CN111476455A - 基于两级结构的电网运行断面特征选择与在线生成方法 - Google Patents
基于两级结构的电网运行断面特征选择与在线生成方法 Download PDFInfo
- Publication number
- CN111476455A CN111476455A CN202010140215.9A CN202010140215A CN111476455A CN 111476455 A CN111476455 A CN 111476455A CN 202010140215 A CN202010140215 A CN 202010140215A CN 111476455 A CN111476455 A CN 111476455A
- Authority
- CN
- China
- Prior art keywords
- factor
- factor set
- feature selection
- operation section
- power grid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000010845 search algorithm Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 239000006185 dispersion Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000011158 quantitative evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000002354 daily effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research 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
- 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)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于两级结构的电网运行断面特征选择与在线生成方法,包括以下步骤:包括以下步骤:S1)过滤式特征选择,包括Fisher分和信息增益,对两类选择结果进行交叉处理,输出基础因素集;S2)包裹式特征选择,利用序列后向搜索算法,生成特征因素集,同步形成基于该特征因素集的运行断面生成智能体。本发明能大幅降低特征因素“维度”,减少对电网物理特性进行大量复杂的分析判定,再基于该特征因素集的智能体能及时生成与监控电网运行断面,准确性评价指标达标,满足电网实时运行控制辅助决策的需要,对确保系统安全稳定运行,防止事故扩大具有重要作用。
Description
技术领域
本发明属于电网运行断面领域的电网运行断面特征选择与在线生成方法,具体涉及一种基于两级结构的电网运行断面特征选择与在线生成方法,属于电网运行断面特征选择与在线生成方法的创新技术。
背景技术
近年来,随着电网发展,电力系统对运行断面在线生成的需求日益迫切,传统运行断面生成方法由于需要对电网物理特性进行大量复杂的分析判定,耗时较长,难以满足实时运行需要。为此,采用机器学习等人工智能算法实现运行断面的在线自动生成成为当前电网运行控制领域研究的热点。
由于现代大电网规模庞大,利用机器学习有关算法解决运行断面生成问题时,将面临规模庞大的运行状态参数。准确高效的实施特征选择,不仅是避免“维数灾”,提升计算效率的必然途径,也是消除干扰因素,提升判定准确性的有效方法。
为此,需要针对电网运行断面在线生成问题实际特点,提出基于两层模式的特征选择与在线生成方法。
发明内容
本发明的目的在于提供一种基于两级结构的电网运行断面特征选择与在线生成方法,本发明能大幅降低特征因素“维度”,基于该特征因素集的智能体能在短时间内在线生成运行断面,准确性评价指标足够高,能够满足电网实时运行控制辅助决策的需要。
为达到上述目的,本发明提供如下技术方案:
一种基于两级结构的电网运行断面特征选择与在线生成方法,包括以下步骤:
基于两级结构的电网运行断面特征选择与在线生成方法,其特征在于包括以下步骤:
S1)过滤式特征选择,包括Fisher分和信息增益,对两类选择结果进行交叉处理,输出基础因素集;
S2)包裹式特征选择,利用序列后向搜索算法,生成特征因素集,同步形成基于该特征因素集的运行断面生成智能体。
所述步骤S1具体过程为:
S11)基于Fisher分的过滤式特征选择
所谓Fisher分本质上是一种对不同类样本离散程度的量化评价指标,其公式为:
式(1)中,FSk为第k维因素的Fisher分值;Sb,k、Sw,k分别为类间离散度和类内离散度,用以量化不同类样本和同一类样本间的离散程度;和分别为正类、负类和样本在第k维因素的均值;分别表示正类和负类样本第k维因素的方差;
S12)基于信息增益的过滤式特征选择
所谓信息增益是指某项因素加入因素集合后,该集合信息熵的增加幅度,信息增益表示为:
式(2)中,IG(A)为因素A的信息增益;Info(D)、InfoA(D)分别为增加因素A后集合的信息熵和原集合信息熵;m是样本类别数;v为子集个数;pi为样本属于类别的概率,即pi|D*|/|D|;|Dj|、|D|分别为属于类别Ci的样本数和总样本数;
S13)交叉处理
Fisher分和信息增益法分别从两个维度对初始因素集中因素进行了特征选择,Fisher分侧重于从因素相关性角度出发,筛选出与待分析运行断面联系最紧密的因素集;而信息增益法更侧重于因素变化过程分析,筛选出于待分析运行断面变化模式最接近的因素集;
过滤式特征选择需要兼顾两个方法选择的差异,为此,将两种方法选定的基础因素集作交集,输出最终的基础因素集,即:
Ba_GA=F_GA∩I_GA (3)
式(3)中,Ba_GA为第一层过滤式特征选择层所输出的基础因素集。
本发明的有益效果在于:本发明能大幅降低特征因素“维度”,减少对电网物理特性进行大量复杂的分析判定,再基于该特征因素集的智能体能及时生成与监控电网运行断面,准确性评价指标达标,满足电网实时运行控制辅助决策的需要,对确保系统安全稳定运行,防止事故扩大具有重要作用。
附图说明
图1为本发明两层结构实施框架图;
图2为基于Fisher分的过滤式特征选择流程图;
图3为基于序列后向搜索的包裹式特征选择流程图;
图4为实施例网架图;
图5为特征因素数量变化图;
图6为测试情况分析图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
本发明两层结构实施框架图如图1所示,本发明基于两级结构的电网运行断面特征选择与在线生成方法,包括以下步骤:
S1)过滤式特征选择,包括Fisher分和信息增益,对两类选择结果进行交叉处理,输出基础因素集;
S2)包裹式特征选择,利用序列后向搜索算法,生成特征因素集,同步形成基于该特征因素集的运行断面生成智能体。
基于Fisher分的过滤式特征选择流程图如图2所示,所述步骤S1具体过程为:
S11)基于Fisher分的过滤式特征选择
所谓Fisher分本质上是一种对不同类样本离散程度的量化评价指标,其公式为:
式(1)中,FSk为第k维因素的Fisher分值;Sb,k、Sw,k分别为类间离散度和类内离散度,用以量化不同类样本和同一类样本间的离散程度;和分别为正类、负类和样本在第k维因素的均值;分别表示正类和负类样本第k维因素的方差;
S12)基于信息增益的过滤式特征选择
所谓信息增益是指某项因素加入因素集合后,该集合信息熵的增加幅度,信息增益表示为:
式(2)中,IG(A)为因素A的信息增益;Info(D)、InfoA(D)分别为增加因素A后集合的信息熵和原集合信息熵;m是样本类别数;v为子集个数;pi为样本属于类别的概率,即|Dj|、|D|分别为属于类别Ci的样本数和总样本数;
S13)交叉处理
Fisher分和信息增益法分别从两个维度对初始因素集中因素进行了特征选择,Fisher分侧重于从因素相关性角度出发,筛选出与待分析运行断面联系最紧密的因素集;而信息增益法更侧重于因素变化过程分析,筛选出于待分析运行断面变化模式最接近的因素集;
过滤式特征选择需要兼顾两个方法选择的差异,为此,将两种方法选定的基础因素集作交集,输出最终的基础因素集,即:
Ba_GA=F_GA∩I_GA (3)
式(3)中,Ba_GA为第一层过滤式特征选择层所输出的基础因素集。
所述步骤S11)利用Fisher分进行特征选择时的实施流程为:
(11)Fisher分计算与因素排序
根据待分析运行断面在训练集中是否生成,将样本划分为正类、负类两个类型,其中正类为该运行断面生成的训练样本集合,负类反之;利用式(1)依次计算初始因素集中各因素的Fisher分值,并将其按照从大到小的顺序排列;
(12)依次构建运行断面生成判定支持向量机智能体,并计算准确性评价指标
先给定一个空集Ω,按照Fisher分值排列后的因素顺序,依次将因素添入集合Ω中,以训练集数据为基础,构建基于集合Ω的支持向量机智能体;将智能体用于校验集,计算其准确性评价指标;
初始因素集由庞大的电网运行状态参数构成,表1中列举了13方面运行断面生成中所需要考虑的电网运行状态参数类型。
表1:电网运行状态参数类型
(13)选定准确性最高的分类器,并输出其对应的因素集Ω
待遍历所有因素后,统计并定位所有组合方式下验证集准确性指标最大的支持向量机智能体,该智能体对应的集合即为基于Fisher分法选定的基础因素集F_GA。
所述步骤S12利用信息增益进行过滤式特征选择时,其实施流程与Fisher分方式下流程一致,区别在于因素排序的依据是其信息增益值,而不是Fisher分值,规定利用信息增益法所得的基础因素集为I_GA。
基于序列后向搜索的包裹式特征选择流程图如图3所示,所述步骤S2具体为:
序列搜索算法是一种经典的包裹式特征选择算法,按照搜索方向不同,可分为序列后向搜素和序列前向搜索;序列后向搜索是指基于给定的因素集合,每次剔除一项因素,直至集合所对应的智能体评价指标能达到最大;序列前向搜索则与之相对,是指每次增加一项因素,直至获得最大评价指标。
考虑到经过第一层过滤,基础因素集中的因素数量已经较少,选用序列后向搜索算法,基于序列后向搜索的第二层过滤式特征选择与生成智能体训练包括如下要点:
(21)计算基础因素集下的准确性评价指标
将第一层所输出的基础因素集作为特征集,利用历史数据训练支持向量机智能体;并统计训练完毕的支持向量机智能体在验证数据集的准确性评价指标;
(22)遍历基础因素集中所有因素,计算并统计剔除一项因素后新因素集的准确性评价指标;
遍历基础因素集中所有因素,逐一将其从基础因素集中剔除,并基于剔除一项因素后的因素集训练智能体,计算其准确性评价指标,统计所有因素剔除后的准确性评价指标;
(23)判定新因素集下准确性评价指标变化情况
将上一步中所得的准确性评价指标最大值与原基础因素集对比,若新因素集准确性评价指标更大,则将该因素集替代原基础因素集,返回步骤(21),重复上述过程;否则,搜索结束,输出基础因素集和训练所得的运行断面生成智能体。
下面结合实施例说明本发明的具体过程:
1、基础数据
本发明截取南方某省区一地区电网,在其基础上简化构造算例,以验证所提出方法的有效性。简化后该地区电网220千伏网架结构如图4所示。该网架结构图中共有变电站节点10座,发电厂节点6座,输电线路26条。
算例中选取了2018年全年逐日运行状态作为基础数据,将1至11月逐日运行参数作为训练数据集,并将12月上半月数据作为验证数据集,下半月数据作为测试数据集。
2、特征选择分析
按照表1中介绍的电网运行断面生成中所需要考虑的运行状态参数类型,该算例中所涉及的初始因素集共142项。经过第一层过滤式特征选择,基础因素集共有23项因素。其中,经过Fisher分过滤后剩余32项,信息增益过滤后剩余37项,两者取交集后剩余23项。
以运行断面线路12->13双回+线路11->6双回为例,本发明提出的运行断面特征选择各阶段所选择的因素数量变化如图5所示。经过第一层过滤式特征选择,基础因素集共有14项因素。其中,经过Fisher分过滤后剩余20项,信息增益过滤后剩余19项,两者取交集后剩余14项。在此基础上进一步利用包裹式特征选择对14项因素甄别,经过5轮逐次后向搜索剩余7项特征因素。
进一步观察各阶段所筛选出来的因素集,表1中分别给出了特征因素集、基础因素集独有、独有和独有四个类型集合中的因素。可以发现所选择的因素均与该运行断面所形成的封闭分区有关,包括该分区内发电厂发电功率、变电站负荷和线路运行状态。最后所得的特征因素集为该分区与主网相连的线路运行状态和分区内的发电厂有功功率,与传统调度经验所得的直观结论相一致。
表1:各环节特征选择结果
3、在线生成效果分析
进一步利用所生成的运行断面在线生成智能体对测试数据集计算分析。统计逐日各时段测试分析结果,并计算当日均值。如图6所示,当月准确性评价指标达95%,最低准确率为80%,也即最多存在1个运行断面判定不准;而每次计算耗时不超过10秒,完全能够满足调度运行在线分析决策要求。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (6)
1.一种基于两级结构的电网运行断面特征选择与在线生成方法,其特征在于包括以下步骤:
S1)过滤式特征选择,包括Fisher分和信息增益,对两类选择结果进行交叉处理,输出基础因素集;
S2)包裹式特征选择,利用序列后向搜索算法,生成特征因素集,同步形成基于该特征因素集的运行断面生成智能体。
2.根据权利要求1所述的基于两级结构的电网运行断面特征选择与在线生成方法,其特征在于:所述步骤S1具体过程为:
S11)基于Fisher分的过滤式特征选择
所谓Fisher分本质上是一种对不同类样本离散程度的量化评价指标,其公式为:
式(1)中,FSk为第k维因素的Fisher分值;Sb,k、Sw,k分别为类间离散度和类内离散度,用以量化不同类样本和同一类样本间的离散程度;和分别为正类、负类和样本在第k维因素的均值;分别表示正类和负类样本第k维因素的方差;
S12)基于信息增益的过滤式特征选择
所谓信息增益是指某项因素加入因素集合后,该集合信息熵的增加幅度,信息增益表示为:
式(2)中,IG(A)为因素A的信息增益;Info(D)、InfoA(D)分别为增加因素A后集合的信息熵和原集合信息熵;m是样本类别数;v为子集个数;pi为样本属于类别的概率,即pi=|D*|/|D|;|Dj|、|D|分别为属于类别Ci的样本数和总样本数;
S13)交叉处理
Fisher分和信息增益法分别从两个维度对初始因素集中因素进行了特征选择,Fisher分侧重于从因素相关性角度出发,筛选出与待分析运行断面联系最紧密的因素集;而信息增益法更侧重于因素变化过程分析,筛选出于待分析运行断面变化模式最接近的因素集;
过滤式特征选择需要兼顾两个方法选择的差异,为此,将两种方法选定的基础因素集作交集,输出最终的基础因素集,即:
Ba_GA=F_GA∩I_GA (3)
式(3)中,Ba_GA为第一层过滤式特征选择层所输出的基础因素集。
3.根据权利要求2所述的基于两级结构的电网运行断面特征选择与在线生成方法,其特征在于:步骤S11)利用Fisher分进行特征选择时的实施流程为:
(11)Fisher分计算与因素排序
根据待分析运行断面在训练集中是否生成,将样本划分为正类、负类两个类型,其中正类为该运行断面生成的训练样本集合,负类反之;利用式(1)依次计算初始因素集中各因素的Fisher分值,并将其按照从大到小的顺序排列;
(12)依次构建运行断面生成判定支持向量机智能体,并计算准确性评价指标
先给定一个空集Ω,按照Fisher分值排列后的因素顺序,依次将因素添入集合Ω中,以训练集数据为基础,构建基于集合Ω的支持向量机智能体;将智能体用于校验集,计算其准确性评价指标;
(13)选定准确性最高的分类器,并输出其对应的因素集Ω
待遍历所有因素后,统计并定位所有组合方式下验证集准确性指标最大的支持向量机智能体,该智能体对应的集合即为基于Fisher分法选定的基础因素集F_GA。
4.根据权利要求3所述的基于两级结构的电网运行断面特征选择与在线生成方法,其特征在于:所述步骤S12利用信息增益进行过滤式特征选择时,其实施流程与Fisher分方式下流程一致,区别在于因素排序的依据是其信息增益值,而不是Fisher分值,规定利用信息增益法所得的基础因素集为I_GA。
5.根据权利要求1至4任一项所述的基于两级结构的电网运行断面特征选择与在线生成方法,其特征在于:所述步骤S2具体为:
序列搜索算法是一种经典的包裹式特征选择算法,按照搜索方向不同,可分为序列后向搜素和序列前向搜索;序列后向搜索是指基于给定的因素集合,每次剔除一项因素,直至集合所对应的智能体评价指标能达到最大;序列前向搜索则与之相对,是指每次增加一项因素,直至获得最大评价指标。
6.根据权利要求5所述的基于两级结构的电网运行断面特征选择与在线生成方法,其特征在于:考虑到经过第一层过滤,基础因素集中的因素数量已经较少,选用序列后向搜索算法,基于序列后向搜索的第二层过滤式特征选择与生成智能体训练包括如下要点:
(21)计算基础因素集下的准确性评价指标
将第一层所输出的基础因素集作为特征集,利用历史数据训练支持向量机智能体;并统计训练完毕的支持向量机智能体在验证数据集的准确性评价指标;
(22)遍历基础因素集中所有因素,计算并统计剔除一项因素后新因素集的准确性评价指标;
遍历基础因素集中所有因素,逐一将其从基础因素集中剔除,并基于剔除一项因素后的因素集训练智能体,计算其准确性评价指标,统计所有因素剔除后的准确性评价指标;
(23)判定新因素集下准确性评价指标变化情况
将上一步中所得的准确性评价指标最大值与原基础因素集对比,若新因素集准确性评价指标更大,则将该因素集替代原基础因素集,返回步骤(21),重复上述过程;否则,搜索结束,输出基础因素集和训练所得的运行断面生成智能体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010140215.9A CN111476455A (zh) | 2020-03-03 | 2020-03-03 | 基于两级结构的电网运行断面特征选择与在线生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010140215.9A CN111476455A (zh) | 2020-03-03 | 2020-03-03 | 基于两级结构的电网运行断面特征选择与在线生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476455A true CN111476455A (zh) | 2020-07-31 |
Family
ID=71748073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010140215.9A Pending CN111476455A (zh) | 2020-03-03 | 2020-03-03 | 基于两级结构的电网运行断面特征选择与在线生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476455A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011010479A (ja) * | 2009-06-26 | 2011-01-13 | Tokyo Electric Power Co Inc:The | 送電線下地物の除去地物選定装置 |
CN103227450A (zh) * | 2013-04-26 | 2013-07-31 | 国家电网公司 | 在线故障恢复方法及系统 |
CN103840456A (zh) * | 2014-03-19 | 2014-06-04 | 国家电网公司 | 一种考虑网络自动收缩的输电断面搜索方法 |
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
CN105354680A (zh) * | 2015-11-25 | 2016-02-24 | 中国电力科学研究院 | 一种基于gis的电网断面辅助确定分析方法 |
CN109934278A (zh) * | 2019-03-06 | 2019-06-25 | 宁夏医科大学 | 一种信息增益混合邻域粗糙集的高维度特征选择方法 |
CN110135623A (zh) * | 2019-04-12 | 2019-08-16 | 天津大学 | 基于层次聚类和神经网络的负荷预测输入特征筛选方法 |
CN110676887A (zh) * | 2019-09-24 | 2020-01-10 | 国电南瑞科技股份有限公司 | 一种分区域共享送出断面的两级调度风火协调控制方法 |
-
2020
- 2020-03-03 CN CN202010140215.9A patent/CN111476455A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011010479A (ja) * | 2009-06-26 | 2011-01-13 | Tokyo Electric Power Co Inc:The | 送電線下地物の除去地物選定装置 |
WO2014173131A1 (zh) * | 2013-04-23 | 2014-10-30 | 国家电网公司 | 一种基于响应的大电网全态势在线一体化量化评估方法 |
CN103227450A (zh) * | 2013-04-26 | 2013-07-31 | 国家电网公司 | 在线故障恢复方法及系统 |
CN103840456A (zh) * | 2014-03-19 | 2014-06-04 | 国家电网公司 | 一种考虑网络自动收缩的输电断面搜索方法 |
CN105354680A (zh) * | 2015-11-25 | 2016-02-24 | 中国电力科学研究院 | 一种基于gis的电网断面辅助确定分析方法 |
CN109934278A (zh) * | 2019-03-06 | 2019-06-25 | 宁夏医科大学 | 一种信息增益混合邻域粗糙集的高维度特征选择方法 |
CN110135623A (zh) * | 2019-04-12 | 2019-08-16 | 天津大学 | 基于层次聚类和神经网络的负荷预测输入特征筛选方法 |
CN110676887A (zh) * | 2019-09-24 | 2020-01-10 | 国电南瑞科技股份有限公司 | 一种分区域共享送出断面的两级调度风火协调控制方法 |
Non-Patent Citations (2)
Title |
---|
梁海平等: "基于改进K-means算法的电网运行断面相似性匹配研究", 《电力自动化设备》, vol. 39, no. 7, pages 119 - 124 * |
武小年等: "入侵检测中基于SVM的两级特征选择方法", 《通信学报》, vol. 36, no. 4, pages 23 - 30 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109873610B (zh) | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
CN111103477B (zh) | 一种基于3d卷积神经网络的电气负载监测方法和系统 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN111027629A (zh) | 基于改进随机森林的配电网故障停电率预测方法及系统 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN109921462B (zh) | 一种基于lstm的新能源消纳能力评估方法及系统 | |
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 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN109470954B (zh) | 一种基于大数据的电网运行状态监测系统及其监测方法 | |
CN111091141A (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN112200375A (zh) | 预测模型生成方法、预测模型生成装置和计算机可读介质 | |
CN111476455A (zh) | 基于两级结构的电网运行断面特征选择与在线生成方法 | |
CN116992362A (zh) | 一种基于夏普利值的变压器故障表征特征量筛选方法和装置 | |
CN116756508A (zh) | 变压器的故障诊断方法、装置、计算机设备及存储介质 | |
CN116774089A (zh) | 基于特征融合的卷积神经网络电池健康状态估计方法及系统 | |
CN114118592B (zh) | 一种智能电网用电端短期能耗预测系统 | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
Peng et al. | Research on fault diagnosis method for transformer based on fuzzy genetic algorithm and artificial neural network | |
CN114116831B (zh) | 一种大数据挖掘处理方法及装置 | |
CN113837486A (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN105976126A (zh) | 基于主成分分析法的机床制造能耗分析方法 | |
CN112329432A (zh) | 一种基于改进Apriori的配电网电压越限问题关联分析方法 |
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: 20200731 |
|
RJ01 | Rejection of invention patent application after publication |