CN109308571B - 配电线路线变关系检测方法 - Google Patents
配电线路线变关系检测方法 Download PDFInfo
- Publication number
- CN109308571B CN109308571B CN201810995902.1A CN201810995902A CN109308571B CN 109308571 B CN109308571 B CN 109308571B CN 201810995902 A CN201810995902 A CN 201810995902A CN 109308571 B CN109308571 B CN 109308571B
- Authority
- CN
- China
- Prior art keywords
- line
- electric quantity
- daily
- transformer
- coefficient
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 25
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000011835 investigation Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000002354 daily effect Effects 0.000 claims description 123
- 230000005611 electricity Effects 0.000 claims description 24
- 230000014509 gene expression Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种配电线路线变关系检测方法,具体步骤包括:步骤S1,采集配电线路日输入电量和与其挂接的变压器日用电量;步骤S2,对配电线路的日输入电量和相连各变压器的日用电量进行预处理,获得配电线路的日线损电量;步骤S3,选取特征变量,构成初选特征集;步骤S4,利用mRMR算法选择与类别具有最大相关性且相互之间具有最小冗余性的最优特征子集;步骤S5,将最优特征子集作为BP神经网络的输入特征向量,从而实现线变关系异常的变压器定位。本发明的方法应用于查找配电线路线变关系错误的变压器时,操作简便且准确度较高,极大的减轻了基层员工现场勘查的工作量,减少人力财力消耗,加快线损治理效率,提高配电线路线损考核指标达标率。
Description
技术领域
本发明属于电力技术领域,特别涉及一种配电线路线变关系检测方法。
背景技术
线损率是电力企业重要的技术经济指标,一方面是企业管理水平的综合反应,另一方面也与企业的经济利益直接关联。采取各种管理措施和技术措施来降低线损,使线损降到经济合理水平,对于提高能源利用效率、降低供电成本、提升电力企业净利润水平,具有重要的意义和价值。
在同期线损治理过程中,由于35kV及以上电压等级的线路数量少、拓扑结构简单、变动较少、台账历史数据质量高并且更新及时,所以其线损治理水平较高,相应的线损考核指标达到要求;但是对于10kV及以下电压等级配电网,设备(资产)运维精益管理***的历史台账数据质量低以及数据更新不及时、刀闸开关动作频繁、表计及设备维护工作量大等原因造成“线路-变压器连接关系”(线变关系)错误,从而带来10kV电压等级及以下线损考核指标达标率低的问题,并且治理困难。目前梳理10kV线路线变关系的主要手段是通过基层工作人员进行现场勘查,将实地情况与设备(资产)运维精益管理***档案信息相比对,若有差异则可申请进行设备变更实现台账维护,但是由于10kV线路及其所挂接的变压器数量众多,传统地毯式的现场搜索需要耗费大量的人力物力,时效性低。
本发明通过分析线路电量和变压器电量之间的关系,初步选取可反映线变关系的特征量;通过mRMR算法进行特征优选,选择与类别具有最大相关性且相互之间具有最小冗余性的最优特征子集;将最优特征子集作为BP神经网络的输入特征向量,从而实现线变关系异常的变压器定位。减少人力财力的消耗,快速有效地梳理10kV线路线变关系,精准定位线变关系错误的变压器,提高同期线损治理效率。
发明内容
本发明的目的是提出一种配电线路线变关系检测方法,提高配电线路线损治理效率,通过特征选择和训练BP分类器,实现线变关系错误的变压器的准确定位。
本发明公开了一种配电线路线变关系检测方法,包括如下步骤:
S1,采集配电线路的线路日输入电量和与该配电线路相连的各个变压器的变压器日用电量,采集周期至少为1个月,将配电线路线变关系分为三类别:线路挂错类、变比计错类和正常线变类;
S2,对线路日输入电量和与其挂接的各个变压器日用电量进行数据预处理,并计算线路日线损电量;
S3,选取特征变量,构成初选特征集,所述初选特征集由12个特征构成,所述12个特征分别为:输入电量和用电量之间的第一相关系数、第一离散系数比、第一电量差值比、第一轮廓系数比a1、第一轮廓系数比b1、第一轮廓系数比c1,以及线损电量和用电量之间的第二相关系数、第二离散系数比、第二电量差值比、第二轮廓系数比a2、第二轮廓系数比b2和第二轮廓系数比c2;并用F1~F12依次表示这12个特征;
S4,利用选择与类别具有最大相关性且相互之间具有最小冗余性的最优特征子集,具体步骤如下:
S41、初选特征集S(m×12),由m个样本构成,每个样本具有12个初选特征F1~F12;各变压器对应的线变关系类别C分为三类:线路挂错、变比计错和正常线变,其类别标签分别用1、2、3表示;
S42、对初选特征集进行归一化处理;
S43、设定最优特征子集的目标维数为d,从12个初选特征中选取d个特征构成最优特征子集;
根据下列表达式依次计算特征与类别之间、特征与特征之间的相关性度量:
其中,S为特征集合,|S|为该特征集合的特征个数;C为目标类别;I(Fi,C)为特征Fi和类别C之间的互信息值,I(Fi,Fj)为特征Fi和特征Fj之间的互信息值,D为特征与类别之间的相关性度量;R为特征与特征之间的相关性度量;
S44、将表达式(11)和(12)进行组合,得到mRMR特征选择算法的计算准则,即最大相关最小冗余准则:
其中,D为特征与类别之间的相关性度量;R为特征与特征之间的相关性度量;Φ(D,R)表示相关与冗余的差值;该式表示依次选择与类别高度相关而与已选特征较小冗余的备选特征构成最优特征子集;
S45、特征搜索方法:利用序贯前向选择法寻找最优特征子集,首先根据式(11)确定第一个与类别最相关的特征并加入到特征子集Sp,其他特征以此计算后加入。假设已经确定了一个由p个(p<d,d为最优特征子集的特征个数)特征组成的特征子集Sp,下一步需要从数据集{S-Sp}中选择使得式(14)最大化的第p+1个特征为
其中,S为特征集合,Sp为由p个特征组成的特征子集,I为特征之间的互信息值,C为目标类别;
S46、记录依次加入特征子集Sp的备选特征的先后顺序,设定最优特征子集的目标维数为d,从初选特征集中依次搜索与类别最大相关且相互之间冗余度最小的d个(d≤12)初选特征构成最优特征子集,即选择前d个特征构成最优特征子集;
S5、将需要检测线路的最优特征子集作为BP神经网络的输入特征向量,利用BP神经网络输出每个变压器的线变关系类型,提取由BP神经网络判定为线变关系有误的变压器清单,将其作为电网公司的线损治理项目组的重点排查对象。
优选的,步骤S3具体包括以下步骤:
S31、线路日输入电量按采集顺序组成配电线路日输入电量序列,变压器日用电量也按采集顺序组成变压器日用电量序列,每个变压器都有一个变压器日用电量序列,并且与线路日输入电量的采集时间点相对应;
S32、计算第一相关系数:即线路日输入电量序列与变压器日用电量序列的皮尔逊相关系数;
S33、计算第一离散系数比:即变压器用电量离散系数与线路输入电量离散系数的比值,第一离散系数比=变压器用电量离散系数/线路输入电量离散系数;
S34、计算第一电量差值比:日电量差值比=(变压器当日用电量-变压器昨日用电量)/(线路当日输入电量-线路昨日输入电量);对所有的日电量差值比取平均数,表示为第一电量差值比;
S35、计算第一轮廓系数比:根据变压器用电量序列和线路输入电量序列,做以采集日期为横坐标、每日电量数据为纵坐标的电量曲线,即用电量曲线和输入电量曲线;对这两类电量曲线,确定电量曲线的起始点和末尾点,以及排除起始点和末尾点后的峰值点、谷值点,并将起始点和末尾点的斜率A、末尾点和峰值点的斜率B,以及峰值点和估值点的斜率C作为衡量电量曲线轮廓的特征变量,据此得到变压器用电量曲线的轮廓系数A1、轮廓系数B1、轮廓系数C1,线路输入电量曲线的轮廓系数A2、轮廓系数B2、轮廓系数C2;最后计算第一轮廓系数比a1=A1/A2,b1=B1/B2,c1=C1/C2;
S36、每日线路线损电量按顺序组成线路线损电量序列;
S37、计算第二相关系数:即线路日线损电量序列与变压器日用电量序列的皮尔逊相关系数;
S38、计算第二离散系数比:即变压器用电量离散系数与线路线损电量离散系数的比值;第二离散系数比=变压器用电量离散系数/线路线损电量离散系数;
S39、计算第二电量差值比:日电量差值比=(变压器当日用电量-变压器昨日用电量)/(线路当日线损电量-线路昨日线损电量);对所有的日电量差值比取平均数,表示为第二电量差值比;
S310、第二轮廓系数比:根据变压器用电量序列和线路线损电量序列,做以采集日期为横坐标、每日电量数据为纵坐标的电量曲线,即用电量曲线和线损电量曲线;对这两类电量曲线,确定电量曲线的起始点和末尾点,以及排除起始点和末尾点后的峰值点、谷值点,并将起始点和末尾点的斜率A、末尾点和峰值点的斜率B、峰值点和估值点的斜率C作为衡量电量曲线轮廓的特征变量,据此得到变压器用电量曲线的轮廓系数A1、轮廓系数B1、轮廓系数C1,线路线损电量曲线的轮廓系数A3、轮廓系数B3、轮廓系数C3;最后计算各第二轮廓系数比a2=A1/A3,b2=B1/B3,c2=C1/C3;
S311、最后,共选取12个特征构成初选特征集,12个特征分别为:输入电量和用电量之间的第一相关系数、第一离散系数比、第一电量差值比、第一轮廓系数比a1、第一轮廓系数比b1、第一轮廓系数比c1,以及线损电量和用电量之间的第二相关系数、第二离散系数比、第二电量差值比、第二轮廓系数比a2、第二轮廓系数比b2和第二轮廓系数比c2,并用F1~F12依次表示这12个特征。
优选的,步骤S2具体包括以下步骤:
S21、对采集的线路日输入电量和与其挂接的各个变压器日用电量数据进行检查,查找缺失和异常数据;
S22、处理电量数据缺失:对数据缺失量大于采集量20%的变压器予以剔除;对数据缺失量小于采集量20%的变压器缺失数据以其最邻近的两个正常数据的均值代替;
S23、处理电量数据异常(暴增或暴跌):对数据异常量高于采集量20%的变压器予以剔除;对异常量低于采集量10%的变压器异常点数据以其最邻近的两个正常数据的均值代替;对异常量高于采集量10%但低于采集量20%的,利用平滑修正表达式对异常数据值点进行修正和替代;
S24、利用预处理后的线路日输入电量和与其挂接的各个变压器日用电量数据,计算每日的线路线损电量,每日线路线损电量=线路日输入电量-∑变压器日用电量。
优选的,所述步骤S23中利用平滑修正表达式对异常数据值点进行修正和替代的具体步骤为:
设第i个变压器的第j日采集点的电量数据Pi,j为异常数据,则修正值P′i,j为:
其中,i=1,2,…r,j=1,2,…n,r为变压器的总数,n为变压器日用电量数据的采集总天数;k表示向前采集的位数,l表示向后采集的位数,k1表示从第j日采集点向前的采集点天数,l1表示从第j日采集点向后的采集点天数,通常k1、l1可取2~5,即电量数据异常点处的修正值为从该点向前采集k1个数据和向后采集l1个数据的平均值。
与现有技术相比,本发明具有以下有益效果:
本发明从线路电量和变压器电量之间的关系出发,初步选取可反映线变关系的特征量,然后通过mRMR算法进行特征优选,以筛选后的特征量作为BP神经网络模型的输入特征向量,训练得到一个具有高识别精度的BP神经网络线变关系检测模型,最后利用该模型实现对线变关系样本的快速分类。该方法具有以下特点:操作方便且易于实现自动化,可以快速有效地梳理各个配电线路的线变关系,准确定位线变关系错误的变压器,极大的减轻了基层员工现场勘查的工作量,提高同期线损治理效率。
附图说明
图1为本发明的步骤流程图;
图2为本发明的选取不同特征个数对应的分类精度比较图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例提供一种配电线路线变关系检测方法,具体步骤包括:
S1,采集配电线路的线路日输入电量和与该配电线路相连的各个变压器的变压器日用电量,采集周期至少为1个月,将配电线路线变关系分为三类别:线路挂错类、变比计错类和正常线变类;
S2,对线路日输入电量和与其挂接的各个变压器日用电量进行数据预处理,并计算线路日线损电量;
S21、对步骤S1采集的线路日输入电量和与其挂接的各个变压器日用电量数据进行检查,查找缺失和异常数据;
S22、处理电量数据缺失:对数据缺失量大于采集量20%的变压器予以剔除;对数据缺失量小于采集量20%的变压器缺失数据以其最邻近的两个正常数据的均值代替;
S23、处理电量数据异常(暴增或暴跌):对数据异常量高于采集量20%的变压器予以剔除;对异常量低于采集量10%的变压器异常点数据以其最邻近的两个正常数据的均值代替;对异常量高于采集量10%但低于采集量20%的,利用平滑修正表达式对异常数据值点进行修正和替代,其方法为:设第i个变压器的第j日采集点的电量数据Pi,j为异常数据,则修正值P′i,j为:
其中,i=1,2,…r,j=1,2,…n,r为变压器的总数,n为变压器日用电量数据的采集总天数;k表示向前采集,l表示向后采集,k1表示从第j日采集点向前的采集点天数,l1表示从第j日采集点向后的采集点天数,通常k1、l1可取2~5,即电量数据异常点处的修正值为从该点向前采集k1个数据和向后采集l1个数据的平均值。
S24、利用预处理后的线路日输入电量和与其挂接的各个变压器日用电量数据,计算每日的线路线损电量,计算表达式如下
每日线路线损电量=线路日输入电量-∑变压器日用电量;
线路存在线变关系错误,会直接影响线路的线损电量大小,每日线路线损电量等于该日的线路日输入电量与该线路所挂接的所有变压器在该日的变压器日用电量之和的差值,因此可分别计算每日线路线损电量。
S3,选取特征变量,构成初选特征集,具体步骤如下:
S31、线路日输入电量按采集顺序组成配电线路日输入电量序列,变压器日用电量也按采集顺序组成变压器日用电量序列。每个变压器都有一个变压器日用电量序列,并且与线路日输入电量的采集时间点相对应;
S32、计算第一相关系数:即线路日输入电量序列与变压器日用电量序列的皮尔逊相关系数,反映这两个电量序列之间的相关程度(线性相关),计算表达式为
其中,r为皮尔逊相关系数,其值介于-1至1之间,|r|越接近1,则表明线性相关程度越高;n为电量序列中数据的个数,线路日输入电量序列与变压器日用电量序列中的数据个数相同;xi表示第i日采集的变压器用电量;yi表示第i日采集的线路输入电量;为变压器日用电量序列的均值;为线路日输入电量序列的均值;
S33、计算第一离散系数比:即变压器用电量离散系数与线路输入电量离散系数的比值,用于反映变压器用电量序列与线路输入电量序列的相对离散程度。离散系数反映单位均值上的离散程度,其通用的计算表达式如下
其中,c1表示变压器用电量离散系数,c2表示线路输入电量离散系数,μ1和μ2分别表示变压器用电量序列和线路输入电量序列的平均值,σ1和σ2分别表示变压器用电量序列和线路输入电量序列的标准差;n为电量序列中数据的个数,线路日输入电量序列与变压器日用电量序列中的数据个数相同;xi表示第i日采集的变压器用电量;yi表示第i日采集的线路输入电量;
则,第一离散系数比=变压器用电量离散系数/线路输入电量离散系数;
S34、计算第一电量差值比:变压器用电量波动与线路输入电量波动呈正相关,即变压器日电量差值上升,线路日输入电量差值也上升,则日电量差值比=(变压器当日用电量-变压器昨日用电量)/(线路当日输入电量-线路昨日输入电量);对所有的日电量差值比取平均数,表示为第一电量差值比;
S35、计算第一轮廓系数比:根据变压器用电量序列和线路输入电量序列,作以采集日期为横坐标、每日电量数据为纵坐标的电量曲线,即用电量曲线和输入电量曲线;对这两类电量曲线,确定电量曲线的起始点和末尾点,以及排除起始点和末尾点后的峰值点、谷值点,并将起始点和末尾点的斜率A、末尾点和峰值点的斜率B,以及峰值点和估值点的斜率C作为衡量电量曲线轮廓的特征变量,据此得到变压器用电量曲线的轮廓系数A1、轮廓系数B1、轮廓系数C1,线路输入电量曲线的轮廓系数A2、轮廓系数B2、轮廓系数C2;最后计算第一轮廓系数比a1=A1/A2,b1=B1/B2,c1=C1/C2;
S36、每日线路线损电量按顺序组成线路线损电量序列;
将步骤S24计算获得的每日线路线损电量构成形式上类似于线路日输入电量序列的线路日线损电量序列;
S37、计算第二相关系数:即线路日线损电量序列与变压器日用电量序列的皮尔逊相关系数,反映这两个电量序列之间的相关程度(线性相关),计算表达式为
其中,r为皮尔逊相关系数;n为电量序列中数据的个数,线损电量序列与变压器日用电量序列中的数据个数相同;xi表示第i日采集的变压器用电量;zi表示第i日的线路日线损电量;为变压器日用电量序列的均值;为线路日线损电量序列的均值;
S38、计算第二离散系数比:即变压器用电量离散系数与线路线损电量离散系数的比值,用于反映变压器用电量序列与线路线损电量序列的相对离散程度,其计算表达式如下
其中,c1表示变压器用电量离散系数,c3表示线路线损电量离散系数,μ1和μ3分别表示变压器用电量序列和线路线损电量序列的平均值,σ1和σ3分别表示变压器用电量序列和线路线损电量序列的标准差;n为电量序列中数据的个数,线损电量序列与变压器日用电量序列中的数据个数相同;xi表示第i日采集的变压器用电量;zi表示计算获得的第i日的线路线损电量;
则,第二离散系数比=变压器用电量离散系数/线路线损电量离散系数;
S39、计算第二电量差值比:变压器用电量波动与线路线损电量波动呈负相关,即变压器日电量差值下降,线路日线损电量差值则上升,日电量差值比=(变压器当日用电量-变压器昨日用电量)/(线路当日线损电量-线路昨日线损电量);对所有的日电量差值比取平均数,表示为第二电量差值比;
S310、计算第二轮廓系数比:根据变压器用电量序列和线路线损电量序列,作以采集日期为横坐标、每日电量数据为纵坐标的电量曲线,即用电量曲线和线损电量曲线;对这两类电量曲线,确定电量曲线的起始点和末尾点,以及排除起始点和末尾点后的峰值点、谷值点,并将起始点和末尾点的斜率A、末尾点和峰值点的斜率B、峰值点和估值点的斜率C作为衡量电量曲线轮廓的特征变量,据此得到变压器用电量曲线的轮廓系数A1、轮廓系数B1、轮廓系数C1,线路线损电量曲线的轮廓系数A3、轮廓系数B3、轮廓系数C3;最后计算各第二轮廓系数比a2=A1/A3,b2=B1/B3,c2=C1/C3;
S311、最后,共选取12个特征构成初选特征集,12个特征分别为:输入电量和用电量之间的第一相关系数、第一离散系数比、第一电量差值比、第一轮廓系数比a1、第一轮廓系数比b1、第一轮廓系数比c1,以及线损电量和用电量之间的第二相关系数、第二离散系数比、第二电量差值比、第二轮廓系数比a2、第二轮廓系数比b2、第二轮廓系数比c2,并用F1~F12依次表示这12个特征;
S4、利用mRMR算法选择与类别具有最大相关性且相互之间具有最小冗余性的最优特征子集,具体步骤如下:
S41、输入:初选特征集S(m×12),由m个样本构成,每个样本具有12个初选特征,即F1~F12;各变压器对应的线变关系类别C分为三类:线路挂错、变比计错、正常线变,其类别标签分别用1、2、3表示;
S42、数据归一化:为消除不同数据之间的量纲,对初选特征集进行归一化处理:
其中,f′ki为特征Fk中的第i个元素值,即第i个变压器的特征Fk的值;Fki为该元素值进行归一化后的值,介于0到1之间;m为特征Fk中的元素个数,等于变压器的总数;min{f′kj}为特征Fk中的最小元素值;max{f′kj}为特征Fk中的最大元素值;
S43、计算初选特征集S中12个初选特征与类别之间、特征与特征之间的相关性度量,表达式为:
其中,D为特征与类别之间的相关性度量;R为特征与特征之间的相关性度量;S为特征集合,|S|为该特征集合的特征个数;C为所有变压器的目标类别;I(Fi,C)为特征Fi和类别C之间的互信息值,I(Fi,Fj)为特征Fi和特征Fj之间的互信息值;互信息值越大,说明备选特征与类别之间、备选特征与已选特征之间的相关性越大,反之互信息越小,则相关性越小;互信息在现有技术中的算法为,设2个变量X和Y,p(x)是变量X的概率,p(y)是变量Y的概率,p(x,y)是两者的联合概率,则他们的互信息为:
S44、将表达式(11)和(12)进行组合,得到mRMR特征选择算法的计算准则,即最大相关最小冗余准则,如下式所示
其中,D为特征与类别之间的相关性度量;R为特征与特征之间的相关性度量;Φ(D,R)表示相关与冗余的差值;该式表示依次选择与类别高度相关而与已选特征较小冗余的备选特征构成最优特征子集;
S45、特征搜索方法:利用序贯前向选择法寻找最优特征子集,首先根据式(11)确定第一个与类别最相关的特征并加入到特征子集Sp,其他特征以此计算后加入。假设已经确定了一个由p个(p<d,d为最优特征子集的特征个数)特征组成的特征子集Sp,下一步需要从数据集{S-Sp}中选择使得式(14)最大化的第p+1个特征为
其中,S为特征集合,Sp为由p个特征组成的特征子集,I为特征之间的互信息值,C为目标类别;
S46、记录依次加入特征子集Sp的备选特征的先后顺序,设定最优特征子集的目标维数为d,从初选特征集中依次搜索与类别最大相关且相互之间冗余度最小的d个(d≤12)初选特征构成最优特征子集,即选择前d个特征构成最优特征子集;
最优特征子集的目标维数d是通过比较训练样本的平均分类精度来确定的。依次设置最优特征子集的维度为1到12,通过比较训练样本的平均分类精度来选择最佳特征个数。
S5、将被检测线路的最优特征子集作为BP神经网络的输入特征向量,利用BP神经网络输出每个变压器的线变关系类型,提取由BP神经网络判定为线变关系有误(线路挂错、变比计错)的变压器清单,将其作为电网公司的线损治理项目组的重点排查对象。
根据BP神经网络提供的变压器清单,可以极大的缩小排查范围,减轻现场工作量,提高线损治理效率。
利用BP神经网络进行分类是现有技术常用的分类方法,BP神经网络是一种多层前馈神经网络,能够实现连续的非线性映射,由输入层、隐含层和输出层3部分构成,BP神经网络的学习过程由信号正向传播和误差反向传播2个过程组成。在信号正向传播中,输入信号从输入层传入,经各隐含层逐层处理后,传向输出层;若输出层的实际输出与期望的输出不符,则转入误差的反向传播阶段。在误差反向传播中,将输出以某种形式通过隐含层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。
本申请中用于线变关系分类的BP神经网络模型的构建可以采用如下步骤:
S51、BP神经网络的结构和参数设计:利用软件MatlabR2017a自带的神经网络工具箱,建立只含一个隐含层的BP神经网络,即1个输入层,1个隐含层,1个输出层;BP神经网络的输入层节点数等于通过步骤S4mRMR特征选择后得到的最优特征子集所含的特征个数,即为d;BP神经网络的输出层节点数等于预测结果(或分类结果)的类别数,由于线变关系样本可分为线路挂错、变比记错以及正常线变共3类,则输出层节点数为3;BP神经网络的隐含层节点数由经验表达式决定,要在训练过程中通过反复调试不同的α值以最终确定最适合的隐含层节点数,其中u表示输入层节点数、v表示输出层节点数、α表示随机值;输入层和隐含层的传递函数设为正切函数tan-sigmoid,输出层的传递函数为线性函数pureline;
S52、BP神经网络的训练样本和测试样本选择:通过步骤S4得到一个由d维特征构成的样本数据集,将其划分为训练样本集和测试样本集;随机选择70%的样本用于训练,其余样本用于测试;为了提高结果的可信度,采用5折交叉验证,即将训练样本集随机划分为5个等份,每次选取1个等份的样本用于测试,其余4个等份用于训练,直至每个等份的样本都被用作测试集一次为止,并记录每次试验得到的相应正确率,再计算平均正确率;
S53、BP神经网络的训练参数设置:BP神经网络的目标输出采用二进制方法表示,3类线变关系样本(线路挂错,变比计错,正常线变)的输出分别为(100)、(010)、(001);训练函数采用“traingdx”,阈值和权值的学习函数采用梯度下降动量函数“learngdm”,学习率取0.01,性能函数采用均方差函数“mse”;迭代次数设为2000次,训练目标误差为1e-8;
在本申请中,利用BP神经网络输出每个变压器的线变关系类型,提取由BP神经网络判定为线变关系有误(线路挂错、变比计错)的变压器清单,将其作为电网公司的线损治理项目组的重点排查对象,可以极大的缩小排查范围,减轻现场工作量,提高线损治理效率。
在本发明实施例的一个具体应用场景中,以某市开展10kV线变关系治理工作前一个月的18条10kV线路及其所挂接的461个变压器的电量数据为例进行线变关系的检测。结合实际情况,变压器线变关系错误主要表现在两个方面:变压器挂接在错误的线路上和电网GIS***记录的电能表倍率与现场不符,简称线路挂错和变比记错。本例461个变压器的线变关系分布情况实际如表1所示:
表1线变关系分布情况
首先通过电网公司的用户电量采集***获得在2017年6月某市18条10kV线路及其所挂接461个变压器的电量信息,具体包括各10kV线路的日输入电量和各线路所挂接的变压器日用电量数据,经预处理后分别计算各线路的日线损电量,以这三类电量数据作为本例的原始数据,已知各变压器的线变关系是为了验证本申请中所述方法的有效性,以其中一条A线为例,电量数据形式如表2所示;
表2 A线30天电量数据和线变关系
然后从电量数据之间的关系出发,选取12个特征构成初选特征集,包括线路日输入电量和变压器日用电量之间的第一相关系数、第一离散系数比、第一电量差值比、第一轮廓系数比a1、第一轮廓系数比b1、第一轮廓系数比c1,以及线路日线损电量和变压器日用电量之间的第二相关系数、第二离散系数比、第二电量差值比、第二轮廓系数比a2、第二轮廓系数比b2、第二轮廓系数比c2,并用F1~F12依次表示12个初选特征。表3给出以A线为例的12个初选特征计算结果。
表3 A线路线变关系的初选特征计算结果
为消除不同数据之间的量纲,便于特征优选以及神经网络训练,需对初选特征集进行归一化处理,然后获得用于线变关系分类的样本集。该样本集由461个样本组成,每个样本包括12个归一化特征量和1个类别标签,其中3类线变关系样本(线路挂错、变比记错、线变正确)的类别标签依次为1、2、3。本例使用MATLAB R2017a软件,利用mRMR算法实现选择与类别具有最大相关性且相互之间具有最小冗余性的最优特征子集,表4给出了mRMR算法按照序贯前向搜索法依次筛选出的特征量顺序。
表4序贯前向搜索法的特征量筛选顺序
根据表4,依次提取排序靠前的前1至前12个初选特征构成最优特征子集;然后分别从以上特征子集中随机取出139个样本作为测试样本用于检验分类精度,剩下的322个样本作为训练样本用于BP神经网络的训练,训练样本和测试样本中各类别的样本数目分布要求如表5所示;
表5训练样本和测试样本分布情况
然后利用BP神经网络对训练样本进行5折交叉验证,神经网络模型输出为变压器的线变关系类别,并以平均分类精度评估该模型的分类能力,最后用测试样本检验该模型有效性。BP神经网络构建的关键参数如下:采用3层BP神经网络(单隐含层),输入层节点数为1至12,隐含层节点数为10,输出层节点数为3;将3种输出线变关系类型线路挂错、变比记错和正常线变,分别用(100)、(010)、(001)表示;选取Sigmoid型正切函数tan-sigmoid作为输入层和隐含层的传递函数,选取线性传递函数pureline作为输出层的传递函数;训练函数采用“traingdx”,阈值和权值的学习函数采用梯度下降动量函数“learngdm”,学习率取0.01,性能函数采用均方差函数“mse”;迭代次数设为2000次,训练目标误差为1e-8。
最优特征子集的目标维数为d,是通过比较训练样本的平均分类精度来确定的。依次设置最优特征子集的维度为1到12,通过比较训练样本的平均分类精度来选择最佳特征个数。
本实施例中不同特征个数对应的分类精度结果如图2所示。由图2可知,当最优特征子集的特征个数逐个增加时,线变关系的分类精度提高,并且当特征个数为6时,分类精度达到最高。之后,随着特征个数的增加,分类精度略微下降且维持在一个较为恒定的值,这说明超过6个特征量的特征子集里面存在冗余特征,甚至某些特征对分类识别存在副作用。因此在本实施例中,当最优特征子集的特征个数为6时,所选特征包括F9、F1、F7、F8、F5、F3,此时BP神经网络的分类精度达78.32%。
使用测试样本检验使用此方法进行分类的正确性,检验结果如表6
表6测试样本检验结果
由表6可知,测试样本的总体分类精度达77.7%,且两类线路挂错和变比记错的样本分类精度均超过65%,分类效果较好,验证了本申请所提基于mRMR和BP神经网络的配电线路线变关系校验方法的有效性,在实际应用中,利用BP神经网络输出每个变压器的线变关系类型,提取由BP神经网络判定为线变关系有误(线路挂错、变比计错)的变压器清单,将其作为电网公司的线损治理项目组的重点排查对象,可以极大的缩小排查范围,减轻现场工作量,提高线损治理效率。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种配电线路线变关系检测方法,其特征在于:包括如下步骤:
S1,采集配电线路的线路日输入电量和与该配电线路相连的各个变压器的变压器日用电量,采集周期至少为1个月,将配电线路线变关系分为三类别:线路挂错类、变比计错类和正常线变类;
S2,对线路日输入电量和与其挂接的各个变压器日用电量进行数据预处理,并计算线路日线损电量;
S3,选取特征变量,构成初选特征集,所述初选特征集由12个特征构成,所述12个特征分别为:第一相关系数、第一离散系数比、第一电量差值比、第一轮廓系数比a1、第一轮廓系数比b1、第一轮廓系数比c1,第二相关系数、第二离散系数比、第二电量差值比、第二轮廓系数比a2、第二轮廓系数比b2和第二轮廓系数比c2;并用F1~F12依次表示这12个特征;
S4,利用mRMR算法选择与类别具有最大相关性且相互之间具有最小冗余性的最优特征子集,具体步骤如下:
S41、初选特征集S(m×12),由m个样本构成,每个样本具有12个初选特征F1~F12;各变压器对应的线变关系类别C分为三类:线路挂错、变比计错和正常线变,其类别标签分别用1、2、3表示;
S42、对初选特征集进行归一化处理;
S43、设定最优特征子集的目标维数为d,从12个初选特征中选取d个特征构成最优特征子集;
根据下列表达式依次计算特征与类别之间、特征与特征之间的相关性度量:
其中,S为特征集合,|S|为该特征集合的特征个数;C为目标类别;I(Fi,C)为特征Fi和类别C之间的互信息值,I(Fi,Fj)为特征Fi和特征Fj之间的互信息值,D为特征与类别之间的相关性度量;R为特征与特征之间的相关性度量;
S44、将表达式(11)和(12)进行组合,得到mRMR特征选择算法的计算准则,即最大相关最小冗余准则:
其中,D为特征与类别之间的相关性度量;R为特征与特征之间的相关性度量;Φ(D,R)表示相关与冗余的差值;该式表示依次选择与类别高度相关而与已选特征较小冗余的备选特征构成最优特征子集;
S45、特征搜索方法:利用序贯前向选择法寻找最优特征子集,首先根据式(11)确定第一个与类别最相关的特征并加入到特征子集Sp,其他特征计算后加入,具体为:确定一个由p个特征组成的特征子集Sp,其中p<d,d为最优特征子集的特征个数,下一步需要从数据集{S-Sp}中选择使得式(14)最大化的第p+1个特征为
其中,S为特征集合,Sp为由p个特征组成的特征子集,I为特征之间的互信息值,C为目标类别;
S46、记录依次加入特征子集Sp的备选特征的先后顺序,设定最优特征子集的目标维数为d,从初选特征集中依次搜索与类别最大相关且相互之间冗余度最小的d个初选特征构成最优特征子集,即选择前d个特征构成最优特征子集,其中d≤12;
S5、将需要检测线路的最优特征子集作为BP神经网络的输入特征向量,利用BP神经网络输出每个变压器的线变关系类型,提取由BP神经网络判定为线变关系有误的变压器清单,将其作为电网公司的线损治理项目组的重点排查对象;
步骤S3具体包括以下步骤:
S31、线路日输入电量按采集顺序组成配电线路日输入电量序列,变压器日用电量也按采集顺序组成变压器日用电量序列,每个变压器都有一个变压器日用电量序列,并且与线路日输入电量的采集时间点相对应;
S32、计算第一相关系数:即线路日输入电量序列与变压器日用电量序列的皮尔逊相关系数;
S33、计算第一离散系数比:即变压器用电量离散系数与线路输入电量离散系数的比值,第一离散系数比=变压器用电量离散系数/线路输入电量离散系数;
S34、计算第一电量差值比:日电量差值比=(变压器当日用电量-变压器昨日用电量)/(线路当日输入电量-线路昨日输入电量);对所有的日电量差值比取平均数,表示为第一电量差值比;
S35、计算第一轮廓系数比:根据变压器用电量序列和线路输入电量序列,做以采集日期为横坐标、每日电量数据为纵坐标的电量曲线,即用电量曲线和输入电量曲线;对这两类电量曲线,确定电量曲线的起始点和末尾点,以及排除起始点和末尾点后的峰值点、谷值点,并将起始点和末尾点的斜率A、末尾点和峰值点的斜率B,以及峰值点和估值点的斜率C作为衡量电量曲线轮廓的特征变量,据此得到变压器用电量曲线的轮廓系数A1、轮廓系数B1、轮廓系数C1,线路输入电量曲线的轮廓系数A2、轮廓系数B2、轮廓系数C2;最后计算第一轮廓系数比a1=A1/A2,b1=B1/B2,c1=C1/C2;
S36、每日线路线损电量按顺序组成线路线损电量序列;
S37、计算第二相关系数:即线路日线损电量序列与变压器日用电量序列的皮尔逊相关系数;
S38、计算第二离散系数比:即变压器用电量离散系数与线路线损电量离散系数的比值;第二离散系数比=变压器用电量离散系数/线路线损电量离散系数;
S39、计算第二电量差值比:日电量差值比=(变压器当日用电量-变压器昨日用电量)/(线路当日线损电量-线路昨日线损电量);对所有的日电量差值比取平均数,表示为第二电量差值比;
S310、计算第二轮廓系数比:根据变压器用电量序列和线路线损电量序列,做以采集日期为横坐标、每日电量数据为纵坐标的电量曲线,即用电量曲线和线损电量曲线;对这两类电量曲线,确定电量曲线的起始点和末尾点,以及排除起始点和末尾点后的峰值点、谷值点,并将起始点和末尾点的斜率A、末尾点和峰值点的斜率B、峰值点和估值点的斜率C作为衡量电量曲线轮廓的特征变量,据此得到变压器用电量曲线的轮廓系数A1、轮廓系数B1、轮廓系数C1,线路线损电量曲线的轮廓系数A3、轮廓系数B3、轮廓系数C3;最后计算各第二轮廓系数比a2=A1/A3,b2=B1/B3,c2=C1/C3;
S311、最后,共选取12个特征构成初选特征集,12个特征分别为:输入电量和用电量之间的第一相关系数、第一离散系数比、第一电量差值比、第一轮廓系数比a1、第一轮廓系数比b1、第一轮廓系数比c1,以及线损电量和用电量之间的第二相关系数、第二离散系数比、第二电量差值比、第二轮廓系数比a2、第二轮廓系数比b2和第二轮廓系数比c2,并用F1~F12依次表示这12个特征。
2.根据权利要求1所述的配电线路线变关系检测方法,其特征在于:步骤S2具体包括以下步骤:
S21、对采集的线路日输入电量和与其挂接的各个变压器日用电量数据进行检查,查找缺失和异常数据;
S22、处理电量数据缺失:对数据缺失量大于采集量20%的变压器予以剔除;对数据缺失量小于采集量20%的变压器缺失数据以其最邻近的两个正常数据的均值代替;
S23、处理电量数据异常暴增或暴跌:对数据异常量高于采集量20%的变压器予以剔除;对异常量低于采集量10%的变压器异常点数据以其最邻近的两个正常数据的均值代替;对异常量高于采集量10%但低于采集量20%的,利用平滑修正表达式对异常数据值点进行修正和替代;
S24、利用预处理后的线路日输入电量和与其挂接的各个变压器日用电量数据,计算每日的线路线损电量,每日线路线损电量=线路日输入电量-∑变压器日用电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810995902.1A CN109308571B (zh) | 2018-08-29 | 2018-08-29 | 配电线路线变关系检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810995902.1A CN109308571B (zh) | 2018-08-29 | 2018-08-29 | 配电线路线变关系检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109308571A CN109308571A (zh) | 2019-02-05 |
CN109308571B true CN109308571B (zh) | 2021-06-11 |
Family
ID=65224197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810995902.1A Active CN109308571B (zh) | 2018-08-29 | 2018-08-29 | 配电线路线变关系检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308571B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244123B (zh) * | 2019-06-24 | 2021-07-02 | 国网江西省电力有限公司鹰潭供电分公司 | 一种基于线变关系识别装置的降阶广义积分器谐振点检测方法 |
CN110298398B (zh) * | 2019-06-25 | 2021-08-03 | 大连大学 | 基于改进互信息的无线协议帧特征选择方法 |
CN110874373A (zh) * | 2019-12-10 | 2020-03-10 | 杭州岑石能源科技有限公司 | 一种基于机器学习stacking模型的线变关系判定方法 |
CN111080118B (zh) * | 2019-12-12 | 2023-09-29 | 国家电网有限公司大数据中心 | 一种新能源并网数据的质量评估方法及评估*** |
CN111191915B (zh) * | 2019-12-27 | 2023-05-30 | 国网浙江海盐县供电有限公司 | 一种基于配电网运行数据的10kV双电源用户线变关系分析方法 |
CN111445108B (zh) * | 2020-03-03 | 2021-08-13 | 国网江苏省电力有限公司电力科学研究院 | 数据驱动的配电网线变关系诊断方法、装置及*** |
CN111860885B (zh) * | 2020-07-07 | 2024-04-05 | 智能云科(沈阳)信息科技有限公司 | 一种工艺路线异常的识别方法 |
CN112257953B (zh) * | 2020-11-03 | 2021-09-24 | 上海电力大学 | 一种基于极地新能源发电功率预测的数据处理方法 |
CN112183676A (zh) * | 2020-11-10 | 2021-01-05 | 浙江大学 | 一种基于混合降维与核函数极限学习机的水质软测量方法 |
CN112564095B (zh) * | 2020-12-01 | 2022-07-26 | 国网河南省电力公司电力科学研究院 | 一种配电网线变关系数据校验方法和*** |
CN113866708B (zh) * | 2021-12-06 | 2022-03-25 | 青岛鼎信通讯股份有限公司 | 一种基于智能断路器的电能表计量误差分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105588995A (zh) * | 2015-12-11 | 2016-05-18 | 深圳供电局有限公司 | 一种电力计量自动化***线损异常检测方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN107832927A (zh) * | 2017-10-25 | 2018-03-23 | 国网冀北电力有限公司电力科学研究院 | 基于灰色关联分析法的10kV线路线变关系评价方法 |
-
2018
- 2018-08-29 CN CN201810995902.1A patent/CN109308571B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105588995A (zh) * | 2015-12-11 | 2016-05-18 | 深圳供电局有限公司 | 一种电力计量自动化***线损异常检测方法 |
CN107255785A (zh) * | 2017-04-28 | 2017-10-17 | 南京邮电大学 | 基于改进mRMR的模拟电路故障诊断方法 |
CN107832927A (zh) * | 2017-10-25 | 2018-03-23 | 国网冀北电力有限公司电力科学研究院 | 基于灰色关联分析法的10kV线路线变关系评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109308571A (zh) | 2019-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308571B (zh) | 配电线路线变关系检测方法 | |
Wang et al. | Population-based intelligent search in reliability evaluation of generation systems with wind power penetration | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN109002933B (zh) | 基于ReliefF和t-SNE的配电线路线变关系模型优化方法 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN113126019B (zh) | 一种智能电表误差远程估计方法、***、终端和存储介质 | |
CN110298574B (zh) | 一种基于卷积神经网络的用电用户缴费风险评级方法 | |
CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及*** | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN114065605A (zh) | 一种智能电能表运行状态检测评估***和方法 | |
CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及*** | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN106548284A (zh) | 一种面向运行调控的自适应模块化电网安全预警评价方法 | |
CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
Zhou et al. | Statistics-based method for large-scale group decision-making with incomplete linguistic distribution fuzzy information: Incorporating reliability and entropy | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN115130924A (zh) | 一种源网荷储背景下微电网电力设备资产评估方法及*** | |
CN112347655B (zh) | 一种基于机组运行性能评估的风电场理论功率计算方法 | |
CN114818940A (zh) | 基于gan处理不平衡数据的线变关系识别方法 | |
CN114971272A (zh) | 一种中压配电网网格化规划评价方法及*** |
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 |