CN115588993A - 一种配电变压器的有载实时在线调容方法及装置 - Google Patents
一种配电变压器的有载实时在线调容方法及装置 Download PDFInfo
- Publication number
- CN115588993A CN115588993A CN202211140880.3A CN202211140880A CN115588993A CN 115588993 A CN115588993 A CN 115588993A CN 202211140880 A CN202211140880 A CN 202211140880A CN 115588993 A CN115588993 A CN 115588993A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution transformer
- load capacity
- time
- real
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P13/00—Arrangements for controlling transformers, reactors or choke coils, for the purpose of obtaining a desired output
- H02P13/06—Arrangements for controlling transformers, reactors or choke coils, for the purpose of obtaining a desired output by tap-changing; by rearranging interconnections of windings
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
Abstract
本发明公开了一种配电变压器的有载实时在线调容方法及装置，其中，所述方法包括：在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据；在历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据；基于训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型；基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据；将预测输入数据输入收敛深度神经网络模型中进行预测处理，获得预测负载容量数据；基于预测负载容量数据对配电变压器进行输出端的输出负载容量在线调整控制处理。在本发明实施例中，可以实现配电变压器实时在线调容，降低配电变压器的空载损耗。
Description
技术领域
本发明涉及配电变压器技术领域，尤其涉及一种配电变压器的有载实时在线调容方法及装置。
背景技术
由于配电变压器所在区域的不同时间段的用电需求不一样，导致配电变压器可能存在长时间的空载情况，而在空载的时候，对于电能的损坏约为大容量输出负载容量数据的三分之一，导致较大的电能损耗问题，而现在的技术方式一般是通过人为经验的设置用电高峰期，并在该用电高峰期的时间段内将配电变压器的输出转换为大容量状态，而其他时间段将设置为轻载时间段，将配电变压器设置在小容量状态下；由于这样的设置较为固定，无法实现配电变压器的在线实时调容，无法更好满足配电变压器的运行和对应区域的用户用电需求。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种配电变压器的有载实时在线调容方法及装置，可以实现配电变压器实时在线调容，降低配电变压器的空载损耗；同时满足对应区域的用户的用电需求问题。
为了解决上述技术问题，本发明实施例提供了一种配电变压器的有载实时在线调容方法，所述方法包括：
在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，所述历史负载容量数据为一段时间内所述配电变压器在不同时间段内的负载容量数据；
在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据；
基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型；
基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据；
将预测输入数据输入所述收敛深度神经网络模型中进行预测处理，获得待预测时间段内的预测负载容量数据；
基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理。
可选的，所述在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，包括：
在所述历史数据库中按照预设的完整时间周期提取所述配电变压器在运行过程中输出的历史负载容量数据；
所述完整时间周期为一年或者一个季度。
可选的，所述在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据，包括：
获得所述历负载容量数据对应时间段的当天平均温度数据、是否为周末或节假日；
利用对应时间段的当天平均温度数据、是否为周末或节假日对所述历史负载容量数据进行标记，形成标记历史负载容量数据；
基于所述标记历史负载容量数据构建一维数据矩阵形成训练数据。
可选的，所述深度神经网络模型为在训练前进行节点压缩及损失函数更新的深度神经网络模型。
