CN116307844A - 一种低压台区线损评估分析方法 - Google Patents
一种低压台区线损评估分析方法 Download PDFInfo
- Publication number
- CN116307844A CN116307844A CN202310124462.3A CN202310124462A CN116307844A CN 116307844 A CN116307844 A CN 116307844A CN 202310124462 A CN202310124462 A CN 202310124462A CN 116307844 A CN116307844 A CN 116307844A
- Authority
- CN
- China
- Prior art keywords
- line loss
- low
- data
- voltage transformer
- transformer area
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000011156 evaluation Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000003064 k means clustering Methods 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
本发明提出了一种低压台区线损评估分析方法,采集并提取与配电网线损有关的电气指标,并构造原始数据集;挑选并剔除原始数据集的异常数据;将剔除后的数据集进行聚类处理,将处理得到的数据集进行训练,得到线损评估模型。本发明根据低压台区线损异常的情况,对低压台区数据进行采样、筛选、识别,将异常数据进行剔除,保证算法能够准确地感知低压台区异常数据,并通过聚类算法对低压台区样本进行聚类分析,可解决以为台区样本分散导致的计算误差较大的问题,确保低压台区线损数据的精准性、可靠性。
Description
技术领域
本发明属于电力计量技术领域,具体涉及一种低压台区线损评估分析方法。
背景技术
线损是电力网在电能的输送、分配、管理等环节中所造成的损失,其主要是由于电流流经有电阻的导线造成有功功率损耗所引起的,一般使用线损率来表征线损严重程度,线损率是指供电端与用电端的电量之差与供电端电量的比值,线损率越大说明线损越严重。
实际工作中由于各种原因的影响,测量统计得到的线损率总会大于理论计算出的线损率,有时测量到的线损率会突然增大,也即用电端实际用掉的电量中一部分被判定为线损,导致极大的经济损失,同时也会对生产决策产生误导。低压台区线损管理一直是配网线损管理的重点和难点,由于低压台区供电区域发展不同步,导致线路纵横交错,而且具有用户种类多、用电性质复杂、三相负载不平衡和线损计算偏差大等特点。另外由于低压台区数量众多,缺乏技术手段,其线损精细化管理工作相对滞后。
发明内容
为了解决上述现有技术中存在的问题,提供了一种低压台区线损评估分析方法。
本发明解决其技术问题所采用的技术方案是:
本技术方案提出了一种低压台区线损评估分析方法,包括:
S1:采集并提取与配电网线损有关的电气指标,并构造原始数据集;
S2:挑选并剔除原始数据集的异常数据;
S3:将剔除后的数据集进行聚类处理,将处理得到的数据集进行训练,得到线损评估模型。
优选的,所述电气指标包括供电半径、线路长度、负载率、用电性质、三项不平衡度、电压,其中用电性质为居民用电。
优选的,所述S2中,异常数据剔除方法:
取分低压台区线损数据随意自然数K,在数据对象Xa具备以下条件时,用数据对象Xb与数据对象Xa之间的距离描述Xb的K距离:
最少有K个对象X′a∈D/{Xb},满足d(Xb,X′a)≤d(Xb,Xa),d代表距离,
最多有K-1个对象X′a∈D/{Xb},满足d(Xb,X′a)<d(Xb,Xa),
数据对象Xb的K距离邻域可描述为:
Nk(Xb)={q丨d(Xb,q)≤K(Xb)} (1)
即所有数据对象与Xb的距离对比,为小于等于K(Xb);
Xb对于对象Xa的可达距离表达为:
reach-distk(Xb,Xa)=man{k(Xb),d(Xb,Xa)} (2)
对象Xb与其MinPts-领域的平均可达距离的倒数为对象Xb的局部可达密度:
根据式(1)描述出低压台区线损LOF为:
