CN106709598A - 一种基于单类样本的电压稳定性预测判断方法 - Google Patents
一种基于单类样本的电压稳定性预测判断方法 Download PDFInfo
- Publication number
- CN106709598A CN106709598A CN201611160511.5A CN201611160511A CN106709598A CN 106709598 A CN106709598 A CN 106709598A CN 201611160511 A CN201611160511 A CN 201611160511A CN 106709598 A CN106709598 A CN 106709598A
- Authority
- CN
- China
- Prior art keywords
- sample
- power grid
- measurement samples
- operation period
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 97
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000005070 sampling Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 9
- 230000006641 stabilisation Effects 0.000 claims description 8
- 238000011105 stabilization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 101100379079 Emericella variicolor andA gene Proteins 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims 34
- 239000012468 concentrated sample Substances 0.000 claims 3
- 230000005611 electricity Effects 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- BYACHAOCSIPLCM-UHFFFAOYSA-N 2-[2-[bis(2-hydroxyethyl)amino]ethyl-(2-hydroxyethyl)amino]ethanol Chemical group OCCN(CCO)CCN(CCO)CCO BYACHAOCSIPLCM-UHFFFAOYSA-N 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于单类样本的电压稳定性预测判断方法,所述方法包括:获取电网稳定运行时段的测量值样本集;建立电网稳定运行时段的测量值样本集的样本矩阵,压缩所述样本矩阵的维度并更新所述电网稳定运行时段的测量值样本集;获取被测测量值样本,并判断所述被测测量值样本是否属于所述电网稳定运行时段的测量值样本集,若是,则所述被测测量值样本对应的时刻的电网稳定;本发明提供的方法,根据电网不稳定样本少的特点,能只基于稳定样本进行分类和预测,克服基于仿真软件数据研究电网稳定性带来的对电网模型做了很多简化从而并不能真实还原复杂大规模复杂电力系统的问题。
Description
技术领域
本发明涉及电压稳定性分析领域,具体涉及一种基于单类样本的电压稳定性预测判断方法。
背景技术
随着能源互联网的发展,电网的开放和竞争程度越来越高,电力系统的运行和规划的不安全因素和不确定性也随之增加。世界上许多国家相继发生由电压稳定性波动导致的大面积停电事件,造成了巨大的经济损失。电压安全已经成为限制电力传输的主要因素之一。
电网是当今最复杂的人工系统,目前还不能完全理解和掌握电力系统的运行规律。传统的仿真建模分析对电力系统进行了大量的假设和简化,使得仿真出的结果与真实系统存在偏差。随着分布式计算和机器学习的发展,大数据分析成为理解复杂系统的重要手段。大数据分析把真实系统当成黑箱,直接对输入输出进行拟合和关联分析。传统的仿真分析需要求解大量的微分方程,与此相比,基于数据的机器学习方法具有速度更快、准确度更高的特点。
以前的研究人员已经尝试利用机器学习的方法预测电网稳定性。常规的机器学习方法要求有正样本和负样本两类训练样本,然而在某些场景下,两类样本的的样本数很不平衡,或者是异常样本的获取成本很高,使得没有充足的两类样本来支持分类边界。有偏的样本比例使得训练出的分类器更加偏向比例更大的类别。比如说阳性的比例为1%,阴性的比例为99%,很明显的是即使不学习,直接预测所有结果为阴性,这样做的准确率也能够达到99%,真正训练出的分类器的正确率可能还达不到。
解决这个问题的方法有两种。第一种是从数据入手。可以通过对比例较大类别的数据进行采样,或者来复制变异某些比例较小类别的数据,使得两类样本的数量相对平衡。第二种方法是从分类器入手,让分类器更偏向于小的类别。
电网稳定性预测是典型的样本不均衡问题。电网在运行过程中,绝大部分时候都是稳定的,只有在极少数时刻会出现波动甚至崩溃,但是不稳定的代价和损失是绝大的。由于两类样本的不平衡,传统研究电网稳定性的研究都是基于仿真软件数据,因为仿真软件可以仿真出大量的正样本。但是由于仿真软件对电网模型做了很多简化,并不能真实还原复杂大规模复杂电力系统。另外,基于仿真软件的数据只能对算法的有效性进行验证,当应用于真实系统时,仍然无法避免正样本缺少的问题。
发明内容
本发明提供一种基于单类样本的电压稳定性预测判断方法,其目的是根据电网不稳定样本少的特点,能只基于稳定样本进行分类和预测,克服基于仿真软件数据研究电网稳定性带来的对电网模型做了很多简化从而并不能真实还原复杂大规模复杂电力系统的问题。
本发明的目的是采用下述技术方案实现的:
一种基于单类样本的电压稳定性预测判断方法,其改进之处在于,包括:
获取电网稳定运行时段的测量值样本集;
建立电网稳定运行时段的测量值样本集的样本矩阵,压缩所述样本矩阵的维度并更新所述电网稳定运行时段的测量值样本集;
获取被测测量值样本,并判断所述被测测量值样本是否属于所述电网稳定运行时段的测量值样本集,若是,则所述被测测量值样本对应的时刻的电网稳定并将所述被测测量值样本加入所述电网稳定运行时段的测量值样本集,若否,则所述被测测量值样本对应的时刻的电网不稳定。
优选的,所述建立电网稳定运行时段的测量值样本集的样本矩阵,包括:
建立N×n的样本矩阵,其中,N为样本总数,n为样本维度总数,所述样本维度包括:采样节点的电压、采样节点的有功功率、采样节点的无功功率和采样节点的电流。
优选的,所述压缩所述样本矩阵的维度,包括:
采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,其中,N为样本总数,n为样本维度总数,m为压缩维度且m≤n。
进一步的,所述采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,包括:
按下式将样本矩阵X中的第i列向量xi归一化处理:
上式中,xi(t)′为样本矩阵X中的第i列向量t时刻测量值的归一化值,xi(t)为样本矩阵X中的第i列向量t时刻测量值,μ(xi)为样本矩阵X中的第i列向量的均值,δ(xi)为样本矩阵X中的第i列向量的标准差,t为采样时刻,i∈[1,n];
利用xi(t)′建立归一化样本矩阵X′;
获取归一化样本矩阵X′的协方差矩阵X′X′T的特征值和特征向量,选择前m大的特征值对应的特征向量α1,α2,…αm,则N×m的降维矩阵P=[α1,α2,…αm]TX′。
优选的,获取被测测量值样本,并判断所述被测测量值样本是否属于所述电网稳定运行时段的测量值样本集,包括:
将所述电网稳定运行时段的测量值样本集记为P,被测测量值样本记为q;
确定所述电网稳定运行时段的测量值样本集中与q相似性度量最小的样本pk,pk与q之间的相似性度量记为d,k∈[1,N],N为所述电网稳定运行时段的测量值样本集的样本总数;
确定所述电网稳定运行时段的测量值样本集中与q相似性度量最小的t样本,并确定所述t个样本与q之间的相似性度量的平均值
若则q属于所述电网稳定运行时段的测量值样本集,若则q不属于所述电网稳定运行时段的测量值样本集。
进一步的,所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d为pk与q之间的明可夫斯基距离dist(pk,q),公式为:
上式中,n为样本pk和样本q的维度总数,为样本pk的第i个分量,qi为样本q的第i个分量,r为正整数,当r=1时,明可夫斯基距离dist(pk,q)为欧几里得距离且当r=2时,明可夫斯基距离dist(pk,q)为曼哈顿距离且当r=∞时,明可夫斯基距离dist(pk,q)为切比雪夫距离且
进一步的,所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d为pk与q在空间中的夹角θ的余弦值cosθ,公式为:
进一步的,所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d为pk与q之间的相关系数cor(pk,q),公式为:
上式中,为样本pk的中间变量, 为样本q的中间变量,n为样本pk和样本q的维度总数。
本发明的有益效果:
本发明提供的技术方案,根据电网不稳定样本少的特点,能只基于稳定样本进行分类和预测,克服了由于稳定和不稳定两类样本的数量不平衡,而基于仿真软件数据研究电网稳定性带来的对电网模型做了很多简化,从而并不能真实还原复杂大规模复杂电力系统的问题。
附图说明
图1是本发明提供的一种基于单类样本的电压稳定性预测判断方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供的一种基于单类样本的电压稳定性预测判断方法,如图1所示,包括:
101.获取电网稳定运行时段的测量值样本集;
102.建立电网稳定运行时段的测量值样本集的样本矩阵,压缩所述样本矩阵的维度并更新所述电网稳定运行时段的测量值样本集;
103.获取被测测量值样本,并判断所述被测测量值样本是否属于所述电网稳定运行时段的测量值样本集,若是,则所述被测测量值样本对应的时刻的电网稳定并将所述被测测量值样本加入所述电网稳定运行时段的测量值样本集,若否,则所述被测测量值样本对应的时刻的电网不稳定。
具体的,所述步骤102中,包括:
建立N×n的样本矩阵,其中,N为样本总数,n为样本维度总数,所述样本维度包括:采样节点的电压、采样节点的有功功率、采样节点的无功功率和采样节点的电流。
建立电网稳定运行时段的测量值样本集的样本矩阵之后,需对该样本矩阵进行降维处理,因此,本实施例中可以采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,其中,N为样本总数,n为样本维度总数,m为压缩维度且m≤n。
进一步的,所述采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,包括:
按下式将样本矩阵X中的第i列向量xi归一化处理:
上式中,xi(t)′为样本矩阵X中的第i列向量t时刻测量值的归一化值,xi(t)为样本矩阵X中的第i列向量t时刻测量值,μ(xi)为样本矩阵X中的第i列向量的均值,δ(xi)为样本矩阵X中的第i列向量的标准差,t为采样时刻,i∈[1,n];
利用xi(t)′建立归一化样本矩阵X′;
获取归一化样本矩阵X′的协方差矩阵X′X′T的特征值和特征向量,选择前m大的特征值对应的特征向量α1,α2,…αm,则N×m的降维矩阵P=[α1,α2,…αm]TX′。
所述步骤103,包括:
将所述电网稳定运行时段的测量值样本集记为P,被测测量值样本记为q;
确定所述电网稳定运行时段的测量值样本集中与q相似性度量最小的样本pk,pk与q之间的相似性度量记为d,k∈[1,N],N为所述电网稳定运行时段的测量值样本集的样本总数;
确定所述电网稳定运行时段的测量值样本集中与q相似性度量最小的t样本,并确定所述t个样本与q之间的相似性度量的平均值
若则q属于所述电网稳定运行时段的测量值样本集,若则q不属于所述电网稳定运行时段的测量值样本集。
其中,所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d可以为pk与q之间的明可夫斯基距离dist(pk,q),公式为:
上式中,n为样本pk和样本q的维度总数,为样本pk的第i个分量,qi为样本q的第i个分量,r为正整数,当r=1时,明可夫斯基距离dist(pk,q)为欧几里得距离且当r=2时,明可夫斯基距离dist(pk,q)为曼哈顿距离且当r=∞时,明可夫斯基距离dist(pk,q)为切比雪夫距离且
所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d可以为pk与q在空间中的夹角θ的余弦值cosθ,公式为:
所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d还可以为pk与q之间的相关系数cor(pk,q),公式为:
上式中,为样本pk的中间变量, 为样本q的中间变量,n为样本pk和样本q的维度总数。
本发明实施例中样本集为一类样本,当对一个未知数据进行分类时,就要考虑它是否“像”已知类别的单类样本,判断是否“像”的手段是通过相似性度量,首先找出与它最相似(距离最小)的一个点,然后找出这个点前t个邻居。由于这t个邻居都是和这个点同类别的,因此,他们之间的平均距离可以作为未知点是否可以加入他们类别的标准。
本发明实施例中有两个关键点是相似性度量的选择和t的选择。t不宜过小,也不宜过大。当t比较小时,极端情况就是t=1,此时新样本点很容易受到个别点的影响,不具有鲁棒性;当t比较大时,平均距离就比较大,新样本点很难加入。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于单类样本的电压稳定性预测判断方法,其特征在于,所述方法包括:
获取电网稳定运行时段的测量值样本集;
建立电网稳定运行时段的测量值样本集的样本矩阵,压缩所述样本矩阵的维度并更新所述电网稳定运行时段的测量值样本集;
获取被测测量值样本,并判断所述被测测量值样本是否属于所述电网稳定运行时段的测量值样本集,若是,则所述被测测量值样本对应的时刻的电网稳定并将所述被测测量值样本加入所述电网稳定运行时段的测量值样本集,若否,则所述被测测量值样本对应的时刻的电网不稳定。
2.如权利要求1所述的方法,其特征在于,所述建立电网稳定运行时段的测量值样本集的样本矩阵,包括:
建立N×n的样本矩阵,其中,N为样本总数,n为样本维度总数,所述样本维度包括:采样节点的电压、采样节点的有功功率、采样节点的无功功率和采样节点的电流。
3.如权利要求1所述的方法,其特征在于,所述压缩所述样本矩阵的维度,包括:
采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,其中,N为样本总数,n为样本维度总数,m为压缩维度且m≤n。
4.如权利要求3所述的方法,其特征在于,所述采用主成分分析算法将N×n的样本矩阵X压缩为N×m的降维矩阵P,包括:
按下式将样本矩阵X中的第i列向量xi归一化处理:
上式中,xi(t)′为样本矩阵X中的第i列向量t时刻测量值的归一化值,xi(t)为样本矩阵X中的第i列向量t时刻测量值,μ(xi)为样本矩阵X中的第i列向量的均值,δ(xi)为样本矩阵X中的第i列向量的标准差,t为采样时刻,i∈[1,n];
利用xi(t)′建立归一化样本矩阵X′;
获取归一化样本矩阵X′的协方差矩阵X′X′T的特征值和特征向量,选择前m大的特征值对应的特征向量α1,α2,…αm,则N×m的降维矩阵P=[α1,α2,…αm]TX′。
5.如权利要求1所述的方法,其特征在于,获取被测测量值样本,并判断所述被测测量值样本是否属于所述电网稳定运行时段的测量值样本集,包括:
将所述电网稳定运行时段的测量值样本集记为P,被测测量值样本记为q;
确定所述电网稳定运行时段的测量值样本集中与q相似性度量最小的样本pk,pk与q之间的相似性度量记为d,k∈[1,N],N为所述电网稳定运行时段的测量值样本集的样本总数;
确定所述电网稳定运行时段的测量值样本集中与q相似性度量最小的t样本,并确定所述t个样本与q之间的相似性度量的平均值
若则q属于所述电网稳定运行时段的测量值样本集,若则q不属于所述电网稳定运行时段的测量值样本集。
6.如权利要求5所述的方法,其特征在于,所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d为pk与q之间的明可夫斯基距离dist(pk,q),公式为:
上式中,n为样本pk和样本q的维度总数,为样本pk的第i个分量,qi为样本q的第i个分量,r为正整数,当r=1时,明可夫斯基距离dist(pk,q)为欧几里得距离且当r=2时,明可夫斯基距离dist(pk,q)为曼哈顿距离且当r=∞时,明可夫斯基距离dist(pk,q)为切比雪夫距离且
7.如权利要求5所述的方法,其特征在于,所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d为pk与q在空间中的夹角θ的余弦值cosθ,公式为:
8.如权利要求5所述的方法,其特征在于,所述电网稳定运行时段的测量值样本集中的样本pk与q之间的相似性度量d为pk与q之间的相关系数cor(pk,q),公式为:
上式中,为样本pk的中间变量, 为样本q的中间变量,n为样本pk和样本q的维度总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611160511.5A CN106709598B (zh) | 2016-12-15 | 2016-12-15 | 一种基于单类样本的电压稳定性预测判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611160511.5A CN106709598B (zh) | 2016-12-15 | 2016-12-15 | 一种基于单类样本的电压稳定性预测判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709598A true CN106709598A (zh) | 2017-05-24 |
CN106709598B CN106709598B (zh) | 2022-02-15 |
Family
ID=58938824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611160511.5A Active CN106709598B (zh) | 2016-12-15 | 2016-12-15 | 一种基于单类样本的电压稳定性预测判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709598B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776711A (zh) * | 2018-03-07 | 2018-11-09 | 中国电力科学研究院有限公司 | 一种电力系统暂态样本数据提取方法及系统 |
CN111814395A (zh) * | 2020-06-30 | 2020-10-23 | 三峡大学 | 一种基于主成分分析与置信检测的静态电压稳定评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034961A (zh) * | 2012-12-18 | 2013-04-10 | 清华大学 | 一种电网节能水平的判定方法 |
CN103927531A (zh) * | 2014-05-13 | 2014-07-16 | 江苏科技大学 | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 |
CN105139289A (zh) * | 2015-09-06 | 2015-12-09 | 清华大学 | 一种基于错分代价分类学习的电网暂态电压稳定评估方法 |
CN105740838A (zh) * | 2016-02-06 | 2016-07-06 | 河北大学 | 针对不同尺度人脸图像的识别方法 |
-
2016
- 2016-12-15 CN CN201611160511.5A patent/CN106709598B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103034961A (zh) * | 2012-12-18 | 2013-04-10 | 清华大学 | 一种电网节能水平的判定方法 |
CN103927531A (zh) * | 2014-05-13 | 2014-07-16 | 江苏科技大学 | 一种基于局部二值和粒子群优化bp神经网络的人脸识别方法 |
CN105139289A (zh) * | 2015-09-06 | 2015-12-09 | 清华大学 | 一种基于错分代价分类学习的电网暂态电压稳定评估方法 |
CN105740838A (zh) * | 2016-02-06 | 2016-07-06 | 河北大学 | 针对不同尺度人脸图像的识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108776711A (zh) * | 2018-03-07 | 2018-11-09 | 中国电力科学研究院有限公司 | 一种电力系统暂态样本数据提取方法及系统 |
CN111814395A (zh) * | 2020-06-30 | 2020-10-23 | 三峡大学 | 一种基于主成分分析与置信检测的静态电压稳定评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106709598B (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
CN107273920A (zh) | 一种基于随机森林的非侵入式家用电器识别方法 | |
CN106503558A (zh) | 一种基于社团结构分析的Android恶意代码检测方法 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
CN109376944A (zh) | 智能电表预测模型的构建方法及装置 | |
CN107679153A (zh) | 一种专利分类方法及装置 | |
CN107132266A (zh) | 一种基于随机森林的水质分类方法及系统 | |
CN109391624A (zh) | 一种基于机器学习的终端接入数据异常检测方法及装置 | |
CN109307854A (zh) | 一种电能计量装置综合评估方法及系统 | |
CN104699595B (zh) | 一种面向软件升级的软件测试方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN110197222A (zh) | 一种基于多分类支持向量机变压器故障诊断的方法 | |
CN106484838A (zh) | 基于数据挖掘的安全检查标准库动态更新方法 | |
CN106709598A (zh) | 一种基于单类样本的电压稳定性预测判断方法 | |
CN112926893A (zh) | 基于模糊综合评判和层次分析的水平井调剖效果评价方法 | |
CN110334773A (zh) | 基于机器学习的模型入模特征的筛选方法 | |
Dong | Application of Big Data Mining Technology in Blockchain Computing | |
CN115618610B (zh) | 一种基于信息变权重的地下工程岩爆烈度评价方法 | |
Li et al. | Evaluating indicators of answer quality in social Q&A websites | |
CN108920810A (zh) | 基于大数据架构的电力仿真方法 | |
Bo | Research on the classification of high dimensional imbalanced data based on the optimizational random forest algorithm | |
CN106911512A (zh) | 在可交换图中基于博弈的链接预测方法及系统 | |
CN109508350A (zh) | 一种对数据进行采样的方法和装置 | |
CN115580426A (zh) | 5g电力业务系统威胁检测方法、系统、存储器及设备 | |
CN110555054A (zh) | 一种基于模糊双超球分类模型的数据分类方法及系统 |
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 |