CN115511156A - 一种基于负载预测的主变重过载预警方法和系统 - Google Patents

一种基于负载预测的主变重过载预警方法和系统 Download PDF

Info

Publication number
CN115511156A
CN115511156A CN202211050381.5A CN202211050381A CN115511156A CN 115511156 A CN115511156 A CN 115511156A CN 202211050381 A CN202211050381 A CN 202211050381A CN 115511156 A CN115511156 A CN 115511156A
Authority
CN
China
Prior art keywords
load
data
early warning
main transformer
value
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
CN202211050381.5A
Other languages
English (en)
Inventor
刘阳升
吴秋莉
张炜
刘鹏
韦昌福
张玉波
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 Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi 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 Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202211050381.5A priority Critical patent/CN115511156A/zh
Publication of CN115511156A publication Critical patent/CN115511156A/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力领域，尤其涉及一种基于负载预测的主变重过载预警方法和系统，方法包括：处理负载历史数据，得到训练数据集和测试数据集；通过训练数据训练鲁棒深度学习模型，通过测试数据集代入鲁棒深度学习模型，进行短期负载预测得到负载预测值；根据负载预测值和主变额定容量，输出重过载预警。通过处理负载历史数据，得到训练数据集和测试数据集，可以为后续预测负载值提供判断基础；通过训练数据训练鲁棒深度学习模型，通过测试数据集代入所述鲁棒深度学习模型，进行短期负载预测得到负载预测值，可以有效进行负载的预测；根据负载预测值和主变额定容量，输出重过载预警，可以合理的输出预警以降低变压器的运行风险。

Description

一种基于负载预测的主变重过载预警方法和系统
技术领域
本发明属于电力领域，尤其涉及一种基于负载预测的主变重过载预警方法和系统。
背景技术
主变压器和配电变压器都是电网中的重要设备，主变压器直接接收输电网或发电厂中的高压电力转变为低压输出给后续配电变压器，所以主变压器的稳定对后续配电变压器产生直接影响，而部分配电变压器与用户相连，对用户有最直接的影响，主配电变压器是电网中故障最容易出现故障的设备之一，如果主配电变压器出现故障，可能会导致某些地区停电，对人们的正常生产生活有各种不同程度的影响。当人们用电需求增加用电负荷剧增，引起大量配电变压器过负荷的运行状态，久而久之将出现故障甚至事故，进而导致用户安全可靠用电需求难以保证，使用户对电力的满意度极大地降低。
主变压器和配电变压的负载率的一般取在70％～85％最合适，配电变压器的长期工作负载率不宜大于85％。当30％以下时将导致变压器“大马拉小车”，达到80％时将发生主配电变压器重载甚至过载的现象，通常当变压器的负载达到其铭牌容量的80％至100％定义为重载，变压器的过载状态定义为主配电变压器的负载达到或超过铭牌容量的100％，即超过其正常负荷值的运行状态。一般情况下，主配电变压器不允许长期过载运行，主配电变压器的重过载状态只能存在一定时间如果超过了这一持续时间，就有可能产生各种故障或意外事故。因此，变压器重过载能否准确预警，直接关系着变压器运行的安全和供电的可靠性。
发明内容
为了解决或者改善上述问题，本发明提供了一种基于负载预测的主变重过载预警方法和系统，具体技术方案如下：
本发明提供一种基于负载预测的主变重过载预警方法，包括：处理负载历史数据，得到训练数据集和测试数据集；通过所述训练数据训练鲁棒深度学习模型，通过所述测试数据集代入所述鲁棒深度学习模型，进行短期负载预测得到负载预测值；根据所述负载预测值和主变额定容量，输出重过载预警。
优选的，所述处理负载历史数据，包括：通过数据缺失填补、数据异常剔除和数据归一化，处理所述负载历史数据。
优选的，所述缺失填补方法为均值-临近值插补，对应的公式包括：
Figure BDA0003822281360000021
式中，A(t)为缺失的第t个数据，A(i)为缺失数据时刻之前的N个时刻数据，A(k)为缺失数据时刻之后的N个时刻数据，ω为1-1之间的权重系数；数据异常剔除采用高斯核函数法：将数据x代入高斯核函数
Figure BDA0003822281360000022
将高斯核函数值小于阈值δbd的视为异常数据剔除。
优选的，所述鲁棒深度学习模型包括：
Figure BDA0003822281360000023
式中，R表示鲁棒深度学习网络，B为所述训练数据集，
Figure BDA0003822281360000024
为所述训练数据集中的一组，a为所述负载预测值，a*(s)表示各组训练数据s(s∈B)中负载预测误差最小的预测值，c为常数。
优选的，所述根据所述负载预测值和主变额定容量输出重过载预警，包括：如果连续3小时出现所述负载预测值在主变额定容量的80％和100％之间，进行重载预警；如果连续3小时出现所述负载预测值大于主变额定容量的100％，进行过载预警。
本发明提供一种基于负载预测的主变重过载预警系统，包括：第一单元，用于处理负载历史数据，得到训练数据集和测试数据集；第二单元，用于通过所述训练数据训练鲁棒深度学习模型，通过所述测试数据集代入所述鲁棒深度学习模型，进行短期负载预测得到负载预测值；第三单元，用于根据所述负载预测值和主变额定容量，输出重过载预警。
优选的，所述处理负载历史数据，包括：通过数据缺失填补、数据异常剔除和数据归一化，处理所述负载历史数据。
优选的，所述缺失填补方法为均值-临近值插补，对应的公式包括：
Figure BDA0003822281360000031
式中，A(t)为缺失的第t个数据，A(i)为缺失数据时刻之前的N个时刻数据，A(k)为缺失数据时刻之后的N个时刻数据，ω为1-1之间的权重系数；数据异常剔除采用高斯核函数法：将数据x代入高斯核函数
Figure BDA0003822281360000032
将高斯核函数值小于阈值δbd的视为异常数据剔除。
优选的，所述鲁棒深度学习模型包括：
Figure BDA0003822281360000033
式中，R表示鲁棒深度学习网络，B为所述训练数据集，
Figure BDA0003822281360000034
为所述训练数据集中的一组，a为所述负载预测值，a*(s)表示各组训练数据s(s∈B)中负载预测误差最小的预测值，c为常数。
优选的，所述根据所述负载预测值和主变额定容量输出重过载预警，包括：如果连续3小时出现所述负载预测值在主变额定容量的80％和100％之间，进行重载预警；如果连续3小时出现所述负载预测值大于主变额定容量的100％，进行过载预警。
本发明的有益效果为：通过处理负载历史数据，得到训练数据集和测试数据集，可以为后续预测负载值提供判断基础；通过所述训练数据训练鲁棒深度学习模型，通过所述测试数据集代入所述鲁棒深度学习模型，进行短期负载预测得到负载预测值，可以有效进行负载的预测；根据所述负载预测值和主变额定容量，输出重过载预警，可以合理的输出预警以降低变压器的运行风险。
附图说明
图1是根据本发明的基于负载预测的主变重过载预警方法的示意图；
图2是根据本发明的基于负载预测的主变重过载预警系统的示意图；
图3是根据本发明的基于负载预测的主变重过载预警流程的示意图。
主要附图标记说明：
1-第一单元，2-第二单元，3-第三单元。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
为了解决或者改善对背景所提出的问题，本发明提供如图1所示一种基于负载预测的主变重过载预警方法，包括：S1、处理负载历史数据，得到训练数据集和测试数据集；S2、通过所述训练数据训练鲁棒深度学习模型，通过所述测试数据集代入所述鲁棒深度学习模型，进行短期负载预测得到负载预测值；S3、根据所述负载预测值和主变额定容量，输出重过载预警。
历史数据(或者实时采集到基础数据)包括：
(1)节假日数据，节假日、周六日；
(2)气象数据：天气状况、每日最低气温、每日最高气温、每日平均气温、每日相对湿度、每日降雨量；
(3)主变历史负载数据。
历史数据通过数据预处理，来提高数据的准确度，数据预处理包括数据缺失填补、数据异常剔除和数据归一化。
所述处理负载历史数据，包括：通过数据缺失填补、数据异常剔除和数据归一化，处理所述负载历史数据。
训练数据集为基于一定的规则，从历史数据中选择/提取得到的符合一定特征的数据集合。测试数据集为已有的范用的测试用数据集合，或者根据实验/经验得到的可以用于测试鲁棒深度学习模型的测试用数据集合。
深度学习(DL，Deep Learning)是机器学习(ML，Machine Learning)领域中一个研究方向。深度学习模型为基于深度学习的数据处理模型。鲁棒深度学习模型为符合鲁棒性的深度学习模型。通过鲁棒深度学习模型，能够合理的处理数据得到一定的结果。具体来说，通过训练数据集训练原始的鲁棒深度学习模型，得到专门的鲁棒深度学习模型，然后通过测试数据集验证专门的鲁棒深度学习模型是否能够输出正确的结果，如果输出的结果无异常，则证明专门的鲁棒深度学习模型可以投入使用，否则需要重新训练或者测试。
变压器的存在不同的规格，可以通过实地的方式采集与待测试的变压器相关的运行数据。通过专门的鲁棒深度学习模型和运行数据，可以完成短期负载预测得到负载预测值。
根据负载预测值和待测试的变压器的实际规格(主变额定容量，即主变压器的额定容量)，进行比较判断，根据判断结果输出对应的重/过载预警(重载和过载)。
所述缺失填补方法为均值-临近值插补，对应的公式包括：
Figure BDA0003822281360000061
式中，A(t)为缺失的第t个数据，A(i)为缺失数据时刻之前的N个时刻数据，A(k)为缺失数据时刻之后的N个时刻数据，ω为1-1之间的权重系数；数据异常剔除采用高斯核函数法：将数据x代入高斯核函数
Figure BDA0003822281360000062
将高斯核函数值小于阈值δbd的视为异常数据剔除。
数据异常剔除采用高斯核函数法，将数据x代入高斯核函数
Figure BDA0003822281360000063
将高斯核函数值小于阈值δbd的视为异常数据剔除，阈值δbd取0.1495。
所述鲁棒深度学习模型包括：
Figure BDA0003822281360000064
式中，R表示鲁棒深度学习网络，B为所述训练数据集，
Figure BDA0003822281360000065
为所述训练数据集中的一组，a为所述负载预测值，a*(s)表示各组训练数据s(s∈B)中负载预测误差最小的预测值，c为常数，按经验取0.01。
所述根据所述负载预测值和主变额定容量输出重过载预警，包括：如果连续3小时出现所述负载预测值在主变额定容量的80％和100％之间，进行重载预警；如果连续3小时出现所述负载预测值大于主变额定容量的100％，进行过载预警。
基于负载预测的主变重过载预警方法的验证效果：通过某主变2013年4月10日至2013年5月11日的28天的数据预测2013年5月8日至2013年5月14日共7天的负载，输出节点为一天96组负载数据，预测的结果包括：预测的负载与实际负载基本相符，能够通过负载预测值进行重载、过载的准确预警，具有很好的工程应用前景。
本发明提供如图2所示一种基于负载预测的主变重过载预警系统，包括：第一单元1，用于处理负载历史数据，得到训练数据集和测试数据集；第二单元2，用于通过所述训练数据训练鲁棒深度学习模型，通过所述测试数据集代入所述鲁棒深度学习模型，进行短期负载预测得到负载预测值；第三单元3，用于根据所述负载预测值和主变额定容量，输出重过载预警。
本发明提供如图3所示的主变重过载预警流程：
负载预测基础数据预处理；
建立鲁棒深度学习模型；
基于鲁棒深度学习模型进行短期负载预测，得到负载预测值；
根据负载预测值计算负载率(负载预测值/额定容量)；
如果负载率不小于80％且不大于100％，则输出重载预警；
如果负载率小于80％，则不输出预警；
如果负载率大于100％，则输出过载预警。
所述处理负载历史数据，包括：通过数据缺失填补、数据异常剔除和数据归一化，处理所述负载历史数据。
负载预测基础数据包括：
(1)节假日数据，节假日、周六日；
(2)气象数据：天气状况、每日最低气温、每日最高气温、每日平均气温、每日相对湿度、每日降雨量；
(3)主变历史负载数据。
负载预测基础数据通过数据预处理，来提高数据的准确度，数据预处理包括数据缺失填补、数据异常剔除和数据归一化。
训练数据集为基于一定的规则，从历史数据中选择/提取得到的符合一定特征的数据集合。测试数据集为已有的范用的测试用数据集合，或者根据实验/经验得到的可以用于测试鲁棒深度学习模型的测试用数据集合。
通过鲁棒深度学习模型，能够合理的处理数据得到一定的结果。具体来说，通过训练数据集训练原始的鲁棒深度学习模型，得到专门的鲁棒深度学习模型，然后通过测试数据集验证专门的鲁棒深度学习模型是否能够输出正确的结果，如果输出的结果无异常，则证明专门的鲁棒深度学习模型可以投入使用，否则需要重新训练或者测试。
变压器的存在不同的规格，可以通过实地的方式采集与待测试的变压器相关的运行数据。通过专门的鲁棒深度学习模型和运行数据，可以完成短期负载预测得到负载预测值。根据负载预测值和待测试的变压器的实际规格(主变额定容量，即主变压器的额定容量)，进行比较判断得到负载率，根据负载率输出对应的重/过载预警(重载和过载)。
所述缺失填补方法为均值-临近值插补，对应的公式包括：
Figure BDA0003822281360000091
式中，A(t)为缺失的第t个数据，A(i)为缺失数据时刻之前的N个时刻数据，A(k)为缺失数据时刻之后的N个时刻数据，ω为1-1之间的权重系数；数据异常剔除采用高斯核函数法：将数据x代入高斯核函数
Figure BDA0003822281360000092
将高斯核函数值小于阈值δbd的视为异常数据剔除。
所述鲁棒深度学习模型包括：
Figure BDA0003822281360000093
式中，R表示鲁棒深度学习网络，B为所述训练数据集，
Figure BDA0003822281360000094
为所述训练数据集中的一组，a为所述负载预测值，a*(s)表示各组训练数据s(s∈B)中负载预测误差最小的预测值，c为常数。
所述根据所述负载预测值和主变额定容量输出重过载预警，包括：如果连续3小时出现所述负载预测值在主变额定容量的80％和100％之间，进行重载预警；如果连续3小时出现所述负载预测值大于主变额定容量的100％，进行过载预警。
本领域普通技术人员可以意识到，结合本实施例中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的实施例中，应该理解到，单元的划分，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，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种基于负载预测的主变重过载预警方法，其特征在于，包括：
处理负载历史数据，得到训练数据集和测试数据集；
通过所述训练数据训练鲁棒深度学习模型，通过所述测试数据集代入所述鲁棒深度学习模型，进行短期负载预测得到负载预测值；
根据所述负载预测值和主变额定容量，输出重过载预警。
2.根据权利要求1所述基于负载预测的主变重过载预警方法，其特征在于，所述处理负载历史数据，包括：
通过数据缺失填补、数据异常剔除和数据归一化，处理所述负载历史数据。
3.根据权利要求2所述基于负载预测的主变重过载预警方法，其特征在于，所述缺失填补方法为均值一临近值插补，对应的公式包括：
Figure FDA0003822281350000011
式中，A(t)为缺失的第t个数据，A(i)为缺失数据时刻之前的N个时刻数据，A(k)为缺失数据时刻之后的N个时刻数据，ω为1-1之间的权重系数；
数据异常剔除采用高斯核函数法：将数据x代入高斯核函数
Figure FDA0003822281350000012
将高斯核函数值小于阈值δbd的视为异常数据剔除。
4.根据权利要求3所述基于负载预测的主变重过载预警方法，其特征在于，所述鲁棒深度学习模型包括：
Figure FDA0003822281350000013
式中，R表示鲁棒深度学习网络，B为所述训练数据集，
Figure FDA0003822281350000014
为所述训练数据集中的一组，a为所述负载预测值，a*(s)表示各组训练数据s(s∈B)中负载预测误差最小的预测值，c为常数。
5.根据权利要求4所述基于负载预测的主变重过载预警方法，其特征在于，所述根据所述负载预测值和主变额定容量输出重过载预警，包括：
如果连续3小时出现所述负载预测值在主变额定容量的80％和100％之间，进行重载预警；
如果连续3小时出现所述负载预测值大于主变额定容量的100％，进行过载预警。
6.一种基于负载预测的主变重过载预警系统，其特征在于，包括：
第一单元，用于处理负载历史数据，得到训练数据集和测试数据集；
第二单元，用于通过所述训练数据训练鲁棒深度学习模型，通过所述测试数据集代入所述鲁棒深度学习模型，进行短期负载预测得到负载预测值；
第三单元，用于根据所述负载预测值和主变额定容量，输出重过载预警。
7.根据权利要求6所述基于负载预测的主变重过载预警系统，其特征在于，所述处理负载历史数据，包括：
通过数据缺失填补、数据异常剔除和数据归一化，处理所述负载历史数据。
8.根据权利要求7所述基于负载预测的主变重过载预警系统，其特征在于，所述缺失填补方法为均值-临近值插补，对应的公式包括：
Figure FDA0003822281350000021
式中，A(t)为缺失的第t个数据，A(i)为缺失数据时刻之前的N个时刻数据，A(k)为缺失数据时刻之后的N个时刻数据，ω为1-1之间的权重系数；
数据异常剔除采用高斯核函数法：将数据x代入高斯核函数
Figure FDA0003822281350000022
将高斯核函数值小于阈值δbd的视为异常数据剔除。
9.根据权利要求8所述基于负载预测的主变重过载预警系统，其特征在于，所述鲁棒深度学习模型包括：
Figure FDA0003822281350000031
式中，R表示鲁棒深度学习网络，B为所述训练数据集，
Figure FDA0003822281350000032
为所述训练数据集中的一组，a为所述负载预测值，a*(s)表示各组训练数据s(s∈B)中负载预测误差最小的预测值，c为常数。
10.根据权利要求9所述基于负载预测的主变重过载预警系统，其特征在于，所述根据所述负载预测值和主变额定容量输出重过载预警，包括：
如果连续3小时出现所述负载预测值在主变额定容量的80％和100％之间，进行重载预警；
如果连续3小时出现所述负载预测值大于主变额定容量的100％，进行过载预警。
CN202211050381.5A 2022-08-30 2022-08-30 一种基于负载预测的主变重过载预警方法和系统 Pending CN115511156A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211050381.5A CN115511156A (zh) 2022-08-30 2022-08-30 一种基于负载预测的主变重过载预警方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211050381.5A CN115511156A (zh) 2022-08-30 2022-08-30 一种基于负载预测的主变重过载预警方法和系统

Publications (1)

Publication Number Publication Date
CN115511156A true CN115511156A (zh) 2022-12-23

Family

ID=84501144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211050381.5A Pending CN115511156A (zh) 2022-08-30 2022-08-30 一种基于负载预测的主变重过载预警方法和系统

Country Status (1)

Country Link
CN (1) CN115511156A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI824926B (zh) * 2023-01-17 2023-12-01 國立臺灣科技大學 電力負載監測系統及預測方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI824926B (zh) * 2023-01-17 2023-12-01 國立臺灣科技大學 電力負載監測系統及預測方法

Similar Documents

Publication Publication Date Title
CN110807550B (zh) 基于神经网络的配变重过载识别预警方法及终端设备
CN108446864B (zh) 基于大数据分析的轨道交通设备的故障预警系统及方法
CN111369168B (zh) 一种适应电网多种调控运行场景的关联特征选择方法
CN111145517B (zh) 一种人工智能电气线路火灾风险实时预警方法及系统
CN116187593B (zh) 一种配电网故障预测处理方法、装置、设备、存储介质
CN107453485A (zh) 一种调度运行信息巡检方法及系统
CN117811213B (zh) 一种基于数据分析的低压配电柜故障诊断系统
CN113641723B (zh) 一种基于线路阻抗参数估计的窃电预测方法
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN115511156A (zh) 一种基于负载预测的主变重过载预警方法和系统
CN111881961A (zh) 基于数据挖掘的配电网故障风险等级预测方法
CN106682159A (zh) 一种阈值配置方法
CN114742283A (zh) 一种基于深度学习网络的中压线路合环电流估算与风险评估方法
CN112001569A (zh) 一种基于多电压等级故障下的电网运行风险分析方法
CN118554640B (zh) 一种基于环境数据分析的电网运行监测系统
CN116993329A (zh) 一种基于数据分析的通讯设备运行维修决策管理系统
CN113052473A (zh) 一种基于故障率和静态安全分析的电网风险分析方法
CN109063922B (zh) 一种基于小区入住率的配电变压器重过载预测方法
CN115224684A (zh) 基于免疫危险理论的智能配电网风险状态辨识方法及系统
CN107563641B (zh) 一种计及灾害偏好的配电网抗灾多场景差异化规划方法
CN115528686B (zh) 基于边缘计算的分布式配电故障处理系统及方法
CN117394535A (zh) 交直流混合配电网数字孪生系统
CN116773950A (zh) 基于智能光纤网络在线监测的安全预警系统
CN110363395A (zh) 一种山地变电站电气设备的风险预警方法
CN108319573A (zh) 一种基于能源统计数据异常判断和修复的方法

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