CN111612322A - 一种智能电能表质量预警方法 - Google Patents
一种智能电能表质量预警方法 Download PDFInfo
- Publication number
- CN111612322A CN111612322A CN202010405706.1A CN202010405706A CN111612322A CN 111612322 A CN111612322 A CN 111612322A CN 202010405706 A CN202010405706 A CN 202010405706A CN 111612322 A CN111612322 A CN 111612322A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- quality
- intelligent electric
- early warning
- 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 48
- 238000012502 risk assessment Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013211 curve analysis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06395—Quality analysis or management
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能电能表质量预警方法，其包括如下步骤：（1）智能电能表质量整体风险评估；（2）基于智能电能表整体风险评估结果，确定智能电能表分级预警策略。本发明解决了现有技术中对故障智能电能表拆回不及时、预警精确度不高、质量预警策略设计时未考虑法律、社会、经济以及管理成本带来的影响等问题。
Description
技术领域
本发明属电力技术领域，尤其涉及一种智能电能表质量预警方法。
背景技术
智能电能表作为新型智能计量器具，已被广泛安装应用，其运行稳定性将直接影响电网安全与稳定。按照JJG 596-2012《电子式交流电能表检定规程》规定，电能表在运行满8年后将被拆回后全部作报废处理，其中部分表计尚可继续使用或具有维修价值，直接报废造成设备资源浪费和电子产品环境污染。同时，智能电能表在运行环节的偶发故障较多，传统的电能表退运方式主要靠电能表故障发生后进行被动拆回再安装新电能表或者在运行一定的年限后统一停运，在这种情况下，电力公司面临运营法律风险和社会舆情风险，同时造成了运维成本和公司管理成本的抬升。
目前，对电能表进行故障预警的技术较少，只是按照电能表生产批次，或者故障种类、生产厂商等进行粗略的预警，预警精确度不高，且预警方法在设计时仅考虑电能表故障本身，未考虑电能表潜在故障发生后对法律、社会、经济以及管理成本所带来的影响，预警策略考虑影响不够全面。
发明内容
本发明的目的是提供一种智能电能表质量预警方法，以解决现有技术中对故障智能电能表拆回不及时、预警精确度不高、质量预警策略设计时未考虑法律、社会、经济以及管理成本带来的影响等问题。
本发明采用如下技术方案：
一种智能电能表质量预警方法，其包括如下步骤：
(1)智能电能表质量整体风险评估；
(2)基于智能电能表整体风险评估结果，确定智能电能表分级预警策略。
进一步的，所述步骤(1)包括：
(a)预测智能电能表各类质量问题发生概率；
(b)计算智能电能表各类质量问题风险系数矩阵；
(c)基于智能电能表各类质量问题发生概率预测结果和各类质量问题风险权重矩阵计算结果，计算智能电能表质量整体风险值。
进一步的，所述智能电能表各类质量问题包括计量基本误差、时钟电池欠压、通讯故障、电能表黑屏、烧损、时钟错乱、EASM故障、软件功能错乱以及软件性能缺陷。
进一步的，所述步骤(a)的具体步骤为：
(I)选取一定数量的故障电能表作为电能表样本，抽取所述电能表样本的运行环境信息、检测信息、档案信息以及运行电气量信息；
(II)采用非负矩阵分解(NMF)对步骤(I)中抽取的电能表信息进行质量特征提取；
(III)将所述电能表样本随机分成两部分，一部分电能表样本信息作为训练集，另一部分电能表样本信息作为测试集；
(IV)将所述测试样本集特征向量输入预先训练好的质量问题预测模型，得到所述电能表的各类质量问题发生概率ki，i＝1，...,n；n是各类质量问题编号。
进一步的，所述步骤(IV)的具体步骤为：
(A)将训练集按质量问题分为n类；
(B)利用训练集对预先构建的基于模糊C均值聚类(FCM)的故障预测模型进行训练，所述故障模型训练需对各类质量问题分别训练，最终得到n个训练好的故障预测模型；
(C)将测试集分别输入n个训练好的故障预测模型，得到测试集对n类故障的隶属度，以此作为测试集所对应电能表的某故障发生概率。
进一步的，所述步骤(b)的具体过程为：
(i)采用专家法，确定各类质量问题的法律风险系数k法、社会舆情风险系数k社、经济风险系数l经、管理风险系数l管；
(ii)综合计算各类质量问题的风险系数l综＝1-(1-l法)(1-l社)(1-l经)(1-l管)，组成风险系数矩阵l＝{l总，i}，i＝1，...,9，i是各类质量问题编号。
进一步的，所述步骤(c)中，计算智能电能表质量整体风险值m通过下式进行计算：
其中，m为智能电能表质量整体风险值；
ki为智能电能表的各类质量问题发生概率；
l总，i为第i类质量问题的风险系数。
进一步的，所述步骤(2)中智能电能表分级预警策略确定方法为：
①智能电能表质量整体风险值大于等于第一预设风险值，确认为智能电能表质量一级预警；
②智能电能表质量整体风险值小于第一预设风险值，大于等于第二预设风险值，确认为智能电能表质量二级预警；
③智能电能表质量整体风险值小于第二预设风险值，大于等于第三预设风险值，确认为智能电能表质量三级预警；
根据不同的预警级别，确定相应的处理措施。
进一步的，所述第一预设风险值、第二预设风险值、第三预设风险值依次减小，且均小于1。
进一步的，所述处理措施包括：
智能电能表质量一级预警要求一周内将所述智能电能表停运；
智能电能表质量二级预警要求半年内将所述智能电能表轮换；
智能电能表质量三级预警要求提高所述智能电能表质量问题风险评估频次，如有风险值升变化应对应调整预警级别及处理措施。
本发明的有益效果在于：本发明基于非负矩阵分解(NMF)和模糊C均值聚类(FCM)建立电能表质量问题预测模型，降低了电能表质量信息的处理维度，提高了质量问题预测精度和效率，根据智能电能表质量情况建立了完善的分级预警处理方法，使各类情况的电能表均得到合理处理；同时，本发明预警方法考虑了法律、社会、经济、管理等因素，设计相比已有技术更加完善、预警范围更加精确，应用本发明成果的预警方法可降低电力公司面临运营法律风险和社会舆情风险，降低电能表运维成本和管理成本。
附图说明
图1为本发明流程图示意图。
图2为智能电能表质量整体风险评估流程示意图。
图3为智能电能表分级预警策略流程示意图。
具体实施方式
下面将结合本申请实施例，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
参见图1，其示出了本发明实施例提供的智能电能表质量预警方法的实现流程图，在本实施例中，以河北省2019年拆回的3.2万只智能电能表为研究对象，详述如下。
S101：智能电能表质量整体风险评估。
在本发明实施例中，以首先需要进行智能电能表质量整体风险评估，如附图2所示，包含步骤S101-1、步骤S101-2、步骤S101-3，3个步骤：
步骤S101-1：预测智能电能表各类质量问题发生概率。
其中，所述智能电能表各类质量问题包括计量基本误差、时钟电池欠压、通讯故障、电能表黑屏、烧损、时钟错乱、EASM故障、软件功能错乱、软件性能缺陷。
上述步骤S101-1可以基于以下步骤(A1-A6)实现。
步骤S101-1-A1，抽取所述电能表的运行环境信息、检测信息、档案信息以及运行电气量信息。
步骤S101-1-A2，采用非负矩阵分解(NMF)对所述抽取的电能表信息进行质量特征提取；以抽取的电能表信息作为特征矩阵V，利用非负矩阵分解为低秩的窃电特征基矩阵W和系数矩阵H。
该问题的求解过程描述如下：
步骤S101-1-A2-1，初始化W、H矩阵为非负随机矩阵；
步骤S101-1-A2-2，按下列公式对W、H进行同步迭代运算。
步骤S101-1-A2-3，用低秩的基矩阵W代替原始电能表信息，实现质量特征提取，获得质量特征。
步骤S101-1-A3，将所述电能表随机分成两部分，一部分电能表样本信息作为训练集，另一部分电能表样本信息作为测试集。
步骤S101-1-A4，将所述训练集按所述质量问题分为n类；利用所述训练集对预先构建的基于模糊C均值聚类(FCM)的故障预测模型进行训练，所述故障模型训练需对各类质量问题分别训练，最终得到n个训练好的故障预测模型。
其中，本实施例中FCM聚类模型的聚类数为2，幂指数为3，最大迭代次数为200，目标函数的终止容限为10-6。
步骤S101-1-A5，将测试集分别输入n个训练好的故障预测模型，得到测试集对n类故障的隶属度，以此作为测试集所对应电能表的某故障发生概率，在本实施例中，故障种类n＝9。
步骤S101-1-A6，将所述测试样本集特征向量输入预先训练好的质量问题预测模型，得到所述电能表的各类质量问题发生概率ki，i＝1，...,9，i是各类质量问题编号。
为了说明本发明的有益效果，本实施例采用ROC曲线分析法，将本发明电能表质量问题预测方法与现有方法进行了对比，如表1所示，通过对比可以发现，本发明采用的基于非负矩阵分解和模糊C均值聚类的电能表质量问题预测方法(NMF-FCM)的检出率、误检率指标优于常用的K-means聚类和FCM，且NMF-FCM的检测速度也较快，表明本发明提出的NMF-FCM预测模型对电能表质量问题预测的有益效果。
表1不同聚类算法测试结果
步骤S101-2：计算智能电能表各类质量问题风险系数矩阵
具体可以基于以下步骤(B1、B2)实现：
步骤S101-2-B1，采用专家法，确定各类质量问题的法律风险系数k法、社会舆情风险系数k社、经济风险系数l经、管理风险系数l管；
步骤S101-2-B2，综合计算各类质量问题的风险技术l综＝1-(1-l法)(1-l社)(1-l经)(1-l管)，组成风险技术矩阵l＝{l总，i}，i＝1，...,9，是各类质量问题编号。
步骤S101-3：计算智能电能表质量整体风险值
其中，所述计算智能电能表质量整体风险值
步骤S102：进行确定智能电能表分级预警策略。
在本发明实施例中，首先需要进行智能电能表质量整体风险评估，如附图3所示，包含步骤S102-1、步骤S102-2步骤S102-3，3个步骤：
步骤S102-1：选定智能电能表质量预设风险值
其中，所述智能电能表质量预设风险值分为三个，第一、第二、第三预设风险值根据供电企业对电能表的质量管理要求确定且依次减小，且均小于1；在本实施例中，第一预设风险值为0.9，第二预设风险值为0.7，第三预设风险值为0.6。
步骤S102-2：智能电能表质量分级
可以基于三个步骤实现：
步骤S102-2-C1，智能电能表质量整体风险值大于等于第一预设风险值，确认为智能电能表质量一级预警；
步骤S102-2-C2，智能电能表质量整体风险值小于第一预设风险值，大于等于第二预设风险值，确认为智能电能表质量二级预警；
步骤S102-2-C3，智能电能表质量整体风险值小于第二预设风险值，大于等于第三预设风险值，确认为智能电能表质量三级预警。
步骤S102-3：智能电能表质量问题处理。
可以基于三个步骤实现：
步骤S102-3-D1，智能电能表质量一级预警要求一周内将所述智能电能表停运；
步骤S102-3-D2，智能电能表质量二级预警要求半年内将所述智能电能表轮换；
步骤S102-3-D3，智能电能表质量三级预警要求提高所述智能电能表质量问题风险评估频次，如有风险值升变化应对应调整预警级别及处理措施。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能电能表质量预警方法，其特征在于，其包括如下步骤：
(1)智能电能表质量整体风险评估；
(2)基于智能电能表整体风险评估结果，确定智能电能表分级预警策略。
2.根据权利要求1所述的智能电能表质量预警方法，其特征在于，所述步骤(1)包括：
(a)预测智能电能表各类质量问题发生概率；
(b)计算智能电能表各类质量问题风险系数矩阵；
(c)基于智能电能表各类质量问题发生概率预测结果和各类质量问题风险权重矩阵计算结果，计算智能电能表质量整体风险值。
3.根据权利要求2所述的智能电能表质量预警方法，其特征在于，所述智能电能表各类质量问题包括计量基本误差、时钟电池欠压、通讯故障、电能表黑屏、烧损、时钟错乱、EASM故障、软件功能错乱以及软件性能缺陷。
4.根据权利要求2所述的智能电能表质量预警方法，其特征在于，所述步骤(a)的具体步骤为：
(I)选取一定数量的故障电能表作为电能表样本，抽取所述电能表样本的运行环境信息、检测信息、档案信息以及运行电气量信息；
(II)采用非负矩阵分解对步骤(I)中抽取的电能表信息进行质量特征提取；
(III)将所述电能表样本随机分成两部分，一部分电能表样本信息作为训练集，另一部分电能表样本信息作为测试集；
(IV)将所述测试样本集特征向量输入预先训练好的质量问题预测模型，得到所述电能表的各类质量问题发生概率ki，i＝1，...,n；n是各类质量问题编号。
5.根据权利要求4所述的智能电能表质量预警方法，其特征在于，所述步骤(IV)的具体步骤为：
(A)将训练集按质量问题分为n类；
(B)利用训练集对预先构建的基于模糊C均值聚类的故障预测模型进行训练，所述故障模型训练需对各类质量问题分别训练，最终得到n个训练好的故障预测模型；
(C)将测试集分别输入n个训练好的故障预测模型，得到测试集对n类故障的隶属度，以此作为测试集所对应电能表的某故障发生概率。
6.根据权利要求2所述的智能电能表质量预警方法，其特征在于，所述步骤(b)的具体过程为：
(i)采用专家法，确定各类质量问题的法律风险系数k法、社会舆情风险系数k社、经济风险系数l经、管理风险系数l管；
(ii)综合计算各类质量问题的风险系数l综＝1-(1-l法)(1-l社)(1-l经)(1-l管)，组成风险系数矩阵l＝{l总，i}，i＝1，...,n，i是各类质量问题编号。
7.根据权利要求2所述的智能电能表质量预警方法，其特征在于，所述步骤(c)中，计算智能电能表质量整体风险值m通过下式进行计算：
其中，m为智能电能表质量整体风险值；
ki为智能电能表的各类质量问题发生概率；
l总，i为第i类质量问题的风险系数。
8.根据权利要求7所述的智能电能表质量预警方法，其特征在于，所述步骤(2)中智能电能表分级预警策略确定方法为：
①智能电能表质量整体风险值大于等于第一预设风险值，确认为智能电能表质量一级预警；
②智能电能表质量整体风险值小于第一预设风险值，大于等于第二预设风险值，确认为智能电能表质量二级预警；
③智能电能表质量整体风险值小于第二预设风险值，大于等于第三预设风险值，确认为智能电能表质量三级预警；
根据不同的预警级别，确定相应的处理措施。
9.根据权利要求8所述的智能电能表质量预警方法，其特征在于，所述第一预设风险值、第二预设风险值、第三预设风险值根据供电企业对电能表的质量管理要求确定，三个预设风险值依次减小，且均小于1。
10.根据权利要求8所述的智能电能表质量预警方法，其特征在于，所述处理措施包括：
智能电能表质量一级预警要求一周内将所述智能电能表停运；
智能电能表质量二级预警要求半年内将所述智能电能表轮换；
智能电能表质量三级预警要求提高所述智能电能表质量问题风险评估频次，如有风险值升变化应对应调整预警级别及处理措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010405706.1A CN111612322A (zh) | 2020-05-14 | 2020-05-14 | 一种智能电能表质量预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010405706.1A CN111612322A (zh) | 2020-05-14 | 2020-05-14 | 一种智能电能表质量预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111612322A true CN111612322A (zh) | 2020-09-01 |
Family
ID=72196577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010405706.1A Pending CN111612322A (zh) | 2020-05-14 | 2020-05-14 | 一种智能电能表质量预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111612322A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109066664A (zh) * | 2018-09-03 | 2018-12-21 | 国网四川省电力公司德阳供电公司 | 一种基于110kV变电站全停风险闭环管控的量化评估方法 |
| CN109359894A (zh) * | 2018-11-29 | 2019-02-19 | 武汉大学 | 一种基于rpn的电力计量设备风险评价方法及装置 |
| CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
-
2020
- 2020-05-14 CN CN202010405706.1A patent/CN111612322A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109066664A (zh) * | 2018-09-03 | 2018-12-21 | 国网四川省电力公司德阳供电公司 | 一种基于110kV变电站全停风险闭环管控的量化评估方法 |
| CN109359894A (zh) * | 2018-11-29 | 2019-02-19 | 武汉大学 | 一种基于rpn的电力计量设备风险评价方法及装置 |
| CN109523190A (zh) * | 2018-11-29 | 2019-03-26 | 国网河北省电力有限公司电力科学研究院 | 一种电能表的管理方法、管理装置及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510006B (zh) | 一种基于数据挖掘的企业用电量分析与预测方法 | |
| WO2017008180A1 (zh) | 一种光伏组件失效风险判别方法 | |
| CN109359894B (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
| CN103645249A (zh) | 基于精简集下采样不均衡svm变压器在线故障检测方法 | |
| CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
| CN109063734B (zh) | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN112434962B (zh) | 基于电力负荷数据的企业用户状态评估方法和系统 | |
| CN113221931B (zh) | 一种基于用电信息采集大数据分析的反窃电智能识别方法 | |
| CN110942084A (zh) | 一种基于同期线损异常辨识的降损措施制定方法 | |
| CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
| CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
| CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
| CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
| CN113205125A (zh) | 一种基于XGBoost的特高压换流阀运行状态评估方法 | |
| CN114169424A (zh) | 基于k近邻回归算法和用电数据的排污量预测方法 | |
| CN111797892A (zh) | 一种基于随机森林回归的电力市场发电商市场力监测方法 | |
| CN107505519A (zh) | 一种分布式电源接入电网电能质量分析方法及装置 | |
| CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
| CN110705831A (zh) | 电力系统故障后功角失稳模式预判模型构建方法及其应用 | |
| CN114186639A (zh) | 基于双重加权朴素贝叶斯的电气事故分类方法 | |
| CN111612322A (zh) | 一种智能电能表质量预警方法 | |
| CN114693175A (zh) | 一种基于网源涉网试验的机组状态分析方法与系统 | |
| Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211220 Address after: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant after: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant after: Marketing service center of State Grid Hebei Electric Power Co.,Ltd. Applicant after: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Address before: 050021 No. 238 South Sports street, Hebei, Shijiazhuang Applicant before: STATE GRID HEBEI ELECTRIC POWER Research Institute Applicant before: STATE GRID HEBEI ENERGY TECHNOLOGY SERVICE Co.,Ltd. Applicant before: STATE GRID CORPORATION OF CHINA |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |
|
| RJ01 | Rejection of invention patent application after publication |