CN107909208A - 一种台区配网降损方法 - Google Patents
一种台区配网降损方法 Download PDFInfo
- Publication number
- CN107909208A CN107909208A CN201711137343.2A CN201711137343A CN107909208A CN 107909208 A CN107909208 A CN 107909208A CN 201711137343 A CN201711137343 A CN 201711137343A CN 107909208 A CN107909208 A CN 107909208A
- Authority
- CN
- China
- Prior art keywords
- taiwan area
- per unit
- line loss
- loss per
- feature
- 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 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 230000010076 replication Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种台区配网降损方法，该方法包括以下步骤：进行台区特征提取，并构建台区特征数据库；对台区特征数据库中的台区特征进行层次聚类，对不同类台区特征分别建立线损率预测模型，得到线损率预测值；对线损率异常台区进行线损率修正；依据得到的线损率，采用Apriori算法获取影响线损率等级的关联规则，根据关联规则实行配网降损。与现有技术相比，本发明具有依据线损率预测模型获得影响线损率等级的关联规则，从而可以根据管理规则指导进行配网降损，同时线损率计算涉及异常台区线损率修正，计算结果更准确等优点。
Description
技术领域
本发明涉及电力系统线损管理领域，尤其是涉及一种台区配网降损方法。
背景技术
线损率在评价电力系统的经济运行中扮演重要角色，线损管理是电力公司的重点管理内容之一。目前我国线损管理采用《线损四分管理标准》，根据“分压、分区、分线、分台区”的原则对线损进行全面管理。根据国家电网的测算，380V低压电网的损耗量占总损耗量的五分之一，是一个重损层。而低压电网的线损管理普遍采用分台区的管理手段，所以研究台区线损情况对提高配电网的经济运行水平具有重要的意义。
随着智能电网建设的推进和智能电表的普及，电力公司积累了大量的电网和用户的历史数据，使得利用多个数据源对台区合理线损率进行估计成为可能。由于台区数量众多、线路复杂、元件繁多，计算台区理论线损率非常困难，目前并没有特别好的方法。对线损系统中缺失数据的处理往往需要增加表计或者人工纠错，这将会增加投资和人工成本。因此亟需一种在不增加设备和人工投资情况下估计台区合理线损率的方法，并分析线损率的影响因素，由此作为台区配网降损参考因素。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种台区配网降损方法。
本发明的目的可以通过以下技术方案来实现：
一种台区配网降损方法，所述的方法包括以下步骤：
S1、进行台区特征提取，并构建台区特征数据库；
S2、对台区特征数据库中的台区特征进行层次聚类，对不同类台区特征分别建立线损率预测模型，得到线损率预测值；
S3、对线损率异常台区进行线损率修正；
S4、依据得到的线损率，采用Apriori算法获取影响线损率等级的关联规则，根据关联规则实行配网降损。
优选地，步骤S4，采用Apriori算法获取影响线损率等级的关联规则具体为基于数据中大于预设支持度的集合即频繁集通过逐层迭代得到强关联规则。
优选地，步骤S1所述的台区特征包括两类：数值型特征和类别型特征。
优选地，所述的数值型特征包括线损率、售电量、出口三相不平衡度和出口日均无功功率。
优选地，所述的类别型特征包括用户数量、价值等级、信用等级、售电表数、经济类型、运行容量、户均运行容量和量测成功率。
优选地，步骤S2中对不同类台区特征分别建立线损率预测模型具体包括以下步骤：
S201、设训练集中预测变量是X＝x1,...,xn，响应变量是Y＝y1,...,yn；
S202、通过自助法重抽样方法从X，Y中随机选择一个子样本集Xb，Yb作为训练集；
S203、对Xb，Yb训练一个回归树模型rfb，对b＝1,...,B重复步骤S203，其中B为子样本集总数；
S204、训练结束后，对一个新的样本x，利用随机森林模型通过平均所有回归树的预测值给出该样本的预测值
优选地，S203步骤中回归树模型的训练采用二分递归分割的方法，将当前的训练集根据判断准则分成两个子集，使建立的树的每个非叶子节点都产生两个分支，非叶子节点代表特征，叶子节点即为树模型给出的预测值。
优选地，步骤S3中对线损率异常台区进行线损率修正具体步骤为：
S301、对已经分好类的台区，利用决策树算法进行训练建立分类模型；
S302、从线损率异常台区特征向量中提取出决策树分类模型需要的特征，由决策树分类模型得到台区所属的类别；
S303、根据台区类别选择对应的随机森林模型，得到台区线损率。
优选地，步骤S4具体为：
S401、构建线损率影响因素；
S402、对影响因素中的连续变量进行离散化，采用分箱法和最优离散化方法；
S403、采用Apriori算法进行关联规则获取。
优选地，步骤S401中所述的线损率影响因素包括：售电量、运行容量、户均运行容量、用户数量、售电表数、量测成功率、三相不平衡度、日均无功、日均电压。
