[发明专利]一种电网用户用电功率曲线数据填补方法和装置有效

专利信息
申请号: 201611137865.8 申请日: 2016-12-12
公开(公告)号: CN106651651B 公开(公告)日: 2021-10-01
发明(设计)人: 陈江琦;陈其鹏;杨訸 申请(专利权)人: 全球能源互联网研究院有限公司;国网上海市电力公司;国家电网有限公司
主分类号: G06Q50/06 分类号: G06Q50/06;G06Q10/04
代理公司: 北京安博达知识产权代理有限公司 11271 代理人: 徐国文
地址: 102209 北京*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 电网 用户 用电 功率 曲线 数据 填补 方法 装置
【说明书】:

发明提供了一种电网用户用电功率曲线数据填补方法和装置,该方法包括根据台区线路T的状态估计线损率,并根据用户日曲线状态估计缺失的用户功率数据;微调线损率估计值和缺失的用户功率估计值,完成缺失数据的填补。该装置包括估计单元和调节单元。本发明提供的技术方案采用纵横结合的方式填补数据并作微调,能够得到更优更稳健的结果,提高了曲线数据填补的正确性。

技术领域

本发明涉及大数据的数据填补领域,具体讲涉及一种电网用户用电功率曲线数据填补方法和装置。

背景技术

随着大数据时代的到来和电力系统信息化程度的不断提高,电力大数据呈爆炸式增长,且种类也越来越多。现有电力系统分析中多用采集的数据建立模型实现用户用电分析,对后续窃电检测、负荷预测等提供帮助,对智能电网业务模式创新和发展极为重要。

电力系统中的各类数据的监控与采集是电力系统调度运行、安全稳定分析、设备状态与风险评估的基础。然而,在电力系统的实际运行中,由于数据采集通道错误、远程终端单元故障等原因会导致观测数据出现反常态势,与大多数观测值不一致,此外由于线路的检修、切负荷停电和大事件冲击有可能会导致观测数据违背常规,使电力系统数据对智能电网系统的分析造成困难,因此在数据分析前需采用一种数据补充方法将缺失的数据补充完整,提高电力系统数据分析的准确性和曲线类数据的可用性,为后续分析提供支持。

发明内容

为满足现有技术发展的需要,本发明提供了一种电网用户用电功率曲线数据填补方法。

本发明提供的电网用户用电功率曲线数据填补方法,其改进之处在于,所述方法包括:

根据台区线路T的状态估计线损率,并根据用户日曲线状态估计缺失的用户功率;

微调线损率估计值和缺失的用户功率估计值。

进一步的,所述线损率的估计包括:

按下式计算样本Rdm在时刻(d,m)∈G时的线损率rdm0

其中,样本Rdm=[rdm1,rdm2,…,rdmN],PdmT:台区总功率;rdmn:用户n在d天时刻m的功率占台区总功率的比率,Pdmn:用户n的功率;Pdm0:线损功率;N:台区下的用户数目;n:用户编号,为从1到N的整数;时刻(d,m):第d天的时刻m的记录,d∈D,D:记录日的集合;m∈M,M:记录时刻的集合;G:台区所有用户功率记录的时刻集合。

进一步的,所述线损率的估计包括:

时刻样本Rdm不完整,则通过“城市块距离”的K-近邻算法在u个用户有记录的数据中节选最近的k1个样本按下式估计样本Rdm的线损率

式中,i:天数,i∈D;j:时刻数,j∈M;n1,n2,…,nu:表示u个用户;第i天第j时刻用户nu的功率占台区总功率的比率;u个用户在第i天第j时刻的线损率。

进一步的,所述缺失的用户功率的估计包括:

设第d天用户n的功率日曲线记录为Ldn=[Pd1n,Pd2n,…,PdMn],在时刻通过“相关性距离”的K-近邻算法在第i天用户t的功率日曲线记录中节选相关性最大的k2个样本按下式估计缺失的用户功率数据

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于全球能源互联网研究院有限公司;国网上海市电力公司;国家电网有限公司,未经全球能源互联网研究院有限公司;国网上海市电力公司;国家电网有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201611137865.8/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top