CN116151099A - 一种低压配电网负荷状态估计终端 - Google Patents

一种低压配电网负荷状态估计终端 Download PDF

Info

Publication number
CN116151099A
CN116151099A CN202211632680.XA CN202211632680A CN116151099A CN 116151099 A CN116151099 A CN 116151099A CN 202211632680 A CN202211632680 A CN 202211632680A CN 116151099 A CN116151099 A CN 116151099A
Authority
CN
China
Prior art keywords
unit
data
distribution network
low
voltage distribution
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
CN202211632680.XA
Other languages
English (en)
Inventor
李�浩
雷翔洋
杨建川
王志宇
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.)
Bazhou Power Supply Co Of State Grid Xinjiang Electric Power Co ltd
Original Assignee
Bazhou Power Supply Co Of State Grid Xinjiang Electric Power 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 Bazhou Power Supply Co Of State Grid Xinjiang Electric Power Co ltd filed Critical Bazhou Power Supply Co Of State Grid Xinjiang Electric Power Co ltd
Priority to CN202211632680.XA priority Critical patent/CN116151099A/zh
Publication of CN116151099A publication Critical patent/CN116151099A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution 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
    • 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

Abstract

本发明提供一种低压配电网负荷状态估计终端，涉及配电网负荷预测技术领域。该低压配电网负荷状态估计终端，包括历史数据收集模块，所述历史数据收集模块的输出端与数据分离模块的输入端相连接，所述数据分离模块的输出端与数据整合模块的输入端相连接。通过历史数据收集模块对历史负荷数据进行收集，模型建立模块采用神经网络算法和时间序列法分别同时进行，配合模型制作单元制作出不同的模型进行比对，再通过评估模块对当下及未来一个集的低压配电网负荷状态进行估计，解决了分散大功率用电负荷大量接入低压配电网，这些用电负荷随机性较强，给低压配电网安全运行带来了很大的影响的问题。

Description

一种低压配电网负荷状态估计终端
技术领域
本发明涉及配电网负荷预测技术领域，具体为一种低压配电网负荷状态估计终端。
背景技术
低压配电系统由配电变电所(通常是将电网的输电电压降为配电电压)、高压配电线路(即1千伏以上电压)、配电变压器、低压配电线路(1千伏以下电压)以及相应的控制保护设备组成。
随着人们生活水平的日益提高，用户用电设备发生了很大变化，分散大功率用电负荷大量接入低压配电网，这些用电负荷随机性较强，给低压配电网安全运行带来了很大的影响。
发明内容
为实现以上目的，本发明通过以下技术方案予以实现：针对现有技术的不足，本发明提供了一种低压配电网负荷状态估计终端，解决了分散大功率用电负荷大量接入低压配电网，这些用电负荷随机性较强，给低压配电网安全运行带来了很大的影响的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种低压配电网负荷状态估计终端，包括历史数据收集模块，所述历史数据收集模块的输出端与数据分离模块的输入端相连接，所述数据分离模块的输出端与数据整合模块的输入端相连接，所述数据整合模块的输出端与模型建立模块的输入端相连接，所述模型建立模块的输出端与评估模块的输入端相连接；
所述历史数据收集模块包括第一存储单元、第二存储单元、处理器单元和局部分析单元，所述处理器单元用于对历史负荷功率数据、时间、社会节日和天气进行收集，所述第一存储单元和第二存储单元分别用于对历史负荷功率数据出现的时间、社会节日和天气信息进行记录存储，所述局部分析单元用于配合处理器单元将历史负荷功率数据、时间、社会节日和天气的信息进行比对后打包输送；
所述模型建立模块包括数据涵盖单元、算法单元和模型制作单元，所述数据涵盖单元是将所整合的信息相近的进行覆盖，留下变化程度较大和容易出现变故的信息，所述算法单元采用神经网络算法和时间序列法分别同时进行，配合模型制作单元制作出不同的模型进行比对。
优选的，所述数据分离模块包括解剖单元、归纳单元和确认单元，所述解剖单元用于对打包来的信息进行打散，所述归纳单元用于将信息中的历史负荷功率数据与对应的时间、社会节日和天气进行归类，所述确认单元是对归类后的信息进行复查、确认，避免出现错误归类。
优选的，所述数据整合模块包括整合单元，所述整合单元是用于将归类的信息按照时间顺序进行排列整合。
优选的，所述评估模块包括图表单元、比对分析单元、和概率风险单元，所述图表单元是根据建立的模型得出的图表信息，比对分析单元是将两种算法建立的模型结合图表信息进行分析，从而对所得的信息进行核算和查找存在的规律，所述概率风险单元是通过查找存在的规律结合建立的模型对当下及未来一个集的低压配电网负荷状态进行估计。
优选的，所述整合单元的信息整合采用周期、集和年为单位，三个月为一个周期，两个周期为一个集，两个集为一年。
优选的，所述神经网络算法是取过去一段节日和天气时的负荷作为训练样本，构建适宜的网络结构，通过训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型，人工神经网络的优点能够对大量非结构性、非精确性规律具有自适应能力，具有信息记忆、自主学习、知识推理和优化计算的特点，还有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力，特别是其学习和自适应功能是其他算法所不具备的。
优选的，所述时间序列法根据负荷的历史时间数据，建立描述电力负荷随时间变化的数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测，时间序列法所需数据少，工作量小，计算速度较快，能够反映负荷近期变化的连续性。
优选的，所述图表单元用于绘制折线统计图、扇形统计图、条形统计图，所述折线统计图以清楚的看到统计点的变化规律，所述扇形统计图可以清楚的看到各部分所占的比重，所述条形统计图可以清楚的看到各统计部分的对比。
优选的，所述比对分析单元包括定量分析方法和图解分析方法，所述定量分析方法是指产生数值型或表格型输出的统计学操作程序，包括假设检验、方差分析、点估计、可信区间以及最小二乘法回归分析，所述图解分析方法包括探究数据集的内容，用于发现数据之中的结构，检查统计学模型之中的假设，沟通传达分析结果。
工作原理：首先，通过历史数据收集模块的处理器单元用于对历史负荷功率数据、时间、社会节日和天气进行收集，配合第一存储单元和第二存储单元分别用于对历史负荷功率数据出现的时间、社会节日和天气信息进行记录存储，使用局部分析单元用于配合处理器单元将历史负荷功率数据、时间、社会节日和天气的信息进行比对后打包输送，通过数据分离模块的解剖单元对打包来的信息进行打散，归纳单元将信息中的历史负荷功率数据与对应的时间、社会节日和天气进行归类，确认单元对归类后的信息进行复查、确认，避免出现错误归类，配合整合模块的整合单元将归类的信息按照时间顺序进行排列整合，再通过模型建立模块的数据涵盖单元将所整合的信息相近的进行覆盖，留下变化程度较大和容易出现变故的信息，采用神经网络算法和时间序列法分别同时进行，配合模型制作单元制作出不同的模型进行比对，评估模块的图表单元根据建立的模型得出图表信息，比对分析单元将两种算法建立的模型结合图表信息进行分析，从而对所得的信息进行核算和查找存在的规律，概率风险单元通过查找存在的规律结合建立的模型对当下及未来一个集的低压配电网负荷状态进行估计，解决了分散大功率用电负荷大量接入低压配电网，这些用电负荷随机性较强，给低压配电网安全运行带来了很大的影响的问题。
