CN111538760A - 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 - Google Patents
一种基于Apriori算法建立配电负荷线损关联分析模型的方法 Download PDFInfo
- Publication number
- CN111538760A CN111538760A CN202010317147.9A CN202010317147A CN111538760A CN 111538760 A CN111538760 A CN 111538760A CN 202010317147 A CN202010317147 A CN 202010317147A CN 111538760 A CN111538760 A CN 111538760A
- Authority
- CN
- China
- Prior art keywords
- data
- transaction
- line loss
- time sequence
- correlation analysis
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 27
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000005065 mining Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000012098 association analyses Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 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
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic 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
- G06Q10/06—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
- G06Q10/06395—Quality analysis or management
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于Apriori算法建立配电负荷线损关联分析模型的方法,其技术方案要点,包括报表类数据预处理、时序事件数据预处理、形成事务数据集、关联关系的支持度和置信度以及利用上述数据结果基于Apriori算法建立线损关联分析模型;本发明通过Apriori算法利用“大数据”预处理建立分析模型,用于有效挖掘负荷和线损之间的内在关系、研究隐藏在电网运行中海量数据间的潜在价值,得到其中相关性影响因子的影响比重,为城市配电网的规划、决策以及运筹提供建设性建议根据。
Description
技术领域
本发明涉及电网用电领域的一种基于Apriori算法建立配电负荷线损关联分析模型的方法。
背景技术
降损节能是电力企业长期发展的一项基本方针,也是节约资源,绿色发展的内在要求。电力能源作为一次和二次产业的动力来源,在其电网运行过程中产生了大量的电能损耗,相比西方发达国家,我国的电能损耗更加严重,综合线损率比发达国家的线损高2%左右,就其对电网自身来说,减损节能潜力巨大[1]。
近年来,随着经济体制改革的不断推进,社会经济的高度发展,社会各界对电能的需求也提出了更高的要求,为了迎合用电市场需求和企业自身发展,我国电力网络也通过不断改造和完善,取得了长足的发展。但同时,在电能输配的过程中,电力设备如线路、变压器、补偿装置、调整设备及测量和保护装置等由于各种原因造成的电能损耗也越来越大,所以降低电网在供电过程中电能的不必要损耗,提高电网运行效率,已成为当前急需解决的问题,但城市配电网是一项复杂的系统,具有规模大、不确定因素和不精确因素,且涉及领域广的特点。传统的配电网规划技术已经不能适应配电网发展的需求,亟需引入新技术促进城市配电网规划的发展。因此,一种能够有效挖掘负荷和线损之间的内在关系得到其中相关性影响因子的影响比重的方法,对于为城市配电网的规划、决策以及运筹提供建设性建议就尤为重要。
发明内容
本发明的目的目的是为了克服现有技术的不足,提供一种基于Apriori算法建立配电负荷线损关联分析模型的方法,能够实现基于“大数据”的思维方式,利用数据挖掘关联分析技术研究隐藏在电网运行中海量数据间的潜在价值。
为实现上述目的,本发明提供了如下技术方案:一种基于Apriori算法建立配电负荷线损关联分析模型的方法,其特征在于:包括调取往届配电网留档数据库内数据以及云端“大数据”;
A.报表类数据预处理
(1)数据归一化:将一些表述不同的项目其内在含义是相同的的项目统一成相同的描述语言,以提高算法的计算效率,减小算法的冗余度;
(2)提取描述性语言的关键词:对主观性较强、规范性较低的描述性语言进行提取关键词,基于提取的规范性强和简练的关键词作为事务数据进行关联性分析;
(3)去除无用项和重复项;
(4)形成报表类事务数据集:依据以上原则,将每条记录中的数据进行整理后,对每条记录的集合形成一个报表类事务集Ik={i1,i2,i3,…,ik,…},每个Ik包含了若干个项目ik;
B.时序事件数据预处理
(1)时序数据离散标准化;
B1.基于时序数据频度、事件指标频度和实际计算能力的情况下设置数据频度;
B2.包括时序数据切割和时序数据特征离散化:
B21.时序数据切割过程:在t1时刻将馈线电流满足0A≤I≤1A时设置为事务I0,满足1A<I≤2A时设置为事务I1……,以此类推,将连续的馈线电流切割,基于具体时序数据的数值范围来确定离散化的区间长度;
B22.时序数据的特征离散化处理:在t2时刻,馈线电流I在2A≤I<3A范围内时设置时序事务为I2,若馈线电流相对t1时刻是上升的,设置时序特征事务为tup;若馈线电流相对t1时刻是下降的,设置时序特征事务为tdown;若馈线电流相对t1时刻是不变的,设置时序特征事务为tflat;
B23.将系统运行数据与事件按照上述原则,在每个时刻tk,形成一个事务集Ik={i1,i2,i3,…,ik,…};
C.形成事务数据集;
C1.将所有报表类数据事务集和时序数据事务集整理为一个统一的事务数据集的集合T={I1,I2,I3,…,Ik,…};
C2.将各事务中有表示“产生线损”的项目分别统一划为一个单独的项目,都命名为“年平均线损”,并且将每一个这样的事务都对应一个λi作为标签,将其称作“线损松弛因子”,其公式如下:
其中λi表示第i个含有“年平均线损”这一项目的事务所属的“线损松弛因子”,Lai表示这一事务中所包含线损的实际计算值,Lr表示年平均线损;
D.对T进行关联分析,即可得到T中事务Ik或项集X与“线损”之间的关联关系,并可以得到这些关联关系的支持度和置信度;
E.基于Apriori关联算法,对配电网运行中各类影响因素与线损进行关联分析,建立线损关联分析模型;
其中,支持度和置信度计算公式调整如下:
式中,λi表示每个含有“年平均线损”这一项目的事务所属的“线损松弛因子”,X是影响事件,L表示“年平均线损”这一项目;
F.基于线损关联分析模型,挖掘负荷和线损之间的内在关系,分析计算其中相关性影响因子的影响比重,并对线损增减影响进行定量分析。
优选的,所述时序数据离散标准化,其中每一个时间点都会产生一个事务数据集,如果数据频度设置过高,会产生过多的事务数据集;而如果数据频度设置过低,即分析的时序数据持续时间过长,将会产生高维数据矩阵,这对计算机的计算能力要求会很高,最佳设置频度为1/15min或1/60min。
通过上述设置,相对于现有技术,本方案通过最佳设置的频度对时序数据进行离散标准化,精准的规整事务数据集,利用最佳频度避免了分析持续时间过长产生大量高维数据矩阵,精简了事务数据集规整,避免精准规整带来计算机的计算负荷过载。
优选的,所述时序数据切割,其中初步计算时可以将离散化的区间长度设置为较长区段,减少对应事务数量,降低事务数据维度,从而降低计算量,而当确定了关联性较强的事务后,再将对应区间继续分割离散化进行关联分析,从而提高精度。
通过上述方案,基于现有的数据库,可以是往届配电网单位历史数据库,利用数据预处理,对其一致性、及时性、适用性、准确性进行审核,形成事务数据集,再对事务数据集中“产生线损”的项目进行处理最终得到的“线损松弛因子”,将其整合进行关联分析,通过互相之间的关联关系,得到这些关联关系的支持度和置信度,并以之建立线损关联分析模型,用于有效挖掘负荷和线损之间的关联关系。
综上所述,本发明提供了一种基于“大数据”利用Apriori算法建立配电负荷线损关联分析模型的方法,且为了方便对各类因素引起的线损增减影响进行定量分析,改进Apriori算法引入“线损松弛因子”,改进传统意义上的支持度和置信度,既减小了冗余度也提高了工作效率,其得到模型可用于有效挖掘负荷和线损之间的内在关系、研究隐藏在电网运行中海量数据间的潜在价值,得到其中相关性影响因子的影响比重,为城市配电网的规划、决策以及运筹提供建设性建议根据。
附图说明
图1是本发明模型的建立框架示意图;
图2是本发明实施例算例分析记录示意图。
具体实施方式
以下结合图1对本发明作进一步详细说明。
本实施例公开了一种基于Apriori算法建立配电负荷线损关联分析模型的方法,其特征在于:包括调取往届配电网留档数据库内数据以及云端“大数据”;
A.报表类数据预处理
(1)数据归一化:将一些表述不同的项目其内在含义是相同的的项目统一成相同的描述语言,以提高算法的计算效率,减小算法的冗余度;
(2)提取描述性语言的关键词:对主观性较强、规范性较低的描述性语言进行提取关键词,基于提取的规范性强和简练的关键词作为事务数据进行关联性分析;
(3)去除无用项和重复项;
(4)形成报表类事务数据集:依据以上原则,将每条记录中的数据进行整理后,对每条记录的集合形成一个报表类事务集Ik={i1,i2,i3,…,ik,…},每个Ik包含了若干个项目ik;
B.时序事件数据预处理
(1)时序数据离散标准化;
B1.基于时序数据频度、事件指标频度和实际计算能力的情况下设置数据频度;
B2.包括时序数据切割和时序数据特征离散化:
B21.时序数据切割过程:在t1时刻将馈线电流满足0A≤I≤1A时设置为事务I0,满足1A<I≤2A时设置为事务I1……,以此类推,将连续的馈线电流切割,基于具体时序数据的数值范围来确定离散化的区间长度;
B22.时序数据的特征离散化处理:在t2时刻,馈线电流I在2A≤I<3A范围内时设置时序事务为I2,若馈线电流相对t1时刻是上升的,设置时序特征事务为tup;若馈线电流相对t1时刻是下降的,设置时序特征事务为tdown;若馈线电流相对t1时刻是不变的,设置时序特征事务为tflat;
B23.将系统运行数据与事件按照上述原则,在每个时刻tk,形成一个事务集Ik={i1,i2,i3,…,ik,…};
C.形成事务数据集;
C1.将所有报表类数据事务集和时序数据事务集整理为一个统一的事务数据集的集合T={I1,I2,I3,…,Ik,…};
C2.将各事务中有表示“产生线损”的项目分别统一划为一个单独的项目,都命名为“年平均线损”,并且将每一个这样的事务都对应一个λi作为标签,将其称作“线损松弛因子”,其公式如下:
其中λi表示第i个含有“年平均线损”这一项目的事务所属的“线损松弛因子”,Lai表示这一事务中所包含线损的实际计算值,Lr表示年平均线损;
D.对T进行关联分析,即可得到T中事务Ik或项集X与“线损”之间的关联关系,并可以得到这些关联关系的支持度和置信度;
E.基于Apriori关联算法,对配电网运行中各类影响因素与线损进行关联分析,建立线损关联分析模型;
其中,支持度和置信度计算公式调整如下:
式中,λi表示每个含有“年平均线损”这一项目的事务所属的“线损松弛因子”,X是影响事件,L表示“年平均线损”这一项目;
F.基于线损关联分析模型,挖掘负荷和线损之间的内在关系,分析计算其中相关性影响因子的影响比重,并对线损增减影响进行定量分析。
优选的,所述时序数据离散标准化,其中每一个时间点都会产生一个事务数据集,如果数据频度设置过高,会产生过多的事务数据集;而如果数据频度设置过低,即分析的时序数据持续时间过长,将会产生高维数据矩阵,这对计算机的计算能力要求会很高,最佳设置频度为1/15min或1/60min。
优选的,所述时序数据切割,其中初步计算时可以将离散化的区间长度设置为较长区段,减少对应事务数量,降低事务数据维度,从而降低计算量,而当确定了关联性较强的事务后,再将对应区间继续分割离散化进行关联分析,从而提高精度。
实施例:利用本方案提出的基于Apriori算法建立配电负荷线损关联分析模型,对德阳电网管理系统中10kV配电线路的数据进行分析,并寻找其中的数据关联。
算例中Apriori算法的程序实现基于Python程序语言开发中的Efficient-apriori 1.0.0库。
由于本算例中的事务数据集全是由文本组成,所以使用对文本处理有着得天独厚优势Python语言进行程序开发是最合适的。
对事务数据库进行大数据关联分析,设置最小支持度为10%,最小置信度为50%,对关联结果进行整理,去除无用项,得到关联分析结果如图2所示。
从图2关联分析结果可知,三相电流不平衡依旧是造成线损最大的因素之一。
偷电窃电造成线损增加的置信度最高,对此需要增加有效的监督和管理制度措施。
算例分析验证了本发明方法所提供的基于Apriori算法建立配电负荷线损关联分析模型对于挖掘影响配电网线损之因素的实效性,其关联分析可以得到一些运行维护人员已知并且有助于进行配电网运行维护分析和提升供电质量的事件之间的关联关系。这将为配电网的规划、运行和经济权衡提供建设性意见。
以上所述仅为本发明的较佳实施例,并不用于限制本发明,凡在本发明的设计构思之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于Apriori算法建立配电负荷线损关联分析模型的方法,其特征在于:包括调取往届配电网留档数据库内数据以及云端“大数据”;
A.报表类数据预处理
(1)数据归一化:将一些表述不同的项目其内在含义是相同的的项目统一成相同的描述语言,以提高算法的计算效率,减小算法的冗余度;
(2)提取描述性语言的关键词:对主观性较强、规范性较低的描述性语言进行提取关键词,基于提取的规范性强和简练的关键词作为事务数据进行关联性分析;
(3)去除无用项和重复项;
(4)形成报表类事务数据集:依据以上原则,将每条记录中的数据进行整理后,对每条记录的集合形成一个报表类事务集Ik={i1,i2,i3,…,ik,…},每个Ik包含了若干个项目ik;
B.时序事件数据预处理
(1)时序数据离散标准化;
B1.基于时序数据频度、事件指标频度和实际计算能力的情况下设置数据频度;
B2.包括时序数据切割和时序数据特征离散化:
B21.时序数据切割过程:在t1时刻将馈线电流满足0A≤I≤1A时设置为事务I0,满足1A<I≤2A时设置为事务I1……,以此类推,将连续的馈线电流切割,基于具体时序数据的数值范围来确定离散化的区间长度;
B22.时序数据的特征离散化处理:在t2时刻,馈线电流I在2A≤I<3A范围内时设置时序事务为I2,若馈线电流相对t1时刻是上升的,设置时序特征事务为tup;若馈线电流相对t1时刻是下降的,设置时序特征事务为tdown;若馈线电流相对t1时刻是不变的,设置时序特征事务为tflat;
B23.将系统运行数据与事件按照上述原则,在每个时刻tk,形成一个事务集Ik={i1,i2,i3,…,ik,…};
C.形成事务数据集;
C1.将所有报表类数据事务集和时序数据事务集整理为一个统一的事务数据集的集合T={I1,I2,I3,…,Ik,…};
C2.将各事务中有表示“产生线损”的项目分别统一划为一个单独的项目,都命名为“年平均线损”,并且将每一个这样的事务都对应一个λi作为标签,将其称作“线损松弛因子”,其公式如下:
其中λi表示第i个含有“年平均线损”这一项目的事务所属的“线损松弛因子”,Lai表示这一事务中所包含线损的实际计算值,Lr表示年平均线损;
D.对T进行关联分析,即可得到T中事务Ik或项集X与“线损”之间的关联关系,并可以得到这些关联关系的支持度和置信度;
E.基于Apriori关联算法,对配电网运行中各类影响因素与线损进行关联分析,建立线损关联分析模型;
其中,支持度和置信度计算公式调整如下:
式中,λi表示每个含有“年平均线损”这一项目的事务所属的“线损松弛因子”,X是影响事件,L表示“年平均线损”这一项目;
F.基于线损关联分析模型,挖掘负荷和线损之间的内在关系,分析计算其中相关性影响因子的影响比重,并对线损增减影响进行定量分析。
2.根据权利要求1所述的一种基于Apriori算法建立配电负荷线损关联分析模型的方法,其特征在于:所述时序数据离散标准化,其中每一个时间点都会产生一个事务数据集,如果数据频度设置过高,会产生过多的事务数据集;而如果数据频度设置过低,即分析的时序数据持续时间过长,将会产生高维数据矩阵,这对计算机的计算能力要求会很高,最佳设置频度为1/15min或1/60min。
3.根据权利要求2所述的一种基于Apriori算法建立配电负荷线损关联分析模型的方法,其特征在于:所述时序数据切割,其中初步计算时可以将离散化的区间长度设置为较长区段,减少对应事务数量,降低事务数据维度,从而降低计算量,而当确定了关联性较强的事务后,再将对应区间继续分割离散化进行关联分析,从而提高精度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317147.9A CN111538760B (zh) | 2020-04-21 | 2020-04-21 | 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317147.9A CN111538760B (zh) | 2020-04-21 | 2020-04-21 | 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111538760A true CN111538760A (zh) | 2020-08-14 |
CN111538760B CN111538760B (zh) | 2022-09-09 |
Family
ID=71976991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010317147.9A Active CN111538760B (zh) | 2020-04-21 | 2020-04-21 | 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111538760B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415300A (zh) * | 2020-10-25 | 2021-02-26 | 国网湖北省电力有限公司电力科学研究院 | 一种轨道交通与变压器直流偏磁关联性分析方法 |
CN113420375A (zh) * | 2021-06-14 | 2021-09-21 | 西北工业大学 | 基于Apriori建立工艺-质量-不平衡量关联关系模型的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013190627A1 (ja) * | 2012-06-18 | 2013-12-27 | 株式会社日立製作所 | 相関分析装置及びその方法 |
CN104820716A (zh) * | 2015-05-21 | 2015-08-05 | 中国人民解放军海军工程大学 | 基于数据挖掘的装备可靠性评估方法 |
CN107909208A (zh) * | 2017-11-16 | 2018-04-13 | 国网上海市电力公司 | 一种台区配网降损方法 |
-
2020
- 2020-04-21 CN CN202010317147.9A patent/CN111538760B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013190627A1 (ja) * | 2012-06-18 | 2013-12-27 | 株式会社日立製作所 | 相関分析装置及びその方法 |
CN104820716A (zh) * | 2015-05-21 | 2015-08-05 | 中国人民解放军海军工程大学 | 基于数据挖掘的装备可靠性评估方法 |
CN107909208A (zh) * | 2017-11-16 | 2018-04-13 | 国网上海市电力公司 | 一种台区配网降损方法 |
Non-Patent Citations (2)
Title |
---|
辛永,黄文思等: ""基于深度学习LSTM的线损预测技术研究与应用"", 《电气自动化》 * |
陈勇: ""基于改进Apriori 算法的智能变电站二次设备缺陷关联性分析"", 《电力系统保护与控制》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415300A (zh) * | 2020-10-25 | 2021-02-26 | 国网湖北省电力有限公司电力科学研究院 | 一种轨道交通与变压器直流偏磁关联性分析方法 |
