CN114723234A - 变压器容量瞒报识别方法、系统、计算机设备和存储介质 - Google Patents
变压器容量瞒报识别方法、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114723234A CN114723234A CN202210264133.4A CN202210264133A CN114723234A CN 114723234 A CN114723234 A CN 114723234A CN 202210264133 A CN202210264133 A CN 202210264133A CN 114723234 A CN114723234 A CN 114723234A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- historical
- transformer
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002159 abnormal effect Effects 0.000 claims abstract description 189
- 230000005611 electricity Effects 0.000 claims description 133
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000007689 inspection Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Fuzzy Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
Abstract
本发明实施例公开了变压器容量瞒报识别方法、系统、计算机设备和存储介质。变压器容量瞒报识别方法包括:获取目标变压器的历史负载数据,根据历史负载数据获取目标变压器的历史负载时段,历史负载时段包括历史空载时段和历史高负载时段;根据历史负载时段和历史负载数据获取历史负载运行数据,根据历史负载运行数据获取目标变压器中的第一数据异常变压器;根据历史负载数据获取目标变压器的估算容量值,获取目标变压器的标称容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器;根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器。本发明能够快速地识别出有瞒报容量嫌疑的变压器。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及变压器容量瞒报识别方法、系统、计算机设备和存储介质。
背景技术
目前大工业用户的变压器存在超容量运转或者虚报、瞒报的情况,造成供电系统基本电费无法正确收取以及线路计量终端计算不准确,给国家造成了不小的损失。
发明内容
基于此,有必要针对上述问题,提出了变压器容量瞒报识别方法、系统、计算机设备和存储介质。
一种变压器容量瞒报识别方法,包括如下步骤:
获取目标变压器的历史负载数据,根据所述历史负载数据获取所述目标变压器的历史负载时段,所述历史负载时段包括历史空载时段和历史高负载时段;
根据所述历史负载时段和所述历史负载数据获取历史负载运行数据,根据所述历史负载运行数据获取所述目标变压器中的第一数据异常变压器;
根据所述历史负载数据获取所述目标变压器的估算容量值,获取所述目标变压器的标称容量值,根据所述估算容量值和所述标称容量值获取所述目标变压器中的第二数据异常变压器;
根据所述第一数据异常变压器和所述第二数据异常变压器获取所述目标变压器中的瞒报变压器。
一种变压器容量瞒报识别系统,包括如下模块:
获取模块,用于获取目标变压器的历史负载数据,根据所述历史负载数据获取所述目标变压器的历史负载时段,所述历史负载时段包括历史空载时段和历史高负载时段;
第一异常模块,用于根据所述历史负载时段和所述历史负载数据获取历史负载运行数据,根据所述历史负载运行数据获取所述目标变压器中的第一数据异常变压器;
第二异常模块,用于根据所述历史负载数据获取所述目标变压器的估算容量值,获取所述目标变压器的标称容量值,根据所述估算容量值和所述标称容量值获取所述目标变压器中的第二数据异常变压器;
瞒报模块,用于根据所述第一数据异常变压器和所述第二数据异常变压器获取所述目标变压器中的瞒报变压器。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上所述方法的步骤。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上所述方法的步骤。
本发明的有益效果在于,与现有技术相比,本发明通过根据历史负载数据获取目标变压器的历史负载时段,根据历史负载时段和历史负载数据获取历史负载运行数据,根据历史负载运行数据获取目标变压器中的第一数据异常变压器,根据历史负载数据获取目标变压器的估算容量值,获取目标变压器的标称容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器,根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器,能够基于大数据快速地识别出有瞒报容量嫌疑的变压器,帮助电网进一步现场实测,减少由于变压器容量瞒报给电网带来的损失。
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是本发明提供的变压器容量瞒报识别方法的第一实施例的流程示意图;
图2是本发明提供的变压器容量瞒报识别方法中获取历史时段的方法的一实施例的流程示意图;
图3是本发明提供的变压器容量瞒报识别方法中获取历史负载运行数据的方法的第一实施例的流程示意图;
图4是本发明提供的变压器容量瞒报识别方法中获取历史负载运行数据的方法的第二实施例的流程示意图;
图5是本发明提供的变压器容量瞒报识别方法中目标变压器的估算容量值的方法的一实施例的流程示意图;
图6是本发明提供的变压器容量瞒报识别方法的获取目标变压器的第二实施例的流程示意图
图7是本发明提供的变压器容量瞒报识别系统的一实施例的结构示意图;
图8为本发明提供的一个实施例中计算机设备的结构框图。
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。
请参阅图1,图1是本发明提供的变压器容量瞒报识别方法的第一实施例的流程示意图。本发明提供的变压器容量瞒报识别方法包括如下步骤:
S101:获取目标变压器的历史负载数据,根据历史负载数据获取目标变压器的历史负载时段,历史负载时段包括历史空载时段和历史高负载时段。
在一个具体的实施场景中,获取目标变压器的历史负载数据,目标变压器的数量为一个或者多个,根据用户实际需求将需要检测是否为瞒报变压器的变压器作为目标变压器。历史负载数据为目标变压器之前运行时采集的数据,例如有功功率、无功功率、功率因素、对应的线损率等等。为了提升数据的可靠性,在采集到数据后进行数据集中、清晰、组合等操作,提取其中的有效数据,从而获取具有较高数据质量的历史负载数据。
根据历史负载数据获取目标变压器的历史负载时段,历史负载时段包括历史空载时段和历史高负载时段。例如可以根据目标变压器在各个时段的负载相关参数获取目标变压器的运行参数,将满足预设标准的预设参数对应的时段作为历史负载时段。历史空载时段为目标变压器没有负载或者负载很低的时段,历史高负载时段为目标变压器负载较高的时段。
S102:根据历史负载时段和历史负载数据获取历史负载运行数据,根据历史负载运行数据获取目标变压器中的第一数据异常变压器。
在一个具体的实施场景中,从历史负载数据中获取历史负载时段对应的历史负载运行数据,根据历史负载运行数据进行分析,例如,判断目标变压器的运行时的数据是否与其标称容量对应的运行情况相符,若两者不相符或者差异较大则该目标变压器为第一数据异常变压器。还可以是获取目标变压器的超负荷程度以及超负荷率,从而判断目标变压器是否经常处于超负荷状态,若目标变压器长期处于超负荷状态,则该目标变压器为第一数据异常变压器。
