CN116184305A - 基于变压器外特性散点图的专变用户计量异常监测方法 - Google Patents
基于变压器外特性散点图的专变用户计量异常监测方法 Download PDFInfo
- Publication number
- CN116184305A CN116184305A CN202310077259.5A CN202310077259A CN116184305A CN 116184305 A CN116184305 A CN 116184305A CN 202310077259 A CN202310077259 A CN 202310077259A CN 116184305 A CN116184305 A CN 116184305A
- Authority
- CN
- China
- Prior art keywords
- data
- transformer
- cluster
- class
- scatter diagram
- 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 55
- 238000010586 diagram Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000005856 abnormality Effects 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明提出一种基于变压器外特性散点图的专变用户计量异常监测方法,采用变压器外特性呈现出的规律推断用户的负荷情况,用正常历史数据推断异常阈值,以此来判断是否存在计量异常,该方法与传统方法相比,所需数据少,避免了业务管控的限制,不受数据存在同步性问题的影响,对于用电规律良好的用户有不错的监测效果。
Description
技术领域
本发明属于用户计量异常监测技术领域,尤其涉及一种基于变压器外特性散点图的专变用户计量异常监测方法。
背景技术
随着电力行业市场化改革和经济建设的推进,电能计量装置异常问题越来越受到人们的重视。目前,随着专变用户的数量越来越多,专变用电客户的电能计量异常和处理问题不但困扰着电力企业,还严重扰乱了用电秩序,影响了电网的建设和社会的稳定。在用户用电信息采集系统越来越完善的今天,可通过远程采集用户的用电数据用以分析用户电能计量装置的运行情况,但是庞大的用电数据仅靠人工分析和筛查异常信息所花时间较长,如何高效利用这些数据显得十分重要。在此背景下,基于数据挖掘的方法来研究专变用户计量异常监测方法,进而对计量故障和窃电的专变用户进行处理和电量的追补,对于保证电力企业平稳正常运行具有重要意义。
当前对于用户计量异常监测方法已有较多的研究,如电量平衡法、功率平衡法、变压器外特性法等,但若系统三相不平衡或者电量平衡数据存在同步性和完整性问题,用此类方法计量异常监测的效果并不理想。
发明内容
针对现有方案存在的缺陷和不足,本发明的目的是提供一种新型的专变用户计量异常监测方法,具体是一种基于变压器外特性散点图的专变用户计量异常监测方法。因为专变用户的负荷较为固定,在不同工况下变压器外特性呈现出一定的规律,根据这种规律可以判断计量是否存在异常。本发明研究用户计量异常监测方法,进而对计量故障和窃电用户进行处理和电量的追补,对于保证电力企业正常运行具有重要意义。
其具体采用以下技术方案:
一种基于变压器外特性散点图的专变用户计量异常监测方法,其特征在于,包括以下步骤:
步骤S1:选取同一专变下的n天正常数据作为样本总体,即:
D={X1,X2,…,Xn} (1)
其中,D为样本总体,Xi为第i天的三相电压、三相电流数据;
步骤S2:用拉格朗日插值法对样本数据的缺失值进行填补;
步骤S3:将变压器输出电压与输出电流之间的关系,采用用散点图描述,形成变压器外特性散点图,再把其变压器外特性散点图拟合成一条斜率一定的直线;画出A、B、C三相每日的变压器外特性散点图,并对A、B、C三相的每日的外特性散点图曲线进行拟合;
步骤S4:设第i天日平均电流为Iavi,采用下式计算:
其中IAni,IBni,ICni分别表示A、B、C三相的第i天第n个计量时刻的采样电流值;
步骤S5:用qi描述专变用户第i天的用电特征,βi表示专变用户第i天变压器外特性散点图拟合直线斜率,Iavi表示专变用户第i天日平均电流;建立矩阵Q,作为专变用户特征的数据集,具体如下:
qi=[βi,Iavi] (6)
Q={q1,q2,…,qn} (7)
其中、Q矩阵为4×n阶的矩阵,n代表天数;
步骤S6:在矩阵Q数据完成去量纲化处理的情况下,计算矩阵Q的数据点平均距离Qav,具体为:
步骤S7:将ρi定义为以qi为中心,Qav为半径的样本区域,计算矩阵Q中所有数据的密度ρi,具体为:
步骤S8:将满足步骤S7的条件的数据形成一个类簇,计算每个类簇中样本对象的平均距离ri,具体为:
步骤S9:计算类簇距离si,具体为:
步骤S10:计算参数θi来表示数据集Q的密度分布特征,具体为:
θi=ρi·si/ri (13);
步骤S11:设类簇中心点集合为C={},选择步骤S7中计算出的最大的ρi所对应的qi作为第一个类簇中心点添加到合集C中,即C={c1},其中c1=qi;所有满足样本对象与c1之间距离小于Qav的样本对象作为类簇1,将其从数据集Q中删除;
步骤S12:利用式(8)~式(13),计算余下数据集元素的θi,将θi最大的元素作为c2,添加到合集C中,即C={c1,c2},并将类簇2的元素从数据集中删除;
步骤S13:规定每个类簇的样本对象数不少于数据集Q的给定百分比,计算出最佳的分类数k;
步骤S14:得到类簇中心点集合C={c1,c2,…,ck},选择每个类簇中的样本对象到簇内其他样本对象的损失函数最小的样本对象作为聚类中心,损失函数如下:
其中σi表示类簇ci的大小,disij表示类簇ci中的除了qj外所有数据对象到qj的欧式距离;以得到聚类中心集合C'={c1',c2',…,ck'};
步骤S15:以C'作为初始聚类中心,k作为最佳分类数,采用k-medoids算法进行聚类,得到不同工况用电特性的矩阵O={o1,o2,…,ok},新的聚类中心合集为C”={c1”,c2”,…,ck”};
步骤S16:对聚类完成后的每一类数据,以ci”为中心,设置阈值εi,使得该类中有95%的数据在范围内;并对εi乘以一个修正系数γ进行修正,即:
εi’=γεi (15)
其中εi’为修正后的系数;
步骤S17:根据得到阈值集合ε‘={ε1',ε2',…,εk'},记录ε‘和C”作为用户正常的变压器外特性指标;
步骤S18:对于每一类数据对象,当其与该类中心点的距离大于该类阈值则判断为离群值,认为可能存在计量异常。
进一步地,在步骤S3中,使用泰尔森回归对曲线进行线性拟合,具体为:
y=α+βx+∈ (3)
其中,α,β为模型的拟合参数,∈为模型的随机误差,x为电流值,y为电压值设第i天用A相数据进行拟合得到拟合直线的斜率为βAi,用B相数据进行拟合得到拟合直线的斜率为βBi,用C相数据进行拟合得到拟合直线的斜率为βCi,记βi=[βAi,βBi,βCi]。
进一步地,在步骤S18中具体监测方法为:获取专变用户三相电压、三相电流数据,算出q,将q与C”合集中的元素分别计算欧氏距离,认定q属于欧氏距离最小的那一类,当q与该类中心点的距离大于根据ε‘合集确定的该类阈值,则判断为可能存在计量异常,否则为计量正常。
相比于现有技术,本发明及其优选方案采用变压器外特性呈现出的规律推断用户的负荷情况,用正常历史数据推断异常阈值,以此来判断是否存在计量异常,该方法与传统方法相比,所需数据少,避免了业务管控的限制,不受数据存在同步性问题的影响,对于用电规律良好的用户有不错的监测效果。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1是本发明实施例基于变压器外特性散点图的专变用户计量异常监测方法流程图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
本发明的目的是提供一种新型的专变用户计量异常监测方法,具体是一种基于变压器外特性散点图的专变用户计量异常监测方法。因为专变用户的负荷较为固定,在不同工况下变压器外特性呈现出一定的规律,根据这种规律可以判断计量是否存在异常。
本实施例方法的突出优点是:不受数据存在同步性问题的影响。
本实施例方法的数据来源是高供低计测量装置所测量的专变低压侧三相电压、三相电流数值,一般情况下每天共有96个计量值。
如图1所示,本实施例方法的具体实现过程如下:
(1)选取同一专变下的n天正常数据作为样本总体,即:
D={X1,X2,…,Xn} (1)
其中,D为样本总体,Xi为第i天的三相电压、三相电流数据;
(2)用拉格朗日插值法对样本数据的缺失值进行填补。
举例而言,设某天的A相电流数据为X=[x1,x2,…,x96],设缺失值为xh,取m个缺失值前后的数据,记为A=[a1,a2,…,am],其对应时刻记为B=[b1,b2,…,bm],则填补公式为:
其他数据的填补也根据公式(2)进行填补,从而得到完整的三相电压、三相电流数据。