通过以上算法说明低压台区线损LOF与数据异常的可能性成正比,低压台区线损数据对象Xb异常的程度可以用数据对象Xb的异常因子描述。
优选的,为了得到各个低压台区线损数据对象的MinPts邻域到各个低压台区线损数据对象的距离,需要使低压台区线损数据对象的MinPts邻域在低压台区线损数据库中构成,在物化数据库导入计算结果,且使用的方法随差异维数而变化;
对不同数据对象的局部可达密度以及LOF进行运算,将各个低压台区线损数据对象的LOF值根据物化数据库M来描述,描述对象Xb的局面可达密度为:
式中:dist(Xb,Xa)与丨N(Xb)丨分别为Xb和Xa的n维欧式距离与Xb的邻域中邻居的数目;
为了得到Xb的局部偏离指数,需要满足丨N(Xb)丨<MinPts:
LOF算法分析数据异常的标准是数据对象全部邻居的局部可达密度均值。
优选的,所述S3中,聚类方法包括:
S11:随机选取K个点,作为聚类中心;
S12:通过公式(7)计算每个点到K个聚类中心的距离,然后将该点分到最近的聚类中心,形成了K个簇,
S13:再重新计算每个簇的质心,以此作为聚类中心;
S14:重复步骤S12-S13,直到质心的位置不再发生变化或者达到设定的迭代次数,用公式(8)判断是否收敛,
优选的,通过聚类结果的轮廓系数St确定K的大小,轮廓系数的计算方法如下:
式中,q(i)表示点i到所在类别其他点的平均距离,p(i)表示该点到非所在类别中其他点的距离最小值,计算S(i)的均值作为St,St越大,表示聚类效果越好,即:
通过多次随机选取聚类中心,最后比较各自完成后的畸变函数值,畸变函数越小,则说明聚类效果越优。
优选的,当选取低压台区供电半径,低压线路总长,负载率以及用电比例最小值作为电气指标时,台区评价指标表达式为:
式中,Zjmin=mini∈[1,N]Zij,ωj表示该电气指标的权值,这里赋值1,参数PE可反映线损,并且变化趋势相同,根据PE的值将样本分为k组,让每组的中心作为初始聚类中心。
优选的,步骤S3中,将得到的数据进行归一化处理,然后将聚类得到的K类数据分别作为线性回归模型的输入,以线损率作为输出,建立对应的线性回归模型,给出各模型的回归系数,提取实际数据库中当日线损数据,按照欧式距离原则归类,利用回归模型计算当日线损率,并与线损系统实测数据进行对比,对超出残差值的台区进行归纳总结,以便进一步处理。
与现有技术相比,本发明具有以下优点:
本发明算法将LOF与K-Means聚类算法结合,根据低压台区线损异常的情况,对低压台区数据进行采样、筛选、识别,将异常数据进行剔除,保证算法能够准确地感知低压台区异常数据,并通过K-Means聚类算法对低压台区样本进行聚类分析,可解决以为台区样本分散导致的计算误差较大的问题,确保低压台区线损数据的精准性、可靠性。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明整体流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
如图1所示,本实施例提出了一种低压台区线损评估分析方法,包括:
S1:采集并提取与配电网线损有关的电气指标,并构造原始数据集;
S2:挑选并剔除原始数据集的异常数据;
S3:将剔除后的数据集进行聚类处理,将处理得到的数据集进行训练,得到线损评估模型。
低压配电系统的线损管理是电力系统线损管理的重要组成部分,涉及配电系统的规划、运行、营销和计量。统计的线损包含管理线损,但由于低压配电系统网络结构复杂、用户数量多、性质复杂、海量数据管理困难等原因,低压配电系统线损计算存在较大偏差。因此本申请通过采用K-Means聚类算法对低压台区样本进行聚类分析,可解决以为台区样本分散导致的计算误差较大的问题。
电气指标包括供电半径、线路长度、负载率、用电性质、三项不平衡度、电压,其中用电性质为居民用电。
在本申请中,选取与低压台区线损率密切相关的4个电气参数作为输入,通过反复筛选,选取了供电半径、线路总长、负载率以及用电种类及用电种类占比情况,由于研究的是低压台区线损,因此选用居民用电性质来表示。
供电半径X1(m),供电半径指的是最远的用户到电源点的线路长度,一般用于控制线路电压降,是判断供电半径是否正确的重要参数。
低压线路长度X2(m),低压线路长度指的是所有低压台区线路总长。
负载率X3(%)。负载率表示该变压器实际承担的负荷与额定容量之比,用于反映变压器的承载能力。
用电性质比例X4(%)。用电性质比例表示负荷用电性质与供电量的比例,能够反映所在台区的用电性质。
选取上述4种参数作为的输入,由于4种变量的量纲不同,对其进行标准化处理。
聚类中心点和欧氏距离对低压台区线损异常感知起着重要的作用。首先孤立点对低压台区线损聚类中心点的干扰,可以通过聚类算法解决,但孤立点对欧式距离的干扰不能用聚类算法来描述。因此要在挑选和去除低压台区线损异常数据之后,再进行低压台区数据聚类,异常数据即为孤立点。
S2中,异常数据剔除方法:
取分低压台区线损数据随意自然数K,在数据对象Xa具备以下条件时,用数据对象Xb与数据对象Xa之间的距离描述Xb的K距离:
最少有K个对象X′a∈D/{Xb},满足d(Xb,X′a)≤d(Xb,Xa),d代表距离,
最多有K-1个对象X′a∈D/{Xb},满足d(Xb,X′a)<d(Xb,Xa),
数据对象Xb的K距离邻域可描述为:
Nk(Xb)={q丨d(Xb,q)≤K(Xb)} (1)
即所有数据对象与Xb的距离对比,为小于等于K(Xb);
Xb对于对象Xa的可达距离表达为:
reach-distk(Xb,Xa)=man{k(Xb),d(Xb,Xa)} (2)
对象Xb与其MinPts-领域的平均可达距离的倒数为对象Xb的局部可达密度:
根据式(1)描述出低压台区线损LOF为:
通过以上算法说明低压台区线损LOF与数据异常的可能性成正比,低压台区线损数据对象Xb异常的程度可以用数据对象Xb的异常因子描述。
n个低压台区线损数据对象组成低压台区线损数据库X,用邻域中数据对象的最小个数MinPts来计算所有低压台区线损数据对象的LOF值。
为了得到各个低压台区线损数据对象的MinPts邻域到各个低压台区线损数据对象的距离,需要使低压台区线损数据对象的MinPts邻域在低压台区线损数据库中构成,在物化数据库导入计算结果,且使用的方法随差异维数而变化。
对不同数据对象的局部可达密度以及LOF进行运算,将各个低压台区线损数据对象的LOF值根据物化数据库M来描述,描述对象Xb的局面可达密度为:
式中:dist(Xb,Xa)与丨N(Xb)丨分别为Xb和Xa的n维欧式距离与Xb的邻域中邻居的数目;
为了得到Xb的局部偏离指数,需要满足丨N(Xb)丨<MinPts:
LOF算法分析数据异常的标准是数据对象全部邻居的局部可达密度均值。
本申请所述的方法先由LOF算法对低压台区每日线损率的数据进行选择,再由聚类算法聚类处理后的线损数据,完成低压台区线损异常感知。低压台区线损率分为正常、高损和负损。正常达标台区为线损率在[0,10%]区间的台区,负损台区为线损率小于-1%的台区,高损台区为线损率大于12%的台区。
导入低压台区线损数据,用LOF算法挑选和去除低压台区线损异常数据后,利用聚类算法对LOF算法处理后的低压台区线损率数据进行聚类。
在聚类时,影响低压台区线损异常的因素有两个,分别是聚类中心点和欧氏距离,其分别代表低压台区线损异常的程度以及每日线损率的上下幅度。为了准确判定低压台区线损,采用低压台区日线损率总个数与欧式距离结果的倒数描述测验中的欧氏距离数据差异。
如果低压台区线损出现异常,说明日线损率上下幅度大,且欧氏距离比阈值大,反之低压台区线损正常,日线损率上下幅度较平稳,且数值在聚类中心点区间内。
为了减少网架结构带来的计算误差,需要对低压台区样本进行聚类分析。在对其进行聚类前,首先要计算样本之间的相似度,一般用距离来表示相似度。本申请采用K-Means聚类算法来对低压台区进行聚类分析,该算法以距离作为相似性的评价指标,以误差平方和准则函数作为聚类准则函数,是一种迭代求解的聚类分析算法。
S3中,聚类方法包括:
S11:随机选取K个点,作为聚类中心;
S12:通过公式(7)计算每个点到K个聚类中心的距离,然后将该点分到最近的聚类中心,形成了K个簇,
S13:再重新计算每个簇的质心,以此作为聚类中心;
S14:重复步骤S12-S13,直到质心的位置不再发生变化或者达到设定的迭代次数,用公式(8)判断是否收敛,
K-Means聚类算法主要有如下缺点。(1)K值需要预先给定,然而K值是很难估计的,并且对噪音和异常点十分敏感。(2)K-Means算法对初始给定的质心十分敏感,选取不同的中心点,会得到不同的聚类结果。(3)该算法有可能陷入局部最优。
为了解决以上问题,本申请通过聚类结果的轮廓系数St确定K的大小,轮廓系数的计算方法如下:
式中,q(i)表示点i到所在类别其他点的平均距离,p(i)表示该点到非所在类别中其他点的距离最小值,计算S(i)的均值作为St,St越大,表示聚类效果越好,即:
为了解决局部收敛问题,通过多次随机选取聚类中心,最后比较各自完成后的畸变函数值,畸变函数越小,则说明聚类效果越优。
当选取低压台区供电半径,低压线路总长,负载率以及用电比例最小值作为电气指标时,台区评价指标表达式为:
式中,Zjmin=mini∈[1,N]Zij,ωj表示该电气指标的权值,这里赋值1,参数PE可反映线损,并且变化趋势相同,根据PE的值将样本分为k组,让每组的中心作为初始聚类中心。
步骤S3中,将得到的数据进行归一化处理,然后将聚类得到的K类数据分别作为线性回归模型的输入,以线损率作为输出,建立对应的线性回归模型,给出各模型的回归系数,提取实际数据库中当日线损数据,按照欧式距离原则归类,利用回归模型计算当日线损率,并与线损系统实测数据进行对比,对超出残差值的台区进行归纳总结,以便进一步处理。
线性回归建模的思路是根据聚类数据结果,将类数据分别作为线性回归模型的输入,以线损率作为输出,建立线性回归模型,并对结果做相应分析,并对出现的奇异点做具体分析。数据源是上述K-Means聚类算法聚类的K类数据。建模特征参数包括:用户总数、居民户数、非居民户数、居民户容量、非居民容量、居民户均容量、居民容量占比、变压器容量、供电量等,本申请中采用供电半径、线路总长、负载率以及用电种类及用电种类占比情况。输出参数为:线损率。
通过对用户数据的聚类分析,回归建模,给出了基于大数据挖掘技术线损线性回归模型。该方法具有数据获取便捷、计算速度快的特点,能够适应线损精细化管理的需求。本申请通过本实施例介绍了聚类和线性回归建模的具体实现步骤,并对结果进行分析,证明本模型在低压台区线损管理中适用性、快速性、简便性。
实际线损和预测线损残差的给定,是判断合理线损的重要判别条件,该差值的具体数值,需要根据各地实际的配网运行方式和条件,用电量的实际水平来划定,结合回归模型进行进一步的优化。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (8)
1.一种低压台区线损评估分析方法,其特征在于,包括:
S1:采集并提取与配电网线损有关的电气指标,并构造原始数据集;
S2:挑选并剔除原始数据集的异常数据;
S3:将剔除后的数据集进行聚类处理,将处理得到的数据集进行训练,得到线损评估模型。
2.根据权利要求1所述的一种低压台区线损评估分析方法,其特征在于,所述电气指标包括供电半径、线路长度、负载率、用电性质、三项不平衡度、电压,其中用电性质为居民用电。
3.根据权利要求2所述的一种低压台区线损评估分析方法,其特征在于,所述S2中,异常数据剔除方法:
取分低压台区线损数据随意自然数K,在数据对象Xa具备以下条件时,用数据对象Xb与数据对象Xa之间的距离描述Xb的K距离:
最少有K个对象X′a∈D/{Xb},满足d(Xb,X′a)≤d(Xb,Xa),d代表距离,
最多有K-1个对象X′a∈D/{Xb},满足d(Xb,X′a)<d(Xb,Xa),
数据对象Xb的K距离邻域可描述为:
Nk(Xb)={q丨d(Xb,q)≤K(Xb)} (1)
即所有数据对象与Xb的距离对比,为小于等于K(Xb);
Xb对于对象Xa的可达距离表达为:
reach-distk(Xb,Xa)=man{k(Xb),d(Xb,Xa)} (2)
对象Xb与其MinPts-领域的平均可达距离的倒数为对象Xb的局部可达密度:
根据式(1)描述出低压台区线损LOF为:
通过以上算法说明低压台区线损LOF与数据异常的可能性成正比,低压台区线损数据对象Xb异常的程度可以用数据对象Xb的异常因子描述。
4.根据权利要求3所述的一种低压台区线损评估分析方法,其特征在于,为了得到各个低压台区线损数据对象的MinPts邻域到各个低压台区线损数据对象的距离,需要使低压台区线损数据对象的MinPts邻域在低压台区线损数据库中构成,在物化数据库导入计算结果,且使用的方法随差异维数而变化;
对不同数据对象的局部可达密度以及LOF进行运算,将各个低压台区线损数据对象的LOF值根据物化数据库M来描述,描述对象Xb的局面可达密度为:
式中:dist(Xb,Xa)与丨N(Xb)丨分别为Xb和Xa的n维欧式距离与Xb的邻域中邻居的数目;
为了得到Xb的局部偏离指数,需要满足丨N(Xb)丨<MinPts:
LOF算法分析数据异常的标准是数据对象全部邻居的局部可达密度均值。
8.根据权利要求1所述的一种低压台区线损评估分析方法,其特征在于,步骤S3中,将得到的数据进行归一化处理,然后将聚类得到的K类数据分别作为线性回归模型的输入,以线损率作为输出,建立对应的线性回归模型,给出各模型的回归系数,提取实际数据库中当日线损数据,按照欧式距离原则归类,利用回归模型计算当日线损率,并与线损系统实测数据进行对比,对超出残差值的台区进行归纳总结,以便进一步处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310124462.3A CN116307844A (zh) | 2023-02-16 | 2023-02-16 | 一种低压台区线损评估分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310124462.3A CN116307844A (zh) | 2023-02-16 | 2023-02-16 | 一种低压台区线损评估分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307844A true CN116307844A (zh) | 2023-06-23 |
Family
ID=86789782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310124462.3A Pending CN116307844A (zh) | 2023-02-16 | 2023-02-16 | 一种低压台区线损评估分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307844A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680546A (zh) * | 2023-08-02 | 2023-09-01 | 北京前景无忧电子科技股份有限公司 | 一种低压配电网台区线损率识别方法 |
-
2023
- 2023-02-16 CN CN202310124462.3A patent/CN116307844A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680546A (zh) * | 2023-08-02 | 2023-09-01 | 北京前景无忧电子科技股份有限公司 | 一种低压配电网台区线损率识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN114298863B (zh) | 一种智能抄表终端的数据采集方法及系统 | |
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN107609783B (zh) | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和系统 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN113139596A (zh) | 低压台区线损神经网络的优化算法 | |
CN116307844A (zh) | 一种低压台区线损评估分析方法 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN113033617A (zh) | 一种基于大数据台区线损数据深度挖掘分析方法 | |
CN115130578A (zh) | 一种基于增量式粗糙聚类的配电设备状态在线评估方法 | |
CN111553568A (zh) | 一种基于数据挖掘技术的线损管理方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
CN110991510A (zh) | 不平衡分类学习的泛化低压异常箱表关系识别方法及系统 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN111428754A (zh) | 一种基于基态修正的线损率标杆值的优化设计方法 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 |
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 |