CN118017508B - 基于电力分配的区域电力智能控制方法及系统 - Google Patents
基于电力分配的区域电力智能控制方法及系统 Download PDFInfo
- Publication number
- CN118017508B CN118017508B CN202410423961.7A CN202410423961A CN118017508B CN 118017508 B CN118017508 B CN 118017508B CN 202410423961 A CN202410423961 A CN 202410423961A CN 118017508 B CN118017508 B CN 118017508B
- Authority
- CN
- China
- Prior art keywords
- data
- noise
- standard error
- segment
- segmented
- 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 83
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及数据处理领域，更具体地，本发明涉及基于电力分配的区域电力智能控制方法及系统，方法包括：采集电力系统内的电流数据；根据电流数据进行分段，得到多个分段数据，计算分段数据的趋势特征；对分段数据进行拟合，并判断分段数据内的数据是否为疑似噪声数据，并根据占比得到噪声表现程度值；根据噪声表现程度值和初始标准误差偏差，得到修正后的显著标准误差偏差；基于趋势特征和噪声表现程度值，对各个分段数据进行滤波，以使显著标准误差偏差进行自适应，获得各个分段数据滤波后的修正数据，使用神经网络模型对滤波后的修正数据进行智能控制。本发明通过动态调整标准误差偏差，提高了滤波器的适应性，使滤波器更加稳定。
Description
技术领域
本发明一般地涉及数据处理领域。更具体地，本发明涉及基于电力分配的区域电力智能控制方法及系统。
背景技术
电力系统是现代工业社会的基础设施之一，负责从发电厂将电能输送至终端用户。然而，传统的电力系统存在着一些问题，包括但不限于供需不平衡、能源浪费、系统稳定性不足等。传统的电力系统采用集中式控制和调度方式，存在着调度不灵活、响应速度慢等问题。此外，传统电力系统对于可再生能源的集成程度不高，难以有效应对可再生能源的波动性。
随着信息技术、通信技术和人工智能的不断发展，智能电力系统利用先进的控制算法和数据分析技术，实现对电力系统的实时监测、智能调度和优化管理。
在对电力进行智能控制时之前首先要采集数据，在传感器采集数据的过程中因为传感器本身精度等缘故可能导致采集数据存在部分噪声，需要对电力系统内数据进行去噪处理，以提高数据质量进而提高数据分析结果准确性，降低控制过程中的误判率。去噪过程中标准误差偏差的准确性的选取会直接影响到滤波结果的精确性和鲁棒性，由于电力分配是一个动态的过程，固定的标准误差偏差无法适应电力分配过程中的数据变化。
发明内容
为解决上述一个或多个技术问题，本发明提出将对卡尔曼滤波过程中过程噪声协方差矩阵内标准误差偏差进行动态调整，以提高模型鲁棒性，以提高电力系统的运行效率、可靠性和灵活性，更好地适应可再生能源的集成，为此，本发明在如下的多个方面中提供方案。
在第一方面中，基于电力分配的区域电力智能控制方法，包括：采集电力系统内的电流数据；根据所述电流数据进行分段，获得电力系统中负载波动阶段对应的电流数据，得到多个分段数据；将多个分段数据中任意一个作为目标分段数据进行排序，获取所述目标分段数据的上下四分位数，其中，所述上下四分位数分别指数据的25%和75%的位置，计算所述目标分段数据中任意一个数据与上下四分位数的偏差作为偏离程度值；根据所述偏离程度值计算目标分段数据中每个数据的均值运算的权重，根据所述目标分段数据中每个数据和权重，得到分段数据的加权均值，计算目标分段数据内每个数据与加权均值的偏差累积的均值，得到目标分段数据的初始标准误差偏差，作为分段数据的趋势特征；对每个分段数据进行拟合，计算分段数据中每个数据参与拟合和不参与拟合时的残差，响应于残差大于预设噪声阈值，判断分段数据内为疑似噪声数据的电流数据的个数，将所述疑似噪声数据在分段数据中的占比，作为分段数据的噪声表现程度值；根据噪声表现程度值和初始标准误差偏差，得到修正后的每个分段数据的显著标准误差偏差；根据显著标准误差偏差构建噪声协方差矩阵，设置观测噪声协方差矩阵中的标准误差偏差为噪声协方差矩阵中显著标准误差偏差的一半；基于所述趋势特征和噪声表现程度值，对各个分段数据进行滤波，对滤波过程中噪声协方差矩阵的显著标准误差偏差进行自适应，获得各个分段数据滤波后的修正数据根据滤波后的修正数据进行训练神经网络模型，得到未来一段时间内电流数据的预测值，根据预测值对电流数据进行智能控制。
