CN117706282A - 台区分时分相线损监控方法和系统 - Google Patents
台区分时分相线损监控方法和系统 Download PDFInfo
- Publication number
- CN117706282A CN117706282A CN202410167088.XA CN202410167088A CN117706282A CN 117706282 A CN117706282 A CN 117706282A CN 202410167088 A CN202410167088 A CN 202410167088A CN 117706282 A CN117706282 A CN 117706282A
- Authority
- CN
- China
- Prior art keywords
- phase
- neural network
- loss rate
- line
- characteristic parameters
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 210000002569 neuron Anatomy 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开台区分时分相线损监控方法和系统,该方法包括,步骤一:通过设置在台区A相、B相和C相线路首端、尾端和负载上的电表每小时收集一次台区各个相位线路上的电气特征参数;步骤二:将收集的电气特征参数传输至服务器;步骤三:服务器对电气特征参数进行标准化处理;步骤四:构建BP神经网络模型,并基于标准化处理后的电气特征参数进行训练迭代;步骤五:通过BP神经网络模型每小时预测一次台区的分时分相线损率;步骤六:将BP神经网络模型预测的台区分时分相线损率与标准的线损率对比,对线损率高的台区相位进行预警显示。本发明可以定时检测台区内每相线路的线损率,防止线损率过高引起的损失,更快定位出现问题的相位。
Description
技术领域
本发明涉及电网维护领域,具体涉及台区分时分相线损监控方法和系统。
背景技术
近些年电力系统不断发展,居民用电量也不断增加,现有电网线路中的线损问题也逐渐得到重视。目前线损率检测主要依靠人工抄表计算,不仅准确性不高还浪费时间,无法得到问题出现的时间范围,而且进行排查故障排查时也十分不便,不能快速准确找到问题所在。
现有技术中如CN105548677A,检测减损的成本过高,无法准确得到问题出现在三相电的那个相位上,排查起来十分麻烦不便。
发明内容
为解决不能确定线损问题出现的时间以及问题所在相位线路的问题,本发明提出了台区分时分相线损监控方法和系统,通过定时计算每相线路上的线损率,及时确定问题源头,便于工作人员检测维护。
为了实现上述目的,本发明的技术方案是:
本发明第一方面提出台区分时分相线损监控方法,该方法包括:
步骤一:通过设置在台区A相、B相和C相线路首端、尾端和负载上的电表每小时收集一次台区各个相位线路上的电气特征参数,用于预测线损率;
步骤二:电表内包括载波模块,载波模块可以将收集的电气特征参数传输至服务器,电表传输的电气特征参数包括位置标签,服务器根据电气特征参数的位置标签识别其所在台区相位,便于工作人员了解各个台区相位的电气特征参数;
步骤三:服务器对电气特征参数进行标准化处理,方便BP神经网络模型预测;
步骤四:构建BP神经网络模型,并基于标准化处理后的电气特征参数进和真实线损率行训练迭代,在训练迭代时使用的电气特征参数与真实线损率均为历史数据,通过利用大量的历史数据进行训练,使BP神经网络模型预测误差降低至可接受的范围内,完成BP神经网络模型的最终构建,使BP神经网络模型的预测结果可以近似等于真实线损率;
步骤五:通过BP神经网络模型每小时预测一次台区的分时分相线损率,便于及时发现问题,工作人员可以及时进行维护检修;
步骤六:将BP神经网络模型预测的台区分时分相线损率与标准的线损率对比,对比结果显示在服务器上,并且对于线损率高于标准线损率的台区相位进行预警显示,提醒工作人员前去维修,避免发生更大的损失。
进一步地,所述电气特征参数包括每小时供电量、每小时有功功率、每小时用电量和线路长度,这四项电气特征参数可以全面反映台区线路上的用电情况,且均与线损率有关,使用这四项电气特征参数可以更好完成BP神经网络模型的构建。
进一步地,所述标准化处理的公式为:
;
;
;
其中,为平均值,/>为/>的标准差,/>为/>标准化处理后的值,/>为电气特征参数,/>为/>的平均数,N为电气特征参数总个数。
进一步地,所述BP神经网络模型包括输入层、隐含层和输出层,所述输入层、隐含层和输出层包括多个神经元,输入层、隐含层和输出层之间的传递函数f(x)采用Sigmoid函数:
;
其中,x为输入层、隐含层和输出层之间的传递函数f(x)的自变量,0<f(x)<1,选择Sigmoid 函数是因为其输出值在 0 到 1 之间,线损率位于输出值范围内,方便观察模型的输出是否符合预期,且Sigmoid 函数的导数在 0 到 0.25 之间,可以控制反向传播过程中权值的更新幅度,可更好的进行训练迭代,最后Sigmoid 函数的输出接近 0 或 1 时,输出的导数接近 0,可以避免梯度消失的问题,避免BP神经模型出现问题。
进一步地,所述步骤四中,通过正向传播公式和误差公式对BP神经网络模型进行训练迭代,正向传播表达式为:
,n=1,2,…,n
,l=1,2,…,L
输出层计算结果E误差为:
;
;
;
;
其中,为隐含层输出值,f为Sigmoid函数,/>、/>分别表示输入层和隐含层之间的权值和阈值,/>为输入层的输入值,/>为输出层的输出值,/>、/>分别表示隐含层和输出层之间的权值和阈值,E为预测线损率与真实线损率的误差,/>为真实线损率,p为输出层神经元个数,/>为隐含层神经元个数,/>为学习率,/>为权值迭代量,/>为权值偏导,/>为阈值迭代量,/>为阈值偏导;
通过误差公式不断迭代更新权值和阈值,把更新后的权值和阈值带入正向表达式中进行预测线损率,最终使BP神经网络误差减小,符合误差要求,完成BP神经网络模型构建。
进一步地,所述BP神经网络模型中的权值和阈值的初始值均由以下公式计算得到:
;
;
其中,Wc为权值初始值,bc为阈值初始值,U为上一层神经元数量,m为下一层神经元数量,可快速确定权值和阈值的初始值,防止因为初始者设置不当引起的BP神经网络模型过拟合或者欠拟合。
在上述台区分时分相线损监控方法的基础上,本发明第二方面还提出台区分时分相线损监控系统,包括收集模块、传输模块、处理模块、BP神经网络模块、计算模块、预警模块;
所述收集模块用于通过设置在台区A相、B相和C相线路首端、尾端和负载上的电表每小时收集一次台区各个相位线路上的电气特征参数,用于线损率的预测;
所述传输模块用于将收集的电气特征参数传输至服务器,服务器根据电气特征参数识别其所在台区相位;
所述处理模块用于对电气特征参数进行标准化处理,方便代入BP神经网络模型;
所述BP神经网络模块用于构建BP神经网络模型,并基于标准化处理后的电气特征参数进行训练迭代,得到训练好的BP神经网络模型,使BP神经网络模型预测的误差在一定范围内;
所述计算模块用于通过BP神经网络模型每小时预测一次台区的分时分相线损率;
所述预警模块用于将BP神经网络模型预测的台区分时分相线损率与标准的线损率对比,对比结果显示在服务器上,并对线损率高于标准线损率的台区相位进行预警显示,提示工作人员前去检测维护。
进一步地,所述电气特征参数包括每小时供电量、每小时有功功率、每小时用电量和线路长度。
进一步地,所述BP神经网络模块中,通过正向传播公式和误差公式对BP神经网络模型进行训练迭代,正向传播表达式为:
,n=1,2,…,n
,l=1,2,…,L
输出层计算结果E误差为:
;
;
;
;
其中,为隐含层输出值,f为Sigmoid函数,/>、/>分别表示输入层和隐含层之间的权值和阈值,/>为输入层的输入值,/>为输出层的输出值,/>、/>分别表示隐含层和输出层之间的权值和阈值,E为预测线损率与真实线损率的误差,/>为真实线损率,p为输出层神经元个数,/>为隐含层神经元个数,/>为学习率,/>为权值迭代量,/>为权值偏导,/>为阈值迭代量,/>为阈值偏导。
进一步地,所述BP神经网络模型中的权值和阈值的初始值均由以下公式计算得到:
;
;
其中,Wc为权值初始值,bc为阈值初始值,U为上一层神经元数量,m为下一层神经元数量。
通过上述技术方案,本发明的有益效果为:
本发明通过构建BP神经网络,计算台区分时分相线损率,准确高效的得知台区内各相位线损率情况,避免了人工采集数据计算带来的误差和不能及时找到问题线路带来损失,大大节约了人力成本和时间,每小时一次的线损率计算且能够及时发现问题,找到线损问题所在的台区相位,便于人工维护检修。
本发明设置有公式进行权值和阈值的初始值计算,避免了随意取的权值和阈值使BP神经网络模型过拟合或欠拟合,使其计算量减小,便于BP神经网络模型构建。
附图说明
图1是本发明台区分时分相线损监控方法的流程示意图。
图2是本发明台区分时分相线损监控方法的BP神经网络构建的流程示意图。
图3是本发明台区分时分相线损监控系统的架构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明:
如图1所示,本发明第一方面提出台区分时分相线损监控方法,该方法包括:
步骤一:通过设置在台区A相、B相和C相线路首端、尾端和负载上的电表每小时收集一次台区各个相位线路上的电气特征参数,用来预测线损率,电气特征参数包括每小时供电量、每小时有功功率、每小时用电量和线路长度,这四项电气特征参数均与线损率有关,方便后面预测线损率。
步骤二:将收集的电气特征参数传输至服务器,电表传输的电气特征参数包括位置标签,服务器根据电气特征参数的位置标签识别其所在台区相位,得到各个台区相位的数据信息。
步骤三:服务器对电气特征参数进行标准化处理,便于代入BP神经网络模型内,由于四项电气特征参数的性质不同,且具有不同的量纲和数量级,电气特征参数指标间的水平相差很大,如果直接用原始电气特征参数进行分析,就会突出数值较高的电气特征参数在综合分析中的作用,相对削弱数值水平较低的电气特征参数的作用,因此,为了保证结果的可靠性,需要对原始数据进行标准化处理。
电气特征参数的标准化处理是将电气特征参数按比例缩放,使之落入一个小的特定区间,去除电气特征参数的单位限制,将其转化为无量纲的纯数值,便于电气特征参数进行比较和加权,标准化处理的公式为:
;
;
;
其中,为平均值,/>为/>的标准差,/>为/>标准化处理后的值,/>为电气特征参数,/>为/>的平均数,N为电气特征参数总个数。
步骤四:如图2所示,构建BP神经网络模型,并基于标准化处理后的电气特征参数和真实线损率进行训练迭代,进行训练迭代的电气特征参数与真实线损率均为历史数据,通过大量历史电气特征参数和真实线损率,不断完善BP神经网络模型,得到训练好的BP神经网络模型,保证预测的线损率误差在一定范围内,使预测线损率可以近似等于真实线损率。
BP神经网络模型包括输入层、隐含层和输出层,输入层、隐含层和输出层包括多个神经元,输入层、隐含层和输出层之间的传递函数f(x)采用Sigmoid函数:
;
其中,x为输入层、隐含层和输出层之间的传递函数f(x )的自变量,0<f(x )<1。
通过正向传播公式和误差公式对BP神经网络模型进行训练迭代,正向传播表达式为:
,n=1,2,…,n
,l=1,2,…,L
输出层计算结果E误差为:
;
;
;
;
其中,为隐含层输出值,f为Sigmoid函数,/>、/>分别表示输入层和隐含层之间的权值和阈值,/>为输入层的输入值,/>为输出层的输出值,/>、/>分别表示隐含层和输出层之间的权值和阈值,E为预测线损率与真实线损率的误差,/>为真实线损率,p为输出层神经元个数,/>为隐含层神经元个数,/>为权值迭代量,/>为权值偏导,/>为阈值迭代量,/>为阈值偏导。
为学习率,自定义初始值,取值范围为(0,1)。
进行BP神经网络模型的训练迭代时,需要不断更新权值和阈值,现有权值和阈值加上求出的权值迭代量和阈值迭代量就是更新后的权值和阈值,最终当BP神经网络模型预测结果误差在一定范围内,预测的线损率可以近似等于真实线损率时,权值和阈值不再更新,得到训练好的BP神经网络模型。
现有权值和阈值的初始值一般使人为随机设置的,再根据误差公式进行不断迭代更新,最终确定权值和阈值,但BP神经网络模型会因为权值和阈值的初始值设定不当而使整个系统模型欠拟合或过拟合,使其无法快速收敛且预测值不准确。
所以本发明设置了权值和阈值的初始值的计算公式,可快速确定权值和阈值的初始值,防止因为初始值设置不当引起的BP神经网络模型过拟合或者欠拟合。
具体的,BP神经网络模型中的权值和阈值的初始值均由以下公式计算得到:
;
;
其中,Wc为权值初始值,bc为阈值初始值,U为上一层神经元数量,m为下一层神经元数量。
步骤五:通过BP神经网络模型每小时预测一次台区的分时分相线损率,便于及时发现问题。
步骤六:将BP神经网络模型预测的台区分时分相线损率与标准的线损率对比,对比结果显示在服务器上,及时掌握各个台区相位的线损率情况,并且对线损率高于标准线损率的台区相位进行预警显示,提醒工作人员前去维修。
在上述台区分时分相线损监控方法和系统的基础上,如图3所示,本发明第二方面还提出台区分时分相线损监控系统,包括收集模块、传输模块、处理模块、BP神经网络模块、计算模块、预警模块。
收集模块用于通过设置在台区A相、B相和C相线路首端、尾端和负载上的电表每小时收集一次台区各个相位线路上的电气特征参数,用于接下来线损率的预测计算。
电气特征参数包括每小时供电量、每小时有功功率、每小时用电量和线路长度。
传输模块用于将收集的电气特征参数传输至服务器,服务器根据电气特征参数识别其所在台区相位,具体的,传输模块将电气特征参数上传服务器时,在上传的数据中设置位置标签,服务器可以根据位置标签识别电气特征参数所属台区相位。
处理模块用于对电气特征参数进行标准化处理,处理模块每小时对上传到服务器的电气特征参数进行一次标准化处理,便于代入BP神经网络模型预测线损率。
BP神经网络模块用于构建BP神经网络模型,并基于标准化处理后的历史电气特征参数和真实线损率进行训练迭代,得到训练好的BP神经网络模型,使BP神经网络模型预测的误差在一定范围内。
具体的,BP神经网络模块中,通过正向传播公式和误差公式对BP神经网络模型进行训练迭代,正向传播表达式为:
,n=1,2,…,n
,l=1,2,…,L
输出层计算结果E误差为:
;
;
;
;
其中,为隐含层输出值,f为Sigmoid函数,/>、/>分别表示输入层和隐含层之间的权值和阈值,/>为输入层的输入值,/>为输出层的输出值,/>、/>分别表示隐含层和输出层之间的权值和阈值,E为预测线损率与真实线损率的误差,/>为真实线损率,p为输出层神经元个数,/>为隐含层神经元个数,/>为学习率,/>为权值迭代量,/>为权值偏导,/>为阈值迭代量,/>为阈值偏导。
BP神经网络模型中的权值和阈值的初始值均由以下公式计算得到:
;
;
其中,Wc为权值初始值,bc为阈值初始值,U为上一层神经元数量,m为下一层神经元数量。
计算模块用于通过BP神经网络模型每小时预测一次台区的分时分相线损率。
预警模块用于将BP神经网络模型预测的台区分时分相线损率与标准的线损率对比,对比结果显示在服务器上,并对线损率高于标准线损率的台区相位进行预警显示,提示工作人员前去检测维护,可及时发现问题解决问题。
实际应用时,首先构建BP神经网络模型,并确定权值和阈值的初始值,通过BP神经网络模型的正向传播公式和误差公式,利用历史电气特征参数数据和真实线损率对BP神经网络模型训练迭代,得到训练好的BP神经网络模型,使BP神经网络模型的预测结果误差在一定范围内,电气特征参数使用时需要进行标准化处理。
在台区A相、B相和C相线路首端、尾端和负载上都设置电表,把采集的电气特征参数标准化处理后输入BP神经网络模型,得到预测的台区分时分相线损率,服务器把预测的台区分时分相线损率与标准线损率对比,把对比结果显示在服务器上,出现异常情况时,提示工作人员前去维修,服务器每小时进行一次台区分时分相线损率的预测,监控线路状态。
以上之实施例,只是本发明的较佳实施例而已,并非限制本发明的实施范围,故凡依本发明专利范围的构造、特征及原理所做的等效变化或修饰,均应包括于本发明申请专利范围内。
Claims (10)
1.台区分时分相线损监控方法,其特征在于,包括:
步骤一:通过设置在台区A相、B相和C相线路首端、尾端和负载上的电表每小时收集一次台区各个相位线路上的电气特征参数;
步骤二:将收集的电气特征参数传输至服务器,服务器根据电气特征参数识别其所在台区相位;
步骤三:服务器对电气特征参数进行标准化处理;
步骤四:构建BP神经网络模型,并基于标准化处理后的电气特征参数进行训练迭代,得到训练好的BP神经网络模型;
步骤五:通过BP神经网络模型每小时预测一次台区的分时分相线损率;
步骤六:将BP神经网络模型预测的台区分时分相线损率与标准的线损率对比,对比结果显示在服务器上,并对线损率高于标准线损率的台区相位进行预警显示。
2.根据权利要求1所述的台区分时分相线损监控方法,其特征在于,所述电气特征参数包括每小时供电量、每小时有功功率、每小时用电量和线路长度。
3.根据权利要求1所述的台区分时分相线损监控方法,其特征在于,所述标准化处理的公式为:
;
;
;
其中,为平均值,/>为/>的标准差,/>为/>标准化处理后的值,/>为电气特征参数,为/>的平均数,N为电气特征参数总个数。
4.根据权利要求1所述的台区分时分相线损监控方法,其特征在于,所述BP神经网络模型包括输入层、隐含层和输出层,所述输入层、隐含层和输出层包括多个神经元,输入层、隐含层和输出层之间的传递函数f(x)采用Sigmoid函数:
;
其中,x为输入层、隐含层和输出层之间的传递函数f(x )的自变量,0<f(x )<1。
5.根据权利要求1所述的台区分时分相线损监控方法,其特征在于,所述步骤四中,通过正向传播公式和误差公式对BP神经网络模型进行训练迭代,正向传播表达式为:
,n=1,2,…,n
,l=1,2,…,L
输出层计算结果E误差为:
;
;
;
;
其中,为隐含层输出值,f为Sigmoid函数,/>、/>分别表示输入层和隐含层之间的权值和阈值,/>为输入层的输入值,/>为输出层的输出值,/>、/>分别表示隐含层和输出层之间的权值和阈值,E为预测线损率与真实线损率的误差,/>为真实线损率,p为输出层神经元个数,/>为隐含层神经元个数,/>为学习率,/>为权值迭代量,/>为权值偏导,/>为阈值迭代量,/>为阈值偏导。
6.根据权利要求5所述的台区分时分相线损监控方法,其特征在于,所述BP神经网络模型中的权值和阈值的初始值均由以下公式计算得到:
;
;
其中,Wc为权值初始值,bc为阈值初始值,U为上一层神经元数量,m为下一层神经元数量。
7.根据权利要求1-6任一项所述的台区分时分相线损监控方法的台区分时分相线损监控系统,其特征在于,包括收集模块、传输模块、处理模块、BP神经网络模块、计算模块、预警模块;
所述收集模块用于通过设置在台区A相、B相和C相线路首端、尾端和负载上的电表每小时收集一次台区各个相位线路上的电气特征参数;
所述传输模块用于将收集的电气特征参数传输至服务器,服务器根据电气特征参数识别其所在台区相位;
所述处理模块用于对电气特征参数进行标准化处理;
所述BP神经网络模块用于构建BP神经网络模型,并基于标准化处理后的电气特征参数进行训练迭代,得到训练好的BP神经网络模型;
所述计算模块用于通过BP神经网络模型每小时预测一次台区的分时分相线损率;
所述预警模块用于将BP神经网络模型预测的台区分时分相线损率与标准的线损率对比,对比结果显示在服务器上,并对线损率高于标准线损率的台区相位进行预警显示。
8.根据权利要求7所述的台区分时分相线损监控系统,其特征在于,所述电气特征参数包括每小时供电量、每小时有功功率、每小时用电量和线路长度。
9.根据权利要求7所述的台区分时分相线损监控系统,其特征在于,所述BP神经网络模块中,通过正向传播公式和误差公式对BP神经网络模型进行训练迭代,正向传播表达式为:
,n=1,2,…,n
,l=1,2,…,L
输出层计算结果E误差为:
;
;
;
;
其中,为隐含层输出值,f为Sigmoid函数,/>、/>分别表示输入层和隐含层之间的权值和阈值,/>为输入层的输入值,/>为输出层的输出值,/>、/>分别表示隐含层和输出层之间的权值和阈值,E为预测线损率与真实线损率的误差,/>为真实线损率,p为输出层神经元个数,/>为隐含层神经元个数,/>为学习率,/>为权值迭代量,/>为权值偏导,/>为阈值迭代量,/>为阈值偏导。
10.根据权利要求9所述的台区分时分相线损监控系统,其特征在于,所述BP神经网络模型中的权值和阈值的初始值均由以下公式计算得到:
;
;
其中,Wc为权值初始值,bc为阈值初始值,U为上一层神经元数量,m为下一层神经元数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410167088.XA CN117706282A (zh) | 2024-02-06 | 2024-02-06 | 台区分时分相线损监控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410167088.XA CN117706282A (zh) | 2024-02-06 | 2024-02-06 | 台区分时分相线损监控方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117706282A true CN117706282A (zh) | 2024-03-15 |
Family
ID=90157484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410167088.XA Pending CN117706282A (zh) | 2024-02-06 | 2024-02-06 | 台区分时分相线损监控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117706282A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723839A (zh) * | 2020-05-07 | 2020-09-29 | 国家电网有限公司 | 一种基于边缘计算的台区线损率预测方法 |
