CN116151129A - 一种基于极限学习机的电力调度系统故障诊断方法 - Google Patents

一种基于极限学习机的电力调度系统故障诊断方法 Download PDF

Info

Publication number
CN116151129A
CN116151129A CN202310408992.0A CN202310408992A CN116151129A CN 116151129 A CN116151129 A CN 116151129A CN 202310408992 A CN202310408992 A CN 202310408992A CN 116151129 A CN116151129 A CN 116151129A
Authority
CN
China
Prior art keywords
power
load
learning machine
extreme learning
user
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
CN202310408992.0A
Other languages
English (en)
Inventor
成亚伟
石志超
赵琦
杜强
辛帅
武拴娥
宋世涛
马跃
刘彩坤
葛艳蕊
于永福
梁福月
张玉龙
赵永强
张佩霞
于笑博
张世磊
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.)
Shijiazhuang Kelin Electric Co Ltd
Original Assignee
Shijiazhuang Kelin Electric 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 Shijiazhuang Kelin Electric Co Ltd filed Critical Shijiazhuang Kelin Electric Co Ltd
Priority to CN202310408992.0A priority Critical patent/CN116151129A/zh
Publication of CN116151129A publication Critical patent/CN116151129A/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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于极限学习机的电力调度系统故障诊断方法，涉及配电领域，具体涉及电力调度技术。本发明利用极限学习机技术预测用户日常负荷数据，以此与用户端用电负荷进行对比，一旦对比超出正常阈值范围，可判断出调度系统可能出现故障，调度端的检测设备进行启动，从而分区域分类别进行故障诊断，排查故障原因，减少了CPU的计算量，也能够在问题发生的第一时间及时排查问题和故障。用户端出现故障时，可通过云端对故障用户进行预警，及时告知用户端检查与排除故障。

Description

一种基于极限学习机的电力调度系统故障诊断方法
技术领域
本发明涉及配电领域，具体涉及电力调度技术，特别是一种基于极限学习机的电力调度系统故障诊断方法。
背景技术
传统的电力系统由发电、输电、变电、配电、用电的形式构成。用户侧与发电侧之间没有直接或间接的信息联系。这很大程度上导致用户侧的用电需求无法及时供应，用户对于其所需的用电量没有直接的选择权。然而对于一些各别的用电负荷，比如一些大型工厂和用电量较大的地方，其用电量往往受到一定程度的限制，如果没有得到及时的电能补充，一旦负荷过载就会出现电能质量下降或者断电等故障，导致工厂停工或者更严重的用电事故发生。有些用电负荷不需要过多的电能做支撑，如果电能不能按照实际用户需求进行分配，那么将造成电能资源的浪费。
针对以上问题，目前解决的方法是由电力调度部门对用户侧的用电数据进行实时监测，利用监测得到的数据对电能进行及时的调整和分配。然而，对用户侧电能进行实时监测与实时电能分配时，其负责总调度的CPU运算量非常大，这导致系统工作效率下降，很大程度上影响了电力调度的实时性与准确性，也会致使故障发现不及时。
极限学习机(Extreme Learning Machine，ELM)是一种典型的单隐含层前馈神经网络智能算法。该智能算法的输入层与隐含层之间的权值以及隐含层的阈值是随机产生的，在训练过程中不需要进行额外的调整，只需要设置隐含层神经元的个数就可得到唯一最优解，具有学习速度快、泛化性能好的优点。该算法一经提出便受到了很大关注，目前已在故障诊断、负荷预测等领域内得到了较为广泛的应用。
发明内容
为了解决上述问题，本发明提出一种基于极限学习机的电力调度系统故障诊断方法，通过构建基于极限学习机的电力负荷预测模型，将各个地区的运行数据与极限学习机所预测出来的数据作对比，判断各个地区的运行数据是否超出所设定的安全阈值，利用后台系统读取超出安全阈值的所在地区位置信息，并将所在地区位置上传至调度云端并在调度云端进行报警。该方法具有学习速度快、泛化性能好、成本低，实时性强，精度高，计算方法简便，稳定性高等优点，可有效解决现有电力负荷调度端既要实时对用电端的电力分配进行调整，又要对自身故障隐患进行实时监测而导致的CPU工作量大，运行速度慢的问题，极大的减少了调控系统的CPU占有率。
为实现上述目的，本发明提供如下技术方案：一种基于极限学习机的电力调度系统故障诊断方法，借助安装在各个地区供电主线路和用户端的电量预测设备实现，所述电量预测设备完成用电信息及环境信息的采集，在电量预测设备中建立基于极限学习机的负荷预测模型，所述方法包括以下步骤：
第一步：建立负载需求数据库；打开电量预测设备，根据模型预测下一时刻该地区的负荷值，电力调度端根据各用户端负荷预测结果对各个用户端进行电力调配。
第二步：打开电量预测设备，实时采集各个地区当前用电量，对比各个地区用电量与预测结果是否超出所设定的用电安全阈值，如果某个地区超出安全阈值则执行第三步，否则执行第四步。
第三步：将超出用电量安全阈值的该地区位置信息上传至调度云端、在调度云端进行报警，并对电力调度系统中每个用户端的用电数据进行实时采集，并采用极限学习机对用户端下一刻负荷进行预测，然后执行第五步。
第四步：将所在地区预测的所需电量数据上传至负载需求数据库中，并对负载需求数据库进行实时刷新，返回至第二步。
第五步：将各个用户端的运行数据与极限学习机所预测出来的数据作对比，判断各个用户端的运行数据是否超出所设定的安全阈值，若是则执行步骤六，若不是则执行步骤四。
第六步：利用后台系统读取超出安全阈值的用户所在位置信息，并将用户所在位置上传至调度云端并在调度云端进行报警，然后关闭电量预测设备、并返回至第二步。
进一步的，在所述第一步中，建立基于极限学习机的负荷预测模型，根据模型预测下一时刻所在地区的负荷值具体为：
将前一时刻的温 度、湿度、天气类型、季节类型、节假日，前一时刻的负荷值，前一天同一时刻的负荷值作为输入量，下一时刻的负荷值为输出量的短期负荷预测模型。
进一步的，电力调度端根据各用户端负荷预测结果对各个用户端进行电力调配的具体方法为：
将所需求的负荷数据上传至电网后台，电网后台根据网络负荷计算模块计算各个用户的用电量，并根据用电量向用户调配电力。
进一步的，所述用电安全阈值为预测结果的1.2倍。
进一步的，所述电量预测设备包括电流传感器、电压传感器、温度传感器、湿度传感器。
进一步的，将用户端的电量预测设备编号，并将用户端的位置信息与编号项对应。所述第六步中，后台系统读取读取编号与位置信息，将该用户位置信息上传至云端并在云端进行报警。
本发明所述的一种基于极限学习机的电力调度系统故障诊断方法，仍旧根据用户需求进行调度，但是与此同时，采用了极限学习机的智能算法预测用户日常负荷数据，以此与用户端用电负荷进行对比，一旦对比超出正常阈值范围，可判断出调度系统可能出现故障，调度端的检测设备进行启动，从而分区域分类别进行故障诊断，排查故障原因，减少了CPU的计算量，也能够在问题发生的第一时间及时排查问题和故障。用户端出现故障时，可通过云端对故障用户进行预警，及时告知用户端检查与排除故障。
下面结合附图与实施例对本发明技术方案作进一步详细的说明。
附图说明
图1为本发明所述的极限学习机神经网络结构；
图2为本发明所述的基于极限学习机的负荷预测模型图；
图3为本发明所述的一种基于极限学习机的电力调度系统故障诊断方法的流程图。
具体实施方式
以下为本发明的较佳实施例。应当理解，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；需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。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。
一种基于极限学习机的电力调度系统故障诊断方法，基于安装在各个地区供电主线路和用户端的电量预测设备实现，所述电量预测设备完成用电信息及环境信息的采集，在电量预测设备中建立基于极限学习机的负荷预测模型。
供电一般按地区划分，上述“各个地区”特指划分好的所有供电地区。每个地区分为主线路和挂在主线路上的用户端，用户端可以是工厂、居民楼、医院、学校等相对独立的用电单位。
电力调度端就是进行电力调度的系统，通常安装在调度部门的调度大厅。
本发明的基础是建立基于极限学习机的负荷预测模型。
将前一时刻的温度、湿度、天气类型、季节类型、节假日，上一时刻的负荷值，前一天同一时刻的负荷值作为输入数据，下一时刻的负荷值为输出数据，则ELM模型的输入层神经元数量n＝7，输出层神经元数量m＝1。
将实验采集的输入数据与输出数据进行归一化处理，将每组数据处理成[-1, 1]区间之内，然后将数据样本随机生成训练集和测试集。
Figure SMS_1
（1）
式中，x为待处理数据，x max和x min为该组数据的最大值和最小值，y为归一化后的结果。
图1所示的神经网络包含输入层、隐含层和输出层，分别由n、l、m个神经元构成，αij为输入层第i个神经元与隐含层第j个神经元间的连接权值，βkj为隐含层第j个神经元与输出层第k个神经元间的连接权值。
输入层与隐含层间的连接权值α为：
Figure SMS_2
（2）
隐含层与输入层间的连接权值β为：
Figure SMS_3
（3）
设隐含层神经元的阈值η为：
Figure SMS_4
（4）
设训练集有P个样本，则其输入矩阵E和输出矩阵O分别为：
Figure SMS_5
（5）
Figure SMS_6
（6）
设隐含侧激活函数G(x)，则神经网络输出Tout为：
Figure SMS_7
（7）
Figure SMS_8
（8）
式中，j=1，2，…，Q；α i =[α i1，α i2，…，α in ]；e j =[e 1j ，e 2j ，…，e nj ]T。
式（8）可表示为：
Figure SMS_9
（9）
Figure SMS_10
（10）
式中，H为隐含层的输出矩阵。
输入向量X=[x1,x2,...,x7]为一个7维向量，包括该地区气温、湿度、天气类型、季节类型、节假日、上一时刻的负荷值、前一天同一时刻的负荷值。
本发明所搭建的电力负荷预测模型如图2所示，具体流程如下：
1)从数据库中选取被训练数据集，包括历史负荷值以及相关的气象数据、节假日信息数据、季节数据等。
2)将所输入的历史数据进行预处理，其中包括缺失数据修补和异常数据的剔除与修正。
3)设置模型迭代次数，根据训练数据对模型进行训练。
4)利用训练得到的负荷预测方程，对下一时刻的负荷进行预测。
为了说明本专利所提出的预测方法较高的准确性，将其与BP神经网络和CART决策树预测性能进行了对比。表1为不同3种不同预测算法对负荷预测结果的性能评估表。极限学习机(ELM)在的预测性能最好，其误差平方和(SSE)、均方误差(MSE)、平均绝对百分比误差值(MAPE)、均方百分比误差(MSPE)相对于其他两种预测方法更低，吻合度(R 2)相对于其他预测方法更高，其预测值和实际值之间的相关性更大。
表1不同预测模型在不同时间延迟下对于变压器热点温度的预测性能
Figure SMS_11
图3所示为本发明所述的一种基于极限学习机的电力调度系统故障诊断方法的流程图。
第一步：建立负载需求数据库；打开电量预测设备，根据模型预测下一时刻该地区的负荷值，电力调度端根据各用户端负荷预测结果对各个用户端进行电力调配。
第二步：打开电量预测设备，实时采集各个地区当前用电量，对比各个地区用电量与预测结果是否超出所设定的用电安全阈值，如果某个地区超出安全阈值则执行第三步，否则执行第四步。
这里的用电安全阈值为预测结果的1.2倍。
该步骤的“打开电量预测设备”与第六步中“关闭电量预测设备”相配合，起到了设备实时刷新复位的作用。
第三步：将超出用电量安全阈值的该地区位置信息上传至调度云端、在调度云端进行报警，并对电力调度系统中每个用户端的用电数据进行实时采集，并采用极限学习机对用户端下一刻负荷进行预测，然后执行第五步。
第四步：将所在地区预测的所需电量数据上传至负载需求数据库中，并对负载需求数据库进行实时刷新，返回至第二步。
第五步：将各个用户端的用电量与极限学习机所的预测结果作对比，判断各个用户端用电量与预测结果是否超出所设定的用电安全阈值，若是则执行步骤六，若不是则执行步骤四。
第六步：利用后台系统读取超出安全阈值的用户所在位置信息，并将用户所在位置上传至调度云端并在调度云端进行报警，然后关闭电量预测设备、并返回至第二步。
电量预测设备包括电流传感器、电压传感器、温度传感器、湿度传感器，采集用电信息，并获得温 度、湿度、天气类型等环境信息。
电力调度端根据各用户端负荷预测结果对各个用户端进行电力调配的具体方法为：将所需求的负荷数据上传至电网后台，电网后台根据网络负荷计算模块计算各个用户的用电量，并根据用电量向用户调配电力。
本实施例中，按照线路能够提供最大的负荷，再根据具体用户的需求进行电力调配。
本发明利用极限学习机技术预测用户日常负荷数据，以此与用户端用电负荷进行对比，一旦对比超出正常阈值范围，调度系统可能出现故障，调度端的检测设备进行启动，从而分区域分类别进行故障诊断，排查故障原因，减少了CPU的计算量，也能够在问题发生的第一时间及时排查问题和故障。若用户端出现故障时，可通过云端对故障用户进行预警，及时告知用户端检查与排除故障。

