CN110750760B - 一种基于态势感知和控制图的异常理论线损检测方法 - Google Patents
一种基于态势感知和控制图的异常理论线损检测方法 Download PDFInfo
- Publication number
- CN110750760B CN110750760B CN201910869442.2A CN201910869442A CN110750760B CN 110750760 B CN110750760 B CN 110750760B CN 201910869442 A CN201910869442 A CN 201910869442A CN 110750760 B CN110750760 B CN 110750760B
- Authority
- CN
- China
- Prior art keywords
- line loss
- theoretical line
- actual
- loss rate
- theoretical
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 44
- 238000010586 diagram Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000005259 measurement Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000000523 sample Substances 0.000 description 16
- 238000007726 management method Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于态势感知和控制图的异常理论线损检测方法,该方法基于时序采集电网实测及预测负荷数据和电网拓扑数据;通过潮流算法分别获得馈线实际运行时的理论线损实际值以及基于馈线正常稳态运行下的理论线损预测值;计算理论线损率残差并采用简单移动平均算法对其进行数据平滑;基于历史稳态数据建立馈线稳态控制图,监控理论线损率残差的异常情况,反映实际理论线损与预测理论线损的偏差大小,从而判断实际理论线损的异常情况。本发明方法能够有效地检测异常理论线损,促使电网公司及时发现并快速处理线路的异常情况,提高电网公司理论线损异常检测效率,保障电网的供电可靠性和供电质量。
Description
技术领域
本发明属于电力能耗检测技术,具体涉及一种基于态势感知和控制图的异常理论线损检测方法。
背景技术
线损是评估电网设计规划、技术设备和经济运行等的综合指标,可以被分为理论线损和管理线损。管理线损主要是由消费者的异常电力行为引起的电能损耗,如窃电等。理论线损又称为技术线损,主要是电网各元件上的能耗损失,如导线和变压器等,其包括不变损耗和可变损耗。
目前,线损的异常检测主要集中在管理线损上。但是与管理线损相比,理论线损从根本上决定了线损的大小。通过对电网理论线损的构成和分布进行深入分析,可以识别电网安全的薄弱点,制定有针对性的节能减损措施,提高经济运行水平和电网的可靠性。因此,理论线损的异常检测是亟待解决的问题。
发明内容
发明目的:针对上述现有技术的不足,本发明提供一种基于态势感知和控制图的异常理论线损检测方法,能够及时检测电网系统是否出现理论线损异常情况。
技术方案:一种基于态势感知和控制图的异常理论线损检测方法,包括以下步骤:
(1)基于多源数据集,获取电网系统信息,包括电网拓扑数据和电网实测负荷数据;
(2)通过潮流算法分别计算电网的实际理论线损和预测理论线损;
(3)根据实际理论线损与预测理论线损计算理论线损率残差;
(4)建立馈线稳态控制图,得到控制图的统计量和控制限;
(5)利用稳态控制图的统计量和控制限对馈线理论线损进行异常检测。
进一步的,步骤(1)所述多源数据集包括电网内部数据源和外部数据源,还包括电网拓扑结构以及各电力设备参数、馈线用户的实际负荷数据、馈线用户的预测负荷数据。
电网系统监控包括数据采集与监视控制系统(SCADA)、地理信息系统(GIS)和能量管理系统(EMS)系统等数据,基于GIS系统获取所需馈线的电网拓扑结构以及各电力设备参数,基于SCADA系统获取馈线用户的实际负荷数据,基于电网负荷预测系统获取馈线用户的预测负荷数据。
进一步的,所述步骤(2)结合馈线的拓扑结构和实际负荷数据,通过潮流计算获取电网各元件的实际电能总损耗,即实际理论线损值;结合馈线的拓扑结构和预测负荷数据,通过潮流计算获取预测理论线损值。
进一步的,所述步骤(3)为了反映馈线理论线损占电力网络供应电量的百分数,把理论线损率作为统计量,计算实际理论线损率和预测理论线损率,并通过比较二者绝对值得到理论线损率残差,反映实际理论线损与预测理论线损之间的偏差大小。具体公式如下:
PR=|AV-PV|
其中,AT,AS,AV分别为该条馈线的实际理论线损值、实际供电量和实际理论线损率;PT,PS,PV分别为该条馈线的预测理论线损值、预测供电量和预测理论线损率;PR为理论线损率残差。
进一步的,所述步骤(4)基于正常运行下的历史稳态理论线损率残差数据,建立稳态R控制图。控制图可以根据数理统计原理分析和判断理论线损率残差数据的异常情况,其主要由三部分构成:中心限CL,下控制限LCL和上控制限UCL,能够对理论线损率残差数据超出上限的样本点予以警报。建立稳态R控制图的具体步骤如下:
1)假设理论损失率数据TL被分成m组,m表示样本数。每组样本由实际理论线损率AV和预测理论线损率PV组成;
2)求取每组样本的极差Ri:
Ri=max TLi-min TLi=|AVi-PVi|=PRi
其中i表示第i组样本,TLi表示第i组样本的理论损失率。
3)利用简单移动平均法对理论线损率残差数据PR进行平滑处理,计算公式如下:
其中SMAn表示第n组样本的移动平均值,PRn-i表示第n-i组样本的理论线损率残差,T表示周期。
4)计算所有样本组的平均残差,计算公式如下:
5)确定R控制图的上控制限UCL、下控制限LCL以及中心线CL:
LCL=0.000
进一步的,所述步骤(5)利用步骤(4)中稳态R控制图的统计量和控制限对理论线损残差数据进行异常情况监控,反映实际理论线损与预测理论线损的偏差大小,从而判断实际理论线损的异常情况:若样本点的理论线损率残差值越过控制限,说明该样本点的实际理论线损与预测理论线损之间的偏差超出了稳态范围,从而判断实际理论线损出现异常情况;若样本点的理论线损率残差值在控制限范围内,则说明该样本点的实际理论线损正常。
有益效果:与现有技术相比,本发明所述方法可有效地检测异常理论线损,促使电网公司及时发现并快速处理线路的异常情况,提高电网公司理论线损异常检测效率,保障电网的供电可靠性和供电质量。
附图说明
图1是本发明所述方法的流程图;
图2是实施例一条10kV馈线的线路拓扑结构;
图3是实施例理论线损率曲线对比图;
图4是实施例未经过数据平滑的R控制图;
图5是实施例经过数据平滑的R控制图;
图6是实施例理论线损检测结果图。
具体实施方式
为了更好的理解本发明所公开的技术方案,下面通过具体的实施例并结合附图进行详细地说明。
本发明提供的是一种基于态势感知和控制图的异常理论线损检测方法,该方法的流程图如图1所示,具体包括以下步骤:
步骤1、基于多源数据集,获取电网系统相关信息:
利用电网内部数据源和外部数据源,包括数据采集与监视控制系统(SCADA)、地理信息系统(GIS)和能量管理系统(EMS)系统等数据。基于GIS系统获取所需馈线的电网拓扑结构以及各电力设备参数,基于SCADA系统获取馈线用户的实际负荷数据,基于电网负荷预测系统获取馈线用户的预测负荷数据。
本实施例以位于天津的一条10kV馈线为例,该网络的拓扑结构如图2所示,共有26台变压器,其中11台公变,15台专变。采集该条馈线从2019年3月1日到2019年3月31日的实际和预测负荷数据,采样时间间隔为15min。由于负荷预测误差会影响异常检测结果,因此保证负荷预测精度非常重要。以平均绝对误差(MAE)和平均绝对百分误差(MAPE)作为预测误差评估标准,计算公式如下式所示:
其中d表示样本容量;Pi是实际负荷值,Pi'是预测负荷值。
表1为11个公用变压器时长一个月的预测负荷数据的MAE和MAPE。基于表1,可以判断负荷预测效果较好,精度较高。
表1.公用变压器的MAE和MAPE预测结果
假设图2的10kV馈线在2019年3月1日到2019年3月31日期间电网运行正常。为了验证本发明所述方法的有效性,基于原馈线正常运行的基础上设置了三个异常场景:假设在3月31日19:15~21:15期间存在如下情况:
1)导线1出现异常,造成变压器T4的负荷率下降至0%;
2)导线2出现异常,造成变压器T9的负荷率下降至0%;
3)导线3出现异常,造成变压器T10的负荷率下降至0%。
步骤2、基于电网系统相关信息,通过潮流计算获取实际理论线损和预测理论线损:
结合馈线的拓扑结构和实际负荷数据,通过潮流计算获取电网各元件的实际电能总损耗,即实际理论线损值;结合馈线的拓扑结构和预测负荷数据,通过潮流计算获取预测理论线损值。
步骤3、比较实际理论线损与预测理论线损,计算理论线损率残差:
为了反映馈线理论线损占电力网络供应电量的百分数,把理论线损率作为统计量,计算实际理论线损率和预测理论线损率,并通过比较二者绝对值得到理论线损率残差,反映实际理论线损与预测理论线损之间的偏差大小。
现通过潮流计算获取图2馈线的实际与预测理论线损值,实际理论线损率AV与预测理论线损率PV可以分别表示为:
PR=|AV-PV|
其中,AT,AS分别为该条馈线的实际理论线损值和实际供电量;PT,PS分别为该条馈线的预测理论线损值,预测供电量;PR为理论线损率残差。图4是该条馈线的理论线损率曲线对比图,包括正常情况以及三个异常场景运行下的实际理论线损率。
步骤4、建立馈线稳态控制图,得到控制图的统计量和控制限:
基于正常运行下的历史稳态理论线损率残差数据,建立稳态R控制图。控制图可以根据数理统计原理分析和判断理论线损率残差数据的异常情况,其主要由三部分构成:中心限CL,下控制限LCL和上控制限UCL,能够对理论线损率残差数据超出上限的样本点予以警报。
以图2的10kV馈线自2019年3月1日到3月30日的理论线损率数据作为历史数据,然后建立稳态R控制图。
具体步骤如下:
1)假设理论损失率TL被分成m组,m表示样本数。每组样本由实际理论线损率AV和预测理论线损率PV组成。本案例中,m取值为30*96。
2)求取每组样本的极差Ri:
Ri=max TLi-min TLi=|AVi-PVi|=PRi
其中i表示第i组样本,TLi表示第i组样本的理论线损率。
3)利用简单移动平均法对理论线损率残差数据PR进行平滑处理,计算公式如下:
其中SMAn表示第n组样本的移动平均值,PRn-i表示第n-i组样本的理论线损率预测残差,T表示周期。本案例中,T取值为3。
4)计算所有样本组的平均残差,计算公式如下:
5)确定R控制图的上限UCL、下限LCL以及中心线CL:
LCL=0.000
本实施例的控制上限和控制下限分别为0.0132和0.0000。图4和图5分别是未经过数据平滑和经过数据平滑建立的R控制图。由这两幅图可知,如果负荷的预测误差很大,一些正常样本将位于控制上控制限之外。为了实现R控制图的稳定状态,有必要采用数据平滑算法对理论线损率残差数据进行平滑处理。
步骤5、利用稳态控制图的统计量和控制限对理论线损进行异常检测:
利用步骤(4)中稳态R控制图的统计量和控制限对理论线损残差数据进行异常情况监控,反映实际理论线损与预测理论线损的偏差大小,从而判断实际理论线损的异常情况:若样本点的理论线损率残差值越过控制限,说明该样本点的实际理论线损与预测理论线损之间的偏差超出了稳态范围,从而判断实际理论线损出现异常情况;若样本点的理论线损率残差值在控制限范围内,则说明该样本点的实际理论线损正常。
本实施例以该条馈线在2019年3月31日的数据作为测试数据集。图6为三个异常场景的检测结果图,可以看出,在19:15~21:15期间的样本点的理论线损率残差数据均超出了R控制图的上控制限,从而判断这些样本点的实际理论线损出现异常。因此,本发明中提出的基于态势感知和控制图的异常理论线损检测方法是可行的。
Claims (3)
1.一种基于态势感知和控制图的异常理论线损检测方法,其特征在于:包括以下步骤:
(1)基于多源数据集,获取电网系统信息,包括电网拓扑数据和电网实测负荷数据;
(2)通过潮流算法分别计算电网的实际理论线损和预测理论线损;
(3)根据实际理论线损与预测理论线损计算理论线损率残差;
(4)建立馈线稳态控制图,得到控制图的统计量和控制限;
(5)利用稳态控制图的统计量和控制限对馈线理论线损进行异常检测;
其中,步骤(3)将理论线损率作为统计量,计算实际理论线损率和预测理论线损率,并通过比较二者绝对值得到理论线损率残差,具体计算公式如下:
PR=|AV-PV|
其中,AT,AS,AV分别为馈线的实际理论线损值、实际供电量和实际理论线损率;PT,PS,PV分别为馈线的预测理论线损值、预测供电量和预测理论线损率;PR为理论线损率残差;
步骤(4)基于正常运行下的电网历史稳态理论线损率残差数据,建立稳态R控制图,所述控制图根据数理统计原理分析和判断理论线损率残差数据的异常情况,包括中心限CL,下控制限LCL和上控制限UCL三部分,并对理论线损率残差数据超出上限的样本点予以警报;
建立稳态R控制图的具体步骤如下:
1)假设理论损失率数据TL被分成m组,m表示样本数,每组样本由实际理论线损率AV和预测理论线损率PV组成;
2)求取每组样本的极差Ri,其计算表达式如下:
Ri=maxTLi-minTLi=|AVi-PVi|=PRi
其中i表示第i组样本,TLi表示第i组样本的理论线损率;
3)通过简单移动平均法对理论线损率残差数据PR进行平滑处理,计算公式如下:
其中SMAn表示第n组样本的移动平均值,PRn-i表示第n-i组样本的理论线损率残差,T表示周期;
4)计算所有样本组的平均残差,计算公式如下:
5)确定R控制图的上控制限UCL、下控制限LCL以及中心线CL:
LCL=0.000
步骤(5)根据步骤(4)中稳态R控制图的统计量和控制限对理论线损残差数据进行异常情况监控,通过实际理论线损与预测理论线损的偏差大小,从而判断实际理论线损的异常情况;
异常情况判断包括以下两种情况:
(a)若样本点的理论线损率残差值越过控制限,表示该样本点的实际理论线损与预测理论线损之间的偏差超出了稳态范围,则判断实际理论线损出现异常情况;
(b)若样本点的理论线损率残差值在控制限范围内,表示该样本点的实际理论线损正常。
2.根据权利要求1所述的基于态势感知和控制图的异常理论线损检测方法,其特征在于:步骤(1)所述多源数据集包括电网内部数据源和外部数据源,电网系统信息包括电网拓扑结构以及各电力设备参数、馈线用户的实际负荷数据、馈线用户的预测负荷数据。
3.根据权利要求1所述的基于态势感知和控制图的异常理论线损检测方法,其特征在于:步骤(2)基于电网馈线的拓扑结构和实际负荷数据,通过潮流计算获取电网各元件的实际电能总损耗,得到实际理论线损值;基于电网馈线的拓扑结构和预测负荷数据,通过潮流计算获取预测理论线损值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869442.2A CN110750760B (zh) | 2019-09-16 | 2019-09-16 | 一种基于态势感知和控制图的异常理论线损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910869442.2A CN110750760B (zh) | 2019-09-16 | 2019-09-16 | 一种基于态势感知和控制图的异常理论线损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110750760A CN110750760A (zh) | 2020-02-04 |
CN110750760B true CN110750760B (zh) | 2023-05-02 |
Family
ID=69276451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910869442.2A Active CN110750760B (zh) | 2019-09-16 | 2019-09-16 | 一种基于态势感知和控制图的异常理论线损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750760B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011608B (zh) * | 2021-02-25 | 2024-05-28 | 国网安徽省电力有限公司电力科学研究院 | 一种基于数据管理的电网管理策略系统 |
CN113447749B (zh) * | 2021-08-31 | 2021-11-23 | 江苏数能电力技术有限公司 | 一种台区线损异常的判断方法 |
CN115219953B (zh) * | 2022-08-01 | 2024-07-09 | 江苏方天电力技术有限公司 | 一种基于电压降的低压台区线路异常检测系统及方法 |
CN118244192B (zh) * | 2024-05-29 | 2024-07-26 | 四川中电启明星信息技术有限公司 | 一种基于线损动态离群点的智能电表计量失准识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9799083B2 (en) * | 2014-10-28 | 2017-10-24 | Oracle International Corporation | Correlating consumption and voltage data to identify line loss in an electric grid |
CN110059439B (zh) * | 2019-04-29 | 2022-03-15 | 中国人民解放军战略支援部队航天工程大学 | 一种基于数据驱动的航天器轨道确定方法 |
CN110097297B (zh) * | 2019-05-21 | 2023-08-22 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、系统、设备及介质 |
-
2019
- 2019-09-16 CN CN201910869442.2A patent/CN110750760B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110750760A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750760B (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
CN111781463A (zh) | 一种台区线损异常辅助诊断方法 | |
CN107680368A (zh) | 一种基于采集数据的计量装置在线监测与智能诊断方法 | |
CN106771852B (zh) | 一种网源在线监测数据统一采集和分析处理方法 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN105548744A (zh) | 一种基于运检大数据的变电设备故障识别方法及其系统 | |
CN102590652B (zh) | 基于电气信息的设备性能评价系统及方法 | |
CN110687494A (zh) | 远程关口电能表故障监控的方法和系统 | |
CN115248402A (zh) | 油浸变压器在线监测系统及方法 | |
CN104834305B (zh) | 基于dms系统的配网自动化终端遥测异常分析系统及方法 | |
CN111929579A (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
CN115146977A (zh) | 一种基于物联网的企业能效数据管理方法及系统 | |
CN116298675B (zh) | 一种基于智能算法的配电网线损异常检测方法及系统 | |
CN105514843B (zh) | 一种基于监测数据的750kV变电站二次设备检修方法 | |
CN109918612B (zh) | 一种基于稀疏学习的台区拓扑结构校验方法 | |
CN114765451A (zh) | 基于故障知识图谱的光伏电站故障检测方法 | |
CN104143160A (zh) | 一种基于计算机实现的评测电网调度能力的方法 | |
CN107274112B (zh) | 改良油中溶解气体的诊断算法模型 | |
CN106451760A (zh) | 一种500kV变电站集控系统遥测信息实时监控方法 | |
CN111552911B (zh) | 一种基于多场景生成的技术线损影响因素定量分析方法 | |
CN205377455U (zh) | 风电场电能质量在线监控系统 | |
CN113418632A (zh) | 一种油浸式变压器油温预测的概念漂移检测方法 | |
CN112633692A (zh) | 查窃电阈值的获取方法和装置、查窃电装置和方法 | |
Zhu et al. | Design and experiment of smart fire electric power monitoring system based on the cyber-physical model | |
Ma et al. | Electric Energy Meter State Management System Based on Index Analysis System |
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 |