可选的，所述深度神经网络模型在训练前进行节点压缩及损失函数更新，包括：
对所述深度神经网络模型中的节点进行减半压缩处理，获得压缩节点的深度神经网络模型；
对压缩节点的深度神经网络模型中的每一层进行正则化处理，形成正则化项，并利用所述正则化项对所述损失函数进行更新处理，获得训练前的深度神经网络模型。
可选的，所述基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型，包括：
将所述训练数据输入深度神经网络模型中进行训练处理，获得训练后的深度神经网络模型；
在所述训练数据中提取部分数据作为测试数据，将所述测试数据输入训练后的深度神经网络模型中进行测试处理，获得测试结果；
判断所述测试结果是否符合预设预期，若符合，则将训练后的深度神经网络模型作为收敛深度神经网络模型；
若不符合，则利用反向传播算法对训练后的训练后的深度神经网络模型中的各个节点进行参数更新处理，并将节点参数更新后的深度神经网络模型返回训练步骤继续进行训练处理。
可选的，所述基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据，包括：
将待预测时间段内的平均温度数据和是否为周末或节假日数据进行一维数据矩阵构建处理，形成预测输入数据。
可选的，所述基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理，包括：
基于所述预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据进行输出端的输出负载容量在线调整控制处理。
可选的，所述基于所述预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据进行输出端的输出负载容量在线调整控制处理，包括：
基于所述预测负载容量数据判断是否大于轻负载值；
在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；
在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；
在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，控制所述配电变压器高压侧线圈的连接方式保持在星型连接方式，控制所述配电变压器工作在小容量状态，输出电压保持不变；
在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；
在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；
在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，控制所述配电变压器高压侧线圈的连接方式由三角形型连接转换为星型连接、同时改变低压绕组的匝数，使其阻抗匹配，使配电变压器工作在小容量状态，输出电压保持不变。
另外，本发明实施例还提供了一种配电变压器的有载实时在线调容装置，所述装置包括：
历史数据提取模块：用于在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，所述历史负载容量数据为一段时间内所述配电变压器在不同时间段内的负载容量数据；
形成训练数据模块：用于在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据；
训练模块：用于基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型；
预测数据构建模块：用于基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据；
预测模块：用于将预测输入数据输入所述收敛深度神经网络模型中进行预测处理，获得待预测时间段内的预测负载容量数据；
在线调整控制模块：用于基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理。
在本发明实施例中，通过利用收敛深度神经网络模型进行预测即可得到待预测时间段内的预测负载容量数据，再根据预测负载容量数据对该配电变压器进行输出端的输出负载容量在线调整控制处理；即可以实现配电变压器实时在线调容，降低配电变压器的空载损耗；同时满足对应区域的用户的用电需求问题。
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，显而易见的，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它的附图。
图1是本发明实施例中的配电变压器的有载实时在线调容方法的流程示意图；
图2是本发明实施例中的配电变压器的有载实时在线调容装置的结构组成示意图。
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它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的配电变压器的有载实时在线调容方法的流程示意图。
如图1所示，一种配电变压器的有载实时在线调容方法，所述方法包括：
S11：在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，所述历史负载容量数据为一段时间内所述配电变压器在不同时间段内的负载容量数据；
在本发明具体实施过程中，所述在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，包括：在所述历史数据库中按照预设的完整时间周期提取所述配电变压器在运行过程中输出的历史负载容量数据；所述完整时间周期为一年或者一个季度。
具体的，历史数据库为在服务器中设置的一个用于存储配电变压器历史的输出的历史负载容量数据的数据库；即在配电变压器的负载输出端设置有输出负载传感器，用于采集配电变压器负载输出端的输出负载容量数据；然后利用相应的时间标识进行标记，并上传至服务器中存储在历史数据库中，方便后续的调用；即在该历史数据库中按照预设的完整时间周期提取所述配电变压器在运行过程中输出的历史负载容量数据；其中，完整时间周期一般为一年或者一个季度。
S12：在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据；
在本发明具体实施过程中，所述在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据，包括：获得所述历负载容量数据对应时间段的当天平均温度数据、是否为周末或节假日；利用对应时间段的当天平均温度数据、是否为周末或节假日对所述历史负载容量数据进行标记，形成标记历史负载容量数据；基于所述标记历史负载容量数据构建一维数据矩阵形成训练数据。
具体的，通过数据爬虫算法，在天气网站上爬取与所获得的历负载容量数据对应时间段的当天平均温度数据，同时人工标注当天是否为周末或者节假日；再然后利用对应时间段的当天平均温度数据、是否为周末或节假日对所述历史负载容量数据进行标记，从而形成标记历史负载容量数据；最后将标记历史负载容量数据构建一维数据矩阵形成训练数据。
S13：基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型；
在本发明具体实施过程中，所述深度神经网络模型为在训练前进行节点压缩及损失函数更新的深度神经网络模型。
进一步的，所述深度神经网络模型在训练前进行节点压缩及损失函数更新，包括：对所述深度神经网络模型中的节点进行减半压缩处理，获得压缩节点的深度神经网络模型；对压缩节点的深度神经网络模型中的每一层进行正则化处理，形成正则化项，并利用所述正则化项对所述损失函数进行更新处理，获得训练前的深度神经网络模型。
进一步的，所述基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型，包括：将所述训练数据输入深度神经网络模型中进行训练处理，获得训练后的深度神经网络模型；在所述训练数据中提取部分数据作为测试数据，将所述测试数据输入训练后的深度神经网络模型中进行测试处理，获得测试结果；判断所述测试结果是否符合预设预期，若符合，则将训练后的深度神经网络模型作为收敛深度神经网络模型；若不符合，则利用反向传播算法对训练后的训练后的深度神经网络模型中的各个节点进行参数更新处理，并将节点参数更新后的深度神经网络模型返回训练步骤继续进行训练处理。
具体的，首先选择深度神经网络模型作为本申请中的模型，并在深度神经网络模型训练之前，需要进行节点压缩和损失函数的更新处理；具体为对该深度神经网络模型中的各层节点通过减半压缩的方式进行节点压缩处理，并获得压缩节点的深度神经网络模型；在损失函数更新处理时，是通过对压缩节点的深度神经网络模型中的每一层进行正则化处理，形成正则化项，然后通过将正则化项累加到原始的损失函数中实现对损失函数进行更新处理，获得训练前的深度神经网络模型。
在对深度神经网络模型训练时，将训练数据输入深度神经网络模型中进行训练处理，获得训练后的深度神经网络模型；同时在训练数据中提取部分数据作为测试数据，将测试数据输入训练后的深度神经网络模型中进行测试处理，获得测试结果；通过判断测试结果是否符合预设预期的方式判断训练后的深度神经网络模型是否收敛，在符合预期时，则将训练后的深度神经网络模型作为收敛深度神经网络模型；在不符合预期时，则利用反向传播算法对训练后的训练后的深度神经网络模型中的各个节点进行参数更新处理，并将节点参数更新后的深度神经网络模型返回训练步骤继续进行训练处理。
S14：基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据；
在本发明具体实施过程中，所述基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据，包括：将待预测时间段内的平均温度数据和是否为周末或节假日数据进行一维数据矩阵构建处理，形成预测输入数据。
具体的，获得待预测时间段内的平均温度数据和是否为周末或节假日数据，并将待预测时间段内的平均温度数据和是否为周末或节假日数据和该待预测时间段结合构建一个一维数据矩阵构建处理，形成预测输入数据。
S15：将预测输入数据输入所述收敛深度神经网络模型中进行预测处理，获得待预测时间段内的预测负载容量数据；
在本发明具体实施过程中，将预测输入数据输入到收敛深度神经网络模型中进行预测处理，即可得到待预测时间段内的预测负载容量数据。
S16：基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理。
在本发明具体实施过程中，所述基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理，包括：基于所述预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据进行输出端的输出负载容量在线调整控制处理。
进一步的，所述基于所述预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据进行输出端的输出负载容量在线调整控制处理，包括：基于所述预测负载容量数据判断是否大于轻负载值；在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，控制所述配电变压器高压侧线圈的连接方式保持在星型连接方式，控制所述配电变压器工作在小容量状态，输出电压保持不变；在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，控制所述配电变压器高压侧线圈的连接方式由三角形型连接转换为星型连接、同时改变低压绕组的匝数，使其阻抗匹配，使配电变压器工作在小容量状态，输出电压保持不变。
具体的，在对配电变压器输出端的输出负载容量在线调整控制时，是需要根据预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据来进行输出端的输出负载容量在线调整控制处理。
即，首先根据判断预测负载容量数据是否大于轻负载值；在大于轻负载值时，同时配电变压器当前工作在小容量状态时，且设置在配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据也大于轻负载值时，则需要将配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在大于轻负载值时，同时配电变压器当前工作在小容量状态时，设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但是在规定的时间内该实时输出负载容量数据的变化斜率大于预设值时，则需要将配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；变化斜率的计算为，采集该时间段内的多个点的实时输出负载容量数据，根据多个点的实时输出负载容量数据拟合出一条拟合直线，并计算出该拟合直线的斜率作为变化斜率；在大于轻负载值时，同时配电变压器当前工作在小容量状态时，若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，则需要控制配电变压器高压侧线圈的连接方式保持在星型连接方式，控制所述配电变压器工作在小容量状态，输出电压保持不变。
在小于轻负载值时，同时配电变压器当前工作在小容量状态时，这是原则上是不需要调整配电变压器的工作状态的，但是若设置在配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，即其有可能在短时间内实时输出负载容量数据大于轻负载值，则需要提前将配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在小于轻负载值时，同时配电变压器当前工作在小容量状态时，若这时设置在该配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则这时候需要将配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在小于轻负载值时，同时配电变压器当前工作在大容量状态时，且设置在配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，则需要控制配电变压器高压侧线圈的连接方式由三角形型连接转换为星型连接、同时改变低压绕组的匝数，使其阻抗匹配，使配电变压器工作在小容量状态，输出电压保持不变。
在本发明实施例中，通过利用收敛深度神经网络模型进行预测即可得到待预测时间段内的预测负载容量数据，再根据预测负载容量数据对该配电变压器进行输出端的输出负载容量在线调整控制处理；即可以实现配电变压器实时在线调容，降低配电变压器的空载损耗；同时满足对应区域的用户的用电需求问题。
实施例二
请参阅图2，图2是本发明实施例中的配电变压器的有载实时在线调容装置的结构组成示意图。
如图2所示，一种配电变压器的有载实时在线调容装置，所述装置包括：
历史数据提取模块21：用于在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，所述历史负载容量数据为一段时间内所述配电变压器在不同时间段内的负载容量数据；
在本发明具体实施过程中，所述在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，包括：在所述历史数据库中按照预设的完整时间周期提取所述配电变压器在运行过程中输出的历史负载容量数据；所述完整时间周期为一年或者一个季度。
具体的，历史数据库为在服务器中设置的一个用于存储配电变压器历史的输出的历史负载容量数据的数据库；即在配电变压器的负载输出端设置有输出负载传感器，用于采集配电变压器负载输出端的输出负载容量数据；然后利用相应的时间标识进行标记，并上传至服务器中存储在历史数据库中，方便后续的调用；即在该历史数据库中按照预设的完整时间周期提取所述配电变压器在运行过程中输出的历史负载容量数据；其中，完整时间周期一般为一年或者一个季度。
形成训练数据模块22：用于在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据；
在本发明具体实施过程中，所述在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据，包括：获得所述历负载容量数据对应时间段的当天平均温度数据、是否为周末或节假日；利用对应时间段的当天平均温度数据、是否为周末或节假日对所述历史负载容量数据进行标记，形成标记历史负载容量数据；基于所述标记历史负载容量数据构建一维数据矩阵形成训练数据。
具体的，通过数据爬虫算法，在天气网站上爬取与所获得的历负载容量数据对应时间段的当天平均温度数据，同时人工标注当天是否为周末或者节假日；再然后利用对应时间段的当天平均温度数据、是否为周末或节假日对所述历史负载容量数据进行标记，从而形成标记历史负载容量数据；最后将标记历史负载容量数据构建一维数据矩阵形成训练数据。
训练模块23：用于基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型；
在本发明具体实施过程中，所述深度神经网络模型为在训练前进行节点压缩及损失函数更新的深度神经网络模型。
进一步的，所述深度神经网络模型在训练前进行节点压缩及损失函数更新，包括：对所述深度神经网络模型中的节点进行减半压缩处理，获得压缩节点的深度神经网络模型；对压缩节点的深度神经网络模型中的每一层进行正则化处理，形成正则化项，并利用所述正则化项对所述损失函数进行更新处理，获得训练前的深度神经网络模型。
进一步的，所述基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型，包括：将所述训练数据输入深度神经网络模型中进行训练处理，获得训练后的深度神经网络模型；在所述训练数据中提取部分数据作为测试数据，将所述测试数据输入训练后的深度神经网络模型中进行测试处理，获得测试结果；判断所述测试结果是否符合预设预期，若符合，则将训练后的深度神经网络模型作为收敛深度神经网络模型；若不符合，则利用反向传播算法对训练后的训练后的深度神经网络模型中的各个节点进行参数更新处理，并将节点参数更新后的深度神经网络模型返回训练步骤继续进行训练处理。
具体的，首先选择深度神经网络模型作为本申请中的模型，并在深度神经网络模型训练之前，需要进行节点压缩和损失函数的更新处理；具体为对该深度神经网络模型中的各层节点通过减半压缩的方式进行节点压缩处理，并获得压缩节点的深度神经网络模型；在损失函数更新处理时，是通过对压缩节点的深度神经网络模型中的每一层进行正则化处理，形成正则化项，然后通过将正则化项累加到原始的损失函数中实现对损失函数进行更新处理，获得训练前的深度神经网络模型。
在对深度神经网络模型训练时，将训练数据输入深度神经网络模型中进行训练处理，获得训练后的深度神经网络模型；同时在训练数据中提取部分数据作为测试数据，将测试数据输入训练后的深度神经网络模型中进行测试处理，获得测试结果；通过判断测试结果是否符合预设预期的方式判断训练后的深度神经网络模型是否收敛，在符合预期时，则将训练后的深度神经网络模型作为收敛深度神经网络模型；在不符合预期时，则利用反向传播算法对训练后的训练后的深度神经网络模型中的各个节点进行参数更新处理，并将节点参数更新后的深度神经网络模型返回训练步骤继续进行训练处理。
预测数据构建模块24：用于基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据；
在本发明具体实施过程中，所述基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据，包括：将待预测时间段内的平均温度数据和是否为周末或节假日数据进行一维数据矩阵构建处理，形成预测输入数据。
具体的，获得待预测时间段内的平均温度数据和是否为周末或节假日数据，并将待预测时间段内的平均温度数据和是否为周末或节假日数据和该待预测时间段结合构建一个一维数据矩阵构建处理，形成预测输入数据。
预测模块25：用于将预测输入数据输入所述收敛深度神经网络模型中进行预测处理，获得待预测时间段内的预测负载容量数据；
在本发明具体实施过程中，将预测输入数据输入到收敛深度神经网络模型中进行预测处理，即可得到待预测时间段内的预测负载容量数据。
在线调整控制模块26：用于基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理。
在本发明具体实施过程中，所述基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理，包括：基于所述预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据进行输出端的输出负载容量在线调整控制处理。
进一步的，所述基于所述预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据进行输出端的输出负载容量在线调整控制处理，包括：基于所述预测负载容量数据判断是否大于轻负载值；在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，控制所述配电变压器高压侧线圈的连接方式保持在星型连接方式，控制所述配电变压器工作在小容量状态，输出电压保持不变；在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，控制所述配电变压器高压侧线圈的连接方式由三角形型连接转换为星型连接、同时改变低压绕组的匝数，使其阻抗匹配，使配电变压器工作在小容量状态，输出电压保持不变。
具体的，在对配电变压器输出端的输出负载容量在线调整控制时，是需要根据预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据来进行输出端的输出负载容量在线调整控制处理。
即，首先根据判断预测负载容量数据是否大于轻负载值；在大于轻负载值时，同时配电变压器当前工作在小容量状态时，且设置在配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据也大于轻负载值时，则需要将配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在大于轻负载值时，同时配电变压器当前工作在小容量状态时，设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但是在规定的时间内该实时输出负载容量数据的变化斜率大于预设值时，则需要将配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；变化斜率的计算为，采集该时间段内的多个点的实时输出负载容量数据，根据多个点的实时输出负载容量数据拟合出一条拟合直线，并计算出该拟合直线的斜率作为变化斜率；在大于轻负载值时，同时配电变压器当前工作在小容量状态时，若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，则需要控制配电变压器高压侧线圈的连接方式保持在星型连接方式，控制所述配电变压器工作在小容量状态，输出电压保持不变。
在小于轻负载值时，同时配电变压器当前工作在小容量状态时，这是原则上是不需要调整配电变压器的工作状态的，但是若设置在配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，即其有可能在短时间内实时输出负载容量数据大于轻负载值，则需要提前将配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在小于轻负载值时，同时配电变压器当前工作在小容量状态时，若这时设置在该配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则这时候需要将配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；在小于轻负载值时，同时配电变压器当前工作在大容量状态时，且设置在配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，则需要控制配电变压器高压侧线圈的连接方式由三角形型连接转换为星型连接、同时改变低压绕组的匝数，使其阻抗匹配，使配电变压器工作在小容量状态，输出电压保持不变。
在本发明实施例中，通过利用收敛深度神经网络模型进行预测即可得到待预测时间段内的预测负载容量数据，再根据预测负载容量数据对该配电变压器进行输出端的输出负载容量在线调整控制处理；即可以实现配电变压器实时在线调容，降低配电变压器的空载损耗；同时满足对应区域的用户的用电需求问题。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种配电变压器的有载实时在线调容方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种配电变压器的有载实时在线调容方法，其特征在于，所述方法包括：
在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，所述历史负载容量数据为一段时间内所述配电变压器在不同时间段内的负载容量数据；
在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据；
基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型；
基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据；
将预测输入数据输入所述收敛深度神经网络模型中进行预测处理，获得待预测时间段内的预测负载容量数据；
基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理。
2.根据权利要求1所述的有载实时在线调容方法，其特征在于，所述在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，包括：
在所述历史数据库中按照预设的完整时间周期提取所述配电变压器在运行过程中输出的历史负载容量数据；
所述完整时间周期为一年或者一个季度。
3.根据权利要求1所述的有载实时在线调容方法，其特征在于，所述在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据，包括：
获得所述历负载容量数据对应时间段的当天平均温度数据、是否为周末或节假日；
利用对应时间段的当天平均温度数据、是否为周末或节假日对所述历史负载容量数据进行标记，形成标记历史负载容量数据；
基于所述标记历史负载容量数据构建一维数据矩阵形成训练数据。
4.根据权利要求1所述的有载实时在线调容方法，其特征在于，所述深度神经网络模型为在训练前进行节点压缩及损失函数更新的深度神经网络模型。
5.根据权利要求4所述的有载实时在线调容方法，其特征在于，所述深度神经网络模型在训练前进行节点压缩及损失函数更新，包括：
对所述深度神经网络模型中的节点进行减半压缩处理，获得压缩节点的深度神经网络模型；
对压缩节点的深度神经网络模型中的每一层进行正则化处理，形成正则化项，并利用所述正则化项对所述损失函数进行更新处理，获得训练前的深度神经网络模型。
6.根据权利要求1所述的有载实时在线调容方法，其特征在于，所述基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型，包括：
将所述训练数据输入深度神经网络模型中进行训练处理，获得训练后的深度神经网络模型；
在所述训练数据中提取部分数据作为测试数据，将所述测试数据输入训练后的深度神经网络模型中进行测试处理，获得测试结果；
判断所述测试结果是否符合预设预期，若符合，则将训练后的深度神经网络模型作为收敛深度神经网络模型；
若不符合，则利用反向传播算法对训练后的训练后的深度神经网络模型中的各个节点进行参数更新处理，并将节点参数更新后的深度神经网络模型返回训练步骤继续进行训练处理。
7.根据权利要求1所述的有载实时在线调容方法，其特征在于，所述基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据，包括：