CN113221447A (zh) * | 2021-04-22 | 2021-08-06 | 黑龙江大学 | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 |
-
2024
- 2024-02-06 CN CN202410167088.XA patent/CN117706282A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723839A (zh) * | 2020-05-07 | 2020-09-29 | 国家电网有限公司 | 一种基于边缘计算的台区线损率预测方法 |
CN113221447A (zh) * | 2021-04-22 | 2021-08-06 | 黑龙江大学 | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 |
Non-Patent Citations (1)
Title |
---|
齐继阳 等著: "《异形涵管钢筋骨架自动变径高速滚焊机》", 30 April 2019, 武汉:华中科技大学出版社, pages: 116 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114640173B (zh) | 一种基于多特征量的变压器和发电机的预警模型 | |
CN109492777A (zh) | 一种基于机器学习算法平台的风电机组健康管理方法 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN111401757B (zh) | 一种计及时空相关性的多区域电力负荷时序场景建模方法 | |
CN117277958B (zh) | 一种基于大数据的光伏电站的智能运维管理方法及系统 | |
CN104134999A (zh) | 基于多数据源的配电网量测有效性分析实用化计算方法 | |
Zhang et al. | An anomaly identification model for wind turbine state parameters | |
CN109034191A (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN110749784B (zh) | 一种基于电力数据小波分析的线路窃电检测方法 | |
CN106598917A (zh) | 一种基于深度信念网络的上层海洋热结构预测方法 | |
CN109767109A (zh) | 基于神经网络的异常线损率台区识别方法 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN109787295B (zh) | 一种计及风电场状态的风电功率超短期预测计算方法 | |
CN109447322A (zh) | 一种基于相空间重构小波神经网络输电线路覆冰预测的方法 | |
CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN105574604A (zh) | 一种面向电网运行事件的监控预判分析系统 | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及系统 | |
CN109711435A (zh) | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 | |
CN115508770A (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
CN117706282A (zh) | 台区分时分相线损监控方法和系统 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN116796633A (zh) | 一种基于数字孪生技术的电网监测模型校正方法 |
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 |