CN108182453A - 一种用户停电敏感度分类方法 - Google Patents

一种用户停电敏感度分类方法 Download PDF

Info

Publication number
CN108182453A
CN108182453A CN201810045076.4A CN201810045076A CN108182453A CN 108182453 A CN108182453 A CN 108182453A CN 201810045076 A CN201810045076 A CN 201810045076A CN 108182453 A CN108182453 A CN 108182453A
Authority
CN
China
Prior art keywords
neuron
power failure
user
power
input
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.)
Granted
Application number
CN201810045076.4A
Other languages
English (en)
Other versions
CN108182453B (zh
Inventor
杨凛
李巍
张凌云
李俊杰
袁晓婷
肖惠仁
张涛
廖谦
张科
吴俊豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201810045076.4A priority Critical patent/CN108182453B/zh
Publication of CN108182453A publication Critical patent/CN108182453A/zh
Application granted granted Critical
Publication of CN108182453B publication Critical patent/CN108182453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • 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
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Neurology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用户停电敏感度分类方法，属于电力电网领域。该方法包括以下步骤：S1：采用自组织特征映射神经网络，即Kohonen网络，进行建模；S2：训练建立的模型；S3：选择样本数据；S4：规范化样本数据。本发明利用自组织特征映射神经网络对电力用户进行停电敏感度的聚类划分，避免了传统上仅仅依靠电网运行人员经验一刀切的划分方法，使用户停电敏感度的划分更加科学、更加考虑电力用户内在用电属性。

Description

一种用户停电敏感度分类方法
技术领域
本发明属于电力电网领域，涉及一种用户停电敏感度分类方法。
背景技术
电力企业承担了对电力用户进行连续稳定供电的责任和义务，一旦发生停电事件，电力企业将面临较大的社会舆论压力和法律责任。传统上我国电力企业根据对电力用户供电可靠性的要求，将电力用户分为一、二、三级负荷。一级负荷，包括中断供电将造成人身伤亡和将在政治、经济上造成重大损失的负荷，如造成重大设备损坏，打乱重点企业生产秩序并需要长时间才能恢复，重要铁路枢纽无法工作，经常用于国际活动的场所秩序混乱等的负荷。二级负荷在中断供电时会造成企业的严重减产、停工，局部地区的交通会发生阻塞，城市居民的正常生活秩序会被扰乱。除一级、二级负荷以外的一般负荷属于三级负荷，三级负荷在停电时的损失不大。
这种分类方法往往是根据电网运行人员的生产经验进行划分的，而没有一种确定的模型和方法来对电力用户的停电敏感程度进行划分，所以现有的电力营销系统中，也没有关于电力用户停电敏感度的专门标识。随着电力市场的建立，电力用户的不断增长，迫切需要提供一种科学的方法提前辨识停电敏感度高的用户，做好预防停电措施，降低发生客户停电投诉的概率，同时提升客户满意度。
发明内容
有鉴于此，本发明的目的在于提供一种用户停电敏感度分类方法，便于根据需求精确地将用户停电的敏感度进行分类。
为达到上述目的，本发明提供如下技术方案：
一种用户停电敏感度分类方法，包括以下步骤：
S1：采用自组织特征映射神经网络(self-organizingfeaturemappingneuralnetwork)，即Kohonen网络，进行建模；
网络的输出层与输入层之间实行全互连接，对输出层竞争赢的神经元Ng，在其周围Ng的区域内神经元在不同程度上得到兴奋，而在Ng区域以外的神经元都被抑制；各电力企业根据自己的服务资源，将电力用户的停电敏感度划分为j个不同的类别，j＝4时，划分的类别群体包括潜在高敏感用户群、潜在次高敏感用户群、潜在普通用户群和潜在低敏感用户群；在Kohonen网络的输出层中对应有4个输出神经元Nj，当输入神经元输入第k个电力用户的信息时，输出神经元j的输出线性函数表示；竞争赢的神经元Ng对应的输出Yg大于其余输出神经元Nj的输出Yj，即Yg>Yj，j≠g从而得出第k个电力用户对应分类在第g类的停电敏感度类别中；
S2：训练建立的模型；
S3：选择样本数据；
S4：规范化样本数据。
进一步，所述步骤S2具体为：
S201：初始化；将{wji}赋予[0,1]区间中的随机值，确定η(t)的初值η(0)，0<η(0)<1，确定学习次数T，连接权值Wj初始状态的分布是其方向与输入模式的方向一致；
S202：给网络提供一个输入模式并进行归一化处理：
S203：计算连接权向量与输入向量之间的欧氏距离dj，再找出最小距离dg，确定获胜神经元g：
dg＝min[dj]
S204：采用有监督方式进行学习时，要求每个输入学习模式Uk应归属的类别是已知的，当输入模式提供给网络后，按欧氏距离选取的获胜神经元g若是Uk的正确分类则将该神经元对应的连接权向量进行奖励调整，反之进行惩罚调整；
当g为正确分类取“+”，当g为非恰当分类取“－”；
S205：对进行规一化处理；
S206：若还有输入样本数据，则t＝t+1，转至S202。
进一步，步骤S3中，所述样本数据包括行业类别、电压等级、合同容量、客户身份和重要客户标识。
进一步，所述步骤S4具体为：(1)行业类别
将10个不同行业分别直接映射到区间(0,1]上；
(2)电压等级
用户供电的电压等级最高为110kV及以上，将各个供电的电压等级除以最高电压等级得到区间(0,1]内的数值；
(3)合同容量
合同容量反映用户的用电能力，从100kVA到30000kVA，选择选项中最接近的容量，如超过30000kVA按30000kVA计算，低于100kVA就按100kVA计算，10000-30000kVA按20000kVA计算，8000-10000kVA按9000kVA计算，5000-8000kVA按5000kVA计算，1000-5000kVA按3000kVA计算，315-1000kVA按500kVA计算，100-315kVA按200kVA计算，将合同容量除以设置的最大容量30000kVA，同样得到区间(0,1]内的数值；
(4)客户身份
若客户为户主，其值为1；客户为租户，其值为0；
(5)重要客户标识
若客户为重要客户，其值为1；若为非重要客户，其值为0。
本发明的有益效果在于：本发明利用自组织特征映射神经网络对电力用户进行停电敏感度的聚类划分，避免了传统上仅仅依靠电网运行人员经验一刀切的划分方法，使用户停电敏感度的划分更加科学、更加考虑电力用户内在用电属性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为Kohonen网络拓扑结构。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
1.模型拓扑结构和工作原理
该分类采用自组织特征映射神经网络SOM(self-organizing feature mappingneural network)进行建模，自组织特征映射的神经网络又称为Kohonen网络，它反映了大脑中细胞的结构和现象，当输入不同的样本时，一开始输入的样本引起的输出兴奋细胞位置各不相同，当经过自组织学习后形成一些细胞群，它们分别反映了输入样本的特征，这个映射过程是用一个简单的竞争算法来完成的，它具有良好的聚类特性。网络拓扑结构如图1所示，输出层与输入层之间实行全互连接。对输出层竞争赢的神经元Ng，在其周围Ng的区域内神经元在不同程度上得到兴奋，而在Ng区域以外的神经元都被抑制。
各电力企业根据自己的服务资源，可以将电力用户的停电敏感度划分为j个不同的类别，一般来说可以划分为4(j＝4)个类别群体：潜在高敏感用户群、潜在次高敏感用户群、潜在普通用户群和潜在低敏感用户群。在Kohonen网络的输出层中就有4个对应的输出神经元Nj(j＝1～4)，当输入神经元输入第k个电力用户的信息时，输出神经元k的输出可以用简单的线性函数表示：竞争赢的神经元Ng对应的输出Yg大于其余输出神经元Nj(j≠g)的输出Yj，即Yg>Yj，从而得出第k个电力用户对应分类在第g类的停电敏感度类别中。
2.模型的有监督学习训练过程
区别于传统神经网络采用的无监督学习算法，Kohonen网络采用有监督竞争训练，大大提高了训练的速度和学习精度。网络的学习训练过程可归纳如下：
(1)初始化。
将{wji}赋予[0,1]区间中的随机值，确定η(t)的初值η(0)(0<η(0)<1)。确定学习次数T。连接权初值对学习速度和收敛性的影响很大，如果广泛分布于各个随机方向上，会给寻找输入模式的最佳匹配带来很大困难，所以Wj初始状态最理想的分布是其方向与输入模式的方向一致。
(2)给网络提供一个输入模式并进行归一化处理：
(3)计算连接权向量与输入向量之间的欧氏距离dj，再找出最小距离dg，确定获胜神经元g：
dg＝min[dj]
(4)采用有监督方式进行学习时，就要求每个输入学习模式Uk应归属的类别是已知的。当输入模式提供给网络后，按欧氏距离选取的获胜神经元g若是Uk的正确分类则将该神经元对应的连接权向量进行奖励调整，反之进行惩罚调整。
当g为正确分类取“+”，当g为非恰当分类取“－”。
(5)对进行规一化处理。
(6)若还有输入样本数据，那么t＝t+1，转(2)。
3.样本数据选择
关于电力用户的信息多种多样，选取与停电敏感最具有强相关性的5个信息作为模型的输入样本集：行业类别、电压等级、合同容量、客户身份和重要客户标识，如表1所示。
表1输入样本数据
4.样本数据规范化
从输入样本的数据性质来看，既有离散的数值变量(如电压等级)，也有描述电力用户属性的语言变量(如行业类别等)，而神经网络只能处理数值性变量，对于使用自然语言描述的各个属性，在输入网络时需要将语言值进行编码转变为离散的数值量，即对初始样本数据进行规范化操作，具体如下：
(1)行业类别
将10个不同行业分别直接映射到区间(0,1]上。
(2)电压等级
用户供电的电压等级最高为110kV及以上，将各个供电的电压等级除以最高电压等级就可以得到区间(0,1]内的数值。
(3)合同容量
合同容量反映用户的用电能力，从100kVA到30000kVA，选择选项中最接近的容量，如超过30000kVA按30000kVA计算，低于100kVA就按100kVA计算，10000-30000kVA就按20000kVA计算，8000-10000kVA就按9000kVA计算，5000-8000kVA就按5000kVA计算，1000-5000kVA就按3000kVA计算，315-1000kVA就按500kVA计算，100-315kVA就按200kVA计算。将合同容量除以设置的最大容量30000kVA，同样可以得到区间(0,1]内的数值。
(4)客户身份
若客户为户主，其值为1；客户为租户，其值为0。
(5)重要客户标识
若客户为重要客户，其值为1；若为非重要客户，其值为0。
规范化后的网络输入样本数据如表2所示：
表2规范化后的输入样本数据
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种用户停电敏感度分类方法，其特征在于：该方法包括以下步骤：
S1：采用自组织特征映射神经网络(self-organizingfeaturemappingneuralnetwork)，即Kohonen网络，进行建模；
网络的输出层与输入层之间实行全互连接，对输出层竞争赢的神经元Ng，在其周围Ng的区域内神经元在不同程度上得到兴奋，而在Ng区域以外的神经元都被抑制；各电力企业根据自己的服务资源，将电力用户的停电敏感度划分为j个不同的类别，j＝4时，划分的类别群体包括潜在高敏感用户群、潜在次高敏感用户群、潜在普通用户群和潜在低敏感用户群；在Kohonen网络的输出层中对应有4个输出神经元Nj，当输入神经元输入第k个电力用户的信息时，输出神经元j的输出线性函数表示；竞争赢的神经元Ng对应的输出Yg大于其余输出神经元Nj的输出Yj，即Yg>Yj，j≠g从而得出第k个电力用户对应分类在第g类的停电敏感度类别中；
S2：训练建立的模型；
S3：选择样本数据；
S4：规范化样本数据。
2.根据权利要求1所述的一种用户停电敏感度分类方法，其特征在于：所述步骤S2具体为：
S201：初始化；将{wji}赋予[0,1]区间中的随机值，确定η(t)的初值η(0)，0<η(0)<1，确定学习次数T，连接权值Wj初始状态的分布是其方向与输入模式的方向一致；
S202：给网络提供一个输入模式并进行归一化处理：
S203：计算连接权向量与输入向量之间的欧氏距离dj，再找出最小距离dg，确定获胜神经元g：
dg＝min[dj]
S204：采用有监督方式进行学习时，要求每个输入学习模式Uk应归属的类别是已知的，当输入模式提供给网络后，按欧氏距离选取的获胜神经元g若是Uk的正确分类则将该神经元对应的连接权向量进行奖励调整，反之进行惩罚调整；
当g为正确分类取“+”，当g为非恰当分类取“－”；
S205：对进行规一化处理；
S206：若还有输入样本数据，则t＝t+1，转至S202。
3.根据权利要求1所述的一种用户停电敏感度分类方法，其特征在于：步骤S3中，所述样本数据包括行业类别、电压等级、合同容量、客户身份和重要客户标识。
4.根据权利要求1所述的一种用户停电敏感度分类方法，其特征在于：所述步骤S4具体为：(1)行业类别
将10个不同行业分别直接映射到区间(0,1]上；
(2)电压等级
用户供电的电压等级最高为110kV及以上，将各个供电的电压等级除以最高电压等级得到区间(0,1]内的数值；
(3)合同容量
合同容量反映用户的用电能力，从100kVA到30000kVA，选择选项中最接近的容量，如超过30000kVA按30000kVA计算，低于100kVA就按100kVA计算，10000-30000kVA按20000kVA计算，8000-10000kVA按9000kVA计算，5000-8000kVA按5000kVA计算，1000-5000kVA按3000kVA计算，315-1000kVA按500kVA计算，100-315kVA按200kVA计算，将合同容量除以设置的最大容量30000kVA，同样得到区间(0,1]内的数值；
(4)客户身份
若客户为户主，其值为1；客户为租户，其值为0；
(5)重要客户标识
若客户为重要客户，其值为1；若为非重要客户，其值为0。
CN201810045076.4A 2018-01-17 2018-01-17 一种用户停电敏感度分类方法 Active CN108182453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810045076.4A CN108182453B (zh) 2018-01-17 2018-01-17 一种用户停电敏感度分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810045076.4A CN108182453B (zh) 2018-01-17 2018-01-17 一种用户停电敏感度分类方法

Publications (2)

Publication Number Publication Date
CN108182453A true CN108182453A (zh) 2018-06-19
CN108182453B CN108182453B (zh) 2022-03-29

Family

ID=62550829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810045076.4A Active CN108182453B (zh) 2018-01-17 2018-01-17 一种用户停电敏感度分类方法

Country Status (1)

Country Link
CN (1) CN108182453B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960423A (zh) * 2018-06-22 2018-12-07 青岛鹏海软件有限公司 基于机器学习的电机监测系统
CN110503249A (zh) * 2019-08-07 2019-11-26 国网河北省电力有限公司 一种由停电引起的投诉预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2199588A1 (en) * 1997-03-10 1998-09-10 Efrem Hoffman Hierarchical data matrix pattern recognition and identification system
KR20030036286A (ko) * 2003-02-17 2003-05-09 성보전기공업 주식회사 원격 전력감시 및 제어 시스템과 그 방법
EP1485677B1 (en) * 2002-03-25 2006-05-10 Council of Scientific and Industrial Research Classifying seafloor roughness with som and lvq
CN102651088A (zh) * 2012-04-09 2012-08-29 南京邮电大学 基于A_Kohonen神经网络的恶意代码分类方法
US8391963B2 (en) * 2003-07-01 2013-03-05 Cardiomag Imaging, Inc. Use of machine learning for classification of magneto cardiograms
US20140125457A1 (en) * 2012-11-05 2014-05-08 Berntsen International, Inc. Underground Asset Management System
CN105129109A (zh) * 2015-09-30 2015-12-09 北京航空航天大学 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法
CN106910017A (zh) * 2017-02-21 2017-06-30 深圳供电局有限公司 一种基于用户行为数据挖掘的电能体验分析方法和系统
CN107111710A (zh) * 2014-09-13 2017-08-29 先进元素科技公司 用于基于安全和可靠标识的计算的方法和系统
CN107392479A (zh) * 2017-07-27 2017-11-24 国网河南省电力公司电力科学研究院 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2199588A1 (en) * 1997-03-10 1998-09-10 Efrem Hoffman Hierarchical data matrix pattern recognition and identification system
EP1485677B1 (en) * 2002-03-25 2006-05-10 Council of Scientific and Industrial Research Classifying seafloor roughness with som and lvq
KR20030036286A (ko) * 2003-02-17 2003-05-09 성보전기공업 주식회사 원격 전력감시 및 제어 시스템과 그 방법
US8391963B2 (en) * 2003-07-01 2013-03-05 Cardiomag Imaging, Inc. Use of machine learning for classification of magneto cardiograms
CN102651088A (zh) * 2012-04-09 2012-08-29 南京邮电大学 基于A_Kohonen神经网络的恶意代码分类方法
US20140125457A1 (en) * 2012-11-05 2014-05-08 Berntsen International, Inc. Underground Asset Management System
CN107111710A (zh) * 2014-09-13 2017-08-29 先进元素科技公司 用于基于安全和可靠标识的计算的方法和系统
CN105129109A (zh) * 2015-09-30 2015-12-09 北京航空航天大学 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法
CN106910017A (zh) * 2017-02-21 2017-06-30 深圳供电局有限公司 一种基于用户行为数据挖掘的电能体验分析方法和系统
CN107392479A (zh) * 2017-07-27 2017-11-24 国网河南省电力公司电力科学研究院 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
TEUVO KOHONEN 等: "The Self-organizing Map", 《PROCEEDINGS OF THE IEEE》 *
严宇平 等: "基于数据挖掘技术的客户停电敏感度研究与应用", 《新技术新工艺》 *
悟乙己: "R语言实现SOM（自组织映射）模型（三个函数包+代码）", 《HTTPS://BLOG.CSDN.NET/SINAT_26917383/ARTICLE/DETAILS/50651403》 *
李昆仑 等: "一种改进 Kohonen 网络的 DoS 攻击检测算法", 《小型微型计算机系统》 *
赵建华 等: "有监督 SOM 神经网络在入侵检测中的应用", 《计算机工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960423A (zh) * 2018-06-22 2018-12-07 青岛鹏海软件有限公司 基于机器学习的电机监测系统
CN110503249A (zh) * 2019-08-07 2019-11-26 国网河北省电力有限公司 一种由停电引起的投诉预测方法

Also Published As

Publication number Publication date
CN108182453B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
CN111091143B (zh) 基于深度信念网络和K-means聚类的配变重过载预警方法
CN106168799B (zh) 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN113469253B (zh) 一种基于三元组孪生网络的窃电检测方法
Li et al. A new flood forecasting model based on SVM and boosting learning algorithms
CN110263837A (zh) 一种基于多层dbn模型的断路器故障诊断方法
CN109902339A (zh) 一种基于iaga-svm的滚动轴承故障诊断方法
CN112650894A (zh) 一种基于层次分析法和深度信念网络相结合的用户用电行为多维分析诊断方法
CN108182453A (zh) 一种用户停电敏感度分类方法
CN110705859A (zh) 基于pca-自组织神经网络的中低压配电网运行状态评估方法
Varghese et al. Smart grid consumer behavioral model using machine learning
CN110991689A (zh) 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法
CN113361776A (zh) 一种基于用户用电行为聚类的电力负荷概率预测方法
CN106384307A (zh) 一种县域配电网规划差异化评估方法
Król et al. Comparison of mamdani and TSK fuzzy models for real estate appraisal
CN108009224A (zh) 电力客户的分类方法和装置
CN114926702A (zh) 一种基于深度注意力度量的小样本图像分类方法
CN113949079A (zh) 基于深度学习的配电台区用户三相不平衡预测优化方法
CN110852628A (zh) 考虑发展模式影响的农村中长期负荷预测方法
Bao et al. Application of genetic-algorithm improved BP neural network in automated deformation monitoring
Aguilar et al. Analysis of Customer Energy Consumption Patterns using an Online Fuzzy Clustering Technique
CN114021844B (zh) 基于气象灾害预测的输电线路运维投入优化方法及其系统
CN116582450B (zh) 低压配电网业务接入感知方法及系统
CN113899971B (zh) 基于密度相似稀疏聚类的变压器异常工况判别方法
CN114266925B (zh) 一种基于dlstm-rf的用户窃电检测方法及系统
Wang et al. Electricity Theft Detection Based on SMOTE Oversampling and Logistic Regression Classifier

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
GR01 Patent grant
GR01 Patent grant