CN114200245A - 一种配电网的线损异常识别模型的构建方法 - Google Patents
一种配电网的线损异常识别模型的构建方法 Download PDFInfo
- Publication number
- CN114200245A CN114200245A CN202111416513.7A CN202111416513A CN114200245A CN 114200245 A CN114200245 A CN 114200245A CN 202111416513 A CN202111416513 A CN 202111416513A CN 114200245 A CN114200245 A CN 114200245A
- Authority
- CN
- China
- Prior art keywords
- line loss
- model
- node
- power distribution
- distribution network
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 72
- 238000010276 construction Methods 0.000 title abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 41
- 239000000203 mixture Substances 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (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的线损异常识别模型的构建方法，通过获取配电网中各个节点的线损参数，计算配电网中各个节点的线损率；根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点；以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型。通过构建线损异常识别模型能够实现线损异常的准确识别，识别过程的计算量和复杂度较低。
Description
技术领域
本发明涉及电力系统技术领域，具体地说，涉及一种配电网的线损异常识别模型的构建方法。
背景技术
近年来，我国大力倡导节能减排，加强输电线路的线损管理成为了电力企业的首要任务，降低线损已成为电网公司迫切需要解决的问题。线损和线损率是反映配电系统运行的主要标准之一，避免配电网中线损异常对有效利用电力和配电系统的经济运行非常重要。
现有技术通常线损异常的识别方法主要有均方根电流法，回路电流法，回归分析法等。但现有技术的这些方法时需要详尽的生产线原始参数，而获得这些计算参数通常需要大量的人力物力，因此较难以实施。
发明内容
为了解决上述问题，本发明实施例提出一种配电网的线损异常识别模型的构建方法，构建一种用于识别配电网线损异常的模型，通过该模型能够便捷快速的完成线损异常的准确识别。
本发明实施例提供一种配电网的线损异常识别模型的构建方法，所述方法包括：
获取配电网中各个节点的线损参数，计算配电网中各个节点的线损率；
根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点；
以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型。
作为一种优选方式，所述计算配电网中各个节点的线损率，具体包括：
获取所述配电网中各个单元线路的电阻值和电能表的抄表电量计算的等值电阻值；
根据所述电阻值和所述等值电阻值采用等值电阻法计算各个节点的线损率。
优选地，所述线损参数包括：变压器的性质、变压器的型号、变压器的阻抗电压、变压器的短路损耗、高低压侧的额定电流、高低压侧的绝缘介质、高低压侧的电压比、节点的温度、节点的湿度和节点的空气质量。
优选地，所述根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点，具体包括：
利用混合高斯模型θ＝{wj,mj,∑j}的数据仿真性能，拟合配电网的节点的统计线损率；
基于3σ准则对节点的统计线损率进行判断，当统计线损率小于预设的阈值时，判定对应的节点为异常点；当统计线损率不小于所述阈值时，判定对应的节点为正常点；
基于3σ准则完成每一节点的统计线损率的判断，将各个节点分为正常点和异常点；
其中，j＝1,2,...,M，M表示高斯分布的个数，wj、mj和∑j分别表示第j个高斯分布的权值、均值以及协方差。
作为一种优选方式，所述深度神经网络模型包括四个隐藏层和一个输出层，每一隐藏层存在25个神经元，隐藏层的传递函数为双曲正切函数，输出层的传递函数为线性传递函数；
所述深度神经网络模型的学习算法为梯度下降法，所述深度神经网络模型的均方误差函数为性能函数。
优选地，所述以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型，具体包括：
将异常点的线损参数输入到深度神经网络模型中，深度神经网络模型的输出为最大期望算法的分群结果，将异常点输出的分群结果标记为线损异常；
将正常点的线损参数输入到深度神经网络模型中，深度神经网络模型的输出为最大期望算法的分群结果，将正常点输出的分群结果标记为线损正常；
经过预设次数的异常点和正常点的训练，得到输入线损参数对应输出为线损判断结果的线损异常识别模型。
本发明提供的一种配电网的线损异常识别模型的构建方法，通过获取配电网中各个节点的线损参数，计算配电网中各个节点的线损率；根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点；以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型。通过构建线损异常识别模型能够实现线损异常的准确识别，识别过程的计算量和复杂度较低。
附图说明
图1是本发明实施例提供的一种配电网的线损异常识别模型的构建方法的流程示意图；
图2是本发明实施例提供的一种特征向量的高斯混合密度示意图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
