CN106127347A - 考虑负荷电压特性的地区电网事故负荷损失预估方法 - Google Patents
考虑负荷电压特性的地区电网事故负荷损失预估方法 Download PDFInfo
- Publication number
- CN106127347A CN106127347A CN201610495684.6A CN201610495684A CN106127347A CN 106127347 A CN106127347 A CN 106127347A CN 201610495684 A CN201610495684 A CN 201610495684A CN 106127347 A CN106127347 A CN 106127347A
- Authority
- CN
- China
- Prior art keywords
- load
- voltage
- power grid
- load loss
- degree
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 23
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 241001062472 Stokellia anisodon Species 0.000 claims description 3
- 239000000567 combustion gas Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000013277 forecasting method Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000003670 easy-to-clean Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑负荷电压特性的地区电网事故负荷损失预估方法,包括:根据用户的用电性质以及用电装置类型对地区电网进行负荷分类;对地区用电用户的相关数据进行预处理,得到携带单一负荷类型的线路;对携带各种单一负荷类型的线路进行分析,得到电压降落程度及故障持续时间与负荷损失程度的定性关系;以电压降落程度ΔU和故障持续时间ΔT为变量,对各种拟合模型进行分析,选取其中R平方值最大的模型作为非线性拟合模型,最终得到以负荷损失ΔP为因变量,以电压降落程度ΔU和故障持续时间ΔT为自变量的非线性函数关系,以此预测地区电网的负荷损失。该地区电网负荷损失预测方法简单易行,可有效预测不同故障情况下电网负荷损失情况,具备较大实用价值。
Description
技术领域
本发明涉及电力***事故后负荷损失分析的技术领域,特别涉及一种考虑负荷电压特性的地区电网事故负荷损失预估方法。
背景技术
电能是当今生活中经济实用、清洁方便的能源。随着科技的日异月新和社会的快速发展,全世界所需的用电量不断上涨,尤其是制造与生产过程中的电气化程度越来越高,各种新兴制造方法、新兴科技及对电源的特性的变化十分灵敏的高端装置大量投入到制造中,用户对电能质量的渴望达到了新的高度。与此同时,许多新投入的半导体装置和电力电子装置又给电力***带来了许多电能质量的危害。随着社会的不断进步,发电与输、配电体制的分离,电力行业市场化的局面将要逐步形成,电能将作为一种特殊的商品将按质与量论价。因此,解决供配电***中存在电能质量的问题、最大可能地满足消费者对电量与电力品质的需求,已成为当前十分重要的一步。
上世纪八十年代以后,伴随高科技灵敏电力电子装置的大范围被采用以及新兴用电设施的高速更新换代,动态电能质量等问题愈发受到重视,其中最显著、后果比较严重的其中一个问题就是电压暂降,目前亟待提出一种可以有效预测在电网发生故障时各个受影响节点切除负荷的容量的方法。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种考虑负荷电压特性的地区电网事故负荷损失预估方法,通过负荷分类、数据筛选、回归建模等一系列步骤来建立负荷损失预测模型,该模型对于保障供电稳定、保护用户装置、降低故障给用户带来的经济损失、配置继电保护、提高电网稳定性可以提 供至关重要的参照依据。
本发明的目的通过下述技术方案实现:
一种考虑负荷电压特性的地区电网事故负荷损失预估方法,所述方法包含以下步骤:
S1、根据用户的用电性质以及用电装置类型对地区电网进行负荷分类;
S2、对地区用电用户的相关数据进行预处理,得到携带单一负荷类型的线路;
S3、对携带各种单一负荷类型的线路进行分析,得到电压降落程度及故障持续时间与负荷损失程度的定性关系;
S4、以电压降落程度ΔU和故障持续时间ΔT为变量,对各种拟合模型进行分析,选取其中R平方值最大的模型作为非线性拟合模型,最终得到以负荷损失ΔP为因变量,以电压降落程度ΔU和故障持续时间ΔT为自变量的非线性函数关系。
进一步地,所述步骤S1具体包括以下分步骤:
S11、针对目标估算地区,根据已有数据统计该地区所包含的行业种类及各行业所使用的典型用电装置;
S12、采用查表法,得到各典型用电装置的对电压敏感程度,并且将各用电装置归入事先设定的负荷分类中。
进一步地,所述负荷分类包括:1)电力、热力、燃气及水生产和供应业;2)数据中心;3)医院;4)建筑施工业;5)精密制造业;6)交通运输业;7)通信行业;8)化工产业;9)农业;10)学校单位住宅普通用电;11)轻工制造业;12)金属冶炼。
进一步地,所述步骤S2具体为:
通过整理用电用户的数据,排除掉包含两种及以上的负荷类型的线路,仅保留携带单一负荷类型的线路。
进一步地,所述步骤S3具体包含以下分步骤:
S31、根据事故发生时故障点的电压跌落情况、事故持续时间、过渡阻抗数据,带入潮流计算网络,计算出故障发生时电网中各节点线路的电压跌落情况,统计每条线路在每次事故中的电压跌落水平ΔU、故障跌落时间ΔT以及 对应的负荷损失ΔP;
S32、寻找至少在5次事故中出现电压暂降的线路,并按故障日期进行分类;
S33、读取数据,绘制步骤S32中每条线路的ΔU-ΔP以及ΔT-ΔP散点图和拟合曲线图,寻找其中的拟合规律;
S34、选取在步骤S33中拟合特征良好的数据,进行回归分析,得到电压降落程度ΔU和故障持续时间ΔT与负荷损失ΔP的定性关系。
进一步地,所述步骤S4具体包含以下分步骤:
S41、采用回归分析工具SPSS,对各种非线性模型下ΔU-ΔP、ΔT-ΔP的关系进行分析,并选取R平方值最大的非线性模型作为目标模型;
S42、采用步骤S41所获得的对应模型下ΔU和ΔT的参数作为初始参数,输入到非线性回归分析中,采用序列二次编程法,最终得到以ΔP为因变量,以ΔU与ΔT为自变量非线性函数关系,以此预测故障发生时地区电网的负荷损失。
进一步地,所述步骤S4中R平方值定义如下:
R平方值为回归平方和占总平方和的比例,其中回归平方和的计算表达式为:其中表示根据回归预测得到的值;表示样本的平均数,定义为:总平方和的计算表达式为:
本发明相对于现有技术具有如下的优点及效果:
本发明具有简单易行的优点,能够在供电企业掌握的故障数据有限的条件下较好的拟合出该地区电网负荷损失与电压降落程度以及故障持续时间的关系,从而有效预测下次事故发生时负荷损失量,并且该方法计算的准确程度随着供电企业所掌握的数据量的增加而不断提高,能够越来越精准的对电网的事故后负荷损失实行预测。
附图说明
图1是本发明中公开的考虑负荷电压特性的地区电网事故负荷损失预估方法的流程步骤图;
图2是电压降落程度ΔU与负荷损失量ΔP的散点图;
图3是电压降落程度ΔU与负荷损失量ΔP的拟合曲线图;
图4是故障持续时间ΔT与负荷损失量ΔP的散点图;
图5是故障持续时间ΔT与负荷损失量ΔP的拟合曲线图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
请参见图1,图1是本实施例中公开的考虑负荷电压特性的地区电网事故负荷损失预估方法的流程步骤图。图1所示的考虑负荷电压特性的地区电网事故负荷损失预估方法,具体包括如下步骤:
S1、根据用户的用电性质以及用电装置类型对地区电网进行负荷分类;
S2、对地区用电用户的相关数据进行预处理,得到携带单一负荷类型的线路;
S3、对携带各种单一负荷类型的线路进行分析,得到电压降落程度及故障持续时间与负荷损失程度的定性关系;
S4、以电压降落程度ΔU和故障持续时间ΔT为变量,对各种拟合模型进行分析,选取其中R平方值最大的模型作为非线性拟合模型,最终得到以负荷损失ΔP为因变量,以电压降落程度ΔU和故障持续时间ΔT为自变量的非线性函数关系。
其中,所述步骤S4中R平方值定义如下:
R平方值为回归平方和占总平方和的比例,其中回归平方和的计算表达式为:其中表示根据回归预测得到的值;表示样本的平均数,定义为:总平方和的计算表达式为:
具体应用中,步骤S1、根据用户的用电性质以及用电装置类型对地区电网进行负荷分类,包含以下步骤:
S11、针对目标地区,根据相关数据统计该地区所包含的行业种类及各行业所使用的典型用电装置;
S12、采用查表法,得到各典型用电装置的对电压敏感程度,并且将各用电装置归入本发明所总结的12种负荷分类中。负荷分类如下表所示:
表1.负荷分类
编号 | 行业 |
1 | 电力、热力、燃气及水生产和供应业 |
2 | 数据中心 |
3 | 医院 |
4 | 建筑施工业 |
5 | 精密制造业 |
6 | 交通运输业 |
7 | 通信行业 |
8 | 化工产业 |
9 | 农业 |
10 | 学校单位住宅普通用电 |
11 | 轻工制造业 |
12 | 金属冶炼 |
具体应用中,所述步骤S2具体为:对地区用电用户的相关数据进行预处理,排除掉包含两种及以上的负荷类型的线路,仅保留携带单一负荷类型的线路。
整理得到的对应某地区的负荷分类以及相关线路数目如下表2所示:
表2.各类负荷线路数
具体应用中,所述步骤S3、对携带各种单一负荷类型的线路进行分析,得到电压降落程度及故障持续时间与负荷损失程度的定性关系。根据步骤S2统计得到的结果,可以看到学校单位住宅普通用电型负荷所包含的线路数目最多,为了保证结果的准确性,本发明进一步对包含该类型负荷的线路进行分析。包含以下步骤:
S31、根据事故发生时故障点的电压跌落情况、事故持续时间、过渡阻抗等数据,带入潮流计算网络,计算出故障发生时电网中各节点线路的电压跌落情况。统计每条线路在每次故障中的电压跌落水平ΔU、故障跌落时间ΔT以及对应的负荷损失ΔP;
S32、寻找至少在5次事故中出现电压暂降的线路,并按故障日期进行分类;
S33、通过MATLAB读取数据,绘制步骤S32中每条线路的ΔU-ΔP以及ΔT-ΔP散点图和拟合曲线,寻找其中的拟合规律;
通过数据处理,得到ΔU-ΔP的散点图和拟合曲线如图2、图3所示;而ΔT-ΔP的散点图和拟合曲线如图4、图5所示。
S34、选取在步骤S33中拟合特征良好的数据,进行回归分析,得到电压降落程度ΔU和故障持续时间ΔT与负荷损失ΔP的定性关系。
表3.ΔU回归分析
由上表可以看出,ΔU的标准化回归系数为0.563。根据回归分析理论,标准化回归系数越大,该自变量的影响越大,可以得出结论,ΔU和ΔP呈现显著的正相关关系。
同理,可以得到ΔT和ΔP的关系如下表所示:
表4ΔT回归分析
根据表4可以看出,ΔT与ΔP亦呈现显著的正相关关系。
具体应用中,步骤S4、拟合得到负荷损失ΔP与电压降落程度ΔU和故障持续时间ΔT的非线性关系,包含以下步骤:
S41、采用回归分析工具SPSS,对各种非线性模型下ΔU和ΔT与ΔP的关系进行分析,并选取R平方值最大的非线性模型作为目标模型;
分别对对数模型、二次曲线模型、次方模型、指数模型进行模型总计及参数评估,得到结果如下表所示:
表5.变量ΔU的模型总计
表6.变量ΔT的模型总计
由上表可以看出,二次曲线的R平方值最大,故应采用二次曲线模型进行拟合。
S42、采用S41所获得的对应模型下ΔU和ΔT的参数作为初始参数,输入到非线性回归分析中,采用序列二次编程法,最终得到ΔP和ΔU与ΔT的非线性函数关系,以此预测故障发生时地区电网的负荷损失
在序列编程法中,设置步长为2,迭代次数设置为200,迭代历程如下所示:
表7.迭代结果
注:在“迭代次数”列中,主要迭代次数在小数点左侧,次要迭代次数在小数点右侧.
迭代15次后停止,得到最适合的解决方案,根据表中结果可以得到非线性回归的表达式,如下所示:
ΔP=0.233ΔU-0.428ΔU2-4.272ΔT+46.41ΔT2+0.11
由此就得到了第10类负荷类型的线路中事故后负荷损失ΔP和ΔU与ΔT的关系,其余类型的负荷根据步骤S3-S5同样可以得到类似的关系。最终,全部12种负荷类型的关系加起来就可以得到总的表达式。
综上所述,本发明提供一种考虑负荷电压特性的地区电网事故负荷损失预估方法,通过负荷分类、数据筛选、回归建模等一系列步骤来建立负荷损失预测模型,该模型对于保障供电稳定、保护用户装置、降低故障给用户带来的经济损失、配置继电保护、提高电网稳定性可以提供至关重要的参照依据。本发明方法具有简单易行的优点,能够在供电企业掌握的故障数据有限的条件下较好的拟合出该地区电网负荷损失与电压降落程度以及故障持续时间的关系,从 而有效预测下次事故发生时负荷损失量,并且该方法计算的准确程度随着供电企业所掌握的数据量的增加而不断提高,能够越来越精准的对电网的事故后负荷损失实行预测。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种考虑负荷电压特性的地区电网事故负荷损失预估方法,其特征在于,所述方法包含以下步骤:
S1、根据用户的用电性质以及用电装置类型对地区电网进行负荷分类;
S2、对地区用电用户的相关数据进行预处理,得到携带单一负荷类型的线路;
S3、对携带各种单一负荷类型的线路进行分析,得到电压降落程度及故障持续时间与负荷损失程度的定性关系;
S4、以电压降落程度ΔU和故障持续时间ΔT为变量,对各种拟合模型进行分析,选取其中R平方值最大的模型作为非线性拟合模型,最终得到以负荷损失ΔP为因变量,以电压降落程度ΔU和故障持续时间ΔT为自变量的非线性函数关系。
2.根据权利要求1所述的考虑负荷电压特性的地区电网事故负荷损失预估方法,其特征在于,所述步骤S1具体包括以下分步骤:
S11、针对目标估算地区,根据已有数据统计该地区所包含的行业种类及各行业所使用的典型用电装置;
S12、采用查表法,得到各典型用电装置的对电压敏感程度,并且将各用电装置归入事先设定的负荷分类中。
3.根据权利要求2所述的考虑负荷电压特性的地区电网事故负荷损失预估方法,其特征在于,所述负荷分类包括:1)电力、热力、燃气及水生产和供应业;2)数据中心;3)医院;4)建筑施工业;5)精密制造业;6)交通运输业;7)通信行业;8)化工产业;9)农业;10)学校单位住宅普通用电;11)轻工制造业;12)金属冶炼。
4.根据权利要求1所述的考虑负荷电压特性的地区电网事故负荷损失预估方法,其特征在于,所述步骤S2具体为:
通过整理用电用户的数据,排除掉包含两种及以上的负荷类型的线路,仅保留携带单一负荷类型的线路。
5.根据权利要求1所述的考虑负荷电压特性的地区电网事故负荷损失预估方法,其特征在于,所述步骤S3具体包含以下分步骤:
S31、根据事故发生时故障点的电压跌落情况、事故持续时间、过渡阻抗数据,带入潮流计算网络,计算出故障发生时电网中各节点线路的电压跌落情况,统计每条线路在每次事故中的电压跌落水平ΔU、故障跌落时间ΔT以及对应的负荷损失ΔP;
S32、寻找至少在5次事故中出现电压暂降的线路,并按故障日期进行分类;
S33、读取数据,绘制步骤S32中每条线路的ΔU-ΔP以及ΔT-ΔP散点图和拟合曲线图,寻找其中的拟合规律;
S34、选取在步骤S33中拟合特征良好的数据,进行回归分析,得到电压降落程度ΔU和故障持续时间ΔT与负荷损失ΔP的定性关系。
6.根据权利要求1所述的考虑负荷电压特性的地区电网事故负荷损失预估方法,其特征在于,所述步骤S4具体包含以下分步骤:
S41、采用回归分析工具SPSS,对各种非线性模型下ΔU-ΔP、ΔT-ΔP的关系进行分析,并选取R平方值最大的非线性模型作为目标模型;
S42、采用步骤S41所获得的对应模型下ΔU和ΔT的参数作为初始参数,输入到非线性回归分析中,采用序列二次编程法,最终得到以ΔP为因变量,以ΔU与ΔT为自变量非线性函数关系,以此预测故障发生时地区电网的负荷损失。
7.根据权利要求1所述的考虑负荷电压特性的地区电网事故负荷损失预估方法,其特征在于,所述步骤S4中R平方值定义如下:
所述R平方值为回归平方和占总平方和的比例,其中回归平方和的计算表达式为:其中表示根据回归预测得到的值;表示样本的平均数,定义为:总平方和的计算表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610495684.6A CN106127347A (zh) | 2016-06-27 | 2016-06-27 | 考虑负荷电压特性的地区电网事故负荷损失预估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610495684.6A CN106127347A (zh) | 2016-06-27 | 2016-06-27 | 考虑负荷电压特性的地区电网事故负荷损失预估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106127347A true CN106127347A (zh) | 2016-11-16 |
Family
ID=57285644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610495684.6A Pending CN106127347A (zh) | 2016-06-27 | 2016-06-27 | 考虑负荷电压特性的地区电网事故负荷损失预估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106127347A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705801A (zh) * | 2019-10-10 | 2020-01-17 | 国网山东省电力公司泰安供电公司 | 基于故障损失电量的电网事故经济损失估算方法及*** |
CN111245097A (zh) * | 2020-02-21 | 2020-06-05 | 国网山东省电力公司宁阳县供电公司 | 一种智能电网管控***及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004072900A (ja) * | 2002-08-06 | 2004-03-04 | Mitsubishi Heavy Ind Ltd | 電力ネットワーク管理システムおよび電力ネットワーク管理方法 |
CN103985065A (zh) * | 2014-05-20 | 2014-08-13 | 天津大学 | 一种基于故障预扫描的电力***风险评估方法 |
-
2016
- 2016-06-27 CN CN201610495684.6A patent/CN106127347A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004072900A (ja) * | 2002-08-06 | 2004-03-04 | Mitsubishi Heavy Ind Ltd | 電力ネットワーク管理システムおよび電力ネットワーク管理方法 |
CN103985065A (zh) * | 2014-05-20 | 2014-08-13 | 天津大学 | 一种基于故障预扫描的电力***风险评估方法 |
Non-Patent Citations (1)
Title |
---|
吴少臣: "城市电网电压暂降概率分析与风险评估", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705801A (zh) * | 2019-10-10 | 2020-01-17 | 国网山东省电力公司泰安供电公司 | 基于故障损失电量的电网事故经济损失估算方法及*** |
CN111245097A (zh) * | 2020-02-21 | 2020-06-05 | 国网山东省电力公司宁阳县供电公司 | 一种智能电网管控***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chowdhury et al. | Power distribution system reliability: practical methods and applications | |
CN103942727B (zh) | 一种基于电网特征差异的线损水平评价方法 | |
CN104504508B (zh) | 基于层次分析与小波回归的台区闭环数据分析方法 | |
CN105098763B (zh) | 一种基于wams和ems的暂态电压稳定在线评估方法 | |
CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN105005711B (zh) | 获取统计线损的方法及装置 | |
CN104299116A (zh) | 一种电网运行安全风险定量评估方法 | |
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN102663504A (zh) | 基于负荷概率分布函数的配电网线损评估方法 | |
CN110490454B (zh) | 基于配网设备运行效率评价的配网资产运行效率计算方法 | |
CN104123600A (zh) | 一种面向典型行业大数据的电力经理指数趋势预测方法 | |
CN105610192A (zh) | 考虑大规模风电接入的在线风险评估方法 | |
CN106530139A (zh) | 电网投资分析模型指标参数计算方法 | |
CN106600131A (zh) | 电网投资分析模型评价方法 | |
CN112288303A (zh) | 确定线损率的方式、装置 | |
CN107862442A (zh) | 一种10kv及以下电力客户受电工程建设质量综合评价方法 | |
Yang et al. | Drought projection based on a hybrid drought index using Artificial Neural Networks | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN106874676A (zh) | 一种电能计量装置状态评估方法 | |
CN103163489A (zh) | 一种电力通信设备的电源风险预警方法 | |
CN106127347A (zh) | 考虑负荷电压特性的地区电网事故负荷损失预估方法 | |
Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
Chen et al. | Error modeling and anomaly detection of smart electricity meter using TSVD+ L method | |
CN103793757A (zh) | 一种层级式模块化电网规划方案优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |