CN117096877B - 基于多视角的区域动态电碳数据用电分析方法及系统 - Google Patents
基于多视角的区域动态电碳数据用电分析方法及系统 Download PDFInfo
- Publication number
- CN117096877B CN117096877B CN202311357610.2A CN202311357610A CN117096877B CN 117096877 B CN117096877 B CN 117096877B CN 202311357610 A CN202311357610 A CN 202311357610A CN 117096877 B CN117096877 B CN 117096877B
- Authority
- CN
- China
- Prior art keywords
- time
- power
- electricity
- voltage
- signal data
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 86
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 39
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 12
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 102200090880 rs28933100 Human genes 0.000 claims 1
- 230000000007 visual effect Effects 0.000 claims 1
- 238000003860 storage Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000926 separation method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000003763 carbonization Methods 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供基于多视角的区域动态电碳数据用电分析方法及系统,方法包括:实时采集由高压供电端向低压用电端进行供电传输的配电网的电信号数据信息;对采集到的高压供电端的电流数据信息进行供电用电时段划分,进行时序分析;对得到的共N个时段用电数据进行时频转换;对不同时段内的电信号数据进行数据分析,构建无谓无功功率损失最小化模型,分析不同区域内的无功功率损失最小时的用电时段,对相应区域优先供电。本发明统计不同用电区域内的用电高峰时间和用电低谷时间,从时间维度和空间维度上多视角同济区域动态电碳数据,有效地避免了单一地只统计时间上的用电高峰和低谷或只从地理位置上统计用电量排名所带来的对区域用电分析的狭隘。
Description
技术领域
本发明属于配电技术领域,具体涉及基于多视角的区域动态电碳数据用电分析方法及系统。
背景技术
推动碳达峰进程有两个关键所在,一是能源系统的低碳转型,以“电能替代”的方式降低终端能源消费中直接使用煤炭、石油、天然气的比例,减少终端用能直接碳排放。二是碳排放精准核算体系的建立,多层级、多主体、多维度地开展全国、各级地区、各行业企业的碳排放核算,为碳达峰形势、碳中和进程分析和减碳政策、工作成效评估提供支撑。
随着“双碳”实践不断向精准控碳方向演进,如何有效降低用电侧电力碳排放是当下值得研究的热点问题,准确计量用电碳排放和引导用电行为低碳化是两个关键抓手。用电侧碳排放因子是“电-碳”(电力消费与碳排放量)联动的关键桥梁。
碳流是依附于电力潮流存在且用于表征电力系统中维持任一支路潮流的碳排放所形成的虚拟网络流,碳流可以看做是将电网中每条输电下路上的潮流打上“碳排放”标签。碳流与潮流的依附关系为对于一张电网来说,发电机组发电产生的碳排放随着有功功率传播于电网之间,和功率潮流同步由高压的发电端(供电端)向低压的用电端(消费端)转移,用电终端消耗功率并释放功率流中的碳,高压供电端为“碳源”,低压用电端为“碳荷”。因此,低压用电端真正消耗的电能所对应的电碳数据,即消耗的有功功率与在高压端通过各个节点向低压端传递过程中消耗的无谓的无功功率对电碳数据的准确分析起到了关键的影响。
现有技术中,申请号为CN202210967184.3的中国专利公开了一种混合动力无功补偿方法及系统,其技术方案采用功率分析模块根据所述目标区域电网分布信息、区域用电设备信息,构建电网分布拓扑结构,并对拓扑结构中各节点进行有功功率、无功功率分析,确定各节点无功补偿需求量,将各节点无功补偿需求量与对应节点进行关联;再如,申请号为CN201810844267.7的中国专利公开了一种基于配电网系统多维度九区最优控制策略分析方法,其根据动态负荷曲线中的最大无功功率Q和最小无功功率Q1,并进行复合曲线中各个时段的有功功率、无功功率的增长情况进行多维度的配电网控制策略分析;
然而,现有技术中大部分技术内容均公开了一种技术构思,并未明确如何计算并分析各个节点的有功功率、无功功率及其补偿需求量,无法明确具体的计算分析技术手段及根据分析结果进行供电补偿和电碳数据分析的技术方案。而且现有技术中的关于电网中的用电量统计仅仅只关注不同区域的用电量排序或者某一区域内的用电高峰、低谷等用电量时间段的排序,进而根据上述统计结果单一的进行供电配给,无法达到从多视角的时间维度和空间维度同时进行统计后的不同区域、不同时间段的有效低无谓损耗配给。
发明内容
本发明针对上述缺陷,提供一种基于多视角的区域动态电碳数据用电分析方法及系统。本发明通过采用求解得到的最优分段时间间隔对整个监测时间范围T内的电信号数据横坐标所处时段的分段,校正了用电高峰和低谷的划分区域的准确性,并进行时域转换后,统计不同用电区域内的用电高峰时间和用电低谷时间,从时间维度和空间维度上多视角同济区域动态电碳数据,有效地避免了单一地只统计时间上的用电高峰和低谷或只从地理位置上统计用电量排名所带来的对区域用电分析的狭隘,从不同视角上动态分析用电量,进而根据不同时段内的某一时段的区域用电量排名进行优先供电的同时,可以根据不同区域内的某一区域的用电高峰和低谷再次进行二次供电分配,有效地提高了配电的效率的同时避免无效配电分配所导致的供电网各个节点处的无功功率损耗。
本发明提供如下技术方案:基于多视角的区域动态电碳数据用电分析方法,所述电碳数据用电分析用于由高压供电端向低压用电端进行供电传输的配电网,包括以下步骤:
S1、实时采集由高压供电端向低压用电端进行供电传输的配电网的电信号数据信息;
S2、对采集到的高压供电端的电流数据信息进行供电用电时段划分,进行时序分析;
S3、对所述S2步骤时序分析得到的共N个时段用电数据进行时频转换;
S4、对不同时段内的电信号数据进行数据分析,构建无谓无功功率损失最小化模型,分析不同区域内的无功功率损失最小时的用电时段,对相应区域优先供电。
进一步地,所述S2步骤包括以下步骤:
S21、构建在整个监测时间范围T内的t时刻电信号数据的插值矩阵W,得到插值后的t时刻电信号数据/>:
;
其中,为t时刻具有正弦波形的电信号数据的横坐标,/>为t时刻具有正弦波形的电信号数据的纵坐标,t=1, 2, …, T;/>为所述插值矩阵W的第一系数元素,/>为所述插值矩阵W的第二系数元素,I为单位矩阵,/>为所述插值矩阵W的第一平移调整元素,/>为所述插值矩阵W的第二平移调整元素;
S22、以插值后的整个监测时间范围T内的全部电信号数据的横坐标为基础,构建最优分段时间间隔计算模型,将整个监测时间范围T分为共N个时段的用电数据。
进一步地,所述S22步骤包括以下步骤:
S221、计算插值后得到的第n个时段的电信号数据内积:
,其中,/>为插值后得到的第n个时段的时间间隔,/>为第n个时段中的采集电信号数据信息的k时刻,/>;
S222、根据所述步骤S221的计算结果,计算t时刻电信号数据经过插值后在整个监测时段T内的累计偏移量:/>;
S223、根据所述S222步骤计算结果,进一步计算累计偏移量变动范围:
;
S224、根据所述步骤S221的计算结果,计算在时间间隔为的第n个时段内的偏移量标准差/>:
;
S225、构建第n个时段的最优分段时间间隔计算模型:
;求取第n个时段的最优分段时间间隔/>;
S226、根据求取得到的第n个时段的最优分段时间间隔,计算共N个时段的电信号数据整齐度H:
;
其中,为第n个时段的电信号数据归一化奇异值,/>;
S227、根据所述共N个时段的电信号数据整齐度H,构建分段时间间隔优化迭代终止值计算模型:
;
S228、判断分段时间间隔优化迭代终止值是否小于0.12且大于0,若是,则以求取得到的第n个时段的最优分段时间间隔/>对经过所述S21步骤插值后的整个监测时间范围T内的全部电信号数据进行分段;若大于等于0.12且小于1,则重复所述步骤S221-S227。
进一步地,所述S1步骤中的所述插值矩阵W的第一系数元素、所述插值矩阵W的第二系数元素/>、所述插值矩阵W的第一平移调整元素/>和所述插值矩阵W的第二平移调整元素/>的计算公式分别如下:
;
;
;
;
其中,为生成结果为-1至1之间的随机数函数。
进一步地,所述S3步骤包括以下步骤:
S31、根据实时采集到的经过以最优分段时间间隔分段的第n个时段中k时刻的电流数据信息/>,构建所述配电网中用于电传输第m个节点处的电压源换流器的电容频域/>计算模型:
;
其中,为第n个时段中的采集电信号数据信息的k时刻,/>为整个监测时段T中的第n个时段,n=1,2,…,N;/>,/>的时段长度为所述步骤S221-S228求取得到的最优分段时间间隔/>;j为虚数,ω为配电网中的供电频率,/>为第m个节点处的电压源换流器的电容;
S32、构建第m个节点处的电压源换流器的电压频域计算模型:
;
其中,为第m个节点处的电压源换流器的电阻,/>为配电网供电的高压供电端0时刻的初始电压值。
进一步地,所述S4步骤包括以下步骤:
S41、构建第p个区域内的电容无功功率计算模型:
,其中,T为用电分析周期;其中,/>为对所述S32步骤计算得到的第m个节点处的电压源换流器的电压频域/>的傅里叶逆变换;p=1, 2, …, P;被监测且分析的区域共P个;m=1, 2, …, M;第p个区域共有M个具有电压源换流器的节点;
S42、构建第p个区域在在整个监测时间范围T内无谓无功功率损失最小化模型,计算得到第p个区域内无功功率损失最小的用电时段;
S43、对P个区域内的无功功率损失最小值按照从小到大排序,排序越小的区域越优先供电。
进一步地,所述S41步骤中对所述S32步骤计算得到的第m个节点处的电压源换流器的电压频域的傅里叶逆变换/>的计算公式如下:
。
进一步地,所述S42步骤构建的第p个区域在在整个监测时间范围T内无谓无功功率损失最小化模型如下:
;
其中,为第p个区域内的有功功率;/>,其中,/>为对第p个区域内被不同用电性质的用电端用电过程中的电压值/>的傅里叶逆变换。
进一步地,所述对第p个区域内被不同用电性质的用电端用电过程中的电压值的傅里叶逆变换的计算公式如下:/>;
;
其中,为配电网的高压供电端在被监测时间范围T内经过以最优分段时间间隔/>分段的第n个时段中k时刻/>的功率值,/>为高压供电端功率适应性函数;
;
其中,波动在/>范围内,/>为配电网的高压供电端在被监测时间范围T内的发电功率最大值,/>为配电网的高压供电端在被监测时间范围T内的发电功率最小值;/>为高压供电端功率适应性调整均衡系数,/>;/>为高压供电端功率适应性调整第一阈值,/>;/>为高压供电端功率适应性调整第二阈值,/>。
本发明还提供一种采用如上所述方法的基于多视角的区域动态电碳数据用电分析系统,包括数据采集模块、用电时段划分模块、时频转换模块以及优先供电控制模块;
所述数据采集模块,用于实时采集由高压供电端向低压用电端进行供电传输的配电网的电信号数据信息;
所述用电时段划分模块,用于对采集到的高压供电端的电流数据信息进行供电用电时段划分,进行时序分析;
所述时频转换模块,用于对所述用电时段划分模块时序分析得到的共N个时段用电数据进行时频转换;
所述优先供电控制模块,用于对不同时段内的电信号数据进行数据分析,构建无谓无功功率损失最小化模型,分析不同区域内的无功功率损失最小时的用电时段,对相应区域优先供电。
本发明的有益效果为:
1、本发明通过S2步骤对采集到的高压供电端的电流数据信息进行供电用电时段划分,通过构建插值矩阵W,将实时监测得到的在整个监测时间范围T内的t时刻电信号数据进行插值,能够对实时监测得到的电信号数据/>进行系数权重改变的同时,进行数据平移,有利于后续进行不同的用电高峰、低谷时段的最后分隔时间范围/>确定的准确度,同时也利于时频转换后进行时序分析,进行傅里叶逆变换时在频域内的数据的归一化。
2、本发明通过在S2步骤构建最优分段时间间隔,进而将整个监测时间范围T内的电信号数据划分为共N个时段的电信号数据,划分后的电信号数据具有良好的训练后的样本特性,能够增加系统统计不同时段用电量高峰、低谷的鲁棒性能。
3、本发明通过时频转换后再对配电网的各个传输节点处电压源换流器处所消耗的无谓无功功率进行统计,在统计不同时段、不同区域的用电量情况时,需要控制在每个节点处的无谓无功功率最小化,进而提高多视角统计的鲁棒性能。
4、本发明通过采用求解得到的最优分段时间间隔对整个监测时间范围T内的电信号数据横坐标所处时段的分段,校正了用电高峰和低谷的划分区域的准确性,并进行时域转换后,统计不同用电区域内的用电高峰时间和用电低谷时间,从时间维度和空间维度上多视角同济区域动态电碳数据,有效地避免了单一地只统计时间上的用电高峰和低谷或只从地理位置上统计用电量排名所带来的对区域用电分析的狭隘,从不同视角上动态分析用电量,进而根据不同时段内的某一时段的区域用电量排名进行优先供电的同时,可以根据不同区域内的某一区域的用电高峰和低谷再次进行二次供电分配,有效地提高了配电的效率的同时避免无效配电分配所导致的供电网各个节点处的无功功率损耗。
附图说明
在下文中将基于实施例并参考附图来对本发明进行更详细的描述。其中:
图1为本发明提供的基于多视角的区域动态电碳数据用电分析方法流程示意图;
图2为本发明提供的方法S2步骤流程示意图;
图3为本发明提供的方法S22步骤流程示意图;
图4为本发明提供的具有S221-S228步骤求取得到的最优分段时间间隔与未采用本发明方法分段统计用电高峰和用电低谷的时段划分对比图;
图5为本发明提供的方法S3步骤流程示意图;
图6为本发明提供的方法S4步骤流程示意图;
图7为本发明提供的基于多视角的区域动态电碳数据用电分析系统结构示意图。
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。
如图1所示,为本发明提供的基于多视角的区域动态电碳数据用电分析方法,所述电碳数据用电分析用于由高压供电端向低压用电端进行供电传输的配电网,本发明提供的基于多视角的区域动态电碳数据用电分析方法包括以下步骤:
S1、实时采集由高压供电端向低压用电端进行供电传输的配电网的电信号数据信息;
S2、对采集到的高压供电端的电流数据信息进行供电用电时段划分,进行时序分析;
S3、对所述S2步骤时序分析得到的共N个时段用电数据进行时频转换;
S4、对不同时段内的电信号数据进行数据分析,构建无谓无功功率损失最小化模型,分析不同区域内的无功功率损失最小时的用电时段,对相应区域优先供电。
作为本发明的另一个优选实施例,如图2所示,所述S2步骤包括以下步骤:
S21、构建在整个监测时间范围T内的t时刻电信号数据的插值矩阵W,得到插值后的t时刻电信号数据/>:
;
其中,为t时刻具有正弦波形的电信号数据的横坐标,/>为t时刻具有正弦波形的电信号数据的纵坐标,t=1, 2, …, T;/>为所述插值矩阵W的第一系数元素,/>为所述插值矩阵W的第二系数元素,I为单位矩阵,/>为所述插值矩阵W的第一平移调整元素,/>为所述插值矩阵W的第二平移调整元素;
S22、以插值后的整个监测时间范围T内的全部电信号数据的横坐标为基础,构建最优分段时间间隔计算模型,将整个监测时间范围T分为共N个时段的用电数据。
通过构建插值矩阵W,将实时监测得到的在整个监测时间范围T内的t时刻电信号数据进行插值,能够对实时监测得到的电信号数据/>进行系数权重改变的同时,进行数据平移,构建的插值矩阵W由权重系数矩阵/>和偏移矩阵/>组成,权重系数矩阵中的第一系数元素/>和第二系数元素/>分别对电信号数据的横坐标/>和纵坐标进行权重改变,再通过第一平移调整元素/>和第二平移调整元素/>进行分别对权重改变后的电信号数据的横坐标和纵坐标进一步进行平移,得到插值后的t时刻电信号数据/>,有利于后续进行不同的用电高峰、低谷时段的最后分隔时间范围/>确定的准确度,同时也利于时频转换后进行时序分析,进行傅里叶逆变换时在频域内的数据的归一化。
作为本发明的另一个优选实施例,如图3所示,所述S22步骤包括以下步骤:
S221、计算插值后得到的第n个时段的电信号数据内积:
,其中,/>为插值后得到的第n个时段的时间间隔,/>为第n个时段中的采集电信号数据信息的k时刻,/>;通过计算内积/>能够明确以插值后得到的第n个时段的时间间隔形成的时间范围/>内的多个电信号数据的卷积内核中心位置,进而有利于提高S222步骤计算t时刻横坐标/>偏离卷积内核中心的偏移量的精确度;
S222、根据所述步骤S221的计算结果,计算t时刻电信号数据经过插值后在整个监测时段T内的累计偏移量:/>;
由于插值后分隔得到的每个时段的时间间隔不同,因此,产生的累计偏移量由于每个分隔时段的时间间隔不同而不同;
S223、根据所述S222步骤计算结果,进一步计算累计偏移量变动范围:
;
S224、根据所述步骤S221的计算结果,计算在时间间隔为的第n个时段内的偏移量标准差/>:
;
S225、构建第n个时段的最优分段时间间隔计算模型:
;
求取第n个时段的最优分段时间间隔;
通过将时间间隔为的第n个时段内的偏移量标准差/>进行与累积偏移量的最大值和最小值之差/>做比,可以明确选取的最优分段时间间隔/>能够使累积偏移量变动范围相对于偏移量标准差符合赫斯特指数为3/4的长记忆数值,不需要通常概率统计学的独立随机事件假设来对分段后的电信号数据再次进行预测,通过S221-S225步骤求取得到的第n个时段的最优分段时间间隔/>的共N个时段的电信号数据具有良好的训练后的样本特性,能够增加系统统计不同时段用电量高峰、低谷的鲁棒性能;
S226、根据求取得到的第n个时段的最优分段时间间隔,计算共N个时段的电信号数据整齐度H:
;
其中,为第n个时段的电信号数据归一化奇异值,/>
S227、根据所述共N个时段的电信号数据整齐度H,构建分段时间间隔优化迭代终止值计算模型:
;
S228、判断分段时间间隔优化迭代终止值是否小于0.12且大于0,若是,则以求取得到的第n个时段的最优分段时间间隔/>对经过所述S21步骤插值后的整个监测时间范围T内的全部电信号数据进行分段;若大于等于0.12且小于1,则重复所述步骤S221-S227。
本发明通过在S226步骤进一步利用具有最优分段时间间隔的电信号数据的横坐标内积计算第n个时段的电信号数据归一化奇异值/>,再计算被分段得到的N个时段的电信号数据整齐度,进一步通过分段时间间隔优化迭代终止值/>被限定在0至0.12之间才终止最优分段时间间隔的求取,使最终计算求解得到的第n个时段的最优分段时间间隔/>对整个监测时间范围T内的电信号数据横坐标所处时段的分段持续进行不断迭代,最终保证了数据的整齐度,避免后续分析不同时段用电数据量的噪声出现。
如图4所示,通过本发明提供的S221-S228求解得到的最优分段时间间隔对整个监测时间范围T内的电信号数据横坐标所处时段的分段,校正了用电高峰和低谷的划分区域的准确性,图中CNN代表现有技术中的卷积神经网络优化算法,ANN代表人工神经网络优化算法。
进一步优选地,所述S1步骤中的所述插值矩阵W的第一系数元素、所述插值矩阵W的第二系数元素/>、所述插值矩阵W的第一平移调整元素/>和所述插值矩阵W的第二平移调整元素/>的计算公式分别如下:
;
;
;
;
其中,为生成结果为-1至1之间的随机数函数。
作为本发明的另一个优选实施例,为了有效统计在整个被监测时间范围T内的N个时段内的用电量情况,需要明确在各个节点传输时,被电压源换流器消耗的无谓的无功功率的电量功率是多少,进而需要对分段后的电信号数据再进行时频转换,如图5所示,所述S3步骤包括以下步骤:
S31、根据实时采集到的经过以最优分段时间间隔分段的第n个时段中k时刻的电流数据信息/>,构建所述配电网中用于电传输第m个节点处的电压源换流器的电容频域/>计算模型:
;
其中,为第n个时段中的采集电信号数据信息的k时刻,/>为整个监测时段T中的第n个时段,n=1,2,…,N;/>,/>的时段长度为所述步骤S221-S228求取得到的最优分段时间间隔/>;j为虚数,ω为配电网中的供电频率,/>为第m个节点处的电压源换流器的电容;
S32、构建第m个节点处的电压源换流器的电压频域计算模型:
;
其中,为第m个节点处的电压源换流器的电阻,/>为配电网供电的高压供电端0时刻的初始电压值;
即为关于第m个节点处的电压源换流器的电压的时域表示方式,即对其进行傅里叶变换,得到关于第m个节点处的电压源换流器的电压频域值/>。
作为本发明的另一个优先实施例,经过S3步骤的无功功率计算后,在统计不同时段、不同区域的用电量情况时,需要控制在每个节点处的无谓无功功率最小化,进而提高多视角统计的鲁棒性能,如图6所示,所述S4步骤包括以下步骤:
S41、构建第p个区域内的电容无功功率计算模型:
,其中,T为用电分析周期;其中,/>为对所述S32步骤计算得到的第m个节点处的电压源换流器的电压频域/>的傅里叶逆变换;p=1, 2, …, P;被监测且分析的区域共P个;m=1, 2, …, M;第p个区域共有M个具有电压源换流器的节点;
S42、构建第p个区域在在整个监测时间范围T内无谓无功功率损失最小化模型,计算得到第p个区域内无功功率损失最小的用电时段;
S43、对P个区域内的无功功率损失最小值按照从小到大排序,排序越小的区域越优先供电。
进一步地,所述S41步骤中对所述S32步骤计算得到的第m个节点处的电压源换流器的电压频域的傅里叶逆变换/>的计算公式如下:
。
所述S42步骤构建的第p个区域在在整个监测时间范围T内无谓无功功率损失最小化模型如下:
;
其中,为第p个区域内的有功功率;/>,其中,/>为对第p个区域内被不同用电性质的用电端用电过程中的电压值/>的傅里叶逆变换。不同用电性质的用电端可以分为生产用电客户、居民用电客户、商业用电客户。利用求解得到的结果即为第p个区域内无功功率损失最小的用电时段/>。
对第p个区域内被不同用电性质的用电端用电过程中的电压值的傅里叶逆变换的计算公式如下:/>;
;
其中,为配电网的高压供电端在被监测时间范围T内经过以最优分段时间间隔/>分段的第n个时段中k时刻/>的功率值,/>为高压供电端功率适应性函数;
;
其中,波动在/>范围内,/>为配电网的高压供电端在被监测时间范围T内的发电功率最大值,/>为配电网的高压供电端在被监测时间范围T内的发电功率最小值;/>为高压供电端功率适应性调整均衡系数,/>;/>为高压供电端功率适应性调整第一阈值,/>;/>为高压供电端功率适应性调整第二阈值,/>。
本发明还提供采用如上所述方法的基于多视角的区域动态电碳数据用电分析系统,如图7所示,包括数据采集模块、用电时段划分模块、时频转换模块以及优先供电控制模块;
所述数据采集模块,用于实时采集由高压供电端向低压用电端进行供电传输的配电网的电信号数据信息;
所述用电时段划分模块,用于对采集到的高压供电端的电流数据信息进行供电用电时段划分,进行时序分析;
所述时频转换模块,用于对所述用电时段划分模块时序分析得到的共N个时段用电数据进行时频转换;
所述优先供电控制模块,用于对不同时段内的电信号数据进行数据分析,构建无谓无功功率损失最小化模型,分析不同区域内的无功功率损失最小时的用电时段,对相应区域优先供电。
本申请提供的基于多视角的区域动态电碳数据用电分析方法可采用在一个或多个其中包含有程序代码的存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。机器可读存储介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。机器可读存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.基于多视角的区域动态电碳数据用电分析方法,所述电碳数据用电分析用于由高压供电端向低压用电端进行供电传输的配电网,其特征在于,包括以下步骤:
S1、实时采集由高压供电端向低压用电端进行供电传输的配电网的电信号数据信息;
S2、对采集到的高压供电端的电流数据信息进行供电用电时段划分,进行时序分析;
S3、对所述S2步骤时序分析得到的共N个时段用电数据进行时频转换;
S4、对不同时段内的电信号数据进行数据分析,构建无谓无功功率损失最小化模型,分析不同区域内的无功功率损失最小时的用电时段,对相应区域优先供电;
所述S2步骤包括以下步骤:
S21、构建在整个监测时间范围T内的t时刻电信号数据 的插值矩阵W,得到插值后的t时刻电信号数据/>:
;
其中,为t时刻具有正弦波形的电信号数据的横坐标,/>为t时刻具有正弦波形的电信号数据的纵坐标,t=1, 2, …, T;/>为所述插值矩阵W的第一系数元素,/>为所述插值矩阵W的第二系数元素,I为单位矩阵,/>为所述插值矩阵W的第一平移调整元素,/>为所述插值矩阵W的第二平移调整元素;
S22、以插值后的整个监测时间范围T内的全部电信号数据的横坐标为基础,构建最优分段时间间隔计算模型,将整个监测时间范围T分为共N个时段的用电数据;
所述S22步骤包括以下步骤:
S221、计算插值后得到的第n个时段的电信号数据内积:
,其中,/>为插值后得到的第n个时段的时间间隔,/>为第n个时段中的采集电信号数据信息的k时刻,/>;
S222、根据所述步骤S221的计算结果,计算t时刻电信号数据经过插值后在整个监测时段T内的累计偏移量:/>;
S223、根据所述S222步骤计算结果,进一步计算累计偏移量变动范围:
;
S224、根据所述步骤S221的计算结果,计算在时间间隔为的第n个时段内的偏移量标准差/>:
;
S225、构建第n个时段的最优分段时间间隔计算模型:
;求取第n个时段的最优分段时间间隔/>;
S226、根据求取得到的第n个时段的最优分段时间间隔,计算共N个时段的电信号数据整齐度H:
;
其中,为第n个时段的电信号数据归一化奇异值,/>;
S227、根据所述共N个时段的电信号数据整齐度H,构建分段时间间隔优化迭代终止值计算模型:
;
S228、判断分段时间间隔优化迭代终止值是否小于0.12且大于0,若是,则以求取得到的第n个时段的最优分段时间间隔/>对经过所述S21步骤插值后的整个监测时间范围T内的全部电信号数据进行分段;若大于等于0.12且小于1,则重复所述步骤S221-S227;
所述S3步骤包括以下步骤:
S31、根据实时采集到的经过以最优分段时间间隔分段的第n个时段中k时刻的电流数据信息/>,构建所述配电网中用于电传输第m个节点处的电压源换流器的电容频域计算模型:
;
其中,为第n个时段中的采集电信号数据信息的k时刻,/>为整个监测时段T中的第n个时段,n=1,2,…,N;/>,/>的时段长度为所述步骤S221-S228求取得到的最优分段时间间隔/>;j为虚数,ω为配电网中的供电频率,/>为第m个节点处的电压源换流器的电容;
S32、构建第m个节点处的电压源换流器的电压频域计算模型:
;
其中,为第m个节点处的电压源换流器的电阻,/>为配电网供电的高压供电端0时刻的初始电压值;
所述S4步骤包括以下步骤:
S41、构建第p个区域内的电容无功功率计算模型:
,其中,T为用电分析周期;其中,/>为对所述S32步骤计算得到的第m个节点处的电压源换流器的电压频域的傅里叶逆变换;p=1, 2, …, P;被监测且分析的区域共P个;m=1, 2, …, M;第p个区域共有M个具有电压源换流器的节点;
S42、构建第p个区域在在整个监测时间范围T内无谓无功功率损失最小化模型,计算得到第p个区域内无功功率损失最小的用电时段;
S43、对P个区域内的无功功率损失最小值按照从小到大排序,排序越小的区域越优先供电。
2.根据权利要求1所述的基于多视角的区域动态电碳数据用电分析方法,其特征在于,所述S1步骤中的所述插值矩阵W的第一系数元素、所述插值矩阵W的第二系数元素/>、所述插值矩阵W的第一平移调整元素/>和所述插值矩阵W的第二平移调整元素/>的计算公式分别如下:
;
;
;
;
其中,为生成结果为-1至1之间的随机数函数。
3.根据权利要求1所述的基于多视角的区域动态电碳数据用电分析方法,其特征在于,所述S41步骤中对所述S32步骤计算得到的第m个节点处的电压源换流器的电压频域的傅里叶逆变换/>的计算公式如下:
。
4.根据权利要求1所述的基于多视角的区域动态电碳数据用电分析方法,其特征在于,所述S42步骤构建的第p个区域在在整个监测时间范围T内无谓无功功率损失最小化模型如下:
;
其中,为第p个区域内的有功功率;/>,其中,为对第p个区域内被不同用电性质的用电端用电过程中的电压值/>的傅里叶逆变换。
5.根据权利要求4所述的基于多视角的区域动态电碳数据用电分析方法,其特征在于,所述对第p个区域内被不同用电性质的用电端用电过程中的电压值的傅里叶逆变换的计算公式如下:/>;
;
其中,为配电网的高压供电端在被监测时间范围T内经过以最优分段时间间隔分段的第n个时段中k时刻/>的功率值,/>为高压供电端功率适应性函数;
;
其中,波动在/>范围内,/>为配电网的高压供电端在被监测时间范围T内的发电功率最大值,/>为配电网的高压供电端在被监测时间范围T内的发电功率最小值;/>为高压供电端功率适应性调整均衡系数,/>;/>为高压供电端功率适应性调整第一阈值,/>;/>为高压供电端功率适应性调整第二阈值,。
6.采用如权利要求1-5任一所述方法的基于多视角的区域动态电碳数据用电分析系统,其特征在于,包括数据采集模块、用电时段划分模块、时频转换模块以及优先供电控制模块;
所述数据采集模块,用于实时采集由高压供电端向低压用电端进行供电传输的配电网的电信号数据信息;
所述用电时段划分模块,用于对采集到的高压供电端的电流数据信息进行供电用电时段划分,进行时序分析;
所述时频转换模块,用于对所述用电时段划分模块时序分析得到的共N个时段用电数据进行时频转换;
所述优先供电控制模块,用于对不同时段内的电信号数据进行数据分析,构建无谓无功功率损失最小化模型,分析不同区域内的无功功率损失最小时的用电时段,对相应区域优先供电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311357610.2A CN117096877B (zh) | 2023-10-19 | 2023-10-19 | 基于多视角的区域动态电碳数据用电分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311357610.2A CN117096877B (zh) | 2023-10-19 | 2023-10-19 | 基于多视角的区域动态电碳数据用电分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117096877A CN117096877A (zh) | 2023-11-21 |
CN117096877B true CN117096877B (zh) | 2024-02-13 |
Family
ID=88773840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311357610.2A Active CN117096877B (zh) | 2023-10-19 | 2023-10-19 | 基于多视角的区域动态电碳数据用电分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117096877B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203193286U (zh) * | 2013-04-23 | 2013-09-11 | 南京因泰莱配电自动化设备有限公司 | 一种智能低压无功补偿装置 |
CN103545812A (zh) * | 2013-10-18 | 2014-01-29 | 李树广 | 一种有源电网高次谐波与无功电力补偿节能装置 |
CN103633739A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院广州能源研究所 | 一种微电网能量管理系统和方法 |
CN104078988A (zh) * | 2014-07-17 | 2014-10-01 | 武汉大学 | 一种配电网区域电压无功治理系统及方法 |
CN104836243A (zh) * | 2015-05-27 | 2015-08-12 | 华北电力大学(保定) | 计及负荷时序特性的配电网无功补偿方法 |
CN109617054A (zh) * | 2018-12-13 | 2019-04-12 | 华南理工大学 | 一种考虑光储系统接入的配电变压器定容选型方法 |
CN110401191A (zh) * | 2019-07-29 | 2019-11-01 | 浙江大学 | 基于时序逻辑的电动车充电桩业务逻辑一致性分析方法 |
CN110829408A (zh) * | 2019-09-23 | 2020-02-21 | 国网辽宁省电力有限公司鞍山供电公司 | 基于发电成本约束的计及储能电力系统的多域调度方法 |
CN112085111A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
CN112636328A (zh) * | 2020-11-25 | 2021-04-09 | 国网湖南省电力有限公司 | 一种中压配电网设备负荷状态辨识方法 |
CN112881835A (zh) * | 2021-01-19 | 2021-06-01 | 贵州电网有限责任公司 | 一种基于电气特征序列分析的电瓶车充电状态分析方法 |
CN113627041A (zh) * | 2021-10-12 | 2021-11-09 | 国网江西省电力有限公司电力科学研究院 | 基于多源数据融合的时变动态负荷在线建模方法及装置 |
CN113746144A (zh) * | 2021-11-08 | 2021-12-03 | 南京东博智慧能源研究院有限公司 | 一种源网荷实时交互的电碳控制方法及其智能管理系统 |
CN114897852A (zh) * | 2022-05-20 | 2022-08-12 | 华能宁南风力发电有限公司 | 一种电场计量采集方法和系统 |
CN115086361A (zh) * | 2022-05-16 | 2022-09-20 | 成都汇研智通科技合伙企业(有限合伙) | 动车组监测数据的分析系统、方法、电子设备及存储介质 |
CN115085208A (zh) * | 2022-08-04 | 2022-09-20 | 云南电网有限责任公司西双版纳供电局 | 无功电压调控方案管理方法 |
CN115375032A (zh) * | 2022-09-01 | 2022-11-22 | 东南大学溧阳研究院 | 一种含分布式储能的区域电网多时间尺度优化调度方法 |
CN116191577A (zh) * | 2023-03-30 | 2023-05-30 | 国网湖北省电力有限公司随州供电公司 | 一种涉及多电源类型的地区电网多时间尺度无功优化方法 |
CN116826847A (zh) * | 2023-08-24 | 2023-09-29 | 国网山西省电力公司运城供电公司 | 动态网络重构与无功电压调整协同优化方法、装置及设备 |
CN116826752A (zh) * | 2023-05-08 | 2023-09-29 | 国网山西省电力公司营销服务中心 | 一种台区用能多目标低碳降损优化调度策略方法 |
CN116881661A (zh) * | 2023-07-20 | 2023-10-13 | 华智源电气集团股份有限公司 | 一种基于低压电力电容器的性能自动化分析方法及系统 |
-
2023
- 2023-10-19 CN CN202311357610.2A patent/CN117096877B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203193286U (zh) * | 2013-04-23 | 2013-09-11 | 南京因泰莱配电自动化设备有限公司 | 一种智能低压无功补偿装置 |
CN103545812A (zh) * | 2013-10-18 | 2014-01-29 | 李树广 | 一种有源电网高次谐波与无功电力补偿节能装置 |
CN103633739A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院广州能源研究所 | 一种微电网能量管理系统和方法 |
CN104078988A (zh) * | 2014-07-17 | 2014-10-01 | 武汉大学 | 一种配电网区域电压无功治理系统及方法 |
CN104836243A (zh) * | 2015-05-27 | 2015-08-12 | 华北电力大学(保定) | 计及负荷时序特性的配电网无功补偿方法 |
CN109617054A (zh) * | 2018-12-13 | 2019-04-12 | 华南理工大学 | 一种考虑光储系统接入的配电变压器定容选型方法 |
CN110401191A (zh) * | 2019-07-29 | 2019-11-01 | 浙江大学 | 基于时序逻辑的电动车充电桩业务逻辑一致性分析方法 |
CN110829408A (zh) * | 2019-09-23 | 2020-02-21 | 国网辽宁省电力有限公司鞍山供电公司 | 基于发电成本约束的计及储能电力系统的多域调度方法 |
CN112085111A (zh) * | 2020-09-14 | 2020-12-15 | 南方电网科学研究院有限责任公司 | 一种负荷辨识方法和装置 |
CN112636328A (zh) * | 2020-11-25 | 2021-04-09 | 国网湖南省电力有限公司 | 一种中压配电网设备负荷状态辨识方法 |
CN112881835A (zh) * | 2021-01-19 | 2021-06-01 | 贵州电网有限责任公司 | 一种基于电气特征序列分析的电瓶车充电状态分析方法 |
CN113627041A (zh) * | 2021-10-12 | 2021-11-09 | 国网江西省电力有限公司电力科学研究院 | 基于多源数据融合的时变动态负荷在线建模方法及装置 |
CN113746144A (zh) * | 2021-11-08 | 2021-12-03 | 南京东博智慧能源研究院有限公司 | 一种源网荷实时交互的电碳控制方法及其智能管理系统 |
CN115086361A (zh) * | 2022-05-16 | 2022-09-20 | 成都汇研智通科技合伙企业(有限合伙) | 动车组监测数据的分析系统、方法、电子设备及存储介质 |
CN114897852A (zh) * | 2022-05-20 | 2022-08-12 | 华能宁南风力发电有限公司 | 一种电场计量采集方法和系统 |
CN115085208A (zh) * | 2022-08-04 | 2022-09-20 | 云南电网有限责任公司西双版纳供电局 | 无功电压调控方案管理方法 |
CN115375032A (zh) * | 2022-09-01 | 2022-11-22 | 东南大学溧阳研究院 | 一种含分布式储能的区域电网多时间尺度优化调度方法 |
CN116191577A (zh) * | 2023-03-30 | 2023-05-30 | 国网湖北省电力有限公司随州供电公司 | 一种涉及多电源类型的地区电网多时间尺度无功优化方法 |
CN116826752A (zh) * | 2023-05-08 | 2023-09-29 | 国网山西省电力公司营销服务中心 | 一种台区用能多目标低碳降损优化调度策略方法 |
CN116881661A (zh) * | 2023-07-20 | 2023-10-13 | 华智源电气集团股份有限公司 | 一种基于低压电力电容器的性能自动化分析方法及系统 |
CN116826847A (zh) * | 2023-08-24 | 2023-09-29 | 国网山西省电力公司运城供电公司 | 动态网络重构与无功电压调整协同优化方法、装置及设备 |
Non-Patent Citations (3)
Title |
---|
Pre-processing of Power Measurements Data at Substations Based on Lagrange Interpolation;Xingyu Pei等;《2021 IEEE/IAS Industrial and Commercial Power System Asia (I&CPS Asia)》;948-952页 * |
基于大数据技术的电力用户画像分析;王飞飞等;《山西电力》(第4期);26-29页 * |
新型电力系统多元用户的用电特征建模与用电负荷预测综述;孔祥玉等;《电力系统自动化》;第47卷(第13期);2-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117096877A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113312413B (zh) | 基于电力大数据的企业碳排放异常监测方法 | |
Wang et al. | Forecasting the seasonal natural gas consumption in the US using a gray model with dummy variables | |
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 | |
CN111754037A (zh) | 区域终端集成供能系统长期负荷混合预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN106355511A (zh) | 考虑新能源与电动汽车接入的主动配电网重构方法 | |
CN110909786A (zh) | 一种基于特性指标与决策树模型的新装用户负荷辨识方法 | |
CN114372347A (zh) | 一种基于极值理论的配电网消纳能力评估方法 | |
CN117096877B (zh) | 基于多视角的区域动态电碳数据用电分析方法及系统 | |
Huang et al. | EV charging load profile identification and seasonal difference analysis via charging sessions data of charging stations | |
Kou et al. | Prediction intervals for wind power forecasting: using sparse warped Gaussian process | |
CN117251672A (zh) | 基于电力数据的区域行业多维能源碳排放计算方法和装置 | |
CN115758188A (zh) | 一种非侵入式的负荷识别方法、装置、设备和介质 | |
Sui et al. | Forecasting the wind power generation in China by seasonal grey forecasting model based on collaborative optimization | |
Xu et al. | Electricity market price forecasting for a high renewable penetrated power system via random forest | |
CN116488159A (zh) | 一种电网特征提取及源荷协同分析方法、装置和存储介质 | |
CN112766590B (zh) | 一种居民典型电力消费模式的提取方法与系统 | |
CN115575737A (zh) | 一种载流量检测方法及系统 | |
Bo et al. | Research of Typical Line Loss Rate in Transformer District Based on Data-Driven Method | |
Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
CN111948446A (zh) | 一种自适应的负荷识别方法以及智能电能表 | |
CN117291299B (zh) | 一种考虑多种影响因素的月度电量预测方法 | |
Ali et al. | Deep Learning Networks for Short Term Load Forecasting | |
Hu et al. | Wind power short-term power forecasting based on Improved Grey Wolf algorithm and Optimized Generalized Regression Neural Network |
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 |