CN104037943B - 一种提高电网电压质量的电压监测方法及*** - Google Patents
一种提高电网电压质量的电压监测方法及*** Download PDFInfo
- Publication number
- CN104037943B CN104037943B CN201410273793.4A CN201410273793A CN104037943B CN 104037943 B CN104037943 B CN 104037943B CN 201410273793 A CN201410273793 A CN 201410273793A CN 104037943 B CN104037943 B CN 104037943B
- Authority
- CN
- China
- Prior art keywords
- voltage
- quality
- index
- time section
- monitoring point
- 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
Classifications
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种提高电网电压质量的电压监测方法,包括:获取多个监测点的实时电压数据和电压统计数据;根据采集到的各个监测点的电压统计数据,对电压质量指标的历史情况进行分析;根据当前采集到的各个监测点的实时电压数据,对电压质量指标的未来趋势进行在线预测。实现该方法的电网电压质量监测***,包括数据获取单元、历史时间段电压质量指标分析单元、未来时间段电压质量指标预测单元和数据存储单元。本发明实现了对电压质量的深入分析和对电网电压质量未来趋势的及时判断,提高了电网电压质量监控的有效程度。
Description
技术领域
本发明涉及电网电压质量监测技术领域,尤其涉及一种提高电网电压质量的电压监测方法及***。
背景技术
随着国民经济的持续快速发展和人民生活水平的不断提高,我国电力需求较快增长的趋势在较长时间内不会改变。电网的发展,供电负荷的不断增长,电压波动如果超过允许范围且时间较长时将产生极大危害:对于供电电网,低电压会影响发、供电设备的能力,影响供电可靠性;对于用电设备,电压不稳定,影响使用寿命,甚至烧毁,增大线损。上述各种原因会给电力用户的正常用电也带来不良影响,因此加强电网电压实时监测和数据管理分析,对于提高电压质量尤为重要。
目前对电压质量的监测和分析方面有一些专利,如“200910164280.9(一种基于电压稳定性局部指标的电网电压稳定在线监测方法)”根据被监测点节点相邻区域内的电网拓扑结构参数和相关节点电压电流相量,计算被监测点单电源功率传输等值***参数,对监测点的电压稳定性进行判断预警,有效实现电网电压稳定性的在线实时监测。“201210034024.X(一种电压质量的监控方法)”先对区域电网各电压等级的电压质量数据进行采集,通过对数据的分析,采用不同措施,分析判断供电电压质量指标,给出相应的调整方案,有利于应对适应性分析场合。“201310376476.0(一种宽范围量程自适应电压质量监测方法)”通过计算采用电压与各标称电压的电压偏差率,对连续计算的电压偏差率结果进行智能分析,推导出当前***的额定电压,实现电压监测量程自适应,无需人工干预的情况下,完成电压质量监测。“201310528971.9(一种在线预测电力***静态电压稳定极限的方法)”基于Lasso的样本降维方法、自组织特征映射网络的样本筛选方法和误差反向传播型神经网络对电力***静态电压稳定极限进行离线训练和在线预测,有效提高误差反向传播型神经网络的离线训练效率和在线预测效果。上述专利未对电网电压质量指标进行深入分析,更没有对电网电压质量在未来的趋势做出及时判断,因此难以对电网电压质量进行有效监控。
发明内容
针对现有技术存在的不足,本发明提供一种提高电网电压质量的电压监测方法及***。
本发明的技术方案是:
一种提高电网电压质量的电压监测方法,包括以下步骤:
步骤1:获取多个监测点的实时电压数据和电压统计数据;
所述电压统计数据包括监测点的电压日统计数据、电压月统计数据、电压季度统计数据、电压年度统计指标和各级部门的指标统计数据;
其中,电压月统计数据包括当月电压统计值、上月电压统计值、当月典型日时数据、上月典型日时数据、当月电压可靠性数据、上月电压可靠性数据、当月停电统计值和上月停电统计值;电压年度统计指标包括电压年度合格率、电压年度超上限率和电压年度超下限率;各级部门的指标统计数据包括各级部门的日合格率统计数据、月合格率统计、季合格率统计和年合格率统计;
步骤2:根据采集到的各个监测点的电压统计数据,对电压质量指标的历史情况进行分析;
步骤2-1:选择需要分析的监测点;
步骤2-2:选择需要分析的电压质量指标,电压质量指标包括电压合格率、电压标准差和电压概率密度;
步骤2-3:选择年按季、年按月、季按月或月按日的分析方式,根据所选分析方式选择具体的历史时间段;
步骤2-4:根据所选择的分析方式和历史时间段计算所选监测点在该历史时间段的电压质量指标值;
步骤2-5:以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;
步骤2-6:根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警,以便电力人员对该监测点的电压质量异常情况进行诊断处理;
步骤3:根据当前采集到的各个监测点的实时电压数据,对电压质量指标的未来趋势进行在线预测;
步骤3-1:选择需要预测的监测点;
步骤3-2:选择需要预测的电压质量指标;
步骤3-3:选择年按季、年按月、季按月或月按日的预测方式,根据选择的预测方式选择具体的未来时间段;
步骤3-4:当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;
步骤3-5:建立电压质量指标的未来趋势在线预测模型,该模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,该模型的输出为要预测的未来时间段的电压质量指标值;
步骤3-6:根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测;
步骤3-7:以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果;
步骤3-8:根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时刻电压质量指标差的监测点,进行预警,以便电力人员对存在电压质量隐患问题的监测点进行提前处理。
步骤3-5中的建立电压质量指标的未来趋势在线预测模型按如下步骤进行:
步骤3-5-1:建立时间序列模型,时间序列模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,时间序列模型输出为要预测的未来时间段的电压质量指标值;
步骤3-5-2:建立灰色模型,灰色模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,灰色模型输出即为要预测的未来时间段的电压质量指标值;
步骤3-5-3:建立组合预测模型,组合预测模型的输入包括时间序列模型预测的未来时间段的电压质量指标值和灰色模型预测的未来时间段的电压质量指标值,组合预测模型的输出为时间序列模型预测的未来时间段的电压质量指标值与灰色模型预测的未来时间段的电压质量指标值的加权之和,即组合预测模型预测的未来时间段的电压质量指标值;
步骤3-5-4:建立BP神经网络模型,BP神经网络模型的输入为组合预测模型预测的未来时间段的电压质量指标值,BP神经网络模型的输出为组合预测模型预测的未来时间段的电压质量指标值的误差;
步骤3-5-5:建立电压质量指标的未来趋势在线预测模型,该模型的输入包括组合预测模型预测的未来时间段的电压质量指标值和BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差,在线预测模型的输出为组合预测模型预测的未来时间段的电压质量指标值与BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差之和,即电压质量指标的预测结果。
步骤2-1所述的选择需要分析的监测点的方式和步骤3-1所述的选择需要预测的监测点的方式均包括选择单个监测点、选择多个监测点、一次选择线路所有相关监测点、一次选择变电站所有监测点和一次选择县供电局所有监测点。
所述的电压质量指标包括电压合格率、电压标准差和电压概率密度。
步骤2-3中所述的根据所选分析方式选择具体的历史时间段,当分析方式为年按季时,历史时间段选择为年;当分析方式为年按月时,历史时间段选择为年;当分析方式为季按月时,历史时间段选择为年份和季度;当分析方式为月按日时,历史时间段选择为年份和月份。
步骤3-3中所述的根据选择的预测方式选择具体的未来时间段,当预测方式为年按季时,预测结果所属的时间为本年度的剩余季度;当预测方式为年按月时,预测结果所属的时间为本年度的剩余月份;当预测方式为季按月时,预测结果所属的时间为本季度的剩余月份;当预测方式为月按日时,预测结果所属的时间为本月的剩余天数。
步骤3-4所述的对缺失的电压质量指标数据进行补充采用三次样条插值方法。
实现所述的提高电网电压质量的监测方法的电网电压质量监测***,包括数据获取单元、历史时间段电压质量指标分析单元、未来时间段电压质量指标预测单元和数据存储单元;
数据获取单元用于获取监测点的实时电压数据和电压统计数据;
历史时间段电压质量指标分析单元用于根据数据获取单元获取的各个监测点的统计数据,对电压质量指标的历史情况进行分析,包括:选择需要分析的监测点和需要分析的电压质量指标;选择年按季、年按月、季按月或月按日的分析方式并根据所选分析方式选择具体的历史时间段;根据所选择的分析方式和历史时间段计算所选监测点在该历史时间段的电压质量指标值;以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警;
未来时间段电压质量指标预测单元用于根据当前获取的各个监测点的实时电压数据,对电压质量指标的未来趋势进行在线预测,包括:选择需要预测的监测点和需要预测的电压质量指标;选择年按季、年按月、季按月或月按日的预测方式并根据选择的预测方式选择具体的未来时间段;当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;建立电压质量指标的未来趋势在线预测模型,该模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,该模型的输出为要预测的未来时间段的电压质量指标值;根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测;以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果;根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时间段电压质量指标差的监测点进行预警;
数据存储单元用于存储监测点的实时电压数据和电压统计数据、电压质量指标的未来趋势在线预测模型参数、监测点在各个历史时间段的各项电压质量指标值和监测点在未来时间段的电压质量指标预测值。
所述历史时间段电压质量指标分析单元包括历史时间段电压质量指标值计算模块和历史时间段电压质量指标分析显示及报警模块;
历史时间段电压质量指标值计算模块用于选择需要分析的监测点、需要分析的电压质量指标和分析方式,根据所选分析方式选择具体的历史时间段,进而计算所选监测点在该历史时间段的电压质量指标值;
历史时间段电压质量指标分析显示及报警模块用于以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警。
所述未来时间段电压质量指标预测单元包括监测点历史数据补充模块、时间序列模型建立模块、灰色模型建立模块、组合预测模型建立模块、BP神经网络模型建立模块、电压质量指标预测模块、电压质量指标预测结果显示及预警模块;
监测点历史数据补充模块用于选择需要预测的监测点、需要预测的电压质量指标和预测方式,根据选择的预测方式选择具体的未来时间段,当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;
时间序列模型建立模块用于建立以从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值为输入,以要预测的未来时间段的电压质量指标值为输出的时间序列模型;
灰色模型建立模块用于建立以从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值为输入、以要预测的未来时间段的电压质量指标值为输出的灰色模型;
组合预测模型建立模块用于建立以时间序列模型预测的未来时间段的电压质量指标值和灰色模型预测的未来时间段的电压质量指标值为输入、以时间序列模型预测的未来时间段的电压质量指标值与灰色模型预测的未来时间段的电压质量指标值的加权之和为输出的组合预测模型;
BP神经网络模型建立模块用于建立以组合预测模型预测的未来时间段的电压质量指标值为输入、以组合预测模型预测的未来时间段的电压质量指标值的误差为输出的BP神经网络模型;
电压质量指标预测模块用于建立以组合预测模型预测的未来时间段的电压质量指标值和BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差为输入、以组合预测模型预测的未来时间段的电压质量指标值与BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差之和为输出的电压质量指标的未来趋势在线预测模型,并根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测,得到电压质量指标的预测结果;
电压质量指标预测结果显示及预警模块用于以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果,并根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时刻电压质量指标差的监测点,进行预警。
有益效果:
针对目前的电网电压质量监测方法没有对电压质量进行深入分析和没有对电网电压质量的未来趋势做出及时判断导致难以对电网电压质量进行有效监控的问题,本发明提出了一种基于提高电网电压质量的监测方法,包括数据获取、监测点历史时刻电压质量指标监测、基于组合预测模型和BP神经网络模型的监测点未来时刻电压质量指标预测。实现了对电压质量的深入分析和对电网电压质量未来趋势的及时判断,提高了电网电压质量监控的有效程度。
附图说明
图1为本发明具体实施方式的提高电网电压质量的监测***的结构框图;
图2为本发明具体实施方式的提高电网电压质量的监测方法的流程图;
图3为本发明具体实施方式提高电网电压质量的监测方法的监测点电压标准差的年按月的监测结果曲线;
图4为本发明具体实施方式的提高电网电压质量的监测方法的监测点电压标准差的年按月的监测结果棒图;
图5为本发明具体实施方式的提高电网电压质量的监测方法的两个监测点电压合格率的年按月的监测结果曲线;
图6为本发明具体实施方式的一种提高电网电压质量的监测方法的两个监测点电压合格率的年按月的监测结果;
图7为本发明具体实施方式的对电压质量指标的历史情况进行分析的流程图;
图8为本发明具体实施方式的对电压质量指标的未来趋势进行在线预测的流程图;
图9为本发明具体实施方式的建立电压质量指标的未来趋势在线预测模型的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
本实施方式中,提高电网电压质量的监测方法的电网电压质量监测***,如图1所示,包括数据获取单元、历史时间段电压质量指标分析单元、未来时间段电压质量指标预测单元和数据存储单元;
数据获取单元用于获取监测点的实时电压数据和电压统计数据;
历史时间段电压质量指标分析单元用于根据数据获取单元获取的各个监测点的统计数据,对电压质量指标的历史情况进行分析,包括:选择需要分析的监测点和需要分析的电压质量指标;选择年按季、年按月、季按月或月按日的分析方式并根据所选分析方式选择具体的历史时间段;根据所选择的分析方式和历史时间段计算所选监测点在该历史时间段的电压质量指标值;以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警;
未来时间段电压质量指标预测单元用于根据当前获取的各个监测点的实时电压数据,对电压质量指标的未来趋势进行在线预测,包括:选择需要预测的监测点和需要预测的电压质量指标;选择年按季、年按月、季按月或月按日的预测方式并根据选择的预测方式选择具体的未来时间段;当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;建立电压质量指标的未来趋势在线预测模型,该模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,该模型的输出为要预测的未来时间段的电压质量指标值;根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测;以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果;根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时间段电压质量指标差的监测点进行预警;
数据存储单元用于存储监测点的实时电压数据和电压统计数据、电压质量指标的未来趋势在线预测模型参数、监测点在各个历史时间段的各项电压质量指标值和监测点在未来时间段的电压质量指标预测值。
历史时间段电压质量指标分析单元包括历史时间段电压质量指标值计算模块和历史时间段电压质量指标分析显示及报警模块;
历史时间段电压质量指标值计算模块用于选择需要分析的监测点、需要分析的电压质量指标和分析方式,根据所选分析方式选择具体的历史时间段,进而计算所选监测点在该历史时间段的电压质量指标值;
历史时间段电压质量指标分析显示及报警模块用于以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警。
未来时间段电压质量指标预测单元包括监测点历史数据补充模块、时间序列模型建立模块、灰色模型建立模块、组合预测模型建立模块、BP神经网络模型建立模块、电压质量指标预测模块、电压质量指标预测结果显示及预警模块;
监测点历史数据补充模块用于选择需要预测的监测点、需要预测的电压质量指标和预测方式,根据选择的预测方式选择具体的未来时间段,当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;
时间序列模型建立模块用于建立以从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值为输入,以要预测的未来时间段的电压质量指标值为输出的时间序列模型;
灰色模型建立模块用于建立以从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值为输入、以要预测的未来时间段的电压质量指标值为输出的灰色模型;
组合预测模型建立模块用于建立以时间序列模型预测的未来时间段的电压质量指标值和灰色模型预测的未来时间段的电压质量指标值为输入、以时间序列模型预测的未来时间段的电压质量指标值与灰色模型预测的未来时间段的电压质量指标值的加权之和为输出的组合预测模型;
BP神经网络模型建立模块用于建立以组合预测模型预测的未来时间段的电压质量指标值为输入、以组合预测模型预测的未来时间段的电压质量指标值的误差为输出的BP神经网络模型;
电压质量指标预测模块用于建立以组合预测模型预测的未来时间段的电压质量指标值和BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差为输入、以组合预测模型预测的未来时间段的电压质量指标值与BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差之和为输出的电压质量指标的未来趋势在线预测模型,并根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测,得到电压质量指标的预测结果;
电压质量指标预测结果显示及预警模块用于以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果,并根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时刻电压质量指标差的监测点,进行预警。
本实施方式中,提高电网电压质量的电压监测方法,其流程如图2所示,包括以下步骤:
步骤1:获取多个监测点的实时电压数据和电压统计数据;
实时电压数据包括5分钟实时电压数据;
电压统计数据包括监测点的电压日统计数据、电压月统计数据、电压季度统计数据、电压年度统计指标和各级部门的指标统计数据;
其中,电压月统计数据包括当月电压统计值、上月电压统计值、当月典型日时数据、上月典型日时数据、当月电各级部门的指标统计数据压可靠性数据、上月电压可靠性数据、当月停电统计值和上月停电统计值;电压年度统计指标包括电压年度合格率、电压年度超上限率和电压年度超下限率;各级部门的指标统计数据包括各级部门的日合格率统计数据、月合格率统计、季合格率统计和年合格率统计;各级部门包括变电站、供电所、子控区、县供电局和地区电力局;
步骤2:根据采集到的各个监测点的电压统计数据,对电压质量指标的历史情况进行分析,如图7所示;
步骤2-1:选择需要分析的监测点;
选择需要分析的监测点的方式包括选择单个监测点、选择多个监测点、一次选择线路所有相关监测点、一次选择变电站所有监测点和一次选择县供电局所有监测点。
步骤2-2:选择需要分析的电压质量指标,电压质量指标包括电压合格率、电压标准差和电压概率密度;
步骤2-3:选择年按季、年按月、季按月或月按日的分析方式,根据所选分析方式选择具体的历史时间段;
当分析方式为年按季时,历史时间段选择为年;当分析方式为年按月时,历史时间段选择为年;当分析方式为季按月时,历史时间段选择为年份和季度;当分析方式为月按日时,历史时间段选择为年份和月份。
步骤2-4:根据所选择的分析方式和历史时间段计算所选监测点在该历史时间段的电压质量指标值;
电压合格率=(1-电压超限时间/总运行统计时间)*100%;
当s为日电压标准差时,n为一天内采样点的数量,为日平均电压;当s为月电压标准差时,n为一月内的天数;为月平均电压;当s为年电压标准差时,n为12;为年平均电压;
电压密度偏差=∫(g(x)-h(x))dx,x表示电压值,g(x)为实际电压概率密度分布,h(x)为历史电压数据获得的期望电压分布。
步骤2-5:以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;
本实施方式以表格的形式显示所选监测点的电压标准差见表1:
表1所选监测点的电压质量指标值
时间 | 监测点编号 | 监测点名称 | 电压指标名称 | 电压指标值 | 评价 |
2011年1月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 2.32 | 较好 |
2011年2月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 2.66 | 较好 |
2011年3月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 2.01 | 较好 |
2011年4月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 2.16 | 较好 |
2011年5月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 2.07 | 较好 |
2011年6月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 2.41 | 较好 |
2011年7月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 2.12 | 较好 |
2011年8月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 3.22 | 一般 |
2011年9月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 0.96 | 较好 |
2011年10月 | 02010101010000001 | 1号LAN监测点 | 电压标准差 | 39.34 | 差 |
本实施方式以曲线的形式显示所选监测点的电压质量指标值如图3所示,该图中的曲线为2011年分月的电压标准差;以棒图的形式显示所选监测点的电压质量指标值如图4所示。
步骤2-6:根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警,以便电力人员对该监测点的电压质量异常情况进行诊断处理;
各等级电压标准差指标设定值为:好:[0,1);较好:[1,3);一般:[3,10);较差:[10,20);差[20,+∞)。
根据上述结果,可以非常清楚的看出监测点在2011年10月的电压标准差的指标极差,进行报警显示,指导电力人员对监测点在2011年10月电压质量情况进行排查,实现对电压质量的深入分析;
步骤3:根据当前采集到的各个监测点的实时电压数据,对电压质量指标的未来趋势进行在线预测,如图8所示;
步骤3-1:选择需要预测的监测点;
选择需要预测的监测点的方式包括选择单个监测点、选择多个监测点、一次选择线路所有相关监测点、一次选择变电站所有监测点和一次选择县供电局所有监测点。
步骤3-2:选择需要预测的电压质量指标;
步骤3-3:选择年按季、年按月、季按月或月按日的预测方式,根据选择的预测方式选择具体的未来时间段;
当预测方式为年按季时,预测结果所属的时间为本年度的剩余季度;当预测方式为年按月时,预测结果所属的时间为本年度的剩余月份;当预测方式为季按月时,预测结果所属的时间为本季度的剩余月份;当预测方式为月按日时,预测结果所属的时间为本月的剩余天数;
步骤3-4:当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;
数据补充采用的方法是三次样条插值算法,三次样条插值函数S(x)∈C2[a,b],a=x0<x1<...<xn=b,yj=f(xj),S(x)在每个小区间[xj,xj+1]上是三次多项式:Sj(x)=ajx3+bjx2+cjx+djj=0,1,...,n-1
其中aj,bj,cj,dj待定,并使其满足:
S(xj)=yjj=0,1,...,n
其中xj表示区间[a,b]中的第j个节点,yj表示节点xj对应的函数值,S(xj)表示三次样条插值函数在节点xj对应的函数值,表示S(x)在节点xj的极限值,表示S(x)在节点xj一阶导数的极限值,表示S(x)在节点xj二阶导数的极限值,S'(xj)表示S(x)在节点xj一阶导数,S”(xj)表示S(x)在节点xj二阶导数。
步骤3-5:建立电压质量指标的未来趋势在线预测模型,该模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,该模型的输出为要预测的未来时间段的电压质量指标值,如图9所示;