(3)变压器输出电压与输出电流之间的关系,可以用散点图描述,通称为变压器外特性散点图,变压器外特性散点图的形状,与变压器本身的参数有关,也与负载的性质有关。专变用户的日负荷较有规律,可以把其变压器外特性散点图拟合成一条斜率一定的直线。画出A、B、C三相每日的变压器外特性散点图,并对A、B、C三相的每日的外特性散点图曲线进行拟合。本实施例使用泰尔森回归(Theil-Sen Regression)的方法对曲线进行线性拟合,具体为:
y=α+βx+∈ (3)
其中,α,β为模型的拟合参数,∈为模型的随机误差,x为电流值,y为电压值
设第i天用A相数据进行拟合得到拟合直线的斜率为βAi,用B相数据进行拟合得到拟合直线的斜率为βBi,用C相数据进行拟合得到拟合直线的斜率为βCi,记βi=[βAi,βBi,βCi]。
(4)设第i天日平均电流为Iavi,可用下式计算:
其中IAni,IBni,ICni分别表示A、B、C三相的第i天第n个计量时刻的采样电流值;
(5)用qi描述专变用户第i天的用电特征,βi表示专变用户第i天变压器外特性散点图拟合直线斜率,Iavi表示专变用户第i天日平均电流。建立矩阵Q,将Q认为是能描绘专变用户特征的数据集,具体如下:
qi=[βi,Iavi] (6)
Q={q1,q2,…,qn} (7)
其中、Q矩阵为4×n阶的矩阵,n代表天数;
(6)计算矩阵Q的数据点平均距离Qav(进行下面所有计算时默认矩阵Q数据已完成去量纲化处理),具体为:
(7)计算矩阵Q中所有数据的密度ρi(将ρi定义为以qi为中心,Qav为半径的样本区域),具体为:
(8)满足上述步骤(7)的条件的数据形成一个类簇,计算每个类簇中样本对象的平均距离ri,具体为:
(9)计算类簇距离si,具体为:
(10)计算参数θi来表示数据集Q的密度分布特征,具体为:
θi=ρi·si/ri (13)
(11)设类簇中心点集合为C={},选择步骤(7)中计算出来的最大的ρi所对应的qi作为第一个类簇中心点添加到合集C中,即C={c1},其中c1=qi。所有满足样本对象与c1之间距离小于Qav的样本对象可以认作为类簇1,将其从数据集Q中删除。
(12)利用式(8)~式(13),计算余下数据集元素的θi,将θi最大的元素作为c2,添加到合集C中,即C={c1,c2}。同样,将类簇2的元素从数据集中删除。
(13)规定每个类簇的样本对象数不少于数据集Q的5%(也可以根据需要设置为其他阈值),按照上述规则,计算出最佳的分类数k。
(14)经过上述步骤,可以得到类簇中心点集合C={c1,c2,…,ck},选择每个类簇中的样本对象到簇内其他样本对象的损失函数最小的样本对象作为聚类中心。损失函数如下:
其中σi表示类簇ci的大小,disij表示类簇ci中的除了qj外所有数据对象到qj的欧式距离。
(15)经过上述步骤,得到聚类中心集合C'={c1',c2',…,ck'}
(16)以C'作为初始聚类中心,k作为最佳分类数,采用k-medoids算法进行聚类,得到能大致描绘不同工况用电特性的矩阵O={o1,o2,…,ok},新的聚类中心合集为C”={c1”,c2”,…,ck”}。
(17)对聚类完成后的每一类数据,以ci”为中心,设置合适的阈值εi,使得该类中有95%的数据在范围内。视具体情况,对εi乘以一个修正系数γ,即:
εi’=γεi (15)
其中εi’为修正后的系数。
(18)根据步骤(16),得到阈值集合为ε‘={ε1',ε2',…,εk'}。记录ε‘和C”作为该用户正常的变压器外特性指标。
(19)对于每一类数据对象,当其与该类中心点的距离大于该类阈值则判断为离群值,可以认为可能存在计量异常。因此,具体监测方法为:获取专变用户三相电压、三相电流数据,算出q,将q与上述C”合集中的元素分别计算欧氏距离,认定q属于欧氏距离最小的那一类,当q与该类中心点的距离大于该类阈值(根据ε‘合集),则判断为可能存在计量异常,否则为计量正常。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的基于变压器外特性散点图的专变用户计量异常监测方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (3)
1.一种基于变压器外特性散点图的专变用户计量异常监测方法,其特征在于,包括以下步骤:
步骤S1:选取同一专变下的n天正常数据作为样本总体,即:
D={X1,X2,…,Xn} (1)
其中,D为样本总体,Xi为第i天的三相电压、三相电流数据;
