CN112418662A - 一种利用人工神经网络的配电网运行可靠性分析方法 - Google Patents
一种利用人工神经网络的配电网运行可靠性分析方法 Download PDFInfo
- Publication number
- CN112418662A CN112418662A CN202011312408.4A CN202011312408A CN112418662A CN 112418662 A CN112418662 A CN 112418662A CN 202011312408 A CN202011312408 A CN 202011312408A CN 112418662 A CN112418662 A CN 112418662A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- artificial neural
- indexes
- reliability
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000005065 mining Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种利用人工神经网络的配电网运行可靠性分析方法，包括：建立与配电网运行可靠性指标相关数据；得出主要影响因素指标；获得配电网运行可靠性主要影响因素指标的评价指标；获取对应的时刻指标；建立基于大数据处理技术建立配电网运行可靠性指标体系；得出影响配电网运行可靠性的相关指标；得出影响运行可靠性的主要因素；得到基于人工神经网络的配电网运行可靠性分析模型；通过不断训练基于人工神经网络的配电网运行可靠性分析模型，使配电网运行可靠性分析模型更加精确。本发明利用人工神经网络的方法进行预测，根据历史数据与实时数据，实现配电网运行可靠性分析。
Description
技术领域
本发明涉及一种利用人工神经网络的配电网运行可靠性分析方法，该方法利用人工神经网络的方法进行预测，根据历史数据与实时数据，把影响配电网运行可靠性主要的因素当做预测的输入量、输出量用主要评价指标来表示，判断之后一段时长的配电网运行可靠性指标。
背景技术
随着配电网的快速发展，相应的数据需求量也越来越大，这些数据不仅包括配电系统的运行、监测、调度和维护等商业信息，还包括大量的社会及经济信息。在配电网研究领域，此类数据为配电网智能化提供了基础。大数据作为大型复杂数据集意味着不能在一段时间内使用常规的工具软件进行处理，并具有高容量、快速、多样、低密度的特点。
能够对各种状态的数据进行采集和处理是智能电网实现的基础，也是保障配电系统运行可靠性的基础。配电系统运行可靠性是指整个配电网络的用户侧到供电点的运行可靠性，是评估配电网中出现故障的可能性及所带来的影响。因为是以数月或数年数据为基础，可靠性评估往往需要很长时间，无法做到短期评估。配电网可靠性等级是指由已获得的网络构架，组件状态，设备运行指标和系统实时操作环境，以预测配电网之后的一定时长内的系统状态、调度与维护计划等信息。
发明内容
本发明的目的在于提供一种利用人工神经网络的配电网运行可靠性分析方法，利用人工神经网络的方法进行预测，根据历史数据与实时数据，把影响配电网运行可靠性主要的因素当做预测的输入量、输出量用主要评价指标来表示，并将此类数据与预测技术相结合，对短期未来某个时间节点进行预测，得到配电网在该时刻的运行可靠性程度。判断之后一段时长的配电网运行可靠性指标。
本发明采取如下技术方案来实现的：
一种利用人工神经网络的配电网运行可靠性分析方法，包括以下步骤：
1)建立与配电网运行可靠性指标相关数据；
2)利用人工神经网络对步骤1)配电网运行可靠性指标相关数据进行分析，得出主要影响因素指标；
3)应用主成分分析法获得步骤2)配电网运行可靠性主要影响因素指标的评价指标；
4)根据步骤3)不同的预测计算评价指标不，获取对应的时刻指标；
5)根据步骤2)主要影响因素指标，步骤3)评价指标，步骤4)时刻指标，建立基于大数据处理技术建立配电网运行可靠性指标体系；
6)采用主成分分析法提取出步骤5)配电网运行可靠性指标体系各指标的特征数据，得出影响配电网运行可靠性的相关指标；
7)利用并行关联规则挖掘方法来分析步骤6)影响配电网运行可靠性的相关指标，得出影响运行可靠性的主要因素；
8)将步骤7)得到的影响运行可靠性的主要因素带入步骤2)人工神经网络，步骤6)的输出作为步骤2)人工神经网络主要可靠性指标，得到基于人工神经网络的配电网运行可靠性分析模型；
9)通过不断训练步骤8)基于人工神经网络的配电网运行可靠性分析模型，使配电网运行可靠性分析模型更加精确。
本发明进一步的改进在于，步骤1)的具体实现方法为：建立与配电网运行可靠性指标相关数据：由于配电网系统中每个元件的结构、运行状态和环境、检修计划不同，对这些数据进行实时的监测和采集，当系统正常运行时，对配电网某段时间内的运行可靠性进行分析，可得到系统的运行可靠性指标。
本发明进一步的改进在于，步骤2)的具体实现方法为：利用人工神经网络对步骤1)配电网运行可靠性指标相关数据进行分析，得出主要影响因素指标，人工神经网络模型的输入I(T)就是得出的主要影响因素指标，然后由用电需求选择评价时刻t。
本发明进一步的改进在于，步骤3)的具体实现方法为：应用主成分分析法获得步骤2)配电网运行可靠性主要影响因素指标的评价指标：使用T+t时刻当做输出O(T+t)，此时不断地训练模型可以得到人工神经网络的完整模型。
本发明进一步的改进在于，步骤4)的具体实现方法为：根据步骤3)不同的预测计算评价指标不，获取对应的时刻指标，用在不同的场合对系统组件进行评估，判断系统之内和系统之外的电压或电流是否会在接下来的几分钟或几小时内发生突变。
本发明进一步的改进在于，步骤5)的具体实现方法为：根据步骤2)主要影响因素指标，步骤3)评价指标，步骤4)时刻指标，建立基于大数据处理技术建立配电网运行可靠性指标体系，对配电网运行可靠性进行分析和评价，帮助决策、指导调度运行，提前把可能发生故障情况进行预警，保障配电网的可靠性，提高电网的安全稳定水平。
本发明进一步的改进在于，步骤6)的具体实现方法为：采用主成分分析法提取出步骤5)配电网运行可靠性指标体系各指标的特征数据，得出影响配电网运行可靠性的相关指标。
本发明进一步的改进在于，步骤7)的具体实现方法为：利用并行关联规则挖掘方法来分析步骤6)影响配电网运行可靠性的相关指标，得出影响运行可靠性的主要因素。
本发明进一步的改进在于，步骤8)的具体实现方法为：将步骤7)得到的影响运行可靠性的主要因素带入步骤2)人工神经网络，步骤6)的输出作为步骤2)人工神经网络主要可靠性指标，得到基于人工神经网络的配电网运行可靠性分析模型，在长时间不同运行方式下，对配电网中负载指标与系统运行指标可靠性均值进行分析；负载指标包括负载的故障率平均值、负载的年平均停电时长；系统指标包括系统停电率平均值、系统的年平均停电时长。
本发明进一步的改进在于，步骤9)的具体实现方法为：通过不断训练步骤8)基于人工神经网络的配电网运行可靠性分析模型，使配电网运行可靠性分析模型更加精确。
与现有技术相比，本发明至少具有如下有益的技术效果：
1.本发明提出一种利用人工神经网络的配电网运行可靠性分析方法，提出一种利用人工神经网络的方法进行预测，根据历史数据与实时数据，实现配电网运行可靠性分析。
2.本发明将影响配电网运行可靠性主要的因素当做预测的输入量、输出量用主要评价指标数据，并与人工神经网络预测技术相结合，对短期未来某个时间节点进行预测，得到配电网在该时刻的运行可靠性程度。
附图说明
图1为基于人工神经网络的预测流程图；
图2为配电网运行可靠性分析流程图；
图3为不同运行状况下概率曲线，图3(a)为不同运行状况下电压超限概率，图3(b)为一年中各月不同风速下的频率分布。
具体实施方式
下面通过附图，对本发明的技术方案做进一步的详细描述。
如图1所示，对配电网运行可靠性进行研究，首先要获取配电网的大量数据。由于配电网系统中每个元件的结构、运行状态和环境、检修计划等不同，需要对这些数据进行实时的监测和采集，当系统正常运行时，对配电网某段时间内的运行可靠性进行分析，可得到系统的运行可靠性指标。总体来说，与可靠性指标相关的数据可分为表1所示的4类数据。
表1运行可靠性相关数据及其来源
利用历史数据和实时数据来分析配电网未来一段时间内的可靠性指标称为配电网系统的可靠性预测，选择时间尺度，例如可以通过日期、月份、年份，可以预测未来时间的系统负载减少概率期望、可用电量、决策控制、调度等指标或对电网进行规划。目前已有的方法有传统的预测方法与人工智能预测方法。传统的预测方法过程复杂，影响因素和操作方法难以确定。本文利用人工神经网络的方法可准确地分析各项评价指标之间的关系。
根据人工神经网络的方法对配电网系统的运行可靠性进行分析的技术路线为：(1)由采集到的历史数据，得出主要影响因素指标，人工神经网络模型的输入I(T)就是得出的主要影响因素指标，然后由用电需求选择评价时刻t；(2)应用主成分分析法获得的主要评价指标，使用T+t时刻当做输出O(T+t)，此时不断地训练模型可以得到人工神经网络的完整模型。
根据不同的预测计算评价指标，可以获取对应的时刻指标，可以用在不同的场合对系统组件进行评估，判断系统之内和系统之外的电压或电流是否会在接下来的几分钟或几小时内发生突变。
如图2所示，对配电网运行可靠性进行分析和评价是为了在未来的一段时间内提出配电网的运行控制策略，帮助决策、指导调度运行，提前把可能发生故障情况进行预警，保障配电网的可靠性，提高电网的安全稳定水平，流程如下：
(1)基于大数据处理技术建立配电网运行可靠性指标体系；
(2)采用主成分分析法提取出各指标的特征数据，得出影响配电网运行可靠性的相关指标；
(3)对配电网运行可靠性利用并行关联规则挖掘方法来分析，得出影响运行可靠性的主要因素；
(4)将上一步流程得到的结果输入至人工神经网络，步骤2)的输出作为人工神经网络主要可靠性指标，人工神经网络中的可靠性预测模型通过不断训练得出。
