CN104318489A - 一种基于负载特性分析的变压器分群方法 - Google Patents
一种基于负载特性分析的变压器分群方法 Download PDFInfo
- Publication number
- CN104318489A CN104318489A CN201410564530.9A CN201410564530A CN104318489A CN 104318489 A CN104318489 A CN 104318489A CN 201410564530 A CN201410564530 A CN 201410564530A CN 104318489 A CN104318489 A CN 104318489A
- Authority
- CN
- China
- Prior art keywords
- transformer
- load
- central point
- load factor
- num
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 5
- 208000024780 Urticaria Diseases 0.000 claims description 7
- 230000019552 anatomical structure morphogenesis Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于负载特性分析的变压器分群方法,包括以下步骤:首先采利用变压器负载数据处理成负载率数据,再经过降维,提取出三个变压器负载特征:年平均负载率、负载率波动和负载率趋势,然后经过指标计算形成变压器负载特征样本,对特征样本集进行标准化并采用k-medoids算法对其进行聚类分群处理,最后对分群的结果进行特征分析。本发明考虑了不同变压器负载特性的差异性,提供了一种基于负载特性分析的变压器分群方法,得到变压器运行分群结果和建议,为掌握变压器经济运行情况和趋势提供一种技术手段。
Description
技术领域
本发明涉及一种通过建立变压器负载特征指标并以此实现变压器负载分群的方法。
背景技术
随着社会经济的发展以及行业经济效益意识的不断提高,降低损耗、节约电能已日益成为供电行业关注的焦点问题。因此,采用技术手段实现变压器的经济运行控制,对降低损耗、节约电能具有十分重要的现实意义。其中,分析变压器的负载特性是对变压器开展经济运行控制的基础。
传统的变压器经济运行分析,主要根据变压器技术参数,结合实际负荷情况,通过负载率的大小简单判断变压器经济运行状况。该方法能够反映变压器当前的运行状态,但很难确切反映出负载的历史情况和未来变化趋势,其负载率的分析方法也只反映了平均负载率与最大负载率的关系、负载的集中程度,而没有反映运行的低谷负载情况、负载的分散程度,因此,有必要对变压器负载率进行全面的分析,寻求更科学地反映负载情况的特征量,对变压器的运行经济性进行合理分类,并能以此依据安排变压器的合理运行组合方式,有效提高地区配电网中变压器运行的经济性,降低配电网***总体的电能损耗。
发明内容
本发明所要解决的技术问题是根据变压器的负载数据,分析变压器的运行状态以及未来负载趋势。
解决上述技术问题,本发明采用的技术方案是根据变压器负载数据计算出负载率数据并提取变压器的负载特征,再根据负载特征对变压器聚类分群,分析各个分群的内部特征,识别各个分群变压器运行状态。
本发明的一种基于负载特性分析的变压器分群方法具体包括以下步骤:
步骤1:利用变压器负载数据计算负载率数据;
步骤2:经过数据降维,把负载率数据处理得到日平均负载率;
步骤3:提取变压器负载特征,得到年平均负载率、负载率波动和负载率趋势,形成特征样本集;
步骤4:对特征样本集进行标准化,再进行变压器负载k-medoids聚类分群;
步骤5:对分群结果进行特征分析。
所述的步骤1中的负载数据包括P_H-高压侧有功、Q_H-高压侧无功以及监测的时间t;
所述的负载率数据是根据变压器的容量V和负载率计算公式计算得到变压器的负载率数据序列{(f1,t1),(f2,t2),…,(fs,ts)},其中t1,t2,…,ts是按照时间先后顺序进行的有序排列,(fi,ti)表示在ti时刻变压器的负载率为fi。
所述的步骤2的数据降维是以天为单位,计算各个变压器每天的平均负载率,即日平均负载率
所述的步骤3的提取变压器负载特征具体为:一台变压器的年平均负载率、负载率波动和负载率趋势的计算公式分别为:
(1)年平均负载率Day_fj是第j天的日平均负载率;
(2)负载率波动
(3)负载率趋势的计算分为两步:
第一步:计算各个月份的月平均负载率:Day_fj,其中ml为l月的天数;
第二步:以1-12月的月平均负载率进行直线拟合,求出该直线的斜率,即为负载率趋势其中
计算出所有变压器的特征指标值,形成特征样本集。
所述的步骤4的对特征样本集进行标准化为:
对每一个特征指标进行标准化,标准化公式如下:
标准化后的年平均负载率 其中
标准化后的负载率波动其中
标准化后的负载率趋势其中
所述的步骤4的变压器负载k-medoids聚类分类包含如下子步骤:
S4.1:随机选择k个变压器作为聚类分群初始的中心点,每个中心点代表一个分群。
S4.2:当k个中心点选定后,剩余的n-k个非中心点的变压器归到离它最近的选中变压器所代表的分群。更为准确地说:如果num_j是一个非中心点的变压器,num_i是一个中心点(选中对象),并且d(num_i,num_j)是num_j与所有k个中心点距离最小的,则num_j属于num_i所代表的分群;
S4.3:对每一个中心点num_i,用该分群内每一个非中心点的变压器num_h代替原来中心点num_i,计算其总代价S=current_cost-past_cost,其中current_cost表示非中心点的变压器num_h代替原来中心点num_i后,重新分配非中心点到最近的中心点所在的分群,计算非中心点到所属分群中心点的距离总和;past_cost表示非中心点的变压器num_h代替原来中心点num_i前,非中心点到所属分群中心点的距离总和;
S4.4:若在所有非中心点的变压器num_h代替原来中心点num_i的其总代价S有小于0的存在,则找出总代价S最小的一个,并用该非中心点的变压器代替原来对应的中心点,形成新的k个中心点;
S4.5:重复步骤S4.3,S4.4直到所有非中心点的变压器num_h代替原来中心点num_i的总代价S均大于0。
所述的步骤5具体为:分别对各个分群三个特征指标,画出概率密度图,进一步分析各个分群的不同负载特征指标下的变压器的分布情况。
根据上述本发明实施例的方案,本发明考虑了不同变压器负载特性的差异性,提供了一种基于负载特性分析的变压器分群方法,得到变压器运行分群结果和建议,经验证,对变压器运行状态分类效果明显,为掌握变压器经济运行情况和趋势提供一种技术手段。
附图说明
图1为本发明的基于负载特性分析的变压器分群方法流程示意图;
图2为本发明实施例的分群1各指标概率密度图;
图3为本发明实施例的分群2各指标概率密度图;
图4为本发明实施例的分群3各指标概率密度图;
图5为本发明实施例的分群4各指标概率密度图。
具体实施方式
下面结合附图和实施例对本发明的技术方案进行详细的说明。
如图1所示,本发明所述的基于负载特性分析的变压器分群方法,首先采利用变压器负载数据处理成负载率数据,再经过降维,提取出三个变压器负载特征:年平均负载率、负载率波动和负载率趋势,然后经过指标计算形成变压器负载特征样本,对特征样本集进行标准化并采用k-medoids算法对其进行聚类分群处理,最后对分群的结果进行特征分析。
本发明的基于负载特性分析的变压器分群方法包括如下步骤:
步骤1:利用变压器负载数据计算负载率数据;
步骤2:经过数据降维,把负载率数据处理得到日平均负载率;
步骤3:提取变压器负载特征,得到年平均负载率、负载率波动和负载率趋势,形成特征样本集;
步骤4:对特征样本集进行标准化,再进行变压器负载k-medoids聚类分群;
步骤5:对分群结果进行特征分析。
所述的步骤1具体说明如下:
负载数据包括P_H-高压侧有功、Q_H-高压侧无功以及监测的时间t,根据变压器的容量V和负载率计算公式得到变压器的负载率数据序列
{(f1,t1),(f2,t2),…,(fs,ts)},其中t1,t2,…,ts是按照时间先后顺序进行的有序排列,(fi,ti)表示在ti时刻变压器的负载率为fi;
所述的步骤2具体说明如下:
负载数据是每隔3-5分钟记录一次,同理负载率数据也是每隔3-5分钟就有一条记录,由于数据量过大不适合直接分析,需要对数据进行降维;
降维以天为单位,计算各个变压器每天的平均负载率,即日平均负载率
所述的步骤3具体说明如下:
根据步骤2计算得到的变压器日平均负载率进一步整理出反应变压器负载特征指标:年平均负载率、负载率波动和负载率趋势。一台变压器的年平均负载率、负载率波动和负载率趋势的计算公式分别为
(1)年平均负载率Day_fj是第j天的日平均负载率
(2)负载率波动
(3)负载率趋势的计算分为两步,第一步:计算各个月份的月平均负载率Day_fj,其中ml为l月的天数;
第二步:以1-12月的月平均负载率进行直线拟合,求出该直线的斜率,即为负载率趋势其中计算出所有变压器的特征指标值,形成特征样本集,见表1,
表1.特征样本集示例
变压器编号 | 年平均负载率 | 负载率波动 | 负载率趋势 |
num_1 | Year_f1 | Var_f1 | Trend_f1 |
num_2 | Year_f2 | Var_f2 | Trend_f2 |
num_3 | Year_f3 | Var_f3 | Trend_f3 |
… | … | … | … |
num_n-1 | Year_fn-1 | Var_fn-1 | Trend_fn-1 |
num_n | Year_fn | Var_fn | Trend_fn |
所述的步骤4具体说明如下:
根据步骤3形成的特征样本集,对每一个特征指标进行标准化,标准化公式如下:
标准化后的年平均负载率 其中
标准化后的负载率波动其中
标准化后的负载率趋势其中
经过标准化后的特征样本集见表2
表2.标准化后的特征样本集示例
变压器编号 | 年平均负载率 | 负载率波动 | 负载率趋势 |
num_1 | NormYear_f1 | NormVar_f1 | NormTrend_f1 |
num_2 | NormYear_f2 | NormVar_f2 | NormTrend_f2 |
num_3 | NormYear_f3 | NormVar_f3 | NormTrend_f3 |
… | … | … | … |
num_n-1 | NormYear_fn-1 | NormVar_fn-1 | NormTrend_fn-1 |
num_n | NormYear_fn | NormVar_fn | NormTrend_fn |
再利用k-medoids聚类算法,距离函数选择欧氏距离
,选择合适的聚类数k,对标准化后的特征样本集聚类分群,具体步骤如下:
S4.1:随机选择k个变压器作为聚类分群初始的中心点,每个中心点代表一个分群。
S4.2:当k个中心点选定后,剩余的n-k个非中心点的变压器归到离它最近的选中变压器所代表的分群。更为准确地说:如果num_j是一个非中心点的变压器,num_i是一个中心点(选中对象),并且d(num_i,num_j)是num_j与所有k个中心点距离最小的,则num_j属于num_i所代表的分群;
S4.3:对每一个中心点num_i,用该分群内每一个非中心点的变压器num_h代替原来中心点num_i,计算其总代价S=current_cost-past_cost,其中current_cost表示非中心点的变压器num_h代替原来中心点num_i后,重新分配非中心点到最近的中心点所在的分群,计算非中心点到所属分群中心点的距离总和;past_cost表示非中心点的变压器num_h代替原来中心点num_i前,非中心点到所属分群中心点的距离总和;
S4.4:若在所有非中心点的变压器num_h代替原来中心点num_i的其总代价S有小于0的存在,则找出总代价S最小的一个,并用该非中心点的变压器代替原来对应的中心点,形成新的k个中心点;
S4.5:重复步骤S4.3,S4.4直到所有非中心点的变压器num_h代替原来中心点num_i的总代价S均大于0。
所述的步骤5具体说明如下:
分别对各个分群三个特征指标,画出概率密度图,进一步分析各个分群的不同负载特征指标下的变压器的分布情况。
算法算例
下面通过实施例,并结合附图1,对本发明方法作进一步具体的说明。
步骤1:利用变压器负载数据计算负载率数据;
抽取广东电网所有500kV变压器压器负载数据进行分析,抽取时间段为一年,其中某台变压器的部分负载数据见表3,该台变压器的容量V=250*3MVA=750MVA,根据负载率公式即可求出对应的负载率数据,见表4。
表3.某台变压器的部分负载数据
时间 | P_H | Q_H | 时间 | P_H | Q_H |
2013-09-23 15:37 | 540.97 | 102.346 | 2013-09-23 18:36 | 448.371 | 121.84 |
2013-09-23 16:19 | 545.843 | 107.219 | 2013-09-23 18:43 | 472.739 | 126.714 |
2013-09-23 17:05 | 531.222 | 92.5984 | 2013-09-23 18:46 | 477.613 | 131.587 |
2013-09-23 17:12 | 526.349 | 87.7248 | 2013-09-23 19:39 | 492.234 | 131.587 |
2013-09-23 17:15 | 521.475 | 92.5984 | 2013-09-23 21:05 | 467.866 | 121.84 |
2013-09-23 17:21 | 511.728 | 87.7248 | 2013-09-23 21:11 | 462.992 | 116.966 |
2013-09-23 17:28 | 506.854 | 82.8512 | 2013-09-23 21:14 | 458.118 | 112.093 |
2013-09-23 17:34 | 492.234 | 77.9776 | 2013-09-23 21:17 | 453.245 | 121.84 |
2013-09-23 17:37 | 477.613 | 121.84 | 2013-09-23 21:42 | 433.75 | 112.093 |
2013-09-23 17:40 | 462.992 | 126.714 | 2013-09-23 21:49 | 428.877 | 116.966 |
2013-09-23 17:43 | 438.624 | 116.966 | 2013-09-23 22:05 | 419.13 | 116.966 |
2013-09-23 18:18 | 424.003 | 121.84 | 2013-09-23 22:08 | 414.256 | 112.093 |
2013-09-23 18:33 | 438.624 | 126.714 | 2013-09-23 22:14 | 404.509 | 107.219 |
表4.某台变压器的部分负载率数据
时间 | 负载率 | 时间 | 负载率 |
2013-09-23 15:37 | 73.40884 | 2013-09-23 18:36 | 61.95074 |
2013-09-23 16:19 | 74.16984 | 2013-09-23 18:43 | 65.25691 |
2013-09-23 17:05 | 71.89761 | 2013-09-23 18:46 | 66.05443 |
2013-09-23 17:12 | 71.14791 | 2013-09-23 19:39 | 67.93585 |
2013-09-23 17:15 | 70.61767 | 2013-09-23 21:05 | 64.46271 |
2013-09-23 17:21 | 69.22571 | 2013-09-23 21:11 | 63.67175 |
2013-09-23 17:28 | 68.47745 | 2013-09-23 21:14 | 62.8843 |
2013-09-23 17:34 | 66.44962 | 2013-09-23 21:17 | 62.57809 |
2013-09-23 17:37 | 65.72118 | 2013-09-23 21:42 | 59.73332 |
2013-09-23 17:40 | 64.0025 | 2013-09-23 21:49 | 59.27211 |
2013-09-23 17:43 | 60.52688 | 2013-09-23 22:05 | 58.01931 |
2013-09-23 18:18 | 58.82154 | 2013-09-23 22:08 | 57.22049 |
2013-09-23 18:33 | 60.87473 | 2013-09-23 22:14 | 55.797 |
步骤2:经过数据降维,把负载率数据处理得到日平均负载率;
根据步骤1得到的负载率数据,以天为单位,计算各个变压器每天的平均负载率,即日平均负载率
步骤3:提取变压器负载特征,得到年平均负载率、负载率波动和负载率趋势,形成特征样本集;
由变压器的年平均负载率、负载率波动和负载率趋势的计算公式,得到特征样本集,见表5。
表5.特征样本集
步骤4:对特征样本集进行标准化,再进行变压器负载k-medoids聚类分群;
对特征样本集进行标准化后,选定聚类个数k为4,进行变压器负载k-medoids聚类分群,输出的聚类结果见表6和表7。
表6.聚类结果(一)
表7.聚类结果(二)
步骤5:对分群结果进行特征分析
根据步骤4得到的分群结果,对各个分群,分别针对年平均负载率、负载率波动和负载率趋势特征指标,画出概率密度图,进一步分析各个分群的不同负载特征指标的变压器的分布情况,评价不同分群的越限运行状态。
1)分群1特征分析(见图2)
从图2可以看出,对于分群1,变压器的年平均负载率处于中等水平,大致在20%到60%之间;负载率波动较大,大致在0.1到0.4之间;负载率趋势大致在-0.4到0.2之间。说明分群1的变压器运行比较经济但是不平稳。
2)分群2特征分析(见图3)
从图3可以看出,对于分群2,变压器的年平均负载率处于较低水平,大致在10%到40%之间;负载率波动较小,大致在0到0.15之间;负载率趋势大致在-0.1到0.4之间。说明分群2的变压器虽然运行比较平稳,但是运行不太经济,同时负载趋势处于上升阶段,需留意用户用电情况,在负载增长到一定程度,考虑扩容。
3)分群3特征分析(见图4)
从图4可以看出,对于分群3,变压器的年平均负载率处于中等水平,大致在10%到60%之间;负载率波动较大,大致在0到0.4之间;负载率趋势大致在0到1.2之间。说明分群3的变压器运行较经济,但是运行不平稳而且负载趋势处于上升阶段,需留意用户用电情况,在负载增长到一定程度,考虑扩容。
4)分群4特征分析(见图5)
从图5可以看出,对于分群4,变压器的年平均负载率处于中等水平,大致在30%到60%之间;负载率波动出于中等水平,大致在0到0.2之间;负载率趋势大致在-0.2到0.4之间。说明分群4的变压器运行较经济同时比较平稳。
Claims (7)
1.一种基于负载特性分析的变压器分群方法,其特征是包括以下步骤:
步骤1:利用变压器负载数据计算负载率数据;
步骤2:经过数据降维,把负载率数据处理得到日平均负载率;
步骤3:提取变压器负载特征,得到年平均负载率、负载率波动和负载率趋势,形成特征样本集;
步骤4:对特征样本集进行标准化,再进行变压器负载k-medoids聚类分群;
步骤5:对分群结果进行特征分析。
2.根据权利要求1所述的基于负载特性分析的变压器分群方法,其特征是:所述的步骤1中的负载数据包括P_H-高压侧有功、Q_H-高压侧无功以及监测的时间t;
所述的负载率数据是根据变压器的容量V和负载率计算公式计算得到变压器的负载率数据序列{(f1,t1),(f2,t2),…,(fs,ts)},其中t1,t2,…,ts是按照时间先后顺序进行的有序排列,(fi,ti)表示在ti时刻变压器的负载率为fi。
3.根据权利要求1所述的基于负载特性分析的变压器分群方法,其特征是:所述的步骤2的数据降维是以天为单位,计算各个变压器每天的平均负载率,即日平均负载率
4.根据权利要求1所述的基于负载特性分析的变压器分群方法,其特征是:所述的步骤3的提取变压器负载特征具体为:一台变压器的年平均负载率、负载率波动和负载率趋势的计算公式分别为:
(1)年平均负载率Day_fj是第j天的日平均负载率;
(2)负载率波动
(3)负载率趋势的计算分为两步:
第一步:计算各个月份的月平均负载率:其中ml为1月的天数;
第二步:以1-12月的月平均负载率进行直线拟合,求出该直线的斜率,即为负载率趋势其中计算出所有变压器的特征指标值,形成特征样本集。
5.根据权利要求1所述的基于负载特性分析的变压器分群方法,其特征是:所述的步骤4的对特征样本集进行标准化为:
对每一个特征指标进行标准化,标准化公式如下:
标准化后的年平均负载率 其中
标准化后的负载率波动 其中
标准化后的负载率趋势 其中
6.根据权利要求1所述的基于负载特性分析的变压器分群方法,其特征是:所述的步骤4的变压器负载k-medoids聚类分类包含如下子步骤:
S4.1:随机选择k个变压器作为聚类分群初始的中心点,每个中心点代表一个分群;
S4.2:当k个中心点选定后,剩余的n-k个非中心点的变压器归到离它最近的选中变压器所代表的分群;
更为准确地说:如果num_j是一个非中心点的变压器,num_i是一个中心点(选中对象),并且d(num_i,num_j)是num_j与所有k个中心点距离最小的,则num_j属于num_i所代表的分群;
S4.3:对每一个中心点num_i,用该分群内每一个非中心点的变压器num_h代替原来中心点num_i,计算其总代价S=current_cost-past_cost,其中current_cost表示非中心点的变压器num_h代替原来中心点num_i后,重新分配非中心点到最近的中心点所在的分群,计算非中心点到所属分群中心点的距离总和;past_cost表示非中心点的变压器num_h代替原来中心点num_i前,非中心点到所属分群中心点的距离总和;
S4.4:若在所有非中心点的变压器num_h代替原来中心点num_i的其总代价S有小于0的存在,则找出总代价S最小的一个,并用该非中心点的变压器代替原来对应的中心点,形成新的k个中心点;
S4.5:重复步骤S4.3,S4.4直到所有非中心点的变压器num_h代替原来中心点num_i的总代价S均大于0。
7.根据权利要求1所述的基于负载特性分析的变压器分群方法,其特征是:所述的步骤5具体为:分别对各个分群三个特征指标,画出概率密度图,进一步分析各个分群的不同负载特征指标下的变压器的分布情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410564530.9A CN104318489B (zh) | 2014-10-21 | 2014-10-21 | 一种基于负载特性分析的变压器分群方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410564530.9A CN104318489B (zh) | 2014-10-21 | 2014-10-21 | 一种基于负载特性分析的变压器分群方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104318489A true CN104318489A (zh) | 2015-01-28 |
CN104318489B CN104318489B (zh) | 2017-02-08 |
Family
ID=52373715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410564530.9A Active CN104318489B (zh) | 2014-10-21 | 2014-10-21 | 一种基于负载特性分析的变压器分群方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104318489B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682705A (zh) * | 2017-02-04 | 2017-05-17 | 武汉阿帕科技有限公司 | 负载特性的识别方法及装置 |
CN108306303A (zh) * | 2018-01-17 | 2018-07-20 | 南方电网科学研究院有限责任公司 | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 |
CN108828342A (zh) * | 2018-03-30 | 2018-11-16 | 广州供电局有限公司 | 电力设备状态检测方法、装置、计算机设备和存储介质 |
CN110263873A (zh) * | 2019-06-27 | 2019-09-20 | 华北电力大学 | 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100324747A1 (en) * | 2009-06-19 | 2010-12-23 | Jun Bae Lee | Composite type electric circuit breaker and method thereof |
CN103646354A (zh) * | 2013-11-28 | 2014-03-19 | 国家电网公司 | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 |
CN103793756A (zh) * | 2014-01-17 | 2014-05-14 | 广西电网公司电力科学研究院 | 一种变压器经济运行特征分析方法 |
-
2014
- 2014-10-21 CN CN201410564530.9A patent/CN104318489B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100324747A1 (en) * | 2009-06-19 | 2010-12-23 | Jun Bae Lee | Composite type electric circuit breaker and method thereof |
CN103646354A (zh) * | 2013-11-28 | 2014-03-19 | 国家电网公司 | 基于有效指标fcm和rbf神经网络的变电站负荷特性分类方法 |
CN103793756A (zh) * | 2014-01-17 | 2014-05-14 | 广西电网公司电力科学研究院 | 一种变压器经济运行特征分析方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682705A (zh) * | 2017-02-04 | 2017-05-17 | 武汉阿帕科技有限公司 | 负载特性的识别方法及装置 |
CN106682705B (zh) * | 2017-02-04 | 2019-12-24 | 武汉阿帕科技有限公司 | 负载特性的识别方法及装置 |
CN108306303A (zh) * | 2018-01-17 | 2018-07-20 | 南方电网科学研究院有限责任公司 | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 |
CN108306303B (zh) * | 2018-01-17 | 2021-06-15 | 南方电网科学研究院有限责任公司 | 一种考虑负荷增长和新能源出力随机的电压稳定评估方法 |
CN108828342A (zh) * | 2018-03-30 | 2018-11-16 | 广州供电局有限公司 | 电力设备状态检测方法、装置、计算机设备和存储介质 |
CN108828342B (zh) * | 2018-03-30 | 2019-12-10 | 广州供电局有限公司 | 电力设备状态检测方法、装置、计算机设备和存储介质 |
CN110263873A (zh) * | 2019-06-27 | 2019-09-20 | 华北电力大学 | 一种融合稀疏降噪自编码网络降维和聚类的配电网台区分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104318489B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104318489A (zh) | 一种基于负载特性分析的变压器分群方法 | |
CN105303263A (zh) | 一种区域电网的负荷预测***及其方法 | |
CN104063480A (zh) | 一种基于电力大数据的负荷曲线并行聚类方法 | |
CN112258251B (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及*** | |
CN104766144A (zh) | 订单预测方法及*** | |
CN103793756A (zh) | 一种变压器经济运行特征分析方法 | |
CN110321934B (zh) | 一种检测用户用电异常数据的方法及*** | |
CN106355209B (zh) | 基于决策树算法的窃电诊断***及方法 | |
CN109461096A (zh) | 一种基于电量关联性的户变关系异常判别方法 | |
CN111583059B (zh) | 基于k-means聚类的分布式能源站典型日负荷获取方法 | |
CN108898248B (zh) | 电力负荷影响因素量化分析方法、装置、设备及介质 | |
CN102832617A (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
CN111008726A (zh) | 一种电力负荷预测中类图片转换方法 | |
CN111815026A (zh) | 一种基于特征聚类的多能源***负荷预测方法 | |
LinLin et al. | Diversity based on entropy: A novel evaluation criterion in multi-objective optimization algorithm | |
CN111460001A (zh) | 一种配电网理论线损率评估方法及*** | |
CN105426998B (zh) | 一种基于多条件下的风电功率区间预测方法 | |
CN110457770A (zh) | 一种面向时间尺度的配电变压器重过载判断方法 | |
CN113868938A (zh) | 基于分位数回归的短期负荷概率密度预测方法、装置及*** | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN112200209A (zh) | 一种基于日差分用电量的贫困用户识别方法 | |
CN103956732A (zh) | 一种基于行业平均峰谷差率进行组合供电的方法 | |
CN111523735A (zh) | 一种基于轻量级梯度提升算法预测短期电力负荷的***模型 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、***、装置及存储介质 | |
CN104361259A (zh) | 一种变压器越限运行特征分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |