CN114676989A - 一种变压器容量校核与评估方法、系统、设备及存储介质 - Google Patents

一种变压器容量校核与评估方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN114676989A
CN114676989A CN202210257428.9A CN202210257428A CN114676989A CN 114676989 A CN114676989 A CN 114676989A CN 202210257428 A CN202210257428 A CN 202210257428A CN 114676989 A CN114676989 A CN 114676989A
Authority
CN
China
Prior art keywords
transformer
capacity
data
training
max
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
Application number
CN202210257428.9A
Other languages
English (en)
Inventor
王科
张弄韬
徐肖伟
李金富
项恩新
张贵鹏
聂永杰
李荣秦
秦忠
莫仕鑫
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid Co Ltd
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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202210257428.9A priority Critical patent/CN114676989A/zh
Publication of CN114676989A publication Critical patent/CN114676989A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
    • G01R27/26—Measuring inductance or capacitance; Measuring quality factor, e.g. by using the resonance method; Measuring loss factor; Measuring dielectric constants ; Measuring impedance or related variables
    • G01R27/2688—Measuring quality factor or dielectric loss, e.g. loss angle, or power factor
    • G01R27/2694—Measuring dielectric loss, e.g. loss angle, loss factor or power factor
    • 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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Power Engineering (AREA)
  • Algebra (AREA)

Abstract

本发明公开了一种变压器容量校核与评估方法，包括：将存疑电力用户上报的变压器容量输入至训练完成的第一神经网络模型，得到第一神经网络模型输出的变压器容量的核心因素分布区间；根据现场测试数据以及变压器容量的核心因素分布区间，计算出修正变压器容量；将现场测试数据中的空载损耗值、负载损耗值以及修正变压器容量输入至训练完成的第二神经网络模型，得到第二神经网络模型输出的变压器型号。据此，本发明基于人工智能技术，能够快速地检测出虚标变压器容量，为电网现场校验提供依据与指导，减少由于变压器容量虚标给电网带来在基本电价上的损失。

Description

一种变压器容量校核与评估方法、系统、设备及存储介质
技术领域
本发明涉及变压器容量评估技术领域，尤其涉及一种变压器容量校核与评估方法、系统、设备及存储介质。
背景技术
变压器是电力系统中的一个重要环节，它的运行情况直接影响到电力系统的可靠、经济运行。而在电网建设现场，往往存在大型电力变压器铭牌上标注的容量与其实际容量存在差异，或者部分变压器未标注其容量的情况，而变压器容量虚标会给电网带来电价上的经济损失，甚至会导致大量能源的浪费。
因此，如何快速检测出存疑的变压器容量成为急需解决的问题。
发明内容
鉴于以上所述现有技术的不足，本发明的目的在于：提供一种变压器容量校核与评估方法、系统、设备及存储介质，本发明基于人工智能技术，配置相应的神经网络模型快速地检测出存疑的变压器容量，辅助电网进行后续现场校验，有效减少变压器容量虚标/非标给电网带来在基本电价上的损失。
为实现上述发明目的，本发明提供以下技术方案：
一种基于配变物理数据及试验数据的变压器容量校核与评估方法，包括以下步骤：
S1：将存疑电力用户上报的变压器容量输入至训练完成的第一神经网络模型，得到所述第一神经网络模型输出的所述变压器容量的核心因素分布区间；
S2：根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量；
S3：将所述现场测试数据中的空载损耗值、负载损耗值以及所述修正变压器容量输入至训练完成的第二神经网络模型，得到所述第二神经网络模型输出的变压器型号。
根据一种的具体实施方式，上述基于配变物理数据及试验数据的变压器容量校核与评估方法中，所述第一神经网络模型的训练步骤包括：
步骤一：将质检机构历年抽检数据作为训练集数据，并将不同变压器的容量作为训练特征数据输入，将变压器容量核心因素分布区间作为训练的输出目标；
Figure BDA0003549279530000021
Figure BDA0003549279530000022
其中，X为训练集输入；xn表示第n台变压器的容量；矩阵Y第n行表示第n台变压器容量对应的特征数据，矩阵第一、二列表示变压器体积的上下限，第三、四列表示变压器重量的上下限，第五、六列表示变压器直流电阻的上下限，第七、八列表示变压器空载损耗的上下限，第九、十列表示变压器负载损耗的上下限，第十一、十二列表示变压器短路阻抗的上下限；
步骤二：构建变压器容量核心因素数据分布模型；
Ypre＝f(Xin)＝tanh(tanh(Xin×W1+B1)×W2+B2)
其中，Xin为输入的特征数据，即各变压器的容量；W1、W2为网络权重参数；B1、B2为偏置参数；Ypre为输出的变压器容量核心因素分布区间；tanh()为双曲正切函数；
步骤三：训练网络，并通过梯度下降方法，优化参数W1、W2、B1、B2，满足以下优化条件，即训练完成；
Figure BDA0003549279530000023
其中，Xtra为训练时输入的特征数据，Ytra为训练时输出的变压器容量核心因素分布区间。
根据一种的具体实施方式，上述基于配变物理数据及试验数据的变压器容量校核与评估方法中，根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量的步骤包括：
步骤一：通过现场测试，得到现场测试数据，其中，核心因素数据为；
CF＝[d1 d2 d3 d4 d5 d6]
其中，d1表示变压器体积、d2表示变压器重量、d3表示变压器直流电阻、d4表示变压器空载损耗、d5表示变压器负载损耗、d6表示变压器短路阻抗；
步骤二：判断所述核心因素数据是否分布在所述变压器容量的核心因素分布区间内，以及判断所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差是否小于预设阈值；
所述变压器容量的核心因素分布区间为：
y'n＝[ymax,1 ymin,2 L ymax,11 ymin,12]
其中，所述变压器容量的核心因素分布区间的上限、下限和中点分别为：
ymax＝[ymax,1 ymax,3 ymax,5 ymax,7 ymax,9 ymax,11]
ymin＝[ymin,2 ymin,4 ymin,6 ymin,8 ymin,10 ymin,12]
Figure BDA0003549279530000031
所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差为：
Figure BDA0003549279530000032
当ymin≤CF≤ymax，则表明所述核心因素数据分布在所述变压器容量的核心因素分布区间内；当Mobj小于预设阈值时,则表示电力用户没有虚报变压器容量，当Mobj超过预设阈值时，则表示电力用户虚报变压器容量；
步骤三：当电力用户虚报变压器容量时，对变压器容量进行无约束优化，以满足ymin≤CF≤ymax以及Mobj小于预设阈值；即，
Figure BDA0003549279530000033
其中，α1、β1、α2、β2为惩罚系数；
以及，计算目标函数obj(Sn)对电力用户上报的变压器容量S的导数，并通过梯度下降法计算出修正变压器容量；其中，
所述目标函数obj(Sn)对电力用户上报的变压器容量S的导数为：
Figure BDA0003549279530000041
其中，
Figure BDA0003549279530000042
Figure BDA0003549279530000043
Figure BDA0003549279530000044
Figure BDA0003549279530000045
Figure BDA0003549279530000046
Figure BDA0003549279530000047
Figure BDA0003549279530000048
其中，Sn为输入的特征数据，即各变压器的容量；
Figure BDA0003549279530000049
为网络权重参数；bi、bj为偏置参数；tanh()为双曲正切函数；
通过梯度下降法计算出修正变压器容量的方式为：
Figure BDA00035492795300000410
其中，S'为修正变压器容量，ξ为步长系数。
根据一种的具体实施方式，上述基于配变物理数据及试验数据的变压器容量校核与评估方法中，所述第二神经网络模型的训练步骤包括：
步骤一：将质检机构历年抽检数据作为训练集数据，并空载损耗值、负载损耗值及变压器容量作为训练特征数据输入，将变压器型号作为训练的输出目标；
步骤二：构建空负载损耗值对比校核模型；
Ypre＝f(Zin)＝tanh(tanh(Zin×W3+B3)×W4+B4)
其中，Zin为输入的特征数据，即空载损耗值、负载损耗值及变压器容量；W3、W4为网络权重参数；B3、B4为偏置参数；Ypre为网络输出，是变压器型号；tanh()为双曲正切函数；
步骤三：训练网络，并通过梯度下降方法，优化参数W3、W4、B3、B4，满足以下优化条件，即训练完成；
Figure BDA0003549279530000051
其中，Xtra为训练时输入的特征数据，Ytra为训练时输出的变压器型号。
另一方面，提供一种系统，包括：
第一神经网络模块，用于运行训练完成的第一神经网络模型，以根据输入的存疑电力用户上报的变压器容量，对应输出所述变压器容量的核心因素分布区间；
变压器容量修正模块，用于根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量；
第二神经网络模块，用于运行训练完成的第二神经网络模型，以根据输入的所述现场测试数据中的空载损耗值、负载损耗值以及所述修正变压器容量，对应输出变压器型号。
根据一种具体的实施方式，上述系统中，所述第一神经网络模型的训练方式包括以下步骤：
步骤一：将质检机构历年抽检数据作为训练集数据，并将不同变压器的容量作为训练特征数据输入，将变压器容量核心因素分布区间作为训练的输出目标；
Figure BDA0003549279530000052
Figure BDA0003549279530000061
其中，X为训练集输入；xn表示第n台变压器的容量；式②中：矩阵第n行表示第n台变压器容量对应的特征数据，矩阵第一、二列表示变压器体积的上下限，第三、四列表示变压器重量的上下限，第五、六列表示变压器直流电阻的上下限，第七、八列表示变压器空载损耗的上下限，第九、十列表示变压器负载损耗的上下限，第十一、十二列表示变压器短路阻抗的上下限；