S103:根据历史负载数据获取目标变压器的估算容量值,获取目标变压器的标称容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器。
在一个具体的实施场景中,根据历史负载数据获取目标变压器的估算容量值,例如根据历史负载数据的运行情况和具有已知标准容量的标准变压器的运行情况进行对比,获取与目标变压器的运行情况相匹配的已知标准容量,将已知标准容量作为目标变压器的估算容量值。
目标变压器的标称容量值可以是通过目标变压器的用户上报获取,或者是通过目标变压器上标注的容量值获取。计算估算容量值和标称容量值之间的差值或者相差比例,若该差值大于预设容量阈值,或该相差比例大于预设比例阈值,则该估算容量值对应的目标变压器为第二数据异常变压器。
S104:根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器。
在一个具体的实施场景中,根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器,例如额可以将第一数据异常变压器和第二数据异常变压器均作为瞒报变压器,或者将第一数据异常变压器和第二数据异常变压器的交集作为瞒报变压器。还可以设置第一数据异常变压器和第二数据异常变压器的可信度权重,将第一数据异常变压器和第二数据异常变压器分别乘以对应的可信度权重,获取瞒报可信度值。
针对一个目标变压器,获取其对应第一数据异常变压器的瞒报可信度值以及对应第二数据异常变压器的瞒报可信度值的和值,将和值大于可信度阈值的目标变压器作为瞒报变压器。例如,一个变压器A不是第一数据异常变压器也不是第二数据异常变压器,则和值为0+0=0。一个变压器B是第一数据异常变压器,不是第二数据异常变压器,则和值为a+0=a,a为对应第一数据异常变压器的瞒报可信度值。一个变压器C不是第一数据异常变压器,是第二数据异常变压器,则和值为0+b=b,b为对应第二数据异常变压器的瞒报可信度值。一个变压器D是第一数据异常变压器,也是是第二数据异常变压器,则和值为a+b。
在其他实施场景中,可以将瞒报变压器的标识、厂商、使用者等信息上报,以对瞒报变压器的用户进行查处,并修正该瞒报变压器的真实容量值。
通过上述描述可知,在本实施例中根据历史负载数据获取目标变压器的历史负载时段,根据历史负载时段和历史负载数据获取历史负载运行数据,根据历史负载运行数据获取目标变压器中的第一数据异常变压器,根据历史负载数据获取目标变压器的估算容量值,获取目标变压器的标称容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器,根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器,能够基于大数据快速地识别出有瞒报容量嫌疑的变压器,帮助电网进一步现场实测,减少由于变压器容量瞒报给电网带来的损失。
请参阅图2,图2是本发明提供的变压器容量瞒报识别方法中获取历史时段的方法的一实施例的流程示意图。本发明提供的获取历史时段的方法包括如下步骤:
S201:将历史负载数据中具有相同或相似用电习惯模式的历史负载数据聚类在一起,生成用电模式聚类数据。
在一个具体的实施场景中,将历史负载数据进行整理成矩阵形式,如下所示:
其中,Ln表示第n台变压器的历史负载数据,lt,d表示该变压器第d天,第t时段的负荷大小。其中,第d天都对应着具体的日期。可以理解的是,不同的目标变压器的历史负载数据矩阵的每天的总时段T相等,但总天数D不一定相等。
每个目标变压器所连接的单个用户或用户群存在用电习惯更变,例如,不同生产规模、生产工艺的变更,四季变更居民用电习惯随之改变等。因此,将历史负载数据中具有相同或相似用电习惯模式的历史负载数据聚类在一起。在本实施场景中,将公式(1)中的每一列数据作为一个用电习惯聚类对象,每个用电习惯聚类对象如下所示:
其中,jd表示第d个用电习惯聚类对象。
选取15~20个用电习惯类中心,每个用电习惯类中心表达如下所示:
其中,cc表示第c个聚类中心。
计算每个用电习惯聚类对象到每个用电习惯类中心的欧式距离,计算欧式距离的公式如下所示:
dd,c=||jd-cd|| (4)
其中,dd,c表示第d个用电习惯聚类对象与第c个用电习惯类中心的欧氏距离。
将每个用电习惯聚类对象归类到欧式距离最近的那个用电习惯类中心对应的用电习惯类。例如,dd,c<dd,1<dd,2<…<dd,C,则第d个用电习惯聚类对象属于第c个用电习惯类。‖x‖表示求x的二范数。获取所有用电习惯类中心对应的用电习惯类,计算每个用电习惯类中所有用电习惯聚类对象的均值,作为该用电习惯类的新的类中心,具体的,如下所示:
式中,cc为更新后的用电习惯类中心。Nc表示第c个用电习惯类有多少个用电习惯聚类对象。jd∈c表示所有属于第c个用电习惯类的用电习惯聚类对象。
判断更新后的用电习惯类中心和之前的用电习惯类中心的距离是否小于预设用电习惯距离阈值,若距离小于预设用电习惯距离阈值,则将所有更新后的用电习惯类中心对应的用电习惯类作为用电模式聚类数据。若距离大于或等于预设用电习惯距离阈值,则重复公式(4)和(5),直至当前的用电习惯类中心和上一次的用电习惯类中心的距离小于预设用电习惯距离阈值为止,则将所有当前的用电习惯类中心对应的用电习惯类作为用电模式聚类数据。
在其他实施场景中可以计算重复公式(4)和(5)的迭代次数,当迭代次数大于或等于预设用电习惯次数阈值时,则将所有当前的用电习惯类中心对应的用电习惯类作为用电模式聚类数据。
S202:针对每个用电模式聚类数据中具有相同或相近用电时段的历史负载数据聚类在一起,生成用电时段聚类数据。
在一个具体的实施场景中,将步骤S201中获取的用电模式聚类数据,对每一类的用电模式类进行进一步聚类。得到每个用电模式下的低负载用电时段。将每个用电模式类以矩阵形式表示,如下所示:
其中,每一行数据为一个用电时段聚类对象,每个用电时段聚类对象如下所示:
其中,jt表示第t个用电时段对象。
选取3个用电时段类中心,分别代表高负载时段、中负载时段、低负载时段,每个用电时段类中心如下所示:
其中,cc表示第c个聚类中心。
计算每个用时段惯聚类对象到每个用电时段类中心的欧式距离,计算欧式距离的公式如下所示:
dt,c=‖jt-cc‖ (9)
式中,dt,c表示第t个用电时段聚类对象与第c个用电时段类中心的欧氏距离,cc表示第c个聚类中心,jt表示第t个用电时段对象。
将每个用电时段聚类对象归类到欧式距离最近的那个用电习时段中心对应的用电时段类。例如,dt,c<dt,1<dt,2<…<dt,C,则第d个用电时段聚类对象属于第c个用电时段类。‖x‖表示求x的二范数。获取所有用电时段类中心对应的用电时段类,计算每个用电时段类中所有用电时段聚类对象的均值,作为该用电习时段的新的用电时段类中心,具体的,如下所示:
其中,cc为更新后的用电时段类中心。Nc表示第c个用电时段类有多少个用电时段聚类对象。jt∈c表示所有属于第c个用电时段类的用电时段聚类对象。
判断更新后的用电时段类中心和之前的用电时段类中心的距离是否小于预设用电时段距离阈值,若距离小于预设用电时段距离阈值,则将所有更新后的用电时段类中心对应的用电时段类作为用电时段聚类数据。若距离大于或等于预设用电时段距离阈值,则重复公式(9)和(10),直至当前的用电时段类中心和上一次的用电时段类中心的距离小于预设用电时段距离阈值为止,则将所有当前的用电时段类中心对应的用电时段类作为用电时段聚类数据。
在其他实施场景中可以计算重复公式(9)和(10)的迭代次数,当迭代次数大于或等于预设用电时段次数阈值时,则将所有当前的用电时段类中心对应的用电时段类作为用电时段聚类数据。
S203:提取所有的用户用电时段聚类数据中的特征负载聚类数据,对特征负载聚类数据进行筛选获取历史负载数据,将历史负载数据对应的时间段作为历史负载时段。
在一个具体的实施场景中,提取所有的用户用电时段聚类数据中的特征负载聚类数据,特征负载聚类数据包括低负载聚类数据和高负载聚类数据,对特征负载聚类数据进行筛选获取历史负载数据,历史负载数据包括对低负载聚类数据进行筛选获取的历史低负载数据和对高负载聚类数据进行筛选获取的历史高负载聚类数据。将历史负载数据对应的时间段作为历史负载时段,例如将历史低负载数据对应的时段作为历史低负载时段,将历史高负载数据对应的时段作为历史高负载时段。
在一个实施场景中,用电时段聚类数据中的低负载时段对应的低负载时段数据全部提取出来,并排成一行,如下所示:
式中,Jt为低负载时段聚类对象。lt,d表示该变压器第d天,第t时段的负荷大小。
选取5~10个低负载类中心,每个低负载类中心表达如下所示:
其中,cc表示第c个低负载聚类中心。
计算低负载时段数据中低负载时段聚类对象与低负载聚类中心的欧氏距离,如下所示:
dt,d,c=||jt,d-cc|| (13)
其中,dt,d,c表示第d天第t个低负载时段聚类对象与第c个低负载聚类中心的欧氏距离。
将每个低负载时段聚类对象归类到欧式距离最近的那个低负载聚类中心对应的用电时段类。例如,dt,d,c<dt,d,1<dt,d,2<…<dt,d,C,则第d天第t个低负载时段聚类对象属于第c个低负载类。‖x‖表示求x的二范数。获取所有低负载聚类中心对应的低负载类,计算每个低负载类中所有低负载时段聚类对象的均值,作为该低负载类的新的低负载类中心,具体的,如下所示:
其中,cc为更新后的低负载类中心。Nc表示第c低负载类有多少个低负载时段聚类对象。jt,d∈c表示所有属于第c个低负载类的低负载时段聚类对象。
判断更新后的低负载类中心和之前的低负载类中心的距离是否小于预设低负载距离阈值,若距离小于预设低负载距离阈值,则将所有更新后的低负载中心对应的低负载类作为历史低负载数据。若距离大于或等于预设低负载距离阈值,则重复公式(13)和(14),直至当前的用电时段类中心和上一次的低负载类中心的距离小于预设低负载距离阈值为止,则将所有当前的低负载类中心对应的低负载类作为低负载聚类数据。
在其他实施场景中可以计算重复公式(13)和(14)的迭代次数,当迭代次数大于或等于预设低负载次数阈值时,则将所有当前的低负载类中心对应的低负载类作为低负载聚类数据。
获取每个低负载聚类数据的平均值,将低负载聚类数据按照平均值从小到大进行排序,获取平均值最小的一个低负载聚类数据,判断该低负载聚类数据里是否有两个时段是属于相邻的两天里的同一时段,且这两天的存在其他负载较高的时段。若该低负载聚类数据里存在两个时段是属于相邻的两天里的同一时段,且这两天的存在其他负载较高的时段,则将该低负载聚类数据中负载最小的数值作为历史低负载数据,将历史低负载数据对应的时段作为历史低负载时段。
若平均值最小的一个低负载聚类数据不满足有两个时段是属于相邻的两天里的同一时段,且这两天的存在其他负载较高的时段的条件,则获取第二小的低负载聚类数据,判断其是否满足该条件,若满足,则将该低负载聚类数据中负载最小的数值作为历史低负载数据,将历史低负载数据对应的时段作为历史低负载时段。若不满足则查看第三小的低负载聚类数据,以此类推,直至获取满足条件的低负载聚类数据,获取历史低负载时段。
在另一个实施场景中,用电时段聚类数据中的高负载时段对应的高负载时段数据全部提取出来,并排成一行,如下所示:
式中,Jt为高负载时段聚类对象。lt,d表示该变压器第d天,第t时段的负荷大小。
选取5~10个高负载类中心,每个高负载类中心表达如下所示:
其中,cc表示第c个高负载聚类中心。
计算高负载时段数据中高负载时段聚类对象与高负载聚类中心的欧氏距离,如下所示:
dt,d,c=||jt,d-cc|| (17)
其中,dt,d,c表示第d天第t个高负载时段聚类对象与第c个高负载聚类中心的欧氏距离。
将每个高负载时段聚类对象归类到欧式距离最近的那个高负载聚类中心对应的用电时段类。例如,dt,d,c<dt,d,1<dt,d,2<…<dt,d,C,则第d天第t个高负载时段聚类对象属于第c个高负载类。‖x‖表示求x的二范数。获取所有高负载聚类中心对应的高负载类,计算每个高负载类中所有高负载时段聚类对象的均值,作为该高负载类的新的高负载类中心,具体的,如下所示:
其中,cc为更新后的高负载类中心。Nc表示第c高负载类有多少个高负载时段聚类对象。jt,d∈c表示所有属于第c个高负载类的高负载时段聚类对象。
判断更新后的高负载类中心和之前的高负载类中心的距离是否小于预设高负载距离阈值,若距离小于预设高负载距离阈值,则将所有更新后的高负载中心对应的高负载类作为历史高负载数据。若距离大于或等于预设高负载距离阈值,则重复公式(17)和(18),直至当前的用电时段类中心和上一次的高负载类中心的距离小于预设高负载距离阈值为止,则将所有当前的高负载类中心对应的高负载类作为高负载聚类数据。
在其他实施场景中可以计算重复公式(17)和(18)的迭代次数,当迭代次数大于或等于预设高负载次数阈值时,则将所有当前的高负载类中心对应的高负载类作为高负载聚类数据。
获取每个高负载聚类数据的平均值,将高负载聚类数据按照平均值从大到小进行排序,获取平均值最大的一个高负载聚类数据,判断该高负载聚类数据里是否有两个时段是属于相邻的两天里的同一时段,且这两天的存在其他负载较低的时段。若该高负载聚类数据里存在两个时段是属于相邻的两天里的同一时段,且这两天的存在其他负载较低的时段,则将该高负载聚类数据中负载最大的数值作为历史高负载数据,将历史高负载数据对应的时段作为历史高负载时段。
若平均值最大的一个高负载聚类数据不满足有两个时段是属于相邻的两天里的同一时段的条件,且这两天的存在其他负载较低的时段,则获取第二大的高负载聚类数据,判断其是否满足该条件,若满足,则将该高负载聚类数据中负载最大的数值作为历史高负载数据,将历史高负载数据对应的时段作为历史高负载时段。若不满足则查看第三大的高负载聚类数据,以此类推,直至获取满足条件的高负载聚类数据,获取历史高负载时段。
通过上述描述可知,在本实施例中通过将历史负载数据中具有相同或相似用电习惯模式的历史负载数据聚类在一起,生成用电模式聚类数据;针对每个用电模式聚类数据中具有相同或相近用电时段的历史负载数据聚类在一起,生成用电时段聚类数据;提取所有的用户用电时段聚类数据中的特征负载聚类数据,对特征负载聚类数据进行筛选获取历史负载数据,将历史负载数据对应的时间段作为历史负载时段,能够更加准确可靠的获取历史空载时段和历史高负载时段,提升判断目标变压器是否瞒报容量的准确度。
请参阅图3,图3是本发明提供的变压器容量瞒报识别方法中获取历史负载运行数据的方法的第一实施例的流程示意图。本发明提供的获取历史负载运行数据的方法包括如下步骤:
S301:获取每个目标变压器的标称容量,查询历史负载数据获取历史空载时段对应的历史数据,历史数据包括历史有功电能、历史无功电能、历史功率因素、对应的历史线损率数据。
在一个具体的实施场景中,每个目标变压器具有标称容量,也就是标注在目标变压器的壳体或外包装上的变压器容量。但是标称容量和目标变压器的实际容量之间可能存在一定的差异,当这个差异过大时,则视为对目标变压器的容量进行了瞒报。
查询历史负载数据,获取在历史空载时段时的历史数据,历史数据包括历史有功电能、历史无功电能、历史功率因素、对应的历史线损率数据。将历史数据整理成如下形式:
jr=[fr,1 fr,1 … fr,4]1×4 (20)
其中,Fr为第r种标称容量的变压器的空载特征数据矩阵,为聚类样本集。Fm,n表示同等标称容量下第m台变压器第n个历史数据,公式(20)表示公式(19)的其中一行,为每个历史数据聚类对象。
S302:将具有相同标称容量的目标变压器的历史数据聚类成两个变压器类,将类数量更少的变压器类中包括的目标变压器作为第一数据异常变压器中的第一类数据异常变压器。
在一个具体的实施场景中,针对每种标称容量,将具有该标称容量的目标变压器的历史数据聚类成两个变压器类。针对每种标称容量的历史数据聚类对象,选取两个历史数据类中心,每个历史数据类中心的表达式如下所示:
cc=[c1 c2 … c4]1×4 (21)
其中,cc表示第c个历史数据类中心。
计算该种标称容量对应的历史数据聚类对象与历史数据类中心的欧式距离,如下所示:
dr,c=‖jr-cc‖ (22)
式中,dr,c表示第r个历史数据聚类对象与第c个历史数据类中心的欧氏距离。
将每个历史数据聚类对象归类到欧式距离最近的那个历史数据类中心对应的历史数据类。如果dr,c<dr,m,m=1,2。则第r历史数据聚类对象属于第c个历史数据类。获取所有历史数据类中心对应的历史数据类,计算每个历史数据类中所有历史数据聚类对象的均值,作为该历史数据类的新的历史数据类中心,具体的,如下所示:
式中,cc为更新后的历史数据类中心。Nc表示第c个历史数据类有多少个历史数据聚类对象。jt∈c表示所有属于第c个历史数据类的历史数据聚类对象。
判断更新后的历史数据类中心和之前的历史数据类中心的距离是否小于预设历史数据距离阈值,若距离小于预设历史数据距离阈值,则将所有更新后的历史数据类中心对应的历史数据类作为历史高负载数据。若距离大于或等于预设高历史数据离阈值,则重复公式(22)和(23),直至当前的历史数据类中心和上一次的历史数据类中心的距离小于预设高负载距离阈值为止。
在其他实施场景中可以计算重复公式(22)和(23)的迭代次数,直至迭代次数大于或等于预设历史数据次数阈值。
假设具有容量瞒报行为的目标变压器为少数,则该标称容量对应的两个历史数据类中具有更少数量的那一类中的目标变压器为第一数据异常变压器。
通过上述描述可知,在本实施例中获取每个目标变压器的标称容量,查询历史负载数据获取历史空载时段对应的历史数据,将具有相同标称容量的目标变压器的历史数据聚类成两个历史数据类,假设具有容量瞒报行为的目标变压器为少数,将类数量更少的变压器类中包括的目标变压器作为第一数据异常变压器,能够通过大数据聚类的方法找到第一数据异常变压器,方法准确可靠,可操作性强。
请参阅图4,图4是本发明提供的变压器容量瞒报识别方法中获取历史负载运行数据的方法的第二实施例的流程示意图。本发明提供的获取历史负载运行数据的方法包括如下步骤:
S401:获取每个目标变压器在历史高负载时段的运行数据,根据运行获取目标变压器超负荷运行程度和超负荷运行的总时间占比。
在一个具体的实施场景中,根据获取到的历史高负载时段和历史负载数据获取每个目标变压器在其自身的历史高负载时段的运行数据。根据运行获取目标变压器超负荷运行程度,如下所示:
其中,e为变压器超负荷运行程度;p为变压器超负荷运行时的功率;p0为该目标变压器的标称容量。
获取目标变压器超负荷运行的总时间占比,如下所示:
其中,q为超负荷运行的总时间占比;To是一天内超负荷运行总时间;T是一天内的总时间。
S402:根据超负荷运行程度和超负荷运行的总时间占比判断目标变压器是否为第一数据异常变压器中的第二类数据异常变压器。
将目标变压器超负荷运行程度e和目标变压器超负荷运行的总时间占比q与上述的多个指标进行比较,若一个目标变压器的e>α,则该目标变压器作为第一数据异常变压器。若一个目标变压器的q>β,则该目标变压器作为第一数据异常变压器。若一个目标变压器的e>δ,且同时的历史高负载时段的运行电压高于则该目标变压器作为第一数据异常变压器。
通过上述描述可知,在本实施例中通过设获取每个目标变压器在历史高负载时段的运行数据,根据运行获取目标变压器的超负荷运行程度和超负荷运行的总时间占比,置多种指标,将超负荷运行程度和超负荷运行的总时间占比和预设指标对比,获取超标的第一数据异常变压器,可以根据实际情况临时调整各个指标,可操作性强。
请参阅图5,图5是本发明提供的变压器容量瞒报识别方法中目标变压器的估算容量值的方法的一实施例的流程示意图。本发明提供的目标变压器的估算容量值的方法包括如下步骤:
S501:获取不同类型变压器的质检数据,质检数据包括空载运行特征数据和真实容量值,空载运行特征数据包括空载时的空载有功功率、空载无功功率、空载功率因素以及对应的空载线损率。
在一个实施场景中,获取质检机构的不同类型变压器的质检数据,质检数据包括空载运行特征数据和真实容量值,质检数据是真实可靠的数据。空载运行特征数据包括不同类型变压器的空载时的空载有功功率、空载无功功率、空载功率因素以及对应的空载线损率。
S502:将质检数据作为训练特征数据输入神经网络进行训练,获取训练完成的神经网络。
在一个具体的实施场景中,对质检数据进行整理,获取如下公式:
其中,Xtra为训练特征数据的一个输入,xn,m为第n台变压器第m个空载运行特征数据,公式(26)的第一列到第四列分别代表空载时的空载有功功率、空载无功功率、空载功率因素以及对应的空载线损率,Ytra为训练特征数据的另一个输入,,yn表示第n台变压器的真实容量值。
将Xtra和Ytra两者成对输入神经网络进行训练,获取训练完成的神经网络。神经网络用三层神经网络,如下所示:
Ypre=f(Xin)=tanh(tanh(Xin×W1+B1)×W2+B2) (29)
其中,Xin为模型的输入,是各变压器的质检数据;W1、W2为网络权重参数;B1、B2为偏置参数;Ypre为网络输出,是变压器的预估容量;tanh()为双曲正切函数。
通过梯度下降方法,优化参数W1、W2、B1、B2,求出以下公式的最小值。
S503:根据历史负载数据和历史空载时段,获取目标变压器在历史空载时段的目标数据,目标数据包括:目标有功功率、目标无功功率、目标功率因素以及对应的目标线损率。
在一个具体的实施场景中,根据历史负载数据和历史空载时段,获取每个目标变压器在历史空载时段的目标数据,目标数据包括:目标有功功率、目标无功功率、目标功率因素以及对应的目标线损率。
S504:将目标数据输入训练完成的神经网络,获取估算容量值。
在一个具体的实施场景中,将目标数据整理为如下所示的公式输入训练完成的神经网络:
xn=[x1 x2 … x4]1×4 (31)
其中,xn表示第n台目标变压器在历史空载时段的目标数据(目标有功功率、目标无功功率、目标功率因素以及对应的目标线损率)。
得到如下所示的与目标数据对应的容量值作为输出结果,即为该目标变压器的估算容量值:
yn,pre=f(xn) (32)
其中,yn,pre为第n台目标变压器的估算容量值。
获取每台目标变压器的标称容量值,设定一个阈值θ,若一个目标变压器的估算容量值与标称容量值相差太大,大于设定阈值θ,则该目标变压器被认为是第二数据异常变压器。根据以下公式计算目标变压器的估算容量值与标称容量值的相差程度:
其中,Δyn为第n台目标变压器的估算容量值与标称容量值的相差程度;yn为第n台目标变压器的标称容量值,yn,pre为第n台目标变压器的估算容量值。
通过上述描述可知,在本实施例中,获取不同类型变压器的空载运行特征数据和真实容量值,将其输入神经网络进行训练,获取训练完成的神经网络,获取目标变压器在历史空载时段的目标数据,将目标数据输入训练完成的神经网络,通过神经网络获取目标变压器的空载时的数据对应该对应的估算容量值,从而可以准确判断是否存在瞒报现象。
请参阅图6,图6是本发明提供的变压器容量瞒报识别方法的获取目标变压器的第二实施例的流程示意图。本发明提供的变压器容量瞒报识别方法包括如下步骤:
S601:获取目标变压器的历史负载数据,根据历史负载数据获取目标变压器的历史负载时段,历史负载时段包括历史空载时段和历史高负载时段。
S602:获取每个目标变压器的标称容量,查询历史负载数据获取历史空载时段对应的历史数据,历史数据包括历史有功电能、历史无功电能、历史功率因素、对应的历史线损率数据。
S603:将具有相同标称容量的目标变压器的历史数据聚类成两个历史数据类,将类数量更少的变压器类中包括的目标变压器作为第一数据异常变压器中的第一类数据异常变压。
S604:获取每个目标变压器在历史高负载时段的运行数据,根据运行获取目标变压器超负荷运行程度和超负荷运行的总时间占比。
S605:根据超负荷运行程度和超负荷运行的总时间占比判断目标变压器是否为第一数据异常变压器中的第二类数据异常变压器。
S606:获取不同类型变压器的质检数据,质检数据包括空载运行特征数据和真实容量值,空载运行特征数据包括空载时的空载有功功率、空载无功功率、空载功率因素以及对应的空载线损率。
S607:将质检数据作为训练特征数据输入神经网络进行训练,获取训练完成的神经网络。
S608:根据历史负载数据和历史空载时段,获取目标变压器在历史空载时段的目标数据,目标数据包括:目标有功功率、目标无功功率、目标功率因素以及对应的目标线损率。
S609:将目标数据输入训练完成的神经网络,获取估算容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器。
在一个具体的实施场景中,步骤S601-S609已经在上述的各个实施例中进行了具体的描述,此处不再赘述。
S610:获取第一类数据异常变压器对应的第一权重和第二类数据异常变压器对应的第二权重以及第二数据异常变压器对应的第三权重。
在一个具体的实施场景中,第一类数据异常变压器对应的第一权重和第二类数据异常变压器对应的第二权重以及第二数据异常变压器对应的第三权重:η1、η2、η3,可以由用户设置或修改。
S611:将第一类数据异常变压器、第二类数据异常变压器和第二数据异常变压器作为目标数据异常变压器,整理为矩阵形式后与第一权重、第二权重和第三权重组成的矩阵相乘,获取每台目标数据异常变压器的瞒报可能性程度。
在一个具体的实施场景中,将第一类数据异常变压器、第二类数据异常变压器和第二数据异常变压器整理为矩阵形式:
第n行数据代表第n台目标数据异常变压器被是否为第一类数据异常变压器、第二类数据异常变压器、第二数据异常变压器。第n行,第1列、第2列、第3列等于1,代表第n台目标数据异常变压器分别为第一类数据异常变压器、第二类数据异常变压器、第二数据异常变压器。
将第一权重、第二权重和第三权重组成的矩阵,如下所示:
根据以下公式获取瞒报可能性程度:
其中,pn表示第n台目标数据异常变压器容量瞒报可能性程度。
S612:将瞒报可能性程度大于预设阈值的目标数据异常变压器作为瞒报变压器。
在一个具体的实施场景中,设置预设阈值λ,如果pn>λ,则第n台目标数据异常变压器被判断为瞒报变压器。
通过上述描述可知,在本实施例中获取第一类数据异常变压器对应的第一权重和第二类数据异常变压器对应的第二权重以及第二数据异常变压器对应的第三权重,将第一类数据异常变压器、第二类数据异常变压器和第二数据异常变压器作为目标数据异常变压器,整理为矩阵形式后与第一权重、第二权重和第三权重组成的矩阵相乘,获取每台目标数据异常变压器的瞒报可能性程度,将瞒报可能性程度大于预设阈值的目标数据异常变压器作为瞒报变压器,能够基于大数据快速地识别出有瞒报容量嫌疑的变压器,帮助电网进一步现场实测,减少由于变压器容量瞒报给电网带来的损失。
请参阅图7,图7是本发明提供的变压器容量瞒报识别系统的一实施例的结构示意图。变压器容量瞒报识别系统包括:获取模块11、第一异常模块12、第二异常模块13、瞒报模块14。
获取模块11用于获取目标变压器的历史负载数据,根据历史负载数据获取目标变压器的历史负载时段,历史负载时段包括历史空载时段和历史高负载时段。第一异常模块12用于根据历史负载时段和历史负载数据获取历史负载运行数据,根据历史负载运行数据获取目标变压器中的第一数据异常变压器。第二异常模块13用于根据历史负载数据获取目标变压器的估算容量值,获取目标变压器的标称容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器。瞒报模块14用于根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器。
获取模块11用于将历史负载数据中具有相同或相似用电习惯模式的历史负载数据聚类在一起,生成用电模式聚类数据;针对每个用电模式聚类数据中具有相同或相近用电时段的历史负载数据聚类在一起,生成用电时段聚类数据;提取所有的用户用电时段聚类数据中的特征负载聚类数据,对特征负载聚类数据进行筛选获取历史负载数据,将历史负载数据对应的时间段作为历史负载时段。
获取模块11用于获取每个特征负载聚类数据的平均值,将若特征负载聚类数据按照平均值的大小进行排序,生成聚类数据队列;获取聚类数据队列中排序第一的特征负载聚类数据作为目标特征负载聚类数据,判断目标特征负载聚类数据里是否存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他满足要求的要求负载时段;若存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他负载满足要求的要求负载时段,则将目标特征负载聚类数据作为目标聚类数据,将目标聚类数据中的极值作为历史负载数据;若不存在属于相邻的两天里的同一时段的两个特征负载时段,和/或这两天对应的历史负载数据中不存在其他负载满足要求的要求负载时段,则将当前特征负载聚类数据排序后一个的特征负载聚类数据作为新的目标特征负载聚类数据重复判断目标特征负载聚类数据里是否存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他负载满足要求的要求负载时段及其之后的步骤。
其中,当历史负载时段为历史空载时段时,将特征负载聚类数据按照平均值的从小到大的顺序进行排序,其他满足要求的要求负载时段为负载高于预设高阈值的时段,目标聚类数据中的极值为目标聚类数据中的最小值;当历史负载时段为历史高负载时段时,将特征负载聚类数据按照平均值的从大到小的顺序进行排序,其他满足要求的要求负载时段为负载低于预设低阈值的时段,目标聚类数据中的极值为目标聚类数据中的最大值。
第一异常模块12用于根据历史空载时段获取空载运行数据,根据历史高负载时段获取高负载运行数据。
第一异常模块12用于获取每个目标变压器的标称容量,查询历史负载数据获取历史空载时段对应的历史数据,历史数据包括历史有功电能、历史无功电能、历史功率因素、对应的历史线损率数据。将具有相同标称容量的目标变压器的历史数据聚类成两个历史数据类,将类数量更少的变压器类中包括的目标变压器作为第一数据异常变压器中的第一类数据异常变压器;
第一异常模块12用于获取每个目标变压器在历史高负载时段的运行数据,根据运行获取目标变压器超负荷运行程度和超负荷运行的总时间占比;根据超负荷运行程度和超负荷运行的总时间占比判断目标变压器是否为第一数据异常变压器中的第二类数据异常变压器。
瞒报模块14用于获取第一类数据异常变压器对应的第一权重和第二类数据异常变压器对应的第二权重以及第二数据异常变压器对应的第三权重;将第一类数据异常变压器、第二类数据异常变压器和第二数据异常变压器作为目标数据异常变压器,整理为矩阵形式后与第一权重、第二权重和第三权重组成的矩阵相乘,获取每台目标数据异常变压器的瞒报可能性程度;将瞒报可能性程度大于预设阈值的目标数据异常变压器作为瞒报变压器。
第二异常模块13用于获取第一类数据异常变压器对应的第一权重和第二类数据异常变压器对应的第二权重以及第二数据异常变压器对应的第三权重;将第一类数据异常变压器、第二类数据异常变压器和第二数据异常变压器作为目标数据异常变压器,整理为矩阵形式后与第一权重、第二权重和第三权重组成的矩阵相乘,获取每台目标数据异常变压器的瞒报可能性程度;将瞒报可能性程度大于预设阈值的目标数据异常变压器作为瞒报变压器。
通过上述描述可知,在本实施例中根据历史负载数据获取目标变压器的历史负载时段,根据历史负载时段和历史负载数据获取历史负载运行数据,根据历史负载运行数据获取目标变压器中的第一数据异常变压器,根据历史负载数据获取目标变压器的估算容量值,获取目标变压器的标称容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器,根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器,能够基于大数据快速地识别出有瞒报容量嫌疑的变压器,帮助电网进一步现场实测,减少由于变压器容量瞒报给电网带来的损失。
