CN109446243B - 一种基于大数据分析检测光伏电站发电异常的方法 - Google Patents

一种基于大数据分析检测光伏电站发电异常的方法 Download PDF

Info

Publication number
CN109446243B
CN109446243B CN201811448881.8A CN201811448881A CN109446243B CN 109446243 B CN109446243 B CN 109446243B CN 201811448881 A CN201811448881 A CN 201811448881A CN 109446243 B CN109446243 B CN 109446243B
Authority
CN
China
Prior art keywords
class
power station
power
stations
power generation
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.)
Active
Application number
CN201811448881.8A
Other languages
English (en)
Other versions
CN109446243A (zh
Inventor
庞博
平凯
刘震宇
常生强
袁玉宝
马斌
叶进
陈洪雨
陈贺
曹晓光
李晓楠
王宁
王会平
杜晓刚
张伟
张奎仲
张向平
李春海
高胜国
杜宝瑞
屈爱艳
王欣
孙海宁
王旭峰
赵鹏
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.)
Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
Original Assignee
Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
Shijiazhuang Kelin Electric 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 Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd, Shijiazhuang Kelin Electric Co Ltd filed Critical Chengde Power Supply Co of State Grid Jibei Electric Power Co Ltd
Priority to CN201811448881.8A priority Critical patent/CN109446243B/zh
Publication of CN109446243A publication Critical patent/CN109446243A/zh
Application granted granted Critical
Publication of CN109446243B publication Critical patent/CN109446243B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于大数据分析检测光伏电站发电异常的方法，涉及大数据分析方法，具体涉及在大量分布式光伏电站监测系统中，根据大数据分析检测光伏电站发电情况的方法，属于发电监测技术领域。首先对光伏电站进行聚类，当天发电结束后，计算每个类中所有的光伏电站单位面积日平均发电量，据此找出问题电站。聚类采用DBSCAN算法，然后对类进行合并、拆分处理，并将噪点电站归到临近的类中。采用本发明提出的方法，每个聚类中的分布式光伏电站地理位置比较接近，受天气的影响基本一致，发电情况具有可比性。每个电站和相似条件的电站进行比对，能够准确地找出发电情况异常的电站。