本发明实施例提供一种配电网的线损异常识别模型的构建方法，参见图1所示，是本发明实施例提供的一种配电网的线损异常识别模型的构建方法的流程示意图，所述方法包括步骤S1～S3；
S1，获取配电网中各个节点的线损参数，计算配电网中各个节点的线损率；
S2，根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点；
S3，以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，通过训练得到线损异常识别模型。
在本实施例具体实施时，通过获取配电网中各个节点的线损参数，线损参数能够反映线损情况；
计算配电网中各个节点的线损率，线损率的计算为现有技术常用技术手段，通过获取配电网中的相关参数，计算得到节点的线损率；
利用混合高斯模型的数据仿真性能，并根据3σ准则达成异常点的检测，将节点分为正常点和异常点；
以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型。
本发明实施例提供一种配电网的线损异常识别模型的构建方法，通过获取配电网中各个节点的线损参数，计算配电网中各个节点的线损率；根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点；以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型。通过构建线损异常识别模型能够实现线损异常的准确识别，识别过程的计算量和复杂度较低。
在本发明提供的又一实施中，所述计算配电网中各个节点的线损率，具体包括：
获取所述配电网中各个单元线路的电阻值和电能表的抄表电量计算的等值电阻值；
根据所述电阻值和所述等值电阻值采用等值电阻法计算各个节点的线损率。
在本实施例中，通过等值电阻法计算各个节点的线损率，需计算单元线路的电阻和电能表抄表电量算出等值的电阻即可进行线损率的计算。
需要说明的是，本发明中线损率的计算除了采用等值电阻法外，还可通过电压损失率法、台区损失率法、前推回代法和基于K－means算法的线损预测方法。
由于等值电阻法具有完善的理论基础，计算过程更加简单；
在本发明提供的又一实施例中，所述线损参数包括：变压器的性质、变压器的型号、变压器的阻抗电压、变压器的短路损耗、高低压侧的额定电流、高低压侧的绝缘介质、高低压侧的电压比、节点的温度、节点的湿度和节点的空气质量。
提供获取配电网的线损参数，能够反映线损情况，通过正常点和异常点的线损参数的对比，能够完成线损是否异常的判断；
在本发明提供的又一实施例中，所述根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点，具体包括：
利用混合高斯模型θ＝{wj,mj,∑j}的数据仿真性能，拟合配电网的节点的统计线损率；
基于3σ准则对节点的统计线损率进行判断，当统计线损率小于预设的阈值时，判定对应的节点为异常点；当统计线损率不小于所述阈值时，判定对应的节点为正常点；
基于3σ准则完成每一节点的统计线损率的判断，将各个节点分为正常点和异常点；
其中，j＝1,2,...,M，M表示高斯分布的个数，wj、mj和∑j分别表示第j个高斯分布的权值、均值以及协方差。
在本实施例具体实施时，为了对低压配电网的线损情况做出准确判定，应先检测并分析配电网异常的线损率数据。根据鲁棒尺度的中心化与标准化策略，采用3σ准则与混合高斯模型(Gaussian mixture model，简称GMM)所具有的数据仿真性能，完成配电网异常点的检测。
通过多个不同权值的高斯分布架构成一个混合高斯模型，其表达式如下所示：θ＝{wj,mj,∑j}
其中，j＝1,2,...,M，M表示高斯分布个数，第j个高斯分布的权值、均值以及协方差分别用wj、mj和∑j来表示。参见图2所示，是本发明实施例提供的一
种特征向量的高斯混合密度示意图。图中为D维特征矢量
的高斯混合密度示意图。
D维特征矢量
的似然概率为
上式中，基于第j个高斯分布的特征矢量
概率bj(μj,∑j)；
其中，
以正态分布的等精度反复检测为基础而建立的准则叫做3σ准则，如果存在一组观测值呈现正态分布，那么，其中任一观测值与该组数据均值偏差超过±3σ(该组数据的标准差表示为σ)的概率仅有0.27％，发生的几率极小，若一组观测集合内出现了一个随机误差超过±3σ的观测值，则可以确定该值在有限次检测里发生几率非常小，应该将其当作异常值进行去除。
利用混合高斯模型的数据仿真性能，应用K-means均值算法获取混合高斯模型的初始参数，经过最大化处理辅助函数，实现参数更新，并拟合低压配电网的统计线损率。
基于3σ准则检测并分析配电网线损率数据异常点，数据观测集内出现了一个随机误差超过±3σ的观测值，则可以确定该值在有限次检测里发生几率非常小，应该将其当作异常值进行剔除。设定概率阈值为η，如果经过归一化处理的统计线损率概率小于阈值η，则该统计线损率对应的节点为异常点；相反，若统计线损率概率不大于阈值η，则该统计线损率对应的节点为正常点。
利用混合高斯模型的数据仿真性能，拟合低压配电网的统计线损率，完成节点的线损率的判断，以判断的结果进行模型训练得到线损异常识别模型。
在本发明提供的又一实施例中，所述深度神经网络模型包括四个隐藏层和一个输出层，每一隐藏层存在25个神经元，隐藏层的传递函数为双曲正切函数，输出层的传递函数为线性传递函数；
所述深度神经网络模型的学习算法为梯度下降法，所述深度神经网络模型的均方误差函数为性能函数。
在本实施例具体实施时，通过仿真人类大脑的神经网络，经过学习归纳，对分类与预测的算法模型进行架构。将配电网的节点的线损异常识别模型选取为基于模式分类的判别式深度网络后向传播神经网络模型，可以实现任意精度与任意非线性系数的无限趋近。
设定深度神经网络模型的输入为异常线损对应的线损参考指标，模型输出为最大期望算法的分群结果，对线损异常准确识别模型进行训练；识别模型的隐藏层共有4层，各隐藏层存在25个神经元。隐藏层的传递函数为双曲正切函数，而输出层的传递函数则是线性传递函数。学习算法采用的是梯度下降法，均方误差函数为性能函数。
通过构建的深度神经网络模型作为训练模型，能够提高线损异常的识别准确率。
在本发明提供的又一实施例中，所述步骤S3，具体包括：