请参阅图8,图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图8所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现年龄识别方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行年龄识别方法。本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提出了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取目标变压器的历史负载数据,根据历史负载数据获取目标变压器的历史负载时段,历史负载时段包括历史空载时段和历史高负载时段;根据历史负载时段和历史负载数据获取历史负载运行数据,根据历史负载运行数据获取目标变压器中的第一数据异常变压器;根据历史负载数据获取目标变压器的估算容量值,获取目标变压器的标称容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器;根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器。
其中,根据历史负载数据获取目标变压器的历史负载时段的步骤,包括:将历史负载数据中具有相同或相似用电习惯模式的历史负载数据聚类在一起,生成用电模式聚类数据;针对每个用电模式聚类数据中具有相同或相近用电时段的历史负载数据聚类在一起,生成用电时段聚类数据;提取所有的用户用电时段聚类数据中的特征负载聚类数据,对特征负载聚类数据进行筛选获取历史负载数据,将历史负载数据对应的时间段作为历史负载时段。
其中,对特征负载聚类数据进行筛选获取历史负载聚类数据的步骤,包括:获取每个特征负载聚类数据的平均值,将若特征负载聚类数据按照平均值的大小进行排序,生成聚类数据队列;获取聚类数据队列中排序第一的特征负载聚类数据作为目标特征负载聚类数据,判断目标特征负载聚类数据里是否存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他满足要求的要求负载时段;若存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他负载满足要求的要求负载时段,则将目标特征负载聚类数据作为目标聚类数据,将目标聚类数据中的极值作为历史负载数据;若不存在属于相邻的两天里的同一时段的两个特征负载时段,和/或这两天对应的历史负载数据中不存在其他负载满足要求的要求负载时段,则将当前特征负载聚类数据排序后一个的特征负载聚类数据作为新的目标特征负载聚类数据重复判断目标特征负载聚类数据里是否存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他负载满足要求的要求负载时段及其之后的步骤。
其中,当历史负载时段为历史空载时段时,将特征负载聚类数据按照平均值的从小到大的顺序进行排序,其他满足要求的要求负载时段为负载高于预设高阈值的时段,目标聚类数据中的极值为目标聚类数据中的最小值;当历史负载时段为历史高负载时段时,将特征负载聚类数据按照平均值的从大到小的顺序进行排序,其他满足要求的要求负载时段为负载低于预设低阈值的时段,目标聚类数据中的极值为目标聚类数据中的最大值。
其中,根据历史负载时段和历史负载数据获取历史负载运行数据的步骤,包括:根据历史空载时段获取空载运行数据,根据历史高负载时段获取高负载运行数据。
其中。根据历史空载时段获取空载运行数据的步骤,包括:获取每个目标变压器的标称容量,查询历史负载数据获取历史空载时段对应的历史数据,历史数据包括历史有功电能、历史无功电能、历史功率因素、对应的历史线损率数据;将具有相同标称容量的目标变压器的历史数据聚类成两个历史数据类,将类数量更少的变压器类中包括的目标变压器作为第一数据异常变压器中的第一类数据异常变压器;
其中,根据历史高负载时段获取高负载运行数据的步骤,包括:获取每个目标变压器在历史高负载时段的运行数据,根据运行获取目标变压器超负荷运行程度和超负荷运行的总时间占比;根据超负荷运行程度和超负荷运行的总时间占比判断目标变压器是否为第一数据异常变压器中的第二类数据异常变压器。
其中,根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器的步骤,包括:获取第一类数据异常变压器对应的第一权重和第二类数据异常变压器对应的第二权重以及第二数据异常变压器对应的第三权重;将第一类数据异常变压器、第二类数据异常变压器和第二数据异常变压器作为目标数据异常变压器,整理为矩阵形式后与第一权重、第二权重和第三权重组成的矩阵相乘,获取每台目标数据异常变压器的瞒报可能性程度;将瞒报可能性程度大于预设阈值的目标数据异常变压器作为瞒报变压器。
其中,根据历史负载数据获取目标变压器的估算容量值的步骤,包括:获取不同类型变压器的质检数据,质检数据包括空载运行特征数据和真实容量值,空载运行特征数据包括空载时的空载有功功率、空载无功功率、空载功率因素以及对应的空载线损率;将质检数据作为训练特征数据输入神经网络进行训练,获取训练完成的神经网络;根据历史负载数据和历史空载时段,获取目标变压器在历史空载时段的目标数据,目标数据包括:目标有功功率、目标无功功率、目标功率因素以及对应的目标线损率;将目标数据输入训练完成的神经网络,获取估算容量值。
在一个实施例中,提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取目标变压器的历史负载数据,根据历史负载数据获取目标变压器的历史负载时段,历史负载时段包括历史空载时段和历史高负载时段;根据历史负载时段和历史负载数据获取历史负载运行数据,根据历史负载运行数据获取目标变压器中的第一数据异常变压器;根据历史负载数据获取目标变压器的估算容量值,获取目标变压器的标称容量值,根据估算容量值和标称容量值获取目标变压器中的第二数据异常变压器;根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器。
其中,根据历史负载数据获取目标变压器的历史负载时段的步骤,包括:将历史负载数据中具有相同或相似用电习惯模式的历史负载数据聚类在一起,生成用电模式聚类数据;针对每个用电模式聚类数据中具有相同或相近用电时段的历史负载数据聚类在一起,生成用电时段聚类数据;提取所有的用户用电时段聚类数据中的特征负载聚类数据,对特征负载聚类数据进行筛选获取历史负载数据,将历史负载数据对应的时间段作为历史负载时段。
其中,对特征负载聚类数据进行筛选获取历史负载聚类数据的步骤,包括:获取每个特征负载聚类数据的平均值,将若特征负载聚类数据按照平均值的大小进行排序,生成聚类数据队列;获取聚类数据队列中排序第一的特征负载聚类数据作为目标特征负载聚类数据,判断目标特征负载聚类数据里是否存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他满足要求的要求负载时段;若存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他负载满足要求的要求负载时段,则将目标特征负载聚类数据作为目标聚类数据,将目标聚类数据中的极值作为历史负载数据;若不存在属于相邻的两天里的同一时段的两个特征负载时段,和/或这两天对应的历史负载数据中不存在其他负载满足要求的要求负载时段,则将当前特征负载聚类数据排序后一个的特征负载聚类数据作为新的目标特征负载聚类数据重复判断目标特征负载聚类数据里是否存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他负载满足要求的要求负载时段及其之后的步骤。
其中,当历史负载时段为历史空载时段时,将特征负载聚类数据按照平均值的从小到大的顺序进行排序,其他满足要求的要求负载时段为负载高于预设高阈值的时段,目标聚类数据中的极值为目标聚类数据中的最小值;当历史负载时段为历史高负载时段时,将特征负载聚类数据按照平均值的从大到小的顺序进行排序,其他满足要求的要求负载时段为负载低于预设低阈值的时段,目标聚类数据中的极值为目标聚类数据中的最大值。
其中,根据历史负载时段和历史负载数据获取历史负载运行数据的步骤,包括:根据历史空载时段获取空载运行数据,根据历史高负载时段获取高负载运行数据。
其中。根据历史空载时段获取空载运行数据的步骤,包括:获取每个目标变压器的标称容量,查询历史负载数据获取历史空载时段对应的历史数据,历史数据包括历史有功电能、历史无功电能、历史功率因素、对应的历史线损率数据;将具有相同标称容量的目标变压器的历史数据聚类成两个历史数据类,将类数量更少的变压器类中包括的目标变压器作为第一数据异常变压器中的第一类数据异常变压器;
其中,根据历史高负载时段获取高负载运行数据的步骤,包括:获取每个目标变压器在历史高负载时段的运行数据,根据运行获取目标变压器超负荷运行程度和超负荷运行的总时间占比;根据超负荷运行程度和超负荷运行的总时间占比判断目标变压器是否为第一数据异常变压器中的第二类数据异常变压器。
其中,根据第一数据异常变压器和第二数据异常变压器获取目标变压器中的瞒报变压器的步骤,包括:获取第一类数据异常变压器对应的第一权重和第二类数据异常变压器对应的第二权重以及第二数据异常变压器对应的第三权重;将第一类数据异常变压器、第二类数据异常变压器和第二数据异常变压器作为目标数据异常变压器,整理为矩阵形式后与第一权重、第二权重和第三权重组成的矩阵相乘,获取每台目标数据异常变压器的瞒报可能性程度;将瞒报可能性程度大于预设阈值的目标数据异常变压器作为瞒报变压器。
其中,根据历史负载数据获取目标变压器的估算容量值的步骤,包括:获取不同类型变压器的质检数据,质检数据包括空载运行特征数据和真实容量值,空载运行特征数据包括空载时的空载有功功率、空载无功功率、空载功率因素以及对应的空载线损率;将质检数据作为训练特征数据输入神经网络进行训练,获取训练完成的神经网络;根据历史负载数据和历史空载时段,获取目标变压器在历史空载时段的目标数据,目标数据包括:目标有功功率、目标无功功率、目标功率因素以及对应的目标线损率;将目标数据输入训练完成的神经网络,获取估算容量值。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。请输入具体实施内容部分。
Claims (10)
1.一种变压器容量瞒报识别方法,其特征在于,包括如下步骤:
获取目标变压器的历史负载数据,根据所述历史负载数据获取所述目标变压器的历史负载时段,所述历史负载时段包括历史空载时段和历史高负载时段;
根据所述历史负载时段和所述历史负载数据获取历史负载运行数据,根据所述历史负载运行数据获取所述目标变压器中的第一数据异常变压器;
根据所述历史负载数据获取所述目标变压器的估算容量值,获取所述目标变压器的标称容量值,根据所述估算容量值和所述标称容量值获取所述目标变压器中的第二数据异常变压器;
根据所述第一数据异常变压器和所述第二数据异常变压器获取所述目标变压器中的瞒报变压器。
2.根据权利要求1所述的变压器容量瞒报识别方法,其特征在于,所述根据所述历史负载数据获取所述目标变压器的历史负载时段的步骤,包括:
将所述历史负载数据中具有相同或相似用电习惯模式的历史负载数据聚类在一起,生成用电模式聚类数据;
针对每个所述用电模式聚类数据中具有相同或相近用电时段的历史负载数据聚类在一起,生成用电时段聚类数据;
提取所有的所述用户用电时段聚类数据中的特征负载聚类数据,对所述特征负载聚类数据进行筛选获取历史负载数据,将所述历史负载数据对应的时间段作为所述历史负载时段。
3.根据权利要求2所述的变压器容量瞒报识别方法,其特征在于,所述对所述特征负载聚类数据进行筛选获取历史负载聚类数据的步骤,包括:
获取每个所述特征负载聚类数据的平均值,将所述若特征负载聚类数据按照所述平均值的大小进行排序,生成聚类数据队列;
获取所述聚类数据队列中排序第一的特征负载聚类数据作为目标特征负载聚类数据,判断目标特征负载聚类数据里是否存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他满足要求的要求负载时段;
若存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他负载满足要求的要求负载时段,则将所述目标特征负载聚类数据作为目标聚类数据,将所述目标聚类数据中的极值作为所述历史负载数据;
若不存在属于相邻的两天里的同一时段的两个特征负载时段,和/或这两天对应的历史负载数据中不存在其他负载满足要求的要求负载时段,则将当前所述特征负载聚类数据排序后一个的特征负载聚类数据作为新的目标特征负载聚类数据重复所述判断目标特征负载聚类数据里是否存在属于相邻的两天里的同一时段的两个特征负载时段,且这两天对应的历史负载数据中存在其他负载满足要求的要求负载时段及其之后的步骤。
4.根据权利要求3所述的变压器容量瞒报识别方法,其特征在于,
当所述历史负载时段为历史空载时段时,将所述特征负载聚类数据按照所述平均值的从小到大的顺序进行排序,所述其他满足要求的要求负载时段为负载高于预设高阈值的时段,所述目标聚类数据中的极值为目标聚类数据中的最小值;
当所述历史负载时段为历史高负载时段时,将所述特征负载聚类数据按照所述平均值的从大到小的顺序进行排序,所述其他满足要求的要求负载时段为负载低于预设低阈值的时段,所述目标聚类数据中的极值为目标聚类数据中的最大值。
5.根据权利要求1所述的变压器容量瞒报识别方法,其特征在于,所述根据所述历史负载时段和所述历史负载数据获取历史负载运行数据的步骤,包括:
根据所述历史空载时段获取空载运行数据,根据所述历史高负载时段获取高负载运行数据;
所述根据所述历史空载时段获取空载运行数据的步骤,包括:
获取每个所述目标变压器的标称容量,查询所述历史负载数据获取所述历史空载时段对应的历史数据,所述历史数据包括历史有功电能、历史无功电能、历史功率因素、对应的历史线损率数据;
将具有相同标称容量的目标变压器的历史数据聚类成两个历史数据类,将类数量更少的变压器类中包括的目标变压器作为所述第一数据异常变压器中的第一类数据异常变压器;
所述根据所述历史高负载时段获取高负载运行数据的步骤,包括:
获取每个所述目标变压器在历史高负载时段的运行数据,根据所述运行获取所述目标变压器超负荷运行程度和超负荷运行的总时间占比;
根据所述超负荷运行程度和所述超负荷运行的总时间占比判断所述目标变压器是否为所述第一数据异常变压器中的第二类数据异常变压器。
6.根据权利要求5所述的变压器容量瞒报识别方法,其特征在于,所述根据所述第一数据异常变压器和所述第二数据异常变压器获取所述目标变压器中的瞒报变压器的步骤,包括:
获取所述第一类数据异常变压器对应的第一权重和所述第二类数据异常变压器对应的第二权重以及第二数据异常变压器对应的第三权重;
将所述第一类数据异常变压器、所述第二类数据异常变压器和所述第二数据异常变压器作为目标数据异常变压器,整理为矩阵形式后与所述第一权重、所述第二权重和所述第三权重组成的矩阵相乘,获取每台所述目标数据异常变压器的瞒报可能性程度;
将所述瞒报可能性程度大于预设阈值的目标数据异常变压器作为所述瞒报变压器。
7.根据权利要求1所述的变压器容量瞒报识别方法,其特征在于,所述根据所述历史负载数据获取所述目标变压器的估算容量值的步骤,包括:
获取不同类型变压器的质检数据,所述质检数据包括空载运行特征数据和真实容量值,所述空载运行特征数据包括空载时的空载有功功率、空载无功功率、空载功率因素以及对应的空载线损率;
将所述质检数据作为训练特征数据输入神经网络进行训练,获取训练完成的神经网络;
根据所述历史负载数据和所述历史空载时段,获取所述目标变压器在所述历史空载时段的目标数据,所述目标数据包括:目标有功功率、目标无功功率、目标功率因素以及对应的目标线损率;
将所述目标数据输入所述训练完成的神经网络,获取所述估算容量值。
8.一种变压器容量瞒报识别系统,其特征在于,包括如下模块:
获取模块,用于获取目标变压器的历史负载数据,根据所述历史负载数据获取所述目标变压器的历史负载时段,所述历史负载时段包括历史空载时段和历史高负载时段;
第一异常模块,用于根据所述历史负载时段和所述历史负载数据获取历史负载运行数据,根据所述历史负载运行数据获取所述目标变压器中的第一数据异常变压器;
第二异常模块,用于根据所述历史负载数据获取所述目标变压器的估算容量值,获取所述目标变压器的标称容量值,根据所述估算容量值和所述标称容量值获取所述目标变压器中的第二数据异常变压器;
瞒报模块,用于根据所述第一数据异常变压器和所述第二数据异常变压器获取所述目标变压器中的瞒报变压器。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264133.4A CN114723234A (zh) | 2022-03-17 | 2022-03-17 | 变压器容量瞒报识别方法、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210264133.4A CN114723234A (zh) | 2022-03-17 | 2022-03-17 | 变压器容量瞒报识别方法、系统、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114723234A true CN114723234A (zh) | 2022-07-08 |
Family
ID=82238510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210264133.4A Pending CN114723234A (zh) | 2022-03-17 | 2022-03-17 | 变压器容量瞒报识别方法、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114723234A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203274A (zh) * | 2022-07-25 | 2022-10-18 | 云南电网有限责任公司楚雄供电局 | 一种配电变压器容量异常的大数据筛查系统 |
CN117197986A (zh) * | 2023-11-08 | 2023-12-08 | 南通辉迈信息科技有限公司 | 建筑楼层的消防报警系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和系统 |
CN110048462A (zh) * | 2019-05-17 | 2019-07-23 | 广东工业大学 | 一种并网型光伏储能系统的能量调度方法、装置及系统 |
CN111598148A (zh) * | 2020-04-29 | 2020-08-28 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
CN113253609A (zh) * | 2020-02-11 | 2021-08-13 | 卡特彼勒公司 | 具有智能自适应控制的混合能量存储系统优化策略 |
-
2022
- 2022-03-17 CN CN202210264133.4A patent/CN114723234A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596416A (zh) * | 2017-12-29 | 2018-09-28 | 中国南方电网有限责任公司电网技术研究中心 | 获取用电负荷基准量的方法和系统 |
CN110048462A (zh) * | 2019-05-17 | 2019-07-23 | 广东工业大学 | 一种并网型光伏储能系统的能量调度方法、装置及系统 |
CN113253609A (zh) * | 2020-02-11 | 2021-08-13 | 卡特彼勒公司 | 具有智能自适应控制的混合能量存储系统优化策略 |
CN111598148A (zh) * | 2020-04-29 | 2020-08-28 | 中国电子科技集团公司第二十八研究所 | 一种基于历史容量相似特征的容量评估方法及设备 |
Non-Patent Citations (2)
Title |
---|
穆富晶 等: "10kV配电网线损异常成因及管理措施分析", 科技创新与应用, no. 29, 15 October 2018 (2018-10-15), pages 187 - 188 * |
贾辉: "电网线损分析及采取的措施和管理", 电子制作, no. 9, 1 May 2017 (2017-05-01), pages 85 - 86 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115203274A (zh) * | 2022-07-25 | 2022-10-18 | 云南电网有限责任公司楚雄供电局 | 一种配电变压器容量异常的大数据筛查系统 |
CN115203274B (zh) * | 2022-07-25 | 2023-12-26 | 云南电网有限责任公司楚雄供电局 | 一种配电变压器容量异常的大数据筛查系统 |
CN117197986A (zh) * | 2023-11-08 | 2023-12-08 | 南通辉迈信息科技有限公司 | 建筑楼层的消防报警系统 |
CN117197986B (zh) * | 2023-11-08 | 2024-02-20 | 南通辉迈信息科技有限公司 | 建筑楼层的消防报警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114723234A (zh) | 变压器容量瞒报识别方法、系统、计算机设备和存储介质 | |
CN109598095B (zh) | 评分卡模型的建立方法、装置、计算机设备和存储介质 | |
CN111160625B (zh) | 电力负荷预测方法、装置、计算机设备及存储介质 | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
EP4113139A1 (en) | Lithium battery soc estimation method and apparatus, and computer-readable storage medium | |
CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN110826789A (zh) | 基于电力系统的电力负荷预测方法、装置及终端设备 | |
CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN109583086A (zh) | 配电变压器重过载预测方法及终端设备 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN110765351A (zh) | 目标用户识别方法、装置、计算机设备和存储介质 | |
CN115805810A (zh) | 电池故障预测方法、装置、设备、存储介质和程序产品 | |
CN112464059A (zh) | 配电网用户分类方法、装置、计算机设备和存储介质 | |
CN117233608A (zh) | 储能电池检测方法及装置、存储介质及电子设备 | |
CN115856694B (zh) | 电池寿命预测方法、装置、计算机设备和存储介质 | |
CN111311025A (zh) | 一种基于气象相似日的负荷预测方法 | |
CN111680740A (zh) | 神经网络的训练方法、装置及用电负荷的判别方法、装置 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
CN113837467B (zh) | 点对点能源项目评估方法、装置、计算机设备和存储介质 | |
CN114219245B (zh) | 基于大数据的乡村电力指数评价方法、装置及存储介质 | |
CN115618286A (zh) | 变压器局部放电类型识别方法、系统、设备、终端及应用 | |
CN114548585A (zh) | 一种基于神经网络的城市建筑震害预测方法 | |
CN114091908A (zh) | 计及多模式储能站的配电网综合评价方法、装置和设备 | |
CN113722195A (zh) | 基于ahp层级分析法的局域网运行评估系统及方法 | |
CN112256735A (zh) | 一种用电监测方法、装置、计算机设备和存储介质 |
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 |