CN107451621A - 电网舞动关键影响因素聚类分析方法及系统 - Google Patents
电网舞动关键影响因素聚类分析方法及系统 Download PDFInfo
- Publication number
- CN107451621A CN107451621A CN201710708869.5A CN201710708869A CN107451621A CN 107451621 A CN107451621 A CN 107451621A CN 201710708869 A CN201710708869 A CN 201710708869A CN 107451621 A CN107451621 A CN 107451621A
- Authority
- CN
- China
- Prior art keywords
- galloping
- mrow
- amplitude
- cluster
- observation data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000000717 retained effect Effects 0.000 claims abstract description 7
- 238000007621 cluster analysis Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网舞动技术领域，尤其涉及一种电网舞动关键影响因素聚类分析方法及系统，以科学合理分析出电网舞动关键影响因素。本发明方法包括：获取历史观测数据，形成每条历史观测数据的点集，然后采用非监督聚类方法对所有历史观测数据的点集进行聚类，并设置待分析的舞动幅值区段，计算该舞动幅值区段所对应的聚类关联度；然后依次去掉各条历史观测数据所对应点集中的同一舞动影响因子，并重新进行聚类并计算所述舞动幅值区段所对应的聚类关联度，若聚类关联度变小，则保留该舞动影响因子；若聚类关联度变大，则去掉该舞动影响因子；以此重复迭代，直至不能去掉点集S中所保留的任一舞动影响因素。
Description
技术领域
本发明涉及电网舞动技术领域，尤其涉及一种电网舞动关键影响因素聚类分析方法及系统。
背景技术
架空线路舞动是影响冬季电网安全稳定运行的重要因素。舞动可能造成线路频繁跳闸，同时舞动还容易大面积发生，造成大面积停电等事故，舞动严重威胁了冬季电网的运行安全。开展准确的舞动预测预警工作，可为电网运检部门提前部署防舞措施，为调度部门提前制定电网防舞应急预案提供准确的科学指导。现有的舞动预警相关专利，如CN201510498199.X《一种输电通道舞动预警方法》和201410448630.5《一种基于Adaboost的输电线舞动风险预警》等，均未对舞动的关键影响因素进行筛选，而是笼统的采用所有可能的舞动影响因素进行预警判断，可能出现次要影响因素对舞动主要影响因素的干扰从而影响舞动预测结果的准确程度。为提升舞动预测的准确率，首先必须全面分析舞动的影响因子，辨识出舞动关键影响因子。
通常，架空线路舞动同时受气象、地形等外部条件和线路型号、分裂数等线路结构内部条件的影响，而研究舞动的预测关键因素必须充分考虑外部条件和内部条件的共同影响，由于线路本体结构的影响要素种类多，相互之间影响关系复杂，迫切需要提出线路舞动关键影响因素的辨识方法，提高输电线路覆冰舞动预警准确率，提前部署输电线路防舞措施争取宝贵的时间提供重要技术支撑，提升舞动预防技术水平，保障冬季电网运行安全。
发明内容
本发明目的在于一种电网舞动关键影响因素聚类分析方法及系统，以科学合理分析出电网舞动关键影响因素。
为实现上述目的，本发明公开一种电网舞动关键影响因素聚类分析方法，包括：
步骤S1、获取历史观测数据，所述历史观测数据包括架空线路历史舞动幅值数据以及相对应的舞动影响因素数据；
步骤S2、形成每条历史观测数据的点集S＝{Li,xi1,xi2,…,xin},其中，历史观测数据的条数i＝1,2,…,m，舞动影响因子的个数为n；Li为第i条历史观测数据中相应线路的历史舞动幅值，xij为对应Li的第j个舞动影响因素观测值；
步骤S3、采用非监督聚类方法对所有历史观测数据的点集进行聚类，并设置待分析的舞动幅值区段，计算该舞动幅值区段所对应的聚类关联度；其中，所述聚类关联度为除法运算，分子为聚类所形成各类别中符合所述舞动幅值区段的点集个数，分母为包含有至少一个符合所述舞动幅值区段点集的所有类别的点集个数之和；以及
依次去掉各条历史观测数据所对应点集S中的同一舞动影响因子，并重新进行聚类并计算所述舞动幅值区段所对应的聚类关联度，若聚类关联度变小，则保留该舞动影响因子；若聚类关联度变大，则去掉该舞动影响因子；以此重复迭代，直至不能去掉点集S中所保留的任一舞动影响因素。
与上述方法相对应的，本发明公开一种电网舞动关键影响因素聚类分析系统，包括：
第一处理单元、用于获取历史观测数据，所述历史观测数据包括架空线路历史舞动幅值数据以及相对应的舞动影响因素数据；
第二处理单元、用于形成每条历史观测数据的点集S＝{Li,xi1,xi2,…,xin},其中，历史观测数据的条数i＝1,2,…,m，舞动影响因子的个数为n；Li为第i条历史观测数据中相应线路的历史舞动幅值，xij为对应Li的第j个舞动影响因素观测值；
第三处理单元、用于采用非监督聚类方法对所有历史观测数据的点集进行聚类，并设置待分析的舞动幅值区段，计算该舞动幅值区段所对应的聚类关联度；其中，所述聚类关联度为除法运算，分子为聚类所形成各类别中符合所述舞动幅值区段的点集个数，分母为包含有至少一个符合所述舞动幅值区段点集的所有类别的点集个数之和；以及
依次去掉各条历史观测数据所对应点集S中的同一舞动影响因子，并重新进行聚类并计算所述舞动幅值区段所对应的聚类关联度，若聚类关联度变小，则保留该舞动影响因子；若聚类关联度变大，则去掉该舞动影响因子；以此重复迭代，直至不能去掉点集S中所保留的任一舞动影响因素。
本发明具有以下有益效果：
将聚类分析应用于分析电网舞动关键影响因素，并以聚类关联度筛选对应舞动幅值区段的关键影响因素；其中，相关的历史观测数据可以网罗各地区、各线路、各时期的所有舞动数据，通过大数据分析可确保分析结果的准确度；由于不同舞动幅值区段所对应的关键影响因素可能不同，通过本发明分区段筛选极大提高了分析的精度。
综上，本发明原理清晰，操作方便，具有很高的实用价值；而且，通过为输电线路舞动预测预警模型提供舞动关键影响因素，可有效减少舞动预测模型变量个数，消除次要影响因素对舞动测模型的干扰，提升架空线路舞动预报的准确率。
下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明实施例公开的电网舞动关键影响因素聚类分析方法流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一
本实施例公开一种电网舞动关键影响因素聚类分析方法，如图1所示，包括：
步骤S1、获取历史观测数据，该历史观测数据包括架空线路历史舞动幅值数据以及相对应的舞动影响因素数据。
该步骤所获取的舞动影响因素的大类包括舞动发生时的气象因素、地形要素和线路结构因素等，各大类又可以细分成若干小类以确保包容潜在的所有舞动影响因素。例如：舞动发生时的气象因素包括覆冰厚度、气温、风速、风向、湿度、气压、降水等；地形因素包括海拔、地形、起伏度等；线路结构因素包括线路走向、导线线径、导线分裂数、杆塔档距等。
步骤S2、形成每条历史观测数据的点集S。
在该步骤中，S＝{Li,xi1,xi2,…,xin}，其中，历史观测数据的条数i＝1,2,…,m，舞动影响因子的个数为n；Li为第i条历史观测数据中相应线路的历史舞动幅值，xij为对应Li的第j个舞动影响因素观测值。藉此，点集S为高维空间的点据集合，其中，每一个舞动影响因子作为该点集中的一维。
步骤S3、采用非监督聚类方法对所有历史观测数据的点集进行聚类，并设置待分析的舞动幅值区段，计算该舞动幅值区段所对应的聚类关联度；其中，所述聚类关联度为除法运算，分子为聚类所形成各类别中符合所述舞动幅值区段的点集个数，分母为包含有至少一个符合所述舞动幅值区段点集的所有类别的点集个数之和；以及依次去掉各条历史观测数据所对应点集S中的同一舞动影响因子，并重新进行聚类并计算所述舞动幅值区段所对应的聚类关联度，若聚类关联度变小，则保留该舞动影响因子；若聚类关联度变大，则去掉该舞动影响因子；以此重复迭代，直至不能去掉点集S中所保留的任一舞动影响因素。
可选的，在该步骤中，待分析的所述舞动幅值区段可为Li＞L0，具体的聚类关联度的计算公式为：
其中，G为聚类的类别数，L0为舞动幅值判别阈值(例如：为0.5m)，subcount(Li＞L0)为满足舞动条件点据的个数；allcount(Li＞L0)为舞动点据所在的类别中所有点据的个数。
基于同样的原理，进一步地，本实施例还可以细化分析得出【0.5，1.0)、【1.0,1.5)……等不同舞动幅值区段所各自对应的舞动关键影响因素。
综上，本实施例原理清晰，操作方便，具有很高的实用价值；而且，通过为输电线路舞动预测预警模型提供舞动关键影响因素，可有效减少舞动预测模型变量个数，消除次要影响因素对舞动测模型的干扰，提升架空线路舞动预报的准确率。
实施例二
与上述方法实施例相对应的，本实施例公开一种电网舞动关键影响因素聚类分析系统，至少包括以下的第一至第三处理单元。
第一处理单元、用于获取历史观测数据，该历史观测数据包括架空线路历史舞动幅值数据以及相对应的舞动影响因素数据。
第二处理单元、用于形成每条历史观测数据的点集S＝{Li,xi1,xi2,…,xin},其中，历史观测数据的条数i＝1,2,…,m，舞动影响因子的个数为n；Li为第i条历史观测数据中相应线路的历史舞动幅值，xij为对应Li的第j个舞动影响因素观测值。
第三处理单元、用于采用非监督聚类方法对所有历史观测数据的点集进行聚类，并设置待分析的舞动幅值区段，计算该舞动幅值区段所对应的聚类关联度；其中，该聚类关联度为除法运算，分子为聚类所形成各类别中符合该舞动幅值区段的点集个数，分母为包含有至少一个符合该舞动幅值区段点集的所有类别的点集个数之和；以及依次去掉各条历史观测数据所对应点集S中的同一舞动影响因子，并重新进行聚类并计算该舞动幅值区段所对应的聚类关联度，若聚类关联度变小，则保留该舞动影响因子；若聚类关联度变大，则去掉该舞动影响因子；以此重复迭代，直至不能去掉点集S中所保留的任一舞动影响因素。
本实施例中，例如：待分析的该舞动幅值区段为Li＞L0，该第三处理单元具体的聚类关联度的计算公式可为：
其中，G为聚类的类别数，L0为舞动幅值判别阈值，subcount(Li＞L0)为满足舞动条件点据的个数；allcount(Li＞L0)为舞动点据所在的类别中所有点据的个数。
同理，本实施例公开的电网舞动关键影响因素聚类分析系统，原理清晰，操作方便，具有很高的实用价值；而且，通过为输电线路舞动预测预警模型提供舞动关键影响因素，可有效减少舞动预测模型变量个数，消除次要影响因素对舞动测模型的干扰，提升架空线路舞动预报的准确率。
以上所述仅为本发明的优选实施例而已，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 (6)
1.一种电网舞动关键影响因素聚类分析方法，其特征在于，包括：
步骤S1、获取历史观测数据，所述历史观测数据包括架空线路历史舞动幅值数据以及相对应的舞动影响因素数据；
步骤S2、形成每条历史观测数据的点集S＝{Li,xi1,xi2,…,xin},其中，历史观测数据的条数i＝1,2,…,m，舞动影响因子的个数为n；Li为第i条历史观测数据中相应线路的历史舞动幅值，xij为对应Li的第j个舞动影响因素观测值；
步骤S3、采用非监督聚类方法对所有历史观测数据的点集进行聚类，并设置待分析的舞动幅值区段，计算该舞动幅值区段所对应的聚类关联度；其中，所述聚类关联度为除法运算，分子为聚类所形成各类别中符合所述舞动幅值区段的点集个数，分母为包含有至少一个符合所述舞动幅值区段点集的所有类别的点集个数之和；以及
依次去掉各条历史观测数据所对应点集S中的同一舞动影响因子，并重新进行聚类并计算所述舞动幅值区段所对应的聚类关联度，若聚类关联度变小，则保留该舞动影响因子；若聚类关联度变大，则去掉该舞动影响因子；以此重复迭代，直至不能去掉点集S中所保留的任一舞动影响因素。
2.根据权利要求1所述电网舞动关键影响因素聚类分析方法，其特征在于，待分析的所述舞动幅值区段为Li＞L0，具体的聚类关联度的计算公式为：
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<msub>
<mi>L</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<msub>
<mi>L</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中，G为聚类的类别数，L0为舞动幅值判别阈值，subcount(Li＞L0)为满足舞动条件点据的个数；allcount(Li＞L0)为舞动点据所在的类别中所有点据的个数。
3.根据权利要求1或2所述电网舞动关键影响因素聚类分析方法，其特征在于，步骤S1所获取的舞动影响因素的大类包括舞动发生时的气象因素、地形要素和线路结构因素。
4.一种电网舞动关键影响因素聚类分析系统，其特征在于，包括：
第一处理单元、用于获取历史观测数据，所述历史观测数据包括架空线路历史舞动幅值数据以及相对应的舞动影响因素数据；
第二处理单元、用于形成每条历史观测数据的点集S＝{Li,xi1,xi2,…,xin},其中，历史观测数据的条数i＝1,2,…,m，舞动影响因子的个数为n；Li为第i条历史观测数据中相应线路的历史舞动幅值，xij为对应Li的第j个舞动影响因素观测值；
第三处理单元、用于采用非监督聚类方法对所有历史观测数据的点集进行聚类，并设置待分析的舞动幅值区段，计算该舞动幅值区段所对应的聚类关联度；其中，所述聚类关联度为除法运算，分子为聚类所形成各类别中符合所述舞动幅值区段的点集个数，分母为包含有至少一个符合所述舞动幅值区段点集的所有类别的点集个数之和；以及
依次去掉各条历史观测数据所对应点集S中的同一舞动影响因子，并重新进行聚类并计算所述舞动幅值区段所对应的聚类关联度，若聚类关联度变小，则保留该舞动影响因子；若聚类关联度变大，则去掉该舞动影响因子；以此重复迭代，直至不能去掉点集S中所保留的任一舞动影响因素。
5.根据权利要求4所述电网舞动关键影响因素聚类分析系统，其特征在于，待分析的所述舞动幅值区段为Li＞L0，所述第三处理单元具体的聚类关联度的计算公式为：
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<msub>
<mi>L</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>G</mi>
</munderover>
<mi>a</mi>
<mi>l</mi>
<mi>l</mi>
<mi>c</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<msub>
<mi>L</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>;</mo>
</mrow>
其中，G为聚类的类别数，L0为舞动幅值判别阈值，subcount(Li＞L0)为满足舞动条件点据的个数；allcount(Li＞L0)为舞动点据所在的类别中所有点据的个数。
6.根据权利要求4或5所述电网舞动关键影响因素聚类分析系统，其特征在于，第一处理单元所获取的舞动影响因素的大类包括舞动发生时的气象因素、地形要素和线路结构因素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710708869.5A CN107451621A (zh) | 2017-08-17 | 2017-08-17 | 电网舞动关键影响因素聚类分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710708869.5A CN107451621A (zh) | 2017-08-17 | 2017-08-17 | 电网舞动关键影响因素聚类分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107451621A true CN107451621A (zh) | 2017-12-08 |
Family
ID=60492451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710708869.5A Pending CN107451621A (zh) | 2017-08-17 | 2017-08-17 | 电网舞动关键影响因素聚类分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107451621A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447309A (zh) * | 2018-09-05 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种舞动数据的挖掘方法及系统 |
| CN110288196A (zh) * | 2019-05-28 | 2019-09-27 | 国网河南省电力公司电力科学研究院 | 输电线路舞动分级预警方法及系统 |
| CN112525256A (zh) * | 2020-11-12 | 2021-03-19 | 国网湖南省电力有限公司 | 基于实时气象监测的舞动事件发展状态预测方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103616101A (zh) * | 2013-11-25 | 2014-03-05 | 国家电网公司 | 输电线路光纤复合地线覆冰状态监测方法 |
| US20150204922A1 (en) * | 2012-08-07 | 2015-07-23 | Korea Institute Of Energy Research | Method for Predicting Wind Power Density |
| CN106203518A (zh) * | 2016-07-14 | 2016-12-07 | 国网湖南省电力公司 | 一种基于空间聚类的水库流域暴雨特征因子辨识方法 |
| CN106203839A (zh) * | 2016-07-13 | 2016-12-07 | 国网湖南省电力公司 | 输电线路舞动影响关键因素辨识方法及系统 |
| CN106682776A (zh) * | 2016-12-27 | 2017-05-17 | 国网湖南省电力公司 | 架空输电线路舞动精细化预测预警方法及系统 |
-
2017
- 2017-08-17 CN CN201710708869.5A patent/CN107451621A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150204922A1 (en) * | 2012-08-07 | 2015-07-23 | Korea Institute Of Energy Research | Method for Predicting Wind Power Density |
| CN103616101A (zh) * | 2013-11-25 | 2014-03-05 | 国家电网公司 | 输电线路光纤复合地线覆冰状态监测方法 |
| CN106203839A (zh) * | 2016-07-13 | 2016-12-07 | 国网湖南省电力公司 | 输电线路舞动影响关键因素辨识方法及系统 |
| CN106203518A (zh) * | 2016-07-14 | 2016-12-07 | 国网湖南省电力公司 | 一种基于空间聚类的水库流域暴雨特征因子辨识方法 |
| CN106682776A (zh) * | 2016-12-27 | 2017-05-17 | 国网湖南省电力公司 | 架空输电线路舞动精细化预测预警方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447309A (zh) * | 2018-09-05 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种舞动数据的挖掘方法及系统 |
| CN110288196A (zh) * | 2019-05-28 | 2019-09-27 | 国网河南省电力公司电力科学研究院 | 输电线路舞动分级预警方法及系统 |
| CN112525256A (zh) * | 2020-11-12 | 2021-03-19 | 国网湖南省电力有限公司 | 基于实时气象监测的舞动事件发展状态预测方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Entezami et al. | A novel double-hybrid learning method for modal frequency-based damage assessment of bridge structures under different environmental variation patterns | |
| Liu et al. | A parallel SLA-based algorithm for global mesoscale eddy identification | |
| WO2021077729A1 (zh) | 一种雷电预测方法 | |
| CN112513896B (zh) | 一种大气污染预测的方法 | |
| WO2016033883A1 (zh) | 一种基于Adaboost的输电线舞动风险预警方法 | |
| CN110796315B (zh) | 基于时效信息和深度学习的离港航班延误预测方法 | |
| CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
| CN107451621A (zh) | 电网舞动关键影响因素聚类分析方法及系统 | |
| CN107436162A (zh) | 一种电网线路舞动发生预测方法和系统 | |
| Chen et al. | Pattern recognition using clustering algorithm for scenario definition in traffic simulation-based decision support systems | |
| CN113284369A (zh) | 一种基于ads-b实测航路数据的预测方法 | |
| CN118395257A (zh) | 一种多维度微气象的特高压输电线路异常线损分析方法 | |
| Hamid et al. | Short term prediction of PM10 concentrations using seasonal time series analysis | |
| CN106570582A (zh) | 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统 | |
| KR102564191B1 (ko) | 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템 | |
| CN115879616A (zh) | 一种基于输电线路微气象站监测数据的高危气象识别方法及装置 | |
| Saha et al. | Forecast analysis of visibility for airport operations with deep learning techniques | |
| CN104750953A (zh) | 中小尺度气载物质大气输运集合扩散模拟方法 | |
| Bannayan et al. | Predicting realizations of daily weather data for climate forecasts using the non‐parametric nearest‐neighbour re‐sampling technique | |
| Qiu et al. | Travel time forecasting on a freeway corridor: a dynamic information fusion model based on the random forests approach | |
| CN106326264B (zh) | 聚类设备和方法 | |
| CN110533241B (zh) | 终端区起降容量预测系统 | |
| CN106447126A (zh) | 热带气旋引发沿海地区能见度变化确定、预报方法及系统 | |
| CN114417698A (zh) | 一种轨道交通沿线外部环境的风险监测系统及评估方法 | |
| Eckert et al. | Using spatial and spatial-extreme statistics to characterize snow avalanche cycles |
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 | ||
| CB02 | Change of applicant information |
Address after: 410000 Shaoshan North Road, Yuhua District, Hunan, No. 388, No. Applicant after: State Grid Hunan Electric Power Co., Ltd. Applicant after: National network Hunan Electric Power Co., Ltd. disaster prevention and Reduction Center Applicant after: Hunan Xiangdian Electric Power Text & Research Co., Ltd. Applicant after: State Grid Corporation of China Address before: 410000 Shaoshan North Road, Yuhua District, Hunan, No. 388, No. Applicant before: State Grid Hunan Electric Power Company Applicant before: State Grid Hunan Electric Power Company prevents and reduces natural disasters center Applicant before: Hunan Xiangdian Electric Power Text & Research Co., Ltd. Applicant before: State Grid Corporation of China |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171208 |
|
| RJ01 | Rejection of invention patent application after publication |