CN106408016A - 一种配电网停电时间自动识别模型构造方法 - Google Patents
一种配电网停电时间自动识别模型构造方法 Download PDFInfo
- Publication number
- CN106408016A CN106408016A CN201610818391.7A CN201610818391A CN106408016A CN 106408016 A CN106408016 A CN 106408016A CN 201610818391 A CN201610818391 A CN 201610818391A CN 106408016 A CN106408016 A CN 106408016A
- Authority
- CN
- China
- Prior art keywords
- automatic identification
- power
- identification model
- distribution network
- time
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本发明公开了一种配电网停电时间自动识别模型构造方法,其特征在于,包括以下步骤:S1:采集配电网实际生产过程中与停电时间相关的数据,并将采集到的数据进行筛选、转化为适于神经网络训练的样本数据;S2:构建配电网停电时间综合评价指标体系,即根据配电网停电时间的类别对所述样本数据进行分类,得到每一停电时间类别对应的样本数据集;S3:根据所述指标体系构建配电网停电时间自动识别模型;S4:优化所述自动识别模型;S5:测试所述自动识别模型。本发明构建的自动识别模型,更加适用于实际数据,提高了对停电时间识别的准确性和有效性。模型误差较小,精度较高,拟合效果更好。
Description
技术领域
本发明涉及电力电气技术领域,具体涉及一种配电网停电时间自动识别模型构造方法。
背景技术
随着现代科技和国民经济的快速发展,如今各行各业的运作,尤其是大规模工业企业的正常运行都离不开电能(电力系统),在某种程度上也促使客户对配电网的电力供应提出更高的要求,如实时供电能力等。由于配电网是一种复杂网络系统,存在脆弱性以及电力系统元件老化等自然因素,大范围停电事故或停电事件也时有发生,供电的中断可能给大客户带来巨大的损失。因此,在停电事故或停电事件发生后尽快复电以减小对客户造成的危害,准确、实时地对配电网的停电时间进行智能监控和自动识别,并根据分析分析结果实施恰当的现场应急处置方案就显得非常重要。
配电网停电主要分为预安排停电(包括计划停电、临时停电、限电)和故障停电(包括内部故障停电、外部故障停电),而计划停电是有正式计划安排的停电。配电网计划停电的管理是供电企业的一项重要业务,关系到电网的安全可靠运行以及供电企业的经济效益和社会效益。
目前, 多数基于神经网络的自动识别模型,通常采用多输入/多输出结构,即用一个复杂神经网络来构建进行多种诊断的模型;神经网络多采用三层BP( BackPropagation)神经网络或三层径向基( RBF,Radial Basis Function)神经网络。 RBF神经网络与 BP 神经网络都是非线性多层前向网络,它们都属于通用逼近器。三层神经网络由输入层、隐含层和输出层构成。
由于RBF神经网络隐含层单元的转移函数是关于中心对称的径向基函数(如高斯函 数),这样三层静态 RBF 前馈神经网络的隐含层单元数可以根据研究的具体问题,在训练阶段自适应地调整,使得网络的适用性更好。对 RBF 神经网络通常采用最近邻聚类方式训练网络,这样网络隐含层单元的分配就仅与训练样本的分布及隐含层单元的宽度有关,与执行的任务无关。 在隐含层单元分配的基础上,输入与输出之间的映射关系,通过调整隐含层单元和输出单元之间的权值来实现。
粒子群算法,也称粒子群优化算法(Particle Swarm Optimization),缩写为PSO, 是一种新的进化算法(Evolutionary Algorithm - EA)。它和模拟退火算法相似,也是从随机解出发,通过迭代寻找最优解,也是通过适应度来评价解的品质,但它比遗传算法规则更为简单,它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作,它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点被广泛应用于工业设计中,并且在解决实际问题中展示了其优越性。
发明内容
本发明的主要目的是构建基于改进RBFNN的配电网停电时间自动识别模型,并利用基于遗传思想的PSO算法对模型进行优化,使模型更加适用于实际数据,从而提高对停电时间识别的准确性和有效性。
为实现上述目的,本发明采用的技术方案为:
一种配电网停电时间自动识别模型构造方法,其特征在于,包括以下步骤:
S1:采集配电网实际生产过程中与停电时间相关的数据,并将采集到的数据进行筛选、转化为适于神经网络训练的样本数据;
S2:构建配电网停电时间综合评价指标体系,即根据配电网停电时间的类别对所述样本数据进行分类,得到每一停电时间类别对应的样本数据集;
S3:根据所述指标体系构建配电网停电时间自动识别模型;
S4:优化所述自动识别模型;
S5:测试所述自动识别模型。
优选的,步骤S1中所述数据包括计划停电、停电告警和计量点负荷数据。
优选的,步骤S1中所述数据包括实时数据、历史数据、状态量和统计量。
优选的,所述实时数据由配电网主站中的数据采集模块主动推送。
优选的,所述历史数据包括每15分钟电压和电流、每15分钟有功功率和无功功率、每15分钟功率因数、每15分钟变压器油温度、每15分钟频率和整点有功电量和无功电量。
优选的,所述状态量包括开关的状态、事故跳闸的信号、保护动作的信号和异常信号、有载调压变压器分接头位置开关的储能信号、通道的状态信号、终端状态信号和蓄电池状态。
优选的,步骤S2中所述停电时间分为四类,即计划停电时间、停掉告警时间、停电发生时间和停电持续时间。
优选的,所述步骤S3的具体方法为:
S31:确定自动识别模型的结构;
首先根据停电时间种类的个数来确定构成所述自动识别模型的子模型个数;每个子模型是一个多输入—单输出的模型,即每个子模型具有多个输入端和单个输出端,且各个子模型的输入端个数相同;将各个子模型的输入端并联连接即构成所述自动识别模型,所有子模型的输出端个数即构成所述自动识别模型的输出端个数,亦即,子模型的个数就是所述自动识别模型的输出端个数;所述的子模型是由一个多输入—单输出三层神经网络构成;所述的神经网络的输入层节点个数对应子模型的输入端个数,输出层节点个数为1,对应子模型的输出端个数,每一个子模型用来表示配电网的一种停电状态;
S32:确定所述自动识别模型的输入端个数;
设子模型有 m 个输入端,亦即所述自动识别模型有 m 个输入端,设 m 个输入端的输入信号构成一个输入向量X,表示如下:X= (X1X2…Xm)
式中,Xi 为子模型的第 i 个输入信号,i=1,2,…,m;
S33:确定所述自动识别模型的输出端个数;
设所述自动识别模型由 n 个子模型构成,则其输出向量Y由其所包含的所有子模型的输出信号构成,即:Y=(y1y2…yn) ;
式中, yj 为自动识别模型的第 j 个输出信号,也就是第 j 个子模型的输出信号, j=1,2,…,n,每一个子模型的输出端个数固定为 1,表示配电网的一种停电状态;
S34:确定子模型的隐含节点数;
先用缺省值 2 或 4 作为子模型的隐含节点数,最终根据优化结果来调整子模型的隐含节点数。
优选的,所述步骤S4中的优化是基于遗传思想改进PSO算法进行的,具体步骤为:
S41:初始化,包括给进化方程中的各参数赋初值,产生初始种群,确定扰动参数和变异概率;
S42:使用进化方程使种群进化,保留当前最优个体;
S43:给经过进化的种群按适应度的优劣进行排序,选出种群中较好的那一半,将这一半加入扰动后把较差的那一半覆盖掉;
S44:变异,种群中每个个体中的每一维以一个较低的概率随机地变异;
S45:检查终止条件,包括是否达到最大迭代次数、全局最优位值是否满足最小界限,如果满足条件则迭代终止,否则返回S42。
优选的,所述步骤S5的具体方法为:
S51:准备测试样本集并对配电网进行测试;
用不同于训练样本集的包含所有子模型对应的样本构成测试样本集,根据测试样本集中的样本顺序,对配电网进行实际测试,得到对应的配电网停电状态实测结果表;
S52:测试所述自动识别模型的性能;
向所述自动识别模型依次连续输入测试样本集中的样本,记录模型的输出结果,得到模型的判断结果表,将S51中所得的实测结果表与所述模型判断结果表进行对比,如果所述模型判断结果与实测结果的匹配度大于 80%,即认为满足要求,则所述自动识别模型便可投入使用。
和现有技术相比,本发明产生的有益效果在于:本发明构建基于改进RBFNN的配电网停电时间自动识别模型,利用基于遗传思想的PSO算法对模型参数进行优化,使模型更加适用于实际数据,提高了对停电时间识别的准确性和有效性;该模型能够对配电网实时运行状态的参数进行估计和修正,模型具有计算误差小和计算精度高的特点。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图,其中 :
图1是本发明配电网停电时间指标体系结构示意图;
图2是本发明构建的自动识别模型结构示意图;
图3是本发明自动识别模型计算的误差波动示意图;
图4(a) 是利用基本PSO算法优化本发明自动识别模型的迭代收敛效果图;
图4(b) 是利用改进PSO算法优化本发明自动识别模型的迭代收敛效果图。
具体实施方式
下面将结合本发明实例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种配电网停电时间自动识别模型构造方法,包括以下步骤:
S1:采集配电网实际生产过程中与停电时间相关的数据,并将采集到的数据进行筛选、转化为适于神经网络训练的样本数据。
对配电网采集的数据包括计划停电、停电告警和计量点负荷数据等。大多数配电网自动化系统都采用分层分布式体系结构,系统主要有三部分组成:主站层、配网子站层和配网测控终端设备层。其中配网主站主要实现配电网系统的实时监控和管理,包括配网SCADA功能,各种数据信息的采集、传输、加工和控制操作、事件报告等基本功能。建模中采用的实时数据主要来源于配网主站中的数据采集模块,采集的数据分为实时数据、历史数据、状态量和统计量等。
历史数据,包括每15分钟电压和电流、每15分钟有功功率和无功功率、每15分钟功率因数、每15分钟变压器油温度、每15分钟频率和整点有功电量和无功电量;
状态量,包括开关的状态、事故跳闸的信号、保护动作的信号和异常信号、有载调压变压器分接头位置开关的储能信号、通道的状态信号终端状态信号、蓄电池状态等。
S2:构建配电网停电时间综合评价指标体系,即根据配电网停电时间的类别对所述样本数据进行分类,得到每一停电时间类别对应的样本数据集。
配电网停电时间指标体系的构建是一个系统工程。需要考虑停电时间的性质等因素,建立合理的停电时间综合评价指标体系。基于指标体系的统一性和合理性,将停电时间分为计划停电时间、停掉告警时间、停电发生时间和停电持续时间4个二级指标。如图1所示。
S3:构建配电网停电时间自动识别模型。
S31:确定自动识别模型的结构
首先根据停电时间种类的个数来确定构成所述自动识别模型的子模型个数;每个子模型是一个多输入—单输出的模型,即每个子模型具有多个输入端和单个输出端,且各个子模型的输入端个数相同;将各个子模型的输入端并联连接即构成了由 n 个子模型构成的配电网停电时间自动识别模型。模型的输入由各子模型输入并联构成,模型的输出由所有子模型的输出构成,也就是说,子模型的个数也就是模型的输出个数。所述的子模型是由一个多输入—单输出三层神经网络构成;神经网络的输入层节点个数对应子模型的输入端个数,输出层节点个数为1,对应子模型的输出端个数,每一个子模型用来表示配电网的一种停电状态;
S32:确定所述自动识别模型的输入端个数
设子模型有 m 个输入端,亦即所述自动识别模型有 m 个输入端,设 m 个输入端的输入信号构成一个输入向量X,表示如下:X= (X1X2…Xm)
式中,Xi 为子模型的第 i 个输入信号,i=1,2,…,m;
S33:确定所述自动识别模型的输出端个数
设所述自动识别模型由 n 个子模型构成,则其输出向量Y由其所包含的所有子模型的输出信号构成,即:Y=(y1y2…yn)
式中, yj 为自动识别模型的第 j 个输出信号,也就是第 j 个子模型的输出信号, j=1,2,…,n,每一个子模型的输出端个数固定为 1,表示配电网的一种停电状态;
S34:确定子模型的隐含节点数
为简单起见,先用缺省值 2 或 4 作为子模型的隐含节点数,最终根据优化结果来调整子模型的隐含节点数。
在本实施例中,由于RBF网络的性能特点是隐藏单元转移函数的径向性质,该函数仅取决于输入X与每一个隐藏单元中心的以(正定矩阵)度量的距离
其中,是非负单调函数。如果不考虑对角线和高斯基函数,那么转移函数可表达为
其中,为第 隐含层的径向。
通过配电网停电发生的时间和停电持续的时间,利用径向神经网络模型对配电网停电时间区间进行非线性逼近,以网络模型的形式表达出来。RBFNN有更好的函数非线性逼近能力和学习速度,而且可以保证该方法的灵活性和通用性。由于配电网停电时间受4个指标因素计划停电时间、停掉告警时间、停电发生时间和停电持续时间的影响,因此RBFNN模型的输入输出关系为
其中,分别对应配电网计划停电时间、停掉告警时间、停电发生时间和停电持续时间,4个变量一起构成了RBFNN模型的辅助变量,由此可得图2所示的自动识别模型结构示意图。
由图2可知,由于隐含层采用高斯函数,输出层采用线性函数。考虑了输出层的权重系数,则其输入输出映射关系为
其中,为该隐含层节点到输出的权重;是第个节点高斯函数的中心向量;是第个隐含层节点的标准化常数。
S4:优化所述自动识别模型。
其优化方法是基于遗传思想改进PSO算法进行的,具体步骤为:
S41:初始化,包括给进化方程中的各参数赋初值,产生初始种群,确定扰动参数和变异概率;
S42:使用进化方程使种群进化,保留当前最优个体;
S43:给经过进化的种群按适应度的优劣进行排序,选出种群中较好的那一半,将这一半加入扰动后把较差的那一半覆盖掉;
S44:变异,种群中每个个体中的每一维以一个较低的概率随机地变异;
S45:检查终止条件,包括是否达到最大迭代次数、全局最优位值是否满足最小界限,如果满足条件则迭代终止,否则返回S42。
S5:测试所述自动识别模型。
其具体方法为:
S51:准备测试样本集并对配电网进行测试
用不同于训练样本集的包含所有子模型对应的样本构成测试样本集,根据测试样本集中的样本顺序,对配电网进行实际测试,得到对应的配电网停电状态实测结果表;
S52:测试所述自动识别模型的性能
向所述自动识别模型依次连续输入测试样本集中的样本,记录模型的输出结果,得到模型的判断结果表,将S51中所得的实测结果表与所述模型判断结果表进行对比,如果所述模型判断结果与实测结果的匹配度大于 80%,即认为满足要求,则所述自动识别模型便可投入使用。
在本实施例中,为了评估模型的配电网停电时间自动识别性能,验证模型算法的有效性,即基于改进PSO算法和RBFNN算法的数学模型。针对实际计划停电、停电告警和计量点负荷数据进行模型验证和比较研究。模型计算的误差分析效果图如图3所示。
模型计算过程中迭代的次数设为1000,利用基本PSO算法和改进PSO算法对模型进行分别进行优化,分别得到的迭代效果如图4(a)和图4(b)所示。从图中可以看出,基于遗传算法改进的PSO算法对RBFNN模型具有更快的收敛速度和优化性能,对配电网停电时间的自动识别更具有适用性。
对已建好的自动识别模型进行计算和停电时间的自动识别,得到输出结果,输出结果中1表示停电,0表示未停电。表1是利用所建立的模型基于计量点前200个样本得到的同一时间区间自动识别结果,从模型识别的结果可以看出,模型计算的准确率为94.12%。
表1
本发明将改进RBFNN模型运用于配电网停电时间的自动识别中,并把基于遗传思想的改进PSO算法引入RBFNN模型中,使模型有更强的非线性逼近能力。同时也克服了基本PSO模型出现的易于陷入局部最优极值的缺点。本发明提出的模型能够对计划停电、停电告警以及计量点的负荷停电数据进行自动识别和诊断,可应用于配电网现场停电应急方案等危机处理情形中。模型误差较小,精度较高,拟合效果更好。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网停电时间自动识别模型构造方法,其特征在于,包括以下步骤:
S1:采集配电网实际生产过程中与停电时间相关的数据,并将采集到的数据进行筛选、转化为适于神经网络训练的样本数据;
S2:构建配电网停电时间综合评价指标体系,即根据配电网停电时间的类别对所述样本数据进行分类,得到每一停电时间类别对应的样本数据集;
S3:根据所述指标体系构建配电网停电时间自动识别模型;
S4:优化所述自动识别模型;
S5:测试所述自动识别模型。
2.根据权利要求1所述的一种配电网停电时间自动识别模型构造方法,其特征在于,步骤S1中所述数据包括计划停电、停电告警和计量点负荷数据。
3.根据权利要求1所述的一种配电网停电时间自动识别模型构造方法,其特征在于,步骤S1中所述数据包括实时数据、历史数据、状态量和统计量。
4.根据权利要求3所述的一种配电网停电时间自动识别模型构造方法,其特征在于,所述实时数据由配电网主站中的数据采集模块主动推送。
5.根据权利要求3所述的一种配电网停电时间自动识别模型构造方法,其特征在于,所述历史数据包括每15分钟电压和电流、每15分钟有功功率和无功功率、每15分钟功率因数、每15分钟变压器油温度、每15分钟频率和整点有功电量和无功电量。
6.根据权利要求3所述的一种配电网停电时间自动识别模型构造方法,其特征在于,所述状态量包括开关的状态、事故跳闸的信号、保护动作的信号和异常信号、有载调压变压器分接头位置开关的储能信号、通道的状态信号、终端状态信号和蓄电池状态。
7.根据权利要求1所述的一种配电网停电时间自动识别模型构造方法,其特征在于,步骤S2中所述停电时间分为四类,即计划停电时间、停掉告警时间、停电发生时间和停电持续时间。
8.根据权利要求1所述的一种配电网停电时间自动识别模型构造方法,其特征在于,所述步骤S3的具体方法为:
S31:确定自动识别模型的结构;
首先根据停电时间种类的个数来确定构成所述自动识别模型的子模型个数;每个子模型是一个多输入—单输出的模型,即每个子模型具有多个输入端和单个输出端,且各个子模型的输入端个数相同;将各个子模型的输入端并联连接即构成所述自动识别模型,所有子模型的输出端个数即构成所述自动识别模型的输出端个数,亦即,子模型的个数就是所述自动识别模型的输出端个数;所述的子模型是由一个多输入—单输出三层神经网络构成;所述的神经网络的输入层节点个数对应子模型的输入端个数,输出层节点个数为1,对应子模型的输出端个数,每一个子模型用来表示配电网的一种停电状态;
S32:确定所述自动识别模型的输入端个数;
设子模型有 m 个输入端,亦即所述自动识别模型有 m 个输入端,设 m 个输入端的输入信号构成一个输入向量X,表示如下:X= (X1X2…Xm)
式中,Xi 为子模型的第 i 个输入信号,i=1,2,…,m;
S33:确定所述自动识别模型的输出端个数;
设所述自动识别模型由 n 个子模型构成,则其输出向量Y由其所包含的所有子模型的输出信号构成,即:Y=(y1y2…yn) ;
式中, yj 为自动识别模型的第 j 个输出信号,也就是第 j 个子模型的输出信号, j=1,2,…,n,每一个子模型的输出端个数固定为 1,表示配电网的一种停电状态;
S34:确定子模型的隐含节点数;
先用缺省值 2 或 4 作为子模型的隐含节点数,最终根据优化结果来调整子模型的隐含节点数。
9.根据权利要求1所述的一种配电网停电时间自动识别模型构造方法,其特征在于,所述步骤S4中的优化是基于遗传思想改进PSO算法进行的,具体步骤为:
S41:初始化,包括给进化方程中的各参数赋初值,产生初始种群,确定扰动参数和变异概率;
S42:使用进化方程使种群进化,保留当前最优个体;
S43:给经过进化的种群按适应度的优劣进行排序,选出种群中较好的那一半,将这一半加入扰动后把较差的那一半覆盖掉;
S44:变异,种群中每个个体中的每一维以一个较低的概率随机地变异;
S45:检查终止条件,包括是否达到最大迭代次数、全局最优位值是否满足最小界限,如果满足条件则迭代终止,否则返回S42。
10.根据权利要求1所述的一种配电网停电时间自动识别模型构造方法,其特征在于,所述步骤S5的具体方法为:
S51:准备测试样本集并对配电网进行测试;
用不同于训练样本集的包含所有子模型对应的样本构成测试样本集,根据测试样本集中的样本顺序,对配电网进行实际测试,得到对应的配电网停电状态实测结果表;
S52:测试所述自动识别模型的性能;
向所述自动识别模型依次连续输入测试样本集中的样本,记录模型的输出结果,得到模型的判断结果表,将S51中所得的实测结果表与所述模型判断结果表进行对比,如果所述模型判断结果与实测结果的匹配度大于 80%,即认为满足要求,则所述自动识别模型便可投入使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610818391.7A CN106408016A (zh) | 2016-09-13 | 2016-09-13 | 一种配电网停电时间自动识别模型构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610818391.7A CN106408016A (zh) | 2016-09-13 | 2016-09-13 | 一种配电网停电时间自动识别模型构造方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106408016A true CN106408016A (zh) | 2017-02-15 |
Family
ID=57999492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610818391.7A Pending CN106408016A (zh) | 2016-09-13 | 2016-09-13 | 一种配电网停电时间自动识别模型构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106408016A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833151A (zh) * | 2017-11-10 | 2018-03-23 | 国网浙江省电力公司温州供电公司 | 配网计划停送电零时差数据处理方法及设备 |
CN108615071A (zh) * | 2018-05-10 | 2018-10-02 | 阿里巴巴集团控股有限公司 | 模型测试的方法及装置 |
CN108830406A (zh) * | 2018-05-29 | 2018-11-16 | 贵州黔驰信息股份有限公司 | 一种基于数据挖掘的主配网预停电配置方法 |
CN109919799A (zh) * | 2019-03-01 | 2019-06-21 | 广州供电局有限公司 | 停电时间数据智能化统计分析方法 |
CN113377835A (zh) * | 2021-06-09 | 2021-09-10 | 国网河南省电力公司电力科学研究院 | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
CN103810533A (zh) * | 2013-08-15 | 2014-05-21 | 国家电网公司 | 一种基于云模型的配电网故障风险识别方法 |
CN105406461A (zh) * | 2015-10-21 | 2016-03-16 | 广西电网有限责任公司北海供电局 | 一种配电网停电事件的负荷自适应动态监测方法 |
-
2016
- 2016-09-13 CN CN201610818391.7A patent/CN106408016A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
CN103810533A (zh) * | 2013-08-15 | 2014-05-21 | 国家电网公司 | 一种基于云模型的配电网故障风险识别方法 |
CN105406461A (zh) * | 2015-10-21 | 2016-03-16 | 广西电网有限责任公司北海供电局 | 一种配电网停电事件的负荷自适应动态监测方法 |
Non-Patent Citations (3)
Title |
---|
易云飞: "改进粒子群优化算法及其应用研究", 《中国优秀硕士学位论文全文数据库》 * |
李朔宇等: "客户停电时间自动采集及智能分析方法研究", 《电气工程与自动化》 * |
陈广: "基于改进PSO_RBF神经网络的气温预测模型", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107833151A (zh) * | 2017-11-10 | 2018-03-23 | 国网浙江省电力公司温州供电公司 | 配网计划停送电零时差数据处理方法及设备 |
CN108615071A (zh) * | 2018-05-10 | 2018-10-02 | 阿里巴巴集团控股有限公司 | 模型测试的方法及装置 |
CN108615071B (zh) * | 2018-05-10 | 2020-11-24 | 创新先进技术有限公司 | 模型测试的方法及装置 |
US11176418B2 (en) | 2018-05-10 | 2021-11-16 | Advanced New Technologies Co., Ltd. | Model test methods and apparatuses |
CN108830406A (zh) * | 2018-05-29 | 2018-11-16 | 贵州黔驰信息股份有限公司 | 一种基于数据挖掘的主配网预停电配置方法 |
CN109919799A (zh) * | 2019-03-01 | 2019-06-21 | 广州供电局有限公司 | 停电时间数据智能化统计分析方法 |
CN113377835A (zh) * | 2021-06-09 | 2021-09-10 | 国网河南省电力公司电力科学研究院 | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A hierarchical data-driven method for event-based load shedding against fault-induced delayed voltage recovery in power systems | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
CN109659933A (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
CN106980905A (zh) | 配电网供电可靠性预测方法和系统 | |
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
He et al. | Ultra-short-term wind power prediction using ANN ensemble based on PCA | |
Jiao | Application and prospect of artificial intelligence in smart grid | |
Tang et al. | Securing microgrid optimal energy management using deep generative model | |
Jafari et al. | A survey on deep learning role in distribution automation system: a new collaborative Learning-to-Learning (L2L) concept | |
Xu et al. | Risk‐averse multi‐objective generation dispatch considering transient stability under load model uncertainty | |
CN105656036A (zh) | 考虑潮流和灵敏度一致性等值的概率静态安全分析方法 | |
CN113822533A (zh) | 基于实时事件驱动的风险评估量化模型构建方法及系统 | |
Hailu et al. | Techniques of power system static security assessment and improvement: A literature survey | |
CN106655181A (zh) | 电网节点的优先级设置方法和系统 | |
Shang et al. | Loss of life estimation of distribution transformers considering corrupted AMI data recovery and field verification | |
CN110378586A (zh) | 基于动态闭环知识管理的变电设备缺陷预警方法及系统 | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
Fan et al. | Risk assessment of power communication network based on node importance | |
Zhang et al. | A risk situation estimation method for power information communication network | |
Melendez-Norona et al. | Design of a Massive Open Online Course on Electrical Microgrids Cybersecurity and Optimization | |
Hailu et al. | Application of Data-Driven Tuned Fuzzy Inference System for Static Equivalencing of Power Systems with High Penetration of Renewable Energy | |
Li et al. | Research and application of electricity anti-stealing system based on neural network | |
Zhang et al. | Cyber-physical-social systems for wind power operation and maintenance | |
CN113283702B (zh) | 融合电力系统安全稳定特性的潮流状态评价方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170215 |