CN116258355B - 适用于多点功率估计的配电台区负荷曲线分解方法及装置 - Google Patents
适用于多点功率估计的配电台区负荷曲线分解方法及装置 Download PDFInfo
- Publication number
- CN116258355B CN116258355B CN202310539597.6A CN202310539597A CN116258355B CN 116258355 B CN116258355 B CN 116258355B CN 202310539597 A CN202310539597 A CN 202310539597A CN 116258355 B CN116258355 B CN 116258355B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- information
- data
- power
- load
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 57
- 230000002159 abnormal effect Effects 0.000 claims abstract description 90
- 230000003068 static effect Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种适用于多点功率估计的配电台区负荷曲线分解方法及装置,包括:根据关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于目标相关信息、预设的固定相关信息得到分解数据;基于预设的第一时间序列将分解数据与第一电能数据进行对应处理,得到第一数据序列;确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列;基于梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,负荷曲线为静态、电力电子负荷功率的拟合曲线;服务器将目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据。
Description
技术领域
本发明涉及数据处理技术,尤其涉及一种适用于多点功率估计的配电台区负荷曲线分解方法及装置。
背景技术
配电网作为电力系统的末端电网,在实现电能分配的同时,承担着与用户负荷间的沟通任务。随着配电网的快速发展,配电网内接入负荷的总量与类别也日益复杂,对配电网的负荷调配与故障分析带来了巨大的挑战。并且在双碳目标及新型电力系统背景下,感知配电台区接入负荷的关键数据,有助于分析低压台区运行状态及负荷类型。
目前,尚未有针对配电网的负荷感知方法,从而无法结合负荷感知数据对配电台区进行负荷调配。
发明内容
本发明实施例提供一种适用于多点功率估计的配电台区负荷曲线分解方法及装置,在实现配电网内负荷感知的基础上,可以完成配电负荷曲线的分解,从而结合负荷感知数据对配电台区进行负荷调配。
本发明实施例的第一方面,提供一种适用于多点功率估计的配电台区负荷曲线分解方法,包括:
服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据;
基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列;
服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列;
服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线;
服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据。
可选地,在第一方面的一种可能实现方式中,所述服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据,包括:
获取目标点的所有预设的动态相关信息在不同时刻分别对应的历史的相关信息数值、历史的电能信息数值,基于不同时刻的历史的相关信息数值、电能信息数值计算得到关联性系数;
根据所述关联性系数对所有维度的预设的动态相关信息进行降序排序,得到关联影响序列,选取关联影响序列中前部预设数量的动态相关信息作为目标相关信息;
若判断目标点所对应的目标种类具有预设的固定相关信息,则基于所述目标相关信息、预设的固定相关信息得到分解数据。
可选地,在第一方面的一种可能实现方式中,所述获取目标点的所有预设的动态相关信息在不同时刻分别对应的历史的相关信息数值、历史的电能信息数值,基于不同时刻的历史的相关信息数值、电能信息数值计算得到关联性系数,包括:
获取目标点的所有预设的动态相关信息分别对应的历史的相关信息数值,以及根据历史的相关信息数值进行计算得到相对应的平均相关信息数值;
获取目标点的所有预设的动态相关信息分别对应的历史的电能信息数值,以及根据历史的电能信息数值进行计算得到相对应的平均电能信息数值;
根据所述相关信息数值的数量,历史的相关信息数值、平均相关信息数值、历史的电能信息数值、平均电能信息数值计算每种动态相关信息所对应的关联性系数。
可选地,在第一方面的一种可能实现方式中,所述根据所述相关信息数值的数量,历史的相关信息数值、平均相关信息数值、历史的电能信息数值、平均电能信息数值计算每种动态相关信息所对应的关联性系数,包括:
确定相对应时刻的历史的相关信息数值和历史的电能信息数值,将所有历史的相关信息数值与平均相关信息数值计算得到相关信息差值,以及将所有历史的电能信息数值与平均电能信息数值计算得到电能信息差值;
将相同时刻的相关信息差值、电能信息差值作为一个计算组,计算所有时刻的计算组的数值得到每种动态相关信息所对应的关联性系数,通过以下公式计算关联性系数,
,
其中, 、/> 、/> 、/> 、/> 、/> 、 />、/> 分别为多种动态相关信息所对应的关联性系数,上标/>、p、c分别为目标点中的不同的关联性设备,N为相关信息数值的数量,/>为第/>个时刻的电能信息数值, />为平均电能信息数值,/>为第/>个时刻的相关信息数值, />为平均相关信息数值。
可选地,在第一方面的一种可能实现方式中,其中,所述动态相关信息的种类包括温度、湿度、降水量、风速、气压、数据流量以及车流量中的任意一种或多种,所述固定相关信息包括日照强度;
所述若判断目标点所对应的目标种类具有预设的固定相关信息,则基于所述目标相关信息、预设的固定相关信息得到分解数据,包括:
按照预设种类对每一天的天气状况进行分类,基于层次聚类法对全天24小时的日照强度聚类处理,得到多种天气状况类型的聚类集合,所述天气状况类型至少包括晴、多云、阴;
将对应聚类集合的中心点,作为对应天气类型下该时刻的日照强度值,聚类集合的中心点的数值通过以下公式计算,
,
其中,、/>、/>分别为聚类集合/>、/>、/>的中心点,m为聚类集合内参数数量,/>为集合内第/>个参数。
可选地,在第一方面的一种可能实现方式中,所述基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列,包括:
基于采集设备获取目标点的第一电能数据,所述第一电能数据包括目标点在不同时刻的第一电能信息,所述第一电能信息包括电压信息、电流信息以及功率信息中的任意一种或多种;
基于预设的第一时间序列对分解数据与所述第一电能数据进行对应处理,以使在第一时间序列内的所有时刻分别对应的目标相关信息、固定相关信息被确定;
将所确定的目标相关信息、固定相关信息、第一电能信息进行组合得到多个组合集合,对所有的组合集合按照相应的时刻进行排序得到第一数据序列。
可选地,在第一方面的一种可能实现方式中,所述服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列,包括:
获取第二电能数据中所对应的最大极值信息和最小极值信息得到第一电能比对区间,调取与所述目标点所对应的区间偏移系数对所述第一电能比对区间进行偏移处理,得到第二电能比对区间;
将第一数据序列中不位于第二电能比对区间的第一电能信息确定为异常的第一电能信息;
若判断用户对服务器所确定的异常的第一电能信息未输入反馈数据,则对异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列;
若判断用户对服务器所确定的异常的第一电能信息输入反馈数据,基于反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,对区间偏移系数进行修正处理;
