CN117154716B - 一种分布式电源接入配电网的规划方法及系统 - Google Patents
一种分布式电源接入配电网的规划方法及系统 Download PDFInfo
- Publication number
- CN117154716B CN117154716B CN202311153028.4A CN202311153028A CN117154716B CN 117154716 B CN117154716 B CN 117154716B CN 202311153028 A CN202311153028 A CN 202311153028A CN 117154716 B CN117154716 B CN 117154716B
- Authority
- CN
- China
- Prior art keywords
- data
- power
- value
- voltage operation
- characteristic
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 66
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 230000005611 electricity Effects 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000011157 data evaluation Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract description 5
- 238000012800 visualization Methods 0.000 abstract description 5
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010010305 Confusional state Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种分布式电源接入配电网的规划方法及系统,涉及配电网技术领域,为了解决配电网中的电力数据规划不完善的问题。本发明通过电压运行数据的目标取值绘制电压运行数据的变化曲线,可以使后期电压运行数据的可视化更加的清晰,通过对电压运行数据的等级分析,可以将不同等级的电压运行数据通过权重值区分的更加准确,通过获取电力数据中的初始特征集合,可以快速地将电力数据中的电力值进行特征归化处理,为后续进行负荷量的运行特征判定奠定了条件,通过对数据标签的电力数据集的置信度的获取,可以更快速以及更精准评估出该数据标签的电力数据集是否可靠以及是否需要进行无用数据的排查。
Description
技术领域
本发明涉及配电网技术领域,具体为一种分布式电源接入配电网的规划方法及系统。
背景技术
配电网是指从输电网或地区发电厂接受电能,通过配电设施就地分配或按电压逐级分配给各类用户的电力网。
公开号为CN105356464A的中国专利公开一种分布式电源和配电网联合规划的方法及装置,主要通过人工智能优化算法对获取的配电网的网络结构参数、配电网对应的线路的线路参数、配电网对应的变压器的变压器参数、配电网对应的负荷的负荷参数以及拟接入配电网的分布式电源接入位置和容量建立对应的初始种群,然后基于逐时点的潮流计算结果计算当前种群的每个个体的个体适应度。直到当前的种群代数达到最大计算代数的要求时输出个体适应度中的最优值得到分布式电源和配电网联合规划方案,进而实现对分布式电源和配电网的联合规划,上述专利虽然解决了配电网数据接入的问题,但是在时间操作中还存在以下问题:
1.对电力数据进行接收时,没有对获取的电力数据进行异常检测,从而导致接收的电力数据不精准。
2.在对电力数据接收后,没有将电力数据进行进一步的数据分析,从而使电力数据在后期规划管理时无法进行数据统一。
3.没有对电力数据中的电压数据进行获取,从而使电压数据过大导致电力不安全。
4.当配电网中的电力数据在进行管理规划时,没有进行更进一步的运行优化,从而导致配电网的规划系统安全性欠佳。
发明内容
本发明的目的在于提供一种分布式电源接入配电网的规划方法及系统,通过电压运行数据的目标取值绘制电压运行数据的变化曲线,可以使后期电压运行数据的可视化更加的清晰,通过对电压运行数据的等级分析,可以将不同等级的电压运行数据通过权重值区分的更加准确,通过获取电力数据中的初始特征集合,可以快速地将电力数据中的电力值进行特征归化处理,从而可以统计出每个维度的数据特征,为后续进行负荷量的运行特征判定奠定了条件,通过对数据标签的电力数据集的置信度的获取,可以更快速以及更精准评估出该数据标签的电力数据集是否可靠以及是否需要进行无用数据的排查,可以解决现有技术中的问题。
为实现上述目的,本发明提供如下技术方案:
一种分布式电源接入配电网的规划方法,包括如下步骤:
S1:电力数据接收:将不同类型的电力数据进行确认,并将电力数据中的电力值进行获取,根据获取电力值,将电力值进行异常检测,其中,电力数据类型包括:商业用电、工业用电和居民用电;
S2:电力数据符合运行特征:根据电力数据类型获取的电力值,将每个电力值进行冗余和降维处理,处理完成后得到处理数据,并将处理数据进行特征提取,将特征提取完成的数据标注为目标运行特征数据;
S3:电力数据功率平衡:将目标运行特征数据进行聚类处理,处理完成后得到目标运行特征数据中的电压运行数据,将获取的电压运行数据的阈值进行确认,根据电压运行数据的阈值进行等级区分;
