CN117708707B - 大数据下台区线损率异常智能预警方法和系统 - Google Patents
大数据下台区线损率异常智能预警方法和系统 Download PDFInfo
- Publication number
- CN117708707B CN117708707B CN202410166638.6A CN202410166638A CN117708707B CN 117708707 B CN117708707 B CN 117708707B CN 202410166638 A CN202410166638 A CN 202410166638A CN 117708707 B CN117708707 B CN 117708707B
- Authority
- CN
- China
- Prior art keywords
- loss rate
- line loss
- iteration
- area
- 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.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 abstract 1
- 238000012423 maintenance Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开大数据下台区线损率异常智能预警方法和系统，该方法包括：步骤一：通过设置在每个台区的电网线路首端、尾部和负载上的电表采集台区内电气特征参数；步骤二：将采集的电气特征参数上传至服务器；步骤三：服务器提取获取电表所在台区，并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模型训练学习；步骤五：通过训练学习后的BP神经网络模型预测台区线损率；步骤六：将预测的台区线损率与正常线损率进行对比，并把对比结果显示在服务器上；步骤七：对线损率异常的台区进行预警提示。本发明实现了对台区线损率的准确计算和预警，大大节省了人力和时间。
Description
技术领域
本发明涉及电网监测领域，具体涉及大数据下台区线损率异常智能预警方法和系统。
背景技术
目前进行线损检测和维护大多数依靠人工抄表，进行计算，这样计算线损率工作量大，准确性不高且花费时间长，电力公司很难及时掌握线损情况，进行及时维护，线损率异常预警的方法不够完善。
现有技术中如CN109447329A，计算线损的准确性不够高，容易出现误判的情况，而且计算线损的过程过于复杂。
发明内容
为解决线损率计算不准确，计算线损率时花费时间过长的问题，本发明提供了一种大数据下台区线损率异常智能预警方法和系统，通过建立BP神经网络模型来计算出台区的线损率，并把线损率异常的台区在服务器上进行预警提示。
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大数据下台区线损率异常智能预警方法，包括：
步骤一：通过设置在每个台区的电网线路首端、尾部和负载上的电表采集台区内电气特征参数, 电气特征参数包括台区96点有功功率，96点有功功率指24小时内电表每15分钟采集一次用功功率，24小时共记录的96次有功功率数据；
步骤二：将采集的电气特征参数上传至服务器，便于计算台区线损率；
步骤三：服务器获取电表所在台区，并对电气特征参数进行标准化处理，用于BP神经网络模型的预测；
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数据进行模型训练学习，减少BP神经网络模型的预测误差，最终使BP神经网络模型预测的线损率与真实线损率误差符合要求；
步骤五：通过训练学习后的BP神经网络模型预测台区线损率，预测的台区线损率可近似等于实际线损率；
步骤六：服务器把BP神经网络模型预测的台区线损率与正常线损率进行对比，并把对比结果显示在服务器上，便于工作人员直观的了解各个台区线损率情况，便于下一步工作安排；
步骤七：服务器找出线损率高于正常线损率的异常台区，并对线损率异常的台区进行预警提示，使工作人员进行检测维修，避免出现损失。
进一步地，所述电气特征参数还包括台区内线路长度、台区用电量率和台区供电量，通过采集与线损率有关的电气特征参数，使BP神经网络模型预测线损率更加准确，每24小时采集一次电气特征参数，用于BP神经网络模型预测台区线损率。
进一步地，所述步骤三中，在对96点有功功率进行标准化处理之前，还包括对其进行局部线性嵌入处理，对数据进行降维，减少数据个数，便于BP神经网络模型计算。
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、隐含层和输出层之间的传递函数f(x)采用Tanh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；
Tanh函数收敛速度较快，减少了计算步骤，可以更快的完成BP神经网络模型的构建。
进一步地，所述步骤四中，利用正向传播公式和误差公式对BP神经网络进行学习训练，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Tanhd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。
进一步地，所述权值和阈值通过以下公式进行迭代更新:
；
；
权值迭代在传统权值和阈值迭代公式的基础上进行加权计算，使权重和阈值迭代更加准确，避免特殊值的影响；
；
；
其中，为学习率，/>和/>为权重系数，/>+/>=1，/>为权值迭代量，/>为权值偏导，/>为阈值迭代量，/>为阈值偏导，/>为第G+1次迭代后的加权权值迭代量，/>为第G次迭代后的加权权值迭代量，/>为第G-1次迭代后的加权权值迭代量，/>为第G-2次迭代后的加权权值迭代量，/>为第G-3次迭代后的加权权值迭代量，/>为第G-4次迭代后的加权权值迭代量，/>为第G-5次迭代后的加权权值迭代量，/>为第G+1次迭代后的加权阈值迭代量，/>为第G次迭代后的加权阈值迭代量，/>为第G-1次迭代后的加权阈值迭代量，/>为第G-2次迭代后的加权阈值迭代量，/>为第G-3次迭代后的加权阈值迭代量，/>为第G-4次迭代后的加权阈值迭代量，/>为第G-5次迭代后的加权阈值迭代量；
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。
在上述大数据下台区线损率异常智能预警方法的基础上，本发明第二方面还提出大数据下台区线损率异常智能预警系统，包括采集模块、传输模块、处理模块、BP神经网络模块、计算模块、分析模块和预警模块；
所述采集模块用于通过设置在每个台区的电网线路首端、尾部和负载上的电表采集台区内电气特征参数, 电气特征参数包括台区96点有功功率，便于数据收集齐全；
所述传输模块用于将采集的电气特征参数上传至服务器，便于预测线损率；
所述处理模块用于获取电表所在台区，并对电气特征参数进行标准化处理，减少电气特征参数不同量级对结果造成的影响，便于把BP神经网络模型计算；
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数据进行模型训练学习，最终使其预测的线损率误差在一定范围内，预测线损率可近似等于真实线损率；
所述计算模块用于通过训练学习后的BP神经网络模型预测台区线损率；
所述分析模块用于将BP神经网络模型预测的台区线损率与正常线损率进行对比，并把对比结果显示在服务器上，找出台区线损率异常的台区；
所述预警模块用于得出线损率高于正常线损率的异常台区，并对线损率异常的台区进行预警提示，提醒工作人员前去进行检修，避免因线损率异常造成损失。
进一步地，所述电气特征参数还包括台区内线路长度、台区用电量率和台区供电量，采集模块每24小时采集一次电气特征参数，便于及时掌握台区内的电气特征情况。
进一步地，所述处理模块中，在对96点有功功率进行标准化处理之前，还包括对其进行局部线性嵌入处理。
进一步地，所述BP神经网络模块中，权值和阈值通过以下公式进行迭代:
；
；
；
；
其中，为学习率，/>和/>为权重系数，/>+/>=1，/>为权值迭代量，/>为权值偏导，/>为阈值迭代量，/>为阈值偏导，/>为第G+1次迭代后的加权权值迭代量，/>为第G次迭代后的加权权值迭代量，/>为第G-1次迭代后的加权权值迭代量，/>为第G-2次迭代后的加权权值迭代量，/>为第G-3次迭代后的加权权值迭代量，/>为第G-4次迭代后的加权权值迭代量，/>为第G-5次迭代后的加权权值迭代量，/>为第G+1次迭代后的加权阈值迭代量，/>为第G次迭代后的加权阈值迭代量，/>为第G-1次迭代后的加权阈值迭代量，/>为第G-2次迭代后的加权阈值迭代量，/>为第G-3次迭代后的加权阈值迭代量，/>为第G-4次迭代后的加权阈值迭代量，/>为第G-5次迭代后的加权阈值迭代量。
通过上述技术方案，本发明的有益效果为：
本发明构建BP神经网络模型来计算台区线损率，使其准确率高、节省人工操作且节约了计算线损率的时间。服务器把得到的台区线损率与正常线损率对比，把线损率异常的台区显示在服务器上进行预警，提醒工作人员出现了异常线损率，使工作人员进行检查维护，防止造成更大的损失。
本申请还在原本的阈值和权值迭代更新的基础上，对其做出了改进，使阈值和权值在更新时，对之前五次的阈值和权值的平均数以及本次权值和阈值进行了加权计算，使其关联性更高，避免了特殊值的影响，可以更快的得出最终的权值和阈值，减少计算量。
附图说明
图1是本发明大数据下台区线损率异常智能预警方法的流程示意图。
图2是本发明大数据下台区线损率异常智能预警方法的BP神经网络模型构建的流程示意图。
图3是本发明大数据下台区线损率异常智能预警系统的架构示意图。
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大数据下台区线损率异常智能预警方法，包括：
步骤一：通过设置在每个台区的电网线路首端、尾部和负载上的电表采集台区内电气特征参数, 电气特征参数包括台区96点有功功率，96点有功功率指24小时内电表每15分钟采集一次用功功率，24小时共记录的96次有功功率数据，可以全面记录台区内24小时用电情况。
电气特征参数还包括台区内线路长度、台区用电量率和台区供电量，每24小时采集一次电气特征参数，用于BP神经网络模型预测台区线损率。
步骤二：将采集的电气特征参数上传至服务器，便于预测台区线损率。
步骤三：服务器获取电表所在台区，并对电气特征参数进行标准化处理，标准化处理可以更好的减少四项电气特征参数中数值过高的电气特征参数影响，使之后的预测结果更加准确，便于BP神经网络的预测，标准化处理公式为：
；
；
；
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。
具体的，在电气特征参数进行标准化处理前，还包括对96点有功功率进行局部线性嵌入处理。
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数据进行模型训练学习，使BP神经网络模型预测的线损率与真实线损率误差符合要求，BP神经网络模型预测的线损率可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、隐含层和输出层之间的传递函数f(x)采用Tanh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。
利用正向传播公式和误差公式对BP神经网络模型进行学习训练，不断更新BP神经网络模型内的权值和阈值等参数，使其预测结果更加准确。
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Tanhd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。
权值（、/>）和阈值（/>、/>）通过以下公式进行迭代:
；
；
传动的迭代公式会因为数据中出现过高或过低特殊值使影响其迭代，使BP神经网络模型迭代次数增加，计算麻烦。
所以在传统权值和阈值迭代公式的基础上进行加权计算，前五次迭代按原本公式正常计算，第六次迭代时把前五次数据的平均数与本次数据进行加权计算，得到下一次权值或阈值的数据，使权重和阈值迭代更加准确，避免特殊值的影响，减少了迭代次数。
；
；
其中，为学习率，/>和/>为权重系数，/>+/>=1，/>为权值迭代量，/>为权值偏导，/>为阈值迭代量，/>为阈值偏导，/>为第G+1次迭代后的加权权值迭代量，/>为第G次迭代后的加权权值迭代量，/>为第G-1次迭代后的加权权值迭代量，/>为第G-2次迭代后的加权权值迭代量，/>为第G-3次迭代后的加权权值迭代量，/>为第G-4次迭代后的加权权值迭代量，/>为第G-5次迭代后的加权权值迭代量，/>为第G+1次迭代后的加权阈值迭代量，/>为第G次迭代后的加权阈值迭代量，/>为第G-1次迭代后的加权阈值迭代量，/>为第G-2次迭代后的加权阈值迭代量，/>为第G-3次迭代后的加权阈值迭代量，/>为第G-4次迭代后的加权阈值迭代量，/>为第G-5次迭代后的加权阈值迭代量。
步骤五：通过训练学习后的BP神经网络模型预测台区线损率，预测的台区线损率可近似等于实际线损率。
步骤六：服务器把BP神经网络模型预测的台区线损率与正常线损率进行对比，并把对比结果显示在服务器上，使工作人员直观的了解各个台区线损率情况，便于进行下一步工作。
步骤七：服务器找出线损率高于正常线损率的异常台区，并对线损率异常的台区进行预警提示，使工作人员进行检测维修，防止由于线损率异常带来的损失。
在上述大数据下台区线损率异常智能预警方法的基础上，如图3所示，本发明第二方面还提出大数据下台区线损率异常智能预警系统，包括采集模块、传输模块、处理模块、BP神经网络模块、计算模块、分析模块和预警模块。
采集模块用于通过设置在每个台区的电网线路首端、尾部和负载上的电表采集台区内电气特征参数, 电气特征参数包括台区96点有功功率，具体的，电气特征参数还包括台区内线路长度、台区用电量率和台区供电量，采集模块每24小时采集一次电气特征参数。
传输模块用于将采集的电气特征参数上传至服务器，具体的，电表内设置有载波模块，可以把采集的电气特征参数上传到本地服务器上，之后本地服务器汇总信息后传输至总服务器，用于预测线损率。
处理模块用于获取电表所在台区，并对电气特征参数进行标准化处理，具体的，在对96点有功功率进行标准化处理之前，还包括对其进行局部线性嵌入处理，便于BP神经网络模型预线损率。
局部线性处理过程为：寻找每个有功功率点的k个近邻点，之后由每个有功功率点的近邻点计算出该有功功率点的局部重建权值矩阵，由该有功功率点的局部重建权值矩阵和其近邻点计算出该有功功率点的输出值，完成局部线性嵌入处理，对96点有功功率进行降维，减少计算量。
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数据进行模型训练学习，最终使其预测的线损率符合误差要求。
具体的，BP神经网络模块中，权值和阈值通过以下公式进行迭代:
；
；
；
；
其中，为学习率，/>和/>为权重系数，/>+/>=1，/>为权值迭代量，/>为权值偏导，/>为阈值迭代量，/>为阈值偏导，/>为第G+1次迭代后的加权权值迭代量，/>为第G次迭代后的加权权值迭代量，/>为第G-1次迭代后的加权权值迭代量，/>为第G-2次迭代后的加权权值迭代量，/>为第G-3次迭代后的加权权值迭代量，/>为第G-4次迭代后的加权权值迭代量，/>为第G-5次迭代后的加权权值迭代量，/>为第G+1次迭代后的加权阈值迭代量，/>为第G次迭代后的加权阈值迭代量，/>为第G-1次迭代后的加权阈值迭代量，/>为第G-2次迭代后的加权阈值迭代量，/>为第G-3次迭代后的加权阈值迭代量，/>为第G-4次迭代后的加权阈值迭代量，/>为第G-5次迭代后的加权阈值迭代量。
计算模块用于通过训练学习后的BP神经网络模型预测台区线损率，计算模块通过BP神经网络模型预测出的线损率误差在一定范围内，预测的线损率可近似等于真实线损率。
分析模块用于将BP神经网络模型预测的台区线损率与正常线损率进行对比，并把对比结果按线损率从高到低的顺序显示在服务器上，找出台区线损率异常的台区。
预警模块用于得出线损率高于正常线损率的异常台区，并对线损率异常的台区进行预警提示，使工作人员前去进行检修，避免发生额外损失。
实际应用时，首先使用历史电气特征参数和线损率构建BP神经网络模型。
96点有功功率数据较为多，增加了BP神经网络模型的计算量，且数据容易收到干扰产生变化。所以先对96点有功功率进行局部线性嵌入处理，对于数据进行降维，便于计算。之后对电气特征参数进行标准化处理，把得到的结果输入至BP神经网络模型。
通过神经网络的正向传播公式和误差公式进行BP神经网络模型训练迭代，得到最终符合要求的BP神经网络模型。对台区线损率进行检测预警时，在台区首段和尾端设置电表，采集台区内线路长度、台区用电量、台区96点有功功率、台区供电量四项电气特征参数。对电气特征参数处理后输入BP神经网络模型，得到预测的台区线损率。
服务器把台区线损率与设置的正常线损率进行对比，把对比结果显示在服务器上，并对线损率异常的台区进行预警提示，使维护人员前去检查维护。
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 (7)
1.大数据下台区线损率异常智能预警方法，其特征在于，包括：
步骤一：通过设置在每个台区的电网线路首端、尾部和负载上的电表采集台区内电气特征参数，电气特征参数包括台区96点有功功率；
步骤二：将采集的电气特征参数上传至服务器；
步骤三：服务器获取电表所在台区，并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数据进行模型训练学习；
步骤五：通过训练学习后的BP神经网络模型预测台区线损率；
步骤六：将BP神经网络模型预测的台区线损率与正常线损率进行对比，并把对比结果显示在服务器上；
步骤七：得出线损率高于正常线损率的异常台区，并对线损率异常的台区进行预警提示；
所述步骤四中，利用正向传播公式和误差公式对BP神经网络模型进行学习训练，正向传播表达式为：
输出层计算结果E误差为：
其中，yl为隐含层输出值，f为Tanh函数，wnl、bnk分别表示输入层和隐含层之间的权值和阈值，zn为输入层的输入值，ok为输出层的输出值，wlk、blk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，dk为真实线损率，p为输出层神经元个数，L为隐含层神经元个数；
所述权值和阈值通过以下公式进行迭代：
其中，η为学习率，θ和δ为权重系数，且θ+δ＝1，ΔW为权值迭代量，为权值偏导，Δb为阈值迭代量，/>为阈值偏导，ΔwGH为第G+1次迭代后的加权权值迭代量，ΔwG为第G次迭代后的加权权值迭代量，ΔwG-1为第G-1次迭代后的加权权值迭代量，ΔwG-2为第G-2次迭代后的加权权值迭代量，ΔwG-3为第G-3次迭代后的加权权值迭代量，ΔwG-4为第G-4次迭代后的加权权值迭代量，ΔwG-5为第G-5次迭代后的加权权值迭代量，ΔbGH为第G+1次迭代后的加权阈值迭代量，ΔbG为第G次迭代后的加权阈值迭代量，ΔbG-1为第G-1次迭代后的加权阈值迭代量，ΔbG-2为第G-2次迭代后的加权阈值迭代量，ΔbG-3为第G-3次迭代后的加权阈值迭代量，ΔbG-4为第G-4次迭代后的加权阈值迭代量，ΔbG-5为第G-5次迭代后的加权阈值迭代量。
2.根据权利要求1所述的大数据下台区线损率异常智能预警方法，其特征在于，所述电气特征参数还包括台区内线路长度、台区用电量率和台区供电量，每24小时采集一次电气特征参数。
3.根据权利要求1所述的大数据下台区线损率异常智能预警方法，其特征在于，所述步骤三中，在对96点有功功率进行标准化处理之前，还包括对其进行局部线性嵌入处理。
4.根据权利要求1所述的大数据下台区线损率异常智能预警方法，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、隐含层和输出层之间的传递函数f(x)采用Tanh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所述的大数据下台区线损率异常智能预警方法的大数据下台区线损率异常智能预警系统，其特征在于，包括采集模块、传输模块、处理模块、BP神经网络模块、计算模块、分析模块和预警模块；
所述采集模块用于通过设置在每个台区的电网线路首端、尾部和负载上的电表采集台区内电气特征参数，电气特征参数包括台区96点有功功率；
所述传输模块用于将采集的电气特征参数上传至服务器；
所述处理模块用于获取电表所在台区，并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数据进行模型训练学习；
所述计算模块用于通过训练学习后的BP神经网络模型预测台区线损率；
所述分析模块用于将BP神经网络模型预测的台区线损率与正常线损率进行对比，并把对比结果显示在服务器上；
所述预警模块用于得出线损率高于正常线损率的异常台区，并对线损率异常的台区进行预警提示。
6.根据权利要求5所述的大数据下台区线损率异常智能预警系统，其特征在于，所述电气特征参数还包括台区内线路长度、台区用电量率和台区供电量，采集模块每24小时采集一次电气特征参数。
7.根据权利要求5所述的大数据下台区线损率异常智能预警系统，其特征在于，所述处理模块中，在对96点有功功率进行标准化处理之前，还包括对其进行局部线性嵌入处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166638.6A CN117708707B (zh) | 2024-02-06 | 2024-02-06 | 大数据下台区线损率异常智能预警方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166638.6A CN117708707B (zh) | 2024-02-06 | 2024-02-06 | 大数据下台区线损率异常智能预警方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708707A CN117708707A (zh) | 2024-03-15 |
| CN117708707B true CN117708707B (zh) | 2024-05-17 |
Family
ID=90150173
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410166638.6A Active CN117708707B (zh) | 2024-02-06 | 2024-02-06 | 大数据下台区线损率异常智能预警方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708707B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101652851B1 (ko) * | 2016-04-20 | 2016-09-02 | 유솔전자 주식회사 | 스마트지폐감지모듈·지폐특징추출알고리즘엔진부로 이루어진 스마트 지폐계수기 |
| CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
| CN109767109A (zh) * | 2019-01-03 | 2019-05-17 | 南京海兴电网技术有限公司 | 基于神经网络的异常线损率台区识别方法 |
| CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
| CN111695800A (zh) * | 2020-06-03 | 2020-09-22 | 南京中电科能技术有限公司 | 一种云边协同逐级分析定位异常用电行为用户的方法 |
| AU2021100832A4 (en) * | 2021-02-10 | 2021-04-22 | Guangdong University Of Petrochemical Technology | The Fault Diagnosis Method Through Using The Feature-weighted K-Nearest Neighbor (KNN) Algorithm Based On Mean Impact Value (MIV) Data Conversion |
| CN112862012A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 一种基于lstm模型的运维系统异常预警方法、装置及设备 |
| CN114237046A (zh) * | 2021-12-03 | 2022-03-25 | 国网山东省电力公司枣庄供电公司 | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 |
| CN116164039A (zh) * | 2023-02-28 | 2023-05-26 | 江苏大学 | 径向六极混合磁轴承无位移传感器控制系统的构造方法 |
| CN116629625A (zh) * | 2023-04-24 | 2023-08-22 | 国网浙江省电力有限公司桐乡市供电公司 | 一种基于神经网络模型的电网线损预测方法 |
| WO2023231204A1 (zh) * | 2022-06-02 | 2023-12-07 | 苏州大学 | 一种基于 ics-bp 神经网络的传感器物理量回归方法 |
| CN117454939A (zh) * | 2023-11-22 | 2024-01-26 | 南通大学 | 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239694B (zh) * | 2014-08-28 | 2016-11-23 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
-
2024
- 2024-02-06 CN CN202410166638.6A patent/CN117708707B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101652851B1 (ko) * | 2016-04-20 | 2016-09-02 | 유솔전자 주식회사 | 스마트지폐감지모듈·지폐특징추출알고리즘엔진부로 이루어진 스마트 지폐계수기 |
| CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
| CN109767109A (zh) * | 2019-01-03 | 2019-05-17 | 南京海兴电网技术有限公司 | 基于神经网络的异常线损率台区识别方法 |
| CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
| CN111695800A (zh) * | 2020-06-03 | 2020-09-22 | 南京中电科能技术有限公司 | 一种云边协同逐级分析定位异常用电行为用户的方法 |
| AU2021100832A4 (en) * | 2021-02-10 | 2021-04-22 | Guangdong University Of Petrochemical Technology | The Fault Diagnosis Method Through Using The Feature-weighted K-Nearest Neighbor (KNN) Algorithm Based On Mean Impact Value (MIV) Data Conversion |
| CN112862012A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 一种基于lstm模型的运维系统异常预警方法、装置及设备 |
| CN114237046A (zh) * | 2021-12-03 | 2022-03-25 | 国网山东省电力公司枣庄供电公司 | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 |
| WO2023231204A1 (zh) * | 2022-06-02 | 2023-12-07 | 苏州大学 | 一种基于 ics-bp 神经网络的传感器物理量回归方法 |
| CN116164039A (zh) * | 2023-02-28 | 2023-05-26 | 江苏大学 | 径向六极混合磁轴承无位移传感器控制系统的构造方法 |
| CN116629625A (zh) * | 2023-04-24 | 2023-08-22 | 国网浙江省电力有限公司桐乡市供电公司 | 一种基于神经网络模型的电网线损预测方法 |
| CN117454939A (zh) * | 2023-11-22 | 2024-01-26 | 南通大学 | 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Prediction of Line Loss Rate Based on Improved BP Neural Network;Zhang, H等;《 Advances in Natural Computation, Fuzzy Systems and Knowledge Discovery》;20220104;第595–601页 * |
| 基于深度学习的台区线损分析方法;钟小强;陈杰;蒋敏敏;郑晓晖;;电网技术;20200229(第02期);第409-414页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708707A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| CN110263866B (zh) | 一种基于深度学习的电力用户负荷区间预测方法 | |
| CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
| CN111695800B (zh) | 一种云边协同逐级分析定位异常用电行为用户的方法 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 | |
| CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
| CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
| CN112016755A (zh) | 输变电工程施工图通用设计造价标准化技术模块构建方法 | |
| CN112668775A (zh) | 一种基于时序卷积网络算法的空气质量预测方法 | |
| CN109299208B (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
| 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 | |
| CN114006369A (zh) | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 | |
| CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
| Zhao | A method of power supply health state estimation based on grey clustering and fuzzy comprehensive evaluation | |
| CN117708707B (zh) | 大数据下台区线损率异常智能预警方法和系统 | |
| CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
| CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
| CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
| CN113866562A (zh) | 一种电力系统台区线损识别方法 | |
| CN118013847A (zh) | 一种基于数字孪生技术的仿真模型和预测方法 |
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 |