CN104915681A - 兼顾电压暂降监测信息及其关联因素的变电站聚类方法 - Google Patents
兼顾电压暂降监测信息及其关联因素的变电站聚类方法 Download PDFInfo
- Publication number
- CN104915681A CN104915681A CN201510304694.2A CN201510304694A CN104915681A CN 104915681 A CN104915681 A CN 104915681A CN 201510304694 A CN201510304694 A CN 201510304694A CN 104915681 A CN104915681 A CN 104915681A
- Authority
- CN
- China
- Prior art keywords
- transformer station
- voltage dip
- index
- clustering method
- monitoring information
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种兼顾电压暂降监测信息及其关联因素的变电站聚类方法,包括建立电压暂降事件监测信息指标及其关联因素指标;输入待分析地区电网变电站的电压暂降特征指标数据,并进行归一化处理;采用模糊C均值聚类方法,分别根据三种电压暂降特征指标对待分析地区电网变电站进行聚类,得到三个维度的聚类结果;选出关键指标,采用模糊C均值聚类方法,根据关键指标对待分析地区电网变电站进行聚类得到综合的聚类结果;以变电站综合聚类结果为主,结合三个维度的聚类结果,分析各个类别变电站的电压暂降特征,给出初步的电压暂降治理建议。本发明的聚类方法具有指标设置全面、分类效果好、提取信息丰富等优点。
Description
技术领域
本发明涉及电力***技术领域,特别涉及一种兼顾电压暂降监测信息及其关联因素的变电站聚类方法。
技术背景
当前,电压暂降问题日益突出,逐渐成为最严重的电能质量问题。尤其是由主网短路故障引起的电压暂降,暂降程度深,影响范围广,危害十分严重。以地区电网中的变电站为对象,研究电压暂降的防治措施具有迫切性和合理性。
我国各地方的地区电网(如省级电网、市级电网)中变电站数目众多,而目前受技术、资金等因素限制,难以对地区电网中所有变电站均进行防治,对数量众多的变电站进行逐个分析工作量巨大且不切合实际。因此对地区电网中变电站根据其电压暂降特性进行分类,识别出迫切需要进行电压暂降防治的变电站,具有重要现实意义。
聚类分析是多元统计的一种分类方法,其可根据指标数据,将具有相似统计特征的数据划分成一类,适宜对大量对象进行快速而有效的归类处理。在现有的聚类分析方法中,模糊C均值聚类方法是较为成熟的一种方法,应用十分广泛。
建立聚类指标是聚类分析中的关键步骤,以防治电压暂降为目的对变电站进行聚类分析,其聚类指标应首先考虑电压暂降的监测信息,如最近一段时间内的电压暂降次数、电压暂降幅值平均值、电压暂降持续时间平均值等。此外,危害较严重的电压暂降多是由短路故障引起的,在落雷密度高的地方,发生雷击的概率大,雷暴等级高的地方容易发生雷击短路事故,进而引起电压暂降。在污染较严重的线路,发生污闪的概率大,污区等级高的地方容易发生污闪事故,进而导致电压暂降。因此雷暴等级和污区等级都是变电站外部环境维度电压暂降重要的关联因素。同理,主变总容量和电缆化率是变电站电气参数维度的电压暂降重要关联因素。
采用聚类算法进行计算时,如果所用的指标太多,容易引起维数灾难,聚类效果不佳,需要进行降维处理。目前用于降维的算法有主成分分析法、因子分析法等,但是这些算法都是依据数据本身的分布规律来确定哪些指标是关键指标,选出的指标未必是人们最为关注的指标。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种电压暂降监测信息及其关联因素的区域变电站聚类方法,该方法以地区电网中的变电站为单位,围绕着电压暂降监测信息及其关联因素,建立了三个维度的聚类指标,并通过多个维度的聚类,深入挖掘电压暂降信息,得到科学的分类结果。该方法具有指标设置全面、分类效果好、提取信息丰富等优点,可为供电企业分析地区电网变电站的电压暂降多维特征,加强电压暂降问题的防治提供有效支撑。
本发明的目的通过如下技术方案实现:
兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于包括以下步骤:
S1.建立三个维度的聚类指标,包括电压暂降事件监测信息指标及其关联因素指标,其中关联因素指标包括变电站外部环境指标和电气参数指标;
S2.对待分析地区电网变电站的三个维度指标数据进行归一化处理;
S3.采用模糊C均值聚类方法对待分析地区电网变电站进行聚类,得到三个维度的聚类结果;
S4.从三个维度各抽取一个相对重要的指标,作为关键指标;
S5.基于关键指标,采用模糊C均值聚类方法对待分析地区电网变电站进行聚类,得到综合聚类结果;
S6.根据S3、S5的聚类结果综合分析各个类别变电站的电压暂降特征,给出初步的电压暂降治理建议。
具体的,步骤S2中所述归一化处理的公式如下:
式中,i=1,2,3…,n,j=1,2,3…,m,aij为第i个对象的第j个指标的原始值,bij为aij归一化的值。
具体的,所述模糊C均值聚类方法包括如下步骤:
(1)用值在0,1间的随机数初始化隶属矩阵U,使其满足式
中的约束条件;
(2)计算c个聚类中心ci,其中i=1,…,c;
(3)计算目标函数。若目标函数值大于阈值,则计算新的隶属矩阵,返回步骤(2);若目标函数值小于阈值,或它相对上次价值函数值的改变量小于某个阈值,则算法停止,输出聚类结果。
具体的,步骤S1中所述电压暂降事件监测信息指标,包括电压暂降次数、电压暂降幅值平均值、电压暂降持续时间平均值;所述变电站外部环境指标,包括雷暴等级、污区等级;所述变电站电气参数指标,包括主变总容量、电缆化率。
具体的,所述电压暂降次数是指变电站的电能质量监测装置在一年内监测到的电压暂降次数;所述电压暂降幅值平均值是指变电站的电能质量监测装置在一年内监测到的所有电压暂降幅值的平均值;所述电压暂降持续时间平均值是指变电站的电能质量监测装置在一年内监测到的所有电压暂降持续时间的平均值。
具体的,所述雷暴等级是反应变电站所在区域落雷密集程度的指标,分为1、2、3、4、5五个等级,5为最高级别,等级越高,表示落雷密集程度越高。
具体的,所述污区等级是反应变电站线路污染程度的指标,分为1、2、3、4、5五个等级,5为最高等级,等级越高,表示污染程度越高。
具体的,所述主变总容量是指变电站所有变压器的容量之和。
具体的,所述电缆化率是指变电站所有进出线中电缆长度所占的比例,其计算公式如下:
其中,l为变电站进出线中电缆的长度之和,d为变电站进出线中架空线的长度之和。
具体的,所述步骤S6中的综合分析是指以变电站综合聚类结果为主,结合三个维度的聚类结果,分析各个类别变电站的电压暂降事件严重程度,以及受关联因素影响的程度。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明的兼顾电压暂降监测信息及其关联因素的地区电网变电站聚类方法以地区电网变电站为研究对象,围绕着电压暂降事件及其关联因素建立聚类指标,采用模糊C均值聚类方法对变电站进行聚类,为供电企业治理电压暂降,明确重点治理对象,提供了新的方法。该方法降低了决策过程中对于专家经验的依赖,减少了变电站数据分析的工作量,具有良好的可推广性。
2、本发明的兼顾电压暂降监测信息及其关联因素的地区电网变电站聚类方法从电压暂降监测信息、外部环境、电气参数等三个维度建立聚类指标,指标建立科学合理,且能够比较全面的反应变电站的电压暂降情况。
3、本发明的兼顾电压暂降监测信息及其关联因素的地区电网变电站聚类方法,通过筛选关键指标,基于关键指标进行聚类,能够得到综合反应变电站电压暂降情况的聚类结果,解决了指标太多而可能带来的维数灾难问题。
4、本发明的兼顾电压暂降监测信息及其关联因素的地区电网变电站聚类方法,分别根据电压暂降监测信息、外部环境、电气参数等三个维度的指标进行聚类,对指标数据中蕴含的信息进行更加深入的挖掘,能够为决策人员提供更多参考。
附图说明
图1为本发明所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法的流程图;
图2为图1所述方法所采用的模糊C均值聚类方法流程图;
图3为本发明实施例中地区电网变电站综合聚类结果的三维散点图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示,兼顾电压暂降监测信息及其关联因素的变电站聚类方法,具体步骤如下:
首先根据区域变电站电能质量监测***监测到的电压暂降事件信息以及电压暂降的相关因素,建立地区电网变电站电压暂降特征指标,包括电压暂降事件监测信息指标、变电站外部环境指标和变电站电气参数指标。
电压暂降监测信息指标是指根据变电站电能质量监测***在最近一年记录到的电压暂降事件明细所建立的指标,具体包括变电站在最近一年中发生的电压暂降次数、电压暂降幅值平均值、电压暂降持续时间平均值。
变电站外部环境指标是从电压暂降关联因素角度考虑建立的指标,雷击和污闪事故是造成电压暂降的重要原因,因此建立了雷暴等级和污区等级两个指标。雷暴等级是指雷暴等级是反应变电站所在区域落雷密集程度的指标,分为1、2、3、4、5五个等级,5为最高级别,等级越高,表示落雷密集程度越高。污区等级是反应变电站线路污染程度的指标,分为1、2、3、4、5五个等级,5为最高等级,等级越高,表示污染程度越高。
变电站电气参数指标同样是从电压暂降关联因素角度考虑建立的指标,建立了主变总容量和电缆化率两个指标。主变总容量是指变电站所有变压器的容量之和。电缆化率是指变电站所有进出线中电缆所占的比例,其计算公式如下:
其中,l为变电站进出线中电缆的长度之和,d为变电站进出线中架空线的长度之和。
设待分析地区电网中变电站的数目为n,输入待分析地区电网变电站的电压暂降特征指标数据,形成原始数据矩阵A=(aij)n×7,其中aij为第i个变电站的第j个指标的值。
对原始数据矩阵A进行归一化处理,得到归一化矩阵B=(bij)n×7,归一化公式如下:
式中,i=1,2,3…,n,j=1,2,3…,m,aij为第i个对象的第j个指标的原始值,bij为aij归一化的值。
模糊C均值聚类方法,其原理简介如下:
模糊C均值算法的基本思想是把n个向量Xj(j=1,2,…,n)分为c个模糊组,并求每组的聚类中心,使得非相似性指标的目标函数达到最小。模糊C均值算法用模糊划分,每个给定数据点属于各个组的程度用值在0,1间的隶属度来表示。一个数据点的隶属度的和总等于1:
目标函数为:
其中ci为模糊组I的聚类中心,uij为向量Xj对模糊组I的隶属度,U为隶属度矩阵,dij=||ci-xj||为第I个聚类中心与第j个数据点间的欧式距离;m∈[1,∞)为加权指数。
构造拉格朗日方程可求得隶属度uij和聚类中心ci的表达式:
和
模糊C均值聚类方法,其分步骤简介如下:
(1):用值在0,1间的随机数初始化隶属矩阵U,使其满足式③中的约束条件;
(2):用式⑤计算c个聚类中心ci(i=1,…,c);
(3):根据式④计算目标函数。若目标函数值大于阈值,则用式⑥计算新的隶属矩阵,返回步骤(2);若目标函数值小于阀值,或它相对上次目标函数值的改变量小于某个阀值,则算法停止,输出聚类结果。
为了更直观的表达计算步骤,图2给出了模糊C均值聚类方法的流程图。采用模糊C均值聚类方法,基于电压暂降次数、电压暂降幅值平均值、电压暂降持续时间平均值三个指标对地区电网变电站进行聚类,得到电压暂降事件监测信息维度的聚类结果。
采用模糊C均值聚类方法,基于雷暴等级和污区等级两个指标对地区电网变电站进行聚类,得到外部环境维度的聚类结果。
采用模糊C均值聚类方法,基于主变总容量和电缆化率两个指标对地区电网变电站进行聚类,得到电气参数维度的聚类结果。
上面已经从三个维度进行了聚类,但是各维度的聚类结果并不能反应变电站的综合特征。如果以根据八个指标来进行聚类,则会造成维数灾难,聚类结果区分度不佳,很难解释。为了避免维数灾难,需要进行降维处理。根据专家经验,从电压暂降事件监测信息、外部环境和电气参数三个维度各抽取一个指标,作为关键指标。
根据专家经验从每个维度分别选取重要的指标作为关键指标,虽然带有一定的主观性,但是聚类结果具有更好的综合性和可解释性。
采用模糊C均值聚类方法,根据关键指标,对待分析地区电网变电站进行聚类,得到综合的聚类结果;
以变电站综合聚类结果为主,结合三个维度的聚类结果,分析各个类别变电站的电压暂降事件严重程度,以及受关联因素影响的程度,给出初步的电压暂降治理建议。
下面结合应用实例做进一步的说明,以某城市的25座变电站(电压等级均为110kV和220kV)作为对象进行分析,获取八个聚类指标的原始数据,如表1所示:
