CN114217106B - 一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法 - Google Patents

一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法 Download PDF

Info

Publication number
CN114217106B
CN114217106B CN202111531156.9A CN202111531156A CN114217106B CN 114217106 B CN114217106 B CN 114217106B CN 202111531156 A CN202111531156 A CN 202111531156A CN 114217106 B CN114217106 B CN 114217106B
Authority
CN
China
Prior art keywords
sequence
model
meter reading
reading data
data
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.)
Active
Application number
CN202111531156.9A
Other languages
English (en)
Other versions
CN114217106A (zh
Inventor
于春雨
陈佳伟
欧阳福浩
张庆海
郭阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Technology
Original Assignee
Qingdao University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao University of Technology filed Critical Qingdao University of Technology
Priority to CN202111531156.9A priority Critical patent/CN114217106B/zh
Publication of CN114217106A publication Critical patent/CN114217106A/zh
Application granted granted Critical
Publication of CN114217106B publication Critical patent/CN114217106B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • G01R11/02—Constructional details
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
    • G01R11/02—Constructional details
    • G01R11/24—Arrangements for avoiding or indicating fraudulent use

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于改进GM(1，1)模型的智能电能表集抄数据二次研判方法，将首次出账失败的集抄数据视为异常集抄数据，对首次出账失败的异常集抄数据进行二次研判，在保证用户及供电公司双方利益基础上，尽最大可能利用集抄数据进行出账，减少人工核抄，增加企业经济效益。

Description

一种基于改进GM(1，1)模型的智能电能表集抄数据二次研判 方法
技术领域
本申请涉及供、配电系统用户用电量集抄数据管理领域，特别涉及一种基于改进GM(1，1)模型的智能电能表集抄数据二次研判方法。
背景技术
用电信息采集工作是电力企业营销工作的重要环节，2010年，国家电网公司大力开展用户用电信息采集系统建设，截止目前，对于低压用户，我国已基本实现集中抄表(简称集抄)全覆盖。但由于采集设备故障、采集通信故障、通信无码、档案临时差错、天气影响、用户窃电、数据失真等问题的存在，导致一些集抄数据存在缺失、信息忽大忽小、有毛刺点等现象，若处理不当，直接影响用户及供电企业的切身利益。为了解决这一问题，目前供电公司多采用人工核抄的办法。由于我国智能电能表安装数量巨大，导致集抄数据量巨大，即使仅有少量集抄数据异常，人工核抄成本也是相当巨大的，其结果导致企业的人力成本增加，减员增益的目的难以达成。
因此，如何充分利用集抄数据信息进行出账，减少人工核抄，降低企业运行成本，是值得深入探讨与研究的问题。
目前，现有技术中，针对集抄失败，更多的是探讨集抄数据异常的原因，均未对首次出账失败的集抄数据如何二次出账进行探讨。
发明内容
为了解决上述问题，本申请采用改进的GM(1，1)模型对首次出账失败的集抄数据进行二次研判，在保证用户及供电公司双方利益基础上，实现集抄数据二次出账，减少人工核抄，增加企业经济效益。
在本申请的一些实施例中，一种基于改进GM(1，1)模型的智能电能表集抄数据二次研判方法，包括以下步骤：
一、对于首次出账失败的集抄数据，经过数据检验，剔除必须人工出账的用户信息；再进行二次出账研判；
二、记第i天采集示数为xi，
(1)对于原始数据数列X(0)＝[x(0)(1)，x(0)(2)，…，x(0)(n)]，(i＝1，2，…，n)，若想预测x(0)(n+1)，首先预测x(0)(n)；
(2)分别以x(0)(i)作为序列的初值，以x(0)(n-1)作为序列终值，构成新的序列
Figure BDA0003410713950000011
(i＝1，2，…，n-4)；当以x(0)(n-4)作为序列初值时，仍有x(0)(n-4)、x(0)(n-3)、x(0)(n-2)、x(0)(n-1)用于GM(1，1)模型，满足模型预测需求；
(3)分别以x(0)(i)作为序列的初值预测x(0)(n-1)，获得一系列残差；
(4)残差最小时，所对应的数据序列记为
Figure BDA0003410713950000021
/>
(5)舍弃x(0)(k0)，补充x(0)(n)，重新构成序列
Figure BDA0003410713950000022
(保持与/>
Figure BDA0003410713950000023
序列数据维数不变)；
(6)重复传统GM(1，1)模型建立计算过程，预测x(0)(n+1)；
将以
Figure BDA0003410713950000024
为基础构建的GM(1，1)模型称之为改进GM(1，1)模型。
在本申请的一些实施例中，所述数据检验为
原始数据序列X(0)＝[x(0)(1)，x(0)(2)，...，x(0)(n)]，x(0)(i)≥0(i＝1，2，…，n)，且等间隔；
X(0)的级比λ(i)为
Figure BDA0003410713950000025
λ(i)若满足
Figure BDA0003410713950000026
则X(0)适用于GM(1，1)模型；
记X(0)的光滑比ρ(i)为
Figure BDA0003410713950000027
准光滑比为
Figure BDA0003410713950000028
若0≤ρ(i)≤0.5，且0≤zρ(i)≤1，则X(0)通过光滑比检验。
级比检验与光滑比检验均通过，则判定通过检验。
在本申请的一些实施例中，若级比检验或光滑比检验未通过，则将X(0)按下式进行平移变换；
z(0)(i)＝x(0)(i)+c，i＝1，2，…，n (3)
式中，c为常数，得到新的数据系列Z(0)＝[z(0)(1)，z(0)(2)，…，z(0)(n)]，使得新数据系列z(0)的级比满足：
Figure BDA0003410713950000029
光滑比符合
Figure BDA00034107139500000210
准光滑比符合
Figure BDA00034107139500000211
在本申请的一些实施例中，所述传统GM(1，1)模型建立为：
对于X(0)＝[x(0)(1)，x(0)(2)，…，x(0)(n)]，通过累加运算，得到X(0)的1-AGO序列X(1)，相较X(0)，X(1)平稳性更强：
X(1)＝[x(1)(1)，x(1)(2)，…，x(1)(n)] (7)
其中，x(1)(k)可由下式求得；
Figure BDA0003410713950000031
X(1)的紧邻均值生成序列Z(1)为
Z(1)＝[z(1)(2)，z(1)(3)，…，z(1)(n)] (8)
式中：z(1)(k)为背景值，由下式计算：
Figure BDA0003410713950000032
GM(1，1)模型的基本形式为
x(0)(k)+az(1)(k)＝b (10)
其相应的白化方程为
Figure BDA0003410713950000033
式中：a为发展系数；b为灰色变量；由下式求得，t为时间：
Figure BDA0003410713950000034
式中：
Figure BDA0003410713950000035
为发展系数阵列；Y和B分别由式(13)、(14)求得：
Y＝[x(0)(2)，x(0)(3)，…，x(0)(n)]T (13)
Figure BDA0003410713950000036
初始条件x(1)(1)＝x(0)(1)，白化方程的时间响应函数为
Figure BDA0003410713950000037
令t＝k，灰色微分方程的时间响应序列为
Figure BDA0003410713950000038
对
Figure BDA0003410713950000039
进行逆累加生成还原得
Figure BDA00034107139500000310
在本申请的一些实施例中，所述二次出账研判具体为：
按每月30天计算，集抄数据记为x1，x2，…，x29，x30，若想预测x30，需首先预测x29，
分别以x1，x2，…，x25作为初值构成序列，预测x29，求得每次预测的残差，残差最小时所对应的序列初值即为x(k0)；删除x(k0)，以x(k0+1)作为初值、集抄数据x29作为终值，构成新的预测序列，再用该新序列预测x30，获得残差，当残差小于1时，即可实现集抄数据二次出账研判；否则，需人工出账。
结合附图阅读本申请的具体实施方式后，本申请的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域技术人员来讲，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是全数据GM(1，1)与最小二乘法预测结果误差对比图；
图2是全数据GM(1，1)、最小二乘法预测结果以及改进GM(1，1)误差对比图；
1-最小二乘法预测结果残差曲线，2-传统GM(1，1)预测结果残差曲线，3-改进GM(1，1)预测结果残差曲线。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
根据《国家电网公司电费抄核工作规范》，在用电信息采集系统中，智能电能表每日过零点自动转存当日电能量数据，采集终端将智能电能表的日冻结数据上传至主站，这类抄回的用户电能量使用值数据即为集抄数据。
GM(1，1)模型
1.1数据检验
记原始数据序列为
X(0)＝[x(0)(1)，x(0)(2)，…，x(0)(n)]，x(0)(i)≥0
(i＝1，2，…，n)，且等间隔。X(0)的级比λ(i)为
Figure BDA0003410713950000041
λ(i)若满足
Figure BDA0003410713950000042
则X(0)适用于GM(1，1)模型。
记X(0)的光滑比ρ(i)为
Figure BDA0003410713950000043
准光滑比为
Figure BDA0003410713950000044
若0≤ρ(i)≤0.5，且0≤zρ(i)≤1，则X(0)通过光滑比检验。
级比检验与光滑比检验均通过，则判定通过检验；否则，将X(0)按式(3)进行平移变换。
z(0)(i)＝x(0)(i)+c，i＝1，2，…，n (3)
式中，c为常数。得到新的数据系列Z(0)＝[z(0)(1)，z(0)(2)，…，z(0)(n)]，使得新数据系列z(0)的级比满足：
Figure BDA0003410713950000051
光滑比符合
Figure BDA0003410713950000052
准光滑比符合
Figure BDA0003410713950000053
1.2传统GM(1，1)模型建立
对于X(0)＝[x(0)(1)，x(0)(2)，…，x(0)(n)]，可通过累加运算，得到X(0)的1-AGO序列X(1)，相较X(0)，X(1)平稳性更强。
X(1)＝[x(1)(1)，x(1)(2)，…，x(1)(n)] (7)
其中，x(1)(k)可由下式求得。
Figure BDA0003410713950000054
X(1)的紧邻均值生成序列Z(1)为
Z(1)＝[z(1)(2)，z(1)(3)，…，z(1)(n)] (8)
式中：z(1)(k)为背景值，可由下式计算。
Figure BDA0003410713950000055
GM(1，1)模型的基本形式为
x(0)(k)+az(1)(k)＝b (10)
其相应的白化方程为
Figure BDA0003410713950000056
式中：a为发展系数；b为灰色变量；可由式(12)求得。t为时间。
Figure BDA0003410713950000057
式中：
Figure BDA0003410713950000058
为发展系数阵列；Y和B分别由式(13)、(14)求得。
Y＝[x(0)(2)，x(0)(3)，…，x(0)(n)]T (13)
Figure BDA0003410713950000059
初始条件x(1)(1)＝x(0)(1)，白化方程的时间响应函数为
Figure BDA0003410713950000061
令t＝k，灰色微分方程的时间响应序列为
Figure BDA0003410713950000062
对
Figure BDA0003410713950000063
进行逆累加生成还原得/>
Figure BDA0003410713950000064
1.3改进的GM(1，1)模型
传统GM(1，1)模型以x(0)(1)作为初值，因此在坐标平面内，GM(1，1)模型的拟合曲线必通过点(1，x(0)(1))，这与变形过程不符，势必导致预测结果偏差较大。因此，需对GM(1，1)模型进行改进。
具体方法如下：
(1)对于X(0)＝[x(0)(1)，x(0)(2)，…，x(0)(n)]，(i＝1，2，…，n)，若想预测x(0)(n+1)，首先预测x(0)(n)。
(2)分别以x(0)(i)作为序列的初值，以x(0)(n-1)作为序列终值，构成新的序列
Figure BDA0003410713950000065
当以x(0)(n-4)作为序列初值时，仍有x(0)(n-4)、x(0)(n-3)、x(0)(n-2)、x(0)(n-1)用于GM(1，1)模型，满足模型预测需求。
(3)分别以x(0)(i)作为序列的初值预测x(0)(n-1)，获得一系列残差。
(4)残差最小时，所对应的数据序列记为
Figure BDA0003410713950000066
(5)舍弃x(0)(k0)，补充x(0)(n)，重新构成序列
Figure BDA0003410713950000067
(保持与/>
Figure BDA0003410713950000068
序列数据维数不变)，
(6)重复1.1～1.2节计算过程，预测x(0)(n+1)。
为区别传统GM(1，1)模型，将以
Figure BDA0003410713950000069
为基础构建的GM(1，1)模型称之为改进GM(1，1)模型。
作为优选地，所述进行二次出账研判为：
按每月30天计算，集抄数据记为x1，x2，…，x29，x30，依据改进的GM(1，1)模型计算过程，若想预测x30，需首先预测x29：
分别以x1，x2，…，x25作为初值构成序列，预测x29，求得每次预测的残差，残差最小时所对应的序列初值即为x(k0)；删除x(k0)，以x(k0+1)作为初值、集抄数据x29作为终值，构成新的预测序列，再用该新序列预测x30，获得残差，当残差小于1时，即可实现集抄数据二次出账研判；否则，需人工出账。
工程应用实例
2.1数据来源
原始数据来源于国家电网公司电力信息采集系统，选取上海市长宁区某区域2019年5月出账数据(4月集抄数据)，该区域4月有11546条集抄数据符合出账规则，可直接出账；余下8905条集抄数据，其中新装智能电能表为109台，当月全部日集抄数据缺失的94台，未出现飞走、倒走等情况；对其余8702条集抄数据进行二次出账研判。以20个用户集抄数据为例进行二次出账研判。
2.2基于最小二乘法的实例验证
目前，关于集抄数据二次出账一般采用最小二乘法进行二次出账研判，结果如表1所示。
表1 最小二乘法的预测结果
Figure BDA0003410713950000071
由表1可知，采用最小二乘法进行预测时，残差高达207.7663kWh，以该种预测方法作为集抄数据二次出账研判依据势必存在较大误差。
2.3基于传统GM(1，1)模型的实例验证
采用所述传统GM(1，1)模型建立计算过程，采用原始GM(1，1)模型对以上20个用户数据进行出账研判。
5月出账数据为4月用户用电信息，因为4月有30天，要对月末一天进行预测，故
Figure BDA0003410713950000072
20个用户数据的级比均在(0.9355，1.0689)区间，光滑比均在[0，0.5]区间，准光滑比均在[0，1]区间，故可用原始GM(1，1)模型进行预测，结果如表2所示：
表2 传统GM(1，1)的预测结果
Figure BDA0003410713950000073
/>
Figure BDA0003410713950000081
由表2，仅有个别残差合格，大部分残差未能通过残差检验；相对误差最大值为5.0717‰，因此，从相对误差角度来说，预测精度较高；后验差检验中，C＝0.0007，P＝1，精度均为1级。
由表2与图1可知，二种方法预测结果及残差趋势一致，相比传统的最小二乘法，原始GM(1，1)预测结果更好一些，相对误差检验及后验差检验说明预测精度较高，但是残差最大值达到168.3845kwh，预测值与原始值残差太大，预测效果不理想。
2.4基于改进GM(1，1)的实例验证
k0从1到25依次取值，X(0)＝[x(0)(k0)，x(0)(k0+1)，…，x(0)(n)]的级比分别如表3所示。
表3 不同k0级比对应表
Figure BDA0003410713950000082
/>
Figure BDA0003410713950000091
20个用户数据的级比均、光滑比、准光滑比均通过检验，故可用改进GM(1，1)模型进行预测，结果如表4所示。
表4 改进GM(1，1)预测结果
Figure BDA0003410713950000092
由表4，所有残差绝对值均小于1，说明改进GM(1，1)模型拟合精度高；相对误差最大值为0.2400‰，因此，从相对误差角度来说，预测模型达到了很高的精度；后验差检验中，C＝4.83×10-5，P＝1，精度均为1级。
2.5预测结果比较
3种方法的预测结果与营销出账数据对比见表5。
表5 3种方法预测结果与营销出账数据表
Figure BDA0003410713950000093
/>
Figure BDA0003410713950000101
由表5可知，3种方法所获得的预测结果在变化趋势上一致，改进GM(1，1)模型所预测的结果与出账数据最为接近，3种方法预测结果残差如图2所示。
从图2可以看出，改进GM(1，1)模型预测结果残差最小，且基本恒定。
显然，最小二乘法的预测结果残差最大，传统GM(1，1)模型的预测效果虽有所提升，但是残差依旧很大，不能满足实际需要，改进GM(1，1)模型的预测效果最好，更满足实际需求。究其原因，主要是不同用户的用电数据特点不同，按每月30天计算，若采用传统GM(1，1)模型进行预测，需要用前29天集抄数据预测第30天集抄数据，也就是说，不论用户前29天集抄数据特点如何，全数据GM(1，1)模型都要用前29天集抄数据去预测第30天用电数据。而改进GM(1，1)模型通过寻找合适的k0，调整参与预测数据的数量，进而达到预期效果。
以上海市长宁区首次出账失败的集抄数据作为样本进行试验，将预测结果与集抄数据进行对比，准确率达到99％以上。因此，改进的模型可以取得更好的预测效果。
提出方法已在国网上海市电力公司进行试用，验证了改进GM(1，1)预测精度的有效性。
以上实施例仅用以说明本申请的技术方案，而非对其进行限制；尽管参照前述实施例对本申请进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述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；而这些修改或替换，并不使相应技术方案的本质脱离本申请所要求保护的技术方案的精神和范围。

Claims (5)

1.一种基于改进GM(1,1)模型的智能电能表集抄数据二次研判方法，其特征在于，包括以下步骤：
一、对于首次出账失败的异常集抄数据，经过数据检验，剔除必须人工出账的用户信息；再进行二次出账研判；
二、所述二次出账研判为：
记第i天采集示数为xi，
(1)对于原始数据数列X(0)＝[x(0)(1),x(0)(2),…,x(0)(n)]，(i＝1,2,…,n)，若想预测x(0)(n+1)，首先预测x(0)(n)；
(2)分别以x(0)(i)作为序列的初值，以x(0)(n-1)作为序列终值，构成新的序列
Figure FDA0004187134310000011
当以x(0)(n-4)作为序列初值时，仍有x(0)(n-4)、x(0)(n-3)、x(0)(n-2)、x(0)(n-1)用于GM(l,1)模型，满足模型预测需求；
(3)分别以x(0)(i)作为序列的初值预测x(0)(n-1)，获得一系列残差；
(4)残差最小时，所对应的数据序列记为
Figure FDA0004187134310000012
(5)舍弃x(0)(k0)，补充x(0)(n)，重新构成序列
Figure FDA0004187134310000013
保持与/>
Figure FDA0004187134310000014
序列数据维数不变；
(6)重复传统GM(1,1)模型建立计算过程，预测x(0)(n+1)；
将以
Figure FDA0004187134310000015
为基础构建的GM(l,1)模型称之为改进GM(l,1)模型。
2.根据权利要求1所述的一种基于改进GM(1,1)模型的智能电能表集抄数据二次研判方法，其特征在于，所述数据检验为
原始数据序列X(0)＝[x(0)(1),x(0)(2),…,x(0)(n)],x(0)(i)≥0 i＝1,2,…,n，且等间隔；
X(0)的级比λ(i)为
Figure FDA0004187134310000016
λ(i)若满足
Figure FDA0004187134310000017
则X(0)适用于GM(1,1)模型；
记X(0)的光滑比ρ(i)为
Figure FDA0004187134310000018
准光滑比为
Figure FDA0004187134310000019
若0≤ρ(i)≤0.5，且0≤zρ(i)≤1，则X(0)通过光滑比检验；
级比检验与光滑比检验均通过，则判定通过检验。
3.根据权利要求2所述的一种基于改进GM(1,1)模型的智能电能表集抄数据二次研判方法，其特征在于，
若级比检验或光滑比检验未通过，则将X(0)按下式进行平移变换；
z(0)(i)＝x(0)(i)+c,i＝1,2,…,n (3)
式中，c为常数，得到新的数据系列Z(0)＝[z(0)(1),z(0)(2),…,z(0)(n)]，使得新数据系列
Z(0)的级比满足：
Figure FDA0004187134310000021
光滑比符合
Figure FDA0004187134310000022
准光滑比符合
Figure FDA0004187134310000023
4.根据权利要求1所述的一种基于改进GM(1,1)模型的智能电能表集抄数据二次研判方法，其特征在于，
所述传统GM(1,1)模型建立为：
对于X(0)＝[x(0)(1),x(0)(2),…,x(0)(n)]，通过累加运算，得到X(0)的1-AGO序列X(1)，相较X(0)，X(1)平稳性更强：
X(1)＝[x(1)(1),x(1)(2),…,x(1)(n)] (7)
其中，x(1)(k)可由下式求得；
Figure FDA0004187134310000024
X(1)的紧邻均值生成序列Z(1)为
Z(1)＝[z(1)(2),z(1)(3),…,z(1)(n)] (8)
式中：z(1)(k)为背景值，由下式计算：
Figure FDA0004187134310000025
GM(l,1)模型的基本形式为
x(0)(k)+az(1)(k)＝b (10)
其相应的白化方程为
Figure FDA0004187134310000026
式中：a为发展系数；b为灰色变量；由下式求得，t为时间：
Figure FDA0004187134310000027
式中：
Figure FDA0004187134310000028
为发展系数阵列；Y和B分别由式(13)、(14)求得：
Y＝[x(0)(2),x(0)(3),…,x(0)(n)]T (13)
Figure FDA0004187134310000031
初始条件x(1)(1)＝x(0)(1)，白化方程的时间响应函数为
Figure FDA0004187134310000032
令t＝k，灰色微分方程的时间响应序列为
Figure FDA0004187134310000033
对
Figure FDA0004187134310000034
进行逆累加生成还原得
Figure FDA0004187134310000035
5.根据权利要求1所述的一种基于改进GM(1,1)模型的智能电能表集抄数据二次研判方法，其特征在于，
所述二次出账研判具体为：
按每月30天计算，集抄数据记为x1,x2,…,x29,x30，若想预测x30，需首先预测x29，
分别以x1,x2,…,x25作为初值构成序列，预测x29，求得每次预测的残差，残差最小时所对应的序列初值即为x(k0)；删除x(k0)，以x(k0+)1作为初值、集抄数据x29作为终值，构成新的预测序列，再用该新序列预测x30，获得残差，当残差小于1时，即可实现集抄数据二次出账研判；否则，需人工出账。
CN202111531156.9A 2021-12-14 2021-12-14 一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法 Active CN114217106B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111531156.9A CN114217106B (zh) 2021-12-14 2021-12-14 一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111531156.9A CN114217106B (zh) 2021-12-14 2021-12-14 一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法

Publications (2)

Publication Number Publication Date
CN114217106A CN114217106A (zh) 2022-03-22
CN114217106B true CN114217106B (zh) 2023-05-23

Family

ID=80702110

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111531156.9A Active CN114217106B (zh) 2021-12-14 2021-12-14 一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法

Country Status (1)

Country Link
CN (1) CN114217106B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239963A (zh) * 2014-08-14 2014-12-24 国家电网公司 基于灰色gm(1,1)模型查找异常电能表的方法
CN106651093A (zh) * 2016-09-22 2017-05-10 国网上海市电力公司 一种用于低压集抄系统的智能复核管控方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03165916A (ja) * 1989-11-22 1991-07-17 Nkk Corp 板厚制御方法
JP2009276956A (ja) * 2008-05-14 2009-11-26 Fujifilm Corp 画像処理装置および方法並びにプログラム
CN102707257B (zh) * 2012-06-19 2014-11-05 冀北电力有限公司计量中心 智能电表多应力极限的确定方法
TW201812586A (zh) * 2016-09-12 2018-04-01 樹德科技大學 機台保養預測系統及其方法
CN107133376A (zh) * 2017-03-27 2017-09-05 哈尔滨工程大学 一种基于灰色预测模型的自主式水下机器人推进器弱故障程度预测方法
US11204811B2 (en) * 2018-04-12 2021-12-21 Vmware, Inc. Methods and systems for estimating time remaining and right sizing usable capacities of resources of a distributed computing system
CN109472412A (zh) * 2018-11-09 2019-03-15 百度在线网络技术（北京）有限公司 一种事件的预测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239963A (zh) * 2014-08-14 2014-12-24 国家电网公司 基于灰色gm(1,1)模型查找异常电能表的方法
CN106651093A (zh) * 2016-09-22 2017-05-10 国网上海市电力公司 一种用于低压集抄系统的智能复核管控方法

Also Published As

Publication number Publication date
CN114217106A (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN105427186B (zh) 一种基于改进等值电阻法的配电网线损计算方法
CN111177650B (zh) 一种配电网电能质量监测与综合评估系统及方法
CN110988422A (zh) 一种窃电识别方法、装置及电子设备
CN107871214A (zh) 一种多能互补供能系统综合评价指标体系建立方法
CN109581130B (zh) 一种考虑电压调整措施影响的电压曲线相似度计算方法
CN109377093A (zh) 配电网项目投资效益评价方法
CN111539844B (zh) 一种基于k-l信息量和arima误差修正的月度电量预测方法
CN106530139A (zh) 电网投资分析模型指标参数计算方法
CN112163771A (zh) 一种计及增量成本的多指标综合权重可靠性电价制定方法
Liu FDI and employment by industry: A co-integration study
CN111861089A (zh) 一种电力现货市场的综合评价方法
CN111027886B (zh) 一种考虑单位成本效用的低电压治理方案的评估方法
CN115000968A (zh) 基于博弈和风电出力相关性的海上风电接入系统规划方法
CN114611842B (zh) 一种整县屋顶分布式光伏功率预测方法
Liu et al. The effect of renewable energy development on China's energy intensity: Evidence from partially linear functional-coefficient panel data analyses
CN111091223B (zh) 一种基于物联网智能感知技术的配变短期负荷预测方法
CN110533247B (zh) 一种采用气温数据异常点补偿的月度用电量预测方法
CN110390440B (zh) 一种基于聚类和深度神经网络的智能电表用户聚合负荷预测方法
CN114217106B (zh) 一种基于改进gm(1,1)模型的智能电能表集抄数据二次研判方法
CN112508254A (zh) 变电站工程项目投资预测数据的确定方法
CN105116268B (zh) 一种分压售电量和分压供电量对线损率影响的分析方法
Lin et al. Voltage sag severity analysis based on improved FP-Growth algorithm and AHP algorithm
CN106845821B (zh) 一种防覆冰舞动技改项目综合评价方法和系统
CN116485009A (zh) 一种省级碳排放测算方法
CN116106627A (zh) 一种基于电压电流不同相错误接线异常的判断方法

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
GR01 Patent grant
GR01 Patent grant