CN110705887A - 一种基于神经网络模型的低压台区运行状态综合评价方法 - Google Patents
一种基于神经网络模型的低压台区运行状态综合评价方法 Download PDFInfo
- Publication number
- CN110705887A CN110705887A CN201910956164.4A CN201910956164A CN110705887A CN 110705887 A CN110705887 A CN 110705887A CN 201910956164 A CN201910956164 A CN 201910956164A CN 110705887 A CN110705887 A CN 110705887A
- Authority
- CN
- China
- Prior art keywords
- formula
- neural network
- value
- evaluation
- area
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 77
- 238000003062 neural network model Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 238000003064 k means clustering Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012797 qualification Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000013024 troubleshooting Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种基于神经网络模型的低压台区运行状态综合评价方法，包括以下步骤：S1获取多个历史台区一天内间隔1小时的用户平均有功功率值；S2利用改进K‑Means聚类算法按台区用户平均有功功率将台区进行分类；S3利用序关系分析计算出影响台区运行状态的评价指标权重值；S4由加权值计算得到历史台区运行状态评价值；S5以历史台区运行状态评价值为RBF神经网络样本进行模型训练，获得RBF神经网络低压台区运行状态评价模型；S6利用训练好的RBF神经网络低压台区运行状态评价模型对不同类型台区开展运行状态评价。通过该方法可以实现低压台区运行状态全方面准确评价，及发现台区存在的问题，指导现场运维人员开展故障排查，提升台区精益化管理水平。
Description
技术领域
本发明属于低压台区运行状态评价技术领域，具体为一种基于神经网络模型的低压台区运行状态综合评价方法。
背景技术
低压台区(以下简称台区)是电力企业电能输送的末端环节，台区内部配电线路复杂，电力设备众多，随着社会经济的发展，台区用电设备呈现出多样化，台区线损及电压偏差等台区问题日益突显，台区管理对信息化技术的要求越发急迫。
传统的台区管理依赖人工对台区电力设备及配电线路开展巡查，发现问题通过人工记录方式报送至运维团队，运维团队根据人工记录对台区存在的问题进行排查，此方式效率较低，且台区问题已开始向隐性化方向发展，人工巡查难以及时发现存在的各类问题。随着配电自动化、用电信息采集系统等自动化、信息化系统的应用，电力企业已能通过信息系统采集台区用电数据，充分利用现有用电数据，结合数据分析算法，开展台区运行状态评价，及时发现台区存在的各类问题，指导运维团队开展现场问题排查，提升台区精益化管理水平已十分必要。
发明内容
本发明的目的在于解决上述问题，提供一种基于神经网络模型的低压台区运行状态综合评价方法，其作用是利用数据分析技术对台区运行状态开展准确评价，解决传统人工台区问题巡查效率低下及难以发现台区隐性问题的不足，及时发现台区存在的各类问题，安排运维团队开展现场问题排查，提升台区精益化管理水平。
本发明的技术方案：
一种基于神经网络模型的低压台区运行状态综合评价方法，其特征在于，包括以下具体步骤：
S1.获取多个历史台区一天内间隔1小时的用户平均有功功率值；
S2.利用改进K-Means聚类算法按台区用户平均有功功率将台区进行分类；
改进K-Means聚类算法引进总的轮廓St及聚类中心选取参数CE，轮廓系数是聚类效果好坏的一种评价指标，数值越大，聚类效果越好，对于任意一个分类样本点，轮廓系数计算公式见(1)式，
(1)式中：q(k)为点k到所属类中其它点的平均距离；p(k)为点k到非所属类中所有点平均距离的最小值，聚类结果总的轮廓系数是所有样本点轮廓系数的平均值，计算公式见(2)式，
(2)式中：t为分类数量，
聚类中心选取参数CE计算公式见(3)式，
(3)式中：Pij为台区i第j时刻的有功功率值，Pimin为台区i一天内某一时刻用户最小平均有功功率值，按CE值进行升序排序，并等分成t类，选取每类的中心有功功率所在台区作为该类的初始聚类中心；
S3.利用序关系分析计算出影响台区运行状态的评价指标权重值；
序关系分析权重值计算公式见(4)式，
(4)式中ωn为台区运行状态评价指标un的权值，ri表示台区运行状态评价指标ui-1与ui之间严重性程度之比，计算公式见(5)式，
(5)式中ωi-1为状态评价指标ui-1的权值；
S4.由加权值计算得到历史台区运行状态评价值；
加权值计算公式见(6)式，
(6)式中Se为台区运行状态评价值，ωi为第i个状态评价指标权重值；
S5.以历史台区运行状态评价值为RBF神经网络样本进行模型训练，获得RBF神经网络低压台区运行状态评价模型；
RBF神经网络的输入层向量为x＝[x1,x2,…,xn]T，ω0为RBF神经网络的输出层偏置，ω＝[ω1,ω2,…,ωi]T为RBF神经网络的输出层权值向量，Φi为RBF神经网络隐藏层非线性传输公式，取高斯函数为其表达式，见公式(7)，
(7)式中μi是第i个高斯函数的中心，σi为第i个高斯函数的宽度，也是第i个隐藏节点的感知变量，决定了函数的每感区域，m为隐藏节点的个数，||x-μi||2为向量范数，表示输入层到隐藏层高斯函数中心的欧氏距离，RBF神经网络的输出表达式见(8)式，其输出y代表期望值，即待评价台区的评分值，
S6.利用训练好的RBF神经网络低压台区运行状态评价模型对不同类型台区开展运行状态评价。
所述步骤S1中用户平均有功功率值来源于电力公司用电信息采集系统采集到的低压台区总表小时级有功功率数据。
所述步骤S2利用改进K-Means聚类算法按台区用户平均有功功率对台区进行分类，解决K-Means聚类算法在聚类开始前，需要事先给定类别数目的问题，以及需要根据初始聚类中心来确定一个初始分类，然后对初始分类进行优化。
所述步骤S3利用序关系分析得到8个影响低压台区运行状态的评价指标权重值，步骤S4取8个影响低压台区运行状态的评价指标的加权求和值为历史台区运行状态评价值。
8个影响低压台区运行状态的评价指标包括电压合格率、电流三相不平衡度、配变负载率、档案准确率、总表采集成功率、户表采集成功率、计量设备故障率及台区线损率。
与现有技术相比，本发明的有益效果是：利用数据分析技术对台区运行状态开展准确评价，解决传统人工台区问题巡查效率低下及难以发现台区隐性问题的不足，及时发现台区存在的各类问题，安排运维团队开展现场问题排查，提升台区精益化管理水平。
附图说明
图1为本发明一种基于神经网络模型的低压台区运行状态综合评价方法流程图；
图2为RBF神经网络的结构原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明以某100个历史台区及12个待评价低压台区为例，对基于神经网络模型的低压台区运行状态综合评价方法具体实施方式进行说明。
图1所示为本发明一种基于神经网络模型的低压台区运行状态综合评价方法流程图。具体实施步骤如下：
步骤S1，从电力企业用电信息采集系统获取100个历史台区一天内间隔1小时的用户平均有功功率值，各台区用户平均有功功率值见表1所示。
表1 100个历史台区一天内间隔1小时的用户平均有功功率
| 台区编号 | P1 | P2 | P3 | P4 | …… | P23 | P24 |
| 001 | 18.22 | 16.35 | 11.23 | 11.64 | …… | 29.65 | 20.62 |
| 002 | 19.11 | 1.26 | 1.23 | 0.85 | …… | 20.58 | 24.58 |
| 003 | 58.33 | 36.25 | 34.25 | 28.54 | …… | 82.59 | 89.59 |
| …… | …… | …… | …… | …… | …… | …… | …… |
| 99 | 27.64 | 16.87 | 15.43 | 12.47 | …… | 29.44 | 30.67 |
| 100 | 27.85 | 18.77 | 15.32 | 15.54 | …… | 33.52 | 34.71 |
对表1所示用户平均有功功率归一化处理，见公式(1)。
(1)式中：Pij为i台区j时刻的有功功率值，min(Pi)为i台区内最小有功功率值，max(Pi)为i台区内最大有功功率值。
归一化由表1得到表2所示的历史台区用户平均有功功率归一化值。
表2历史台区有功功率归一化值
步骤S2，改进K-Means聚类算法引进总的轮廓系数St及聚类中心选取参数CE，轮廓系数是聚类效果好坏的一种评价指标，数值越大，聚类效果越好，对于任意一个分类样本点i，轮廓系数计算公式见(2)式。
(2)式中：q(k)为点k到所属类中其它点的平均距离；p(k)为点k到非所属类中所有点平均距离的最小值。聚类结果总的轮廓系数是所有样本点轮廓系数的平均值，计算公式见(3)式。
(3)式中：t为分类数量。
聚类中心选取参数CE计算公式见(4)式。
(4)式中：Pij为台区i第j时刻的有功功率值，Pimin为台区i一天内某一时刻用户最小平均有功功率值。按CE值进行升序排序，并等分成t类，选取每类的中心有功功率所在台区作为该类的初始聚类中心。
由表2及公式(4)计算得到聚类中心参数CE值见表3所示。
表3聚类中心参数CE值
令初始聚类数目t从3到10递增，分别计算相应t值下聚类结果总的轮廓系数St，计算结果见表4所示。对比St可知，当聚类数目t为4时，聚类结果总的轮廓系数最大，聚类效果最好。因此本文选取初始聚类数目为4。
表4不同t值下聚类总轮廓系数
| t | 总轮廓系数 | t | 总轮廓系数 |
| 3 | 0.348 | 7 | 0.482 |
| 4 | 0.631 | 8 | 0.461 |
| 5 | 0.541 | 9 | 0.387 |
| 6 | 0.548 | 10 | 0.356 |
步骤S3，利用序关系分析法计算8个台区运行状态评价指标权重值。序关系分析权重值计算公式见(5)式。
(5)式中ωn为台区运行状态评价指标un的权值，ri表示台区运行状态评价指标ui-1与ui之间严重性程度之比，计算公式见(6)式。
(6)式中ωi-1为状态评价指标ui-1的权值，ri取值见表5所示。
表5ri赋值表
台区运行状态评价指标ui-1与ui之间严重性程度见公式(7)。
u1(户表采集成功率)＞u2(总表采集成功率)＞u3(计量设备故障率)＞u4(档案准确率)＞u5(台区线损率)＞u6(电压合格率)＞u7(配变负载率)＞u8(电流三相不平衡度)(7)
(7)式中＞表示符号左边的台区运行状态评价指标影响台区健康严重程度大于符号右边的台区运行状态评价指标。由专家经验得到各状态评价指标之间的严重程度之比R＝(r1,r2,r3,r4,r5,r6,r7,r8)＝(1.0,1.6,1.0,1.4,1.4,1.4,1.2)。
由公式(5)、公式(6)计算得到状态评价指标权重值：W＝(ω1,ω2,ω3,...,ω8)＝(0.226,0.226,0.141,0.141,0.101,0.071,0.051,0.043)
步骤S4，加权值计算得到历史台区运行状态评价值，加权值计算公式见(8)式。
(8)式中Se为台区运行状态评价值，ωi为第i个状态评价指标权重值。
选取分类后历史台区评价指标体系集U的数据，如下表6所示。
表6 4个分类台区评价指标体系集数据
根据表6的数据，利用加权公式(13)计算得到100个历史台区运行状态评价值如下表7所示。
表7历史台区运行状态评价值
步骤S5，以历史台区运行状态评价值为RBF神经网络样本进行模型训练，获得RBF神经网络低压台区运行状态评价模型。RBF神经网络的结构原理图见图2所示。
图2中x＝[x1,x2,…,xn]T为网络输入层向量，ω0为输出层偏置，ω＝[ω1,ω2,…,ωi]T为输出层权值向量，Φi为隐藏层非线性传输公式，取高斯函数为其表达式，见公式(9)。
(9)式中μi是第i个高斯函数的中心，σi为第i个高斯函数的宽度，也是第i个隐藏节点的感知变量，决定了函数的每感区域，m为隐藏节点的个数，||x-μi||2为向量范数，表示输入层到隐藏层高斯函数中心的欧氏距离。RBF神经网络的输出表达式见(10)式，其输出代表期望值，即待评价台区的评分值。
利用表6和表7数据训练RBF神经网络，得到基于神经网络的台区运行状态评价模型。
步骤S7，利用训练好的RBF神经网络低压台区运行状态评价模型对12个待评价低压台区开展运行状态评价。将12个待评价台区的8个运行状态评价指标值输入训练好的RBF神经网络低压台区运行状态评价模型。得到12个台区的评价值见表8所示。
表8台区运行状态评价值
| 台区编号 | 评价值 | 台区编号 | 评价值 |
| 001 | 91 | 007 | 80 |
| 002 | 93 | 008 | 72 |
| 003 | 96 | 009 | 77 |
| 004 | 87 | 010 | 61 |
| 005 | 84 | 011 | 66 |
| 006 | 86 | 012 | 56 |
从表8可以看到，001～003号台区评分很高，说明台区运行状态好，其各项状态评价指标均很好。004～007号台区评分较高，说明台区运行状态良好，通过分析各评价指标数据发现其各台区分别出现电压合格率、电流三相不平衡度、计量设备故障率等单项状态评价指标较差的问题。008～009号台区评分低，说明台区运行状态差，通过分析各评价指标数据发现各台区分别出现有电流三相不平衡度、档案准确率、户表采集成功率、计量设备故障率等多个状态评价指标项较差的问题。010～012号台区评价极低，说明台区运行状态极差，通过分析各评价指标数据发现各台区分别出现有户表采集成功率、总表采集成功率、计量设备故障率、台区线损率等多个状态评价指标极差的问题。
通过对12个待评价台进行评价，得到评价值，可指导现场运维人员针对较差的不同评价指标开展台区问题治理，有效提升台区运行水平，确保电网安全运行。
以上所述仅是本发明一种基于神经网络模型的低压台区运行状态综合评价方法的具体实施方式，使本领域技术人员能够理解或实现本发明，但是本发明不仅限于低压台区运行状态评价技术领域，根据权利要求书可以利用本发明提出的一种基于神经网络模型的低压台区运行状态综合评价方法，可用于相关领域系统及设备运行状态评价，针对本文明实例进行的多种修改对本领域技术人员而言是显而易见的，本发明所采用的方法及原理可以在不脱离本发明的精神或范围的情况下，在其它的实例中实现。因此，本发明不会被限制于本文所示的实施案例，而是要符合与本文所公开的原理和新颖特点所一致的最宽范围。
最后说明的是，以上所述仅是实施例仅为说明本发明技术方案而非限制，尽管参照实施例对本发明进行的详细的说明，本领域的普遍技术人员应当理解，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于神经网络模型的低压台区运行状态综合评价方法，其特征在于，包括以下具体步骤：
S1.获取多个历史台区一天内间隔1小时的用户平均有功功率值；
S2.利用改进K-Means聚类算法按台区用户平均有功功率将台区进行分类；
改进K-Means聚类算法引进总的轮廓St及聚类中心选取参数CE，轮廓系数是聚类效果好坏的一种评价指标，数值越大，聚类效果越好，对于任意一个分类样本点，轮廓系数计算公式见(1)式，
(1)式中：q(k)为点k到所属类中其它点的平均距离；p(k)为点k到非所属类中所有点平均距离的最小值，聚类结果总的轮廓系数是所有样本点轮廓系数的平均值，计算公式见(2)式，
(2)式中：t为分类数量，
聚类中心选取参数CE计算公式见(3)式，
(3)式中：Pij为台区i第j时刻的有功功率值，Pimin为台区i一天内某一时刻用户最小平均有功功率值，按CE值进行升序排序，并等分成t类，选取每类的中心有功功率所在台区作为该类的初始聚类中心；
S3.利用序关系分析计算出影响台区运行状态的评价指标权重值；
序关系分析权重值计算公式见(4)式，
(4)式中ωn为台区运行状态评价指标un的权值，ri表示台区运行状态评价指标ui-1与ui之间严重性程度之比，计算公式见(5)式，
(5)式中ωi-1为状态评价指标ui-1的权值；
S4.由加权值计算得到历史台区运行状态评价值；
加权值计算公式见(6)式，
(6)式中Se为台区运行状态评价值，ωi为第i个状态评价指标权重值；
S5.以历史台区运行状态评价值为RBF神经网络样本进行模型训练，获得RBF神经网络低压台区运行状态评价模型；
RBF神经网络的输入层向量为x＝[x1,x2,…,xn]T，ω0为RBF神经网络的输出层偏置，ω＝[ω1,ω2,…,ωi]T为RBF神经网络的输出层权值向量，Φi为RBF神经网络隐藏层非线性传输公式，取高斯函数为其表达式，见公式(7)，
(7)式中μi是第i个高斯函数的中心，σi为第i个高斯函数的宽度，也是第i个隐藏节点的感知变量，决定了函数的每感区域，m为隐藏节点的个数，||x-μi||2为向量范数，表示输入层到隐藏层高斯函数中心的欧氏距离，RBF神经网络的输出表达式见(8)式，其输出y代表期望值，即待评价台区的评分值，
S6.利用训练好的RBF神经网络低压台区运行状态评价模型对不同类型台区开展运行状态评价。
2.根据权利要求1所述的一种基于神经网络模型的低压台区运行状态综合评价方法，其特征在于，所述步骤S1中用户平均有功功率值来源于电力公司用电信息采集系统采集到的低压台区总表小时级有功功率数据。
3.根据权利要求1所述的一种基于神经网络模型的低压台区运行状态综合评价方法，其特征在于，所述步骤S2利用改进K-Means聚类算法按台区用户平均有功功率对台区进行分类，解决K-Means聚类算法在聚类开始前，需要事先给定类别数目的问题，以及需要根据初始聚类中心来确定一个初始分类，然后对初始分类进行优化。
4.根据权利要求1所述的一种基于神经网络模型的低压台区运行状态综合评价方法，其特征在于，所述步骤S3利用序关系分析得到8个影响低压台区运行状态的评价指标权重值，步骤S4取8个影响低压台区运行状态的评价指标的加权求和值为历史台区运行状态评价值。
5.根据权利要求4所述的一种基于神经网络模型的低压台区运行状态综合评价方法，其特征在于，所述8个影响低压台区运行状态的评价指标包括电压合格率、电流三相不平衡度、配变负载率、档案准确率、总表采集成功率、户表采集成功率、计量设备故障率及台区线损率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910956164.4A CN110705887A (zh) | 2019-10-10 | 2019-10-10 | 一种基于神经网络模型的低压台区运行状态综合评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910956164.4A CN110705887A (zh) | 2019-10-10 | 2019-10-10 | 一种基于神经网络模型的低压台区运行状态综合评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110705887A true CN110705887A (zh) | 2020-01-17 |
Family
ID=69200058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910956164.4A Pending CN110705887A (zh) | 2019-10-10 | 2019-10-10 | 一种基于神经网络模型的低压台区运行状态综合评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110705887A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036686A (zh) * | 2020-07-20 | 2020-12-04 | 清华大学 | 基于理论线损区间计算的低压配电台区线损评价方法 |
| CN112288303A (zh) * | 2020-11-05 | 2021-01-29 | 国家电网有限公司 | 确定线损率的方式、装置 |
| CN112990673A (zh) * | 2021-02-26 | 2021-06-18 | 国网河北省电力有限公司 | 一种基于秩和比法的配网台区运行状态评价监测方法 |
| CN113094899A (zh) * | 2021-04-07 | 2021-07-09 | 全球能源互联网研究院有限公司 | 一种随机潮流计算方法、装置、电子设备及存储介质 |
| CN115796459A (zh) * | 2023-02-08 | 2023-03-14 | 佰聆数据股份有限公司 | 基于多源数据的低压台区电压质量分析方法、装置 |
| CN112288303B (zh) * | 2020-11-05 | 2024-04-23 | 国家电网有限公司 | 确定线损率的方式、装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903189A (zh) * | 2014-03-20 | 2014-07-02 | 华南理工大学 | 基于模糊聚类的低压配网台区聚类方法 |
| CN104573947A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 区域智能配电网低压台区综合评价方法 |
| CN105160416A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种结合主元分析与神经网络的台区合理线损预测方法 |
| 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 |
| WO2022021726A1 (zh) * | 2020-07-29 | 2022-02-03 | 国网上海市电力公司 | 一种基于pmu的电力系统状态估计性能评价方法 |
-
2019
- 2019-10-10 CN CN201910956164.4A patent/CN110705887A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103903189A (zh) * | 2014-03-20 | 2014-07-02 | 华南理工大学 | 基于模糊聚类的低压配网台区聚类方法 |
| CN104573947A (zh) * | 2014-12-29 | 2015-04-29 | 国家电网公司 | 区域智能配电网低压台区综合评价方法 |
| CN105160416A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种结合主元分析与神经网络的台区合理线损预测方法 |
| 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 |
| WO2022021726A1 (zh) * | 2020-07-29 | 2022-02-03 | 国网上海市电力公司 | 一种基于pmu的电力系统状态估计性能评价方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036686A (zh) * | 2020-07-20 | 2020-12-04 | 清华大学 | 基于理论线损区间计算的低压配电台区线损评价方法 |
| CN112036686B (zh) * | 2020-07-20 | 2022-11-18 | 清华大学 | 基于理论线损区间计算的低压配电台区线损评价方法 |
| CN112288303A (zh) * | 2020-11-05 | 2021-01-29 | 国家电网有限公司 | 确定线损率的方式、装置 |
| CN112288303B (zh) * | 2020-11-05 | 2024-04-23 | 国家电网有限公司 | 确定线损率的方式、装置 |
| CN112990673A (zh) * | 2021-02-26 | 2021-06-18 | 国网河北省电力有限公司 | 一种基于秩和比法的配网台区运行状态评价监测方法 |
| CN112990673B (zh) * | 2021-02-26 | 2022-09-09 | 国网河北省电力有限公司 | 一种基于秩和比法的配网台区运行状态评价监测方法 |
| CN113094899A (zh) * | 2021-04-07 | 2021-07-09 | 全球能源互联网研究院有限公司 | 一种随机潮流计算方法、装置、电子设备及存储介质 |
| CN115796459A (zh) * | 2023-02-08 | 2023-03-14 | 佰聆数据股份有限公司 | 基于多源数据的低压台区电压质量分析方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
| CN113159339B (zh) | 一种基于大数据的一台区一指标线损管理方法及系统 | |
| CN109495296B (zh) | 基于聚类与神经网络的智能变电站通信网络状态评价方法 | |
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN100438251C (zh) | 一种大型电力系统脆弱线路辨识的方法 | |
| CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
| CN112116058B (zh) | 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法 | |
| CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
| CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
| CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| CN105975797B (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
| CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
| CN114065605A (zh) | 一种智能电能表运行状态检测评估系统和方法 | |
| CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
| CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
| CN115545514A (zh) | 基于健康度评估的配电融合设备差异化运维方法及装置 | |
| CN111814284A (zh) | 基于相关性检测与改进随机森林的在线电压稳定评估方法 | |
| CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
| CN112990627A (zh) | 电能质量评估方法 | |
| CN106022957A (zh) | 一种电力系统电网协调性发展评价方法 | |
| CN116307844A (zh) | 一种低压台区线损评估分析方法 | |
| CN116523493A (zh) | 配电网运行维护辅助决策分析方法、系统及存储介质 | |
| CN110348676A (zh) | 一种变电站自动化设备状态评价方法及系统 | |
| Dehghani et al. | Distribution feeder classification based on self organized maps (case study: Lorestan province, Iran) | |
| CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 |
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: 20200117 |
|
| RJ01 | Rejection of invention patent application after publication |