CN114896829B - 一种超差电表定位方法 - Google Patents
一种超差电表定位方法 Download PDFInfo
- Publication number
- CN114896829B CN114896829B CN202210823367.8A CN202210823367A CN114896829B CN 114896829 B CN114896829 B CN 114896829B CN 202210823367 A CN202210823367 A CN 202210823367A CN 114896829 B CN114896829 B CN 114896829B
- Authority
- CN
- China
- Prior art keywords
- innovation
- error
- variable
- weighted
- matrix
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种超差电表定位方法,属于电力***技术领域;所要解决的技术问题为:提供基于变递推多新息加权最小二乘辨识算法的超差电表定位方法的改进;解决上述技术问题采用的技术方案为:包括如下步骤:构建变递推间隔多新息最小二乘辨识算法模型;引入变遗忘因子对多新息修正项进行加权重构;引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型:将基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型代入ARX误差模型仿真得到最优权值;通过最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型对智能电表远程误差估计,通过误差率直接在后台定位超差电表;本发明应用于超差电表定位。
Description
技术领域
本发明属于电力***领域,涉及电力领域的参数辨识,具体涉及一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法。
背景技术
智能电表在实际运行过程中,不稳定的环境变量会导致电表的量测数据出现偏差,不仅为电表状态检修和更换带来困难,还为用户带来直接的经济损失,现有的部分研究成果在智能电表数据运用和远程误差估计方面无法满足实时性和精准性的要求。本发明提出的一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法,与传统的最小二乘类算法相比,具有更高的收敛速度和误差估计精度,满足了智能电表在工作中对突变参量的时变跟踪能力,通过过高或过低的误差率为电力检修人员判断电表状态提供依据。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种超差电表定位方法的改进。
为了解决上述技术问题,本发明采用的技术方案为:一种超差电表定位方法,包括如下步骤:
S1:构建变递推间隔多新息最小二乘辨识算法模型:
S1.1:构建标量新息***;
S1.2:引入多新息最小二乘辨识算法,得到多新息***;
S1.3:利用时变的递推间隔代替原递推间隔,得到变递推间隔多新息最小二乘辨识算法模型,并得到多新息修正项表示;
S2:引入变遗忘因子对多新息修正项进行加权重构,得到变递推间隔多新息加权最小二乘算法模型;
S3:引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型,获得基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型:
S4:将步骤S3中的基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型代入ARX误差模型仿真得到最优权值,得到最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型;
S5:通过最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型对智能电表远程误差估计模型的误差精度进行校验,得到智能电表远程误差估计,通过误差率直接在后台定位超差电表。
所述步骤S1.1中标量新息***的输入输出关系如下:
上式中:y(t)为***输出,φ T (t)为输入u(t)和输出y(t)构成的向量转置,θ为***待辨识参数,v(t)为零均值随机噪声,为t时刻下的参数估计,L(t)为算法增益信息,e(t)为标量新息。
所述步骤S1.2中多新息***的输入输出关系如下:
上式中:Y(p,t)为多新息***的输出矩阵,φ T (p,t)为输入U(p,t)和输出Y(p,t)的转置矩阵,θ为***待辨识参数,V(p,t)为零均值随机噪声矩阵,p为新息长度。
所述步骤S1.3中利用时变的递推间隔代替原递推间隔关系如下:
上式中:t s 为参数估计的时间点,t s-1 为参数估计的上一个时间点,t * ≥1为递推间隔;
定义多新息最小二乘辨识算法的准则函数如下:
上式中:J(θ,t s )为准则函数,其中Y(p,t i )为t=t i 参数估计点下多新息***的输出矩阵,φ T (p,t i )为输入U(p,t i )和输出Y(p,t i )的转置矩阵,θ为***待辨识参数,t i 为第i个参数估计点,i∈[1,2,3…s]为参数估计点个数;
获得变递推间隔多新息最小二乘辨识算法,并得到多新息修正项表示如下:
上式中:Y(p,t s )为t=t s 参数估计点下多新息***的输出矩阵,φ T (p,t s )为输入U(p,ts)和输出Y(p,t s )的转置矩阵,V(p,t s )为零均值随机噪声矩阵,θ为***待辨识参数,L (t s )为增益矩阵,P(t s )为协方差矩阵,e * (t s )为多新息修正项,为t=t s-1 下θ的估计值,为t s 时刻下的参数估计。
所述步骤S2中引入变遗忘因子对多新息修正项进行加权重构的计算公式如下:
上式中:α为可变权重因子,α的值由***输出的辨识参数误差修正,当辨识误差过大时,将自动减小α的值,当辨识误差过小α的值将会相应增大,L(t s )为增益矩阵,Y(p,t s )为t=t s 参数估计点下多新息***的输出矩阵,为t=t s-1 下θ的估计值,φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵,E(t s )为对t=t s 下的新息和t=t s-1 下的新息进行加权的和。
所述步骤S3中引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型的步骤如下:
更新变递推间隔多新息加权最小二乘辨识算法模型:
上式中:为t=t s 下θ的估计值,α为可变权重因子,L(t s )为增益矩阵,Y(p,t s )为t=t s 参数估计点下多新息***的输出矩阵,φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵,P(t s )为协方差矩阵。
所述步骤S4具体包括:
将基于最新估计的变递推间隔多新息加权最小二乘辨识算法在自回归各态历经误差模型上进行普遍适应性和优化检验的校对,自回归各态历经误差模型表示为:
上式中:μ(t)为模型的输入序列,y(t)为模型的输出序列,v(t)为***引入的噪声,A(z)和B(z)是具有后移因子的多项式;
更新自回归各态历经误差模型的***输出为:
上式中:y(t)为***输出,φ T (t)为输入u(t)和输出y(t)构成的向量转置,θ为***待辨识参数,v(t)为零均值随机噪声。
所述步骤S5具体包括:
结合步骤S4得到的最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法对智能电表远程误差估计模型的误差精度进行校验,基于能量守恒定律,在任何量测时段内可得到:
上式中:y 0 (t)为t时刻下该台区总电表的总读数,z i (t)为t时刻下第i块电表的读数增量,δ i (t)为第i块电表在t时刻下的误差,w loss (t)为动态线损,v(t)为零均值随机噪声,z ireal (t)为t时刻下第i块电表的实际消耗电能值,m为电表数量,θ i (t)表示的是第i块电表在t时刻下的误差估计参数;
应用基于最新估计的变递推间隔多新息加权最小二乘辨识算法,仅根据负载电流情况进行误差估计预测:
上式中:Y(p,t s )为t=t s 参数估计点下多新息***的输出矩阵,Z T (p,t s )=[z 1 (p, t s ),z 2 (p,t s ),…,z m (p,t s )]表示的是用户电能表量测数据矩阵,θ为待估计的参数值,p为新息长度,V(p,t s )为零均值随机噪声,表示的是各用户电能表在量测时段内所要估计的误差参数矩阵,L(t s )为增益矩阵,e * (t s )为多新息修正项,表示的是量测时段内电能表的运行误差远程估计值,I(t s )为t=t s 时刻下的负载电流,z ireal (p,t s )为t=t s 时刻下第i块电表的实际消耗电能值,为第i块电能表在t=t s 时刻下的运行误差远程估计值。
本发明相对于现有技术具备的有益效果为:在自回归各态历经误差模型上,本发明的算法保持了很高的时变收敛性,并得到最优加权系数,在智能电表的误差计算中,误差估计值的精确性与传统最小二乘方法相比得到显著提升,通过误差率可帮助电力维护人员精准定位超差电表。
附图说明
下面结合附图对本发明做进一步说明。
图1为本发明方法的流程图。
图2是在自回归各态历经误差模型的基础上针对最小二乘算法、变递推间隔多新息最小二乘辨识算法以及基于最新估计的变递推间隔多新息加权最小二乘辨识算法的误差范数变化图。
图3是采用本发明方法计算的在某时刻下智能电表误差估计值分布情况图。
具体实施方式
如图1-3所示,本发明的一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法,首先,本发明在变递推间隔多新息最小二乘算法的基础上,提出利用变遗忘因子算法对多新息进行加权重构,提高有用数据的利用率,接着,提出利用最新估计方法进行递推计算的参数估计,以提高参数估计精度。具体包括以下步骤。
步骤S1:定义标量新息***的输入输出关系:
其中y(t)为***输出,φ T (t)为输入u(t)和输出y(t)构成的向量转置,θ为***待辨识参数,v(t)为零均值随机噪声,为t时刻下的参数估计,L(t)为算法增益信息,e (t)为标量新息。
步骤S2:引入多新息最小二乘辨识算法,取新息长度为p,定义多新息***的输入输出关系:
其中Y(p,t)为多新息***的输出矩阵,φ T (p,t)为输入U(p,t)和输出Y(p,t)的转置矩阵,θ为***待辨识参数,V(p,t)为零均值随机噪声矩阵。
步骤S3:利用时变的递推间隔代替原递推间隔:
其中t s 为参数估计的时间点,t s-1 为参数估计的上一个时间点,t * ≥1为递推间隔,由于使用的是变递推间隔,t s 和t s-1 不必取连续自然数,也就是说t * 不恒等于1。
步骤S4:定义多新息最小二乘辨识算法的准则函数:
其中J(θ,t s )为准则函数,其中Y(p,t i )为t=t i 参数估计点下多新息***的输出矩阵,φ T (p,t i )为输入U(p,t i )和输出Y(p,t i )的转置矩阵,θ为***待辨识参数,t i 为第i个参数估计点,i∈[1,2,3…s]为参数估计点个数。
步骤S5:获得变递推间隔多新息最小二乘辨识算法,并得到多新息修正项表示:
其中Y(p,t s )为t=t s 参数估计点下多新息***的输出矩阵,φ T (p,t s )为输入U(p,ts)和输出Y(p,t s )的转置矩阵,V(p,t s )为零均值随机噪声矩阵,θ为***待辨识参数,L(t s )为增益矩阵,P(t s )为协方差矩阵,e * (t s )为多新息修正项,为t=t s-1 下θ的估计值,为t s 时刻下的参数估计。
步骤S6:提出变遗忘因子算法,对多新息修正项进行加权重构:
其中α为可变权重因子,α的值由***输出的辨识参数误差修正,当辨识误差过大时,将自动减小α的值,当辨识误差过小α的值将会相应增大,L(t s )为增益矩阵,Y(p,t s )为t= t s 参数估计点下多新息***的输出矩阵,为t=t s-1 下θ的估计值,φ T (p,t s )为输入U (p,t s )和输出Y(p,t s )的转置矩阵,E(t s )为对t=t s 下的新息和t=t s-1 下的新息进行加权的和。
步骤S7:更新变递推间隔多新息加权最小二乘辨识算法,其中αϵ(0,1):
为t=t s 下θ的估计值,α为可变权重因子,L(t s )为增益矩阵,Y(p,t s )为t=t s 参数估计点下多新息***的输出矩阵,φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵,P (t s )为协方差矩阵。
其中为t=t s 下θ的估计值,α为可变权重因子,L(t s )为增益矩阵,Y(p,t s )为t =t s 参数估计点下多新息***的输出矩阵,φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵。
步骤S9:将本发明所提出的算法在自回归各态历经误差模型上进行普遍适应性和优化检验的校对。已知自回归各态历经误差模型可表示为:
其中μ(t)为模型的输入序列,y(t)为模型的输出序列,v(t)为***引入的噪声,A (z)和B(z)是具有后移因子的多项式;
更新自回归各态历经误差模型的***输出为:
因此自回归各态历经误差模型又可等效为:
其中y(t)为***输出,φ T (t)为输入u(t)和输出y(t)构成的向量转置,θ为***待辨识参数,v(t)为零均值随机噪声,将本发明所提算法可带入模型中可仿真得到最优权值。
步骤S10:结合步骤S9得到的最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法对智能电表远程误差估计模型的误差精度进行校验,基于能量守恒定律,在任何量测时段内可得到:
其中y 0 (t)为t时刻下该台区总电表的总读数,z i (t)为t时刻下第i块电表的读数增量,δ i (t)为第i块电表在t时刻下的误差,w loss (t)为动态线损,v(t)为零均值随机噪声,z ireal (t)为t时刻下第i块电表的实际消耗电能值,m为电表数量,θ i (t)表示的是第i块电表在t时刻下的误差估计参数;
步骤S11:应用基于最新估计的变递推间隔多新息加权最小二乘辨识算法可得到:
本发明仅根据负载电流情况进行误差估计预测,Y(p,t s )为t=t s 参数估计点下多新息***的输出矩阵,Z T (p,t s )=[z 1 (p,t s ),z 2 (p,t s ),…,z m (p,t s )]表示的是用户电能表量测数据矩阵,θ为待估计的参数值,p为新息长度,V(p,t s )为零均值随机噪声,表示的是各用户电能表在量测时段内所要估计的误差参数矩阵,L(t s )为增益矩阵,e * (t s )为多新息修正项,表示的是量测时段内电能表的运行误差远程估计值,I(t s )为t=t s 时刻下的负载电流,z ireal (p,t s )为t=t s 时刻下第i块电表的实际消耗电能值,为第i块电能表在t=t s 时刻下的运行误差远程估计值。
下面本发明通过在自回归各态历经误差模型上的实验仿真说明,本发明提出的一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法的有效性,并能获得工程角度下的最优权值。
输入μ(t)是均值为0且方差为1的正态分布随机序列,噪声v(t)选取均值为0且方差为0.25随机高斯白噪声。
定义误差范数:
图2是在自回归各态历经误差模型的基础上针对最小二乘算法、变递推间隔多新息最小二乘辨识算法以及基于最新估计的变递推间隔多新息加权最小二乘辨识算法的误差范数变化图。从图中可以看出,基于最新估计的变递推间隔多新息加权最小二乘辨识算法的收敛速度和辨识精度始终优于最小二乘类辨识算法和变递推间隔多新息最小二乘辨识算法。
在最优权值下,本发明通过应用本台区内100个智能电表的远程误差评估结果来说明,本发明提出的一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法的可靠性,在实际应用中,可帮助电力检修人员定位超差电表。图3表示的是这100个智能电表的误差估计值的分布,从图中可以看出编号为10、19、24、55、76的电表误差参数估计值超出了正常误差允许范围内,属于超差电表。通过提取电表信息可进一步确认智能电表误差超差的具体原因,例如正误差表示电能表老化损坏,负误差表示人为破坏电能表,存在窃电行为等。
为了分析本发明所提方法估计的智能电表误差参数的精准度,需要进行误差估计值的校核,可通过对所研究台区进行现场分层抽样来检测智能电表误差估计值。对于分层抽样方式现场测得所抽取的智能电表误差参数实际值,可使用平均绝对百分误差(meanabsolute percent error,MAPE)和均方根误差(root mean square error,RMSE)作为评判依据。
为验证本发明的有效性,利用本台区数据对最小二乘算法与加权递推最小二乘算法进行了评测,分析结果如表1所示;
表1不同误差估计方法得到的结果。
关于本发明具体结构需要说明的是,本发明采用的各部件模块相互之间的连接关系是确定的、可实现的,除实施例中特殊说明的以外,其特定的连接关系可以带来相应的技术效果,并基于不依赖相应软件程序执行的前提下,解决本发明提出的技术问题,本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外,均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术,无需赘述,使得本案提供的技术方案是清楚、完整、可实现的,并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种超差电表定位方法,其特征在于:包括如下步骤:
S1:构建变递推间隔多新息最小二乘辨识算法模型:
S1.1:构建标量新息***;
S1.2:引入多新息最小二乘辨识算法,得到多新息***;
S1.3:利用时变的递推间隔代替原递推间隔,得到变递推间隔多新息最小二乘辨识算法模型,并得到多新息修正项表示;
所述步骤S1.3中利用时变的递推间隔代替原递推间隔关系如下:
t*=ts-ts-1 s∈[1,2,3...];
上式中:ts为参数估计的时间点,ts-1为参数估计的上一个时间点,t*≥1为递推间隔;
定义多新息最小二乘辨识算法的准则函数如下:
上式中:J(θ,ts)为准则函数,其中Y(p,ti)为t=ti参数估计点下多新息***的输出矩阵,为输入U(p,ti)和输出Y(p,ti)的转置矩阵,θ为***待辨识参数,ti为第i个参数估计点,i∈[1,2,3…s]为参数估计点个数;
获得变递推间隔多新息最小二乘辨识算法,并得到多新息修正项表示如下:
YT(p,ts)=[y(ts),y(ts-1)...y(ts-P+1)]T;
上式中:Y(p,ts)为t=ts参数估计点下多新息***的输出矩阵,为输入U(p,ts)和输出Y(p,ts)的转置矩阵,V(p,ts)为零均值随机噪声矩阵,θ为***待辨识参数,L(ts)为增益矩阵,P(ts)为协方差矩阵,e*(ts)为多新息修正项,为t=ts-1下θ的估计值,为ts时刻下的参数估计;
S2:引入变遗忘因子对多新息修正项进行加权重构,得到变递推间隔多新息加权最小二乘算法模型;
所述步骤S2中引入变遗忘因子对多新息修正项进行加权重构的计算公式如下:
上式中:α为可变权重因子,α的值由***输出的辨识参数误差修正,当辨识误差过大时,将自动减小α的值,当辨识误差过小α的值将会相应增大,L(ts)为增益矩阵,Y(p,ts)为t=ts参数估计点下多新息***的输出矩阵,为t=ts-1下θ的估计值,为输入U(p,ts)和输出Y(p,ts)的转置矩阵,E(ts)为对t=ts下的新息和t=ts-1下的新息进行加权的和;
S3:引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型,获得基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型:
所述步骤S3中引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型的步骤如下:
更新变递推间隔多新息加权最小二乘辨识算法模型:
上式中:为t=ts下θ的估计值,α为可变权重因子,L(ts)为增益矩阵,Y(p,ts)为t=ts参数估计点下多新息***的输出矩阵,为输入U(p,ts)和输出Y(p,ts)的转置矩阵,P(ts)为协方差矩阵;
S4:将步骤S3中的基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型代入ARX误差模型仿真得到最优权值,得到最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型;
S5:通过最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型对智能电表远程误差估计模型的误差精度进行校验,得到智能电表远程误差估计,通过误差率直接在后台定位超差电表;
所述步骤S5具体包括:
结合步骤S4得到的最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法对智能电表远程误差估计模型的误差精度进行校验,基于能量守恒定律,在任何量测时段内可得到:
上式中:y0(t)为t时刻下某台区总电表的总读数,zi(t)为t时刻下第i块电表的读数增量,δi(t)为第i块电表在t时刻下的误差,wloss(t)为动态线损,v(t)为零均值随机噪声,zireal(t)为t时刻下第i块电表的实际消耗电能值,m为电表数量,θi(t)表示的是第i块电表在t时刻下的误差估计参数;
应用基于最新估计的变递推间隔多新息加权最小二乘辨识算法,仅根据负载电流情况进行误差估计预测:
Y(p,ts)=ZT(p,ts)θ+V(p,ts);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210823367.8A CN114896829B (zh) | 2022-07-14 | 2022-07-14 | 一种超差电表定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210823367.8A CN114896829B (zh) | 2022-07-14 | 2022-07-14 | 一种超差电表定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114896829A CN114896829A (zh) | 2022-08-12 |
CN114896829B true CN114896829B (zh) | 2022-09-30 |
Family
ID=82729291
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210823367.8A Active CN114896829B (zh) | 2022-07-14 | 2022-07-14 | 一种超差电表定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896829B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693931A (zh) * | 2020-06-23 | 2020-09-22 | 广东电网有限责任公司计量中心 | 智能电能表误差远程计算方法、装置和计算机设备 |
CN112526348A (zh) * | 2020-11-18 | 2021-03-19 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
CN113504558A (zh) * | 2021-07-14 | 2021-10-15 | 北京理工大学 | 一种考虑道路几何约束的地面无人车辆定位方法 |
CN113777510A (zh) * | 2021-09-07 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池荷电状态估计方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10970443B2 (en) * | 2018-11-20 | 2021-04-06 | Synopsys, Inc. | Generation of module and system-level waveform signatures to verify, regression test and debug SoC functionality |
-
2022
- 2022-07-14 CN CN202210823367.8A patent/CN114896829B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111693931A (zh) * | 2020-06-23 | 2020-09-22 | 广东电网有限责任公司计量中心 | 智能电能表误差远程计算方法、装置和计算机设备 |
CN112526348A (zh) * | 2020-11-18 | 2021-03-19 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
CN113504558A (zh) * | 2021-07-14 | 2021-10-15 | 北京理工大学 | 一种考虑道路几何约束的地面无人车辆定位方法 |
CN113777510A (zh) * | 2021-09-07 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池荷电状态估计方法及装置 |
Non-Patent Citations (5)
Title |
---|
Multi-innovation Extended Stochastic Gradient Algorithm and Its Performance Analysis;Yanjun Liu 等;《Circuits, Systems and Signal Processing》;20100324;第29卷;第649-667页 * |
基于多新息随机梯度永磁同步电机参数辨识;徐鹏 等;《计算机工程与应用》;20140315;第50卷(第6期);第255-260页 * |
基于限定记忆递推最小二乘算法的智能电表运行误差远程估计;孔祥玉 等;《中国电机工程学报》;20200227;第40卷(第7期);第2143-2151页 * |
多率多输入***的辨识;韩丽丽;《中国优秀博硕士学位论文全文数据库 (博士) (信息科技辑)》;20110615(第06期);第I140-16页 * |
自回归模型的多新息随机梯度和多新息最小二乘辨识方法;廖育武 等;《科学技术与工程》;20080215;第8卷(第4期);第1058-1060页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114896829A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107643507B (zh) | 一种基于电网线路运行误差远程校准的精益线损分析与管控方法 | |
CN107817395B (zh) | 一种基于电网线路运行误差远程校准的窃电排查方法 | |
CN107016489A (zh) | 一种电力***抗差状态估计方法和装置 | |
CN111693928B (zh) | 电能表计量误差计算方法、装置和计算机设备 | |
CN104134999B (zh) | 基于多数据源的配电网量测有效性分析实用化计算方法 | |
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
CN107727955B (zh) | 一种基于电网线路运行误差远程校准的变压器损耗分析与管控方法 | |
CN115932702B (zh) | 基于虚拟标准器的电压互感器在线运行校准方法及装置 | |
CN108388962A (zh) | 一种风电功率预测***及方法 | |
CN113010998A (zh) | 基于随动线损及遗忘因子最小二乘法的电表误差估计方法 | |
CN112904266A (zh) | 一种电能表寿命预测方法及装置 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及*** | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、***、设备和介质 | |
CN106655152A (zh) | 一种基于ami量测特性的配电网状态估计方法 | |
CN113991711B (zh) | 一种光伏电站储能***容量配置方法 | |
CN109829246B (zh) | 一种基于参数综合可疑度的线路参数辨识方法 | |
CN111756031B (zh) | 一种电网运行趋势估算方法和*** | |
CN114896829B (zh) | 一种超差电表定位方法 | |
CN113468729B (zh) | 无标定方式的电力厂站计量装置运行误差测算方法及*** | |
CN113285440B (zh) | 一种低压台区降损优化方法 | |
CN112966358B (zh) | 一种基于数据修补的主动配电网状态感知方法 | |
CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及*** | |
CN108830744B (zh) | 一种电力***内指定地区外网等值模型的动态校验方法 | |
CN113987848A (zh) | 一种负荷构成智能识别及精准负荷建模方法及*** |
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 |