CN115392648A - 一种台区线损融合诊断***及其诊断方法 - Google Patents
一种台区线损融合诊断***及其诊断方法 Download PDFInfo
- Publication number
- CN115392648A CN115392648A CN202210928385.2A CN202210928385A CN115392648A CN 115392648 A CN115392648 A CN 115392648A CN 202210928385 A CN202210928385 A CN 202210928385A CN 115392648 A CN115392648 A CN 115392648A
- Authority
- CN
- China
- Prior art keywords
- transformer area
- line loss
- abnormal
- loss
- diagnosis
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 62
- 230000004927 fusion Effects 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 83
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000005611 electricity Effects 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000003491 array Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 4
- 230000002265 prevention Effects 0.000 abstract 1
- 239000007787 solid Substances 0.000 abstract 1
- 230000009467 reduction Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
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
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种台区线损融合诊断***,包括台区状态解析模块:用于寻找台区常态,判断异常来源,分类判断台区主因,并输出可降损电量;台区下数据异常用户诊断模块:根据台区状态解析模块解析结果诊断台区下用户数据;计算模块:根据台区下数据异常用户诊断模块诊断结果进行可降损电量计算、可降损电量试算及线损率试算。本发明所述的一种台区线损融合诊断***,能够剔除对台区线损无影响的部分异常,更加精准定位台区线损异常原因,为基层业务人员提供线损治理参考与方案,增强台区线损防控能力,有力堵漏增收,依靠高效的***数据支撑,为各供电公司进行有效的台区线损治理提供坚实的基础,具有良好的前景。
Description
技术领域
本发明涉及台区管理领域,特别涉及一种台区线损融合诊断***及其诊断方法。
背景技术
在电力***中,台区是指一台变压器的供电范围或区域;
随着社会的发展和人民生活水平的不断提高,对电能的需求越来越大。由于电能生产和消费的同时性,需要合理管理台区,为了更好的管理台区,需要对台区状态进行管理;
台区状态管理过程中就有台区线损率的管理;
台区线损率就是描述为一个台区电量的损耗情况,即台区线损率=(总供电量-总售电量)/供电量*100%,线损率越小说明台区用电损耗越小,反之损耗越大。
为了降低台区线损率,人们发明了一些辅助***,其中就有台区线损融合诊断***;
经研究,现有的台区线损融合诊断***在使用时存在一定的弊端;
目前台区线损融合诊断***使用过程中,会将部分不影响台区线损的异常原因当***区主因输出,从而导致基层人员进行排查时,产生误判,对台区真实异常原因进行忽略,延误台区异常治理,使得台区真实异常原因排查周期延长,影响排查效率,为此,我们提出一种台区线损融合诊断***及其诊断方法。
发明内容
本发明的主要目的在于提供一种台区线损融合诊断***及其诊断方法,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
一种台区线损融合诊断***,包括:
台区状态解析模块:用于寻找台区常态,判断异常来源,分类判断台区主因,并输出可降损电量;
台区下数据异常用户诊断模块:根据台区状态解析模块解析结果诊断台区下用户数据;
计算模块:根据台区下数据异常用户诊断模块诊断结果进行可降损电量计算、可降损电量试算及线损率试算;
异常清单输出模块:将计算模块的计算结果以清单的方式输出。
优选的,一种台区线损融合诊断方法,包括以下步骤:
①、台区状态解析判断主因并输出可降损电量;
②、台区下数据异常用户诊断;
③、可降损电量计算;
④、可降损电量试算及线损率试算;
⑤、异常清单输出。
优选的,步骤①中台区状态解析判断主因并输出可降损电量的步骤如下:
Ⅰ、寻找台区常态;
Ⅱ、判断异常来源;
Ⅲ、弱分类判断台区主因。
优选的,步骤Ⅰ中寻找台区常态时采用DBsacan聚类算法对台区供电量和用电量进行聚类,通过对最大类进行线性拟合,并根据供电量计算诊断日的预测用电量a和残差error,其中残差=实际用电量-预测用电量,残差error则为可降损电量;当error的绝对值>K,则判断当日的供电量或用电量是异常的。
优选的,步骤Ⅱ中判断异常来源时根据诊断日前7天的用电量和供电量分别构建数组:
A={a1,a2,……a7},B={b1,b2……b7}
并分别计算2个数组的标准差x和y;
当x>K1*y时,异常来源于台区下用户;
当y>K2*x时,异常来源于台区总表。
优选的,步骤Ⅲ中弱分类判断台区主因的步骤如下:
a、构建样本数据,挑选其中80%样本作为专家样本,20%作为验样本;
b、构建特征与机器学习;
c、通过决策树模型判断台区异常主因。
优选的,步骤a中样本数据的样本来源为历史案例里面的:终端计量异常数据、终端采集异常数据、用户计量异常数据、用户采集异常数据、档案异常数据和违约用电数据;
步骤b中构建特征与机器学习时特征分为静态属性和动态特征,静态属性为台区档案信息,动态特征为线损相关特征;对动态特征构建统计类特征,结合划窗构建动态特征的衍生特征。
优选的,步骤②中台区下数据异常用户诊断使用时基于档案、用电、负荷等数据,通过一致性、相悖性、缺失性、极值、重复性进行数据异常诊断,诊断出异常用户及异常时段,提升异常诊断分析的准确率。并根据异常数据和台区主因残差error进行相关性试算,相关性试算主要通过构建向量,计算向量cos值。
优选的,步骤③中可降损电量计算时根据电量异常数据补全用户日电量和台区供电量,单异常可降损电量=预测电量-***记录的电量。
优选的,步骤④中可降损电量试算时试算降损电量=所有异常可降损电量之和,当试算降损电量与线性拟合的残差不超过K时,则假设有效;
线损率试算过程中当异常属于终端时,则
线损率=(预测供电量-用电量+异常可降损电量)/预测供电量*100%。
与现有技术相比,本发明一种台区线损融合诊断***及其诊断方法,具有如下有益效果:
本发明一种台区线损融合诊断***及其诊断方法基于营销***、用电信息采集***,融合多源数据,以“全量分析、精准定位、分级推荐”为目标,利用大数据与机器学习算法,围绕档案、采集、计量、技术、窃电等维度,通过线损异常量化及影响度分析,结合台区线损特性,形成台区线损治理分级推荐策略,解决线损原因复杂定位难、数据量巨大分析难、基础能力薄弱压力大的问题,实现异常台区的分级治理推荐,提升线损整改效率,减轻基层负担,具备良好的实用价值,能够大规模推广应用。
附图说明
图1为本发明一种台区线损融合诊断方法的流程图;
图2为本发明一种台区线损融合诊断方法中台区下数据异常用户诊断的结构框图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
实施例1
一种台区线损融合诊断***,包括:
台区状态解析模块:用于寻找台区常态,判断异常来源,分类判断台区主因,并输出可降损电量;
台区下数据异常用户诊断模块:根据台区状态解析模块解析结果诊断台区下用户数据;
计算模块:根据台区下数据异常用户诊断模块诊断结果进行可降损电量计算、可降损电量试算及线损率试算;
异常清单输出模块:将计算模块的计算结果以清单的方式输出。
实施例2
一种台区线损融合诊断方法,包括以下步骤:
①、台区状态解析判断主因并输出可降损电量;
台区状态解析判断主因并输出可降损电量的步骤如下:
Ⅰ、寻找台区常态;
寻找台区常态时采用DBsacan聚类算法对台区供电量和用电量进行聚类,通过对最大类进行线性拟合,并根据供电量计算诊断日的预测用电量a和残差error,其中残差=实际用电量-预测用电量,残差error则为可降损电量;当error的绝对值>K,则判断当日的供电量或用电量是异常的;
Ⅱ、判断异常来源;
判断异常来源时根据诊断日前7天的用电量和供电量分别构建数组:
A={a1,a2,……a7},B={b1,b2……b7}
并分别计算2个数组的标准差x和y;
当x>K1*y时,异常来源于台区下用户;
当y>K2*x时,异常来源于台区总表。
Ⅲ、弱分类判断台区主因;
弱分类判断台区主因的步骤如下:
a、构建样本数据,挑选其中80%样本作为专家样本,20%作为验样本;
样本数据的样本来源为历史案例里面的:终端计量异常数据、终端采集异常数据、用户计量异常数据、用户采集异常数据、档案异常数据和违约用电数据;
b、构建特征与机器学习;
构建特征与机器学习时特征分为静态属性和动态特征,静态属性为台区档案信息,动态特征为线损相关特征;对动态特征构建统计类特征,结合划窗构建动态特征的衍生特征。
c、通过决策树模型判断台区异常主因。
②、台区下数据异常用户诊断;
台区下数据异常用户诊断使用时基于档案、用电、负荷等数据,通过一致性、相悖性、缺失性、极值、重复性进行数据异常诊断,诊断出异常用户及异常时段,提升异常诊断分析的准确率。并根据异常数据和台区主因残差error进行相关性试算,相关性试算主要通过构建向量,计算向量cos值。
③、可降损电量计算;
可降损电量计算时根据电量异常数据补全用户日电量和台区供电量,单异常可降损电量=预测电量-***记录的电量。
④、可降损电量试算及线损率试算;
可降损电量试算时试算降损电量=所有异常可降损电量之和,当试算降损电量与线性拟合的残差不超过K时,则假设有效;
线损率试算过程中当异常属于终端时,则
线损率=(预测供电量-用电量+异常可降损电量)/预测供电量*100%。
⑤、异常清单输出。
实施例3
一种台区线损融合诊断方法,包括以下步骤:
①台区状态解析判断主因并输出可降损电量
Ⅰ、寻找台区常态
用DBsacan聚类算法对台区供电量和用电量进行聚类,通过对最大类进行线性拟合,并根据供电量计算诊断日的预测用电量a和残差error,其中残差=实际用电量-预测用电量,残差error则为可降损电量。当error的绝对值>K,则判断当日的供电量或用电量是异常的;
Ⅱ、判断异常来源
根据诊断日前7天的用电量和供电量分别构建数组
A={a1,a2,……a7},B={b1,b2……b7}
并分别计算2个数组的标准差x和y。
当x>K1*y时,异常来源于台区下用户;
当y>K2*x时,异常来源于台区总表;
Ⅲ、弱分类判断台区主因
a、构建样本数据,挑选其中80%样本作为专家样本,20%作为验样本。
样本来源:挑选历史案例里面的:终端计量异常,终端采集异常,用户计量异常,用户采集异常,档案异常(主要挑选户变案例),违约用电;由于技术因素已经在寻找台区常态中体现,故不加入异常判断,其他异常或对线损影响小或不影响故不加入。
b、构建特征与机器学习
特征分为静态属性(主要为台区档案信息),动态特征主要为线损相关特征;对动态特征构建统计类特征,如平均值,标准差,结合划窗构建动态特征的衍生特征。
c、通过决策树模型判断台区异常主因。
②、台区下数据异常用户诊断;
基于档案、用电、负荷等数据,通过一致性、相悖性、缺失性、极值、重复性进行数据异常诊断,诊断出异常用户及异常时段,提升异常诊断分析的准确率。并根据异常数据和台区主因残差error进行相关性试算,相关性试算主要通过构建向量,计算向量cos值。
主要诊断的数据项如下
分析日内,供电量缺失:
分析日内,B相电流累计2个时刻点数据缺失,C相电流累计10个时刻点与真实电流相反,有功功率累计8个时刻点为O,正向有功总电能累计3个时刻点出现极端值;
③、可降损电量计算;
根据电量异常数据补全用户日电量和台区供电量,单异常可降损电量=预测电量-***记录的电量;
④、可降损电量试算及线损率试算;
可降损电量试算时试算降损电量=所有异常可降损电量之和,当试算降损电量与线性拟合的残差不超过K时,则假设有效;
线损率试算过程中当异常属于终端时,则
线损率=(预测供电量-用电量+异常可降损电量)/预测供电量*100%。
⑤、异常清单输出
例如下表:
需要说明的是,本发明一种台区线损融合诊断***及其诊断方法基于营销***、用电信息采集***,融合多源数据,以“全量分析、精准定位、分级推荐”为目标,利用大数据与机器学习算法,围绕档案、采集、计量、技术、窃电等维度,通过线损异常量化及影响度分析,结合台区线损特性,形成台区线损治理分级推荐策略,解决线损原因复杂定位难、数据量巨大分析难、基础能力薄弱压力大的问题,实现异常台区的分级治理推荐,提升线损整改效率,减轻基层负担,具备良好的实用价值,能够大规模推广应用。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其效物界定。
Claims (10)
1.一种台区线损融合诊断***,其特征在于,包括:
台区状态解析模块:用于寻找台区常态,判断异常来源,分类判断台区主因,并输出可降损电量;
台区下数据异常用户诊断模块:根据台区状态解析模块解析结果诊断台区下用户数据;
计算模块:根据台区下数据异常用户诊断模块诊断结果进行可降损电量计算、可降损电量试算及线损率试算;
异常清单输出模块:将计算模块的计算结果以清单的方式输出。
2.根据权利要求1所述的一种台区线损融合诊断方法,其特征在于,包括以下步骤:
①、台区状态解析判断主因并输出可降损电量;
②、台区下数据异常用户诊断;
③、可降损电量计算;
④、可降损电量试算及线损率试算;
⑤、异常清单输出。
3.根据权利要求2所述的一种台区线损融合诊断方法,其特征在于:步骤①中台区状态解析判断主因并输出可降损电量的步骤如下:
Ⅰ、寻找台区常态;
Ⅱ、判断异常来源;
Ⅲ、弱分类判断台区主因。
4.根据权利要求3所述的一种台区线损融合诊断方法,其特征在于:步骤Ⅰ中寻找台区常态时采用DBsacan聚类算法对台区供电量和用电量进行聚类,通过对最大类进行线性拟合,并根据供电量计算诊断日的预测用电量和残差,其中残差=实际用电量-预测用电量,残差则为可降损电量;当残差的绝对值大于设定值K,则判断当日的供电量或用电量是异常的。
5.根据权利要求4所述的一种台区线损融合诊断方法,其特征在于:步骤Ⅱ中判断异常来源时根据诊断日前7天的用电量和供电量分别构建数组:
并分别计算2个数组的标准差x和y;
当x>K1*y时,异常来源于台区下用户;
当y>K2*x时,异常来源于台区总表。
6.根据权利要求5所述的一种台区线损融合诊断方法,其特征在于:步骤Ⅲ中弱分类判断台区主因的步骤如下:
a、构建样本数据,挑选其中80%样本作为专家样本,20%作为验样本;
b、构建特征与机器学习;
c、通过决策树模型判断台区异常主因。
7.根据权利要求6所述的一种台区线损融合诊断方法,其特征在于:步骤a中样本数据的样本来源为历史案例里面的:终端计量异常数据、终端采集异常数据、用户计量异常数据、用户采集异常数据、档案异常数据和违约用电数据;
步骤b中构建特征与机器学习时特征分为静态属性和动态特征,静态属性为台区档案信息,动态特征为线损相关特征;对动态特征构建统计类特征,结合划窗构建动态特征的衍生特征。
8.根据权利要求7所述的一种台区线损融合诊断方法,其特征在于:步骤②中台区下数据异常用户诊断使用时基于档案、用电、负荷等数据,通过一致性、相悖性、缺失性、极值、重复性进行数据异常诊断,诊断出异常用户及异常时段,提升异常诊断分析的准确率。并根据异常数据和台区主因残差进行相关性试算,相关性试算主要通过构建向量,计算向量cos值。
9.根据权利要求8所述的一种台区线损融合诊断方法,其特征在于:步骤③中可降损电量计算时根据电量异常数据补全用户日电量和台区供电量,单异常可降损电量=预测电量-***记录的电量。
10.根据权利要求9所述的一种台区线损融合诊断方法,其特征在于:步骤④中可降损电量试算时试算降损电量=所有异常可降损电量之和,当试算降损电量与线性拟合的残差不超过K时,则假设有效;
线损率试算过程中当异常属于终端时,则
线损率=(预测供电量-用电量+异常可降损电量)/预测供电量*100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210928385.2A CN115392648A (zh) | 2022-08-03 | 2022-08-03 | 一种台区线损融合诊断***及其诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210928385.2A CN115392648A (zh) | 2022-08-03 | 2022-08-03 | 一种台区线损融合诊断***及其诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115392648A true CN115392648A (zh) | 2022-11-25 |
Family
ID=84118091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210928385.2A Pending CN115392648A (zh) | 2022-08-03 | 2022-08-03 | 一种台区线损融合诊断***及其诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392648A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102280874A (zh) * | 2010-06-10 | 2011-12-14 | 上海市电力公司 | 一种台区线损率检测*** |
CN109472714A (zh) * | 2018-06-11 | 2019-03-15 | 国网浙江海宁市供电有限公司 | 一种基于大数据的线路台区异常分析***及方法 |
CN111781463A (zh) * | 2020-06-25 | 2020-10-16 | 国网福建省电力有限公司 | 一种台区线损异常辅助诊断方法 |
CN112598234A (zh) * | 2020-12-14 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压台区线损异常分析方法、装置和设备 |
CN113267692A (zh) * | 2021-05-17 | 2021-08-17 | 国网吉林省电力有限公司营销服务中心 | 一种低压台区线损智能诊断分析方法和*** |
CN113902062A (zh) * | 2021-12-13 | 2022-01-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于大数据的台区线损异常原因分析方法及装置 |
-
2022
- 2022-08-03 CN CN202210928385.2A patent/CN115392648A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102280874A (zh) * | 2010-06-10 | 2011-12-14 | 上海市电力公司 | 一种台区线损率检测*** |
CN109472714A (zh) * | 2018-06-11 | 2019-03-15 | 国网浙江海宁市供电有限公司 | 一种基于大数据的线路台区异常分析***及方法 |
CN111781463A (zh) * | 2020-06-25 | 2020-10-16 | 国网福建省电力有限公司 | 一种台区线损异常辅助诊断方法 |
CN112598234A (zh) * | 2020-12-14 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压台区线损异常分析方法、装置和设备 |
CN113267692A (zh) * | 2021-05-17 | 2021-08-17 | 国网吉林省电力有限公司营销服务中心 | 一种低压台区线损智能诊断分析方法和*** |
CN113902062A (zh) * | 2021-12-13 | 2022-01-07 | 国网江西省电力有限公司电力科学研究院 | 一种基于大数据的台区线损异常原因分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113267692B (zh) | 一种低压台区线损智能诊断分析方法和*** | |
CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
CN110675275B (zh) | 一种虚拟电厂的需求侧响应用电负荷调控方法及*** | |
CN112286063A (zh) | 一种基于非侵入量测的区域能耗监测***及方法 | |
CN105426980A (zh) | 一种配电网健康指数评估工程应用*** | |
CN111310854A (zh) | 基于用电负荷指纹的低误报率窃电检测二次筛选方法 | |
CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
CN114611842B (zh) | 一种整县屋顶分布式光伏功率预测方法 | |
CN112001441A (zh) | 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法 | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN111476397A (zh) | 应用于中长期电量安全校核的母线负荷预测方法及*** | |
WO2024056050A1 (zh) | 海量柔性负荷快速聚合控制方法及装置 | |
CN115392648A (zh) | 一种台区线损融合诊断***及其诊断方法 | |
CN116304537A (zh) | 基于智能量测终端的窃电用户核查方法 | |
CN115603318A (zh) | 基于营配数据的跨地区大面积停电故障研判方法及*** | |
CN115864531A (zh) | 一种区域分布式光伏发电碳排放量的监测***及方法 | |
CN116468302A (zh) | 建筑园区能源结构评估方法、***、电子设备及存储介质 | |
CN112113316B (zh) | 一种空调负荷提取的方法 | |
CN116027687A (zh) | 一种智慧用能楼宇能耗监控***及节能效果监测方法 | |
Ya’An | Application of artificial intelligence in computer network technology in the era of big data | |
Li et al. | Research on Key Technology of State Evaluation and Replacement Acquisition System of Intelligent Electric Energy Meter Based on Smart Grid | |
Feng et al. | Design of Comprehensive Energy System Considering Anomaly Detection of Multi-Energy Data | |
CN111178768A (zh) | 一种基于云平台的智慧能源管理*** | |
Quan et al. | Analysis of line loss based on matlab and oracle database | |
CN117892212B (zh) | 一种分布式异构能源站点态势感知监测方法 |
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 |