将异常点的线损参数输入到深度神经网络模型中，深度神经网络模型的输出为最大期望算法的分群结果，将异常点输出的分群结果标记为线损异常；
将正常点的线损参数输入到深度神经网络模型中，深度神经网络模型的输出为最大期望算法的分群结果，将正常点输出的分群结果标记为线损正常；
经过预设次数的异常点和正常点的训练，得到输入线损参数对应输出为线损判断结果的线损异常识别模型。
在本实施例具体实施时，在构建的神经网络模型中输入线损参数，求取各输入的线损参数的样本发生概率，并用最大概率类别来表示线损所对应的类别。
将线损参考指标输入深度神经网络模型，深度神经网络模型输出为最大期望算法的分群结果，分群结果包括线损正常和线损异；
经过预设次数的异常点和正常点的训练，得到输入线损参数对应输出为线损判断结果的线损异常识别模型。
经充分训练后的深度神经网络模型作为线损异常准确识别模型，结合线损异常规则库，实现线损异常的准确识别，并采取相关管理手段避免发生事故。
本发明提供的一种配电网的线损异常识别模型的构建方法，通过获取配电网中各个节点的线损参数，计算配电网中各个节点的线损率；根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点；以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型。通过构建线损异常识别模型能够实现线损异常的准确识别，识别过程的计算量和复杂度较低。
应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种配电网的线损异常识别模型的构建方法，其特征在于，所述方法包括：
获取配电网中各个节点的线损参数，计算配电网中各个节点的线损率；
根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点；
以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型。
2.如权利要求1所述的配电网的线损异常识别模型的构建方法，其特征在于，所述计算配电网中各个节点的线损率，具体包括：
获取所述配电网中各个单元线路的电阻值和电能表的抄表电量计算的等值电阻值；
根据所述电阻值和所述等值电阻值采用等值电阻法计算各个节点的线损率。
3.如权利要求1所述的配电网的线损异常识别模型的构建方法，其特征在于，所述线损参数包括：变压器的性质、变压器的型号、变压器的阻抗电压、变压器的短路损耗、高低压侧的额定电流、高低压侧的绝缘介质、高低压侧的电压比、节点的温度、节点的湿度和节点的空气质量。
4.如权利要求1所述的配电网的线损异常识别模型的构建方法，其特征在于，所述根据混合高斯模型和3σ准则，各个节点按照线损率分为正常点和异常点，具体包括：
利用混合高斯模型θ＝{wj,mj,∑j}的数据仿真性能，拟合配电网的节点的统计线损率；
基于3σ准则对节点的统计线损率进行判断，当统计线损率小于预设的阈值时，判定对应的节点为异常点；当统计线损率不小于所述阈值时，判定对应的节点为正常点；
基于3σ准则完成每一节点的统计线损率的判断，将各个节点分为正常点和异常点；
其中，j＝1,2,...,M，M表示高斯分布的个数，wj、mj和∑j分别表示第j个高斯分布的权值、均值以及协方差。
5.如权利要求1所述的配电网的线损异常识别模型的构建方法，其特征在于，所述深度神经网络模型包括四个隐藏层和一个输出层，每一隐藏层存在25个神经元，隐藏层的传递函数为双曲正切函数，输出层的传递函数为线性传递函数；
所述深度神经网络模型的学习算法为梯度下降法，所述深度神经网络模型的均方误差函数为性能函数。
6.如权利要求1所述的配电网的线损异常识别模型的构建方法，其特征在于，所述以各个节点的线损参数作为深度神经网络模型的输入，以正常点和异常点的分群结果作为输出所述深度神经网络模型的输出，训练得到线损异常识别模型，具体包括：
将异常点的线损参数输入到深度神经网络模型中，深度神经网络模型的输出为最大期望算法的分群结果，将异常点输出的分群结果标记为线损异常；
将正常点的线损参数输入到深度神经网络模型中，深度神经网络模型的输出为最大期望算法的分群结果，将正常点输出的分群结果标记为线损正常；
经过预设次数的异常点和正常点的训练，得到输入线损参数对应输出为线损判断结果的线损异常识别模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111416513.7A CN114200245A (zh) | 2021-11-19 | 2021-11-19 | 一种配电网的线损异常识别模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111416513.7A CN114200245A (zh) | 2021-11-19 | 2021-11-19 | 一种配电网的线损异常识别模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114200245A true CN114200245A (zh) | 2022-03-18 |
Family
ID=80649032
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111416513.7A Pending CN114200245A (zh) | 2021-11-19 | 2021-11-19 | 一种配电网的线损异常识别模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114200245A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839586A (zh) * | 2022-05-12 | 2022-08-02 | 烟台东方威思顿电气有限公司 | 基于em算法的低压台区计量装置失准计算方法 |
| CN116298675A (zh) * | 2023-02-15 | 2023-06-23 | 东北电力大学 | 一种基于智能算法的配电网线损异常检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120221265A1 (en) * | 2011-02-28 | 2012-08-30 | International Business Machines Corporation | Systems and methods for phase identification |
| CN108520357A (zh) * | 2018-04-10 | 2018-09-11 | 北京中电普华信息技术有限公司 | 一种线损异常原因的判别方法、装置及服务器 |
| CN109376366A (zh) * | 2018-08-09 | 2019-02-22 | 国网北京市电力公司 | 一种异常线损影响因素的分析方法及装置 |
| CN109767109A (zh) * | 2019-01-03 | 2019-05-17 | 南京海兴电网技术有限公司 | 基于神经网络的异常线损率台区识别方法 |
-
2021
- 2021-11-19 CN CN202111416513.7A patent/CN114200245A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120221265A1 (en) * | 2011-02-28 | 2012-08-30 | International Business Machines Corporation | Systems and methods for phase identification |
| CN108520357A (zh) * | 2018-04-10 | 2018-09-11 | 北京中电普华信息技术有限公司 | 一种线损异常原因的判别方法、装置及服务器 |
| CN109376366A (zh) * | 2018-08-09 | 2019-02-22 | 国网北京市电力公司 | 一种异常线损影响因素的分析方法及装置 |
| CN109767109A (zh) * | 2019-01-03 | 2019-05-17 | 南京海兴电网技术有限公司 | 基于神经网络的异常线损率台区识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马喆非 等: ""低压配电网线损异常智能识别方法"", 《自动化技术与应用》, vol. 40, no. 8, 25 August 2021 (2021-08-25), pages 11 - 15 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114839586A (zh) * | 2022-05-12 | 2022-08-02 | 烟台东方威思顿电气有限公司 | 基于em算法的低压台区计量装置失准计算方法 |
| CN116298675A (zh) * | 2023-02-15 | 2023-06-23 | 东北电力大学 | 一种基于智能算法的配电网线损异常检测方法及系统 |
| CN116298675B (zh) * | 2023-02-15 | 2023-09-22 | 东北电力大学 | 一种基于智能算法的配电网线损异常检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
| CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
| CN111722046B (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
| CN110084433B (zh) | 基于高斯混合模型的风电功率预测误差分段拟合方法 | |
| US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
| CN106485262A (zh) | 一种母线负荷预测方法 | |
| CN114200245A (zh) | 一种配电网的线损异常识别模型的构建方法 | |
| CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
| CN110795690A (zh) | 风电场运行异常数据检测方法 | |
| CN113177587B (zh) | 基于主动学习和变分自编码器的广义零样本目标分类方法 | |
| CN114114039A (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
| CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
| CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
| CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
| CN106067034A (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
| CN112884570A (zh) | 一种模型安全性的确定方法、装置和设备 | |
| CN110008914A (zh) | 一种基于神经网络的模式识别系统及识别方法 | |
| CN114676749A (zh) | 一种基于数据挖掘的配电网运行数据异常判定方法 | |
| CN116128544A (zh) | 一种电力营销异常营业数据的主动稽核方法和系统 | |
| CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
| CN115081515A (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
| CN114626487A (zh) | 基于随机森林分类算法的线变关系校核方法 | |
| CN104537383A (zh) | 一种基于粒子群的海量组织机构数据分类方法及系统 | |
| CN110544047A (zh) | 一种不良数据辨识方法 | |
| CN112966735B (zh) | 一种基于谱重建的监督多集相关特征融合方法 |
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 |