在一个实施例中，所述均值运算的权重满足下述关系式：
式中，表示第/>个分段数据内第/>个数据在参与均值运算的权重，/>表示第个分段数据内第/>个数据的数值，/>表示第/>个分段数据的上四分位数，/>表示第/>个分段数据的下四分位数。
在一个实施例中，所述加权均值满足下述关系式：
式中，表示第/>个分段数据的均值，/>为第/>个分段数据内数据的个数，/>表示第/>个分段数据内第/>个数据的数值，/>表示第/>个分段数据内第/>个数据在参与均值运算的权重。
在一个实施例中，所述初始标准误差偏差满足下述关系式：
式中，表示第/>个分段数据的噪声协方差矩阵的初始标准误差偏差，/>为第/>个分段数据内数据的个数，/>表示第/>个分段数据内第/>个数据的数值，/>表示第/>个分段数据的数据均值。
在一个实施例中，所述对每个分段数据进行拟合，还包括以下步骤：
将目标分段数据中任意一个数据作为待拟合数据与目标分段数据内其他数据进行最小二乘拟合，获得每个数据作为待拟合数据时参与拟合的残差，将分段数据内待拟合数据从分段数据内剔除，对分段数据内其他数据进行最小二乘拟合，获得每个数据作为待拟合数据时不参与拟合的残差；
计算每个数据作为待拟合数据时参与拟合与不参与拟合时的残差的差值，判断待拟合数据为疑似噪声数据的可能性。
在一个实施例中，所述疑似噪声数据的可能性满足下述关系式：
式中，表示第/>个分段数据内第/>个待拟合数据为疑似噪声数据的可能性，表示第/>个分段数据内第/>个待拟合数据参与拟合时的残差，/>表示第/>个分段数据内第/>个待拟合数据不参与拟合时的残差，/>表示归一化函数。
在一个实施例中，所述噪声表现程度值满足下述关系式：
式中，表示第/>个分段数据的噪声表现程度值，/>表示第/>个分段数据内疑似噪声数据个数，/>表示第/>个分段数据内数据个数，/>表示第/>个分段数据内第1个数据，/>表示第/>个分段数据内第2个数据，/>表示第/>个分段数据内第/>个数据。
在一个实施例中，所述显著标准误差偏差满足下述关系式：
式中，表示第/>个分段数据的噪声协方差矩阵的显著标准误差偏差，/>为第/>个分段数据的噪声协方差矩阵的初始标准误差偏差，/>表示第/>个分段数据的噪声表现程度值。
在一个实施例中，根据显著标准误差偏差构建噪声协方差矩阵，设置观测噪声协方差矩阵中的标准误差偏差为噪声协方差矩阵中显著标准误差偏差的一半，所述噪声协方差矩阵和观测噪声协方差矩阵满足下述关系式：
式中，表示每个分段数据的噪声协方差矩阵，/>表示第/>个分段数据的噪声协方差矩阵的显著标准误差偏差，/>表示每个分段数据的观测噪声协方差矩阵。
第二方面，基于电力分配的区域电力智能控制系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现上述的基于电力分配的区域电力智能控制方法。
本发明具有以下效果：
1.本发明通过动态调整卡尔曼滤波过程中对噪声协方差矩阵内标准误差偏差可以提高滤波器的适应性、预测准确性、抗干扰能力，并且节省计算资源，从而改善电力分配的区域电力智能控制系统的性能和稳定性。
2.本发明通过在电力系统的电力分配过程中，静态的标准误差偏差可能会导致滤波器出现漂移，即估计值偏离真实值并逐渐累积误差，动态调整标准误差偏差可以在系统状态变化时适时调整过程噪声的权重，从而减少漂移的发生，使滤波器更加稳定。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本发明实施例基于电力分配的区域电力智能控制方法中步骤S1-步骤S7的方法流程图。
图2是本发明实施例基于电力分配的区域电力智能控制方法中步骤S50-步骤S51的方法流程图。
图3是本发明实施例基于电力分配的区域电力智能控制系统的结构框图。
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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1，基于电力分配的区域电力智能控制方法包括步骤S1-步骤S7，具体如下：
S1：采集电力系统内的电流数据。
进一步说明，在电路设备中安装传感器，采集电路内电流数据（其余数据如电压数据等，也可以采用传感器对电力的智能控制，本文以电流数据为例），设置数据采集时间间隔为2s。在传感器中内置数据传输装置，将采集数据传输至电力系统内，在对电路进行智能控制之前先对所采集电流数据进行去噪处理，以提高数据质量，进而提高控制的准确性。
S2：根据电流数据进行分段，获得电力系统中负载波动阶段对应的电流数据，得到多个分段数据。
进一步说明，电力分配过程是一个动态变化的过程，对数据进行分段时，可根据电力系统的运行状态和时间对数据进行分段。由此得到的每组数据都在一个负载变化周期内，也就是说每组数据采集时间段内电力资源未发生调配，分段内数据处于相对平稳阶段，有利于后续分析；
首先获得电力系统内的负载波动阶段（可依据专业的电力系统分析软件如PSS/E进行获取），将一个负载波动阶段对应电流数据分为一组，进行后续的分析；需要说明的是，负载波动阶段指的是负载（即电力需求）发生较大变化或波动的时间段。
例如：12:00：100MW、12:01：105MW、12:02：110MW、12:03：115 MW、12:04：120MW、12:05：125MW、12:06：130MW、12:07：135MW、12:08：140MW、12:09：145MW、12:10：150MW、12:11：100MW这组数据中，从12:00到12:10期间，负载逐渐增加，呈现出一个明显的负载增长趋势。然而，突然在12:11时，负载骤降至100MW，表明发生了负载突然减少的情况。此时，12:00到12:10的时间段就是一个负载波动阶段、从12:10到12:11的时间段也是一个负载波动阶段。
S3：将多个分段数据中任意一个作为目标分段数据进行排序，获取目标分段数据的上下四分位数，其中，所述上下四分位数分别指数据的25%和75%的位置，计算目标分段数据中任意一个数据与上下四分位数的偏差作为偏离程度值。
进一步说明，偏差越大表明电流数据与分段数据内的数据偏离程度越大，进而电流数据在参与分段数据内数据均值计算时的权重越小，以避免电流数据的局部偏离导致分段数据内数据的均值产生偏差，影响分段数据内数据的标准差结果准确性。
S4：根据偏离程度值计算目标分段数据中每个数据的均值运算的权重，根据目标分段数据中每个数据和权重，得到分段数据的加权均值，计算目标分段数据内每个数据与加权均值的偏差累积的均值，得到目标分段数据的初始标准误差偏差，作为分段数据的趋势特征。
均值运算的权重满足下述关系式：
式中，表示第/>个分段数据内第/>个数据在参与均值运算的权重，/>表示第个分段数据内第/>个数据的数值，/>表示第/>个分段数据的上四分位数，/>表示第/>个分段数据的下四分位数；
加权均值满足下述关系式：
式中，表示第/>个分段数据的均值，/>为第/>个分段数据内数据的个数，/>表示第/>个分段数据内第/>个数据的数值，/>表示第/>个分段数据内第/>个数据在参与均值运算的权重。
初始标准误差偏差满足下述关系式：
式中，表示第/>个分段数据的噪声协方差矩阵的初始标准误差偏差，/>为第/>个分段数据内数据的个数，/>表示第/>个分段数据内第/>个数据的数值，/>表示第/>个分段数据的数据均值；
进一步说明，第个分段数据内数据的标准差越小，说明第/>个分段数据内数据波动性越小，数据具有一定趋势的可能性就越大，对应第/>个分段数据内数据在滤波时的噪声协方差矩阵的显著标准误差偏差就越小，以更敏感地跟踪趋势的变化。
S5：对每个分段数据进行拟合，计算分段数据中每个数据参与拟合和不参与拟合时的残差，响应于残差大于预设噪声阈值，判断分段数据内为疑似噪声数据的电流数据的个数，将疑似噪声数据在分段数据中的占比，作为分段数据的噪声表现程度值。
参照图2，包括步骤S50-步骤S51：
S50：将目标分段数据中任意一个数据作为待拟合数据与目标分段数据内其他数据进行最小二乘拟合，获得每个数据作为待拟合数据时参与拟合的残差，将分段数据内待拟合数据从分段数据内剔除，对分段数据内其他数据进行最小二乘拟合，获得每个数据作为待拟合数据时不参与拟合的残差；
S51：计算每个数据作为待拟合数据时参与拟合与不参与拟合时的残差的差值，判断待拟合数据为疑似噪声数据的可能性；
疑似噪声数据的可能性满足下述关系式：
式中，表示第/>个分段数据内第/>个待拟合数据为疑似噪声数据的可能性，表示第/>个分段数据内第/>个待拟合数据参与拟合时的残差，/>表示第/>个分段数据内第/>个待拟合数据不参与拟合时的残差，/>表示归一化函数；
噪声表现程度值满足下述关系式：
式中，表示第/>个分段数据的噪声表现程度值，/>表示第/>个分段数据内疑似噪声数据个数，/>表示第/>个分段数据内数据个数，/>表示第/>个分段数据内第1个数据，/>表示第/>个分段数据内第2个数据，/>表示第/>个分段数据内第/>个数据；
进一步说明，表示第/>个分段数据内第/>个待拟合数据为疑似噪声数据集合（第/>个分段数据内第/>个待拟合数据的疑似噪声数据可能性小于阈值/>（经验值），即认为是疑似噪声数据），不超过阈值则表明第/>个数据对第/>个分段数据来说是重要数据，表现为疑似噪声数据的可能性越低，第/>个分段数据内疑似噪声数据的个数在第/>个分段数据内的占比反映了第/>个分段数据内噪声表现程度。
