CN110136023A - 基于自适应增强学习的输电线路覆冰风险预测 - Google Patents
基于自适应增强学习的输电线路覆冰风险预测 Download PDFInfo
- Publication number
- CN110136023A CN110136023A CN201910243750.4A CN201910243750A CN110136023A CN 110136023 A CN110136023 A CN 110136023A CN 201910243750 A CN201910243750 A CN 201910243750A CN 110136023 A CN110136023 A CN 110136023A
- Authority
- CN
- China
- Prior art keywords
- ice
- icing
- procedure
- parameter
- covering
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 7
- 230000002708 enhancing effect Effects 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 239000013307 optical fiber Substances 0.000 claims abstract description 10
- 239000002131 composite material Substances 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 239000011248 coating agent Substances 0.000 abstract description 4
- 238000000576 coating method Methods 0.000 abstract description 4
- 230000005611 electricity Effects 0.000 abstract description 3
- 241001269238 Data Species 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 230000012010 growth Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000007773 growth pattern Effects 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0616—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material of coating
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Life Sciences & Earth Sciences (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)
- General Business, Economics & Management (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
一种基于自适应增强学习的输电线路覆冰风险预测,包括学习部分,参数确定部分,其特征在于,在参数确定部分中,先进行参数的确定,获得初始训练集,再基于初始训练集进行学习部分,所述参数确定步骤包括,设备台账数据、覆冰在线监测数据、外部气象环境数据、光纤复合架空地线覆冰荷载监测,其有益效果是:用输电线路覆冰相关的设备台账、在线监测、外部气象环境等历史数据进行模型学习和训练,建立覆冰发生风险和覆冰载荷估算的机器学习模型;对当前时刻输电线路数据(尤其是未安装覆冰在线监测终端或复合架空地线覆冰荷载监测***的线路)进行相应的预测分析,得出当前线路是否会发生覆冰或者实际覆冰载荷及厚度的预测数据。
Description
技术领域
本发明涉及输电线路覆冰分析领域,特别是一种基于自适应增强学习的输电线路覆冰风险预测。
背景技术
随着电网在线监测技术的发展,输电线路覆冰数据种类越来越越多,各种各样的异构大数据不断增长,传统数据分析方法与模型已不能满足日益增长的覆冰数据需求。因此,采用机器学习方法对大规模异构性覆冰数据进行分析,构建有效地覆冰预测模型与覆冰风险管理方法,对于提前预防区域电网冰冻灾害、保障电网安全稳定运行具有十分重要的科学意义和应用前景。
发明内容
本发明的目的是为了解决上述问题,设计了一种集成机器学习的输电线路覆冰风险预测。具体设计方案为:
一种基于集成机器学习的输电线路覆冰风险预测,包括学习部分,参数确定部分,在参数确定部分中,先进行参数的确定,获得初始训练集,再基于初始训练集进行学习部分,
所述参数确定步骤包括,设备台账数据、覆冰在线监测数据、外部气象环境数据、光纤复合架空地线覆冰荷载监测。
在所述学习部分中,包括学习步骤、调整步骤、加权步骤、分析步骤,所述学习步骤、调整步骤依次交替往复进行多次,然后依次进行加权步骤、分析步骤。
