CN114152909A - 基于大数据的中高压失准分析*** - Google Patents
基于大数据的中高压失准分析*** Download PDFInfo
- Publication number
- CN114152909A CN114152909A CN202111434836.9A CN202111434836A CN114152909A CN 114152909 A CN114152909 A CN 114152909A CN 202111434836 A CN202111434836 A CN 202111434836A CN 114152909 A CN114152909 A CN 114152909A
- Authority
- CN
- China
- Prior art keywords
- data
- power supply
- power
- line
- high voltage
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 15
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 20
- 238000005259 measurement Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000000819 phase cycle Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于大数据的中高压失准分析***，涉及智能电表分析技术领域，解决了现有技术无法对中高压计量点异常进行智能精准判断，需要耗费大量人力进行排查，导致工作效率和公司效益降低的技术问题；本发明基于中高压线路供电方式和线路单元，构建了供电拓扑模型，同时以线路单元为基础，结合历史电力数据建立供耗映射关系，根据供耗映射关系和计量点的电力数据获取失准数据；本发明采用智能化分析获取失准数据，降低了人力成本，提高了失准分析效率和公司效益；本发明对电力数据进行数据处理，能够提升电力数据的质量，进一步提高了供耗映射关系的精度，有助于提高失准数据分析的准确性。
Description
技术领域
本发明属于智能电表分析领域，涉及基于大数据的中高压失准分析技术，具体是基于大数据的中高压失准分析***。
背景技术
智能电表在运行现场统计和计算用户用电量时会出现计量失准的问题，而计量失准问题涉及计量设备、运行环境、器件可靠性、生产工艺等环节，产生原因比较复杂，此类问题会导致计量不公平、电费结算异常等问题。
目前失准分析仅在低压用户侧计量点使用，未覆盖中高压及总表计量点，中高压及台区总表计量点异常类型的判断、异常发生位置和原因判别存在较大困难，需耗费大量人力成本排查，降低了工作效率和公司效益；因此，亟需一种中高压失准分析***。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于大数据的中高压失准分析***，用于解决现有技术无法对中高压计量点异常进行智能精准判断，需要耗费大量人力进行排查，导致工作效率和公司效益降低的技术问题，本发明通过基于电力运行***提供的电力数据，基于中高压线路拓扑模型和能量守恒定律，得到线路中供电单元和耗电单元之间的供耗映射关系，再通过当前状态的电力数据结合供耗映射关系获取失准数据，并对失准数据进行可视化展示解决了上述问题。
为实现上述目的，根据本发明的第一方面的实施例提出基于大数据的中高压失准分析***，包括：
模型构建模块：基于中高压线路供电方式和线路单元，将中高压馈线上的计量点归属到线路单元，构建供电拓扑模型；其中，线路单元包括一个供电计量点和若干个负载计量点；
数据处理模块：用于根据供电拓扑模型，以线路单元为基础建立供耗映射关系；根据供耗映射关系和数据处理之后的电力数据获取线路单元的失准数据。
优选的，所述电力运行***包括电力营销***和电力用采***。
优选的，中高压馈线上的计量点包括变电站出口侧计量点、相邻线路间联络开关对应计量点和对应线路上所有变压器对应计量点。
优选的，变压器对应计量点根据综合误差进行分类；其中，综合误差包括高供高计误差和高供低计误差。
优选的，所述数据处理模块建立线路单元的供耗映射关系，包括：
根据电力拓扑模型提取线路单元中的供电计量点以及对应的若干个负债计量点的拓扑关系；
拓扑关系结合线路单元中供电计量点和若干负载计量点的历史电力数据获取为供耗映射关系；其中，历史电力数据包括线路供电计量点电量与各个负载计量点用电量、供电固定损耗；供电固定损耗包括线路损耗和计量设备损耗。
优选的，在建立供耗映射关系之前，通过相对误差对历史电力数据进行优化，包括：
分别统计同状态下线路供电计量点电量、负载计量点用电量和供电固定损耗的相对误差；
获取相对误差的平均值，标记为误差平均值；
通过误差平均值分别对历史电力数据进行修正。
优选的，通过加权平均法对原始平衡方程进行优化，包括：
获取相对误差的加权平均值，标记为误差加权平均值；
通过误差加权平均值对历史电力数据进行修正。
优选的，通过所述历史电力数据结合多项式拟合法获取供耗映射关系，包括：
提取历史电力数据中线路单元对应的线路供电计量点电量作为因变量，提取负载计量点用电量和供电固定损耗作为自变量，通过多项式拟合法建立供耗映射关系；其中，供耗映射关系具体为XGD＝ɑ1×(FYD1+FYD2+…+FYDi)+ɑ2×GGS，XGD为线路供电计量点电量，FYDi为第i个负载计量点用电量，GGS为供电固定损耗，i为大于1的整数，ɑ1和ɑ2均为比例系数，且ɑ1和ɑ2通过多项式拟合获取。
优选的，通过所述历史电力数据结合人工智能模型获取供耗映射关系，包括：
提取历史电力数据中线路单元对应的线路供电计量点电量、负载计量点用电量和供电固定损耗，并标记为模型训练数据；
构建人工智能模型；其中，人工智能模型包括深度卷积神经网络模型、RBF神经网络模型；
将模型训练数据划分为训练集、测试集和校验集，并对人工智能模型进行训练，将训练结果标记为供耗映射关系。
优选的，对所述电力数据的数据处理包括功率负荷一致性校验、负荷曲线准确性校验、用户反向电量数据处理和线变档案变更处理。
优选的，所述负荷曲线准确性校验包括：
获取智能电表的电力数据，并根据电力数据获取周期内智能电表的实时负荷曲线；其中，负荷曲线包括功率曲线、电压曲线、电流曲线和功率因数曲线；
对同条件下的正常运行的智能电表的负荷曲线进行聚类分析获取标准负荷曲线；
获取实时负荷曲线和标准负荷曲线的曲线相似度，当曲线相似度小于相似度阈值时，则判定负荷曲线准确性校验通过；其中，相似度阈值为大于0的实数。
优选的，所述用户反向电量数据包括专变用户反向电量数据处理和公变用户反向电量数据处理。
优选的，所述公变用户反向电量数据处理包括：
获取公变用户智能电表的反向有功增量和正向有功增量的比值，当比值大于比值阈值时，则判定反向电量增量异常；其中，比例阈值为大于0的实数；
根据反向电量增量异常生成反向电量异常信号并进行上报处理。
优选的，所述线变档案变更处理包括：
获取线变档案变更数据；
当用户发生线变关系变更时，同时记录变更前后的用户和线路信息，并匹配用户的历史电量数据和线路线损数据。
与现有技术相比，本发明的有益效果是：
1、本发明基于中高压线路供电方式和线路单元，构建了供电拓扑模型，同时以线路单元为基础，结合历史电力数据建立供耗映射关系，根据供耗映射关系和计量点的电力数据获取失准数据；本发明采用智能化分析获取失准数据，降低了人力成本，提高了失准分析效率和公司效益。
2、本发明对电力数据的数据处理包括功率负荷一致性校验、负荷曲线准确性校验、用户反向电量数据处理、线变档案变更处理等，能够提升电力数据的质量，进一步提高了供耗映射关系的精度，有助于提高失准数据分析的准确性。
附图说明
图1为本发明的工作步骤示意图。
具体实施方式
下面将结合实施例对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明提供了基于大数据的中高压失准分析***，本发明基于电力运行***提供的电力数据，基于中高压线路拓扑模型和能量守恒定律，得到线路中供电单元和耗电单元之间的供耗映射关系，再通过当前状态的电力数据结合供耗映射关系获取失准数据，并对失准数据进行可视化展示。
本申请提供的基于大数据的中高压失准分析***，包括：
模型构建模块：基于中高压线路供电方式和线路单元，将中高压馈线上的计量点归属到线路单元，构建供电拓扑模型；
数据处理模块：用于根据供电拓扑模型，以线路单元为基础建立供耗映射关系；根据供耗映射关系和数据处理之后的电力数据获取线路单元的失准数据。
可以理解的是，本申请线路单元包括一个供电计量点和若干个负载计量点；供电计量点与负载计量点的关系组成了简单的树形拓扑，线路供电计量点为下一级负载计量点提供能量输入。
本申请中的电力运行***包括电力营销***和电力用采***；其中，电力营销***和电力用采***均为电力行业中常用***，具体内容可参阅互联网。
本申请中的中高压馈线上的计量点包括变电站出口侧计量点、相邻线路间联络开关对应计量点和对应线路上所有变压器对应计量点；变压器对应计量点根据综合误差进行分类。
高供高计误差范围包括：计量点对应的智能电能表误差、互感器误差、二次回路误差，打包合并为综合误差，作为计算各个负载计量点用电量的依据。高供低计误差范围包括：计量点对应的智能电能表误差、互感器误差、二次回路误差，打包合并为综合误差，作为计算各个负载计量点用电量的依据。
在一个实施例中，对电力数据的数据处理包括功率负荷一致性校验、负荷曲线准确性校验、用户反向电量数据处理、线变档案变更处理和轮换数据处理等。
