CN106156792A - 一种基于台区电气特征参数的低压台区聚类方法 - Google Patents
一种基于台区电气特征参数的低压台区聚类方法 Download PDFInfo
- Publication number
- CN106156792A CN106156792A CN201610475908.7A CN201610475908A CN106156792A CN 106156792 A CN106156792 A CN 106156792A CN 201610475908 A CN201610475908 A CN 201610475908A CN 106156792 A CN106156792 A CN 106156792A
- Authority
- CN
- China
- Prior art keywords
- platform district
- district
- platform
- cluster
- electric 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 206010008190 Cerebrovascular accident Diseases 0.000 claims description 6
- 208000006011 Stroke Diseases 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000004069 differentiation Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000003064 k means clustering Methods 0.000 abstract description 3
- 239000006185 dispersion Substances 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 7
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于台区电气特征参数的低压台区聚类方法,包括以下步骤:步骤1:对台区电气特征参数进行标准化处理;步骤2:选取初始聚类中心;步骤3:对台区进行k‑means聚类,得到聚类结果;步骤4:计算聚类结果的轮廓系数;步骤5:选取最优聚类结果。本发明提出的台区聚类方法利用轮廓系数来选取最优聚类结果,增加了聚类结果的准确度;通过计算评价指标来选取初始聚类中心,与传统的k‑means聚类方法相比,此改进聚类方法的聚类结果对初始聚类中心不再敏感。有效的解决了因台区线损率数值分散而导致的神经网络等智能算法训练精度差的问题,为台区线损分析提供了技术支撑。
Description
技术领域
本发明涉及一种聚类方法,具体涉及一种基于台区电气特征参数的低压台区聚类方法。
背景技术
低压配网台区作为电力***中的末端环节,线损率为台区管理重要的考核指标之一。但是低压台区的建设和管理状况参差不齐、台区和终端用户数目庞大、台账管理不完备、线路分布复杂多样、用电采集***的采集成功率差别较大,目前对台区线损理论计算的方法大多数采用电压损失法、等值电阻法等,对台区不论计算理论线损率还是评估统计线损率均需要动用大量的人力、物力才能收集到必要和充分的运行资料,工作量非常大,致使各供电部门难以每月进行一次计算工作。
近年来,神经网络理论等智能算法的发展与应用为线损率计算提供了新的途径。但是考虑到我国低压配网台区的网架结构有较大的差异,当用电性质及比例在一定的范围内,用电量和负载率差别很大,直接应用神经网络理论等智能算法并不能得到理想的结果,所以需要对台区进行分类分析。
发明内容
为了克服上述现有技术的不足,本发明提供一种基于台区电气特征参数的低压台区聚类方法,通过筛选出与台区的网架结构和负荷相关的台区电气特征参数,采用改进K-Means聚类算法完成低压台区的聚类。
为了实现上述发明目的,本发明采取如下技术方案:
本发明提供一种基于台区电气特征参数的低压台区聚类方法,所述方法包括以下步骤:
步骤1:对台区电气特征参数进行标准化处理;
步骤2:选取初始聚类中心;
步骤3:对台区进行k-means聚类,得到聚类结果;
步骤4:计算聚类结果的轮廓系数;
步骤5:选取最优聚类结果。
所述步骤1中,设台区个数为N,每个台区的台区电气特征参数为M个,N个台区样本的台区电气特征参数组成台区电气特征向量X,有:
其中,xij为台区电气特征向量X的第i行、第j列元素,i=1,2,...,N,j=1,2,...,M;
对台区电气特征参数进行标准化处理,有:
其中,Zij为xij标准化处理后的量,i=1,2,...,N,j=1,2,...,M,形成台区电气特征向量X标准化处理后的矩阵Z;为xij的平均值,sij为xij的方差。
所述步骤2中,选取初始聚类中心包括:
设第i个台区的评价指标为EIi,有:
其中,ωj为第j个台区电气特征参数的权重,Zjmin为第j个台区电气特征参数的最小值,即
将各个台区的评价指标进行升序排序,将台区等分成K类,选取每类的中心作为该类的初始聚类中心,得到K个初始聚类中心。
所述步骤3中,对台区进行k-means聚类包括:
1)按照式(6)计算台区和初始聚类中心的距离,按照计算得到的距离大小将N个台区分配给最近的初始聚类中心,形成K个聚类,即得到聚类结果;
其中,Lik为第i个台区与第k个初始聚类中心之间的距离,mkj为第k个聚类中心的第j个元素;
2)计算每个聚类中所有台区电气特征参数的平均值,并以此作为K个聚类新的聚类中心;
3)计算聚类结果的总误差E,有:
其中,Ck表示第k个聚类中的台区集合,k=1,2,...,K;
4)重复1)至3),直至E不变,聚类结束。
所述步骤4中,计算台区的轮廓系数,有:
其中,Si为第i个台区的轮廓系数,p(i)为第i个台区到非所属类中所有台区平均距离的最小值,q(i)为第i个台区到所属类中其它台区的平均距离;
根据台区的轮廓系数计算聚类结果的轮廓系数,有:
其中,St为聚类结果的轮廓系数。
所述步骤5中,给定不同的台区等分类别数目K,重复步骤2至步骤4,比较不同台区等分类别数目下的轮廓系数,选取廓系数最大的聚类结果为最优聚类结果。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
1)本发明提出的台区聚类方法利用轮廓系数来选取最优聚类结果,增加了聚类结果的准确度;
2)本发明提出的台区聚类方法通过计算评价指标来选取初始聚类中心,与传统的k-means聚类方法相比,此改进聚类方法的聚类结果对初始聚类中心不再敏感。
3)本发明提出的台区聚类方法有效的解决了因台区线损率数值分散而导致的神经网络等智能算法训练精度差的问题,为台区线损分析提供了技术支撑。
附图说明
图1是本发明实施例中基于台区电气特征参数的低压台区聚类方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1,本发明提供一种基于台区电气特征参数的低压台区聚类方法,所述方法包括以下步骤:
步骤1:对台区电气特征参数进行标准化处理;
对台区电气特征参数进行标准化处理之前,先确定台区电气特征参数;台区电气特征参数包括反映网架结构的参数和与负荷相关的参数;反映网架结构的参数包括供电半径、低压线路总长度;与负荷相关的参数包括负载率、用电性质及比例。
选取某地区601个台区,部分台区的台区电气特征参数如表1:
表1
台区 | 供电半径R/米 | 低压线路总长度D/米 | 用电性质及比例EC/% | 负载率L/% |
台区1 | 135 | 270 | 85.83 | 48 |
台区2 | 140 | 290 | 95.07 | 39.42708 |
台区3 | 126 | 300 | 92.76 | 29.60417 |
台区4 | 132 | 924 | 100.00 | 27.11694 |
台区5 | 145 | 1015 | 100.00 | 3.347414 |
台区6 | 118 | 826 | 100.00 | 4.546424 |
台区7 | 109 | 763 | 72.09 | 4.356545 |
台区8 | 122 | 854 | 85.75 | 6.297043 |
台区9 | 136 | 952 | 85.26 | 10.95262 |
台区10 | 144 | 1008 | 88.67 | 7.236223 |
设台区个数为N,每个台区的台区电气特征参数为4个,N个台区样本的台区电气特征参数组成台区电气特征向量X,有:
用xij表示台区电气特征向量X的第i行、第j列元素,i=1,2,...,N,j=1,2,...,4;
对台区电气特征参数进行标准化处理,有:
其中,Zij为xij标准化处理后的量,为xij的平均值,sij为xij的方差;
对10个台区的电气特征参数进行标准化处理,结果如表2:
表2
台区 | 供电半径R/米 | 低压线路总长度D/米 | 用电性质及比例EC/% | 负载率L/% |
台区1 | -0.78757 | -0.703 | -0.68032 | 0.989197 |
台区2 | -0.75876 | -0.68834 | 0.513898 | 0.662709 |
台区3 | -0.83943 | -0.68101 | 0.215602 | 0.288615 |
台区4 | -0.80486 | -0.22361 | 1.151219 | 0.193892 |
台区5 | -0.72996 | -0.1569 | 1.151219 | -0.71134 |
台区6 | -0.88552 | -0.29544 | 1.151219 | -0.66568 |
台区7 | -0.93738 | -0.34162 | -2.45674 | -0.67291 |
台区8 | -0.86248 | -0.27492 | -0.69093 | -0.59901 |
台区9 | -0.78181 | -0.20308 | -0.75435 | -0.42171 |
台区10 | -0.73572 | -0.16203 | -0.31359 | -0.56324 |
步骤2:选取初始聚类中心;
所述步骤2中,选取初始聚类中心包括:
设第i个台区的评价指标为EIi,有:
其中,ωj为第j个台区电气特征参数的权重,Zjmin为第j个台区电气特征参数的最小值,即
将各个台区的评价指标进行升序排序,将台区等分成K类,选取每类的中心作为该类的初始聚类中心,得到K个初始聚类中心。
某地区601个台区按照评价指标进行排序后的结果如表3:
表3
台区 | EI值 |
台区48 | 0.605 |
台区46 | 0.679 |
台区7 | 0.767 |
… | … |
台区559 | 9.885 |
台区575 | 11.492 |
将601个台区分为3类,确定的初始聚类中心如表4:
表4
步骤3:对台区进行k-means聚类,得到聚类结果;
所述步骤3中,对台区进行k-means聚类包括:
1)按照式(6)计算台区和初始聚类中心的距离,按照计算得到的距离大小将N个台区分配给最近的初始聚类中心,形成K个聚类,即得到聚类结果;
其中,Lik为第i个台区与第k个初始聚类中心之间的距离,mkj为第k个聚类中心的第j个元素;
2)计算每个聚类中所有台区电气特征参数的平均值,并以此作为K个聚类新的聚类中心;
3)计算聚类结果的总误差E,有:
其中,Ck表示第k个聚类中的台区集合,k=1,2,...,K;
4)重复1)至3),直至E不变,聚类结束。
某地区601个台区的聚类结果如表5:
表5
类别 | 台区数 |
1 | 174 |
2 | 71 |
3 | 356 |
步骤4:计算聚类结果的轮廓系数;
所述步骤4中,计算台区的轮廓系数,有:
其中,Si为第i个台区的轮廓系数,p(i)为第i个台区到非所属类中所有台区平均距离的最小值,q(i)为第i个台区到所属类中其它台区的平均距离;
根据台区的轮廓系数计算聚类结果的轮廓系数,有:
其中,St为聚类结果的轮廓系数。
步骤5:选取最优聚类结果:
步骤5中,给定不同的台区等分类别数目K,重复步骤2至步骤4,比较不同台区等分类别数目下的轮廓系数,选取廓系数最大的聚类结果为最优聚类结果。
令K从3~8递增变化,重复步骤2至步骤4,得到不同k值下的轮廓系数值,如表6:
表6
类别数目K | 轮廓系数 | 类别数目K | 轮廓系数 |
3 | 0.405 8 | 6 | 0.532 5 |
4 | 0.490 8 | 7 | 0.413 8 |
5 | 0.398 0 | 8 | 0.456 5 |
通过表6可以看出,当K为6时,轮廓系数最大,所以将台区分为6类,聚类结果如表7:
表7
类别 | 台区数 | 类别 | 台区数 |
1 | 155 | 4 | 39 |
2 | 305 | 5 | 84 |
3 | 9 | 6 | 8 |
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (6)
1.一种基于台区电气特征参数的低压台区聚类方法,其特征在于:所述方法包括以下步骤:
步骤1:对台区电气特征参数进行标准化处理;
步骤2:选取初始聚类中心;
步骤3:对台区进行k-means聚类,得到聚类结果;
步骤4:计算聚类结果的轮廓系数;
步骤5:选取最优聚类结果。
2.根据权利要求1所述的基于台区电气特征参数的低压台区聚类方法,其特征在于:所述步骤1中,设台区个数为N,每个台区的台区电气特征参数为M个,N个台区样本的台区电气特征参数组成台区电气特征向量X,有:
其中,xij为台区电气特征向量X的第i行、第j列元素,i=1,2,...,N,j=1,2,...,M;
对台区电气特征参数进行标准化处理,有:
其中,Zij为xij标准化处理后的量,i=1,2,...,N,j=1,2,...,M,形成台区电气特征向量X标准化处理后的矩阵Z;为xij的平均值,sij为xij的方差。
3.根据权利要求2所述的基于台区电气特征参数的低压台区聚类方法,其特征在于:所述步骤2中,选取初始聚类中心包括:
设第i个台区的评价指标为EIi,有:
其中,ωj为第j个台区电气特征参数的权重,Zjmin为第j个台区电气特征参数的最小值,即
将各个台区的评价指标进行升序排序,将台区等分成K类,选取每类的中心作为该类的初始聚类中心,得到K个初始聚类中心。
4.根据权利要求3所述的基于台区电气特征参数的低压台区聚类方法,其特征在于:所述步骤3中,对台区进行k-means聚类包括:
1)按照式(6)计算台区和初始聚类中心的距离,按照计算得到的距离大小将N个台区分配给最近的初始聚类中心,形成K个聚类,即得到聚类结果;
其中,Lik为第i个台区与第k个初始聚类中心之间的距离,mkj为第k个聚类中心的第j个元素;
2)计算每个聚类中所有台区电气特征参数的平均值,并以此作为K个聚类新的聚类中心;
3)计算聚类结果的总误差E,有:
其中,Ck表示第k个聚类中的台区集合,k=1,2,...,K;
4)重复1)至3),直至E不变,聚类结束。
5.根据权利要求1所述的基于台区电气特征参数的低压台区聚类方法,其特征在于:所述步骤4中,计算台区的轮廓系数,有:
其中,Si为第i个台区的轮廓系数,p(i)为第i个台区到非所属类中所有台区平均距离的最小值,q(i)为第i个台区到所属类中其它台区的平均距离;
根据台区的轮廓系数计算聚类结果的轮廓系数,有:
其中,St为聚类结果的轮廓系数。
6.根据权利要求1所述的基于台区电气特征参数的低压台区聚类方法,其特征在于:所述步骤5中,给定不同的台区等分类别数目K,重复步骤2至步骤4,比较不同台区等分类别数目下的轮廓系数,选取廓系数最大的聚类结果为最优聚类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610475908.7A CN106156792A (zh) | 2016-06-24 | 2016-06-24 | 一种基于台区电气特征参数的低压台区聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610475908.7A CN106156792A (zh) | 2016-06-24 | 2016-06-24 | 一种基于台区电气特征参数的低压台区聚类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106156792A true CN106156792A (zh) | 2016-11-23 |
Family
ID=57349250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610475908.7A Pending CN106156792A (zh) | 2016-06-24 | 2016-06-24 | 一种基于台区电气特征参数的低压台区聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106156792A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951993A (zh) * | 2017-03-20 | 2017-07-14 | 国网江苏省电力公司常州供电公司 | 一种电能量数据预估方法 |
CN107247583A (zh) * | 2017-05-10 | 2017-10-13 | 北京寄云鼎城科技有限公司 | 一种并行计算环境下分布式轮廓系数计算方法和*** |
CN107301433A (zh) * | 2017-07-14 | 2017-10-27 | 南京华苏科技有限公司 | 基于聚类判别模型的网约车鉴别方法和*** |
CN108075467A (zh) * | 2017-12-08 | 2018-05-25 | 国网湖南省电力有限公司 | 一种基于多源证据融合的配电网低电压预测方法 |
CN108229087A (zh) * | 2017-09-30 | 2018-06-29 | 国网上海市电力公司 | 一种低压台区典型场景的析构方法 |
CN108681522A (zh) * | 2018-05-02 | 2018-10-19 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器档位识别算法 |
CN108681973A (zh) * | 2018-05-14 | 2018-10-19 | 广州供电局有限公司 | 电力用户的分类方法、装置、计算机设备和存储介质 |
CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及*** |
CN109272176A (zh) * | 2018-12-10 | 2019-01-25 | 贵州电网有限责任公司 | 利用K-means聚类算法对台区线损率预测计算方法 |
CN109445936A (zh) * | 2018-10-12 | 2019-03-08 | 深圳先进技术研究院 | 一种云计算负载聚类方法、***及电子设备 |
CN109634940A (zh) * | 2018-11-12 | 2019-04-16 | 国网天津市电力公司电力科学研究院 | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 |
CN109816034A (zh) * | 2019-01-31 | 2019-05-28 | 清华大学 | 信号特征组合选取方法、装置、计算机设备及存储介质 |
CN109828170A (zh) * | 2019-02-19 | 2019-05-31 | 国网江西省电力有限公司电力科学研究院 | 配电台区档位识别方法、装置及存储介质 |
CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
CN110110907A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区特征参数的提取方法 |
CN110309485A (zh) * | 2019-07-03 | 2019-10-08 | 贵州电网有限责任公司 | 一种基于台区数据特征分类的线损率标杆值计算方法 |
CN110705887A (zh) * | 2019-10-10 | 2020-01-17 | 国网湖北省电力有限公司计量中心 | 一种基于神经网络模型的低压台区运行状态综合评价方法 |
CN110782181A (zh) * | 2019-11-05 | 2020-02-11 | 国网重庆市电力公司电力科学研究院 | 一种低压台区线损率的计算方法及可读存储介质 |
CN111145042A (zh) * | 2019-12-31 | 2020-05-12 | 国网北京市电力公司 | 一种采用全连接神经网络的配电网电压异常诊断方法 |
CN113675953A (zh) * | 2021-09-15 | 2021-11-19 | 江苏方天电力技术有限公司 | 一种基于电压相似度聚类的低压台区拓扑识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130138651A1 (en) * | 2011-11-28 | 2013-05-30 | Bin Lu | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads |
CN104463183A (zh) * | 2013-09-13 | 2015-03-25 | 株式会社理光 | 聚类中心选取方法和*** |
CN105069527A (zh) * | 2015-07-31 | 2015-11-18 | 国家电网公司 | 一种基于数据挖掘技术的台区合理线损预测方法 |
CN105160416A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种结合主元分析与神经网络的台区合理线损预测方法 |
CN105389636A (zh) * | 2015-12-11 | 2016-03-09 | 河海大学 | 一种低压台区kfcm-svr合理线损预测方法 |
-
2016
- 2016-06-24 CN CN201610475908.7A patent/CN106156792A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130138651A1 (en) * | 2011-11-28 | 2013-05-30 | Bin Lu | System and method employing a self-organizing map load feature database to identify electric load types of different electric loads |
CN104463183A (zh) * | 2013-09-13 | 2015-03-25 | 株式会社理光 | 聚类中心选取方法和*** |
CN105069527A (zh) * | 2015-07-31 | 2015-11-18 | 国家电网公司 | 一种基于数据挖掘技术的台区合理线损预测方法 |
CN105160416A (zh) * | 2015-07-31 | 2015-12-16 | 国家电网公司 | 一种结合主元分析与神经网络的台区合理线损预测方法 |
CN105389636A (zh) * | 2015-12-11 | 2016-03-09 | 河海大学 | 一种低压台区kfcm-svr合理线损预测方法 |
Non-Patent Citations (1)
Title |
---|
文福拴: "基于分群算法和人工神经元网络的配电网线损计算", 《中国电机工程学报》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951993A (zh) * | 2017-03-20 | 2017-07-14 | 国网江苏省电力公司常州供电公司 | 一种电能量数据预估方法 |
CN107247583A (zh) * | 2017-05-10 | 2017-10-13 | 北京寄云鼎城科技有限公司 | 一种并行计算环境下分布式轮廓系数计算方法和*** |
CN107301433A (zh) * | 2017-07-14 | 2017-10-27 | 南京华苏科技有限公司 | 基于聚类判别模型的网约车鉴别方法和*** |
CN108229087A (zh) * | 2017-09-30 | 2018-06-29 | 国网上海市电力公司 | 一种低压台区典型场景的析构方法 |
CN108075467B (zh) * | 2017-12-08 | 2020-03-20 | 国网湖南省电力有限公司 | 一种基于多源证据融合的配电网低电压预测方法 |
CN108075467A (zh) * | 2017-12-08 | 2018-05-25 | 国网湖南省电力有限公司 | 一种基于多源证据融合的配电网低电压预测方法 |
CN108681522A (zh) * | 2018-05-02 | 2018-10-19 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器档位识别算法 |
CN108681522B (zh) * | 2018-05-02 | 2022-04-12 | 国网江西省电力有限公司电力科学研究院 | 一种配电变压器档位识别算法 |
CN108681973A (zh) * | 2018-05-14 | 2018-10-19 | 广州供电局有限公司 | 电力用户的分类方法、装置、计算机设备和存储介质 |
CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及*** |
CN108694467B (zh) * | 2018-05-22 | 2021-02-05 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及*** |
CN109445936A (zh) * | 2018-10-12 | 2019-03-08 | 深圳先进技术研究院 | 一种云计算负载聚类方法、***及电子设备 |
CN109634940A (zh) * | 2018-11-12 | 2019-04-16 | 国网天津市电力公司电力科学研究院 | 一种基于海量低压台区用电数据的典型低压台区用电模型构建方法 |
CN109272176A (zh) * | 2018-12-10 | 2019-01-25 | 贵州电网有限责任公司 | 利用K-means聚类算法对台区线损率预测计算方法 |
CN109816034A (zh) * | 2019-01-31 | 2019-05-28 | 清华大学 | 信号特征组合选取方法、装置、计算机设备及存储介质 |
CN109816034B (zh) * | 2019-01-31 | 2021-08-27 | 清华大学 | 信号特征组合选取方法、装置、计算机设备及存储介质 |
CN109828170A (zh) * | 2019-02-19 | 2019-05-31 | 国网江西省电力有限公司电力科学研究院 | 配电台区档位识别方法、装置及存储介质 |
CN109828170B (zh) * | 2019-02-19 | 2021-04-09 | 国网江西省电力有限公司电力科学研究院 | 配电台区档位识别方法、装置及存储介质 |
CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
CN110110907A (zh) * | 2019-04-19 | 2019-08-09 | 国网天津市电力公司电力科学研究院 | 一种低压台区特征参数的提取方法 |
CN110110907B (zh) * | 2019-04-19 | 2023-05-30 | 国网天津市电力公司电力科学研究院 | 一种低压台区特征参数的提取方法 |
CN110309485A (zh) * | 2019-07-03 | 2019-10-08 | 贵州电网有限责任公司 | 一种基于台区数据特征分类的线损率标杆值计算方法 |
CN110705887A (zh) * | 2019-10-10 | 2020-01-17 | 国网湖北省电力有限公司计量中心 | 一种基于神经网络模型的低压台区运行状态综合评价方法 |
CN110782181A (zh) * | 2019-11-05 | 2020-02-11 | 国网重庆市电力公司电力科学研究院 | 一种低压台区线损率的计算方法及可读存储介质 |
CN111145042A (zh) * | 2019-12-31 | 2020-05-12 | 国网北京市电力公司 | 一种采用全连接神经网络的配电网电压异常诊断方法 |
CN113675953A (zh) * | 2021-09-15 | 2021-11-19 | 江苏方天电力技术有限公司 | 一种基于电压相似度聚类的低压台区拓扑识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106156792A (zh) | 一种基于台区电气特征参数的低压台区聚类方法 | |
Rahimikhoob et al. | A comparison between conventional and M5 model tree methods for converting pan evaporation to reference evapotranspiration for semi-arid region | |
CN104200032B (zh) | 广义负荷建模中基于时段性的横向时间轴聚类方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN106203867A (zh) | 基于配电网评价指标体系和聚类分析的电网区域划分方法 | |
CN104008302B (zh) | 一种基于组合赋权和模糊评分的配电网可靠性评估方法 | |
CN105389636A (zh) | 一种低压台区kfcm-svr合理线损预测方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN106204154A (zh) | 基于层次分析法和熵值法的用户价值评分***及其方法 | |
CN103106535B (zh) | 一种基于神经网络解决协同过滤推荐数据稀疏性的方法 | |
CN103310388B (zh) | 基于信源熵的电网运行综合指数计算方法 | |
CN103049651A (zh) | 一种用于电力负荷聚类的方法及装置 | |
CN108020752A (zh) | 一种基于多源贯通相关性的配线线损诊断方法及*** | |
CN106127387A (zh) | 一种基于bp神经网络的台区线损率评估方法 | |
CN103514566A (zh) | 一种风险控制***及方法 | |
CN110111024A (zh) | 基于ahp模糊综合评价模型的科技成果市场价值评估方法 | |
CN106548272A (zh) | 一种电动汽车快充设施综合性能的评价方法 | |
CN106780127A (zh) | 含分布式光伏配电网的评价方法 | |
CN109934500A (zh) | 一种配电台区的低电压评价方法、装置、设备及存储介质 | |
CN110489783B (zh) | 一种基于qrnn的低压台区线损率合理范围估计方法 | |
CN104809658A (zh) | 一种低压配网台区线损的快速分析方法 | |
CN106228403A (zh) | 一种基于层次分析算法的用户价值评分方法及*** | |
CN105007170A (zh) | 一种基于fahp-svm理论的wlan网络负载综合评价方法 | |
CN109685296A (zh) | 计及历史状态的用电信息采集***模糊综合评价方法 | |
CN106067034A (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161123 |
|
RJ01 | Rejection of invention patent application after publication |