步骤二：构建变压器容量核心因素数据分布模型；
Ypre＝f(Xin)＝tanh(tanh(Xin×W1+B1)×W2+B2)
其中，Xin为输入的特征数据，即各变压器的容量；W1、W2为网络权重参数；B1、B2为偏置参数；Ypre为输出的变压器容量核心因素分布区间；tanh()为双曲正切函数；
步骤三：训练网络，并通过梯度下降方法，优化参数W1、W2、B1、B2，满足以下优化条件，即训练完成；
Figure BDA0003549279530000062
其中，Xtra为训练时输入的特征数据，Ytra为训练时输出的变压器容量核心因素分布区间。
根据一种具体的实施方式，上述系统中，所述变压器容量修正模块，用于判断所述现场测试数据中的核心因素数据是否分布在所述变压器容量的核心因素分布区间内，以及判断所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差是否小于预设阈值；其中，所述核心因素数据为；
CF＝[d1 d2 d3 d4 d5 d6]
其中，d1表示变压器体积、d2表示变压器重量、d3表示变压器直流电阻、d4表示变压器空载损耗、d5表示变压器负载损耗、d6表示变压器短路阻抗；
所述变压器容量的核心因素分布区间为：
y'n＝[ymax,1 ymin,2 L ymax,11 ymin,12]
其中，所述变压器容量的核心因素分布区间的上限、下限和中点分别为：
ymax＝[ymax,1 ymax,3 ymax,5 ymax,7 ymax,9 ymax,11]
ymin＝[ymin,2 ymin,4 ymin,6 ymin,8 ymin,10 ymin,12]
Figure BDA0003549279530000071
所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差为：
Figure BDA0003549279530000072
当ymin≤CF≤ymax，则表明所述核心因素数据分布在所述变压器容量的核心因素分布区间内；当Mobj小于预设阈值时,则表示电力用户没有虚报变压器容量，当Mobj超过预设阈值时，则表示电力用户虚报变压器容量；
步骤三：当电力用户虚报变压器容量时，对变压器容量进行无约束优化，以满足ymin≤CF≤ymax以及Mobj小于预设阈值；即，
Figure BDA0003549279530000073
其中，α1、β1、α2、β2为惩罚系数；
以及，计算目标函数obj(Sn)对电力用户上报的变压器容量S的导数，并通过梯度下降法计算出修正变压器容量；其中，
所述目标函数obj(Sn)对电力用户上报的变压器容量S的导数为：
Figure BDA0003549279530000074
其中，
Figure BDA0003549279530000075
Figure BDA0003549279530000076
Figure BDA0003549279530000077
Figure BDA0003549279530000078
Figure BDA0003549279530000081
Figure BDA0003549279530000082
Figure BDA0003549279530000083
其中，Sn为输入的特征数据，即各变压器的容量；
Figure BDA0003549279530000084
为网络权重参数；bi、bj为偏置参数；tanh()为双曲正切函数；
通过梯度下降法计算出修正变压器容量的方式为：
Figure BDA0003549279530000085
其中，S'为修正变压器容量，ξ为步长系数。
根据一种具体的实施方式，上述系统中，所述第二神经网络模型的训练方式包括以下步骤：
步骤一：将质检机构历年抽检数据作为训练集数据，并空载损耗值、负载损耗值及变压器容量作为训练特征数据输入，将变压器型号作为训练的输出目标；
步骤二：构建空负载损耗值对比校核模型；
Ypre＝f(Zin)＝tanh(tanh(Zin×W3+B3)×W4+B4)
其中，Zin为输入的特征数据，即空载损耗值、负载损耗值及变压器容量；W3、W4为网络权重参数；B3、B4为偏置参数；Ypre为网络输出，是变压器型号；tanh()为双曲正切函数；
步骤三：训练网络，并通过梯度下降方法，优化参数W3、W4、B3、B4，满足以下优化条件，即训练完成；
Figure BDA0003549279530000086
其中，Xtra为训练时输入的特征数据，Ytra为训练时输出的变压器型号。
另一方面，还提供一种计算机存储介质，所述计算机存储介质中存储有程序指令，所述程序指令被执行时，实现上述变压器容量校核与评估方法。
另一方面，还提供一种计算机设备，其包括处理器和计算机存储介质，其特征在于，所述计算机存储介质中存储的程序指令被所述处理器执行时，实现如权利要求上述变压器容量校核与评估方法。
与现有技术相比，本发明的有益效果：
本发明实施例所提供的变压器容量校核与评估方法，基于人工智能技术，确定变压器的容量核心分布区间(配变物理数据)，进而基于变压器的配变物理数据及现场测试数据对存疑变压器容量进行识别与修正，利用修正后的变压器容量快递确定变压器型号；据此，本发明能够快速地检测出虚标变压器容量，为电网现场校验提供依据与指导，减少由于变压器容量虚标给电网带来在基本电价上的损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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一些实施例，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。
其中：
图1为一个实施例中变压器容量校核与评估方法流程示意图；
图2为一个实施例中变压器容量校核与评估方法流程示意图；
图3为一个实施例中变压器容量校核与评估系统结构框图；
图4为本发明方法在计算机设备中处理器与计算机存储介质之间的交互示意图。
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作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。
实施例1
图1示出了本发明示例性实施例的基于配变物理数据及试验数据的变压器容量校核与评估方法，包括以下步骤：
S1：将存疑电力用户上报的变压器容量输入至训练完成的第一神经网络模型，得到所述第一神经网络模型输出的所述变压器容量的核心因素分布区间；
S2：根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量；
S3：将所述现场测试数据中的空载损耗值、负载损耗值以及所述修正变压器容量输入至训练完成的第二神经网络模型，得到所述第二神经网络模型输出的变压器型号。
本发明实施例所提供的变压器容量校核与评估方法，基于人工智能技术，配置相应的神经网络模型，确定变压器的容量核心分布区间(变压器的配变物理数据)，进而基于变压器的配变物理数据及现场测试数据对存疑变压器容量进行识别与修正，利用修正后的变压器容量快递确定变压器型号；据此，本发明能够快速地检测出虚标变压器容量，为电网现场校验提供依据与指导，减少由于变压器容量虚标给电网带来在基本电价上的损失。
实施例2
在一种可能的实现方式中，上述第一神经网络模型即配变大数据机器学习模块，该配变大数据机器学习模块是基于神经网络来获得变压器容量核心因素分布区间。该模型首先搭建相应的初始神经网络架构，再利用云网获取的变压器数据、或者质检机构历年抽检数据构建第一训练数据集，利用第一训练数据集对初始神经网络架构进行训练，模型训练完成后即为所述第一神经网络，所述训练网络的第一神经网络满足：当有变压器容量输入时，输出该变压器容量的核心因素分布区间。
在一种可能的实现方式中，上述第一神经网络的训练方法，包括以下步骤：
步骤1：构建第一训练数据集
获取来自云网或者质检机构的历年抽检数据，把不同变压器的容量作为训练的特征数据输入，如式①所示；变压器容量核心因素分布区间作为训练的输出目标，如式②所示
Figure BDA0003549279530000111
Figure BDA0003549279530000112
其中，式①中，X为训练集输入；xn表示第n台变压器的容量；式②中：矩阵第n行表示第n台变压器容量对应的特征数据，矩阵第一、二列表示变压器体积的上下限，第三、四列表示变压器重量的上下限，第五、六列表示变压器直流电阻的上下限，第七、八列表示变压器空载损耗的上下限，第九、十列表示变压器负载损耗的上下限，第十一、十二列表示变压器短路阻抗的上下限。
步骤二：构建变压器容量核心因素数据分布模型
变压器容量核心因素数据分布模型采用三层神经网络，如式③所示
Ypre＝f(Xin)＝tanh(tanh(Xin×W1+B1)×W2+B2) ③
式中：Xin为模型的输入，是各变压器的容量；W1、W2为网络权重参数；B1、B2为偏置参数；Ypre为网络输出，是变压器容量核心因素分布区间；tanh()为双曲正切函数。
步骤三：训练网络
通过梯度下降方法，优化参数W1、W2、B1、B2，求出式④的最小值。
Figure BDA0003549279530000113
步骤四：预估变压器容量核心因素数据分布区间
最忌以存疑电力用户上报的变压器容量输入至第一神经网络中，如式⑤所示。然后把式⑤的Sn输入到式③中，得到该变压器容量核心因素数据分布，如式⑥所示。
Sn＝[Sn] ⑤
yn,pre＝f(Sn) ⑥
式中，Sn表示第n台存疑电力用户上报的变压器容量。yn,pre为第n台变压器容量核心因素数据分布。
在一种可能的实现方式中，上述根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量；包括：步骤一：通过现场测试，得到现场测试数据；步骤二：判断所述核心因素数据是否分布在所述变压器容量的核心因素分布区间内，以及判断所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差是否小于预设阈值；步骤三：当电力用户虚报变压器容量时，对变压器容量进行无约束优化，得到修正变压器容量。
在一种可能的实现方式中，通过构建第三神经网络(变压器容量修正模块)进行上述修正变压器容量的计算，所述变压器容量判别与修正模块是基于神经网络，以现场测试数据及通过第一神经网络得到的变压器容量核心因素分布区间，识别出变压器容量核心因素是否在分布区间内及其与范围中心点的偏差是否小于设定阈值。同时根据梯度下降法原理，反向传播找到关联因素与范围中心点偏差小于设定阈值的最优容量(修正容量)。具体实施步骤如下：
步骤一：现场测试
使用直流电阻测试仪测出变压器绕组的直流电阻，使用低电压短路阻抗测试仪在变压器高压侧绕组施加低电压测量短路阻抗，测量的核心因素数据如式⑦所示
CF＝[d1 d2 d3 d4 d5 d6] ⑦
式中d1表示变压器体积、d2表示变压器重量、d3表示变压器直流电阻、d4表示变压器空载损耗、d5表示变压器负载损耗、d6表示变压器短路阻抗
步骤二：判断数据合理性
根据现场所测核心因素数据(变压器体积、重量、直流电阻、空载损耗、负载损耗和短路阻抗)与配变大数据机器学习模块(1)的输出的变压器容量核心因素数据分布区间，核心因素分布区间如式⑧所示。核心因素分布区间的上限如式⑨所示，下限如式⑩所示。判断现场所测核心因素数据是否在分布区间之内，即存在约束条件如式
Figure BDA0003549279530000131
所示，如果所测核心因素数据在分布区间内，则判断所测核心数据与分布区间中点偏差是否小于预设阈值
Figure BDA0003549279530000132
分布区间中点如式
Figure BDA0003549279530000133
所示
y'n＝[ymax,1 ymin,2 L ymax,11 ymin,12] ⑧
ymax＝[ymax,1 ymax,3 ymax,5 ymax,7 ymax,9 ymax,11] ⑨
ymin＝[ymin,2 ymin,4 ymin,6 ymin,8 ymin,10 ymin,12] ⑩
Figure BDA0003549279530000134
Figure BDA0003549279530000135
以现场所测核心数据与分布区间中点的二范数的平方来衡量它们之间的偏差，如式
Figure BDA0003549279530000136
所示：
Figure BDA0003549279530000137
当Mobj小于预设阈值
Figure BDA0003549279530000138
时,则表示电力用户没有虚报变压器容量，当Mobj超过预设阈值
Figure BDA0003549279530000139
时，则表示电力用户虚报变压器容量。
步骤三：容量修正
当电力用户虚报变压器容量时，为了准确确定变压器容量，需满足式
Figure BDA00035492795300001310
约束条件下使得式
Figure BDA00035492795300001311
小于预设阈值，将式
Figure BDA00035492795300001312
的目标函数与式
Figure BDA00035492795300001313
约束条件优化问题，转化为无约束优化如式
Figure BDA00035492795300001314
所示。
Figure BDA00035492795300001315
式中α1、β1、α2、β2为惩罚系数。
对式
Figure BDA00035492795300001316
求导，得：
Figure BDA00035492795300001317
Figure BDA00035492795300001318
Figure BDA00035492795300001319
Figure BDA0003549279530000141
Figure BDA0003549279530000142
Figure BDA0003549279530000143
Figure BDA0003549279530000144
Figure BDA0003549279530000145
其中，Sn为输入的特征数据，即各变压器的容量；
Figure BDA0003549279530000146
为网络权重参数；bi、bj为偏置参数；tanh()为双曲正切函数；
式
Figure BDA0003549279530000147
为目标函数对输入容量S的导数。
通过梯度下降法求得修正容量如式
Figure BDA0003549279530000148
所示
Figure BDA0003549279530000149
式
Figure BDA00035492795300001410
中ξ为步长系数。
在一种可能的实现方式中，上述第二神经网络(也称空负载损耗值对比校核模块)用于确定变压器型号的机器学习模型。首先利用现场测试数据及修正变压器容量对第二神经网络的初始模型进行训练，模型训练完成后，该第二神经网络即可满足，当有空载损耗值、负载损耗值，修正容量输入时，自动输出该变压器容型号。
在一种可能的实现方式中，上述第二神经网络的训练，包括以下步骤：
步骤一：构建训练集
训练集数据来自质检机构历年抽检数据，把数据中空载损耗值、负载损耗值及变压器容量作为训练的特征数据输入，如式
Figure BDA00035492795300001411
所示，变压器型号作为训练的输出目标，如式
Figure BDA00035492795300001412
所示。
Figure BDA0003549279530000151
Figure BDA0003549279530000152
步骤二：构建空负载损耗值对比校核模型
空负载损耗值对比校核模型采用三层神经网络，如式
Figure BDA0003549279530000153
所示
Figure BDA0003549279530000154
式中：Zin为模型的输入，是空载损耗值、负载损耗值及变压器容量；W3、W4为网络权重参数；B3、B4为偏置参数；Ypre为网络输出，是变压器型号；tanh()为双曲正切函数。
步骤三：训练网络
通过梯度下降方法，优化参数W3、W4、B3、B4，求出式
Figure BDA0003549279530000155
的最小值。
Figure BDA0003549279530000156
步骤四：确定变压器型号
以通过第三神经网络得到的现场测试数据及修正变压器容量作为输入，如式
Figure BDA0003549279530000157
所示。然后把式
Figure BDA0003549279530000158
的Sn输入到式
Figure BDA0003549279530000159
中，得到该变压器型号，如式⑥所示。
Figure BDA00035492795300001510
Figure BDA00035492795300001511
式中，t1表示现场测试的空载损耗值，t2表示现场测试的负载损耗值，t3及修正变压器容量。yn,pre为第n台变压器型号。
具体的，图2示出了本发明示例性实施例的系统中神经网络训练及其计算流程图。本发明实施例所提供的方法，通过构建第一神经网络模型、第二神经网络、第三神经网络，基于存疑变压器的配变物理数据及现场测试数据对存疑变压器容量进行识别与修正，利用修正后的变压器容量快递确定变压器型号，为电网现场校验提供依据与指导，减少由于变压器容量虚标给电网带来在基本电价上的损失。
本发明的另一方面，如图3所示，还提供一种系统，包括：
第一神经网络模块，用于运行训练完成的第一神经网络模型，以根据输入的存疑电力用户上报的变压器容量，对应输出所述变压器容量的核心因素分布区间；
变压器容量修正模块，用于根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量；
第二神经网络模块，用于运行训练完成的第二神经网络模型，以根据输入的所述现场测试数据中的空载损耗值、负载损耗值以及所述修正变压器容量，对应输出变压器型号。
在一种可能的实现方式中，基于神经网络模型构建上述变压器容量修正模块，所述变压器容量修正模块，用于判断所述现场测试数据中的核心因素数据是否分布在所述变压器容量的核心因素分布区间内，以及判断所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差是否小于预设阈值。
在本发明的另一方面，如图4所示，还提供一种电子设备，包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述变压器容量校核与评估方法。
