CN104574209A - 一种城网配变重过载中期预警模型的建模方法 - Google Patents
一种城网配变重过载中期预警模型的建模方法 Download PDFInfo
- Publication number
- CN104574209A CN104574209A CN201510005615.8A CN201510005615A CN104574209A CN 104574209 A CN104574209 A CN 104574209A CN 201510005615 A CN201510005615 A CN 201510005615A CN 104574209 A CN104574209 A CN 104574209A
- Authority
- CN
- China
- Prior art keywords
- early
- variable
- model
- warning model
- heavily
- 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
Links
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种城网配变重过载中期预警模型的建模方法，按照如下步骤建立预警模型：1、采集建模所需相关变量的原始数据，并对原始数据进行清洗，以确保进入预警模型的数据质量；2、设计并计算预警模型的特征变量，并对特征变量进行筛选，建立检验自变量间多重共线性的判断依据；3、基于Logistic回归，采用逐步回归法，建立预警模型，然后判断模型自变量间是否存在多重共线性，以判断模型是否可用；4、重复步骤2、3，以重新计算特征变量，并建立多个不同的预警模型；对所建立的多个预警模型进行评价；然后，比较各个预警模型的评价参数，确定最优预警模型；5、输出最优预警模型。该方法有利于建立准确的配变重过载中期预警模型。
Description
技术领域
本发明涉及信息自动化技术领域，特别涉及一种城网配变重过载中期预警模型的建模方法。
背景技术
由于近年来经济的持续稳定发展，城区用电负荷出现了相应的较快增长，每年均有配变发生重过载的现象，供电单位满足用户用电需求的难度也在不断提高。同时由于配网资金有限，不能完全满足改造需求。因此，科学地开展配变重过载的中期预警工作，可为来年配网的升级、改造规划提供参考，提高配网对迎峰度夏期间峰荷的应急能力，还能够为独立判断、分析各地市重过载程度、合理分配资源提供客观依据。
城市配变在迎峰度夏期间更易受到夏季高温影响产生重过载情况，预警需求较大。另外由于城区配网的信息化建设开展较早，可为分析预警模型提供较好的数据支撑。
发明内容
本发明的目的在于提供一种城网配变重过载中期预警模型的建模方法，该方法有利于建立准确的配变重过载中期预警模型。
为实现上述目的，本发明采用的技术方案是：一种城网配变重过载中期预警模型的建模方法，按照如下步骤建立预警模型：
步骤1：根据预警模型的整体框架，采集建模所需相关变量的原始数据，即特征参数，并基于一定的数据清洗规则对原始数据进行清洗，以确保进入预警模型的数据质量；
步骤2：设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选，同时根据各个自变量间的相关关系，建立检验自变量间多重共线性的判断依据；
步骤3：基于Logistic回归，采用逐步回归法，建立预警模型，然后采用方差膨胀因子作为判断依据，判断模型自变量间是否存在多重共线性，如存在多重共线性，则弃用建立的预警模型，如不存在多重共线性，则判定建立的预警模型为可用模型；
步骤4：改变特征参数，并重复步骤2、3，以重新计算特征变量，并建立多个不同的预警模型；对所建立的多个预警模型进行评价，得到评价参数；然后，比较各个预警模型的评价参数，确定最优预警模型；
步骤5：输出最优预警模型，以对配变中期的重过载现象进行预测，得出下一年配变重过载的概率。
进一步的，确定影响配变在迎峰度夏期间发生重过载的特征参数，根据影响配变发生重过载的多种因素，选择相应的特征参数作为预警模型的输入数据，包括历史用电负荷数据、客户信息数据、区域经济数据、气温信息数据等。
进一步的，在步骤2中，按如下方法设计并计算预警模型的特征变量：
预警模型的特征变量按以下四个维度设计并计算：
负荷维度：根据负荷的均值、峰值、增减、波动等，计算相应特征变量；
用户维度：根据用户用电情况，计算居民用电占比、居民用电增长指数、居民合同容量占比特征量；
天气维度：根据天气和体感指数信息，计算天气负荷回归系数、天气负荷敏感度、舒适度指数特征变量；
经济信息：根据经济发展信息，计算负荷经济弹性特征变量。
进一步的，在步骤2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。
进一步的，在步骤2中，根据各个自变量间的相关关系，建立检验自变量间多重共线性的判断依据为：如果自变量间相关系数大于设定值，即认为自变量间存在共线关系，后续的模型变量组合中不同时出现相关系数高的变量组合。
进一步的，在步骤3中，通过逐步回归的方法，建立预警模型的方法为：先将负荷变量采用逐步回归法逐步筛选出可行的变量，然后加入用户变量，采用逐步回归法逐步筛选出可行的变量，最后加入天气变量，采用逐步回归法筛选出最后的变量。
进一步的，在步骤3中，采用方差膨胀因子作为判断依据，判断模型自变量间是否存在多重共线性的方法为：利用logistic模型中的自变量和因变量建立相应的线性回归模型，再通过VIF检验其多重共线性。
进一步的，在步骤4中，以查全率和查准率衡量预警模型的准确情况，综合两者确定最优预警模型。
本发明的有益效果提供了一种城网配变重过载中期预警模型的建模方法，该方法建立的配变重过载中期预警模型可以对配变发生重过载的概率进行预测，提高了判断的准确性，为独立判断、分析各地市重过载程度、合理分配资源提供客观依据。
附图说明
图1是本发明的实现流程图。
图2是本发明实施例中预警模型的预警结果与实际连续重载数据对比图。
图3是本发明实施例中预警模型的预警结果与实际连续过载数据对比图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明城网配变重过载中期预警模型的建模方法，如图1所示，按照如下步骤建立预警模型：
步骤1：根据预警模型的整体框架，采集建模所需相关变量的原始数据，即特征参数，并基于一定的数据清洗规则对原始数据进行清洗，以确保进入预警模型的数据质量。
其中，确定影响配变在迎峰度夏期间发生重过载的特征参数，根据影响配变发生重过载的多种因素，选择相应的特征参数作为预警模型的输入数据，包括历史用电负荷数据、客户信息数据、区域经济数据、气温信息数据等。
在本实施例中，按如下的数据清洗规则对原始数据进行清洗：
负荷数据质量清理：将每日丢点数大于6点即采集点出现“NA”、“INF”、“-”等无效记录，连续丢点2个或2个以上，当日最大负荷为0，满足以上任一条件定义为无效天否则为有效天；每年（6/15-9/15）有效天大于等于79天定义为有效年。
温度数据质量清理：记录为非天气信息，例如“0”、“NA”、“INF”、“—”、“/”等，记录缺失，当天没有记录，满足以上任一条件判为无效记录否则为有效记录判为无效记录；此外，日期重复记录仅作为一条计录。
体感数据质量清理：记录为非体感信息，例如“0”、“NA”、“INF”、“—”、“/”等，记录缺失，当天没有记录，满足以上任一条件判为无效记录否则为有效记录；此外，日期重复记录仅作为一条计录。
数据匹配清理：供电单位匹配，以计量中心-负荷数据的供电单位为准，人工查找用户数据中的对应单位。用户信息及配备信息匹配，以计量中心-负荷数据中台区编号为准，匹配相应用户信息和配变信息。天气信息匹配，以历史时间为标准，匹配当日的负荷信息和天气信息。
步骤2：根据中期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选，同时根据各个自变量间的相关关系，建立检验自变量间多重共线性的判断依据。
其中，按如下方法设计并计算预警模型的特征变量：
预警模型的特征变量按以下四个维度设计并计算：
负荷维度：根据负荷的均值、峰值、增减、波动等，计算相应特征变量；
用户维度：根据用户用电情况，计算居民用电占比、居民用电增长指数、居民合同容量占比特征量；
天气维度：根据天气和体感指数信息，计算天气负荷回归系数、天气负荷敏感度、舒适度指数特征变量；
经济信息：根据经济发展信息，计算负荷经济弹性特征变量。
根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，本实施例为P<0.25，则将此自变量纳入后续的建模的候选变量中。
根据各个自变量间的相关关系，建立检验自变量间多重共线性的判断依据为：如果自变量间相关系数大于设定值，本实施例为0.8，即初步认为自变量间可能存在共线关系，后续的模型变量组合中不应该同时出现相关系数高的变量组合。
步骤3：基于Logistic回归，采用逐步回归法，建立预警模型，然后采用方差膨胀因子作为判断依据，判断模型自变量间是否存在多重共线性，如存在多重共线性，则弃用建立的预警模型，如不存在多重共线性，则判定建立的预警模型为可用模型。
在步骤3中，通过逐步回归的方法，建立预警模型的方法为：先将负荷变量采用逐步回归法逐步筛选出可行的变量，然后加入用户变量，采用逐步回归法逐步筛选出可行的变量，最后加入天气变量，采用逐步回归法筛选出最后的变量。
采用方差膨胀因子作为判断依据，判断模型自变量间是否存在多重共线性的方法为：利用logistic模型中的自变量和因变量建立相应的线性回归模型，再通过VIF检验其多重共线性，但VIF值小于10时认为变量间不存在多重共线性。
步骤4：改变特征参数，并重复步骤2、3，以重新计算特征变量，并建立多个不同的预警模型；对所建立的多个预警模型进行评价，包括计算预警模型的预测准确性、拟合优度等，得到评价参数；然后，比较各个预警模型的评价参数（包括拟合优度、预测准确性、参数显著性等），确定最优预警模型。
在本实施例中，以查全率和查准率衡量预警模型的准确情况，综合两者确定最优预警模型。
步骤5：输出最优预警模型，以对配变中期的重过载现象进行预测，得出下一年配变重过载的概率。
实施例1
本发明通过对福州市城区配变负荷、设备、客户以及气温数据的挖掘分析，建立迎峰度夏期间城市配变重过载风险的中期预警模型，对2013年福州城区配变发生重过载的概率进行预测并验证，以此来详细说明本方法。
基于Windows下的开发环境，使用Oracle Database建立相应的历史、实时数据库，通过R语言编程工具建立模型。
在设计和实现上主要有以下几点：
1、观察福州城区配变负荷特征，归纳挖掘出福州地区所具备的特征信息，设计相应的特征变量。
2、通过单变量回归系数的显著性检验和灵活考虑变量间的相关性，对自变量进行初步筛选。
3、通过拟合优度和预测准确性结果对模型进行评价。
4、通过调整进入预警模型的特征量和特定特征量的权重系数，对模型进行优化。
经过以上步骤分析，该模型选取在0.8参数下建立的重过载模型作为最优模型，重载预警模型的变量及其系数如表1、过载预警模型的变量及其系数如表2。
表1
表2
本研究中，重过载概率界限均设置为0.5。即当配变重过载风险概率值等于或大于0.5时，即认为会发生重过载；当风险概率值小于0.5时，即认为不发生重过载。
根据建立的重载预警模型，预测2013年，在福州城区配变的1884台建模样本中，将会有196台（其中连续重载配变为174台，预测新增过载配变为22台）配变会发生重载，占总配变数的10.4%；将会有32台（其中连续过载配变为26台，预测新增过载配变为6台）配变会发生过载，占总配变数的17%。实际发生重载的配变台数为202台（其中连续重载配变为174台，新增过载配变为28台），模型查全率为86.14%，查准率为88.78%，数据对比如图2；实际发生过载的配变台数为37台（其中连续过载配变为26台，预测新增过载配变为11台），模型查全率为70.27%，查准率为81.25%，数据对比如图3。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (8)
1.一种城网配变重过载中期预警模型的建模方法，其特征在于，按照如下步骤建立预警模型：
步骤1：根据预警模型的整体框架，采集建模所需相关变量的原始数据，即特征参数，并基于一定的数据清洗规则对原始数据进行清洗，以确保进入预警模型的数据质量；
步骤2：设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选，同时根据各个自变量间的相关关系，建立检验自变量间多重共线性的判断依据；
步骤3：基于Logistic回归，采用逐步回归法，建立预警模型，然后采用方差膨胀因子作为判断依据，判断模型自变量间是否存在多重共线性，如存在多重共线性，则弃用建立的预警模型，如不存在多重共线性，则判定建立的预警模型为可用模型；
步骤4：改变特征参数，并重复步骤2、3，以重新计算特征变量，并建立多个不同的预警模型；对所建立的多个预警模型进行评价，得到评价参数；然后，比较各个预警模型的评价参数，确定最优预警模型；
步骤5：输出最优预警模型，以对配变中期的重过载现象进行预测，得出下一年配变重过载的概率。
2.根据权利要求1所述的一种城网配变重过载中期预警模型的建模方法，其特征在于，确定影响配变在迎峰度夏期间发生重过载的特征参数，根据影响配变发生重过载的多种因素，选择相应的特征参数作为预警模型的输入数据，包括历史用电负荷数据、客户信息数据、区域经济数据、气温信息数据等。
3.根据权利要求1所述的一种城网配变重过载中期预警模型的建模方法，其特征在于，在步骤2中，按如下方法设计并计算预警模型的特征变量：
预警模型的特征变量按以下四个维度设计并计算：
负荷维度：根据负荷的均值、峰值、增减、波动等，计算相应特征变量；
用户维度：根据用户用电情况，计算居民用电占比、居民用电增长指数、居民合同容量占比特征量；
天气维度：根据天气和体感指数信息，计算天气负荷回归系数、天气负荷敏感度、舒适度指数特征变量；
经济信息：根据经济发展信息，计算负荷经济弹性特征变量。
4.根据权利要求1所述的一种城网配变重过载中期预警模型的建模方法，其特征在于，在步骤2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。
5.根据权利要求1所述的一种城网配变重过载中期预警模型的建模方法，其特征在于，在步骤2中，根据各个自变量间的相关关系，建立检验自变量间多重共线性的判断依据为：如果自变量间相关系数大于设定值，即认为自变量间存在共线关系，后续的模型变量组合中不同时出现相关系数高的变量组合。
6.根据权利要求1所述的一种城网配变重过载中期预警模型的建模方法，其特征在于，在步骤3中，采用逐步回归法，建立预警模型的方法为：先将负荷变量采用逐步回归法逐步筛选出可行的变量，然后加入用户变量，采用逐步回归法逐步筛选出可行的变量，最后加入天气变量，采用逐步回归法筛选出最后的变量。
7.根据权利要求1所述的一种城网配变重过载中期预警模型的建模方法，其特征在于，在步骤3中，采用方差膨胀因子作为判断依据，判断模型自变量间是否存在多重共线性的方法为：利用logistic模型中的自变量和因变量建立相应的线性回归模型，再通过VIF检验其多重共线性。
8.根据权利要求1所述的一种城网配变重过载中期预警模型的建模方法，其特征在于，在步骤4中，以查全率和查准率衡量预警模型的准确情况，综合两者确定最优预警模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510005615.8A CN104574209B (zh) | 2015-01-07 | 2015-01-07 | 一种城网配变重过载中期预警模型的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510005615.8A CN104574209B (zh) | 2015-01-07 | 2015-01-07 | 一种城网配变重过载中期预警模型的建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104574209A true CN104574209A (zh) | 2015-04-29 |
| CN104574209B CN104574209B (zh) | 2018-03-16 |
Family
ID=53090199
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510005615.8A Active CN104574209B (zh) | 2015-01-07 | 2015-01-07 | 一种城网配变重过载中期预警模型的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104574209B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809066A (zh) * | 2015-04-30 | 2015-07-29 | 重庆大学 | 一种通过代码质量评估预测开源软件维护工作量的方法 |
| CN105335796A (zh) * | 2015-11-02 | 2016-02-17 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
| CN106874286A (zh) * | 2015-12-11 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种筛选用户特征的方法及装置 |
| CN107909230A (zh) * | 2018-01-12 | 2018-04-13 | 国网福建省电力有限公司 | 一种农网配变重过载短期预警模型的建模方法 |
| CN108171602A (zh) * | 2017-06-28 | 2018-06-15 | 永辉青禾商业保理(重庆)有限公司 | 应收账款保理业务风险模型的建立方法及装置 |
| CN109117974A (zh) * | 2017-06-26 | 2019-01-01 | 中国电力科学研究院 | 一种配电网台区重过载风险评估方法和装置 |
| CN109670696A (zh) * | 2018-12-13 | 2019-04-23 | 海南电网有限责任公司 | 一种基于运行大数据的线路重过载预测方法 |
| WO2019104553A1 (en) * | 2017-11-29 | 2019-06-06 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for evaluating performance of models |
| CN110210682A (zh) * | 2019-06-12 | 2019-09-06 | 云南电网有限责任公司大理供电局 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
| CN110751338A (zh) * | 2019-10-23 | 2020-02-04 | 贵州电网有限责任公司 | 一种配变台区重过载特征模型的构建和预警的方法 |
| CN110807550A (zh) * | 2019-10-30 | 2020-02-18 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
| CN112258342A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112257923A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130017955A1 (en) * | 2011-07-12 | 2013-01-17 | Hennessy Michael J | Energy Efficient Data Center |
| CN103543733A (zh) * | 2013-10-28 | 2014-01-29 | 珠海许继芝电网自动化有限公司 | 一种配网一体化负载监控系统 |
| WO2014070568A1 (en) * | 2012-11-01 | 2014-05-08 | Linde Aktiengesellschaft | Improved air handling and cooling in a mine |
| CN104123675A (zh) * | 2013-04-27 | 2014-10-29 | 国家电网公司 | 基于全网数据的配电网仿真研究分析系统及方法 |
-
2015
- 2015-01-07 CN CN201510005615.8A patent/CN104574209B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130017955A1 (en) * | 2011-07-12 | 2013-01-17 | Hennessy Michael J | Energy Efficient Data Center |
| WO2014070568A1 (en) * | 2012-11-01 | 2014-05-08 | Linde Aktiengesellschaft | Improved air handling and cooling in a mine |
| CN104123675A (zh) * | 2013-04-27 | 2014-10-29 | 国家电网公司 | 基于全网数据的配电网仿真研究分析系统及方法 |
| CN103543733A (zh) * | 2013-10-28 | 2014-01-29 | 珠海许继芝电网自动化有限公司 | 一种配网一体化负载监控系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李佳玮 等: "《电网企业大数据技术应用研究》", 《电力信息与通信技术 》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809066A (zh) * | 2015-04-30 | 2015-07-29 | 重庆大学 | 一种通过代码质量评估预测开源软件维护工作量的方法 |
| CN105335796A (zh) * | 2015-11-02 | 2016-02-17 | 华北电力大学 | 一种风电场输出功率爬坡事件预测的系统及方法 |
| CN106874286B (zh) * | 2015-12-11 | 2020-07-07 | 阿里巴巴集团控股有限公司 | 一种筛选用户特征的方法及装置 |
| CN106874286A (zh) * | 2015-12-11 | 2017-06-20 | 阿里巴巴集团控股有限公司 | 一种筛选用户特征的方法及装置 |
| CN109117974A (zh) * | 2017-06-26 | 2019-01-01 | 中国电力科学研究院 | 一种配电网台区重过载风险评估方法和装置 |
| CN108171602A (zh) * | 2017-06-28 | 2018-06-15 | 永辉青禾商业保理(重庆)有限公司 | 应收账款保理业务风险模型的建立方法及装置 |
| WO2019104553A1 (en) * | 2017-11-29 | 2019-06-06 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for evaluating performance of models |
| CN107909230A (zh) * | 2018-01-12 | 2018-04-13 | 国网福建省电力有限公司 | 一种农网配变重过载短期预警模型的建模方法 |
| CN109670696A (zh) * | 2018-12-13 | 2019-04-23 | 海南电网有限责任公司 | 一种基于运行大数据的线路重过载预测方法 |
| CN109670696B (zh) * | 2018-12-13 | 2022-12-09 | 海南电网有限责任公司 | 一种基于运行大数据的线路重过载预测方法 |
| CN110210682A (zh) * | 2019-06-12 | 2019-09-06 | 云南电网有限责任公司大理供电局 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
| CN110751338A (zh) * | 2019-10-23 | 2020-02-04 | 贵州电网有限责任公司 | 一种配变台区重过载特征模型的构建和预警的方法 |
| CN110807550A (zh) * | 2019-10-30 | 2020-02-18 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
| CN110807550B (zh) * | 2019-10-30 | 2023-11-24 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
| CN112258342A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112257923A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112257923B (zh) * | 2020-10-21 | 2023-02-03 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112258342B (zh) * | 2020-10-21 | 2023-02-03 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104574209B (zh) | 2018-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104574209A (zh) | 一种城网配变重过载中期预警模型的建模方法 | |
| CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
| CN105260803A (zh) | 一种系统用电量预测方法 | |
| Μπίθας et al. | Estimating urban residential water demand determinants and forecasting water demand for Athens metropolitan area, 2000-2010 | |
| CN104123600A (zh) | 一种面向典型行业大数据的电力经理指数趋势预测方法 | |
| CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
| CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
| CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
| CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
| CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
| CN104537433A (zh) | 基于存量容量与业扩报装特征的售电量预测方法 | |
| CN106682763A (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
| CN111027872A (zh) | 一种区域用户的用电成熟度确定方法及系统 | |
| CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
| CN101916335A (zh) | 城市需水量时间序列-指数平滑模型预测方法 | |
| CN105224997A (zh) | 一种含有多种不确定性因素影响的规划负荷预测方法 | |
| CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
| CN106548285A (zh) | 计及小水电出力的趸售电量预测方法 | |
| CN112288172A (zh) | 台区线损率的预测方法、装置 | |
| Meng et al. | Structure construction, evolution analysis and sustainability evaluation of Water-Ecological-Economic system | |
| CN105005623A (zh) | 基于关键词检索指数相关性分析的用电需求预测方法 | |
| CN105260944A (zh) | 一种基于lssvm算法与关联规则挖掘的统计线损计算方法 | |
| CN104252647B (zh) | 基于反距离权重插值法的用电负荷预测方法 | |
| CN116826745A (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| Angelopoulos et al. | Long-term electricity demand forecasting via ordinal regression analysis: The case of Greece |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP03 | Change of name, title or address |
Address after: 100030 Beijing Xicheng District West Chang'an Avenue 86 Co-patentee after: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Patentee after: STATE GRID CORPORATION OF CHINA Co-patentee after: STATE GRID FUJIAN ELECTRIC POWER Research Institute Address before: 100031 West Chang'an Avenue, Xicheng District, Xicheng District, Beijing Co-patentee before: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Patentee before: State Grid Corporation of China Co-patentee before: STATE GRID FUJIAN ELECTRIC POWER Research Institute |
|
| CP03 | Change of name, title or address | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20181106 Address after: 100030 Beijing Xicheng District West Chang'an Avenue 86 Co-patentee after: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Patentee after: STATE GRID CORPORATION OF CHINA Co-patentee after: STATE GRID FUJIAN ELECTRIC POWER Research Institute Co-patentee after: STATE GRID FUJIAN ECONOMIC Research Institute Address before: 100030 Beijing Xicheng District West Chang'an Avenue 86 Co-patentee before: STATE GRID FUJIAN ELECTRIC POWER Co.,Ltd. Patentee before: State Grid Corporation of China Co-patentee before: STATE GRID FUJIAN ELECTRIC POWER Research Institute |
|
| TR01 | Transfer of patent right |