CN110991833B - 一种稳态电能质量评级方法 - Google Patents
一种稳态电能质量评级方法 Download PDFInfo
- Publication number
- CN110991833B CN110991833B CN201911141987.8A CN201911141987A CN110991833B CN 110991833 B CN110991833 B CN 110991833B CN 201911141987 A CN201911141987 A CN 201911141987A CN 110991833 B CN110991833 B CN 110991833B
- Authority
- CN
- China
- Prior art keywords
- value
- steady
- power quality
- index
- values
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 230000003203 everyday effect Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000007418 data mining Methods 0.000 claims abstract description 3
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种稳态电能质量评级方法,包括以下步骤:一、设定稳态电能质量的等级;二、获取稳态电能质量监测数据;三、将步骤二获取的监测数据转换为实际值与国标限值的差距的归一化值;四、统计每一个监测点每天的10项归一化值的中位数、平均值、最小值和小于0的比例;五、对步骤四所得四种统计值的每一种,分别提取出表格,所述表格各具有监测点和时间两个维度;六、根据步骤五的表格计算10种属性的标准值;七、运用数据挖掘中的有监督学习算法,建立步骤一中的标准值与对应等级的映射模型,将步骤六中所得的各区域稳态电能质量属性值输入该模型,然后输出该区域归属的电能质量的等级。
Description
技术领域
本发明涉及电能质量数据分析领域,特别是涉及一种稳态电能质量评级方法。
背景技术
随着大量非线性设备和负荷的应用,电力系统的电能质量受到了严重影响。并且,基于计算机技术、通信技术和微电子技术等高新技术的设备的运行对供电的质量提出了更高的要求,不合格的电能质量容易造成相关设备的非正常运行,若影响到控制系统运行的关键设备则会反威胁电网的正常运行。常见的稳态电能质量问题主要有电压偏差、频率偏差、谐波畸变、三相不平衡等,如何对稳态电能质量问题进行综合评估和等级划分具有重要的现实意义。
目前,各国制定的稳态电能质量标准大多是针对某类指标单独设定的,尚未形成对多种稳态电能质量指标进行综合评判的标准。同时对于综合评估与分级问题,现有的研究主要采用基于主观赋权法与客观赋权法相结合的概率统计法、灰色关联分析法、模糊综合评价法、主成分投影法和雷达图法等多指标评价算法,其显著缺点是物理含义不太明确、仅是数字意义上的数学综合,从电网管理角度来看这类方法不太具有指导意义。因此有必要从基本的物理意义角度出发,对大量的稳态电能质量监测数据做出易于解释的分析和等级划分,以便对电网运行人员起辅助决策的作用。
现有稳态电能质量评级方法常采用多指标评级算法综合出一个数值来描述一个监测点的电能质量,可能丢失较多信息;现有稳态电能质量评级方法较少考虑多维结构原始监测数据的压缩过程,大多只能比较单个监测点与单个监测点之间的电能质量而非含有若干监测点的一片区域的稳态电能质量。
发明内容
本发明的目的是提供一种稳态电能质量评级方法,对一个城市内各个区域、各个日期、各项稳态电能质量指标数据进行综合性分析,用若干数值描述该城市内各个区域的稳态电能质量的特征,并在预先设定的各等级的标准值下进行有监督学习,从而对各区域的稳态电能质量情况做出分级,该分级结果反映各区域稳态电能质量的优劣程度。主要解决在获取到多维的原始监测数据时如何利用它进行区域电网稳态电能质量等级评定的问题。
本发明至少通过如下技术方案之一实现。
一种稳态电能质量评级方法,包括以下步骤:
步骤一、设定稳态电能质量的等级;
步骤二、获取稳态电能质量监测数据;
步骤三、将步骤二获取的监测数据转换为实际值与国标限值的差距的归一化值;
步骤四、统计每一个监测点每天的10项归一化值的中位数、平均值、最小值和小于0的比例;
步骤五、对步骤四所得四种值提取出相应的表格,所述表格各具有监测点和时间两个维度;
步骤六、根据步骤五的表格计算10种属性的标准值;
步骤七、运用数据挖掘中的有监督学习算法,建立步骤一中的标准值与对应等级的映射模型,并将步骤六中所得的各区域稳态电能质量属性值输入该模型,然后输出该区域归属的电能质量的等级。
所得的稳态电能质量等级可供电网管理者对各区域电网管理单位做出考核,并对电能质量监督管理起到辅助决策的作用。
优选地,步骤一中将稳态电能质量等级设为五级,一级至五级的电能质量逐渐降低。
优选地,步骤二中获取的稳态电能质量监测数据具有监测点、时间和指标三个维度,指标维度包括谐波电压总畸变率(THD)、2次谐波电压含有率(H2)、3次谐波电压含有率(H3)、5次谐波电压含有率(H5)、7次谐波电压含有率(H7)、9次谐波电压含有率(H9)、11次谐波电压含有率(H11)、13次谐波电压含有率(H13)、三相电压不平衡度(UNB)、长时间闪变(FLK)。
优选地,步骤三的转换公式如下:
式中,m(i,x,y)为监测点x在第y天的第i项指标的实际监测值,g(i)为国标中第i项指标对应的国标限值,q(i,x,y)即为所求的归一化值;
所述归一化值q(i,x,y)反映各项指标的实际值偏离对应国标限值的程度,q(i,x,y)越大说明该项指标越符合要求,当q(i,x,y)<0时说明该项指标已经超出国标限值,q(i,x,y)最大值为1。
优选地,步骤六中10种属性的标准值的计算步骤如下:
根据步骤五的表格,每种表格按照以下方式提取三个数:
(1)按行取最小值,然后计算该最小值序列里小于0的比例;
(2)按列取最小值,然后计算该最小值序列里小于0的比例;
(3)整个表格的最小值;
对于步骤五中按小于0的比例提取的表格,取出该表格的众数,当众数不唯一时取最大者作为众数,然后,前三种表格中每种表格提取的3个值和最后这个众数总共10个值一起作为某一个区域的属性值。
优选地,步骤七中的有监督学习方法可采用支持向量机算法。
本发明是建立在电网的稳态电能质量监测数据的基础上的,综合考虑了监测指标、监测时间和监测点三个维度,根据压缩各个区域的三维原始监测数据并运用有监督学习方法给出该地区稳态电能质量评级结果。
本发明提出的评级方法与现有方法相比的优势在于:
(1)对呈三维结构的原始监测数据逐步压缩,可以得到描述一个区域的稳态电能质量的多个属性值,既避免了传统方法描述单个监测点的局限,又减轻了信息丢失。
(2)利用有监督学习的方法,通过形成属性标准值和等级之间的映射关系,从而得到各个区域稳态电能质量归属的等级,弥补了传统多指标评价方法仅从数字意义上进行综合的缺点,结果易于解释。
(3)可以避免高维度监测数据分析困难的缺点,将三维数据逐步压缩为描述区域稳态电能质量的10个属性值,不受监测点多少、时间长短的限制,并运用有监督学习方法与标准属性值进行对比,得到直观科学的分级结果。在本实例中,将某城市的11个地区进行分析,得到各地区的稳态电能质量评级结果。
附图说明
图1为实施例的一种稳态电能质量评级方法流程图;
图2为实施例中设定的稳态电能质量等级与属性标准值;
图3为实施例中获取的原始监测数据三维结构示意图;
图4为实施例中将10项指标的归一化值统计为4个值的示意图;
图5为实施例中从中位数表格提取属性标准值的示意图;
图6为实施例中11个区域求得的属性值示意图;
图7为实施例中基于支持向量机的有监督学习过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释说明本发明,并不用于限定本发明。
如图1所示,本实施例的一种稳态电能质量评级方法,主要包括以下步骤:
步骤一、设定稳态电能质量的等级,各等级包含有若干用来描述某一区域内稳态电能质量特征的属性,并设定各等级内其属性的标准值。
将稳态电能质量等级设为五级,每一级有10个属性,每一级别中各属性的标准值如图2所示。一级为电能质量最优的情形,但考虑到所有区域里不存在无任何超标现象的情况,因此该等级代表本区域有且只有一种稳态电能质量指标出现超标的情况,并且未超标的数据趋于0。二级为稳态电能质量次优的情形,即有且只有两种稳态电能质量指标出现超标的情况,并且未超标的数据值趋于国标限值。三级为稳态电能质量中等的情形,即有三至五种稳态电能质量指标出现超标的情况,并且超出国标限值的程度在100%以内。四级为稳态电能质量次劣的情形,即有三至五种稳态电能质量指标出现超标的情况,并且超出国标限值的程度在100%至200%之间。五级为电能质量最劣的情形,即有三至五种稳态电能质量指标出现超标的情况,并且超出国标限值的程度在200%以上。步骤二、获取某城市的原始稳态电能质量监测数据。如图3所示,所述原始监测数据具有监测点×时间×指标三个维度,大小为575×485×10。其中监测点维度共含有575个监测点,时间维度以日为跨度、共含有485天,指标维度共含10种:谐波电压总畸变率(THD)、2次谐波电压含有率(H2)、3次谐波电压含有率(H3)、5次谐波电压含有率(H5)、7次谐波电压含有率(H7)、9次谐波电压含有率(H9)、11次谐波电压含有率(H11)、13次谐波电压含有率(H13)、三相电压不平衡度(UNB)、长时间闪变(FLK)。
步骤三、将实际监测数据转换为无量纲的、描述其实际值距离国标限值的距离的归一化值,计算公式为式(1),即将图3所示的575×485×10的原始监测数据转换为575×485×10的归一化值。转换为归一化值的公式如下:
式中,m(i,x,y)为监测点x在第y天的第i项指标的实际监测值,g(i)为国标中第i项指标对应的国标限值,q(i,x,y)即为所求的归一化值;所述归一化值q反映了各项指标的实际值偏离对应国标限值的程度。例如,q=1代表该监测值距离国标限值的距离为100%,说明该指标实际值m=0;q=0时代表该监测值距离国标限值的距离为0,说明指标实际值m恰好等于国标限值g;q=-1时代表该监测值超过国标限值的程度为100%,说明该指标实际m大于国标限值g、不符合要求。即q越大说明该项指标越符合要求(最大值为1),当q<0时说明该项指标已经超出国标限值。
步骤四、统计每一个监测点每天的10项归一化值的中位数、平均值、最小值和小于0的比例,用来衡量每个监测点每天10种电能质量表现的集中趋势和最严重程度,如图4所示,即将步骤三中的575×485×10的归一化值转换为575×485×4的归一化值统计值。
步骤五、对步骤四所得4种统计值的每一种,分别提取出二维表格,所述二维表格各具有监测点×时间两个维度,如表1~表4所示。
表1 10项指标归一化值的中位数提取的表格
表2 10项指标归一化值的平均数提取的表格
表3 10项指标归一化值的最小值提取的表格
表4 10项指标归一化值中小于0的比例提取的表格
步骤六、对于步骤五中按中位数、平均值、最小值提取的三种表格,如图5所示,每种表格均压缩为以下三个值:
(1)按行取最小值,然后计算该最小值序列里小于0的比例;
(2)按列取最小值,然后计算该最小值序列里小于0的比例;
(3)整个表格的最小值。
对于步骤五中按小于0的比例提取的表格,取出该表格的众数,当众数不唯一时取最大者作为众数。
将本步骤所得的共10个值,作为该区域电网的稳态电能质量属性标准值。
以中位数提取的表格为例,最终得到如图6所示的11个区域的各个属性值。
步骤七、基于支持向量机算法对各等级进行有监督学习,得到属性值与等级间的映射模型,然后输入步骤六所得的11个区域的属性值,如图7所示,最终可以输出各区归属的等级如下:
一级:区域4;
二级:区域7、区域9、区域11;
三级:区域2、区域3、区域6;
四级:区域1、区域5;
五级:区域8、区域10。
所得的稳态电能质量等级可供电网管理者对各区域电网管理单位做出考核,并对电能质量监督管理起到辅助决策的作用。例如,对于一级的区域4,尚不需要采取额外的电能质量治理手段,可以维持现状。对于二级的区域7、区域9、区域11,应当提高其电能质量监测数据的分析与上报频次,避免电能质量向更恶劣的方向发展。而对于三级、四级、五级的区域,电能质量较差,应按等级对这些区域做出适当的惩罚措施,并着重分析导致各区域电能质量等级较低的原因、有针对性地采取治理措施,改善这些区域的稳态电能质量管理监督方式。
以上所述实施例仅表达了本发明的一种实施方式,其描述较为具体和详细,但不能理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (3)
1.一种稳态电能质量评级方法,其特征在于,包括以下步骤:
步骤一、设定稳态电能质量的等级;
步骤二、获取稳态电能质量监测数据;获取的稳态电能质量监测数据具有监测点、时间和指标三个维度,指标维度包括谐波电压总畸变率(THD)、2次谐波电压含有率(H2)、3次谐波电压含有率(H3)、5次谐波电压含有率(H5)、7次谐波电压含有率(H7)、9次谐波电压含有率(H9)、11次谐波电压含有率(H11)、13次谐波电压含有率(H13)、三相电压不平衡度(UNB)、长时间闪变(FLK);
步骤三、将步骤二获取的监测数据转换为实际值与国标限值的差距的归一化值;转换公式如下:
式中,m(i,x,y)为监测点x在第y天的第i项指标的实际监测值,g(i)为国标中第i项指标对应的国标限值,q(i,x,y)即为所求的归一化值;
所述归一化值q(i,x,y)反映各项指标的实际值偏离对应国标限值的程度,q(i,x,y)越大说明该项指标越符合要求,当q(i,x,y)<0时说明该项指标已经超出国标限值,q(i,x,y)最大值为1;
步骤四、统计每一个监测点每天的10项归一化值的中位数、平均值、最小值和小于0的比例;
步骤五、对步骤四所得四种值提取出相应的表格,所述表格各具有监测点和时间两个维度;
步骤六、根据步骤五的表格计算10种属性的标准值;10种属性的标准值的计算步骤如下:
根据步骤五的表格,每种表格按照以下方式提取三个数:
(1)按行取最小值,然后计算该最小值序列里小于0的比例;
(2)按列取最小值,然后计算该最小值序列里小于0的比例;
(3)整个表格的最小值;
对于步骤五中按小于0的比例提取的表格,取出该表格的众数,当众数不唯一时取最大者作为众数,然后,前三种表格中每种表格提取的3个值和最后这个众数总共10个值一起作为某一个区域的属性值;
步骤七、运用数据挖掘中的有监督学习算法,建立步骤一中的标准值与对应等级的映射模型,并将步骤六中所得的各区域稳态电能质量属性值输入该模型,然后输出该区域归属的电能质量的等级。
2.根据权利要求1所述的一种稳态电能质量评级方法,其特征在于,步骤一中将稳态电能质量等级设为五级,一级至五级的电能质量逐渐降低。
3.根据权利要求1所述的一种稳态电能质量评级方法,其特征在于,步骤七中的有监督学习方法采用支持向量机算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911141987.8A CN110991833B (zh) | 2019-11-20 | 2019-11-20 | 一种稳态电能质量评级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911141987.8A CN110991833B (zh) | 2019-11-20 | 2019-11-20 | 一种稳态电能质量评级方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991833A CN110991833A (zh) | 2020-04-10 |
CN110991833B true CN110991833B (zh) | 2023-05-23 |
Family
ID=70085409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911141987.8A Active CN110991833B (zh) | 2019-11-20 | 2019-11-20 | 一种稳态电能质量评级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991833B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170124A (zh) * | 2011-03-21 | 2011-08-31 | 江苏省电力试验研究院有限公司 | 一种电能质量稳态指标预警方法 |
CN107491832A (zh) * | 2017-07-12 | 2017-12-19 | 国网上海市电力公司 | 基于混沌理论的电能质量稳态指标预测方法 |
CN108414848A (zh) * | 2018-01-08 | 2018-08-17 | 浙江工业大学 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
-
2019
- 2019-11-20 CN CN201911141987.8A patent/CN110991833B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102170124A (zh) * | 2011-03-21 | 2011-08-31 | 江苏省电力试验研究院有限公司 | 一种电能质量稳态指标预警方法 |
CN107491832A (zh) * | 2017-07-12 | 2017-12-19 | 国网上海市电力公司 | 基于混沌理论的电能质量稳态指标预测方法 |
CN108414848A (zh) * | 2018-01-08 | 2018-08-17 | 浙江工业大学 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110991833A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115048591B (zh) | 一种基于人工智能的配电网全息数据可视化智能展示分析系统 | |
CN108710990B (zh) | 基于同期数据的线变台户多级线损分析方法及系统 | |
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 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN105896545B (zh) | 一种基于事故链模型的分布式潮流控制器选址方法 | |
Emmanuel et al. | Net electricity clustering at different temporal resolutions using a SAX-based method for integrated distribution system planning | |
CN113919763A (zh) | 一种基于模糊评判矩阵的电网灾害分析方法及装置 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN116701919B (zh) | 一种陀螺式氢燃料发电机的优化监测方法及系统 | |
CN110991833B (zh) | 一种稳态电能质量评级方法 | |
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 | |
CN117195453A (zh) | 一种考虑多电压等级耦合的分布式电源承载能力优化方法 | |
Qiu et al. | Comprehensive evaluation of power quality based on improved TOPSIS-RSR method | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN114372591A (zh) | 一种配电电缆智能运维决策方法及系统 | |
CN115345392A (zh) | 一种配电网异常态势研判与关键指标筛选方法 | |
CN115693692A (zh) | 基于配电网电压数据分析的电压合格率提升方法 | |
CN112465358A (zh) | 基于支持向量机的电压质量分类方法及装置 | |
Liao et al. | Data cleaning method of distributed photovoltaic power generation based on clustering algorithm | |
Qaisar et al. | Adaptive rate sampling and machine learning based power quality disturbances interpretation | |
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 | |
Mo et al. | Similar-density-array-based equipment outage prediction method for distribution network considering weather factors | |
CN113899971B (zh) | 基于密度相似稀疏聚类的变压器异常工况判别方法 | |
CN117408537B (zh) | 一种能够实现实时风险预测的电能质量监测系统 | |
Zhang et al. | Voltage Sag-Sensitive Load Identification Based on Steady-State Power Quality Monitoring Data |
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 |