在长时间不同运行方式下，对配电网中负载指标与系统运行指标可靠性均值进行分析。负载指标包括负载的故障率平均值、负载的年平均停电时长。系统指标包括系统停电率平均值、系统的年平均停电时长。在配电网可靠性评估中，通常将这些指标不断的传输至调度系统。根据预测时长的不同，可以获得时间维度指标的计算结果。
如图3所示，选择一个中等城市配电系统为例进行分析。每15min收集和统计1次数据，每个采样作为1个样本，总共有350-400个数据样本；系统级指标主要有2个，包含了电力缺额以及预期电压超出值，这些主要指标称作变量Xi(i＝1,2,3)。由采集到的历史数据和本文提出的方法可以获得每个变量Xi的分布状况，通过正态分布化过程可以得到正态分布变量Zi，根据式(2)和式(3)，计算2个指标变量Z＝(Z1，...，Z3)的相关矩阵R，最后计算出它们的特征值λi和每个指标的方差与累积方差，计算结果见表2。
表2各指标的方差和累积方差
分别以正常工况、不正常工况(电压超限、电压减载、天气恶劣、温度过低)为运行条件，使用本发明所提的方法，得出具体的配电网运行可靠性预测结果，通过这几种不同运行条件下概率的接近程度来反映预测结果，当概率变化不大时，预测结果更加精确。曲线0是正常运行工况下的预测结果，曲线1是使用本发明提出人工神经网络方法得到的预测结果，曲线2是只通过关联规则挖掘得到的结果。
曲线1变化更加平缓，可见，利用人工神经网络方法预测精度更高，可以预测实时运行环境中的运行状态、调度计划、维护计划等。
只通过关联规则挖掘进行预测所需时间是200s，利用人工神经网络方法，6s就能完成预测，可以方便地追踪最新的社会经济动态和新设备投运信息等数据，根据这些数据重新调整原有预测模型，可使预测效率和精度达到最高。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。
Claims (10)
1.一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，包括以下步骤：
1)建立与配电网运行可靠性指标相关数据；
2)利用人工神经网络对步骤1)配电网运行可靠性指标相关数据进行分析，得出主要影响因素指标；
3)应用主成分分析法获得步骤2)配电网运行可靠性主要影响因素指标的评价指标；
4)根据步骤3)不同的预测计算评价指标不，获取对应的时刻指标；
5)根据步骤2)主要影响因素指标，步骤3)评价指标，步骤4)时刻指标，建立基于大数据处理技术建立配电网运行可靠性指标体系；
6)采用主成分分析法提取出步骤5)配电网运行可靠性指标体系各指标的特征数据，得出影响配电网运行可靠性的相关指标；
7)利用并行关联规则挖掘方法来分析步骤6)影响配电网运行可靠性的相关指标，得出影响运行可靠性的主要因素；
8)将步骤7)得到的影响运行可靠性的主要因素带入步骤2)人工神经网络，步骤6)的输出作为步骤2)人工神经网络主要可靠性指标，得到基于人工神经网络的配电网运行可靠性分析模型；
9)通过不断训练步骤8)基于人工神经网络的配电网运行可靠性分析模型，使配电网运行可靠性分析模型更加精确。
2.根据权利要求1所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤1)的具体实现方法为：建立与配电网运行可靠性指标相关数据：由于配电网系统中每个元件的结构、运行状态和环境、检修计划不同，对这些数据进行实时的监测和采集，当系统正常运行时，对配电网某段时间内的运行可靠性进行分析，可得到系统的运行可靠性指标。
3.根据权利要求2所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤2)的具体实现方法为：利用人工神经网络对步骤1)配电网运行可靠性指标相关数据进行分析，得出主要影响因素指标，人工神经网络模型的输入I(T)就是得出的主要影响因素指标，然后由用电需求选择评价时刻t。
4.根据权利要求3所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤3)的具体实现方法为：应用主成分分析法获得步骤2)配电网运行可靠性主要影响因素指标的评价指标：使用T+t时刻当做输出O(T+t)，此时不断地训练模型可以得到人工神经网络的完整模型。
5.根据权利要求4所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤4)的具体实现方法为：根据步骤3)不同的预测计算评价指标不，获取对应的时刻指标，用在不同的场合对系统组件进行评估，判断系统之内和系统之外的电压或电流是否会在接下来的几分钟或几小时内发生突变。
6.根据权利要求5所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤5)的具体实现方法为：根据步骤2)主要影响因素指标，步骤3)评价指标，步骤4)时刻指标，建立基于大数据处理技术建立配电网运行可靠性指标体系，对配电网运行可靠性进行分析和评价，帮助决策、指导调度运行，提前把可能发生故障情况进行预警，保障配电网的可靠性，提高电网的安全稳定水平。
7.根据权利要求6所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤6)的具体实现方法为：采用主成分分析法提取出步骤5)配电网运行可靠性指标体系各指标的特征数据，得出影响配电网运行可靠性的相关指标。
8.根据权利要求7所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤7)的具体实现方法为：利用并行关联规则挖掘方法来分析步骤6)影响配电网运行可靠性的相关指标，得出影响运行可靠性的主要因素。
9.根据权利要求8所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤8)的具体实现方法为：将步骤7)得到的影响运行可靠性的主要因素带入步骤2)人工神经网络，步骤6)的输出作为步骤2)人工神经网络主要可靠性指标，得到基于人工神经网络的配电网运行可靠性分析模型，在长时间不同运行方式下，对配电网中负载指标与系统运行指标可靠性均值进行分析；负载指标包括负载的故障率平均值、负载的年平均停电时长；系统指标包括系统停电率平均值、系统的年平均停电时长。
10.根据权利要求9所述的一种利用人工神经网络的配电网运行可靠性分析方法，其特征在于，步骤9)的具体实现方法为：通过不断训练步骤8)基于人工神经网络的配电网运行可靠性分析模型，使配电网运行可靠性分析模型更加精确。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011312408.4A CN112418662A (zh) | 2020-11-20 | 2020-11-20 | 一种利用人工神经网络的配电网运行可靠性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011312408.4A CN112418662A (zh) | 2020-11-20 | 2020-11-20 | 一种利用人工神经网络的配电网运行可靠性分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112418662A true CN112418662A (zh) | 2021-02-26 |
Family
ID=74778210
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011312408.4A Pending CN112418662A (zh) | 2020-11-20 | 2020-11-20 | 一种利用人工神经网络的配电网运行可靠性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418662A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115128447A (zh) * | 2022-07-14 | 2022-09-30 | 华能罗源发电有限责任公司 | 火电储能系统的gis之中套管状态量检测方法 |
| CN116846085A (zh) * | 2023-09-04 | 2023-10-03 | 山西绿柳科技有限公司 | 一种自感知监测智能化配电箱控制系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070192078A1 (en) * | 2006-02-14 | 2007-08-16 | Edsa Micro Corporation | Systems and methods for real-time system monitoring and predictive analysis |
| CN106446016A (zh) * | 2016-08-29 | 2017-02-22 | 中国电力科学研究院 | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 |
| CN106815652A (zh) * | 2016-12-16 | 2017-06-09 | 国家电网公司 | 一种基于大数据相关性分析的配电网供电可靠性预测方法 |
| WO2018176863A1 (zh) * | 2017-04-01 | 2018-10-04 | 中国电力科学研究院有限公司 | 配电网可靠性投资经济效益分析方法及装置、存储介质 |
-
2020
- 2020-11-20 CN CN202011312408.4A patent/CN112418662A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070192078A1 (en) * | 2006-02-14 | 2007-08-16 | Edsa Micro Corporation | Systems and methods for real-time system monitoring and predictive analysis |
| CN106446016A (zh) * | 2016-08-29 | 2017-02-22 | 中国电力科学研究院 | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 |
| CN106815652A (zh) * | 2016-12-16 | 2017-06-09 | 国家电网公司 | 一种基于大数据相关性分析的配电网供电可靠性预测方法 |
| WO2018176863A1 (zh) * | 2017-04-01 | 2018-10-04 | 中国电力科学研究院有限公司 | 配电网可靠性投资经济效益分析方法及装置、存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 李磊: "基于大数据技术的卢龙县配电网可靠性分析", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》 * |
| 杨凤生等: "面向大数据应用的配电网运行状态评估方法探讨", 《科技与创新》 * |
| 胡丽娟等: "基于大数据技术的配电网运行可靠性分析", 《电网技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115128447A (zh) * | 2022-07-14 | 2022-09-30 | 华能罗源发电有限责任公司 | 火电储能系统的gis之中套管状态量检测方法 |
| CN116846085A (zh) * | 2023-09-04 | 2023-10-03 | 山西绿柳科技有限公司 | 一种自感知监测智能化配电箱控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN101728868B (zh) | 遥测电力负荷特性的分类和预测方法 | |
| CN108763729A (zh) | 基于网络结构熵的流程工业机电系统耦合状态评估方法 | |
| CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
| CN105069537A (zh) | 一种组合式空气质量预报模型的构建方法 | |
| CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
| CN110162555A (zh) | 一种火电机组启停和降出力监督方法 | |
| CN112418662A (zh) | 一种利用人工神经网络的配电网运行可靠性分析方法 | |
| CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
| CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
| CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及系统 | |
| CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
| CN118017624A (zh) | 基于配网重构的多时间尺度的无功优化方法 | |
| CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
| CN117370759A (zh) | 基于人工智能的燃气用量预测方法 | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN112734141A (zh) | 一种多元化负荷区间预测方法及装置 | |
| CN104680010A (zh) | 一种汽轮机组稳态运行数据筛选方法 | |
| CN113887831A (zh) | 一种新型电力负荷预测影响因素关联分析方法 | |
| CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
| CN114298131A (zh) | 一种基于水电设备状态指标特征值进行状态监测的方法 | |
| CN114358382A (zh) | 电力系统等效惯量概率预测方法、装置、产品及存储介质 | |
| RU222420U1 (ru) | Устройство мониторинга и прогнозирования электропотребления в электро-энергетических системах на основе нейронных структур | |
| CN117172138B (zh) | 一种基于深度学习的城市交通碳排放预测方法及装置 | |
| CN118536410B (zh) | 基于大数据驱动建模的能耗优化决策分析方法及系统 |
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: 20210226 |
|
| RJ01 | Rejection of invention patent application after publication |