CN111784066A - 一种配电网年运行效率预测方法、系统及设备 - Google Patents

一种配电网年运行效率预测方法、系统及设备 Download PDF

Info

Publication number
CN111784066A
CN111784066A CN202010657098.3A CN202010657098A CN111784066A CN 111784066 A CN111784066 A CN 111784066A CN 202010657098 A CN202010657098 A CN 202010657098A CN 111784066 A CN111784066 A CN 111784066A
Authority
CN
China
Prior art keywords
power distribution
distribution network
load rate
equipment
network equipment
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
Application number
CN202010657098.3A
Other languages
English (en)
Other versions
CN111784066B (zh
Inventor
白浩
袁智勇
雷金勇
黄安迪
周长城
史训涛
徐全
徐敏
吴争荣
何锡祺
唐炳南
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.)
China South Power Grid International Co ltd
China Southern Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
China Southern Power Grid 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 China South Power Grid International Co ltd, China Southern Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202010657098.3A priority Critical patent/CN111784066B/zh
Publication of CN111784066A publication Critical patent/CN111784066A/zh
Application granted granted Critical
Publication of CN111784066B publication Critical patent/CN111784066B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种配电网年运行效率预测方法、系统及设备，包括：从构成配电网的最小单元出发，采用关联要素挖掘法确定配电网设备负载率的主要影响因素，使得各种影响因素都可以定量描述其与运行效率的关联程度；并且通过对配电网设备进行层级分类，构建不同的卷积神经网络来根据主要影响因素预测不同设备层级的配电网设备的年负载率，提高预测的准确性；本发明将配电网设备的年负载率和极限负载率相结合，计算出配电网设备的年运行效率，最后通过为配电网设备分配权重，根据权重计算出配电系统的年运行效率，相比于已有的日运行效率预测方法，年运行效率预测对未来配电网的规划建设、运行效率的改善更具有实用性。

Description

一种配电网年运行效率预测方法、系统及设备
技术领域
本发明涉及电力领域，尤其涉及一种配电网年运行效率预测方法、系统及设备。
背景技术
配电网的规划建设不仅注重供电能力和供电可靠性的提升，也逐渐重视电网的经济效益。在此形势下，运行效率的概念被提出用来综合考虑配电网的可靠性和经济性。配电系统年运行效率预测有助于对于后续采取有效提升措施或者变更规划方案。
目前关于配电网运行效率的研究分析已经逐步展开，但配电网运行效率预测集中于日运行效率预测，通过寻找影响整个配电系统日运行效率的因素，应用灰色关联度分析其中的关键要素，之后利用卷积神经网络对配电网的日运行效率进行预测。
然而，现有方法实用性较差，现有方法预测的是配电网的日运行效率，即使预测准确，对于后续规划改进的指导意义较小，针对配电网年运行效率的预测才是指导改进配电网、提高运行效率的重点。而且，现有方法是直接对影响配电网日运行效率影响因素进行分析，比较笼统，缺少系统性，由于部分影响因素的数据不具有数值属性，比如线路接线模式，单一采用灰色关联度分析不适用，导致指标量化描述比较困难。
现有方法在进行日运行效率预测时，一般是直接将影响配电网运行效率的因素代入BP神经网络，忽视影响配电网运行效率的内在机理。例如，网架结构决定了所有配电设备的极限负载率，将确定的关系交给数据去拟合，导致预测结果的可解释性不强，预测结果准确度不高。
综上所述，现有技术中对配电网运行效率的进行预测分析的方法，存在着实用性低以及准确度不高的技术问题。
发明内容
本发明提供的一种配电网年运行效率预测方法、系统以及设备，用于解决现有技术中对配电网运行效率的进行预测分析的方法，存在着实用性低以及准确度不高的技术问题。
本发明提供的一种配电网年运行效率预测方法，包括以下步骤：
获取配电网设备的历史负载率以及配电网设备的负载率影响因素；
采用关联要素挖掘法对负载率影响因素进行分析，得到负载率主要影响因素；
将历史负载率和负载率主要影响因素根据配电网设备的层级进行分类，得到不同设备层级的历史负载率以及不同设备层级所对应的负载率主要影响因素；
将每个设备层级的历史负载率以及该设备层级所对应的负载率主要影响因素划分为训练集与测试集；
将每个设备层级的训练集分别输入到不同的卷积神经网络进行训练，并采用该设备层级所对应的测试集对训练后的卷积神经网络进行测试，得到不同设备层级的训练好的卷积神经网络；
获取未来一年配电网设备的主要影响因素规划值，将主要因素规划值根据设备层级输入到对应设备层级的训练好的卷积神经网络中，得到未来一年配电网设备的负载率预测值；
预测未来一年配电网设备的极限负载率，根据未来一年配电网设备的负载率预测值和未来一年配电网设备的极限负载率计算未来一年配电网设备的年运行效率；
基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率。
优选的，配电网设备的负载率影响因素包括具有标称属性的负载率影响因素和具有数值属性的负载率影响因素；其中，具有标称属性的负载率影响因素包括线路类型、接线模式以及所在片区，具有数值属性的负载率影响因素包括线路长度、负荷特性因素以及设备容量。
优选的，采用皮尔逊相关系数法对具有数值属性的负载率影响因素进行分析，得到具有数值属性的负载率主要影响因素，采用关联规则中的支持度与置信度对具有标称属性的负载率影响因素进行计算分析，得到具有标称属性的负载率主要影响因素。
优选的，采用皮尔逊相关系数法对具有数值属性的负载率影响因素进行分析的具体过程为：
计算不同的具有数值属性的负载率影响因素与配电设备历史负载率之间的皮尔逊相关系数，若皮尔逊相关系数大于0.6，则该具负载率影响因素为具有数值属性的负载率主要影响因素。
优选的，采用关联规则中的支持度与置信度对具有标称属性的负载率影响因素进行计算分析的具体过程为：
获取配电网设备的历史运行效率；
采用k-means算法对配电网设备的历史运行效率进行聚类，将配电网设备的历史运行效率分为高、较高、中、较低、低五类；
扫描每一类历史运行效率中具有标称属性的负载率影响因素出现次数最频繁的影响因素；
计算出现次数最频繁的影响因素的支持度与置信度，根据支持度与置信度判断该影响因素是否为具有标称属性的负载率主要影响因素。
优选的，为支持度和置信度设置阈值，当现次数最频繁的影响因素的支持度和置信度均大于设置的阈值时，则该影响因素为具有标称属性的负载率主要影响因素。
优选的，预测未来一年配电网设备的极限负载率的具体过程为：
获取未来一年配电网设备的网架结构规划情况，根据网架结构规划情况确定未来一年配电网设备的极限负载率。
优选的，基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率的具体过程为：
计算每一个配电网设备的资产价值占该设备所对应的设备层级总价值的比例，为每一个配电网设备分配权重；
根据每一个配电网设备的权重以及未来一年该配电网设备的年运行效率计算未来一年每一个设备层级的年运行效率；
计算每一个设备层级的资产价值占电力系统总价值的比例，为每一个设备层级分配权重；
根据每一个设备层级的权重以及未来一年该设备层级的年运行效率计算未来一年电力系统的年运行效率。
一种配电网年运行效率预测系统，包括：数据获取模块、主要影响因素分析模块、层级分类模块、数据划分模块、神经网络训练与测试模块、负载率预测模块、设备年运行效率模块以及配电系统年运行效率模块；
数据获取模块用于获取配电网设备的历史负载率以及配电网设备的负载率影响因素；
主要影响因素分析模块用于采用关联要素挖掘法对负载率影响因素进行分析，得到负载率主要影响因素；
层级分类模块用于将历史负载率和负载率主要影响因素根据配电网设备的层级进行分类，得到不同设备层级的历史负载率以及不同设备层级所对应的负载率主要影响因素；
数据划分模块用于将每个设备层级的历史负载率以及该设备层级所对应的负载率主要影响因素划分为训练集与测试集；
神经网络训练与测试模块用于将每个设备层级的训练集分别输入到不同的卷积神经网络进行训练，并采用该设备层级所对应的测试集对训练后的卷积神经网络进行测试，得到不同设备层级的训练好的卷积神经网络；
负载率预测模块用于获取未来一年配电网设备的主要影响因素规划值，将主要因素规划值根据设备层级输入到对应设备层级的训练好的卷积神经网络中，得到未来一年配电网设备的负载率预测值；
设备年运行效率模块用于预测未来一年配电网设备的极限负载率，根据未来一年配电网设备的负载率预测值和未来一年配电网设备的极限负载率计算未来一年配电网设备的年运行效率；
配电系统年运行效率模块用于基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率。
一种配电网年运行效率预测设备，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的一种配电网年运行效率预测方法。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例从构成配电网的最小单元出发，采用关联要素挖掘法确定配电网设备负载率的主要影响因素，使得各种影响因素都可以定量描述其与运行效率的关联程度；并且通过对配电网设备进行层级分类，构建不同的卷积神经网络来根据主要影响因素预测不同设备层级的配电网设备的年负载率，从而使得不同设备层级的配电网设备拥有专属的卷积神经网络，提高预测的准确性；本发明实施例将配电网设备的年负载率和极限负载率相结合，计算出配电网设备的年运行效率，最后通过为配电网设备分配权重，根据权重计算出配电系统的年运行效率，相比于已有的日运行效率预测方法，年运行效率预测对未来配电网的规划建设、运行效率的改善更具有实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种配电网年运行效率预测方法、系统及设备的方法流程图。
图2为本发明实施例提供的一种配电网年运行效率预测方法、系统及设备的系统框架图。
图3为本发明实施例提供的一种配电网年运行效率预测方法、系统及设备的设备框架图。
具体实施方式
本发明实施例提供了一种配电网年运行效率预测方法、系统以及设备，用于解决有技术中对配电网运行效率的进行预测分析的方法，存在着实用性低以及准确度不高的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种用户用电量预测方法、系统及设备的方法流程图。
实施例1
本发明实施例提供的一种配电网年运行效率预测方法，包括以下步骤：
获取配电网设备的历史负载率以及配电网设备的负载率影响因素；其中，配电网设备的网架结构决定了该配电网设备的极限负载率，极限负载率的定量指标有主变所在变电站的主变台数，主变所在变电站是否有站间联络以及线路的网架结构。
需要进一步说明的是，影响配电网设备的负载率的因素种类众多。从设备类型方面来考虑，线路的类型有电缆线和架空线；主变的类型有三绕组变压器和双绕组变压器；配变的类型有柱上变压器、箱式变电站和配电室。从设备的容量来考虑，不同的变压器可能有不同的额定容量；不同的线路可能截面积不同。不同的线路长度也会有所不同。从网架结构方面来考虑，不同变电站内可能有不同数量的主变；不同的线路可能有不同的接线模式。从负荷特性来考虑，不同设备的负荷率和峰谷差率也会有所不同。不同的设备运行年限可能不同，所处的片区可能也不同。这些因素都会对设备的负载率产生一定的影响。表1对不同配电设备的非共性影响因素进行了整理。
表1配电设备非共性影响因素
Figure BDA0002577150700000061
Figure BDA0002577150700000071
采用关联要素挖掘法对负载率影响因素进行分析，根据分析结果来判断每一个负载率影响因素是否为主要的负载率影响因素；
将历史负载率和负载率主要影响因素根据配电网设备的层级进行分类，得到不同设备层级的历史负载率以及不同设备层级所对应的负载率主要影响因素；其中，需要进一步说明的是，配电网设备根据设备的性质可分为高压线路、主变、中压线路、配变四个层级，对配电网设备进行进一步的细分，可提高后续对设备年运行效率预测的精度。
将每个设备层级的历史负载率以及该设备层级所对应的负载率主要影响因素划分为训练集与测试集；
将每个设备层级的训练集分别输入到不同的卷积神经网络进行训练，并采用该设备层级所对应的测试集对训练后的卷积神经网络进行测试，得到不同设备层级的训练好的卷积神经网络；
需要进一步说明的是，每个设备层级只需训练一次卷积神经网络。不同设备层级，如高压线路和主变，则需要分别对不同的卷积神经网络进行训练。在本实施例中，将不同样本的配电网设备的负载率主要影响因素序列特征图作为卷积神经网络的输入。为了更好地适应卷积核的滑动窗口和后续的池化操作，在MATLAB中利用reshape函数将负载率主要影响因素序列变成一个二维矩阵；如果此时负载率主要影响因素的数目不是整数的平方，再添加适当的0元素，此时的特征图为一个方阵。在卷积神经网络中，用到2层卷积层和2层池化层。输出层为未来一年配电网设备的负载率预测值。将已有的数据分别分为训练集和测试集两个部分；其中训练集用于反向传播训练卷积神经网络，测试集用来检验神经网络输出的误差与精度。
获取未来一年配电网设备的主要影响因素规划值，将主要因素规划值根据设备层级输入到对应设备层级的训练好的卷积神经网络中，得到未来一年配电网设备的负载率预测值；
预测未来一年配电网设备的极限负载率，根据未来一年配电网设备的负载率预测值和未来一年配电网设备的极限负载率计算未来一年配电网设备的年运行效率；配电设备的运行效率为该设备负载率与该设备的极限负载率的比值；因此，具有以下公式：
未来一年配电网设备的年运行效率＝未来一年配电网设备的负载率预测值/未来一年配电网设备的极限负载率
从而可得到未来一年配电网设备的年运行效率的预测结果。
基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率。
实施例2
本发明实施例提供的一种配电网年运行效率预测方法，包括以下步骤：
获取配电网设备的历史负载率以及配电网设备的负载率影响因素；其中，配电网设备的网架结构决定了该配电网设备的极限负载率，极限负载率的定量指标有主变所在变电站的主变台数，主变所在变电站是否有站间联络以及线路的网架结构。
需要进一步说明的是，配电网设备的负载率影响因素包括具有标称属性的负载率影响因素和具有数值属性的负载率影响因素；其中，具有标称属性的负载率影响因素代表某种类别、编码或状态，其包括线路类型(架空线、电缆线)、接线模式以及所在片区(市区、郊县和农牧区)，具有数值属性的负载率影响因素采用定量度量，用整数或实数值表示，其包括线路长度、负荷特性因素以及设备容量。
本实施例对两种数据类型的负载率影响因素分别采用不同的关联要素挖掘方法，来分析这些负载率影响因素是否为影响负载率的关键要素。采用皮尔逊相关系数法对具有数值属性的负载率影响因素进行分析，得到具有数值属性的负载率主要影响因素，采用关联规则中的支持度与置信度对具有标称属性的负载率影响因素进行计算分析，得到具有标称属性的负载率主要影响因素。
需要进一步说明的是，采用皮尔逊相关系数法对具有数值属性的负载率影响因素进行分析的具体过程为：计算不同具有数值属性的负载率影响因素与配电设备历史负载率之间的皮尔逊相关系数，若皮尔逊相关系数大于0.6，则该具负载率影响因素为具有数值属性的负载率主要影响因素。
对于配电网中某一层级的设备，设出序列：
Y＝[y1,y2,y3…ym]T
Figure BDA0002577150700000091
其中，Y表示一个配电网层级中配电网设备的历史负载率值的序列；X是由l个负载率影响因素x、m个样本构成的影响因素矩阵。
计算X与Y的皮尔逊相关系数：
Figure BDA0002577150700000101
式中，r(Y,xi)是历史负载率与负载率影响因素xi之间的皮尔逊相关系数；
Figure BDA0002577150700000102
为历史负载率m个样本的平均值；
Figure BDA0002577150700000103
是负载率影响因素xi的m个样本的平均值；i,j为序数变量。
相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。通常情况下通过取值范围判断变量的相关强度：0.8-1.0为极强相关；0.6-0.8为强相关；0.4-0.6为中等程度相关；0.2-0.4为弱相关；0.0-0.2为极弱相关或无相关。若某个负载率影响因素和历史负载率的相关系数大于0.6，即可认为该负载率影响因素是配电网设备负载率的主要影响因素。
需要进一步说明的是，采用关联规则中的支持度与置信度对具有标称属性的负载率影响因素进行计算分析的具体过程为：
获取配电网设备的历史运行效率；
具有标称属性的负载率影响因素是离散数据；而配电网设备的运行效率是分散的没有规律的数值，不便于接下来用支持度和置信度分析主要相关因素。因此，在这一步骤，将配电网设备的运行效率数据进行离散化处理并加以聚类，为接下来的数据挖掘工作做好准备。本实施例采用k-means算法对配电网设备的历史运行效率进行聚类，将配电网设备的历史运行效率分为高、较高、中、较低、低五类；
首先随机给出5个聚类中心，聚类中心可以从配电网设备的历史运行效率中选取，也可以随机给出。分别计算各个设备的历史运行效率与中心之间的距离。之后将每个设备的历史运行效率都分给与之距离最近的聚类中心，每一次聚类后聚类中心将被重新计算。经过一次次迭代后，得到误差平方和最小，此时聚类中心不变，聚类完成。将配电网设备的历史运行效率分为高、较高、中、较低、低五大类。目标函数如下：
Figure BDA0002577150700000111
式中，xi为数据集合中的第i个数据；k1、k2、k3、k4、k5分别是聚类分析中的五个聚类中心。通过迭代计算，最终得到的值k1、k2、k3、k4、k5，并成功将配电网设备的历史运行效率分为高、较高、中、较低、低五类。
在关联规则中，每一个样本被称为一个“事务”，将之记作T；m个事务组成数据库D。每一个事务都有各种属性和特点，称之为“项”。例如，每一条包含配电网设备历史运行效率的数据称之为一个事务；而负载率影响因素中线路类型、接线模式、所在片区等特征是不同的项。
扫描每一类历史运行效率中具有标称属性的负载率影响因素出现次数最频繁的影响因素；例如线路运行效率高的频繁项为多分段两联络(接线模式)、架空线(线路类型)和市区(所在片区)。
计算出现次数最频繁的影响因素的支持度与置信度，根据支持度与置信度判断该影响因素是否为具有标称属性的负载率主要影响因素。
Figure BDA0002577150700000112
Figure BDA0002577150700000113
Figure BDA0002577150700000114
式中，support(.)为支持度；confidence(.)为置信度；num(Y)为某一类历史运行效率事务集Y的样本个数；num(Y∪X)为某一类历史运行效率事务集Y中具有某项特征X的样本个数。
为支持度和置信度设置阈值，当现次数最频繁的影响因素的支持度和置信度均大于设置的阈值时，则该影响因素为具有标称属性的负载率主要影响因素。在本实施例中，支持度和置信度的阈值均可设为0.6。例如在在负载率低的数据中，60％的数据都为单辐射线路(单辐射的支持度为0.6)，在所有单联络的数据中，60％的负载率都低(置信度为0.6)，即可认为单联络是使负载率低的一个主要原因。
将历史负载率和负载率主要影响因素根据配电网设备的层级进行分类，得到不同设备层级的历史负载率以及不同设备层级所对应的负载率主要影响因素；其中，需要进一步说明的是，配电网设备根据设备的性质可分为高压线路、主变、中压线路、配变四个层级，对配电网设备进行进一步的细分，可提高后续对设备年运行效率预测的精度。
将每个设备层级的历史负载率以及该设备层级所对应的负载率主要影响因素划分为训练集与测试集；
将每个设备层级的训练集分别输入到不同的卷积神经网络进行训练，并将该设备层级所对应的测试集对训练后的卷积神经网络进行测试，得到不同设备层级的训练好的卷积神经网络；
需要进一步说明的是，每个设备层级只需训练一次卷积神经网络。不同设备层级，如高压线路和主变，则需要分别对不同的卷积神经网络进行训练。在本实施例中，将不同样本的配电网设备的负载率主要影响因素序列特征图作为卷积神经网络的输入。为了更好地适应卷积核的滑动窗口和后续的池化操作，在MATLAB中利用reshape函数将负载率主要影响因素序列变成一个二维矩阵；如果此时负载率主要影响因素的数目不是整数的平方，再添加适当的0元素，此时的特征图为一个方阵。在卷积神经网络中，用到2层卷积层和2层池化层。输出层为未来一年配电网设备的负载率预测值。将已有的数据分别分为训练集和测试集两个部分；其中训练集用于反向传播训练卷积神经网络，测试集用来检验神经网络输出的误差与精度。
卷积神经网络在做非线性变换前的激活输入值x随着网络深度加深或者在训练过程中，其分布逐渐发生偏移或者变动，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近，这导致反向传播时低层卷积神经网络的梯度消失，这是训练卷积神经网络收敛越来越慢的本质原因。因此，在卷积神经网络里，在卷积层之后，激活和池化之前，本实施例增加一步批标准化(Batch Normalization)。具体的批标准化操作就是对于卷积层内每个神经元的激活值来说，进行如下变换：
Figure BDA0002577150700000121
Figure BDA0002577150700000131
式中，x(k)为卷积层内每个神经元的激活值；E(x(k))为x(k)的样本的平均值；
Figure BDA0002577150700000132
为x(k)的样本的标准差；
Figure BDA0002577150700000134
为变换后的结果；γ(k)和β(k)为两个调节参数，调节参数是通过训练来学习到的，用于对变换后的激活反变换，使得卷积神经网络的表达能力增强；y(k)为变换后的结果。
在实际训练过程中，随着训练过程推进，逐渐衰减学习率是很有必要的。此处使用1/t衰减：
Figure BDA0002577150700000133
式中，a为迭代t轮后的学习率；a0为开始迭代的学习率；t是迭代轮数；k为参数，控制衰减幅度，根据实际情况决定。
获取未来一年配电网设备的主要影响因素规划值，将主要因素规划值根据设备层级输入到对应设备层级的训练好的卷积神经网络中，得到未来一年配电网设备的负载率预测值；
获取未来一年配电网设备的网架结构规划情况，根据网架结构规划情况确定未来一年配电网设备的极限负载率。配电网设备的极限负载率由设备的网架结构决定。例如，变电站站内主变台数和是否有站间转供会影响变电站的运行效率。变电站的站内主变台数会影响每台主变的负载率极值，台数越多，极值越大，变电站负载率极值也就相应越高。主变容量按故障情况下容量的130％考虑，以站内两台主变为例，当主变台数增加到三台时，每台主变的极限负载率将由65％提高到87％。此外，是否可以站间转供也会影响变电站的运行效率。如果可以转供，则有设备故障时，可以短时间带容量130％的负载；若没有站间转供，则故障时只能带容量100％容量运行。线路的接线模式决定了每条线路负载率的极值，而负载率可以反映线路的运行效率，因此，线路的接线模式会影响线路的运行效率。如中压配电网中，单联络线路最多带50％的负荷，两分段两联络线路最多带67％的负荷，而三分段三联络线路最多带75％的负荷。
根据未来一年配电网设备的负载率预测值和未来一年配电网设备的极限负载率计算未来一年配电网设备的年运行效率；配电设备的运行效率为该设备负载率与该设备的极限负载率的比值；因此，具有以下公式：
未来一年配电网设备的年运行效率＝未来一年配电网设备的负载率预测值/未来一年配电网设备的极限负载率
从而可得到未来一年配电网设备的年运行效率的预测结果。
基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率。具体过程如下：
计算每一个配电网设备的资产价值占该设备所对应的设备层级总价值的比例，为每一个配电网设备分配权重；
根据每一个配电网设备的权重以及未来一年该配电网设备的年运行效率计算未来一年每一个设备层级的年运行效率；
每一个设备层级的年运行效率为：
Figure BDA0002577150700000141
式中，OEci为第i个设备层级的运行效率；OEdj为设备层级中第j个主设备；μi为第j个设备在设备层级中所占的权重；N为设备层级中设备的总个数。
计算每一个设备层级的资产价值占电力系统总价值的比例，为每一个设备层级分配权重；
根据每一个设备层级的权重以及未来一年该设备层级的年运行效率计算未来一年电力系统的年运行效率。
配电系统的年运行效率为：
Figure BDA0002577150700000142
式中，OEs为配电系统的运行效率；ωi为第i个设备层级在系统中所占的比重。
如图2所示，一种配电网年运行效率预测系统，包括：数据获取模块201、主要影响因素分析模块202、层级分类模块203、数据划分模块204、神经网络训练与测试模块205、负载率预测模块206、设备年运行效率模块207以及配电系统年运行效率模块208；
数据获取模块201用于获取配电网设备的历史负载率以及配电网设备的负载率影响因素；
主要影响因素分析模块202用于采用关联要素挖掘法对负载率影响因素进行分析，得到负载率主要影响因素；
层级分类模块203用于将历史负载率和负载率主要影响因素根据配电网设备的层级进行分类，得到不同设备层级的历史负载率以及不同设备层级所对应的负载率主要影响因素；
数据划分模块204用于将每个设备层级的历史负载率以及该设备层级所对应的负载率主要影响因素划分为训练集与测试集
神经网络训练与测试模块205用于将每个设备层级的训练集分别输入到不同的卷积神经网络进行训练，并采用该设备层级所对应的测试集对训练后的卷积神经网络进行测试，得到不同设备层级的训练好的卷积神经网络；
负载率预测模块206用于获取未来一年配电网设备的主要影响因素规划值，将主要因素规划值根据设备层级输入到对应设备层级的训练好的卷积神经网络中，得到未来一年配电网设备的负载率预测值；
设备年运行效率模块207用于预测未来一年配电网设备的极限负载率，根据未来一年配电网设备的负载率预测值和未来一年配电网设备的极限负载率计算未来一年配电网设备的年运行效率；
配电系统年运行效率模块208用于基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率。
如图3所示，一种配电网年运行效率预测设备30，所述设备包括处理器300以及存储器301；
所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；
所述处理器300用于根据所述程序代码302中的指令执行上述的一种配电网年运行效率预测方法中的步骤。
示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图3仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-ProgrammaBle Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种配电网年运行效率预测方法，其特征在于，包括以下步骤：
获取配电网设备的历史负载率以及配电网设备的负载率影响因素；
采用关联要素挖掘法对负载率影响因素进行分析，得到负载率主要影响因素；
将历史负载率和负载率主要影响因素根据配电网设备的层级进行分类，得到不同设备层级的历史负载率以及不同设备层级所对应的负载率主要影响因素；
将每个设备层级的历史负载率以及该设备层级所对应的负载率主要影响因素划分为训练集与测试集；
将每个设备层级的训练集分别输入到不同的卷积神经网络进行训练，并将每个设备层级所对应的测试集对训练后的卷积神经网络进行测试，得到不同设备层级的训练好的卷积神经网络；
获取未来一年配电网设备的主要影响因素规划值，将主要因素规划值根据设备层级输入到对应设备层级的训练好的卷积神经网络中，得到未来一年配电网设备的负载率预测值；
预测未来一年配电网设备的极限负载率，根据未来一年配电网设备的负载率预测值和未来一年配电网设备的极限负载率计算未来一年配电网设备的年运行效率；
基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率。
2.根据权利要求1所述的一种配电网年运行效率预测方法，其特征在于，配电网设备的负载率影响因素包括具有标称属性的负载率影响因素和具有数值属性的负载率影响因素；其中，具有标称属性的负载率影响因素包括线路类型、接线模式以及所在片区，具有数值属性的负载率影响因素包括线路长度、负荷特性因素以及设备容量。
3.根据权利要求2所述的一种配电网年运行效率预测方法，其特征在于，采用皮尔逊相关系数法对具有数值属性的负载率影响因素进行分析，得到具有数值属性的负载率主要影响因素，采用关联规则中的支持度与置信度对具有标称属性的负载率影响因素进行计算分析，得到具有标称属性的负载率主要影响因素。
4.根据权利要求3所述的一种配电网年运行效率预测方法，其特征在于，采用皮尔逊相关系数法对具有数值属性的负载率影响因素进行分析的具体过程为：
计算不同的具有数值属性的负载率影响因素与配电设备历史负载率之间的皮尔逊相关系数，若皮尔逊相关系数大于0.6，则该负载率影响因素为具有数值属性的负载率主要影响因素。
5.根据权利要求3所述的一种配电网年运行效率预测方法，其特征在于，采用关联规则中的支持度与置信度对具有标称属性的负载率影响因素进行计算分析的具体过程为：
获取配电网设备的历史运行效率；
采用k-means算法对配电网设备的历史运行效率进行聚类，将配电网设备的历史运行效率分为高、较高、中、较低、低五类；
扫描每一类历史运行效率中具有标称属性的负载率影响因素出现次数最频繁的影响因素；
计算出现次数最频繁的影响因素的支持度与置信度，根据支持度与置信度判断该影响因素是否为具有标称属性的负载率主要影响因素。
6.根据权利要求5所述的一种配电网年运行效率预测方法，其特征在于，为支持度和置信度设置阈值，当现次数最频繁的影响因素的支持度和置信度均大于设置的阈值时，则该影响因素为具有标称属性的负载率主要影响因素。
7.根据权利要求1所述的一种配电网年运行效率预测方法，其特征在于，预测未来一年配电网设备的极限负载率的具体过程为：
获取未来一年配电网设备的网架结构规划情况，根据网架结构规划情况确定未来一年配电网设备的极限负载率。
8.根据权利要求1所述的一种配电网年运行效率预测方法，其特征在于，基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率的具体过程为：
计算每一个配电网设备的资产价值占该设备所对应的设备层级总价值的比例，为每一个配电网设备分配权重；
根据每一个配电网设备的权重以及未来一年该配电网设备的年运行效率计算未来一年每一个设备层级的年运行效率；
计算每一个设备层级的资产价值占电力系统总价值的比例，为每一个设备层级分配权重；
根据每一个设备层级的权重以及未来一年该设备层级的年运行效率计算未来一年电力系统的年运行效率。
9.一种配电网年运行效率预测系统，其特征在于，包括：数据获取模块、主要影响因素分析模块、层级分类模块、数据划分模块、神经网络训练与测试模块、负载率预测模块、设备年运行效率模块以及配电系统年运行效率模块；
数据获取模块用于获取配电网设备的历史负载率以及配电网设备的负载率影响因素；
主要影响因素分析模块用于采用关联要素挖掘法对负载率影响因素进行分析，得到负载率主要影响因素；
层级分类模块用于将历史负载率和负载率主要影响因素根据配电网设备的层级进行分类，得到不同设备层级的历史负载率以及不同设备层级所对应的负载率主要影响因素；
数据划分模块用于将每个设备层级的历史负载率以及该设备层级所对应的负载率主要影响因素划分为训练集与测试集；
神经网络训练与测试模块用于将每个设备层级的训练集分别输入到不同的卷积神经网络进行训练，并采用该设备层级所对应的测试集对训练后的卷积神经网络进行测试，得到不同设备层级的训练好的卷积神经网络；
负载率预测模块用于获取未来一年配电网设备的主要影响因素规划值，将主要因素规划值根据设备层级输入到对应设备层级的训练好的卷积神经网络中，得到未来一年配电网设备的负载率预测值；
设备年运行效率模块用于预测未来一年配电网设备的极限负载率，根据未来一年配电网设备的负载率预测值和未来一年配电网设备的极限负载率计算未来一年配电网设备的年运行效率；
配电系统年运行效率模块用于基于配电网设备的资产价值为配电网设备分配权重，根据配电网设备的权重和未来一年配电网设备的年运行效率计算未来一年配电系统的年运行效率。
10.一种配电网年运行效率预测设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1～权利要求8任一项所述的一种配电网年运行效率预测方法。
CN202010657098.3A 2020-07-09 2020-07-09 一种配电网年运行效率预测方法、系统及设备 Active CN111784066B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010657098.3A CN111784066B (zh) 2020-07-09 2020-07-09 一种配电网年运行效率预测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010657098.3A CN111784066B (zh) 2020-07-09 2020-07-09 一种配电网年运行效率预测方法、系统及设备

Publications (2)

Publication Number Publication Date
CN111784066A true CN111784066A (zh) 2020-10-16
CN111784066B CN111784066B (zh) 2022-12-23

Family

ID=72758950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010657098.3A Active CN111784066B (zh) 2020-07-09 2020-07-09 一种配电网年运行效率预测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN111784066B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515839A (zh) * 2021-04-13 2021-10-19 中国人民解放军陆军工程大学 弹药贮存环境分析方法、装置及终端
CN114827046A (zh) * 2022-03-22 2022-07-29 西北工业大学 总线负载率的处理方法、装置以及计算机可读存储介质
CN115905891A (zh) * 2022-12-19 2023-04-04 上海交通大学 基于pmu数据的配电网运行方式与关键影响因素识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263995A (zh) * 2019-06-18 2019-09-20 广西电网有限责任公司电力科学研究院 考虑负荷增长率与用户用电特性的配变重过载预测方法
CN111091143A (zh) * 2019-11-22 2020-05-01 国网新疆电力有限公司电力科学研究院 基于深度信念网络和K-means聚类的配变重过载预警方法
CN111339157A (zh) * 2020-02-20 2020-06-26 南方电网科学研究院有限责任公司 一种配电网日运行效率计算及预测方法、系统及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110263995A (zh) * 2019-06-18 2019-09-20 广西电网有限责任公司电力科学研究院 考虑负荷增长率与用户用电特性的配变重过载预测方法
CN111091143A (zh) * 2019-11-22 2020-05-01 国网新疆电力有限公司电力科学研究院 基于深度信念网络和K-means聚类的配变重过载预警方法
CN111339157A (zh) * 2020-02-20 2020-06-26 南方电网科学研究院有限责任公司 一种配电网日运行效率计算及预测方法、系统及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐发荣等: "基于多因素组合分析的配电网负荷预测模型研究", 《电子元器件与信息技术》 *
白浩等: "基于Apriori算法和卷积神经网络的配电设备运行效率主要影响因素挖掘", 《电力建设》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113515839A (zh) * 2021-04-13 2021-10-19 中国人民解放军陆军工程大学 弹药贮存环境分析方法、装置及终端
CN114827046A (zh) * 2022-03-22 2022-07-29 西北工业大学 总线负载率的处理方法、装置以及计算机可读存储介质
CN115905891A (zh) * 2022-12-19 2023-04-04 上海交通大学 基于pmu数据的配电网运行方式与关键影响因素识别方法
CN115905891B (zh) * 2022-12-19 2023-06-23 上海交通大学 基于pmu数据的配电网运行方式与关键影响因素识别方法

Also Published As

Publication number Publication date
CN111784066B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
CN111784066B (zh) 一种配电网年运行效率预测方法、系统及设备
CN113887916A (zh) 一种配电网线损动态量化评估方法及系统
CN111612275B (zh) 一种预测区域用户负荷量的方法及装置
CN112712203A (zh) 一种配电网日最高负荷预测方法和系统
CN111709668A (zh) 基于数据挖掘技术的电网设备参数风险识别方法及装置
CN112232561A (zh) 基于约束并行lstm分位数回归的电力负荷概率预测方法
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN114676749A (zh) 一种基于数据挖掘的配电网运行数据异常判定方法
Zeng et al. Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method
CN111523080A (zh) 一种电力系统的pas系统综合评估方法及相关装置
CN115204663A (zh) 一种综合内外运行因素的能源供应链风险评价方法及装置
CN111339157A (zh) 一种配电网日运行效率计算及预测方法、系统及设备
CN112070354A (zh) 电网设备运行效率评估方法
CN112508254A (zh) 变电站工程项目投资预测数据的确定方法
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
CN116385151A (zh) 基于大数据进行风险评级预测的方法及计算设备
CN115278706B (zh) 一种网络结构评估方法、装置、设备及计算机存储介质
Chen et al. Spatial–temporal information model-based load current interval prediction for transmission lines
CN113393101A (zh) 县域配电网投资效益评估方法、装置及终端设备
CN114372835A (zh) 综合能源服务潜力客户识别方法、系统及计算机设备
CN114154776A (zh) 配网运行规划综合评价及投资效益分析方法
CN116885713A (zh) 台区的负载率预测方法及装置、设备及存储介质
Yao et al. Application of Improved GRA-TOPSIS Model in Electric Power Engineering Construction Risk Evaluation
CN115587831A (zh) 一种配电网工程的投资效率评估方法、装置
Pawełek et al. The Random Subspace Method in the Prediction of the Risk of Bankruptcy of Companies in Poland1

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