-
公开(公告)号：CN108960657A
公开(公告)日：2018-12-07
申请号：CN201810771748.X
申请日：2018-07-13
CPC classification number: G06Q10/0639 , G06K9/6223 , G06K9/6228 , G06Q50/06
Abstract: 本发明涉及一种基于特征优选的楼宇负荷特性分析方法，该方法包括如下步骤：(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。与现有技术相比，本发明特征优选聚类方法能够有效提取出关键影响特征，提高聚类的质量，并且计算速度快，通用型强，分析结果准确可靠。
-
公开(公告)号：CN109993361A
公开(公告)日：2019-07-09
申请号：CN201910251522.1
申请日：2019-03-29
Abstract: 本发明涉及一种基于PMU的配电网运行趋势预测方法，包括下列步骤：S1：获取包括PMU量测数据、SCADA数据和营销数据在内的配电网的量测数据，建立配电网运行量测数据库，并对不良量测数据进行预处理；S2：建立多维灰色‑神经网络混合协调预测模型，将配电网量测数据作为输入数据，对下一时刻系统各节点的出力情况进行预测；S3：建立融合PMU的支路电流的前推回代潮流算法，利用该算法对步骤S2的预测结果计算各个预测时刻的电压，获取潮流结果；S4：获取每个预测时刻的潮流结果，实现基于PMU的配电网运行趋势预测。与现有技术相比，本发明具有反映配电网的运行趋势更加准确、预测精度高、收敛速度快等优点。
-
公开(公告)号：CN109583645A
公开(公告)日：2019-04-05
申请号：CN201811433017.0
申请日：2018-11-28
Applicant: 上海电力学院
Abstract: 本发明涉及一种公共楼宇短期负荷预测方法，考虑了天气情况、气温、体感温度等外部条件变化对负荷的影响，采用互信息的方法挑选出对负荷影响最大的气象因素；以关键影响因素为基准，采用欧式距离选择相似日，并将相似日按照欧氏距离从小到大的顺序进行排列，提高预测性能和预测的有效性；对采用ARIMA进行初次负荷预测，将其预测值与相似日的负荷值、相似日以及预测日的的关键影响因素值作为BP神经网络的输入，形成ARIMA-BP混合模型，进行第二次负荷预测，预测结果具有科学性和准确性。
-
Patent Agency Ranking
公开(公告)号：CN109064353A
公开(公告)日：2018-12-21
申请号：CN201810771056.5
申请日：2018-07-13
CPC classification number: G06Q50/06 , G06K9/6218 , G06Q10/06393
Abstract: 本发明涉及一种基于改进聚类融合的大型建筑用户行为分析方法，该方法用于确定大型建筑用户的用电模式，该方法包括如下步骤：(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据；(2)构建聚类效果综合评价指标，选取多种优质聚类方法；(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到不同聚类结果；(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。与现有技术相比，本发明可以吸取不同单一聚类算法的优点，其有效性与准确度均高于单一聚类方法，且拓展性得到提高。
-
公开(公告)号：CN108460486A
公开(公告)日：2018-08-28
申请号：CN201810178916.4
申请日：2018-03-05
Abstract: 本发明涉及一种基于改进聚类算法和神经网络的电压偏差预测方法，包括：1、采集电网某历史时间段不同时刻的电压偏差数据和气象数据作为历史数据，通过天气预报获取待测时刻的气象数据；2、通过PCA对历史时间段和待测时刻的气象数据进行降维处理，选取若干主成分作为综合气象变量；3、通过结合AP聚类算法的K-means聚类算法对综合气象变量数据进行聚类，得到多个类簇；4、选取与待测时刻气象数据同一类簇的历史数据作为训练样本数据集，通过BP神经网络进行训练并得到待测时刻的电压偏差预测结果。与现有技术相比，本发明考虑气象因素对电压偏差的影响，利用改进聚类算法提取训练样本，减少了信息干扰，提高了预测精度。
-
公开(公告)号：CN109993361B
公开(公告)日：2023-06-13
申请号：CN201910251522.1
申请日：2019-03-29
Abstract: 本发明涉及一种基于PMU的配电网运行趋势预测方法，包括下列步骤：S1：获取包括PMU量测数据、SCADA数据和营销数据在内的配电网的量测数据，建立配电网运行量测数据库，并对不良量测数据进行预处理；S2：建立多维灰色‑神经网络混合协调预测模型，将配电网量测数据作为输入数据，对下一时刻系统各节点的出力情况进行预测；S3：建立融合PMU的支路电流的前推回代潮流算法，利用该算法对步骤S2的预测结果计算各个预测时刻的电压，获取潮流结果；S4：获取每个预测时刻的潮流结果，实现基于PMU的配电网运行趋势预测。与现有技术相比，本发明具有反映配电网的运行趋势更加准确、预测精度高、收敛速度快等优点。
-
公开(公告)号：CN109064353B
公开(公告)日：2022-07-01
申请号：CN201810771056.5
申请日：2018-07-13
Abstract: 本发明涉及一种基于改进聚类融合的大型建筑用户行为分析方法，该方法用于确定大型建筑用户的用电模式，该方法包括如下步骤：(1)获取待分析的大型建筑用户的总负荷数据以及分项计量数据；(2)构建聚类效果综合评价指标，选取多种优质聚类方法；(3)采用选取的优质聚类方法分别对待分析的大型建筑用户的总负荷数据进行聚类得到不同聚类结果；(4)对所述的优质聚类方法得到的聚类结果进行融合得到最终用电模式。与现有技术相比，本发明可以吸取不同单一聚类算法的优点，其有效性与准确度均高于单一聚类方法，且拓展性得到提高。
-
公开(公告)号：CN108960657B
公开(公告)日：2021-11-12
申请号：CN201810771748.X
申请日：2018-07-13
Abstract: 本发明涉及一种基于特征优选的楼宇负荷特性分析方法，该方法包括如下步骤：(1)获取待分析时间区间内楼宇负荷数据以及影响楼宇负荷的样本特征，所述的样本特征包括气象类特征和负荷类特征；(2)基于楼宇负荷数据对样本特征进行综合优选，选取影响楼宇负荷的优选特征；(3)对优选特征进行加权聚类，确定不同的用电模式，结合负荷数据确定每种用电模式下的负荷分布。与现有技术相比，本发明特征优选聚类方法能够有效提取出关键影响特征，提高聚类的质量，并且计算速度快，通用型强，分析结果准确可靠。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.021 seconds)