本发明提供了一种低压配电网负荷状态估计终端。具备以下有益效果：
本发明通过历史数据收集模块对历史负荷数据进行收集，模型建立模块将所整合的信息相近的进行覆盖，留下变化程度较大和容易出现变故的信息，采用神经网络算法和时间序列法分别同时进行，配合模型制作单元制作出不同的模型进行比对，再通过评估模块将两种算法建立的模型结合图表信息进行分析，从而对所得的信息进行核算和查找存在的规律，通过查找存在的规律结合建立的模型对当下及未来一个集的低压配电网负荷状态进行估计，解决了分散大功率用电负荷大量接入低压配电网，这些用电负荷随机性较强，给低压配电网安全运行带来了很大的影响的问题。
附图说明
图1为本发明的系统框图；
图2为本发明的对比分析单元概括图；
图3为本发明的图标单元概括图；
图4为本发明的算法单元图。
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、完整地描述，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做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。
实施例：
如图1-4所示，本发明实施例提供一种低压配电网负荷状态估计终端，包括历史数据收集模块，历史数据收集模块的输出端与数据分离模块的输入端相连接，数据分离模块的输出端与数据整合模块的输入端相连接，数据整合模块的输出端与模型建立模块的输入端相连接，模型建立模块的输出端与评估模块的输入端相连接；
历史数据收集模块包括第一存储单元、第二存储单元、处理器单元和局部分析单元，处理器单元用于对历史负荷功率数据、时间、社会节日和天气进行收集，第一存储单元和第二存储单元分别用于对历史负荷功率数据出现的时间、社会节日和天气信息进行记录存储，局部分析单元用于配合处理器单元将历史负荷功率数据、时间、社会节日和天气的信息进行比对后打包输送；
模型建立模块包括数据涵盖单元、算法单元和模型制作单元，数据涵盖单元是将所整合的信息相近的进行覆盖，留下变化程度较大和容易出现变故的信息，算法单元采用神经网络算法和时间序列法分别同时进行，配合模型制作单元制作出不同的模型进行比对。
通过历史数据收集模块的处理器单元用于对历史负荷功率数据、时间、社会节日和天气进行收集，配合第一存储单元和第二存储单元分别用于对历史负荷功率数据出现的时间、社会节日和天气信息进行记录存储，使用局部分析单元用于配合处理器单元将历史负荷功率数据、时间、社会节日和天气的信息进行比对后打包输送，通过数据分离模块的解剖单元对打包来的信息进行打散，归纳单元将信息中的历史负荷功率数据与对应的时间、社会节日和天气进行归类，确认单元对归类后的信息进行复查、确认，避免出现错误归类，配合整合模块的整合单元将归类的信息按照时间顺序进行排列整合，再通过模型建立模块的数据涵盖单元将所整合的信息相近的进行覆盖，留下变化程度较大和容易出现变故的信息，采用神经网络算法和时间序列法分别同时进行，配合模型制作单元制作出不同的模型进行比对，评估模块的图表单元根据建立的模型得出图表信息，比对分析单元将两种算法建立的模型结合图表信息进行分析，从而对所得的信息进行核算和查找存在的规律，概率风险单元通过查找存在的规律结合建立的模型对当下及未来一个集的低压配电网负荷状态进行估计，解决了分散大功率用电负荷大量接入低压配电网，这些用电负荷随机性较强，给低压配电网安全运行带来了很大的影响的问题。
数据分离模块包括解剖单元、归纳单元和确认单元，解剖单元用于对打包来的信息进行打散，归纳单元用于将信息中的历史负荷功率数据与对应的时间、社会节日和天气进行归类，确认单元是对归类后的信息进行复查、确认，避免出现错误归类。
数据整合模块包括整合单元，整合单元是用于将归类的信息按照时间顺序进行排列整合。
评估模块包括图表单元、比对分析单元、和概率风险单元，图表单元是根据建立的模型得出的图表信息，比对分析单元是将两种算法建立的模型结合图表信息进行分析，从而对所得的信息进行核算和查找存在的规律，概率风险单元是通过查找存在的规律结合建立的模型对当下及未来一个集的低压配电网负荷状态进行估计。
整合单元的信息整合采用周期、集和年为单位，三个月为一个周期，两个周期为一个集，两个集为一年。
神经网络算法是取过去一段节日和天气时的负荷作为训练样本，构建适宜的网络结构，通过训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型，人工神经网络的优点能够对大量非结构性、非精确性规律具有自适应能力，具有信息记忆、自主学习、知识推理和优化计算的特点，还有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力，特别是其学习和自适应功能是其他算法所不具备的。
时间序列法根据负荷的历史时间数据，建立描述电力负荷随时间变化的数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测，时间序列法所需数据少，工作量小，计算速度较快，能够反映负荷近期变化的连续性。
图表单元用于绘制折线统计图、扇形统计图、条形统计图，折线统计图以清楚的看到统计点的变化规律，扇形统计图可以清楚的看到各部分所占的比重，条形统计图可以清楚的看到各统计部分的对比。
比对分析单元包括定量分析方法和图解分析方法，定量分析方法是指产生数值型或表格型输出的统计学操作程序，包括假设检验、方差分析、点估计、可信区间以及最小二乘法回归分析，图解分析方法包括探究数据集的内容，用于发现数据之中的结构，检查统计学模型之中的假设，沟通传达分析结果。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种低压配电网负荷状态估计终端，包括历史数据收集模块，其特征在于：所述历史数据收集模块的输出端与数据分离模块的输入端相连接，所述数据分离模块的输出端与数据整合模块的输入端相连接，所述数据整合模块的输出端与模型建立模块的输入端相连接，所述模型建立模块的输出端与评估模块的输入端相连接；
所述历史数据收集模块包括第一存储单元、第二存储单元、处理器单元和局部分析单元，所述处理器单元用于对历史负荷功率数据、时间、社会节日和天气进行收集，所述第一存储单元和第二存储单元分别用于对历史负荷功率数据出现的时间、社会节日和天气信息进行记录存储，所述局部分析单元用于配合处理器单元将历史负荷功率数据、时间、社会节日和天气的信息进行比对后打包输送；
所述模型建立模块包括数据涵盖单元、算法单元和模型制作单元，所述数据涵盖单元是将所整合的信息相近的进行覆盖，留下变化程度较大和容易出现变故的信息，所述算法单元采用神经网络算法和时间序列法分别同时进行，配合模型制作单元制作出不同的模型进行比对。
2.根据权利要求1所述的一种低压配电网负荷状态估计终端，其特征在于：所述数据分离模块包括解剖单元、归纳单元和确认单元，所述解剖单元用于对打包来的信息进行打散，所述归纳单元用于将信息中的历史负荷功率数据与对应的时间、社会节日和天气进行归类，所述确认单元是对归类后的信息进行复查、确认，避免出现错误归类。
3.根据权利要求1所述的一种低压配电网负荷状态估计终端，其特征在于：所述数据整合模块包括整合单元，所述整合单元是用于将归类的信息按照时间顺序进行排列整合。
4.根据权利要求1所述的一种低压配电网负荷状态估计终端，其特征在于：所述评估模块包括图表单元、比对分析单元、和概率风险单元，所述图表单元是根据建立的模型得出的图表信息，比对分析单元是将两种算法建立的模型结合图表信息进行分析，从而对所得的信息进行核算和查找存在的规律，所述概率风险单元是通过查找存在的规律结合建立的模型对当下及未来一个集的低压配电网负荷状态进行估计。
5.根据权利要求3所述的一种低压配电网负荷状态估计终端，其特征在于：所述整合单元的信息整合采用周期、集和年为单位，三个月为一个周期，两个周期为一个集，两个集为一年。
6.根据权利要求1所述的一种低压配电网负荷状态估计终端，其特征在于：所述神经网络算法是取过去一段节日和天气时的负荷作为训练样本，构建适宜的网络结构，通过训练算法对网络进行训练，使其满足精度要求之后，此神经网络作为负荷预测模型，人工神经网络的优点能够对大量非结构性、非精确性规律具有自适应能力，具有信息记忆、自主学习、知识推理和优化计算的特点，还有很强的计算能力、复杂映射能力、容错能力及各种智能处理能力，特别是其学习和自适应功能是其他算法所不具备的。
7.根据权利要求1所述的一种低压配电网负荷状态估计终端，其特征在于：所述时间序列法根据负荷的历史时间数据，建立描述电力负荷随时间变化的数学模型，在该模型的基础上确立负荷预测的表达式，并对未来负荷进行预测，时间序列法所需数据少，工作量小，计算速度较快，能够反映负荷近期变化的连续性。
8.根据权利要求4所述的一种低压配电网负荷状态估计终端，其特征在于：所述图表单元用于绘制折线统计图、扇形统计图、条形统计图，所述折线统计图以清楚的看到统计点的变化规律，所述扇形统计图可以清楚的看到各部分所占的比重，所述条形统计图可以清楚的看到各统计部分的对比。
9.根据权利要求4所述的一种低压配电网负荷状态估计终端，其特征在于：所述比对分析单元包括定量分析方法和图解分析方法，所述定量分析方法是指产生数值型或表格型输出的统计学操作程序，包括假设检验、方差分析、点估计、可信区间以及最小二乘法回归分析，所述图解分析方法包括探究数据集的内容，用于发现数据之中的结构，检查统计学模型之中的假设，沟通传达分析结果。
CN202211632680.XA 2022-12-19 2022-12-19 一种低压配电网负荷状态估计终端 Pending CN116151099A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211632680.XA CN116151099A (zh) 2022-12-19 2022-12-19 一种低压配电网负荷状态估计终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211632680.XA CN116151099A (zh) 2022-12-19 2022-12-19 一种低压配电网负荷状态估计终端

