[go: up one dir, main page]

CN111708987B - 一种变电站多台并联变压器负荷预测方法 - Google Patents

一种变电站多台并联变压器负荷预测方法 Download PDF

Info

Publication number
CN111708987B
CN111708987B CN202010549550.4A CN202010549550A CN111708987B CN 111708987 B CN111708987 B CN 111708987B CN 202010549550 A CN202010549550 A CN 202010549550A CN 111708987 B CN111708987 B CN 111708987B
Authority
CN
China
Prior art keywords
load
substation
transformer
transformers
data
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
Application number
CN202010549550.4A
Other languages
English (en)
Other versions
CN111708987A (zh
Inventor
王有元
刘航
陈伟根
杜林�
李剑
张宇波
周湶
王飞鹏
黄正勇
万福
谭亚雄
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.)
Chongqing University
Original Assignee
Chongqing 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 Chongqing University filed Critical Chongqing University
Priority to CN202010549550.4A priority Critical patent/CN111708987B/zh
Publication of CN111708987A publication Critical patent/CN111708987A/zh
Application granted granted Critical
Publication of CN111708987B publication Critical patent/CN111708987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种变电站多台并联变压器负荷预测方法，包括以下步骤：步骤1，获取设定时间段内所述变电站的历史数据，包括该设定时间段内变电站负荷数据，每台变压器的负荷数据，变电站运行方式数据；步骤2，使用变电站的历史数据计算变电站以运行方式Cj运行时变压器Ti在t时刻的负载分配系数Ft(Ti，Cj)；步骤3，以步骤2获得的负载分配系数Ft(Ti，Cj)，结合变电站的负荷Ls(t)，使用非线性回归函数G(Ls(t)，Ti，Cj)量化负载分配系数Ft(Ti，Cj)与变电站的负荷Ls(t)的非线性映射关系；步骤4，以步骤3获得的非线性回归函数G(Ls(t)，Ti，Cj)，结合变电站的负荷Ls(t)，对t时刻第i台变压器的负荷Li(t)进行预测。在提升变压器负荷预测结果准确性的前提下极大减小了负荷预测建模的工作量，实现了精度和效率两项性能的双重提升。

Description

一种变电站多台并联变压器负荷预测方法
技术领域
本发明涉及电力设备负荷预测领域，尤其涉及一种变电站多台并联变压器负荷预测方法。
背景技术
变压器负荷是影响设备健康状态和绝缘寿命的重要因素，实现准确的变压器负荷预测对优化负荷分配、设备状态评估与故障预测具有重要意义。在实际中，除了日类型、季节和气象等常规因素外，变压器负荷还会受变电站运行方式变化的影响呈现出比变电站级负荷更为复杂的变化规律，使得现有的电力系统负荷预测技术无法准确地预测变压器的负荷。另一方面，电网中变压器数量巨大，单独为每台设备建立负荷预测模型会产生繁重的工作量。
现有技术文件1(邓志祥等.一种配电变压器及配电线路的负荷预测方法[P].CN110009136A,2019-07-12.)公开了一种配电变压器及配电线路的负荷预测方法，对历史负荷、气象数据、工作日类型等各个权值进行初始化处理，进行基于Elman神经网络算法的神经元计算和预测。
现有技术文件1公开的方法将传统的针对电力系统级别的负荷预测方法沿用至变压器级别的负荷。然而，在实际中，除了历史负荷、气象数据和工作日类型等常规因素外，变压器负荷还会受变电站运行方式调整等特殊因素影响而改变，呈现出比系统级负荷更为复杂的变化规律，如果只考虑常规因素而忽略变电站运行方式对变压器负荷的影响，会引起较大的预测误差。另一方面，电网中的变压器数量巨大，为每台变压器单独建立负荷预测模型会产生繁重的工作量。
发明内容
本发明的目的在于，提供一种变电站多台并联变压器负荷预测方法，通过定义“负载分配系数”和使用非线性回归函数量化变电站不同运行方式下并联变压器负荷与变电站负荷之间的非线性映射关系，实现对多台并联变压器负荷的预测。
本发明采用如下的技术方案。一种变电站多台并联变压器负荷预测方法，以Ti表示变电站内N台并联运行的变压器中的第i台变压器，N，i是正整数，N≥2，1≤i≤N；Cj表示变电站K种运行方式中的第j种运行方式，K，j是正整数，K≥2，1≤j≤K；t表示量测时刻，t是正整数；Li(t)表示t时刻第i台变压器的负荷；Ls(t)表示t时刻变电站的负荷；其特征在于，包括以下步骤：
步骤1，获取设定时间段内所述变电站的历史数据，包括该设定时间段内变电站负荷数据，每台变压器的负荷数据，变电站运行方式数据；
步骤2，使用变电站的历史数据采用如下公式(1)计算变电站以运行方式Cj运行时变压器Ti在t时刻的负载分配系数Ft(Ti，Cj)
Figure BDA0002542016520000021
式中：
Ft(Ti，Cj)表示负载分配系数；
Ti表示变电站内N台并联运行的变压器中的第i台变压器；
Cj表示变电站K种运行方式中的第j种运行方式；
t表示量测时刻；
Li(t)表示t时刻第i台变压器的负荷；
Ls(t)表示t时刻变电站的负荷；
步骤3，以步骤2获得的负载分配系数Ft(Ti，Cj)，结合变电站的负荷Ls(t)，使用非线性回归函数G(Ls(t)，Ti，Cj)量化负载分配系数Ft(Ti，Cj)与变电站的负荷Ls(t)的非线性映射关系，
Ft(Ti，Cj)＝G(Ls(t)，Ti，Cj)(2)
式中：
G(Ls(t)，Ti，Cj)表示包含自变量为变电站负荷Ls(t)的非线性回归函数；
步骤4，以步骤3获得的非线性回归函数G(Ls(t)，Ti，Cj)，结合变电站的负荷Ls(t)，使用如下公式(3)对t时刻第i台变压器的负荷Li(t)进行预测，
Li(t)＝G(Ls(t)，Ti，Cj)·Ls(t) (3)。
优选地，使用如下含有常数项的幂函数作为非线性回归函数G(Ls(t)，Ti，Cj)
G(Ls(t)，Ti，Cj)＝aLs(t)b+c (4)
Ls(t)表示t时刻变电站的负荷；
a，b，c表示G(Ls(t)，Ti，Cj)的参数值。
优选地，使用最小二乘法估计非线性回归函数G(Ls(t)，Ti，Cj)的参数值a，b，c。
优选地，步骤1所述设定时间段的范围是1年-3年。
优选地，步骤1所述获取变电站运行方式数据是指历史运行中变压器出现过的变压器停运和运行状态。
优选地，至少获取4个历史时刻的历史数据，即t≥4，包括变电站负荷数据，每台变压器的负荷数据，变电站运行方式数据，用于拟合非线性函数并进行预测。
本发明的有益效果在于，与现有技术相比，本发明首先定义“负载分配系数”来描述并联变压器与变电站级负荷的分配关系，使用非线性回归函数量化变电站不同运行方式下“负载分配系数”和变电站级负荷的非线性映射关系，最后以变电站负荷预测结果为输入，根据变压器的“负载分配系数”实现多台并联变压器负荷的预测。
相比简化为常数，使用非线性回归函数量化每台变压器的负载分配系数Ft(Ti，Cj)与变电站负荷Ls(t)之间的非线性映射关系能够准确合理地反映负载分配系数的真实动态变化特性。所述方法在提升变压器负荷预测结果准确性的前提下极大地减小了负荷预测建模的工作量，实现了精度和效率两项性能的双重提升。
本发明通过挖掘变电站在不同运行方式下、变电站级负荷与多台并联变压器负荷之间的非线性映射关系，以变电站负荷预测结果为输入，实现多台并联变压器的负荷预测，在提升了负荷预测精度的前提下极大程度地减少了负荷预测的工作量。
只要变电站在某一种状态Cj下运行时收集的历史数据量不少于4个，包括4个时，即不少于4个点，就可以拟合非线性函数并进行预测。所以本发明提供的变电站多台并联变压器负荷预测方法还有一个明显的优点，就是可以在历史负荷数据稀缺的场景下使用。
附图说明
图1是变电站运行方式为C1时，变压器T1的负载分配系数Ft(Ti，Cj)与变电站负荷Ls(t)的映射关系散点图；
图2是变电站运行方式为C4时，变压器T1的负载分配系数Ft(Ti，Cj)与变电站负荷Ls(t)的映射关系散点图；
图3是变压器T1的负荷预测结果图；
图4是变电站多台并联变压器负荷预测方法的流程示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明提供了一种变电站多台并联变压器负荷预测方法，所述变电站S包括N台并联运行的变压器，以Ti表示变电站内N台并联运行的变压器中的第i台变压器，即变压器编号，N，i是正整数，N≥2，1≤i≤N；以Cj表示变电站K种运行方式中的第j种运行方式，K，j是正整数，K≥2，1≤j≤K；t表示量测时刻，t是正整数，如果获取历史数据的时间跨度为n天，1≤t≤24n；Li(t)表示t时刻第i台变压器的负荷；Ls(t)表示t时刻变电站的负荷。
如图4所示，所述变电站多台并联变压器负荷预测方法，包括以下步骤：
步骤1，获取设定时间段内所述变电站的历史数据，包括该设定时间段内变电站负荷数据，每台变压器的负荷数据，变电站运行方式数据。优选地但非限制性地，设定时间段的范围是1年-3年。所述获取变电站运行方式数据是指历史运行中变压器出现过的变压器停运和正常运行状态。
步骤2，定义负载分配系数Ft(Ti，Cj)为在某一时刻t，变电站的运行方式为Cj时，第i台变压器负荷Li(t)与变电站负荷Ls(t)的比值。使用变电站的历史数据采用如下公式(1)计算变电站以运行方式Cj运行时变压器Ti在t时刻的负载分配系数Ft(Ti，Cj)，
Figure BDA0002542016520000051
式中：
Ft(Ti，Cj)表示负载分配系数；
Ti表示变电站内N台并联运行的变压器中的第i台变压器；
Cj表示变电站K种运行方式中的第j种运行方式；
t表示量测时刻；
Li(t)表示t时刻第i台变压器的负荷；
Ls(t)表示t时刻变电站的负荷。
步骤3，以步骤2获得的负载分配系数Ft(Ti，Cj)，结合变电站的负荷Ls(t)，使用非线性回归函数G(Ls(t)，Ti，Cj)以如下公式(2)量化负载分配系数Ft(Ti，Cj)与变电站的负荷Ls(t)的非线性映射关系，
Ft(Ti，Cj)＝G(Ls(t)，Ti，Cj)(2)
式中：
G(Ls(t)，Ti，Cj)表示包含自变量变电站的负荷Ls(t)的非线性回归函数；
Ti表示变电站内N台并联运行的变压器中的第i台变压器；
Cj表示变电站K种运行方式中的第j种运行方式。
在理想条件下，变压器负载分配系数视为常数。然而在真实场景中，不同并联变压器的多种运行参数会受到变电站负荷水平的影响产生程度不一的变化，并间接影响了每台并联变压器的负载分配系数。因而，相比简化为常数，使用非线性回归函数量化每台变压器的负载分配系数Ft(Ti，Cj)与变电站负荷Ls(t)之间的非线性映射关系能够准确合理地反映负载分配系数的真实动态变化特性。
优选地，以变电站负荷Ls(t)为自变量，以负载分配系数Ft(Ti，Cj)为因变量，使用含有常数项的幂函数G(Ls(t)，Ti，Cj)量化变电站负荷Ls(t)与负载分配系数Ft(Ti，Cj)之间的非线性映射关系，以公式(3)表示
G(Ls(t)，Ti，Cj)＝aLs(t)b+c(3)
Ls(t)表示t时刻变电站的负荷；
a，b，c表示G(Ls(t)，Ti，Cj)的参数值。
使用最小二乘法估计非线性回归函数G(Ls(t)，Ti，Cj)的参数值a，b，c。可以看出，参数值a，b，c受变电站的负荷Ls(t)，变压器编号Ti以及变电站运行方式Cj的影响发生变化。
步骤4，以步骤3获得的非线性回归函数G(Ls(t)，Ti，Cj)，结合变电站的负荷Ls(t)，使用如下公式(4)对t时刻第i台变压器的负荷Li(t)进行预测，Ls(t)可以通过变电站级别短期或超短期负荷预测技术实现的，在电力系统中也较为容易获得，因为变电站级的负荷是被电网要求预测的。
Li(t)＝G(Ls(t)，Ti，Cj)·Ls(t) (4)
式中：
Li(t)表示t时刻第i台变压器的负荷；
G(Ls(t)，Ti，Cj)表示包含自变量变电站的负荷Ls(t)的非线性回归函数；
Ls(t)表示t时刻变电站的负荷。
当变电站运行方式Ci或变压器编号Ti发生变化时，只需要替换对应的非线性函数G(Ls(t)，Ti，Cj)，即可实现对变电站不同运行状态和不同并联变压器的负荷预测。
值得注意的是，只要变电站在某一种状态Cj下运行时收集的历史数据量不少于4个，包括4个时，即不少于4个点，就可以拟合非线性函数并进行预测。所以本发明提供的变电站多台并联变压器负荷预测方法还有一个明显的优点，就是可以在历中负荷数据稀缺的场景下使用。
与现有技术文件1为代表的将传统的针对电力系统级别的负荷预测方法沿用至变压器级别的负荷相比，本发明通过挖掘变电站在不同运行方式下、变电站级负荷与多台并联变压器负荷之间的非线性映射关系，以变电站负荷预测结果为输入，实现多台并联变压器的负荷预测，在提升了负荷预测精度的前提下极大程度地减少了负荷预测的工作量。
以下给出以上述变电站多台并联变压器负荷预测方法进行预测实施实例：
某变电站S包括4台并联运行的变压器T1，T2，T3，T4，在能源管理系统(EnergyManagement System，简称EMS)中存储了4台并联运行的变压器T1，T2，T3，T4在2015-2016年的有功功率历史在线监测数据，该变电站S在这两年内总共过4种运行方式，如表1所示：
在真实情况下，如下表2中，一般情况下变电站绝大部分时间都在C1时刻运行(即变电站中所有变压器均正常运行)，而C2-C4一般不常见(变电站中某台变压器发生停运，而其余变压器正常运行)，因此C1往往具有大量历史数据，而C2-C4的历史数据则较为稀缺。由于含有常数项的幂函数结构十分简单，即使用于拟合的数据量非常大，也不会对计算效率造成明显影响。
表1变电站运行方式
Figure BDA0002542016520000071
以T1为例，当变电站在C1和C4方式下运行时，T1的负载分配系数Ft(T1，C1)和Ft(T1，C4)与变电站负荷Ls(t)映射关系的散点图分别如附图1和2所示。
根据如附图1和所示的历史负荷数据中负载分配系数与变电站负荷Ls(t)的散点图，使用如式(2)所示的非线性回归函数量化Ft(T1，C1)和Ft(T1，C4)与Ls(t)的非线性映射关系，拟合结果分别如附图1和2中黑色曲线所示。由图可知，带有常数项的幂函数能够准确地量化和拟合变压器负载分配系数与变电站负荷的非线性映射关系。在其余变电站运行状态下的并联变压器的非线性回归函数的参数拟合结果如表2所示。
表2非线性回归函数的参数拟合结果
Figure BDA0002542016520000081
收集了变电站S在某一时段内的242个历史负荷值，其中第[63，133]以及[160，234]的两个时段内，变电站的运行方式为C4(T3短暂退出运行)，而其余时段为C1。以T1为例，使用式(4)进行负荷预测，并根据变电站运行方式替换对应的G(Ls(t)，T1，C1)和G(Ls(t)，T1，C4)作为非线性回归函数。预测结果如附图3所示，预测值的均方根误差如表3所示。相比于将负载分配系数视为常数值，使用非线性回归函数进行负荷预测能够显著提升变压器负荷预测的准确性。
表3不同负荷预测方法的预测结果误差
Figure BDA0002542016520000082
Figure BDA0002542016520000091
由附图3预测结果可知，本发明的变压器负荷方法具有较高的预测精度。当变电站运行方式发生变化，或是需要预测其他并联变压器的负荷时，只需要替换对应的非线性回归函数，即可准确地预测出任意变压器在任意运行方式下的负荷。此外，相比为每台变压器建立单独的负荷预测模型，使用替换非线性回归函数的方式能够极大程度地降低负荷预测的工作量。
本发明的有益效果在于，与现有技术相比，本发明首先定义“负载分配系数”来描述并联变压器与变电站级负荷的分配关系，使用非线性回归函数量化变电站不同运行方式下“负载分配系数”和变电站级负荷的非线性映射关系，最后以变电站负荷预测结果为输入，根据变压器的“负载分配系数”实现多台并联变压器负荷的预测。
相比简化为常数，使用非线性回归函数量化每台变压器的负载分配系数Ft(Ti,Cj)与变电站负荷Ls(t)之间的非线性映射关系能够准确合理地反映负载分配系数的真实动态变化特性。所述方法在提升变压器负荷预测结果准确性的前提下极大地减小了负荷预测建模的工作量，实现了精度和效率两项性能的双重提升。
只要变电站在某一种状态Cj下运行时收集的历史数据量不少于4个，包括4个时，即不少于4个点，就可以拟合非线性函数并进行预测。所以本发明提供的变电站多台并联变压器负荷预测方法还有一个明显的优点，就是可以在历史负荷数据稀缺的场景下使用。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (5)

1.一种变电站多台并联变压器负荷预测方法，以
Figure QLYQS_4
表示变电站内
Figure QLYQS_2
台并联运行的变压器中的第
Figure QLYQS_16
台变压器，
Figure QLYQS_6
是正整数，
Figure QLYQS_9
；
Figure QLYQS_8
表示变电站
Figure QLYQS_12
种运行方式中的第
Figure QLYQS_3
种运行方式，
Figure QLYQS_11
是正整数，
Figure QLYQS_1
；
Figure QLYQS_10
表示量测时刻，
Figure QLYQS_7
是正整数；
Figure QLYQS_17
表示
Figure QLYQS_13
时刻第
Figure QLYQS_15
台变压器的负荷；
Figure QLYQS_5
表示
Figure QLYQS_14
时刻变电站的负荷；其特征在于，包括以下步骤：
步骤1，获取设定时间段内所述变电站的历史数据，包括该设定时间段内变电站负荷数据，每台变压器的负荷数据，变电站运行方式数据；
获取的变电站运行方式数据是指历史运行中变压器出现过的变压器停运和运行状态；
步骤2，使用变电站的历史数据采用如下公式
Figure QLYQS_18
计算变电站以运行方式
Figure QLYQS_19
运行时变压器
Figure QLYQS_20
在
Figure QLYQS_21
时刻的负载分配系数
Figure QLYQS_22
Figure QLYQS_23
式中：
Figure QLYQS_24
表示负载分配系数；
Figure QLYQS_25
表示变电站内
Figure QLYQS_26
台并联运行的变压器中的第
Figure QLYQS_27
台变压器；
Figure QLYQS_28
表示变电站
Figure QLYQS_29
种运行方式中的第
Figure QLYQS_30
种运行方式；
Figure QLYQS_31
表示量测时刻；
Figure QLYQS_32
表示
Figure QLYQS_33
时刻第
Figure QLYQS_34
台变压器的负荷；
Figure QLYQS_35
表示
Figure QLYQS_36
时刻变电站的负荷；
步骤3，以步骤2获得的负载分配系数
Figure QLYQS_37
，结合变电站的负荷
Figure QLYQS_38
，使用非线性回归函数
Figure QLYQS_39
量化负载分配系数
Figure QLYQS_40
与变电站的负荷
Figure QLYQS_41
的非线性映射关系，
Figure QLYQS_42
式中：
Figure QLYQS_43
表示包含自变量为变电站负荷
Figure QLYQS_44
的非线性回归函数；
步骤4，以步骤3获得的非线性回归函数
Figure QLYQS_45
，结合变电站的负荷
Figure QLYQS_46
，使用如下公式
Figure QLYQS_47
对
Figure QLYQS_48
时刻第
Figure QLYQS_49
台变压器的负荷
Figure QLYQS_50
进行预测，
Figure QLYQS_51
。
2.根据权利要求1所述的变电站多台并联变压器负荷预测方法，其特征在于：
使用如下含有常数项的幂函数作为非线性回归函数
Figure QLYQS_52
Figure QLYQS_53
Figure QLYQS_54
表示
Figure QLYQS_55
时刻变电站的负荷；
Figure QLYQS_56
表示
Figure QLYQS_57
的参数值。
3.根据权利要求2所述的变电站多台并联变压器负荷预测方法，其特征在于：
使用最小二乘法估计非线性回归函数
Figure QLYQS_58
的参数值
Figure QLYQS_59
。
4.根据权利要求1至3中任一项所述的变电站多台并联变压器负荷预测方法，其特征在于：
步骤1所述设定时间段的范围是1年-3年。
5.根据权利要求1至3中任一项所述的变电站多台并联变压器负荷预测方法，其特征在于：
至少获取4个历史时刻的历史数据，即
Figure QLYQS_60
，包括变电站负荷数据，每台变压器的负荷数据，变电站运行方式数据，用于拟合非线性函数并进行预测。
CN202010549550.4A 2020-06-16 2020-06-16 一种变电站多台并联变压器负荷预测方法 Active CN111708987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010549550.4A CN111708987B (zh) 2020-06-16 2020-06-16 一种变电站多台并联变压器负荷预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010549550.4A CN111708987B (zh) 2020-06-16 2020-06-16 一种变电站多台并联变压器负荷预测方法

Publications (2)

Publication Number Publication Date
CN111708987A CN111708987A (zh) 2020-09-25
CN111708987B true CN111708987B (zh) 2023-04-07

Family

ID=72540693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010549550.4A Active CN111708987B (zh) 2020-06-16 2020-06-16 一种变电站多台并联变压器负荷预测方法

Country Status (1)

Country Link
CN (1) CN111708987B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529250B (zh) * 2020-11-16 2023-06-30 贵州电网有限责任公司 一种变压器负载状况综合监控方法
CN112583032A (zh) * 2020-11-18 2021-03-30 浙江华云信息科技有限公司 一种基于负荷需求为导向的储能策略配置方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159381A (zh) * 2007-11-16 2008-04-09 国电南瑞科技股份有限公司 变电站电压无功综合控制系统动作设备选择技术
CN102244384A (zh) * 2010-05-13 2011-11-16 河南省电力公司济源供电公司 一种基于经济当量分析的主变压器优化运行方法
CN103678931A (zh) * 2013-12-23 2014-03-26 国家电网公司 基于精确量测负荷数据的变电站覆盖区域能效评估方法
CN105184388A (zh) * 2015-08-05 2015-12-23 三峡大学 一种城市电力负荷短期预测的非线性回归方法
CN105826921A (zh) * 2016-05-26 2016-08-03 广东电网有限责任公司佛山供电局 一种基于变压器运行数据的配电网负荷预测方法及系统
JP2017221040A (ja) * 2016-06-08 2017-12-14 株式会社東芝 配電系統監視装置
CN108805310A (zh) * 2017-04-26 2018-11-13 苏文电能科技有限公司 一种变压器运行的智能在线分析系统
CN109460917A (zh) * 2018-11-08 2019-03-12 中国南方电网有限责任公司 一种基于分布因子和支持向量机的母线负荷预测方法
CN110009136A (zh) * 2019-03-12 2019-07-12 国网江西省电力有限公司电力科学研究院 一种配电变压器及配电线路的负荷预测方法
CN110114766A (zh) * 2016-12-23 2019-08-09 必凯达能源股份公司 对分配电能的现有电网进行构造的方法
CN110163429A (zh) * 2019-05-10 2019-08-23 湖南大学 一种基于相似日优化筛选的短期负荷预测方法
CN209448470U (zh) * 2019-03-14 2019-09-27 国网福建省电力有限公司电力科学研究院 基于电子开关的变电站单充电机双蓄电池组智能管理系统
CN111262243A (zh) * 2020-03-04 2020-06-09 国网浙江省电力有限公司 一种园区配电系统运行方式智能辨识以及优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9020874B2 (en) * 2011-10-31 2015-04-28 Siemens Aktiengesellschaft Short-term load forecast using support vector regression and feature learning
US11804717B2 (en) * 2017-05-05 2023-10-31 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for coordinating distributed energy storage
US10700523B2 (en) * 2017-08-28 2020-06-30 General Electric Company System and method for distribution load forecasting in a power grid

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159381A (zh) * 2007-11-16 2008-04-09 国电南瑞科技股份有限公司 变电站电压无功综合控制系统动作设备选择技术
CN102244384A (zh) * 2010-05-13 2011-11-16 河南省电力公司济源供电公司 一种基于经济当量分析的主变压器优化运行方法
CN103678931A (zh) * 2013-12-23 2014-03-26 国家电网公司 基于精确量测负荷数据的变电站覆盖区域能效评估方法
CN105184388A (zh) * 2015-08-05 2015-12-23 三峡大学 一种城市电力负荷短期预测的非线性回归方法
CN105826921A (zh) * 2016-05-26 2016-08-03 广东电网有限责任公司佛山供电局 一种基于变压器运行数据的配电网负荷预测方法及系统
JP2017221040A (ja) * 2016-06-08 2017-12-14 株式会社東芝 配電系統監視装置
CN110114766A (zh) * 2016-12-23 2019-08-09 必凯达能源股份公司 对分配电能的现有电网进行构造的方法
CN108805310A (zh) * 2017-04-26 2018-11-13 苏文电能科技有限公司 一种变压器运行的智能在线分析系统
CN109460917A (zh) * 2018-11-08 2019-03-12 中国南方电网有限责任公司 一种基于分布因子和支持向量机的母线负荷预测方法
CN110009136A (zh) * 2019-03-12 2019-07-12 国网江西省电力有限公司电力科学研究院 一种配电变压器及配电线路的负荷预测方法
CN209448470U (zh) * 2019-03-14 2019-09-27 国网福建省电力有限公司电力科学研究院 基于电子开关的变电站单充电机双蓄电池组智能管理系统
CN110163429A (zh) * 2019-05-10 2019-08-23 湖南大学 一种基于相似日优化筛选的短期负荷预测方法
CN111262243A (zh) * 2020-03-04 2020-06-09 国网浙江省电力有限公司 一种园区配电系统运行方式智能辨识以及优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Dong HAN.The Forecasting of Electrical Consumption Proportion of Different Industries in Substation Based on SCADA and the Daily Load Curve of Load Control System.《2012 International Conference on Computer Distributed Control and Intelligent Environmental Monitoring》.2012,第738-741页. *
袁明军.配电系统可靠性评估方法与应用研究.《中国博士学位论文全文数据库-工程科技II辑》.2012,全文. *
赵凯.配电系统多目标综合优化运行的研究.《中国优秀硕士学位论文全文数据库-工程科技II辑》.2002,全文. *

Also Published As

Publication number Publication date
CN111708987A (zh) 2020-09-25

Similar Documents

Publication Publication Date Title
CN111552923A (zh) 一种基于通用分布的负荷预测方法及负荷预测系统
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN105429129B (zh) 一种考虑网络约束的间歇性能源发电容量置信度评估方法
CN104809660B (zh) 低压台区线损率分析指标的动态筛选及综合权重设置方法
CN107908638A (zh) 基于大数据挖掘配的电网运行效率评价方法及系统
CN110334952A (zh) 一种基于改进灰色关联度的配电网规划后评价方法
CN110490409B (zh) 一种基于dnn的低压台区线损率标杆值设定方法
CN111708987B (zh) 一种变电站多台并联变压器负荷预测方法
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN119051158A (zh) 一种光伏电站集成调度方法
CN111724049B (zh) 一种潜在电力能效服务客户的研判方法
CN117634980A (zh) 一种风电场综合效能评估方法及其应用
CN109787295B (zh) 一种计及风电场状态的风电功率超短期预测计算方法
CN109193791B (zh) 一种基于改进shapley值的风电汇聚趋势性分状态量化方法
CN115618752B (zh) 一种基于Autoformer模型的电力负荷控制方法及系统
CN118868171A (zh) 一种光伏电站储能选址定容规划方法、系统、设备及介质
CN118505039A (zh) 一种考虑风光荷时序波动特性的配电线路脆弱性评估方法
CN110533247B (zh) 一种采用气温数据异常点补偿的月度用电量预测方法
CN113205252A (zh) 基于需求侧负荷调峰潜力参数预测的聚合负荷调度方法
CN105184672A (zh) 一种针对三公调度发电计划的评估方法
CN103928923A (zh) 一种基于灵敏度分析的网络稳态电能质量预警方法
CN112488417B (zh) 一种基于lbp和神经网络的电网运行特征感知方法及系统
CN119397437A (zh) 一种电网负荷统计方法
Duan et al. Heavy overload prediction method of distribution transformer based on gbdt
CN113095372A (zh) 一种基于鲁棒神经网络的低压台区线损合理区间计算方法

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