CN107453346B - 一种适用于配电网重构的负荷曲线时段划分方法 - Google Patents
一种适用于配电网重构的负荷曲线时段划分方法 Download PDFInfo
- Publication number
- CN107453346B CN107453346B CN201610369284.0A CN201610369284A CN107453346B CN 107453346 B CN107453346 B CN 107453346B CN 201610369284 A CN201610369284 A CN 201610369284A CN 107453346 B CN107453346 B CN 107453346B
- Authority
- CN
- China
- Prior art keywords
- load
- equivalent
- time
- distribution network
- value
- 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 36
- 238000012545 processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 102000001708 Protein Isoforms Human genes 0.000 claims 2
- 108010029485 Protein Isoforms Proteins 0.000 claims 2
- SYSZENVIJHPFNL-UHFFFAOYSA-N (alpha-D-mannosyl)7-beta-D-mannosyl-diacetylchitobiosyl-L-asparagine, isoform B (protein) Chemical compound COC1=CC=C(I)C=C1 SYSZENVIJHPFNL-UHFFFAOYSA-N 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 9
- 238000012567 pattern recognition method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 241000249931 Doronicum maximum Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation 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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种适用于配电网重构的负荷曲线时段划分方法,该方法包括负荷标幺化;划分负荷曲线时段;计算负荷曲线时段的等值负荷;计算模式贴近度;确定负荷曲线的等值方式。本发明提供的技术方案采用模糊聚类和模式识别的方法对负荷曲线进行时段划分,完成了对复杂电网负荷数据的等值处理,有效压缩了负荷数据量,合理确定配电网动态重构的开关动作时间,可以提高配电***运行的经济性和可靠性。
Description
技术领域
本发明涉及负荷特性分析方法,具体讲涉及一种适用于配电网重构的负荷曲线时段划分方法。
背景技术
配电网在运行过程中,负荷总是随时间不断变化的,由于负荷变化具有随机性,配电网运行过程中不可能存在完全相同的两种运行状态,如果分别分析每一种运行状态,计算量非常庞大;另一方面,由于人们的作息方式和用电***接近,实现对负荷曲线的划分,这既能简化配电网运行优化难度、减少计算量,又能真实反映出配电网的运行状态。
鉴于负荷波动的配电网动态重构,通过调整网络中的可操作开关状态,来获得改变网络结构实现控制配电网的运行方式的目的。频繁开合配电网中的电气设备的开关会严重缩短其电气寿命,降低设备动作的可靠性,增加设备更新频率,提高配电网运行维护费用以及开关操作成本,降低网络经济性和可靠性。将开关动作次数控制在一定范围内,需要在不同时间尺度下结合实际的网络结构、负荷整体波动情况以及当前天气温度等因素,同时依据相关运行维护规则以及人为规定等,分别对确定开关动作的次数做出准确限制,因此需要根据波动趋势对负荷曲线进行合理时段划分,认为该时段内开关状态保持不变,网络结构不发生变化。
在此基础上,划分负荷曲线的办法是,将每天的日负荷曲线划分成若干时段,用经过等值处理的负荷值代替各时间段内负荷,以确定配电网开关的动作时间,保护开关电气的寿命,降低配电***运行的维护费用,提升配电***安全可靠程度和的经济性,创造良好的经济效益和社会效益,具有重要理论价值和现实意义。
本发明人经大量的研究发现,近年来在负荷曲线分段这一领域披露了;“配电网时变无功电压优化方法”(《电力***自动化》,2005年),该方法中根据负荷曲线的变化趋势分段,首先按照单调性进行初步分段,然后采用融合的思想对初步分段点依次融合直至分段数满足设备的动作次数约束。“电力***时变无功优化算法”(《电力***及其自动化学报》,2007年),该算法中认为负荷分段是一种离散的优化问题,其中公开了利用遗传算法对负荷曲线进行智能化分段,确定各段的起、止时间点,以解决设备动作次数约束问题。“电力***多时段无功优化研究”(西安交通大学学报,2008年),其中将统计学原理应用于负荷序列曲线上,利用极差和标准差描述负荷曲线的波动变化分析该序列特征并进行负荷时段的划分,提出了一种启发迭代式分段方法,解决了最大极差和最大标准差取值问题。以及2010年在“无功优化的控制策略研究”一文中公开了在保证***节点电压合格的情况下分段后,再比较分段数和设备调节次数,如果分段数大于设备调节次数,取分段数作为最终结果;否则增加分段数,直到接近设备调节次数。
从理论上讲,这些现有技术只是利用聚类方法对负荷曲线进行分类,提取典型日负荷曲线,而不能对负荷曲线进行时段划分;在计算典型负荷曲线时,只是取得每一类所有曲线在各点的平均值,没有对时段内的负荷进行等值,以实现对负荷数据的有效利用。
为满足现有技术的需要,本发明提供一种以模糊聚类方法对符合进行分类,适用于配电网重构的负荷曲线时段划分方法。
发明内容
为满足在现有技术的需要,本发明提供一种能有效划分负荷曲线时段的方法,有效压缩了负荷数据量。
本发明提供的适用于配电网重构的负荷曲线时段划分方法,其改进之处在于,所述方法包括:
步骤1、负荷标幺化;
步骤2、负荷曲线时段的初步划分;
步骤3、计算负荷曲线时段的等值负荷;
步骤4、计算模式贴近度;
步骤5、确定负荷曲线的等值方式。
进一步的,所述步骤1中包括:
(1-1)求负荷标幺值:第i条线路在t时刻的负荷标幺值ai,t如下式(1)所示:
式中,Pi,t:第i条线路在t时刻的首端负荷值,i=1,2…n;Pi,max:第i条线路的全年最大负荷值;
(1-2)构造标幺符合矩阵:在所述负荷标幺化的基础上,将每日各条线路的24小时负荷数据构成如下式(2)所示的标幺负荷矩阵:
式中,ai,j:负荷标幺值,其中,i=1,2,…,n,为各线路序号;j=1,2,…,24,为各线路负荷对应的时刻。
进一步的,所述步骤(2)包括:
(2-1)筛选极差、标准差与符合权重,淘汰曲线波动过于平缓且负荷小的线路;
(2-2)构建如下式(3)所示的样本矩阵X::
其中,第一列分别为负荷数据的对应时刻,q=[1 2 … 24];矩阵A中的元素作为矩阵X的第二列数据,p=[ai,1 ai,2 … ai,24],其中i=1,2,…,n;
(2-3)初始化模糊分配隶属度矩阵U,如下式(4)所示:
式中,ui,k:第k个负荷数据对于第i类的隶属度,其中,k:标幺负荷数据个数,k=1,2,…,n*24;i:聚类数,i=1,2,…,c;
(2-4)计算c个聚类中心和第k个负荷数据对于第i类的隶属度ui,k;
(2-5)修正聚类中心,极小化所有数据点到各个聚类中心的距离与隶属度的加权和,完成负荷曲线模糊聚类划分。
进一步的,所述步骤(2-1)中,所述第i条线首端的日负荷极差Ri如下式(5)所示:
Ri=max(ai,j)-min(ai,j) (5);
所述第i条线首端的日负荷标准差Si如下式(6)所示:
进一步的,所述步骤3中,用代表负荷值代替各时间段内的总负荷的方式,等值处理各时间段内的配电网总负荷;
每个时间段内的所述代表负荷值包含如下所示的四种等值模式:
1)聚类中心时间点对应负荷数据;
2)每个时间段内的负荷平均值;
3)每个时间段内的负荷中值;
4)每个时间段内的负荷最大值。
进一步的,所述各时段等值负荷的计算方法包括:
(3-1)按下式(7),计算配电网在24小时各个时刻的实际总负荷:
式中,ai,t:第i条线路在t时刻的实际负荷值;
(3-2)按下式(8)构建24小时内各时刻的实际总负荷数据的模糊模型库:
式中,ai,j:第i种等值模式下第j时间段的配电网等值总负荷,i=1,2,3,4,j=1,2,…c;
a1,j=xcenter(j):第j时间段内的聚类中心时间点对应的配电网总负荷值;
a3,j=mediam(xj):第j时间段配电网的总负荷中值;
a4,j=max(xj):第j时间段配电网的总负荷最大值;
(3-3)水平延展四组等值模式的数据,生成由24个等值负荷构成的配电网总日负荷数据ai′,j,构成如下式(9)所示的模糊模型特征矩阵A‘:
进一步的,所述步骤4中,计算所述四组等值模式的贴近度,确定负荷曲线的等值方式的方法包括:
(4-1)分别以式(9)所示的模糊模型特征矩阵A‘的行向量作模糊模型特征向量,以配电网24小时的实际总负荷作为待识别的对象B=[x1,x2,…,x24],分别计算待识别模式与所述四组等值模式的贴近度;
(4-2)比较所述四组等值模式的贴近度,选取贴近度最大的等值模式,用于负荷曲线等值划分后的负荷数据的等值处理。
与最接近的现有技术比,本发明还具有以下优异效果:
(1)本发明提供的技术方案考虑配电网负荷随时间波动变化情况,结合负荷曲线变化趋势特点,根据聚类分析原理对配电网中各条线路的日负荷曲线进行时段划分,可以确定划分结果各时段的起始时刻,并反映实际负荷全年的发展、变化特征,用于负荷特性分析、运行管理及负荷预测。
(2)本发明提供的技术方案利用模式识别中的择近原则,通过贴近度比较来识别与实际负荷曲线最为贴近的等值模式,得到每个时间段的等值负荷值,代替该段时间内各时刻的实际负荷值,完成了对复杂电网负荷数据的等值处理,有效地压缩了负荷数据量,简化日负荷曲线。
(3)本发明提供的技术方案通过对配电网的日负荷曲线进行时段划分,得到各时间段的等值负荷,可以确定配电网重构开关的动作时间,实现配电网的优化运行,提高配电***的经济效益。
附图说明
图1为本发明提供的负荷曲线时段划分方法的设计流程图。
具体实施方式
为清楚的说明本发明提供的技术方案,以下将结合说明书附图中的设计流程图,具体描述本发明提供的负荷曲线时段划分方法。
针对目前大部分发明只是利用聚类方法对负荷曲线进行分类,提取典型日负荷曲线,而不能对负荷曲线进行时段划分等问题,本发明旨在克服现有技术的不足,采用模糊聚类和模式识别的方法对负荷曲线进行时段划分,完成了对复杂电网负荷数据的等值处理,有效地压缩了负荷数据量,合理确定配电网动态重构的开关动作时间,可以提高配电***运行的经济性和可靠性。
为了达到发明目的,本发明采取的技术方案是采用模糊聚类和模式识别的负荷曲线分段方法如图1所示,包括以下步骤:
步骤1:负荷标幺化
(1)在含有n条线路的配电网中,以各条线路上一年中的最大负荷值作为标幺基准值,用实际值与基准值的比值作为该条线路的标幺值,第i条线路在t时刻的负荷标幺值公式如下:
ai,t=Pi,t/Pi,max (1)
式中:Pi,t(i=1,2…n)——第i条线路在t时刻的首端负荷值;
Pi,max——第i条线路的全年最大负荷值;ai,t——第i条线路在t时刻的负荷标幺值。
(2)在完成负荷的标幺化后,将每日各条线路的24小时负荷标幺值作为行向量构成标幺负荷矩阵如下:
式中:ai,j——负荷标幺值;i=1,2,…,n——各线路序号;j=1,2,…,24——负荷对应的时刻。
步骤2:负荷曲线时段的初步划分
(1)利用标准差与极差反映不同节点负荷曲线的波动情况。
在对所有线路的负荷曲线进行时间划分前,通过筛选极差、标准差与负荷权重,极差与标准差数值大说明该条线路日负荷曲线波动变化大。淘汰曲线波动过于平缓且负荷小的线路,不考虑这些线路的负荷曲线对整体划分方式的影响,有效压缩数据量。极差、标准差的公式如下:
Ri=max(ai,j)-min(ai,j) (3)
Si——第i条线首端的日负荷标准差。
(2)构建样本矩阵X;
(3)初始化模糊分配隶属度矩阵U,使U满足列上相加为1,设定聚类中心的个数,隶属度矩阵如下式(5)所示:
式中:uik——第k个负荷数据对于第i类的隶属度;
k=1,2,…,n*24——标幺负荷数据个数,反映负荷数据到各个聚类中心的距离;
i=1,2,…,c——聚类数。
通过大量实验以及负荷曲线特征,将聚类中心数设定为c=6。
(4)分别计算出c个聚类中心{v1,v2,…,vc…,vc}和第k个负荷数据对于第i类的隶属度uik。
(5)通过迭代方法不断修正聚类中心,极小化所有数据点到各个聚类中心的距离与隶属度的加权和,当加权和取极小时,理论上就得到每一类的聚类中心、聚类中心所对应的时间点,以及每一类的边界对应的时间点,完成了负荷曲线模糊聚类划分。
对于某些处于时间分段边界的负荷数据,可能出现不同线路的同一时间点负荷分别属于两个聚类,两类中均出现同一时间点的情况,需要通过统计各个时刻下的不同负荷所处聚类编号,以及出现的次数,通过计算出现概率进一步对负荷曲线进行时间段划分,根据概率大小判断该时刻所属的类,最终实现负荷点聚类划分到曲线时间段划分的转化。
步骤3:建立模糊型库,并计算各时段的等值负荷
完成对负荷曲线的分段后,由于该配电网的负荷曲线分段是一致的,所以采用代表负荷值代替时间段内的总负荷,对各时间段内的配电网总负荷进行等值处理。
每个时间段的代表负荷值,可有4种等值模式:
1)聚类中心时间点对应负荷数据;
2)每个时间段内的负荷平均值;
3)每个时间段内的负荷中值;
4)每个时间段内的负荷最大值。
将这4种方法计算的结果作为4种已知的模式,而把实际24小时的线路总负荷作为待识别的对象,利用模式识别方法选取最佳的等值处理方法。
(1)计算配电网的实际24小时总负荷数据。
t时刻的配电网实际总负荷值公式如下:
式中:ai,t——第i条线路在t时刻的实际负荷值。
(2)构建模糊模型库如下:
式中:ai,j——第i种等值模式下第j时间段的配电网等值总负荷,i=1,2,3,4,j=1,2,…,c;
a1,j=xcenter(j)——第j时间段的内聚类中心时间点对应的配电网总负荷值;
a3,j=median(xk,j)——第j时间段配电网的总负荷中值,也称为中位数,即将变量值由小到大顺序排列后,处于数列中间位置的变量数值,如果数列中变量个数为奇数,中位数为中间位置变量数值,如果数列中变量个数为偶数,中位数为中间位置两个相邻变量的平均值;
a4,j=max(xk,j)——第j时间段配电网的总负荷最大值。
步骤4:计算4组等值模式的贴近度,确定负荷曲线的等值方式
(1)分别以模糊模型特征矩阵A′的行向量Ai′=[ai′,1 ai′,2 … ai′,24]作模糊模型特征向量,以配电网24小时的实际总负荷作为待识别的对象B=[x1 x2 … x24],按照贴近度的公式,分别计算待识别模式与4组等值模式的贴近度。
以下给出5种贴近度的定义公式:
a.格贴近度
b.海明贴近度
c.欧氏贴近度
d.最大最小贴近度
e.算术平均最小贴近度
式中:n——时间刻度24。
在上述计算贴近度过程中,A对应模糊模型特征矩阵A’的行向量,A(ui)对应行向量中的i个元素;B对应配电网24小时中各个时刻的实际总负荷矩阵,B(ui)对应各个时刻的实际总负荷。
(2)比较计算得到4组模式的贴近度。
贴近度越大,说明该等值负荷数据与实际负荷数据最为接近,等值处理效果最好,可用于负荷曲线时间段划分后的负荷数据等值处理。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (6)
1.一种适用于配电网重构的负荷曲线时段划分方法,其特征在于,所述方法包括:
步骤1、负荷标幺化;
步骤2、负荷曲线时段的初步划分;
步骤3、计算负荷曲线时段的等值负荷;
步骤4、计算模式贴近度;
步骤5、确定负荷曲线的等值方式;
所述步骤3中,用代表负荷值代替各时间段内的总负荷的方式,等值处理各时间段内的配电网总负荷;
每个时间段内的所述代表负荷值包含如下所示的四种等值模式:
1)聚类中心时间点对应负荷数据;
2)每个时间段内的负荷平均值;
3)每个时间段内的负荷中值;
4)每个时间段内的负荷最大值。
3.如权利要求1所述的划分方法,其特征在于,所述步骤2包括:
步骤2-1筛选极差、标准差与负荷权重,淘汰曲线波动过于平缓且负荷小的线路;
步骤2-2构建如下式(3)所示的样本矩阵X:
其中,第一列分别为负荷数据的对应时刻,q=[1 2 … 24];标幺负荷矩阵H中的元素作为矩阵X的第二列数据,pi=[ai,1 ai,2 … ai,24],其中i=1,2,…,n;
步骤2-3初始化模糊分配隶属度矩阵U,如下式(4)所示:
式中,ui,k:第k个负荷数据对于第i类的隶属度,其中,k:标幺负荷数据个数,k=1,2,…,n*24;i:聚类数,i=1,2,…,c;
步骤2-4计算c个聚类中心和第k个负荷数据对于第i类的隶属度ui,k;
步骤2-5修正聚类中心,极小化所有数据点到各个聚类中心的距离与隶属度的加权和,完成负荷曲线模糊聚类划分。
5.如权利要求1所述的划分方法,其特征在于,所述各时段等值负荷的计算方法包括:
步骤3-1按下式(7),计算配电网在24小时各个时刻的实际总负荷:
式中,ai,t:第i条线路在t时刻的实际负荷值;
步骤3-2按下式(8)构建24小时内各时刻的实际总负荷数据的模糊模型库:
式中,ai,j:第i种等值模式下第j时间段的配电网等值总负荷,i=1,2,3,4,j=1,2,…c;
a1,j=xcenter(j):第j时间段内的聚类中心时间点对应的配电网总负荷值;
第j时间段配电网的总负荷xj的平均值,tj为该时间段内的线路数量;xk,j:第k个负荷数据在时间段j的负荷量;
a3,j=mediam(xj):第j时间段配电网的总负荷xj的中值;
a4,j=max(xj):第j时间段配电网的总负荷xj的最大值;
步骤3-3对四种等值模式的数据进行水平延展,即将每行中c个数根据每个时间段时长tj分别进行延展,生成由24个等值负荷构成的配电网总日负荷数据a′i,j,构成如下式(9)所示的模糊模型特征矩阵A‘:
6.如权利要求5所述的划分方法,其特征在于,所述步骤4中,计算所述四种等值模式的贴近度,确定负荷曲线的等值方式的方法包括:
步骤4-1分别以式(9)所示的模糊模型特征矩阵A‘的行向量作模糊模型特征向量,以配电网24小时的实际总负荷作为待识别的对象B=[x1,x2,…,x24],分别计算待识别模式与所述四组等值模式的贴近度;
步骤4-2比较所述四组等值模式的贴近度,选取贴近度最大的等值模式,用于负荷曲线等值划分后的负荷数据的等值处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610369284.0A CN107453346B (zh) | 2016-05-30 | 2016-05-30 | 一种适用于配电网重构的负荷曲线时段划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610369284.0A CN107453346B (zh) | 2016-05-30 | 2016-05-30 | 一种适用于配电网重构的负荷曲线时段划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107453346A CN107453346A (zh) | 2017-12-08 |
CN107453346B true CN107453346B (zh) | 2022-03-18 |
Family
ID=60485633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610369284.0A Active CN107453346B (zh) | 2016-05-30 | 2016-05-30 | 一种适用于配电网重构的负荷曲线时段划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107453346B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256738B (zh) * | 2017-12-22 | 2021-12-14 | 同济大学 | 道岔动作参考曲线选取方法及其应用 |
CN108596362B (zh) * | 2018-03-22 | 2021-12-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
CN110097261B (zh) * | 2019-04-17 | 2022-11-18 | 三峡大学 | 一种判断用户用电异常的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR961086A (zh) * | 1943-04-27 | 1950-05-03 | ||
CN103632031A (zh) * | 2013-10-22 | 2014-03-12 | 国家电网公司 | 一种基于负荷曲线分解的农村负荷类型负荷建模方法 |
CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
CN103761574A (zh) * | 2014-01-02 | 2014-04-30 | 上海电力学院 | 分布式电源与地区负荷相适应的特征匹配方法 |
CN104376402A (zh) * | 2014-10-31 | 2015-02-25 | 国家电网公司 | 一种基于频域指标的负荷特性分类与综合方法 |
CN104917173A (zh) * | 2015-06-01 | 2015-09-16 | 国网天津市电力公司 | 适应配电网大容量负荷转移的配电网优化方法 |
CN105389633A (zh) * | 2015-12-01 | 2016-03-09 | 上海电力学院 | 一种计及分布式电源的变电站优化规划方法 |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
-
2016
- 2016-05-30 CN CN201610369284.0A patent/CN107453346B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR961086A (zh) * | 1943-04-27 | 1950-05-03 | ||
CN103632031A (zh) * | 2013-10-22 | 2014-03-12 | 国家电网公司 | 一种基于负荷曲线分解的农村负荷类型负荷建模方法 |
CN103679555A (zh) * | 2013-12-16 | 2014-03-26 | 成都安健发科技有限公司 | 基于负荷特性分类的分时电价确定方法 |
CN103761574A (zh) * | 2014-01-02 | 2014-04-30 | 上海电力学院 | 分布式电源与地区负荷相适应的特征匹配方法 |
CN104376402A (zh) * | 2014-10-31 | 2015-02-25 | 国家电网公司 | 一种基于频域指标的负荷特性分类与综合方法 |
CN104917173A (zh) * | 2015-06-01 | 2015-09-16 | 国网天津市电力公司 | 适应配电网大容量负荷转移的配电网优化方法 |
CN105389633A (zh) * | 2015-12-01 | 2016-03-09 | 上海电力学院 | 一种计及分布式电源的变电站优化规划方法 |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
Non-Patent Citations (1)
Title |
---|
Dynamic reconfiguration of distribution network considering scheduling of DG active power outputs;Xiaoli Meng等;《2014 International Conference on Power System Technology》;20141222;第1433-1439页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107453346A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063911A (zh) | 一种基于门控循环单元网络的负荷聚合体分组预测方法 | |
CN101383023B (zh) | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 | |
CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN110263995A (zh) | 考虑负荷增长率与用户用电特性的配变重过载预测方法 | |
CN107453346B (zh) | 一种适用于配电网重构的负荷曲线时段划分方法 | |
Chang et al. | Enforced self‐organizing map neural networks for river flood forecasting | |
CN102024179A (zh) | 一种基于半监督学习的ga-som聚类方法 | |
CN110322075A (zh) | 一种基于混合优化rbf神经网络的景区客流量预测方法及*** | |
Natarajan et al. | New SVM kernel soft computing models for wind speed prediction in renewable energy applications | |
CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN110083190A (zh) | 一种基于减法聚类分类器的青椒温室环境智能监测*** | |
CN111525587A (zh) | 一种基于无功负荷态势的电网无功电压控制方法及*** | |
CN113627674A (zh) | 一种分布式光伏电站出力预测方法、装置及存储介质 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、***、设备和存储介质 | |
Shen et al. | Short-term load forecasting of power system based on similar day method and PSO-DBN | |
CN111832836B (zh) | 一种计及负荷用电特性的配电网重构方法及*** | |
CN110137951A (zh) | 基于节点电价的市场分区方法及装置 | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及*** | |
Luo et al. | A reduced mixed representation based multi-objective evolutionary algorithm for large-scale overlapping community detection | |
CN110852370A (zh) | 基于聚类算法的大工业用户细分方法 | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
Smith et al. | Time series prediction via two-step clustering | |
CN111047465B (zh) | 一种基于电力大数据的电网友好型负荷响应方法 | |
Martín-Merino et al. | A new SOM algorithm for electricity load forecasting |
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 |