-
公开(公告)号:CN109064009B
公开(公告)日:2021-10-15
申请号:CN201810849230.3
申请日:2018-07-28
申请人: 国网江苏省电力有限公司电力科学研究院 , 国家电网有限公司 , 河海大学 , 江苏省电力试验研究院有限公司
摘要: 本发明公开一种基于EMS系统底层负荷出线和专变用户的日负荷数据,获取时变的变电站行业构成的方法,采用纵向聚类求平均值的方法分别提取每条底层出线的典型日负荷曲线;对所有出线的典型日负荷曲线进行横向聚类分析,获得220kV变电站下所有底层出线的聚类情况;最后,根据所有底层出线和专变用户的行业归属情况,自下而上聚合得到变电站的行业构成比例;本发明基于EMS系统数据进行分析,可在线获取变电站行业构成比例,无需人工统计调查;又可以获取时变的行业构成比例,有利于解决负荷建模的时变性问题。
-
公开(公告)号:CN109064009A
公开(公告)日:2018-12-21
申请号:CN201810849230.3
申请日:2018-07-28
申请人: 国网江苏省电力有限公司电力科学研究院 , 国家电网有限公司 , 河海大学 , 江苏省电力试验研究院有限公司
CPC分类号: G06Q10/067 , G06Q50/06
摘要: 本发明公开一种基于EMS系统底层负荷出线和专变用户的日负荷数据,获取时变的变电站行业构成的方法,采用纵向聚类求平均值的方法分别提取每条底层出线的典型日负荷曲线;对所有出线的典型日负荷曲线进行横向聚类分析,获得220kV变电站下所有底层出线的聚类情况;最后,根据所有底层出线和专变用户的行业归属情况,自下而上聚合得到变电站的行业构成比例;本发明基于EMS系统数据进行分析,可在线获取变电站行业构成比例,无需人工统计调查;又可以获取时变的行业构成比例,有利于解决负荷建模的时变性问题。
-
公开(公告)号:CN109992930A
公开(公告)日:2019-07-09
申请号:CN201910430705.X
申请日:2019-05-22
申请人: 国网江苏省电力有限公司电力科学研究院 , 国家电网有限公司 , 河海大学 , 江苏省电力试验研究院有限公司
IPC分类号: G06F17/50
摘要: 本发明公开了一种气象敏感负荷功率估算方法及装置。包括:获取气象敏感负荷功率估算模型;向气象敏感负荷功率估算模型输入待估算日的日负荷曲线,以提取待估算日的日负荷曲线降维特征;根据待估算日的日负荷曲线降维特征,以及日负荷曲线的降维特征到气象敏感负荷功率间的映射,输出气象敏感负荷功率。本发明提出的估算模型可以由日负荷曲线直接获得气象敏感负荷功率曲线,尤其适用于实际应用时气象数据经常缺失的情况。模型中的堆栈自编码器SAE模型可以无监督提取日负荷曲线的降维特征,大幅减少了全连接层的输入神经元个数,从而大幅减少了全连接层的网络参数,显著降低了模型训练难度。
-
公开(公告)号:CN108830415A
公开(公告)日:2018-11-16
申请号:CN201810607600.2
申请日:2018-06-13
申请人: 国网江苏省电力有限公司电力科学研究院 , 国家电网有限公司 , 河海大学 , 江苏省电力试验研究院有限公司
摘要: 本发明公开了一种基于非线性关联模型及气象敏感负荷功率估算方法。包括:首先,对负荷功率及气象数据进行预处理。其次,采用不同月相似日相同时刻的负荷功率、气象数据组成“纵向”数据样本。然后,建立负荷-气象非线性关联模型。最后,采用“纵向”样本数据辨识模型参数,并计算总负荷功率中的气象敏感负荷功率。本发明采用“纵向”数据样本消除用户用电习惯对负荷功率的影响,并考虑温度的积累效应和体感温度,构建负荷-气象非线性关联模型,可以准确描述负荷功率与气象因素之间的相关性,且有效避免了传统方法未考虑不同季节基准负荷差异的缺陷。
-
公开(公告)号:CN108763820A
公开(公告)日:2018-11-06
申请号:CN201810606900.9
申请日:2018-06-13
申请人: 国网江苏省电力有限公司电力科学研究院 , 国家电网有限公司 , 河海大学 , 江苏省电力试验研究院有限公司
IPC分类号: G06F17/50
CPC分类号: G06F17/5009
摘要: 本发明公开了一种基于堆栈自编码器的气象敏感负荷功率估算方法。包括:在SAE模型的输出端增加多层全连接层,建立基于SAE的气象敏感负荷功率估算模型。利用SAE的无监督学习提取日负荷曲线的降维特征,利用气象敏感负荷功率曲线作为有标签样本训练全连接层,从而在全连接层形成由日负荷曲线降维特征到气象敏感负荷功率间的映射。本发明提出的估算模型可以由日负荷曲线直接获得气象敏感负荷功率曲线,尤其适用于实际应用时气象数据经常缺失的情况。SAE可以无监督提取日负荷曲线的降维特征,大幅减少了全连接层的输入神经元个数,从而大幅减少了全连接层的网络参数,显著降低了模型训练难度。
-
-
-
-
-