CN112464035A - 一种基于电网调控数据的数据挖掘方法 - Google Patents
一种基于电网调控数据的数据挖掘方法 Download PDFInfo
- Publication number
- CN112464035A CN112464035A CN202011296242.1A CN202011296242A CN112464035A CN 112464035 A CN112464035 A CN 112464035A CN 202011296242 A CN202011296242 A CN 202011296242A CN 112464035 A CN112464035 A CN 112464035A
- Authority
- CN
- China
- Prior art keywords
- data
- exponential smoothing
- power grid
- data mining
- regulation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000007418 data mining Methods 0.000 title claims abstract description 45
- 238000009499 grossing Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims 4
- 238000004458 analytical method Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 238000007619 statistical method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
- G06F2216/03—Data mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于电网调控数据的数据挖掘方法,包括:利用数据梳理模型对电网调控数据挖掘对象进行数据梳理;根据指数平滑算法计算的平滑值建立二次指数平滑算法预测模型及灰度算法预测模型;基于所述二次指数平滑算法预测模型结合所述灰度算法预测模型深度分析预测梳理后的数据,得到线路及配变未来几年最大负载的预测值,完成数据挖掘。本发明能够深度的分析主配网调控数据,能对数据进行深度分析预测,从而提高电网调控数据的数据利用率;实现对设备状态的预测,提高了电网调度控制的及时性。
Description
技术领域
本发明涉及数据挖掘的技术领域,尤其涉及一种基于电网调控数据的数据挖掘方法。
背景技术
随着电网规模的翻倍增长,客户对供电可靠性要求的增高,对供电企业的生产运维工作的效率和质量提出了更高的要求,变电站数量的逐渐增加,尤其是老城区的线路改造、新城区的电缆配电网路径的铺设,导致电网调控数据的数据体量成倍增长,调控数据体量大,数据结构不一,数据杂乱等原因,导致现有的调控数据分析只能停留在简单统计分析层面,对调控人员的决策分析提供了简单数据基础,缺少对调控数据的深度数据挖掘和分析。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的电网调控数据分析停留在简单的统计分析展示层面,缺少深度的分析,缺少对数据的总体分析,所以现在有的统计分析只存在于对数据浅层面进行分析,没有充分利用调控数据。
为解决上述技术问题,本发明提供如下技术方案:利用数据梳理模型对电网调控数据挖掘对象进行数据梳理;根据指数平滑算法计算的平滑值建立二次指数平滑算法预测模型及灰度算法预测模型;基于所述二次指数平滑算法预测模型结合所述灰度算法预测模型深度分析预测梳理后的数据,得到线路及配变未来几年最大负载的预测值,完成数据挖掘。
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述二次指数平滑法的预测模型包括,
其中,at、bt分别表示模型参数,T表示预测超前期数。
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述灰度预测算法模型包括GM(1,1)模型,具体包括1阶的、1个变量的微分方程模型。
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述电网调控数据包括主网数据和配网数据。
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述数据梳理清洗原则包括数据填充、前后均值替换、直接删除样本。
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述at和bt计算如下所示:
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述一次指数平滑算法包括,
其中,α表示平滑常数(0≤α≤1)。
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述二次指数平滑法包括,基于实际观察值计算两次平滑值,并在此基础上建立预测模型并进行预测。