将待预测时间段内的平均温度数据和是否为周末或节假日数据进行一维数据矩阵构建处理，形成预测输入数据。
8.根据权利要求1所述的有载实时在线调容方法，其特征在于，所述基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理，包括：
基于所述预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据进行输出端的输出负载容量在线调整控制处理。
9.根据权利要求1所述的有载实时在线调容方法，其特征在于，所述基于所述预测负载容量数据和设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据进行输出端的输出负载容量在线调整控制处理，包括：
基于所述预测负载容量数据判断是否大于轻负载值；
在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；
在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；
在大于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，控制所述配电变压器高压侧线圈的连接方式保持在星型连接方式，控制所述配电变压器工作在小容量状态，输出电压保持不变；
在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据大于轻负载值，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；
在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率大于预设值时，则将所述配电变压器的高压侧线圈的连接方式由星型连接方式转换到三角型连接、并低压侧绕组匝数同步发生变化，使配电变压器转换到大容量状态；
在小于轻负载值时，且若设置在所述配电变压器的输出负载传感器实时采集获得的实时输出负载容量数据小于轻负载值，但在规定时间内所述实时输出负载容量数据的变化斜率小于预设值时，控制所述配电变压器高压侧线圈的连接方式由三角形型连接转换为星型连接、同时改变低压绕组的匝数，使其阻抗匹配，使配电变压器工作在小容量状态，输出电压保持不变。
10.一种配电变压器的有载实时在线调容装置，其特征在于，所述装置包括：
历史数据提取模块：用于在历史数据库中提取配电变压器在运行过程中输出的历史负载容量数据，所述历史负载容量数据为一段时间内所述配电变压器在不同时间段内的负载容量数据；
形成训练数据模块：用于在所述历史负载容量数据中标记上当天的平均温度数据、是否为周末或节假日形成训练数据；
训练模块：用于基于所述训练数据对深度神经网络模型进行训练处理，获得收敛深度神经网络模型；
预测数据构建模块：用于基于待预测时间段内的平均温度数据和是否为周末或节假日数据构成预测输入数据；
预测模块：用于将预测输入数据输入所述收敛深度神经网络模型中进行预测处理，获得待预测时间段内的预测负载容量数据；
在线调整控制模块：用于基于所述预测负载容量数据对所述配电变压器进行输出端的输出负载容量在线调整控制处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211140880.3A CN115588993B (zh) | 2022-09-19 | 2022-09-19 | 一种配电变压器的有载实时在线调容方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211140880.3A CN115588993B (zh) | 2022-09-19 | 2022-09-19 | 一种配电变压器的有载实时在线调容方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115588993A true CN115588993A (zh) | 2023-01-10 |
| CN115588993B CN115588993B (zh) | 2023-07-25 |
Family
ID=84773257
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211140880.3A Active CN115588993B (zh) | 2022-09-19 | 2022-09-19 | 一种配电变压器的有载实时在线调容方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115588993B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115798900A (zh) * | 2023-01-13 | 2023-03-14 | 江苏凡高电气有限公司 | 一种便于拆卸安装的智能调容变压器 |
| CN116345536A (zh) * | 2023-02-08 | 2023-06-27 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的有载在线调压方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274067A (zh) * | 2017-05-22 | 2017-10-20 | 国网江西省电力公司电力科学研究院 | 一种配电变压器过载风险评估方法 |
| CN114142495A (zh) * | 2021-11-30 | 2022-03-04 | 国网冀北电力有限公司智能配电网中心 | 一种智能变压器及其控制方法 |
| CN114977316A (zh) * | 2021-02-26 | 2022-08-30 | 中国电力科学研究院有限公司 | 基于可调容量裕度的光伏电站有功功率控制方法及系统 |
-
2022
- 2022-09-19 CN CN202211140880.3A patent/CN115588993B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107274067A (zh) * | 2017-05-22 | 2017-10-20 | 国网江西省电力公司电力科学研究院 | 一种配电变压器过载风险评估方法 |
| CN114977316A (zh) * | 2021-02-26 | 2022-08-30 | 中国电力科学研究院有限公司 | 基于可调容量裕度的光伏电站有功功率控制方法及系统 |
| CN114142495A (zh) * | 2021-11-30 | 2022-03-04 | 国网冀北电力有限公司智能配电网中心 | 一种智能变压器及其控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨景亮 等: "基于 Attention-LSTM 的有载调容变压器运行方式优化研究", 电网技术 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115798900A (zh) * | 2023-01-13 | 2023-03-14 | 江苏凡高电气有限公司 | 一种便于拆卸安装的智能调容变压器 |
| CN115798900B (zh) * | 2023-01-13 | 2023-05-30 | 江苏凡高电气有限公司 | 一种便于拆卸安装的智能调容变压器 |
| CN116345536A (zh) * | 2023-02-08 | 2023-06-27 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的有载在线调压方法及装置 |
| CN116345536B (zh) * | 2023-02-08 | 2024-02-02 | 广东电网有限责任公司佛山供电局 | 一种配电变压器的有载在线调压方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115588993B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115588993A (zh) | 一种配电变压器的有载实时在线调容方法及装置 | |
| CN115842347B (zh) | 一种基于数字孪生的微网负荷动态平衡方法、系统及介质 | |
| CN114154646A (zh) | 一种移动边缘网络中联邦学习的效率优化方法 | |
| CN113344596A (zh) | 客服业务处理方法、装置、设备及计算机可读存储介质 | |
| Porteiro et al. | Short term load forecasting of industrial electricity using machine learning | |
| CN115189416A (zh) | 基于日前电价分级预测模型的发电系统控制方法及系统 | |
| CN109492883A (zh) | 一种能效人工智能在线分析系统及方法 | |
| CN116957698A (zh) | 一种基于改进时序模式注意力机制的电价预测方法 | |
| CN113422876B (zh) | 基于ai的电力客服中心辅助管理方法、系统及介质 | |
| CN115186916A (zh) | 负荷预测方法、装置、设备及计算机可读存储介质 | |
| CN109886317A (zh) | 基于注意力机制的通用图像美学评估方法、系统及设备 | |
| CN113126576B (zh) | 集输系统能耗优化模型构建方法与集输系统能耗控制方法 | |
| CN116090349A (zh) | 一种光学薄膜生产工艺优化方法、设备及存储介质 | |
| CN111319206B (zh) | 注塑成型系统中参数优化方法和装置 | |
| CN112508734B (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
| CN114861995A (zh) | 电力物资的需求预测方法、装置和计算机设备 | |
| CN114336969A (zh) | 基于虚拟电厂的储能电站集中监控方法及系统 | |
| CN111479176B (zh) | 一种基于NB-IoT的自适应模糊数据上传方法 | |
| CN116345536B (zh) | 一种配电变压器的有载在线调压方法及装置 | |
| CN115499344B (zh) | 一种网络流量实时预测方法及系统 | |
| CN116526455A (zh) | 一种园区电力负荷预测方法及系统 | |
| CN117453878A (zh) | 对话处理方法、装置及电子设备 | |
| CN115510581A (zh) | 一种变压器设计参数预测方法 | |
| CN116739672A (zh) | 一种融合先验知识的金融产品推荐方法、装置及电子设备 | |
| CN116860738A (zh) | 虚拟电厂基线数据的数据补足方法及系统 |
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 |