CN113125037A - 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 - Google Patents
一种基于分布式光纤在线测温系统的电缆导体温度估算方法 Download PDFInfo
- Publication number
- CN113125037A CN113125037A CN202110365857.3A CN202110365857A CN113125037A CN 113125037 A CN113125037 A CN 113125037A CN 202110365857 A CN202110365857 A CN 202110365857A CN 113125037 A CN113125037 A CN 113125037A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- cable
- sequence
- cable conductor
- 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
- 239000004020 conductor Substances 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000013307 optical fiber Substances 0.000 title claims abstract description 12
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 210000003491 skin Anatomy 0.000 description 25
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 210000002615 epidermis Anatomy 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229920003020 cross-linked polyethylene Polymers 0.000 description 1
- 239000004703 cross-linked polyethylene Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明在于提供一种基于分布式光纤在线测温系统的电缆导体温度估算方法。所述方法所述的估算方法包括以下步骤:步骤1.构建模型数据序列;步骤2.根据步骤1的数据序列,构建电缆导体温度预测模型;步骤3.将测试集的负荷电流数据、环境温度数据和电缆表皮温度数据输入到模型中,即可估算出电缆导体的温度。本申请提供的方法避免了电缆导体和表皮之间的温度传输解析式求解,也不受电缆本身的结构物理参数影响,具有较高的精度和实用性。
Description
技术领域
本发明涉及电缆导体温度实时估算技术领域,更具体地说,涉及一种电缆导体温度估算方法。
背景技术
电缆在输电和供配电领域广泛应用,电力电缆运行中的导体温度是评估其载流量和安全性的重要依据。为此,很多电力企业和用户在其变电站内引入光纤在线测温系统,以便对电缆运行温度进行实时监测。
但现行的测温系统存在以下问题:一是多数测温探头都是非直接测量,易受环境温度和测量方法影响,且精确度不够高,二是由于电缆热时间常数的存在,负荷电流变化时,电缆导体温度达到稳定状态需要一段时间,电缆表皮温升也滞后于导体温升,所以考虑负荷电流变化、环境温度和电缆表皮温度的综合导体温度计算方法具有很强的实用性。
发明内容
所述方法利用变电站计量系统的负荷电流、光纤测温系统采集的电缆表皮温度、环境温度和电缆导体温度数据,利用动态时间规整算法(DTW)进行时间序列相似性计算,得到电缆负荷电流对应的电缆表皮温度和电缆导体温度。基于深度神经网络Keras框架搭建基于注意力机制的长短时记忆(LSTM)算法模型,将负荷电流、环境温度、电缆表皮温度和电缆导体温度作为模型的输入数据进行训练,得到模型之后,将负荷电流、环境温度和电缆表皮温度的数据输入到模型中,即可估算出电缆导体温度。
为了实现上述目的,本发明是采用以下技术方案实现的:所述的估算方法包括以下步骤:
步骤1.构建模型数据序列;
步骤2.根据步骤1的数据序列,构建电缆导体温度预测模型;
步骤3.将测试集的负荷电流数据、环境温度数据和电缆表皮温度数据输入到模型中,即可估算出电缆导体的温度。
优选的,所述的步骤1构建模型数据序列,采集电缆负荷电流数据、环境温度数据、电缆表皮温度和电缆导体温度数据。基于电缆负荷电流数据,利用DTW算法进相似性计算,得到电缆负荷电流序列对应的电缆表皮温度序列和电缆导体温度序列。
优选的,所述的步骤2包括以下步骤
S201将负荷电流数据、环境温度数据、电缆表皮温度和电缆导体温度数据归一化;
S202将归一化的数据转换成监督学习数据;
S203将数据分割为训练集和测试集;
S204基于深度神经网络Keras框架搭建基于注意力机制的长短时记忆(LSTM)算法模型,将训练集输入到模型进行训练,根据损失进行模型的优化。
优选的,所述的步骤1采用以下具体方案实现:步骤1.利用DTW算法分别计算电缆负荷电流序列与电缆导体温度序列、表皮温度序列的相似性以构建模型的输入数据:
D(i,j)=||Ti,Tj||+min{Di-1,j,Di,j-1,Di-1,j-1}
D=[D1,D2···Dl]
d=min{D}
其中,||·||为两点坐标的二范数,I为电缆负荷电流序列,T为电缆导体温度序列或电缆表皮温度序列,D为相似性值的一维矩阵,d为相似性值矩阵中的最小值。将电缆负荷电流序列I,I对应的电缆表皮温度序列T1、电缆导体温度序列T2,以及环境温度序列T3作为训练模型的输入数据。
优选的,步骤2.基于步骤1的数据序列,构建电缆导体温度估算模型。
S201将负荷电流数据序列I,环境温度序列T3、电缆表皮温度序列T1和电缆导体温度序列T2分别归一化到[0,1]:
其中,x为归一化后的值,X为时间序列的值,Xmax为时间序列的最大值,Xmin为时间序列的最小值,归一化后的电缆负荷电流序列为I=[i1,i2,…in],环境温度序列为T3=[t”1,t”2,…t”n],电缆表皮温度序列为T1=[t1,t2,…tn],电缆导体温度序列为T2=[t'1,t'2,…t'n];
S202将归一化后的数据转换成监督学习数据;
S203数据分割为训练集和测试集。将S202中的数据分为训练集和测试集:
其中,0<x<1,Atrain为训练集,Atest为测试集;
S204基于深度神经网络Keras框架搭建基于注意力机制的长短时记忆(LSTM)算法模型,将训练集Atrain输入到模型进行训练,根据损失进行模型的优化。
本发明有益效果:
利用变电站计量系统的负荷电流、光纤测温系统采集的电缆表皮温度、环境温度和电缆导体温度的实验数据,利用动态时间规整算法(DTW)进行时间序列相似性计算,得到电缆负荷电流对应的电缆表皮温度和电缆导体温度。基于深度神经网络Keras框架搭建基于注意力机制的长短时记忆(LSTM)算法模型,将负荷电流、环境温度、电缆表皮温度和电缆导体温度作为模型的输入数据进行训练,得到模型之后,将负荷电流、环境温度和电缆表皮温度的数据输入到模型中,即可估算出电缆导体温度。本申请提供的方法避免了电缆导体和表皮之间的温度传输解析式求解,也不受电缆本身的结构物理参数影响,具有较高的精度和实用性。
附图说明
附图1为两个生产时间段的采集数据;
附图2为本发明导体温度估算整体流程图;
附图3(a)为第一种生产时段电缆导体温度估算结果,(b)为估算误差图;
附图4(a)为第二种生产时段电缆导体温度估算结果,(b)为估算误差图;
具体实施方式
为了便于本领域一般技术人员理解和实现本发明,现结合附图及具体实施例进一步描述本发明的技术方案。
如图所示,本实施例利用testo880红外热像仪对变电站进线110kV交联聚乙烯电缆接头处的电缆导体进行固定测量,每隔1min记录一次温度数据,与变电站的温度计测量的环境温度,变电站计量系统的电缆负荷电流,分布式光纤在线测温系统测量到的电缆表皮温度共同构成电缆导体温度预测的数据。根据生产特点进行数据采集:1)烟叶复烤车间时间为每年11月到次年5月初,此时段内整个厂区负荷最大;2)卷包车间机台从00:00逐步停丝,负荷开始下降。在5月~11月和11月至次年5月分别采集一组数据。附图1(a)(b)为采集到的不同生产时段两组数据。附图2为本发明的具体操作流程图。包括以下步骤:
步骤1.利用DTW算法分别计算电缆负荷电流序列与电缆导体温度序列、表皮温度序列的相似性以构建模型的输入数据:
D(i,j)=||Ti,Tj||+min{Di-1,j,Di,j-1,Di-1,j-1}
D=[D1,D2···Dl]
d=min{D}
其中,||·||为两点坐标的二范数,I为电缆负荷电流序列,T为电缆导体温度序列或电缆表皮温度序列,D为相似性值的一维矩阵,d为相似性值矩阵中的最小值。将电缆负荷电流序列I,I对应的电缆表皮温度序列T1、电缆导体温度序列T2,以及环境温度序列T3作为训练模型的输入数据。
步骤2.基于步骤1的数据序列,构建电缆导体温度预测模型。
S201将负荷电流数据序列I,环境温度序列T3、电缆表皮温度序列T1和电缆导体温度序列T2分别归一化到[0,1]:
其中,x为归一化后的值,X为时间序列的值,Xmax为时间序列的最大值,Xmin为时间序列的最小值,归一化后的电缆负荷电流序列为I=[i1,i2,…in],环境温度序列为T3=[t”1,t”2,…t”n],电缆表皮温度序列为T1=[t1,t2,…tn],电缆导体温度序列为T2=[t'1,t'2,…t'n];
S202将归一化后的数据转换成监督学习数据;
S203数据分割为训练集和测试集。将S202中的数据分为训练集和测试集:
其中,0<x<1,Atrain为训练集,Atest为测试集;
S204基于深度神经网络Keras框架搭建基于注意力机制的长短时记忆(LSTM)算法模型,将训练集Atrain输入到模型进行训练,根据损失进行模型的优化。
步骤3.将测试集Atest的负荷电流序列、环境温度序列和表皮温度序列输入到模型中,即可估算出电缆导体的温度,两组数据的估算结果和误差分别见附图3(a)(b)和附图4(a)(b)。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种基于分布式光纤在线测温系统的电缆导体温度估算方法,其特征在于:所述的估算方法包括以下步骤:
步骤1.构建模型数据序列;
步骤2.根据步骤1的数据序列,构建电缆导体温度预测模型;
步骤3.将测试集的负荷电流数据、环境温度数据和电缆表皮温度数据输入到模型中,即可估算出电缆导体的温度。
2.根据权利要求1所述的一种基于分布式光纤在线测温系统的电缆导体温度估算方法,其特征在于:所述的步骤1构建模型数据序列,采集电缆负荷电流数据、环境温度数据、电缆表皮温度和电缆导体温度数据。利用动态时间规整算法(DTW)进行时间序列相似性计算,得到电缆负荷电流对应的电缆表皮温度和电缆导体温度。
3.根据权利要求1或2所述的一种基于分布式光纤在线测温系统的电缆导体温度估算方法,其特征在于:所述的步骤2包括以下步骤:
S201将负荷电流数据、环境温度数据、电缆表皮温度和电缆导体温度数据归一化;
S202将归一化的数据转换成监督学习数据;
S203将数据分割为训练集和测试集;
S204基于深度神经网络Keras框架搭建基于注意力机制的长短时记忆(LSTM)算法模型,将训练集输入到模型进行训练,根据损失进行模型的优化。
4.根据权利要求3所述的一种基于分布式光纤在线测温系统的电缆导体温度估算方法,其特征在于:所述的步骤1采用以下具体方案实现:步骤1.利用DTW算法分别计算电缆负荷电流序列与电缆导体温度序列、表皮温度序列的相似性以构建模型的输入数据:
D(i,j)=||Ii,Tj||+min{Di-1,j,Di,j-1,Di-1,j-1}
D=[D1,D2…Dl]
d=min{D}
其中,||·||为两点坐标的二范数,I为电缆负荷电流序列,T为电缆导体温度序列或电缆表皮温度序列,D为相似性值的一维矩阵,d为相似性值矩阵中的最小值。将电缆负荷电流序列I,I对应的电缆表皮温度序列T1、电缆导体温度序列T2,以及环境温度序列T3作为训练模型的输入数据。
5.根据权利要求3所述的一种基于分布式光纤在线测温系统的电缆导体温度估算方法,其特征在于:步骤2.基于步骤1的数据序列,构建电缆导体温度估算模型。
S201将负荷电流数据序列I,环境温度序列T3、电缆表皮温度序列T1和电缆导体温度序列T2分别归一化到[0,1]:
其中,x为归一化后的值,X为时间序列的值,Xmax为时间序列的最大值,Xmin为时间序列的最小值,归一化后的电缆负荷电流序列为I=[i1,i2,…in],环境温度序列为T3=[t″1,t″2,…t″n],电缆表皮温度序列为T1=[t1,t2,…tn],电缆导体温度序列为T2=[t′1,t′2,…t′n];
S202将归一化后的数据转换成监督学习数据;
S203数据分割为训练集和测试集。将S202中的数据分为训练集和测试集:
其中,0<x<1,Atrain为训练集,Atest为测试集;
S204基于深度神经网络Keras框架搭建基于注意力机制的长短时记忆(LSTM)算法模型,将训练集Atrain输入到算法模型中进行训练,根据损失进行模型的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365857.3A CN113125037B (zh) | 2021-04-06 | 2021-04-06 | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110365857.3A CN113125037B (zh) | 2021-04-06 | 2021-04-06 | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113125037A true CN113125037A (zh) | 2021-07-16 |
CN113125037B CN113125037B (zh) | 2024-06-07 |
Family
ID=76774901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110365857.3A Active CN113125037B (zh) | 2021-04-06 | 2021-04-06 | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113125037B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114217121A (zh) * | 2021-12-08 | 2022-03-22 | 通鼎互联信息股份有限公司 | 一种确定射频额定平均功率的电气实验方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002107234A (ja) * | 2000-10-02 | 2002-04-10 | Hitachi Cable Ltd | ケーブル導体温度推定方法および装置 |
CN103592054A (zh) * | 2013-11-18 | 2014-02-19 | 深圳供电局有限公司 | 电缆群线芯温度确定方法、装置及该装置的安装方法 |
CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
CN205501437U (zh) * | 2016-03-16 | 2016-08-24 | 金川集团股份有限公司 | 一种通过导体表面温度分布估算电流的装置 |
CN106066212A (zh) * | 2016-05-27 | 2016-11-02 | 三峡大学 | 一种电缆导体温度间接测量方法 |
CN106228033A (zh) * | 2016-09-22 | 2016-12-14 | 河海大学 | 基于rbf神经网络的三芯电缆导体温度实时计算方法 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
CN109635390A (zh) * | 2018-11-29 | 2019-04-16 | 广东电网有限责任公司 | 一种中压电缆导体温度计算方法 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
CN110889545A (zh) * | 2019-11-20 | 2020-03-17 | 国网重庆市电力公司电力科学研究院 | 一种电力负荷预测方法、装置及可读存储介质 |
CN111915058A (zh) * | 2020-06-29 | 2020-11-10 | 河海大学 | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 |
CN112598151A (zh) * | 2020-11-16 | 2021-04-02 | 华南理工大学 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
-
2021
- 2021-04-06 CN CN202110365857.3A patent/CN113125037B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002107234A (ja) * | 2000-10-02 | 2002-04-10 | Hitachi Cable Ltd | ケーブル導体温度推定方法および装置 |
CN103592054A (zh) * | 2013-11-18 | 2014-02-19 | 深圳供电局有限公司 | 电缆群线芯温度确定方法、装置及该装置的安装方法 |
CN104318325A (zh) * | 2014-10-14 | 2015-01-28 | 广东省环境监测中心 | 多流域实时智能水质预测方法及系统 |
CN205501437U (zh) * | 2016-03-16 | 2016-08-24 | 金川集团股份有限公司 | 一种通过导体表面温度分布估算电流的装置 |
CN106066212A (zh) * | 2016-05-27 | 2016-11-02 | 三峡大学 | 一种电缆导体温度间接测量方法 |
CN106228033A (zh) * | 2016-09-22 | 2016-12-14 | 河海大学 | 基于rbf神经网络的三芯电缆导体温度实时计算方法 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
CN109635390A (zh) * | 2018-11-29 | 2019-04-16 | 广东电网有限责任公司 | 一种中压电缆导体温度计算方法 |
CN109754113A (zh) * | 2018-11-29 | 2019-05-14 | 南京邮电大学 | 基于动态时间规整与长短时间记忆的负荷预测方法 |
CN110889545A (zh) * | 2019-11-20 | 2020-03-17 | 国网重庆市电力公司电力科学研究院 | 一种电力负荷预测方法、装置及可读存储介质 |
CN111915058A (zh) * | 2020-06-29 | 2020-11-10 | 河海大学 | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 |
CN112598151A (zh) * | 2020-11-16 | 2021-04-02 | 华南理工大学 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
Non-Patent Citations (1)
Title |
---|
董治强: "基于DTW-FCBF-LSTM模型的超短期风速预测", 电测与仪表, vol. 57, no. 04, pages 93 - 98 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114217121A (zh) * | 2021-12-08 | 2022-03-22 | 通鼎互联信息股份有限公司 | 一种确定射频额定平均功率的电气实验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113125037B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
CN112115648B (zh) | 一种基于改进深度学习方法的变压器顶层油温预测方法 | |
CN112712203B (zh) | 一种配电网日最高负荷预测方法和系统 | |
CN113126019A (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN112163371A (zh) | 一种变压器套管状态评估方法 | |
CN113125037A (zh) | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 | |
CN111950752A (zh) | 光伏电站发电量预测方法、装置、系统及其存储介质 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN114046903A (zh) | 一种高压电缆缆芯的实时温度预测方法及系统 | |
CN117713083A (zh) | 一种基于数据管理平台的电力系统短期电力负荷预测系统及方法 | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
CN111367255A (zh) | 一种多变量控制系统性能评价测试系统及方法 | |
CN111080089A (zh) | 一种基于随机矩阵理论的线损率关键因子确定方法和装置 | |
Zhao et al. | Evaluation of operating state for smart electricity meters based on transformer–encoder–BiLSTM | |
CN116226620A (zh) | 一种基于svm和lstm的次同步振荡模态辨识方法 | |
CN113783186B (zh) | 一种考虑配电网拓扑结构变化的电压预测方法 | |
Lu et al. | A New Power Load Forecasting Model (SIndRNN): independently recurrent neural network based on softmax kernel function | |
CN112035783A (zh) | 一种基于时频分析的风电功率特征评价方法 | |
Liu et al. | Intelligent voltage prediction of active distribution network with high proportion of distributed photovoltaics | |
Xu et al. | Load identification method based on load feature extraction and fuzzy c mean clustering method | |
CN115408891B (zh) | 包含多个脑电认知指标的用户体验百分制度量的建模方法 | |
Liu et al. | Grounding grids fault diagnosis based on PCA-BP neural network | |
RU2809920C1 (ru) | Способ определения статических характеристик нагрузки по напряжению по измерениям пассивного эксперимента |
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 |