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述二次指数平滑算法进一步包括,
作为本发明所述的基于电网调控数据的数据挖掘方法的一种优选方案,其中:所述主网数据和配网数据具体包括配电变压器详情数据、停电信息数据、线路负载数据。
本发明的有益效果:本发明能够深度的分析主配网调控数据,能对数据进行深度分析预测,从而提高电网调控数据的数据利用率;实现对设备状态的预测,提高了电网调度控制的及时性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的基于电网调控数据的数据挖掘方法的基本流程示意图;
图2为本发明一个实施例提供的基于电网调控数据的数据挖掘方法的二次指数平滑算法和灰度预测算法结合的样例图;
图3为本发明一个实施例提供的基于电网调控数据的数据挖掘方法的灰度预测算法模型图;
图4为本发明一个实施例提供的基于电网调控数据的数据挖掘方法的试验数据效果图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
在电网信息化的今天,数据就是财富,对调控数据的深入分析,得到的预测结果对电网调度分析有着重要的作用,本发明提高了电网调控数据的利用率,通过对电网调控数据的深度分析与数据挖掘,能够得出电网的预测值,能够提前给与调度员提醒。
参照图1~4,为本发明的一个实施例,提供了一种基于电网调控数据的数据挖掘方法,包括:
S1:利用数据梳理模型对电网调控数据挖掘对象进行数据梳理;
需要说明的是:电网调控数据包括主网数据和配网数据。
进一步的,主网数据和配网数据具体包括配电变压器详情数据、停电信息数据、线路负载数据。
其中,数据梳理清洗原则包括数据填充、前后均值替换、直接删除样本。
具体的,电网调控数据来自不同***不同厂家,数据类型不一致,第一步,是进行主配网的数据梳理,将同种类型的数据统一字段,将杂乱的主配网数据按照数据类型进行分类,整理为结构化的数据后,带入数据挖掘算法进行数据挖掘的模型计算。
更加具体的,利用数据梳理模型对电网调控数据进行数据梳理,主、配网调控运行数据采用接口的方式接入,主动连接上游***采集配电变压器详情数据、停电信息数据、线路负载数据等,并将结果存储,这些原始数据将用于后续数据加工,包括如下步骤:
通过采集的上述主配网相关数据,按照数据类型分类加工处理,在此过程中数据存在很多空值及异常数据,为保证预测精确性,需要建立一套合适的清洗规则,如包括数据填充、前后均值替换、直接删除样本等步骤;编写存储过程,通过使用表与表之间的关系,生成设计训练宽表,按照适合的清洗规则,对数据进行清理;源数据分布在不同的表中,需要对数据进行整合和特征构建,生成配变负载率训练表。
S2:根据指数平滑算法计算的平滑值建立二次指数平滑算法预测模型及灰度算法预测模型;
需要说明的是:二次指数平滑法的预测模型包括,
其中,at、bt分别表示模型参数,T表示预测超前期数。
具体的,at和bt计算如下所示:
其中,一次指数平滑算法包括,
其中,α表示平滑常数(0≤α≤1);
二次指数平滑法包括:基于实际观察值计算两次平滑值,并在此基础上建立预测模型并进行预测;
二次指数平滑算法进一步包括,
进一步的,灰度预测算法模型包括GM(1,1)模型,具体包括1阶的、1个变量的微分方程模型。
具体的,利用二阶指数平滑算法结合灰度预测算法实现线路及配变年最大负载预测,其算法样例结合图如图2所示,其中,二次指数平滑法指对实际观察值计算两次平滑值,并在此基础上建立预测模型并进行预测的方法;灰度预测算法模型如图4所示,本发明通过二次指数平滑结合灰度预测,大幅度提高了预测的准确率;根据历史投运的各个线路和配变年最大负载数据信息,预测各个线路和配变未来几年的最大负载,为设备扩容提供参考,如表1所示:
表1:配变统计表。
表1为配变的统计,对数据进行统计分析发现,设备每年的数量存在增多现象,前期投运的部分设备在2019年有退役;只针对2015年至2019年有连续负载数据的设备进行建模和预测;如表二所示:
表二:2013年到2019年有负载设备的统计表。
2019有负载设备 | 11651 |
2018年至2019年有负载设备 | 10770 |
2017年至2019年有负载设备 | 9969 |
2016年至2019年有负载设备 | 8677 |
2015年至2019年有负载设备 | 8016 |
2014年至2019年有负载设备 | 7461 |
2013年至2019年有负载设备 | 6309 |
S3:基于二次指数平滑算法预测模型结合所述灰度算法预测模型深度分析预测梳理后的数据,得到线路及配变未来几年最大负载的预测值,完成数据挖掘。
实施例2
为对本方法中采用的技术效果加以验证说明,本实施例采用传统调控监视方法与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
传统的技术方案:传统的方法未对调控数据进行数据挖掘,数据的深层分析只是统计分析维度,缺少对调控数据进行深度挖掘分析,分析层面低,调度员还需要对分析结果结合电网运行方式进行分析,分析难度大,对调度员的技术水平要求高,综合分析结果准确率低。
为验证本方法相对传统方法具有较高的分析准确性,对数据的挖掘更加深入,数据利用率更高,能够减轻操作人员的分析操作负担,能够让操作员更及时的更准确的调度数据做分析处理。
本实施例中将采用传统图表统计分析方法和本方法分别对调控数据挖掘做统计分析,通过调控员对数据挖掘结果的准确性和及时性进行实时测量对比。
测试环境:将使用数据模拟器模拟调控数据的发送,采用3组测试数据,每组100个人,第一组测试100次信号,第二组测试500个信号,第三组测试1000个信号,分别利用传统方法对调控数据进行数据挖掘且反馈调控员处理时间,获得测试结果数据,采用本方法,则通过对调控数据进行数据挖掘且反馈调控员处理时间实现本方法的仿真测试,根据实验结果得到仿真数据;每种方法各测试3组数据,计算获得每组数据处理时间进行对比;结果如下表所示:
表1:实验结果对比表。
从上表中可以看出,当测试信号为100、500或1000次时本发明方法所用的时间都远远小于传统方法,说明了本方法能够提高电网调控数据的数据利用率,实现对设备状态的预测,提高了电网调度控制的及时性
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于电网调控数据的数据挖掘方法,其特性在于,包括:
利用数据梳理模型对电网调控数据挖掘对象进行数据梳理;
根据指数平滑算法计算的平滑值建立二次指数平滑算法预测模型及灰度算法预测模型;
基于所述二次指数平滑算法预测模型结合所述灰度算法预测模型深度分析预测梳理后的数据,得到线路及配变未来几年最大负载的预测值,完成数据挖掘。
3.如权利要求1所述的基于电网调控数据的数据挖掘方法,其特征在于:所述灰度预测算法模型包括GM(1,1)模型,具体包括1阶的、1个变量的微分方程模型。
4.如权利要求1所述的基于电网调控数据的数据挖掘方法,其特征在于:所述电网调控数据包括主网数据和配网数据。
5.如权利要求1所述的基于电网调控数据的数据挖掘方法,其特征在于:所述数据梳理清洗原则包括数据填充、前后均值替换、直接删除样本。
8.如权利要求7所述的基于电网调控数据的数据挖掘方法,其特征在于:所述二次指数平滑法包括,
基于实际观察值计算两次平滑值,并在此基础上建立预测模型并进行预测。
10.如权利要求1或4所述的基于电网调控数据的数据挖掘方法,其特征在于:所述主网数据和配网数据具体包括配电变压器详情数据、停电信息数据、线路负载数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296242.1A CN112464035A (zh) | 2020-11-18 | 2020-11-18 | 一种基于电网调控数据的数据挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296242.1A CN112464035A (zh) | 2020-11-18 | 2020-11-18 | 一种基于电网调控数据的数据挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464035A true CN112464035A (zh) | 2021-03-09 |
Family
ID=74836832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011296242.1A Pending CN112464035A (zh) | 2020-11-18 | 2020-11-18 | 一种基于电网调控数据的数据挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464035A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447594A (zh) * | 2015-11-17 | 2016-03-30 | 福州大学 | 一种基于指数平滑的电力***灰色负荷预测方法 |
CN107239849A (zh) * | 2017-04-17 | 2017-10-10 | 西安电子科技大学 | 一种基于改进的指数平滑灰色模型电力负荷预测方法 |
CN107679666A (zh) * | 2017-10-13 | 2018-02-09 | 广西电网有限责任公司电力科学研究院 | 一种基于Shapley值及经济发展的用电预测方法 |
CN110648023A (zh) * | 2019-09-24 | 2020-01-03 | 西北工业大学 | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 |
CN111553568A (zh) * | 2020-04-15 | 2020-08-18 | 贵州电网有限责任公司 | 一种基于数据挖掘技术的线损管理方法 |
CN111932402A (zh) * | 2020-08-13 | 2020-11-13 | 河南理工大学 | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 |
-
2020
- 2020-11-18 CN CN202011296242.1A patent/CN112464035A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447594A (zh) * | 2015-11-17 | 2016-03-30 | 福州大学 | 一种基于指数平滑的电力***灰色负荷预测方法 |
CN107239849A (zh) * | 2017-04-17 | 2017-10-10 | 西安电子科技大学 | 一种基于改进的指数平滑灰色模型电力负荷预测方法 |
CN107679666A (zh) * | 2017-10-13 | 2018-02-09 | 广西电网有限责任公司电力科学研究院 | 一种基于Shapley值及经济发展的用电预测方法 |
CN110648023A (zh) * | 2019-09-24 | 2020-01-03 | 西北工业大学 | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 |
CN111553568A (zh) * | 2020-04-15 | 2020-08-18 | 贵州电网有限责任公司 | 一种基于数据挖掘技术的线损管理方法 |
CN111932402A (zh) * | 2020-08-13 | 2020-11-13 | 河南理工大学 | 一种基于相似日和lstm的短期电力负荷双向组合预测方法 |
Non-Patent Citations (6)
Title |
---|
何斯雯;谢正文;黄雅楠;袁昌明;: "基于指数平滑技术的水体污染灰色预测模型及应用", 环境科学与管理, no. 08 * |
唐静;李瑞轩;黄宇航;向万红;解来甲;彭一轩;宁立;: "基于多维特征分析的月用电量精准预测研究", 电力***保护与控制, no. 16 * |
李雅莉;: "时序挖掘算法灰色预测模型的分析及应用", 网络安全技术与应用, no. 03 * |
温长洋, 姚敏, 沈斌: "电信行业时间序列预测***设计与实现", ***工程理论与实践, no. 04 * |
蒋玉婷;: "数据挖掘技术在网络舆情预测中的应用", 科技通报, no. 10 * |
金浩;张;王志双;: "基于组合预测的公路货运量需求预测实证研究――以唐山市为例", 统计与管理, no. 01, pages 52 - 55 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN107918830B (zh) | 一种基于大数据技术的配电网运行状态评估方法 | |
CN110137947B (zh) | 一种基于itic曲线的电网电压暂降严重程度评估方法 | |
CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及*** | |
CN106096810A (zh) | 基于配电网运行数据与地理拓扑信息的规划方法及*** | |
CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN113036786A (zh) | 一种低压配变用户相序识别及三相不平衡调整方法 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN109583086A (zh) | 配电变压器重过载预测方法及终端设备 | |
CN113466627A (zh) | 一种适用于恶劣天气引起的电网故障预测方法 | |
CN113904322A (zh) | 一种基于电流+电压的低压配网拓扑生成方法 | |
CN111832174A (zh) | 一种基于多元回归的配线线损率处理方法及装置 | |
CN103400046A (zh) | 适用于电网广域监测***的数据建模方法及应用 | |
CN111105218A (zh) | 一种基于全息影像技术的配电网运行监视方法 | |
CN107505519A (zh) | 一种分布式电源接入电网电能质量分析方法及装置 | |
CN107664690A (zh) | 一种预测变压器油中溶解气体浓度的方法 | |
CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
CN114091213A (zh) | 一种电力通信网规划方案评价*** | |
CN112464035A (zh) | 一种基于电网调控数据的数据挖掘方法 | |
CN112668850A (zh) | 一种基于dea算法的配电网台区投入产出分析方法 | |
CN116316611A (zh) | 基于低压台区下的供电方法及*** | |
CN114139802B (zh) | 一种基于流域水情变化趋势分析模型的实时优化调度方法 | |
CN115907461A (zh) | 一种基于机理推导方程的电力工程方法 | |
CN113705973A (zh) | 一种基于神经网络学习的电网安全风险在线评估方法 | |
CN113792923A (zh) | 一种基于停电敏感度预测模型的可视化调度视窗方法 |
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 |