CN108833144A - 一种基于聚类统计模型的智能电表集中器选址方法 - Google Patents

一种基于聚类统计模型的智能电表集中器选址方法 Download PDF

Info

Publication number
CN108833144A
CN108833144A CN201810538135.1A CN201810538135A CN108833144A CN 108833144 A CN108833144 A CN 108833144A CN 201810538135 A CN201810538135 A CN 201810538135A CN 108833144 A CN108833144 A CN 108833144A
Authority
CN
China
Prior art keywords
class
ammeter
concentrator
cluster
convex closure
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
CN201810538135.1A
Other languages
English (en)
Other versions
CN108833144B (zh
Inventor
征程
李小欢
靳志宾
宣筱青
王祥浩
陶永晶
夏东风
唐中柱
曾俊
张志华
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.)
Nanjing Haixing Power Grid Technology Co Ltd
Hangzhou Hexing Electrical Co Ltd
Ningbo Henglida Technology Co Ltd
Original Assignee
Nanjing Haixing Power Grid Technology Co Ltd
Hangzhou Hexing Electrical Co Ltd
Ningbo Henglida Technology 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 Nanjing Haixing Power Grid Technology Co Ltd, Hangzhou Hexing Electrical Co Ltd, Ningbo Henglida Technology Co Ltd filed Critical Nanjing Haixing Power Grid Technology Co Ltd
Priority to CN201810538135.1A priority Critical patent/CN108833144B/zh
Publication of CN108833144A publication Critical patent/CN108833144A/zh
Application granted granted Critical
Publication of CN108833144B publication Critical patent/CN108833144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于聚类统计模型的智能电表集中器选址方法，包括基于DBSCAN聚类算法构建聚类统计模型；采用构建的聚类统计模型进行聚类分析得到类簇的分类结果；根据聚类分析得到的类簇，对每个类簇进行凸包生成，求得每个类簇的凸包，并求取每个凸包的几何中心点；根据杆塔数据集和凸包的几何中心点，搜寻距离几何中心点最近的杆塔，作为集中器的初步选址结果；通过检验各类簇中的电表是否在所选杆塔的覆盖范围内，从而确定最终的集中器选址位置。本发明有效解决了集中器安装数量和安装位置的选取问题，为设计及施工人员进行最终的选址提供了有效的参考，具有较强的实践指导意义。

Description

一种基于聚类统计模型的智能电表集中器选址方法
技术领域
本发明涉及GIS和智能配用电网系统，特别是涉及一种基于聚类统计模型的智能电表集中器选址方法。
背景技术
现有的配用电网GIS系统，虽然已将配用电网系统与传统的GIS模块进行了一定的融合，但GIS强大的空间分析功能仍未得到充分的利用。
基于此，在探索GIS在配用电网系统中的应用时发现，根据现场环境，一般集中器选择安装在网络中心区域，然而在现实过程中，大范围区域内，如何在确保通信效果的前提下使得每个集中器接入尽可能多的电表，如何在确保完整覆盖电表的前提下安装尽量少的集中器，如何确定每片区域的中心位置进行集中器的安装等问题仍难得到高效的解决。
发明内容
发明目的：本发明要解决的技术问题是，针对智能电表的安装位置区域，如何确定该区域内集中器的安装数量和安装位置。为解决该技术问题，本发明提供了一种基于聚类统计模型的智能电表集中器选址方法。
技术方案：本发明提供了一种基于聚类统计模型的智能电表集中器选址方法，包括以下步骤：
(1)基于DBSCAN聚类算法构建聚类统计模型；
(2)聚类统计分析，采用构建的聚类统计模型进行聚类分析得到类簇的分类结果；
(3)凸包生成，根据上述聚类统计分析得到的类簇，对每个类簇进行凸包生成，求得每个类簇的凸包；
(4)集中器位置选择，求取每个凸包的几何中心点，根据杆塔数据集和凸包的几何中心点，搜寻距离几何中心点最近的杆塔，作为集中器的初步选址结果；
(5)选址结果校验，通过检验各类簇中的电表是否在所选杆塔的覆盖范围内，从而确定最终的集中器选址位置。
进一步的，所述步骤(1)具体为：基于DBSCAN聚类算法，在类簇个数不确定的前提下，通过增加约束参数，完成聚类统计模型的构建，构建后的模型包含以下参数：电表数据集A、可达半径eps、最大包含点数maxPts和最大类簇半径maxEps，可达半径用于进行电表间可达性分析、最大包含点数用于限制集中器的覆盖电表个数、最大类簇半径用于限制集中器的覆盖距离。
该步骤通过参数的设置，构建合理的聚类统计模型，将选址问题转化为分类问题。
进一步的，所述步骤(2)具体为：基于构建的聚类统计模型进行分析，具体为：
(21)初始化变量i和j，转入步骤(22)；
(22)设n为电表数据集A中电表个数，选取电表数据集A中的第i个电表ai作为初始聚类点，即第一个类簇的初始中心，转入步骤(23)；
(23)判断ai是否标记，若已标记，执行步骤(24)，否则执行步骤(26)；
(24)i＝i+1，转入步骤(25)；
(25)判断i是否小于n，若是，执行步骤(22)；否则，执行步骤(29)；
(26)j＝j+1，创建ai类簇Cj，转入步骤(27)；
(27)将Cj插入C，并标记A中与Cj对应的电表，C为最终的电表分类结果的集合，转入步骤(28)；
(28)判断Num是否小于n，Num为C中电表个数，若是，则执行步骤(24)；否则，执行步骤(29)；
(29)输出最终的电表分类结果的集合C。
该步骤采用构建的聚类统计模型进行聚类分析得到类簇的分类。
进一步的，所述步骤(3)具体为：凸包就是包含点集中所有点的最小面积的凸多边形，根据上述聚类统计分析得到的类簇，通过通用的GIS软件或者GIS开发接口求取每个类簇的凸包。
进一步的，所述步骤(4)具体为：基于步骤(3)求得的每个类簇的凸包，计算出类簇的几何中心点，根据杆塔数据集中的杆塔位置和凸包的几何中心点，搜索距离每个凸包的几何中心点最近的杆塔，搜寻得到的杆塔即为集中器的初步选址结果。
进一步的，所述步骤(5)具体为：计算初步选址结果中的杆塔到各自类簇中的电表的最远距离，若是超出最大类簇半径maxEps，则以类簇凸包的几何中心为当前类簇电表集中器的安装位置，若是没有超出最大类簇半径maxEps，则所选杆塔位置即为集中器的安装位置。
该步骤通过检验各类簇中的电表是否在所选杆塔的覆盖范围内，从而确定最终的集中器选址位置。
有益效果：与现有技术相比，本发明的基于聚类统计模型的智能电表集中器选址方法，有效解决了集中器安装数量和安装位置的选取问题，为设计及施工人员进行最终的选址提供了有效的参考，具有较强的实践指导意义。本发明以电表间的空间距离作为影响因素对智能电表进行空间分析，根据凸包和最近邻原则，确定区域内集中器的安装个数和位置，从而为集中器的选址问题提出参考方案，依据参考方案，按照采用的通信方式排除有明显地物遮挡的位置，从而得出优化的选址结果，这对于智能电表集中器的选址有着重要的实践指导意义。空间距离是指在空间上地理对象之间的连通距离。
附图说明
图1是本发明方法的流程图；
图2是本发明的聚类统计模型图；
图3是聚类分析算法流程图；
图4是类簇生成算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案进行详细说明。
本发明的一种基于聚类统计模型的智能电表集中器选址方法，首先通过输入电表数据集、杆塔数据集、可达半径、最大包含点数和最大类簇半径这五个参数完成聚类统计模型的构建，其中，杆塔数据集是安装电力设备的杆塔的位置数据的集合。然后进行聚类统计分析，得到类簇的分类结果，然后根据分类结果进行凸包的生成，得到凸包的几何中心点，然后结合杆塔数据集进行计算，完成集中器位置的计算，最后进行选址结果校验，完成最终的选址。
如图1所示，该选址方法具体包括以下步骤：
(1)基于DBSCAN聚类算法构建聚类统计模型
基于DBSCAN(Density-Based Spatial Clustering of Applications withNoise)聚类算法，在类簇(数据对象的集合)个数不确定的前提下，通过增加约束参数，完成聚类统计模型的构建，将选址问题转化为分类问题。构建后的模型包含以下参数：电表数据集A、可达半径eps(电表到类簇中心的距离)、最大包含点数maxPts(类簇最多包含的电表个数)和最大类簇半径maxEps(类簇的最大半径)，可达半径用于进行电表间可达性分析、最大包含点数用于限制集中器的覆盖电表个数、最大类簇半径用于限制集中器的覆盖距离。如图2所示为构建的一种聚类统计模型图。
(2)聚类统计分析，采用构建的聚类统计模型进行聚类分析得到类簇的分类结果
基于上述构建的聚类统计模型进行分析，以预先设置的聚类统计模型中的四个参数作为依据，输入模型参数，选取电表数据集A中的任意电表作为初始聚类点(第一个类簇的初始中心)，搜索与其距离在可达半径eps之内的所有电表，将其标记为一个集合A1，将集合A1内的电表按照到初始聚类点的距离由近及远的原则依次加入类簇C中，直至类簇C中电表个数达到最大包含点数maxPts，若类簇C中电表个数小于最大包含点数maxPts，则对A1中电表向外扩散搜寻在可达半径eps内且到初始聚类点的距离小于最大类簇半径maxEps的电表集合A2，同样按照到初始聚类点的距离依次加入到类簇C中，如此迭代，直至类簇C中的电表个数达到最大包含点数maxPts，或搜寻到的Ai(对A1中电表向外扩散搜寻在可达半径eps内且到初始聚类点的距离小于最大类簇半径maxEps的电表集合)为空，从而结束本次聚类，并进行标记，如此，认为得到一个类簇，然后对剩余未标记电表进行上述步骤的聚类，直至所有的电表都被标记完，从而确定区域范围内电表的最终分类。
如图3所示，聚类分析算法流程具体为：
(21)初始化变量i和j，令i＝1、j＝0，转入步骤(22)；
(22)设n为电表数据集A中电表个数，选取电表数据集A中的第i个电表ai(i＝1,2，…，n)作为初始聚类点(第一个类簇的初始中心)，转入步骤(23)；
(23)判断ai是否标记，若已标记，执行步骤(24)，否则执行步骤(26)；
(24)i＝i+1，转入步骤(25)；
(25)判断i是否小于n，若是，执行步骤(22)；否则，执行步骤(29)；
(26)j＝j+1，创建ai类簇Cj，转入步骤(27)；
(27)将Cj插入C，并标记A中与Cj对应的电表，C为最终的电表分类结果的集合，转入步骤(28)；
(28)判断Num是否小于n，Num为C中电表个数，若是，则执行步骤(24)；否则，执行步骤(29)；
(29)输出最终的电表分类结果的集合C。
从而完成区域范围内电表的最终分类。
如图4所示，为类簇生成算法流程图，输入参数电表ai进行类簇Cj的生成，具体为：
(201)输入聚类统计模型的参数，电表ai，并初始化类簇Cj，这里初始化的类簇Cj是一个空的集合，转入(202)；
(202)初始化空集T和B，将ai加入T，初始化m＝1，转入(203)；
(203)初始化x＝1，转入(204)；
(204)获取电表数据集A中电表个数n，获取T中电表个数，t转入(205)；
(205)判断ax是否标记，若标记，转入(206)，否则，转入(210)；
(206)x＝x+1，转入(207)；
(207)判断x是否小于n，若是，则转入(204)，否则，转入(208)；
(208)判断m是否小于t，若是，则转入(209)，否则，转入(214)；
(209)m＝m+1，转入(203)；
(210)判断ax是否属于B，若是，则转入(206)，否则，转入(211)；
(211)判断D(tmax)是否同时小于等于eps和maxEps，D(tmax)是tm和ax之间的距离，若是，转入(212)，否则，转入(206)；
(212)将ax插入B，转入(213)；
(213)判断x是否小于n，若是，则转入(206)，否则，转入(214)；
(214)判断Num(B)是否大于等于maxPts-Num(Cj)，其中Num(B)是B中电表个数，Num(Cj)是类簇Cj中电表个数，若是，则转入(218)，否则，转入(215)；
(215)判断Num(B)是否为0，若是，则转入(216)，否则，转入(218)；
(216)标记A中在B中存在的电表，对m重新赋值，m＝1，转入(217)；
(217)将B赋值给T，转入(204)；
(218)将B中电表按照距离D(tmax)从小到大进行排序，初始化y＝1，转入(219)；
(219)读取数据集B，by为B中电表，转入(220)；
(220)将by插入类簇Cj中，并标记，转入(221)；
(221)判断y是否小于maxPts-Num(Cj)，若是，则转入(222)，否则，转入(223)；
(222)y＝y+1，转入(219)；
(223)输出类簇Cj。
(3)凸包生成，根据上述聚类统计分析得到的类簇，对每个类簇进行凸包生成，求得每个类簇的凸包；
凸包就是包含点集中所有点的最小面积的凸多边形，根据上述聚类统计分析得到的类簇，通过通用的GIS软件或者GIS开发接口求取每个类簇的凸包。
(4)集中器位置选择，根据杆塔数据集和凸包的几何中心点，搜寻距离几何中心点最近的杆塔，作为集中器的初步选址结果；
基于上述求得的凸包，求得每个凸包的几何中心点，根据杆塔数据集中的杆塔位置，搜索距离每个凸包的几何中心点最近的杆塔，搜寻得到的杆塔即为集中器的初步选址结果。
(5)选址结果校验，通过检验各类簇中的电表是否在所选杆塔的覆盖范围内，从而确定最终的集中器选址位置；
计算初步选址结果中的杆塔到各自类簇中的电表的最远距离，若是超出最大类簇半径maxEps，则以类簇凸包的几何中心为当前类簇电表集中器的安装位置，若是没有超出最大类簇半径maxEps，则所选杆塔位置即为集中器的安装位置。

Claims (6)

1.一种基于聚类统计模型的智能电表集中器选址方法，其特征在于，包括以下步骤：
(1)基于DBSCAN聚类算法构建聚类统计模型；
(2)聚类统计分析，采用构建的聚类统计模型进行聚类分析得到类簇的分类结果；
(3)凸包生成，根据上述聚类统计分析得到的类簇，对每个类簇进行凸包生成，求得每个类簇的凸包；
(4)集中器位置选择，求取每个凸包的几何中心点，根据杆塔数据集和凸包的几何中心点，搜寻距离几何中心点最近的杆塔，作为集中器的初步选址结果；
(5)选址结果校验，通过检验各类簇中的电表是否在所选杆塔的覆盖范围内，从而确定最终的集中器选址位置。
2.根据权利要求1所述的一种基于聚类统计模型的智能电表集中器选址方法，其特征在于，所述步骤(1)具体为：基于DBSCAN聚类算法，在类簇个数不确定的前提下，通过增加约束参数，完成聚类统计模型的构建，构建后的模型包含以下参数：电表数据集A、可达半径eps、最大包含点数maxPts和最大类簇半径maxEps，可达半径用于进行电表间可达性分析、最大包含点数用于限制集中器的覆盖电表个数、最大类簇半径用于限制集中器的覆盖距离。
3.根据权利要求1所述的一种基于聚类统计模型的智能电表集中器选址方法，其特征在于，所述步骤(2)具体为：基于构建的聚类统计模型进行分析，具体为：
(21)初始化变量i和j，转入步骤(22)；
(22)设n为电表数据集A中电表个数，选取电表数据集A中的第i个电表ai作为初始聚类点，即第一个类簇的初始中心，转入步骤(23)；
(23)判断ai是否标记，若已标记，执行步骤(24)，否则执行步骤(26)；
(24)i＝i+1，转入步骤(25)；
(25)判断i是否小于n，若是，执行步骤(22)；否则，执行步骤(29)；
(26)j＝j+1，创建ai类簇Cj，转入步骤(27)；
(27)将Cj插入C，并标记A中与Cj对应的电表，C为最终的电表分类结果的集合，转入步骤(28)；
(28)判断Num是否小于n，Num为C中电表个数，若是，则执行步骤(24)；否则，执行步骤(29)；
(29)输出最终的电表分类结果的集合C。
4.根据权利要求1所述的一种基于聚类统计模型的智能电表集中器选址方法，其特征在于，所述步骤(3)具体为：凸包就是包含点集中所有点的最小面积的凸多边形，根据上述聚类统计分析得到的类簇，通过通用的GIS软件或者GIS开发接口求取每个类簇的凸包。
5.根据权利要求1所述的一种基于聚类统计模型的智能电表集中器选址方法，其特征在于，所述步骤(4)具体为：基于步骤(3)求得的每个凸包的几何中心点，根据杆塔数据集中的杆塔位置，搜索距离每个凸包的几何中心点最近的杆塔，搜寻得到的杆塔即为集中器的初步选址结果。
6.根据权利要求1所述的一种基于聚类统计模型的智能电表集中器选址方法，其特征在于，所述步骤(5)具体为：计算初步选址结果中的杆塔到各自类簇中的电表的最远距离，若是超出最大类簇半径maxEps，则以类簇凸包的几何中心为当前类簇电表集中器的安装位置，若是没有超出最大类簇半径maxEps，则所选杆塔位置即为集中器的安装位置。
CN201810538135.1A 2018-05-30 2018-05-30 一种基于聚类统计模型的智能电表集中器选址方法 Active CN108833144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810538135.1A CN108833144B (zh) 2018-05-30 2018-05-30 一种基于聚类统计模型的智能电表集中器选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810538135.1A CN108833144B (zh) 2018-05-30 2018-05-30 一种基于聚类统计模型的智能电表集中器选址方法

Publications (2)

Publication Number Publication Date
CN108833144A true CN108833144A (zh) 2018-11-16
CN108833144B CN108833144B (zh) 2021-01-26

Family

ID=64146342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810538135.1A Active CN108833144B (zh) 2018-05-30 2018-05-30 一种基于聚类统计模型的智能电表集中器选址方法

Country Status (1)

Country Link
CN (1) CN108833144B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197221A (zh) * 2019-05-27 2019-09-03 宁夏隆基宁光仪表股份有限公司 基于层次分析法确定智能仪表抄表集中器安装位置的方法
CN111563630A (zh) * 2020-05-11 2020-08-21 圆通速递有限公司 基于地址经纬度聚类的物流服务网点布局方法和系统
CN112733309A (zh) * 2021-01-25 2021-04-30 珠海格力电器股份有限公司 布设位置的确定方法和装置、电子设备和存储介质
WO2021164153A1 (zh) * 2020-02-21 2021-08-26 华北电力大学 一种智能电表的配置方法、装置及计算设备
CN116881372A (zh) * 2023-09-08 2023-10-13 清华大学 基于物联网的水表计量大数据优化处理方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106059816A (zh) * 2016-06-17 2016-10-26 中联物流（中国）有限公司 中转库选址方法和系统
JP2017107385A (ja) * 2015-12-09 2017-06-15 日本電信電話株式会社 タスク割当装置、方法、及びプログラム
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法
CN107016451A (zh) * 2016-10-11 2017-08-04 蔚来汽车有限公司 基于聚类分析的换电站选址方法
CN107703847A (zh) * 2017-09-29 2018-02-16 泰华智慧产业集团股份有限公司 一种集控器选址方法及传感器监控系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017107385A (ja) * 2015-12-09 2017-06-15 日本電信電話株式会社 タスク割当装置、方法、及びプログラム
CN106059816A (zh) * 2016-06-17 2016-10-26 中联物流（中国）有限公司 中转库选址方法和系统
CN107016451A (zh) * 2016-10-11 2017-08-04 蔚来汽车有限公司 基于聚类分析的换电站选址方法
CN106951978A (zh) * 2017-02-20 2017-07-14 国网天津市电力公司 一种基于改进K‑means算法的城市集中型充电站规划方法
CN107703847A (zh) * 2017-09-29 2018-02-16 泰华智慧产业集团股份有限公司 一种集控器选址方法及传感器监控系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BAIA SHETTY等: "The K-coverage concentrator location problem", 《ELSEVIER》 *
MORITZ A. DREXL: "An approximation algorithm for the k-Level Concentrator Location Problem", 《ELSEVIER》 *
孙华标，陈彦仓: "基于动态聚类的集中器选址方法", 《计算机技术与自动化》 *
董志: "利用DBSCAN 实现约束条件下的空间聚类分析", 《电脑编程技巧与维护》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197221A (zh) * 2019-05-27 2019-09-03 宁夏隆基宁光仪表股份有限公司 基于层次分析法确定智能仪表抄表集中器安装位置的方法
WO2021164153A1 (zh) * 2020-02-21 2021-08-26 华北电力大学 一种智能电表的配置方法、装置及计算设备
CN111563630A (zh) * 2020-05-11 2020-08-21 圆通速递有限公司 基于地址经纬度聚类的物流服务网点布局方法和系统
CN112733309A (zh) * 2021-01-25 2021-04-30 珠海格力电器股份有限公司 布设位置的确定方法和装置、电子设备和存储介质
CN116881372A (zh) * 2023-09-08 2023-10-13 清华大学 基于物联网的水表计量大数据优化处理方法及系统
CN116881372B (zh) * 2023-09-08 2023-12-05 清华大学 基于物联网的水表计量大数据优化处理方法及系统

Also Published As

Publication number Publication date
CN108833144B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN108833144A (zh) 一种基于聚类统计模型的智能电表集中器选址方法
CN109214599B (zh) 一种对复杂网络进行链路预测的方法
Miraftabzadeh et al. K-means and alternative clustering methods in modern power systems
CN103198139B (zh) 用户电力数据的用能分析方法
CN114880884B (zh) 一种基于数字化能源系统的专业化建模分析方法及系统
CN112686582B (zh) 基于多源异构数据挖掘的综合能源园区的智能运维系统
CN111612273A (zh) 一种区域级综合能源系统分区设计方法及系统
CN108197837A (zh) 基于KMeans聚类的光伏发电预测方法
CN112464545B (zh) 海上风电场电缆及变电站的布局方法、系统、设备及介质
Hu et al. Edge intelligence for real-time data analytics in an IoT-based smart metering system
Wu et al. Graph attention enabled convolutional network for distribution system probabilistic power flow
CN110782071A (zh) 基于时空特性融合的卷积神经网络进行风电功率预测方法
CN104978605A (zh) 基于深度学习网络的大规模风电功率预测系统及方法
CN105260572A (zh) 一种风机叶片建模软件调用系统及其调用方法
CN107786989A (zh) 一种Lora智能水表网络网关部署方法及装置
CN106658570A (zh) 基于二次栅格划分的移动sink信息收集路径构建方法
Mochinski et al. Developing an Intelligent Decision Support System for large-scale smart grid communication network planning
CN109638892A (zh) 一种基于改进模糊聚类算法的光伏电站等值建模方法
CN102426676A (zh) 一种智能用电策略的特征提取方法
CN112488343B (zh) 一种基于超启发式算法的智慧城市智能感知终端选址方法
Lydia et al. Generation of dynamic energy management using data mining techniques basing on big data analytics isssues in smart grids
Krömer et al. WIND ENERGY POTENTIAL ASSESSMENT BASED ON WIND DIRECTION MODELLING AND MACHINE LEARNING.
Huang et al. Optimization of Substation Siting and Connection Topology in Offshore Wind Farm Based on Modified Firefly Algorithm
CN114723229A (zh) 一种基于智能遥感系统的柔性互联装置选址方法及系统
CN107248926A (zh) 一种面向多目标的epon规划方法

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