CN110059938B - 一种基于关联规则驱动的配电网规划方法 - Google Patents

一种基于关联规则驱动的配电网规划方法 Download PDF

Info

Publication number
CN110059938B
CN110059938B CN201910248841.7A CN201910248841A CN110059938B CN 110059938 B CN110059938 B CN 110059938B CN 201910248841 A CN201910248841 A CN 201910248841A CN 110059938 B CN110059938 B CN 110059938B
Authority
CN
China
Prior art keywords
distribution network
power distribution
measures
association rule
reliability
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
CN201910248841.7A
Other languages
English (en)
Other versions
CN110059938A (zh
Inventor
向月
刘俊勇
柴雁欣
魏翔宇
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201910248841.7A priority Critical patent/CN110059938B/zh
Publication of CN110059938A publication Critical patent/CN110059938A/zh
Application granted granted Critical
Publication of CN110059938B publication Critical patent/CN110059938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)

Abstract

本发明提供了一种基于关联规则驱动的配电网规划方法，包括如下步骤：确定配电网改造措施的可靠性指标；通过神经网络训练配电网改造措施与所述可靠性指标的关联规则；通过基于关联规则驱动的配电网规划优选模型对所述关联规则进行求解，从而实现对配电网的规划。本发明通过以上设计解决了配电网改造措施与可靠性指标之间的关联分析问题。本发明不仅求解过程简单，求解速度快，可操作性强，而且还能根据各地区对配电网可靠性要求，灵活选取规划方案。

Description

一种基于关联规则驱动的配电网规划方法
技术领域
本发明属于配电网规划技术领域，尤其涉及一种基于关联规则驱动的配电网规划方法。
背景技术
关联规则分析在发现问题潜在规律和提高计算效率等方面具有较大优势，常用的算法有回归分析、SVM和人工神经网络等，其中，人工神经网络具有较好的自学习能力和高速的寻优能力，被广泛应用于配电网供电性能指标评估中。在配电网规划方面，部分研究针对城市电网辐射状运行的特点,提出多层Hopfield神经络模型、对应的能量函数以及参数选择规律，部分研究采用级联相关神经网络分析了可中断负荷模型对配电网可靠性的关联性，但却不能很好的解决配电网改造措施与可靠性指标之间的关联问题。为了提高神经网络的预测精度，关联规则挖掘方法可以作为配电网规划中改造措施与可靠性指标关联规则分析的新思路。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于关联规则驱动的配电网规划方法解决了配电网改造措施与可靠性指标之间的关联分析问题。
为了达到以上目的，本发明采用的技术方案为：
本方案提供一种基于关联规则驱动的配电网规划方法，包括如下步骤：
(S1)确定配电网改造措施的可靠性指标；
(S2)根据所述可靠性指标，通过神经网络训练所述可靠性指标与配电网改造措施的关联规则；
(S3)通过配电网规划模型对所述关联规则进行求解，从而实现对配电网的规划。
进一步地，所述步骤(S1)中确定配电网改造措施的可靠性指标，其具体为根据用户一年内平均停电时间、系统期望缺供电量以及供电可靠率指标的统计值确定配电网改造措施的可靠性指标。
再进一步地，所述步骤(S2)包括如下步骤：
(a1)通过仿真获取配电网加入改造措施后的仿真模拟数据，并计算配电网加入改造措施的可靠性指标；
(a2)将配电网的改造措施、节点负荷量以及分布式电源多元主体的出力情况作为神经网络的输入向量，将配电网改造措施的可靠性指标作为神经网络的输出向量；
(a3)根据所述输入向量与所述输出向量，利用下降梯度法实现神经网络权值与阈值更新，并通过遗传算法对神经网络进行阈值与权值寻优，从而实现对配电网改造措施与所述可靠性指标的关联规则分析。
再进一步地，所述步骤(S3)包括如下步骤：
(b1)构建目标函数，其表达式如下：
max F(Xi)；
(b2)根据所述目标函数确定配电网改造措施的决策变量约束，其表达式如下：
s.t.{X1,X2,...,Xn}∈ψ(Xi)
Figure BDA0002011809110000021
(b3)根据所述配电网改造措施的决策变量约束，利用神经网络的关联规则对所述配电网规划优选模型进行求解，从而实现对配电网的规划，其表达式如下：
Φi(Ii,Xi,w,t,w',t')＝0
以上各式中，F为目标函数，s.t.为改造措施的约束条件，n为决策变量的数目，w与t分别为输入层与隐含层间的权值和阈值，w'为与t'分别为隐含层与输出层间的权值与阈值，Ii为配电网性能指标，Xi为配电网改造措施，ψ(Xi)配电网改造措施集，Φi为基于神经网络的关联规则隐函数，
Figure BDA0002011809110000031
和
Figure BDA0002011809110000032
分别为配电网改造措施Xi的上下限。
再进一步，所述步骤(b2)中所述配电网改造措施的决策变量约束还包括配电网部分改造措施的决策变量约束，其表达式如下：
Figure BDA0002011809110000033
其中，
Figure BDA0002011809110000034
和
Figure BDA0002011809110000035
分别为二遥、三遥装置安装数量上限和分布式电源容量上限，
Figure BDA0002011809110000036
和
Figure BDA0002011809110000037
分别为配电网规划导则中规定的分段数上限和馈线初始分段数，Xi为配电网改造措施。
再进一步地，所述步骤(b1)中构建目标函数，包括固定可靠性要求下以降低投入量为目标以及固定投入量要求下以提升可靠性为目标构建目标函数。
再进一步地，所述固定可靠性要求下以降低投入量为目标构建目标函数，其表达式如下：
Figure BDA0002011809110000038
CEESS＝IECEU
min C(Xi)＝Cinvest+CEENS
Figure BDA0002011809110000039
其中，Cinvest和CEENS分别为年的投入量和停电量，对于基础设施和现代化设施建设改造，
Figure BDA0002011809110000041
为改造措施Xi的初始投入量，对于管理技术提升措施，
Figure BDA0002011809110000042
为年平均投入量，Ri为第i类改造措施的等年值投入系数且
Figure BDA0002011809110000043
r为投入回收率，
Figure BDA0002011809110000044
为改造措施Xi的运行投入，E为所有馈线的集合，I和
Figure BDA0002011809110000045
是实施改造措施前后的配电网可靠性指标值，ΔIset是需要满足的配电网性能指标提升程度最小值，CEU为馈线的单位停电率，由负荷类型确定，Cinvest和CEENS分别为年的投入量和停电量，I和
Figure BDA0002011809110000048
是实施改造措施前后的配电网可靠性指标值，Cmax为最大投入量。
再进一步地，所述固定投入量要求下以提升可靠性为目标构建目标函数，其表达式如下：
Figure BDA0002011809110000046
Cinvest+CEENS≤Cmax
其中，Cinvest和CEENS分别为年的投入量和停电量，I和
Figure BDA0002011809110000047
是实施改造措施前后的配电网可靠性指标值，Cmax为最大投入量。
本发明的有益效果：
(1)本发明首先获取原始数据，将一年中配电网网络各节点负荷量、改造措施实施情况等作为输入样本，输入缺供电量预测神经网络中，通过训练得到两者的关联规则，在得到关联规则之后，即可通过基于关联规则驱动的配电网规划优选模型进行模型求解，本发明通过以上设计解决了配电网改造措施与可靠性指标之间的关联分析问题，本发明不仅求解过程简单，求解速度快，可操作性强，而且还能根据各地区对配电网可靠性要求，灵活选取规划方案；
(2)本发明通过采用遗传算法对神经网络进行阈值与权值寻优处理，有效地提高了预测精度，为配电网规划提供了良好的条件；
(3)本发明利用关联规则，并进行优化求解时，通过神经网络实现可靠性指标的快速估计，从而提高模型求解的可行性，并加快模型求解速度。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
实施例
如图1所示，本发明提供了一种基于关联规则驱动的配电网规划方法，其实现方法如下：
(S1)确定配电网改造措施的可靠性指标；
(S2)根据所述可靠性指标，通过神经网络训练所述可靠性指标与配电网改造措施的关联规则；
(S3)通过配电网规划模型对所述关联规则进行求解，从而实现对配电网的规划。
本实施例中，确定配电网改造措施的可靠性指标方法为：采用用户一年内平均停电时间、系统期望缺供电量和供电可靠率等指标的统计值来确定配电网改造措施的可靠性。
本实施例中，配电网改造措施与可靠性指标关联规则分析方法为：配电网可靠性提升的改造措施主要分为三类。其中，部分改造措施，如提升技术与管理水平等措施，可以通过公式计算直接得到改造措施对可靠性指标参数的影响，而其余措施则需要通过关联规则挖掘方法得到其对可靠性指标的影响，在进行关联规则挖掘时，考虑到“改造措施-性能指标”存在的强弱耦合关系，可以采用不同的关联规则挖掘算法进行分析，当二者耦合性较强时，可以采用多元回归分析得到显性关联表达式，而耦合性较弱时，则可以选择神经网络、支持向量机等无监督机器学习方法，通过循环和递减运算实现误差减小而达到分类的目的，以神经网络为例，对改造措施与配电网可靠性指标进行关联规则分析，将配电网的改造措施、节点负荷量和分布式电源多元主体出力情况等作为神经网络的输入向量，配电网可靠性指标值作为输出向量，采用下降梯度法实现网络权值及阈值更新，进行两者关联规则分析，为了提升神经网络的学习效率，提高预测精度，进一步采用遗传算法对神经网络进行阈值与权值寻优。
本实施列中，通过基于关联规则驱动的配电网规划优选模型对所述关联规则进行求解：
(b1)构建目标函数，其表达式如下：
max F(Xi)；
(b2)根据所述目标函数确定配电网改造措施的决策变量约束，其表达式如下：
s.t.{X1,X2,...,Xn}∈ψ(Xi)
Figure BDA0002011809110000061
(b3)根据所述配电网改造措施的决策变量约束，利用神经网络的关联规则对所述配电网规划优选模型进行求解，从而实现对配电网的规划，其表达式如下：
Φi(Ii,Xi,w,t,w',t')＝0
以上各式中，F为目标函数，s.t.为改造措施的约束条件，n为决策变量的数目，w与t分别为输入层与隐含层间的权值和阈值，w'为与t'分别为隐含层与输出层间的权值与阈值，Ii为配电网性能指标，Xi为配电网改造措施，ψ(Xi)配电网改造措施集，Φi为基于神经网络的关联规则隐函数，
Figure BDA0002011809110000071
和
Figure BDA0002011809110000072
分别为配电网改造措施Xi的上下限。
本实施例中，利用两者关联规则近似传统规划模型中的潮流与网络安全约束条件，进一步进行优化求解时，通过神经网络实现可靠性指标的快速估计，避免了传统模型中的复杂潮流与网络约束，从而提高模型求解的可行性，并加快模型求解速度。
本实施例中，根据目标函数差异将配电网改造措施决策问题分为两类，一类是在固定可靠性要求下如何将投入量用降低到最小，另一类是在固定投入量约束下将可靠性提升到最大，配电网改造措施决策变量约束在上述两类决策模型中相同，其具体为如下：
所述固定可靠性要求下以降低投入量为目标构建目标函数，其表达式如下：
Figure BDA0002011809110000073
CEESS＝IECEU
min C(Xi)＝Cinvest+CEENS
Figure BDA0002011809110000074
所述固定投入量要求下以提升可靠性为目标构建目标函数，其表达式如下：
Figure BDA0002011809110000075
Cinvest+CEENS≤Cmax
其中，Cinvest和CEENS分别为年的投入量和停电量，对于基础设施和现代化设施建设改造，
Figure BDA0002011809110000076
为改造措施Xi的初始投入量，对于管理技术提升措施，
Figure BDA0002011809110000077
为年平均投入量，Ri为第i类改造措施的等年值投入系数且
Figure BDA0002011809110000081
r为投入回收率，
Figure BDA0002011809110000082
为改造措施Xi的运行投入，E为所有馈线的集合，I和
Figure BDA0002011809110000083
是实施改造措施前后的配电网可靠性指标值，ΔIset是需要满足的配电网性能指标提升程度最小值，CEU为馈线的单位停电率，由负荷类型确定，Cinvest和CEENS分别为年的投入量和停电量，I和
Figure BDA0002011809110000084
是实施改造措施前后的配电网可靠性指标值，Cmax为最大投入量。
本实施例中，在使用本方法进行配电网规划时，需首先获取原始数据，将一年中配电网网络各节点负荷量、改造措施实施情况等作为输入样本，输入缺供电量预测神经网络中，通过训练得到两者的关联规则，在得到关联规则之后，即可通过基于关联规则驱动的配电网规划优选模型进行模型求解。

Claims (6)

1.一种基于关联规则驱动的配电网规划方法，其特征在于，包括如下步骤：
(S1)确定配电网改造措施的可靠性指标；
(S2)根据所述可靠性指标，通过神经网络训练所述可靠性指标与配电网改造措施的关联规则；
所述步骤(S2)包括如下步骤：
(a1)通过仿真获取配电网加入改造措施后的仿真模拟数据，并计算配电网加入改造措施的可靠性指标；
(a2)将配电网的改造措施、节点负荷量以及分布式电源多元主体的出力情况作为神经网络的输入向量，将配电网改造措施的可靠性指标作为神经网络的输出向量；
(a3)根据所述输入向量与所述输出向量，利用下降梯度法实现神经网络权值与阈值更新，并通过遗传算法对神经网络进行阈值与权值寻优，从而实现对配电网改造措施与所述可靠性指标的关联规则分析；
(S3)通过配电网规划模型对所述关联规则进行求解，从而实现对配电网的规划；
所述步骤(S3)包括如下步骤：
(b1)构建目标函数，其表达式如下：
maxF(Xi)；
(b2)根据所述目标函数确定配电网改造措施的决策变量约束，其表达式如下：
s.t.{X1,X2,...,Xn}∈ψ(Xi)
Figure FDA0003925479010000011
(b3)根据所述配电网改造措施的决策变量约束，利用神经网络的关联规则对所述配电网规划优选模型进行求解，从而实现对配电网的规划，其表达式如下：
Φi(Ii,Xi,w,t,w',t')＝0
以上各式中，F为目标函数，s.t.为改造措施的约束条件，n为决策变量的数目，w与t分别为输入层与隐含层间的权值和阈值，w'为与t'分别为隐含层与输出层间的权值与阈值，Ii为配电网性能指标，Xi为配电网改造措施，ψ(Xi)配电网改造措施集，Φi为基于神经网络的关联规则隐函数，
Figure FDA0003925479010000021
和
Figure FDA0003925479010000022
分别为配电网改造措施Xi的上下限。
2.根据权利要求1所述的基于关联规则驱动的配电网规划方法，其特征在于，所述步骤(S1)中确定配电网改造措施的可靠性指标，其具体为根据用户一年内平均停电时间、系统期望缺供电量以及供电可靠率指标的统计值确定配电网改造措施的可靠性指标。
3.根据权利要求1所述的基于关联规则驱动的配电网规划方法，其特征在于，所述步骤(b2)中所述配电网改造措施的决策变量约束还包括配电网部分改造措施的决策变量约束，其表达式如下：
Figure FDA0003925479010000023
其中，
Figure FDA0003925479010000024
和
Figure FDA0003925479010000025
分别为二遥、三遥装置安装数量上限和分布式电源容量上限，
Figure FDA0003925479010000026
和
Figure FDA0003925479010000027
分别为配电网规划导则中规定的分段数上限和馈线初始分段数，Xi为配电网改造措施。
4.根据权利要求3所述的基于关联规则驱动的配电网规划方法，其特征在于，所述步骤(b1)中构建目标函数，包括固定可靠性要求下以降低投入量为目标以及固定投入量要求下以提升可靠性为目标构建目标函数。
5.根据权利要求4所述的基于关联规则驱动的配电网规划方法，其特征在于，所述固定可靠性要求下以降低投入量为目标构建目标函数，其表达式如下：
Figure FDA0003925479010000031
Figure FDA0003925479010000032
minC(Xi)＝Cinvest+CEENS
Figure FDA0003925479010000033
其中，Cinvest和CEENS分别为年的投入量和停电量，对于基础设施和现代化设施建设改造，
Figure FDA0003925479010000034
为改造措施Xi的初始投入量，对于管理技术提升措施，
Figure FDA0003925479010000035
为年平均投入量，Ri为第i类改造措施的等年值投入系数且
Figure FDA0003925479010000036
r为投入回收率，
Figure FDA0003925479010000037
为改造措施Xi的运行投入，E为所有馈线的集合，I和
Figure FDA0003925479010000038
是实施改造措施前后的配电网可靠性指标值，ΔIset是需要满足的配电网性能指标提升程度最小值，CEU为馈线的单位停电率，由负荷类型确定，Cmax为最大投入量。
6.根据权利要求4所述的基于关联规则驱动的配电网规划方法，其特征在于，所述固定投入量要求下以提升可靠性为目标构建目标函数，其表达式如下：
Figure FDA0003925479010000039
Cinvest+CEENS≤Cmax
其中，Cinvest和CEENS分别为年的投入量和停电量，I和
Figure FDA00039254790100000310
是实施改造措施前后的配电网可靠性指标值，Cmax为最大投入量。
CN201910248841.7A 2019-03-29 2019-03-29 一种基于关联规则驱动的配电网规划方法 Active CN110059938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910248841.7A CN110059938B (zh) 2019-03-29 2019-03-29 一种基于关联规则驱动的配电网规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910248841.7A CN110059938B (zh) 2019-03-29 2019-03-29 一种基于关联规则驱动的配电网规划方法

Publications (2)

Publication Number Publication Date
CN110059938A CN110059938A (zh) 2019-07-26
CN110059938B true CN110059938B (zh) 2023-04-11

Family

ID=67317905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910248841.7A Active CN110059938B (zh) 2019-03-29 2019-03-29 一种基于关联规则驱动的配电网规划方法

Country Status (1)

Country Link
CN (1) CN110059938B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105099B (zh) * 2020-01-02 2023-05-12 国家电网有限公司 一种配电网精准规划多目标优化方法
CN111415068A (zh) * 2020-02-28 2020-07-14 国网福建省电力有限公司厦门供电公司 基于改造措施与失负荷量指标关联性的配电决策建模方法
CN111460627B (zh) * 2020-03-11 2022-06-28 四川大学 面向可靠性的电力交通耦合网络电动汽车充电站规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809665A (zh) * 2015-05-14 2015-07-29 国家电网公司 一种基于改进Apriori算法的配电网预警方法
CN106446016A (zh) * 2016-08-29 2017-02-22 中国电力科学研究院 一种基于并行关联规则挖掘的配电网运行可靠性预测方法
CN106815652A (zh) * 2016-12-16 2017-06-09 国家电网公司 一种基于大数据相关性分析的配电网供电可靠性预测方法
CN107563067A (zh) * 2017-09-06 2018-01-09 电子科技大学 基于自适应代理模型的结构可靠性分析方法
CN108665181A (zh) * 2018-05-18 2018-10-16 中国电力科学研究院有限公司 一种配电网可靠性的评估方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809665A (zh) * 2015-05-14 2015-07-29 国家电网公司 一种基于改进Apriori算法的配电网预警方法
CN106446016A (zh) * 2016-08-29 2017-02-22 中国电力科学研究院 一种基于并行关联规则挖掘的配电网运行可靠性预测方法
CN106815652A (zh) * 2016-12-16 2017-06-09 国家电网公司 一种基于大数据相关性分析的配电网供电可靠性预测方法
CN107563067A (zh) * 2017-09-06 2018-01-09 电子科技大学 基于自适应代理模型的结构可靠性分析方法
CN108665181A (zh) * 2018-05-18 2018-10-16 中国电力科学研究院有限公司 一种配电网可靠性的评估方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Correlation Mining for Reconstruction Measures and Performance Indexes of Distribution Network Planning Based on BP Neural Network;Bin Chen等;《2018 International Conference on Power System Technology(POWERCON)》;20190107;第4370-4376页 *
基于"性能-因素"关联关系挖掘的中压配电网可靠性评估;苏韵掣等;《电力建设》;20161130;第37卷(第11期);第55-63页 *

Also Published As

Publication number Publication date
CN110059938A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110059938B (zh) 一种基于关联规则驱动的配电网规划方法
CN111476435B (zh) 基于密度峰值的充电桩负荷预测方法
CN109740859A (zh) 基于主成分分析法和支持向量机的变压器状态评估方法及系统
CN110119948B (zh) 基于时变权重动态组合的电力用户信用评价方法及系统
CN110837915B (zh) 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法
CN105023042A (zh) 基于大数据神经网络算法的用户窃电嫌疑分析装置及方法
CN104035779A (zh) 一种数据流决策树分类中的缺失值处理方法
CN103678004A (zh) 一种基于非监督特征学习的主机负载预测方法
WO2021035412A1 (zh) 一种自动机器学习AutoML系统、方法及设备
CN111881961A (zh) 基于数据挖掘的配电网故障风险等级预测方法
CN109787821B (zh) 一种大规模移动客户流量消费智能预测方法
CN114386537A (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN110321947A (zh) 一种基于卷积神经网络的用电异常预判方法
CN115099296A (zh) 基于深度学习算法的海浪高度预测方法
CN113139570A (zh) 一种基于最优混合估值的大坝安全监测数据补全方法
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN117131449A (zh) 面向数据治理的具有传播学习能力的异常识别方法及系统
CN115204698A (zh) 一种低压台区供电稳定性的实时分析方法
CN115310650A (zh) 一种低复杂度高精度的时序多步预测方法及系统
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN113030633B (zh) 基于ga-bp神经网络的配电网故障大数据分析方法和系统
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN110874672A (zh) 基于量子遗传算法的farima模型电力负荷预测方法
CN115313522A (zh) 一种考虑新能源出力预测偏差的备用容量配置方法及系统
CN113886592A (zh) 一种电力信息通信系统运维数据的质量检测方法

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