CN110489783A - 一种基于qrnn的低压台区线损率合理范围估计方法 - Google Patents

一种基于qrnn的低压台区线损率合理范围估计方法 Download PDF

Info

Publication number
CN110489783A
CN110489783A CN201910603112.9A CN201910603112A CN110489783A CN 110489783 A CN110489783 A CN 110489783A CN 201910603112 A CN201910603112 A CN 201910603112A CN 110489783 A CN110489783 A CN 110489783A
Authority
CN
China
Prior art keywords
line loss
per unit
loss per
platform area
reasonableness
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
Application number
CN201910603112.9A
Other languages
English (en)
Other versions
CN110489783B (zh
Inventor
李平
喻伟
徐博
严永辉
赵勇
刘飞
栾奇麒
杨颖�
王瑾然
李欣然
刘玲
孙国强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Jiangsu Fangtian Power Technology Co Ltd
Original Assignee
Hohai University HHU
Jiangsu Fangtian Power Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hohai University HHU, Jiangsu Fangtian Power Technology Co Ltd filed Critical Hohai University HHU
Priority to CN201910603112.9A priority Critical patent/CN110489783B/zh
Publication of CN110489783A publication Critical patent/CN110489783A/zh
Application granted granted Critical
Publication of CN110489783B publication Critical patent/CN110489783B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了线损率技术领域的一种基于QRNN的低压台区线损率合理范围估计方法，旨在解决现有技术中线损率评估依据不能反映出台区在结构、供电范围、负荷水平上的差异的技术问题，基于现有的用电管理***采集台区运行数据，筛选出台区线损率影响因子；对台区线损率进行相关性分析，提取出影响线损率的线损率关键因子；基于神经网络分位数回归模型计算出低压台区线损率的合理范围；根据计算出的特定台区线损率合理范围，诊断其是否为异常台区，对其进行调整。本发明所述方法以现有的用电信息***、营销***、PMS***等的实际运行数据为依据，提取出影响线损率的关键因子，能够针对特定台区给出线损率合理范围，为诊断线损异常台区提供可靠依据。

Description

一种基于QRNN的低压台区线损率合理范围估计方法
技术领域
本发明属于线损率技术领域，具体涉及一种基于QRNN的低压台区线损率合理范围估计方法。
背景技术
电力***中发电厂生产的电能是通过电力网的输电、变电和供电环节供给用户的。在输送和分配电能的过程中，电力网中各元件(如变压器，输电线路和保护装置等)都要消耗一定的电能。
一个低压台区是指一台配电变压器的供电范围或区域。低压台区线损计算的范围是从台区配电变压器出口装设的电度表处开始，到各用户电能表为止。在该范围内，所有元件中各种形式的电能损耗均应计入电力网线损中。线损率为线损电量占配变供电量的百分率，是衡量线损高低的指标，也是衡量电力***经济性的一项重要指标，同时也是表征电力***规划设计水平、生产技术水平和经营管理水平的一项综合性技术指标，所以研究台区线损情况、分析影响台区线损的重要因素对提高配电网的经济运行水平具有重要的意义。
台区线损率合理范围指供电半径、三相负荷平衡度、无功补偿等技术指标满足规程的情况下，台区线损率的合理变化范围。目前，供电公司常以0～10％为线损率合理性评估依据。但此方法不区分台区在结构、供电范围、负荷水平上的差异，不很合理。线损率合理范围本质是线损影响因素在合理取值范围变化时线损率的变化范围。
发明内容
本发明的目的在于提供一种基于QRNN的低压台区线损率合理范围估计方法，以解决现有技术中线损率评估依据不能反映出台区在结构、供电范围、负荷水平上的差异的技术问题。
为达到上述目的，本发明所采用的技术方案是：一种基于QRNN的低压台区线损率合理范围估计方法，包括以下步骤：
a、基于现有的用电管理***提取线损相关特征，筛选出台区线损率影响因子；
b、通过相关性分析，提取出影响线损率的线损率关键因子；
c、基于神经网络分位数回归模型计算出低压台区线损率的合理范围；
d、根据计算出的特定台区线损率合理范围，诊断其是否为异常台区，对其进行调整。
所述步骤c包括以下步骤：
ca、将线损率关键因子作为神经网络分位数回归模型的输入特征，在(0,1)区间内对分位点τ等间隔取值，即可求出特定台区线损率的各个分位数；
cb、采用Matlab的非参数核密度估计函数ksdensity估计出台区线损率Y在输入的线损率关键因子X条件下的概率密度函数F(Y|X)；
cc、设置信度为α(0＜α＜1)，采用对称概率区间，则低压台区线损率的合理范围为：
[Y(1-α)/2,Y(1+α)/2] (4)
式中，Y(1-α)/2表示概率密度函数F(Y|X)上累积概率为(1-α)/2时的线损率值，Y(1+α)/2表示概率密度函数F(Y|X)上累积概率为(1+α)/2时的线损率值。
所述神经网络分位数回归模型表示为：
QY(τ|X)＝f(X,V(τ),W(τ)) (2)
式中，τ表示分位点，V(τ)＝{vij(τ)}i＝1,2…s；j＝1,2…t是输入层到隐含层的连接权向量，W(τ)＝{wjk(τ)}j＝1,2…t；k＝1,2…r为隐含层和输出层之间的连接权向量，vij(τ)表示在τ分位点时输入层的第i个节点与隐含层的第j个节点之间连接权重，wjk(τ)表示在τ分位点时隐含层第j个节点和输出层第k个节点之间的连接权重，s表示输入层节点个数，t表示隐含层节点个数，r表示输出层节点个数，QY(τ|X)表示在线损率关键因子X的条件下线损率Y的τ分位点值，f(·)为神经网络分位数回归模型的数学表示；
连接权向量V(τ)和W(τ)的估计可以转化为如下优化问题的求解：
式中，Xd表示第d个数据样本的线损率关键因子，Yd表示第d个数据样本的台区线损率。
所述步骤a包括以下步骤：
aa、从现有的用电管理***中采集台区运行数据；
ab、从台区运行数据中提取线损相关特征；
ac、根据提取的线损相关特征，筛选出低压台区线损率的影响因子。
所述步骤b包括以下步骤：
ba、计算线损率影响因子与线损率的互信息值，对于两个离散型随机变量M、N，它们之间的互信息值可通过下式进行计算：
式中，I(M,N)表示M和N之间的互信息值，ma表示离散变量M的第a个数据，nb表示离散变量N的第b个数据，g表示离散变量M的数据总个数，h表示离散变量N的数据总个数，p(·)表示概率；
bb、根据计算出的各线损率影响因子与线损率的互信息值，提取出影响线损率的关键因子。
所述用电管理***包括用电信息采集***、营销业务应用***、PMS***。
所述线损率关键因子包括居民容量占比、用户数、户均变压器配置容量和负载率。
与现有技术相比，本发明所达到的有益效果：本发明所述方法以现有的用电信息***、营销***、PMS***等的实际运行数据为依据，提取出影响线损率的关键因子，能够针对特定台区给出线损率合理范围，为诊断线损异常台区提供可靠依据。
附图说明
图1是本发明实施例提供的一种基于QRNN的低压台区线损率合理范围估计方法的低压台区线损率合理性范围估计图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明所述基于神经网络分位数回归模型(QRNN)的低压台区线损率合理范围估计方法，首先从现有的用电管理***包括用电信息采集***、营销业务应用***、PMS***等采集台区运行数据，筛选出台区线损率影响因子，具体做法是从用电信息采集***、营销业务应用***、PMS***采集台区运行数据，从台区运行数据中提取出所有线损相关特征；根据提取出的线损相关特征，筛选出低压台区线损率的影响因子。
对台区线损率进行相关性分析，提取出影响线损率的关键因子，具体做法是计算筛选出的影响因子与线损率的互信息，对于两个离散型随机变量M、N，它们之间的互信息值可通过下式进行计算：
式中，I(M,N)表示M和N之间的互信息值，ma表示离散变量M的第a个数据，nb表示离散变量N的第b个数据，g表示离散变量M的数据总个数，h表示离散变量N的数据总个数，p(·)表示概率。
根据计算出的各影响因子与线损率的互信息大小，提取出影响线损率的关键因子，作为建模的输入特征。
以连云港地区的部分低压台区为例，从用电信息采集***、营销业务***、PMS***中提取出线损相关字段，通过计算互信息得到影响线损率的关键因子，分别为居民容量占比、用户数、户均变压器配置容量和负载率，相关互信息计算结果如下：
表1关键因子与台区线损率互信息
基于神经网络分位数回归模型(QRNN)计算出低压台区线损率的合理范围：神经网络分位数回归模型表达式如下：
QY(τ|X)＝f(X,V(τ),W(τ)) (2)
式中，τ为分位点，V(τ)＝{vij(τ)}i＝1,2…s；j＝1,2…t是输入层到隐含层的连接权向量，W(τ)＝{wjk(τ)}j＝1,2…t；k＝1,2…r为隐含层和输出层之间的连接权向量，vij(τ)表示在τ分位点时输入层的第i个节点与隐含层的第j个节点之间连接权重，wjk(τ)表示在τ分位点时隐含层第j个节点和输出层第k个节点之间的连接权重，s表示输入层节点个数，t表示隐含层节点个数，r表示输出层节点个数，QY(τ|X)表示在线损率关键因子X的条件下线损率Y的τ分位点值，f(·)为神经网络分位数回归模型的数学表示；
连接权向量V(τ)和W(τ)的估计可以转化为如下优化问题的求解：
式中，Xd表示第d个数据样本的线损率关键因子，Yd表示第d个数据样本的台区线损率；将提取的低压台区线损率关键因子作为神经网络分位数回归模型的输入特征，在(0,1)区间内对分位点τ等间隔取值，即可求出特定台区线损率的各个分位数；基于台区线损率的各个分位数，采用Matlab的非参数核密度估计函数ksdensity可估计出台区线损率Y在输入的关键因子X条件下的概率密度函数F(Y|X)；基于概率密度函数F(Y|X)，设置信度为α(0＜α＜1)，采用对称概率区间，则低压台区线损率的合理范围为：
[Y(1-α)/2,Y(1+α)/2] (4)
式中，Y(1-α)/2表示概率密度函数F(YX)上累积概率为(1-α)/2时的线损率值，Y(1+α)/2表示概率密度函数F(YX)上累积概率为(1+α)/2时的线损率值。
将该地区的居民容量占比、用户数、户均变压器配置容量和负载率作为神经网络分位数回归模型的输入特征，在(0,1)上按照间隔0.05取分位点，求出台区线损率的各个分位数。设定置信度为0.9，基于概率密度函数，得出线损率合理范围的上下界。选取500个台区一个月的数据为训练样本，1个台区为测试样本，测试结果如图1所示。
从图1可以看出，基于神经网络分位数回归模型(QRNN)计算出的低压台区线损率合理范围基本覆盖了真实值，并且能够诊断出线损异常的台区，明确了降损方向。
本发明所述方法以现有的用电信息***、营销***、PMS***等的实际运行数据为依据，提取出影响线损率的关键因子，能够针对特定台区给出线损率合理范围，为诊断线损异常台区提供可靠依据。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种基于QRNN的低压台区线损率合理范围估计方法，其特征是，包括以下步骤：
a、基于现有的用电管理***提取线损相关特征，筛选出台区线损率影响因子；
b、通过相关性分析，提取出影响线损率的线损率关键因子；
c、基于神经网络分位数回归模型计算出低压台区线损率的合理范围；
d、根据计算出的特定台区线损率合理范围，诊断其是否为异常台区，对其进行调整。
2.根据权利要求1所述的基于QRNN的低压台区线损率合理范围估计方法，其特征是，所述步骤c包括以下步骤：
ca、将线损率关键因子作为神经网络分位数回归模型的输入特征，在(0,1)区间内对分位点τ等间隔取值，即可求出特定台区线损率的各个分位数；
cb、采用Matlab的非参数核密度估计函数ksdensity估计出台区线损率Y在输入的线损率关键因子X条件下的概率密度函数F(Y|X)；
cc、设置信度为α(0＜α＜1)，采用对称概率区间，则低压台区线损率的合理范围为：
[Y(1-α)/2,Y(1+α)/2] (4)
式中，Y(1-α)/2表示概率密度函数F(Y|X)上累积概率为(1-α)/2时的线损率值，Y(1+α)/2表示概率密度函数F(Y|X)上累积概率为(1+α)/2时的线损率值。
3.根据权利要求1或2所述的基于QRNN的低压台区线损率合理范围估计方法，其特征是，所述神经网络分位数回归模型表示为：
QY(τ|X)＝f(X,V(τ),W(τ)) (2)
式中，τ表示分位点，V(τ)＝{vij(τ)}i＝1,2…s；j＝1,2…t是输入层到隐含层的连接权向量，W(τ)＝{wjk(τ)}j＝1,2…t；k＝1,2…r为隐含层和输出层之间的连接权向量，vij(τ)表示在τ分位点时输入层的第i个节点与隐含层的第j个节点之间连接权重，wjk(τ)表示在τ分位点时隐含层第j个节点和输出层第k个节点之间的连接权重，s表示输入层节点个数，t表示隐含层节点个数，r表示输出层节点个数，QY(τ|X)表示在线损率关键因子X的条件下线损率Y的τ分位点值，f(·)为神经网络分位数回归模型的数学表示；
连接权向量V(τ)和W(τ)的估计可以转化为如下优化问题的求解：
式中，Xd表示第d个数据样本的线损率关键因子，Yd表示第d个数据样本的台区线损率。
4.根据权利要求1所述的基于QRNN的低压台区线损率合理范围估计方法，其特征是，所述步骤a包括以下步骤：
aa、从现有的用电管理***中采集台区运行数据；
ab、从台区运行数据中提取线损相关特征；
ac、根据提取的线损相关特征，筛选出低压台区线损率的影响因子。
5.根据权利要求1所述的基于QRNN的低压台区线损率合理范围估计方法，其特征是，所述步骤b包括以下步骤：
ba、计算线损率影响因子与线损率的互信息值，对于两个离散型随机变量M、N，它们之间的互信息值可通过下式进行计算：
式中，I(M,N)表示M和N之间的互信息值，ma表示离散变量M的第a个数据，nb表示离散变量N的第b个数据，g表示离散变量M的数据总个数，h表示离散变量N的数据总个数，p(·)表示概率；
bb、根据计算出的各线损率影响因子与线损率的互信息值，提取出影响线损率的关键因子。
6.根据权利要求1所述的基于QRNN的低压台区线损率合理范围估计方法，其特征是，所述用电管理***包括用电信息采集***、营销业务应用***、PMS***。
7.根据权利要求1所述的基于QRNN的低压台区线损率合理范围估计方法，其特征是，所述线损率关键因子包括居民容量占比、用户数、户均变压器配置容量和负载率。
CN201910603112.9A 2019-07-05 2019-07-05 一种基于qrnn的低压台区线损率合理范围估计方法 Active CN110489783B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910603112.9A CN110489783B (zh) 2019-07-05 2019-07-05 一种基于qrnn的低压台区线损率合理范围估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910603112.9A CN110489783B (zh) 2019-07-05 2019-07-05 一种基于qrnn的低压台区线损率合理范围估计方法

Publications (2)

Publication Number Publication Date
CN110489783A true CN110489783A (zh) 2019-11-22
CN110489783B CN110489783B (zh) 2022-06-24

Family

ID=68546757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910603112.9A Active CN110489783B (zh) 2019-07-05 2019-07-05 一种基于qrnn的低压台区线损率合理范围估计方法

Country Status (1)

Country Link
CN (1) CN110489783B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036758A (zh) * 2020-09-03 2020-12-04 合肥工业大学 基于成分数据的灰色qrnn修正的能耗结构预测方法
CN112330225A (zh) * 2020-12-02 2021-02-05 国网江苏省电力有限公司常州供电分公司 通过服务器获取线损影响因素影响度的方法、服务器和介质
CN112465349A (zh) * 2020-11-26 2021-03-09 国网天津市电力公司营销服务中心 一种基于一台区一指标的营销线损计算评估***
CN113095372A (zh) * 2021-03-22 2021-07-09 国网江苏省电力有限公司营销服务中心 一种基于鲁棒神经网络的低压台区线损合理区间计算方法
CN115524534A (zh) * 2022-11-04 2022-12-27 广东欢联电子科技有限公司 一种通讯线缆的线损测试方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105160416A (zh) * 2015-07-31 2015-12-16 国家电网公司 一种结合主元分析与神经网络的台区合理线损预测方法
CN106991524A (zh) * 2017-03-20 2017-07-28 国网江苏省电力公司常州供电公司 一种台区线损率预估方法
CN108133304A (zh) * 2017-09-30 2018-06-08 国网上海市电力公司 一种典型低压台区线损率标杆值的测算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN105160416A (zh) * 2015-07-31 2015-12-16 国家电网公司 一种结合主元分析与神经网络的台区合理线损预测方法
CN106991524A (zh) * 2017-03-20 2017-07-28 国网江苏省电力公司常州供电公司 一种台区线损率预估方法
CN108133304A (zh) * 2017-09-30 2018-06-08 国网上海市电力公司 一种典型低压台区线损率标杆值的测算方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036758A (zh) * 2020-09-03 2020-12-04 合肥工业大学 基于成分数据的灰色qrnn修正的能耗结构预测方法
CN112036758B (zh) * 2020-09-03 2022-09-13 合肥工业大学 基于成分数据的灰色qrnn修正的能耗结构预测方法
CN112465349A (zh) * 2020-11-26 2021-03-09 国网天津市电力公司营销服务中心 一种基于一台区一指标的营销线损计算评估***
CN112330225A (zh) * 2020-12-02 2021-02-05 国网江苏省电力有限公司常州供电分公司 通过服务器获取线损影响因素影响度的方法、服务器和介质
CN112330225B (zh) * 2020-12-02 2022-08-30 国网江苏省电力有限公司常州供电分公司 通过服务器获取线损影响因素影响度的方法、服务器和介质
CN113095372A (zh) * 2021-03-22 2021-07-09 国网江苏省电力有限公司营销服务中心 一种基于鲁棒神经网络的低压台区线损合理区间计算方法
CN115524534A (zh) * 2022-11-04 2022-12-27 广东欢联电子科技有限公司 一种通讯线缆的线损测试方法及***
CN115524534B (zh) * 2022-11-04 2023-02-28 广东欢联电子科技有限公司 一种通讯线缆的线损测试方法及***

Also Published As

Publication number Publication date
CN110489783B (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN110489783A (zh) 一种基于qrnn的低压台区线损率合理范围估计方法
CN110490409B (zh) 一种基于dnn的低压台区线损率标杆值设定方法
CN104794206B (zh) 一种变电站数据质量评价***及方法
CN104318482A (zh) 一套智能配电网综合评估体系和方法
CN105389636A (zh) 一种低压台区kfcm-svr合理线损预测方法
CN107145966A (zh) 基于逻辑回归概率分析优化模型的反窃电分析预警方法
CN103942727A (zh) 一种基于电网特征差异的线损水平评价方法
CN106327062A (zh) 一种配电网设备的状态评估方法
CN106329516A (zh) 一种基于典型场景识别的配电网动态重构方法
CN108765004A (zh) 一种基于数据挖掘识别用户窃电行为的方法
CN104376371B (zh) 一种基于拓扑的配网分层负荷预测方法
CN110109971A (zh) 一种低压台区用户用电负荷特性分析方法
CN110782153A (zh) 一种企业园区综合能效评估体系建模方法及***
CN108197820A (zh) 一种基于ds证据和变权理论的配电网可靠性关联和评价模型及其建立方法
CN103455855A (zh) 一种基于用电信息数据分析的反间歇性窃电检测方法
CN106443244A (zh) 用电设备类型辨识方法和***
CN107358332A (zh) 一种电网调度运行精益化评价方法
CN106530139A (zh) 电网投资分析模型指标参数计算方法
CN106843100A (zh) 变电站二次设备运行状态等级判断方法和装置
CN111563682A (zh) 一种配电自动化设备测试评价方法
CN107437135A (zh) 一种新型储能选型方法
CN108875972A (zh) 一种电网运维费用预测方法及预测***
CN109003010A (zh) 电网项目投资效益的评价方法
CN107589391A (zh) 一种检测电能计量装置整体误差的方法、装置和***
CN110011423A (zh) 基于大数据实现户变关系在线动态智能监管功能的***及方法

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