CN111428780B - 基于数据驱动的电网异常运行状态识别方法 - Google Patents
基于数据驱动的电网异常运行状态识别方法 Download PDFInfo
- Publication number
- CN111428780B CN111428780B CN202010200753.2A CN202010200753A CN111428780B CN 111428780 B CN111428780 B CN 111428780B CN 202010200753 A CN202010200753 A CN 202010200753A CN 111428780 B CN111428780 B CN 111428780B
- Authority
- CN
- China
- Prior art keywords
- power grid
- data
- abnormal operation
- points
- operation state
- 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 63
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000012800 visualization Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提出了一种基于数据驱动的电网异常运行状态识别方法，其包括：利用历史数据建立电网异常运行状态识别模型，并划分电网正常与异常运行状态的边界，从而构成电网正常与异常运行的分类模型；利用神经网络分类模型判断电网目前运行状态，若处于安全运行状态，评估其安全余量，并通过对数据抽象可视化及距离量化的方式让操作人员了解电网目前运行的状态，并观测其变化趋势。该方法充分利用海量、多源、异构历史数据，从空间几何角度建立电网运行状态识别模型。较传统的模型驱动的确定性函数或公式来说，利用数据驱动，获取数据洞察，更加客观、准确，当数据量越大时，结果越贴近真实电网运行。
Description
技术领域
本发明涉及电网技术领域，尤其涉及基于数据驱动的电网异常运行状态识别方法。
背景技术
随着未来以风、光为代表的可再生能源大量接入，其出力的随机性、间歇性、波动性将导致电力系统所面临单位时间内可再生能源的不确定性也随之加大。同时，近年来经济稳定增长，用电量也呈逐年上升的趋势。供需不平衡而造成电网的异常运行严重危害了电网的安全性、稳定性、可靠性、经济性。
目前电网异常运行识别方法仍然依赖于人工定期现场检查，智能化水平及工作效率较低。而随着泛在电力物联网的部署，对电力系统内一次设备进行监察、测量、控制、保护、调节等辅助功能的二次设备的数量也会快速增长，各类传感器将实时采集电网运行状态数据，并存储至云端进行统一管理。通过充分挖掘及分析海量、多源、历史数据并且建立能够反映电网异常运行状态及趋势的模型，将很大程度上提升电网智能化、数字化水平，有效预防电网异常运行的发生。
对于电网异常运行状态识别的方法研究集中在建立电力系统异常运行状态的特征和指标。例如刘瑞叶(刘瑞叶,李卫星,李峰.电网运行异常的状态特征与趋势指标[J].电力系统自动化,2013,37(20):47-53.)等人提出了一系列电网运行异常的状态特征与趋势指标，对电网运行状态建立了多维量化指标。
但是对于利用上述诸多相关性较弱的特征与指标对电网的态势异常进行综合评估，研究目前基于模型参数确定的主观性较强，很大程度上依赖于前人经验，往往判别的异常运行状态与实际不符从而造成一定损失与浪费。而从数据驱动角度可以更加客观、真实、准确地评价电网运行状态。
发明内容
本发明的目的在于提供一种基于数据驱动的电网异常运行状态识别方法，针对多维电网安全评价指标特征，划分电网正常与异常运行的边界，从而构建正常与异常运行的分类模型，在此基础上计算正常运行距离边界的距离。通过对数据抽象可视化的方式便于操作人员更加直观地了解电网目前运行的状态，并观测其变化趋势。
为实现上述目的，本发明所采用的技术方案为：一种基于数据驱动的电网异常运行状态识别方法，其包括：利用历史数据建立电网异常运行状态识别模型，并划分电网正常与异常运行状态的边界，从而构成电网正常与异常运行的分类模型；利用神经网络分类模型判断电网目前运行状态，若处于安全运行状态，评估其安全余量，并通过对数据抽象可视化及距离量化的方式让操作人员了解电网目前运行的状态，并观测其变化趋势。
本发明提供的基于数据驱动的电网异常运行状态识别方法中，所述电网异常运行状态识别模型的构建方法如下：
首先将m条不同时间的v种原始电力数据矩阵
转化为m条不同时间的n维评估指标矩阵
假设m数值足够大，即历史样本数量多，包含信息非常充分，则对这样的矩阵进行模型建立。
本发明提供的基于数据驱动的电网异常运行状态识别方法中，所述电网异常运行状态识别模型的构建方法还包括：
采用t-SNE降维算法，将矩阵J降至三维，得到矩阵
将矩阵T映射至三维空间形成
实现将m个时间点的n维评估指标在xyz轴坐标系中表现为m个点，当假设成立，即m数值足够大时，表现在坐标轴中特点为：有大量点构成的类球簇类及分散在周围的离群点。
本发明提供的基于数据驱动的电网异常运行状态识别方法中，所述电网异常运行状态识别模型的构建方法还包括：
使用DBSCAN聚类算法，首先对类球簇类和离散在外部的异常点进行分类，分为簇类外两类，并自定义标签，定义簇类内点为正常运行点，定义簇类外为异常运行点，则原始矩阵H拓展为新矩阵
其中第v+1列为标签列，标签包含正常运行和异常运行。
本发明提供的基于数据驱动的电网异常运行状态识别方法中，所述电网异常运行状态识别模型的构建方法还包括：
通过将簇类内的最外层边界点连接起来，构成一个空间内的多边体，将该多边体内的点，从历史数据角度视为正常运行范围内的点，而多边体外的点，为异常运行的点；
当模型建立所使用的历史数据样本越大、包含的正常运行与异常运行的数据越多、范围越广时，该多边体所划分的界限将越来越接近实际电网正常运行与异常运行的边界。
本发明提供的基于数据驱动的电网异常运行状态识别方法中，所述电网异常运行状态识别模型的构建方法还包括：
建立输入为矩阵
输出为标签矩阵
的神经网络分类模型，根据实时数据判断运行状态。
本发明提供的基于数据驱动的电网异常运行状态识别方法中，安全余量模型包括：如果目前数据根据判断运行在安全状态，转化为电网安全评价指标及特征I＝[θ1 θ2 …θn]，将矩阵I利用t-SNE降维算法压缩至[x y z]，计算[x y z]距离多边体距离最近的值d，并且计算安全余量评分S：
其中，dmax为多边体最远距离。
与现有技术相比，本发明的优点为：
(1)充分利用海量、多源、异构历史数据，从空间几何角度建立电网运行状态识别模型。较传统的模型驱动的确定性函数或公式来说，利用数据驱动，获取数据洞察，更加客观、准确，当数据量越大时，结果越贴近真实电网运行。
(2)利用t-SNE降维算法，学习多维评估指标内在耦合联系，并提取重要信息，综合成三个代表值。其中，t-SNE算法为目前最佳降维算法，相较于传统PCA等线性降维算法，以t-SNE为代表的非线性降维算法很够很好地提取信息，同时保留数据的局部和全局结构。
(3)在三维空间中，建立区分电网运行状态的多面体，便于可视化观察数据动态趋势。
(4)充分利用标签信息，训练分类神经网络，通过实时数据输入离线模型的方法，节约了计算资源，提高了运算效率。
(5)从空间几何角，计算电网安全运行状态的余量，便于量化理解目前运行趋势。
附图说明
图1为基于数据驱动的电网异常运行状态识别方法中数据来源结构图。
图2为基于数据驱动的电网异常运行状态识别方法中历史数据模型构建图。
图3为基于数据驱动的电网异常运行状态识别方法中实时数据运行流程图。
具体实施方式
下面将结合示意图对本发明所采用的技术方案作进一步的说明。
本发明提供了一种基于数据驱动的电网异常运行状态识别方法，该方法利用海量、多源、异构历史数据建立电网异常运行状态识别模型，实现划分电网正常与异常运行的边界，从而构建正常与异常运行的分类模型。
在实际运行中，首先利用神经网络分类模型判断电网目前运行状态，若处于安全运行状态，计算正常运行距离边界的距离，并将距离调整为便于理解的百分比制，通过对数据抽象可视化及距离量化的方式便于操作人员更加直观地了解电网目前运行的状态，并观测其变化趋势。
参见图1，基于数据驱动的电网异常运行状态识别方法的数据来源包括：
(1)物理参数：电网拓扑；设备接入位置；机组参数(装机容量、爬坡速度、调峰深度)；线路参数(电阻、电抗、电纳、线路长度、变压器容量、最大传输功率)。电网物理特性参数为长期固定数据，对电网状态变化存在一定影响，主要用于辅助模型构建。
(2)运行数据：机组数据(机组调度计划、机组实际出力、光伏发电功率预测、光伏实际发电功率、风力发电功率预测、风力实际发电功率)；节点数据(有功功率需求预测、实际消耗有功功率、电压、相角)；线路数据(线路传输功率)。运行数据为电网在实际运行中实时生产数据，通过挖掘其内在变化联系，可以对电网运行状态进一步地感知。
(3)其他数据：传感器采集数据(温度、光照、气压、风速、降雨、辐射)、外部接入数据(气象数据)。其他数据分为各个线路节点所连接的传感器数据及外部接入数据，同样由于外界环境变化可能对电网运行产生影响，故用于辅助模型的构建。
参见图2，基于数据驱动的电网异常运行状态识别方法中利用历史数据建立模型，包括以下步骤：
步骤一，将经过数据预处理及特征工程后的海量、多源、异构历史数据
根据定义及公式，评估量化成多项评估指标矩阵
表示为共m条不同时间的n维评估指标。此步骤用于构建电网安全评价指标及特征。结合电网物理系统和信息系统的运行特征，构建具有系统性、科学性、针对性、先进性的安全评价指标体系。评价指标体系主要包括设备风险指标、结构风险指标、运行风险指标等方面。指标越丰富、充分、多维，后续更有助于提高模型精度及准确性。
步骤二：将矩阵J经过t-SNE从维降至三维，形成矩阵
将矩阵T映射至三维空间形成
实现将m个时间点的n维评估指标在xyz轴坐标系中表现为m个点。
步骤三：将簇类内的最外层边界点连接起来，构成一个空间内的多边体。并且求出最远的两个点之间的距离dmax。
步骤四：对矩阵T’聚类，并且为类似球体的簇类和离散在外部的异常点打标签。获得相应标签
步骤五：原始矩阵H拓展为新矩阵
其中第v+1列为标签列，标签包含正常运行和异常运行。
步骤六：输入矩阵
输出标签矩阵
建立神经网络分类模型，根据实时数据判断运行状态。
基于数据驱动的电网异常运行状态识别方法中利用历史数据建立模型的步骤一中，数据处理及特征工程，为模型建立进行准备的过程中需要做如下工作：
1)首先对数据的完整性、一致性进行质量检测。对于误差较大的数据分为简单属性的判定与组合属性判定。此外，可以利用数据之间的物理定义关系相互修正，以消除不同采集来源对数据造成的不良影响，提高数据的精确性。
2)特征是数据中抽取出来的对结果预测有用的信息，数据形式分为：连续数值型、离散数值型、时间数据、文本数据。特征工程是利用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的效果。特征工程的目的是筛选出更好的特征，获取效果更好的训练数据。因为与结果相关性更高的特征具有更强的灵活性。采用简单高效的模型得到效果更佳的结果。其中，过程包含了特征提取、特征构建、特征选择等模块。主要利用特征在实际中的物理定义，进行特征维度拓展，利用有限数据维度挖掘更大价值。
参见图3，基于数据驱动的电网异常运行状态识别方法中针对实施数据判断电网运行状态包括如下步骤：
步骤一：将实时数据R＝[ξ1 ξ2 … ξv]根据定义公式输入神经网络分类模型，判断其运行状态。
步骤二：如果目前数据根据判断运行在安全状态，转化为电网安全评价指标及特征I＝[θ1 θ2 … θn]，将矩阵I利用t-SNE降维算法压缩至[x y z]。
步骤三：计算[x y z]距离多边体距离最近的值d，并且计算安全余量评分S：
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。
Claims (2)
1.一种基于数据驱动的电网异常运行状态识别方法，其特征在于，其包括：
利用历史数据建立电网异常运行状态识别模型，并划分电网正常与异常运行状态的边界，从而构成电网正常与异常运行的分类模型；
利用神经网络分类模型判断电网目前运行状态，若处于安全运行状态，评估其安全余量，并通过对数据抽象可视化及距离量化的方式让操作人员了解电网目前运行的状态，并观测其变化趋势；
所述电网异常运行状态识别模型的构建方法如下：
首先将m条不同时间的v种原始电力数据矩阵转化为m条不同时间的n维评估指标矩阵
假设m数值足够大，即历史样本数量多，包含信息非常充分，则对这样的矩阵进行模型建立；
采用t-SNE降维算法，将矩阵J降至三维，得到矩阵将矩阵T映射至三维空间形成实现将m个时间点的n维评估指标在xyz轴坐标系中表现为m个点，当假设成立，即m数值足够大时，表现在坐标轴中特点为：有大量点构成的类球簇类及分散在周围的离群点；
通过将簇类内的最外层边界点连接起来，构成一个空间内的多边体，将该多边体内的点，从历史数据角度视为正常运行范围内的点，而多边体外的点，为异常运行的点；
当模型建立所使用的历史数据样本越大、包含的正常运行与异常运行的数据越多、范围越广时，该多边体所划分的界限将越来越接近实际电网正常运行与异常运行的边界；
使用DBSCAN聚类算法，首先对类球簇类和离散在外部的异常点进行分类，分为簇类外两类，并自定义标签，定义簇类内点为正常运行点，定义簇类外为异常运行点，则原始矩阵H拓展为新矩阵其中第v+1列为标签列，标签包含正常运行和异常运行；
建立输入为矩阵输出为标签矩阵的神经网络分类模型，根据实时数据判断运行状态。
2.根据权利要求1所述的基于数据驱动的电网异常运行状态识别方法，其特征在于，安全余量模型包括：如果目前数据根据判断运行在安全状态，转化为电网安全评价指标及特征I＝[θ1 θ2 L θn]，将矩阵I利用t-SNE降维算法压缩至[x y z]，计算[ x y z]距离多边体距离最近的值d，并且计算安全余量评分S：
其中，dmax为多边体最远距离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010200753.2A CN111428780B (zh) | 2020-03-20 | 2020-03-20 | 基于数据驱动的电网异常运行状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010200753.2A CN111428780B (zh) | 2020-03-20 | 2020-03-20 | 基于数据驱动的电网异常运行状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111428780A CN111428780A (zh) | 2020-07-17 |
| CN111428780B true CN111428780B (zh) | 2023-04-07 |
Family
ID=71548264
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010200753.2A Active CN111428780B (zh) | 2020-03-20 | 2020-03-20 | 基于数据驱动的电网异常运行状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111428780B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118289B (zh) * | 2021-12-02 | 2024-04-23 | 中国石油大学(北京) | 基于数据驱动的成品油管道运行工况识别方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104617677A (zh) * | 2008-12-15 | 2015-05-13 | 埃森哲环球服务有限公司 | 确定电网故障类型的方法、设备及电网管理系统 |
| CN106483947A (zh) * | 2016-09-21 | 2017-03-08 | 国网江苏省电力公司南通供电公司 | 基于大数据的配电网运行状态评估和预警方法 |
| CN107230976A (zh) * | 2016-12-16 | 2017-10-03 | 中国电力科学研究院 | 一种电力系统电气距离可视化方法和装置 |
| CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
| CN109061387A (zh) * | 2018-08-23 | 2018-12-21 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于圆环定理的电网异常状态判别方法 |
| CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 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 |
| CN110008278A (zh) * | 2019-02-25 | 2019-07-12 | 国网浙江省电力有限公司电力科学研究院 | 一种利用接地电流信号的配网电缆故障判别方法和系统 |
| CN110032557A (zh) * | 2019-04-12 | 2019-07-19 | 国网安徽省电力有限公司阜阳供电公司 | 一种基于大数据的电网设备状态异常监测方法及系统 |
| CN110223193A (zh) * | 2019-03-27 | 2019-09-10 | 东北电力大学 | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 |
| CN110322135A (zh) * | 2019-06-26 | 2019-10-11 | 国网江苏省电力有限公司南京供电分公司 | 一种电网设备安全运行状态的实时监控方法及系统 |
| CN110795692A (zh) * | 2019-09-16 | 2020-02-14 | 浙江工业大学 | 一种主动配电网运行状态评估方法 |
-
2020
- 2020-03-20 CN CN202010200753.2A patent/CN111428780B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104617677A (zh) * | 2008-12-15 | 2015-05-13 | 埃森哲环球服务有限公司 | 确定电网故障类型的方法、设备及电网管理系统 |
| CN106483947A (zh) * | 2016-09-21 | 2017-03-08 | 国网江苏省电力公司南通供电公司 | 基于大数据的配电网运行状态评估和预警方法 |
| CN107230976A (zh) * | 2016-12-16 | 2017-10-03 | 中国电力科学研究院 | 一种电力系统电气距离可视化方法和装置 |
| CN108805747A (zh) * | 2018-06-13 | 2018-11-13 | 山东科技大学 | 一种基于半监督学习的异常用电用户检测方法 |
| CN109061387A (zh) * | 2018-08-23 | 2018-12-21 | 国网内蒙古东部电力有限公司电力科学研究院 | 一种基于圆环定理的电网异常状态判别方法 |
| CN109495296A (zh) * | 2018-11-02 | 2019-03-19 | 国网四川省电力公司电力科学研究院 | 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 |
| CN110008278A (zh) * | 2019-02-25 | 2019-07-12 | 国网浙江省电力有限公司电力科学研究院 | 一种利用接地电流信号的配网电缆故障判别方法和系统 |
| CN110223193A (zh) * | 2019-03-27 | 2019-09-10 | 东北电力大学 | 基于模糊聚类和rs-knn模型用于电网运行状态的判别方法及系统 |
| CN110032557A (zh) * | 2019-04-12 | 2019-07-19 | 国网安徽省电力有限公司阜阳供电公司 | 一种基于大数据的电网设备状态异常监测方法及系统 |
| CN110322135A (zh) * | 2019-06-26 | 2019-10-11 | 国网江苏省电力有限公司南京供电分公司 | 一种电网设备安全运行状态的实时监控方法及系统 |
| CN110795692A (zh) * | 2019-09-16 | 2020-02-14 | 浙江工业大学 | 一种主动配电网运行状态评估方法 |
Non-Patent Citations (6)
| Title |
|---|
| Modeling the Operation of Small-Scale Integrated Energy Systems Based on Data-Driven Robust Optimization;Dong Han等;《IEEJ TRANSACTIONS ON ELECTRICAL AND ELECTRONIC ENGINEERING》;20191231;第1-9页 * |
| 基于DBSCAN聚类的电力工程数据完整性分析;袁兆祥等;《沈阳工业大学学报》;20190531;第41卷(第3期);第246-250页 * |
| 基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测;肖勇等;《电网技术》;20190812;第1-7页 * |
| 基于电力日志特征的DBSCAN聚类;袁昊等;《电力信息与通信技术》;20191231;第17卷(第5期);第68-72页 * |
| 结合降维技术的电力负荷曲线集成聚类算法;张斌等;《中国电机工程学报》;20150805;第30-35页 * |
| 邓敏等.空间分析实验教程.《空间分析实验教程》.2015, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111428780A (zh) | 2020-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110410282B (zh) | 基于som-mqe和sfcm的风电机组健康状态在线监测及故障诊断方法 | |
| CN106709662B (zh) | 一种电力设备运行工况划分方法 | |
| CN111624931B (zh) | 工业园区用电互联网智能运维管控系统及其方法 | |
| CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN109272258B (zh) | 基于K-means聚类的区域风光发电资源评估方法 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN118246714B (zh) | 一种水利水电工程施工能耗分析方法及系统 | |
| CN111428780B (zh) | 基于数据驱动的电网异常运行状态识别方法 | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
| Wang et al. | Tracking and predicting technological knowledge interactions between artificial intelligence and wind power: Multimethod patent analysis | |
| CN118094232A (zh) | 一种动态监测的生产能耗控制系统及方法 | |
| CN118462500A (zh) | 一种智慧风电场综合效能评估方法 | |
| CN115994427B (zh) | 一种基于寿命评估的gis开关柜制造优化方法及系统 | |
| CN111965442A (zh) | 一种数字孪生环境下的能源互联网故障诊断方法及装置 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
| CN114332515A (zh) | 一种基于直觉模糊聚类磨煤机运行安全性在线评判方法 | |
| Yang et al. | Smart Meter Fault Diagnosis based on Directional Gradient KNN | |
| CN115114983B (zh) | 基于大数据设备电量数据采集分析方法、计算机系统 | |
| Yu et al. | A Method for Multisource Heterogeneous Data Fusion and Modeling in New Power Systems | |
| Zhao et al. | Research on Line-transformer-user Topological Anomaly Recognition Model Based on Multi-source Data Mining | |
| CN118316036B (zh) | 电力系统的负荷预测方法、装置与设备 | |
| CN118211190B (zh) | 一种基于工况网格的断面数据分析方法及系统 | |
| Liu et al. | Wind Turbine Fault Diagnosis Based on Feature Selection and Stacking Model Fusion with Small-scale Data. | |
| CN118394017B (zh) | 一种用于药品生产能耗优化调控的智能机器人及运行方法 | |
| Yin et al. | Intelligent Monitoring of Power System Electricity Consumption Based on Isolation Forest Algorithm |
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 |