CN110264107A - 一种基于大数据技术的台区线损率异常诊断方法 - Google Patents
一种基于大数据技术的台区线损率异常诊断方法 Download PDFInfo
- Publication number
- CN110264107A CN110264107A CN201910585667.5A CN201910585667A CN110264107A CN 110264107 A CN110264107 A CN 110264107A CN 201910585667 A CN201910585667 A CN 201910585667A CN 110264107 A CN110264107 A CN 110264107A
- Authority
- CN
- China
- Prior art keywords
- per unit
- line loss
- loss per
- variable
- platform area
- 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.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 12
- 238000005516 engineering process Methods 0.000 title claims abstract description 12
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 239000004020 conductor Substances 0.000 claims description 5
- 239000000470 constituent Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 239000007787 solid Substances 0.000 claims 1
- 238000000034 method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Complex Calculations (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于大数据技术的台区线损率异常诊断方法,计算各指标变量与台区线损率的相关性大小,继而找到与判断台区线损率有较强相关性的辅助变量;划分春秋、夏冬两个时间段,对于变动属性辅助变量分别计算其均值的变化范围;若变动属性辅助变量都在其合理的区间内,使用固定属性辅助变量与变动属性辅助变量对台区进行聚类;根据聚类的结果划分相应的台区,针对不同类别的台区,计算各变量的均值其变化范围;根据不同类别的台区分别分析,若某类台区某日线损率出现异常,且变动属性变量正常情况下,可以查看固定属性变量的范围,不在此范围则认为是由该属性变量导致的线损率异常。本发明能更为全面、准确地度量台区线损率的状态。
Description
技术领域
本发明涉及配电网安全领域,尤其涉及一种基于大数据技术的台区线损率异常诊断方法。
背景技术
中国配电网规模庞大,具有点多、线长、面广的特点。线损率作为一种综合反映电力***中规划设计、生产运行、经营管理水平的经济技术指标,是电力部门日常关联工作中所关注的重要内容。我国对低压客户全面实行分台区管理,台区线损直接反映了一个地区的电网营销管理水平,降低线损率能够带来非常可观的经济与社会效益;但是在降低线损率之前,首先是要诊断出线损异常出现的原因,才能对不合理线损进行分析和预测,从而提供较为科学有效的降损措施。
目前各个台区主要通过线损率计算公式得到线损率数值,然后依照人工设定的合理线损率进行分析哪些台区的线损率出现了异常。这种人工设定台区合理线损率的一刀切方式,缺乏科学依据,也与精益化的管理目标背道而驰。从台区线损计算公式可以看出统计线损率的逻辑并不复杂,但是仍然有很多因素影响着线损率计算的准确性,例如台区的用户采集覆盖情况、台区的户变关系、台区的供电考核电能表档案参数等等,这些因素都会影响台区线损率计算的准确性和正确性。传统数据分析手段在应对这些数据时存在种种局限性,并且工作量巨大且效率不高。
同时在面临新的数据带来的问题时,传统的数据分析技术常常遇到实际困难。通常,传统的数据分析方法只处理包含相同类型属性的数据集,或者是固定属性的,或者是变动属性的。随着用电信息采集***在智能用电领域的作用越来越大,越来越需要能够处理异种属性的技术,例如静态档案数据与动态采集数据的相关性、台区户变逻辑父子关系等等。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于大数据技术的台区线损率异常诊断方法。
本发明采用的技术方案是:
一种基于大数据技术的台区线损率异常诊断方法,其特征在于,包括以下步骤:
(1)搜集多个与台区线损率相关的指标变量,包括:峰谷差率、负荷率、电量、负载率、温度、台区运行年限、台区总导线长度、户均容量、台区额定容量,计算各指标与台区线损率的相关系数;
(2)剔除与台区线损率无关的变量,得到与台区线损率高度相关的指标变量,将这些指标变量作为台区线损率异常诊断的辅助变量,并将辅助变量进行分类,分为固定属性辅助变量与变动属性辅助变量;
(3)由于台区线损率每日都在变动,所以线损率与变动属性辅助变量相关性更大,因此首先将变动属性辅助变量单独进行分析,依照公式:
计算各变动属性辅助变量Xi的均值,Xi=X1,X2,……,XN,均值反映总体各单位变量分布的集中趋势和一般水平;
(4)步骤(3)得到了各变动属性辅助变量的均值,再根据参考值范围公式:
计算各变动属性辅助变量的波动范围,公式中表示极限误差,即用样本值估计总体值时所允许的最大绝对误差;由于一些外在因素的存在,数据中难免有个别超出正常范围的极大值和极小值,在此,我们将分布在均值附近95%的样本作为波动范围衡量的标准,最大限度降低极值带来的影响。由于季节自然因素的作用会对线损率产生一定的影响,因此划分春秋、冬夏两个层面对台区线损率进行分析,分别得到春秋时期以及冬夏时期各变动属性辅助变量集中趋势及波动范围;
(5)依据步骤(4)中不同季节各台区变动属性辅助变量的集中趋势和波动范围进行分析,当该台区线损率出现异常时,依次对比各指标变量的波动范围,若某指标的数值不在该范围中,则在一定程度上,可以认为是由该因素导致的台区线损率异常;若各指标数值都在其合理的变化范围中时,利用公式:
依次计算台区各指标数值距离其历史数据均值的差异度,差异度较大的指标就为导致台区线损率异常的指标变量,从而诊断出台区线损率异常的原因;
(6)当步骤(5)中,各变动属性辅助变量的集中趋势与波动范围都较为合理时,针对固定属性辅助变量进行分析,固定属性指那些长期不变的指标变量,该类变量对于线损率只是一个基础层面的影响,由于其长期固定不变,所以对于线损率的影响也比较有限,当台区线损率发生异常时,若变动属性数据都在其合理范围时,就要考虑固定属性数据对台区线损率的影响,在此,采用k-means聚类的方式进行分析,首先通过肘部法则确定聚类的个数,进行依照变量对台区进行聚类;
(7)根据步骤(6)中通过k-means聚类算法将台区划分为不同的类别,分别根据不同类别,计算各类别固定属性辅助变量的均值和变化范围,从而得到变量的集中趋势和波动范围,当某个台区线损率发生异常时,可以通过指标变量在日常时期的走势判断发生异常的原因。
本发明的优点是:
不同于以往只通过线损率数值大小等“一刀切”模式,来判断台区线损率是否发生了异常;本发明能够利用包括线损率在内的多个指标变量进行判断,综合采用统计分析方法以及聚类分析方法,从而更为全面、准确地度量台区线损率的状态。
附图说明
图1为各指标变量与台区线损率的相关性大小矩阵示意图。
图2(a)为变动属性辅助变量在春秋季节其均值变化范围示意图。
图2(b)为变动属性辅助变量在夏冬季节其均值变化范围示意图。
图3为根据“肘部法则”确定聚类个数的示意图。
图4为三类台区的各变量指标均值对比图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
一种基于大数据技术的台区线损率异常诊断方法,包括以下步骤:
(1)搜集多个与台区线损率相关的指标变量,包括:峰谷差率、负荷率、电量、负载率、温度、台区运行年限、台区总导线长度、户均容量、台区额定容量,计算各指标与台区线损率的相关系数;
(2)剔除与台区线损率无关的变量,得到与台区线损率高度相关的指标变量,将这些指标变量作为台区线损率异常诊断的辅助变量,并将辅助变量进行分类,分为固定属性辅助变量与变动属性辅助变量;
(3)由于台区线损率每日都在变动,所以线损率与变动属性辅助变量相关性更大,因此首先将变动属性辅助变量单独进行分析,依照公式:
计算各变动属性辅助变量Xi的均值,Xi=X1,X2,……,XN,均值反映总体各单位变量分布的集中趋势和一般水平;
(4)步骤(3)得到了各变动属性辅助变量的均值,再根据参考值范围公式:
计算各变动属性辅助变量的波动范围,公式中表示极限误差,即用样本值估计总体值时所允许的最大绝对误差;由于一些外在因素的存在,数据中难免有个别超出正常范围的极大值和极小值,在此,我们将分布在均值附近95%的样本作为波动范围衡量的标准,最大限度降低极值带来的影响。由于季节自然因素的作用会对线损率产生一定的影响,因此划分春秋、冬夏两个层面对台区线损率进行分析,分别得到春秋时期以及冬夏时期各变动属性辅助变量集中趋势及波动范围;
(5)依据步骤(4)中不同季节各台区变动属性辅助变量的集中趋势和波动范围进行分析,当该台区线损率出现异常时,依次对比各指标变量的波动范围,若某指标的数值不在该范围中,则在一定程度上,可以认为是由该因素导致的台区线损率异常;若各指标数值都在其合理的变化范围中时,利用公式:
依次计算台区各指标数值距离其历史数据均值的差异度,差异度较大的指标就为导致台区线损率异常的指标变量,从而诊断出台区线损率异常的原因;
(6)当步骤(5)中,各变动属性辅助变量的集中趋势与波动范围都较为合理时,针对固定属性辅助变量进行分析,固定属性指那些长期不变的指标变量,该类变量对于线损率只是一个基础层面的影响,由于其长期固定不变,所以对于线损率的影响也比较有限,当台区线损率发生异常时,若变动属性数据都在其合理范围时,就要考虑固定属性数据对台区线损率的影响,在此,采用k-means聚类的方式进行分析,首先通过肘部法则确定聚类的个数,进行依照变量对台区进行聚类;
(7)根据步骤(6)中通过k-means聚类算法将台区划分为不同的类别,分别根据不同类别,计算各类别固定属性辅助变量的均值和变化范围,从而得到变量的集中趋势和波动范围,当某个台区线损率发生异常时,可以通过指标变量在日常时期的走势判断发生异常的原因。
实施例。
1.如图1所示,判断各指标变量与台区线损率的相关性是否具有相关性,变量之间变动趋势相似,表示变量之间有一定程度的相关性;继而找到与判断台区线损率有较强相关性的辅助变量。由图1可以看到台区线损率与其他相关变量的波动关系,图1上三角部分所示,线损率为纵坐标数值,横坐标为各相关变量取值。由波动趋势可以判断线损率与各变量的相关关系。
2.划分春秋、夏冬两个时间段,对于变动属性辅助变量分别计算其均值的变化范围,如图2(a)、2(b)所示,分析变量属性辅助变量在春秋、夏冬两个时间段内的波动,得到每个辅助变量的波动范围。
图中中间的直线代表某个变量的均值,图上方的虚线代表某台区变量历史数据中,在合理范围内变动的最大值;图下方的虚线代表在合理范围内变动的最小值,合理范围由公式确定。查看各变动属性辅助变量是否都在其合理的变化范围中,若各指标数值都在其合理的变化范围中时,利用公式
依次计算台区各指标数值距离其历史数据均值的差异度,以2018年10月3日,编号为101002296的台区为例,依次计算峰谷差率、负荷率、平均负载率、电量、温度的差异度,得到下表:
峰谷差率 | 负荷率 | 负载率 | 电量 | 温度 |
0.465 | 0.051 | 0.593 | 0.602 | 0.150 |
综合对比峰谷差率、负荷率、负载率、电量、温度我们可以发现,电量这个因素偏移均值最大,因此可以在一定程度上判断当日该台区线损率异常是由电量引起的。
3、若变动属性辅助变量都在其合理的区间内,使用固定属性辅助变量与变动属性辅助变量对台区进行聚类,首先根据“肘部法则”确定聚类个数,如图3所示。
当台区每日运行数据被聚为三类时,曲线开始趋于平稳,这意味着若将数据划分为三类,我们获得的信息是最多的,聚类效果也是最好的。
4.根据聚类的结果划分相应的台区,针对不同类别的台区,计算各变量的均值其变化范围,如图4所示:
根据不同类别的台区分别分析,若某类台区某日线损率出现异常,且变动属性变量正常情况下,可以查看固定属性变量的范围,不在此范围则认为是由该属性变量导致的线损率异常。
由图4中数值及占比可以看到,三类台区在各个指标上有一定的差异,线损率较高的样本往往在用电量、平均负载率、运行年限、导线长度上均值较大,在台区容量及户均容量上均值较小;线损率较小的样本正好相反,在用电量、平均负载率、运行年限、导线长度上均值较小,而在台区容量及户均容量上均值较大。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于大数据技术的台区线损率异常诊断方法,其特征在于,包括以下步骤:
(1)搜集多个与台区线损率相关的指标变量,包括:峰谷差率、负荷率、电量、负载率、温度、台区运行年限、台区总导线长度、户均容量、台区额定容量,计算各指标与台区线损率的相关系数;
(2)剔除与台区线损率无关的变量,得到与台区线损率高度相关的指标变量,将这些指标变量作为台区线损率异常诊断的辅助变量,并将辅助变量进行分类,分为固定属性辅助变量与变动属性辅助变量;
(3)由于台区线损率每日都在变动,所以线损率与变动属性辅助变量相关性更大,因此首先将变动属性辅助变量单独进行分析,依照公式:
计算各变动属性辅助变量Xi的均值,Xi=X1,X2,……,XN,均值反映总体各单位变量分布的集中趋势和一般水平;
(4)步骤(3)得到了各变动属性辅助变量的均值,再根据参考值范围公式:
计算各变动属性辅助变量的波动范围,公式中表示极限误差,即用样本值估计总体值时所允许的最大绝对误差;由于季节自然因素的作用会对线损率产生一定的影响,因此划分春秋、冬夏两个层面对台区线损率进行分析,分别得到春秋时期以及冬夏时期各变动属性辅助变量集中趋势及波动范围;
(5)依据步骤(4)中不同季节各台区变动属性辅助变量的集中趋势和波动范围进行分析,当该台区线损率出现异常时,依次对比各指标变量的波动范围,若某指标的数值不在该范围中,则在一定程度上,可以认为是由该因素导致的台区线损率异常;若各指标数值都在其合理的变化范围中时,利用公式:
依次计算台区各指标数值距离其历史数据均值的差异度,差异度较大的指标就为导致台区线损率异常的指标变量,从而诊断出台区线损率异常的原因;
(6)当步骤(5)中,各变动属性辅助变量的集中趋势与波动范围都较为合理时,针对固定属性辅助变量进行分析,固定属性指那些长期不变的指标变量,该类变量对于线损率只是一个基础层面的影响,由于其长期固定不变,所以对于线损率的影响也比较有限,当台区线损率发生异常时,若变动属性数据都在其合理范围时,就要考虑固定属性数据对台区线损率的影响,在此,采用k-means聚类的方式进行分析,首先通过肘部法则确定聚类的个数,进行依照变量对台区进行聚类;
(7)根据步骤(6)中通过k-means聚类算法将台区划分为不同的类别,分别根据不同类别,计算各类别固定属性辅助变量的均值和变化范围,从而得到变量的集中趋势和波动范围,当某个台区线损率发生异常时,可以通过指标变量在日常时期的走势判断发生异常的原因。
2.根据权利要求1所述的一种基于大数据技术的台区线损率异常诊断方法,其特征在于,步骤(3)中所述的均值反映总体各单位变量分布的集中趋势和一般水平,具体为:
依照日常经验判断,台区每日各变量数值基本都围绕均值上下波动,均值反映变量的一般水平,找到每个变量的均值能够判断出台区线损率的类型及变化趋势。
3.根据权利要求1所述的一种基于大数据技术的台区线损率异常诊断方法,其特征在于,步骤(4)中所述的公式(2)中Zα/2的取值为1.96,将分布在均值附近95%的样本作为波动范围衡量的标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585667.5A CN110264107B (zh) | 2019-07-01 | 2019-07-01 | 一种基于大数据技术的台区线损率异常诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910585667.5A CN110264107B (zh) | 2019-07-01 | 2019-07-01 | 一种基于大数据技术的台区线损率异常诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264107A true CN110264107A (zh) | 2019-09-20 |
CN110264107B CN110264107B (zh) | 2021-08-24 |
Family
ID=67923614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910585667.5A Active CN110264107B (zh) | 2019-07-01 | 2019-07-01 | 一种基于大数据技术的台区线损率异常诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264107B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991825A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江宁波市鄞州区供电有限公司 | 基于大数据的线损判定方法 |
CN111123039A (zh) * | 2019-12-31 | 2020-05-08 | 国网北京市电力公司 | 基于同期特征与改进K-means聚类的配电网异常线损诊断方法 |
CN111260198A (zh) * | 2020-01-10 | 2020-06-09 | 广东电网有限责任公司 | 一种台区同期线损合理度评判方法、***及终端设备 |
CN111384714A (zh) * | 2020-03-12 | 2020-07-07 | 深圳供电局有限公司 | 一种基于多因素状态分布低压台区线损问题查找方法 |
CN112488395A (zh) * | 2020-12-01 | 2021-03-12 | 湖南大学 | 一种配电网线损预测方法及*** |
CN112858980A (zh) * | 2021-01-13 | 2021-05-28 | 国家电网有限公司华东分部 | 一种采样和大数据结合的关口计量异常诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2337664A1 (en) * | 2000-06-22 | 2001-12-22 | Hitachi, Ltd. | A power plant operation control system and a power plant maintaining and managing method |
AU2014100351A4 (en) * | 2014-04-10 | 2014-05-08 | Cozero Pty Ltd | A system that comprehensively provides real-time billing of energy usage with a minute by minute live billing update to the user. |
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 |
CN107909208A (zh) * | 2017-11-16 | 2018-04-13 | 国网上海市电力公司 | 一种台区配网降损方法 |
CN108020752A (zh) * | 2017-11-10 | 2018-05-11 | 国网浙江省电力公司电力科学研究院 | 一种基于多源贯通相关性的配线线损诊断方法及*** |
WO2018209913A1 (zh) * | 2017-05-18 | 2018-11-22 | 华南理工大学 | 一种考虑电压质量的配电网台区缺供电量预测方法 |
CN109376366A (zh) * | 2018-08-09 | 2019-02-22 | 国网北京市电力公司 | 一种异常线损影响因素的分析方法及装置 |
-
2019
- 2019-07-01 CN CN201910585667.5A patent/CN110264107B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2337664A1 (en) * | 2000-06-22 | 2001-12-22 | Hitachi, Ltd. | A power plant operation control system and a power plant maintaining and managing method |
AU2014100351A4 (en) * | 2014-04-10 | 2014-05-08 | Cozero Pty Ltd | A system that comprehensively provides real-time billing of energy usage with a minute by minute live billing update to the user. |
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 |
WO2018209913A1 (zh) * | 2017-05-18 | 2018-11-22 | 华南理工大学 | 一种考虑电压质量的配电网台区缺供电量预测方法 |
CN108020752A (zh) * | 2017-11-10 | 2018-05-11 | 国网浙江省电力公司电力科学研究院 | 一种基于多源贯通相关性的配线线损诊断方法及*** |
CN107909208A (zh) * | 2017-11-16 | 2018-04-13 | 国网上海市电力公司 | 一种台区配网降损方法 |
CN109376366A (zh) * | 2018-08-09 | 2019-02-22 | 国网北京市电力公司 | 一种异常线损影响因素的分析方法及装置 |
Non-Patent Citations (3)
Title |
---|
XUE-SEN QUAN 等: "Analysis of Line Loss Based on Matlab and Oracle Database", 《2015 THIRD INTERNATIONAL CONFERENCE ON ADVANCED CLOUD AND BIG DATA》 * |
欧阳森 等: "考虑馈线聚类特性的中压配网线损率测算模型", 《电力自动化设备》 * |
牛东晓 等: "基于描述统计和DEA的节能降损潜力研究", 《华东电力》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991825A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江宁波市鄞州区供电有限公司 | 基于大数据的线损判定方法 |
CN111123039A (zh) * | 2019-12-31 | 2020-05-08 | 国网北京市电力公司 | 基于同期特征与改进K-means聚类的配电网异常线损诊断方法 |
CN111260198A (zh) * | 2020-01-10 | 2020-06-09 | 广东电网有限责任公司 | 一种台区同期线损合理度评判方法、***及终端设备 |
CN111384714A (zh) * | 2020-03-12 | 2020-07-07 | 深圳供电局有限公司 | 一种基于多因素状态分布低压台区线损问题查找方法 |
CN111384714B (zh) * | 2020-03-12 | 2023-10-31 | 深圳供电局有限公司 | 一种基于多因素状态分布低压台区线损问题查找方法 |
CN112488395A (zh) * | 2020-12-01 | 2021-03-12 | 湖南大学 | 一种配电网线损预测方法及*** |
CN112488395B (zh) * | 2020-12-01 | 2024-04-05 | 湖南大学 | 一种配电网线损预测方法及*** |
CN112858980A (zh) * | 2021-01-13 | 2021-05-28 | 国家电网有限公司华东分部 | 一种采样和大数据结合的关口计量异常诊断方法 |
CN112858980B (zh) * | 2021-01-13 | 2021-09-24 | 国家电网有限公司华东分部 | 一种采样和大数据结合的关口计量异常诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110264107B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264107A (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
CN110223196A (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
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 | |
CN105548949B (zh) | 一种智能电能表的故障远程判断方法及其*** | |
CN105069527A (zh) | 一种基于数据挖掘技术的台区合理线损预测方法 | |
CN110309485A (zh) | 一种基于台区数据特征分类的线损率标杆值计算方法 | |
CN111949939B (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN102999791A (zh) | 一种电力行业中基于客户分群的电力负荷预测方法 | |
CN110531303B (zh) | 在运智能电能表批次故障预警方法及其*** | |
CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
CN110210723A (zh) | 一种基于层次分析法和孤立森林的窃电辨识方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN103793756A (zh) | 一种变压器经济运行特征分析方法 | |
CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
CN113189418A (zh) | 一种基于电压数据的拓扑关系识别方法 | |
CN112581012A (zh) | 参与需求响应的用电客户分类方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的***和方法 | |
CN106709623B (zh) | 一种基于风险计算模型的电网营销稽查风险管控方法 | |
CN112785456A (zh) | 基于向量自回归模型的高损线路窃电检测方法 | |
CN112633665A (zh) | 一种基于层次分析法的配电网防雷决策方法 | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN111126846A (zh) | 一种架空输电线路差异化状态评价方法 | |
CN110852628B (zh) | 考虑发展模式影响的农村中长期负荷预测方法 | |
Anuar et al. | Determination of fuzziness parameter in load profiling via Fuzzy C-Means |
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 |