CN110309485A - 一种基于台区数据特征分类的线损率标杆值计算方法 - Google Patents
一种基于台区数据特征分类的线损率标杆值计算方法 Download PDFInfo
- Publication number
- CN110309485A CN110309485A CN201910596440.0A CN201910596440A CN110309485A CN 110309485 A CN110309485 A CN 110309485A CN 201910596440 A CN201910596440 A CN 201910596440A CN 110309485 A CN110309485 A CN 110309485A
- Authority
- CN
- China
- Prior art keywords
- line loss
- per unit
- area
- loss per
- mark post
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 241001269238 Data Species 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 15
- 238000004458 analytical method Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明公开了一种基于台区数据特征分类的线损率标杆值计算方法，应用于电力网线损管理领域，可对台区进行基于数据特征分类的线损率标杆值计算。本发明在标杆值的计算过程中，使用了新的K‑means聚类算法，使台区数据分类更加合理，计算结果更精确；本发明的标杆值计算方法特征在于:首先，分析了线损率影响因子对线损的影响关系，选取与线损率相关系数较大且易获得的电气特征参数作为建立台区指标函数的变量；然后，通过指标函数确立聚类算法的初始聚类中心，提高了聚类结果的精确性，为所提标杆值的确定方法提供了科学的理论依据。此方法不仅为台区线损率标杆值的确定提供合理的理论依据，而且线损率预测计算结果较精确，可作为标杆值确定的数据依据，为台区线损管理提供了有效途径，使台区线损管理易于实现精益化和数字化管理。
Description
技术领域
本发明属于线损率计算领域；尤其涉及一种基于台区数据特征分类的线损率标杆值计算方法。
背景技术
线损率作为综合评价电力系统的规划设计、生产运行、技术管理、经营水平的重要经济技术性指标，也是考核电力部门管理工作的重要内容。但是我国配电网由于规模大、节点多、线长、面积广的特点，低压配电网的电能损耗占据整个电力网损耗的比例高达40％左右，解决线损问题以刻不容缓，所以准确简便的线损计算分析方法对实际管理工作具有重要的指导意义。线损的理论计算能够在一定程度上反应台区实际线损率，但是线损率的计算受到测量数据的影响，计算结果存在偏差。
目前我国对低压配电网全面实施分台区管理，台区管理作为电网“四分管理”的重要组成部分，台区线损直接反映了某一地区的电网管理水平。但由于低压台区用户数目巨大、负荷多样、电网基层的管理水平以及网架建设机构的参差不齐、台账管理不完善、线路分布复杂多样，都增加了台区线损管理的复杂性。基于此现状实现台区线损率准确快速的计算成为亟待解决的问题。未解决该问题，需要确立一套台区线损标杆值指标作为评价台区线损率的标尺，为台区降损指明方向。
以往有不少传统理论计算线损的方法，但是都是基于实际统计用户侧电能表实抄电量的理论计算方法，对网架结构、线路长度以及型号等信息依赖程度较高。近年来，为了准确快速进行线损率的理论计算，发展出很多预测计算方法，其中线性回归分析预测方法具有模型简单、计算结果精确、模型解释能力强等诸多优点，在线损预测计算中得以广泛的应用，对台区线损率标杆值的确定提供理论依据。
本发明在线损率标杆值计算过程中使用了一种新型K-means聚类算法，使有相似特征的数据归为一类，然后依据多元回归模型才能够更精确的预测台区线损率，确定台区线损率的标杆值；本发明在线损计算过程中不需繁重的理论计算电力网络参数,只需确定台区处于具体的类中就可依据建立的线损预测模型计算当前台区线损率,解决了现有线损管理中工作人员的大量计算统计工作,为台区线损率标杆值的确定提供了一种新的理论方式,且计算结果表明该方法结算结果准确率较高,为线损管理工作进步作出了贡献。
发明内容
本发明提供一种基于台区数据特征分类的线损率标杆值计算方法，解决了现有线损计算工作的复杂性和准确性
本发明技术方案：
一种基于台区数据特征分类的线损率标杆值计算方法，它包括：
步骤1、采集与供电量和负荷相关的电气特征参数和选取反映网架结构的电气特征参数；
步骤2、对原始数据标准化处理；
步骤3、根据选取的电气特征参数来建立台区的性能指标函数PI(i)来选取初始聚类中心；
步骤4、基于K-Means聚类算法对所有台区样本数据进行聚类分析；
步骤5、根据聚类分析结果确定台区线损率标杆值。
步骤1所述采集与供电量和负荷相关的电气特征参数和选取反映网架结构的电气特征参数为：选取与供电量和负荷相关的特征参数有功供电量X1、无功供电量X2，选取反映网架结构的特征参数供电线路总长度X3、供电半径X4和线路总电阻X5。
步骤2所述对原始数据标准化处理的方法为：设电气特征参数的个数为m个，台区样本总数为n个，其标准化过程为：
式中：Mij是xij标准化处理后的量、为所有样本台区数据第j个电气特征参数的平均值，是xij的方差，其中xij表示第i个台区的第j个电气特征参数。
步骤3所述根据选取的电气特征参数来建立台区的性能指标函数PI(i)来选取初始聚类中心的方法为：
建立指标函数：
式中：Mij是xij标准化处理后的量；δj是第j个电气特征参数的权重系数，表示第j个电气特征参数对线损的影响程度；
计算出所有样本数据的PI(i)，进行升序排列，然后等分成聚类数目K类，选取每一类的中心PI(i)值对应样本作为该类的初始聚类中心。
步骤4所述基于K-Means聚类算法对所有台区样本数据进行聚类分析的方法为：
(1)、初始化:确定样本的聚类数目K和初始聚类中心点；
(2)、聚类划分：计算n个样本与K个聚类中心的欧式距离，然后按照每个数据欧氏距离Dia的大小分配至与之最近的中心点，形成K个集群；
(3)、聚类中心点的更新：计算出每一类中所有样本数据的平均值同时对聚类中心进行更新，M为Ca类中的样本，为新的聚类中心点；
(4)、计算误差平方和函数值，即:
(5)、直到聚类准则函数值E不发生任何变化，表示算法趋于稳定，聚类结束，否则返回到步棸(2)继续。
步骤5所述根据聚类分析结果确定台区线损率标杆值的方法为：对台区数据的聚类结果，统计每一类中的台区编号，分析每一类的台区是否具有区域集中性；对于落入某一类中的台区数目少于该类总数5％的区域，把该区域台区数据剔除；对落入某一类中多于该类台区总数50％的同地区台区，分别进行编号统计，将统计结果进行标记处理；对各类别中多于该类台区总数50％的同地区台区，进行线损率的预测计算；根据同地区分布在不同类别中的线损率预测结果按有功权重的值求取加权平均值作为该地区的线损率标杆值；若对同一地区同种性质用电的台区，如果落入到不同的类中，对落入某一类中数据少于该类总数5％的区域数据，直接剔除；如果同时集中分布在不同的类中，则分别进行线损率的预测计算；根据计算结果按有功权重的值求取加权平均值，作为该地区该用电性质的线损率标杆值；按同样的方法分别求出落入每类台区中的线损率标杆值，将求出的所有线损率的标杆值取平均值作为该地区线损率标杆值。
本发明有益效果：
1)本发明首先全面分析0.4KV台区线损率影响因子的基础上，确定了不同电气特征参数对台区线损的影响，为数据分类和线损率的预测计算提供重要依据。
2)本发明使用了台区性能指标函数PI(i)能够很好地解决K-Means聚类算法初始聚类中的选取问题，为台区线损率的预测提供有效的数据分类。
3)本发明台区数据有效分类的基础上能够快速计算得出某一地区台区线损率标杆值，为线损率标杆值的确定提供一种新的理论计算方法。
4)本发明所提出的计算方法解决了现有线损计算处理数据的复杂性和计算结果的准确性
附图说明
图1台区线损率标杆值计算流程图；
图2模型一实际与预测线损率差值散点图；
图3模型二实际与预测线损率差值散点图；
图4模型三实际与预测线损率差值散点图；
图5模型四实际与预测线损率差值散点图；
图6模型五实际与预测线损率差值散点图；
图7模型六实际与预测线损率差值散点图；
图8模型七实际与预测线损率差值散点图；
图9模型八实际与预测线损率差值散点图；
图10模型九实际与预测线损率差值散点图；
图11模型十实际与预测线损率差值散点图；
图12模型十一实际与预测线损率差值散点图；
图13模型十二实际与预测线损率差值散点图。
具体实施方式
本发明可通过以下具体的技术路线来实现：
第一步：0.4kV台区的理论线损主要与台区导线电阻、电流有关。影响0.4kV台区线损率的影响因素可能分为两类，一类是与实际运行相关的参数，主要有0.4kV台区日平均有功供电量、日负荷曲线和年负荷曲线、运行电压和功率因素、环境温度等，一类是与网架结构和设备相关的参数，主要有干线与下户线线路条数、线路型号、线路长度、线径大小、用户分布、用户接入方式、用户表计等。各影响因素与线损率关系如下表所示：
第二步：由第一步的分析和实际电气特征参数的获取的难易程度，筛选出与台区网架结构和用电量相关权重较大的电气特征参数。其中，选取与供电量和负荷相关的特征参数有功供电量X1、无功供电量X2，选取反映网架结构的特征参数供电线路总长度X3、供电半径X4和线路总电阻X5。
上述的5个电气特征参数作为台区输入的自变量。但是这些自变量，由于其取值范围和单位都不相同，为了不受量纲的影响进行计算，并使计算简单明了，一般需要对原始数据标准化处理后再采用。设电气特征参数的个数为m个，台区样本总数为n个，其标准化过程为：
式中：Mij是xij标准化处理后的量、为所有样本台区数据第j个电气特征参数的平均值，是xij的方差，其中xij表示第i个台区的第j个电气特征参数。
第三步：根据第二步中选取的电气特征参数来建立台区的性能指标函数PI(i)来选取初始聚类中心，指标函数：
式中：Mij是xij标准化处理后的量；δj是第j个电气特征参数的权重系数，表示第j个电气特征参数对线损的影响程度，取：δ＝[0.83,0.5,1.0，0.64,0.63]，该权重因子的取值是基于贵州某地区4860组台区数据分析得出，具体计算方式为：利用标准化处理后的每个台区电气特征参数计算在台区指标函数中的占比得出。
选取的五个电气特征参数都是线损率的增函数，且建立的性能指标函数又与所选特征参数成正相关，由式(8)可知，电气特征参数的值越大，PI(i)值越大，线损率也就越大，则此处PI(i)的变化趋势可以表示线损率的变化趋势。计算出所有样本数据的PI(i)，进行升序排列，然后等分成聚类数目K类，选取每一类的中心PI(i)值对应样本作为该类的初始聚类中心。
第四步：本发明的K-Means聚类算法的主要算法流程如下：
(1)初始化:确定样本的聚类数目K和初始聚类中心点，初始聚类中心根据第三步中方法。
(2)聚类划分：按照式(9)计算n个样本与K个聚类中心的欧式距离，然后按照每个数据欧氏距离Dia的大小分配至与之最近的中心点，形成K个集群。
(4)聚类中心点的更新：计算出每一类中所有样本数据的平均值同时对聚类中心进行更新。其中M为Ca类中的样本，为新的聚类中心点。
(5)计算误差平方和函数值，即:
(6)直到聚类准则函数值E不发生任何变化或是摆动很小，表示算法趋于稳定，聚类结束，否则返回到步棸(2)继续。
第五步：台区线损率标杆值确定方法
对第四步中台区数据的聚类结果，统计每一类中的台区编号，分析每一类的台区是否具有区域集中性；对于落入某一类中的台区数目较少，可以把该类中的台区数据剔除；对落入某一类中较为集中的同地区台区，分别进行编号统计，将统计结果进行标记处理；对各类别中分布较集中的地区，分别经行线损率的预测计算，根据同地区分布在不同类别中的线损率预测结果的按有功权重的大小求取加权平均值作为该地区的线损率标杆值。
若对同一地区同种性质用电的台区，如果落入到不同的类中，对落入某一类中数据较少的可以不予考虑，直接剔除；如果同时集中分布在不同的类中，则分别进行线损率的预测计算。根据计算结果按有功权重的大小求取加权平均值，作为该地区该用电性质的线损率标杆值；按上述方法分别求出落入其它类中的线损率标杆值，将求出的所有线损率的标杆值取平均值作为该地区线损率标杆值。
下面结合附图对本发明进一步说明。
基于K-Means聚类算法对数据有效分类的基础上，对台区线损率进行预测分析，提出了线损率标杆值的确定方法，台区数据以贵阳市1061组数据作为分析依据。具体实施步棸如图1所示，可以由以下步骤完成：
1)分析线损率影响因子对线损影响关系。
2)选取主要电气特征参数，并进行标准化处理。
3)在开始聚类分析之前，要先对他去数据预处理，剔除异常线损率的台区数据
4)基于K-Means聚类算法对所有台区样本数据进行聚类分析。
5)聚类结果表明数据可分为12组比较集中的台区类型；针对此聚类结果，首先，统计每一类中的同地区比较集中的台区编号，分别对每一类中较为集中的同地区台区数据建立多元性回归模型，预测计算台区线损率。按照本发明内容中的第五步的方法确定线损率标杆值。
6)对台区线损率的预测计算结果精确性进行评估，判断是否可把预测计算的线损率作为标杆值确定的依据。由图2至图13所示的实际线损和预测线损的误差值分布散点图可以看出预测结果的精确性，其中有95％的样本点数据落入的误差区间在[-1.5,1.5]之间，验证了本发明所提标杆值确定方法以及建模计算分析的合理性，准确性，实用性，为台区线损率的标杆值的确定提供了一种科学合理的计算方法，为电力网线损管理提供有效途径。
Claims (6)
1.一种基于台区数据特征分类的线损率标杆值计算方法，它包括：
步骤1、采集与供电量和负荷相关的电气特征参数和选取反映网架结构的电气特征参数；
步骤2、对原始数据标准化处理；
步骤3、根据选取的电气特征参数来建立台区的性能指标函数PI(i)来选取初始聚类中心；
步骤4、基于K-Means聚类算法对所有台区样本数据进行聚类分析；
步骤5、根据聚类分析结果确定台区线损率标杆值。
2.根据权利要求1所述的一种基于台区数据特征分类的线损率标杆值计算方法，其特征在于：步骤1所述采集与供电量和负荷相关的电气特征参数和选取反映网架结构的电气特征参数为：选取与供电量和负荷相关的特征参数有功供电量X1、无功供电量X2，选取反映网架结构的特征参数供电线路总长度X3、供电半径X4和线路总电阻X5。
3.根据权利要求1所述的一种基于台区数据特征分类的线损率标杆值计算方法，其特征在于：步骤2所述对原始数据标准化处理的方法为：设电气特征参数的个数为m个，台区样本总数为n个，其标准化过程为：
式中：Mij是xij标准化处理后的量、为所有样本台区数据第j个电气特征参数的平均值，是xij的方差，其中xij表示第i个台区的第j个电气特征参数。
4.根据权利要求1所述的一种基于台区数据特征分类的线损率标杆值计算方法，其特征在于：步骤3所述根据选取的电气特征参数来建立台区的性能指标函数PI(i)来选取初始聚类中心的方法为：
建立指标函数：
式中：Mij是xij标准化处理后的量；δj是第j个电气特征参数的权重系数，表示第j个电气特征参数对线损的影响程度；
计算出所有样本数据的PI(i)，进行升序排列，然后等分成聚类数目K类，选取每一类的中心PI(i)值对应样本作为该类的初始聚类中心。
5.根据权利要求1所述的一种基于台区数据特征分类的线损率标杆值计算方法，其特征在于：步骤4所述基于K-Means聚类算法对所有台区样本数据进行聚类分析的方法为：
(1)、初始化:确定样本的聚类数目K和初始聚类中心点；
(2)、聚类划分：计算n个样本与K个聚类中心的欧式距离，然后按照每个数据欧氏距离Dia的大小分配至与之最近的中心点，形成K个集群；
(3)、聚类中心点的更新：计算出每一类中所有样本数据的平均值同时对聚类中心进行更新，M为Ca类中的样本，为新的聚类中心点；
(4)、计算误差平方和函数值，即:
(5)、直到聚类准则函数值E不发生任何变化，表示算法趋于稳定，聚类结束，否则返回到步棸(2)继续。
6.根据权利要求1所述的一种基于台区数据特征分类的线损率标杆值计算方法，其特征在于：步骤5所述根据聚类分析结果确定台区线损率标杆值的方法为：对台区数据的聚类结果，统计每一类中的台区编号，分析每一类的台区是否具有区域集中性；对于落入某一类中的台区数目少于该类总数5％的区域，把该区域台区数据剔除；对落入某一类中多于该类台区总数50％的同地区台区，分别进行编号统计，将统计结果进行标记处理；对各类别中多于该类台区总数50％的同地区台区，进行线损率的预测计算；根据同地区分布在不同类别中的线损率预测结果按有功权重的值求取加权平均值作为该地区的线损率标杆值；若对同一地区同种性质用电的台区，如果落入到不同的类中，对落入某一类中数据少于该类总数5％的区域数据，直接剔除；如果同时集中分布在不同的类中，则分别进行线损率的预测计算；根据计算结果按有功权重的值求取加权平均值，作为该地区该用电性质的线损率标杆值；按同样的方法分别求出落入每类台区中的线损率标杆值，将求出的所有线损率的标杆值取平均值作为该地区线损率标杆值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910596440.0A CN110309485A (zh) | 2019-07-03 | 2019-07-03 | 一种基于台区数据特征分类的线损率标杆值计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910596440.0A CN110309485A (zh) | 2019-07-03 | 2019-07-03 | 一种基于台区数据特征分类的线损率标杆值计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110309485A true CN110309485A (zh) | 2019-10-08 |
Family
ID=68078966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910596440.0A Pending CN110309485A (zh) | 2019-07-03 | 2019-07-03 | 一种基于台区数据特征分类的线损率标杆值计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110309485A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160404A (zh) * | 2019-12-09 | 2020-05-15 | 国网北京市电力公司 | 配电网线损标杆合理值的分析方法及装置 |
| CN111260198A (zh) * | 2020-01-10 | 2020-06-09 | 广东电网有限责任公司 | 一种台区同期线损合理度评判方法、系统及终端设备 |
| CN111525559A (zh) * | 2020-05-08 | 2020-08-11 | 国网辽宁省电力有限公司沈阳供电公司 | 一种低压配网三相不平衡对线损影响的量化方法 |
| CN111553568A (zh) * | 2020-04-15 | 2020-08-18 | 贵州电网有限责任公司 | 一种基于数据挖掘技术的线损管理方法 |
| CN111612053A (zh) * | 2020-05-14 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
| CN111832174A (zh) * | 2020-07-14 | 2020-10-27 | 国网冀北电力有限公司 | 一种基于多元回归的配线线损率处理方法及装置 |
| CN112084678A (zh) * | 2020-09-22 | 2020-12-15 | 国网冀北电力有限公司承德供电公司 | 一种基于多元回归的配线线损率处理方法及装置 |
| CN112149873A (zh) * | 2020-08-25 | 2020-12-29 | 北京合众伟奇科技有限公司 | 一种基于深度学习的低压台区线损合理区间预测方法 |
| CN113129168A (zh) * | 2021-05-17 | 2021-07-16 | 国网河北省电力有限公司电力科学研究院 | 电力台区的线损确定方法、装置及终端设备 |
| CN116680546A (zh) * | 2023-08-02 | 2023-09-01 | 北京前景无忧电子科技股份有限公司 | 一种低压配电网台区线损率识别方法 |
| CN117648647A (zh) * | 2024-01-29 | 2024-03-05 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156792A (zh) * | 2016-06-24 | 2016-11-23 | 中国电力科学研究院 | 一种基于台区电气特征参数的低压台区聚类方法 |
| CN106991524A (zh) * | 2017-03-20 | 2017-07-28 | 国网江苏省电力公司常州供电公司 | 一种台区线损率预估方法 |
| CN108345981A (zh) * | 2017-12-28 | 2018-07-31 | 国网上海市电力公司 | 一种基于负荷分类的典型台区线损率标杆值计算方法及其应用 |
| CN109272176A (zh) * | 2018-12-10 | 2019-01-25 | 贵州电网有限责任公司 | 利用K-means聚类算法对台区线损率预测计算方法 |
-
2019
- 2019-07-03 CN CN201910596440.0A patent/CN110309485A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156792A (zh) * | 2016-06-24 | 2016-11-23 | 中国电力科学研究院 | 一种基于台区电气特征参数的低压台区聚类方法 |
| CN106991524A (zh) * | 2017-03-20 | 2017-07-28 | 国网江苏省电力公司常州供电公司 | 一种台区线损率预估方法 |
| CN108345981A (zh) * | 2017-12-28 | 2018-07-31 | 国网上海市电力公司 | 一种基于负荷分类的典型台区线损率标杆值计算方法及其应用 |
| CN109272176A (zh) * | 2018-12-10 | 2019-01-25 | 贵州电网有限责任公司 | 利用K-means聚类算法对台区线损率预测计算方法 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160404A (zh) * | 2019-12-09 | 2020-05-15 | 国网北京市电力公司 | 配电网线损标杆合理值的分析方法及装置 |
| CN111160404B (zh) * | 2019-12-09 | 2024-01-23 | 国网北京市电力公司 | 配电网线损标杆合理值的分析方法及装置 |
| CN111260198A (zh) * | 2020-01-10 | 2020-06-09 | 广东电网有限责任公司 | 一种台区同期线损合理度评判方法、系统及终端设备 |
| CN111553568A (zh) * | 2020-04-15 | 2020-08-18 | 贵州电网有限责任公司 | 一种基于数据挖掘技术的线损管理方法 |
| CN111525559B (zh) * | 2020-05-08 | 2023-09-22 | 国网辽宁省电力有限公司沈阳供电公司 | 一种低压配网三相不平衡对线损影响的量化方法 |
| CN111525559A (zh) * | 2020-05-08 | 2020-08-11 | 国网辽宁省电力有限公司沈阳供电公司 | 一种低压配网三相不平衡对线损影响的量化方法 |
| CN111612053A (zh) * | 2020-05-14 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
| CN111612053B (zh) * | 2020-05-14 | 2023-06-27 | 国网河北省电力有限公司电力科学研究院 | 一种线损率合理区间的计算方法 |
| CN111832174A (zh) * | 2020-07-14 | 2020-10-27 | 国网冀北电力有限公司 | 一种基于多元回归的配线线损率处理方法及装置 |
| CN111832174B (zh) * | 2020-07-14 | 2024-01-12 | 国网冀北电力有限公司 | 一种基于多元回归的配线线损率处理方法及装置 |
| CN112149873A (zh) * | 2020-08-25 | 2020-12-29 | 北京合众伟奇科技有限公司 | 一种基于深度学习的低压台区线损合理区间预测方法 |
| CN112149873B (zh) * | 2020-08-25 | 2023-07-21 | 北京合众伟奇科技股份有限公司 | 一种基于深度学习的低压台区线损合理区间预测方法 |
| CN112084678A (zh) * | 2020-09-22 | 2020-12-15 | 国网冀北电力有限公司承德供电公司 | 一种基于多元回归的配线线损率处理方法及装置 |
| CN113129168A (zh) * | 2021-05-17 | 2021-07-16 | 国网河北省电力有限公司电力科学研究院 | 电力台区的线损确定方法、装置及终端设备 |
| CN113129168B (zh) * | 2021-05-17 | 2022-03-25 | 国网河北省电力有限公司电力科学研究院 | 电力台区的线损确定方法、装置及终端设备 |
| CN116680546A (zh) * | 2023-08-02 | 2023-09-01 | 北京前景无忧电子科技股份有限公司 | 一种低压配电网台区线损率识别方法 |
| CN117648647A (zh) * | 2024-01-29 | 2024-03-05 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
| CN117648647B (zh) * | 2024-01-29 | 2024-04-23 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309485A (zh) | 一种基于台区数据特征分类的线损率标杆值计算方法 | |
| CN109272176B (zh) | 利用K-means聚类算法对台区线损率预测计算方法 | |
| CN107340492B (zh) | 基于大数据挖掘和场景预判的电能计量装置故障分析方法 | |
| CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
| CN113267692A (zh) | 一种低压台区线损智能诊断分析方法和系统 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN111260198A (zh) | 一种台区同期线损合理度评判方法、系统及终端设备 | |
| CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
| CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
| CN108364187A (zh) | 一种基于停电敏感特性的停电敏感用户确定方法和系统 | |
| CN111428754A (zh) | 一种基于基态修正的线损率标杆值的优化设计方法 | |
| CN110363354A (zh) | 风场风功率预测方法、电子装置及存储介质 | |
| CN109492874A (zh) | 一种三层级配电网投资决策体系的决策方法 | |
| CN106202388A (zh) | 一种用户等级自动划分方法及系统 | |
| CN110264032A (zh) | 一种直流配网规划方案评价结果的获取方法 | |
| CN110175761A (zh) | 一种基于用户端电压偏差率的配电网低电压综合评价方法 | |
| CN109345090A (zh) | 一种基于配电网可靠性提升的网架评价方法 | |
| CN111612056A (zh) | 一种基于模糊聚类和过零偏移的低压户变关系识别方法 | |
| CN113723844A (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
| CN109544029A (zh) | 一种台区线损的分析方法、分析装置及终端 | |
| CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
| CN111553568A (zh) | 一种基于数据挖掘技术的线损管理方法 | |
| CN109816017A (zh) | 基于模糊聚类和拉格朗日插值的电网缺失数据填补方法 | |
| CN109657846A (zh) | 电网交叉补贴规模影响因子筛选方法 | |
| CN112613720A (zh) | 考虑多不确定性的水库灌溉优化调度方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
| RJ01 | Rejection of invention patent application after publication |