S6：根据噪声表现程度值和初始标准误差偏差，得到修正后的每个分段数据的显著标准误差偏差，根据显著标准误差偏差构建噪声协方差矩阵，设置观测噪声协方差矩阵中的标准误差偏差为噪声协方差矩阵中显著标准误差偏差的一半。
显著标准误差偏差满足下述关系式：
式中，表示第/>个分段数据的噪声协方差矩阵的显著标准误差偏差，/>为第/>个分段数据的噪声协方差矩阵的初始标准误差偏差，/>表示第/>个分段数据的噪声表现程度值；
进一步说明，显著标准误差偏差为修正后的第个分段数据滤波时噪声协方差矩阵，/>（经验值）表明第/>个分段数据的噪声表现超过/>即认为第/>个分段数据的噪声表现较大，需对显著标准误差偏差进行调大处理，以抑制噪声。
噪声协方差矩阵和观测噪声协方差矩阵满足下述关系式：
式中，表示每个分段数据的噪声协方差矩阵，/>表示第/>个分段数据的噪声协方差矩阵的显著标准误差偏差，/>表示每个分段数据的观测噪声协方差矩阵；
进一步说明，卡尔曼滤波器是一种用于动态系统状态估计的优化算法，它通过结合系统动态模型和观测数据，以最优的方式估计系统的状态，本技术为公知技术，不再详细描述；在卡尔曼滤波器中，噪声的协方差矩阵至关重要，在卡尔曼滤波器中，噪声的协方差矩阵通常表示为两部分：初始噪声协方差矩阵和测量噪声协方差矩阵。过程噪声协方差矩阵描述了系统动态模型中未考虑的外部扰动或不确定性，而测量噪声协方差矩阵描述了观测数据中的噪声水平。
S7：基于趋势特征和噪声表现程度值，对各个分段数据进行滤波，对滤波过程中噪声协方差矩阵的显著标准误差偏差进行自适应，获得各个分段数据滤波后的修正数据，根据滤波后的修正数据进行训练神经网络模型，得到未来一段时间内电流数据的预测值，根据预测值对电流数据进行智能控制；
进一步说明，本实施例中，提到采用人工神经网络（Artificial Neural Network，ANN），人工神经网络为公知技术，不再详细描述，具体可依据实际情况进行方法调整，本文重点在对数据进行滤波去噪，以降低控制误判率，对滤波后的数据进行监测控制，以实现对电力的智能控制。
本发明还提供了基于电力分配的区域电力智能控制系统。如图3所示，系统包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明第一方面的基于电力分配的区域电力智能控制方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (10)
1.基于电力分配的区域电力智能控制方法，其特征在于，包括：
采集电力系统内的电流数据；
根据所述电流数据进行分段，获得电力系统中负载波动阶段对应的电流数据，得到多个分段数据；
将多个分段数据中任意一个作为目标分段数据进行排序，获取所述目标分段数据的上下四分位数，其中，所述上下四分位数分别指数据的25%和75%的位置，计算所述目标分段数据中任意一个数据与上下四分位数的偏差作为偏离程度值；
根据所述偏离程度值计算目标分段数据中每个数据的均值运算的权重，根据所述目标分段数据中每个数据和权重，得到分段数据的加权均值，计算目标分段数据内每个数据与加权均值的偏差累积的均值，得到目标分段数据的初始标准误差偏差，作为分段数据的趋势特征；
对每个分段数据进行拟合，计算分段数据中每个数据参与拟合和不参与拟合时的残差，响应于残差大于预设噪声阈值，判断分段数据内为疑似噪声数据的电流数据的个数，将所述疑似噪声数据在分段数据中的占比，作为分段数据的噪声表现程度值；
根据噪声表现程度值和初始标准误差偏差，得到修正后的每个分段数据的显著标准误差偏差，根据显著标准误差偏差构建噪声协方差矩阵，设置观测噪声协方差矩阵中的标准误差偏差为噪声协方差矩阵中显著标准误差偏差的一半；
基于所述趋势特征和噪声表现程度值，对各个分段数据进行滤波，对滤波过程中噪声协方差矩阵的显著标准误差偏差进行自适应，获得各个分段数据滤波后的修正数据，根据滤波后的修正数据进行训练神经网络模型，得到未来一段时间内电流数据的预测值，根据预测值对电流数据进行智能控制。
2.根据权利要求1所述的基于电力分配的区域电力智能控制方法，其特征在于，所述均值运算的权重满足下述关系式：
；
式中，表示第/>个分段数据内第/>个数据在参与均值运算的权重，/>表示第/>个分段数据内第/>个数据的数值，/>表示第/>个分段数据的上四分位数，/>表示第/>个分段数据的下四分位数。
3.根据权利要求1所述的基于电力分配的区域电力智能控制方法，其特征在于，所述加权均值满足下述关系式：
；
式中，表示第/>个分段数据的均值，/>为第/>个分段数据内数据的个数，/>表示第个分段数据内第/>个数据的数值，/>表示第/>个分段数据内第/>个数据在参与均值运算的权重。
4.根据权利要求1所述的基于电力分配的区域电力智能控制方法，其特征在于，所述初始标准误差偏差满足下述关系式：
；
式中，表示第/>个分段数据的噪声协方差矩阵的初始标准误差偏差，/>为第/>个分段数据内数据的个数，/>表示第/>个分段数据内第/>个数据的数值，/>表示第/>个分段数据的数据均值。
5.根据权利要求1所述的基于电力分配的区域电力智能控制方法，其特征在于，所述对每个分段数据进行拟合，还包括以下步骤：
将目标分段数据中任意一个数据作为待拟合数据与目标分段数据内其他数据进行最小二乘拟合，获得每个数据作为待拟合数据时参与拟合的残差，将分段数据内待拟合数据从分段数据内剔除，对分段数据内其他数据进行最小二乘拟合，获得每个数据作为待拟合数据时不参与拟合的残差；
计算每个数据作为待拟合数据时参与拟合与不参与拟合时的残差的差值，判断待拟合数据为疑似噪声数据的可能性。
6.根据权利要求5所述的基于电力分配的区域电力智能控制方法，其特征在于，所述疑似噪声数据的可能性满足下述关系式：
；
式中，表示第/>个分段数据内第/>个待拟合数据为疑似噪声数据的可能性，/>表示第/>个分段数据内第/>个待拟合数据参与拟合时的残差，/>表示第/>个分段数据内第/>个待拟合数据不参与拟合时的残差，/>表示归一化函数。
7.根据权利要求1所述的基于电力分配的区域电力智能控制方法，其特征在于，所述噪声表现程度值满足下述关系式：
；
式中，表示第/>个分段数据的噪声表现程度值，/>表示第/>个分段数据内疑似噪声数据个数，/>表示第/>个分段数据内数据个数，/>表示第/>个分段数据内第1个数据，表示第/>个分段数据内第2个数据，/>表示第/>个分段数据内第/>个数据。
8.根据权利要求1所述的基于电力分配的区域电力智能控制方法，其特征在于，所述显著标准误差偏差满足下述关系式：
；
式中，表示第/>个分段数据的噪声协方差矩阵的显著标准误差偏差，/>为第/>个分段数据的噪声协方差矩阵的初始标准误差偏差，/>表示第/>个分段数据的噪声表现程度值。
9.根据权利要求1所述的基于电力分配的区域电力智能控制方法，其特征在于，根据显著标准误差偏差构建噪声协方差矩阵，设置观测噪声协方差矩阵中的标准误差偏差为噪声协方差矩阵中显著标准误差偏差的一半，所述噪声协方差矩阵和观测噪声协方差矩阵满足下述关系式：
；
；
式中，表示每个分段数据的噪声协方差矩阵，/>表示第/>个分段数据的噪声协方差矩阵的显著标准误差偏差，/>表示每个分段数据的观测噪声协方差矩阵。
10.基于电力分配的区域电力智能控制系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-9任一项所述的基于电力分配的区域电力智能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410423961.7A CN118017508B (zh) | 2024-04-10 | 2024-04-10 | 基于电力分配的区域电力智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410423961.7A CN118017508B (zh) | 2024-04-10 | 2024-04-10 | 基于电力分配的区域电力智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118017508A CN118017508A (zh) | 2024-05-10 |
| CN118017508B true CN118017508B (zh) | 2024-06-07 |
Family
ID=90954230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410423961.7A Active CN118017508B (zh) | 2024-04-10 | 2024-04-10 | 基于电力分配的区域电力智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118017508B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117633722A (zh) * | 2024-01-25 | 2024-03-01 | 江西省交通工程集团有限公司 | 基于智能检测机器人的检测控制方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200005201A1 (en) * | 2018-07-02 | 2020-01-02 | Demand Energy Networks, Inc. | Stochastic economic optimization of electrical systems, and related systems, apparatuses, and methods |
| US10859986B2 (en) * | 2018-12-28 | 2020-12-08 | Enel X North America, Inc. | Electrical system control for achieving long-term objectives, and related systems, apparatuses, and methods |
| WO2022061322A1 (en) * | 2020-09-18 | 2022-03-24 | University Of Florida Research Foundation | Removing latent noise components from data signals |
-
2024
- 2024-04-10 CN CN202410423961.7A patent/CN118017508B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117633722A (zh) * | 2024-01-25 | 2024-03-01 | 江西省交通工程集团有限公司 | 基于智能检测机器人的检测控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 多传感器系统含状态约束的分布式并行卡尔曼滤波算法;李国平，邢建春，王世强;计算机与现代化;20181231(第第12期期);第1-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118017508A (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107039977B (zh) | 电力系统鲁棒调度不确定集构建方法 | |
| WO2023020265A1 (zh) | 一种制氢系统的液位平衡控制方法及制氢系统 | |
| CN110247397B (zh) | 一种储能配置方法、系统、装置及可读存储介质 | |
| CN111478360A (zh) | 含光伏接入的配电网集中-就地综合电压控制方法和装置 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| CN113862728A (zh) | Pem纯水电解制氢的压力控制方法、系统、设备及介质 | |
| CN117150419A (zh) | 基于数据分析的储能电源运行环境检测系统 | |
| CN117650628B (zh) | 一种基于自适应预调节场景的能效管理系统 | |
| CN118017508B (zh) | 基于电力分配的区域电力智能控制方法及系统 | |
| CN116826859A (zh) | 一种电源碳电协同规划方法、装置、设备及存储介质 | |
| CN117034763A (zh) | 一种数字能源空压系统的一站式智能管理系统 | |
| CN108777481B (zh) | 一种电网控制区频率偏差系数设置方法 | |
| CN111130126A (zh) | 电力系统阻尼比在线趋优方法、存储介质和计算设备 | |
| CN110492530A (zh) | 一种冷水机组参与电网调频的负荷控制方法及装置 | |
| CN112943557B (zh) | 风电场、风力发电机组及其运行状态的预测方法和设备 | |
| CN115828439A (zh) | 风力发电机组异常损耗的识别方法及装置 | |
| CN107565578B (zh) | 配电网的无功输出控制方法及装置 | |
| CN111563543A (zh) | 一种风电机组的风速-发电功率数据的清洗方法及装置 | |
| CN113067329B (zh) | 一种电力系统的可再生能源适应性优化方法及终端 | |
| CN115528712B (zh) | 一种源网荷储备不同区储能容量平衡方法及系统 | |
| CN118091325B (zh) | 一种电缆智能检测方法及系统 | |
| CN117728421B (zh) | 微电网集群协调调度方法、系统、计算机设备和存储介质 | |
| CN112308301B (zh) | 锅炉群组的变负荷速率控制方法、装置、设备及存储介质 | |
| CN115660445B (zh) | 一种用电量预警方法、装置及计算机设备 | |
| CN117559446B (zh) | 环境适应型电能存储与智能调配方法及系统 |
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 |