CN116780781B - 智能电网接入的功率管理方法 - Google Patents
智能电网接入的功率管理方法 Download PDFInfo
- Publication number
- CN116780781B CN116780781B CN202311070437.8A CN202311070437A CN116780781B CN 116780781 B CN116780781 B CN 116780781B CN 202311070437 A CN202311070437 A CN 202311070437A CN 116780781 B CN116780781 B CN 116780781B
- Authority
- CN
- China
- Prior art keywords
- power
- data
- value data
- grid
- power value
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000005065 mining Methods 0.000 claims abstract description 28
- 239000003016 pheromone Substances 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 241000257303 Hymenoptera Species 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000000546 chi-square test Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 abstract description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Control Of Indicators Other Than Cathode Ray Tubes (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及智能电网技术领域,尤其为智能电网接入的功率管理方法,包括如下步骤:S1:采集智能电网功率值数据;S2:对采集的智能电网功率值数据进行特征提取;S3:基于特征提取结果进行智能电网功率值数据的最优特征区间划分;S4:基于最优特征区间划分结果进行异常检测并对异常检测结果进行上报处理。本发明基于挖掘处理和归一化处理增强功率值数据的聚类性和数据分析的准确率,通过特征提取处理和优化分类处理对获取的特征数据进行特征选择处理,并通过改进蚁群算法进行最优切分点的获取,采用更新的信息素挥发系数策略,增强算法的收敛性,提升功率特征数据的分类性能,获取最优功率特征数据。能够保证特征数据的分类质量及表征能力。
Description
技术领域
本发明涉及智能电网技术领域,尤其是智能电网接入的功率管理方法。
背景技术
智能电网是为了实现能源替代和兼容利用,它整合***中的数据,优化电网的运行和管理。它主要是通过终端传感器将用户之间、用户和电网公司之间形成即时连接的网络互动,从而实现数据读取的实时、高速、双向的效果,整体性地提高电网的综合效率。它可以利用传感器对发电、输电、配电、供电等关键电力设备的运行状况进行实时监控和数据整合。现有的智能电网广泛应用于诸多领域,故亟需一种对于接入智能电网的电力***的功率管理方法,对智能电网的功率状态进行检测,保障智能电网的安全运行。
发明内容
本发明的目的是通过提出智能电网接入的功率管理方法,以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下:
提供智能电网接入的功率管理方法,包括如下步骤:
S1:采集智能电网功率值数据;
S2:对采集的智能电网功率值数据进行特征提取;
S3:基于特征提取结果进行智能电网功率值数据的最优特征区间划分;
S4:基于最优特征区间划分结果进行异常检测并对异常检测结果进行上报处理。
作为本发明的一种优选技术方案:所述S1中的智能电网功率值数据包括智能电网节点功率值数据、智能电网正常运行的功率值数据和智能电网的最大功率数据。
作为本发明的一种优选技术方案:所述S2中,对采集的智能电网功率值数据基于
迭代挖掘函数进行智能电网功率值数据的迭代挖掘处理:
其中,为迭代挖掘处理函数,为智能电网功率值数据的聚类中心之间的距离函
数,为智能电网功率值数据的聚类中心与迭代中心间的距离,为聚类处理的智能电
网功率值数据量,为智能电网功率值数据的迭代挖掘次数。
作为本发明的一种优选技术方案:所述S2中,还对所述迭代挖掘处理获取的智能电网功率值数据进行归一化处理。
作为本发明的一种优选技术方案:所述S2中,基于所述归一化处理后的智能电网
功率数据获得功率值数据序列,基于特征提取算法对所述智能电网功率
值数据序列进行特征提取:
其中,为智能电网功率值数据序列中数据的相关性值,为智能电网
功率值数据序列中第个数据的期望数据,为智能电网功率值数据序列中第个数据的期望数据,为智能电网功率值数据序列的数据个数;
基于卡方检验进行智能电网功率值数据的筛选:
其中,为卡方参数,为智能电网正常运行的功率值数据,为智能电网功率值数
据的期望平均值;
基于筛选结果进行数据的特征提取:
其中,为特征提取获得的功率特征数据,为前一周期的智能电网功率值数据
集,为下一周期的智能电网功率值数据集。
作为本发明的一种优选技术方案:所述S3中,基于获取的功率特征数据进行数据的优化分类处理,以提取最优功率特征数据。
作为本发明的一种优选技术方案:所述优化分类处理具体如下:
基于特征提取获取的功率特征数据集获取其功率特征数据的最大值和最小值,划分区间数,则每一区间的取值范围为:,此时特征区间划分为:
其中,为划分的特征区间。
作为本发明的一种优选技术方案:所述优化分类处理基于改进蚁群算法获取功率特征数据的最优切分点以及最优功率特征数据进行智能电网的功率异常识别。
作为本发明的一种优选技术方案:所述改进蚁群算法具体如下:
将划分区间的特征数据集模拟为蚂蚁选择的边,融入信息素浓度、启发函
数,针对第点位置的第只蚂蚁,当不属于时,则选的概率为:
其中,和分别表示信息素基础下的启发因子与能见度因子,为蚂蚁从节点移动至节点的信息素强度,表示第只蚂蚁集合的可行节点;
其中,为信息素常数,为蚂蚁走过的路径长度;
其中,表示第只蚂蚁的信息素浓度,表示信息素挥发系数;表示
当前循环中第只蚂蚁在边上出现的增量,表示蚂蚁数量;
其中,为最小挥发系数,为最大蚂蚁数量,为权重系数。
作为本发明的一种优选技术方案:所述S4基于SVM二分类器进行异常功率值数据的检测识别。
作为本发明的一种优选技术方案:所述采集智能电网功率值数据采用智能电表或SCADA***。
作为本发明的一种优选技术方案:还包括根据常功率值数据的检测识别结果进行异常数据的上报处理和告警处理。
本发明提供的智能电网接入的功率管理方法,与现有技术相比,其有益效果有:
本发明基于挖掘处理和归一化处理增强功率值数据的聚类性和数据分析的准确率,通过特征提取处理剔除趋势变化剧烈的特征数据,构建智能电网的功率数据特征。基于优化分类处理对获取的特征数据进行进一步的特征选择处理,并通过改进蚁群算法进行最优切分点的获取,改进蚁群算法中,采用更新的信息素挥发系数策略,增强算法的收敛性,提升功率特征数据的分类性能,获取最优功率特征数据。能够保证特征数据的分类质量及表征能力。
附图说明
图1为本发明优选实施例的方法流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本实施例中的实施例及实施例中的特征可以相互组合,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。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他实施例,都属于本发明保护的范围。
参照图1,本发明优选实施例提供了智能电网接入的功率管理方法,包括如下步骤:
S1:采集智能电网功率值数据,采集智能电网功率值数据采用智能电表或SCADA***,本实施例中采用SCADA***;
S2:对采集的智能电网功率值数据进行特征提取;
S3:基于特征提取结果进行智能电网功率值数据的最优特征区间划分;
S4:基于最优特征区间划分结果进行异常检测并对异常检测结果进行上报处理。
所述S1中的智能电网功率值数据包括智能电网节点功率值数据、智能电网正常运行的功率值数据和智能电网的最大功率数据。
所述S2中,对采集的智能电网功率值数据基于迭代挖掘函数进行智能电网功率
值数据的迭代挖掘处理:
其中,为迭代挖掘处理函数,为智能电网功率值数据的聚类中心之间的距离函
数,为智能电网功率值数据的聚类中心与迭代中心间的距离,为聚类处理的智能电
网功率值数据量,为智能电网功率值数据的迭代挖掘次数。具体的,距离函数采用曼哈
顿函数,具体为:,其中,两个聚类中心的坐标分别为和。
为了保证更好的聚类效果,本实施例采用自适应的方式来确定最优的迭代挖掘次
数:
要自适应地确定最优的迭代挖掘次数,需要使用轮廓系数作为评估指标。首先,
定义轮廓系数的计算方法:
其中,其中,表示样本到同簇其他样本的平均距离(与自己所在簇内的其他
样本的平均距离),表示样本到其他簇样本的平均距离(与最近的其他簇的样本的平
均距离);
为样本i和样本j之间的距离,表示集合中样本的数量,为样本所在
簇的数据集合,表示集合中样本的数量,为除样本所在簇以外的距样本最近的其
他簇的数据集合:
1、对原始数据集进行数据聚类和迭代挖掘处理,得到和次迭代挖掘的结果;
2、使用聚类结果进行样本分类,得到不同簇的标签;
3、对于每个样本i,计算其和;
4、计算每个样本的轮廓系数;
5、计算所有样本的轮廓系数的平均值作为平均轮廓系数,以作为当前值
下的聚类效果;
6、重复步骤1-5,依次尝试不同的值;
7、选择平均轮廓系数最大的值作为最优迭代挖掘次数;
其中,平均轮廓系数的计算方法为:。
所述S2中,还对所述迭代挖掘处理获取的智能电网功率值数据进行归一化处理。
所述S2中,基于所述归一化处理后的智能电网功率数据获得功率值数据序列,基于特征提取算法对所述智能电网功率值数据序列进行特征提取:
其中,为智能电网功率值数据序列中数据的相关性值,为智能电网
功率值数据序列中第个数据的期望数据,为智能电网功率值数据序列中第个数据的期望数据,为智能电网功率值数据序列的数据个数;
基于卡方检验进行智能电网功率值数据的筛选:
其中,为卡方参数,为智能电网正常运行的功率值数据,为智能电网功率值数
据的期望平均值;
基于筛选结果进行数据的特征提取:
其中,为特征提取获得的功率特征数据,为前一周期的智能电网功率值数据
集,为下一周期的智能电网功率值数据集。
所述S3中,基于获取的功率特征数据进行数据的优化分类处理,以提取最优功率特征数据。
所述优化分类处理具体如下:
基于特征提取获取的功率特征数据集获取其功率特征数据的最大值和最小值,划分区间数,则每一区间的取值范围为:,此时特征区间划分为:
其中,为划分的特征区间。
所述优化分类处理基于改进蚁群算法获取功率特征数据的最优切分点以及最优功率特征数据进行智能电网的功率异常识别。
所述改进蚁群算法具体如下:
将划分区间的特征数据集模拟为蚂蚁选择的边,融入信息素浓度、启发函
数,针对第点位置的第只蚂蚁,当不属于时,则选的概率为:
其中,和分别表示信息素基础下的启发因子与能见度因子,为蚂蚁从节点移动至节点的信息素强度,表示第只蚂蚁集合的可行节点;
其中,为信息素常数,为蚂蚁走过的路径长度;
其中,表示第只蚂蚁的信息素浓度,表示信息素挥发系数;表示
当前循环中第只蚂蚁在边上出现的增量,表示蚂蚁数量;
其中,为最小挥发系数,为最大蚂蚁数量,为权重系数。
所述S4基于SVM二分类器进行异常功率值数据的检测识别。
所述S4基于异常功率值数据的检测识别结果生成数据日志并存储。
所述S4中,基于异常功率值数据的检测识别结果进行异常数据的上报处理和告警处理。
本实施例中,采集智能电网接入时的功率值数据,包括智能电网节点功率值数据、
智能电网正常运行的功率值数据和智能电网的最大功率数据等。对采集的智能电网功率值
数据基于迭代挖掘函数进行智能电网功率值数据的迭代挖掘处理:
其中,为迭代挖掘处理函数,为智能电网功率值数据的聚类中心之间的距离函
数,为智能电网功率值数据的聚类中心与迭代中心间的距离,聚类处理的智能电网功
率值数据量为1000,智能电网功率值数据的迭代挖掘次数为15次。还对挖掘处理获取的智
能电网功率值数据进行归一化处理。
基于上述挖掘处理和归一化处理可以增强功率值数据的聚类性和数据分析的准确率,提升后续提取的特征数据的表征能力。
基于归一化处理后的智能电网功率数据获得功率值数据序列
,基于特征提取算法对智能电网功率值数据序列进行特征提取:
其中,为智能电网功率值数据序列中数据的相关性值,为智能电网
功率值数据序列中第个数据的期望数据,为智能电网功率值数据序列中第个数据的期望数据,为智能电网功率值数据序列的数据个数;
为了增强特征提取的精度,采用卡方检验筛选产生干扰的数据:
其中,为卡方参数,为智能电网正常运行的功率值数据,为智能电网功率值数
据的期望平均值;
基于筛选结果进行数据的特征提取:
其中,为特征提取获得的功率特征数据,为前一周期的智能电网功率值数据
集,为下一周期的智能电网功率值数据集。
通过上述的特征提取处理能够剔除趋势变化剧烈的特征数据,构建智能电网的功率数据特征。
基于获取的功率特征数据进行数据的优化分类处理,以提取最优功率特征数据:
基于特征提取获取的功率特征数据集获取其功率特征数据的最大值和最小值,划分区间数,则每一区间的取值范围为:,此时特征区间划分为:
其中,为划分的特征区间。
基于改进蚁群算法获取功率特征数据的最优切分点以及最优功率特征数据进行智能电网的功率异常识别:
将划分区间的特征数据集模拟为蚂蚁选择的边,融入信息素浓度、启发函
数,针对第点位置的第只蚂蚁,当不属于时,则选的概率为:
其中,和分别表示信息素基础下的启发因子与能见度因子,为蚂蚁从节点移动至节点的信息素强度,表示第只蚂蚁集合的可行节点;
蚂蚁在行进过程中会留下信息素,用来为其他蚂蚁提供指向信息。在蚁群的正反馈机制下,路径上的信息素浓度强弱与吸引蚂蚁数量成正比,其更新规则如下:
其中,为信息素常数,为蚂蚁走过的路径长度;
其中,表示第只蚂蚁的信息素浓度,表示信息素挥发系数;表示
当前循环中第只蚂蚁在边上出现的增量,表示蚂蚁数量;
其中,为最小挥发系数,为最大蚂蚁数量,为权重系数。
基于上述的优化分类处理,对获取的特征数据进行进一步的特征选择处理,并通过改进蚁群算法进行最优切分点的获取,改进蚁群算法中,采用更新的信息素挥发系数策略,在蚁群搜索的前期,使信息素挥发系数增大,可以增强随机搜索的能力,扩大搜索范围;后期,使信息素挥发系数减小,搜索范围逐步向最优解范围收缩,增强算法的收敛性,提升功率特征数据的分类性能,获取最优功率特征数据。能够保证特征数据的分类质量及表征能力。最终基于SVM二分类器进行异常功率数据值的检测识别和上报。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.智能电网接入的功率管理方法,其特征在于:包括如下步骤:
S1:采集智能电网功率值数据;
S2:对采集的智能电网功率值数据进行特征提取;
S3:基于特征提取结果进行智能电网功率值数据的最优特征区间划分;
S4:基于最优特征区间划分结果进行异常检测并对异常检测结果进行上报处理;
所述S1中的智能电网功率值数据包括智能电网节点功率值数据、智能电网正常运行的功率值数据和智能电网的最大功率数据;
所述S2中,对采集的智能电网功率值数据基于迭代挖掘函数δ进行智能电网功率值数据的迭代挖掘处理:
其中,ρ为迭代挖掘处理函数,δi为智能电网功率值数据的聚类中心之间的距离函数,δ(cj)为智能电网功率值数据的聚类中心与迭代中心cj间的距离,N为聚类处理的智能电网功率值数据量,M为智能电网功率值数据的迭代挖掘次数;
所述S2中,还对所述迭代挖掘处理获取的智能电网功率值数据进行归一化处理;所述S2中,基于所述归一化处理后的智能电网功率数据获得功率值数据序列W={Wr,r=1,…,R},基于特征提取算法对所述智能电网功率值数据序列进行特征提取:
其中,cov(We,Wr)为智能电网功率值数据序列中数据的相关性值,E(We)为智能电网功率值数据序列中第e个数据We的期望数据,E(Wr)为智能电网功率值数据序列中第r个数据Wr的期望数据,R为智能电网功率值数据序列的数据个数;
基于卡方检验进行智能电网功率值数据的筛选:
其中,K为卡方参数,Q为智能电网正常运行的功率值数据,E为智能电网功率值数据的期望平均值;
基于筛选结果进行数据的特征提取:
其中,z为特征提取获得的功率特征数据,Xa-1为前一周期的智能电网功率值数据集,Xa+1为下一周期的智能电网功率值数据集。
2.根据权利要求1所述的智能电网接入的功率管理方法,其特征在于:所述S3中,基于获取的功率特征数据进行数据的优化分类处理,以提取最优功率特征数据。
3.根据权利要求2所述的智能电网接入的功率管理方法,其特征在于:所述优化分类处理具体如下:
基于特征提取获取的功率特征数据集获取其功率特征数据的最大值zmax和最小值zmin,划分区间数k,则每一区间的取值范围为:此时特征区间划分为:
…
其中,Z0,Z1,…,Zk-1为划分的特征区间。
4.根据权利要求3所述的智能电网接入的功率管理方法,其特征在于:所述优化分类处理基于改进蚁群算法获取功率特征数据的最优切分点以及最优功率特征数据进行智能电网的功率异常识别。
5.根据权利要求4所述的智能电网接入的功率管理方法,其特征在于:所述改进蚁群算法具体如下:
将划分区间的特征数据集模拟为蚂蚁选择的边(u,v),融入信息素浓度ruv、启发函数huv,针对第u点位置的第s只蚂蚁,当u不属于yt时,则选v的概率puv(s)为:
其中,α和β分别表示信息素基础下的启发因子与能见度因子,rul(s)为蚂蚁s从节点u移动至节点l的信息素强度,ys表示第s只蚂蚁集合的可行节点;
其中,F为信息素常数,Ls为蚂蚁s走过的路径长度;
其中,ruv(s+1)表示第s+1只蚂蚁的信息素浓度,μ表示信息素挥发系数;表示当前循环中第s只蚂蚁在边(u,v)上出现的增量,c表示蚂蚁数量;
其中,μmin为最小挥发系数,d为最大蚂蚁数量,ω为权重系数。
6.根据权利要求5所述的智能电网接入的功率管理方法,其特征在于:所述S4基于SVM二分类器进行异常功率值数据的检测识别。
7.根据权利要求6所述的智能电网接入的功率管理方法,其特征在于:所述采集智能电网功率值数据采用智能电表或SCADA***。
8.根据权利要求7所述的智能电网接入的功率管理方法,其特征在于:还包括根据常功率值数据的检测识别结果进行异常数据的上报处理和告警处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070437.8A CN116780781B (zh) | 2023-08-24 | 2023-08-24 | 智能电网接入的功率管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311070437.8A CN116780781B (zh) | 2023-08-24 | 2023-08-24 | 智能电网接入的功率管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116780781A CN116780781A (zh) | 2023-09-19 |
CN116780781B true CN116780781B (zh) | 2023-11-10 |
Family
ID=87989951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311070437.8A Active CN116780781B (zh) | 2023-08-24 | 2023-08-24 | 智能电网接入的功率管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116780781B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117405189A (zh) * | 2023-10-18 | 2024-01-16 | 北京京仪北方仪器仪表有限公司 | 一种基于蓝牙soc芯片的燃气表 |
CN117454201B (zh) * | 2023-12-26 | 2024-03-08 | 无锡市锡容电力电器有限公司 | 一种智慧电网异常运行状态检测方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118421A (zh) * | 2007-09-13 | 2008-02-06 | 北京航空航天大学 | 基于自适应蚁群智能的非线性pid控制参数整定方法 |
CN103559536A (zh) * | 2013-11-12 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种基于新概率转移函数的照明通信动态寻径蚁群算法 |
CN107844540A (zh) * | 2017-10-25 | 2018-03-27 | 电子科技大学 | 一种用于电力数据的时间序列挖掘方法 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
CN110738232A (zh) * | 2019-08-27 | 2020-01-31 | 国网四川省电力公司电力科学研究院 | 一种基于数据挖掘技术的电网电压越限成因诊断方法 |
CN111929633A (zh) * | 2020-05-31 | 2020-11-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于融合蚁群算法的电能表检测***及方法 |
CN113017650A (zh) * | 2021-03-12 | 2021-06-25 | 南昌航空大学 | 一种基于功率谱密度图像的脑电特征提取方法和*** |
CN113705383A (zh) * | 2021-08-12 | 2021-11-26 | 南京英诺森软件科技有限公司 | 一种基于三元约束的跨年龄人脸识别方法及*** |
CN114266396A (zh) * | 2021-12-21 | 2022-04-01 | 国网天津市电力公司 | 一种基于电网特征智能筛选的暂态稳定判别方法 |
JP2022129334A (ja) * | 2021-02-24 | 2022-09-05 | 合同会社ポルテロ | 給電システム、管理装置、給電装置、プログラム、およびシステム |
CN115801463A (zh) * | 2023-02-06 | 2023-03-14 | 山东能源数智云科技有限公司 | 工业互联网平台入侵检测的方法、装置和电子设备 |
-
2023
- 2023-08-24 CN CN202311070437.8A patent/CN116780781B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118421A (zh) * | 2007-09-13 | 2008-02-06 | 北京航空航天大学 | 基于自适应蚁群智能的非线性pid控制参数整定方法 |
CN103559536A (zh) * | 2013-11-12 | 2014-02-05 | 杭州银江智慧城市技术集团有限公司 | 一种基于新概率转移函数的照明通信动态寻径蚁群算法 |
CN107844540A (zh) * | 2017-10-25 | 2018-03-27 | 电子科技大学 | 一种用于电力数据的时间序列挖掘方法 |
CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
CN110738232A (zh) * | 2019-08-27 | 2020-01-31 | 国网四川省电力公司电力科学研究院 | 一种基于数据挖掘技术的电网电压越限成因诊断方法 |
CN111929633A (zh) * | 2020-05-31 | 2020-11-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于融合蚁群算法的电能表检测***及方法 |
JP2022129334A (ja) * | 2021-02-24 | 2022-09-05 | 合同会社ポルテロ | 給電システム、管理装置、給電装置、プログラム、およびシステム |
CN113017650A (zh) * | 2021-03-12 | 2021-06-25 | 南昌航空大学 | 一种基于功率谱密度图像的脑电特征提取方法和*** |
CN113705383A (zh) * | 2021-08-12 | 2021-11-26 | 南京英诺森软件科技有限公司 | 一种基于三元约束的跨年龄人脸识别方法及*** |
CN114266396A (zh) * | 2021-12-21 | 2022-04-01 | 国网天津市电力公司 | 一种基于电网特征智能筛选的暂态稳定判别方法 |
CN115801463A (zh) * | 2023-02-06 | 2023-03-14 | 山东能源数智云科技有限公司 | 工业互联网平台入侵检测的方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116780781A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116780781B (zh) | 智能电网接入的功率管理方法 | |
CN107301296B (zh) | 基于数据的断路器故障影响因素定性分析方法 | |
CN101516099B (zh) | 一种传感器网络异常检测方法 | |
CN110826648A (zh) | 一种利用时序聚类算法实现故障检测的方法 | |
CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
CN106485089B (zh) | 谐波用户典型工况的区间参数获取方法 | |
CN112732748B (zh) | 一种基于自适应特征选择的非侵入式家电负荷识别方法 | |
CN114048870A (zh) | 一种基于日志特征智能挖掘的电力***异常监测方法 | |
CN116522268B (zh) | 一种配电网的线损异常识别方法 | |
CN111860624A (zh) | 一种基于决策树的电网故障信息分类方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN113364751A (zh) | 网络攻击预测方法、计算机可读存储介质及电子设备 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及*** | |
CN108596227A (zh) | 一种用户用电行为主导影响因素挖掘方法 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
CN111126449A (zh) | 一种基于聚类分析的电池故障分类诊断方法 | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
CN114372093A (zh) | 一种变压器dga在线监测数据的处理方法 | |
CN117170979B (zh) | 一种大规模设备的能耗数据处理方法、***、设备及介质 | |
CN117951619A (zh) | 基于离群点检测和k-means结合的用户用电行为分析方法及*** | |
CN116365519B (zh) | 一种电力负荷预测方法、***、存储介质及设备 | |
CN111209955A (zh) | 基于深度神经网络和随机森林的飞机电源***故障识别方法 | |
CN115660730A (zh) | 基于分类算法的流失用户分析方法及*** | |
CN113919415A (zh) | 一种基于无监督算法的异常群组检测方法 | |
CN115034839A (zh) | 办公区域状态的检测方法、装置和存储介质及电子设备 |
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 |