S4:配电网优化:将每个等级中的电压运行数据通过神经网络模型进行权值优化。
优选的,针对S1中将不同类型的电力数据进行确认,包括:
将不同类型的电力数据分别进行唯一标签区分,区分完成后根据唯一标签将对应的电力数据整合为对应的电力数据集;
获取每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量;
根据每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量,获取该唯一标签对应的电力数据集的置信度;
将置信度大于等于第一预设阈值的电力数据集的唯一标签标注为第一数据标签,将第一数据标签对应的电力数据集标注为第一电力数据,并将第一电力数据确认为有用数据;
将置信度小于第一预设阈值的电力数据集的唯一标签标注为第二数据标签,将第二数据标签对应的电力数据集标注为第二电力数据,并将第二电力数据确认为无用数据,其中,第一预设阈值通过工作人员在系统终端进行自行设定。
优选的,针对S1中将不同类型的电力数据进行确认,还包括:
检测每个第二电力数据中的无用数据分布情况;
根据无用数据分布情况确定每个无用数据的属性值;
根据每个无用数据的属性值确认出每个第二电力数据中无用数据的影响因子;
确认每个第二电力数据中无用数据的影响因子是否大于等于第二预设阈值,若是,确认该电力数据集中存在不良数据,若否,确认该电力数据集中未存在不良数据,其中,第二预设阈值通过工作人员在系统终端进行自行设定;
将存在不良数据的电力数据集标注为异常数据,并将异常数据在显示终端进行显示。
优选的,针对S2中处理数据的特征提取,用于:
将处理数据中的电力负荷数据进行确认,电力负荷数据确认的同时获取电力数据的初始特征集合;
将初始特征集合中的电力负荷数据进行确认,确认完成后将初始特征集合中的电力负荷数据标注为关键特征数据;
将配电网中的拓扑结构信息和预设运行方式信息以及配电网的每个配电节点的节点属性进行获取,其中,拓扑结构信息和预设运行方式信息以及配电网的每个配电节点的节点属性为系统自动生成的信息;
根据每个配电节点的节点属性和拓扑结构信息以及预设运行方式信息确定每个配电节点的配电拓扑权重值;
根据每个配电节点的配电拓扑权重值确认电力数据中每个负荷量的基础值。
优选的,针对S2中处理数据的特征提取,用于:
将处理数据中的时序特征信息进行确认,时序特征信息确认完成后将时序特征信息与处理数据进行数据对应;
根据时序特征信息将处理数据中每个负荷量的时序序列数据进行获取;
根据每个负荷量的时序序列数据确定处理数据中负荷量的用电特征信息;
将每个负荷量的时序序列数据和基础值作为模型输入样本,同时将每个负荷量的用电特征信息作为模型输出样本训练预设网络模型以获得每个负荷量的识别模型;
利用每个负荷量的识别模型获取关键特征子集中每个关键特征的目标时序序列数据对应的目标用电特征;
根据每个关键特征的目标用电特征获取每个负荷量的第一运行特征;
获取每个负荷量的目标用电特征在处理数据中的变化情况,根据变化情况确定每个负荷量的电力变化特征;
将电力变化特征相似度大于等于预设阈值的负荷量确认为同类负荷,将每类负荷中任一负荷量的第二目标运行特征确认为负荷量的最终运行特征,其中,电变化规则的预设阈值通过工作人员进行设定。
优选的,针对S3中对目标运行特征数据进行聚类处理,用于:
将目标运行特征数据中的数据特征进行获取,获取后根据数据特征对目标运行特征数据进行聚类处理;
目标运行特征数据聚类处理完成后得到电压运行数据;
确定目标运行特征数据中的电压运行数据的目标取值,并根据电压运行数据的目标取值绘制电压运行数据的变化曲线;
根据变化曲线确定电压运行数据的总电压变化值。
优选的,针对S3中对目标运行特征数据进行聚类处理,用于:
根据总电压变化值构建电压运行数据的等级模型,并确定总电压变化值的权重值;
根据总电压变化值的权重值对电压运行数据的等级模型进行等级分析;
并且确定电压运行数据曲线的最大数值和最小数值,根据最大数值和最小数值的数值区间将电压运行数据对应至不同的阈值等级区分中;
其中,等级区分通过工作人员进行数量和阈值的设定。
本发明还提供另一种技术方案:一种分布式电源接入配电网的规划系统,包括:
神经网络参数设定模块,用于:
将每个等级中的电压运行数据的阈值进行获取,获取后将标准的电压运行数据阈值进行获取,其中,标准的电压运行数据阈值通过工作人员进行自行设定;
将标准的电压运行数据阈值和每个等级中的电压运行数据阈值进行阈值数据导出,导出后将标准的电压运行数据阈值和每个等级中的电压运行数据阈值的阈值数据进行阈值数据对比;
将标准的电压运行数据阈值和每个等级中的电压运行数据阈值的阈值对比数据作为神经网络运算数据;
阈值数据神经网络运算模块,用于:
基于神经网络参数设定模块中得出的神经网络运算数据,将神经网络运算数据进行正向传播,其中,正向传播是由低层次向高层次进行传播;
正向传播完成后得出第一传播数据,将第一传播数据与标准传播数据进行对比,其中,标准传播数据通过工作人员进行自行设定;
若第一传播数据与标准传播数据相符,则该第一传播数据为第一优化数据;
若第一传播数据与标准传播数据不相符,则将神经网络运算数据进行反向传播,其中,反向传播是将神经网络运算数据从高层次向底层次进行传播训练;
反向传播后的神经网络运算数据为第二优化数据。
优选的,根据每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量,获取该唯一标签对应的电力数据集的置信度,包括:
根据每个唯一标签对应的电力数据集中每个数据的动态特性值以及数据量获取每个唯一标签对应的电力数据集中每个数据的特征向量;
根据每个唯一标签和该唯一标签对应的电力数据集中每个数据的特征向量训练预测模型;
通过训练后的预测模型确定每个唯一标签和其对应的电力数据集的特征向量的映射关系;
根据映射关系构建每个唯一标签对应的电力数据集的数据评价体系;
基于每个唯一标签的阅读率确定该唯一标签对应的电力数据集的基础参考指数;
根据每个唯一标签对应的电力数据集的基础参考指数将所有唯一标签划分为高价值标签和低价值标签;
获取低价值标签对应的第一电力数据集中的头数据,基于头数据使用线性逻辑回归方程评估出后续数据的线性变化量;
根据线性变化量确定数据变化率,若数据变化率在第一区间内,判断第一电力数据集为高置信度,若数据变化率在第二区间内,判断第一电力数据集为中置信度,若数据变化率在第三区间内,判断第一电力数据集为低置信度;
对高价值标签对应的第二电力数据集进行随机数据抽样,获取抽样数据;
通过数据评价体系对抽样数据进行评价,获取抽样数据对应的数据可信状态值;
根据数据可信状态值确定第二电力数据集的置信度。
优选的,根据获取电力值,将电力值进行异常检测,包括:
根据相邻两个电力值的差值构建电力值变化曲线;
根据电力值变化曲线将同个曲线纵坐标范围的目标电力值进行聚类,获取聚类结果;
确定聚类结果每个聚类簇中每一批聚类数据的数据变化频度,根据每一批聚类数据的数据变化频度确定每个聚类簇的数据内聚性指数和数据分离性指数;
获取每个聚类簇中每一批聚类数据中两两数据的距离值,根据两两数据的距离值确定同一聚类簇中数据的第一平均距离值和不同聚类簇中数据的第二平均距离值;
根据第一平均距离值和第二平均距离值和每个聚类簇的数据内聚性指数和数据分离性指数计算出该聚类簇的数据轮廓系数:
其中,Fi表示为第i个聚类簇的数据轮廓系数,A'表示为第二平均距离值,Ai表示为第i个聚类簇中数据的第一平均距离值,max(A',Ai)表示为在第二平均距离值和第i个聚类簇中数据的第一平均距离值取相对最大的值,ln表示为自然对数,Si表示为第i个聚类簇的数据内聚性指数,Bi表示为第i个聚类簇的数据分离性指数;
将数据轮廓系数大于等于预设阈值的第一聚类簇确认为数据正常数据簇,将数据轮廓系数小于预设阈值的第二聚类簇确认为数据异常数据簇。
与现有技术相比,本发明的有益效果如下:
1.本发明通过获取电力数据中的初始特征集合,可以快速地将电力数据中的电力值进行特征归化处理,从而可以统计出每个维度的数据特征,为后续进行负荷量的运行特征判定奠定了条件,通过对数据标签的电力数据集的置信度的获取,可以更快速以及更精准评估出该数据标签的电力数据集是否可靠以及是否需要进行无用数据的排查。
2.本发明通过电压运行数据的目标取值绘制电压运行数据的变化曲线,可以使后期电压运行数据的可视化更加的清晰,通过对电压运行数据的等级分析,可以将不同等级的电压运行数据通过权重值区分的更加准确。
3.本发明通过神经网络参数设定模块将电压运行数据中的阈值数据与标准电压运行数据的阈值数据进行数据对比,并将对比结果作为神经网络运算数据,进一步提高了电压运行数据运算结果的准确度,神经网络数据通过反向传播时,根据梯度递减公式,逐层的向前反馈,形成反向传播机制,可以优化神经网络数据。
附图说明
图1为本发明的整体规划流程示意图;
图2为本发明的配电网优化流程模块示意图。
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。
为了解决现有技术中,在对电力数据进行接收时,没有对获取的电力数据进行异常检测,从而导致接收的电力数据不精准的问题,请参阅图1,本实施例提供以下技术方案:
一种分布式电源接入配电网的规划方法,包括如下步骤:
S1:电力数据接收:将不同类型的电力数据进行确认,并将电力数据中的电力值进行获取,根据获取电力值,将电力值进行异常检测,其中,电力数据类型包括:商业用电、工业用电和居民用电;
S2:电力数据符合运行特征:根据电力数据类型获取的电力值,将每个电力值进行冗余和降维处理,处理完成后得到处理数据,并将处理数据进行特征提取,将特征提取完成的数据标注为目标运行特征数据;
S3:电力数据功率平衡:将目标运行特征数据进行聚类处理,处理完成后得到目标运行特征数据中的电压运行数据,将获取的电压运行数据的阈值进行确认,根据电压运行数据的阈值进行等级区分;
S4:配电网优化:将每个等级中的电压运行数据通过神经网络模型进行权值优化。
具体的,当进行电力数据接收时候通过对数据标签的电力数据集的置信度的获取,可以更快速以及更精准评估出该数据标签的电力数据集是否可靠以及是否需要进行无用数据的排查,进一步的提高了电力数据异常检测的工作效率,当进行电力数据符合运行特征获取时,通过获取电力数据中的初始特征集合,可以快速地将电力数据中的电力值进行特征归化处理,从而可以统计出每个维度的数据特征,为后续进行负荷量的运行特征判定奠定了条件,当进行电力数据功率平衡时,通过电压运行数据的目标取值绘制电压运行数据的变化曲线,可以使后期电压运行数据的可视化更加的清晰,当进行配电网优化时,通过神经网络参数设定模块将电压运行数据中的阈值数据与标准电压运行数据的阈值数据进行数据对比,并将对比结果作为神经网络运算数据,进一步提高了电压运行数据运算结果的准确度。
针对S1中将不同类型的电力数据进行确认,包括:
将不同类型的电力数据分别进行唯一标签区分,区分完成后根据唯一标签将对应的电力数据整合为对应的电力数据集;
获取每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量;
根据每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量,获取该唯一标签对应的电力数据集的置信度;
将置信度大于等于第一预设阈值的电力数据集的唯一标签标注为第一数据标签,将第一数据标签对应的电力数据集标注为第一电力数据,并将第一电力数据确认为有用数据;
将置信度小于第一预设阈值的电力数据集的唯一标签标注为第二数据标签,将第二数据标签对应的电力数据集标注为第二电力数据,并将第二电力数据确认为无用数据,其中,第一预设阈值通过工作人员在系统终端进行自行设定。
检测每个第二电力数据中的无用数据分布情况;
根据无用数据分布情况确定每个无用数据的属性值;
根据每个无用数据的属性值确认出每个第二电力数据中无用数据的影响因子;
确认每个第二电力数据中无用数据的影响因子是否大于等于第二预设阈值,若是,确认该电力数据集中存在不良数据,若否,确认该电力数据集中未存在不良数据,其中,第二预设阈值通过工作人员在系统终端进行自行设定;
将存在不良数据的电力数据集标注为异常数据,并将异常数据在显示终端进行显示。
具体的,先将不同类型的电力数据进行唯一标签区分,再根据唯一标签将对应的电力数据整合为对应的电力数据集,通过对电力数据集的整合可以进一步的提高不同类型电力数据在进行异常检测时候的便捷性和稳定性,不会出现检测混乱的状态,通过对数据标签的电力数据集的置信度的获取,可以更快速以及更精准评估出该数据标签的电力数据集是否可靠以及是否需要进行无用数据的排查,进一步的提高了电力数据异常检测的工作效率,通过根据无用数据分布情况确定每个无用数据的属性值,再根据每个无用数据的属性值确认出每个第二电力数据中无用数据的影响因子,可以准确的评估出无用数据是否存在干扰问题和冲突问题,从而可以快速确定无用数据为异常数据,将电力数据集中的不良数据标注为异常数据,从而进一步的提高了异常电力数据判断的准确性和客观性。
为了解决现有技术中,在对电力数据接收后,没有将电力数据进行进一步的数据分析,从而使电力数据在后期规划管理时无法进行数据统一的问题,请参阅图1,本实施例提供以下数据方案:
针对S2中处理数据的特征提取,用于:
将处理数据中的电力负荷数据进行确认,电力负荷数据确认的同时获取电力数据的初始特征集合;
将初始特征集合中的电力负荷数据进行确认,确认完成后将初始特征集合中的电力负荷数据标注为关键特征数据;
将配电网中的拓扑结构信息和预设运行方式信息以及配电网的每个配电节点的节点属性进行获取,其中,拓扑结构信息和预设运行方式信息以及配电网的每个配电节点的节点属性为系统自动生成的信息;
根据每个配电节点的节点属性和拓扑结构信息以及预设运行方式信息确定每个配电节点的配电拓扑权重值;
根据每个配电节点的配电拓扑权重值确认电力数据中每个负荷量的基础值。
将处理数据中的时序特征信息进行确认,时序特征信息确认完成后将时序特征信息与处理数据进行数据对应;
根据时序特征信息将处理数据中每个负荷量的时序序列数据进行获取;
根据每个负荷量的时序序列数据确定处理数据中负荷量的用电特征信息;
将每个负荷量的时序序列数据和基础值作为模型输入样本,同时将每个负荷量的用电特征信息作为模型输出样本训练预设网络模型以获得每个负荷量的识别模型;
利用每个负荷量的识别模型获取关键特征子集中每个关键特征的目标时序序列数据对应的目标用电特征;
根据每个关键特征的目标用电特征获取每个负荷量的第一运行特征;
获取每个负荷量的目标用电特征在处理数据中的变化情况,根据变化情况确定每个负荷量的电力变化特征;
将电力变化特征相似度大于等于预设阈值的负荷量确认为同类负荷,将每类负荷中任一负荷量的第二目标运行特征确认为负荷量的最终运行特征,其中,电变化规则的预设阈值通过工作人员进行设定。
具体的,先将无异常的电力数据进行获取,获取后将该电力数据中的电力值进行获取,并将电力值进行冗余和降维处理,通过冗余和降维的处理可以使电力值在进行后期数据分析时,分析过程更加的稳定,通过获取电力数据中的初始特征集合,可以快速地将电力数据中的电力值进行特征归化处理,从而可以统计出每个维度的数据特征,为后续进行负荷量的运行特征判定奠定了条件,将每个负荷量的目标用电特征在处理数据中的变化情况进行获取,根据变化情况确定每个负荷量的电力变化特征,可以有效的提高电力变化特征获取的效率和精度,通过对电力变化特征的获取也可以使电力数据的统计更加的便捷。
为了解决现有技术中,在对配电网中的电力数据获取后,没有对电力数据中的电压数据进行获取,从而使电压数据过大导致电力不安全的问题,请参阅图1,本实施例提供以下技术方案:
针对S3中目标运行特征数据中电压运行数据的处理,用于:
将目标运行特征数据中的数据特征进行获取,获取后根据数据特征对目标运行特征数据进行聚类处理;
目标运行特征数据聚类处理完成后得到电压运行数据;
确定目标运行特征数据中的电压运行数据的目标取值,并根据电压运行数据的目标取值绘制电压运行数据的变化曲线;
根据变化曲线确定电压运行数据的总电压变化值。
根据总电压变化值构建电压运行数据的等级模型,并确定总电压变化值的权重值;
根据总电压变化值的权重值对电压运行数据的等级模型进行等级分析;
并且确定电压运行数据曲线的最大数值和最小数值,根据最大数值和最小数值的数值区间将电压运行数据对应至不同的阈值等级区分中;
其中,等级区分通过工作人员进行数量和阈值的设定。
具体的,通过根据数据特征对目标运行特征数据进行聚类处理,可以更快速的获取目标运行特征数据中的模式和结构,进而有效的提取目标运行特征数据中的目标取值,通过电压运行数据的目标取值绘制电压运行数据的变化曲线,可以使后期电压运行数据的可视化更加的清晰,根据总电压变化值构建电压运行数据的等级模型,再根据总电压变化值的权重值对电压运行数据的等级模型进行等级分析,通过对电压运行数据的等级分析,可以将不同等级的电压运行数据通过权重值区分的更加准确,根据对权重值的区分可以使配电网中的电力数据规划的更加完善,同时也在查看时也更加的方便。
为了解决现有技术中,当配电网中的电力数据在进行管理规划时,没有进行更进一步的运行优化,从而导致配电网的规划系统安全性欠佳的问题,请参阅图2,本实施例提供以下技术方案:
本实施例还提出分布式电源接入配电网的规划的方法,包括:
神经网络参数设定模块,用于:
将每个等级中的电压运行数据的阈值进行获取,获取后将标准的电压运行数据阈值进行获取,其中,标准的电压运行数据阈值通过工作人员进行自行设定;
将标准的电压运行数据阈值和每个等级中的电压运行数据阈值进行阈值数据导出,导出后将标准的电压运行数据阈值和每个等级中的电压运行数据阈值的阈值数据进行阈值数据对比;
将标准的电压运行数据阈值和每个等级中的电压运行数据阈值的阈值对比数据作为神经网络运算数据;
阈值数据神经网络运算模块,用于:
基于神经网络参数设定模块中得出的神经网络运算数据,将神经网络运算数据进行正向传播,其中,正向传播是由低层次向高层次进行传播;
正向传播完成后得出第一传播数据,将第一传播数据与标准传播数据进行对比,其中,标准传播数据通过工作人员进行自行设定;
若第一传播数据与标准传播数据相符,则该第一传播数据为第一优化数据;
若第一传播数据与标准传播数据不相符,则将神经网络运算数据进行反向传播,其中,反向传播是将神经网络运算数据从高层次向底层次进行传播训练;
反向传播后的神经网络运算数据为第二优化数据。
具体的,先通过神经网络参数设定模块将电压运行数据中的阈值数据与标准电压运行数据的阈值数据进行数据对比,并将对比结果作为神经网络运算数据,进一步提高了电压运行数据运算结果的准确度,再将神经网络运算数据通过阈值数据神经网络运算模块进行神经网络运算,其中,先将神经网络数据进行正向传播,若正向传播得出的数据与标准传播数据不相符时,在进行反向传播,反向传播是先将神经网络数据进行初始化设置,设置完成后,神经网络数据经过卷积层、下采样层和全连接层的正向传播得到输出值;当误差大于期望值时,将误差传回网络中,依次求得全连接层、下采样层和卷积层的误差;其中各层的误差为网络的总误差;当误差等于或小于期望值时,则训练完成,神经网络数据通过反向传播时,根据梯度递减公式,逐层的向前反馈,形成反向传播机制,可以优化神经网络数据,从而更进一步的提高了配电网运行规划时的安全性。
优选的,根据每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量,获取该唯一标签对应的电力数据集的置信度,包括:
根据每个唯一标签对应的电力数据集中每个数据的动态特性值以及数据量获取每个唯一标签对应的电力数据集中每个数据的特征向量;
根据每个唯一标签和该唯一标签对应的电力数据集中每个数据的特征向量训练预测模型;
通过训练后的预测模型确定每个唯一标签和其对应的电力数据集的特征向量的映射关系;
根据映射关系构建每个唯一标签对应的电力数据集的数据评价体系;
基于每个唯一标签的阅读率确定该唯一标签对应的电力数据集的基础参考指数;
根据每个唯一标签对应的电力数据集的基础参考指数将所有唯一标签划分为高价值标签和低价值标签;
获取低价值标签对应的第一电力数据集中的头数据,基于头数据使用线性逻辑回归方程评估出后续数据的线性变化量;
根据线性变化量确定数据变化率,若数据变化率在第一区间内,判断第一电力数据集为高置信度,若数据变化率在第二区间内,判断第一电力数据集为中置信度,若数据变化率在第三区间内,判断第一电力数据集为低置信度;
对高价值标签对应的第二电力数据集进行随机数据抽样,获取抽样数据;
通过数据评价体系对抽样数据进行评价,获取抽样数据对应的数据可信状态值;
根据数据可信状态值确定第二电力数据集的置信度。
上述技术方案的有益效果为:通过分别使用不同的方式来对不同价值的数据集进行置信度评估可以基于用户对于每个数据标签的兴趣度和参考度来精准地实现针对性评估,保证了评估实用性,进一步地,通过构建每个唯一标签对应的电力数据集的数据评价体系可以快速稳定地对每个数据标签的数据集进行评价,为后续置信度评估奠定了条件,提高了实用性。
在一个实施例中,根据获取电力值,将电力值进行异常检测,包括:
根据相邻两个电力值的差值构建电力值变化曲线;
根据电力值变化曲线将同个曲线纵坐标范围的目标电力值进行聚类,获取聚类结果;
确定聚类结果每个聚类簇中每一批聚类数据的数据变化频度,根据每一批聚类数据的数据变化频度确定每个聚类簇的数据内聚性指数和数据分离性指数;
获取每个聚类簇中每一批聚类数据中两两数据的距离值,根据两两数据的距离值确定同一聚类簇中数据的第一平均距离值和不同聚类簇中数据的第二平均距离值;
根据第一平均距离值和第二平均距离值和每个聚类簇的数据内聚性指数和数据分离性指数计算出该聚类簇的数据轮廓系数:
其中,Fi表示为第i个聚类簇的数据轮廓系数,A'表示为第二平均距离值,Ai表示为第i个聚类簇中数据的第一平均距离值,max(A',Ai)表示为在第二平均距离值和第i个聚类簇中数据的第一平均距离值取相对最大的值,ln表示为自然对数,Si表示为第i个聚类簇的数据内聚性指数,Bi表示为第i个聚类簇的数据分离性指数;
将数据轮廓系数大于等于预设阈值的第一聚类簇确认为数据正常数据簇,
将数据轮廓系数小于预设阈值的第二聚类簇确认为数据异常数据簇。
上述技术方案的有益效果为:通过计算出每个聚类簇的数据轮廓系数可以直观地根据数据偏差特性和分布特性来确定数据异常情况,使得判定结果更加精确。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神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,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种分布式电源接入配电网的规划方法,其特征在于,包括如下步骤:
S1:电力数据接收:将不同类型的电力数据进行确认,并将电力数据中的电力值进行获取,根据获取电力值,将电力值进行异常检测,其中,电力数据类型包括:商业用电、工业用电和居民用电;
S2:电力数据符合运行特征:根据电力数据类型获取的电力值,将每个电力值进行冗余和降维处理,处理完成后得到处理数据,并将处理数据进行特征提取,将特征提取完成的数据标注为目标运行特征数据;
S3:电力数据功率平衡:将目标运行特征数据进行聚类处理,处理完成后得到目标运行特征数据中的电压运行数据,将获取的电压运行数据的阈值进行确认,根据电压运行数据的阈值进行等级区分;
S4:配电网优化:将每个等级中的电压运行数据通过神经网络模型进行权值优化;
针对S1中将不同类型的电力数据进行确认,包括:
将不同类型的电力数据分别进行唯一标签区分,区分完成后根据唯一标签将对应的电力数据整合为对应的电力数据集;
获取每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量;
根据每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量,获取该唯一标签对应的电力数据集的置信度;
将置信度大于等于第一预设阈值的电力数据集的唯一标签标注为第一数据标签,将第一数据标签对应的电力数据集标注为第一电力数据,并将第一电力数据确认为有用数据;
将置信度小于第一预设阈值的电力数据集的唯一标签标注为第二数据标签,将第二数据标签对应的电力数据集标注为第二电力数据,并将第二电力数据确认为无用数据,其中,第一预设阈值通过工作人员在系统终端进行自行设定;
针对S2中处理数据的特征提取,包括:
将处理数据中的电力负荷数据进行确认,电力负荷数据确认的同时获取电力数据的初始特征集合;
将初始特征集合中的电力负荷数据进行确认,确认完成后将初始特征集合中的电力负荷数据标注为关键特征数据;
将配电网中的拓扑结构信息和预设运行方式信息以及配电网的每个配电节点的节点属性进行获取,其中,拓扑结构信息和预设运行方式信息以及配电网的每个配电节点的节点属性为系统自动生成的信息;
根据每个配电节点的节点属性和拓扑结构信息以及预设运行方式信息确定每个配电节点的配电拓扑权重值;
根据每个配电节点的配电拓扑权重值确认电力数据中每个负荷量的基础值;
将处理数据中的时序特征信息进行确认,时序特征信息确认完成后将时序特征信息与处理数据进行数据对应;
根据时序特征信息将处理数据中每个负荷量的时序序列数据进行获取;
根据每个负荷量的时序序列数据确定处理数据中负荷量的用电特征信息;
将每个负荷量的时序序列数据和基础值作为模型输入样本,同时将每个负荷量的用电特征信息作为模型输出样本训练预设网络模型以获得每个负荷量的识别模型;
利用每个负荷量的识别模型获取关键特征子集中每个关键特征的目标时序序列数据对应的目标用电特征;
根据每个关键特征的目标用电特征获取每个负荷量的第一运行特征;
获取每个负荷量的目标用电特征在处理数据中的变化情况,根据变化情况确定每个负荷量的电力变化特征;
将电力变化特征相似度大于等于预设阈值的负荷量确认为同类负荷,将每类负荷中任一负荷量的第二目标运行特征确认为负荷量的最终运行特征,其中,电力变化特征的预设阈值通过工作人员进行设定;
针对S3中对目标运行特征数据进行聚类处理,包括:
将目标运行特征数据中的数据特征进行获取,获取后根据数据特征对目标运行特征数据进行聚类处理;
目标运行特征数据聚类处理完成后得到电压运行数据;
确定目标运行特征数据中的电压运行数据的目标取值,并根据电压运行数据的目标取值绘制电压运行数据的变化曲线;
根据变化曲线确定电压运行数据的总电压变化值;
根据总电压变化值构建电压运行数据的等级模型,并确定总电压变化值的权重值;
根据总电压变化值的权重值对电压运行数据的等级模型进行等级分析;
并且确定电压运行数据曲线的最大数值和最小数值,根据最大数值和最小数值的数值区间将电压运行数据对应至不同的阈值等级区分中;
其中,等级区分根据工作人员进行数量和阈值的设定;
针对S1中将不同类型的电力数据进行确认,还包括:
根据每个唯一标签的阅读率以及该唯一标签对应的电力数据集中每个数据的动态特性值以及数据量,获取该唯一标签的电力数据集的置信度,包括:
根据每个唯一标签对应的电力数据集中每个数据的动态特性值以及数据量获取每个唯一标签对应的电力数据集中每个数据的特征向量;
根据每个唯一标签和该唯一标签对应的电力数据集中每个数据的特征向量训练预测模型;
通过训练后的预测模型确定每个唯一标签和其对应的电力数据集的特征向量的映射关系;
根据映射关系构建每个唯一标签对应的电力数据集的数据评价体系;
基于每个唯一标签的阅读率确定该唯一标签对应的电力数据集的基础参考指数;
根据每个唯一标签对应的电力数据集的基础参考指数将所有唯一标签划分为高价值标签和低价值标签;
获取低价值标签对应的第一电力数据集中的头数据,基于头数据使用线性逻辑回归方程评估出后续数据的线性变化量;
根据线性变化量确定数据变化率,若数据变化率在第一区间内,判断第一电力数据集为高置信度,若数据变化率在第二区间内,判断第一电力数据集为中置信度,若数据变化率在第三区间内,判断第一电力数据集为低置信度;
对高价值标签对应的第二电力数据集进行随机数据抽样,获取抽样数据;
通过数据评价体系对抽样数据进行评价,获取抽样数据对应的数据可信状态值;
根据数据可信状态值确定第二电力数据集的置信度;
根据获取电力值,将电力值进行异常检测,包括:
根据相邻两个电力值的差值构建电力值变化曲线;
根据电力值变化曲线将同个曲线纵坐标范围的目标电力值进行聚类,获取聚类结果;
确定聚类结果每个聚类簇中每一批聚类数据的数据变化频度,根据每一批聚类数据的数据变化频度确定每个聚类簇的数据内聚性指数和数据分离性指数;
获取每个聚类簇中每一批聚类数据中两两数据的距离值,根据两两数据的距离值确定同一聚类簇中数据的第一平均距离值和不同聚类簇中数据的第二平均距离值;
根据第一平均距离值和第二平均距离值和每个聚类簇的数据内聚性指数和数据分离性指数计算出该聚类簇的数据轮廓系数:
其中,Fi表示为第i个聚类簇的数据轮廓系数,A'表示为第二平均距离值,Ai表示为第i个聚类簇中数据的第一平均距离值,max(A',Ai)表示为在第二平均距离值和第i个聚类簇中数据的第一平均距离值取相对最大的值,ln表示为自然对数,Si表示为第i个聚类簇的数据内聚性指数,Bi表示为第i个聚类簇的数据分离性指数;
将数据轮廓系数大于等于预设阈值的第一聚类簇确认为数据正常数据簇,将数据轮廓系数小于预设阈值的第二聚类簇确认为数据异常数据簇。
2.根据权利要求1所述的一种分布式电源接入配电网的规划方法,其特征在于:针对S1中将不同类型的电力数据进行确认,还包括:
检测每个第二电力数据中的无用数据分布情况;
根据无用数据分布情况确定每个无用数据的属性值;
根据每个无用数据的属性值确认出每个第二电力数据中无用数据的影响因子;
确认每个第二电力数据中无用数据的影响因子是否大于等于第二预设阈值,若是,确认该电力数据集中存在不良数据,若否,确认该电力数据集中未存在不良数据,其中,第二预设阈值通过工作人员在系统终端进行自行设定;
将存在不良数据的电力数据集标注为异常数据,并将异常数据在显示终端进行显示。
3.一种分布式电源接入配电网的规划系统,应用在权利要求1-2任一项所述的分布式电源接入配电网的规划方法中,其特征在于:包括:
神经网络参数设定模块,用于:
将每个等级中的电压运行数据的阈值进行获取,获取后将标准的电压运行数据阈值进行获取,其中,标准的电压运行数据阈值通过工作人员进行自行设定;
将标准的电压运行数据阈值和每个等级中的电压运行数据阈值进行阈值数据导出,导出后将标准的电压运行数据阈值和每个等级中的电压运行数据阈值的阈值数据进行阈值数据对比;
将标准的电压运行数据阈值和每个等级中的电压运行数据阈值的阈值对比数据作为神经网络运算数据;
阈值数据神经网络运算模块,用于:
基于神经网络参数设定模块中得出的神经网络运算数据,将神经网络运算数据进行正向传播,其中,正向传播是由低层次向高层次进行传播;
正向传播完成后得出第一传播数据,将第一传播数据与标准传播数据进行对比,其中,标准传播数据通过工作人员进行自行设定;
若第一传播数据与标准传播数据相符,则该第一传播数据为第一优化数据;
若第一传播数据与标准传播数据不相符,则将神经网络运算数据进行反向传播,其中,反向传播是将神经网络运算数据从高层次向底层次进行传播训练;
反向传播后的神经网络运算数据为第二优化数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153028.4A CN117154716B (zh) | 2023-09-08 | 2023-09-08 | 一种分布式电源接入配电网的规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153028.4A CN117154716B (zh) | 2023-09-08 | 2023-09-08 | 一种分布式电源接入配电网的规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117154716A CN117154716A (zh) | 2023-12-01 |
CN117154716B true CN117154716B (zh) | 2024-04-26 |
Family
ID=88898573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153028.4A Active CN117154716B (zh) | 2023-09-08 | 2023-09-08 | 一种分布式电源接入配电网的规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117154716B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117849700B (zh) * | 2024-03-07 | 2024-05-24 | 南京国网电瑞电力科技有限责任公司 | 可控制测量的模块化电能计量系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832796A (zh) * | 2020-02-29 | 2020-10-27 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN113919610A (zh) * | 2020-07-07 | 2022-01-11 | 国网河南省电力公司南召县供电公司 | 低压台区线损预测用arima模型构建方法及评估方法 |
CN114037876A (zh) * | 2021-12-16 | 2022-02-11 | 马上消费金融股份有限公司 | 一种模型优化方法和装置 |
CN115169719A (zh) * | 2022-07-22 | 2022-10-11 | 安徽明生恒卓科技有限公司 | 一种基于模糊聚类和bp神经网络的台区状态预测模型 |
CN115617784A (zh) * | 2022-09-09 | 2023-01-17 | 河南省沿太行高速公路有限公司 | 一种信息化配电的数据处理系统及其处理方法 |
JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
CN116187835A (zh) * | 2023-01-16 | 2023-05-30 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据驱动的台区理论线损区间估算方法及系统 |
-
2023
- 2023-09-08 CN CN202311153028.4A patent/CN117154716B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832796A (zh) * | 2020-02-29 | 2020-10-27 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN113919610A (zh) * | 2020-07-07 | 2022-01-11 | 国网河南省电力公司南召县供电公司 | 低压台区线损预测用arima模型构建方法及评估方法 |
JP7240691B1 (ja) * | 2021-09-08 | 2023-03-16 | 山東大学 | データドライブの能動配電網異常状態検知方法及びシステム |
CN114037876A (zh) * | 2021-12-16 | 2022-02-11 | 马上消费金融股份有限公司 | 一种模型优化方法和装置 |
CN115169719A (zh) * | 2022-07-22 | 2022-10-11 | 安徽明生恒卓科技有限公司 | 一种基于模糊聚类和bp神经网络的台区状态预测模型 |
CN115617784A (zh) * | 2022-09-09 | 2023-01-17 | 河南省沿太行高速公路有限公司 | 一种信息化配电的数据处理系统及其处理方法 |
CN116187835A (zh) * | 2023-01-16 | 2023-05-30 | 国网江苏省电力有限公司南通供电分公司 | 一种基于数据驱动的台区理论线损区间估算方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于数据分析的电力用户用电特征研究;陈谧;《自动化仪表》;20220920;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117154716A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022110557A1 (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN113159339B (zh) | 一种基于大数据的一台区一指标线损管理方法及系统 | |
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN117154716B (zh) | 一种分布式电源接入配电网的规划方法及系统 | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
CN115166619A (zh) | 一种智能电能表运行误差监测系统 | |
CN110687361A (zh) | 一种用于识别低压配网台区相序的方法及系统 | |
CN112035544B (zh) | 一种配电网数据异常监测和诊断方法 | |
CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
CN111881124A (zh) | 一种基于改进算法的状态估计的数据处理方法及系统 | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
CN115169719A (zh) | 一种基于模糊聚类和bp神经网络的台区状态预测模型 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN110555619A (zh) | 一种基于智能配电网的供电能力评估方法 | |
CN115951123B (zh) | 一种基于无线通信的电能计量方法及系统 | |
CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
CN116011158A (zh) | 一种低压台区的拓扑识别方法、系统及装置 | |
CN116307844A (zh) | 一种低压台区线损评估分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |