CN111539654B - 一种基于大数据的冲击型电力大客户识别方法 - Google Patents

一种基于大数据的冲击型电力大客户识别方法 Download PDF

Info

Publication number
CN111539654B
CN111539654B CN202010466345.1A CN202010466345A CN111539654B CN 111539654 B CN111539654 B CN 111539654B CN 202010466345 A CN202010466345 A CN 202010466345A CN 111539654 B CN111539654 B CN 111539654B
Authority
CN
China
Prior art keywords
load
power
daily
impact
month
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
Application number
CN202010466345.1A
Other languages
English (en)
Other versions
CN111539654A (zh
Inventor
邹晟
易洋
谢小平
鄢重
叶志
吴文娴
何海零
毛坚
申浩平
程莺
王薇
周滨
王庭婷
马斌
易璐
傅政军
刘志泽
罗鑫
黄颖
曾娟
孙飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Metering Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010466345.1A priority Critical patent/CN111539654B/zh
Publication of CN111539654A publication Critical patent/CN111539654A/zh
Application granted granted Critical
Publication of CN111539654B publication Critical patent/CN111539654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于大数据的冲击型电力大客户识别方法，所述方法包括以下步骤：S1、构建客户负荷特征指标体系；S2、基于综合评价法确定指标权重判断是否为电力大客户，若是电力大客户则继续步骤S3，否则结束；S3、收集用采系统负荷数据；S4、滤除采集异常值；S5、统计各采集时间点小组的变异系数；S6、识别疑似存在冲击负荷的采集时间小组；S7、开展离群值识别：对排序后的各采集时间点小组内的负荷数据依次构建离群点分析，获取离群值；S8、分析冲击负荷倍率；S9、标记冲击型电力大客户。本发明通过大数据分析准确识别冲击型电力大客户，确保电力系统做出合理规划。

Description

一种基于大数据的冲击型电力大客户识别方法
技术领域
本发明涉及配电网工程技术领域，尤其涉及一种基于大数据的冲击型电力大客户识别方法。
背景技术
电力系统中存在大量冲击负荷，如轧钢机、电弧炉、铁路牵引等。这些负荷对电网运行造成冲击，主要表现为造成电压闪变，产生负序电流和谐波,甚至破坏电网稳定性。同时冲击负荷会危害电力设备正常运行,例如会对电力电容器、旋转设备、电力变压器、电力电缆、开关、避雷器、电压互感器、自动装置等各类元件产生影响。冲击负荷对电力系统影响不容忽视，它不仅威胁到电网安全稳定运行，也会破坏电力设备，加速绝缘老化。不论是谐波危害、热冲击、还是引起机组震荡，其长期的影响可以视为设备的寿命损失。冲击型电力大客户对电力系统的影响尤为明显，因此，需要对冲击型电力大客户进行标记，以便电力系统合理规划应对冲击负荷。
由于采集系统传输的数据为15min一次,将该电流数据拟合成曲线后，客户的单日负荷曲线的冲击负荷特征可能已不明显,难以直接从单日负荷曲线中快速识别冲击负荷,从而难以识别冲击型电力大客户。
发明内容
(一)要解决的技术问题
基于上述问题，本发明提供一种基于大数据的冲击型电力大客户识别方法，以便准确识别冲击型电力大客户，以便电力系统做出合理规划。
(二)技术方案
基于上述的技术问题，本发明提供一种基于大数据的冲击型电力大客户识别方法，所述方法包括以下步骤：S1、构建客户负荷特征指标体系；
S2、基于综合评价法，根据所述负荷特征指标体系确定指标权重,判断是否为电力大客户,若是电力大客户则继续步骤S3,否则结束；
S3、收集用采系统负荷数据:获取近一年该电力大客户在集中用电月份的负荷数据，并按采集时间点分成采集时间点小组；
S4、滤除采集异常值得到无异常值的采集时间点小组；
S5、统计各采集时间点小组的变异系数：
Figure GDA0004112890410000021
其中，xi为近一年该电力大客户在所述集中用电月份在每个采集时间点小组内的负荷数据,N为每个采集时间点小组内的负荷数据个数；
S6、识别疑似存在冲击负荷的采集时间小组:对变异系数设定阈值，若大于变异系数阈值,则该采集时间小组疑似存在冲击负荷,否则结束；
S7、开展离群值识别：对所述疑似存在冲击负荷的各采集时间点小组内的负荷数据分别构建离群点分析,获取离群值；
S8、分析冲击负荷倍率:计算冲击负荷倍率，若冲击负荷倍率大于等于2.5倍,则认为该采集时间点存在冲击负荷，否则结束，所述冲击负荷倍率等于各采集时间点小组内的离群值的平均值与该采集时间点小组内的负荷值滤除峰值后的平均值的比率；
S9、标记冲击型电力大客户：若该电力大客户在一个月内出现冲击负荷的情况大于等于3次,则标记该电力大客户为冲击型电力大客户，否则结束。
进一步的,步骤S1中所述的负荷特征指标包括日负荷特征指标和/或月负荷特征指标。
进一步的,所述日负荷特征指标包括：
日最大负荷:每日24个整点最大负荷中的最大值；
日平均日负荷：日电量除以24；
日平均负荷率：日平均负荷与日最大负荷的比值；
日最小日负荷率：日最小负荷与日最大负荷的比值；
日负荷曲线:按时间顺序以小时整点负荷绘制的负荷曲线；
容载比:运行容量与最大负荷的比值；
所述月负荷特征指标包括：
月最大负荷:每日最大负荷中的最大值，也就是每月各点负荷的最大值；
月平均日负荷:每月各日平均负荷的平均值；
月最大峰谷差:每月各日峰谷差的最大值；
月最小日负荷率:每月各日最小负荷率的最小值；
月负荷率:平均日电量和最大日电量的比值。
进一步的,步骤S2中所述的综合评价法包括主观评价法和客观评价法，所述主观评价法包括层次分析法,所述客观评价法包括熵权法。
进一步的,步骤S3中所述的集中用电月份根据客户的用电量月度、季度曲线得到。
优选地,步骤S3中所述的采集时间点每15分钟记录一次，一天共96个采集时间点。
优选地,步骤S7中所述的离群点分析为分别对每个采集时间点小组的负荷数据构建箱线图，在箱线图中负荷数据超过上四分位数、下四分位数和1.5倍上、下四分位数间距的情况，视为离群点。
(三)有益效果
本发明的上述技术方案具有如下优点：
(1)本发明对于每个采集时间点的负荷数据采用了变异系数分析、离群点分析和冲击负荷倍率分析，多层分析方法层层递进，辨别电力大客户是否出现了冲击负荷,确保冲击负荷识别的准确性；
(2)本发明只有一个月内多次出现冲击负荷的电力大客户才被标记为冲击型电力大客户，避免偶然情况造成的误判，提高识别准确性；
⑶本发明基于大数据，对同一采集时间点的负荷数据进行对比分析，相对于同一日的不同采集时间点的负荷数据对比，更具有对比可行性、负荷特征相对更明显；
(4)本发明通过主观和客观的综合评价确定负荷指标的权重，从而判断是否为电力大客户，以便后续分析和分类。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1为本发明实施例一种基于大数据的冲击型电力大客户识别方法的流程示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
本发明公开了一种基于大数据的冲击型电力大客户识别方法，包括以下步骤：
S1、构建客户负荷特征指标体系：
所述负荷特征指标包括但不局限于日负荷特征指标、月负荷特征指标；
所述日负荷特征指标包括但不局限于：
(1.1)日最大负荷:每日24个整点最大负荷中的最大值；
(1.2)日平均日负荷：日电量除以24；
(1.3)日平均负荷率：日平均负荷与日最大负荷的比值；
(1.4)日最小日负荷率：日最小负荷与日最大负荷的比值；
(1.5)日负荷曲线:按时间顺序以小时整点负荷绘制的负荷曲线；
(1.6)容载比：运行容量与最大负荷的比值。
所述月负荷特征指标包括但不局限于：
(2.1)月最大负荷:每日最大负荷中的最大值，也就是每月各点负荷的最大值；
(2.2)月平均日负荷:每月各日平均负荷的平均值；
(2.3)月最大峰谷差:每月各日峰谷差的最大值；
(2.4)月最小日负荷率:每月各日最小负荷率的最小值；
(2.5)月负荷率:平均日电量和最大日电量的比值。
S2、基于综合评价法，根据所述负荷特征指标体系确定指标权重判断是否为电力大客户，若是电力大客户则继续步骤S3,否则结束：
通过对各步骤S1中所述负荷特征指标的权重的综合评价，分析出是否为电力大客户，若是电力大客户则继续步骤S3,否则终止该方法。所述综合评价法包括但不局限于主观评价法和客观评价法，所述主观评价法包括但不局限于层次分析法,所述客观评价法包括但不局限于熵权法。
S3、收集用采系统负荷数据：
根据客户的用电量月度、季度曲线，获取集中用电月份，再根据每日负荷曲线，获取近一年该电力大客户在所述集中用电月份的负荷数据，并按采集时间点进行分组，同一采集时间点的负荷数据分在同一个采集时间点小组中；负荷数据每15分钟记录一个点，一天一共96个采集时间点，分别是0点，零点15分,一直到23点45分。
S4、滤除采集异常值得到无异常值的采集时间点小组：
对全体负荷数据，统计用电信息采集系统采集合理值范围，超出该范围，作为极端值进行过滤。
S5、统计各采集时间点小组的变异系数：
计算每个采集时间点小组内负荷数据的变异系数，每个采集时间点小组内的负荷数据的均值为：
Figure GDA0004112890410000061
其离散度为：
Figure GDA0004112890410000063
则每个采集时间点小组内的负荷数据的变异系数即离散系数为
Figure GDA0004112890410000062
其中，xi为近一年该电力大客户在所述集中用电月份在每个采集时间点小组内的负荷数据,N为每个采集时间点小组内的负荷数据个数。
S6、识别疑似存在冲击负荷的采集时间小组：
对96组负荷数据按变异系数排序，若大于变异系数阈值，则该采集时间小组疑似存在冲击负荷，否则结束；变异系数阈值根据经验设置，变异系数越大的小组存在冲击负荷的可能性更高。
S7、开展离群值识别：
对所述疑似存在冲击负荷的采集时间点小组内的负荷数据分别构建离群点分析,获取离群点的值，即离群值。
本发明采用箱线图识别离群点。箱线图(Box-plot)又称为盒须图、盒式图或箱形图，是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。主要用于反映原始数据分布的特征，还可以进行多组数据分布特征的比较。箱线图的绘制方法是:先找出一组数据的上边缘、下边缘、中位数和两个四分位数；然后，连接两个四分位数画出箱体；再将上边缘和下边缘与箱体相连接,中位数在箱体中间。
分别对96组采集时间点小组的负荷数据构建箱线图，在箱线图中负荷数据超过上四分位数、下四分位数和1.5倍上、下四分位数间距的情况,视为离群点。
S8、分析冲击负荷倍率：
计算冲击负荷倍率，计算各采集时间点小组内的负荷值滤除峰值后的平均值
Figure GDA0004112890410000071
,计算各采集时间点小组内的负荷离群值的平均值
Figure GDA0004112890410000072
，所述冲击负荷倍率等于各采集时间点小组内的负荷离群值的平均值
Figure GDA0004112890410000073
与该采集时间点小组内的负荷值滤除峰值后的平均值
Figure GDA0004112890410000074
的比率，若冲击负荷倍率大于一定范围，如根据经验大于等于2.5倍，则认为该采集时间点存在冲击负荷，否则结束。
S9、标记冲击型电力大客户：
若该电力大客户在一个月内出现冲击负荷的情况超过一定范围，如大于等于3次,则标记该电力大客户为冲击型电力大客户，否则结束。
综上可知，通过上述的一种基于大数据的冲击型电力大客户识别方法，具有以下优点：
(1)本发明对于每个采集时间点的负荷数据采用了变异系数分析、离群点分析和冲击负荷倍率分析，多层分析方法层层递进，辨别电力大客户是否出现了冲击负荷,确保冲击负荷识别的准确性；
(2)本发明只有一个月内多次出现冲击负荷的电力大客户才被标记为冲击型电力大客户，避免偶然情况造成的误判，提高识别准确性；
(3)本发明基于大数据，对同一采集时间点的负荷数据进行对比分析，相对于同一日的不同采集时间点的负荷数据对比，更具有对比可行性、负荷特征相对更明显；
(4)本发明通过主观和客观的综合评价确定负荷指标的权重，从而判断是否为电力大客户，以便后续分析和分类；
(5)本发明构建客户负荷特征指标体系的负荷特征指标包含日负荷特征和符合月特征，从负荷的最大值、最小值、平均值、负荷率等多个角度，构建大数据技术进行深层关联规则挖掘，使特征指标更完善。
最后应说明的是：以上实施例仅用的技术方案，而非对其限制；虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (7)

1.一种基于大数据的冲击型电力大客户识别方法，其特征在于，所述方法包括以下步骤：
S1、构建客户负荷特征指标体系；
S2、基于综合评价法，根据所述负荷特征指标体系确定指标权重,判断是否为电力大客户,若是电力大客户则继续步骤S3,否则结束；
S3、收集用采系统负荷数据:获取近一年该电力大客户在集中用电月份的负荷数据，并按采集时间点分成采集时间点小组；
S4、滤除采集异常值得到无异常值的采集时间点小组；
S5、统计各采集时间点小组的变异系数：
Figure FDA0004112890400000011
其中，xi为近一年该电力大客户在所述集中用电月份在每个采集时间点小组内的负荷数据,N为每个采集时间点小组内的负荷数据个数；
S6、识别疑似存在冲击负荷的采集时间小组:对变异系数设定阈值，若大于变异系数阈值,则该采集时间小组疑似存在冲击负荷,否则结束；
S7、开展离群值识别：对所述疑似存在冲击负荷的各采集时间点小组内的负荷数据分别构建离群点分析,获取离群值；
S8、分析冲击负荷倍率:计算冲击负荷倍率，若冲击负荷倍率大于等于2.5倍,则认为该采集时间点存在冲击负荷，否则结束，所述冲击负荷倍率等于各采集时间点小组内的离群值的平均值与该采集时间点小组内的负荷值滤除峰值后的平均值的比率；
S9、标记冲击型电力大客户：若该电力大客户在一个月内出现冲击负荷的情况大于等于3次,则标记该电力大客户为冲击型电力大客户，否则结束。
2.根据权利要求1所述的一种基于大数据的冲击型电力大客户识别方法,其特征在于,步骤S1中所述的负荷特征指标包括日负荷特征指标和/或月负荷特征指标。
3.根据权利要求2所述的一种基于大数据的冲击型电力大客户识别方法,其特征在于,所述日负荷特征指标包括：
日最大负荷:每日24个整点最大负荷中的最大值；
日平均日负荷：日电量除以24；
日平均负荷率：日平均负荷与日最大负荷的比值；
日最小日负荷率：日最小负荷与日最大负荷的比值；
日负荷曲线:按时间顺序以小时整点负荷绘制的负荷曲线；
容载比:运行容量与最大负荷的比值；
所述月负荷特征指标包括：
月最大负荷:每日最大负荷中的最大值，也就是每月各点负荷的最大值；
月平均日负荷:每月各日平均负荷的平均值；
月最大峰谷差:每月各日峰谷差的最大值；
月最小日负荷率:每月各日最小负荷率的最小值；
月负荷率:平均日电量和最大日电量的比值。
4.根据权利要求1所述的一种基于大数据的冲击型电力大客户识别方法,其特征在于,步骤S2中所述的综合评价法包括主观评价法和客观评价法，所述主观评价法包括层次分析法,所述客观评价法包括熵权法。
5.根据权利要求1所述的一种基于大数据的冲击型电力大客户识别方法,其特征在于,步骤S3中所述的集中用电月份根据客户的用电量月度、季度曲线得到。
6.根据权利要求1所述的一种基于大数据的冲击型电力大客户识别方法,其特征在于,步骤S3中所述的采集时间点每15分钟记录一次，一天共96个采集时间点。
7.根据权利要求1所述的一种基于大数据的冲击型电力大客户识别方法,其特征在于,步骤S7中所述的离群点分析为分别对每个采集时间点小组的负荷数据构建箱线图，在箱线图中负荷数据超过上四分位数、下四分位数和1.5倍上、下四分位数间距的情况，视为离群点。
CN202010466345.1A 2020-05-26 2020-05-26 一种基于大数据的冲击型电力大客户识别方法 Active CN111539654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010466345.1A CN111539654B (zh) 2020-05-26 2020-05-26 一种基于大数据的冲击型电力大客户识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010466345.1A CN111539654B (zh) 2020-05-26 2020-05-26 一种基于大数据的冲击型电力大客户识别方法

Publications (2)

Publication Number Publication Date
CN111539654A CN111539654A (zh) 2020-08-14
CN111539654B true CN111539654B (zh) 2023-04-25

Family

ID=71979639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010466345.1A Active CN111539654B (zh) 2020-05-26 2020-05-26 一种基于大数据的冲击型电力大客户识别方法

Country Status (1)

Country Link
CN (1) CN111539654B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112615372B (zh) * 2020-12-24 2022-10-11 国网江西省电力有限公司电力科学研究院 一种基于变异系数的含电压干扰装置台区检测方法
CN113625074B (zh) * 2021-07-02 2023-06-06 深圳供电局有限公司 暂态电能质量扰动引起长时闪变超标的判别方法和装置
CN114186781A (zh) * 2021-11-04 2022-03-15 国网浙江省电力有限公司 一种基于采样间隔负荷曲线的冲击性负荷识别方法及系统
CN114638552B (zh) * 2022-04-22 2022-09-02 国网浙江省电力有限公司营销服务中心 基于参考日分钟级曲线与滑动窗口的冲击性负荷识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034026A (zh) * 2010-12-16 2011-04-27 哈尔滨工业大学 基于新息图法的电力系统负荷突变辨识方法
CN105988974A (zh) * 2015-01-27 2016-10-05 国网上海市电力公司 一种负荷曲线趋同最优拐点的识别方法
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN108665376A (zh) * 2018-04-06 2018-10-16 东北电力大学 一种空间负荷预测中确定元胞负荷最大值的核密度估计方法
CN110648017A (zh) * 2019-08-30 2020-01-03 广东工业大学 一种基于二层分解技术的短期冲击负荷预测方法
CN110648088A (zh) * 2019-11-26 2020-01-03 国网江西省电力有限公司电力科学研究院 一种基于鸟群算法与svm的电能质量扰动源判断方法
CN110874381A (zh) * 2019-10-30 2020-03-10 西安交通大学 一种基于空间密度聚类的用户侧负荷数据异常值识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012061431A2 (en) * 2010-11-01 2012-05-10 Purdue Research Foundation Entropy-based impact load identification

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034026A (zh) * 2010-12-16 2011-04-27 哈尔滨工业大学 基于新息图法的电力系统负荷突变辨识方法
CN105988974A (zh) * 2015-01-27 2016-10-05 国网上海市电力公司 一种负荷曲线趋同最优拐点的识别方法
CN108416693A (zh) * 2018-02-01 2018-08-17 东华大学 一种基于模糊神经网络的用电异常行为识别方法
CN108665376A (zh) * 2018-04-06 2018-10-16 东北电力大学 一种空间负荷预测中确定元胞负荷最大值的核密度估计方法
CN110648017A (zh) * 2019-08-30 2020-01-03 广东工业大学 一种基于二层分解技术的短期冲击负荷预测方法
CN110874381A (zh) * 2019-10-30 2020-03-10 西安交通大学 一种基于空间密度聚类的用户侧负荷数据异常值识别方法
CN110648088A (zh) * 2019-11-26 2020-01-03 国网江西省电力有限公司电力科学研究院 一种基于鸟群算法与svm的电能质量扰动源判断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
徐翔 ; 刘成刚 ; 汤添钧 ; 吴林峰 ; .苏州地区纺织行业尖峰负荷时段划分研究.电气应用.2017,(02),全文. *
林顺富 ; 谢潮 ; 李东东 ; 符杨 ; .基于灰色关联与模糊聚类分析的负荷预处理方法.电测与仪表.2017,(11),全文. *
董继征,何怡刚,王薇,王桓,陈少江,李湘祁.基于电力细分市场的负荷分解预测方法.电网技术.2006,(17),全文. *
赵天辉 ; 王建学 ; 马龙涛 ; 朱宇超 ; .基于非参数回归分析的工业负荷异常值识别与修正方法.电力系统自动化.2017,(18),全文. *

Also Published As

Publication number Publication date
CN111539654A (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111539654B (zh) 一种基于大数据的冲击型电力大客户识别方法
CN112307435B (zh) 一种基于模糊聚类和趋势判断筛查用电量异常的方法
CN111369168B (zh) 一种适应电网多种调控运行场景的关联特征选择方法
CN106872776B (zh) 一种变电站背景谐波评估方法
CN117691645A (zh) 一种用于智能微电网的储能系统
CN110047013B (zh) 反专变用户间断型窃电方法
CN112152313A (zh) 一种采集系统进行电力设备识别的方法
CN112436530A (zh) 一种配电网末端馈线负载三相不平衡的判断方法
CN116203351A (zh) 线路阻抗异常的检测方法及系统
CN106443361B (zh) 一种电力网中在线异常的监测方法、装置及系统
CN112015724A (zh) 一种对电力运营数据计量异常进行分析的方法
Grigoras et al. Customer classification and load profiling using data from Smart Meters
CN110108983B (zh) 一种智能电缆状态在线测控管理方法
CN109063922B (zh) 一种基于小区入住率的配电变压器重过载预测方法
Gasch et al. Assessment of Power quality performance in distribution networks part I-Measurement campaign and initial analysis
CN112485690B (zh) 一种基于振动信号的储能电池健康状态识别方法和系统
CN103840555A (zh) 基于阈值设定的低电压预警方法
CN108846553B (zh) 基于典型网架结构的输配电网协调性评估系统及方法
CN111313355A (zh) 一种人工监督下的监控信号事件规则更新的方法
Li et al. Study on the extraction method of high-risk operation scenarios under high proportion wind power grid-connected power system
CN118067202B (zh) 一种新型智能储能站电能监测方法
CN118152836B (zh) 一种用于电能表运行过程的稳定性评估方法
CN112527863A (zh) 一种基于电表数据相关性分析的线变关系识别方法
Kanazawa et al. Forecasting Method of LV Distribution’s Load CurveBy Means of Machine Learning Utilizing Smart Meter Data
Shi et al. Research on Error Correction Model of Transformer-Meter Relationship in Low Voltage Distribution Network Based on Combined Clustering Strategy

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