步骤S2:用拉格朗日插值法对样本数据的缺失值进行填补;
步骤S3:将变压器输出电压与输出电流之间的关系,采用用散点图描述,形成变压器外特性散点图,再把其变压器外特性散点图拟合成一条斜率一定的直线;画出A、B、C三相每日的变压器外特性散点图,并对A、B、C三相的每日的外特性散点图曲线进行拟合;
步骤S4:设第i天日平均电流为Iavi,采用下式计算:
其中IAni,IBni,ICni分别表示A、B、C三相的第i天第n个计量时刻的采样电流值;
步骤S5:用qi描述专变用户第i天的用电特征,βi表示专变用户第i天变压器外特性散点图拟合直线斜率,Iavi表示专变用户第i天日平均电流;建立矩阵Q,作为专变用户特征的数据集,具体如下:
qi=[βi,Iavi] (6)
Q={q1,q2,…,qn} (7)
其中、Q矩阵为4×n阶的矩阵,n代表天数;
步骤S6:在矩阵Q数据完成去量纲化处理的情况下,计算矩阵Q的数据点平均距离Qav,具体为:
步骤S7:将ρi定义为以qi为中心,Qav为半径的样本区域,计算矩阵Q中所有数据的密度ρi,具体为:
步骤S8:将满足步骤S7的条件的数据形成一个类簇,计算每个类簇中样本对象的平均距离ri,具体为:
步骤S9:计算类簇距离si,具体为:
步骤S10:计算参数θi来表示数据集Q的密度分布特征,具体为:
θi=ρi·si/ri (13);
步骤S11:设类簇中心点集合为C={},选择步骤S7中计算出的最大的ρi所对应的qi作为第一个类簇中心点添加到合集C中,即C={c1},其中c1=qi;所有满足样本对象与c1之间距离小于Qav的样本对象作为类簇1,将其从数据集Q中删除;
步骤S12:利用式(8)~式(13),计算余下数据集元素的θi,将θi最大的元素作为c2,添加到合集C中,即C={c1,c2},并将类簇2的元素从数据集中删除;
步骤S13:规定每个类簇的样本对象数不少于数据集Q的给定百分比,计算出最佳的分类数k;
步骤S14:得到类簇中心点集合C={c1,c2,…,ck},选择每个类簇中的样本对象到簇内其他样本对象的损失函数最小的样本对象作为聚类中心,损失函数如下:
其中σi表示类簇ci的大小,disij表示类簇ci中的除了qj外所有数据对象到qj的欧式距离;以得到聚类中心集合C'={c1',c2',…,ck'};
步骤S15:以C'作为初始聚类中心,k作为最佳分类数,采用k-medoids算法进行聚类,得到不同工况用电特性的矩阵O={o1,o2,…,ok},新的聚类中心合集为C”={c1”,c2”,…,ck”};
步骤S16:对聚类完成后的每一类数据,以ci”为中心,设置阈值εi,使得该类中有95%的数据在范围内;并对εi乘以一个修正系数γ进行修正,即:
εi’=γεi (15)
其中εi’为修正后的系数;
步骤S17:根据得到阈值集合ε‘={ε1',ε2',…,εk'},记录ε‘和C”作为用户正常的变压器外特性指标;
步骤S18:对于每一类数据对象,当其与该类中心点的距离大于该类阈值则判断为离群值,认为可能存在计量异常。
3.根据权利要求1所述的基于变压器外特性散点图的专变用户计量异常监测方法,其特征在于:在步骤S18中具体监测方法为:获取专变用户三相电压、三相电流数据,算出q,将q与C”合集中的元素分别计算欧氏距离,认定q属于欧氏距离最小的那一类,当q与该类中心点的距离大于根据ε‘合集确定的该类阈值,则判断为可能存在计量异常,否则为计量正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077259.5A CN116184305A (zh) | 2023-02-01 | 2023-02-01 | 基于变压器外特性散点图的专变用户计量异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077259.5A CN116184305A (zh) | 2023-02-01 | 2023-02-01 | 基于变压器外特性散点图的专变用户计量异常监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116184305A true CN116184305A (zh) | 2023-05-30 |
Family
ID=86448179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310077259.5A Pending CN116184305A (zh) | 2023-02-01 | 2023-02-01 | 基于变压器外特性散点图的专变用户计量异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184305A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648647A (zh) * | 2024-01-29 | 2024-03-05 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
-
2023
- 2023-02-01 CN CN202310077259.5A patent/CN116184305A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648647A (zh) * | 2024-01-29 | 2024-03-05 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
CN117648647B (zh) * | 2024-01-29 | 2024-04-23 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110231528B (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
CN110518880B (zh) | 一种光伏电站状态诊断方法及装置 | |
CN111103565B (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
CN106772205B (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
CN113011481B (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN116184305A (zh) | 基于变压器外特性散点图的专变用户计量异常监测方法 | |
CN114090646A (zh) | 异常用电辨识方法及系统 | |
CN116707534B (zh) | 基于物联网技术的电力计量箱数据处理系统 | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
CN113381417B (zh) | 一种配电网台区三相负荷不平衡优化方法、装置及终端 | |
JP2005057821A (ja) | 配電系統の解析支援装置及び解析支援方法 | |
CN106709623B (zh) | 一种基于风险计算模型的电网营销稽查风险管控方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN108062616A (zh) | 一种具有约束条件的用电异常检测模型 | |
CN104240144B (zh) | 一种基于需求响应的电力负荷聚类方法 | |
CN116304948A (zh) | 一种融合多尺度模糊信息粒的无监督用电异常检测方法 | |
CN110750760A (zh) | 一种基于态势感知和控制图的异常理论线损检测方法 | |
CN108847666A (zh) | 配电网短路电流水平的分析方法、装置和实现装置 | |
CN111476316B (zh) | 一种基于云计算下电力负荷特征数据均值聚类的方法及系统 | |
CN108599147A (zh) | 基于正态指数平滑法与核密度估计的组合区间预测方法 | |
CN114545066A (zh) | 一种非侵入式负荷监测模型聚合方法和系统 | |
CN114462771A (zh) | 用电异常分析方法、装置、设备、介质和产品 | |
CN113866562A (zh) | 一种电力系统台区线损识别方法 | |
Nahid et al. | Home occupancy classification using machine learning techniques along with feature selection | |
AU2020200492A1 (en) | Operation plan creating apparatus, operation plan creating method, and program |
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 |