法即可从智能配电箱内存空间中选出σ最小的无功功率变化曲线XS作为预测曲线。
步骤S503,根据预测曲线,得到当前周期接下来一个小时的无功功率预测变化情况。
根据以下公式得到当前周期接下来一个小时的无功功率预测变化情况:
X′(N+j)=XS(N+j)×μ
其中,j=1,2,3,4,XS(N+j)表示预测曲线第N+j个采样点的无功功率数据,X′(N+j)表示预测得到的当前周期的无功功率变化曲线第N+j个采样点的无功功率数据。
步骤S504,根据当前周期的无功功率变化曲线接下来一个小时的无功功率预测变化情况,提前进行自动无功补偿装置的调节。
步骤S505,判断当前周期是否结束。
步骤S506,在当前周期没有结束的情况下,更新采样值倍数的平均值μ,并返回步骤S503。
其中,根据以下公式更新采样值倍数的平均值μ:
步骤S507,在当前周期已经结束的情况下,结束此次低压配电无功调节任务。
本实施例中,服务器通过简便的算法,在历史周期的无功功率变化曲线中选取出与当前周期的无功功率变化曲线最为相似的曲线,作为预测曲线,然后根据预测曲线对应的历史数据,对当前周期接下来的无功功率变化趋势做出预测,从而可以根据预测值做出决策,判断是否要对低压配电网进行补偿无功,若需要,那么就调节自动无功补偿装置,从而可以消除无功补偿的滞后性,使得自动无功补偿装置能够实时应对低压配电网无功的需求,提高了无功补偿的及时性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的低压配电无功调节方法的低压配电无功调节装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个低压配电无功调节装置实施例中的具体限定可以参见上文中对于低压配电无功调节方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种低压配电无功调节装置,包括:识别模块701、预测模块702和调节模块703,其中:
识别模块701,用于响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为当前采集周期的参考周期;历史采集周期和当前采集周期,均是针对低压配电网数据的采集周期。
预测模块702,用于将参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;当前采样点是指在当前采集周期内,上一次采集低压配电网数据的时间点。
调节模块703,用于根据预测周期的无功功率预测数据,对低压配电网进行无功调节。
在一示例性实施例中,识别模块701,还用于获取当前采集周期的无功功率实际数据,以及各个历史采集周期的无功功率实际数据;当前采集周期的无功功率实际数据是指在当前采集周期内,且在当前采样点之前的无功功率实际数据;确认各个历史采集周期的无功功率偏离信息;历史采集周期的无功功率偏离信息,用于表征当前采集周期的无功功率实际数据,相对于历史采集周期的无功功率实际数据的偏离程度;根据各个历史采集周期的无功功率偏离信息,查询无功功率偏离信息与相似度的对应关系,得到各个历史采集周期对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度。
在一示例性实施例中,识别模块701,还用于根据当前采集周期的各个采样点的无功功率实际数据,与各个历史采集周期的各个采样点的无功功率实际数据,确认各个历史采集周期的各个采样点的无功功率比率信息;各个历史采集周期的采样点个数与当前采集周期的采样点个数相等;根据各个历史采集周期的各个采样点的无功功率比率信息,分别确认各个历史采集周期的无功功率比率平均值;根据各个历史采集周期的各个采样点的无功功率比率信息、各个历史采集周期的无功功率比率平均值,以及当前采集周期的采样点个数,确认各个历史采集周期的无功功率偏离信息。
在一示例性实施例中,各个历史采集周期的无功功率实际数据包括参考周期的无功功率实际数据;各个历史采集周期的无功功率比率平均值包括参考周期的无功功率比率平均值;
预测模块702,还用于通过无功功率预测模型,对参考周期的无功功率实际数据和参考周期的无功功率比率平均值进行融合处理,得到在当前采样点之后的预测周期的无功功率预测数据。
在一示例性实施例中,低压配电无功调节装置还包括更新模块,用于在预测周期结束的情况下,根据预测周期的结束采样点,更新当前采样点,得到更新后的当前采样点,并根据更新后的当前采样点,更新当前采集周期的采样点个数,得到当前采集周期更新后的采样点个数;根据当前采集周期更新后的采样点个数,更新参考周期的无功功率比率平均值,得到参考周期更新后的无功功率比率平均值;将参考周期更新后的无功功率比率平均值,作为参考周期的无功功率比率平均值,并返回通过无功功率预测模型,对参考周期的无功功率实际数据和参考周期的无功功率比率平均值进行融合处理,得到在当前采样点之后的预测周期的无功功率预测数据的步骤,直到当前采集周期结束。
在一示例性实施例中,调节模块703,还用于在预测周期的无功功率预测数据大于预设无功功率阈值的情况下,通过无功补偿装置,对低压配电网进行无功调节。
上述低压配电无功调节装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一示例性实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储低压配电网数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种低压配电无功调节方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一示例性实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一示例性实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一示例性实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种低压配电无功调节方法,其特征在于,所述方法包括:
响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期;所述历史采集周期和所述当前采集周期,均是针对低压配电网数据的采集周期;
将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;所述当前采样点是指在所述当前采集周期内,上一次采集低压配电网数据的时间点;
根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节。
2.根据权利要求1所述的方法,其特征在于,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期之前,还包括:
获取所述当前采集周期的无功功率实际数据,以及所述各个历史采集周期的无功功率实际数据;所述当前采集周期的无功功率实际数据是指在所述当前采集周期内,且在所述当前采样点之前的无功功率实际数据;
确认所述各个历史采集周期的无功功率偏离信息;所述历史采集周期的无功功率偏离信息,用于表征所述当前采集周期的无功功率实际数据,相对于所述历史采集周期的无功功率实际数据的偏离程度;
根据所述各个历史采集周期的无功功率偏离信息,查询无功功率偏离信息与相似度的对应关系,得到所述各个历史采集周期对应的无功功率变化特征与所述当前采集周期对应的无功功率变化特征之间的相似度。
3.根据权利要求2所述的方法,其特征在于,所述确认所述各个历史采集周期的无功功率偏离信息,包括:
根据所述当前采集周期的各个采样点的无功功率实际数据,与所述各个历史采集周期的各个采样点的无功功率实际数据,确认所述各个历史采集周期的各个采样点的无功功率比率信息;所述各个历史采集周期的采样点个数与所述当前采集周期的采样点个数相等;
根据所述各个历史采集周期的各个采样点的无功功率比率信息,分别确认所述各个历史采集周期的无功功率比率平均值;
根据所述各个历史采集周期的各个采样点的无功功率比率信息、所述各个历史采集周期的无功功率比率平均值,以及所述当前采集周期的采样点个数,确认所述各个历史采集周期的无功功率偏离信息。
4.根据权利要求3所述的方法,其特征在于,所述各个历史采集周期的无功功率实际数据包括所述参考周期的无功功率实际数据;所述各个历史采集周期的无功功率比率平均值包括所述参考周期的无功功率比率平均值;
所述将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据,包括:
通过无功功率预测模型,对所述参考周期的无功功率实际数据和所述参考周期的无功功率比率平均值进行融合处理,得到在所述当前采样点之后的预测周期的无功功率预测数据。
5.根据权利要求4所述的方法,其特征在于,在根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节之后,还包括:
在所述预测周期结束的情况下,根据所述预测周期的结束采样点,更新所述当前采样点,得到更新后的当前采样点,并根据所述更新后的当前采样点,更新所述当前采集周期的采样点个数,得到所述当前采集周期更新后的采样点个数;
根据所述当前采集周期更新后的采样点个数,更新所述参考周期的无功功率比率平均值,得到所述参考周期更新后的无功功率比率平均值;
将所述参考周期更新后的无功功率比率平均值,作为所述参考周期的无功功率比率平均值,并返回所述通过无功功率预测模型,对所述参考周期的无功功率实际数据和所述参考周期的无功功率比率平均值进行融合处理,得到在所述当前采样点之后的预测周期的无功功率预测数据的步骤,直到所述当前采集周期结束。
6.根据权利要求1至5任一项所述的方法,其特征在于,所述根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节,包括:
在所述预测周期的无功功率预测数据大于预设无功功率阈值的情况下,通过无功补偿装置,对所述低压配电网进行无功调节。
7.一种低压配电无功调节装置,其特征在于,所述装置包括:
识别模块,用于响应于针对低压配电网的无功调节指令,在各个历史采集周期中,识别出对应的无功功率变化特征与当前采集周期对应的无功功率变化特征之间的相似度最大的历史采集周期,作为所述当前采集周期的参考周期;所述历史采集周期和所述当前采集周期,均是针对低压配电网数据的采集周期;
预测模块,用于将所述参考周期的无功功率实际数据输入无功功率预测模型中,得到在当前采样点之后的预测周期的无功功率预测数据;所述当前采样点是指在所述当前采集周期内,上一次采集低压配电网数据的时间点;
调节模块,用于根据所述预测周期的无功功率预测数据,对所述低压配电网进行无功调节。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239042.1A CN115459299A (zh) | 2022-10-11 | 2022-10-11 | 低压配电无功调节方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211239042.1A CN115459299A (zh) | 2022-10-11 | 2022-10-11 | 低压配电无功调节方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115459299A true CN115459299A (zh) | 2022-12-09 |
Family
ID=84309755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211239042.1A Pending CN115459299A (zh) | 2022-10-11 | 2022-10-11 | 低压配电无功调节方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115459299A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017221483A1 (ja) * | 2016-06-20 | 2017-12-28 | 株式会社日立製作所 | 電圧無効電力監視制御装置及び方法 |
CN109755971A (zh) * | 2019-03-21 | 2019-05-14 | 东南大学 | 一种基于虚拟集群的有源配电网电压控制方法和系统 |
CN111355246A (zh) * | 2020-03-04 | 2020-06-30 | 国网安徽省电力有限公司检修分公司 | 用于调相机的无功补偿的预测方法、系统及存储介质 |
CN113783203A (zh) * | 2021-09-07 | 2021-12-10 | 广东鑫钻节能科技股份有限公司 | 一种用于空压站的余功回收与无功补偿系统 |
CN113937783A (zh) * | 2021-06-30 | 2022-01-14 | 国家电投集团电站运营技术(北京)有限公司 | 基于模型预测控制的风电场无功电压协调控制方法和装置 |
CN114243702A (zh) * | 2022-01-28 | 2022-03-25 | 国网湖南省电力有限公司 | 一种电网avc系统运行参数的预测方法、系统及存储介质 |
CN114938003A (zh) * | 2022-06-08 | 2022-08-23 | 广东电网有限责任公司 | 一种配网无功补偿控制方法、装置、设备及存储介质 |
CN115051912A (zh) * | 2022-06-20 | 2022-09-13 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
-
2022
- 2022-10-11 CN CN202211239042.1A patent/CN115459299A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017221483A1 (ja) * | 2016-06-20 | 2017-12-28 | 株式会社日立製作所 | 電圧無効電力監視制御装置及び方法 |
CN109755971A (zh) * | 2019-03-21 | 2019-05-14 | 东南大学 | 一种基于虚拟集群的有源配电网电压控制方法和系统 |
CN111355246A (zh) * | 2020-03-04 | 2020-06-30 | 国网安徽省电力有限公司检修分公司 | 用于调相机的无功补偿的预测方法、系统及存储介质 |
CN113937783A (zh) * | 2021-06-30 | 2022-01-14 | 国家电投集团电站运营技术(北京)有限公司 | 基于模型预测控制的风电场无功电压协调控制方法和装置 |
CN113783203A (zh) * | 2021-09-07 | 2021-12-10 | 广东鑫钻节能科技股份有限公司 | 一种用于空压站的余功回收与无功补偿系统 |
CN114243702A (zh) * | 2022-01-28 | 2022-03-25 | 国网湖南省电力有限公司 | 一种电网avc系统运行参数的预测方法、系统及存储介质 |
CN114938003A (zh) * | 2022-06-08 | 2022-08-23 | 广东电网有限责任公司 | 一种配网无功补偿控制方法、装置、设备及存储介质 |
CN115051912A (zh) * | 2022-06-20 | 2022-09-13 | 广东电网有限责任公司 | 一种停电用户定位方法、装置、设备、介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108845881A (zh) | 服务器容量动态调整的方法及装置 | |
CN105205297A (zh) | 一种时间序列预测方法及系统 | |
CN113037531A (zh) | 流量预测方法、装置以及存储介质 | |
CN110544130A (zh) | 流量异动监测方法、装置、计算机设备和存储介质 | |
CN115034519A (zh) | 一种用电负荷的预测方法、装置、电子设备以及存储介质 | |
CN110457361B (zh) | 特征数据获取方法、装置、计算机设备和存储介质 | |
CN112308337A (zh) | 电力系统概率性短期负荷的预测方法、预测装置与处理器 | |
CN117196250A (zh) | 水厂控制方法及控制设备 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN115459299A (zh) | 低压配电无功调节方法、装置、计算机设备和存储介质 | |
CN110992189A (zh) | 资源数据估值方法、装置、计算机设备和存储介质 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
CN114638405A (zh) | 能源需求预测方法、装置及计算机设备 | |
CN114861995A (zh) | 电力物资的需求预测方法、装置和计算机设备 | |
CN113657936A (zh) | 电力负荷预测方法及终端 | |
CN112926801A (zh) | 一种基于分位数回归的负荷曲线组合预测方法及装置 | |
CN112329995A (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
CN111612419A (zh) | 电力申报数据的处理方法、装置和计算机设备 | |
JPH10187660A (ja) | コンピュータ演算方法 | |
JP2020115276A (ja) | 情報処理方法、情報処理装置、プログラム及び学習済みモデルの生成方法 | |
CN116365520B (zh) | 输电线路设备风险预测方法、装置和计算机设备 | |
CN113435653B (zh) | 一种基于logistic模型的饱和用电量预测方法及系统 | |
CN111507783B (zh) | 电子票据推送方法、装置、区块链节点设备和存储介质 | |
CN116581782A (zh) | 一种基于转动惯量的电力系统安全控制方法和装置 |
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 |