CN110782181A - 一种低压台区线损率的计算方法及可读存储介质 - Google Patents
一种低压台区线损率的计算方法及可读存储介质 Download PDFInfo
- Publication number
- CN110782181A CN110782181A CN201911071130.3A CN201911071130A CN110782181A CN 110782181 A CN110782181 A CN 110782181A CN 201911071130 A CN201911071130 A CN 201911071130A CN 110782181 A CN110782181 A CN 110782181A
- Authority
- CN
- China
- Prior art keywords
- line loss
- transformer area
- characteristic data
- loss characteristic
- neural network
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000007621 cluster analysis Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种低压台区线损率的计算方法及可读存储介质，涉及台区线损分析技术领域，所述方法包括如下步骤：获取台区线损特征数据，并基于所述台区线损特征数据进行数据集筛选；对筛选之后的台区线损特征数据进行聚类计算以完成对台区线损特征数据的分类；根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系。本发明方法结合聚类分析和神经网络，根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系，从而实现快速计算确定低压台区线损率。
Description
技术领域
本发明涉及台区线损分析技术领域，特别是一种低压台区线损率的计算方法及可读存储介质。
背景技术
线损率作为一种综合反映电力系统中规划设计、生产运行、经营管理水平的经济技术指标，是电力部门日常管理工作中所关注的重要内容。降低线损率能够带来非常可观的经济与社会效益。传统的台区线损管理中采取一刀切的方式，通过人工设定台区合理线损率，缺乏科学依据，也与精益化的管理目标背道而驰。实现台区合理线损的准确快速预测成为亟待解决的重要问题。传统对于理论线损的计算主要是包括基于潮流计算的方法，神经网络、支持向量机、核心向量机等及其他改进算法。但是由于低压台区下分支线路复杂，元件多样，设备台账数据不全，理论线损计将非常困难，实时性不高。
发明内容
有鉴于现有技术的上述缺陷，本发明的目的就是提供一种低压台区线损率的计算方法及可读存储介质，实现快速计算低压台区线损率。
本发明的目的之一是通过这样的技术方案实现的，一种低压台区线损率的计算方法，所述方法包括如下步骤：
获取台区线损特征数据，并基于所述台区线损特征数据进行数据集筛选；
对筛选之后的台区线损特征数据进行聚类计算以完成对台区线损特征数据的分类；
根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系。
可选的，对筛选之后的台区线损特征数据进行聚类计算，包括：
确定台区线损特征数据的样本聚类数量；
任意选择与所确定的样本聚类数量相同个数的聚类中心；
将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中。
可选的，将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中之后，所述方法还包括：
在对所有台区线损特征数据根据聚类中心分类完成后，计算每个类别的平均值；
将每个类别的平均值作为新的聚类中心进行分类迭代直至收敛以获得分类结果。
可选的，将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中，包括：
将所述台区线损特征数据归类到与所有聚类中心的欧式距离最近的类别中；
所述欧式距离满足：
式中：dij表示第i个样品xik与第j个样品xjk间的距离。
可选的，收敛的判定方式满足，目标函数达到最小值，所述目标函数满足：
其中，E表示所有聚类对象的平方误差，xq为聚类对象，k表示聚类簇数，mi是类Ci的各聚类对象的平均值；
所述各聚类对象的平均值，满足：
其中，|Ci|表示类Ci的聚类对象的数目。
可选的，所述神经网络为BP神经网络，所述BP神经网络包括输入层、隐含层和输出层；
所述BP神经网络的传递函数满足：
其中，f(x)为传递函数；
所述BP神经网络权值和阈值调整方式满足：
其中，η为学习率，Δw为权值调整率，Δb为阈值调整率，e为误差。
可选的，根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系，包括：
在误差反向传播过程中对神经网络的权值和阈值进行修正；
其中，权值修正满足：
w(k+1)＝W(k)-[JTJ+μI]-1JTe
阈值修正满足：
b(k+1)＝b(k)-[JTJ+μI]-1JTe
其中，w(k+1)为权值修正值，W(k)表示修正前权值，b(k+1)为阈值修正值，b(k)修正前阈值，J表示雅可比矩阵，μ为大于0的常数，I表示单位矩阵。
本发明的目的之二是通过这样的技术方案实现的，一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现前述的方法的步骤。
由于采用了上述技术方案，本发明具有如下的优点：本发明方法结合聚类分析和神经网络，根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系，从而实现快速计算确定低压台区线损率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。
附图说明
本发明的附图说明如下：
图1为本发明实施例流程示意图；
图2为本发明实施例神经网络结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例一
本发明第一实施例提出一种低压台区线损率的计算方法，如图1所示，所述方法包括如下步骤：
获取台区线损特征数据，并基于所述台区线损特征数据进行数据集筛选；
对筛选之后的台区线损特征数据进行聚类计算以完成对台区线损特征数据的分类；
根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系。
本发明方法基于用电信息采集系统，结合聚类分析和神经网络，根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系，从而实现快速计算确定低压台区线损率。
可选的，对筛选之后的台区线损特征数据进行聚类计算，包括：
确定台区线损特征数据的样本聚类数量；
任意选择与所确定的样本聚类数量相同个数的聚类中心；
将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中。
具体的说，本实施例中，以K-Means聚类算法为例，本发明方法包括：
首先确定样本数据的聚类数K；接着任选K个数据作为初始聚类中心；
然后每个数据按照欧氏距离大小置于与它最相似的类中；重新计算每个新类的平均值，并以此平均值作为新的聚类中心；反复迭代，直到满足收敛条件，即目标函数达到最小值。
可选的，将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中之后，所述方法还包括：
在对所有台区线损特征数据根据聚类中心分类完成后，计算每个类别的平均值；
将每个类别的平均值作为新的聚类中心进行分类迭代直至收敛以获得分类结果。
可选的，将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中，包括：
将所述台区线损特征数据归类到与所有聚类中心的欧式距离最近的类别中；
所述欧式距离满足：
式中：dij表示第i个样品xik与第j个样品xjk间的距离。
可选的，收敛的判定方式满足，目标函数达到最小值，所述目标函数满足：
其中，E表示所有聚类对象的平方误差，xq为聚类对象，k表示聚类簇数，mi是类Ci的各聚类对象的平均值；
所述各聚类对象的平均值，满足：
其中，|Ci|表示类Ci的聚类对象的数目。
具体的说，在本实施例中，将每个数据按照欧氏距离大小置于与它最相似的类中，其中，欧氏距离定义为：
式中：dij表示第i个样品xik与第j个样品xjk间的距离，dij越小，2个样本越接近。
在本实施例中，目标函数采用平方误差准则：
式中：E表示所有聚类对象的平方误差；xq为聚类对象；mi是类Ci的各聚类对象的平均值，其计算公式为
式中：|Ci|表示类Ci的聚类对象的数目。
参见表1、表2，聚类结果对孤立点和噪声点十分敏感，因此如果聚类结果中由某类数据相对于其它类数据可以忽略不计，那么应该剔除该类数据，重新聚类。
表1不同k值下聚类结果总的轮廓系数
表2各类包含的样本数
可选的，所述神经网络为BP神经网络，所述BP神经网络包括输入层、隐含层和输出层；
所述BP神经网络的传递函数满足：
其中，f(x)为传递函数；
所述BP神经网络权值和阈值调整方式满足：
其中，η为学习率，Δw为权值调整率，Δb为阈值调整率，e为误差。
具体的说，参见图2所示，在本实施例中，神经网络为BP神经网络，BP神经网络包括输入层、隐含层和输出层，神经网络模型的传递函数满足：
BP算法的学习过程由信号的正向传播和误差的反向传播两个部分组成。正向传播是指输入样本从输入层输入，经过各隐含层逐层处理传向输出层。若输出层输出结果没有达到期望值，则转到误差的反向传播。误差反向传播是将输出误差通过隐含层逐层反传，对各神经元权值和阈值进行调整。权值和阈值不断调整的过程就是网络的学习训练过程，直到误差达到预期范围或者达到设定的学习次数为止。
设输入层训练样本为Xr＝(x1,x2,……,xm)T，隐含层输出向量为Yr＝(y1,y2,……yp)T，输出层输出向量为Or＝(o1,o2,……ol)T，期望输出向量为Dr＝(d1,d2,……dl)T。其中，输入层到隐含层的权值为wij(i＝1,2,……,m；j＝1,2,……,p)，阈值为bij(i＝1,2,……,m；j＝1,2,……,p)。隐含层到输出层的权值和阈值分别为wjk(j＝1,2,……,p；k＝1,2,……,l)，bjk(j＝1,2,……,p；k＝1,2,……,l)。
BP算法信号的正向传播过程如下：
输出误差e为输出层输出向量O与期望输出向量D的距离，如下所示：
在误差反向传播过程中，本实施例中，BP算法采用梯度下降法来调整权值和阈值，从而使误差不断地减小，误差e为权值和阈值的函数，权值和阈值的调整量如下：
式中：η为学习率，取0～1之间的常数。学习率是算法收敛速度重要的影响因素之一，学习率太大会导致神经网络模型不稳定，学习率太小会导致收敛速度很慢。
可选的，根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系，包括：
在误差反向传播过程中对神经网络的权值和阈值进行修正；
其中，权值修正满足：
w(k+1)＝W(k)-[JTJ+μI]-1JTe
阈值修正满足：
b(k+1)＝b(k)-[JTJ+μI]-1JTe
其中，w(k+1)为权值修正值，W(k)表示修正前权值，b(k+1)为阈值修正值，b(k)修正前阈值，J表示雅可比矩阵μ为大于0的常数，用于控制LM算法的迭代，当μ接近于0的时候，LM算法接近高斯-牛顿算法，当μ很大时，LM算法近似最速下降法，I表示单位矩阵。
具体的说，在本实施例中，LM算法优化的BP神经网络在误差反向传播过程中采用求误差函数e的极小值的方法来不断修正网络权值和阈值。
本实施例中，以权值的修正过程为例进行介绍：
对e[w(n+1)]按泰勒公式展开，得到：
e[w(n+1)]＝e[w(n)]＝gT(n)Δw(n)+0.5ΔwT(n)A(n)Δw(n)
式中：g(n)为梯度向量；A(n)为Hessian矩阵。当Δw(n)＝-A-1(n)g(n)时，e(w)取得最小值。
为了避免直接计算Hessian矩阵，LM算法将Hessian矩阵近似表示为：
Δw(n)＝-A-1(n)g(n)
式中J为雅可比矩阵，梯度向量为：
g＝JTe
则本实施例中，权值修正满足：
w(k+1)＝W(k)-[JTJ+μI]-1JTe
同理，可以得到阈值的修正方法，满足：
b(k+1)＝b(k)-[JTJ+μI]-1JTe
BP神经网络模型在不同训练目标误差下会得到不同的计算结果，如表3所示，训练目标误差越大，训练时间会越短，但计算精度可能达不到期望值；训练目标误差越小，训练时间会越长，计算精度会越高，但算法可能不收敛。
表3异常样本数据
综上，本发明方法提出一种快速计算低压台区线损率的方法，所述方法基于用电信息采集系统，首先建立K-means模型：将原始数据输入到K-means聚类模型中，设定聚类数K为3—8。设定相应的输入输出变量。
最优聚类结果的选择：计算得到聚类数为3—8的各聚类结果，通过比较轮廓系数确定最优聚类数，得到最优化的聚类结果。
聚类结果的进一步优化：分析聚类结果，由于K-means聚类对噪声点和孤立点敏感，可能出现聚类结果中有的类的数据相对其他类的数据特别少的情况，可以剔除此类数据以重新聚类，提高聚类质量。
利用LM算法优化的BP神经网络模型计算台区线损率。
本发明方法利用数据挖掘技术深入发掘电力系统台区线损实时采集数据，找出其中蕴含的潜在规律，并应用于台区线损预测成为可能。
本发明第二实施例提出一种计算机可读存储介质，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现第一实施例的方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的保护范围之内。
Claims (8)
1.一种低压台区线损率的计算方法，其特征在于，所述方法包括如下步骤：
获取台区线损特征数据，并基于所述台区线损特征数据进行数据集筛选；
对筛选之后的台区线损特征数据进行聚类计算以完成对台区线损特征数据的分类；
根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系。
2.如权利要求1所述的方法，其特征在于，对筛选之后的台区线损特征数据进行聚类计算，包括：
确定台区线损特征数据的样本聚类数量；
任意选择与所确定的样本聚类数量相同个数的聚类中心；
将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中。
3.如权利要求2所述的方法，其特征在于，将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中之后，所述方法还包括：
在对所有台区线损特征数据根据聚类中心分类完成后，计算每个类别的平均值；
将每个类别的平均值作为新的聚类中心进行分类迭代直至收敛以获得分类结果。
4.如权利要求2所述的方法，其特征在于，将所述台区线损特征数据归类到与所有聚类中心距离最近的类别中，包括：
将所述台区线损特征数据归类到与所有聚类中心的欧式距离最近的类别中；
所述欧式距离满足：
式中：dij表示第i个样品xik与第j个样品xjk间的距离。
5.如权利要求4所述的方法，其特征在于，收敛的判定方式满足，目标函数达到最小值，所述目标函数满足：
其中，E表示所有聚类对象的平方误差，xq为聚类对象，k表示聚类簇数，mi是类Ci的各聚类对象的平均值；
所述各聚类对象的平均值，满足：
其中，|Ci|表示类Ci的聚类对象的数目。
6.如权利要求4所述的方法，其特征在于，所述神经网络为BP神经网络，所述BP神经网络包括输入层、隐含层和输出层；
所述BP神经网络的传递函数满足：
其中，f(x)为传递函数；
所述BP神经网络权值和阈值调整方式满足：
其中，η为学习率，Δw为权值调整率，Δb为阈值调整率，e为误差。
7.如权利要求6所述的方法，其特征在于，根据台区线损特征数据的分类结果通过神经网络进行拟合以获得台区线损特征数据与电气特征参数之间的关系，包括：
在误差反向传播过程中对神经网络的权值和阈值进行修正；
其中，权值修正满足：
w(k+1)＝W(k)-[JTJ+μI]-1JTe
阈值修正满足：
b(k+1)＝b(k)-[JTJ+μI]-1JTe
其中，w(k+1)为权值修正值，W(k)表示修正前权值，b(k+1)为阈值修正值，b(k)修正前阈值，J表示雅可比矩阵，μ为大于0的常数，I表示单位矩阵。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911071130.3A CN110782181A (zh) | 2019-11-05 | 2019-11-05 | 一种低压台区线损率的计算方法及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911071130.3A CN110782181A (zh) | 2019-11-05 | 2019-11-05 | 一种低压台区线损率的计算方法及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110782181A true CN110782181A (zh) | 2020-02-11 |
Family
ID=69389126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911071130.3A Pending CN110782181A (zh) | 2019-11-05 | 2019-11-05 | 一种低压台区线损率的计算方法及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782181A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723839A (zh) * | 2020-05-07 | 2020-09-29 | 国家电网有限公司 | 一种基于边缘计算的台区线损率预测方法 |
| CN112686494A (zh) * | 2020-11-25 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 基于线损异常台区的数据拟合方法、装置及智能设备 |
| CN113095372A (zh) * | 2021-03-22 | 2021-07-09 | 国网江苏省电力有限公司营销服务中心 | 一种基于鲁棒神经网络的低压台区线损合理区间计算方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
| 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 |
| 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 |
| JP2019133046A (ja) * | 2018-02-01 | 2019-08-08 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
| CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
-
2019
- 2019-11-05 CN CN201911071130.3A patent/CN110782181A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
| 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 |
| JP2019133046A (ja) * | 2018-02-01 | 2019-08-08 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
| 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 |
| CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 文必龙 等: "聚类分析", 《R程序程序设计基础》 * |
| 李亚 等: "基于改进K-Means聚类和BP神经网络的台区线损率计算方法", 《中国电机工程学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111723839A (zh) * | 2020-05-07 | 2020-09-29 | 国家电网有限公司 | 一种基于边缘计算的台区线损率预测方法 |
| CN112686494A (zh) * | 2020-11-25 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 基于线损异常台区的数据拟合方法、装置及智能设备 |
| CN112686494B (zh) * | 2020-11-25 | 2024-03-22 | 国网江苏省电力有限公司营销服务中心 | 基于线损异常台区的数据拟合方法、装置及智能设备 |
| CN113095372A (zh) * | 2021-03-22 | 2021-07-09 | 国网江苏省电力有限公司营销服务中心 | 一种基于鲁棒神经网络的低压台区线损合理区间计算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| CN108229754B (zh) | 基于相似日分段和lm-bp网络的短期负荷预测方法 | |
| US10606862B2 (en) | Method and apparatus for data processing in data modeling | |
| CN107977710B (zh) | 用电异常数据检测方法和装置 | |
| CN110782181A (zh) | 一种低压台区线损率的计算方法及可读存储介质 | |
| US20170330078A1 (en) | Method and system for automated model building | |
| CN108171379B (zh) | 一种用电负荷预测方法 | |
| JP5733229B2 (ja) | 分類器作成装置、分類器作成方法、及びコンピュータプログラム | |
| US20220036231A1 (en) | Method and device for processing quantum data | |
| CN102831269A (zh) | 一种流程工业过程工艺参数的确定方法 | |
| CN108564136B (zh) | 一种基于模糊推理的空域运行态势评估分类方法 | |
| KR20160011776A (ko) | 다중 의사 결정 문제 해결을 위한 계층적 분석 기법, 회색수 및 엔트로피 기반의 해법 연산 방법 | |
| TW200949596A (en) | Server and system and method for automatic virtual metrology | |
| CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
| CA2353992A1 (en) | Robust modeling | |
| CN107016453A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
| WO2020168796A1 (zh) | 一种基于高维空间采样的数据增强方法 | |
| JPWO2019146189A1 (ja) | ニューラルネットワークのランク最適化装置および最適化方法 | |
| CN111695730B (zh) | 基于arima及rnn的立磨振动预测方法及装置 | |
| CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
| JP4653547B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
| CN107273971B (zh) | 基于神经元显著性的前馈神经网络结构自组织方法 | |
| CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 | |
| CN112949774A (zh) | 神经网络模型的训练方法、装置、计算机设备及存储介质 | |
| Dodonova et al. | Classification of structural brain networks based on information divergence of graph spectra |
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: 20200211 |
|
| RJ01 | Rejection of invention patent application after publication |