CN113420375A (zh) * | 2021-06-14 | 2021-09-21 | 西北工业大学 | 基于Apriori建立工艺-质量-不平衡量关联关系模型的方法 |
CN113420375B (zh) * | 2021-06-14 | 2022-05-31 | 西北工业大学 | 基于Apriori建立工艺-质量-不平衡量关联关系模型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111538760B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106505593B (zh) | 一种基于大数据的配变三相不平衡分析与负荷调整的方法 | |
CN109858728B (zh) | 基于分行业用电特性分析的负荷预测方法 | |
CN111538760B (zh) | 一种基于Apriori算法建立配电负荷线损关联分析模型的方法 | |
Lin et al. | Energy efficiency and conservation in China's chemical fiber industry | |
Ma et al. | Economic operation evaluation of active distribution network based on fuzzy Borda method | |
CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
CN107505519A (zh) | 一种分布式电源接入电网电能质量分析方法及装置 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN112668850A (zh) | 一种基于dea算法的配电网台区投入产出分析方法 | |
CN107194529B (zh) | 基于挖掘技术的配电网可靠性经济效益分析方法及装置 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN116432437A (zh) | 一种光伏发电单元综合评价方法和系统 | |
CN115115470A (zh) | 一种基于排放因子法的绿色数据中心碳排放管理方法 | |
Wang et al. | Research on power grid infrastructure investment distribution model based on entropy weight method | |
CN111369083A (zh) | 一种面向电网项目投资效益的评价方法与系统 | |
Haoqing et al. | Key technology and engineering application of pre decision system of quasi online dispatching control for massive power grid analysis: quasi online navigation system for power system operation | |
Shiyun et al. | Data analysis and cloud computing of power grid infrastructure projects under the background of informatization | |
CN106570618A (zh) | 一种基于聚类分析和神经网络的负荷同时系数预测方法 | |
CN112488360A (zh) | 基于人工智能的配变异常分析预警方法 | |
CN112052277A (zh) | 一种基于大数据的电压暂降严重度评估方法及设备 | |
Wang et al. | Research on Prediction of Dynamic Load Complementarity Based on Big Data | |
CN113836108B (zh) | 一种基于大数据的配网低电压问题治理方法及系统 | |
An et al. | Research on power grid effective assets input-output evaluation based on super-efficient DEA model | |
Yu et al. | Research on the influencing factors of power grid operation and maintenance cost based on cluster-regression analysis | |
Ding et al. | Application reliability group evaluation with parameters of big data in energy internet in China |
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 |