表1变电站聚类指标原始数据
对八个聚类指标的原始数据进行归一化处理后,如表2所示:
表2变电站聚类指标归一化数据
采用模糊C均值聚类方法,基于电压暂降次数、电压暂降幅值平均值、电压暂降持续时间平均值三个指标对地区电网变电站进行聚类,分为5类,记为I、II、III、IV、V类,并给出电压暂降事件监测信息维度的聚类结果,如表3所示:
表3电压暂降事件监测信息维度的聚类结果
采用模糊C均值聚类方法,基于雷暴等级和污区等级两个指标对地区电网变电站进行聚类,分为5类,记为I、II、III、IV、V类,给出外部环境维度的聚类结果,如表4所示:
表4外部环境维度的聚类结果
类别 | 编号 | 污区等级 | 雷暴等级 |
I类(4个) | 2、6、24、25 | 2 | 4、5 |
II类(3个) | 11、13、21 | 2 | 1、2 |
III类(4个) | 3、5、16、20 | 3 | 1 |
IV类(6个) | 7、9、12、14、17、23 | 2、3、4 | 3、4 |
V类(8个) | 1、4、8、10、15、18、19、22 | 3、4 | 2 |
采用模糊C均值聚类方法,基于主变总容量和电缆化率两个指标对地区电网变电站进行聚类,分为5类,记为I、II、III、IV、V类,给出电气参数维度的聚类结果,如表5所示:
表5电气参数维度的聚类结果
根据专家经验,从电压暂降事件监测信息、外部环境和电气参数三个维度中分别抽取选择电压暂降幅值平均值、雷暴等级和电缆化率为关键指标。采用模糊C均值聚类方法,根据关键指标,对待分析地区电网变电站进行聚类,分为5类时,得到综合的聚类结果,如表6所示:
表6综合聚类结果
由综合的聚类结果及其指标值,可画出三维散点图如图3所示。由图可以直观的看出不同类别的变电站的分布情况。
下面以变电站综合聚类结果为主,结合三个维度的聚类结果,分析各个类别变电站的电压暂降事件严重程度,以及受关联因素影响的程度,给出初步的电压暂降治理建议。
由表6和图3可见,25个变电站分为5类,相同类别的变电站点距离较近,也就说明相似程度较高,不同类别的变电站分别分布在不同区域,类与类之间边界清晰,验证了聚类方法的合理性。
对表6和图3中的聚类聚类结果逐类分析,1)、I类中4个变电站雷暴等级低,电缆化率低,电压暂降幅值平均值高,这一类变电站电压暂降情况并不严重,但由于架空线所占比例较高,需要做好线路的运行维护;2)、II类中9个变电站雷暴等级低,电缆化率低,电压暂降幅值平均值低,这一类变电站电压暂降情况在5个类别中最为严重,是首要的治理对象,雷暴等级低,说明由雷击事故造成的电压暂降概率较小,应当从其他方面查找原因,架空线所占比例较高,必须加强线路的运行维护;3)、III类中5个变电站雷暴等级中等,电缆化率中等,电压暂降幅值平均值中等,这一类变电站电压暂降情况比较严重,可作为重点治理对象;4)、IV类中2个变电站电缆化率都为1,其进出线全部都是电缆,没有架空线,因此不必考虑雷击因素,这一类变电站的电压暂降严重程度一般;5)、V类中5个变电站,雷暴等级高,电缆化率低,电压暂降幅值平均值在41%至66%之间波动,这一类变电站应当首要加强线路及设备的防雷措施。
表6的综合聚类结果可以结合表3、表4、表5中三个维度的聚类结果进行分析,以表6中的I类中4座变电站为例,这4座变电站在表3电压暂降监测信息维度聚类结果中的第3类,由表3可见,这4座变电站记录的电压暂降次数只有2到16次,电压暂降幅值平均值都在50%以上,电压暂降持续时间平均值低于0.15s,电压暂降严重程度很低;在表4外部环境维度聚类结果中,这4座变电站主要属于其第5类,雷暴等级低,污区等级高,需要加强线路清洁,防治污闪的发生;在表5电气参数维度聚类结果中,这4座变电站属于其第3类,电缆化率低,主变总容量都在200MVA以下,属于规模较小的变电站。
可以看到,通过聚类方法,将25座变电站分为5类,每一类具有相似的特性,这样一来,分析对象由25个变为5个,大大减轻了分析的工作量。所建立的聚类指标涵盖了电压暂降监测信息及电压暂降关联因素,通过筛选关键指标,所得到的综合聚类结果能够较全面的反应变电站的电压暂降情况,为治理明确治理对象和治理措施提供有效支撑。从三个维度分别对变电站进行聚类,将聚类指标所蕴含的信息挖掘的更加深入,为决策人员提供更加细致的参考。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于包括以下步骤:
S1.建立三个维度的聚类指标,包括电压暂降事件监测信息指标及其关联因素指标,其中关联因素指标包括变电站外部环境指标和变电站电气参数指标;
S2.对待分析地区电网变电站的三个维度指标数据进行归一化处理;
S3.采用模糊C均值聚类方法对待分析地区电网变电站进行聚类,得到三个维度的聚类结果;
S4.从三个维度各抽取一个相对重要的指标,作为关键指标;
S5.采用模糊C均值聚类方法,基于关键指标对待分析地区电网变电站进行聚类,得到综合聚类结果;
S6.根据S3、S5的聚类结果综合分析各个类别变电站的电压暂降特征,给出初步的电压暂降治理建议。
2.根据权利要求1所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于:步骤S2中所述归一化处理的公式如下:
式中,i=1,2,3…,n,j=1,2,3…,m,aij为第i个对象的第j个指标的原始值,bij为aij归一化的值。
3.根据权利要求1所述的考虑电压暂降监测信息及其关联因素的区域电网变电站聚类方法,其特征在于:所述模糊C均值聚类方法包括如下步骤:
(1)用值在0,1间的随机数初始化隶属矩阵U,使其满足式
中的约束条件;
(2)计算c个聚类中心ci,其中i=1,…,c;
(3)计算目标函数:若目标函数值大于阈值,则计算新的隶属矩阵,返回步骤(2);若目标函数值小于阈值,或它相对上次价值函数值的改变量小于某个阈值,则算法停止,输出聚类结果。
4.根据权利要求1所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于:步骤S1中所述电压暂降事件监测信息指标,包括电压暂降次数、电压暂降幅值平均值、电压暂降持续时间平均值;所述变电站外部环境指标,包括雷暴等级、污区等级;所述变电站电气参数指标,包括主变总容量、电缆化率。
5.根据权利要求4所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于:所述电压暂降次数是指变电站的电能质量监测装置在一年内监测到的电压暂降次数;所述电压暂降幅值平均值是指变电站的电能质量监测装置在一年内监测到的所有电压暂降幅值的平均值;所述电压暂降持续时间平均值是指变电站的电能质量监测装置在一年内监测到的所有电压暂降持续时间的平均值。
6.根据权利要求4所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于:所述雷暴等级是反应变电站所在区域落雷密集程度的指标,分为1、2、3、4、5五个等级,5为最高级别,等级越高,表示落雷密集程度越高。
7.根据权利要求4所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于:所述污区等级是反应变电站线路污染程度的指标,分为1、2、3、4、5五个等级,5为最高等级,等级越高,表示污染程度越高。
8.根据权利要求4所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于:所述主变总容量是指变电站所有变压器的容量之和。
9.根据权利要求4所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于:所述电缆化率是指变电站所有进出线中电缆长度所占的比例,其计算公式如下:
其中,l为变电站进出线中电缆的长度之和,d为变电站进出线中架空线的长度之和。
10.根据权利要求1所述的兼顾电压暂降监测信息及其关联因素的变电站聚类方法,其特征在于:所述步骤S6中的综合分析是指以变电站综合聚类结果为主,结合三个维度的聚类结果,分析各个类别变电站的电压暂降事件严重程度,以及受关联因素影响的程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510304694.2A CN104915681B (zh) | 2015-06-05 | 2015-06-05 | 兼顾电压暂降监测信息及其关联因素的变电站聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510304694.2A CN104915681B (zh) | 2015-06-05 | 2015-06-05 | 兼顾电压暂降监测信息及其关联因素的变电站聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915681A true CN104915681A (zh) | 2015-09-16 |
CN104915681B CN104915681B (zh) | 2019-01-15 |
Family
ID=54084730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510304694.2A Active CN104915681B (zh) | 2015-06-05 | 2015-06-05 | 兼顾电压暂降监测信息及其关联因素的变电站聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915681B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526425A (zh) * | 2016-11-23 | 2017-03-22 | 衢州学院 | 基于智能电表实采数据的低电压诊断方法 |
CN109472453A (zh) * | 2018-10-12 | 2019-03-15 | 山大地纬软件股份有限公司 | 基于全局最优模糊核聚类模型的电力用户信用评价方法 |
CN112186749A (zh) * | 2020-09-24 | 2021-01-05 | 四川大学 | 一种基于最优抽样的电压暂降***指标评估方法 |
CN112446509A (zh) * | 2020-11-10 | 2021-03-05 | 中国电子科技集团公司第三十八研究所 | 一种复杂电子装备预测维护方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
CN104376403A (zh) * | 2014-10-30 | 2015-02-25 | 广东电网有限责任公司东莞供电局 | 一种基于下级用户行业特性的变电站暂降敏感度分级方法 |
CN104465233A (zh) * | 2014-11-13 | 2015-03-25 | 华南理工大学 | 一种兼顾低压脱扣器电压暂降特性的配置方法 |
-
2015
- 2015-06-05 CN CN201510304694.2A patent/CN104915681B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103777091A (zh) * | 2013-12-13 | 2014-05-07 | 国家电网公司 | 一种基于k均值的高铁电能质量监测数据分类方法 |
CN104376403A (zh) * | 2014-10-30 | 2015-02-25 | 广东电网有限责任公司东莞供电局 | 一种基于下级用户行业特性的变电站暂降敏感度分级方法 |
CN104465233A (zh) * | 2014-11-13 | 2015-03-25 | 华南理工大学 | 一种兼顾低压脱扣器电压暂降特性的配置方法 |
Non-Patent Citations (2)
Title |
---|
BIRENDRA BISWAL ETC: ""Power Quality Disturbance Classification Using Fuzzy C-Means Algorithm and Adaptive Particle Swarm Optimization"", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
吕干云 等,: ""基于多分类支持向量机的电压暂降源识别"", 《电力***保护与控制》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106526425A (zh) * | 2016-11-23 | 2017-03-22 | 衢州学院 | 基于智能电表实采数据的低电压诊断方法 |
CN109472453A (zh) * | 2018-10-12 | 2019-03-15 | 山大地纬软件股份有限公司 | 基于全局最优模糊核聚类模型的电力用户信用评价方法 |
CN112186749A (zh) * | 2020-09-24 | 2021-01-05 | 四川大学 | 一种基于最优抽样的电压暂降***指标评估方法 |
CN112446509A (zh) * | 2020-11-10 | 2021-03-05 | 中国电子科技集团公司第三十八研究所 | 一种复杂电子装备预测维护方法 |
CN112446509B (zh) * | 2020-11-10 | 2023-05-26 | 中国电子科技集团公司第三十八研究所 | 一种复杂电子装备预测维护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104915681B (zh) | 2019-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573947A (zh) | 区域智能配电网低压台区综合评价方法 | |
CN108830510B (zh) | 一种基于数理统计的电力数据预处理方法 | |
CN108765004A (zh) | 一种基于数据挖掘识别用户窃电行为的方法 | |
CN105389636A (zh) | 一种低压台区kfcm-svr合理线损预测方法 | |
CN104123477A (zh) | 一种基于生活数据的群租分析方法 | |
CN104809658A (zh) | 一种低压配网台区线损的快速分析方法 | |
CN109492874B (zh) | 一种三层级配电网投资决策体系的决策方法 | |
CN104915681A (zh) | 兼顾电压暂降监测信息及其关联因素的变电站聚类方法 | |
Wu et al. | An investment decision framework for photovoltaic power coupling hydrogen storage project based on a mixed evaluation method under intuitionistic fuzzy environment | |
CN108964023B (zh) | 一种用于电网的母线电压态势短期预测方法及*** | |
CN103632306A (zh) | 一种基于聚类分析的配电网供电区域划分方法 | |
CN104036364A (zh) | 一种配电网网络结构水平评价方法 | |
CN111210075A (zh) | 一种基于组合分类器的雷击输电线路故障概率分析方法 | |
CN103489066A (zh) | 一种电能质量暂态事件突出区域监测信息与数据分析方法 | |
CN104036434A (zh) | 一种配电网负荷供应能力评价方法 | |
CN108614192B (zh) | 一种配电网雷电监测装置布点决策方法 | |
CN114548800A (zh) | 基于电网知识图谱的未来态电网检修风险辨识方法及装置 | |
CN105654392A (zh) | 一种基于聚类算法的设备家族性缺陷的分析方法 | |
CN112734274B (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
CN105335810A (zh) | 一种配电网单体项目投资效益评价方法 | |
CN105550450B (zh) | 一种电能质量干扰源特征谐波建模方法 | |
Duan et al. | Data mining & pattern recognition of voltage sag based on K-means clustering algorithm | |
CN114285090A (zh) | 基于单站-分区-全网的新能源极限消纳能力评估方法 | |
CN113610359A (zh) | 基于量化分级指标体系的光伏接入配电网适应性评估方法 | |
CN112653194A (zh) | 一种新能源极限消纳能力评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |