CN116859321B - 基于能源控制器的电能表计量误差监测方法 - Google Patents
基于能源控制器的电能表计量误差监测方法 Download PDFInfo
- Publication number
- CN116859321B CN116859321B CN202311126447.9A CN202311126447A CN116859321B CN 116859321 B CN116859321 B CN 116859321B CN 202311126447 A CN202311126447 A CN 202311126447A CN 116859321 B CN116859321 B CN 116859321B
- Authority
- CN
- China
- Prior art keywords
- data
- matrix
- value
- user
- line loss
- 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 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 62
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 26
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及配电网自动化系统领域,公开了一种基于能源控制器的电能表计量误差监测方法,包括以下步骤:能源控制器采集户表与总表数据;总表数据减去户表数据的加和得线损曲线;通过奇异值分解重构户表数据;建立回归模型;计算得解析解即估计误差系数;迭代更新权重矩阵及解析解;确定上报的超差表。本发明通过对户表数据矩阵进行奇异值分解,能够在数据点数少于用户数的情况下进行计算并改善了由于用户间相关性导致判断失准的问题,并通过迭代过程降低数据中噪声信息的影响,最终获得相对稳定的最小二乘解析解,保证了电能表计量误差监测判断结果的准确性。同时,本发明仅需获取全台区用户用电数据与台区总表数据,无需添加额外设备,易于实现。
Description
技术领域
本发明涉及配电网自动化系统领域,涉及一种基于能源控制器的电能表计量误差监测方法。
背景技术
随着社会整体用电量的不断增加,用于计量用电量的电能表越来越受到重视。电能表能否准确计量关系到用户与电力企业之间的信任关系,而在现实生活中,由于产品质量、使用时间以及使用环境的影响,电能表可能会出现计量失准,如果电能表出现计量失准,则势必会给供用电其中一方带来经济损失。因此,通过大数据分析手段进行电能表计量误差监测受到日益广泛的关注。
在当前的大数据分析技术中,最常见的手段是根据能量守恒定律建立台区线性回归模型,然后根据最小二乘方法估计出用户系数,进而分析出电能表计量误差异常情况。然而,该方法在实际应用中常会面临三方面问题:①最小二乘法需要数据点数大于等于用户数,否则无法进行计算,而低压台区可能存在多达几百用户,导致需要更多的数据点数,从而导致计算周期过长;②低压台区用户的日冻结电量具有不同程度的相关性,容易导致最小二乘法的解不稳定,从而影响最终判断结果;③低压台区由于采集问题导致采集数据失真,存在随机的噪声数据,影响求解结果的稳定性。
能源控制器(Energy control and monitoring terminal unit,ECU)安装在公变或专变台区,可实现客户侧和配电侧计量与感知设备的灵活接入,具有数据采集、智能费控、时钟同步、精准计量等功能。能源控制器采用模组化设计,在不同的应用场景中,对各种输入/输出接口的要求不尽相同,于是各种类别的功能模组应运而生,能源控制器通过不同种类的功能模组配合,实现对终端形态的重新定义。能源控制器的功能模组通过USB总线安装在能源控制器的本体上,用于扩展本体功能,包括远程通信模块(如4G通信模块、5G通信模块等)、本地通信模块(如电力线载波通信模块、微功率无线通信模块、RS-485通信模块、M-Bus通信模块、CAN通信模块等)、控制模块、遥信脉冲采集模块、回路状态巡检模块等。因此,适用于实施电能表计量误差监测功能开发。
发明内容
本发明针对上述问题,克服现有技术的不足,提出一种基于能源控制器的电能表计量误差监测方法,对户表数据矩阵进行奇异值分解并重构,能够在数据点数少于用户数的情况下进行计算并改善了由于用户间相关性导致判断失准的问题,通过迭代的方式识别数据中的噪声信息,最终获得相对稳定的最小二乘解析解。同时,本发明仅需获取全台区用户用电数据与台区总表数据,无需添加额外设备。
为了实现上述发明目的,本发明采取如下技术方案。
一种基于能源控制器的电能表计量误差监测监测方法,包括以下步骤。
步骤1,能源控制器采集低压台区用户表日冻结电量数据与台区总表日冻结电量数据,以下简称为户表数据与总表数据。
步骤2,用总表数据减去户表数据的加和,获得线损值曲线。
步骤3,通过奇异值分解重构户表数据。
步骤4,设置权重矩阵,并根据权重矩阵、户表数据与线损值建立线损回归模型。
根据户表数据重构过程中建立的左奇异矩阵、右奇异矩阵、对角矩阵计算得到对应的解析解,即估计误差系数。
通过迭代过程更新权重矩阵及解析解。
步骤5,根据估计误差系数绝对值与预设参考值的大小关系决定上报的超差表。
优选地,所述步骤1中采集数据的天数大于30。
优选地,所述步骤2中计算线损值的公式如下。
其中yt为第t个总表数据,1≤t≤n,n为数据点数,xti为第i个用户表的第t个户表数据,lt为第t个线损值,m为台区用户表数。
优选地,所述步骤3中通过奇异值分解重构户表数据的过程如下。
A1,将户表数据整理为矩阵形式X∈Rn×m;其中n为数据点数,m为台区用户表数,R表示实数;
A2,计算XTX∈Rm×m,求特征向量和特征值;
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量,取排列后的前f=min(m,n)个特征值与特征向量;
取得的特征向量组成右矩阵V∈Rm×f满足VVT=E;取得的特征值的平方根构成奇异值对角阵Σ∈Rf×f;
A3,计算XXT∈Rn×n,求特征向量和特征值;
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量,取排列后的前f=min(m,n)个特征值与特征向量;
取得的特征向量组成左矩阵U∈Rn×f满足UUT=E;
A4,计算奇异值累计贡献度cump,公式为:
其中λi、λj分别为排列后的第i个、第j个特征值。
将首次满足cump>0.99的p值确定为分解阶数。
即数据矩阵重构为
优选地,所述步骤4中的回归模型如下。
其中是所有用户表第k+1次迭代的估计误差系数向量;β(k+1)代表所有用户表第k+1次迭代的误差系数向量;向量L为线损值曲线;X为重构后的户表数据矩阵;W(k)∈Rn×n是第k次迭代获得的权重矩阵,为对角矩阵,其初始值W(0)为单位矩阵,n为数据点数;对应的解析解如下。
其中U、V、∑分别为户表数据重构过程中建立的左奇异矩阵、右奇异矩阵、对角矩阵;p为奇异值分解阶数。
通过迭代过程更新权重矩阵及解析解的过程如下。
B1,根据第k次迭代的解计算拟合残差向量r(k)=abs(L-Xβ(k))。
其中abs()表示取绝对值。
B2,计算r(k)的异常点阈值e(k,γ)。
根据e(k,γ)更新W(k)。
其中为对角矩阵W(k)中的元素,表示第t个数据点的权重;e(k,γ)表示在分位数γ下第k次迭代得到的异常点阈值;rt (k)表示第k次迭代第t个数据点的拟合残差。
B3,迭代次数k=k+1,重复步骤B1、B2,若相邻两次计算所得解析解之间的2范数小于10-3,则停止迭代,输出此时的解析解,记为β=[β1,β2,…,βm]T。
优选地,所述步骤5中决定上报的超差表标号
其中βq为标号为q的台区用户表的估计误差系数;m为台区用户表数;预设参考值ε为0.02。
本发明的有益效果是:通过对户表数据矩阵进行奇异值分解,能够在数据点数少于用户数的情况下进行计算并改善了由于用户间相关性导致判断失准的问题,并通过迭代过程降低数据中噪声信息的影响,最终获得相对稳定的最小二乘解析解,保证了电能表计量误差监测判断结果的准确性。同时,本发明仅需获取全台区用户用电数据与台区总表数据,无需添加额外设备,易于实现。
附图说明
图1为本发明的总体流程图。
图2为本发明实施例中台区用户批次之间的相关性图。
图3为本发明实施例中台区用户的回归系数图。
图4为本发明实施例中不考虑权重更新条件下台区用户的回归系数图。
具体实施方式
下面结合附图1~4与实施例对本发明作进一步的说明以具体阐述本发明的技术方案。需要说明的是,以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例:结合附图1,一种基于能源控制器的电能表计量误差监测方法,包括以下步骤。
步骤1,能源控制器采集40天的某低压台区共52户用户表的日冻结电量数据与台区总表日冻结电量数据。计算用户之间的皮尔逊相关系数,由图2知,52个用户间存在大量用户彼此之间的相关性较高。
步骤2,对采集到的电量数据计算相应的线损值,计算线损值的公式如下。
其中yt为第t个总表数据,1≤t≤n,n为数据点数,实施例中为40,xti为第i个用户表的第t个户表数据,lt为第t个线损值,m为台区用户表数,实施例中为52。
步骤3,通过奇异值分解重构户表数据;具体过程如下。
A1,将户表数据整理为矩阵形式X∈Rn×m;n=40,m=52,R表示实数。
A2,计算XTX∈Rm×m,求特征向量和特征值。
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量,取排列后的前f=min(m,n)=40个特征值与特征向量。
取得的特征向量组成右矩阵V∈Rm×f满足VVT=E;取得的特征值的平方根构成奇异值对角阵Σ∈Rf×f;
A3,计算XXT∈Rn×n,求特征向量和特征值;
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量,取排列后的前f=min(m,n)=40个特征值与特征向量。
取得的特征向量组成左矩阵U∈Rn×f满足UUT=E。
A4,计算奇异值累计贡献度cump,公式如下。
其中λi、λj分别为排列后的第i个、第j个特征值。
将首次满足cump>0.99的p值确定为分解阶数,实施例中p值为32。
则重构后的数据矩阵
步骤4,设置权重矩阵,并根据权重矩阵、户表数据与线损值建立线损回归模型。
根据户表数据重构过程中建立的左奇异矩阵、右奇异矩阵、对角矩阵计算得到对应的解析解,即估计误差系数。
通过迭代过程更新权重矩阵及解析解。
具体建立的回归模型表达式如下。
其中是所有用户表第k+1次迭代的估计误差系数向量;β(k+1)代表所有用户表第k+1次迭代的误差系数向量;向量L为线损值曲线;X为重构后的户表数据矩阵;W(k)∈Rn×n是第k次迭代获得的权重矩阵,为对角矩阵,其初始值W(0)为单位矩阵,n为数据点数;对应的解析解如下。
其中迭代更新过程如下。
B1,根据第k次迭代的解计算拟合残差向量r(k)=abs(L-Xβ(k))。
其中abs()表示取绝对值。
B2,计算r(k)的异常点阈值e(k,γ)。
根据e(k,γ)更新W(k)。
其中为对角矩阵W(k)中的元素,表示第t个数据点的权重;e(k,γ)表示在分位数γ下第k次迭代得到的异常点阈值;rt (k)表示第k次迭代第t个数据点的拟合残差;γ取值为0.8。
B3,迭代次数k=k+1,重复步骤B1、B2,若相邻两次计算所得解析解之间的2范数小于10-3,则停止迭代,输出此时的最终解析解,记为β=[β1,β2,…,βm]T。
步骤5,将估计误差系数绝对值与预设参考值0.02进行比较,从而确定计量误差异常的电能表;识别为计量异常的电能表标号
通过图3可知第16个用户电能表计量误差存在异常,经确认,判断结果与实际排查结果一致,验证了本方法的可行性。另外,通过对比图3和图4,可知图4并不能给出正确的识别结果,说明数据中噪声对于分析结果的准确性至关重要,而本方法中正是通过权重矩阵的更新进而降低了噪声的影响。
以上实施例是对本发明的具体实施方式的说明,而非对本发明的限制,有关技术领域的技术人员在不脱离本发明的精神和范围的情况下,还可以做出各种变换和变化而得到相对应的等同的技术方案,因此所有等同的技术方案均应该归入本发明的专利保护范围。
Claims (4)
1.一种基于能源控制器的电能表计量误差监测方法,其特征在于,包括以下步骤:
步骤1,能源控制器采集低压台区用户表日冻结电量数据与台区总表日冻结电量数据,以下简称为户表数据与总表数据;
步骤2,用总表数据减去户表数据的加和,获得线损值曲线;
步骤3,通过奇异值分解重构户表数据;具体过程为:
A1,将户表数据整理为矩阵形式X∈Rn×m;其中n为数据点数,m为台区用户表数,R表示实数;
A2,计算XTX∈Rm×m,求特征向量和特征值;
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量,取排列后的前f=min(m,n)个特征值与特征向量;
取得的特征向量组成右矩阵V∈Rm×f满足VVT=E;取得的特征值的平方根构成奇异值对角阵Σ∈Rf×f;
A3,计算XXT∈Rn×n,求特征向量和特征值;
求得的特征值按照从大到小顺序排列并相应排列特征值对应的特征向量,取排列后的前f=min(m,n)个特征值与特征向量;
取得的特征向量组成左矩阵U∈Rn×f满足UUT=E;
A4,计算奇异值累计贡献度cump,公式为:
其中λi、λj分别为排列后的第i个、第j个特征值;
将首次满足cump>0.99的p值确定为分解阶数;
即数据矩阵重构为
步骤4,设置权重矩阵,并根据权重矩阵、户表数据与线损值建立线损回归模型;
根据户表数据重构过程中建立的左奇异矩阵、右奇异矩阵、对角矩阵计算得到对应的解析解,即估计误差系数;
通过迭代过程更新权重矩阵及解析解;
其中建立的线损回归模型为:
其中是所有用户表第k+1次迭代的估计误差系数向量;β(k+1)代表所有用户表第k+1次迭代的误差系数向量;向量L为线损值曲线;X为重构后的户表数据矩阵;W(k)∈Rn×n是第k次迭代获得的权重矩阵,为对角矩阵,其初始值W(0)为单位矩阵,n为数据点数;对应的解析解为:
其中U、V、∑分别为户表数据重构过程中建立的左奇异矩阵、右奇异矩阵、对角矩阵;p为奇异值分解阶数;
通过迭代过程更新权重矩阵及解析解的过程如下:
B1,根据第k次迭代的解计算拟合残差向量r(k)=abs(L-Xβ(k));
其中abs()表示取绝对值;
B2,计算r(k)的异常点阈值e(k,γ);
根据e(k,γ)更新W(k),即:
其中为对角矩阵W(k)中的元素,表示第t个数据点的权重;e(k,γ)表示在分位数γ下第k次迭代得到的异常点阈值;rt (k)表示第k次迭代第t个数据点的拟合残差;
B3,迭代次数k=k+1,重复步骤B1、B2,若相邻两次计算所得解析解之间的2范数小于10-3,则停止迭代,输出此时的解析解,记为β=[β1,β2,…,βm]T;
步骤5,根据估计误差系数绝对值与预设参考值的大小关系决定上报的超差表。
2.根据权利要求1所述的一种基于能源控制器的电能表计量误差监测方法,其特征在于,所述步骤1中采集数据的天数大于30。
3.根据权利要求1所述的一种基于能源控制器的电能表计量误差监测方法,其特征在于,所述步骤2中计算线损值的公式为:
其中yt为第t个总表数据,1≤t≤n,n为数据点数,xti为第i个用户表的第t个户表数据,lt为第t个线损值,m为台区用户表数。
4.根据权利要求1所述的一种基于能源控制器的电能表计量误差监测方法,其特征在于,所述步骤5中决定上报的超差表标号
其中βq为标号为q的台区用户表的估计误差系数;m为台区用户表数;预设参考值ε为0.02。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126447.9A CN116859321B (zh) | 2023-09-04 | 2023-09-04 | 基于能源控制器的电能表计量误差监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311126447.9A CN116859321B (zh) | 2023-09-04 | 2023-09-04 | 基于能源控制器的电能表计量误差监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116859321A CN116859321A (zh) | 2023-10-10 |
CN116859321B true CN116859321B (zh) | 2023-12-29 |
Family
ID=88228956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311126447.9A Active CN116859321B (zh) | 2023-09-04 | 2023-09-04 | 基于能源控制器的电能表计量误差监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116859321B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000175319A (ja) * | 1998-12-03 | 2000-06-23 | Toshiba Corp | 電力系統監視装置 |
WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
CN116008714A (zh) * | 2023-03-23 | 2023-04-25 | 青岛鼎信通讯股份有限公司 | 一种基于智能量测终端的反窃电分析方法 |
CN116008898A (zh) * | 2022-05-23 | 2023-04-25 | 中国电力科学研究院有限公司 | 一种基于岭回归模型的电能表失准分析方法及系统 |
CN116148753A (zh) * | 2023-04-18 | 2023-05-23 | 北京京仪北方仪器仪表有限公司 | 一种智能电能表运行误差监测系统 |
CN116165597A (zh) * | 2023-03-29 | 2023-05-26 | 贵州电网有限责任公司 | 一种基于核偏最小二乘法的电能表失准在线检测方法 |
-
2023
- 2023-09-04 CN CN202311126447.9A patent/CN116859321B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000175319A (ja) * | 1998-12-03 | 2000-06-23 | Toshiba Corp | 電力系統監視装置 |
WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
CN116008898A (zh) * | 2022-05-23 | 2023-04-25 | 中国电力科学研究院有限公司 | 一种基于岭回归模型的电能表失准分析方法及系统 |
CN116008714A (zh) * | 2023-03-23 | 2023-04-25 | 青岛鼎信通讯股份有限公司 | 一种基于智能量测终端的反窃电分析方法 |
CN116165597A (zh) * | 2023-03-29 | 2023-05-26 | 贵州电网有限责任公司 | 一种基于核偏最小二乘法的电能表失准在线检测方法 |
CN116148753A (zh) * | 2023-04-18 | 2023-05-23 | 北京京仪北方仪器仪表有限公司 | 一种智能电能表运行误差监测系统 |
Non-Patent Citations (3)
Title |
---|
Low-voltage station area topology recognition method based on weighted least squares method;Fusheng Wei,et al;《2020 IEEE Sustainable Power and Energy Conference》;全文 * |
Power System State Estimation and Bad Data Analysis Using Weighted Least Square Method;T P Vishnu,et al;《2015 IEEE International Conference on Power, Instrumentation, Control and Computing (PICC)》;全文 * |
一种基于状态估计的新型窃电方法及对策研究;王昕;田猛;赵艳峰;赵旭;魏龄;蒋婷婷;王先培;;电力系统保护与控制(23);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116859321A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108448568B (zh) | 基于多种时间周期测量数据的配电网混合状态估计方法 | |
CN113078630B (zh) | 一种基于实时量测数据的低压配电网拓扑辨识方法 | |
CN110190600B (zh) | 一种基于ami量测近邻回归的三相配电网拓扑辨识方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
KR102029031B1 (ko) | 배전선로 손실 추정 장치 및 방법 | |
CN116008714B (zh) | 一种基于智能量测终端的反窃电分析方法 | |
Wang et al. | Failure rate prediction model of substation equipment based on Weibull distribution and time series analysis | |
CN109904854B (zh) | 一种面向需求响应的家庭电路负荷分解方法及系统 | |
CN219456394U (zh) | 量产电控pcba老化测试异常检测系统 | |
Zang et al. | A robust state estimator for integrated electrical and heating networks | |
CN111476397B (zh) | 应用于中长期电量安全校核的母线负荷预测方法及系统 | |
CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
CN116859321B (zh) | 基于能源控制器的电能表计量误差监测方法 | |
CN116304537B (zh) | 基于智能量测终端的窃电用户核查方法 | |
CN105870913B (zh) | 考虑供暖约束的时序蒙特卡洛模拟可靠性评估方法及系统 | |
CN110212591B (zh) | 一种基于压缩感知技术的分布式光伏辐照度量测布点方法 | |
CN117154707A (zh) | 基于主成分分析和相关性分析的低压配电网拓扑识别方法 | |
CN111506874A (zh) | 一种含噪声的暂降源定位数据缺失值估计方法 | |
Wiest et al. | Synthetic Load Profiles of Various Customer Types for Smart Grid Simulations | |
Yang et al. | Probabilistic revenue analysis of microgrid considering source-load and forecast uncertainties | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
CN113468729B (zh) | 无标定方式的电力厂站计量装置运行误差测算方法及系统 | |
CN116859322B (zh) | 基于智能量测终端的电能表计量误差监测方法 | |
Qiu et al. | Optimization of power system reliability level by stochastic programming |
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 |