与现有技术相比，本发明具有以下优点：
1、依据线损率预测模型获得影响线损率等级的关联规则，从而可以根据管理规则指导进行配网降损；
2、线损率计算涉及异常台区线损率修正，计算结果更准确。
附图说明
图1为本发明方法流程示意图；
图2为本发明台区特征数据库示意图。
具体实施方式
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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本发明一种台区配网降损方法，流程示意图如图1所示，该方法包括以下步骤：
S1、进行台区特征提取，并构建台区特征数据库；
S2、对台区特征数据库中的台区特征进行层次聚类，对不同类台区特征分别建立线损率预测模型，得到线损率预测值；
S3、对线损率异常台区进行线损率修正；
S4、依据得到的线损率，采用Apriori算法获取影响线损率等级的关联规则，根据关联规则实行配网降损。
步骤S1所述的台区特征包括两类：数值型特征和类别型特征。如图2所示，数值型特征包括线损率、售电量、出口三相不平衡度和出口日均无功功率。类别型特征包括用户数量、价值等级、信用等级、售电表数、经济类型、运行容量、户均运行容量和量测成功率。
台区的分类是一个无监督的聚类问题，采用层次聚类算法进行聚类分析，将预设的聚类数设置为2，然后分别计算类别数为2至n时的DBI指标，选择DBI最小时对应的类别数作为最终的聚类数。
基于层次聚类的配电台区群体聚类算法如下：
1)假设每一个样本自成一类；
2)查找最近的两个聚类间的距离，将这两类合并为一类；
3)计算新类之间的距离；
4)重复步骤2)和步骤3)，直到满足聚类数达到预设的个数或者聚成一类。
将台区分类后，对不同的类建立线损率影响因素分析模型。基于随机森林算法的台区线损率影响因素分析模型建立流程如下:
1)设训练集中预测变量是X＝x1,...,xn，响应变量是Y＝y1,...,yn；
2)对b＝1,...,B重复步骤3)，4)，其中B为子样本集总数；
3)通过自助法重抽样技术从X，Y中随机选择一个子样本集Xb，Yb作为训练集；
4)对Xb，Yb训练一个回归树模型rfb(即随机森林模型用以不同台区分类)；
训练结束后，对一个新的样本x，随机森林模型通过平均所有回归树的预测值给出该样本的预测值
上述流程中回归树的训练采用CART算法，采用二分递归分割的方法，通过将当前的训练集根据判断准则分成两个子集，使建立的树的每个非叶子节点都产生两个分支。非叶子节点代表特征，叶子节点就是树模型给出的预测值。回归树训练流程如下：
1)根据一定条件选择一个特征，根据该特征把树的节点划分为两个分支；
2)在每个分支上递归地重复以上步骤，直到满足以下条件之一：偏差的减少小于给定的界限值时；节点中的样本数量小于给定的界限值时；树的深度大于一个给定的界限值时。
回归树自上而下构建，特征的选择通过计算最好的划分点进行，用节点的不纯度指标GINI描述：式中，GINI表示节点的GINI指标值，pi表示节点中的样本属于类i的概率，m是节点中类的数目。
对于线损率异常台区，需要对其线损率进行修正。思路为：建立其决策树分类模型，得到其所属类别后，将待估计台区的特征向量送入对应类的随机森林模型，估计出该台区的线损率。详细计算流程如下：
1)对已经分好类的台区，利用决策树算法进行训练建立分类模型，分类模型的性能用错误率指标衡量，错误率指标计算公式为：式中error是模型错误率，ntotal是测试集的总样本数量，nerror是分类模型预测的类别与真实的类别不一致的样本数量。
2)从线损率异常台区特征向量中提取出决策树分类模型需要的特征，由决策树分类模型得到台区所属的类别；
3)根据台区类别选择对应的随机森林模型，得到台区线损率。
最后对线损率和其影响因素进项关联分析，挖掘影响线损率等级的关联规则。思路为：首先构建线损率影响因素；其次，对连续变量进行离散化，将线损率划分为六个等级，其他连续变量划分为五个等级；最后，采用Apriori算法进行关联规则获取。
1)关联规则挖掘涉及的变量包括：台区线损率、售电量、运行容量、户均运行容量、用户数量、售电表数、量测成功率、三相不平衡度、日均无功、日均电压。
2)采用两种方法对连续变量进行离散化：(1)分箱(2)最优离散化，采用基于卡方估计的离散化方法，依据统计学中的卡方分布，采用自上向下的策略，把整个属性值区间当做一个离散的属性值，对数据进行升序排列，并依次在数据中插入一个断点，分别计算卡方估计值，选择最大卡方值作为断点划分区间，直到满足设置的阈值。置信水平的设置直接影响到离散化结果，设置过低会会导致离散化不足，过高会导致过度离散。经测试将置信水平设置为0.05。针对不同变量特征分别采用不同离散化方法：线损率：等宽分箱，分箱数10；售电量：等深分箱，分箱数5；运行容量：等深分箱，分箱数5；户均运行容量：等宽分箱，分箱数5；用户数量：等深分箱，分箱数4；售电表数：等宽分箱，分箱数4；量测成功率：等宽分箱，分箱数5；三相不平衡度：最优离散化，分箱数3；日均无功：最优离散化，分箱数3；日均电压：最优离散化，分箱数3；以上等级划分1级表示数值最小，等级提高对应数值提高。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种台区配网降损方法，其特征在于，所述的方法包括以下步骤：
S1、进行台区特征提取，并构建台区特征数据库；
S2、对台区特征数据库中的台区特征进行层次聚类，对不同类台区特征分别建立线损率预测模型，得到线损率预测值；
S3、对线损率异常台区进行线损率修正；
S4、依据得到的线损率，采用Apriori算法获取影响线损率等级的关联规则，根据关联规则实行配网降损。
2.根据权利要求1所述的一种台区配网降损方法，其特征在于，步骤S4，采用Apriori算法获取影响线损率等级的关联规则具体为基于数据中大于预设支持度的集合即频繁集通过逐层迭代得到强关联规则。
3.根据权利要求1所述的一种台区配网降损方法，其特征在于，步骤S1所述的台区特征包括两类：数值型特征和类别型特征。
4.根据权利要求3所述的一种台区配网降损方法，其特征在于，所述的数值型特征包括线损率、售电量、出口三相不平衡度和出口日均无功功率。
5.根据权利要求3所述的一种台区配网降损方法，其特征在于，所述的类别型特征包括用户数量、价值等级、信用等级、售电表数、经济类型、运行容量、户均运行容量和量测成功率。
6.根据权利要求1所述的一种台区配网降损方法，其特征在于，步骤S2中对不同类台区特征分别建立线损率预测模型具体包括以下步骤：
S201、设训练集中预测变量是X＝x1,...,xn，响应变量是Y＝y1,...,yn；
S202、通过自助法重抽样方法从X，Y中随机选择一个子样本集Xb，Yb作为训练集；
S203、对Xb，Yb训练一个回归树模型rfb，对b＝1,...,B重复步骤S203，其中B为子样本集总数；
S204、训练结束后，对一个新的样本x，利用随机森林模型通过平均所有回归树的预测值给出该样本的预测值
7.根据权利要求6所述的一种台区配网降损方法，其特征在于，S203步骤中回归树模型的训练采用二分递归分割的方法，将当前的训练集根据判断准则分成两个子集，使建立的树的每个非叶子节点都产生两个分支，非叶子节点代表特征，叶子节点即为树模型给出的预测值。
8.根据权利要求1所述的一种台区配网降损方法，其特征在于，步骤S3中对线损率异常台区进行线损率修正具体步骤为：
S301、对已经分好类的台区，利用决策树算法进行训练建立分类模型；
S302、从线损率异常台区特征向量中提取出决策树分类模型需要的特征，由决策树分类模型得到台区所属的类别；
S303、根据台区类别选择对应的随机森林模型，得到台区线损率。
9.根据权利要求1所述的一种台区配网降损方法，其特征在于，步骤S4具体为：
S401、构建线损率影响因素；
S402、对影响因素中的连续变量进行离散化，采用分箱法和最优离散化方法；
S403、采用Apriori算法进行关联规则获取。
10.根据权利要求9所述的一种台区配网降损方法，其特征在于，步骤S401中所述的线损率影响因素包括：售电量、运行容量、户均运行容量、用户数量、售电表数、量测成功率、三相不平衡度、日均无功、日均电压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711137343.2A CN107909208A (zh) | 2017-11-16 | 2017-11-16 | 一种台区配网降损方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711137343.2A CN107909208A (zh) | 2017-11-16 | 2017-11-16 | 一种台区配网降损方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107909208A true CN107909208A (zh) | 2018-04-13 |
Family
ID=61844393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711137343.2A Pending CN107909208A (zh) | 2017-11-16 | 2017-11-16 | 一种台区配网降损方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909208A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109272176A (zh) * | 2018-12-10 | 2019-01-25 | 贵州电网有限责任公司 | 利用K-means聚类算法对台区线损率预测计算方法 |
| CN109376366A (zh) * | 2018-08-09 | 2019-02-22 | 国网北京市电力公司 | 一种异常线损影响因素的分析方法及装置 |
| CN109767349A (zh) * | 2018-10-23 | 2019-05-17 | 中国电力科学研究院有限公司 | 一种配电网线损数据校验与修正方法及系统 |
| CN110264107A (zh) * | 2019-07-01 | 2019-09-20 | 国网安徽省电力有限公司滁州供电公司 | 一种基于大数据技术的台区线损率异常诊断方法 |
| CN110688619A (zh) * | 2019-08-13 | 2020-01-14 | 南方电网科学研究院有限责任公司 | 一种配电网的理论线损计算系统及方法 |
| CN111062608A (zh) * | 2019-12-14 | 2020-04-24 | 贵州电网有限责任公司 | 基于线损分类器的10kV线路线损监控方法 |
| CN111428754A (zh) * | 2020-02-29 | 2020-07-17 | 贵州电网有限责任公司 | 一种基于基态修正的线损率标杆值的优化设计方法 |
| CN111538760A (zh) * | 2020-04-21 | 2020-08-14 | 国网信通亿力科技有限责任公司 | 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 |
| CN111738483A (zh) * | 2020-04-24 | 2020-10-02 | 国网上海市电力公司 | 基于聚类和深层信念网络的电网降损优化方法及系统 |
| CN112671096A (zh) * | 2020-11-20 | 2021-04-16 | 浙江华云信息科技有限公司 | 基于数据分析的台区线损电能监测系统及其监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150051744A1 (en) * | 2013-08-19 | 2015-02-19 | Board Of Trustees Of Michigan State University | Linear Optimal Power Flow System and Method |
| CN105303469A (zh) * | 2015-11-25 | 2016-02-03 | 广州供电局有限公司 | 线损异常原因数据挖掘分析的方法与系统 |
| CN106356844A (zh) * | 2016-09-30 | 2017-01-25 | 国网上海市电力公司 | 一种配电网台区线损异常原因的分析方法 |
| CN106372747A (zh) * | 2016-08-27 | 2017-02-01 | 天津大学 | 基于随机森林的台区合理线损率估计方法 |
| CN107294082A (zh) * | 2016-04-05 | 2017-10-24 | 国家电网公司 | 区域配电网损耗标杆的计算方法 |
-
2017
- 2017-11-16 CN CN201711137343.2A patent/CN107909208A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150051744A1 (en) * | 2013-08-19 | 2015-02-19 | Board Of Trustees Of Michigan State University | Linear Optimal Power Flow System and Method |
| CN105303469A (zh) * | 2015-11-25 | 2016-02-03 | 广州供电局有限公司 | 线损异常原因数据挖掘分析的方法与系统 |
| CN107294082A (zh) * | 2016-04-05 | 2017-10-24 | 国家电网公司 | 区域配电网损耗标杆的计算方法 |
| CN106372747A (zh) * | 2016-08-27 | 2017-02-01 | 天津大学 | 基于随机森林的台区合理线损率估计方法 |
| CN106356844A (zh) * | 2016-09-30 | 2017-01-25 | 国网上海市电力公司 | 一种配电网台区线损异常原因的分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| 卢志刚 等: "基于数据挖掘的理论线损分析", 《中国高等学校电力系统及其自动化专业第二十二届学术年会》 * |
| 王守相 等: "基于随机森林算法的台区合理线损率估计方法", 《电力自动化设备》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109376366A (zh) * | 2018-08-09 | 2019-02-22 | 国网北京市电力公司 | 一种异常线损影响因素的分析方法及装置 |
| CN109767349A (zh) * | 2018-10-23 | 2019-05-17 | 中国电力科学研究院有限公司 | 一种配电网线损数据校验与修正方法及系统 |
| CN109272176A (zh) * | 2018-12-10 | 2019-01-25 | 贵州电网有限责任公司 | 利用K-means聚类算法对台区线损率预测计算方法 |
| CN110264107A (zh) * | 2019-07-01 | 2019-09-20 | 国网安徽省电力有限公司滁州供电公司 | 一种基于大数据技术的台区线损率异常诊断方法 |
| CN110688619B (zh) * | 2019-08-13 | 2023-08-18 | 南方电网科学研究院有限责任公司 | 一种配电网的理论线损计算系统及方法 |
| CN110688619A (zh) * | 2019-08-13 | 2020-01-14 | 南方电网科学研究院有限责任公司 | 一种配电网的理论线损计算系统及方法 |
| CN111062608A (zh) * | 2019-12-14 | 2020-04-24 | 贵州电网有限责任公司 | 基于线损分类器的10kV线路线损监控方法 |
| CN111428754A (zh) * | 2020-02-29 | 2020-07-17 | 贵州电网有限责任公司 | 一种基于基态修正的线损率标杆值的优化设计方法 |
| CN111538760B (zh) * | 2020-04-21 | 2022-09-09 | 国网信通亿力科技有限责任公司 | 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 |
| CN111538760A (zh) * | 2020-04-21 | 2020-08-14 | 国网信通亿力科技有限责任公司 | 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 |
| CN111738483A (zh) * | 2020-04-24 | 2020-10-02 | 国网上海市电力公司 | 基于聚类和深层信念网络的电网降损优化方法及系统 |
| CN112671096A (zh) * | 2020-11-20 | 2021-04-16 | 浙江华云信息科技有限公司 | 基于数据分析的台区线损电能监测系统及其监测方法 |
| CN112671096B (zh) * | 2020-11-20 | 2024-02-20 | 浙江华云信息科技有限公司 | 基于数据分析的台区线损电能监测系统及其监测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909208A (zh) | 一种台区配网降损方法 | |
| CN109272176B (zh) | 利用K-means聚类算法对台区线损率预测计算方法 | |
| CN106504116B (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
| CN107423769A (zh) | 基于形态特征的电力负荷曲线自适应聚类方法 | |
| CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
| CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
| CN107169145A (zh) | 一种基于聚类算法的用户窃电严重等级检测的方法 | |
| CN107437135B (zh) | 一种新型储能选型方法 | |
| CN105389636A (zh) | 一种低压台区kfcm-svr合理线损预测方法 | |
| 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 | |
| CN105404944A (zh) | 一种面向电力系统重过载预警的大数据分析方法 | |
| CN104573947A (zh) | 区域智能配电网低压台区综合评价方法 | |
| CN108011367A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
| CN113723844B (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
| CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
| Yu et al. | An efficient substation placement and sizing strategy based on GIS using semi-supervised learning | |
| CN106777005A (zh) | 基于大数据技术改进聚类算法的用户用电行为分析方法 | |
| CN110264032A (zh) | 一种直流配网规划方案评价结果的获取方法 | |
| CN103793788A (zh) | 一种有序用电管理方法 | |
| CN108230183A (zh) | 一种基于时标量测的电网设备多维度综合告警的处理方法 | |
| CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
| CN114239962A (zh) | 一种基于开源信息的精细化空间负荷预测方法 | |
| CN105303470A (zh) | 一种基于大数据的电力项目规划建设方法 | |
| CN112485748A (zh) | 一种单相电表相别判断方法 | |
| CN112308458A (zh) | 一种低压台区量测数据评价方法和系统 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 200002 No. 181 East Nanjing Road, Shanghai, Huangpu District Applicant after: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co. Applicant after: EAST CHINA ELECTRIC POWER TEST AND RESEARCH INSTITUTE Co.,Ltd. Applicant after: Star link information technology (Shanghai) Co.,Ltd. Address before: 200002 No. 181 East Nanjing Road, Shanghai, Huangpu District Applicant before: STATE GRID SHANGHAI MUNICIPAL ELECTRIC POWER Co. Applicant before: EAST CHINA ELECTRIC POWER TEST AND RESEARCH INSTITUTE Co.,Ltd. Applicant before: TRANSWARP TECHNOLOGY (SHANGHAI) Co.,Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |