CN110210682A - 基于负载数据图像化卷积神经网络的配变重过载预警方法 - Google Patents
基于负载数据图像化卷积神经网络的配变重过载预警方法 Download PDFInfo
- Publication number
- CN110210682A CN110210682A CN201910506420.XA CN201910506420A CN110210682A CN 110210682 A CN110210682 A CN 110210682A CN 201910506420 A CN201910506420 A CN 201910506420A CN 110210682 A CN110210682 A CN 110210682A
- Authority
- CN
- China
- Prior art keywords
- data
- load
- convolutional neural
- neural networks
- image conversion
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 43
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000001131 transforming effect Effects 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000012935 Averaging Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000004048 modification Effects 0.000 claims abstract description 7
- 238000012986 modification Methods 0.000 claims abstract description 7
- 241001269238 Data Species 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims 2
- 230000035772 mutation Effects 0.000 claims 2
- 238000012937 correction Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract description 3
- 239000000284 extract Substances 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 230000002354 daily effect Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于负载数据图像化卷积神经网络的配变重过载预警方法,包括以下步骤:1)选择需要进行预测的对象提的电流数据并根据负载率计算公式转换成负载率,然后对负载率数据进行数据离散化处理;2),连续数据图像化;3),建立卷积神经网络并将图像化数据输入,并且对模型参数进行调优;4),使用短期平均负载率和天气预报的气象数据作为朴素贝叶斯算法的条件概率,建立修正算法模型;5),加入修正规则,对每个对象提取短期平均负载率特征,如果和长期负载率特征对比有30%以上的变化则使用朴素贝叶斯算法进行修正。本发明解决了配变重过载难以预测,只能依赖人工经验的方法,具有思路新颖,经济价值高,适合推广使用的优点。
Description
技术领域
本发明属于电力***分析计算领域,尤其涉及电力***配网变压器负载预测技术领域。
背景技术
目前配网变压器重过载预测主要由人工经验完成,根据变压器的短期历史特点进行经验预测,唯一的调节方法就是根据气象的预测数据进行小幅度的调整,然而由于配网变压器众多,人工经验很难对每一台变压器进行预测,通常是以区域或线路为单位进行,而且也无法综合比较久远的历史信息,不但耗时耗力,而且即使是同一区域或者同一条线路,所涉及到的用户也有很大不同,这样模糊的预测效果并不理想。近年来很多企业和院校都尝试使用大数据机器学***。
发明内容
综上所述,有必要提供一种新的智能化的配电网变压器重过载预测方法,可以以日为单位对配变重过载进行较为准确预测,提前错峰调控,部署相关检修人员,提高电网运行的稳定性。
基于负载数据图像化卷积神经网络的配变重过载预警方法,主要包括以下步骤:步骤X1,选择需要进行预测的对象提取出用电流数据并根据负载率计算公式转换成负载率数据,然后根据日平均方差对负载率数据进行数据清洗,之后将负载率数据进行数据离散化处理,按照每天的96条负载率数据化为一条日数据,96个间隔15分钟的连续负载率数据相当于这一条日数据的96个特征,或96个维度,并加入重过载标签,这是把回归问题转化为分类问题的重要一步;步骤X2,连续数据图像化,通常负载率变化比较频繁且幅度较大的变压器是较难预测的对象,一般每天24个小时中,越晚发生的高负载对第二天的负载影响越大,而具有周期波峰的变压器,则根据每日的用电高峰出现负载变化,跟高峰的发生早晚并无明显关系,既然目标是找到变压器的负载高峰,根据卷积在信号学中的应用可知,卷积计算可以充当信号的滤波器,将明显的信号加强,同时过滤掉弱信号,这一性质可以帮助我们提取负载率数据中的高负载信号,并且卷积可以考虑在当前时刻之前的信号对当前信号强度的影响,负载率也有同样的特征,如果一个变压器在一段时间内负载都很高,那么对于接下来时刻也会有较高影响,之后发生高负载的情况也会更多。卷积神经网络应用最成熟的领域就是图像识别,可以准确的提取图像的特征,同时模型区域权值共享,计算速度较快,因此将每日的96条数据转变为4*24的平面图象结构数据,相当于每个小时为图像的一行像素,便于卷积神经网络提取结构特征;步骤X3,将4*24的图像化数据输入卷积神经网络模型,为了突出边缘化特征,也就是峰值特征,使用3*3的卷积核提取峰值特征,激活函数选择RELU,并且对模型参数进行调优;步骤X4,使用短期平均负载率并加入天气预报的气象数据,作为朴素贝叶斯算法的条件概率公式:P{是否重过载|短期负载,气象},因为根据卷积神经网络模型训练集数据的长度较长,所以模型更偏重于提取长期特征,而有一些变压器在近期的负载率变化和以往相比有很大不同,因此由卷积神经网络所建立的模型并不能准确预测近期表现,所以提取近10天的负载率特征,结合气象因素的表现,建立朴素贝叶斯算法模型;步骤X5,加入朴素贝叶斯算法修正规则,对每个对象提取过去10天的短期平均负载率特征,如果和过去60天负载率特征对比有30%以上的变化则使用朴素贝叶斯算法进行修正,这样就可以对需要进行结果修正的变压器进行修正,而其他长期特征与近期特征变化不大的变压器则保留原卷积神经网络的预测结果。
本发明不需要对目标进行长点预测,只需要通过卷积核对图像化之后的数据进行图结构提取,结合朴素贝叶斯算法,应用变压器本身的历史负载率数据和气象数据,对非周期性非稳定性数据进行预测。本发明的主要特点是:
1.把连续型数据离散化,并转化为图像数据,完成了从回归预测到分类预测的转换;
2.数据离散化之后,对数据的连续性要求变弱,使得模型训练可以容忍更多的数据缺失;
3.通过重过载本身的特点,结合卷积神经网络的特征提取原理,应用卷积神经网络来提取负载率高点特征,并训练模型进行预测;
4.使用朴素贝叶斯算法结合气象数据和短期负载率特征对近期变化较大的变压器进行预测结果修正。
本发明的有益效果是,在脱离了连续数据限制的情况下,即使终端设备的数据采集有很多缺失依然可以训练出准确率较高的机器学习模型;并且通过将日数据变为图像数据结构,使得使用卷积神经网络成为可能,利用卷积核提取特征的原理和重过载特征吻合的特点,更准确的提取特征,并进行预测;同时由于使用了基于近期特征和气象数据的朴素贝叶斯算法,使得模型应对突变情况的能力上升。本发明具有思路新颖,通用性较好,经济价值高,适合推广使用的优点。
附图说明
图1为本发明提供流程图;
图2为本发明提供的卷积信号强度叠加示意图;
图3为本发明提供的RELU激活函数图;
图4为本发明提供的卷积神经网络结构图,由于连接过多,图只展示个别连接;
图5为本发明提供模型逻辑流程图。
具体实施方式
下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。
请参阅图1,图1为本发明提供的一一种基于负载数据图像化的卷积神经网络的配变重过载预警方法,主要包括以下步骤:
步骤X1,选择需要进行预测的对象提取出用电流数据并根据负载率计算公式转换成负载率数据,然后根据日平均方差,将方差值大于30的变压器定为异常变压器,如变压器异常数据过多则舍弃,异常数据不多则使用均值替代法将异常负载率替换,之后将负载率数据进行数据离散化处理,按照每天的96条负载率数据化为一条日数据,96个间隔15分钟的连续负载率数据相当于这一条日数据的96个特征,或96个维度,并加入日重过载标签,重过载标签标准按照南方电网标准,油浸式变压器连续2个小时80%以上负载率则计一次重载,连续2个小时100%以上负载率则计一次过载,干式变压器则是持续一小时,然后把重过载标签按日期向后移一位,将今天的负载率变化对应的重过载标签变为明天的是否重过载标签,就完成了普通分类向预测分类的转化,这是把回归预测问题转化为分类预测问题的重要一步;
步骤X2,连续数据图像化,通常负载率变化比较频繁且幅度较大的变压器是较难预测的对象,一般每天24个小时中,越晚发生的高负载对第二天的负载影响越大,而具有周期波峰的变压器,则根据每日的用电高峰出现负载变化,跟高峰的发生早晚并无明显关系,既然目标是找到变压器的负载高峰,为了预测模型可以提取这些连续几个高负载点,和高负载点出现的时间段等数据结构信息,则类似于做图像识别模型时,卷积神经网络对图像线条,拐角和其所在位置的结构信息提取过程,根据卷积在信号学中的应用可知,卷积计算的公式为:卷积可以充当信号的滤波器,卷积将当前时刻的信号表现强弱和之前时刻的信号强度按一定的衰减因子叠加,将明显的信号加强,同时过滤掉弱信号,这一性质可以帮助我们提取负载率数据中的高负载信号,并且卷积可以考虑在当前时刻之前的信号对当前信号强度的影响,如图2所示,负载率也有同样的特征,如果一个变压器在一段时间内负载都很高,那么对于接下来时刻也会有较高影响,之后发生高负载的概率也会更高。卷积神经网络应用最成熟的领域就是图像识别,可以准确的提取图像的边缘特征,同时模型区域权值共享,计算速度较快,因此将每日的96条数据转变为4*24的平面图象结构数据,相当于每个小时为图像的一行像素,便于卷积神经网络提取图像结构特征;
步骤X3,将4*24的图像化数据输入卷积神经网络模型,输入层为96个节点,也就是一次输入一天的数据,为了突出边缘特征,也就是峰值特征,使用3*3的卷积核提取峰值特征,隐含层为3层,第一层为8个神经元节点,第二层为32个神经元节点,第三层为128个神经元节点,每个节点的激活函数选择RELU,RELU为提取图像特征时常用的非线性激活函数,对信息的传递控制效果很好,RELU的函数结构如图3所示,之后再加入一个池化层,用来进行特征降维,最后在输出层前加一层128个节点的全连接层来计算模型权重,输出层只有两个节点,既明天是否重过载的两个结果,这样卷积神经网络就建立完毕,如图4所示,之后用转化为图像数据结构的变压器负载率数据输入模型,并通过迭代梯度下降寻优对模型参数进行调优,最后得到重过载预测模型;
步骤X4,使用短期平均负载率并加入天气预报的气象数据,作为朴素贝叶斯算法的条件概率公式:P{是否重过载|短期负载,气象},因为根据卷积神经网络模型训练集数据的长度较长,所以模型更偏重于提取长期特征,即使在近期变压器有完全不同于历史的负载表现,模型依然会更加偏重历史负载特点给出预测结果,因为近期特征在整个历史训练数据集重占的比重很小,而这些变压器由于一些突发因素,例如假期到来等,在近期的负载率变化和以往相比有很大不同,且有维持一段时间的趋势,因此由卷积神经网络所建立的模型所提取的长期特征并不能准确预测近期表现,所以提取近10天的平均负载率作为特征,结合气象因素的表现,建立朴素贝叶斯算法模型,计算在当前的近期平均负载和气象条件下,发生重过载的概率和不发生重过载的概率,比较两个概率的大小,最终选取概率较大的作为预测结果的修正;
步骤X5,加入朴素贝叶斯算法修正规则,如何选取需要进行结果修正的变压器是关键,只有那种在近期的负载率变化和历史有较大不同的变压器才有修正的必要,不然会对正确的结果造成误杀,进行不必要的修正。对每个对象提取过去10天的短期平均负载率特征,如果和过去60天负载率特征对比有30%以上的变化则使用朴素贝叶斯算法进行修正,这样就可以对需要进行结果修正的变压器进行修正,而其他长期特征与近期特征变化不大的变压器则保留原卷积神经网络的预测结果。
整个预警模型算法逻辑流程如图5所示。
本发明不需要对目标进行长点预测,只需要通过卷积核对图像化之后的数据进行图结构提取,结合朴素贝叶斯算法,应用变压器本身的历史负载率数据和气象数据,对非周期性非稳定性数据进行预测。本发明的主要特点是:
1.把连续型数据离散化,并转化为图像数据,完成了从回归预测算法到分类预测算法的转换;
2.数据离散化之后,对数据的连续性要求变弱,使得模型训练可以容忍更多的数据缺失;
3.通过重过载本身的特点,结合卷积神经网络的特征提取原理,应用卷积神经网络来提取负载率高点特征,并训练模型进行预测;
4.使用朴素贝叶斯算法结合气象数据和短期负载率特征对近期变化较大的变压器进行预测结果修正。
本发明的有益效果是,在脱离了连续数据限制的情况下,即使终端设备的数据采集有很多缺失依然可以训练出准确率较高的机器学习模型;并且通过将日数据变为图像数据结构,使得使用卷积神经网络成为可能,利用卷积核提取特征的原理和重过载特征吻合的特点,更准确的提取特征,并进行预测;同时由于使用了基于近期特征和气象数据的朴素贝叶斯算法,使得模型应对突变情况的能力上升。本发明具有思路新颖,通用性较好,经济价值高,适合推广使用的优点。
实施例一
本发明所述的基于负载数据图像化卷积神经网络的配变重过载预警方法,基于某电网下某地区的配电网变压器进行2018年10月至2018年11月的配变重过载预测,并与实际重过载情况做对比,具体步骤如下:
(1)在计量自动化***中拿到某地区从2018年4月开始到2018年10月的原始瞬时电流数据,为间隔15分钟的采集频率,将15分钟数据融合为以天为单位的96维数据,再获取每台变压器的额定电流以及额定容量数据,将原始电流数据按照南方电网标准计算公式计算出负载率,具体方式如下:
将额定容量换成额定电流:
额定电流=额定容量/(0.4*1.732)
将额定电流按CT变比换算为测得值数量级:
额定电流CT=额定电流/CT变比代码值;
计算负载率:
获取任意时刻三项电流的平均值
负载率=额定电流CT/电流的平均值。
(2)用日均方差值检验异常数据,将方差值大于30的变压器定为异常变压器,如变压器异常数据过多则舍弃,异常数据不多则使用均值替代法将异常负载率替换。然后将每日的96条负载率数据转变为4*24的图像数据结构,最后根据日期,打上之后一天的重过载标签,0为正常,1为重载,2为过载。
(3)通过python语言拓展库中的TensorFlow框架搭建卷积神经网络,使用3*3的卷积核提取峰值特征,隐含层为3层,第一层为8个神经元节点,第二层为32个神经元节点,第三层为128个神经元节点,每个节点的激活函数选择RELU,之后再加入一个池化层,最后在输出层前加一层128个节点的全连接层来计算模型权重,输出层只有两个节点,既明天是否重过载的两个结果。
(4)卷积神经网络搭建完毕后,使用处理好的2018年4月到2018年10月的图像结构化负载率数据输入网络进行迭代,参数调优,最终得到训练完成的卷积神经网络模型,为了确保精度,把需要进行预测的每个变压器分别训练一个模型。
(5)构建朴素贝叶斯算法模型,提取每台变压器的过去10天平均负载和气象数据作为条件概率,计算过去10天在某个气象和平均负载的水平下发生重过载的概率和不发生重过载的概率,例如天气预报明天的平均气温低于10摄氏度,一台变压器在过去10天里,当气温低于10摄氏度,且平均负载在60%的情况下,有6天发生了重载,那么发生重载的概率就是0.6,不发生的概率是0.4,那么则判断变压器重载的概率为0.6,加入卷积神经网络的全连接层输出的重过载概率,再进行概率对比,如果进行修改后的重过载概率大于未发生重过载概率,则判断为明日重过载,然后输出结果。
(6)加入朴素贝叶斯算法修正规则,只有符合修正规则的变压器的预测结果才需要进入朴素贝叶斯修正算法,提取变压器过去10天和过去60天的平均负载率做差值,如果差值大于0.3,则表示在过去10天里变压器的负载率较历史变化较大,基于历史数据的卷积神经网络不能准确预测,需要进入朴素贝叶斯修正算法进行结果修正。
(7)为了避免一天预测的偶然性,进行31天预测来检查预警模型的预测效果,每台变压器预测31天,既从2018年10月1日至2018年11月1日,然后对比真实结果得出每台变压器31天的预测准确率,准确率计算公式为:
从上述计算过程可知,基于负载数据图像化卷积神经网络的配变重过载预警方法,可以较为准确的为供电局提供计量自动化***覆盖到的配电网变压器的重过载预测,在最难预测的重过载率为50%左右的变压器中平均准确率也能达到80%以上,为电力***稳定运行提供基础。
另外,本领域技术人员还可在本发明精神内作其它变化,当然这些依据本发明精神所作的变化,都应包含在本发明所要求保护的范围内。
Claims (5)
1.基于负载数据图像化卷积神经网络的配变重过载预警方法,其特征在于,包括以下步骤:
步骤X1,选择需要进行预测的对象提取出用电流数据并根据负载率计算公式转换成负载率数据,然后将负载率数据按照每天的96条负载率数据化为一条日数据,并加入日重过载标签,把回归预测转化为分类预测;
步骤X2,连续数据图像化,将每日的96条数据转变为4*24的平面图象结构数据;
步骤X3,建立包含3个隐含层1个池化层1个全连接层的卷积神经网络,使用3*3的卷积核,激活函数选择RELU,然后将4*24的图像化数据输入卷积神经网络,并且对模型参数进行调优;
步骤X4,使用10天内的短期平均负载率并加入天气预报的气象数据,作为朴素贝叶斯算法的条件概率,建立朴素贝叶斯算法模型;
步骤X5,加入朴素贝叶斯算法修正规则,对每个对象提取过去10天的短期平均负载率特征,如果比过去60天的长期平均负载率有30%以上的变化则使用朴素贝叶斯算法进行修正。
2.如权利要求1所述基于负载数据图像化卷积神经网络的配变重过载预警方法,其特征在于,把连续的负载率数据进行离散并图像化,使用卷积神经网络对离散图像化后的数据进行训练建模,对非周期性非稳定性数据预测达到了比较好的效果。
3.如权利要求1所述基于负载数据图像化卷积神经网络的配变重过载预警方法,其特征在于,使用气象数据和短期平均负载数据作为条件,建立朴素贝叶斯算法模型,来对某些近期变化较大的变压器的预测结果进行修正,应对突变的能力增强。,其特征在于,包括以下步骤:
步骤X1,选择需要进行预测的对象提取出用电流数据并根据负载率计算公式转换成负载率数据,然后将负载率数据按照每天的96条负载率数据化为一条日数据,并加入日重过载标签,把回归预测转化为分类预测;
步骤X2,连续数据图像化,将每日的96条数据转变为4*24的平面图象结构数据;
步骤X3,建立包含3个隐含层1个池化层1个全连接层的卷积神经网络,
使用3*3的卷积核,激活函数选择RELU,然后将4*24的图像化数据输入卷积神经网络,并且对模型参数进行调优;
步骤X4,使用10天内的短期平均负载率并加入天气预报的气象数据,作为朴素贝叶斯算法的条件概率,建立朴素贝叶斯算法模型;
步骤X5,加入朴素贝叶斯算法修正规则,对每个对象提取过去10天的短期平均负载率特征,如果比过去60天的长期平均负载率有30%以上的变化则使用朴素贝叶斯算法进行修正。
4.如权利要求1所述基于负载数据图像化卷积神经网络的配变重过载预警方法,其特征在于,把连续的负载率数据进行离散并图像化,使用卷积神经网络对离散图像化后的数据进行训练建模,对非周期性非稳定性数据预测达到了比较好的效果。
5.如权利要求1所述基于负载数据图像化卷积神经网络的配变重过载预警方法,其特征在于,使用气象数据和短期平均负载数据作为条件,建立朴素贝叶斯算法模型,来对某些近期变化较大的变压器的预测结果进行修正,应对突变的能力增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506420.XA CN110210682A (zh) | 2019-06-12 | 2019-06-12 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910506420.XA CN110210682A (zh) | 2019-06-12 | 2019-06-12 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110210682A true CN110210682A (zh) | 2019-09-06 |
Family
ID=67792187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910506420.XA Pending CN110210682A (zh) | 2019-06-12 | 2019-06-12 | 基于负载数据图像化卷积神经网络的配变重过载预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110210682A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881637A (zh) * | 2021-02-08 | 2021-06-01 | 东华大学 | 可视化渗透膜处理废水检测装置 |
CN113218055A (zh) * | 2020-05-29 | 2021-08-06 | 国网河北省电力有限公司 | 空调负荷调控方法、装置及终端设备 |
CN113434496A (zh) * | 2021-07-15 | 2021-09-24 | 广东电网有限责任公司 | 配变重过载实时监测***方法、***及计算机介质 |
CN114418071A (zh) * | 2022-01-24 | 2022-04-29 | 中国光大银行股份有限公司 | 循环神经网络训练方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
CN104699890A (zh) * | 2015-01-07 | 2015-06-10 | 国家电网公司 | 一种城网配变重过载短期预警模型的建模方法 |
CN105976069A (zh) * | 2016-05-30 | 2016-09-28 | 朱明增 | 基于地域性的贵港网区短期电力负荷预测***和方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN107092869A (zh) * | 2017-04-05 | 2017-08-25 | 武汉大学 | 一种视频卫星的点目标跟踪方法 |
CN109359786A (zh) * | 2018-12-05 | 2019-02-19 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力台区短期负荷预测方法 |
CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 |
CN109583086A (zh) * | 2018-11-30 | 2019-04-05 | 国网河北省电力有限公司电力科学研究院 | 配电变压器重过载预测方法及终端设备 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力***智能故障检测方法及*** |
CN109636025A (zh) * | 2018-12-05 | 2019-04-16 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机的配变负载预测方法 |
CN109740679A (zh) * | 2019-01-13 | 2019-05-10 | 胡燕祝 | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 |
CN109782373A (zh) * | 2018-12-14 | 2019-05-21 | 内蒙古工业大学 | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 |
-
2019
- 2019-06-12 CN CN201910506420.XA patent/CN110210682A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091470A (zh) * | 2014-07-15 | 2014-10-08 | 南京大学 | 一种基于多数据融合的航道交通信息预测方法及应用 |
CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
CN104699890A (zh) * | 2015-01-07 | 2015-06-10 | 国家电网公司 | 一种城网配变重过载短期预警模型的建模方法 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN105976069A (zh) * | 2016-05-30 | 2016-09-28 | 朱明增 | 基于地域性的贵港网区短期电力负荷预测***和方法 |
CN107092869A (zh) * | 2017-04-05 | 2017-08-25 | 武汉大学 | 一种视频卫星的点目标跟踪方法 |
CN109492748A (zh) * | 2018-09-26 | 2019-03-19 | 广东工业大学 | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 |
CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力***智能故障检测方法及*** |
CN109583086A (zh) * | 2018-11-30 | 2019-04-05 | 国网河北省电力有限公司电力科学研究院 | 配电变压器重过载预测方法及终端设备 |
CN109359786A (zh) * | 2018-12-05 | 2019-02-19 | 国网江苏省电力有限公司扬州供电分公司 | 一种电力台区短期负荷预测方法 |
CN109636025A (zh) * | 2018-12-05 | 2019-04-16 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机的配变负载预测方法 |
CN109782373A (zh) * | 2018-12-14 | 2019-05-21 | 内蒙古工业大学 | 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法 |
CN109740679A (zh) * | 2019-01-13 | 2019-05-10 | 胡燕祝 | 一种基于卷积神经网络和朴素贝叶斯的目标识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218055A (zh) * | 2020-05-29 | 2021-08-06 | 国网河北省电力有限公司 | 空调负荷调控方法、装置及终端设备 |
CN113218055B (zh) * | 2020-05-29 | 2022-06-07 | 国网河北省电力有限公司 | 空调负荷调控方法、装置及终端设备 |
CN112881637A (zh) * | 2021-02-08 | 2021-06-01 | 东华大学 | 可视化渗透膜处理废水检测装置 |
CN113434496A (zh) * | 2021-07-15 | 2021-09-24 | 广东电网有限责任公司 | 配变重过载实时监测***方法、***及计算机介质 |
CN114418071A (zh) * | 2022-01-24 | 2022-04-29 | 中国光大银行股份有限公司 | 循环神经网络训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110210682A (zh) | 基于负载数据图像化卷积神经网络的配变重过载预警方法 | |
CN106329516B (zh) | 一种基于典型场景识别的配电网动态重构方法 | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN111429027B (zh) | 一种基于大数据的地区输电网运行多维度分析方法 | |
Taieb et al. | Forecasting uncertainty in electricity smart meter data by boosting additive quantile regression | |
CN111091143B (zh) | 基于深度信念网络和K-means聚类的配变重过载预警方法 | |
Yun et al. | RBF neural network and ANFIS-based short-term load forecasting approach in real-time price environment | |
US8768795B2 (en) | Methods and systems for estimating recoverable utility revenue | |
Choksi et al. | Feature based clustering technique for investigation of domestic load profiles and probabilistic variation assessment: Smart meter dataset | |
CN109063945A (zh) | 一种基于价值评估体系的售电公司360度客户画像构建方法 | |
CN112085256B (zh) | 考虑负荷跃变的全周期负荷预测方法 | |
Capuno et al. | Very Short‐Term Load Forecasting Using Hybrid Algebraic Prediction and Support Vector Regression | |
CN114386753A (zh) | 一种基于主变负载状况的设备风险综合分析预警方法 | |
CN111967684B (zh) | 一种基于大数据分析的计量资产主动配送方法 | |
Gerossier et al. | A novel method for decomposing electricity feeder load into elementary profiles from customer information | |
CN112508260A (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
CN110689248A (zh) | 一种基于云模型和可能度分析的一流城市配电网评估方法 | |
CN115577996A (zh) | 一种电网停电计划的风险评估方法、***、设备和介质 | |
Hajiaghapour-Moghimi et al. | Residential Load Clustering Contribution to Accurate Distribution Transformer Sizing | |
Kong et al. | User group portrait method of integrated energy system based on multi-source big data | |
CN112734593B (zh) | 配电网规划方法 | |
Petrusev | Artificial intelligence for smart grid management | |
Kostinsky | Rationale for Use of Grade I-III Distribution Transformer Efficiency Calculation Technique Taking into Account Correlations Between their Parameters and Amount and Type of Power Supply Load | |
US20220414556A1 (en) | Asset management for utility system maintenance |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190906 |