对修正后异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列。
可选地,在第一方面的一种可能实现方式中,所述若判断用户对服务器所确定的异常的第一电能信息输入反馈数据,基于反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,对区间偏移系数进行修正处理,包括:
提取所述反馈数据中所标定时刻的第一电能信息,将相应的第一电能信息修正为正常的第一电能信息;
确定所有修正为正常的第一电能信息,与所述第二电能比对区间中最接近数值之差的绝对值得到训练差值,选择最大的训练差值作为待计算的训练差值;
获取修正为正常的第一电能信息的第一数量,根据所述第一数量、待计算的训练差值对所述区间偏移系数进行修正处理,通过以下公式对区间偏移系数进行修正处理,
,
其中,为修正处理后的区间偏移系数,/>为修正处理前的区间偏移系数,为最大的训练差值所对应的第一电能信息,/>为相应第一电能信息与第二电能比对区间中最接近数值,/>为修正为正常的第一电能信息的第一数量,/>为常数值。
可选地,在第一方面的一种可能实现方式中,所述服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列,包括:
采用线性回归模型来识别异常的第一电能信息,如下所示,
,
式中: 为线性回归模型计算得到的参数计算值,/>为第/>个时刻的第一电能信息,m、c分别为根据第二电能数据中第二电能信息拟合得到的线性回归模型斜率和截距,/>为上限阈值,/>为下限阈值,/>为浮动参数,/>为历史数据数量,/>为根据实际情况设定的正实数;
若第一电能信息满足/>或/>,则将该数据标记为异常数据。
可选地,在第一方面的一种可能实现方式中,所述确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列,包括:
获取异常的第一电能信息所对应的时刻为异常时刻,按照预设策略选择与所述异常时刻所对应的关联时刻;
根据所述关联时刻所对应的第一电能信息进行计算,得到对异常的第一电能信息进行替换的补偿电能信息,通过以下公式计算补偿电能信息,
,
其中,、/>分别为异常的第一电能信息前2个和1个时刻的数据值,/>、/>分别为异常的第一电能信息后2个和1个时刻的数据值。
可选地,在第一方面的一种可能实现方式中,所述服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线,包括:
将所述第二电能数据、相对应的历史相关信息输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,所述梯度参数包括相关信息参数式计算的第一子影响系数和由电能信息参数式计算的初始的静态、电力电子负荷功率,所述预设的训练模型包括神经网络模型;
在判断得到目标点关联的梯度参数后,将当前的目标相关信息、预设的固定相关信息、第一电能数据输入至训练后的神经网络模型内,得到当前时刻的负荷功率;
统计其他相邻时刻的负荷功率、当前时刻的负荷功率生成相对应的负荷曲线。
可选地,在第一方面的一种可能实现方式中,所述在判断得到目标点关联的梯度参数后,将当前的目标相关信息、预设的固定相关信息、第一电能数据输入至训练后的神经网络模型内,得到当前时刻的负荷功率,包括:
神经网络模型根据所述目标相关信息、预设的固定相关信息、相关信息参数式得到相对应的第一子影响系数,根据以下相关信息参数式计算得到第一子影响系数,
,
其中,为第一子影响系数,/>为第/>个目标相关信息、预设的固定相关信息所对应的数值,/>为第/>个目标相关信息、预设的固定相关信息所对应的权重值;
神经网络模型根据所述第一电能数据、电能信息参数式进行计算得到初始的静态、电力电子负荷功率,根据所述第一子影响系数对初始的静态、电力电子负荷功率进行处理得到当前时刻的负荷功率。
可选地,在第一方面的一种可能实现方式中,所述神经网络模型根据所述第一电能数据、电能信息参数式进行计算得到初始的静态、电力电子负荷功率,根据所述第一子影响系数对初始的静态、电力电子负荷功率进行处理得到当前时刻的负荷功率,包括:
根据以下的电能信息参数式计算得到初始的静态、电力电子负荷功率,
,
其中,为初始的静态、电力电子负荷功率,/>为静态、电力电子负荷额定功率,/>为静态、电力电子负荷接入电网点的第一电压信息,/> 、/> 、/>分别为恒阻抗、恒电流、恒功率负荷占比系数;
采用最小二乘法,使用历史静态和电力电子负荷功率、第二电压数据拟合 、 />、/>的参数值,并将当前时刻的第一电压信息代入拟合得到的非线性模型中,计算得到初始的静态、电力电子负荷功率;
将第一子影响系数与初始的静态、电力电子负荷功率相乘得到当前时刻的负荷功率。
可选地,在第一方面的一种可能实现方式中,所述服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据,包括:
确定配电台区所对应的所有负荷点,根据负荷点的数量对配电台区负荷曲线进行均分计算,得到均分负荷曲线;
计算所述目标点的负荷曲线,与均分负荷曲线中相应时刻点的差值的绝对值得到负荷差值,若所述负荷差值大于相应的预设差值,则将目标点选择为待调配的目标点;
若所述差值为大于0,则生成对其进行增加配电的分析数据;
若所述差值为小于0,则生成对其进行减少配电的分析数据。
本发明实施例的第二方面,提供一种适用于多点功率估计的配电台区负荷曲线分解装置,包括:
筛选模块,用于服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据;
第一序列模块,用于基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列;
第二序列模块,用于服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列;
分解模块,用于服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线;
分析模块,用于服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据。
有益效果1、本方案会结合目标点的目标相关信息、预设的固定相关信息得到分解数据,然后对上述数据进行时间编码,使所获取的数据与对应的时间一一对应得到第一数据序列,同时会结合历史数据对第一数据序列进行异常处理,得到第二数据序列,然后结合预设的训练模型得到与目标点关联的梯度参数,最后结合梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,将目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据。本方案通过上述方式,可以在实现配电网内负荷感知的基础上,可以完成配电负荷曲线的分解,从而结合负荷感知数据对配电台区进行负荷调配。
2、在进行目标相关信息的筛选时,本方案会结合不同时刻的历史的相关信息数值、电能信息数值进行多维融合计算得到关联性系数,然后基于关联性系数进行筛选,得到关联性较大的目标相关信息;针对预设的固定相关信息,本方案会结合不同的类型进行聚类处理,并得到各个聚类集合的中心点的数值。本方案在计算当前时刻的负荷功率时,会结合电能信息参数式和相关信息参数式进行综合计算,最后结合负荷点的数量对配电台区负荷曲线进行均分计算,得到均分负荷曲线并进行曲线比对,在差值大于0时生成对其进行增加配电的分析数据;在差值小于0时,生成对其进行减少配电的分析数据。
3、本方案考虑到在数据感知、存储、传输过程中,可能因外界影响或设备异常等原因出现异常数据,因此本方案会结合历史数据对异常数据进行处理,以减少异常数据对负荷分解的影响。在进行异常数据的判断时,本方案会结合第二电能比对区间进行比对,其中,在得到第二电能比对区间的过程中,本方案会结合区间偏移系数对第一电能比对区间进行偏移处理,后续还设置了结合用户反馈的数据,对区间偏移系数进行调整的方案,使得第二电能比对区间贴合用户的需求。另外,本方案还设置了补偿电能信息对异常数据进行补偿处理,使得第二数据序列的数据是正常的。
附图说明
图1为本发明实施例提供的一种适用于多点功率估计的配电台区负荷曲线分解方法的流程示意图;
图2为本发明实施例提供的一种适用于多点功率估计的配电台区负荷曲线分解装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
参见图1,是本发明实施例提供的一种适用于多点功率估计的配电台区负荷曲线分解方法的流程示意图,该方法包括S1-S5:
S1,服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据。
其中,目标点可以是配电网台区,可以理解的是,配电网台区具备较多的相关影响信息,相关影响信息包括动态相关信息和固定相关信息。其中,动态相关信息的种类包括温度、湿度、降水量、风速、气压、数据流量以及车流量中的任意一种或多种,固定相关信息包括日照强度。
可以理解的是,由于动态相关信息种类较多,因此本方案会计算动态相关信息所对应的关联性系数,然后结合关联性系数对动态相关信息进行筛选,得到所需要的目标相关信息。最后,结合目标相关信息、预设的固定相关信息得到分解数据。
在一些实施例中,S1(服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据)包括S11-S13:
S11,获取目标点的所有预设的动态相关信息在不同时刻分别对应的历史的相关信息数值、历史的电能信息数值,基于不同时刻的历史的相关信息数值、电能信息数值计算得到关联性系数。
为了计算关联性系数,本方案会结合历史数据进行计算,首先,需要获取目标点的所有预设的动态相关信息在不同时刻分别对应的历史的相关信息数值、历史的电能信息数值,其中,历史的相关信息数值例如是历史时刻温度的数值、湿度的数值等,历史的电能信息数值是指历史不同时刻的多个电能信息数值。
可以理解的是,本方案会结合不同时刻的历史的相关信息数值、电能信息数值两个维度进行综合计算得到关联性系数。
在一些实施例中,S11(获取目标点的所有预设的动态相关信息在不同时刻分别对应的历史的相关信息数值、历史的电能信息数值,基于不同时刻的历史的相关信息数值、电能信息数值计算得到关联性系数)包括S111-S113:
S111,获取目标点的所有预设的动态相关信息分别对应的历史的相关信息数值,以及根据历史的相关信息数值进行计算得到相对应的平均相关信息数值。
本方案会结合多个历史的相关信息数值进行均值计算,得到相对应的平均相关信息数值。例如,针对温度种类,将多个温度相加求平均即可得到温度种类所对应的平均相关信息数值。
S112,获取目标点的所有预设的动态相关信息分别对应的历史的电能信息数值,以及根据历史的电能信息数值进行计算得到相对应的平均电能信息数值。
与S111同理,本方案会结合所有预设的动态相关信息分别对应的历史的电能信息数值,然后对多个历史的电能信息数值进行均值计算得到相对应的平均电能信息数值。
S113,根据所述相关信息数值的数量,历史的相关信息数值、平均相关信息数值、历史的电能信息数值、平均电能信息数值计算每种动态相关信息所对应的关联性系数。
在得到历史的相关信息数值、平均相关信息数值、历史的电能信息数值、平均电能信息数值之后,本方案会进行综合计算,得到每种动态相关信息所对应的关联性系数。
在一些实施例中,S113(根据所述相关信息数值的数量,历史的相关信息数值、平均相关信息数值、历史的电能信息数值、平均电能信息数值计算每种动态相关信息所对应的关联性系数)包括S1131-S1132:
S1131,确定相对应时刻的历史的相关信息数值和历史的电能信息数值,将所有历史的相关信息数值与平均相关信息数值计算得到相关信息差值,以及将所有历史的电能信息数值与平均电能信息数值计算得到电能信息差值。
首先,需要提取相对应时刻的数据进行计算,将所有历史的相关信息数值与平均相关信息数值计算得到相关信息差值,同时,将所有历史的电能信息数值与平均电能信息数值计算得到电能信息差值。
S1132,将相同时刻的相关信息差值、电能信息差值作为一个计算组,计算所有时刻的计算组的数值得到每种动态相关信息所对应的关联性系数,通过以下公式计算关联性系数,
,
其中,、/>、/>、/>、/>、/>、/>、 />分别为多种动态相关信息所对应的关联性系数,上标/>、p、c分别为目标点中的不同的关联性设备,N为相关信息数值的数量,/>为第/>个时刻的电能信息数值, />为平均电能信息数值,/>为第/>个时刻的相关信息数值, />为平均相关信息数值。
上述公式中,代表相对应时刻的相关信息差值,/>代表相对应时刻的电能信息差值,最后结合相关信息数值的数量N进行综合计算,得到关联性系数。
S12,根据所述关联性系数对所有维度的预设的动态相关信息进行降序排序,得到关联影响序列,选取关联影响序列中前部预设数量的动态相关信息作为目标相关信息。
在得到关联性系数之后,本方案会结合关联性系数对所有维度的预设的动态相关信息进行降序排序,得到关联影响序列。可以理解的是,关联影响序列中排序越靠前的关联性系数越大。
本方案会选取关联影响序列中前部预设数量的动态相关信息作为目标相关信息。在实际应用中,前部预设数量可以是3。
S13,若判断目标点所对应的目标种类具有预设的固定相关信息,则基于所述目标相关信息、预设的固定相关信息得到分解数据。
本方案会先判断目标点所对应的目标种类具有预设的固定相关信息,如果判断目标点所对应的目标种类具有预设的固定相关信息,则会结合目标相关信息、预设的固定相关信息得到分解数据。
所述S13(若判断目标点所对应的目标种类具有预设的固定相关信息,则基于所述目标相关信息、预设的固定相关信息得到分解数据)包括S131-S132:
S131,按照预设种类对每一天的天气状况进行分类,基于层次聚类法对全天24小时的日照强度聚类处理,得到多种天气状况类型的聚类集合,所述天气状况类型至少包括晴、多云、阴。
首先,本方案会按照预设种类对每一天的天气状况进行分类,基于层次聚类法对全天24小时的日照强度聚类处理,得到多种天气状况类型的聚类集合,其中,天气状况类型至少包括晴、多云、阴。
可以理解的是,本方案会以天气状况类型为基准,对全天24小时的日照强度聚类处理,得到多个聚类集合。
S132,将对应聚类集合的中心点,作为对应天气类型下该时刻的日照强度值,聚类集合的中心点的数值通过以下公式计算,
,
其中,、/>、/>分别为聚类集合/>、/>、/>的中心点,m为聚类集合内参数数量,/>为集合内第/>个参数。
上述公式为计算聚类集合的中心点的数值,可以理解的是,计算方式为对聚类集合内的每个数值相加求平均,即可得到所需的聚类集合的中心点的数值。
值得一提的是,日照强度的取值具有随机性,各个季节、各个日期、各个时刻都不同。为便于分析,按照现行天气预报类型,采用晴、多云、阴(包含雨、雪天气)三种类型对天气状况进行区分标记。分别在各个天气类型下,对全天24小时的日照强度数据采用层次聚类法进行聚类,得到全天各小时晴、多云、阴三个天气类别的聚类集合[z1]、[z2]、[z3]。将对应天气类别聚类集合的中心点,作为对应天气类型下该时刻日照强度数据值。
S2,基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列。
本方案会利用电能采集设备获取目标点的第一电能数据,然后结合预设的第一时间序列将分解数据与第一电能数据进行对应处理,得到第一数据序列。
可以理解的是,本方案会将第一时间序列中同一个时刻的目标点的第一电能数据,与分解数据进行对应处理,得到第一数据序列,具体方式参见下文。
在一些实施例中,S2(基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列)包括S21- S23:
S21,基于采集设备获取目标点的第一电能数据,所述第一电能数据包括目标点在不同时刻的第一电能信息,所述第一电能信息包括电压信息、电流信息以及功率信息中的任意一种或多种。
首先,本方案会利用采集设备获取目标点的第一电能数据,其中,第一电能数据包括目标点在不同时刻的第一电能信息,第一电能信息包括电压信息、电流信息以及功率信息中的任意一种或多种。
S22,基于预设的第一时间序列对分解数据与所述第一电能数据进行对应处理,以使在第一时间序列内的所有时刻分别对应的目标相关信息、固定相关信息被确定。
可以理解的是,本方案会以第一时间序列为基准,将同一时刻的分解数据与第一电能数据进行对应处理,以使在第一时间序列内的所有时刻分别对应的目标相关信息、固定相关信息被确定。
S23,将所确定的目标相关信息、固定相关信息、第一电能信息进行组合得到多个组合集合,对所有的组合集合按照相应的时刻进行排序得到第一数据序列。
最后,本方案会将所确定的目标相关信息、固定相关信息、第一电能信息进行组合得到多个组合集合,对所有的组合集合按照相应的时刻进行排序得到对应第一时间序列的第一数据序列。
S3,服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列。
上述的第一数据序列中数据可能会有一些异常数据,因此,本方案还会结合历史数据对异常数据进行处理,得到修正后的第二数据序列。
在一些实施例中,S3(服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列),包括S31- S35:
S31,获取第二电能数据中所对应的最大极值信息和最小极值信息得到第一电能比对区间,调取与所述目标点所对应的区间偏移系数对所述第一电能比对区间进行偏移处理,得到第二电能比对区间。
首先,本方案会获取第二电能数据中所对应的最大极值信息和最小极值信息得到第一电能比对区间。同时,本方案还考虑到不同目标点所对应的数据情况不同,因此,还会调取与目标点所对应的区间偏移系数对所述第一电能比对区间进行偏移处理,得到贴合相应目标点的第二电能比对区间。
其中,偏移可以是利用区间偏移系数对第二电能比对区间的区间最小值进行偏小处理,利用区间偏移系数对第二电能比对区间的区间最大值进行偏大处理,得到偏移后的跨度变大的第二电能比对区间。
S32,将第一数据序列中不位于第二电能比对区间的第一电能信息确定为异常的第一电能信息。
可以理解的是,位于第二电能比对区间内的数据是较为正常的,位于第二电能比对区间之外的数据是异常的。本方案会通过第二电能比对区间比对得到异常的第一电能信息。
S33,若判断用户对服务器所确定的异常的第一电能信息未输入反馈数据,则对异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列。
在得到异常的第一电能信息之后,本方案还会判断用户是否对服务器所确定的异常的第一电能信息输入反馈数据,如果没有反馈,则说明计算的数据符合用户需求,此时可以对异常的第一电能信息进行处理得到补偿电能信息,然后结合正常的第一电能信息、补偿电能信息得到第二数据序列。
S34,若判断用户对服务器所确定的异常的第一电能信息输入反馈数据,基于反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,对区间偏移系数进行修正处理。
如果判断用户输入反馈数据,说明所计算出的数据不满足用户的需求,此时,本方案会结合反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,同时对区间偏移系数进行修正处理。
其中,S34(若判断用户对服务器所确定的异常的第一电能信息输入反馈数据,基于反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,对区间偏移系数进行修正处理)包括S341- S343:
S341,提取所述反馈数据中所标定时刻的第一电能信息,将相应的第一电能信息修正为正常的第一电能信息。
首先,本方案会提取反馈数据中所标定时刻的第一电能信息,然后将相应的第一电能信息修正为正常的第一电能信息。
S342,确定所有修正为正常的第一电能信息,与所述第二电能比对区间中最接近数值之差的绝对值得到训练差值,选择最大的训练差值作为待计算的训练差值。
为了对区间偏移系数进行修正,本方案会结合正常的第一电能信息,与第二电能比对区间中最接近数值的差的绝对值得到训练差值,可以理解的是,在修正为正常的第一电能信息有多个时,训练差值也会有多个,本方案会选择最大的训练差值作为待计算的训练差值。
S343,获取修正为正常的第一电能信息的第一数量,根据所述第一数量、待计算的训练差值对所述区间偏移系数进行修正处理,通过以下公式对区间偏移系数进行修正处理,
,
其中,为修正处理后的区间偏移系数,/>为修正处理前的区间偏移系数,为最大的训练差值所对应的第一电能信息,/>为相应第一电能信息与第二电能比对区间中最接近数值,/>为修正为正常的第一电能信息的第一数量,/>为常数值。
上述公式中,代表最大的训练差值,本方案会结合最大的训练差值来对区间偏移系数进行调大处理,使得下次所计算的第二电能比对区间跨度变大。同时,计算过程中,本方案还会结合修正为正常的第一电能信息的第一数量进行计算,第一数量越多,需要调整的幅度也就越大。其中,常数值可以是工作人员预先设置的。
S35,对修正后异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列。
在得到异常的第一电能信息之后,本方案会对修正后异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列。
需要说明的是,上述实施例提供了一种异常数据的识别方式,在另外一些实施例中,本方案还提供另外一种异常数据的识别方式,具体如下:
S3(服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列)包括:
采用线性回归模型来识别异常的第一电能信息,如下所示,
,
式中: 为线性回归模型计算得到的参数计算值,/>为第/>个时刻的第一电能信息,m、c分别为根据第二电能数据中第二电能信息拟合得到的线性回归模型斜率和截距,/>为上限阈值,/>为下限阈值,/>为浮动参数,/>为历史数据数量,/>为根据实际情况设定的正实数;
若第一电能信息满足/>或/>,则将该数据标记为异常数据。
在一些实施例中,S3中的(确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列),包括:
获取异常的第一电能信息所对应的时刻为异常时刻,按照预设策略选择与所述异常时刻所对应的关联时刻。
首先,本方案会确定异常时刻,异常时刻为异常的第一电能信息所对应的时刻,然后按照预设策略选择与异常时刻所对应的关联时刻。其中,关联时刻可以是异常时刻的前2个时刻,以及后2个时刻。其中,在确定时刻时可以以1小时、2小时等为单位进行计算。
根据所述关联时刻所对应的第一电能信息进行计算,得到对异常的第一电能信息进行替换的补偿电能信息,通过以下公式计算补偿电能信息,
,
其中,、/>分别为异常的第一电能信息前2个和1个时刻的数据值,/>、/>分别为异常的第一电能信息后2个和1个时刻的数据值。
可以理解的是,本方案通过对前2个时刻的数据以及后2个时刻的数据进行均值计算,即可得到替换异常的第一电能信息的补偿电能信息。
S4,服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线。
本方案会将第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数。
然后,结合梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,其中,负荷曲线为静态、电力电子负荷功率的拟合曲线。
可以理解的是,每个目标点都对应有一个分解的负荷曲线。
在一些实施例中,S4(服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线)包括S41-S43:
S41,将所述第二电能数据、相对应的历史相关信息输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,所述梯度参数包括相关信息参数式计算的第一子影响系数和由电能信息参数式计算的初始的静态、电力电子负荷功率,所述预设的训练模型包括神经网络模型。
可以理解的是,本方案会结合相关信息参数式计算得到第一子影响系数,结合电能信息参数式计算得到初始的静态、电力电子负荷功率,然后结合第一子影响系数、初始的静态、电力电子负荷功率进行综合处理。
S42,在判断得到目标点关联的梯度参数后,将当前的目标相关信息、预设的固定相关信息、第一电能数据输入至训练后的神经网络模型内,得到当前时刻的负荷功率。
在计算得到目标点关联的梯度参数后,本方案会将当前的目标相关信息、预设的固定相关信息、第一电能数据输入至训练后的神经网络模型内,得到当前时刻的负荷功率。
其中,S42(在判断得到目标点关联的梯度参数后,将当前的目标相关信息、预设的固定相关信息、第一电能数据输入至训练后的神经网络模型内,得到当前时刻的负荷功率)包括S421-S422:
S421,神经网络模型根据所述目标相关信息、预设的固定相关信息、相关信息参数式得到相对应的第一子影响系数,根据以下相关信息参数式计算得到第一子影响系数,
,
其中,为第一子影响系数,/>为第/>个目标相关信息、预设的固定相关信息所对应的数值,/>为第/>个目标相关信息、预设的固定相关信息所对应的权重值,其可以是工作人员预先设置的。
S422,神经网络模型根据所述第一电能数据、电能信息参数式进行计算得到初始的静态、电力电子负荷功率,根据所述第一子影响系数对初始的静态、电力电子负荷功率进行处理得到当前时刻的负荷功率。
在一些实施例中,S422(神经网络模型根据所述第一电能数据、电能信息参数式进行计算得到初始的静态、电力电子负荷功率,根据所述第一子影响系数对初始的静态、电力电子负荷功率进行处理得到当前时刻的负荷功率)包括:
根据以下的电能信息参数式计算得到初始的静态、电力电子负荷功率,
,/>
其中, 为初始的静态、电力电子负荷功率,/>为静态、电力电子负荷额定功率,为静态、电力电子负荷接入电网点的第一电压信息,/>、/>、/>分别为恒阻抗、恒电流、恒功率负荷占比系数;
采用最小二乘法,使用历史静态和电力电子负荷功率、第二电压数据拟合、/>、的参数值,并将当前时刻的第一电压信息代入拟合得到的非线性模型中,计算得到初始的静态、电力电子负荷功率。
可以理解的是,本方案通过上述的电能信息参数式计算得到初始的静态、电力电子负荷功率。
在得到第一子影响系数和初始的静态、电力电子负荷功率之后,本方案会将第一子影响系数与初始的静态、电力电子负荷功率相乘得到当前时刻的负荷功率。
S43,统计其他相邻时刻的负荷功率、当前时刻的负荷功率生成相对应的负荷曲线。
可以理解的是,本方案可以综合其他相邻时刻的负荷功率、当前时刻的负荷功率生成相对应的负荷曲线,其中,其他相邻时刻的负荷功率可以有多个,例如是4个、10个等。
S5,服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据。
在得到目标点的负荷曲线后,本方案的服务器会将目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据。
在一些实施例中,S5(服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据)包括S51-S54:
S51,确定所述配电台区所对应的所有负荷点,根据负荷点的数量对配电台区负荷曲线进行均分计算,得到均分负荷曲线。
本方案会得到各个配电台区所对应的所有负荷点的数量,然后结合负荷点的数量对配电台区负荷曲线进行均分计算,得到均分负荷曲线。例如,配电台区负荷曲线是对应100个负荷点的,其中一个配电台区对应负荷点的数量为10,那么本方案会利用10对配电台区负荷曲线进行均分计算,即将负荷曲线中的各个点除以相应的数量(例如10)即可得到均分负荷曲线。
S52,计算所述目标点的负荷曲线,与均分负荷曲线中相应时刻点的差值的绝对值得到负荷差值,若所述负荷差值大于相应的预设差值,则将目标点选择为待调配的目标点。
本方案会计算目标点的负荷曲线与均分负荷曲线中相应时刻点的差值的绝对值得到负荷差值。
可以理解的是,如果负荷差值大于相应的预设差值,则说明该目标点需要进行调配,将目标点选择为待调配的目标点。
S53,若所述差值为大于0,则生成对其进行增加配电的分析数据。
S54,若所述差值为小于0,则生成对其进行减少配电的分析数据。
可以理解的是,如果差值为大于0,则说明目标点的负荷大于参考负荷,此时需要为其增加配电,因此,本方案会生成对其进行增加配电的分析数据。反之,如果差值小于0,则说明负荷小于参考负荷,需要生成对其进行减少配电的分析数据。
参见图2,是本发明实施例提供的一种适用于多点功率估计的配电台区负荷曲线分解装置的结构示意图,该适用于多点功率估计的配电台区负荷曲线分解装置包括:
筛选模块,用于服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据;
第一序列模块,用于基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列;
第二序列模块,用于服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列;
分解模块,用于服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线;
分析模块,用于服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据。
本发明还提供一种存储介质,所述存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和存储介质也可以作为分立组件存在于通信设备中。存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在存储介质中。设备的至少一个处理器可以从存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,包括:
服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据;
基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列;
服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列;
服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线;
服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据;
所述基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列,包括:
基于采集设备获取目标点的第一电能数据,所述第一电能数据包括目标点在不同时刻的第一电能信息,所述第一电能信息包括电压信息、电流信息以及功率信息中的任意一种或多种;
基于预设的第一时间序列对分解数据与所述第一电能数据进行对应处理,以使在第一时间序列内的所有时刻分别对应的目标相关信息、固定相关信息被确定;
将所确定的目标相关信息、固定相关信息、第一电能信息进行组合得到多个组合集合,对所有的组合集合按照相应的时刻进行排序得到第一数据序列;
所述服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列,包括:
获取第二电能数据中所对应的最大极值信息和最小极值信息得到第一电能比对区间,调取与所述目标点所对应的区间偏移系数对所述第一电能比对区间进行偏移处理,得到第二电能比对区间;
将第一数据序列中不位于第二电能比对区间的第一电能信息确定为异常的第一电能信息;
若判断用户对服务器所确定的异常的第一电能信息未输入反馈数据,则对异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列;
若判断用户对服务器所确定的异常的第一电能信息输入反馈数据,基于反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,对区间偏移系数进行修正处理;
对修正后异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列;
所述若判断用户对服务器所确定的异常的第一电能信息输入反馈数据,基于反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,对区间偏移系数进行修正处理,包括:
提取所述反馈数据中所标定时刻的第一电能信息,将相应的第一电能信息修正为正常的第一电能信息;
确定所有修正为正常的第一电能信息,与所述第二电能比对区间中最接近数值之差的绝对值得到训练差值,选择最大的训练差值作为待计算的训练差值;
获取修正为正常的第一电能信息的第一数量,根据所述第一数量、待计算的训练差值对所述区间偏移系数进行修正处理,通过以下公式对区间偏移系数进行修正处理,
,其中,/>为修正处理后的区间偏移系数,/>为修正处理前的区间偏移系数,/>为最大的训练差值所对应的第一电能信息,/>为相应第一电能信息与第二电能比对区间中最接近数值,/>为修正为正常的第一电能信息的第一数量,为常数值。
2.根据权利要求1所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据,包括:
获取目标点的所有预设的动态相关信息在不同时刻分别对应的历史的相关信息数值、历史的电能信息数值,基于不同时刻的历史的相关信息数值、电能信息数值计算得到关联性系数;
根据所述关联性系数对所有维度的预设的动态相关信息进行降序排序,得到关联影响序列,选取关联影响序列中前部预设数量的动态相关信息作为目标相关信息;
若判断目标点所对应的目标种类具有预设的固定相关信息,则基于所述目标相关信息、预设的固定相关信息得到分解数据。
3.根据权利要求2所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述获取目标点的所有预设的动态相关信息在不同时刻分别对应的历史的相关信息数值、历史的电能信息数值,基于不同时刻的历史的相关信息数值、电能信息数值计算得到关联性系数,包括:
获取目标点的所有预设的动态相关信息分别对应的历史的相关信息数值,以及根据历史的相关信息数值进行计算得到相对应的平均相关信息数值;
获取目标点的所有预设的动态相关信息分别对应的历史的电能信息数值,以及根据历史的电能信息数值进行计算得到相对应的平均电能信息数值;
根据所述相关信息数值的数量,历史的相关信息数值、平均相关信息数值、历史的电能信息数值、平均电能信息数值计算每种动态相关信息所对应的关联性系数。
4.根据权利要求3所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述根据所述相关信息数值的数量,历史的相关信息数值、平均相关信息数值、历史的电能信息数值、平均电能信息数值计算每种动态相关信息所对应的关联性系数,包括:
确定相对应时刻的历史的相关信息数值和历史的电能信息数值,将所有历史的相关信息数值与平均相关信息数值计算得到相关信息差值,以及将所有历史的电能信息数值与平均电能信息数值计算得到电能信息差值;
将相同时刻的相关信息差值、电能信息差值作为一个计算组,计算所有时刻的计算组的数值得到每种动态相关信息所对应的关联性系数,通过以下公式计算关联性系数,
,
其中,分别为多种动态相关信息所对应的关联性系数,上标g、p、c分别为目标点中的不同的关联性设备,N为相关信息数值的数量,x i 为第i个时刻的电能信息数值,/>为平均电能信息数值,y i 为第i个时刻的相关信息数值,/>为平均相关信息数值。
5.根据权利要求4所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
其中,所述动态相关信息的种类包括温度、湿度、降水量、风速、气压、数据流量以及车流量中的任意一种或多种,所述固定相关信息包括日照强度;
所述若判断目标点所对应的目标种类具有预设的固定相关信息,则基于所述目标相关信息、预设的固定相关信息得到分解数据,包括:
按照预设种类对每一天的天气状况进行分类,基于层次聚类法对全天24小时的日照强度聚类处理,得到多种天气状况类型的聚类集合,所述天气状况类型至少包括晴、多云、阴;
将对应聚类集合的中心点,作为对应天气类型下该时刻的日照强度值,聚类集合的中心点的数值通过以下公式计算,
,
其中,C 1、C 2、C 3分别为聚类集合[z 1]、[z 2]、[z 3]的中心点,m为聚类集合内参数数量,z j 为集合内第j个参数。
6.根据权利要求1所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列,包括:
采用线性回归模型来识别异常的第一电能信息,如下所示,
,式中:/>为线性回归模型计算得到的参数计算值,x i 为第i个时刻的第一电能信息,m、c分别为根据第二电能数据中第二电能信息拟合得到的线性回归模型斜率和截距,T H 为上限阈值,T L 为下限阈值,Δr为浮动参数,N为历史数据数量,h为根据实际情况设定的正实数;若第一电能信息x i 满足x i <T L 或x i >T H ,则将该数据标记为异常数据。
7.根据权利要求1或6中任意一项所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列,包括:
获取异常的第一电能信息所对应的时刻为异常时刻,按照预设策略选择与所述异常时刻所对应的关联时刻;
根据所述关联时刻所对应的第一电能信息进行计算,得到对异常的第一电能信息进行替换的补偿电能信息,通过以下公式计算补偿电能信息,
,其中,m i-2、m i-1分别为异常的第一电能信息前2个和1个时刻的数据值,m i+2、m i+1分别为异常的第一电能信息后2个和1个时刻的数据值。
8.根据权利要求7所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线,包括:
将所述第二电能数据、相对应的历史相关信息输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,所述梯度参数包括相关信息参数式计算的第一子影响系数和由电能信息参数式计算的初始的静态、电力电子负荷功率,所述预设的训练模型包括神经网络模型;
在判断得到目标点关联的梯度参数后,将当前的目标相关信息、预设的固定相关信息、第一电能数据输入至训练后的神经网络模型内,得到当前时刻的负荷功率;
统计其他相邻时刻的负荷功率、当前时刻的负荷功率生成相对应的负荷曲线。
9.根据权利要求8所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述在判断得到目标点关联的梯度参数后,将当前的目标相关信息、预设的固定相关信息、第一电能数据输入至训练后的神经网络模型内,得到当前时刻的负荷功率,包括:
神经网络模型根据所述目标相关信息、预设的固定相关信息、相关信息参数式得到相对应的第一子影响系数,根据以下相关信息参数式计算得到第一子影响系数,
,其中,/>为第一子影响系数,/>为第/>个目标相关信息、预设的固定相关信息所对应的数值,/>为第/>个目标相关信息、预设的固定相关信息所对应的权重值;
神经网络模型根据所述第一电能数据、电能信息参数式进行计算得到初始的静态、电力电子负荷功率,根据所述第一子影响系数对初始的静态、电力电子负荷功率进行处理得到当前时刻的负荷功率。
10.根据权利要求9所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述神经网络模型根据所述第一电能数据、电能信息参数式进行计算得到初始的静态、电力电子负荷功率,根据所述第一子影响系数对初始的静态、电力电子负荷功率进行处理得到当前时刻的负荷功率,包括:
根据以下的电能信息参数式计算得到初始的静态、电力电子负荷功率,
,其中,/>为初始的静态、电力电子负荷功率,P N 为静态、电力电子负荷额定功率,U为静态、电力电子负荷接入电网点的第一电压信息,、、分别为恒阻抗、恒电流、恒功率负荷占比系数;
采用最小二乘法,使用历史静态和电力电子负荷功率、第二电压数据拟合、、的参数值,并将当前时刻的第一电压信息代入拟合得到的非线性模型中,计算得到初始的静态、电力电子负荷功率;
将第一子影响系数与初始的静态、电力电子负荷功率相乘得到当前时刻的负荷功率。
11.根据权利要求10所述的适用于多点功率估计的配电台区负荷曲线分解方法,其特征在于,
所述服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据,包括:
确定配电台区所对应的所有负荷点,根据负荷点的数量对配电台区负荷曲线进行均分计算,得到均分负荷曲线;
计算所述目标点的负荷曲线,与均分负荷曲线中相应时刻点的差值的绝对值得到负荷差值,若所述负荷差值大于相应的预设差值,则将目标点选择为待调配的目标点;
若所述差值为大于0,则生成对其进行增加配电的分析数据;
若所述差值为小于0,则生成对其进行减少配电的分析数据。
12.适用于多点功率估计的配电台区负荷曲线分解装置,其特征在于,包括:
筛选模块,用于服务器获取目标点的所有预设的动态相关信息所对应的关联性系数,根据所述关联性系数对预设的动态相关信息进行筛选得到目标相关信息,基于所述目标相关信息、预设的固定相关信息得到分解数据;
第一序列模块,用于基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列;
第二序列模块,用于服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列;
分解模块,用于服务器将所述第二电能数据、相对应的历史相关信息、历史负荷数据输入至预设的训练模型中进行训练得到与目标点关联的梯度参数,基于所述梯度参数和第二数据序列得到与目标点所对应分解的负荷曲线,所述负荷曲线为静态、电力电子负荷功率的拟合曲线;
分析模块,用于服务器将所述目标点的负荷曲线与配电台区负荷曲线进行比对,得到目标点与配电台区负荷之间的相关性并输出配电分析数据;
所述基于电能采集设备获取目标点的第一电能数据,基于预设的第一时间序列将所述分解数据与所述第一电能数据进行对应处理,得到第一数据序列,包括:
基于采集设备获取目标点的第一电能数据,所述第一电能数据包括目标点在不同时刻的第一电能信息,所述第一电能信息包括电压信息、电流信息以及功率信息中的任意一种或多种;
基于预设的第一时间序列对分解数据与所述第一电能数据进行对应处理,以使在第一时间序列内的所有时刻分别对应的目标相关信息、固定相关信息被确定;
将所确定的目标相关信息、固定相关信息、第一电能信息进行组合得到多个组合集合,对所有的组合集合按照相应的时刻进行排序得到第一数据序列;
所述服务器调取数据库中目标点历史的第二电能数据,基于预设模型和第二电能数据对第一数据序列进行识别,确定第一电能数据在第一数据序列中异常的第一电能信息并进行处理,得到第二数据序列,包括:
获取第二电能数据中所对应的最大极值信息和最小极值信息得到第一电能比对区间,调取与所述目标点所对应的区间偏移系数对所述第一电能比对区间进行偏移处理,得到第二电能比对区间;
将第一数据序列中不位于第二电能比对区间的第一电能信息确定为异常的第一电能信息;
若判断用户对服务器所确定的异常的第一电能信息未输入反馈数据,则对异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列;
若判断用户对服务器所确定的异常的第一电能信息输入反馈数据,基于反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,对区间偏移系数进行修正处理;
对修正后异常的第一电能信息进行处理得到补偿电能信息,根据正常的第一电能信息、补偿电能信息得到第二数据序列;
所述若判断用户对服务器所确定的异常的第一电能信息输入反馈数据,基于反馈数据对部分异常的第一电能信息修正为正常的第一电能信息,对区间偏移系数进行修正处理,包括:
提取所述反馈数据中所标定时刻的第一电能信息,将相应的第一电能信息修正为正常的第一电能信息;
确定所有修正为正常的第一电能信息,与所述第二电能比对区间中最接近数值之差的绝对值得到训练差值,选择最大的训练差值作为待计算的训练差值;
获取修正为正常的第一电能信息的第一数量,根据所述第一数量、待计算的训练差值对所述区间偏移系数进行修正处理,通过以下公式对区间偏移系数进行修正处理,
,其中,/>为修正处理后的区间偏移系数,/>为修正处理前的区间偏移系数,/>为最大的训练差值所对应的第一电能信息,/>为相应第一电能信息与第二电能比对区间中最接近数值,/>为修正为正常的第一电能信息的第一数量,为常数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539597.6A CN116258355B (zh) | 2023-05-15 | 2023-05-15 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539597.6A CN116258355B (zh) | 2023-05-15 | 2023-05-15 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116258355A CN116258355A (zh) | 2023-06-13 |
CN116258355B true CN116258355B (zh) | 2023-08-11 |
Family
ID=86684677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310539597.6A Active CN116258355B (zh) | 2023-05-15 | 2023-05-15 | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116258355B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116526496B (zh) * | 2023-06-16 | 2023-09-08 | 国网山西省电力公司晋城供电公司 | 一种新型电力系统负荷控制的辅助决策方法 |
CN117010573A (zh) * | 2023-08-31 | 2023-11-07 | 连云港市港圣开关制造有限公司 | 一种智能配电节能优化方法及系统 |
CN117277355B (zh) * | 2023-11-09 | 2024-03-22 | 一能电气有限公司 | 一种智慧监测数据的输电方法及系统 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002169613A (ja) * | 2000-12-04 | 2002-06-14 | Hitachi Ltd | 電力ロードカーブの分析方法およびシステム |
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
CN103257615A (zh) * | 2013-04-11 | 2013-08-21 | 西安交通大学 | 一种加工过程形态质量动态识别与修正控制方法 |
CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
CN109376971A (zh) * | 2018-12-29 | 2019-02-22 | 北京中电普华信息技术有限公司 | 一种面向电力用户的负荷曲线预测方法及系统 |
CN110991747A (zh) * | 2019-12-05 | 2020-04-10 | 国网江苏省电力有限公司南通供电分公司 | 一种计及风电场功率的短期负荷预测方法 |
CN112215410A (zh) * | 2020-09-24 | 2021-01-12 | 国网福建省电力有限公司 | 基于改进深度学习的电力负荷预测方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
CN112598248A (zh) * | 2020-12-16 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 负荷预测方法、装置、计算机设备和存储介质 |
CN112785042A (zh) * | 2020-12-31 | 2021-05-11 | 国网山东省电力公司菏泽供电公司 | 基于Prophet-LSTM组合算法的配电变压器重过载预测方法及系统 |
CN112924779A (zh) * | 2021-01-25 | 2021-06-08 | 河北科技大学 | 非侵入式负荷识别方法、装置及终端设备 |
CN113282646A (zh) * | 2021-04-30 | 2021-08-20 | 国网四川省电力公司经济技术研究院 | 一种基于用电行为影响因素的日负荷曲线获取方法 |
WO2021213192A1 (zh) * | 2020-04-22 | 2021-10-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于通用分布的负荷预测方法及负荷预测系统 |
CN113673742A (zh) * | 2021-07-02 | 2021-11-19 | 华南理工大学 | 配电变压器台区负荷预测方法、系统、装置及介质 |
CN114498632A (zh) * | 2022-01-27 | 2022-05-13 | 国网江苏省电力有限公司泰州供电分公司 | 基于新能源和充电设施的配电台区负荷预测方法及装置 |
CN114611805A (zh) * | 2022-03-16 | 2022-06-10 | 广东电网有限责任公司 | 一种净负荷预测方法、装置、电子设备及存储介质 |
CN115062864A (zh) * | 2022-07-14 | 2022-09-16 | 国网湖南省电力有限公司 | 一种配电网中期负荷分解-集合预测方法及系统 |
CN115564126A (zh) * | 2022-10-18 | 2023-01-03 | 珠海许继芝电网自动化有限公司 | 一种光伏发电预测方法、系统、装置及存储介质 |
CN115587672A (zh) * | 2022-11-09 | 2023-01-10 | 国网湖南省电力有限公司 | 一种配变负荷预测及重过载预警方法及系统 |
CN115965125A (zh) * | 2022-12-12 | 2023-04-14 | 西北工业大学 | 一种基于深度学习的电力负荷预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9118182B2 (en) * | 2012-01-04 | 2015-08-25 | General Electric Company | Power curve correlation system |
US10418811B2 (en) * | 2017-09-12 | 2019-09-17 | Sas Institute Inc. | Electric power grid supply and load prediction using cleansed time series data |
US11740603B2 (en) * | 2019-05-29 | 2023-08-29 | Siemens Aktiengesellschaft | Power load prediction method and apparatus, and storage medium |
-
2023
- 2023-05-15 CN CN202310539597.6A patent/CN116258355B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002169613A (ja) * | 2000-12-04 | 2002-06-14 | Hitachi Ltd | 電力ロードカーブの分析方法およびシステム |
JP2012244897A (ja) * | 2011-05-13 | 2012-12-10 | Fujitsu Ltd | 短期電力負荷を予測する方法及び装置 |
CN103257615A (zh) * | 2013-04-11 | 2013-08-21 | 西安交通大学 | 一种加工过程形态质量动态识别与修正控制方法 |
CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
CN109376971A (zh) * | 2018-12-29 | 2019-02-22 | 北京中电普华信息技术有限公司 | 一种面向电力用户的负荷曲线预测方法及系统 |
CN110991747A (zh) * | 2019-12-05 | 2020-04-10 | 国网江苏省电力有限公司南通供电分公司 | 一种计及风电场功率的短期负荷预测方法 |
WO2021213192A1 (zh) * | 2020-04-22 | 2021-10-28 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于通用分布的负荷预测方法及负荷预测系统 |
CN112215410A (zh) * | 2020-09-24 | 2021-01-12 | 国网福建省电力有限公司 | 基于改进深度学习的电力负荷预测方法 |
CN112488415A (zh) * | 2020-12-14 | 2021-03-12 | 国网江苏省电力有限公司经济技术研究院 | 基于经验模态分解和长短时记忆网络的电力负荷预测方法 |
CN112598248A (zh) * | 2020-12-16 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 负荷预测方法、装置、计算机设备和存储介质 |
CN112785042A (zh) * | 2020-12-31 | 2021-05-11 | 国网山东省电力公司菏泽供电公司 | 基于Prophet-LSTM组合算法的配电变压器重过载预测方法及系统 |
CN112924779A (zh) * | 2021-01-25 | 2021-06-08 | 河北科技大学 | 非侵入式负荷识别方法、装置及终端设备 |
CN113282646A (zh) * | 2021-04-30 | 2021-08-20 | 国网四川省电力公司经济技术研究院 | 一种基于用电行为影响因素的日负荷曲线获取方法 |
CN113673742A (zh) * | 2021-07-02 | 2021-11-19 | 华南理工大学 | 配电变压器台区负荷预测方法、系统、装置及介质 |
CN114498632A (zh) * | 2022-01-27 | 2022-05-13 | 国网江苏省电力有限公司泰州供电分公司 | 基于新能源和充电设施的配电台区负荷预测方法及装置 |
CN114611805A (zh) * | 2022-03-16 | 2022-06-10 | 广东电网有限责任公司 | 一种净负荷预测方法、装置、电子设备及存储介质 |
CN115062864A (zh) * | 2022-07-14 | 2022-09-16 | 国网湖南省电力有限公司 | 一种配电网中期负荷分解-集合预测方法及系统 |
CN115564126A (zh) * | 2022-10-18 | 2023-01-03 | 珠海许继芝电网自动化有限公司 | 一种光伏发电预测方法、系统、装置及存储介质 |
CN115587672A (zh) * | 2022-11-09 | 2023-01-10 | 国网湖南省电力有限公司 | 一种配变负荷预测及重过载预警方法及系统 |
CN115965125A (zh) * | 2022-12-12 | 2023-04-14 | 西北工业大学 | 一种基于深度学习的电力负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
基于LSTM的云平台故障预测方法研究;李柯辛;中国优秀硕士学位论文全文数据库 信息科技辑(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116258355A (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116258355B (zh) | 适用于多点功率估计的配电台区负荷曲线分解方法及装置 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
Liu et al. | A hybrid FCW-EMD and KF-BA-SVM based model for short-term load forecasting | |
CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和系统 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
CN110503153B (zh) | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
Junior et al. | Optimized hybrid ensemble learning approaches applied to very short-term load forecasting | |
CN111160626A (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
Cho et al. | Failure diagnosis method of photovoltaic generator using support vector machine | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN116154972A (zh) | 一种分布式电网电能质量监测方法及系统 | |
CN111754029A (zh) | 一种社区负荷预测系统 | |
CN114780860B (zh) | 基于多维大数据融合汇聚的自主决策方法 | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
CN108090647A (zh) | 取得用电户的负载运作机率的方法及取得用电户群组的负载运作机率的方法 | |
CN111340525A (zh) | 一种分时电价尖峰电价的确定方法和系统 | |
CN111539573A (zh) | 一种风光互补离网系统的功率预测方法及系统 | |
CN113449258B (zh) | 智能电表的质量评估方法、装置、终端设备及存储介质 | |
CN113866552B (zh) | 一种基于机器学习的中压配网用户用电异常诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |