CN115204757A - 一种谐波污染分区方法 - Google Patents

一种谐波污染分区方法 Download PDF

Info

Publication number
CN115204757A
CN115204757A CN202211119913.6A CN202211119913A CN115204757A CN 115204757 A CN115204757 A CN 115204757A CN 202211119913 A CN202211119913 A CN 202211119913A CN 115204757 A CN115204757 A CN 115204757A
Authority
CN
China
Prior art keywords
harmonic
nodes
node
harmonic pollution
distribution network
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
Application number
CN202211119913.6A
Other languages
English (en)
Inventor
周子琛
罗梁骁
李振霖
晁苗苗
唐文楚
王杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202211119913.6A priority Critical patent/CN115204757A/zh
Publication of CN115204757A publication Critical patent/CN115204757A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/40—Arrangements for reducing harmonics

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种谐波污染分区方法，包括以下步骤：S1、采集配电网各节点的谐波电压数据，并对谐波电压数据进行填充，得到谐波电压序列；S2、根据谐波电压序列，计算配电网两节点间的关联度矩阵；S3、根据配电网两节点间的关联度矩阵，计算平均值和节点数期望值；S4、根据平均值和节点数期望值，对谐波污染进行分区，并计算谐波污染分区评价值，得到最佳谐波污染分区结果；本发明解决了现有谐波污染治理方法存在谐波污染分区精度不高的问题。

Description

一种谐波污染分区方法
技术领域
本发明涉及电力***领域，具体涉及一种谐波污染分区方法。
背景技术
近年来，电能质量在线监测***已成为我国建设范围最为广、谐波测量最为全的电力***管理分析平台，已实现全国省市级电网公司全覆盖，该***提供了海量的谐波污染监测数据，为通过数据驱动手段治理谐波污染问题提供了基础和有利条件。随着新能源发电方式多样化和大量电力电子负荷的接入，电网中谐波污染问题趋于复杂化、多样化，使得谐波源位置追溯更加困难。现有的谐波污染治理方法主要依靠人工经验分析和电网机理建模，存在谐波污染分区精度不高的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种谐波污染分区方法解决了现有谐波污染治理方法存在谐波污染分区精度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种谐波污染分区方法，包括以下步骤：
S1、采集配电网各节点的谐波电压数据，并对谐波电压数据进行填充，得到谐波电压序列；
S2、根据谐波电压序列，计算配电网两节点间的关联度矩阵；
S3、根据配电网两节点间的关联度矩阵，计算平均值和节点数期望值；
S4、根据平均值和节点数期望值，对谐波污染进行分区，并计算谐波污染分区评价值，得到最佳谐波污染分区结果。
进一步地，所述步骤S1中对谐波电压数据进行填充的方法为：根据采样时间去查找谐波电压数据中的丢失点，取丢失点左右相邻采样时间点的谐波电压值的平均值作为丢失点的谐波电压值。
进一步地，所述步骤S1中进行填充的公式为：
Figure 823492DEST_PATH_IMAGE001
其中，
Figure 604366DEST_PATH_IMAGE002
为第
Figure 120798DEST_PATH_IMAGE003
个采样时间点填充的谐波电压值，
Figure 961715DEST_PATH_IMAGE004
为第
Figure 563598DEST_PATH_IMAGE005
个采样时间点的谐波电压值，
Figure 944900DEST_PATH_IMAGE006
为第
Figure 315839DEST_PATH_IMAGE007
个采样时间点的谐波电压值。
进一步地，所述步骤S2中计算配电网两节点间的关联度矩阵的公式为：
Figure 327657DEST_PATH_IMAGE008
Figure 354519DEST_PATH_IMAGE009
其中，
Figure 533653DEST_PATH_IMAGE010
为配电网两节点间的关联度矩阵，
Figure 759098DEST_PATH_IMAGE011
为第
Figure 941818DEST_PATH_IMAGE012
个节点的谐波电压序列，
Figure 518293DEST_PATH_IMAGE013
为第
Figure 444660DEST_PATH_IMAGE014
个节点的谐波电压序列，
Figure 524612DEST_PATH_IMAGE015
为第
Figure 143812DEST_PATH_IMAGE012
个节点与第
Figure 942004DEST_PATH_IMAGE014
个节点间的距离，
Figure 406483DEST_PATH_IMAGE016
为配电网中节点的数量，
Figure 606520DEST_PATH_IMAGE017
为二范数运算。
进一步地，所述步骤S3中计算平均值的公式为：
Figure 396622DEST_PATH_IMAGE018
Figure 416530DEST_PATH_IMAGE019
其中，
Figure 950280DEST_PATH_IMAGE020
为将配电网两节点间的关联度矩阵
Figure 4824DEST_PATH_IMAGE010
的每一行元素升序排列，
Figure 700247DEST_PATH_IMAGE021
为升序排列后的矩阵，
Figure 473031DEST_PATH_IMAGE022
为升序排列后的矩阵中第
Figure 279313DEST_PATH_IMAGE023
行第
Figure 188363DEST_PATH_IMAGE024
列的元素，
Figure 320267DEST_PATH_IMAGE025
为第
Figure 580347DEST_PATH_IMAGE024
列所有元素的平均值，
Figure 190320DEST_PATH_IMAGE016
为配电网中节点的数量。
上述进一步方案的有益效果为：升序排列之后使得所有距离从小到大排列，从而使得计算后的平均值
Figure 219456DEST_PATH_IMAGE025
也从小到大排列，在平均值
Figure 256682DEST_PATH_IMAGE025
排列后，再以每个平均值
Figure 4058DEST_PATH_IMAGE025
领域中去找节点数量
Figure 417722DEST_PATH_IMAGE026
，使得计算的节点数量期望
Figure 301365DEST_PATH_IMAGE026
随平均值
Figure 509492DEST_PATH_IMAGE025
的变化规律而变化，在后续迭代过程中，平均值
Figure 478585DEST_PATH_IMAGE025
和节点数量期望
Figure 695940DEST_PATH_IMAGE026
从小范围逐步扩展到大范围的进行节点搜索，避免节点遗漏。
进一步地，所述步骤S3中计算节点数期望的公式为：
Figure 434089DEST_PATH_IMAGE027
其中，
Figure 78697DEST_PATH_IMAGE028
为第
Figure 535086DEST_PATH_IMAGE012
个节点以平均值
Figure 93149DEST_PATH_IMAGE025
为半径的邻域中节点数量，
Figure 951384DEST_PATH_IMAGE016
为配电网中节点的数量，
Figure 766893DEST_PATH_IMAGE026
为节点数期望。
进一步地，所述步骤S4包括以下分步骤：
S41、令
Figure 444999DEST_PATH_IMAGE024
=1；
S42、从配电网中选取一节点，作为参考节点；
S43、判断将参考节点作为中心，以平均值
Figure 4156DEST_PATH_IMAGE025
为半径的圆内是否存在不少于节点数期望
Figure 716897DEST_PATH_IMAGE026
的节点，若是，则该参考节点和其邻域内节点为一个谐波污染分区，并跳转至步骤S44，若否，则该参考点为噪声点，并跳转至步骤S44；
S44、从配电网中选取下一节点，作为参考节点，并跳转至步骤S43，直到配电网中所有节点遍历完；
S45、
Figure 703308DEST_PATH_IMAGE024
自加1，并跳转至步骤S42，直到所有平均值
Figure 134289DEST_PATH_IMAGE025
和节点数期望
Figure 231558DEST_PATH_IMAGE026
遍历完；
S46、计算谐波污染分区评价值，从经过步骤S41~S45得到的所有谐波污染分区选取最佳谐波污染分区结果。
上述进一步方案的有益效果为：本发明在不同的平均值
Figure 798806DEST_PATH_IMAGE025
和节点数期望
Figure 690539DEST_PATH_IMAGE026
下，去挖掘所有的噪声点，同时，将所有能分区的节点找到对应的谐波污染分区，因此可能存在一个节点对应多个分区的情况，通过计算谐波污染分区评价值，从而找到最佳谐波污染分区结果，提升分区精度；并且本发明在分区时遍历各平均值
Figure 343237DEST_PATH_IMAGE025
和节点数期望
Figure 244197DEST_PATH_IMAGE026
同时计算其对应分类结果的谐波污染分区评价值
Figure 931530DEST_PATH_IMAGE029
，谐波污染分区评价值
Figure 259743DEST_PATH_IMAGE029
最大时所对应的节点分类结果为最佳结果。
进一步地，所述步骤S46中计算谐波污染分区评价值公式为：
Figure 399737DEST_PATH_IMAGE030
其中，
Figure 838809DEST_PATH_IMAGE029
为第
Figure 380649DEST_PATH_IMAGE012
个节点的谐波污染分区评价值，
Figure 879763DEST_PATH_IMAGE031
为第
Figure 507054DEST_PATH_IMAGE012
个节点与其所在谐波污染分区内其他节点的平均值，
Figure 546554DEST_PATH_IMAGE032
为第
Figure 208479DEST_PATH_IMAGE012
个节点与其他谐波污染分区内节点的平均值中的最小值，
Figure 878495DEST_PATH_IMAGE033
为选取
Figure 727502DEST_PATH_IMAGE031
和
Figure 773956DEST_PATH_IMAGE032
的较大值。
上述进一步方案的有益效果为：在谐波污染分区评价值最大时，找到最佳谐波污染分区结果，距离其他谐波污染分区内节点越远，且距离自己所在谐波污染分区内节点越近的分区为最佳谐波污染分区结果。
本发明的有益效果为：本发明通过配电网两节点间的关联度矩阵去描述两节点间的关联程度，通过平均值和节点数期望值去衡量谐波污染分区的范围，通过多次循环迭代找到所有谐波污染分区，并通过谐波污染分区评价值找到最佳谐波污染分区结果，提升分区精度。
附图说明
图1为一种谐波污染分区方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种谐波污染分区方法，包括以下步骤：
S1、采集配电网各节点的谐波电压数据，并对谐波电压数据进行填充，得到谐波电压序列；
所述步骤S1中对谐波电压数据进行填充的方法为：根据采样时间去查找谐波电压数据中的丢失点，取丢失点左右相邻采样时间点的谐波电压值的平均值作为丢失点的谐波电压值。
所述步骤S1中进行填充的公式为：
Figure 24809DEST_PATH_IMAGE001
其中，
Figure 865726DEST_PATH_IMAGE002
为第
Figure 202029DEST_PATH_IMAGE003
个采样时间点填充的谐波电压值，
Figure 786594DEST_PATH_IMAGE004
为第
Figure 157533DEST_PATH_IMAGE005
个采样时间点的谐波电压值，
Figure 186929DEST_PATH_IMAGE006
为第
Figure 276108DEST_PATH_IMAGE007
个采样时间点的谐波电压值。
S2、根据谐波电压序列，计算配电网两节点间的关联度矩阵；
所述步骤S2中计算配电网两节点间的关联度矩阵的公式为：
Figure 195522DEST_PATH_IMAGE008
Figure 686547DEST_PATH_IMAGE009
其中，
Figure 869266DEST_PATH_IMAGE010
为配电网两节点间的关联度矩阵，
Figure 180162DEST_PATH_IMAGE011
为第
Figure 106529DEST_PATH_IMAGE012
个节点的谐波电压序列，
Figure 452060DEST_PATH_IMAGE013
为第
Figure 805681DEST_PATH_IMAGE014
个节点的谐波电压序列，
Figure 603873DEST_PATH_IMAGE015
为第
Figure 68352DEST_PATH_IMAGE012
个节点与第
Figure 268389DEST_PATH_IMAGE014
个节点间的距离，
Figure 792912DEST_PATH_IMAGE016
为配电网中节点的数量，
Figure 78399DEST_PATH_IMAGE017
为二范数运算。
S3、根据配电网两节点间的关联度矩阵，计算平均值和节点数期望值；
所述步骤S3中计算平均值的公式为：
Figure 612149DEST_PATH_IMAGE018
Figure 666693DEST_PATH_IMAGE019
其中，
Figure 362116DEST_PATH_IMAGE020
为将配电网两节点间的关联度矩阵
Figure 134900DEST_PATH_IMAGE010
的每一行元素升序排列，
Figure 206761DEST_PATH_IMAGE021
为升序排列后的矩阵，
Figure 115812DEST_PATH_IMAGE022
为升序排列后的矩阵中第
Figure 247716DEST_PATH_IMAGE023
行第
Figure 242216DEST_PATH_IMAGE024
列的元素，
Figure 914506DEST_PATH_IMAGE025
为第
Figure 678063DEST_PATH_IMAGE024
列的所有元素的平均值，
Figure 980868DEST_PATH_IMAGE016
为配电网中节点的数量。
所述步骤S3中计算节点数期望的公式为：
Figure 462665DEST_PATH_IMAGE027
其中，
Figure 876329DEST_PATH_IMAGE028
为第
Figure 759971DEST_PATH_IMAGE012
个节点以平均值
Figure 233678DEST_PATH_IMAGE025
为半径的邻域中节点数量，
Figure 937192DEST_PATH_IMAGE016
为配电网中节点的数量，
Figure 160406DEST_PATH_IMAGE026
为节点数期望。
S4、根据平均值和节点数期望值，对谐波污染进行分区，并计算谐波污染分区评价值，得到最佳谐波污染分区结果。
所述步骤S4包括以下分步骤：
S41、令
Figure 898555DEST_PATH_IMAGE024
=1；
S42、从配电网中选取一节点，作为参考节点；
S43、判断将参考节点作为中心，以平均值
Figure 543163DEST_PATH_IMAGE025
为半径的圆内是否存在不少于节点数期望
Figure 999552DEST_PATH_IMAGE026
的节点，若是，则该参考节点和其邻域内节点为一个谐波污染分区，并跳转至步骤S44，若否，则该参考点为噪声点，并跳转至步骤S44；
S44、从配电网中选取下一节点，作为参考节点，并跳转至步骤S43，直到配电网中所有节点遍历完；
S45、
Figure 755018DEST_PATH_IMAGE024
自加1，并跳转至步骤S42，直到所有平均值
Figure 409990DEST_PATH_IMAGE025
和节点数期望
Figure 959921DEST_PATH_IMAGE026
遍历完；
S46、计算谐波污染分区评价值，从经过步骤S41~S45得到的所有谐波污染分区选取最佳谐波污染分区结果。
所述步骤S46中计算谐波污染分区评价值公式为：
Figure 903606DEST_PATH_IMAGE030
其中，
Figure 666025DEST_PATH_IMAGE029
为第
Figure 175504DEST_PATH_IMAGE012
个节点的谐波污染分区评价值，
Figure 161915DEST_PATH_IMAGE031
为第
Figure 327317DEST_PATH_IMAGE012
个节点与其所在谐波污染分区内其他节点的平均值，
Figure 424586DEST_PATH_IMAGE032
为第
Figure 257413DEST_PATH_IMAGE012
个节点与其他谐波污染分区内节点的平均值中的最小值，
Figure 414724DEST_PATH_IMAGE033
为选取
Figure 67423DEST_PATH_IMAGE031
和
Figure 968383DEST_PATH_IMAGE032
的较大值。

Claims (8)

1.一种谐波污染分区方法，其特征在于，包括以下步骤：
S1、采集配电网各节点的谐波电压数据，并对谐波电压数据进行填充，得到谐波电压序列；
S2、根据谐波电压序列，计算配电网两节点间的关联度矩阵；
S3、根据配电网两节点间的关联度矩阵，计算平均值和节点数期望值；
S4、根据平均值和节点数期望值，对谐波污染进行分区，并计算谐波污染分区评价值，得到最佳谐波污染分区结果。
2.根据权利要求1所述的谐波污染分区方法，其特征在于，所述S1中对谐波电压数据进行填充的方法为：根据采样时间去查找谐波电压数据中的丢失点，取丢失点左右相邻采样时间点的谐波电压值的平均值作为丢失点的谐波电压值。
3.根据权利要求2所述的谐波污染分区方法，其特征在于，所述S1中进行填充的公式为：
Figure 327835DEST_PATH_IMAGE001
其中，
Figure 390469DEST_PATH_IMAGE002
为第
Figure 327201DEST_PATH_IMAGE003
个采样时间点填充的谐波电压值，
Figure 31852DEST_PATH_IMAGE004
为第
Figure 438605DEST_PATH_IMAGE005
个采样时间点的谐波电压值，
Figure 937720DEST_PATH_IMAGE006
为第
Figure 565010DEST_PATH_IMAGE007
个采样时间点的谐波电压值。
4.根据权利要求1所述的谐波污染分区方法，其特征在于，所述S2中计算配电网两节点间的关联度矩阵的公式为：
Figure 542194DEST_PATH_IMAGE008
Figure 938540DEST_PATH_IMAGE009
其中，
Figure 405293DEST_PATH_IMAGE010
为配电网两节点间的关联度矩阵，
Figure 519880DEST_PATH_IMAGE011
为第
Figure 300754DEST_PATH_IMAGE012
个节点的谐波电压序列，
Figure 348345DEST_PATH_IMAGE013
为第
Figure 189262DEST_PATH_IMAGE014
个节点的谐波电压序列，
Figure 525565DEST_PATH_IMAGE015
为第
Figure 110130DEST_PATH_IMAGE012
个节点与第
Figure 277806DEST_PATH_IMAGE014
个节点间的距离，
Figure 289625DEST_PATH_IMAGE016
为配电网中节点的数量，
Figure 378803DEST_PATH_IMAGE017
为二范数运算。
5.根据权利要求1所述的谐波污染分区方法，其特征在于，所述S3中计算平均值的公式为：
Figure 235901DEST_PATH_IMAGE018
Figure 461346DEST_PATH_IMAGE019
其中，
Figure 706382DEST_PATH_IMAGE020
为将配电网两节点间的关联度矩阵
Figure 17278DEST_PATH_IMAGE010
的每一行元素升序排列，
Figure 678066DEST_PATH_IMAGE021
为升序排列后的矩阵，
Figure 23597DEST_PATH_IMAGE022
为升序排列后的矩阵中第
Figure 173956DEST_PATH_IMAGE023
行第
Figure 503306DEST_PATH_IMAGE024
列的元素，
Figure 961926DEST_PATH_IMAGE025
为第
Figure 958701DEST_PATH_IMAGE024
列所有元素的平均值，
Figure 545540DEST_PATH_IMAGE016
为配电网中节点的数量。
6.根据权利要求5所述的谐波污染分区方法，其特征在于，所述S3中计算节点数期望的公式为：
Figure 362186DEST_PATH_IMAGE026
其中，
Figure 161515DEST_PATH_IMAGE027
为第
Figure 809534DEST_PATH_IMAGE012
个节点以平均值
Figure 301695DEST_PATH_IMAGE025
为半径的邻域中节点数量，
Figure 605638DEST_PATH_IMAGE016
为配电网中节点的数量，
Figure 146340DEST_PATH_IMAGE028
为节点数期望。
7.根据权利要求6所述的谐波污染分区方法，其特征在于，所述S4包括以下分步骤：
S41、令
Figure 852128DEST_PATH_IMAGE024
=1；
S42、从配电网中选取一节点，作为参考节点；
S43、判断将参考节点作为中心，以平均值
Figure 515191DEST_PATH_IMAGE025
为半径的圆内是否存在不少于节点数期望
Figure 306429DEST_PATH_IMAGE028
的节点，若是，则该参考节点和其邻域内节点为一个谐波污染分区，并跳转至步骤S44，若否，则该参考点为噪声点，并跳转至步骤S44；
S44、从配电网中选取下一节点，作为参考节点，并跳转至步骤S43，直到配电网中所有节点遍历完；
S45、
Figure 447561DEST_PATH_IMAGE024
自加1，并跳转至步骤S42，直到所有平均值
Figure 742276DEST_PATH_IMAGE025
和节点数期望
Figure 576239DEST_PATH_IMAGE028
遍历完；
S46、计算谐波污染分区评价值，从经过步骤S41~S45得到的所有谐波污染分区选取最佳谐波污染分区结果。
8.根据权利要求7所述的谐波污染分区方法，其特征在于，所述S46中计算谐波污染分区评价值公式为：
Figure 126213DEST_PATH_IMAGE029
其中，
Figure 602193DEST_PATH_IMAGE030
为第
Figure 344890DEST_PATH_IMAGE012
个节点的谐波污染分区评价值，
Figure 349755DEST_PATH_IMAGE031
为第
Figure 850007DEST_PATH_IMAGE012
个节点与其所在谐波污染分区内其他节点的平均值，
Figure 536203DEST_PATH_IMAGE032
为第
Figure 336669DEST_PATH_IMAGE012
个节点与其他谐波污染分区内节点的平均值中的最小值，
Figure 512435DEST_PATH_IMAGE033
为选取
Figure 703245DEST_PATH_IMAGE031
和
Figure 989870DEST_PATH_IMAGE032
的较大值。
CN202211119913.6A 2022-09-15 2022-09-15 一种谐波污染分区方法 Pending CN115204757A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211119913.6A CN115204757A (zh) 2022-09-15 2022-09-15 一种谐波污染分区方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211119913.6A CN115204757A (zh) 2022-09-15 2022-09-15 一种谐波污染分区方法

Publications (1)

Publication Number Publication Date
CN115204757A true CN115204757A (zh) 2022-10-18

Family

ID=83572983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211119913.6A Pending CN115204757A (zh) 2022-09-15 2022-09-15 一种谐波污染分区方法

Country Status (1)

Country Link
CN (1) CN115204757A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6584433B1 (en) * 2000-10-04 2003-06-24 Hewlett-Packard Development Company Lp Harmonic average based clustering method and system
WO2007072400A2 (en) * 2005-12-20 2007-06-28 Koninklijke Philips Electronics N.V. A method and apparatus for determining the location of nodes in a wireless network
CN102323469A (zh) * 2011-07-27 2012-01-18 四川大学 谐波负荷状态监测***
US20120089264A1 (en) * 2007-08-27 2012-04-12 Patel Sureshchandra B System and method of loadflow calculation for electrical power system
CN108242812A (zh) * 2018-03-19 2018-07-03 东北大学 基于模块度优化的双阶段无功电压分区方法及***
CN108281963A (zh) * 2018-01-17 2018-07-13 浙江大学 一种适用于含多个柔性多状态开关的配电网分区方法
CN110850164A (zh) * 2019-10-25 2020-02-28 华北电力大学 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法
CN111898499A (zh) * 2020-07-17 2020-11-06 东南大学 基于互近似熵与聚类的多谐波源谐波责任划分方法
CN114444589A (zh) * 2022-01-25 2022-05-06 国网山西省电力公司电力科学研究院 一种基于kDBA聚类的谐波污染分区方法
CN114912356A (zh) * 2022-05-12 2022-08-16 国网重庆市电力公司电力科学研究院 冲击性负荷的分段概率谐波模型构建方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6584433B1 (en) * 2000-10-04 2003-06-24 Hewlett-Packard Development Company Lp Harmonic average based clustering method and system
WO2007072400A2 (en) * 2005-12-20 2007-06-28 Koninklijke Philips Electronics N.V. A method and apparatus for determining the location of nodes in a wireless network
US20120089264A1 (en) * 2007-08-27 2012-04-12 Patel Sureshchandra B System and method of loadflow calculation for electrical power system
CN102323469A (zh) * 2011-07-27 2012-01-18 四川大学 谐波负荷状态监测***
CN108281963A (zh) * 2018-01-17 2018-07-13 浙江大学 一种适用于含多个柔性多状态开关的配电网分区方法
CN108242812A (zh) * 2018-03-19 2018-07-03 东北大学 基于模块度优化的双阶段无功电压分区方法及***
CN110850164A (zh) * 2019-10-25 2020-02-28 华北电力大学 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法
CN111898499A (zh) * 2020-07-17 2020-11-06 东南大学 基于互近似熵与聚类的多谐波源谐波责任划分方法
CN114444589A (zh) * 2022-01-25 2022-05-06 国网山西省电力公司电力科学研究院 一种基于kDBA聚类的谐波污染分区方法
CN114912356A (zh) * 2022-05-12 2022-08-16 国网重庆市电力公司电力科学研究院 冲击性负荷的分段概率谐波模型构建方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
DENG JIANG: "Figure on Difference Information", 《JOURNAL OF GREY SYSTEMS》 *
QI FEI 等: "Research on the responsibility partition of harmonic pollution and harmonic impedance based on the total least-squares regression method", 《2014 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY》 *
李晓萍: "K-means算法对综合商场客户价值分类的研究", 《电子技术与软件工程》 *
王杨 等: "基于kDBA++聚类算法的谐波污染分区策略", 《工程科学与技术》 *
胡金磊 等: "基于自适应DBSCAN 算法的开关柜绝缘状态评价方法", 《电工技术学报》 *
陈叶旺等: "密度峰值聚类算法综述", 《计算机研究与发展》 *
雷达 等: "基于DBSCAN聚类和数据筛选的***谐波阻抗估算", 《电测与仪表》 *

Similar Documents

Publication Publication Date Title
CN110568374B (zh) 基于考虑内外特性的锂离子电池剩余使用寿命预测方法
CN111401755B (zh) 基于马尔科夫链的多新能源出力场景生成方法、装置及***
CN108985381B (zh) 氮氧化物排放量预测模型的确定方法、装置及设备
CN107909212B (zh) 基于中尺度风电功率发展过程序列化的爬坡事件预测方法
CN109583588B (zh) 一种短期风速预测方法及***
CN111639191A (zh) 一种新型冠状病毒知识图谱模拟疫情发展趋势的预测方法
CN112668802A (zh) 一种基于设计参数的施工碳排放预测方法
CN110555058A (zh) 基于改进决策树的电力通信设备状态的预测方法
CN114970353A (zh) 基于缺失数据填充的mswi过程二噁英排放软测量方法
CN110287237B (zh) 一种基于社会网络结构分析社团数据挖掘方法
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
CN111062539A (zh) 基于次级用电量特性聚类分析的总电量预测方法
CN117910668A (zh) 一种考虑多不确定性因素的电力***演化路径规划方法
CN114358193A (zh) 基于油色谱的变压器状态诊断方法、终端及存储介质
CN116667369B (zh) 一种基于图卷积神经网络的分布式光伏电压控制方法
CN114266396A (zh) 一种基于电网特征智能筛选的暂态稳定判别方法
CN115204757A (zh) 一种谐波污染分区方法
CN116662412B (zh) 一种电网配用电大数据的数据挖掘方法
CN113704565A (zh) 基于全局区间误差的学习型时空索引方法、装置及介质
CN109934917B (zh) 基于机器学习预测计算强度的并行化点云生成dem方法
CN116319377A (zh) 一种抵御网络攻击的配电网分布式动态状态估计方法
CN115579885A (zh) 一种电网拓扑分析方法及装置
Zhang et al. An improved genetic algorithm for the re-entrant and flexible job-shop scheduling problem
CN115101136A (zh) 一种大型铝电解槽全局阳极效应预测方法
CN114298133A (zh) 短期风速混合预测方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20221018