Claims (7)

1.一种基于极限学习机的电力调度系统故障诊断方法，借助安装在各个地区供电主线路和用户端的电量预测设备实现，所述电量预测设备完成用电信息及环境信息的采集，其特征在于，在电量预测设备中建立基于极限学习机的负荷预测模型，所述方法包括以下步骤：
第一步：建立负载需求数据库；打开电量预测设备，根据模型预测下一时刻该地区的负荷值，电力调度端根据各用户端负荷预测结果对各个用户端进行电力调配；
第二步：打开电量预测设备，实时采集各个地区当前用电量，对比各个地区用电量与预测结果是否超出所设定的用电安全阈值，如果某个地区超出安全阈值则执行第三步，否则执行第四步；
第三步：将超出用电量安全阈值的该地区位置信息上传至调度云端、在调度云端进行报警，并对电力调度系统中每个用户端的用电数据进行实时采集，并采用极限学习机对用户端下一刻负荷进行预测，然后执行第五步；
第四步：将所在地区预测的所需电量数据上传至负载需求数据库中，并对负载需求数据库进行实时刷新，返回至第二步；
第五步：将各个用户端的用电量与极限学习机所的预测结果作对比，判断各个用户端用电量与预测结果是否超出所设定的用电安全阈值，若是则执行步骤六，若不是则执行步骤四；
第六步：利用后台系统读取超出安全阈值的用户所在位置信息，并将用户所在位置上传至调度云端并在调度云端进行报警，然后关闭电量预测设备、并返回至第二步。
2.根据权利要求1所述的一种基于极限学习机的电力调度系统故障诊断方法，其特征在于，所述的第一步中极限学习机模型具体为将前一时刻的温 度、湿度、天气类型、季节类型、节假日，前一时刻的负荷值，前一天同一时刻的负荷值作为输入量，下一时刻的负荷值为输出量的短期负荷预测模型。
3.根据权利要求1所述的一种基于极限学习机的电力调度系统故障诊断方法，其特征在于，用电安全阈值为负荷预测结果的1.2倍。
4.根据权利要求1所述的一种基于极限学习机的电力调度系统故障诊断方法，其特征在于，用法，电量预测设备包括电流传感器、电压传感器、温度传感器、湿度传感器。
5.根据权利要求1所述的一种基于极限学习机的电力调度系统故障诊断方法，其特征在于，电力调度端根据各用户端负荷预测结果对各个用户端进行电力调配的具体方法为：
将所需求的负荷数据上传至电网后台，电网后台根据网络负荷计算模块计算各个用户的用电量，并根据用电量向用户调配电力。
6.根据权利要求1所述的一种基于极限学习机的电力调度系统故障诊断方法，其特征在于，将用户端的电量预测设备编号，并将用户端的位置信息与编号项对应。
7.根据权利要求1所述的一种基于极限学习机的电力调度系统故障诊断方法，其特征在于，所述用电安全阈值为预测结果的1.2倍。
CN202310408992.0A 2023-04-18 2023-04-18 一种基于极限学习机的电力调度系统故障诊断方法 Pending CN116151129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310408992.0A CN116151129A (zh) 2023-04-18 2023-04-18 一种基于极限学习机的电力调度系统故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310408992.0A CN116151129A (zh) 2023-04-18 2023-04-18 一种基于极限学习机的电力调度系统故障诊断方法

Publications (1)

Publication Number Publication Date
CN116151129A true CN116151129A (zh) 2023-05-23

Family

ID=86354567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310408992.0A Pending CN116151129A (zh) 2023-04-18 2023-04-18 一种基于极限学习机的电力调度系统故障诊断方法

Country Status (1)

Country Link
CN (1) CN116151129A (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102376026A (zh) * 2011-10-31 2012-03-14 冶金自动化研究设计院 工业企业用电负荷优化系统
CN103268115A (zh) * 2013-06-14 2013-08-28 鲁电集团有限公司 电力需求侧监控系统及监控方法
CN105811402A (zh) * 2016-03-22 2016-07-27 广西电网有限责任公司电力科学研究院 一种电力负荷预测系统及其预测方法
CN108011365A (zh) * 2017-11-30 2018-05-08 国网天津市电力公司 一种城市能源互联网供需互动协调方法
CN108288174A (zh) * 2017-12-29 2018-07-17 杭州仕邦电力科技有限公司 一种基于云平台的电能安全管理系统及方法
CN108898246A (zh) * 2018-06-19 2018-11-27 深圳供电局有限公司 一种基于电力系统的负荷预测管理系统
CN109377053A (zh) * 2018-10-24 2019-02-22 南京根源电气科技有限公司 区域柔性电力控制方法和系统及管理方法和系统
CN111160625A (zh) * 2019-12-10 2020-05-15 中铁电气化局集团有限公司 电力负荷预测方法、装置、计算机设备及存储介质
CN111342459A (zh) * 2020-03-26 2020-06-26 南京南瑞继保电气有限公司 一种电力需量决策分析系统及方法
CN111582542A (zh) * 2020-03-31 2020-08-25 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
AU2020102245A4 (en) * 2019-01-08 2020-10-29 Nanjing Institute Of Technology A grid hybrid rolling dispatching method considering congestion and energy storage tou price
CN113469419A (zh) * 2021-06-11 2021-10-01 国网上海市电力公司 一种商业楼宇用电量预测方法及系统
CN114707422A (zh) * 2022-04-28 2022-07-05 河北工业大学 一种基于负荷预测的智能电力缉查方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102376026A (zh) * 2011-10-31 2012-03-14 冶金自动化研究设计院 工业企业用电负荷优化系统
CN103268115A (zh) * 2013-06-14 2013-08-28 鲁电集团有限公司 电力需求侧监控系统及监控方法
CN105811402A (zh) * 2016-03-22 2016-07-27 广西电网有限责任公司电力科学研究院 一种电力负荷预测系统及其预测方法
CN108011365A (zh) * 2017-11-30 2018-05-08 国网天津市电力公司 一种城市能源互联网供需互动协调方法
CN108288174A (zh) * 2017-12-29 2018-07-17 杭州仕邦电力科技有限公司 一种基于云平台的电能安全管理系统及方法
CN108898246A (zh) * 2018-06-19 2018-11-27 深圳供电局有限公司 一种基于电力系统的负荷预测管理系统
CN109377053A (zh) * 2018-10-24 2019-02-22 南京根源电气科技有限公司 区域柔性电力控制方法和系统及管理方法和系统
AU2020102245A4 (en) * 2019-01-08 2020-10-29 Nanjing Institute Of Technology A grid hybrid rolling dispatching method considering congestion and energy storage tou price
CN111160625A (zh) * 2019-12-10 2020-05-15 中铁电气化局集团有限公司 电力负荷预测方法、装置、计算机设备及存储介质
CN111342459A (zh) * 2020-03-26 2020-06-26 南京南瑞继保电气有限公司 一种电力需量决策分析系统及方法
CN111582542A (zh) * 2020-03-31 2020-08-25 国网上海市电力公司 一种基于异常修复的电力负荷预测方法及系统
CN113469419A (zh) * 2021-06-11 2021-10-01 国网上海市电力公司 一种商业楼宇用电量预测方法及系统
CN114707422A (zh) * 2022-04-28 2022-07-05 河北工业大学 一种基于负荷预测的智能电力缉查方法

Similar Documents

Publication Publication Date Title
US11567490B2 (en) Predictive diagnostics system with fault detector for preventative maintenance of connected equipment
Nichiforov et al. Energy consumption forecasting using ARIMA and neural network models
Dehalwar et al. Electricity load forecasting for Urban area using weather forecast information
Kumar et al. Energy analysis of a building using artificial neural network: A review
KR101812777B1 (ko) 사물인터넷 기반 지역난방 사용자 시설 모니터링 및 효율 개선 시스템
CN117277958B (zh) 一种基于大数据的光伏电站的智能运维管理方法及系统
CN110490385A (zh) 一种综合能源系统中电负荷和热负荷的联合预测方法
Samuel et al. A comparative study of regression analysis and artificial neural network methods for medium-term load forecasting
CN117439101B (zh) 一种用于电网中新能源与柔性负荷互动的智能网络
KR102230548B1 (ko) Frbfnn 모델을 이용한 태양광 발전설비의 발전예측 및 효율진단 시스템
CN115063058B (zh) 一种基于模型驱动和数据驱动的综合能源态势感知系统
Yahya et al. Short-term electric load forecasting using recurrent neural network (study case of load forecasting in central java and special region of yogyakarta)
Alam et al. A new subtractive clustering based ANFIS system for residential load forecasting
Panda Intelligent data analysis for sustainable smart grids using hybrid classification by genetic algorithm based discretization
CN113240184A (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN110880055A (zh) 楼宇智能电表系统
CN118117583A (zh) 一种电力负荷调控终端用分布式能源资源协同调控方法
CN117553404A (zh) 一种提高大型水冷中央空调系统能效的方法及系统
CN116976488A (zh) 基于麻雀搜索算法优化bp神经网络的空调能耗预测方法
Naug et al. A data driven method for prediction of energy demand in commercial buildings
CN116151129A (zh) 一种基于极限学习机的电力调度系统故障诊断方法
Rojas-Renteria et al. An electrical energy consumption monitoring and forecasting system
KR102675326B1 (ko) 공동주택 수전설비의 기중차단기 동작 예측 장치 및 방법
Liu et al. Dynamic statistical learning with engineered features outperforms deep neural networks for smart building cooling load predictions
Wen et al. Development and validation of an adaptive optimal operation methodology for building HVAC systems

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230523