所述学习步骤中,先从初始训练集训练出一个基学习器,获得一次基础训练样本,
所述调整步骤中,根据基学习器的表现对一次基础训练样本分布进行调整,使得先前基学习器做错的训练样本在后续得到纠正,获得一次调整训练样本和对应的权重值,
替进行的第二次学习步骤中,基于所述一次调整训练样本分布来训练下一个基学习器,获得二次基础样本,
交替进行的第二次调整步骤中,根据基学习器的表现对二基础训练样本分布进行调整,使得先前基学习器做错的训练样本在后续得到纠正,获得二次调整训练样本和对应的权重值,
依次交替进行学习步骤、调整步骤T次。
所述设备台账数据的参数包括线路名称(编号)、电压等级、杆塔类型、导线类型及具体参数,杆塔GIS坐标、海拔高度、周边地形地貌。
覆冰在线监测数据的参数包括终端类型、生产厂家、位置,覆冰时间、温度、湿度、风向、覆冰重量、覆冰厚度、最大拉力、最大拉力时风偏角、最大拉力时倾斜角,导线负荷、温度。
所述外部气象环境数据参数包括对于未安装覆冰监测装置的线路杆塔,采用地方气象部门提供的相关数据,包括温度、湿度、风向、风速、降水。
光纤复合架空地线覆冰荷载监测的参数包括内部光纤温度、应变值和应力,覆冰荷载。
所述加权步骤中,将这T次基学习器进行加权结合,基于“加性模型”,即基学习器的线性组合来最小化指数损失函数的分析算法。
所述分析步骤中,使用所述分析算法对冰层进行分析。
通过本发明的上述技术方案得到的集成机器学习的输电线路覆冰风险预测,其有益效果是:
利用输电线路覆冰相关的设备台账、在线监测、外部气象环境等历史数据进行模型学习和训练,建立覆冰发生风险和覆冰载荷估算的机器学习模型;对当前时刻输电线路数据(尤其是未安装覆冰在线监测终端或复合架空地线覆冰荷载监测***的线路)进行相应的预测分析,得出当前线路是否会发生覆冰或者实际覆冰载荷及厚度的预测数据。
附图说明
图1是本发明实际测试集覆冰情况结果。
图2是本发明测试集预测的覆冰情况结果。
图3是本发明测试集覆冰厚度增长实际值结果。
图4是本发明测试集覆冰厚度增长预测值与实际值比较。
具体实施方式
下面结合附图对本发明进行具体描述。
一种基于集成机器学习的输电线路覆冰风险预测,包括学习部分,参数确定部分,在参数确定部分中,先进行参数的确定,获得初始训练集,再基于初始训练集进行学习部分,
所述参数确定步骤包括,设备台账数据、覆冰在线监测数据、外部气象环境数据、光纤复合架空地线覆冰荷载监测。
在所述学习部分中,包括学习步骤、调整步骤、加权步骤、分析步骤,所述学习步骤、调整步骤依次交替往复进行多次,然后依次进行加权步骤、分析步骤。
所述学习步骤中,先从初始训练集训练出一个基学习器,获得一次基础训练样本,
所述调整步骤中,根据基学习器的表现对一次基础训练样本分布进行调整,使得先前基学习器做错的训练样本在后续得到纠正,获得一次调整训练样本和对应的权重值,
交替进行的第二次学习步骤中,基于所述一次调整训练样本分布来训练下一个基学习器,获得二次基础样本,
交替进行的第二次调整步骤中,根据基学习器的表现对二基础训练样本分布进行调整,使得先前基学习器做错的训练样本在后续得到纠正,获得二次调整训练样本和对应的权重值,
依次交替进行学习步骤、调整步骤T次。
所述设备台账数据的参数包括线路名称(编号)、电压等级、杆塔类型、导线类型及具体参数,杆塔GIS坐标、海拔高度、周边地形地貌。
覆冰在线监测数据的参数包括终端类型、生产厂家、位置,覆冰时间、温度、湿度、风向、覆冰重量、覆冰厚度、最大拉力、最大拉力时风偏角、最大拉力时倾斜角,导线负荷、温度。
所述外部气象环境数据参数包括对于未安装覆冰监测装置的线路杆塔,采用地方气象部门提供的相关数据,包括温度、湿度、风向、风速、降水。
光纤复合架空地线覆冰荷载监测的参数包括内部光纤温度、应变值和应力,覆冰荷载。
所述加权步骤中,将这T次基学习器进行加权结合,基于“加性模型”,即基学习器的线性组合来最小化指数损失函数的分析算法。
所述分析步骤中,使用所述分析算法对冰层进行分析。
实施例1 覆冰厚度预测
使用自适应增强学习做覆冰增长做预测,选取的特征参数不变,根据这些特征参数给出此时刻至下一时刻覆冰增长量大小的预测。
以某110kV线路杆塔为例,使用支持向量回归(SVR)的方法预测覆冰增长量。得到了2014年2月6日至2月15日和2015年1月28日至2月7日两个时间段的线路信息,包括时间,温度,湿度,线路覆冰厚度,电压等级,线路容量,导线***,导线面积,导线设计电流,降水量,光照强度,风速和实际电流,这些信息包含线路设计时规定的信息以及运行中传感器测量得到的信息。其中,导线设计电流可以由电压等级,线路容量计算得出,光照强度可以由相应传感器测量得到,当该项数据为空时,可以从内置的典型气象参数曲线中读取出来。实际电流由变电站或电流互感器测量,在本仿真中对于2014年的数据假设实际电流为300A,对于2015年的数据假设实际电流为250A。
由于考虑到本时刻的覆冰厚度是否增长不止取决于本时刻的线路运行状态和气象条件,也与之前时刻的气象条件有关,因此引入相空间重构的方法,引入之前10,20,40,60,90,120,180,300分钟时刻时的温度作为参数值。同时,认为覆冰厚度的增长与低温度的长时间持续有关,因此引入本时刻之前1小时内的温度积分值作为参数,即认为:
同时,由于得到的数据中含有人工干预或自然融冰使得覆冰厚度减小的情况,对于算法的训练而言没有意义,因此预先将覆冰厚度减小的数据去除。
训练决策树得到的混淆矩阵如下:
Predict=0 | Predict=1 | |
Actual=0 | 167 | 64 |
Actual=1 | 82 | 3941 |
决策树在测试集上整体的准确度为96.6%。
图4是本发明训练集和测试集覆冰厚度增长预测值与实际值比较,使用支持向量回归对线路覆冰厚度的增量做预测。输入参数即前文中经过相空间重构给出的参数,输出为本时刻覆冰厚度的增量,训练集和测试集决策树的训练集和测试集相同。支持向量机使用高斯核,使用,取C=0.2。得到的结果使用了2384台支持向量机,训练集误差为0.28%。在训练集和测试集上整体的回归结果和实际结果对比如下图,预测结果与覆冰实际增长情况基本吻合。
上述技术方案仅体现了本发明技术方案的优选技术方案,本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理,属于本发明的保护范围之内。
Claims (8)
1.一种基于自适应增强学习的输电线路覆冰风险预测,包括学习部分,参数确定部分,其特征在于,在参数确定部分中,先进行参数的确定,获得初始训练集,再基于初始训练集进行学习部分,
所述参数确定步骤包括,设备台账数据、覆冰在线监测数据、外部气象环境数据、光纤复合架空地线覆冰荷载监测,
在所述学习部分中,包括学习步骤、调整步骤、加权步骤、分析步骤,所述学习步骤、调整步骤依次交替往复进行多次,然后依次进行加权步骤、分析步骤。
2.根据权利要求1中所述的基于自适应增强学习的输电线路覆冰风险预测,其特征在于,所述学习步骤中,先从初始训练集训练出一个基学习器,获得一次基础训练样本,
所述调整步骤中,根据基学习器的表现对一次基础训练样本分布进行调整,使得先前基学习器做错的训练样本在后续得到纠正,获得一次调整训练样本和对应的权重值,
交替进行的第二次学习步骤中,基于所述一次调整训练样本分布来训练下一个基学习器,获得二次基础样本,
交替进行的第二次调整步骤中,根据基学习器的表现对二基础训练样本分布进行调整,使得先前基学习器做错的训练样本在后续得到纠正,获得二次调整训练样本和对应的权重值,
依次交替进行学习步骤、调整步骤T次。
3.根据权利要求1中所述的基于集成机器学习的输电线路覆冰风险预测,其特征在于,所述设备台账数据的参数包括线路名称(编号)、电压等级、杆塔类型、导线类型及具体参数,杆塔GIS坐标、海拔高度、周边地形地貌。
4.根据权利要求1中所述的基于集成机器学习的输电线路覆冰风险预测,其特征在于,覆冰在线监测数据的参数包括终端类型、生产厂家、位置,覆冰时间、温度、湿度、风向、覆冰重量、覆冰厚度、最大拉力、最大拉力时风偏角、最大拉力时倾斜角,导线负荷、温度。
5.根据权利要求1中所述的基于集成机器学习的输电线路覆冰风险预测,其特征在于,所述外部气象环境数据参数包括对于未安装覆冰监测装置的线路杆塔,采用地方气象部门提供的相关数据,包括温度、湿度、风向、风速、降水。
6.根据权利要求1中所述的基于集成机器学习的输电线路覆冰风险预测,其特征在于,光纤复合架空地线覆冰荷载监测的参数包括内部光纤温度、应变值和应力,覆冰荷载。
7.根据权利要求2中所述的基于集成机器学习的输电线路覆冰风险预测,其特征在于,所述加权步骤中,将这T次基学习器进行加权结合,基于“加性模型”,即基学习器的线性组合来最小化指数损失函数的分析算法。
8.根据权利要求2中所述的基于集成机器学习的输电线路覆冰风险预测,其特征在于,所述分析步骤中,使用所述分析算法对冰层进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243750.4A CN110136023A (zh) | 2019-03-28 | 2019-03-28 | 基于自适应增强学习的输电线路覆冰风险预测 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910243750.4A CN110136023A (zh) | 2019-03-28 | 2019-03-28 | 基于自适应增强学习的输电线路覆冰风险预测 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110136023A true CN110136023A (zh) | 2019-08-16 |
Family
ID=67568717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910243750.4A Pending CN110136023A (zh) | 2019-03-28 | 2019-03-28 | 基于自适应增强学习的输电线路覆冰风险预测 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136023A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702015A (zh) * | 2019-09-26 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 输电线路覆冰厚度测量方法及装置 |
CN110782081A (zh) * | 2019-10-21 | 2020-02-11 | 苏州深蓝空间遥感技术有限公司 | 一种天地联合覆冰的预测预警***及预测预警方法 |
CN111210086A (zh) * | 2020-01-15 | 2020-05-29 | 杭州华网信息技术有限公司 | 一种国家电网覆冰灾害预测方法 |
CN111241701A (zh) * | 2020-01-19 | 2020-06-05 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种基于支持向量回归计算区域覆冰量级的方法 |
CN111489025A (zh) * | 2020-04-08 | 2020-08-04 | 成都卡普数据服务有限责任公司 | 一种类别失衡的架空输电线路覆冰预测方法 |
CN111539842A (zh) * | 2020-04-08 | 2020-08-14 | 成都思晗科技股份有限公司 | 基于气象和地理环境的架空输电线路覆冰预测方法 |
CN112345128A (zh) * | 2020-09-22 | 2021-02-09 | 国家电网有限公司 | 一种架空输电线路导地线机械力学监测分析方法 |
CN112464536A (zh) * | 2020-12-09 | 2021-03-09 | 国网湖南省电力有限公司 | 输电线路覆冰故障预测的方法、装置、计算机设备和介质 |
CN112508296A (zh) * | 2020-12-16 | 2021-03-16 | 国网湖南省电力有限公司 | 考虑太阳辐射消融的输电线路覆冰厚度预测方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9389630B2 (en) * | 2014-02-21 | 2016-07-12 | International Business Machines Corporation | Predictive smart grid re-structuring based on expected load and power generation |
CN107092982A (zh) * | 2017-04-11 | 2017-08-25 | 北京国网富达科技发展有限责任公司 | 一种电网覆冰预报方法及装置 |
CN109214675A (zh) * | 2018-08-28 | 2019-01-15 | 华北电力大学 | 一种输电线路覆冰风险评估方法 |
-
2019
- 2019-03-28 CN CN201910243750.4A patent/CN110136023A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9389630B2 (en) * | 2014-02-21 | 2016-07-12 | International Business Machines Corporation | Predictive smart grid re-structuring based on expected load and power generation |
CN107092982A (zh) * | 2017-04-11 | 2017-08-25 | 北京国网富达科技发展有限责任公司 | 一种电网覆冰预报方法及装置 |
CN109214675A (zh) * | 2018-08-28 | 2019-01-15 | 华北电力大学 | 一种输电线路覆冰风险评估方法 |
Non-Patent Citations (2)
Title |
---|
DONGXIAO NIU ET AL.: "Study on Prediction of Transmission line Icing Thickness Based on Adaboost and LS-WSVM", 《IJSSST.INFO ISSN:1473-804X ONLINE,1473-8031 PRINT》 * |
周志华: "《机器学习》", 31 January 2016, 清华大学出版社 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110702015B (zh) * | 2019-09-26 | 2021-09-03 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 输电线路覆冰厚度测量方法及装置 |
CN110702015A (zh) * | 2019-09-26 | 2020-01-17 | 中国南方电网有限责任公司超高压输电公司曲靖局 | 输电线路覆冰厚度测量方法及装置 |
CN110782081A (zh) * | 2019-10-21 | 2020-02-11 | 苏州深蓝空间遥感技术有限公司 | 一种天地联合覆冰的预测预警***及预测预警方法 |
CN110782081B (zh) * | 2019-10-21 | 2022-06-24 | 苏州深蓝空间遥感技术有限公司 | 一种天地联合覆冰的预测预警***及预测预警方法 |
CN111210086A (zh) * | 2020-01-15 | 2020-05-29 | 杭州华网信息技术有限公司 | 一种国家电网覆冰灾害预测方法 |
CN111210086B (zh) * | 2020-01-15 | 2023-09-22 | 国网安徽省电力有限公司宁国市供电公司 | 一种国家电网覆冰灾害预测方法 |
CN111241701A (zh) * | 2020-01-19 | 2020-06-05 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种基于支持向量回归计算区域覆冰量级的方法 |
CN111539842A (zh) * | 2020-04-08 | 2020-08-14 | 成都思晗科技股份有限公司 | 基于气象和地理环境的架空输电线路覆冰预测方法 |
CN111539842B (zh) * | 2020-04-08 | 2023-05-23 | 成都思晗科技股份有限公司 | 基于气象和地理环境的架空输电线路覆冰预测方法 |
CN111489025A (zh) * | 2020-04-08 | 2020-08-04 | 成都卡普数据服务有限责任公司 | 一种类别失衡的架空输电线路覆冰预测方法 |
CN111489025B (zh) * | 2020-04-08 | 2024-02-02 | 成都卡普数据服务有限责任公司 | 一种类别失衡的架空输电线路覆冰预测方法 |
CN112345128A (zh) * | 2020-09-22 | 2021-02-09 | 国家电网有限公司 | 一种架空输电线路导地线机械力学监测分析方法 |
CN112464536A (zh) * | 2020-12-09 | 2021-03-09 | 国网湖南省电力有限公司 | 输电线路覆冰故障预测的方法、装置、计算机设备和介质 |
CN112508296A (zh) * | 2020-12-16 | 2021-03-16 | 国网湖南省电力有限公司 | 考虑太阳辐射消融的输电线路覆冰厚度预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136023A (zh) | 基于自适应增强学习的输电线路覆冰风险预测 | |
Karimi et al. | Dynamic thermal rating of transmission lines: A review | |
CN105373857A (zh) | 一种光伏电站辐照度预测方法 | |
CN102945508A (zh) | 一种基于模型校正的风电功率预测预报***及方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN109409770A (zh) | 一种基于神经网络的农村电网智能水平评价方法 | |
CN110474339A (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN105389634A (zh) | 一种组合式短期风电功率预测***及方法 | |
CN106651225A (zh) | 智能电网示范工程综合评估方法和*** | |
CN110399634B (zh) | 一种基于天气***影响的预报区域确定方法及*** | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN110542879B (zh) | 电容式电压互感器运行性能变化趋势预测方法与*** | |
CN110210670A (zh) | 一种基于电力***短期负荷的预测方法 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN111091223B (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN115829145A (zh) | 一种光伏发电量预测***及方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析*** | |
KR20230076695A (ko) | 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 | |
CN113984198A (zh) | 一种基于卷积神经网络的短波辐射预测方法及*** | |
CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
Zhong et al. | Wind power forecasting and integration to power grids | |
Cao et al. | Development of short-term wind power forecasting methods | |
CN110188964B (zh) | 一种基于相关性的光伏出力预测方法 | |
de Araujo | Improvement of coding for solar radiation forecasting in Dili Timor Leste—A WRF case study | |
CN116231749A (zh) | 基于数字孪生的新能源电力***调度方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |