CN106921158B - 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 - Google Patents
一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 Download PDFInfo
- Publication number
- CN106921158B CN106921158B CN201710070453.5A CN201710070453A CN106921158B CN 106921158 B CN106921158 B CN 106921158B CN 201710070453 A CN201710070453 A CN 201710070453A CN 106921158 B CN106921158 B CN 106921158B
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- coefficient
- sequence
- distribution transformer
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 6
- 238000000034 method Methods 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 3
- 238000005065 mining Methods 0.000 abstract 1
- 238000012549 training Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于配电变压器时间序列的历史采集数据的需要系数分析方法,本发明通过分析基于时间序列的需要系数历史数据,挖掘其内在规律,进而预测其未来的发展趋势。本方法充分考虑了需要系数随时间变化的动态特性,运用数据挖掘算法得到下一月需要系数预测值,提高了配电变压器负载率评估能力,为电网部门相关工作提供数据支撑。
Description
技术领域
本发明涉及一种配电网变压器负载率计算方法,特别是一种配电网居民负荷变压器需要系数的预测方法。
背景技术
近年来,随着我国经济的飞速发展,用电量激增;用户对电能质量的要求不断提升,配电网居民用电变压器使用情况受到了广泛关注。在配电网实际运行中,居民用电负荷变压器报装容量不一定全部接入配电网,且接入配电网的容量随时间变化。研究配电变压器实际接入容量与配变报装容量的比值,不仅可以更好地指导电网科学合理调度,保障电网安全运行,而且可以用于评估现有电网的供电能力,提高馈线可装容量计算准确性,对于配电网规划与改造有重要意义。反映配电变压器负载情况的参数,称为负荷需要系数。
目前,需要系数的研究主要集中在其与住宅小区户数的关系方面。《住宅建筑电气设计规范》给出了住宅建筑中不同户数对应的需要系数取值范围。然而,上述规范中给出的需要系数取值偏大,相关研究运用数值回归分析方法、数理统计方法和核密度估计Parzen窗法等方法对其取值进行了一定的修正,但均未讨论需要系数随时间变化的动态特性。
发明内容
本发明的目的在于克服现有技术的不足之处,而提供一种对其未来发展趋势进行较为准确的预测的一种基于配电变压器时间序列的历史采集数据的需要系数分析方法。
一种基于配电变压器时间序列的历史采集数据的需要系数分析方法,其步骤在于:(1)数据采集:采集配变报装容量和需要系数相关变量,为接下来研究提供数据基础;
(2).需要系数计算:分析原始数据,运用需要系数定义和相关公式,得到基于时间序列的配变需要系数动态数据;
(3).灰色预测:根据采样数据少的实际情况和灰色预测在小样本预测的优良特性,本发明构建灰色预测GM(1,1)模型,通过累加累减等步骤得灰色预测拟合值;
(4)BP神经网络预测:经灰色预测模型得到的拟合值在很大程度上反映了实际值的大小,又由于BP神经网络在非线性函数关系方面优良的拟合和逼近特性,故用BP神经网络找到两者之间的相关关系并得到最终预测结果。
BP神经网络分为3层:输入层、隐含层和中间层。本发明隐含层采用sigmod函数,输出层采用线性函数。训练采用SCG算法,提高计算效率。
综上所述的,本发明相比现有技术如下优点:
本发明的有益成果在于:通过分析基于时间序列的需要系数历史数据,挖掘其内在规律,进而预测其未来的发展趋势。本方法充分考虑了需要系数随时间变化的动态特性,运用数据挖掘算法得到下一月需要系数预测值,提高了配电变压器负载率评估能力,为电网部门相关工作提供数据支撑。
附图说明
图1为本发明基于时间序列的基于配电变压器时间序列的历史采集数据的需要系数分析方法的流程图。
图2本发明组合预测方法和未组合的单一方法的预测误差对比图。
具体实施方式
下面结合实施例对本发明进行更详细的描述。
实施例1
本实施例以某省会城市单台变压器为例,阐述本发明具体方法。原始数据为该台变压器报装容量和需要系数相关负荷变量组成的时间序列。时间序列范围是从投运第13个月到第48个月,共36组月数据。
1.数据采集。
包括配电网各居民用电配变报装容量、月三相最大电流、相电压和电流互感器变比CT和电压互感器变比PT。
2.需要系数计算。
需要系数计算如式(1)所示:
式中,l为负荷用户变压器的月负荷最大值,L为用户负荷变压器的报装容量。
月负荷最大值l计算如式(2)所示:
l=U×PT×(IAmax+IBmax+ICmax)×CT (2)
式中,U为变压器测量电压,PT和CT分别为电压很电流互感器变比,IAmax,IBmax,ICmax分别为变压器A、B、C三相测量电流的最大值。
计算所得配变需要系数值如表1所示:
表1配电变压器需要系数
3.灰色预测。
构建灰色预测GM(1,1)模型。首先,对原始时间序列数据逐个累加生成新数列;然后,运用最小二乘参数估计法求累加生成序列微分方程的参数;然后,求上述微分方程的解,即累加生成序列的拟合值;最后,将累加生成序列的拟合值依次累减还原,得到原始时间序列的拟合值。
4.构建BP神经网络训练样本集和测试样本集。
将需要系数灰色预测拟合值和实际值一一对应,得到36对数据。按时间先后顺序把此36对数据分为9组,每组包含4对数据。前8组作为训练样本集,最后一组为测试样本集。
5.BP神经网络预测。
首先,用训练样本集训练得到BP神经网络预测模型:取每组4个月的灰色预测拟合值作为神经网络输入,对应的4个月的实际值作为输出;然后运用训练好的模型预测:将第9组4个月的灰色预测拟合值输入到训练好的神经网络模型中,得到神经网络预测数据。预测结果如下表2所示。为说明本发明组合方法的预测准确性,下表2同时列出了用两种单独预测方法灰色预测模型和BP神经网络预测模型的预测结果。
表2 3种模型预测结果
6.误差分析及预测结果评估
采用相对误差ε评估本发明组合预测算法的效果和精度:
式中,dpre和dreal分别为需要系数的预测值和实际值。具体数值见附图2组合模型和两种单一模型的预测误差。
由图2可得,组合预测方法的误差普遍低于另外两种方法,表明组合预测模型能够提高预测精度,优于两个单一预测模型,进而说明了本发明算法的优越性。
本实施例未述部分与现有技术相同。
Claims (2)
1.一种基于配电变压器时间序列的历史采集数据的需要系数分析方法,其特征在于:步骤是:(1)数据采集:采集配变报装容量和需要系数相关变量,为接下来研究提供数据基础;
(2)需要系数计算:分析原始数据,运用需要系数定义和相关公式,得到基于时间序列的配变需要系数动态数据;
(3)灰色预测:根据采样数据少的实际情况和灰色预测在小样本预测的优良特性,构建灰色预测GM(1,1)模型,首先,对原始时间序列数据逐个累加生成新数列;然后,运用最小二乘参数估计法求累加生成序列微分方程的参数;然后,求上述微分方程的解,即累加生成序列的拟合值;最后,将累加生成序列的拟合值依次累减还原,得到原始时间序列的拟合值;
(4)BP神经网络预测:经灰色预测模型得到的拟合值反映了实际值的大小,又由于BP神经网络在非线性函数关系方面优良的拟合和逼近特性,故用BP神经网络找到两者之间的相关关系并得到最终预测结果。
2.根据权利要求1所述的基于配电变压器时间序列的历史采集数据的需要系数分析方法,其特征在于:BP神经网络分为3层:输入层、隐含层和中间层,所述的隐含层采用sigmod函数,输出层采用线性函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710070453.5A CN106921158B (zh) | 2017-02-09 | 2017-02-09 | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710070453.5A CN106921158B (zh) | 2017-02-09 | 2017-02-09 | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106921158A CN106921158A (zh) | 2017-07-04 |
CN106921158B true CN106921158B (zh) | 2020-01-31 |
Family
ID=59454633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710070453.5A Active CN106921158B (zh) | 2017-02-09 | 2017-02-09 | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106921158B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256724B (zh) * | 2017-11-27 | 2021-12-07 | 国网浙江省电力公司嵊泗县供电公司 | 一种基于动态行业系数的配电网可开放容量规划方法 |
CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
CN108258683A (zh) * | 2018-01-19 | 2018-07-06 | 国网江苏省电力有限公司苏州供电分公司 | 配电网变压器容量使用情况预测方法 |
CN109543769A (zh) * | 2018-11-30 | 2019-03-29 | 国网山东省电力公司电力科学研究院 | 一种基于函数型主成分分析和小波变换的变压器运行数据缺失点修补方法 |
CN112114215A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 基于误差反向传播算法的变压器老化评估的方法及*** |
CN112528371A (zh) * | 2020-12-09 | 2021-03-19 | 四川蓉信开工程设计有限公司 | 水处理工程电气设计方法 |
CN112487665B (zh) * | 2020-12-18 | 2022-09-09 | 天津博迈科海洋工程有限公司 | 基于概率统计的海洋工程电气设备实际需要系数计算方法 |
CN115248906B (zh) * | 2022-09-22 | 2023-01-06 | 武汉格蓝若智能技术有限公司 | 一种发电机出线双电流互感器的状态误差识别方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447328A (zh) * | 2015-12-25 | 2016-03-30 | 国网浙江诸暨市供电公司 | 居民住宅用电负荷计算中需要系数确定方法 |
CN106056234A (zh) * | 2016-05-18 | 2016-10-26 | 北京博锐尚格节能技术股份有限公司 | 变压器容量的确定方法和装置 |
-
2017
- 2017-02-09 CN CN201710070453.5A patent/CN106921158B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447328A (zh) * | 2015-12-25 | 2016-03-30 | 国网浙江诸暨市供电公司 | 居民住宅用电负荷计算中需要系数确定方法 |
CN106056234A (zh) * | 2016-05-18 | 2016-10-26 | 北京博锐尚格节能技术股份有限公司 | 变压器容量的确定方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于串联灰色神经网络的电力负荷预测方法;张大海等;《***工程理论与实践》;20041231;第130页倒数后11行-第131页前5行 * |
基于核密度估计的需要系数求取方法;孟明等;《建筑电气》;20160531;第43页第2栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN106921158A (zh) | 2017-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106921158B (zh) | 一种基于配电变压器时间序列的历史采集数据的需要系数分析方法 | |
Chai et al. | Coal consumption in China: how to bend down the curve? | |
He et al. | Forecasting China's total energy demand and its structure using ADL-MIDAS model | |
CN103942727B (zh) | 一种基于电网特征差异的线损水平评价方法 | |
CN106779277B (zh) | 一种配电网网损的分类评估方法及装置 | |
CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN104037943A (zh) | 一种提高电网电压质量的电压监测方法及*** | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
Xu et al. | A water level prediction model based on ARIMA-RNN | |
CN104268402A (zh) | 一种基于模糊c均值的电力***负荷聚类方法 | |
CN113723844B (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
CN114254838B (zh) | 一种短期电力负荷预测影响因子的确定方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
CN111062539B (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
CN104092215B (zh) | 配电变压器容量控制方法与*** | |
CN103018611A (zh) | 一种基于电流分解的非侵入式负载监测方法及*** | |
CN104112204A (zh) | 供电品质高效运行的评价方法 | |
CN113642136A (zh) | 一种基于hplc宽带载波模块的电网拓扑识别方法 | |
CN105005623A (zh) | 基于关键词检索指数相关性分析的用电需求预测方法 | |
CN107846025A (zh) | 用于调节电力***电压的***和方法 | |
CN112421608A (zh) | 一种基于马尔科夫自下而上的家庭负荷预测方法 | |
CN111275292A (zh) | 一种基于模糊层次分析法的接地网状态评估方法 | |
CN111552911B (zh) | 一种基于多场景生成的技术线损影响因素定量分析方法 | |
Hu et al. | Real-time line loss calculation method based on equivalent resistance of low voltage distribution 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 |