共查询到20条相似文献，搜索用时 46 毫秒
1.
2.
3.
4.
5.
该文结合大连地区配电网的结构和地理环境，利用城网改造的契机，对配电网自动化进行了设计和实施。配电终端的程序设计解决了电网接地故障的速断、故障隔离和故障后的快速送电，缩短了停电的时间，提高了供电的可靠性。在后台的软件设计中，采用了可视化的编程，SQL数据库等技术，实现了配电网数据的实时监控、配电网数据的共享及后台管理的可视化，达到了电网开关的远方遥控，提高了工作效率。 相似文献
6.
<正>随着电力用户对供电可靠性要求的不断提高,现代配电网中的10 kV联络线路的数量越来越多,改变了以往单辐射线路配电网停电时无法实现负荷转移的被动局面,配电网的供电可靠性水平也得以提高。笔者下面简要分析如何利用联络线路实现配电网负荷转移,并提出针对联络线路运行的几点建议,供参考。1通过合环操作实现联络线路间的负荷转移当前配网多采用"闭环接线,开环运行"的供电方 相似文献
7.
整县光伏试点工作涉及农村众多配电网台区,分布式光伏的接入台区选择及安装容量将影响配电网台区的电源与负荷供应结构,对配变运行特点、线路损耗、光伏发电收益等带来一定的影响。为有效推进整县光伏试点工作,在解决农村配电网配变运行负荷较高的情况下,达到分布式光伏安装运行收益最高的目的,文章通过分析农村配电网配变运行负荷水平、负荷时间分布特点,提出优选安装分布式光伏项目的目标台区及配变。根据目标台区配变在光伏有效发电时间内的下网电量、负载率数据,按最大负荷月的数据组,结合分布式光伏发电就地消纳收益与安装后折合到每日的综合运营成本,提出对比预期收益后确定台区分布式光伏最佳安装容量的方法。 相似文献
8.
9.
10.
提出了一种基于负荷时间序列相空间重构与量子粒子群优化支持向量机的混合超短期负荷预测方法。首先利用G-P算法和C-C算法分别确定超短期负荷数据关联维数和延迟时间,对数据进行相空间重构,并获取预测模型的输入输出数据。接着采用量子粒子群（QPSO）对支持向量机（SVM）进行优化,构建了QPSO-SVM预测模型。最后利用相空间重构获得的模型输入输出数据对QPSO-SVM进行训练获得负荷预测模型。对某电网模拟负荷预测试验结果表明,本文提出方法有效提高了负荷预测精度,具有一定的科学意义及工程价值。 相似文献
11.
文章提出一种基于深度学习的居民用电负荷短期预测方法,该方法利用时间卷积网络(TCN)对具有时序性特点的历史负荷序列进行建模,学习用电特征参数之间高动态变化规律。方法兼顾了数据的时序特征及变量之间复杂的内在关系,且支持大规模数据并行化处理,运行效率高。在UCI公开的数据集上进行了实验,实验结果验证了该方法的有效性,该方法对实现电网智能调度具有一定的现实意义。 相似文献
12.
13.
14.
从珠海香洲配电网现状出发,提出了适合于珠海配电网发展的“配电网分块规划”研究思路,介绍了分块划分方式、分块负荷预测、供电分块优化,并对分块规划中需重点解决的几个问题进行了说明。“配电网分块规划”的研究对珠海电网建设和运行管理有引导和促进作用。 相似文献
15.
16.
1 配电网无功优化规划配电网无功规划是在该网的网架结构已知的基础上,根据目标水平年负荷预测结果,考虑配电变压器有载调压的影响,确定出该配电网内所有变电站的无功配置,确保未来负荷发展对各个电能质量指标的影响在规定范围内,同时使整体的投资和运行费用最小. 相似文献
17.
水体溶解氧(Dissolved oxygen,DO)是养殖水产品健康生长的重要生态因子。池塘溶解氧易受多种因素的影响,会产生时间和空间上分布的差异,现有的溶解氧预测方法大多是针对单监测点的时间序列预测,无法描述池塘溶解氧的空间分布,因此,对池塘溶解氧进行时间和空间预测非常重要。本文提出一种基于自回归循环神经网络(Autoregressive recurrent neural network,DeepAR)和正则化极限学习机(Regularized extreme learning machine,RELM)的池塘溶解氧时空预测方法。首先采用样本熵(Sample entropy,SE)衡量各个监测点溶解氧序列的波动程度,采用最大互信息系数(Maximum mutual information coefficient,MIC)衡量监测点溶解氧序列之间的相关性,综合选取出溶解氧序列波动程度较小且与各个监测点相关性较大的监测点作为中心监测点,并以中心监测点为原点,建立池塘空间坐标系;其次采用DeepAR算法构建中心监测点的溶解氧时间序列预测模型,实现中心监测点溶解氧时间序列预测;最后采用RELM算法构建中心监测点与池塘各位置溶解氧之间的空间映射关系模型,结合中心监测点溶解氧时间序列预测值和池塘空间坐标,实现对未来时刻池塘溶解氧的空间预测。该方法在提高时间序列预测精度的同时,实现了对未来时刻池塘溶解氧空间状态的预测。在真实的数据集上进行测试,预测未来24h的池塘空间溶解氧值,均方根误差(RMSE)为1.2633mg/L、平均绝对误差(MAE)为0.9755mg/L、平均绝对百分比误差(MAPE)为14.8732%。并与标准极限学习机（Extreme learning machine,ELM）、径向基神经网络（Radial basis function neural network,RBFNN）、梯度提升回归树（Gradient boosting regression tree ,GBRT）和随机森林（Random forest,RF）4种预测方法进行对比,各评价指标的性能均有较大幅度提升,表明该方法有较好的预测精度和泛化能力,能够较准确地实现池塘溶解氧时空预测。 相似文献
18.
负荷预测的基本方法有两种 :一种是从电量预测入手 ,然后转化为负荷 ;一种是从计算分区现有负荷密度入手 ,然后再推算出总负荷。前一种方法即电量预测法 ,在高压配电网的负荷预测中比较常用 ,电量预测法就是先预测年用电量 ,再除以最大负荷利用小时数 ,从而得到最大负荷值的方法 ,具体采用的预测方法很多 ,常用的有单耗法、弹性系数法、综合用电水平法、外推法 ;而后一种方法具体采用的是负荷密度法。(1 ) 单耗法 :根据计划产品数量 (或产值 )和用电单耗来推算年用电量 ,比较适用于有单耗指标的工业和部分农业负荷 ,是预测有单耗指标的工业… 相似文献
19.
20.
为验证条件植被温度指数(VTCI)在夏玉米生长季干旱预测中的适用性,以河北中部平原为研究区,应用求和自回归移动平均(ARIMA)模型及季节性求和自回归移动平均(SARIMA)模型,对该地区VTCI时间序列数据进行分析建模预测。首先基于49个气象站点所在像素的VTCI时间序列数据,选取不同长度时间序列建立ARIMA模型,并分析时间序列长度与预测精度间关系,以期为时间序列长度选择提供依据;然后选择理想长度的VTCI时间序列数据,分别建立ARIMA模型和SARIMA模型,用于研究区域2017年夏玉米生长季VTCI预测,并分析评价两模型预测精度;最后采用性能较好的ARIMA模型逐像素建模预测,得到2016-2018年9月上旬至下旬VTCI预测结果。结果表明:基于ARIMA模型的VTCI预测精度与时间序列长度未呈现明显的相关关系,但随时间序列长度增加,模型预测精度逐渐趋于稳定;ARIMA模型对干旱的预测精度高于基于SARIMA模型,其1步、2步、3步VTCI预测结果均方根误差较SARIMA模型分别降低0. 06、0. 07、0. 09;ARIMA模型在不同年份夏玉米生长季VTCI1~3步的预测精度稳定性较好,2016-2018年1步、2步和3步VTCI预测结果绝对误差绝对值大于0. 20的像素平均百分比分别为5. 84%、6. 38%、8. 72%。 相似文献