Publications (1)

Publication Number Publication Date
CN116151099A true CN116151099A (zh) 2023-05-23

Family

ID=86351704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211632680.XA Pending CN116151099A (zh) 2022-12-19 2022-12-19 一种低压配电网负荷状态估计终端

Country Status (1)

Country Link
CN (1) CN116151099A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117578740A (zh) * 2024-01-15 2024-02-20 泉州市鑫盛电气设备有限公司 一种数字智慧用电管理系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117578740A (zh) * 2024-01-15 2024-02-20 泉州市鑫盛电气设备有限公司 一种数字智慧用电管理系统及方法

Similar Documents

Publication Publication Date Title
CN103617568B (zh) 稳态电能质量预警机制中的异常数据判定阈值设定方法
CN110796368B (zh) 基于贝叶斯网络的社区配电网动态风险评估方法及装置
CN110705873B (zh) 一种配电网运行状态画像分析方法
CN113156917B (zh) 基于人工智能的电网设备故障诊断方法及系统
CN110009208B (zh) 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置
CN110266000B (zh) 一种配电网电压越限原因分析方法、系统及存储介质
CN111429027A (zh) 一种基于大数据的地区输电网运行多维度分析方法
CN103793853A (zh) 基于双向贝叶斯网络的架空输电线路运行状态评估方法
CN108320043A (zh) 一种基于电力大数据的配电网设备状态诊断预测方法
CN105512448A (zh) 一种配电网健康指数的评估方法
CN104020754A (zh) 一种变电站一次主设备状态监测信息接入调控系统的方法
CN103606109B (zh) 一种基于评估对象的电网运行安全风险综合评估方法
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN113487447A (zh) 一种基于大数据的配电网负荷预测及线损成因分析方法
CN109445411A (zh) 一种变电站故障诊断方法
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN116151099A (zh) 一种低压配电网负荷状态估计终端
CN104050377A (zh) 一种时变设备故障概率确定方法
CN116523493A (zh) 配电网运行维护辅助决策分析方法、系统及存储介质
Jingyu et al. Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining
CN114996635A (zh) 一种配电网参数确定方法、装置、设备及存储介质
CN113052250A (zh) 基于气象灾害决策支持方法、系统、装置及介质
Motepe et al. Determining distribution power system loading measurements accuracy using fuzzy logic
Chen et al. Assessment of Electrical equipment status in distribution network based on multi-source data fusion
CN111313355A (zh) 一种人工监督下的监控信号事件规则更新的方法

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