功率负荷一致性校验：基于智能电能表相序功率与相序电压、电流、功率因数之间的逻辑关系，对功率负荷逻辑一致性异常的智能电能表进行综合分析，通过采用95分位点异常检测、IQR四分差异常检测等算法，校验功率曲线异常时刻点的分布情况，按照周期性和随机性进行分类统计，对连续性异常时刻点进行校验，识别功率、电压、电流、功率因数各数据项中连续性异常零值、连续性固定值数据，以此为工作人员校验数据可靠性提供必要分析手段和参考依据，最终得出功率负荷一致性的结论。
负荷曲线准确性校验：基于智能电能表日冻结数据、高频采样96点电压电流曲线等数据，以智能电能表为分析对象，分析周期内智能电能表功率、电流、电压、功率因数等负荷数据曲线，按照智能电能表电压、电流等电气规格参数以及三相三线、三相四线等智能电能表类型对周期内负荷数据曲线进行失真数据检测，采用聚类算法，对相同智能电能表类型、相同电气规格参数下智能电能表的负荷曲线数据进行聚类，识别分析周期内超出智能电能表计量范围的智能电能表，采用IQR四分差、孤立森林等算法分析连续周期内异常智能电能表失真数据的分布特征，按照周期性、随机性特征对异常数据进行分类统计，为采集设备数据解析、数据传输等过程出现的问题提供必要分析手段和参考依据，最终得出负荷曲线准确性的结论。
本实施例中负荷曲线准确性校验包括：
获取智能电表的电力数据，并根据电力数据获取周期内智能电表的实时负荷曲线；其中，负荷曲线包括功率曲线、电压曲线、电流曲线和功率因数曲线；
对同条件下的正常运行的智能电表的负荷曲线进行聚类分析获取标准负荷曲线；
获取实时负荷曲线和标准负荷曲线的曲线相似度，当曲线相似度小于相似度阈值时，则判定负荷曲线准确性校验通过；其中，相似度阈值为大于0的实数。
线变档案变更处理：基于线变档案变更数据，针对用户发生线变关系变更的情况下，***同时记录变更前后的用户和线路信息，匹配用户的历史电量数据、线路的线损数据，实现线变关系变更后用户历史电量数据可追溯性，支撑计量点运行误差分析。
轮换数据处理：基于互感器更换和智能电能表更换档案信息，校验线路的轮换记录，匹配计量点负荷曲线的断点时间，通过数据整合，将整合后的计量点电量数据代入模型进行计算，实现用户互感器及智能电能表更换后历史电量数据可追溯性，提升数据质量，提高模型分析的准确性。
轮换数据处理包括互感器更换数据处理和互感器、智能电能表同时更换数据处理两种情况。
1)互感器更换数据处理
针对用户发生互感器更换的情况，在数据清洗过程中，会校验线路中发生互感器更换的记录，包括互感器更换所记录的示值、时间等信息，用以匹配计量点负荷曲线的断点时间，分段计算互感器变更前后相邻时刻点的电量信息，然后将数据整合，整合后的计量点电量数据代入模型进行计算，***同时记录互感器更换前后的档案数据、电量数据，实现用户互感器更换后历史电量数据可追溯性，支撑计量点误差分析。
2)互感器、智能电能表同时更换数据处理
针对用户发生互感器、智能电能表同时更换的情况，在数据清洗过程中，会校验线路中同时发生互感器、智能电能表更换的记录，包括更换所记录的示值、时间等信息，用以匹配计量点负荷曲线的断点时间，分段计算变更前后相邻时刻点的电量信息，然后将数据整合，整合后的计量点电量数据代入模型进行计算，***同时记录更换前后的档案数据、电量数据，实现用户互感器、智能电能表同时更换后历史电量数据可追溯性，支撑计量点误差分析。
用户反向电量数据处理包括用户反向电量数据包括专变用户反向电量数据处理和公变用户反向电量数据处理。
专变用户反向电量数据处理：
基于专变用户的日冻结数据和示值负荷曲线，对模型进行专变用户反向电量修正，判断专变用户智能电能表是否为光伏余电上网智能电能表，将判断结果根据档案信息做如下处理：
1)将余电上网智能电能表反向电量按照供电量参与误差模型计算；
2)将非余电上网智能电能表反向电量进行阈值校验，判断示值负荷曲线的反向有功增量与正向有功增量的占比是否大于阈值，若超出阈值则判断为反向电量增长异常，并生成异常事件上报并处理。
通过对专变用户的反向电量数据处理，提升误差分析模型的线路损耗分析的数据质量，提高线路异常分析的准确性。
公变用户反向电量数据处理：
基于公变台区的日冻结数据，对模型进行公变台区反向电量修正，在台区下光伏用户上网功率大于台区内用电用户消纳功率时，才会产生反向电量增量，因此对公变用户的反向电量增加台区下光伏用户、光伏上网电量校验功能。判断条件如下：
1)将公变用户智能电能表负荷曲线的反向有功增量与正向有功增量进行比值处理，判断是否出现反向电量增量异常；
2)对公变反向电量增量异常台区进行光伏用户数量校验，统计台区下的光伏用户数量，包括全额上网用户数量和余电上网用户数量，若台区下光伏用户数量为0，则生成反向电量异常事件并进行上报处理；
3)对公变反向电量增量异常台区进行光伏上网电量校验，统计台区下上网电量，包括全额上网用户的上网电量和余电上网用户的上网电量，若台区下光伏用户所有上网电量为0，则生成反向电量异常事件并进行上报处理。
通过对公变台区的反向电量数据处理，提升误差分析模型的线路损耗分析的数据质量，提高线路异常分析的准确性。
在一个实施例中，数据处理模块建立线路单元的供耗映射关系，包括：
根据电力拓扑模型提取线路单元中的供电计量点以及对应的若干个负债计量点的拓扑关系；
拓扑关系结合线路单元中供电计量点和若干负载计量点的历史电力数据获取为供耗映射关系；
本实施例中，历史电力数据包括线路供电计量点电量与各个负载计量点用电量、供电固定损耗；供电固定损耗包括线路损耗和计量设备损耗。
在建立供耗映射关系之前，通过相对误差对历史电力数据进行优化，包括：
分别统计同状态下线路供电计量点电量、负载计量点用电量和供电固定损耗的相对误差；
获取相对误差的平均值，标记为误差平均值，通过误差平均值分别对历史电力数据进行修正。
通过加权平均法对原始平衡方程进行优化，包括：
获取相对误差的加权平均值，标记为误差加权平均值；通过误差加权平均值对历史电力数据进行修正。
本实施例中的误差平均值或者误差加权平均值实际就是修正系数，结合计量设备等确定修正系数，能够保证修正系数的可靠性，同时也保证了历史电力数据的可靠性。
在一个具体的实施例中，通过历史电力数据结合多项式拟合法获取供耗映射关系，包括：
提取历史电力数据中线路单元对应的线路供电计量点电量作为因变量，提取负载计量点用电量和供电固定损耗作为自变量，通过多项式拟合法建立供耗映射关系；
本实施例中，供耗映射关系具体为XGD＝ɑ1×(FYD1+FYD2+…+FYDi)+ɑ2×GGS，XGD为线路供电计量点电量，FYDi为第i个负载计量点用电量，GGS为供电固定损耗，i为大于1的整数，ɑ1和ɑ2均为比例系数，且ɑ1和ɑ2通过多项式拟合获取。
在一个具体的实施例中，通过历史电力数据结合人工智能模型获取供耗映射关系，包括：
提取历史电力数据中线路单元对应的线路供电计量点电量、负载计量点用电量和供电固定损耗，并标记为模型训练数据；
构建人工智能模型；将模型训练数据划分为训练集、测试集和校验集，并对人工智能模型进行训练，将训练结果标记为供耗映射关系。
本发明提供基于多项式拟合法和人工智能模型分别建立了供耗映射关系；采集当前时刻的负载计量点用电量和供电固定损耗，结合供耗映射关系可以获取计算的线路供电计量点电量，再将其与测得的线路供电计量点电量进行比较可以判断线路单元的失准数据。
当线路单元失准时，则可以对该线路单元中的负载计量点进行逐个排查来获取负载计量点的失准数据；当然，也可以结合负载计量点的日常工作状态进行重点排查。
最后将线路单元、负载计量点的失准数据按照线路拓扑关系进行可视化展示。
上述公式中的部分数据均是去除量纲取其数值计算，公式是由采集的大量数据经过软件模拟得到最接近真实情况的一个公式；公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者通过大量数据模拟获得。
本发明的工作原理：
基于中高压线路供电方式和线路单元，将中高压馈线上的计量点归属到线路单元，构建供电拓扑模型。
根据供电拓扑模型，以线路单元为基础建立供耗映射关系；根据供耗映射关系和数据处理之后的电力数据获取线路单元的失准数据。
以上实施例仅用以说明本发明的技术方法而非限制，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法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于大数据的中高压失准分析***，其特征在于，包括：
模型构建模块：基于中高压线路供电方式和线路单元，将中高压馈线上的计量点归属到线路单元，构建供电拓扑模型；其中，线路单元包括一个供电计量点和若干个负载计量点；
数据处理模块：用于根据供电拓扑模型，以线路单元为基础建立供耗映射关系；根据供耗映射关系和数据处理之后的电力数据获取线路单元的失准数据。
2.根据权利要求1所述的基于大数据的中高压失准分析***，其特征在于，中高压馈线上的计量点包括变电站出口侧计量点、相邻线路间联络开关对应计量点和对应线路上所有变压器对应计量点。
3.根据权利要求2所述的基于大数据的中高压失准分析***，其特征在于，变压器对应计量点根据综合误差进行分类；其中，综合误差包括高供高计误差和高供低计误差。
4.根据权利要求1所述的基于大数据的中高压失准分析***，其特征在于，所述数据处理模块建立线路单元的供耗映射关系，包括：
根据电力拓扑模型提取线路单元中的供电计量点以及对应的若干个负债计量点的拓扑关系；
拓扑关系结合线路单元中供电计量点和若干负载计量点的历史电力数据获取为供耗映射关系；其中，历史电力数据包括线路供电计量点电量与各个负载计量点用电量、供电固定损耗；供电固定损耗包括线路损耗和计量设备损耗。
5.根据权利要求4所述的基于大数据的中高压失准分析***，其特征在于，在建立供耗映射关系之前，通过误差平均值或者误差加权平均值对历史电力数据进行优化；其中，误差平均值或者误差加权平均值均通过相对误差获取。
6.根据权利要求4所述的基于大数据的中高压失准分析***，其特征在于，通过所述历史电力数据结合多项式拟合法获取供耗映射关系，包括：
提取历史电力数据中线路单元对应的线路供电计量点电量作为因变量，提取负载计量点用电量和供电固定损耗作为自变量，通过多项式拟合法建立供耗映射关系。
7.根据权利要求4所述的基于大数据的中高压失准分析***，其特征在于，通过所述历史电力数据结合人工智能模型获取供耗映射关系，包括：
提取历史电力数据中线路单元对应的线路供电计量点电量、负载计量点用电量和供电固定损耗，并标记为模型训练数据；
构建人工智能模型；其中，人工智能模型包括深度卷积神经网络模型、RBF神经网络模型；
将模型训练数据划分为训练集、测试集和校验集，并对人工智能模型进行训练，将训练结果标记为供耗映射关系。
8.根据权利要求1所述的基于大数据的中高压失准分析***，其特征在于，对所述电力数据的数据处理包括功率负荷一致性校验、负荷曲线准确性校验、用户反向电量数据处理和线变档案变更处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111434836.9A CN114152909A (zh) | 2021-11-29 | 2021-11-29 | 基于大数据的中高压失准分析*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111434836.9A CN114152909A (zh) | 2021-11-29 | 2021-11-29 | 基于大数据的中高压失准分析*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114152909A true CN114152909A (zh) | 2022-03-08 |
Family
ID=80784213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111434836.9A Pending CN114152909A (zh) | 2021-11-29 | 2021-11-29 | 基于大数据的中高压失准分析*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114152909A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117040133A (zh) * | 2023-08-22 | 2023-11-10 | 沈阳博来德滋电子科技有限公司 | 一种基于云平台的电力输送控制*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正*** |
| CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
| CN109581130A (zh) * | 2019-01-18 | 2019-04-05 | 国家电网有限公司 | 一种考虑电压调整措施影响的电压曲线相似度计算方法 |
| CN112686493A (zh) * | 2020-11-24 | 2021-04-20 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种依托大数据实时评价智能电表运行状态与更换的方法 |
| CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
| CN112886580A (zh) * | 2021-02-08 | 2021-06-01 | 国网上海市电力公司 | 基于用户分支的台区拓扑识别方法和*** |
| CN113376566A (zh) * | 2021-06-16 | 2021-09-10 | 国网福建省电力有限公司营销服务中心 | 一种全网计量失准在线监测方法 |
-
2021
- 2021-11-29 CN CN202111434836.9A patent/CN114152909A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069525A (zh) * | 2015-07-30 | 2015-11-18 | 广西大学 | 全天候96点日负荷曲线预测及优化修正*** |
| CN106022509A (zh) * | 2016-05-07 | 2016-10-12 | 国网浙江省电力公司经济技术研究院 | 考虑地域和负荷性质双重差异的配电网空间负荷预测方法 |
| CN109581130A (zh) * | 2019-01-18 | 2019-04-05 | 国家电网有限公司 | 一种考虑电压调整措施影响的电压曲线相似度计算方法 |
| CN112686493A (zh) * | 2020-11-24 | 2021-04-20 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种依托大数据实时评价智能电表运行状态与更换的方法 |
| CN112699913A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种台区户变关系异常诊断方法及装置 |
| CN112886580A (zh) * | 2021-02-08 | 2021-06-01 | 国网上海市电力公司 | 基于用户分支的台区拓扑识别方法和*** |
| CN113376566A (zh) * | 2021-06-16 | 2021-09-10 | 国网福建省电力有限公司营销服务中心 | 一种全网计量失准在线监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘思;傅旭华;叶承晋;黄民翔;: "考虑地域差异的配电网空间负荷聚类及一体化预测方法", 电力***自动化, vol. 1, no. 03, pages 273 - 275 * |
| 苏朝宏;张强;景国锋;吕学锋;: "应用大数据技术监控设备运行状态实践", 电力大数据, no. 10 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117040133A (zh) * | 2023-08-22 | 2023-11-10 | 沈阳博来德滋电子科技有限公司 | 一种基于云平台的电力输送控制*** |
| CN117040133B (zh) * | 2023-08-22 | 2024-03-12 | 沈阳博来德滋电子科技有限公司 | 一种基于云平台的电力输送控制*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111026927B (zh) | 一种低压台区运行状态智能监测*** | |
| CN114640173B (zh) | 一种基于多特征量的变压器和发电机的预警模型 | |
| CN105512474B (zh) | 一种变压器状态监测数据的异常检测方法 | |
| CN104794206B (zh) | 一种变电站数据质量评价***及方法 | |
| CN110516912B (zh) | 一种配电台区户变关系的识别方法 | |
| CN103413044B (zh) | 一种基于变电站量测信息的电力***局部拓扑估计方法 | |
| CN110311709B (zh) | 用电信息采集***故障判别方法 | |
| CN107741577B (zh) | 一种关口表准确度在线监控和分析方法及*** | |
| CN104462779B (zh) | 采用快速建模与数据质量分析的理论线损在线计算方法 | |
| CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
| CN107967520A (zh) | 一种面向新型智能站继电保护设备的综合状态评估理论方法 | |
| CN103886518A (zh) | 一种基于监测点电能质量数据挖掘的电压暂降预警方法 | |
| CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
| CN115685046A (zh) | 互感器计量异常识别方法、装置、设备及存储介质 | |
| CN115293257A (zh) | 一种针对异常用电用户的检测方法及*** | |
| CN111551887A (zh) | 一种多维度识别电压互感器计量性能在线监测平台 | |
| CN104834305B (zh) | 基于dms***的配网自动化终端遥测异常分析***及方法 | |
| CN102856896A (zh) | 一种直流输电损耗的在线分析方法 | |
| CN114152909A (zh) | 基于大数据的中高压失准分析*** | |
| CN109142988B (zh) | 一种基于电能质量监测数据的配网故障定位方法及*** | |
| CN115912615A (zh) | 一种配电网状态评估方法及*** | |
| CN105069707A (zh) | 一种基于正态分布统计的母线功率平衡分析方法 | |
| CN107274112B (zh) | 改良油中溶解气体的诊断算法模型 | |
| CN113255850B (zh) | 配用电节能节费潜力评估方法 | |
| CN112986884B (zh) | 用户计量倍率档案校验方法及*** |
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: 20220308 |