CN113344406A - 一种配网台区智能融合终端电能质量监测可靠性评估方法 - Google Patents
一种配网台区智能融合终端电能质量监测可靠性评估方法 Download PDFInfo
- Publication number
- CN113344406A CN113344406A CN202110683199.2A CN202110683199A CN113344406A CN 113344406 A CN113344406 A CN 113344406A CN 202110683199 A CN202110683199 A CN 202110683199A CN 113344406 A CN113344406 A CN 113344406A
- Authority
- CN
- China
- Prior art keywords
- data
- power quality
- reliability
- monitoring
- intelligent fusion
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 26
- 241000283153 Cetacea Species 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 20
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000010219 correlation analysis Methods 0.000 abstract description 3
- 238000005315 distribution function Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 25
- 230000006399 behavior Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013589 supplement 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
Abstract
一种配网台区智能融合终端电能质量监测可靠性评估方法,采用具有拟合随机变量分布密度函数能力的非参数核密度估计作为主要架构,对台区智能融合终端的电能质量监测精度进行可靠性评估。该方法可以根据历史数据拟合电能质量数据的概率分布函数,从而建立各电能质量监测指标的置信区间。并以此区间为监测可靠性判断依据,对终端连续运行状态下的电能质量监测精度进行可靠性评估。能够克服了传统评估方法不确定性因素和人为因素对评估结果的影响较大的、计算复杂度高、相关性分析不够等问题。
Description
技术领域
本发明涉及电能质量监测技术领域,具体涉及一种配网台区智能融合终端电能质量监测可靠性评估方法。
背景技术
随着配电物联网工程的逐步推广建设,配电系统迎来新一轮技术升级,逐步形成了“云-管-边-端”体系架构。新型架构下,海量台区智能终端等边缘计算设备与新型智能电表等端设备的引入,可为配电物联网提供大量电能质量监测数据,从而为配电系统实现全景态势感知、智能运维、需求侧管理以及智慧用能方案推荐等提供可靠决策依据。但是一旦终端监测的电能质量数据出现较大偏差,则会对配电系统整体运维出现较大的影响。
目前已有的关于台区智能融合终端电能质量数据检验的方法主要是通过标准源法,对设备进行监测精度检测,只要检测时满足精度要求,设备即视为合格。然而这种检测方法忽略了对终端设备在连续运行状态下的电能质量监测可靠性问题。因此,当前还没有一个统一全面的检测台区智能融合终端电能质量监测可靠性的标准。
发明内容
本发明为了克服以上技术的不足,提供了一种具有较高的评估精度,有利于发现降低终端可靠性的隐患,提升终端检测的智能化水平的配网台区智能融合终端电能质量监测可靠性评估方法。
本发明克服其技术问题所采用的技术方案是:
一种配网台区智能融合终端电能质量监测可靠性评估方法,包括:
a)收集某一电网公司在一个时间段内的电能质量数据作为样本数据;
b)对样本数据进行预处理;
c)使用预处理后的数据,拟合非参数核密度估计模型,得到数据概率密度函数;
d)将概率密度函数求积分获得累积概率函数,并生成数据置信度为99%的置信区间;
e)根据置信区间,确定台区智能融合终端监测数据中异常数据的个数M,当检测数据在置信区间内时,表示该数据正常,如果检测数据不再置信区间内,表示该数据异常,如果台区智能融合终端没有检测到数据,表示该丢失的数据超过置信区间。
进一步的,步骤b)包括如下步骤:
b-1)通过插值补充样本数据中缺失的数据;
进一步的,步骤c)包括如下步骤:
c-1)将预处理后的样本数据按照类型划分为不同时间序列,每类数据分别为X的矩阵,X∈RN*T,R为实数空间,N为节点数,T为总的监测时间数;
c-3)通过公式D=|C·X*(t)-X(t)|及X(t+1)=X*(t)-A·D建立座头鲸包围猎物行为的数学模型,式中D为搜索代理与目标猎物的距离,t为当前迭代次数,X*(t)为当前最优解位置,X(t)为当前位置矢量,X(t+1)为t+1次迭代时的位置矢量,A和C均是系数向量,A=2a·ra-a,C=2·rc,ra与rc均是[0,1]之间的随机矢量,a表示在迭代过程中从2线性递减到0,X(t+1)=D′·ebl·cos(2πl)+X*(t),式中D′=|X*(t)-X(t)|,b为限定对数螺旋线形状的常数,l为[-1,1]之间的随机数,e为自然对数的底数,e=2.71828183;
c-5)通过公式D=|C·Xrand(t)-X(t)|和X(t+1)=Xrand(t)-A·D建立猎物搜索模型,式中Xrand(t)为从种群中随机选择的搜索代理位置向量;
c-8)如果|A|≥1,则转至执行步骤c-4),如果|A|<1,则转至执行步骤c-5);
c-9)重复执行步骤c-7)至c-8),直到迭代次数达到设定的迭代次数M。
优选的,步骤b-1)中从原始样本数据中选取缺失值前后的5个数据,将选取的10个数据分组,即n=10。
进一步的,步骤d)包括如下步骤:
d-1)输出最佳鲸鱼个体的位置,得到最优带宽h;
本发明的有益效果是:能够准确地描述数据的概率密度函数,实现台区智能融合终端电能质量监测的可靠性分析与评估,具有较高的评估精度,有利于发现降低终端可靠性的隐患,提升终端检测的智能化水平,在工程领域具有较高的实用价值。采用具有拟合随机变量分布密度函数能力的非参数核密度估计作为主要架构,对台区智能融合终端的电能质量监测精度进行可靠性评估。该方法可以根据历史数据拟合电能质量数据的概率分布函数,从而建立各电能质量监测指标的置信区间。并以此区间为监测可靠性判断依据,对终端连续运行状态下的电能质量监测精度进行可靠性评估。能够克服了传统评估方法不确定性因素和人为因素对评估结果的影响较大的、计算复杂度高、相关性分析不够等问题。
附图说明
图1为本发明的台区智能融合终端电能质量监测可靠性评估的方法流程图;
图2为鲸鱼算法的流程图。
具体实施方式
下面结合附图1、附图2对本发明做进一步说明。
一种配网台区智能融合终端电能质量监测可靠性评估方法,包括:
a)收集某一电网公司在一个时间段内的电能质量数据作为样本数据。
b)对样本数据进行预处理。
c)使用预处理后的数据,拟合非参数核密度估计模型,得到数据概率密度函数。
d)将概率密度函数求积分获得累积概率函数,并生成数据置信度为99%的置信区间。
e)根据置信区间,确定台区智能融合终端监测数据中异常数据的个数M,当检测数据在置信区间内时,表示该数据正常,如果检测数据不再置信区间内,表示该数据异常,如果台区智能融合终端没有检测到数据,表示该丢失的数据超过置信区间,其也为异常数据。
采用改进的非参数核密度方法对配电台区智能融合终端电能质量监测精度进行了可靠性评估。首先全面考虑终端电能质量监测指标,构建设备监测可靠性评估体系。然后为了提升模型学习精度,对数据进行补全缺失数据和归一化处理。进而采用基于鲸鱼算法的带宽优化方法实现非参数核密度估计,以获得电能质量数据的概率密度函数,并据此生成电能质量数据的置信区间,从而实现台区智能融合终端监测数据的可靠性评估方法。使用该方法能够准确地描述数据的概率密度函数,实现台区智能融合终端电能质量监测的可靠性分析与评估,具有较高的评估精度,有利于发现降低终端可靠性的隐患,提升终端检测的智能化水平,在工程领域具有较高的实用价值。采用具有拟合随机变量分布密度函数能力的非参数核密度估计作为主要架构,对台区智能融合终端的电能质量监测精度进行可靠性评估。该方法可以根据历史数据拟合电能质量数据的概率分布函数,从而建立各电能质量监测指标的置信区间。并以此区间为监测可靠性判断依据,对终端连续运行状态下的电能质量监测精度进行可靠性评估。能够克服了传统评估方法不确定性因素和人为因素对评估结果的影响较大的、计算复杂度高、相关性分析不够等问题。
实施例1:
本专利通过插值来补充缺失的数据,采用拉格朗日插值法进行插值,具体的步骤b)包括如下步骤:
b-1)通过插值补充样本数据中缺失的数据。
b-2)通过公式计算得到缺失值的插值结果Ln(x),式中n为缺失值前后的数据的个数,x为缺失值的下标,xi为非缺失值yi的下标,xj为非缺失值yj的下标。所有丢失的值都会依次插入,直到没有值丢失为止。
b-3)采用Z-score将数据进行归一化处理,可以删除数据维,仅保留原始数据的特征形状。具体的,通过公式计算归一化的差值处理后的样本数据式中μ为样本数据的均值,σ为样本数据的标准差,xgk为电能质量数据矩阵中第g行第k列的数据,完成样本数据的预处理。
实施例2:
步骤c)包括如下步骤:
c-1)将预处理后的样本数据按照类型划分为不同时间序列,终端会从每个节点监测到电能质量数据,每类数据分别为X的矩阵,X∈RN*T,R为实数空间,N为节点数,T为总的监测时间数。
c-2)通过公式计算率密度函数f(x),式中K(·)为核函数,h为带宽系数,n为样本总数,xm为第m个样本。基于高斯核函数的概率密度函数可以写为:c-3)根据鲸鱼优化算法分别建立目标包围、bubble-net攻击策略以及猎物搜寻的数学模型,具体的通过公式D=|C·X*(t)-X(t)|及X(t+1)=X*(t)-A·D建立座头鲸包围猎物行为的数学模型,式中D为搜索代理与目标猎物的距离,t为当前迭代次数,X*(t)为当前最优解位置,X(t)为当前位置矢量,X(t+1)为t+1次迭代时的位置矢量,A和C均是系数向量,A=2a·ra-a,C=2·rc,ra与rc均是[0,1]之间的随机矢量,a表示在迭代过程中从2线性递减到0。Bubble-net攻击策略如下:X(t+1)=D′·ebl·cos(2πl)+X*(t),式中D′=|X*(t)-X(t)|,b为限定对数螺旋线形状的常数,l为[-1,1]之间的随机数,e为自然对数的底数,e=2.71828183。
c-5)猎物搜索方式如下:通过公式D=|C·Xrand(t)-X(t)|和X(t+1)=Xrand(t)-A·D建立猎物搜索模型,式中Xrand(t)为从种群中随机选择的搜索代理位置向量。
c-7)根据目标函数LSCV计算个体适应度值,并记录最小适应度值和对应位置向量,具体的:通过公式计算适应度LSCV(H),式中Lgk=(xg-xk)TH-1(xg-xk),H=h2S,S为样本协方差矩阵,xg和xk为样本数据。
c-8)更新最小LSCV即可获得当前群体中最佳个体的位置,更新当前种群个体的空间位置的方法为:如果|A|≥1,则转至执行步骤c-4),如果|A|<1,则转至执行步骤c-5)。
c-9)重复执行步骤c-7)至c-8),直到迭代次数达到设定的迭代次数M。
实施例3:
优选的,步骤b-1)中从原始样本数据中选取缺失值前后的5个数据,将选取的10个数据分组,即n=10。
实施例4:
步骤d)包括如下步骤:
d-1)输出最佳鲸鱼个体的位置,得到最优带宽h;
实施例5:
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。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 (6)
1.一种配网台区智能融合终端电能质量监测可靠性评估方法,其特征在于,包括:
a)收集某一电网公司在一个时间段内的电能质量数据作为样本数据;
b)对样本数据进行预处理;
c)使用预处理后的数据,拟合非参数核密度估计模型,得到数据概率密度函数;
d)将概率密度函数求积分获得累积概率函数,并生成数据置信度为99%的置信区间;
e)根据置信区间,确定台区智能融合终端监测数据中异常数据的个数M,当检测数据在置信区间内时,表示该数据正常,如果检测数据不再置信区间内,表示该数据异常,如果台区智能融合终端没有检测到数据,表示该丢失的数据超过置信区间。
3.根据权利要求1所述的配网台区智能融合终端电能质量监测可靠性评估方法,其特征在于,步骤c)包括如下步骤:
c-1)将预处理后的样本数据按照类型划分为不同时间序列,每类数据分别为X的矩阵,X∈RN*T,R为实数空间,N为节点数,T为总的监测时间数;
c-3)通过公式D=|C·X*(t)-X(t)|及X(t+1)=X*(t)-A·D建立座头鲸包围猎物行为的数学模型,式中D为搜索代理与目标猎物的距离,t为当前迭代次数,X*(t)为当前最优解位置,X(t)为当前位置矢量,X(t+1)为t+1次迭代时的位置矢量,A和C均是系数向量,A=2a·ra-a,C=2·rc,ra与rc均是[0,1]之间的随机矢量,a表示在迭代过程中从2线性递减到0,X(t+1)=D′·ebl·cos(2πl)+X*(t),式中D′=|X*(t)-X(t)|,b为限定对数螺旋线形状的常数,l为[-1,1]之间的随机数,e为自然对数的底数,e=2.71828183;
c-5)通过公式D=|C·Xrand(t)-X(t)|和X(t+1)=Xrand(t)-A·D建立猎物搜索模型,式中Xrand(t)为从种群中随机选择的搜索代理位置向量;
c-8)如果|A|≥1,则转至执行步骤c-4),如果|A|<1,则转至执行步骤c-5);
c-9)重复执行步骤c-7)至c-8),直到迭代次数达到设定的迭代次数M。
4.据权利要求1所述的配网台区智能融合终端电能质量监测可靠性评估方法,其特征在于:步骤b-1)中从原始样本数据中选取缺失值前后的5个数据,将选取的10个数据分组,即n=10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110683199.2A CN113344406A (zh) | 2021-06-21 | 2021-06-21 | 一种配网台区智能融合终端电能质量监测可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110683199.2A CN113344406A (zh) | 2021-06-21 | 2021-06-21 | 一种配网台区智能融合终端电能质量监测可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113344406A true CN113344406A (zh) | 2021-09-03 |
Family
ID=77477763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110683199.2A Pending CN113344406A (zh) | 2021-06-21 | 2021-06-21 | 一种配网台区智能融合终端电能质量监测可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113344406A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047372A (zh) * | 2021-11-16 | 2022-02-15 | 国网福建省电力有限公司营销服务中心 | 一种基于电压特征的台区拓扑辨识系统 |
CN114722891A (zh) * | 2022-02-11 | 2022-07-08 | 杭州致成电子科技有限公司 | 一种台区状态分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911300A (zh) * | 2017-10-25 | 2018-04-13 | 西南交通大学 | 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用 |
CN108288231A (zh) * | 2018-01-19 | 2018-07-17 | 广东电网有限责任公司河源供电局 | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 |
CN110263834A (zh) * | 2019-06-13 | 2019-09-20 | 东华大学 | 一种新能源电能质量异常值的检测方法 |
CN112347854A (zh) * | 2020-10-12 | 2021-02-09 | 西安电子科技大学 | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 |
-
2021
- 2021-06-21 CN CN202110683199.2A patent/CN113344406A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911300A (zh) * | 2017-10-25 | 2018-04-13 | 西南交通大学 | 基于鲸鱼算法的组播路由优化方法及其在Spark平台上的应用 |
CN108288231A (zh) * | 2018-01-19 | 2018-07-17 | 广东电网有限责任公司河源供电局 | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 |
CN110263834A (zh) * | 2019-06-13 | 2019-09-20 | 东华大学 | 一种新能源电能质量异常值的检测方法 |
CN112347854A (zh) * | 2020-10-12 | 2021-02-09 | 西安电子科技大学 | 滚动轴承故障诊断方法、系统、存储介质、设备及应用 |
Non-Patent Citations (1)
Title |
---|
陈卫东,等: ""基于非参数估计的电能质量监测装置可靠性分析方法"", 《电力电容器与无功补偿》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114047372A (zh) * | 2021-11-16 | 2022-02-15 | 国网福建省电力有限公司营销服务中心 | 一种基于电压特征的台区拓扑辨识系统 |
CN114047372B (zh) * | 2021-11-16 | 2024-03-12 | 国网福建省电力有限公司营销服务中心 | 一种基于电压特征的台区拓扑辨识系统 |
CN114722891A (zh) * | 2022-02-11 | 2022-07-08 | 杭州致成电子科技有限公司 | 一种台区状态分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503742B (zh) | 一种可见光图像绝缘子识别方法 | |
CN107145720B (zh) | 连续退化和未知冲击共同作用下的设备剩余寿命预测方法 | |
CN108537264B (zh) | 基于深度学习的异源图像匹配方法 | |
CN110334726A (zh) | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 | |
CN114299380A (zh) | 对比一致性学习的遥感图像语义分割模型训练方法及装置 | |
CN113344406A (zh) | 一种配网台区智能融合终端电能质量监测可靠性评估方法 | |
CN115223049B (zh) | 面向电力场景边缘计算大模型压缩的知识蒸馏与量化方法 | |
CN109165819B (zh) | 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
CN111064180B (zh) | 基于ami潮流匹配的中压配电网拓扑检测与辨识方法 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN113486078A (zh) | 一种分布式配电网运行监控方法及系统 | |
CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
Li et al. | Analysis and modelling of flood risk assessment using information diffusion and artificial neural network | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN110852441A (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
CN115329930A (zh) | 一种基于混合深度学习模型的洪水过程概率预报方法 | |
Ullah et al. | Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN114048546A (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
CN116186547B (zh) | 一种环境水务监测采样异常数据快速识别方法 | |
CN115618743B (zh) | 一种瞄准镜系统的状态评估方法及状态评估系统 | |
CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及系统 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
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: 20210903 |
|
RJ01 | Rejection of invention patent application after publication |