在本发明的实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
本发明的另一方面，还提供一种计算机存储介质，所述计算机存储介质中存储有程序指令，所述程序指令被至少一个处理器执行时，用于实现上述变压器容量校核与评估方法。
在一中可能的实现方式中，上述存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(StaticRAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
应该理解到，本发明所揭露的系统，可通过其它的方式实现。例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，模块之间的通信连接可以是通过一些接口，服务器或单元的间接耦合或通信连接，可以是电性或其它的形式。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种变压器容量校核与评估方法，其特征在于，包括以下步骤：
将存疑电力用户上报的变压器容量输入至训练完成的第一神经网络模型，得到所述第一神经网络模型输出的所述变压器容量的核心因素分布区间；
根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量；
将所述现场测试数据中的空载损耗值、负载损耗值以及所述修正变压器容量输入至训练完成的第二神经网络模型，得到所述第二神经网络模型输出的变压器型号。
2.如权利要求1所述的基于配变物理数据及试验数据的变压器容量校核与评估方法，其特征在于，所述第一神经网络模型的训练步骤包括：
步骤一：将质检机构历年抽检数据作为训练集数据，并将不同变压器的容量作为训练特征数据输入，将变压器容量核心因素分布区间作为训练的输出目标；
Figure FDA0003549279520000011
Figure FDA0003549279520000012
其中，X为训练集输入；xn表示第n台变压器的容量；矩阵Y第n行表示第n台变压器容量对应的特征数据，矩阵第一、二列表示变压器体积的上下限，第三、四列表示变压器重量的上下限，第五、六列表示变压器直流电阻的上下限，第七、八列表示变压器空载损耗的上下限，第九、十列表示变压器负载损耗的上下限，第十一、十二列表示变压器短路阻抗的上下限；
步骤二：构建变压器容量核心因素数据分布模型；
Ypre＝f(Xin)＝tanh(tanh(Xin×W1+B1)×W2+B2)
其中，Xin为输入的特征数据，即各变压器的容量；W1、W2为网络权重参数；B1、B2为偏置参数；Ypre为输出的变压器容量核心因素分布区间；tanh()为双曲正切函数；
步骤三：训练网络，并通过梯度下降方法，优化参数W1、W2、B1、B2，满足以下优化条件，即训练完成；
Figure FDA0003549279520000021
其中，Xtra为训练时输入的特征数据，Ytra为训练时输出的变压器容量核心因素分布区间。
3.如权利要求1所述的基于配变物理数据及试验数据的变压器容量校核与评估方法，其特征在于，根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量的步骤包括：
步骤一：通过现场测试，得到现场测试数据，其中，核心因素数据为；
CF＝[d1 d2 d3 d4 d5 d6]
其中，d1表示变压器体积、d2表示变压器重量、d3表示变压器直流电阻、d4表示变压器空载损耗、d5表示变压器负载损耗、d6表示变压器短路阻抗；
步骤二：判断所述核心因素数据是否分布在所述变压器容量的核心因素分布区间内，以及判断所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差是否小于预设阈值；
所述变压器容量的核心因素分布区间为：
y'n＝[ymax,1 ymin,2 L ymax,11 ymin,12]
其中，所述变压器容量的核心因素分布区间的上限、下限和中点分别为：
ymax＝[ymax,1 ymax,3 ymax,5 ymax,7 ymax,9 ymax,11]
ymin＝[ymin,2 ymin,4 ymin,6 ymin,8 ymin,10 ymin,12]
Figure FDA0003549279520000022
所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差为：
Figure FDA0003549279520000031
当ymin≤CF≤ymax，则表明所述核心因素数据分布在所述变压器容量的核心因素分布区间内；当Mobj小于预设阈值时,则表示电力用户没有虚报变压器容量，当Mobj超过预设阈值时，则表示电力用户虚报变压器容量；
步骤三：当电力用户虚报变压器容量时，对变压器容量进行无约束优化，以满足ymin≤CF≤ymax以及Mobj小于预设阈值；即，
Figure FDA0003549279520000032
其中，α1、β1、α2、β2为惩罚系数；
以及，计算目标函数obj(Sn)对电力用户上报的变压器容量S的导数，并通过梯度下降法计算出修正变压器容量；其中，
所述目标函数obj(Sn)对电力用户上报的变压器容量S的导数为：
Figure FDA0003549279520000033
其中，
Figure FDA0003549279520000034
Figure FDA0003549279520000035
Figure FDA0003549279520000036
Figure FDA0003549279520000037
Figure FDA0003549279520000038
Figure FDA0003549279520000039
Figure FDA00035492795200000310
其中，Sn为输入的特征数据，即各变压器的容量；
Figure FDA00035492795200000311
为网络权重参数；bi、bj为偏置参数；tanh()为双曲正切函数；
通过梯度下降法计算出修正变压器容量的方式为：
Figure FDA0003549279520000041
其中，S'为修正变压器容量，ξ为步长系数。
4.如权利要求1所述的基于配变物理数据及试验数据的变压器容量校核与评估方法，其特征在于，所述第二神经网络模型的训练步骤包括：
步骤一：将质检机构历年抽检数据作为训练集数据，并空载损耗值、负载损耗值及变压器容量作为训练特征数据输入，将变压器型号作为训练的输出目标；
步骤二：构建空负载损耗值对比校核模型；
Ypre＝f(Zin)＝tanh(tanh(Zin×W3+B3)×W4+B4)
其中，Zin为输入的特征数据，即空载损耗值、负载损耗值及变压器容量；W3、W4为网络权重参数；B3、B4为偏置参数；Ypre为网络输出，是变压器型号；tanh()为双曲正切函数；
步骤三：训练网络，并通过梯度下降方法，优化参数W3、W4、B3、B4，满足以下优化条件，即训练完成；
Figure FDA0003549279520000042
其中，Xtra为训练时输入的特征数据，Ytra为训练时输出的变压器型号。
5.一种系统，其特征在于，包括：
第一神经网络模块，用于运行训练完成的第一神经网络模型，以根据输入的存疑电力用户上报的变压器容量，对应输出所述变压器容量的核心因素分布区间；
变压器容量修正模块，用于根据现场测试数据以及所述变压器容量的核心因素分布区间，计算出修正变压器容量；
第二神经网络模块，用于运行训练完成的第二神经网络模型，以根据输入的所述现场测试数据中的空载损耗值、负载损耗值以及所述修正变压器容量，对应输出变压器型号。
6.如权利要求5所述的系统，其特征在于，所述第一神经网络模型的训练方式包括以下步骤：
步骤一：将质检机构历年抽检数据作为训练集数据，并将不同变压器的容量作为训练特征数据输入，将变压器容量核心因素分布区间作为训练的输出目标；
Figure FDA0003549279520000051
Figure FDA0003549279520000052
其中，X为训练集输入；xn表示第n台变压器的容量；式②中：矩阵第n行表示第n台变压器容量对应的特征数据，矩阵第一、二列表示变压器体积的上下限，第三、四列表示变压器重量的上下限，第五、六列表示变压器直流电阻的上下限，第七、八列表示变压器空载损耗的上下限，第九、十列表示变压器负载损耗的上下限，第十一、十二列表示变压器短路阻抗的上下限；
步骤二：构建变压器容量核心因素数据分布模型；
Ypre＝f(Xin)＝tanh(tanh(Xin×W1+B1)×W2+B2)
其中，Xin为输入的特征数据，即各变压器的容量；W1、W2为网络权重参数；B1、B2为偏置参数；Ypre为输出的变压器容量核心因素分布区间；tanh()为双曲正切函数；
步骤三：训练网络，并通过梯度下降方法，优化参数W1、W2、B1、B2，满足以下优化条件，即训练完成；
Figure FDA0003549279520000053
其中，Xtra为训练时输入的特征数据，Ytra为训练时输出的变压器容量核心因素分布区间。
7.如权利要求5所述的系统，其特征在于，所述变压器容量修正模块，用于判断所述现场测试数据中的核心因素数据是否分布在所述变压器容量的核心因素分布区间内，以及判断所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差是否小于预设阈值；其中，所述核心因素数据为；
CF＝[d1 d2 d3 d4 d5 d6]
其中，d1表示变压器体积、d2表示变压器重量、d3表示变压器直流电阻、d4表示变压器空载损耗、d5表示变压器负载损耗、d6表示变压器短路阻抗；
所述变压器容量的核心因素分布区间为：
y'n＝[ymax,1 ymin,2 L ymax,11 ymin,12]
其中，所述变压器容量的核心因素分布区间的上限、下限和中点分别为：
ymax＝[ymax,1 ymax,3 ymax,5 ymax,7 ymax,9 ymax,11]
ymin＝[ymin,2 ymin,4 ymin,6 ymin,8 ymin,10 ymin,12]
Figure FDA0003549279520000061
所述核心因素数据与所述变压器容量的核心因素分布区间中点的偏差为：
Figure FDA0003549279520000062
当ymin≤CF≤ymax，则表明所述核心因素数据分布在所述变压器容量的核心因素分布区间内；当Mobj小于预设阈值时,则表示电力用户没有虚报变压器容量，当Mobj超过预设阈值时，则表示电力用户虚报变压器容量；
步骤三：当电力用户虚报变压器容量时，对变压器容量进行无约束优化，以满足ymin≤CF≤ymax以及Mobj小于预设阈值；即，
Figure FDA0003549279520000063
其中，α1、β1、α2、β2为惩罚系数；
以及，计算目标函数obj(Sn)对电力用户上报的变压器容量S的导数，并通过梯度下降法计算出修正变压器容量；其中，
所述目标函数obj(Sn)对电力用户上报的变压器容量S的导数为：
Figure FDA0003549279520000064
其中，
Figure FDA0003549279520000071
Figure FDA0003549279520000072
Figure FDA0003549279520000073
Figure FDA0003549279520000074
Figure FDA0003549279520000075
Figure FDA0003549279520000076
Figure FDA0003549279520000077
其中，Sn为输入的特征数据，即各变压器的容量；
Figure FDA0003549279520000078
为网络权重参数；bi、bj为偏置参数；tanh()为双曲正切函数；
通过梯度下降法计算出修正变压器容量的方式为：
Figure FDA0003549279520000079
其中，S'为修正变压器容量，ξ为步长系数。
8.如权利要求5所述的系统，其特征在于，所述第二神经网络模型的训练方式包括以下步骤：
步骤一：将质检机构历年抽检数据作为训练集数据，并空载损耗值、负载损耗值及变压器容量作为训练特征数据输入，将变压器型号作为训练的输出目标；
步骤二：构建空负载损耗值对比校核模型；
Ypre＝f(Zin)＝tanh(tanh(Zin×W3+B3)×W4+B4)
其中，Zin为输入的特征数据，即空载损耗值、负载损耗值及变压器容量；W3、W4为网络权重参数；B3、B4为偏置参数；Ypre为网络输出，是变压器型号；tanh()为双曲正切函数；
步骤三：训练网络，并通过梯度下降方法，优化参数W3、W4、B3、B4，满足以下优化条件，即训练完成；
Figure FDA0003549279520000081
其中，Xtra为训练时输入的特征数据，Ytra为训练时输出的变压器型号。
9.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有程序指令，所述程序指令被执行时，实现如权利要求1～4任一项所述的变压器容量校核与评估方法。
10.一种计算机设备，其包括处理器和计算机存储介质，其特征在于，所述计算机存储介质中存储的程序指令被所述处理器执行时，实现如权利要求1～4任一项所述的变压器容量校核与评估方法。
CN202210257428.9A 2022-03-16 2022-03-16 一种变压器容量校核与评估方法、系统、设备及存储介质 Pending CN114676989A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210257428.9A CN114676989A (zh) 2022-03-16 2022-03-16 一种变压器容量校核与评估方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210257428.9A CN114676989A (zh) 2022-03-16 2022-03-16 一种变压器容量校核与评估方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114676989A true CN114676989A (zh) 2022-06-28

Family

ID=82074378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210257428.9A Pending CN114676989A (zh) 2022-03-16 2022-03-16 一种变压器容量校核与评估方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114676989A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115389833A (zh) * 2022-07-25 2022-11-25 云南电网有限责任公司楚雄供电局 一种315kV及以下电压等级配电变压器自动容量校核方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115389833A (zh) * 2022-07-25 2022-11-25 云南电网有限责任公司楚雄供电局 一种315kV及以下电压等级配电变压器自动容量校核方法
CN115389833B (zh) * 2022-07-25 2024-02-20 云南电网有限责任公司楚雄供电局 一种315kV及以下电压等级配电变压器自动容量校核方法
JP7461596B2 (ja) 2022-07-25 2024-04-04 雲南電網有限責任公司楚雄供電局 電圧レベル３１５ｋＶ以下の配電変圧器に対する自動容量校正方法

Similar Documents

Publication Publication Date Title
US10572885B1 (en) Training method, apparatus for loan fraud detection model and computer device
CN109949290B (zh) 路面裂缝检测方法、装置、设备及存储介质
CN112348695A (zh) 一种基于层次分析法的电力数据质量评价模型构建方法
CN111368259B (zh) 一种配网电压数据缺失填补方法及相关装置
CN113409167B (zh) 一种水质异常分析方法及装置
CN113657732B (zh) 一种基于层次分析法的灾度指数计算方法和设备
CN109961030A (zh) 路面修补信息检测方法、装置、设备及存储介质
CN114676989A (zh) 一种变压器容量校核与评估方法、系统、设备及存储介质
CN106952190A (zh) 虚假房源录入行为识别与预警系统
CN114626769B (zh) 一种电容式电压互感器运维方法及系统
CN111222678A (zh) 路面技术状况预测方法
JP7461596B2 (ja) 電圧レベル３１５ｋＶ以下の配電変圧器に対する自動容量校正方法
CN117272145A (zh) 转辙机的健康状态评估方法、装置和电子设备
CN109634854B (zh) 一种检测软件工程算法组态异常的方法
CN115239156B (zh) 一种城镇化指标对水系结构的影响警示方法和装置
CN115271305A (zh) 基于博弈论权重的电动汽车充电设备风险预警方法及装置
CN111597957B (zh) 基于形态学图像处理的变压器绕组故障诊断方法
CN112329108A (zh) 一种地铁车站优化抗浮验算方法及系统
CN112990689A (zh) 一种资讯数据质量检测方法和装置
CN111310123A (zh) 一种电化学储能电站多维度评价方法和系统
CN116681532B (zh) 风控规则的确定方法、装置、电子设备及存储介质
CN107527141A (zh) 开关柜质量的检测方法和系统
CN117909927B (zh) 基于多源数据融合模型的降水定量估计方法和装置
CN118071525B (zh) 一种财务数据审核方法及系统
CN114723939B (zh) 基于注意力机制的非极大值抑制方法、系统、设备和介质

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