CN107833151A - 配网计划停送电零时差数据处理方法及设备 - Google Patents
配网计划停送电零时差数据处理方法及设备 Download PDFInfo
- Publication number
- CN107833151A CN107833151A CN201711107255.8A CN201711107255A CN107833151A CN 107833151 A CN107833151 A CN 107833151A CN 201711107255 A CN201711107255 A CN 201711107255A CN 107833151 A CN107833151 A CN 107833151A
- Authority
- CN
- China
- Prior art keywords
- data
- power failure
- difference
- neural network
- result
- 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
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明提供了配网计划停送电零时差数据处理方法及设备,包括:对历史停电数据进行去重处理,得到处理后的停电数据;将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复前述处理步骤;获取重复次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。通过该数据处理方法,可以让管理人员将重点放在规则的制定上,从复杂的数据处理中解脱出来,并且可以产生统一的规范,同时提高了运行速度,上万条数据处理也仅需要几分钟就可以得到想要的结果,提高了准确率。
Description
技术领域
本发明属于供电领域,特别涉及配网计划停送电零时差数据处理方法及设备。
背景技术
目前配网计划停送电零时差数据比对办法,只有人工倒出二个系统的数据,分别存放在不同的Excel表格里,然后通过Excel固有的if、and、or等公式对原则数据进行人工处理,使两个系统具有唯一匹配源即“线路名称&日期”,然后通过vlookup公式对二个文件能够匹配的数据合并成一个同时具有计划和实际停送电时间的表格,之后再在同一表格里进行简单的数学计算,得出计划与实际停送电时间的偏差,比如公式“=IF(P2<0,"停电超前",IF(P2>30,"停电滞后30分钟","正常"))”,几个数据准备完毕。
在得到准备好的数据后,仍需要人工逐一核对,对一些数据停送电差值较大的进行手工更改。整个方法不仅速度慢,而且耗时很长,例如通常完成100条的计划停送电零时差偏差情况的需要1个工作日,严重降低了数据处理进度。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提供了通过使用BP神经网络以不断迭代运算的方式对停电数据进行处理,从而提高数据处理速度和准确性的一种配网计划停送电零时差数据处理方法及设备。
为了达到上述技术目的,本发明提供了一种配网计划停送电零时差数据处理方法,所述数据处理方法,包括:
步骤一、获取历史停电数据,对历史停电数据进行去重处理,得到处理后的停电数据;
步骤二、对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;
步骤三、如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复步骤二的处理;
步骤四、获取重复步骤二的次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。
可选的,所述对历史停电数据进行去重处理,得到处理后的停电数据,包括:
删除历史停电数据中包括的公变、专变数据中线路名称、终端停电时间、终端复电时间任意一个为空的记录;
按历史户号对删除空记录后的数据进行压缩处理;
将压缩处理后的停电数据按照终端停电时间排序,使用相邻两个数按照将其转化成方向向量,将方向向量转化为标准化向量。
可选的,所述对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值,包括:
设神经网络层数为N,每层神经元的数量为N1,N2,N3…Nn,随机产生之间的随机个数作为本神经网络连接权值;
随机选取第k个输入样本得到其输出,将其转换为时间段数值,将第k个样本的期望输出与实际输出作差;
其中实际值为从计划数据中去除无效数据,提取线路名称、计划停电时间、计划送电时间,n、k的取值范围为非零自然数。
可选的,所述数据处理方法,还包括使用BP神经网络从配网设备中筛选出重点监控对象,具体包括:
将大于预设范围中最大值三倍以上的差值对应的配网设备作为重点监控对象。
可选的,所述如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,包括:
根据比较结果找到计算隐藏层的神经元的输入和输出,并计算误差值,根据误差值修改连接权值。
本发明还提供了一种配网计划停送电零时差数据处理设备,所述数据处理设备,包括:
数据采集单元,用于获取历史停电数据,对历史停电数据进行去重处理,得到处理后的停电数据;
控制单元,用于执行如下内容:
一、对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;
二、如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复步骤二的处理;
三、获取重复前一步的次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。
可选的,所述对历史停电数据进行去重处理,得到处理后的停电数据,包括:
删除历史停电数据中包括的公变、专变数据中线路名称、终端停电时间、终端复电时间任意一个为空的记录;
按历史户号对删除空记录后的数据进行压缩处理;
将压缩处理后的停电数据按照终端停电时间排序,使用相邻两个数按照将其转化成方向向量,将方向向量转化为标准化向量。
可选的,所述对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值,包括:
设神经网络层数为N,每层神经元的数量为N1,N2,N3…Nn,随机产生之间的随机个数作为本神经网络连接权值;
随机选取第k个输入样本得到其输出,将其转换为时间段数值,将第k个样本的期望输出与实际输出作差;
其中实际值为从计划数据中去除无效数据,提取线路名称、计划停电时间、计划送电时间,n、k的取值范围为非零自然数。
可选的,所述数据处理方法,还包括使用BP神经网络从配网设备中筛选出重点监控对象,具体包括:
将大于预设范围中最大值三倍以上的差值对应的配网设备作为重点监控对象。
可选的,所述如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,包括:
根据比较结果找到计算隐藏层的神经元的输入和输出,并计算误差值,根据误差值修改连接权值。
本发明提供的技术方案带来的有益效果是:
通过该数据处理方法,可以让管理人员将重点放在规则的制定上,从复杂的数据处理中解脱出来,并且可以产生统一的规范,同时提高了运行速度,上万条数据处理也仅需要几分钟就可以得到想要的结果,提高了准确率。
附图说明
为了更清楚地说明本发明的技术方案,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他的附图。
图1是本发明提供的配网计划停送电零时差数据处理方法的流程示意图;
图2是本发明提供的配网计划停送电零时差数据处理设备的结构示意图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述。
实施例一
本发明提供了配网计划停送电零时差数据处理方法,如图1所示,所述数据处理方法,包括:
步骤一、获取历史停电数据,对历史停电数据进行去重处理,得到处理后的停电数据;
步骤二、对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;
步骤三、如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复步骤二的处理;
步骤四,获取重复步骤二的次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。
在实施中,该数据处理方法的核心部分为如下操作:
对历史停电数据进行预先处理操作;初始化BP神经网络;数据输入到神经网络,得到输出结果;对输出结果,与预期结果进行比较;调整权重参数;重复得到输出结果的步骤,直至输出的结果与预期的结果满足要求;使用神经网络来判别重点监控对象;当计算得到的实际段与计划停电时间段进行比较,当误差值小于误差范围或者学习的次数大于预设次数时结束算法。否则进入下一轮学习。
通过该数据处理方法,可以让管理人员将重点放在规则的制定上,从复杂的数据处理中解脱出来,并且可以产生统一的规范,便于多个地区(县公司)的应用和比较。实现全自动和人工干预相结合的分析,管理人员还可以在半自动的结果上进行后续的分析和扩展功能的添加。另外由于使用程序化处理,使得数据处理的运行速度更快了,上万条数据处理也仅需要几分钟就可以得到想要的结果。程序固化,极易推广性,任何使用人只需要将相关文件添加到程序里,无需任何人工干预,就可以得出结果。实效性更强。以前以1个月为周期统计结果,现在可以每天进行统计分析。得到结果准确率高。
可选的,所述对历史停电数据进行去重处理,得到处理后的停电数据,包括:
删除历史停电数据中包括的公变、专变数据中线路名称、终端停电时间、终端复电时间任意一个为空的记录;
按历史户号对删除空记录后的数据进行压缩处理;
将压缩处理后的停电数据按照终端停电时间排序,使用相邻两个数按照将其转化成方向向量,将方向向量转化为标准化向量。
在实施中,步骤一种的具体方案为将公变、专变数据进行清洗,去除数据中线路名称、终端停电时间、终端复电时间任意一个为空的记录。因为不同厂家的设备上传的重复信号,需要按照户号对数据进行压缩,去除重复数据。按照终端停电时间排序使用相邻两个数按照将其转化成方向向量,然后方向向量进行标准化。
可选的,所述对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值,包括:
设神经网络层数为N,每层神经元的数量为N1,N2,N3…Nn,随机产生之间的随机个数作为本神经网络连接权值;
随机选取第k个输入样本得到其输出,将其转换为时间段数值,将第k个样本的期望输出与实际输出作差;
其中实际值为从计划数据中去除无效数据,提取线路名称、计划停电时间、计划送电时间,n、k的取值范围为非零自然数。
在实施中,假设神经网络层数为N,每层神经元的数量为N1,N2,N3…Nn。随机产生之间的随机个数作为本神经网络连接权值。
上述步骤中得到输出结果的处理过程为:随机选取第k个输入样本得到其输出,将其转换为时间段。
上述步骤中对预期结果进行比较的处理过程为:将第k个样本的期望输出与实际输出进行比较。实际值为从计划数据中去除无效数据,提取线路名称、计划停电时间、计划送电时间。
可选的,所述数据处理方法,还包括使用BP神经网络从配网设备中筛选出重点监控对象,具体包括:
将大于预设范围中最大值三倍以上的差值对应的配网设备作为重点监控对象。
在实施中,大于预设范围中最大值三倍以上的差值属于配网设备中正常工作状态下不可能出现的状况,因此可以将该类设备作为重点监控对象。
可选的,所述如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,包括:
根据比较结果找到计算隐藏层的神经元的输入和输出,并计算误差值,根据误差值修改连接权值。
在实施中,根据比较结果找到计算隐藏层的神经元的输入和输出,并计算误差值,根据误差值修改连接权值。通过该处理能够在每次重复获取处理结果的步骤中都使用更新后的参数,保证重复后得到的结果相比重复前具有更好的参考意义,并且提高该BP神经网络的自我学习能力。
本发明提供了配网计划停送电零时差数据处理方法,包括:获取历史停电数据,对历史停电数据进行去重处理,得到处理后的停电数据;对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复前述处理步骤;获取重复次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。通过该数据处理方法,可以让管理人员将重点放在规则的制定上,从复杂的数据处理中解脱出来,并且可以产生统一的规范,同时提高了运行速度,上万条数据处理也仅需要几分钟就可以得到想要的结果,提高了准确率。
本发明还提供了配网计划停送电零时差数据处理设备,如图2所示,所述数据处理设备,包括:
数据采集单元,用于获取历史停电数据,对历史停电数据进行去重处理,得到处理后的停电数据;
控制单元,用于执行如下内容:
一、对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;
二、如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复步骤二的处理;
三、获取重复前一步的次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。
在实施中,该数据处理方法的核心部分为如下操作:
对历史停电数据进行预先处理操作;初始化BP神经网络;数据输入到神经网络,得到输出结果;对输出结果,与预期结果进行比较;调整权重参数;重复得到输出结果的步骤,直至输出的结果与预期的结果满足要求;使用神经网络来判别重点监控对象;当计算得到的实际段与计划停电时间段进行比较,当误差值小于误差范围或者学习的次数大于预设次数时结束算法。否则进入下一轮学习。
通过该数据处理方法,可以让管理人员将重点放在规则的制定上,从复杂的数据处理中解脱出来,并且可以产生统一的规范,便于多个地区(县公司)的应用和比较。实现全自动和人工干预相结合的分析,管理人员还可以在半自动的结果上进行后续的分析和扩展功能的添加。另外由于使用程序化处理,使得数据处理的运行速度更快了,上万条数据处理也仅需要几分钟就可以得到想要的结果。程序固化,极易推广性,任何使用人只需要将相关文件添加到程序里,无需任何人工干预,就可以得出结果。实效性更强。以前以1个月为周期统计结果,现在可以每天进行统计分析。得到结果准确率高。
另外,该数据处理设备还包括工作电源:装备工作的电力单元;
显示器:显示数据分析结果,用于显示结果集,对异常数据进行着重提醒,调控人员根据显示的结果进行逐个分析、研判;
数据存储:存储数据采集单元采集的数据、装备运行情况、分析结果等各类历史和实时数据;
通信模块:用于远方调查阅装备的历史和实时数据。
可选的,所述对历史停电数据进行去重处理,得到处理后的停电数据,包括:
删除历史停电数据中包括的公变、专变数据中线路名称、终端停电时间、终端复电时间任意一个为空的记录;
按历史户号对删除空记录后的数据进行压缩处理;
将压缩处理后的停电数据按照终端停电时间排序,使用相邻两个数按照将其转化成方向向量,将方向向量转化为标准化向量。
在实施中,步骤一种的具体方案为将公变、专变数据进行清洗,去除数据中线路名称、终端停电时间、终端复电时间任意一个为空的记录。因为不同厂家的设备上传的重复信号,需要按照户号对数据进行压缩,去除重复数据。按照终端停电时间排序使用相邻两个数按照将其转化成方向向量,然后方向向量进行标准化。
可选的,所述对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值,包括:
设神经网络层数为N,每层神经元的数量为N1,N2,N3…Nn,随机产生之间的随机个数作为本神经网络连接权值;
随机选取第k个输入样本得到其输出,将其转换为时间段数值,将第k个样本的期望输出与实际输出作差;
其中实际值为从计划数据中去除无效数据,提取线路名称、计划停电时间、计划送电时间,n、k的取值范围为非零自然数。
在实施中,假设神经网络层数为N,每层神经元的数量为N1,N2,N3…Nn。随机产生之间的随机个数作为本神经网络连接权值。
上述步骤中得到输出结果的处理过程为:随机选取第k个输入样本得到其输出,将其转换为时间段。
上述步骤中对预期结果进行比较的处理过程为:将第k个样本的期望输出与实际输出进行比较。实际值为从计划数据中去除无效数据,提取线路名称、计划停电时间、计划送电时间。
可选的,所述数据处理方法,还包括使用BP神经网络从配网设备中筛选出重点监控对象,具体包括:
将大于预设范围中最大值三倍以上的差值对应的配网设备作为重点监控对象。
在实施中,大于预设范围中最大值三倍以上的差值属于配网设备中正常工作状态下不可能出现的状况,因此可以将该类设备作为重点监控对象。
可选的,所述如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,包括:
根据比较结果找到计算隐藏层的神经元的输入和输出,并计算误差值,根据误差值修改连接权值。
在实施中,根据比较结果找到计算隐藏层的神经元的输入和输出,并计算误差值,根据误差值修改连接权值。通过该处理能够在每次重复获取处理结果的步骤中都使用更新后的参数,保证重复后得到的结果相比重复前具有更好的参考意义,并且提高该BP神经网络的自我学习能力。
本发明提供了配网计划停送电零时差数据处理设备,包括:数据采集单元和控制单元,前者用于获取历史停电数据,对历史停电数据进行去重处理,得到处理后的停电数据;后者则用于执行如下内容:一、对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;二、如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复步骤二的处理;三、获取重复前一步的次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。通过该数据处理设备,可以让管理人员将重点放在规则的制定上,从复杂的数据处理中解脱出来,并且可以产生统一的规范,同时提高了运行速度,上万条数据处理也仅需要几分钟就可以得到想要的结果,提高了准确率。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,并不用以限制本发明,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 (10)
1.配网计划停送电零时差数据处理方法,其特征在于,所述数据处理方法,包括:
步骤一、获取历史停电数据,对历史停电数据进行去重处理,得到处理后的停电数据;
步骤二、对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;
步骤三、如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复步骤二的处理;
步骤四、获取重复步骤二的次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。
2.根据权利要求1所述的配网计划停送电零时差数据处理方法,其特征在于,所述对历史停电数据进行去重处理,得到处理后的停电数据,包括:
删除历史停电数据中包括的公变、专变数据中线路名称、终端停电时间、终端复电时间任意一个为空的记录;
按历史户号对删除空记录后的数据进行压缩处理;
将压缩处理后的停电数据按照终端停电时间排序,使用相邻两个数按照将其转化成方向向量,将方向向量转化为标准化向量。
3.根据权利要求1所述的配网计划停送电零时差数据处理方法,其特征在于,所述对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值,包括:
设神经网络层数为N,每层神经元的数量为N1,N2,N3…Nn,随机产生之间的随机个数作为本神经网络连接权值;
随机选取第k个输入样本得到其输出,将其转换为时间段数值,将第k个样本的期望输出与实际输出作差;
其中实际值为从计划数据中去除无效数据,提取线路名称、计划停电时间、计划送电时间,n、k的取值范围为非零自然数。
4.根据权利要求1所述的配网计划停送电零时差数据处理方法,其特征在于,所述数据处理方法,还包括使用BP神经网络从配网设备中筛选出重点监控对象,具体包括:
将大于预设范围中最大值三倍以上的差值对应的配网设备作为重点监控对象。
5.根据权利要求4所述的配网计划停送电零时差数据处理方法,其特征在于,所述如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,包括:
根据比较结果找到计算隐藏层的神经元的输入和输出,并计算误差值,根据误差值修改连接权值。
6.配网计划停送电零时差数据处理设备,其特征在于,所述数据处理设备,包括:
数据采集单元,用于获取历史停电数据,对历史停电数据进行去重处理,得到处理后的停电数据;
控制单元,用于执行如下内容:
一、对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值;
二、如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,重复步骤二的处理;
三、获取重复前一步的次数,如果次数大于预设阈值或差值在预设范围内,则结束处理过程,获取此时的处理结果作为最终数据处理结果。
7.根据权利要求6所述的配网计划停送电零时差数据处理设备,其特征在于,所述对历史停电数据进行去重处理,得到处理后的停电数据,包括:
删除历史停电数据中包括的公变、专变数据中线路名称、终端停电时间、终端复电时间任意一个为空的记录;
按历史户号对删除空记录后的数据进行压缩处理;
将压缩处理后的停电数据按照终端停电时间排序,使用相邻两个数按照将其转化成方向向量,将方向向量转化为标准化向量。
8.根据权利要求6所述的配网计划停送电零时差数据处理设备,其特征在于,所述对BP神经网络进行初始化处理,将处理后的停电数据输入至初始化处理后的BP神经网络中,得到初始处理结果,获取初始处理结果与预期结果之间的差值,包括:
设神经网络层数为N,每层神经元的数量为N1,N2,N3…Nn,随机产生之间的随机个数作为本神经网络连接权值;
随机选取第k个输入样本得到其输出,将其转换为时间段数值,将第k个样本的期望输出与实际输出作差;
其中实际值为从计划数据中去除无效数据,提取线路名称、计划停电时间、计划送电时间,n、k的取值范围为非零自然数。
9.根据权利要求6所述的配网计划停送电零时差数据处理设备,其特征在于,所述数据处理方法,还包括使用BP神经网络从配网设备中筛选出重点监控对象,具体包括:
将大于预设范围中最大值三倍以上的差值对应的配网设备作为重点监控对象。
10.根据权利要求9所述的配网计划停送电零时差数据处理设备,其特征在于,所述如果差值在预设范围外,则对BP神经网络中的权重参数进行调节,包括:
根据比较结果找到计算隐藏层的神经元的输入和输出,并计算误差值,根据误差值修改连接权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711107255.8A CN107833151A (zh) | 2017-11-10 | 2017-11-10 | 配网计划停送电零时差数据处理方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711107255.8A CN107833151A (zh) | 2017-11-10 | 2017-11-10 | 配网计划停送电零时差数据处理方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107833151A true CN107833151A (zh) | 2018-03-23 |
Family
ID=61654147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711107255.8A Pending CN107833151A (zh) | 2017-11-10 | 2017-11-10 | 配网计划停送电零时差数据处理方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107833151A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069529A (zh) * | 2015-08-10 | 2015-11-18 | 广东电网有限责任公司电力科学研究院 | 预安排停电时间预测方法及系统 |
CN106408016A (zh) * | 2016-09-13 | 2017-02-15 | 广西电网有限责任公司北海供电局 | 一种配电网停电时间自动识别模型构造方法 |
CN106815647A (zh) * | 2016-12-28 | 2017-06-09 | 国家电网公司 | 一种基于数据分析的高效率配电网故障抢修系统及方法 |
CN106845782A (zh) * | 2016-12-23 | 2017-06-13 | 国网浙江省电力公司台州供电公司 | 配网大数据智能分析方法 |
-
2017
- 2017-11-10 CN CN201711107255.8A patent/CN107833151A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069529A (zh) * | 2015-08-10 | 2015-11-18 | 广东电网有限责任公司电力科学研究院 | 预安排停电时间预测方法及系统 |
CN106408016A (zh) * | 2016-09-13 | 2017-02-15 | 广西电网有限责任公司北海供电局 | 一种配电网停电时间自动识别模型构造方法 |
CN106845782A (zh) * | 2016-12-23 | 2017-06-13 | 国网浙江省电力公司台州供电公司 | 配网大数据智能分析方法 |
CN106815647A (zh) * | 2016-12-28 | 2017-06-09 | 国家电网公司 | 一种基于数据分析的高效率配电网故障抢修系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104155596B (zh) | 一种基于随机森林的模拟电路故障诊断系统 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
CN103064008B (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN105931116A (zh) | 基于深度学习机制的自动化信用评分系统及方法 | |
CN105022021B (zh) | 一种基于多智能体的关口电能计量装置的状态识别方法 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN105590175A (zh) | 一种基于因子分析与bp神经网络的技能人才评价方法 | |
CN106982359A (zh) | 一种双目视频监控方法、系统和计算机可读存储介质 | |
CN103514566A (zh) | 一种风险控制系统及方法 | |
CN107423839A (zh) | 一种基于深度学习的智能楼宇微网负荷预测的方法 | |
CN109782124B (zh) | 一种基于梯度下降算法的主配用一体化故障定位方法及系统 | |
CN107292502A (zh) | 一种配电网可靠性评估方法 | |
CN104133143B (zh) | 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法 | |
CN102830626A (zh) | 基于故障树的多层次电力系统故障诊断系统 | |
CN110147389A (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
CN110910026A (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
CN110532314A (zh) | 高压电器质量检测的方法及终端设备 | |
CN114565038A (zh) | 一种基于改进胶囊网络的智能电表故障诊断方法 | |
Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
Ibrahim et al. | Novel data compression technique for power waveforms using adaptive fuzzy logic | |
CN103745080A (zh) | 基于贝叶斯模型的电网操作人因可靠性评估方法及装置 | |
CN103400213B (zh) | 一种基于lda与pca的骨干网架生存性评估方法 | |
CN105354622A (zh) | 基于模糊综合评判的企业生产管理评价方法 | |
CN104951871A (zh) | 一种电力仿真培训的智能评价方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180323 |