CN107909230A - 一种农网配变重过载短期预警模型的建模方法 - Google Patents
一种农网配变重过载短期预警模型的建模方法 Download PDFInfo
- Publication number
- CN107909230A CN107909230A CN201810030658.5A CN201810030658A CN107909230A CN 107909230 A CN107909230 A CN 107909230A CN 201810030658 A CN201810030658 A CN 201810030658A CN 107909230 A CN107909230 A CN 107909230A
- Authority
- CN
- China
- Prior art keywords
- early
- overload
- warning model
- variable
- warning
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 48
- 230000001131 transforming effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000007477 logistic regression Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 7
- 230000000875 corresponding effect Effects 0.000 claims abstract description 6
- 238000013461 design Methods 0.000 claims abstract description 6
- 230000002596 correlated effect Effects 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 3
- 230000001419 dependent effect Effects 0.000 claims description 12
- 230000003442 weekly effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 8
- 241001269238 Data Species 0.000 claims description 7
- 230000001568 sexual effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种农网配变重过载短期预警模型的建模方法，包括：集建模所需相关变量的原始数据；设计并计算预警模型的特征变量，比较查全率和查准率得到最优的变量组合；筛选完后重新用logistic回归拟合，优化得到预警模型；将实际数据带入预警模型进行预测，得出配变重过载的概率清单并排序；借助预测模型对未来新数据分布与温度的变化关系进行动态建模，建立loess模型，对逻辑回归产生出来的概率值进行调整，获取可靠的预测结果。从概率清单中选取相应的数量作为当周的重过载预警清单；利用当年数据对历史数据建立的预警模型进行预测验证，若预警结果好则直接使用，否则优化预警模型；该方法有利于建立准确的配变重过载短期预警模型。
Description
技术领域
本发明属于大数据挖掘领域，特别涉及一种农网配变重过载短期预警模型的建模方法。
背景技术
配电网一般是指10KV电力网络，该级网络通过一次配变转换后再接入普通居民用户，该级网络的故障会直接影响用户供电，从配变负载程度上，依据《国网运检部关于加强高温大负荷期间配网设备运维检修工作的通知》，运检三[2013]420号文中对配变重过载标准的定义，重载：用电负荷超过额定容量的70%，但小于额定容量的100%，连续运行1小时记为一次重载。过载：用电负荷超过额定容量的100%，连续运行1小时记为一次过载。每年夏季用电高峰期间均有配变重过载现象发生，供电可靠性满足用户用电需求的难度在不断提高。同时由于配网投入资金有限，不能完全满足配电设备升级改造需求。供电“卡脖子”、频繁停电、低电压和抢修服务等仍是客户投诉的焦点问题，这些都制约着各地市配网管理和供电服务质量的提升。目前对于配电网在运行中的风险特别是重过载风险，还是以问题导向开展事后分析评估工作为主。对于高温、台风等外部环境变化对配变重过载的影响还缺乏有效的风险预控手段与能力。
因此，科学地开展配变重过载的短期预警工作，可为配变改造规划提供参考，合理分配各地市配变资源提供客观依据，提高配网对迎峰度夏期间峰荷的应急能力。
发明内容
本发明的目的是提供一种农网配变重过载短期预警模型的建模方法。
本发明采用以下技术方案：一种农网配变重过载短期预警模型的建模方法，其包括以下步骤：步骤S1：根据预警模型的整体框架，采集收集建模所需相关变量的原始数据，即特征参数，制定数据清洗规则，对原始数据进行清洗；步骤S2：分析短期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选；
步骤S3：通过单变量logistic 回归模型，比较单变量回归模型的查全率和查准率，确定核心变量；在已有核心变量的基础上，采用逐步回归法，依次加入其他变量，比较预警模型的查全率和查准率，不断优化，进而建立预警模型；步骤S4：将实际数据带入预警模型对配变短期的重过载现象进行预测，得出配变重过载的概率清单，并按概率从高到低进行排序；根据历史温度和历史重过载数量建立局部加权回归loess 方程，并利用预警周的预报温度对该周的配变重过载数量进行预测；最后，根据loess 方程预测的重过载数，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单；步骤S5：根据历史数据建立的预警模型，将当年数据代入并进行预测验证，如果预警结果优于设定值，则直接使用该预警模型，否则通过调整预警模型的自变量、优化loess 方程的方式优化预警模型；步骤S6：输出预警模型和预警结果。
在本发明一实施例中，在步骤S2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。
在本发明一实施例中，在步骤S3中，对变量进行初步筛选的方法如下：将数据进行5等分,其中4份数据集作为训练数据，1份作为验证数据，重复5次取平均，确定Lasso 回归最优的λ参数，从而获得特征变量筛选。
在本发明一实施例中，步骤S3单变量logistic 回归模型的建立包括以下步骤：步骤S61：将去年和发布日前一月第1-3 周数据作为自变量，发布日前一月第4 周数据作为因变量，建立Logistic 回归模型；步骤S32：利用去年和发布日前一月第2-4 周数据，并根据建立的Logistic 回归模型来预测发布日当周重载情况，计算其所有案例的概率值。
与现有技术相比，本发明提供了一种农网配变重过载短期预警模型的建模方法，该方法建立的配变重过载预警模型可以通过联合Loess 回归方程和Logistic回归模型对配变迎峰度夏期间每周的重载情况进行预警，提高了判断的准确性，为独立判断、分析各地市重过载程度、合理分配资源提供客观依据。
附图说明
图1 是本发明的实现流程图。
图2是本发明实施例中重载模型变量重要性结果图
图3是本发明实施例中过载载模型变量重要性结果图。
图4 是本发明实施例中预警模型的预警结果图1。
图5 是本发明实施例中预警模型的预警结果图2。
具体实施方式
下面结合附图和具体实施例对本发明做进一步解释说明。
本发明采用以下技术方案：一种农网配变重过载短期预警模型的建模方法，其包括以下步骤：步骤S1：根据预警模型的整体框架，采集收集建模所需相关变量的原始数据，即特征参数，制定数据清洗规则，对原始数据进行清洗；步骤S2：分析短期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选；步骤S3：通过单变量logistic 回归模型，比较单变量回归模型的查全率和查准率，确定核心变量；在已有核心变量的基础上，采用逐步回归法，依次加入其他变量，比较预警模型的查全率和查准率，不断优化，进而建立预警模型；步骤S4：将实际数据带入预警模型对配变短期的重过载现象进行预测，得出配变重过载的概率清单，并按概率从高到低进行排序；根据历史温度和历史重过载数量建立局部加权回归loess 方程，并利用预警周的预报温度对该周的配变重过载数量进行预测；最后，根据loess 方程预测的重过载数，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单；步骤S5：根据历史数据建立的预警模型，将当年数据代入并进行预测验证，如果预警结果优于设定值，则直接使用该预警模型，否则通过调整预警模型的自变量、优化loess 方程的方式优化预警模型；步骤S6：输出预警模型和预警结果。主要流程示意图参见图1。
在本发明一实施例中，在步骤S2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。
在本发明一实施例中，在步骤S3中，对变量进行初步筛选的方法如下：将数据进行5等分,其中4份数据集作为训练数据，1份作为验证数据，重复5次取平均，确定Lasso 回归最优的λ参数，从而获得特征变量筛选。在已有核心变量的基础上，计算变量重要性的方法如下：运用分类误差，对全量数据重复多次切分，80%数据归为样本内数据，20%数据作为样本外，考虑不放入这个变量时，样本外的分类结果提升来判断变量重要性。
在本发明一实施例中，步骤S3单变量logistic 回归模型的建立包括以下步骤：步骤S61：将去年和发布日前一月第1-3 周数据作为自变量，发布日前一月第4 周数据作为因变量，建立Logistic 回归模型；步骤S32：利用去年和发布日前一月第2-4 周数据，并根据建立的Logistic 回归模型来预测发布日当周重载情况，计算其所有案例的概率值。根据去年到今年的全部数据和发布日前一月1~3周的数据建立Logistic回归模型，主要目的在于农网的重过载发生比例太低，通过累计数据可以增加实际发生的样本数量，但相对的，实际未发生的样本数量同样也会增加，稀释了积累数据的作用。因此还需要通过人工筛选数据法以及过采样方法，调整样本比例，来提高模型预测的准确性。带入本周数据，生成预测配变发生重过载概率清单；增加Loess模型对未来的新数据分布与温度的变化关系进行动态建模，对Logistic回归产生出来的概率值调整，获取可靠的预测结果。
实施例1
本发明研究重过载相关性分析，从温度数据，历史负荷数据，近期负荷数据，配变属性及负载率趋势等方面构建特征量，建立基于loess 方程的Logistic 回归配变重过载短期预警模型，对2016 福州农网配变迎峰度夏期间发生重过载的概率进行短期的预测。
基于Windows 下的开发环境，使用PostgreSQL Database 建立相应的历史、实时数据库，通过R 语言编程工具建立模型。
在设计和实现上主要有以下几点：
1、观察某地区配变历史负荷特征、近期负荷特征、配变属性和负载率趋势设计输入logistic 模型的27个特征变量。
2、考虑结合统计检验部分对变量进行筛选，但是对于弱影响因素的变量依旧保留，原因是影响因素不大的变量本身对于预测精准程度不构成破坏,逻辑回归本身会对这些变量增加较小的系数；其次重过载预警模型每周都会纳入新的数据，过早的对变量的重要性下判断会导致模型的准确性不稳定。考虑模型的精准预测目的，本项目采取交叉验证方式，以逻辑回归的lasso形式进行变量筛选，在27种变量组中选择最优的特征变量，获取22个最优变量组。
3、通过查全率和查准率对模型准确率进行评价。
4、通过选取去年6 月15 日-9 月15 日的每周七天平均最高温数据和对应周配变实际发生重过载数量作为loess 方程输入数据，建立历史温度和历史重过载数量关联的Loess 回归方程，并以此来作为重过载预测发生数。
经过以上步骤分析，logistic 回归重载预警模型的变量如图2、logistic 回归过载预警模型的变量如图3。
从重载模型变量重要性结果图可以看出，基于Loess拟合得到的最大top5负载率，基于Loess拟合得到的最大负载率，以及上周重载点数对于模型预测来讲影响最为重要。相对地，上周发生重过载点数次数和用电类别对于模型影响较小；
图3中过载模型变量重要性结果图可以看出，基于Loess拟合得到的最大top5负载率，上周最大top5负载率，基于Loess拟合的下周最大负载率对于模型预测来讲影响最为重要。相对地，去年重过载点数和次数对于模型影响较小；
短期重过载预警模型在某地区迎峰度夏13 周内（6 月15日-9 月15 日）的预警结果如图4-5。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
Claims (4)
1.一种农网配变重过载短期预警模型的建模方法，其特征在于：包括以下步骤：
步骤S1：根据预警模型的整体框架，采集收集建模所需相关变量的原始数据，即特征参数，制定数据清洗规则，对原始数据进行清洗；
步骤S2：分析短期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选；
步骤S3：通过单变量logistic 回归模型，比较单变量回归模型的查全率和查准率，确定核心变量；在已有核心变量的基础上，采用逐步回归法，依次加入其他变量，比较预警模型的查全率和查准率，不断优化，进而建立预警模型；
步骤S4：将实际数据带入预警模型对配变短期的重过载现象进行预测，得出配变重过载的概率清单，并按概率从高到低进行排序；根据历史温度和历史重过载数量建立局部加权回归loess 方程，并利用预警周的预报温度对该周的配变重过载数量进行预测；最后，根据loess 方程预测的重过载数，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单；
步骤S5：根据历史数据建立的预警模型，将当年数据代入并进行预测验证，如果预警结果优于设定值，则直接使用该预警模型，否则通过调整预警模型的自变量、优化loess 方程的方式优化预警模型；
步骤S6：输出预警模型和预警结果。
2.根据权利要求1所述的农网配变重过载短期预警模型的建模方法，其特征在于：在步骤S2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。
3.根据权利要求1所述的农网配变重过载短期预警模型的建模方法，其特征在于：在步骤S3中，对变量进行初步筛选的方法如下：将数据进行5等分,其中4份数据集作为训练数据，1份作为验证数据，重复5次取平均，确定Lasso 回归最优的λ参数，从而获得特征变量筛选。
4.根据权利要求1所述的农网配变重过载短期预警模型的建模方法，其特征在于：步骤S3单变量logistic 回归模型的建立包括以下步骤：
步骤S61：将去年和发布日前一月第1-3 周数据作为自变量，发布日前一月第4 周数据作为因变量，建立Logistic 回归模型；
步骤S32：利用去年和发布日前一月第2-4 周数据，并根据建立的Logistic 回归模型来预测发布日当周重载情况，计算其所有案例的概率值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810030658.5A CN107909230A (zh) | 2018-01-12 | 2018-01-12 | 一种农网配变重过载短期预警模型的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810030658.5A CN107909230A (zh) | 2018-01-12 | 2018-01-12 | 一种农网配变重过载短期预警模型的建模方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107909230A true CN107909230A (zh) | 2018-04-13 |
Family
ID=61871071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810030658.5A Pending CN107909230A (zh) | 2018-01-12 | 2018-01-12 | 一种农网配变重过载短期预警模型的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909230A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087008A (zh) * | 2018-08-07 | 2018-12-25 | 济南浪潮高新科技投资发展有限公司 | 一种设备故障预警方法及装置 |
| CN109670696A (zh) * | 2018-12-13 | 2019-04-23 | 海南电网有限责任公司 | 一种基于运行大数据的线路重过载预测方法 |
| CN110879335A (zh) * | 2019-12-16 | 2020-03-13 | 深圳供电局有限公司 | 一种配电网线路重过载情况评估的方法 |
| CN111964785A (zh) * | 2020-07-17 | 2020-11-20 | 北京控制工程研究所 | 一种预估红外探测器真空筛选试验合格率的方法 |
| CN112101614A (zh) * | 2020-08-07 | 2020-12-18 | 贵州电网有限责任公司 | 一种基于重抽样的配变重过载预测方法 |
| CN112258342A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112257923A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN115662143A (zh) * | 2022-11-21 | 2023-01-31 | 吉林大学 | 一种公交企业运营安全态势动态预测系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
| CN104699890A (zh) * | 2015-01-07 | 2015-06-10 | 国家电网公司 | 一种城网配变重过载短期预警模型的建模方法 |
| CN107463961A (zh) * | 2017-08-07 | 2017-12-12 | 国家电网公司客户服务中心 | 一种预警模型建模方法及系统 |
-
2018
- 2018-01-12 CN CN201810030658.5A patent/CN107909230A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
| CN104699890A (zh) * | 2015-01-07 | 2015-06-10 | 国家电网公司 | 一种城网配变重过载短期预警模型的建模方法 |
| CN107463961A (zh) * | 2017-08-07 | 2017-12-12 | 国家电网公司客户服务中心 | 一种预警模型建模方法及系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109087008A (zh) * | 2018-08-07 | 2018-12-25 | 济南浪潮高新科技投资发展有限公司 | 一种设备故障预警方法及装置 |
| CN109670696A (zh) * | 2018-12-13 | 2019-04-23 | 海南电网有限责任公司 | 一种基于运行大数据的线路重过载预测方法 |
| CN109670696B (zh) * | 2018-12-13 | 2022-12-09 | 海南电网有限责任公司 | 一种基于运行大数据的线路重过载预测方法 |
| CN110879335A (zh) * | 2019-12-16 | 2020-03-13 | 深圳供电局有限公司 | 一种配电网线路重过载情况评估的方法 |
| CN110879335B (zh) * | 2019-12-16 | 2022-05-10 | 深圳供电局有限公司 | 一种配电网线路重过载情况评估的方法 |
| CN111964785A (zh) * | 2020-07-17 | 2020-11-20 | 北京控制工程研究所 | 一种预估红外探测器真空筛选试验合格率的方法 |
| CN112101614A (zh) * | 2020-08-07 | 2020-12-18 | 贵州电网有限责任公司 | 一种基于重抽样的配变重过载预测方法 |
| CN112258342A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112257923A (zh) * | 2020-10-21 | 2021-01-22 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112257923B (zh) * | 2020-10-21 | 2023-02-03 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN112258342B (zh) * | 2020-10-21 | 2023-02-03 | 国网冀北电力有限公司承德供电公司 | 重过载预警方法、装置以及电子设备 |
| CN115662143A (zh) * | 2022-11-21 | 2023-01-31 | 吉林大学 | 一种公交企业运营安全态势动态预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107909230A (zh) | 一种农网配变重过载短期预警模型的建模方法 | |
| CN104700321B (zh) | 一种输变电设备状态运行趋势分析方法 | |
| Guo et al. | Multi-objective optimization of the proposed multi-reservoir operating policy using improved NSPSO | |
| CN107133652A (zh) | 基于K‑means聚类算法的用电客户价值评估方法及系统 | |
| KR101800286B1 (ko) | 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템 | |
| CN106446571A (zh) | 风电场功率预测的误差评价方法 | |
| CN106570567A (zh) | 一种主网检修多约束多目标评估专家系统及优化方法 | |
| CN103326348A (zh) | 一种提高地区电网供电能力分析及全过程在线监测的系统 | |
| CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
| CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
| CN104699890A (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
| CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
| CN108898239A (zh) | 一种基于数据分析的配电变压器选址方法 | |
| KR101049405B1 (ko) | 교량 자산관리 시스템 | |
| CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
| CN115409264A (zh) | 基于馈线故障预测的配电网抢修驻点位置优化方法 | |
| CN107732902B (zh) | 配电网经济运行监控及评价方法 | |
| US20170046456A1 (en) | Electric Power Substation Reliability Analysis | |
| CN108288122B (zh) | 一种多区域互联系统的评估方法和装置 | |
| CN116596120A (zh) | 一种抽水蓄能机组变工况劣化趋势预测方法及装置 | |
| CN102231081B (zh) | 一种流程工业设备用能状态诊断方法 | |
| CN114696328A (zh) | 电力线损分析方法、系统及存储介质 | |
| CN112766726A (zh) | 一种电网作业标准成本调整系数的制定方法 | |
| CN111080068A (zh) | 一种电能表运行状态评价方法和装置 | |
| Xiao et al. | Multiple-criteria decision-making of distribution system planning considering distributed generation |
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 |
Application publication date: 20180413 |
|
| RJ01 | Rejection of invention patent application after publication |