CN112560322A - 一种基于bp神经网络的变电站保护室温度预测方法 - Google Patents

一种基于bp神经网络的变电站保护室温度预测方法 Download PDF

Info

Publication number
CN112560322A
CN112560322A CN202011414728.0A CN202011414728A CN112560322A CN 112560322 A CN112560322 A CN 112560322A CN 202011414728 A CN202011414728 A CN 202011414728A CN 112560322 A CN112560322 A CN 112560322A
Authority
CN
China
Prior art keywords
temperature
neural network
protection room
air conditioners
output
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.)
Granted
Application number
CN202011414728.0A
Other languages
English (en)
Other versions
CN112560322B (zh
Inventor
李明泽
韩锦刚
梁浩
赵阳
陈立吉
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.)
Jinzhou Electric Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
Original Assignee
Jinzhou Electric Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
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 Jinzhou Electric Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd, State Grid Corp of China SGCC filed Critical Jinzhou Electric Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
Priority to CN202011414728.0A priority Critical patent/CN112560322B/zh
Publication of CN112560322A publication Critical patent/CN112560322A/zh
Application granted granted Critical
Publication of CN112560322B publication Critical patent/CN112560322B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BP神经网络的变电站保护室温度预测方法，利用骨干粒子群算法对BP神经网络的权值和阀值进行优化，避免经常陷入局部最优的现象，提高预测精度。根据保护室历史温度、室外温度、空调使用年限和空调的台数和空调的功率等数据预测变电站保护室短期温度变化，当温度超过预警值时，运维人员会通过移动设备观察温度变化。本发明预测精度高，误差小。

Description

一种基于BP神经网络的变电站保护室温度预测方法
技术领域
本发明属于自动化技术领域，涉及一种基于骨干粒子群算法优化的BP神经网络的变电站保护室温度预测方法。
背景技术
变电站保护室内存放着大量的继电保护装置，其在变电站中起到举足轻重的作用，当电力设备或元件发生了故障或处在不正常状态下，迅速对相应的断路器发出跳闸命令或对运维人员发出警告信号，将故障或可能引起故障的设备元件切除断开或提醒运维人员处理，保证变电站内其余设备正常运行，从而保障电力系统稳定运行。继电保护装置在运行过程中容易受到外界环境影响，尤其在夏季时受高温影响，由于保护室内空调总是24小时连续运行，导致空调冷却效果较差，甚至空调的冷却功能失灵，在这种情况下增加了站内设备在正常运行时继电保护装置误动或在故障状态时拒动的可能性，在变电站中形成了极大的隐患，影响电力系统的稳定运行。
BP神经网络类似于人脑的结构，在处理数据时具有强大的适应能力，经过训练学习后可以很好的完成输入到输出的映射关系，解决各种非线性问题，结构可信度很高，具有很强的预测能力。但同样也存在很多缺点，如收敛速度过慢、易陷入局部最优值等。
发明内容
本发明的目的是针对现有技术存在的上述问题，提供一种基于骨干粒子群算法优化的BP神经网络的变电站保护室温度预测方法，通过收集变电站保护室温度历史数据，通过优化的BP神经网络算法预测短期温度变换情况，利用骨干粒子群优化BP神经网络的权值和阀值，避免BP神经网络的权值和阀值陷入局部最优值，提高预测变电站保护室温度的精度，保证继电保护装置的稳定运行。
本发明是通过以下技术方案实现的：
一种基于BP神经网络的变电站保护室温度预测方法，具体步骤包括：
步骤1数据处理，将变电站保护室测量的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室面积和屏柜的数量进行统计分析处理；
步骤2选取变电站保护室测量的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室面积和屏柜的数量作为BP神经网络输入层的输入量；
步骤3初始化BP神经网络的拓扑模型，确定神经网络的激活函数；
Figure BDA0002819448690000021
Figure BDA0002819448690000022
其中X＝(x1，x2，...，xn，...xm)T表示输入层输入向量，Y＝(y1，y2，...，yk，...yu)T表示隐含层输出向量，O＝(o1，o2，...，oj，...on)T表示输出层输出向量；wik表示输入层节点xi到隐含层节点yk间的连接权值，wkj表示隐含层节点yk到输出层节点oj间的连接权值，θk表示为隐含层节点的阀值，θj为输出层节点的阀值，wik、wkj、θk、θj初始值均为(0，1)随机数；
Figure BDA0002819448690000023
将误差定义公式展开至隐含层
Figure BDA0002819448690000024
推展到输入层
Figure BDA0002819448690000025
E表示为输出误差，dj和分别表示为第j个输出神经元的期望输出值和实际输出值；神经网络的输出误差可以看作关于权值和阀值的函数的函数，通过调整权值和阀值来减小误差；
步骤4将BP神经网络的权值和阀值作为粒子，用骨干粒子群算法优化BP神经网络的权值和阀值，代入BP神经网络中，获得最优BP网络结构；
粒子群算法的模型就是将食物看成问题的解，鸟群看成若干寻优函数值。鸟群中的每一只鸟就是一个粒子，粒子逐步调整寻优的过程就是粒子从群体社会中改进或学习的过程。
粒子群优化过程，如下
Figure BDA0002819448690000031
Figure BDA0002819448690000032
Figure BDA0002819448690000033
Figure BDA0002819448690000034
D表示搜索空间为D维；
Figure BDA0002819448690000035
表示粒子i在t代的飞行速度；GbD(t)＝(gb1(t)，gb2(t)，...，gbd(t))表示t代所有粒子的最优位置；
Figure BDA0002819448690000036
表示粒子i在t代时的历史最优位置；
Figure BDA0002819448690000037
表示粒子i在t代的当前位置；c1和c2分别表示社会学习因子和自我学习因子；r1和r2分别表示[0，1]的随机数。
引入骨干粒子群算法
Figure BDA0002819448690000038
Figure BDA0002819448690000039
Figure BDA00028194486900000310
表示通过计算得到的加权平均值；
Figure BDA00028194486900000311
和
Figure BDA00028194486900000312
表示两个随机数，范围是0到1，N(·)表示高斯分布；
Figure BDA00028194486900000313
表示高斯分布的均值，
Figure BDA00028194486900000314
Figure BDA00028194486900000315
表示高斯分布的标准差，
Figure BDA00028194486900000316
骨干粒子群算法采用高斯分布对每个粒子个体极值和全局极值的加权平均值，完成对粒子位置的更新；
将BP神经网络的权值和阀值wik、wkj、θk、θj代入公式(6)中对其进行优化，得到BP神经网络权值和阀值的最优解；
步骤5：通过优化的BP神经算法的到输出量，即变电站保护室温度预测值。
进一步，因存在设备对温度测量不精确等原因，在处理历史数据时，应对收集的数据先进行统计处理，去除极端和无用数据，将各个数据处理后均在[Tmin，Tmax]之间。
进一步，用于保护室温度预测时，选取影响温度的因素包括保护室24小时内的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室的面积和屏柜的数量，此时所述输入层神经元的个数为7。
进一步，根据保护室温度数据预测未来短时温度变化，当温度超过设置上限和下限时，通过远方数据传输，运维人员会通过移动设备观察温度变化，实现报警功能。
本发明的有益效果是：
本发明基于骨干粒子群算法优化神经网络，利用骨干粒子群算法对BP神经网络的权值和阀值进行优化，避免经常陷入局部最优的现象，提高预测精度。根据保护室历史温度、室外温度、空调使用年限和空调的台数和空调的功率等数据预测变电站保护室短期温度变化，当温度超过预警值时，运维人员会通过移动设备(手机、电脑等)观察温度变化。本发明预测精度高，误差小。
附图说明
图1本发明的预测流程图；
图2本发明利用骨干粒子群优化BP神经网络算法的流程图；
图3是变电站保护室24小时温度采集图。
图4本发明预测温度与实际温度对比图；
图5BP神经网络图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，结合附图及实例下面以变电站保护室温度预测过程为例，对本发明作进一步说明。
应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用与限定本发明。
一种基于BP神经网络的变电站保护室温度预测方法，具体步骤包括：
步骤1数据处理，将变电站保护室测量的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室面积和屏柜的数量进行统计分析处理；
步骤2选取变电站保护室测量的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室大小和屏柜的数量作为BP神经网络输入层的输入量；
步骤3初始化BP神经网络的拓扑模型，确定神经网络的激活函数；
Figure BDA0002819448690000041
Figure BDA0002819448690000051
其中X＝(x1，x2，...，xn，...xm)T表示输入层输入向量，Y＝(y1，y2，...，yk，...yu)T表示隐含层输出向量，O＝(o1，o2，...，oj，...on)T表示输出层输出向量；wik表示输入层节点xi到隐含层节点yk间的连接权值，wkj表示隐含层节点yk到输出层节点oj间的连接权值，θk表示为隐含层节点的阀值，θj为输出层节点的阀值，wik、wkj、θk、θj初始值均为(0，1)随机数；
Figure BDA0002819448690000052
将误差定义公式展开至隐含层
Figure BDA0002819448690000053
推展到输入层
Figure BDA0002819448690000054
E表示为输出误差，dj和分别表示为第j个输出神经元的期望输出值和实际输出值；神经网络的输出误差可以看作关于权值和阀值的函数的函数，通过调整权值和阀值来减小误差。
步骤4将BP神经网络的权值和阀值作为粒子，用骨干粒子群算法优化BP神经网络的权值和阀值，代入BP神经网络中，获得最优BP网络结构；
粒子群算法的模型就是将食物看成问题的解，鸟群看成若干寻优函数值。鸟群中的每一只鸟就是一个粒子，粒子逐步调整寻优的过程就是粒子从群体社会中改进或学习的过程。
粒子群优化过程，如下
Figure BDA0002819448690000055
Figure BDA0002819448690000061
Figure BDA0002819448690000062
Figure BDA0002819448690000063
D表示搜索空间为D维；
Figure BDA0002819448690000064
表示粒子i在t代的飞行速度；GbD(t)＝(gb1(t)，gb2(t)，...，gbd(t))表示t代所有粒子的最优位置；
Figure BDA0002819448690000065
表示粒子i在t代时的历史最优位置；
Figure BDA0002819448690000066
表示粒子i在t代的当前位置；c1和c2分别表示社会学习因子和自我学习因子；r1和r2分别表示[0，1]的随机数。
引入骨干粒子群算法。
Figure BDA0002819448690000067
Figure BDA0002819448690000068
表示计算得到的加权平均值；
Figure BDA0002819448690000069
和
Figure BDA00028194486900000610
表示两个随机数，范围是[0，1]。理论上当迭代次数无限大时所有微粒将收敛到同一点。
骨干粒子群算法采用高斯分布对每个粒子个体极值和全局极值的加权平均值，完成对粒子位置的更新，如下公式：
Figure BDA00028194486900000611
Figure BDA00028194486900000612
Figure BDA00028194486900000613
Figure BDA00028194486900000614
N(·)表示高斯分布；
Figure BDA00028194486900000615
表示高斯分布的均值；
Figure BDA00028194486900000616
表示高斯分布的标准差。
步骤5通过优化的BP神经算法的到输出量，即变电站保护室温度预测值。
进一步，因存在设备对温度测量不精确等原因，在处理历史数据时，应对收集的数据先进行统计处理，去除极端和无用数据，将各个数据处理后均在[Tmin，Tmax]之间。
进一步，将该方法用于保护室温度预测时，选取影响温度的因素包括保护室24小时内的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室的面积和屏柜的数量，此时所述输入层神经元的个数为7。
进一步，利用骨干粒子群算法对BP神经网络的权值和阀值进行优化，避免经常陷入局部最优的现象，提高预测精度。
进一步，根据保护室温度数据预测未来短时温度变化，当温度超过设置上限和下限时，通过远方数据传输，具有报警功能。
以锦州220kV南山变电站2020年9月10日为例，选取24小时内每隔15分钟变电站保护室温度如下图3所示，室外温度，选取空调的使用年限为5年，空调的台数为6台，空调的功率均为2000瓦，房屋面积为400平米，屏柜为100个。将变电站保护室测量的温度进行统计分析处理，去除保护室内温度大于40摄氏度，小于0摄氏度的数据，发现所有数据均在要求范围内，如图1。
初始化BP神经网络的权值和阀值wik、wkj、θk、θj。选取变电站保护室测量的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室大小和屏柜的数量作为BP神经网络输入层的输入量，代入到BP神经网络中，如图5所示。
将公式(5)中BP神经网络的权值和阀值wik、wkj、θk、θj代入到公式(6)中对其进行优化，得到BP神经网络权值和阀值的最优解。根据图2优化BP神经算法流程图，得到保护室未来温度数据并与实际数据和测量数据进行对比，如图4，发现预测误差极小，均在0.5摄氏度内，完全达到变电站保护室温度预测误差的要求值。经多次试验，得到预测温度，误差均在0.5摄氏度内，预测精度良好，符合预测要求。
以上仅为本发明的具体实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于BP神经网络的变电站保护室温度预测方法，其特征在于，具体步骤包括：
步骤1：数据处理，将变电站保护室测量的历史温度、室外温度、空调使用年限、空调的台数、空调的功率、保护室面积和屏柜的数量进行统计分析处理；
步骤2：选取变电站保护室测量的历史温度、室外温度、空调使用年限和空调的台数和空调的功率、保护室面积和屏柜的数量作为输出量；
步骤3：初始化BP神经网络的拓扑模型，确定输入层、输出层和隐含层神经元个数，确定神经网络的激活函数；
Figure FDA0002819448680000011
Figure FDA0002819448680000012
其中X＝(x1,x2,...,xn,...xm)T表示输入层输入向量，Y＝(y1,y2,...,yk,...yu)T表示隐含层输出向量，O＝(o1,o2,...,oj,...on)T表示输出层输出向量；wik表示输入层节点xi到隐含层节点yk间的连接权值，wkj表示隐含层节点yk到输出层节点oj间的连接权值，θk表示为隐含层节点的阀值，θj为输出层节点的阀值，wik、wkj、θk、θj初始值均为(0，1)随机数；
Figure FDA0002819448680000013
将误差定义公式展开至隐含层
Figure FDA0002819448680000014
推展到输入层
Figure FDA0002819448680000015
E表示为输出误差，dj和分别表示为第j个输出神经元的期望输出值和实际输出值；神经网络的输出误差可以看作关于权值和阀值的函数的函数，通过调整权值和阀值来减小误差；
步骤4：将BP神经网络的权值和阀值作为粒子，用骨干粒子群算法优化BP神经网络的权值和阀值，代入BP神经网络中，获得最优BP网络结构；
引入骨干粒子群算法
Figure FDA0002819448680000021
Figure FDA0002819448680000022
表示通过计算得到的加权平均值；
Figure FDA0002819448680000023
和
Figure FDA0002819448680000024
表示两个随机数，范围是0到1，N(·)表示高斯分布；
Figure FDA0002819448680000025
表示高斯分布的均值，
Figure FDA0002819448680000026
Figure FDA0002819448680000027
表示高斯分布的标准差，
Figure FDA0002819448680000028
骨干粒子群算法采用高斯分布对每个粒子个体极值和全局极值的加权平均值，完成对粒子位置的更新；
将BP神经网络的权值和阀值wik、wkj、θk、θj代入公式(6)中对其进行优化，得到BP神经网络权值和阀值的最优解；
步骤5：通过优化的BP神经算法的到输出量，即变电站保护室温度预测值。
2.根据权利要求1所述一种基于BP神经网络的变电站保护室温度预测方法，其特征在于，在处理历史数据时，应对收集的数据先进行统计处理，将各个数据处理后均在[Tmin，Tmax]之间，Tmin和Tmax根据变电站保护室的运行要求确定，去除极端和无用数据。
3.根据权利要求1所述一种基于BP神经网络的变电站保护室温度预测方法，其特征在于，用于保护室温度预测时，选取影响温度的因素包括保护室历史温度、室外温度、空调使用年限和空调的台数和空调的功率、保护室面积和屏柜的数量，此时所述输入层神经元的个数为7。
4.根据权利要求1所述一种基于BP神经网络的变电站保护室温度预测方法，其特征在于，根据保护室温度数据预测未来短时温度变化，当温度超过设置上限和下限时，通过远方数据传输，运维人员会通过移动设备观察温度变化，实现报警功能。
CN202011414728.0A 2020-12-07 2020-12-07 一种基于bp神经网络的变电站保护室温度预测方法 Active CN112560322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011414728.0A CN112560322B (zh) 2020-12-07 2020-12-07 一种基于bp神经网络的变电站保护室温度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011414728.0A CN112560322B (zh) 2020-12-07 2020-12-07 一种基于bp神经网络的变电站保护室温度预测方法

Publications (2)

Publication Number Publication Date
CN112560322A true CN112560322A (zh) 2021-03-26
CN112560322B CN112560322B (zh) 2023-04-18

Family

ID=75059065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414728.0A Active CN112560322B (zh) 2020-12-07 2020-12-07 一种基于bp神经网络的变电站保护室温度预测方法

Country Status (1)

Country Link
CN (1) CN112560322B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451597A (zh) * 2023-06-19 2023-07-18 广东电网有限责任公司佛山供电局 一种变电站高压室内控温优化方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125685A1 (en) * 2009-11-24 2011-05-26 Rizvi Syed Z Method for identifying Hammerstein models
CN105139264A (zh) * 2015-06-06 2015-12-09 安徽工程大学 一种基于粒子群算法小波神经网络的光伏发电量的预测方法
CN105913151A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 基于自适应变异粒子群与bp网络光伏电站发电量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110125685A1 (en) * 2009-11-24 2011-05-26 Rizvi Syed Z Method for identifying Hammerstein models
CN105139264A (zh) * 2015-06-06 2015-12-09 安徽工程大学 一种基于粒子群算法小波神经网络的光伏发电量的预测方法
CN105913151A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 基于自适应变异粒子群与bp网络光伏电站发电量预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451597A (zh) * 2023-06-19 2023-07-18 广东电网有限责任公司佛山供电局 一种变电站高压室内控温优化方法与系统
CN116451597B (zh) * 2023-06-19 2023-08-18 广东电网有限责任公司佛山供电局 一种变电站高压室内控温优化方法与系统

Also Published As

Publication number Publication date
CN112560322B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN109146093A (zh) 一种基于学习的电力设备现场勘查方法
CN109655712A (zh) 一种配电网线路故障原因分析方法与系统
CN106451418B (zh) 光伏电站的在线分群等值建模方法
CN112560322B (zh) 一种基于bp神经网络的变电站保护室温度预测方法
JP2022115061A (ja) 気象関連架空配電線路故障オンライン予測
CN111680862A (zh) 基于时空网格关联的配电网多源数据融合风险预警方法
CN105138825B (zh) 一种基于萤火虫优化算法的断路器可靠性评估方法
CN116167609A (zh) 基于神经网络模型的电力系统风险评估方法
CN115935215A (zh) 极端天气下基于深度学习的输电线路覆冰预警方法及系统
CN113837466A (zh) 一种基于多气象源的本地化智能发电功率预测系统
CN113609637A (zh) 一种考虑故障连锁的多灾害配电网弹性评估方法
CN113379116A (zh) 基于聚类和卷积神经网络的台区线损预测方法
CN111061152B (zh) 基于深度神经网络的攻击识别方法及智慧能源功率控制装置
CN117039852A (zh) 风光水互补电站的功率预测方法、装置、设备及存储介质
CN112085043B (zh) 一种变电站网络安全智能监控方法及系统
CN112862249B (zh) 一种智能配电设备精益管理方法及其系统
CN112182952A (zh) 一种提升电力系统弹性的多目标优化调度方法
Negnevitsky et al. Very short term wind power prediction: A data mining approach
CN115224684A (zh) 基于免疫危险理论的智能配电网风险状态辨识方法及系统
Chen et al. Short-term wind power prediction based on BP neural network improved by t-tent-SSA algorithm
CN111626095A (zh) 一种基于以太网配电巡检系统
Kaiyuan et al. Reliability study for distribution network considering adverse weather
CN111027855A (zh) 考虑输电线路气象灾害故障概率的电力系统风险控制方法
Li et al. Short-term Wind Power Forecast based on Teleconnected NWP Information
Liu et al. Health status evaluation method of smart distribution station based on operation trajectory information matrix

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