步骤3-5-1:建立时间序列模型,时间序列模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,时间序列模型输出为要预测的未来时间段的电压质量指标值;
本实施方式中,时间序列模型采用ARIMA(p,d,q)模型,其中p,d,q分别表示自回归模型的阶数、差分阶数和移动平均模型的阶数。用数学模型来近似描述这个序列,它的表示形式为:
其中,Xt为未知变量,为滞后算子,aj表示自回归模型参数系数,bj表示移动平均模型参数,εt表示独立同分布的随机变量序列。
步骤3-5-2:建立灰色模型,灰色模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,灰色模型输出即为要预测的未来时间段的电压质量指标值;
(1)由原始电压质量指标值序列X(0)=[x(0)(1),x(0)(2),...,x(0)(n)]得到X(1)=[x(1)(1),x(1)(2),...,x(1)(n)],其中x(0)(i)>0(i=1,2,...,n)表示电压质量指标值;
(2)构造累加矩阵B与常数项向量Yn,即
(3)用最小二乘法求解灰色参数:
(4)GM(1,1)模型对应的白化微分方程为:
(5)将灰色参数代入时间相应函数: 累加还原得到
(6)对 还原求导得到预测方程:
步骤3-5-3:建立组合预测模型,组合预测模型的输入包括时间序列模型预测的未来时间段的电压质量指标值和灰色模型预测的未来时间段的电压质量指标值,组合预测模型的输出为时间序列模型预测的未来时间段的电压质量指标值与灰色模型预测的未来时间段的电压质量指标值的加权之和,即组合预测模型预测的未来时间段的电压质量指标值;
组合预测模型:
其中t=1,2,...,n,第t期的电压质量指标实际观测值为xt,w1为时间序列模型的权系数,w2为灰色模型的权系数,为第t期时间序列模型的电压质量指标预测值,为第t期灰色模型的电压质量指标预测值。权系数的确定按如下方法:
式中,ej为第j个模型(j=1表示时间序列模型,j=2表示灰色模型)的误差均方差,即
步骤3-5-4:建立BP神经网络模型,BP神经网络模型的输入为组合预测模型预测的未来时间段的电压质量指标值,BP神经网络模型的输出为组合预测模型预测的未来时间段的电压质量指标值的误差;
(1)确定网络层数:采用单隐层的三层网络;
(2)确定网络各层神经元的个数:选择输入层神经元数为4,输出层神经元数为1,设定隐含层的初始节点数为2;
(3)样本选择与数据预处理:将获取的电压质量指标数据进行分组,一组电压质量指标数据用来构成训练样本,另一组电压质量指标数据则组成检验样本,为了避免数据间因数量级差别较大而造成网络预测误差较大,需要对输入电压质量指标样本数据进行归一化处理:其中Xt为原始样本数据,Xmax,Xmin分别为原始变量Xt中的最大值及最小值;St为Xt变换后的值;
模型训练:取隐含层激励函数为对数S型函数,输出层激励函数为纯线性函数,选取训练函数为动量梯度下降与自适应学习速率训练函数,学习函数为动量梯度下降学习函数。用训练样本按照神经网络算法的步骤,对网络进行反复训练,直到网络收敛于一定的标准。否则,重复改变网络的初始权值,甚至网络的拓扑结构,直至训练结果满意为止,即得到组合预测模型预测的未来时间段的电压质量指标值的误差。
步骤3-5-5:建立电压质量指标的未来趋势在线预测模型,该模型的输入包括组合预测模型预测的未来时间段的电压质量指标值和BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差,在线预测模型的输出为组合预测模型预测的未来时间段的电压质量指标值与BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差之和,即电压质量指标的预测结果。
以加权组合预测模型对电压质量指标样本数据进行预测,并求出电压质量指标预测值和电压质量指标预测误差e,用神经网络模型求出电压质量指标预测偏差e的预测值得到最终电压质量指标预测结果。
步骤3-6:根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测;
步骤3-7:以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果;
本实施方式以表格的形式显示所选监测点的电压合格率见表2:
表2所选监测点的电压合格率
时间 | 监测点编号 | 监测点名称 | 电压指标名称 | 电压指标值 | 评价 |
2011年1月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 96.88% | 一般 |
2011年2月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 96.78% | 一般 |
2011年3月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 97.08% | 一般 |
2011年4月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 97.98% | 一般 |
2011年5月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 96.58% | 一般 |
2011年6月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 97.98% | 一般 |
2011年7月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 97.98% | 一般 |
2011年8月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 96.58% | 一般 |
2011年9月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 94.62% | 一般 |
2011年10月 | 02010101010000002 | 2号LAN监测点 | 电压合格率 | 98.47% | 较好 |
2011年1月 | 02010101010000004 | 4号LAN监测点 | 电压合格率 | 97.08% | 一般 |
2011年2月 | 02010101010000004 | 4号LAN监测点 | 电压合格率 | 96.88% | 一般 |
2011年3月 | 02010101010000004 | 4号LAN监测点 | 电压合格率 | 96.78% | 一般 |
2011年4月 | 02010101010000004 | 4号LAN监测点 | 电压合格率 | 96.58% | 一般 |
2011年5月 | 02010101010000004 | 4号LAN监测点 | 电压合格率 | 96.58% | 一般 |
2011年6月 | 02010101010000004 | 4号LAN监测点 | 电压合格率 | 97.98% | 一般 |
2011年8月 | 02010101010000004 | 4号LAN监测点 | 电压合格率 | 70.56% | 差 |
步骤3-8:根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时刻电压质量指标差的监测点,进行预警,以便电力人员对存在电压质量隐患问题的监测点进行提前处理。
各等级压合格率指标设定值为:好:(99.5%,100%];较好:(98.0%,99.5%];一般:(90.0%,98.0%];较差:(80.0%,90.0%];差(0,90.0%]。
根据上述显示结果,可以非常清楚的看出4号LAN监测点在2011年8月的电压合格率的指标极差,进行预警显示,指导电力人员对4号LAN监测点的电压质量情况进行提前排查,提高了电网电压质量监控的有效程度。
Claims (9)
1.一种提高电网电压质量的电压监测方法,其特征在于,包括以下步骤:
步骤1:获取多个监测点的实时电压数据和电压统计数据;
所述电压统计数据包括监测点的电压日统计数据、电压月统计数据、电压季度统计数据、电压年度统计指标和各级部门的指标统计数据;
其中,电压月统计数据包括当月电压统计值、上月电压统计值、当月典型日时数据、上月典型日时数据、当月电压可靠性数据、上月电压可靠性数据、当月停电统计值和上月停电统计值;电压年度统计指标包括电压年度合格率、电压年度超上限率和电压年度超下限率;各级部门的指标统计数据包括各级部门的日合格率统计数据、月合格率统计、季合格率统计和年合格率统计;
步骤2:根据采集到的各个监测点的电压统计数据,对电压质量指标的历史情况进行分析;
步骤2-1:选择需要分析的监测点;
步骤2-2:选择需要分析的电压质量指标,电压质量指标包括电压合格率、电压标准差和电压概率密度;
步骤2-3:选择年按季、年按月、季按月或月按日的分析方式,根据所选分析方式选择具体的历史时间段;
步骤2-4:根据所选择的分析方式和历史时间段计算所选监测点在该历史时间段的电压质量指标值;
步骤2-5:以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;
步骤2-6:根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警,以便电力人员对该监测点的电压质量异常情况进行诊断处理;
步骤3:根据当前采集到的各个监测点的实时电压数据,对电压质量指标的未来趋势进行在线预测;
步骤3-1:选择需要预测的监测点;
步骤3-2:选择需要预测的电压质量指标;
步骤3-3:选择年按季、年按月、季按月或月按日的预测方式,根据选择的预测方式选择具体的未来时间段;
步骤3-4:当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;
步骤3-5:建立电压质量指标的未来趋势在线预测模型,该模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,该模型的输出为要预测的未来时间段的电压质量指标值;
步骤3-6:根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测;
步骤3-7:以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果;
步骤3-8:根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时刻电压质量指标差的监测点,进行预警,以便电力人员对存在电压质量隐患问题的监测点进行提前处理。
2.根据权利要求1所述的提高电网电压质量的电压监测方法,其特征在于:步骤3-5中的建立电压质量指标的未来趋势在线预测模型按如下步骤进行:
步骤3-5-1:建立时间序列模型,时间序列模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,时间序列模型输出为要预测的未来时间段的电压质量指标值;时间序列模型采用ARIMA(p,d,q)模型,其中p,d,q分别表示自回归模型的阶数、差分阶数和移动平均模型的阶数;
步骤3-5-2:建立灰色模型,灰色模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,灰色模型输出即为要预测的未来时间段的电压质量指标值;灰色模型采用GM(1,1)模型;
步骤3-5-3:建立组合预测模型,组合预测模型的输入包括时间序列模型预测的未来时间段的电压质量指标值和灰色模型预测的未来时间段的电压质量指标值,组合预测模型的输出为时间序列模型预测的未来时间段的电压质量指标值与灰色模型预测的未来时间段的电压质量指标值的加权之和,即组合预测模型预测的未来时间段的电压质量指标值;
步骤3-5-4:建立BP神经网络模型,BP神经网络模型的输入为组合预测模型预测的未来时间段的电压质量指标值,BP神经网络模型的输出为组合预测模型预测的未来时间段的电压质量指标值的误差;
步骤3-5-5:建立电压质量指标的未来趋势在线预测模型,该模型的输入包括组合预测模型预测的未来时间段的电压质量指标值和BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差,在线预测模型的输出为组合预测模型预测的未来时间段的电压质量指标值与BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差之和,即电压质量指标的预测结果。
3.根据权利要求1所述的提高电网电压质量的电压监测方法,其特征在于:步骤2-1所述的选择需要分析的监测点和步骤3-1所述的选择需要预测的监测点均包括选择单个监测点、选择多个监测点、一次选择线路所有相关监测点、一次选择变电站所有监测点和一次选择县供电局所有监测点。
4.根据权利要求1所述的提高电网电压质量的电压监测方法,其特征在于:步骤2-3中所述的根据所选分析方式选择具体的历史时间段,当分析方式为年按季时,历史时间段选择为年;当分析方式为年按月时,历史时间段选择为年;当分析方式为季按月时,历史时间段选择为年份和季度;当分析方式为月按日时,历史时间段选择为年份和月份。
5.根据权利要求1所述的提高电网电压质量的电压监测方法,其特征在于:步骤3-3中所述的根据选择的预测方式选择具体的未来时间段,当预测方式为年按季时,预测结果所属的时间为本年度的剩余季度;当预测方式为年按月时,预测结果所属的时间为本年度的剩余月份;当预测方式为季按月时,预测结果所属的时间为本季度的剩余月份;当预测方式为月按日时,预测结果所属的时间为本月的剩余天数。
6.根据权利要求1所述的提高电网电压质量的电压监测方法,其特征在于:步骤3-4所述的对缺失的电压质量指标数据进行补充采用三次样条插值方法。
7.实现权利要求1所述的提高电网电压质量的监测方法的电网电压质量监测***,其特征在于:包括数据获取单元、历史时间段电压质量指标分析单元、未来时间段电压质量指标预测单元和数据存储单元;
数据获取单元用于获取监测点的实时电压数据和电压统计数据;
历史时间段电压质量指标分析单元用于根据数据获取单元获取的各个监测点的统计数据,对电压质量指标的历史情况进行分析,包括:选择需要分析的监测点和需要分析的电压质量指标;选择年按季、年按月、季按月或月按日的分析方式并根据所选分析方式选择具体的历史时间段;根据所选择的分析方式和历史时间段计算所选监测点在该历史时间段的电压质量指标值;以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警;
未来时间段电压质量指标预测单元用于根据当前获取的各个监测点的实时电压数据,对电压质量指标的未来趋势进行在线预测,包括:选择需要预测的监测点和需要预测的电压质量指标;选择年按季、年按月、季按月或月按日的预测方式并根据选择的预测方式选择具体的未来时间段;当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;建立电压质量指标的未来趋势在线预测模型,该模型的输入为从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值,该模型的输出为要预测的未来时间段的电压质量指标值;根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测;以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果;根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时间段电压质量指标差的监测点,进行预警;
数据存储单元用于存储监测点的实时电压数据和电压统计数据、电压质量指标的未来趋势在线预测模型参数、监测点在各个历史时间段的各项电压质量指标值和监测点在未来时间段的电压质量指标预测值。
8.根据权利要求7所述的电网电压质量监测***,其特征在于:所述历史时间段电压质量指标分析单元包括历史时间段电压质量指标值计算模块和历史时间段电压质量指标分析显示及报警模块;
历史时间段电压质量指标值计算模块用于选择需要分析的监测点、需要分析的电压质量指标和分析方式,根据所选分析方式选择具体的历史时间段,进而计算所选监测点在该历史时间段的电压质量指标值;
历史时间段电压质量指标分析显示及报警模块用于以表格、曲线和棒图的形式显示所选监测点的电压质量指标值;根据所选监测点的电压质量指标值、各等级电压质量指标设定值,确定电压质量指标差的监测点,进行报警。
9.根据权利要求7所述的电网电压质量监测***,其特征在于:所述未来时间段电压质量指标预测单元包括监测点历史数据补充模块、时间序列模型建立模块、灰色模型建立模块、组合预测模型建立模块、BP神经网络模型建立模块、电压质量指标预测模块、电压质量指标预测结果显示及预警模块;
监测点历史数据补充模块用于选择需要预测的监测点、需要预测的电压质量指标和预测方式,根据选择的预测方式选择具体的未来时间段,当所选监测点在历史时间段内的电压质量指标数据存在缺失时,则对缺失的电压质量指标数据进行补充;
时间序列模型建立模块用于建立以从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值为输入,以要预测的未来时间段的电压质量指标值为输出的时间序列模型;时间序列模型采用ARIMA(p,d,q)模型,其中p,d,q分别表示自回归模型的阶数、差分阶数和移动平均模型的阶数;
灰色模型建立模块用于建立以从当前时刻至某个历史时刻的这段时间范围内的电压质量指标值为输入、以要预测的未来时间段的电压质量指标值为输出的灰色模型;灰色模型采用GM(1,1)模型;
组合预测模型建立模块用于建立以时间序列模型预测的未来时间段的电压质量指标值和灰色模型预测的未来时间段的电压质量指标值为输入、以时间序列模型预测的未来时间段的电压质量指标值与灰色模型预测的未来时间段的电压质量指标值的加权之和为输出的组合预测模型;
BP神经网络模型建立模块用于建立以组合预测模型预测的未来时间段的电压质量指标值为输入、以组合预测模型预测的未来时间段的电压质量指标值的误差为输出的BP神经网络模型;
电压质量指标预测模块用于建立以组合预测模型预测的未来时间段的电压质量指标值和BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差为输入、以组合预测模型预测的未来时间段的电压质量指标值与BP神经网络模型输出的组合预测模型预测的未来时间段的电压质量指标值的误差之和为输出的电压质量指标的未来趋势在线预测模型,并根据建立的电压质量指标的未来趋势在线预测模型对所选监测点的电压质量指标的未来趋势进行预测,得到电压质量指标的预测结果;
电压质量指标预测结果显示及预警模块用于以表格、曲线和棒图的形式显示所选监测点的电压质量指标未来趋势的在线预测结果,并根据所选监测点的电压质量指标未来趋势的在线预测结果、各等级电压质量指标设定值,确定未来时刻电压质量指标差的监测点,进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410273793.4A CN104037943B (zh) | 2014-06-18 | 2014-06-18 | 一种提高电网电压质量的电压监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410273793.4A CN104037943B (zh) | 2014-06-18 | 2014-06-18 | 一种提高电网电压质量的电压监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104037943A CN104037943A (zh) | 2014-09-10 |
CN104037943B true CN104037943B (zh) | 2016-05-25 |
Family
ID=51468598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410273793.4A Active CN104037943B (zh) | 2014-06-18 | 2014-06-18 | 一种提高电网电压质量的电压监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104037943B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104242453A (zh) * | 2014-09-23 | 2014-12-24 | 北京科东电力控制***有限责任公司 | 一种用于主电网母线的电压告警方法 |
CN104376383A (zh) * | 2014-11-27 | 2015-02-25 | 东北大学 | 一种基于地理信息***的电网电压监视与预测***及方法 |
CN104618133B (zh) * | 2014-12-18 | 2017-11-10 | 东北大学 | 一种电网电压质量监测数据采集方法及*** |
CN104899457B (zh) * | 2015-06-15 | 2017-07-25 | 西北工业大学 | 基于改进无偏gm(1,1)模型的卫星数据预测方法 |
CN105044518B (zh) * | 2015-08-06 | 2018-05-22 | 江苏省电力公司苏州供电公司 | 应用于电压监测中的自动适应门限确定方法 |
CN106533730B (zh) * | 2015-09-15 | 2020-07-31 | 南京中兴软件有限责任公司 | Hadoop集群组件指标的采集方法及装置 |
CN107273718A (zh) * | 2017-06-27 | 2017-10-20 | 电子科技大学 | 一种融合dna甲基化特征的生存时间分析方法 |
CN108280776A (zh) * | 2018-03-27 | 2018-07-13 | 国网江西省电力有限公司信息通信分公司 | 一种移动电能互联网构建及数据检验方法 |
CN109002998A (zh) * | 2018-08-01 | 2018-12-14 | 国网浙江省电力有限公司台州供电公司 | 电力运营指标预警分析方法 |
CN111950918B (zh) * | 2020-08-19 | 2024-04-12 | 江苏电力交易中心有限公司 | 一种基于电力交易数据的市场风险评估方法 |
CN112070302A (zh) * | 2020-09-08 | 2020-12-11 | 北京中宸泓昌科技有限公司 | 一种电网用电安全的预警方法及*** |
CN112258057A (zh) * | 2020-10-27 | 2021-01-22 | 国网山东省电力公司昌邑市供电公司 | 一种可提高农村电压合格率的分析*** |
CN113629720B (zh) * | 2021-08-27 | 2023-08-04 | 广东电网有限责任公司 | 一种配网全自动末端用户电压质量提升装置 |
CN113805761B (zh) * | 2021-09-28 | 2022-04-15 | 中国矿业大学 | 物联网设备支撑下的智能电网数据分析与可视化 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235981A (zh) * | 2013-04-10 | 2013-08-07 | 东南大学 | 一种风电电能质量趋势预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4585472B2 (ja) * | 2006-03-08 | 2010-11-24 | 中国電力株式会社 | 電力品質監視装置 |
-
2014
- 2014-06-18 CN CN201410273793.4A patent/CN104037943B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235981A (zh) * | 2013-04-10 | 2013-08-07 | 东南大学 | 一种风电电能质量趋势预测方法 |
Non-Patent Citations (1)
Title |
---|
"基于GIS的电压质量监控***的设计与开发";徐泉等;《控制工程》;20130131;第20卷(第1期);第192-196页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104037943A (zh) | 2014-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104037943B (zh) | 一种提高电网电压质量的电压监测方法及*** | |
CN109783916B (zh) | 一种基于仿真技术的空气压缩机群组优化调度决策方法 | |
He et al. | Forecasting China's total energy demand and its structure using ADL-MIDAS model | |
CN103400209B (zh) | 配电网检修实施方案优化方法 | |
Xiao et al. | A hybrid model based on data preprocessing for electrical power forecasting | |
CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN106779277B (zh) | 一种配电网网损的分类评估方法及装置 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN103617371A (zh) | 一种基于灰色理论的电能质量综合评估方法 | |
CN103761690A (zh) | 基于电网***中电压无功控制***的评估方法 | |
CN105913175A (zh) | 基于改进神经网络算法的智能电网短期负荷预测方法 | |
CN103426120A (zh) | 基于可靠性的中低压配电网的综合评估方法 | |
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN103996147A (zh) | 配电网综合评估方法 | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN103985000A (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN103530700B (zh) | 城区配电网饱和负荷综合预测方法 | |
CN109447332A (zh) | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 | |
CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
CN110059913A (zh) | 一种计及未来态的停电计划的量化评估方法 | |
CN105225021A (zh) | 配电网待建项目的优化选择方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN104218571A (zh) | 一种风力发电设备的运行状态评估方法 | |
Yılmaz | Real measure of a transmission line data with load fore-cast model for the future |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |