CN107515892A - 一种基于大数据挖掘的电网低电压成因诊断方法 - Google Patents
一种基于大数据挖掘的电网低电压成因诊断方法 Download PDFInfo
- Publication number
- CN107515892A CN107515892A CN201710550071.2A CN201710550071A CN107515892A CN 107515892 A CN107515892 A CN 107515892A CN 201710550071 A CN201710550071 A CN 201710550071A CN 107515892 A CN107515892 A CN 107515892A
- Authority
- CN
- China
- Prior art keywords
- data
- mrow
- voltage
- msub
- low
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000013499 data model Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000001131 transforming effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004141 dimensional analysis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于大数据挖掘的电网低电压成因诊断方法，包括：对初始数据进行数据清洗；将所述源数据整合为指定格式；执行聚类算法，将低电压数据归类；低电压成因标识：将步骤300的聚类结果分类标识，不同类别代表不同成因的低电压；对所有数据进行分类，直至得到最后的低电压分类结果。本发明适用于处理海量数据，并为优化低电压投资方案、明确低电压投资方向提供决策支持，节省了人力物力，提高了电网管理效率。
Description
技术领域
本发明涉及电力自动化领域，特别涉及一种基于大数据挖掘的电网低电压成因诊断方法。
背景技术
电压质量是电力企业衡量电网安全运行的一项技术指标，因而建立有效的电网低电压成因诊断 模型是提高电网低电压投资效益的第一步举措。目前，国内学者和电力从业人员对于低电压问 题的成因以及特点的研究已经有了一些经验和成果，但是大多是通过从业经验，或者是通过对 少量数据以及简单的图表进行的分析得出的结论，缺乏对海量实时数据分析的能力，且其所得 低电压成因分类是否全面也值得商榷。因此针对海量预处理的电能质量数据，需要寻找一种低 电压成因诊断算法，建立有效的电网低电压成因诊断模型。
发明内容
本发明为解决上述问题，提供了一种基于大数据挖掘的电网低电压成因诊断方法，其特征在于， 包括：
步骤100：对初始数据进行数据清洗，删减掉错误数据，得到源数据集合；所述错误数据包 括非低电压数据、重复数据、不完整数据等；
步骤200：构建基础数据模型，按照输入数据要求，将所述源数据整合为指定格式；
步骤300：执行聚类算法，将低电压数据归类；
步骤400：低电压成因标识：将步骤300的聚类结果分类标识，不同类别代表不同成因的 低电压；
步骤500：使用步骤400获得的聚类结果和低电压成因作为训练集，对所有数据进行分类， 直至得到最后的低电压分类结果。
本发明实施例适用于处理海量数据，并为优化低电压投资方案、明确低电压投资方向提供决策 支持，节省了人力物力，提高了电网管理效率。
附图说明
图1是本发明的聚类流程示意图。
图2是本发明的分类流程示意图；
图3是低电压成因诊断结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将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。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、 “右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示 的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有 特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明实施例一公开了一种基于大数据挖掘的电网低电压成因诊断方法，其特征在于，包括：
步骤100：对初始数据进行数据清洗，删减掉错误数据，得到源数据集合；所述错误数据包 括非低电压数据、重复数据、不完整数据等；
步骤200：构建基础数据模型，按照输入数据要求，将所述源数据整合为指定格式；以某地 居民用户电压数据为例，用基于大数据挖掘的电网低电压成因诊断模型实现低电压成因的诊断， 实验数据来自智能电表的实时采集，采集到的数据为用户侧电压电流，配变侧电压电流等电气 功率数据和其他相关静态数据，经过数据清洗和筛选，剔除不适合转化为数字或无实际意义的 值，其中，用户侧电压、电流和表底信息采样间隔为1小时，共计72维，配变侧电压电流采样 间隔为15分钟，共计192维，以及其他可量化处理的静态信息，包括变压器容量、供电半径、 变压器档位、台区主干线型号、行业类别编码、用电分类编码和配变侧总户数等，以及其他一 些判断低电压成因的统计值，如负载率、三相不平衡度等等。数据展示如表1所示：表1给出 了源数据的基础数据模型：
表1 低电压成因诊断数据
步骤300：执行聚类算法，将低电压数据归类；
所述步骤300进一步包括：
步骤310：选定参数。
具体的，选定参数步骤中参数个数由用户自定义，可以从表1中选择除静态数据的用户数 据(一般作为数据标识，没有具体对应的物理意义)及编号外任意种参数，若所述源数据总数 为m个，所述源数据参数个数为n个，则所述源数据集合可以记为D＝{D1,D2...Dm},每个源数 据可以表示为一个坐标
特别的，所述源数据参数选定之后，可以获取各个源数据参数的实际值。例如额定容量 可以为配电线路实际数值，最大供电半径可以为100米或者20公里，出口线路型号可以分别 映射为1,2,3等。
步骤320：归一化处理。
通过步骤310确定参数之后，对所述源数据参数进行归一化处理；
具体的，对第p个参数归一化中使用的公式可以表达为：
其中，n是步骤310选定的参数个数，lp是第 i个源数据第p个参数的样本空间的样本点个数，xip是第i个源数据的第p个参数，xip *是第 i个源数据的第p个参数归一化后的结果，xipl是第i个源数据的第p个参数的取值区间。使用 这种归一化方法，不受参数个数选择限制，能够将99％以上的参数取值区间纳入归一化范围， 而且能够根据参数的重要程度对参数进行排序从而保证归一化效果。
步骤325：初始化集合S＝{D1,D2...Dm}，初始化中心集合为初始化w＝0；计算集 合S＝{D1,D2...Dm}中所有节点间的平均距离，记为dt；集合中两点的距离公式为
步骤330：从集合S中任选一个元素u，将元素u从集合S中移除，将元素u加入到中心集 合O中，将w的值增加1；
步骤340：计算集合S中所有元素到元素u的距离；
特别的，当有特殊要求时，可以计算集合S中所有元素到元素u的加权距离，公式为：
其中n为步骤 310选定的参数个数；采取这样的权重分配模式，不受参数个数选择限制，而且能够根据参数 的重要程度对参数进行排序，保证聚类效果最优。
步骤350：如果S中的元素v到元素u的距离小于第一阈值，那么将元素v加入集合Tw；第 一阈值优选为dt；
步骤360：如果S中的元素v到元素u的距离小于第二阈值，那么将元素v从集合S中移除； 第二阈值优选为0.1dt；
步骤370：如果集合S为空，则转入步骤380，如果集合S不为空，则转入步骤330；
步骤380：中心集合O中元素数量为w，求集合T1,T2...Tw中所有点的坐标均值，记为t1,t2...tw；
步骤390：将t1,t2...tw作为聚类中心，分别计算集合D＝{D1,D2...Dm}的元素到每个聚类中 心的距离，将这些元素分别划归到距离最近的簇；
步骤392：获得步骤390的聚类结果后，重新计算w个簇各自的中心，按照新的中心重新 聚类；
步骤394：当聚类结果不再变化或者达到聚类次数上限时，结束聚类；聚类上限优选为200 次。
步骤400：低电压成因标识：将步骤300的聚类结果分类标识，不同类别代表不同成因的 低电压；
选取过去一年的数据按照上述过程进行低电压成因诊断。首先将原始数据通过canopy- kmeans聚类算法，得到七类不同的低电压成因，通过低电压判断标准和专家协同分析，建立低 电压成因库，得到低电压成因共有7类，如下所示：
1.低压三相不平衡
2.配变过载
3.配变分接头档位不合理
4.中压线路末端电压低
5.用户原因
6.台区关口表接线问题
7.采集装置采集数据错误
步骤500：使用步骤400获得的聚类结果和低电压成因作为训练集，对所有数据进行分类， 直至得到最后的低电压分类结果。
基于粒子群算法的支持向量机分类模型与传统支持向量机模型相比，将输入数据分为若干 组，从而使个各个集群的计算节点同时进行运算，进而过滤掉大量非支持向量，再将得到的支 持向量做简单合并，即可得到全局支持向量，进而得到较为精确的分类结果。主要流程如下：
步骤501，将聚类结果分组，保证每组中不同类别均匀分组，对数据进行归一化处理，同时 对每组样本进行SVM训练，过滤掉大量非支持向量，加快训练速度。
步骤502，初始化SVM模型。
步骤503，粒子群算法参数设置
步骤504，计算粒子种群中每个粒子的适应度值。
步骤505，根据获得的适应度值，更新粒子群中每个粒子的状态，包括粒子的个体最优位置 和全局最优位置。
步骤506，通常当迭代次数达到所要求的最大迭代次或者获得了满足要求的粒子适应值时， 终止迭代，否则继续进行评价和更新，直至到最大迭代的次数或获得满足要求的粒子适应值。 为止。
步骤507，得到单个节点上的最优支持向量机。
步骤508，将各个节点得到的支持向量合并，得到全局支持向量，从而得到低电压分类结 果。
具体的，将聚类结果作为低电压成因诊断模型的输入，经过支持向量机训练得出低电压成 因诊断模型，模型以txt格式存储于大数据平台上，之后选取400条未知低电压成因数据作为 模型的输入，得到预测结果，与实际结果对比表明该模型预测准确率达到96％。预测结果如图 3所示：
本发明的另一实施例：
一种基于大数据挖掘的电网低电压成因诊断方法，其特征在于，包括：
(1)横向集成现有智能电表数据，多维度分析存量低电压数据与地区、负荷、季节、用电 类型、用户行业、电价类型、用电量、线损、三相不平衡等数据相关关系，形成低电压工况数 据的聚类标准；有增量低电压数据时需要按聚类标准分析相关度和兼容度，对新增情况能自动 合并与归类，对于无法合并或归类的形成低电压新的聚类标准，使用步骤300方法得到聚类结 果。
(2)构建低电压成因案例库。按照低电压聚类标准，随机抽取该聚类下的低电压用户进行 实例分析，通过专业协同分析、专家会诊、现场排查、专题研究等方式确定该聚类低电压成因 分类，并进行低电压成因概率计算；
(3)研究低电压诊断算法。依据建立的低电压工况数据聚类标准和对应的低电压成因概率， 利用基于大数据的支持向量机方法，深度扫描低电压工况涉及的线损数据、末端电压数据、负 荷数据、业扩数据、电量数据、用户档案和智能电表档案等数据，智能诊断低电压成因及概率， 为低电压专项治理投入提供最佳方案和纠偏建议。
本发明实施例适用于处理海量数据，并为优化低电压投资方案、明确低电压投资方向提供决策 支持，节省了人力物力，提高了电网管理效率。
最后应说明的是：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 (5)
1.一种基于大数据挖掘的电网低电压成因诊断方法，其特征在于，包括：
步骤100：对初始数据进行数据清洗，删减掉错误数据，得到源数据集合；
步骤200：构建基础数据模型，按照输入数据要求，将所述源数据整合为指定格式；
步骤300：执行聚类算法，将低电压数据归类；
步骤400：低电压成因标识：将步骤300的聚类结果分类标识，不同类别代表不同成因的低电压；
步骤500：使用步骤400获得的聚类结果和低电压成因作为训练集，对所有数据进行分类，直至得到最后的低电压分类结果。
2.根据权利要求1所述的一种基于大数据挖掘的电网低电压成因诊断方法，其特征在于，所述步骤300进一步包括：
步骤310：选定参数；
具体的，选定参数步骤中参数个数由用户自定义，可以从表1中选择除静态数据的用户数据(一般作为数据标识，没有具体对应的物理意义)及编号外任意种参数，若所述源数据总数为m个，所述源数据参数个数为n个，则所述源数据集合可以记为D＝{D1,D2...Dm},每个源数据可以表示为一个坐标
步骤320：归一化处理。
通过步骤310确定参数之后，对所述源数据参数进行归一化处理；
具体的，对第p个参数归一化中使用的公式可以表达为：
其中，n是步骤310选定的参数个数，lp是第i个源数据第p个参数的样本空间的样本点个数，xip是第i个源数据的第p个参数，xip *是第i个源数据的第p个参数归一化后的结果，是第i个源数据的第p个参数的取值区间；
步骤325：初始化集合S＝{D1,D2...Dm}，初始化中心集合为初始化w＝0；计算集合S＝{D1,D2...Dm}中所有节点间的平均距离，记为dt；集合中两点的距离公式为
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>u</mi>
<mi>v</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mover>
<msub>
<mi>X</mi>
<mi>u</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>-</mo>
<mover>
<msub>
<mi>X</mi>
<mi>v</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>2</mn>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>u</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>v</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>u</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>v</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<mn>...</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>u</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>v</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
步骤330：从集合S中任选一个元素u，将元素u从集合S中移除，将元素u加入到中心集合O中，将w的值增加1；
步骤340：计算集合S中所有元素到元素u的距离；
步骤350：如果S中的元素v到元素u的距离小于第一阈值，那么将元素v加入集合Tw；
步骤360：如果S中的元素v到元素u的距离小于第二阈值，那么将元素v从集合S中移除；
步骤370：如果集合S为空，则转入步骤380，如果集合S不为空，则转入步骤330；
步骤380：中心集合O中元素数量为w，求集合T1,T2…Tw中所有点的坐标均值，记为t1,t2…tw；
步骤390：将t1,t2…tw作为聚类中心，分别计算集合D＝{D1,D2...Dm}的元素到每个聚类中心的距离，将这些元素分别划归到距离最近的簇；
步骤392：获得步骤390的聚类结果后，重新计算w个簇各自的中心，按照新的中心重新聚类；
步骤394：当聚类结果不再变化或者达到聚类次数上限时，结束聚类。
3.根据权利要求1所述的一种基于大数据挖掘的电网低电压成因诊断方法，其特征在于，所述步骤500进一步包括：
步骤501，将聚类结果分组，保证每组中不同类别均匀分组，对数据进行归一化处理；
步骤502，初始化SVM模型；
步骤503，粒子群算法参数设置；
步骤504，计算粒子种群中每个粒子的适应度值；
步骤505，根据获得的适应度值，更新粒子群中每个粒子的状态，包括粒子的个体最优位置和全局最优位置；
步骤506，通常当迭代次数达到所要求的最大迭代次或者获得了满足要求的粒子适应值时，终止迭代，否则继续进行评价和更新，直至到最大迭代的次数或获得满足要求的粒子适应值为止；
步骤507，得到单个节点上的最优支持向量机；
步骤508，将各个节点得到的支持向量合并，得到全局支持向量，从而得到低电压分类结果。
4.根据权利要求1所述的一种基于大数据挖掘的电网低电压成因诊断方法，其特征在于，所述步骤100中所述错误数据包括非低电压数据、重复数据、不完整数据等。
5.根据权利要求2所述的一种基于大数据挖掘的电网低电压成因诊断方法，其特征在于，所述步骤310中参数包括静态数据和动态数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710550071.2A CN107515892A (zh) | 2017-07-07 | 2017-07-07 | 一种基于大数据挖掘的电网低电压成因诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710550071.2A CN107515892A (zh) | 2017-07-07 | 2017-07-07 | 一种基于大数据挖掘的电网低电压成因诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107515892A true CN107515892A (zh) | 2017-12-26 |
Family
ID=60721660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710550071.2A Pending CN107515892A (zh) | 2017-07-07 | 2017-07-07 | 一种基于大数据挖掘的电网低电压成因诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107515892A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734603A (zh) * | 2018-05-24 | 2018-11-02 | 河南工业大学 | 基于聚类的大数据相位识别方法 |
| CN109034585A (zh) * | 2018-07-18 | 2018-12-18 | 国网湖北省电力有限公司 | 基于用电信息和地理位置的台区户变关系判别算法及系统 |
| CN110738232A (zh) * | 2019-08-27 | 2020-01-31 | 国网四川省电力公司电力科学研究院 | 一种基于数据挖掘技术的电网电压越限成因诊断方法 |
| CN113484669A (zh) * | 2021-06-23 | 2021-10-08 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663100A (zh) * | 2012-04-13 | 2012-09-12 | 西安电子科技大学 | 一种两阶段混合粒子群优化聚类方法 |
| CN104615722A (zh) * | 2015-02-06 | 2015-05-13 | 浙江工业大学 | 基于密度搜索与快速划分的混合数据聚类方法 |
| CN105654392A (zh) * | 2015-11-26 | 2016-06-08 | 国家电网公司 | 一种基于聚类算法的设备家族性缺陷的分析方法 |
| CN106505593A (zh) * | 2016-10-14 | 2017-03-15 | 国网信通亿力科技有限责任公司 | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 |
| CN106646038A (zh) * | 2016-11-30 | 2017-05-10 | 衢州学院 | 基于智能电表实采数据的低电压诊断系统 |
-
2017
- 2017-07-07 CN CN201710550071.2A patent/CN107515892A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663100A (zh) * | 2012-04-13 | 2012-09-12 | 西安电子科技大学 | 一种两阶段混合粒子群优化聚类方法 |
| CN104615722A (zh) * | 2015-02-06 | 2015-05-13 | 浙江工业大学 | 基于密度搜索与快速划分的混合数据聚类方法 |
| CN105654392A (zh) * | 2015-11-26 | 2016-06-08 | 国家电网公司 | 一种基于聚类算法的设备家族性缺陷的分析方法 |
| CN106505593A (zh) * | 2016-10-14 | 2017-03-15 | 国网信通亿力科技有限责任公司 | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 |
| CN106646038A (zh) * | 2016-11-30 | 2017-05-10 | 衢州学院 | 基于智能电表实采数据的低电压诊断系统 |
Non-Patent Citations (1)
| Title |
|---|
| 毛亚明 等: "基于大数据挖掘的低电压成因诊断方法", 《信息技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108734603A (zh) * | 2018-05-24 | 2018-11-02 | 河南工业大学 | 基于聚类的大数据相位识别方法 |
| CN109034585A (zh) * | 2018-07-18 | 2018-12-18 | 国网湖北省电力有限公司 | 基于用电信息和地理位置的台区户变关系判别算法及系统 |
| CN109034585B (zh) * | 2018-07-18 | 2021-06-08 | 国网湖北省电力有限公司 | 基于用电信息和地理位置的台区户变关系判别算法及系统 |
| CN110738232A (zh) * | 2019-08-27 | 2020-01-31 | 国网四川省电力公司电力科学研究院 | 一种基于数据挖掘技术的电网电压越限成因诊断方法 |
| CN113484669A (zh) * | 2021-06-23 | 2021-10-08 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
| CN113484669B (zh) * | 2021-06-23 | 2022-10-11 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于双向lstm的配电网低电压原因定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107515892A (zh) | 一种基于大数据挖掘的电网低电压成因诊断方法 | |
| CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN108304427A (zh) | 一种用户客群分类方法和装置 | |
| CN111612053B (zh) | 一种线损率合理区间的计算方法 | |
| CN111177650A (zh) | 一种配电网电能质量监测与综合评估系统及方法 | |
| CN107203789A (zh) | 分配模型建立方法、分配方法以及相关装置 | |
| CN103310298A (zh) | 一种配电网规划方案多阶段综合评估方法 | |
| CN109214536A (zh) | 一种设备健康状态评估方法 | |
| CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
| CN111104972A (zh) | 基于遗传算法优化支持向量机多分类器的台区低电压风险识别方法 | |
| CN112990695B (zh) | 基于博弈dea-多目标决策的dg电能质量评估方法 | |
| CN107203842A (zh) | 基于扩展云相似度与逼近理想解的谐波污染水平评估方法 | |
| CN109376366A (zh) | 一种异常线损影响因素的分析方法及装置 | |
| CN110929220A (zh) | 一种配电网指标权重计算方法及装置 | |
| CN115422788A (zh) | 一种配电网线损分析管理方法、装置、存储介质及系统 | |
| CN113450031A (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
| CN109816017A (zh) | 基于模糊聚类和拉格朗日插值的电网缺失数据填补方法 | |
| CN109034241A (zh) | 基于支持向量机的负荷集群控制方法和系统 | |
| CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
| CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
| CN113743452A (zh) | 电能质量评估方法及装置 | |
| CN106384307A (zh) | 一种县域配电网规划差异化评估方法 | |
| CN112529369A (zh) | 一种中压配电网线损关键特征指标提取方法及系统 | |
| CN116662840A (zh) | 一种基于机器学习的低压台区用户相位识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20171226 |