CN110516912A - 一种配电台区户变关系的识别方法 - Google Patents

一种配电台区户变关系的识别方法 Download PDF

Info

Publication number
CN110516912A
CN110516912A CN201910672597.7A CN201910672597A CN110516912A CN 110516912 A CN110516912 A CN 110516912A CN 201910672597 A CN201910672597 A CN 201910672597A CN 110516912 A CN110516912 A CN 110516912A
Authority
CN
China
Prior art keywords
matrix
user
data
family
relationship
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
CN201910672597.7A
Other languages
English (en)
Other versions
CN110516912B (zh
Inventor
阳武
王浩
文江林
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.)
Changsha Constant Energy Electronic Technology Co Ltd
Original Assignee
Changsha Constant Energy Electronic 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 Changsha Constant Energy Electronic Technology Co Ltd filed Critical Changsha Constant Energy Electronic Technology Co Ltd
Priority to CN201910672597.7A priority Critical patent/CN110516912B/zh
Publication of CN110516912A publication Critical patent/CN110516912A/zh
Application granted granted Critical
Publication of CN110516912B publication Critical patent/CN110516912B/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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的公开了一种配电台区户变关系的识别方法，包括以下步骤：1)数据获取；2)构建矩阵；3)有监督的回归方法；4)SVM分类；本发明根据配电线路网络连接关系，推导出了在同一台区内各用户用电量之间具有相互影响的公式，利用有监督的线性回归法先初步判断一部分用户是否属于台区，并将结果作为分类的样本，再进一步利用支持向量机进行训练，从而获得属于或不属于台区的特征；再对未确定户变关系的用户进行分类，最后识别出所有用户的户变关系归属。本发明中无需使用多余的设备，成本较低，而且本发明以仿真数据和实际数据为例，采用本方法对户变关系进行计算，结果表明本算法给出的精度达到了91％以上的识别率，识别率高，在数据量足够的情况下，识别准确率可达100％。

Description

一种配电台区户变关系的识别方法
技术领域
本发明涉及电力电子信息技术领域，具体涉及一种配电台区户变关系的识别方法。
背景技术
精准的台区户变系是实现电力公司精细化管理的基础，因存在部分台区因线路的临时改变使户变关系档案更新不及时或记录错误等原因，导致在考核台区时出现负线损或高线损等异常情况。针对台区户变关系识别问题，现有方法主要有停电排查法，安装微同步器、信号发生器、鉴别器等以准确识别低压配电网网络拓扑。为保证用户用电的可靠性，停电排查法存在很大的局限性，无法进行全面停电排查。而安装额外的设备，如文献李建等的《多功能低压台区识别设备的研制》中研制了一种基于工频负荷传输和准同步采用技术的多功能低压台区识别设备，可实现低压台区用户档案归属，但往往造成较大的经济成本。
随着用电信息采集系统的普及与推广，电网企业现可获得海量的电压、电流、电量等运行数据。现在有很多研究利用智能电表的电压或电流数据，或结合载波通信，或进行相关性分析，或利用电压降之间存在的关系进行线性回归，从而判断用户归属；但是目前这些方法通常实用性较差。
发明内容
本发明的目的是提供一种成本低，识别率高的配电台区户变关系的识别方法。
本发明这种配电台区户变关系的识别方法，包括以下步骤：
1)数据获取：从用电信息采集系统中获取到目标台区及邻近台区的总表和各户表的日冻结电量后，并对数据进行预处理；
2)构建矩阵：根据步骤1)获取的数据，建立日用电量的矩阵和特征矩阵；
3)有监督的回归方法：根据步骤2)中的矩阵，构建输入矩阵和校验矩阵，接着建立权值矩阵，并在约束条件下采用最小二乘法求解权值矩阵，以求解得到的权值矩阵作为随机梯度下降过程的初始解，构建目标函数，通过不断的迭代训练更正权值矩阵，使得目标函数获得最小值；其中，在计算目标函数时，针对每一次计算出的权值矩阵，选取一个阈值，使得利用大于该阈值的用户的数据计算出的线损率波动最小；在最终的权值矩阵中，大于阈值的用户认为属于本台区，否则认为不属于本台区，初步确定用户归属；
4)SVM分类：根据步骤3)中有监督的回归法计算得到的权值按降序对用户排列，选取一定规模的正确户变数据和错误户变数据作为训练集，利用SVM 进行二分类模型训练，模型训练成功之后再对其他待校验用户进行判别。
所述步骤1)中，数据预处理的具体步骤为：针对大量缺失数据，补0；针对少量缺失数据，采用平均值填充。
所述步骤2)中，矩阵构建的具体步骤如下：根据步骤1)获取的数据，做一阶差分得到各用户及总表的日用电量X和Y，为了能更好的突出负荷特征，做二阶差分运算得到特征矩阵Xd和Yd；其中：个用户日用电量矩阵X为2-1，总表日用电量矩阵Y为2-2，用户日用电量特征矩阵Xd为2-3，总表日用电量特征矩阵Yd为2-4；
Y＝[y1 y2…ym]T 2-2
Xd-ij＝X(i+1)j-Xii 2-3
Yd-ij＝Y(i+1)j-Yij 2-4
其中xij表示第j块表第i天的用电量，yi表示总表第i天的用电量。
所述步骤3)中，所述的输入矩阵Xinput由用户日用电量X与特征矩阵Xd合并构成：
所述的效验矩阵YT由总表日用电量Y与特征矩阵Yd合并构成：
所述的权值矩阵W：
W＝[w1 w2…wm]T 3-3
其中，wi代表每个用户分配到的权值，初始化为wi＝0(i＝1，2，...，m)
所述的在约束条件下利用最小二乘法求解权值矩阵的步骤为：
令学习输出O为：
O＝Xinput·W 3-4
约束条件为：
|Oi|≤|YTi| 3-5
0≤wj≤1 3-6
其中，L为台区默认的正常线路损耗，一般取0～5％。
所述的目标函数E为训练输出矩阵与校验矩阵的偏差率：
所述步骤步骤4)中，SVM进行二分类模型训练的具体步骤为：
①对选取的训练集中的错误数据和正确数据分别加0、1标签；
②根据数据规模选取合适的核函数，当数据规模较小时，优先选取多项式核函数，否则选取RBF核函数；
③通过交叉验证选取最佳参数C(惩罚系数)和g(选取RBF核函数时自带的参数)；
④采用最佳参数C与g对整个训练集进行训练获取分类模型；
⑤利用获取的模型对未验证的数据进行分类校验。
本发明的有益效果：本发明根据配电线路网络连接关系，推导出了在同一台区内各用户用电量之间具有相互影响的公式，证明了在同一台区内的用户用电量方面，某个用户都具有其他用户的影子，具备相同的属性；利用有监督的线性回归法先初步判断一部分用户是否属于台区，把初步确定属于或不属于台区的两类用户作为分类的样本，再进一步利用支持向量机(SVM)进行训练，从而获得属于或不属于台区的特征；再对未确定户变关系的用户进行分类，最后识别出所有用户的户变关系归属。本发明中无需使用多余的设备，成本较低，而且本发明以仿真数据和实际数据为例，采用本方法对户变关系进行计算，结果表明本算法给出的精度达到了91％以上的识别率，识别率高，在数据量足够的情况下，识别准确率可达到100％。
附图说明
图1供电网络的结构模型。
图2本发明的低压配电网问题台区的户变关系识别方法流程。
具体实施方式
实施例1
1、供电网络模型
低压配电网台区户变关系模型如图1所示，变压器低压侧电压为U，网络中每一段线路电阻为ri，每个用户的阻抗为Zi。考察在时间T内，每段线路电阻消耗的能量为Wri，每个用户消耗的能量为Wi。线路电阻ri远远小于用户阻抗Zi，每个用户两端的电压近似为U。可得线路电阻ri上消耗的能量与用户消耗的能量之间的关系为：
即该段线路上损耗的能量与其对应的用户及之后的用户所消耗的能量有关。该台区消耗的总能量与各用户消耗的能量之间的关系为：
针对某一实际低压配电网台区，其各段线路阻值基本保持不变，从而可以根据(2)式利用用户负荷数据区分不同台区，外来台区的用户负荷数据与本台区总表数据之间不存在上述关系。
同时，处于同一台区的各个用户消耗的能量之间相互影响。以二级网络为例，当网络中只存在两个用户时，其两端电压分别为U1、U2，功率分别为P1、P2，则两者功率之比为：
其中，线路电阻r2为固定值，在用户1阻抗不发生改变而用户2阻抗改变时，用户1的功率将随着用户2功率的变化而改变。当用户2阻抗减少时，网络总阻抗降低，致使线路电阻r1上的电流增大，分压变大，用户1的分压降低，致使用户1的功率降低。同理扩展到多个用户，供电线路越长，线路电阻越大，某个用户负载变化对其他用户的影响就越大。
2、低压配电网问题台区的户变关系识别方法
本步骤的流程图如图2所示，具体如下：
数据获取：从用电信息采集系统中获取到目标台区及邻近台区的总表和各户表的日冻结电量后，并对数据进行预处理；预处理主要是针对大量缺失数据，补0；针对少量缺失数据，采用平均值填充，即将缺失前后两天的用电量计量之差平均分配到缺失的天数当中；将户表日用电量明显高于总表日用电量的用户删除(该用户肯定不属于本台区)；以平均值修正明显错误的数据(例如出现负值，修改为前后两天用电量的平均值)。
对上述数据做一阶差分得到各用户及总表的日用电量X和Y，为了能更好的突出负荷特征，做二阶差分运算得到特征矩阵Xd和Yd。各用户日用电量矩阵X 如式(4)所示，总表日用电量矩阵Y如式(5)所示，用户日用电量特征矩阵Xd如式(6)所示，总表日用电量特征矩阵Yd如式(7)所示；
Y＝[y1 y2…ym]T (5)
Xd-ij＝X(i+1)j-Xij (6)
Yd-ij＝Y(i+1)j-Yij (7)
其中xij表示第j块表第i天的用电量，yi表示总表第i天的用电量。
有监督的回归法：
输出矩阵Xinput由用户日用电量X与特征矩阵Xd合并构成：
将总表日用电量矩阵与特征矩阵合并构成校验矩阵YT：
设权值矩阵为W：
W＝[W1 W2…Wm]T (10)
其中，wi代表每个用户分配到的权值，初始化为wi＝0(i＝1，2，...，m)
其中，学习输出为：
O＝Xinput·W (11)
约束条件为：
|Oi|≤|YTi| (12)
0≤wj≤1 (13)
其中，L为台区默认的正常线路损耗，一般取0～5％。
目标函数为训练输出矩阵与校验矩阵的偏差率：
按照上述的公式，首先构建输入矩阵Xinput和校验矩阵YT，接着建立权值矩阵W，并在约束条件下采用最小二乘法求解权值矩阵，以求解得到的权值矩阵作为随机梯度下降过程的初始解，构建目标函数(15)，通过不断的迭代训练更正权值矩阵，使得目标函数获得最小值；其中，在计算目标函数时，针对每一次计算出的权值矩阵，选取一个阈值，使得利用大于该阈值的用户的数据计算出的线损率波动最小(公式(14)为第i天线损率计算公式，依次计算出每天的线损率，线损率波动即为其中最大值与最小值之差)；在最终的权值矩阵中，大于阈值的用户，用户系数设置为1认为属于本台区，否则设为0，认为不属于本台区，初步确定用户归属。
SVM分类：
依据有监督的回归法计算得到的权值按降序对用户排列，选取一定规模的正确户变数据和错误户变数据作为训练集，利用SVM进行二分类模型训练，模型训练成功之后再对其他待校验用户进行判别。
使用LIBSVM工具，其详细步骤为：
1.对选取的训练集中的错误数据和正确数据分别加0、1标签；
2.根据数据规模选取合适的核函数，当数据规模较小时，优先选取多项式核函数，否则选取RBF核函数；
3.通过交叉验证选取最佳参数C(惩罚系数)和g(选取RBF核函数时自带的参数)；
4.采用最佳参数C与g对整个训练集进行训练获取分类模型；
5.利用获取的模型对未验证的数据进行分类校验。
3、识别的效果：
表1对现场台区数据的训练结果
从表1中我们可以看出，其识别率最低可达91.67，大部分的识别率达到了 100％。

Claims (8)

1.一种配电台区户变关系的识别方法，包括以下步骤：
1)数据获取：从用电信息采集系统中获取到目标台区及邻近台区的总表和各户表的日冻结电量后，并对数据进行预处理；
2)构建矩阵：根据步骤1)获取的数据，建立日用电量的矩阵和特征矩阵；
3)有监督的回归方法：根据步骤2)中的矩阵，构建输入矩阵和校验矩阵，接着建立权值矩阵，并在约束条件下采用最小二乘法求解权值矩阵，以求解得到的权值矩阵作为随机梯度下降过程的初始解，构建目标函数，通过不断的迭代训练更正权值矩阵，使得目标函数获得最小值；其中，在计算目标函数时，针对每一次计算出的权值矩阵，选取一个阈值，使得利用大于该阈值的用户的数据计算出的线损率波动最小；在最终的权值矩阵中，大于阈值的用户认为属于本台区，否则认为不属于本台区，初步确定用户归属；
4)SVM分类：根据步骤3)中有监督的回归法计算得到的权值按降序对用户排列，选取一定规模的正确户变数据和错误户变数据作为训练集，利用SVM进行二分类模型训练，模型训练成功之后再对其他待校验用户进行判别。
2.根据权利要求1所述的配电台区户变关系的识别方法，其特征在于，所述步骤1)中，所述步骤1)中，数据预处理的具体步骤为：针对大量缺失数据，补0；针对少量缺失数据，采用平均值填充。
3.根据权利要求1所述的配电台区户变关系的识别方法，其特征在于，所述步骤2)中，矩阵构建的具体步骤如下：根据步骤1)获取的数据，做一阶差分得到各用户及总表的日用电量X和Y，为了能更好的突出负荷特征，做二阶差分运算得到特征矩阵Xd和Yd；其中：个用户日用电量矩阵X为2-1，总表日用电量矩阵Y为2-2，用户日用电量特征矩阵Xd为2-3，总表日用电量特征矩阵Yd为2-4；
Y＝[y1 y2… ym]T 2-2
Xd-ij＝X(i+1)j-Xij 2-3
Yd-ij＝Y(i+1)j-Yij 2-4
其中xij表示第j块表第i天的用电量，yi表示总表第i天的用电量。
4.根据权利要求1所述的配电台区户变关系的识别方法，其特征在于，所述步骤3)中，所述的输入矩阵Xinput由用户日用电量X与特征矩阵Xd合并构成:
所述的效验矩阵YT由总表日用电量Y与特征矩阵Yd合并构成：
5.根据权利要求1或4所述的配电台区户变关系的识别方法，其特征在于，所述步骤3)中，所述的权值矩阵W：
W＝[w1 w2… wm]T 3-3
其中，wi代表每个用户分配到的权值，初始化为wi＝0(i＝1，2，...，m)。
6.根据权利要求1所述的配电台区户变关系的识别方法，其特征在于，所述步骤3)中所述的在约束条件下利用最小二乘法求解权值矩阵的步骤为：
令学习输出O为：
O＝Xinput·W 3-4
约束条件为：
|Oi|≤|YTi| 3-5
0≤wj≤1 3-6
其中，L为台区默认的正常线路损耗，一般取0～5％。
7.根据权利要求1所述的配电台区户变关系的识别方法，其特征在于，所述步骤3)中，目标函数E为训练输出矩阵与校验矩阵的偏差率：
8.根据权利要求1所述的配电台区户变关系的识别方法，其特征在于，所述步骤步骤4)中，SVM进行二分类模型训练的具体步骤为：
①对选取的训练集中的错误数据和正确数据分别加0、1标签；
②根据数据规模选取合适的核函数，当数据规模较小时，优先选取多项式核函数，否则选取RBF核函数；
③通过交叉验证选取最佳参数C-惩罚系数和g-选取RBF核函数时自带的参数；
④采用最佳参数C与g对整个训练集进行训练获取分类模型；
⑤利用获取的模型对未验证的数据进行分类校验。
CN201910672597.7A 2019-07-24 2019-07-24 一种配电台区户变关系的识别方法 Active CN110516912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910672597.7A CN110516912B (zh) 2019-07-24 2019-07-24 一种配电台区户变关系的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910672597.7A CN110516912B (zh) 2019-07-24 2019-07-24 一种配电台区户变关系的识别方法

Publications (2)

Publication Number Publication Date
CN110516912A true CN110516912A (zh) 2019-11-29
CN110516912B CN110516912B (zh) 2023-05-23

Family

ID=68623421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910672597.7A Active CN110516912B (zh) 2019-07-24 2019-07-24 一种配电台区户变关系的识别方法

Country Status (1)

Country Link
CN (1) CN110516912B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400371A (zh) * 2020-03-13 2020-07-10 上海电力大学 一种基于电压相关性校验的户变关系识别方法
CN111753259A (zh) * 2020-06-22 2020-10-09 国网福建省电力有限公司 基于台区能量平衡的台区拓扑档案校核方法
CN111861789A (zh) * 2020-07-14 2020-10-30 国网湖南省电力有限公司 基于电流数据整数规划求解的户变关系识别方法及系统
CN111951125A (zh) * 2020-08-12 2020-11-17 积成电子股份有限公司 一种基于大数据分析的台区异常户变关系识别方法
CN111985701A (zh) * 2020-07-31 2020-11-24 国网上海市电力公司 一种基于供电企业大数据模型库的用电预测方法
CN112085403A (zh) * 2020-09-16 2020-12-15 国网福建省电力有限公司营销服务中心 一种基于混合整数规划的低压台区拓扑辨识方法
CN112234605A (zh) * 2020-09-22 2021-01-15 北京市腾河智慧能源科技有限公司 基于电器启停的负荷特征识别台区户变关系的方法及系统
CN113033897A (zh) * 2021-03-26 2021-06-25 国网上海市电力公司 基于用户分支的电量相关性识别台区户变关系的方法
CN113077126A (zh) * 2021-03-17 2021-07-06 国网江苏省电力有限公司营销服务中心 一种基于数据驱动的低压台区户-变隶属关系核查方法
CN113256444A (zh) * 2021-04-30 2021-08-13 北京中电飞华通信有限公司 一种低压台区户变关系辨识方法和装置
CN113297539A (zh) * 2021-05-07 2021-08-24 天云融创数据科技（北京）有限公司 户变关系异常识别方法、装置、电子设备和介质
CN113744089A (zh) * 2021-11-08 2021-12-03 广东电网有限责任公司佛山供电局 一种台区户变关系辨识方法及设备
CN115293481A (zh) * 2022-05-30 2022-11-04 国网江苏省电力有限公司无锡供电分公司 一种基于集成学习lscp算法的台区户变关系纠查方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5276771A (en) * 1991-12-27 1994-01-04 R & D Associates Rapidly converging projective neural network
CN102654544A (zh) * 2012-05-24 2012-09-05 江苏方天电力技术有限公司 一种台区户变关系自动识别模型和方法
JP2014229112A (ja) * 2013-05-23 2014-12-08 日本電信電話株式会社 情報配信装置、情報配信方法及び情報配信プログラム
CN104951866A (zh) * 2015-05-19 2015-09-30 广西大学 一种县级供电企业线损综合管理对标评价体系及评价方法
CN107482641A (zh) * 2017-03-10 2017-12-15 中国科学院广州能源研究所 与智能电容器组配合工作的svg控制方法
CN207396549U (zh) * 2017-10-27 2018-05-22 长沙恒电聚能电子科技有限公司 故障指示器采集单元外壳
CN109034585A (zh) * 2018-07-18 2018-12-18 国网湖北省电力有限公司 基于用电信息和地理位置的台区户变关系判别算法及系统
CN109344144A (zh) * 2018-09-06 2019-02-15 葛得辉 一种低压台区户变关系识别方法和系统
CN109390976A (zh) * 2018-09-21 2019-02-26 武汉大学 一种低压台区分布式光伏发电功率辨识方法
CN109523174A (zh) * 2018-11-21 2019-03-26 国网江苏省电力有限公司电力科学研究院 一种基于数据驱动的低压台区户变关系核查方法
CN109816033A (zh) * 2019-01-31 2019-05-28 清华四川能源互联网研究院 一种基于优化的监督学习进行台区用户识别的方法
CN109918612A (zh) * 2019-01-31 2019-06-21 国网浙江省电力有限公司电力科学研究院 一种基于稀疏学习的台区拓扑结构校验方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5276771A (en) * 1991-12-27 1994-01-04 R & D Associates Rapidly converging projective neural network
CN102654544A (zh) * 2012-05-24 2012-09-05 江苏方天电力技术有限公司 一种台区户变关系自动识别模型和方法
JP2014229112A (ja) * 2013-05-23 2014-12-08 日本電信電話株式会社 情報配信装置、情報配信方法及び情報配信プログラム
CN104951866A (zh) * 2015-05-19 2015-09-30 广西大学 一种县级供电企业线损综合管理对标评价体系及评价方法
CN107482641A (zh) * 2017-03-10 2017-12-15 中国科学院广州能源研究所 与智能电容器组配合工作的svg控制方法
CN207396549U (zh) * 2017-10-27 2018-05-22 长沙恒电聚能电子科技有限公司 故障指示器采集单元外壳
CN109034585A (zh) * 2018-07-18 2018-12-18 国网湖北省电力有限公司 基于用电信息和地理位置的台区户变关系判别算法及系统
CN109344144A (zh) * 2018-09-06 2019-02-15 葛得辉 一种低压台区户变关系识别方法和系统
CN109390976A (zh) * 2018-09-21 2019-02-26 武汉大学 一种低压台区分布式光伏发电功率辨识方法
CN109523174A (zh) * 2018-11-21 2019-03-26 国网江苏省电力有限公司电力科学研究院 一种基于数据驱动的低压台区户变关系核查方法
CN109816033A (zh) * 2019-01-31 2019-05-28 清华四川能源互联网研究院 一种基于优化的监督学习进行台区用户识别的方法
CN109918612A (zh) * 2019-01-31 2019-06-21 国网浙江省电力有限公司电力科学研究院 一种基于稀疏学习的台区拓扑结构校验方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周林;雍雪林;: "基于ARIMA模型及线性神经网络的用电量需求预测研究", 鲁东大学学报(自然科学版) *
张承畅;张华誉;罗建昌;何丰;: "基于云计算和改进K-means算法的海量用电数据分析方法", 计算机应用 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111400371A (zh) * 2020-03-13 2020-07-10 上海电力大学 一种基于电压相关性校验的户变关系识别方法
CN111753259A (zh) * 2020-06-22 2020-10-09 国网福建省电力有限公司 基于台区能量平衡的台区拓扑档案校核方法
CN111861789A (zh) * 2020-07-14 2020-10-30 国网湖南省电力有限公司 基于电流数据整数规划求解的户变关系识别方法及系统
CN111985701A (zh) * 2020-07-31 2020-11-24 国网上海市电力公司 一种基于供电企业大数据模型库的用电预测方法
CN111985701B (zh) * 2020-07-31 2024-03-01 国网上海市电力公司 一种基于供电企业大数据模型库的用电预测方法
CN111951125A (zh) * 2020-08-12 2020-11-17 积成电子股份有限公司 一种基于大数据分析的台区异常户变关系识别方法
CN111951125B (zh) * 2020-08-12 2022-04-22 积成电子股份有限公司 一种基于大数据分析的台区异常户变关系识别方法
CN112085403A (zh) * 2020-09-16 2020-12-15 国网福建省电力有限公司营销服务中心 一种基于混合整数规划的低压台区拓扑辨识方法
CN112234605B (zh) * 2020-09-22 2022-03-22 北京市腾河智慧能源科技有限公司 基于电器启停的负荷特征识别台区户变关系的方法及系统
CN112234605A (zh) * 2020-09-22 2021-01-15 北京市腾河智慧能源科技有限公司 基于电器启停的负荷特征识别台区户变关系的方法及系统
CN113077126A (zh) * 2021-03-17 2021-07-06 国网江苏省电力有限公司营销服务中心 一种基于数据驱动的低压台区户-变隶属关系核查方法
CN113077126B (zh) * 2021-03-17 2024-08-02 国网江苏省电力有限公司营销服务中心 一种基于数据驱动的低压台区户-变隶属关系核查方法
CN113033897A (zh) * 2021-03-26 2021-06-25 国网上海市电力公司 基于用户分支的电量相关性识别台区户变关系的方法
CN113256444A (zh) * 2021-04-30 2021-08-13 北京中电飞华通信有限公司 一种低压台区户变关系辨识方法和装置
CN113297539A (zh) * 2021-05-07 2021-08-24 天云融创数据科技（北京）有限公司 户变关系异常识别方法、装置、电子设备和介质
CN113744089A (zh) * 2021-11-08 2021-12-03 广东电网有限责任公司佛山供电局 一种台区户变关系辨识方法及设备
CN113744089B (zh) * 2021-11-08 2022-02-15 广东电网有限责任公司佛山供电局 一种台区户变关系辨识方法及设备
CN115293481A (zh) * 2022-05-30 2022-11-04 国网江苏省电力有限公司无锡供电分公司 一种基于集成学习lscp算法的台区户变关系纠查方法及系统

Also Published As

Publication number Publication date
CN110516912B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110516912A (zh) 一种配电台区户变关系的识别方法
CN111162608B (zh) 一种基于关联分析的配电变压器台区拓扑识别与校验方法
CN109325545A (zh) 低压配电网拓扑结构校验方法、装置、设备及存储介质
CN104134999B (zh) 基于多数据源的配电网量测有效性分析实用化计算方法
CN102521652B (zh) 一种电网运营效率评价决策方法
CN105139095A (zh) 基于属性区间模型的配电网运行状态评估方法
CN104331844A (zh) 一种电网基建项目投资决策方法
CN106570778A (zh) 一种基于大数据的数据集成与线损分析计算的方法
CN112688428B (zh) 一种基于物联网技术的10千伏电网同期线损治理方法
CN110503136A (zh) 台区线损异常分析方法、计算机可读存储介质及终端设备
CN110264032B (zh) 一种直流配网规划方案评价结果的获取方法
CN110276511A (zh) 一种基于电量与线损关联性的线变关系异常判别方法
CN104077651B (zh) 电网检修计划优化方法
CN111738462A (zh) 电力计量装置故障抢修主动服务预警方法
CN103927693A (zh) 一种配网线损管理系统
CN110311709A (zh) 用电信息采集系统故障判别方法
CN113469486A (zh) 一种线路负损及高损的分析方法
CN111160732A (zh) 一种适用于多站融合安全与效益综合评价的方法
CN107069801B (zh) 一种基于最小用户停电损失的配电网孤岛划分方法
CN108898239A (zh) 一种基于数据分析的配电变压器选址方法
CN111476397A (zh) 应用于中长期电量安全校核的母线负荷预测方法及系统
CN113344364B (zh) 停电计划的风险分析方法、装置、电子设备及存储介质
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN105958472A (zh) 一种配电网运行优化系统
CN105335824B (zh) 基于数据中心的配电网故障抢修指挥方法与系统

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