Description

一种基于大数据分析检测光伏电站发电异常的方法
技术领域
本发明涉及大数据分析方法，具体涉及在大量分布式光伏电站监测系统中，根据大数据分析检测光伏电站发电情况的方法，属于发电监测技术领域。
背景技术
太阳能发电作为一种清洁新能源自诞生以来倍受世界各国的青睐，随着技术的进步和成本的降低，太阳能发电出现了各种发展形式，其中分布式光伏电站以其装机容量小、初始投资和后期运维成本低、建设周期短、能够实现就近供电等特点在我国得到迅猛的发展。
分布式光伏电站的特点是地理位置偏远、分散。随着分布式光伏电站数量的不断增加，运维的问题已经浮现。如何尽早发现故障电站、尽快排除故障，是提高管理水平、发挥电站最大效率，进而增加企业利润的关键之一。
一般来说，相邻的电站，光照条件基本相同，它们的单位面积平均发电量应该差别不大。根据以上原则，在一定地域范围内，如果某个电站的平均面积发电量明显低于其它电站，则可以认为该电站异常。
如何将大量的光伏电站，按照一定的规律进行分类是采用以上方法检测电站发电异常的基础。
最直观的，可以单纯依靠电站的经纬度进行分块：以某一经纬度为中心，将距中心一定距离内的电站合并为一个类进行比较。这种方式，容易产生以下问题：1、将距离接近的电站分割成多个类别，2、范围太大，将不同光照条件下的电站合并成一类。
聚类是数据挖掘中的重要技术，可以应用在光伏电站的分类。
聚类是把一组个体按照相似性归成若干类别，其中基于密度的算法由于可以发现任意形状的聚簇且能较好地处理噪声数据，受到越来越广泛的关注。
DBSCAN（Density-Based Spatial Clustering of Applications with Noise）是一个出现得比较早（1996年），比较有代表性的基于密度的聚类算法。算法的主要目标是相比基于划分的聚类方法和层次聚类方法，需要更少的领域知识来确定输入参数；发现任意形状的聚簇；在大规模数据库上更好的效率。DBSCAN能够将足够高密度的区域划分成簇，并能在具有噪声的空间数据库中发现任意形状的簇。
具体到光伏发电站的分类，该算法还存在一定缺陷：如果电站在一个大范围内建设的比较密集，会将光照条件不一样的电站聚为一个很大的类，如果某一地区电站建设的很稀疏，会将同等光照条件下零散的站点划分成噪点。
发明内容
本发明的目的是基于改进的DBSCAN算法，提供更科学合理的光伏电站分类，进而对发电异常的电站发出告警。
为实现上述目的，本发明采用以下技术方案：基于大数据分析检测光伏电站发电异常的方法，包括以下步骤：
步骤1：对光伏电站进行聚类。
步骤2：当天发电结束后，计算每个类中所有的光伏电站单位面积日平均发电量A，设定百分比per，当该类中某一电站单位面积日平均发电量小于per*A时，认定这个电站是问题电站。
步骤1中，对光伏电站使用DBSCAN 算法进行聚类，包括以下步骤：
步骤1.1：获取所有光伏电站的经纬度数据。
步骤1.2：设置光伏电站同一聚类的检测半径Eps和半径区域中能够聚成一类的最少电站个数MinPts。
步骤1.3：使用DBSCAN 算法进行聚类，得到聚类结果。
步骤1.4：设置类中心间距minDistance，检测步骤1.3得到的聚类结果，当两个类的中心间距小于minDistance时，将其合并。
步骤1.5：设置一个类的最大距离参数maxDistance，检测步骤1.4得到的聚类结果，当某个类中光伏电站的分布区域范围大于maxDistance时，减小检测半径Eps，对该类中的光伏电站使用DBSCAN 算法再次进行聚类。
进一步地，还对噪点进行处理。
进一步地，针对新增电站，不用再对所有电站再进行分类，只单独处理。
某一区域的光伏发电站受控于监控系统，监控系统通信连接所有光伏电站，存储电站的经纬度，实时获取各电站的发电情况并存储历史信息。光伏电站的分类和判断是否为问题电站由监控系统完成，并针对问题电站推送告警信息。
本发明中，首先用标准DBSCAN 算法对电站进行分类，然后根据类中电站的分布进一步进行合并和拆分，如果存在噪点，进行噪点处理，使得各类中的电站处于基本相同的光照条件下，适合做类比和判断。
本发明的有益效果是：通过对DBSCAN算法聚类得到的结果进行处理，避免了DBSCAN算法在样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差，样本量大时需要较长的聚类收敛时间且会产生很多无法聚类的噪声点的问题，使分布式光伏电站得到了很好的聚类效果。每个聚类中的分布式光伏电站地理位置比较接近，受天气的影响基本一致，发电情况具有可比性。每个电站和相似条件的电站进行比对，能够准确地找出发电情况异常的电站。
附图说明
图1是分类算法流程图，
图2是实施例的电站分布图，蝌蚪形图标代表电站，
图3是初步分类的结果，封闭曲线包围的为一个类，
图4是类合并的结果，
图5是类拆分的结果，
图6是噪点处理后的结果，
图7是电站分布示意图，黑点代表电站，
图8是图7的初步分类示意图，
图9是图8中的类合并后的示意图，
图10是图9中的类拆分后的示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
一种基于大数据分析检测光伏电站发电异常的方法，基于光伏电站监控系统实现。首先对光伏电站进行聚类；当天发电结束后，计算每个类中所有的光伏电站单位面积日平均发电量A，设定百分比per，当该类中某一电站单位面积日平均发电量小于per*A时，认定这个电站是问题电站。图1给出了上述方法的流程图。
百分比per设定为70%至80%之间。由于全球范围内气象条件千变万化，所有区域都使用一个值，误报的情况会增多，因此per可以根据地域不同设定不同的值，也可以在系统运行过程中，根据实际情况，每个类赋予不同的值。
光伏电站进行聚类包括以下步骤。
使用标准算法进行聚类。
步骤1.1：获取所有光伏电站的经纬度数据。
分布式光伏电站组成的集合为P 1 ,P 2 ,... ...,P n ，每一个分布式光伏电站用经纬度坐标来表示P i (Lat,Long)。
步骤1.2：设置光伏电站同一聚类的检测半径Eps和半径区域中能够聚成一类的最少电站个数MinPts。
根据区域内电站分布的密度，设定Eps和MinPts。本实施例中，取Eps为7km，MinPts为7个。
步骤1.3：使用DBSCAN 算法进行聚类，得到聚类结果。
本步骤是用标准DBSCAN 算法对电站进行初步分类，得到聚类结果C 1 ,C 2 ,... ..., C m 。
如图8所示，将图7中的电站分成了封闭曲线包围的3个类。
对初步分类结果进行优化处理。
步骤1.4：设置类中心间距minDistance，检测步骤1.3得到的聚类结果，当两个类的中心间距小于minDistance时，将其合并。
本步骤是对相邻很近的类进行合并。产生这样类的原因是：DBSCAN很好的适用于任意形状的聚类，但存在这种可能：类边界上的电站，Eps范围内没有MinPts个邻居电站，但从整体上看，两个类可能中心距离很近。
类中心是指类中所有电站的横纵坐标的平均值。本实施例中，minDistance设置为10Km。
如图9所示，右边两个类相距很近，将其合并为1个类。
步骤1.5：设置一个类的最大距离参数maxDistance，检测步骤1.4得到的聚类结果，当某个类中光伏电站的分布区域范围大于maxDistance时，减小检测半径Eps，对该类中的光伏电站使用DBSCAN 算法再次进行聚类。
本步骤是对异常大类进行拆分。产生这样类的原因：在很大一个地域范围内，电站分布连续且密集。
分布区域范围一个类中两个相距最远的电站距离。本实施例中，maxDistance设置为40Km，Eps检测半径每次减小10%，即以原Eps的90%作为新的检测半径。
另外，还可以增大MinPts，或同时减小Eps和增大MinPts，再进行聚类。
上述过程可以多次判断条件，重复执行类的合并和拆分。重复执行拆分时，每次检测Eps半径减小10%。
如图10所示，左边的类地域分布太大，超过maxDistance，将其分成2个类；右边合并后的类，地域分布没有超过maxDistance，保持分类结果。
噪点处理。
上述聚类完成后，有可能会产生没有归属的噪点电站，本发明的处理方法是将噪点电站归到最近的类中。
以噪点电站为中心，一定距离为半径寻找周围电站，会产生三个结果：1、搜索范围内无电站，2、搜索范围内有电站，但搜索到的电站中不含边界点，即搜索到的电站都是噪点，不归属任何类，3、搜索范围内有电站，且含有边界点，即搜索结构中，有归属某一类的电站。
对于第3种结果，将噪点电站归为距离最近的边界点的类别；对于第2种结果，可以将两个或多个噪点电站归为一类；对于第一种结果，令其自称一类。
综合上述方法，本发明的处理步骤为：
步骤1.6：如果聚类的结果有噪点，设置半径noiseEps，如果以噪点为中心，半径noiseEps内有邻居且包含边界点，将该噪点归为距离最近的边界点所归属的类。
如果步骤1.6中，噪点不能归为某一类，则判断以该噪点为中心，半径noiseEps内是否有噪点邻居，如果有，将该噪点和噪点邻居合并为一类；否则，该噪点为单独一类。
noiseEps应大于Eps，否则没有意义，另外，考虑到两个中心间距小于minDistance的类可以合并为一类，noiseEps可以设置为与minDistance相等。本实施例中，设置为10Km。
新增电站的处理。
如果有新增的电站纳入监控，可以将所有电站重新进行聚类。本发明中，将新增电站类比噪点电站处理，步骤如下。
步骤1.7：新增电站时，设置半径newEps，计算新增电站至非噪点电站间的距离，找到最近的电站P，如果新增电站与最近电站的距离小于newEps，则将新增电站归为电站P所归属的类。
如果步骤1.7不能将新增电站归类，执行步骤1.8：计算新增电站至噪点电站间的距离，如果存在距离小于newEps的噪点电站，则将新增电站与满足条件的噪点电站归为一类；否则，新增电站为单独一类。
新增电站，首先认为其处于某一类的范围内，因此，本实施例中，newEps设置为5Km。如果不能归属到某一类，可以将该电站按照噪点进一步进行分类。
进一步的优化分类。
执行上述步骤后，一定范围内的电站已经划分到一类。但在一个类中，在电站正常时，还会产生发电量不均匀的情况。经分析，原因在于该区域中，地理环境复杂，电站安装位置、遮挡条件都会影响电站的工作。
为了解决上述问题，本发明采用两个解决方案：1、降低Eps，对该类电站重新分类；2、根据发电量进行分类。
具体为以下步骤。
每个类作为一个整体考虑，有一个单位面积日发电量曲线，每个电站同样也有单位面积日发电量曲线，曲线是由日出之后每隔15分钟取一个点，得到的单位面积日发电量曲线。
步骤1.9，对每一类，选取最近一段时间，计算该类中所有电站这一时间段内单位面积日平均发电量；将该类中所有电站作为一个整体，计算这一时间段内单位面积日平均发电量，形成一列数据作为参考标准；计算每个电站单位面积日平均发电量与参考标准之间的pearson相关系数，求出所有pearson相关系数的平均值，若平均值<0.8，拆分该类。减小Eps，对该类中的电站执行步骤1.3-1.5。
方案1：减小Eps，对该类中的电站执行步骤1.3-1.5。
方案2：拆分类的方法按相关系数的大小进行拆分。这种分类方法，脱离了DBSCAN算法，只考虑正常工作情况下的单位面积日平均发电量的相似程度。本实施例中，相关系数大于等于0.8的电站划分为一类，0.6-0.8的电站划分为一类，小于0.6的电站划分为一类。
参看图2，一个区域内的电站分布图，蝌蚪形图标代表电站。
设置Eps为7Km，MinPts为7，使用DBSCAN 算法进行聚类，得到图3的结果，封闭曲线包围的为一个类。可以看到，有很多电站是噪点，没有归到任何类中。
图4是设置minDistance为10Km，类合并后的结果，图中，下面靠右的两个类合并成了一个类。
图5是maxDistance设置为40Km，Eps检测半径减小10%后拆分的结果，图中间和右边的两个面积很大的类被拆分。
图6是噪点处理后的结果，大多数噪点都归到了临近的类中，有几个孤立的电站，单独为一类。
经过上述处理，最后的分类结果达到了本发明的目的。

Claims (7)

1.一种基于大数据分析检测光伏电站发电异常的方法，其特征在于包括以下步骤：
步骤1：对光伏电站进行聚类；
步骤2：当天发电结束后，计算每个类中所有的光伏电站单位面积日平均发电量A，设定百分比per，当该类中某一电站单位面积日平均发电量小于per*A时，认定这个电站是问题电站；
步骤1包括以下步骤：
步骤1.1：获取所有光伏电站的经纬度数据；
步骤1.2：设置光伏电站同一聚类的检测半径Eps和半径区域中能够聚成一类的最少电站个数MinPts；
步骤1.3：使用DBSCAN 算法进行聚类，得到聚类结果；
步骤1.4：设置类中心间距minDistance，检测步骤1.3得到的聚类结果，当两个类的中心间距小于minDistance时，将其合并；
步骤1.5：设置一个类的最大距离参数maxDistance，检测步骤1.4得到的聚类结果，当某个类中光伏电站的分布区域范围大于maxDistance时，减小检测半径Eps，对该类中的光伏电站使用DBSCAN 算法再次进行聚类；
步骤1.6：如果聚类的结果有噪点，设置半径noiseEps，如果以噪点为中心，半径noiseEps内有邻居且包含边界点，将该噪点归为距离最近的边界点所归属的类；如果噪点不能归为某一类，则判断以该噪点为中心，半径noiseEps内是否有噪点邻居，如果有，将该噪点和噪点邻居合并为一类；否则，该噪点为单独一类；
Eps的取值范围5Km-8Km，MinPts的取值范围5-10。
2.根据权利要求1所述的方法，其特征在于，步骤1中还包括以下步骤：
步骤1.7：新增电站时，设置半径newEps，计算新增电站至非噪点电站间的距离，找到最近的电站P，如果新增电站与最近电站的距离小于newEps，则将新增电站归为电站P所归属的类。
3.根据权利要求2所述的方法，其特征在于，如果步骤1.7不能将新增电站归类，执行步骤1.8：计算新增电站至噪点电站间的距离，如果存在距离小于newEps的噪点电站，则将新增电站与满足条件的噪点电站归为一类；否则，新增电站为单独一类。
4.根据权利要求1所述的方法，其特征在于，还包括以下步骤：
步骤1.9：对每一类，选取最近一段时间，计算该类中所有电站这一时间段内单位面积日平均发电量；将该类中所有电站作为一个整体，计算这一时间段内单位面积日平均发电量，形成一列数据作为参考标准；计算每个电站单位面积日平均发电量与参考标准之间的pearson相关系数，求出所有pearson相关系数的平均值，若平均值<0.8，拆分该类。
5.根据权利要求4所述的方法，其特征在于，拆分类的方法是减小Eps，对该类中的电站执行步骤1.3-1.5。
6.根据权利要求4所述的方法，其特征在于，拆分类的方法按相关系数的大小进行拆分。
7.根据权利要求1或5所述的方法，其特征在于，Eps按10%的比例减小。
CN201811448881.8A 2018-11-30 2018-11-30 一种基于大数据分析检测光伏电站发电异常的方法 Active CN109446243B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811448881.8A CN109446243B (zh) 2018-11-30 2018-11-30 一种基于大数据分析检测光伏电站发电异常的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811448881.8A CN109446243B (zh) 2018-11-30 2018-11-30 一种基于大数据分析检测光伏电站发电异常的方法

Publications (2)

Publication Number Publication Date
CN109446243A CN109446243A (zh) 2019-03-08
CN109446243B true CN109446243B (zh) 2022-03-01

Family

ID=65555991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811448881.8A Active CN109446243B (zh) 2018-11-30 2018-11-30 一种基于大数据分析检测光伏电站发电异常的方法

Country Status (1)

Country Link
CN (1) CN109446243B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991555A (zh) * 2019-12-16 2020-04-10 国网上海市电力公司 一种典型行业的用户用电量异常监控方法
CN111614316B (zh) * 2020-06-16 2021-06-22 国网电子商务有限公司 光伏系统发电状态监测方法及其装置
CN112328851B (zh) * 2020-11-10 2023-11-03 国能日新科技股份有限公司 分布式电源监测方法、装置及电子设备
CN113159601B (zh) * 2021-04-30 2023-05-23 国网湖北省电力有限公司武汉供电公司 一种基于dbscan聚类算法的光伏电站运行状态分析方法
CN118071178A (zh) * 2024-04-18 2024-05-24 浙江正泰智维能源服务有限公司 一种用于评估电站异常状态的方法、装置、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573879A (zh) * 2015-01-30 2015-04-29 河海大学 基于最优相似日集的光伏电站出力预测方法
CN106230378A (zh) * 2016-07-20 2016-12-14 中国电力科学研究院 一种光伏电站组串故障的诊断方法
CN206060359U (zh) * 2016-09-28 2017-03-29 石家庄科林电气股份有限公司 一种分布式光伏电站的集中监控运维系统
CN107784165A (zh) * 2017-09-29 2018-03-09 国网青海省电力公司 基于光伏电站的地表温度场多尺度资料同化方法
CN107944604A (zh) * 2017-11-10 2018-04-20 中国电力科学研究院有限公司 一种用于光伏功率预测的天气类型识别方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6344272B1 (en) * 1997-03-12 2002-02-05 Wm. Marsh Rice University Metal nanoshells
US9971764B2 (en) * 2013-07-26 2018-05-15 Genesys Telecommunications Laboratories, Inc. System and method for discovering and exploring concepts
CN104915899A (zh) * 2015-06-30 2015-09-16 许继集团有限公司 一种基于特征聚类分析的光伏电站运行状态划分方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573879A (zh) * 2015-01-30 2015-04-29 河海大学 基于最优相似日集的光伏电站出力预测方法
CN106230378A (zh) * 2016-07-20 2016-12-14 中国电力科学研究院 一种光伏电站组串故障的诊断方法
CN206060359U (zh) * 2016-09-28 2017-03-29 石家庄科林电气股份有限公司 一种分布式光伏电站的集中监控运维系统
CN107784165A (zh) * 2017-09-29 2018-03-09 国网青海省电力公司 基于光伏电站的地表温度场多尺度资料同化方法
CN107944604A (zh) * 2017-11-10 2018-04-20 中国电力科学研究院有限公司 一种用于光伏功率预测的天气类型识别方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于虚拟分区调度和二层规划的城市配电网;白牧可;《电力自动化设备》;20160530;第36卷(第5期);第141-149页 *

Also Published As

Publication number Publication date
CN109446243A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109446243B (zh) 一种基于大数据分析检测光伏电站发电异常的方法
WO2021174751A1 (zh) 基于大数据的污染源定位方法、装置、设备及存储介质
CN107610469B (zh) 一种考虑多因素影响的日维度区域交通指数预测方法
CN111861274A (zh) 一种水环境风险预测预警方法
CN108417033B (zh) 基于多维因素的高速路交通事故分析预测方法
Zhao et al. User electricity behavior analysis based on K-means plus clustering algorithm
CN105678481A (zh) 一种基于随机森林模型的管线健康状态评估方法
CN110503256A (zh) 基于大数据技术的短期负荷预测方法及系统
CN114676883A (zh) 基于大数据的电网运行管理方法、装置、设备及存储介质
CN105868887A (zh) 一种基于分项计量的楼宇综合能效分析方法
CN112363896A (zh) 日志异常检测系统
CN113408659A (zh) 一种基于数据挖掘的建筑能耗集成分析方法
Cai et al. Detecting spatial flow outliers in the presence of spatial autocorrelation
Qu et al. Research on short‐term output power forecast model of wind farm based on neural network combination algorithm
Zhu et al. Fuzzy c-means clustering identification method of urban road traffic state
CN113222368A (zh) 一种基于雨水花园监测数据的雨洪预警方法
CN116862132A (zh) 基于大数据的资源调度方法
CN116318907A (zh) 基于大数据和神经网络分析计算机网络态势的方法及系统
Christina et al. Analysis of hard clustering algorithms applicable to regionalization
Zhao et al. Spatio-temporal load forecasting considering aggregation features of electricity cells and uncertainties in input variables
CN112069633B (zh) 一种采用大数据聚类的基于粒子群原理的配电网数据预处理方法
CN115049180A (zh) 一种基于标准地址上实有人口、房屋以及单位数据分析的风险预估方法
Sukhija et al. Using Linear Regression to investigate parameters associated with Rape crime in Haryana
CN108123436B (zh) 基于主成分分析和多元回归算法的电压越限预测模型
Hu et al. A Bad Data Identification Method for Multiple Spatio-temporal Data in Power Distribution Network

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
CB03 Change of inventor or designer information

Inventor after: Pang Bo

Inventor after: Cao Xiaoguang

Inventor after: Li Xiaonan

Inventor after: Wang Ning

Inventor after: Wang Huiping

Inventor after: Du Xiaogang

Inventor after: Zhang Wei

Inventor after: Zhang Kuizhong

Inventor after: Zhang Xiangping

Inventor after: Li Chunhai

Inventor after: Gao Shengguo

Inventor after: Ping Kai

Inventor after: Du Baorui

Inventor after: Qu Aiyan

Inventor after: Wang Xin

Inventor after: Sun Haining

Inventor after: Wang Xufeng

Inventor after: Zhao Peng

Inventor after: Liu Zhenyu

Inventor after: Chang Shengqiang

Inventor after: Yuan Yubao

Inventor after: Ma Bin

Inventor after: Ye Jin

Inventor after: Chen Hongyu

Inventor after: Chen He

Inventor before: Ping Kai

Inventor before: Wang Ning

Inventor before: Wang Huiping

Inventor before: Du Xiaogang

Inventor before: Zhang Wei

Inventor before: Wang Xufeng

Inventor before: Zhang Kuizhong

Inventor before: Zhang Xiangping

Inventor before: Li Chunhai

Inventor before: Gao Shengguo

Inventor before: Zhao Peng

Inventor before: Chang Shengqiang

Inventor before: Du Baorui

Inventor before: Qu Aiyan

Inventor before: Wang Xin

Inventor before: Sun Haining

Inventor before: Yuan Yubao

Inventor before: Ye Jin

Inventor before: Chen Hongyu

Inventor before: Chen He

Inventor before: Ma Bin

Inventor before: Cao Xiaoguang

Inventor before: Li Xiaonan

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20191219

Address after: 067000 Xinhua Road 10, Shuangqiao District, Hebei, Chengde

Applicant after: Chengde Power Supply Company of State Grid Jibei Electric Power Company Limited

Applicant after: Shijiazhuang KE Electric Co.,Ltd.

Address before: 050222 south wall section of Hongqi Street, Hebei, Shijiazhuang (South court)

Applicant before: Shijiazhuang KE Electric Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant