CN115759708A - 一种考虑电力时空分布特性的线损分析方法及系统 - Google Patents

一种考虑电力时空分布特性的线损分析方法及系统 Download PDF

Info

Publication number
CN115759708A
CN115759708A CN202211645989.2A CN202211645989A CN115759708A CN 115759708 A CN115759708 A CN 115759708A CN 202211645989 A CN202211645989 A CN 202211645989A CN 115759708 A CN115759708 A CN 115759708A
Authority
CN
China
Prior art keywords
line loss
data
abnormal
factor
correlation
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
Application number
CN202211645989.2A
Other languages
English (en)
Inventor
江泽涛
黄友朋
李固
李健
招景明
阙华坤
蔡永智
张科
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.)
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Measurement Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202211645989.2A priority Critical patent/CN115759708A/zh
Publication of CN115759708A publication Critical patent/CN115759708A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种考虑电力时空分布特性的线损分析方法及系统，该方法包括基于目标台区的历史线损数据，获取线损异常因子清单；根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果；利用全局灵敏度分析算法，对目标台区的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子；根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位。本方法综合考虑了线损分析中电力时空分布特性因素的影响，能够准确反映新型电力系统的真实线损情况。

Description

一种考虑电力时空分布特性的线损分析方法及系统
技术领域
本发明涉及配电网线损分析技术领域，尤其是涉及一种考虑电力时空分布特性的线损分析方法及系统。
背景技术
配电网线损直接反应了供电企业的用电管理水平，降低配电网线损直接提高企业的经济效益，配电网线损评估与管理是企业有效降低配电网的损耗的必备手段。现有技术公开的一种电网线损检测分析系统，其利用电力自动化系统中的EMS数据、TMR数据及气象数据对电网线损进行监控分析，具体包括采集服务器、数据库以及应用服务器。传统由于发电、变电、配电、售电各环节的电力潮流相对没那么复杂，时空特性的影响没那么突出，传统配电网线损，台区下没有发电、没有充电桩、没有储能装置，时空特性影响也不突出。
而新型电力系统有如大量的新增光伏是非计划型的发电，有大量的非稳定用电的充电桩(充电桩单点用电量大、随意性强，时空特性更多样化，居民用电量低，时间特性明显，有白天晚上的不同，有节假日的差异性)，有新建设配套光伏非计划发电的储能装置，时空特性问题较为突出。
现有配网线损计算，是基于传统的集中式发电厂(火电、水电、核电等大型电厂)、输变电、配电，电力潮流单一，线损区间波动小，使用简单的输入、输出、损失电量计算方法进行计算，计算方法也简单。之前研究的传统配网线损计算，未考虑新型电力系统背景下大规模新能源、储能等关键因素的影响，难以给出合理的线损参考区间，无法准确反映新型电力系统真实线损情况。在新型电力系统下，已经无法准确反映配网线损。
发明内容
本发明旨在提供一种考虑电力时空分布特性的线损分析方法及系统，以解决上述技术问题，其综合考虑电力时空分布特性因素的影响，能够准确反映新型电力系统的真实线损情况。
为了解决上述技术问题，本发明提供了一种考虑电力时空分布特性的线损分析方法，包括以下步骤：
基于目标台区的历史线损数据，获取线损异常因子清单；
根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果；
利用全局灵敏度分析算法，对目标台区的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子；
根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位。
上述方案通过获取目标台区的线损异常因子清单，以得到所有线损数据的相关性结果，同时对各个线损异常因子的灵敏度数据进行计算，基于相关性结果和灵敏度数据获取到含时空特征量的线损关键因子，最后利用线损关键因子对目标台区进行线损分析。
上述方案综合考虑了线损分析中电力时空分布特性因素的影响，能够准确反映新型电力系统的真实线损情况，最终得到的线损计算方式适用于新型电力系统。
进一步地，所述根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果，包括：
根据线损异常因子清单，采用相关性分析法分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果。
进一步地，所述基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子，具体为：
基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，提取出包含时空特征量的相关性高、灵敏度高的线损因子作为线损关键因子。
上述方案中，在基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果获取包含时空特征量的线损关键因子后，可以提供给线损分析人员做降损辅助决策，实现精准降损。其适应新型电力系统的线损计算及异常诊断系统应用。
进一步地，所述根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位，具体为：
筛选目标台区中的异常台区，获取异常台区的线损异常数据；
根据线损关键因子对线损异常数据进行排查，确定异常类型及数据相关性，进行线损关键因子的定位。
进一步地，所述筛选目标台区中的异常台区，获取异常台区的线损异常数据，具体为：
计算目标台区的线损数据并与理论线损数据进行对比，筛选出目标台区中的异常台区，获取异常台区的线损异常数据。
上述方案中，可以实现多场景配网线损合理区间在线计算。多场景是指在新型电力系统下，存在原有的全都是居民用户的场景的配网台区，存在一定比例光伏的配网台区、存在大量光伏的配网台区、存在一定比例充电桩的配网台区、存在大量充电桩的配网台区等多种新型电力场景。
本发明还提供一种考虑电力时空分布特性的线损分析系统，包括线损异常因子获取模块、相关性分析模块、灵敏度分析模块、线损关键因子获取模块和线损分析模块；其中：
所述线损异常因子获取模块用于基于目标台区的历史线损数据，获取线损异常因子清单；
所述相关性分析模块用于根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果；
所述灵敏度分析模块用于利用全局灵敏度分析算法，对目标台区的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
所述线损关键因子获取模块用于基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子；
所述线损分析模块用于根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位。
进一步地，所述相关性分析模块用于根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果，包括：
根据线损异常因子清单，采用相关性分析法分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果。
进一步地，所述线损关键因子获取模块用于基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子，具体为：
基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，提取出包含时空特征量的相关性高、灵敏度高的线损因子作为线损关键因子。
进一步地，所述线损分析模块用于根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位，具体为：
筛选目标台区中的异常台区，获取异常台区的线损异常数据；
根据线损关键因子对线损异常数据进行排查，确定异常类型及数据相关性，进行线损关键因子的定位。
进一步地，所述筛选目标台区中的异常台区，获取异常台区的线损异常数据，具体为：
计算目标台区的线损数据并与理论线损数据进行对比，筛选出目标台区中的异常台区，获取异常台区的线损异常数据。
附图说明
图1为本发明一实施例提供的一种考虑电力时空分布特性的线损分析方法流程示意图；
图2为本发明一实施例提供的一种考虑电力时空分布特性的线损分析系统模块连接示意图。
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、完整的描述，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他实施例，都属于本发明保护的范围。
请参见图1，本实施例提供了一种考虑电力时空分布特性的线损分析方法，包括以下步骤：
S1：基于目标台区的历史线损数据，获取线损异常因子清单；
需要说明的是，线损异常因子清单中包括与线损计算有关的特征因子、与该特征因子对应的线损分类、该特征因子在计算线损过程中的权重等。
S2：根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果；
S3：利用全局灵敏度分析算法，对目标台区的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
S4：基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子；
需要说明的是，根据线损关键因子及目标台区线损关键因子的灵敏度，可以析出台区内变压器容量、电缆的材质、长度、直径、环境温度等大量线损异常因子中提取出相关性高、灵敏度高的TOP5线损因子作为线损关键因子。例如，通过关键因子分析算法，从各种因子中寻找出对种群密度变动起主导作用的5个因子，作为TOP5关键因子。
需要进一步说明的是，通过线损关键因子分析得到TOP5的影响线损关键因子，通过灵敏度计算获得每个线损关键因子的影响程度，即影响结果。将时空特征量考虑至影响线损的关键因子后，可以获得时空特征量对于线损的影响能力，并作为线损分析过程中的考虑因素，指导台区的综合考量。
在灵敏度计算过程中，依托实际采集的电表数据，输入各关键因子，分析各个关键因子大小波动对线损结果的影响，进而得到各个关键因子的灵敏度。
S5：根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位。
本实施例通过获取目标台区的线损异常因子清单，以得到所有线损数据的相关性结果，同时对各个线损异常因子的灵敏度数据进行计算，基于相关性结果和灵敏度数据获取到含时空特征量的线损关键因子，最后利用线损关键因子对目标台区进行线损分析。
本实施例综合考虑了线损分析中电力时空分布特性因素的影响，能够准确反映新型电力系统的真实线损情况，最终得到的线损计算方式适用于新型电力系统。
进一步地，所述根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果，包括：
根据线损异常因子清单，采用相关性分析法分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果。
需要说明的是，相关性分析法可以为Pearson相关系数法、Kendall tau相关系数法等。
进一步地，采用Pearson相关系数法分析各个线损异常因子与线损数据的相关性，有：
Figure BDA0004008133860000061
式中，M表示相关性结果；Xi表示第i个线损因子所对应的数据；Yi表示第i个线损数据。利用已有历史日线损数据作为样本数据计算每个因子与线损数据的协方差除以X和Y各自的标准差乘积，得到每个线损因子的相关性。
当计算结果大于0为正相关，小于0为负相关，相关性计算结果值越大，说明相关性越强，进而可以得到各个因子与线损数据的相关性。
进一步地，所述利用全局灵敏度分析算法，对目标台区的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据，具体为：
所述全局灵敏度分析算法具体表达为：
Figure BDA0004008133860000062
其中，f0，fi(xi)，fij(xi,xj)三个未知的计算子项如下：
1)计算子项f0是当参数输入均值都为0的时候，的常量，该子项算法公式如下
f0＝∫f(x)dx
2)计算子项fi(i)是第i个特征因子的灵敏度计算，xi是第i个特征因子的数据作为输入
fi(xi)＝∫f(x)Πs≠idx-f0
3)计算子项fij(xi,xj)是第i个特征因子和第j个特征因子的灵敏度相互影响
fij(xi,xj)＝∫f(x)Πs≠idx-f0-fi(xi)-fj(xj)
上述全局灵敏度分析算法中，x1,x2,x3,...,xk是线损异常因子作为输入参数，f(x1,x2,x3,...,xk)是求解特征因子总灵敏度的函数，通过构建全局灵敏度算法模型，将每个线损异常因子每一天的数据，作为模型输入数据，求解出全局以及各个线损异常因子的灵敏度数据，根据灵敏度大小，评估线损异常因子的影响。
进一步地，所述基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子，具体为：
基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，提取出包含时空特征量的相关性高、灵敏度高的线损因子作为线损关键因子。
需要说明的是，线损关键因子可以在台区现场收集得到，也可以由电力系统采集电表信息获取。其包括台区下光伏分布、台区下光伏数量、发电量、上网负荷、消纳方式、光伏电厂周围居民密度等；另外，是否有储能电厂、充电桩数量、充电桩空闲状态等关键因子都属于新型电力系统的关键因子。
需要进一步说明的是，包含时空特征量的线损关键因子包括日线损趋势和台区特征(城市、农村)等。其获取方式为：通过构建台区、线路异常特征量及标杆值的计算模型和评估台区、线路异常分析模型，实现时空特征量的获取。
进一步地，所述根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位，具体为：
筛选目标台区中的异常台区，获取异常台区的线损异常数据；
根据线损关键因子对线损异常数据进行排查，确定异常类型及数据相关性，进行线损关键因子的定位。
进一步地，所述筛选目标台区中的异常台区，获取异常台区的线损异常数据，具体为：
计算目标台区的线损数据并与理论线损数据进行对比，筛选出目标台区中的异常台区，获取异常台区的线损异常数据。
在上述比对过程中，偏离理论线损数据一定范围则选定为异常台区，如高于理论线损1.2倍的线损偏高、或者小于0的线损偏低，这些均判定为异常台区。
本实施例中，所述理论线损数据的计算过程可以为：
构建理论线损模型100％*ΔQ/Q。具体地，使用电压损失率法构建理论线损，通过采集台区下一天的供电量Q、首端电压U1、末端电压U2、末端电流I等数据，计算：
首端与末端电压差值：ΔU＝U1-U2；
损失功率：ΔP＝ΔU*I；
假定台区整体电器电阻恒定的情况下，一天的理论损失电量：ΔQ＝ΔP*24，那么可以估算理论线损为100％*ΔQ/Q。
请参见图2，本实施例提供一种考虑电力时空分布特性的线损分析系统，用于实现一种考虑电力时空分布特性的线损分析方法，其包括线损异常因子获取模块、相关性分析模块、灵敏度分析模块、线损关键因子获取模块和线损分析模块；其中：
所述线损异常因子获取模块用于基于目标台区的历史线损数据，获取线损异常因子清单；
所述相关性分析模块用于根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果；
所述灵敏度分析模块用于利用全局灵敏度分析算法，对目标台区的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
所述线损关键因子获取模块用于基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子；
所述线损分析模块用于根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位。
进一步地，所述相关性分析模块用于根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果，包括：
根据线损异常因子清单，采用相关性分析法分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果。
进一步地，所述线损关键因子获取模块用于基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子，具体为：
基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，提取出包含时空特征量的相关性高、灵敏度高的线损因子作为线损关键因子。
进一步地，所述线损分析模块用于根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位，具体为：
筛选目标台区中的异常台区，获取异常台区的线损异常数据；
根据线损关键因子对线损异常数据进行排查，确定异常类型及数据相关性，进行线损关键因子的定位。
进一步地，所述筛选目标台区中的异常台区，获取异常台区的线损异常数据，具体为：
计算目标台区的线损数据并与理论线损数据进行对比，筛选出目标台区中的异常台区，获取异常台区的线损异常数据。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种考虑电力时空分布特性的线损分析方法，其特征在于，包括以下步骤：
基于目标台区的历史线损数据，获取线损异常因子清单；
根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果；
利用全局灵敏度分析算法，对目标台区的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子；
根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位。
2.根据权利要求1所述的一种考虑电力时空分布特性的线损分析方法，其特征在于，所述根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果，包括：
根据线损异常因子清单，采用相关性分析法分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果。
3.根据权利要求1所述的一种考虑电力时空分布特性的线损分析方法，其特征在于，所述基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子，具体为：
基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，提取出包含时空特征量的相关性高、灵敏度高的线损因子作为线损关键因子。
4.根据权利要求1～3任一项所述的一种考虑电力时空分布特性的线损分析方法，其特征在于，所述根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位，具体为：
筛选目标台区中的异常台区，获取异常台区的线损异常数据；
根据线损关键因子对线损异常数据进行排查，确定异常类型及数据相关性，进行线损关键因子的定位。
5.根据权利要求4所述的一种考虑电力时空分布特性的线损分析方法，其特征在于，所述筛选目标台区中的异常台区，获取异常台区的线损异常数据，具体为：
计算目标台区的线损数据并与理论线损数据进行对比，筛选出目标台区中的异常台区，获取异常台区的线损异常数据。
6.一种考虑电力时空分布特性的线损分析系统，其特征在于，包括线损异常因子获取模块、相关性分析模块、灵敏度分析模块、线损关键因子获取模块和线损分析模块；其中：
所述线损异常因子获取模块用于基于目标台区的历史线损数据，获取线损异常因子清单；
所述相关性分析模块用于根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果；
所述灵敏度分析模块用于利用全局灵敏度分析算法，对目标台区的线损异常因子进行灵敏度分析，得到各个线损异常因子的灵敏度数据；
所述线损关键因子获取模块用于基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子；
所述线损分析模块用于根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位。
7.根据权利要求6所述的一种考虑电力时空分布特性的线损分析系统，其特征在于，所述相关性分析模块用于根据线损异常因子清单，分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果，包括：
根据线损异常因子清单，采用相关性分析法分析各个线损异常因子与线损数据的相关性，获取所有线损数据的相关性结果。
8.根据权利要求6所述的一种考虑电力时空分布特性的线损分析系统，其特征在于，所述线损关键因子获取模块用于基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，获取包含时空特征量的线损关键因子，具体为：
基于各个线损异常因子的灵敏度数据和所有线损数据的相关性结果，提取出包含时空特征量的相关性高、灵敏度高的线损因子作为线损关键因子。
9.根据权利要求6～8任一项所述的一种考虑电力时空分布特性的线损分析系统，其特征在于，所述线损分析模块用于根据线损关键因子对目标台区进行线损分析，并进行线损关键因子的定位，具体为：
筛选目标台区中的异常台区，获取异常台区的线损异常数据；
根据线损关键因子对线损异常数据进行排查，确定异常类型及数据相关性，进行线损关键因子的定位。
10.根据权利要求9所述的一种考虑电力时空分布特性的线损分析系统，其特征在于，所述筛选目标台区中的异常台区，获取异常台区的线损异常数据，具体为：
计算目标台区的线损数据并与理论线损数据进行对比，筛选出目标台区中的异常台区，获取异常台区的线损异常数据。
CN202211645989.2A 2022-12-20 2022-12-20 一种考虑电力时空分布特性的线损分析方法及系统 Pending CN115759708A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211645989.2A CN115759708A (zh) 2022-12-20 2022-12-20 一种考虑电力时空分布特性的线损分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211645989.2A CN115759708A (zh) 2022-12-20 2022-12-20 一种考虑电力时空分布特性的线损分析方法及系统

Publications (1)

Publication Number Publication Date
CN115759708A true CN115759708A (zh) 2023-03-07

Family

ID=85348630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211645989.2A Pending CN115759708A (zh) 2022-12-20 2022-12-20 一种考虑电力时空分布特性的线损分析方法及系统

Country Status (1)

Country Link
CN (1) CN115759708A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910602A (zh) * 2023-09-14 2023-10-20 广东电网有限责任公司 一种基于关联性分析的线损分析方法及系统
CN117056645A (zh) * 2023-10-12 2023-11-14 广东电网有限责任公司 一种基于配电网线损的数据处理方法、装置、设备及介质
CN118444085A (zh) * 2024-07-08 2024-08-06 国网上海市电力公司 一种新型智慧配电网异常线损识别方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116910602A (zh) * 2023-09-14 2023-10-20 广东电网有限责任公司 一种基于关联性分析的线损分析方法及系统
CN116910602B (zh) * 2023-09-14 2024-01-19 广东电网有限责任公司 一种基于关联性分析的线损分析方法及系统
CN117056645A (zh) * 2023-10-12 2023-11-14 广东电网有限责任公司 一种基于配电网线损的数据处理方法、装置、设备及介质
CN118444085A (zh) * 2024-07-08 2024-08-06 国网上海市电力公司 一种新型智慧配电网异常线损识别方法及系统

Similar Documents

Publication Publication Date Title
Barja-Martinez et al. Artificial intelligence techniques for enabling Big Data services in distribution networks: A review
Li et al. When weather matters: IoT-based electrical load forecasting for smart grid
CN110097297A (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
Manousakis et al. Taxonomy of PMU placement methodologies
CN115759708A (zh) 一种考虑电力时空分布特性的线损分析方法及系统
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN105740975B (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
Nguyen Modeling load uncertainty in distribution network monitoring
CN106096726A (zh) 一种非侵入式负荷监测方法及装置
CN103018611B (zh) 一种基于电流分解的非侵入式负载监测方法及系统
CN115293257A (zh) 一种针对异常用电用户的检测方法及系统
CN105116268B (zh) 一种分压售电量和分压供电量对线损率影响的分析方法
Cheung et al. Behind-the-Meter Solar Generation Disaggregation at Varying Aggregation Levels Using Consumer Mixture Models
Li Abnormal energy consumption analysis based on big data mining technology
CN113468843A (zh) 一种主动配电网等值模型的构建方法
Chen et al. Metering equipment running error estimation model based on genetic optimized LM algorithm
Zheng et al. Short-Term Load Forecast Based on Feature Reconstruction and Bidirectional LSTM
CN116910681B (zh) 一种基于物联网的电力数据分析方法及系统
Petrusev et al. AUTOMATIC DETECTION OF DISTRIBUTED SOLAR GENERATION BASED ON EXOGENOUS INFORMATION
Labib et al. Comparison of Short-Term Electrical Load Forecasting Models using Datasets from The Building Automation System in The Department of Electrical Engineering ITN
Liu et al. Research on Operation Error Detection Model of Metering Device
Li et al. Modeling and algorithm research on identification of wrong wiring power supply region based on classification analysis
CN118473097B (zh) 一种配电网的智慧线损检测告警方法及装置
Cheng et al. Centralized remote monitoring method of multi-power watt-hour meter based on Internet of Things technology
Shi et al. Research on low voltage distribution network topology generation method based on “transformer-distribution box-meter box-meter” model

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