CN109582912B - 一种公共建筑电耗监测数据参数估计方法 - Google Patents
一种公共建筑电耗监测数据参数估计方法 Download PDFInfo
- Publication number
- CN109582912B CN109582912B CN201811373413.9A CN201811373413A CN109582912B CN 109582912 B CN109582912 B CN 109582912B CN 201811373413 A CN201811373413 A CN 201811373413A CN 109582912 B CN109582912 B CN 109582912B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- public building
- unit area
- function
- position parameter
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005315 distribution function Methods 0.000 claims abstract description 23
- 230000001186 cumulative effect Effects 0.000 claims abstract description 19
- 230000005611 electricity Effects 0.000 claims description 11
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 4
- 101150050759 outI gene Proteins 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000001131 transforming effect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 241000135164 Timea Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
-
- 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
- G06Q50/08—Construction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Algebra (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种公共建筑电耗监测数据参数估计方法,能够无需将非正态数据转换为正态数据,实现公共建筑电耗监测数据参数估计。本发明方法通过构造公共建筑单位面积电耗的经验累积分布函数来估计尺度参数;基于稳健统计理论构造公共建筑单位面积电耗的位置参数估计方程,运用Hampel准则函数,给靠近分布中心的数据较大的权重,给远离分布中心的数据较小的权重来估计公共建筑单位面积电耗的位置参数,通过试算法求解参数估计方程,因此无需对公共建筑电耗监测数据进行变换,就能直接估计其尺度参数和位置参数,克服了现有技术需要先对数据进行转换所带来的缺点。
Description
技术领域
本发明属于建筑能耗估计技术领域,具体涉及一种公共建筑电耗监测数据参数估计方法。
背景技术
基于公共建筑能耗监测平台监测到的电耗数据在不同的时间段内分布特征具有显著差异,呈现出典型的非正态分布特征。已有的公共建筑电耗监测数据的参数估计方法是先对数据进行转换,将非正态数据转换为正态数据后再进行参数估计。而常用的数据转换方法无法对所有时间段内监测到的电耗数据进行转换,对非正态数据进行正态转换无法保证可以减小数据的偏态性,基于转换后数据得出的参数估计结果可能会造成对原始数据的错误估计,且估计结果很难解释。因此,急需一种能够无需将非正态数据转换为正态数据,也能对非正态数据进行估计的方法。
发明内容
有鉴于此,本发明提供了一种公共建筑电耗监测数据参数估计方法,能够无需将非正态数据转换为正态数据,实现公共建筑电耗监测数据参数估计。
为实现上述目的,本发明提供了一种公共建筑电耗监测数据参数估计方法,包括如下步骤:
步骤1,对各公共建筑的单位面积电耗进行监测,得到样本数据I1,I2…Ii,…In,i=1,2……n,n为监测到的公共建筑数量;
步骤2,根据样本数据构造公共建筑单位面积电耗经验累积分布函数;
步骤3,对步骤2得到的公共建筑单位面积电耗经验累积分布函数进行线性插值,使其成为一个连续函数,得到连续—纠正后的经验累积分布函数Ψ;
步骤4,构建公共建筑单位面积电耗的尺度参数估计函数:
其中,S为公共建筑单位面积电耗的尺度参数,函数Φ-1是标准正态分布函数的反函数;函数Ψ-1是连续—纠正后的经验累积分布函数Ψ的反函数,γ=0.25;
步骤5,基于稳健统计理论,利用极大似然估计的原理得到样本数据构建的极大似然函数;
步骤6,求解公共建筑单位面积电耗位置参数的估计方程,实现公共建筑电耗监测数据的位置参数估计,包括如下子步骤:
然后给要估计的位置参数两边的数值不同的权重,并让参数估计方程等于0,找见对应的位置参数,实现公共建筑电耗监测数据位置参数估计。
其中,所述步骤6,具体包括如下步骤:
步骤6.1,获得Hampel估计准则函数的导数:
步骤6.2,基于公共建筑单位面积电耗的尺度参数S,对每一个公共建筑单位面积电耗的监测值Ii计算其插值节点:
τiσ=Ii+εσ·S (12)
获得所有监测值的所有插值节点,将所有插值节点进行升序排序得到序列{αm},其中m=1,2,...6n;
步骤6.3,基于步骤6.1获得的函数M(λ),针对序列{αm}中元素αm,计算:
如果χm=0,则αm是公共建筑单位面积电耗位置参数估计方程的一个解;
如果χm≠0:若χm+1·χm<0,则说明αm+1和αm中间存在使公共建筑单位面积电耗位置参数估计方程为0的解,通过线性插值法找到中间解:若χm+1·χm>0,则说明该公共建筑单位面积电耗位置参数估计方程无解。
步骤6.4,计算公共建筑单位面积电耗的位置参数:
将离中位数最近的值作为公共建筑单位面积电耗的位置参数:
μ*=min{|μ-MED(I1,I2,...,In)|;μ∈Ω} (15)
其中,Ω为公共建筑单位面积电耗位置参数估计方程的解集,MED为取中位值算子,μ*为最终得到的位置参数的估计值;
若存在两个及以上离中位数最近的解或参数方程无解,则将中位数作为公共建筑单位面积电耗的位置参数,实现公共建筑电耗监测数据的位置参数估计。
有益效果:
本发明方法通过构造公共建筑单位面积电耗的经验累积分布函数来估计尺度参数;基于稳健统计理论构造公共建筑单位面积电耗的位置参数估计方程,运用Hampel准则函数,给靠近分布中心的数据较大的权重,给远离分布中心的数据较小的权重来估计公共建筑单位面积电耗的位置参数,通过试算法求解参数估计方程,因此无需对公共建筑电耗监测数据进行变换,就能直接估计其尺度参数和位置参数,克服了现有技术需要先对数据进行转换所带来的缺点。
本发明方法基于格列汶科定理构造公共建筑单位面积电耗的经验累积分布函数,构造方式简便、高效。
附图说明
图1为本发明的一种公共建筑电耗监测数据参数估计方法流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明的一种公共建筑电耗监测数据参数估计方法,包括如下步骤:
步骤1,对各公共建筑的单位面积电耗进行监测,得到样本数据;
T时间内公共建筑能耗监测平台收集的一组样本数据为I1,I2…Ii,…In,n为监测到的公共建筑数量;I1,I2…Ii,…In表示公共建筑单位面积电耗值,单位为kWh/m2;
步骤2,根据样本数据构造公共建筑单位面积电耗的经验累积分布函数,包括如下子步骤:
步骤2.1,将I1,I2…Ii,…In两两作差并取绝对值,然后升序排序,得到公共建筑单位面积电耗偏差的集合,记为δ,δ的取值范围为0到数据集的最大偏差,集合δ中的第k个元素记为δk,其中k的取值范围为
步骤2.2,基于格列汶科定理构造关于δk的公共建筑单位面积电耗的经验累积分布函数Q(δk):
其中,δk表示函数Q(δk)的第k个间断点处自变量的值,δk的取值范围为0到集合δ中的最大元素;Ii,Ij分别为第i个和第j个公共建筑单位面积电耗值;为指示函数,当|Ii-Ij|≤δk时取值为1,否则取值为0。
其中,格列汶科定理的核心思想是当n趋于无穷大时,可以用经验累积分布函数去逼近实际累积分布函数。
步骤3,对步骤2得到的公共建筑单位面积电耗经验累积分布函数Q(δk)进行线性插值,对函数Q(δk)进行插值的目的是使其成为一个连续函数,并且保证当n→∞,Q(δk)→1。
Q(δk)进行线性插值后得到连续—纠正后的经验累积分布函数Ψ(δk):
其中,δk-1为集合δ中的第k-1个元素,表示函数Q(δk-1)的第k-1个间断点处自变量的值,Q(δk-1)为关于δk-1的公共建筑单位面积电耗的经验累积分布函数。
步骤4,构建公共建筑单位面积电耗的尺度参数估计函数:
其中,S为公共建筑单位面积电耗的尺度参数,函数Φ-1是标准正态分布函数的反函数;函数Ψ-1是连续—纠正后的经验累积分布函数Ψ的反函数,在公式(2)中已经得到函数Ψ(δk),在函数Ψ(δk)的反函数Ψ-1中使用了参数γ,因此Ψ-1已经和k没关系了。γ取Ψ-1函数定义域所形成集合的四分位点,γ=0.25;
位置参数估计的核心思想是利用极大似然估计的原理,在步骤1中已经得到了样本数据,那么让得到这些样本的概率最大,即似然函数取最大值。然后给似然函数两边同时乘以-1,这样就将问题转换为求样本数据构建的极大似然函数负值的最小值,但是这个最小值不好求,因此,求样本数据构建的极大似然函数负值的一阶导数,并令一阶导数等于0,这样就可以求解位置参数估计方程了。但是又因为不知道位置参数估计方程的具体形式,Hampel这个准则函数因为形式特殊,正好能满足要求,因此令公共建筑单位面积电耗位置参数的估计方程为Hampel估计准则函数的导数,然后进一步求解。其中,Hampel准则函数之所以能够满足要求的原因是,基于这个Hampel估计准则函数得到的权函数能给要估计的这个位置参数两边的数不同的权重,即靠近位置参数的数权重大,远离位置参数的数权重小。所以整个位置参数估计的核心思想就是给要估计的这个位置参数两边的数值不同的权重,并让参数估计方程等于0,这样就可以找见这个位置参数了。具体步骤如下:
步骤5,构造公共建筑单位面积电耗位置参数的估计方程,包括如下子步骤:
步骤5.1,获得公共建筑单位面积电耗的样本函数Y1,Y2…Yi,…Yn,Y1,Y2…Yi,…Yn所对应的一组监测值为I1,I2…Ii,…In;
步骤5.3,获得公共建筑单位面积电耗一组监测数据所对应的似然函数:
步骤5.4,对所述似然函数两边同时取对数,得到:
步骤6,求解公共建筑单位面积电耗位置参数的估计方程,实现公共建筑电耗监测数据的位置参数估计,包括如下子步骤:
步骤6.1,取Hampel估计准则函数:
对函数T(λ)求导得到函数M(λ):
对于M(λ)函数,调优参数取a=1.5,b=3,c=4.5:
步骤6.2,对每一个公共建筑单位面积电耗的监测值Ii计算其插值节点:
τiσ=Ii+εσ·S (12)
获得所有监测值的所有插值节点,将所有插值节点进行升序排序得到序列{αm},其中m=1,2,...6n;
步骤6.3,基于步骤6.1获得的函数M(λ),针对序列{αm}中元素αm,计算:
(1)如果χm=0,则αm是公共建筑单位面积电耗位置参数估计方程的一个解;
(2)如果χm≠0:
①若χm+1·χm<0,则说明αm+1和αm中间存在使公共建筑单位面积电耗位置参数估计方程为0的解,通过线性插值法找到这个中间解;
②若χm+1·χm>0,则说明该公共建筑单位面积电耗位置参数估计方程无解。
步骤6.4,计算公共建筑单位面积电耗的位置参数:
将离中位数最近的值作为公共建筑单位面积电耗的位置参数,即:
μ*=min{|μ-MED(I1,I2,...,In)|;μ∈Ω} (15)
其中,Ω为公共建筑单位面积电耗位置参数估计方程的解集,MED为取中位值算子,μ*为最终得到的位置参数的估计值;
若存在两个及以上离中位数最近的解或参数方程无解,则将中位数作为公共建筑单位面积电耗的位置参数,实现公共建筑电耗监测数据的位置参数估计。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种公共建筑电耗监测数据参数估计方法,其特征在于,包括如下步骤:
步骤1,对各公共建筑的单位面积电耗进行监测,得到样本数据I1,I2…Ii,…In,i=1,2……n,n为监测到的公共建筑数量;
步骤2,根据样本数据构造公共建筑单位面积电耗经验累积分布函数;
步骤3,对步骤2得到的公共建筑单位面积电耗经验累积分布函数进行线性插值,使其成为一个连续函数,得到连续—纠正后的经验累积分布函数Ψ;
步骤4,构建公共建筑单位面积电耗的尺度参数估计函数:
其中,S为公共建筑单位面积电耗的尺度参数,函数Φ-1是标准正态分布函数的反函数;函数Ψ-1是连续—纠正后的经验累积分布函数Ψ的反函数,γ=0.25;
步骤5,基于稳健统计理论,利用极大似然估计的原理得到样本数据构建的极大似然函数;
步骤6,求解公共建筑单位面积电耗位置参数的估计方程,实现公共建筑电耗监测数据的位置参数估计,包括如下子步骤:
然后给要估计的位置参数两边的数值不同的权重,并让参数估计方程等于0,找见对应的位置参数,实现公共建筑电耗监测数据位置参数估计。
2.如权利要求1所述的公共建筑电耗监测数据参数估计方法,其特征在于,所述步骤6,具体包括如下步骤:
步骤6.1,获得Hampel估计准则函数的导数:
步骤6.2,基于公共建筑单位面积电耗的尺度参数S,对每一个公共建筑单位面积电耗的监测值Ii计算其插值节点:
τiσ=Ii+εσ·S (12)
获得所有监测值的所有插值节点,将所有插值节点进行升序排序得到序列{αm},其中m=1,2,...6n;
步骤6.3,基于步骤6.1获得的函数M(λ),针对序列{αm}中元素αm,计算:
其中,χm为判别变量,用于判断式(13)的值是否为0;
如果χm=0,则αm是公共建筑单位面积电耗位置参数估计方程的一个解;
若χm+1·χm>0,则说明该公共建筑单位面积电耗位置参数估计方程无解;
步骤6.4,计算公共建筑单位面积电耗的位置参数:
将离中位数最近的值作为公共建筑单位面积电耗的位置参数:
μ*=min{|μ-MED(I1,I2,...,In)|;μ∈Ω} (15)
其中,Ω为公共建筑单位面积电耗位置参数估计方程的解集,MED为取中位值算子,μ*为最终得到的位置参数的估计值;
若存在两个及以上离中位数最近的解或参数方程无解,则将中位数作为公共建筑单位面积电耗的位置参数,实现公共建筑电耗监测数据的位置参数估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373413.9A CN109582912B (zh) | 2018-11-19 | 2018-11-19 | 一种公共建筑电耗监测数据参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373413.9A CN109582912B (zh) | 2018-11-19 | 2018-11-19 | 一种公共建筑电耗监测数据参数估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109582912A CN109582912A (zh) | 2019-04-05 |
CN109582912B true CN109582912B (zh) | 2021-02-02 |
Family
ID=65922734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811373413.9A Active CN109582912B (zh) | 2018-11-19 | 2018-11-19 | 一种公共建筑电耗监测数据参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109582912B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9129231B2 (en) * | 2009-04-24 | 2015-09-08 | Rockwell Automation Technologies, Inc. | Real time energy consumption analysis and reporting |
CN106599417A (zh) * | 2016-11-30 | 2017-04-26 | 中国电力科学研究院 | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 |
CN106681964A (zh) * | 2016-12-24 | 2017-05-17 | 天津大学 | 公共建筑能耗审计统计拆分方法 |
CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
CN108694473A (zh) * | 2018-06-15 | 2018-10-23 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的建筑物能耗预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7584082B2 (en) * | 2003-08-07 | 2009-09-01 | The Mathworks, Inc. | Synchronization and data review system |
-
2018
- 2018-11-19 CN CN201811373413.9A patent/CN109582912B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9129231B2 (en) * | 2009-04-24 | 2015-09-08 | Rockwell Automation Technologies, Inc. | Real time energy consumption analysis and reporting |
CN106599417A (zh) * | 2016-11-30 | 2017-04-26 | 中国电力科学研究院 | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 |
CN106681964A (zh) * | 2016-12-24 | 2017-05-17 | 天津大学 | 公共建筑能耗审计统计拆分方法 |
CN108320016A (zh) * | 2018-03-08 | 2018-07-24 | 南京工业大学 | 一种建筑能耗短期预测方法 |
CN108694473A (zh) * | 2018-06-15 | 2018-10-23 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的建筑物能耗预测方法 |
Non-Patent Citations (2)
Title |
---|
"Analysis of typical public building energy consumption in northern China";Hongting Ma 等;《Energy & Buildings》;20170615(第136期);第139-150页 * |
"上海市大型公共建筑能耗的贝叶斯统计分析";徐鹏涛 等;《上海师范大学学报(自然科学版)》;20170215(第2期);第169-177页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109582912A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416695B (zh) | 基于深度学习的电力负荷概率密度预测方法和***、介质 | |
CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
CN106645934B (zh) | 基于动态网格离群点的用电行为反窃电诊断方法和装置 | |
CN110377942B (zh) | 一种基于有限高斯混合模型的多模型时空建模方法 | |
CN111046564A (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN103902814B (zh) | 基于动态分区的电力***运行状态检测方法 | |
CN102819768B (zh) | 客流数据分析的方法及*** | |
CN112949026B (zh) | 一种考虑年龄和状态依赖的退化设备剩余寿命预测方法 | |
KR101660487B1 (ko) | 소비 특성에 따른 전력 소비량 예측 방법 및 장치 | |
CN105674943B (zh) | 一种通用的多点非线性整体变形预测方法 | |
CN108960334B (zh) | 一种多传感器数据加权融合方法 | |
KR20170122043A (ko) | 실시간 실내 공기질 이상치 제거 방법 및 장치 | |
EP2963552B1 (en) | System analysis device and system analysis method | |
CN106055846A (zh) | 一种基于bsnn‑arx的光伏逆变器模型辨识方法 | |
CN110442911B (zh) | 一种基于统计机器学习的高维复杂***不确定性分析方法 | |
CN108693483A (zh) | 一种电池包荷电状态的计算方法及*** | |
CN116680635A (zh) | 电力网故障位置推断法方法及*** | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN109901022B (zh) | 基于同步量测数据的配电网区域定位方法 | |
CN109582912B (zh) | 一种公共建筑电耗监测数据参数估计方法 | |
CN113552489B (zh) | 一种基于灰色神经网络的电站备用电源荷电状态估计方法 | |
Fatahi et al. | A bivariate control chart based on copula function | |
Li et al. | Bias reduction for endpoint estimation | |
CN107204616B (zh) | 基于自适应稀疏伪谱法的电力***随机状态估计方法 |
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 |