CN112784792A - 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 - Google Patents
基于Pearson相关系数与OPTICS的电压暂降同源识别方法 Download PDFInfo
- Publication number
- CN112784792A CN112784792A CN202110128513.0A CN202110128513A CN112784792A CN 112784792 A CN112784792 A CN 112784792A CN 202110128513 A CN202110128513 A CN 202110128513A CN 112784792 A CN112784792 A CN 112784792A
- Authority
- CN
- China
- Prior art keywords
- sag
- reference data
- data
- homologous
- pearson correlation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明提供一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,包括以下步骤:S1、获取电压暂降监测装置记录的暂降监测数据;S2、基于Pearson相关系数对暂降监测数据相似度进行量化;S3、获取暂降监测数据的同源识别特征,通过OPTICS算法基于暂降监测数据的同源识别特征进行同源聚类,输出聚类结果可达图,所述同源识别特征包括暂降监测数据相似度和暂降持续时间;S4、基于可达图凹陷数量统计聚类结果簇数,输出同源识别结果。本发明避免了同源识别特征过于单一的问题,可发现不同密度的簇,最终得到电压暂降同源识别结果,电压暂降同源识别结果可以有效剔除重复的冗余信息,获知地区暂降真实发生水平,提高数据的价值密度,降低计算分析的强度与难度。
Description
技术领域
本发明涉及电压暂降同源识别技术领域,尤其涉及一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法。
背景技术
现代工业与高新技术的快速发展使各种对电压暂降敏感的智能化、自动化工业设备大量投入到生产中,而因电压暂降导致的设备工作失效往往会对用户造成巨大的经济损失。基于此,电压暂降的预防与治理变得尤为重要。而对电压暂降进行监测是防治的基础与前提,随着我国智能电网的发展,电力系统中安装的电能质量监测装置越来越多,许多地区包含电压暂降信息的监测数据逐渐呈现出冗余的状态。如何在大量的电压暂降监测数据中掌握电压暂降的真正水平状态,排除冗余信息的干扰,降低数据计算的强度,对电压暂降的监测与防治、减少国民生产经济损失以及合理评估区域电压暂降水平有着重要并深远的意义。
电压暂降同源识别并可从一段时间内某系统监测装置记录的众多暂降事件数据中得到真实暂降发生数。由于监测装置之间存在对时误差、采样率不统一及暂降经变压器传播会发生波形变换的影响,无法直接利用监测装置记录的发生时间与波形进行同源识别。因此目前关于电压暂降同源识别的研究主要集中于:如何获取考虑变压器传递影响的暂降数据波形相似度距离,以及对得到的波形相似度进行同源聚类的聚类方法选取。但现有研究存在仅以波形相似度作为同源识别特征过于单一,且使用的聚类方法不能发现不同密度的簇的问题。
发明内容
鉴于此,本发明提出采用Pearson相关系数量化的波形相似度及暂降数据持续时间共同作为电压暂降同源识别特征,从暂降监测数据中提取出不同数据的同源检测特征信息;利用OPTICS(Ordering Points to Identify the Clustering Structure)算法对计算得到的特征信息进行聚类,可以发现不同密度的簇,最终得到电压暂降同源识别结果,从而克服或至少部分解决现有技术所存在的上述问题。
本发明第一方面提供一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,包括以下步骤:
S1、获取电压暂降监测装置记录的暂降监测数据;
S2、基于Pearson相关系数对暂降监测数据相似度进行量化;
S3、获取暂降监测数据的同源识别特征,通过OPTICS算法基于暂降监测数据的同源识别特征进行同源聚类,输出聚类结果可达图,所述同源识别特征包括暂降监测数据相似度和暂降持续时间;
S4、基于可达图凹陷数量统计聚类结果簇数,输出同源识别结果。
进一步的,所述步骤S1具体还包括:
S11、计算暂降监测数据中各相电压的暂降幅值;
S12、比较各相电压的暂降幅值,选取暂降幅值最低的一相作为暂降相;
S13、保留暂降监测数据中的暂降相,去除其他数据。
进一步的,所述步骤S13具体还包括:对暂降相电压幅值标幺化。
进一步的,所述步骤S2具体包括:
S21、从暂降监测数据中选取基准数据,基于基准数据数据量对非基准数据数据量进行统一化;
S22、设基准数据与自身的Pearson相关系数为P0,计算各非基准数据与基准数据之间的Pearson相关系数Pi。
进一步的,所述从暂降监测数据中选取基准数据具体包括:
S211、计算暂降监测数据的暂降持续时间获得暂降段;
S212、比较参与同源识别的所有暂降监测数据的暂降段采样点个数,选择暂降段采样点最少的暂降监测数据作为基准数据。
进一步的,所述基于基准数据数据量对非基准数据数据量进行统一化,具体包括:
S213、获取基准数据和非基准数据暂降段的采样信息,基于采样信息分别获得基准数据数据量N0和非基准数据数据量Ni;
S214、对非基准数据进行采样点数量缩减,使其暂降段采样点数量与基准数据相同。
进一步的,在步骤S21和S22之间还包括步骤:
S21.5、将暂降监测数据i的暂降波形乘以多台变压器传播特性的等效传递矩阵Tx,x=[1,13],得到电压暂降经变压器传递后波形矩阵Si,Si=[Si1,Si2,...Si13]。
进一步的,所述步骤S3具体包括:
S31、获取进行同源聚类的数据点特征集合C,C的表达式为:
其中,t0为基准数据暂降持续时间,tn为非基准数据暂降持续时间,P0、Pn分别为基准数据与非基准数据n的Pearson相关系数,n为非基准数据数;
S32、基于OPTICS算法对C进行聚类,输出可达图展示聚类结果。
本发明第二方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时实现前述第一方面所述的方法。
与现有技术相比,本发明的有益效果是:
(1)与现有技术相比,本发明采用Pearson相关系数量化的波形相似度及暂降持续时间共同作为电压暂降同源识别特征,避免了同源识别特征过于单一的问题;
(2)本发明利用OPTICS算法对同源识别特征进行同源聚类,可以发现不同密度的簇,最终得到电压暂降同源识别结果,电压暂降同源识别结果可以有效剔除重复的冗余信息,获知地区暂降真实发生水平,提高数据的价值密度,降低计算分析的强度与难度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于Pearson相关系数与OPTICS的电压暂降同源识别方法整体流程示意图。
图2是本发明一实施例提供的非基准数据采样点缩减方法流程示意图。
图3是本发明另一实施例提供的基于Pearson相关系数与OPTICS的电压暂降同源识别方法整体流程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所列举实施例只用于解释本发明,并非用于限定本发明的范围。此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
参照图1,本发明实施例提供一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,所述方法包括以下步骤:
S1、获取电压暂降监测装置记录的暂降监测数据。
S2、基于Pearson相关系数对暂降监测数据相似度进行量化。
示例性地,本实施例采用Pearson相关系数度量暂降波形之间的相似度,Pearson相关系数可以用于量化两个变量之间的线性相关性,其定义式为:
S3、获取暂降监测数据的同源识别特征,通过OPTICS算法基于暂降监测数据的同源识别特征进行同源聚类,输出聚类结果可达图,所述同源识别特征包括暂降监测数据相似度和暂降持续时间。
示例性地,OPTICS算法是基于密度的聚类方法,可以发现不同形状、不同密度的数据簇,且不受用户设定的聚类参数eps(邻域半径)及Minpts(密度阈值)的影响。
S4、基于可达图凹陷数量统计聚类结果簇数,输出同源识别结果。
示例性地,基于可达图图形中的凹陷数量统计聚类结果簇数,可以是通过图像识别算法,建立训练模型,对可达图图形中的凹陷图像特征进行识别并统计其数量,本实施例不限定识别可达图凹陷的具体实现算法或方式,本领域技术人员可以根据实际需求采用不同的算法实现。
电压暂降同源识别可识别不同监测数据记录的暂降事件之间是否同源,即是否为同一暂降事件所触发,并可从一段时间内某系统监测装置记录的众多暂降事件数据中得到真实暂降发生数。本实施例所提供的基于Pearson相关系数与OPTICS的电压暂降同源识别方法,采用Pearson相关系数对暂降监测数据相似度进行量化,并将相似度和暂降持续时间共同作为电压暂降同源识别特征,从暂降监测数据中提取出不同数据的同源识别特征信息,再利用OPTICS聚类算法对得到的同源识别特征进行聚类,一方面可以避免同源识别特征过于单一,另一方面可以发现不同密度的簇,从而最终得到电压暂降同源识别结果,本实施例可以有效剔除重复的冗余信息,获知地区电压暂降真实发生水平,提高数据的价值密度,可极大降低计算分析的强度与难度。
作为本实施例的一种可选实施方式,所述步骤S1具体还包括:
S11、计算暂降监测数据中各相电压的暂降幅值。
S12、比较各相电压的暂降幅值,选取暂降幅值最低的一相作为暂降相。
S13、保留暂降监测数据中的暂降相,去除其他数据。
示例性地,电压暂降监测装置记录的暂降监测数据为电压三相数据,如果对三相电压分别进行波形相似度判别,则会增加无显著效果的计算量,本实施例中通过计算并选取各项电压中暂降幅值最低的一相作为暂降相,并去除暂降监测数据中的其他数据仅保留暂降相数据,即仅对暂降监测数据的暂降相进行波形相似度计算,从而在保证相似度判别精确度的同时降低计算量。
示例性地,在步骤S13中,还对暂降相电压幅值进行标幺化处理。不同的电压暂降监测装置所处的线路电压等级不同,将暂降相的电压幅值标幺化可以消除不同电压等级对波形相似度量化所带来的影响。
作为本实施例的一种可选实施方式,所述步骤S2具体包括:
S21、从暂降监测数据中选取基准数据,基于基准数据数据量对非基准数据数据量进行统一化。
示例性地,Pearson相关系数需要被量化的两个变量的数据数量相同,而电压暂降监测装置由于采样频率、采样时间的设置等,不同装置记录的数据量即采样点的个数不同。为解决该问题,本实施例中,从暂降监测数据中选取基准数据,具体包括:
S211、计算暂降监测数据的暂降持续时间获得暂降段。
示例性地,步骤S211中可以根据90%阈值法提取暂降监测数据暂降相的暂降段。
S212、比较参与同源识别的所有暂降监测数据的暂降段采样点个数,选择暂降段采样点最少的暂降监测数据作为基准数据。
步骤S21中,基于基准数据数据量对非基准数据数据量进行统一化,即将暂降监测数据中所有非基准数据的数据量缩减为与基准数据数据量相同,具体包括:
S213、获取基准数据和非基准数据暂降段的采样信息,基于采样信息分别获得基准数据数据量N0和非基准数据数据量Ni。
S214、对非基准数据进行采样点数量缩减,使其暂降段采样点数量与基准数据相同。
示例性地,如图2所示,对非基准数据进行采样点数量缩减,具体包括:
Step1:输入基准数据以及非基准数据i暂降相的采样信息。
Step4:对于非基准数据i,去掉其暂降段第1个采样点。
Step5:判断Ni是否大于N0+1,若是,则执行步骤Step2,若否,则执行步骤Step6。
Step7:输出非基准数据i暂降相的采样信息。
本实施例所提供的电压暂降同源识别方法,所采用的采样点缩减方式既可使输出的非基准数据的数据量等于基准数据数据量,也在缩减采样点的同时尽可能保证了采样点选取的均匀性,降低采样点缩减对电压暂降波形的影响。
S22、设基准数据与自身的Pearson相关系数为P0,计算各非基准数据与基准数据之间的Pearson相关系数Pi。
作为本实施例的一种可选实施方式,在步骤S21和S22之间还包括步骤:
S21.5、将暂降监测数据i的暂降波形乘以多台变压器传播特性的等效传递矩阵Tx,x=[1,13],得到电压暂降经变压器传递后波形矩阵Si,Si=[Si1,Si2,...Si13]。
示例性地,同一暂降源的电压暂降在被各个电压暂降监测装置记录之前,可能经过不同类型的变压器传递导致电压暂降波形发生不同改变,因此无法直接使用得到的暂降波形,需要根据电压暂降沿变压器传播规律,对暂降监测数据的波形进行一定处理后才能计算暂降事件之间的波形相似度。根据传播特性差异,变压器通常分为1型、2型和3型变压器,其相电压传递矩阵分别为T1、T2和T3,具体表达式如表1所示。电压暂降经变压器的传播特性表达式为:
上式中,VA、VB和VC为经变压器传递前的三相电压,Va、Vb和Vc为经变压器传递后的三相电压,Tx为多台变压器传播特性的等效传递矩阵,Tx的具体表达式由变压器级联数量及类型决定,具体如表1所示。
表1
表1中,变压器级联部分联结的先后次序,m,n∈N+。由表1可知,电压暂降经变压器传递后所有可能的变形变换有且仅有13种,因此本实施例将数据i暂降波形乘以13种Tx,得到电压暂降经变压器传递后波形矩阵Si=[Si1,Si2,...Si13],其中Si2表示监测装置i的暂降监测数据乘以T2后的波形数据,Si包含了数据i本身的波形以及所有可能的变化后波形。
相应地,步骤S22中,设基准数据与自己的Pearson相关系数P0为1,则各非基准数据与基准数据之间的相关系数Pi的表达式为:
作为本实施例的一种可选实施方式,所述步骤S3以暂降监测数据的暂降持续时间与Pearson相关系数共同作为数据的聚类特征进行同源聚类,具体包括以下步骤:
S31、获取进行同源聚类的数据点特征集合C,C的表达式为:
其中,t0为基准数据暂降持续时间,tn为非基准数据暂降持续时间,P0、Pn分别为基准数据与非基准数据n的Pearson相关系数,n为非基准数据数;
S32、基于OPTICS算法对C进行聚类,输出可达图展示聚类结果。
参照图3,基于上述实施例,本发明另一实施例所提供的基于Pearson相关系数与OPTICS的电压暂降同源识别方法具体包括以下步骤:
A、输入电压暂降监测装置记录数据;
B、电压暂降幅值标幺化,提取各暂降监测数据暂降相;
C、计算各暂降监测数据暂降持续时间,提取暂降段;
D、比较各暂降监测数据暂降段采样点个数,选取采样点个数最少的暂降监测数据作为基准数据;
E、对非基准数据进行采样点缩减,使其暂降段采样点数量与基准数据相等;
F、将所有数据分别乘以多台变压器传播特性的等效传递矩阵,得暂降数据经变压器传递后波形矩阵;
G、计算各非基准数据与基准数据之间的Pearson相关系数;
H、输入电压暂降同源聚类数据点特征集合;
I、进行OPTICS聚类;
J、观察分析聚类结果可达图中的凹陷数量;
K、输出电压暂降同源识别结果。
本发明另一实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器执行时,实现前述方法实施例所述的方法。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,其特征在于,所述方法包括以下步骤:
S1、获取电压暂降监测装置记录的暂降监测数据;
S2、基于Pearson相关系数对暂降监测数据相似度进行量化;
S3、获取暂降监测数据的同源识别特征,通过OPTICS算法基于暂降监测数据的同源识别特征进行同源聚类,输出聚类结果可达图,所述同源识别特征包括暂降监测数据相似度和暂降持续时间;
S4、基于可达图凹陷数量统计聚类结果簇数,输出同源识别结果。
2.根据权利要求1所述的一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,其特征在于,所述步骤S1具体还包括:
S11、计算暂降监测数据中各相电压的暂降幅值;
S12、比较各相电压的暂降幅值,选取暂降幅值最低的一相作为暂降相;
S13、保留暂降监测数据中的暂降相,去除其他数据。
3.根据权利要求1所述的一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,其特征在于,所述步骤S13具体还包括:对暂降相电压幅值标幺化。
4.根据权利要求1所述的一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,其特征在于,所述步骤S2具体包括:
S21、从暂降监测数据中选取基准数据,基于基准数据数据量对非基准数据数据量进行统一化;
S22、设基准数据与自身的Pearson相关系数为P0,计算各非基准数据与基准数据之间的Pearson相关系数Pi。
5.根据权利要求4所述的一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,其特征在于,所述从暂降监测数据中选取基准数据具体包括:
S211、计算暂降监测数据的暂降持续时间获得暂降段;
S212、比较参与同源识别的所有暂降监测数据的暂降段采样点个数,选择暂降段采样点最少的暂降监测数据作为基准数据。
6.根据权利要求5所述的一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,其特征在于,所述基于基准数据数据量对非基准数据数据量进行统一化,具体包括:
S213、获取基准数据和非基准数据暂降段的采样信息,基于采样信息分别获得基准数据数据量N0和非基准数据数据量Ni;
S214、对非基准数据进行采样点数量缩减,使其暂降段采样点数量与基准数据相同。
7.根据权利要求4所述的一种基于Pearson相关系数与OPTICS的电压暂降同源识别方法,其特征在于,在步骤S21和S22之间还包括步骤:
S21.5、将暂降监测数据i的暂降波形乘以多台变压器传播特性的等效传递矩阵Tx,x=[1,13],得到电压暂降经变压器传递后波形矩阵Si,Si=[Si1,Si2,...Si13]。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器执行时实现权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128513.0A CN112784792B (zh) | 2021-01-29 | 2021-01-29 | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128513.0A CN112784792B (zh) | 2021-01-29 | 2021-01-29 | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112784792A true CN112784792A (zh) | 2021-05-11 |
CN112784792B CN112784792B (zh) | 2023-02-07 |
Family
ID=75759878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110128513.0A Active CN112784792B (zh) | 2021-01-29 | 2021-01-29 | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784792B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919600A (zh) * | 2021-12-08 | 2022-01-11 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170270414A1 (en) * | 2016-03-21 | 2017-09-21 | Schneider Electric USA, Inc. | Method for inferring downtime from power quality data |
CN108802535A (zh) * | 2018-06-27 | 2018-11-13 | 全球能源互联网研究院有限公司 | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 |
CN110245584A (zh) * | 2019-05-28 | 2019-09-17 | 全球能源互联网研究院有限公司 | 一种电压暂降原因识别方法及系统 |
CN110782130A (zh) * | 2019-09-30 | 2020-02-11 | 南京工程学院 | 一种基于多属性决策的区域电压质量综合评估方法 |
CN110850164A (zh) * | 2019-10-25 | 2020-02-28 | 华北电力大学 | 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法 |
CN112036318A (zh) * | 2020-09-01 | 2020-12-04 | 海南电网有限责任公司电力科学研究院 | 电压暂降源同质集成辨识方法 |
CN112131956A (zh) * | 2020-08-27 | 2020-12-25 | 国网湖北省电力有限公司电力科学研究院 | 一种基于差异哈希算法的电压暂降源分类方法 |
CN112186749A (zh) * | 2020-09-24 | 2021-01-05 | 四川大学 | 一种基于最优抽样的电压暂降系统指标评估方法 |
-
2021
- 2021-01-29 CN CN202110128513.0A patent/CN112784792B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170270414A1 (en) * | 2016-03-21 | 2017-09-21 | Schneider Electric USA, Inc. | Method for inferring downtime from power quality data |
CN108802535A (zh) * | 2018-06-27 | 2018-11-13 | 全球能源互联网研究院有限公司 | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 |
CN110245584A (zh) * | 2019-05-28 | 2019-09-17 | 全球能源互联网研究院有限公司 | 一种电压暂降原因识别方法及系统 |
CN110782130A (zh) * | 2019-09-30 | 2020-02-11 | 南京工程学院 | 一种基于多属性决策的区域电压质量综合评估方法 |
CN110850164A (zh) * | 2019-10-25 | 2020-02-28 | 华北电力大学 | 考虑背景谐波电压波动和阻抗变化的多谐波责任划分方法 |
CN112131956A (zh) * | 2020-08-27 | 2020-12-25 | 国网湖北省电力有限公司电力科学研究院 | 一种基于差异哈希算法的电压暂降源分类方法 |
CN112036318A (zh) * | 2020-09-01 | 2020-12-04 | 海南电网有限责任公司电力科学研究院 | 电压暂降源同质集成辨识方法 |
CN112186749A (zh) * | 2020-09-24 | 2021-01-05 | 四川大学 | 一种基于最优抽样的电压暂降系统指标评估方法 |
Non-Patent Citations (2)
Title |
---|
戴锋等: "基于正序电压变化量的故障电压暂降源定位算法", 《电力工程技术》 * |
肖先勇等: "基于Wasserstein距离的多电压暂降事件同源检测方法", 《电网技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113919600A (zh) * | 2021-12-08 | 2022-01-11 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
CN113919600B (zh) * | 2021-12-08 | 2022-04-01 | 国网湖北省电力有限公司经济技术研究院 | 一种居民负荷超短期预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112784792B (zh) | 2023-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113569903A (zh) | 数控机床刀具磨损预测方法、系统、设备、介质、终端 | |
CN109656366B (zh) | 一种情感状态识别方法、装置、计算机设备及存储介质 | |
CN112784792B (zh) | 基于Pearson相关系数与OPTICS的电压暂降同源识别方法 | |
CN112101765A (zh) | 一种配电网运行指标数据异常数据处理方法及系统 | |
CN113364751A (zh) | 网络攻击预测方法、计算机可读存储介质及电子设备 | |
CN114720764A (zh) | 一种基于电表实时监测数据的谐波分析方法及系统 | |
CN114076841A (zh) | 基于用电信息数据的窃电行为识别方法及系统 | |
CN117634905A (zh) | 一种电网业务数据特征提取方法 | |
CN116433034A (zh) | 一种基于机器学习的虚拟电厂运行风险检测方法 | |
CN115935212A (zh) | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 | |
CN114548173A (zh) | 一种精准的周期性检测方法、系统及存储介质 | |
CN113535527A (zh) | 一种面向实时流数据预测性分析的降载方法及系统 | |
CN109272020B (zh) | 一种肌电数据中离群点的处理方法和系统 | |
Chen et al. | Optimization design of control charts based on minimax decision criterion and fuzzy process shifts | |
EP3779993A1 (en) | Method for searching for endpoint of specific data cluster and data processing system therefor | |
CN110569277A (zh) | 一种配置数据信息自动识别与归类方法及系统 | |
JP2018177831A (ja) | カーボン付着状態解析装置、カーボン付着状態解析方法、コンピュータプログラム及びコンピュータ読み取り可能な記録媒体 | |
CN114692091B (zh) | 基于大数据资源的数据治理任务运行系统 | |
CN116595102B (zh) | 一种改进聚类算法的大数据管理方法及系统 | |
CN117094478B (zh) | 能量调度管理方法、装置、设备及存储介质 | |
CN113762373B (zh) | 一种负荷特性的异常识别方法、装置、电子设备及介质 | |
CN110633874B (zh) | 一种变电站二次设备状态监测方法及可读存储介质 | |
CN117117853A (zh) | 一种考虑监测数据非同步性和谐波阻抗变化的谐波责任划分方法 | |
CN117745123A (zh) | 一种基于多维特征的变电站电压暂降综合评估方法和装置 | |
CN115205067A (zh) | 一种台区异常线损的识别方法、装置、设备和存储介质 |
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 |