Nothing Special   »   [go: up one dir, main page]

CN111738483A - 基于聚类和深层信念网络的电网降损优化方法及系统 - Google Patents

基于聚类和深层信念网络的电网降损优化方法及系统 Download PDF

Info

Publication number
CN111738483A
CN111738483A CN202010334939.7A CN202010334939A CN111738483A CN 111738483 A CN111738483 A CN 111738483A CN 202010334939 A CN202010334939 A CN 202010334939A CN 111738483 A CN111738483 A CN 111738483A
Authority
CN
China
Prior art keywords
clustering
power grid
loss reduction
line loss
loss rate
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
Application number
CN202010334939.7A
Other languages
English (en)
Inventor
杨帆
李树青
刘俊
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.)
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
East China Power Test and Research Institute 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 State Grid Shanghai Electric Power Co Ltd, East China Power Test and Research Institute Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN202010334939.7A priority Critical patent/CN111738483A/zh
Publication of CN111738483A publication Critical patent/CN111738483A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明涉及一种基于聚类和深层信念网络的电网降损优化方法及系统，所述方法包括以下步骤：获取台区样本数据并进行预处理，所述台区样本数据包括静态指数和动态运行条件数据；基于所述静态指数，采用聚类算法对台区进行分类；对每种类型台区构建相应的基于深层信念网络的台区线损率计算模型，并训练；基于台区样本数据及训练好的台区线损率计算模型，采用灵敏度分析法获取不同影响程度的线损率影响因素；基于所述不同影响程度的线损率影响因素生成电网降损措施，实现降损优化。与现有技术相比，本发明具有降损效果好，提高降损措施的准确性、合理性和有效性等优点。

Description

基于聚类和深层信念网络的电网降损优化方法及系统
技术领域
本发明属于电力系统技术领域，具体涉及电网线损的获取，尤其是涉及一种基于聚类和深层信念网络的电网降损优化方法及系统。
背景技术
节能降损工作是响应国家建设节约型社会的具体行动，也是电网公司提高企业经营效益的内在要求。节能降损有助于合理利用能源，提高能源利用效率，降低能源损耗，保护环境，是电网公司社会责任和企业责任的集中体现。而电网的降损规划是电力市场营销战略的重要部分，在电力企业战略发展中具有重要的战略意义。电网降损规划是在建设网架坚强、电网协调发展、结构优化、电力供应充足的同时，合理的采取各种切实可行的有效的节能降损措施，尽可能的减小线损，降低损耗，提升电网供电可靠性及电力企业的经验效益。
降低线损是电网企业的重要任务之一，如何控制线损、降低线损，用科学管理方法把不合理的电能损耗降低到最小，使线损率达到先进水平是电网企业现代化管理的核心内容之一，也是电网企业的生存和发展的必要条件。
线损是国家考核供电企业的重要技术指标，线损又是供电企业管理水平的综合反映，用它可衡量供电企业的计划管理、技术管理、运行管理、营业管理和计量管理等多方面情况，降低电网损耗，实现电网节能降损及提高企业效益势在必行。
现有方法大多是在局部获取最优配置，以实现对配电网进行降损，而不同配电网的供电损耗差别较大，其未考虑到不同供电区域的配电网的实际损耗分布情况，从而导致降损过程较盲目，降损不具有针对性。因此，降损效果不佳。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷而提供一种降损效果好的基于聚类和深层信念网络的电网降损优化方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于聚类和深层信念网络的电网降损优化方法，包括以下步骤：
获取台区样本数据并进行预处理，所述台区样本数据包括静态指数和动态运行条件数据；
基于所述静态指数，采用聚类算法对台区进行分类；
对每种类型台区构建相应的基于深层信念网络的台区线损率计算模型，并训练；
基于台区样本数据及训练好的台区线损率计算模型，采用灵敏度分析法获取不同影响程度的线损率影响因素；
基于所述不同影响程度的线损率影响因素生成电网降损措施，实现降损优化。
进一步地，所述静态指数包括变压器容量、线路总长度、供电半径和常用居民数量；
所述动态运行条件数据包括平均负载率、负载形状系数、平均三相不平衡度、平均功率因数和加权能耗。
进一步地，所述台区样本数据由用电量信息采集系统采集获得。
进一步地，所述预处理包括规范化处理。
进一步地，所述采用聚类算法对台区进行分类具体为：
对每个样本的静态指数进行离散化处理，基于K-modes聚类算法对台区进行分类，所述K-modes聚类算法中，两台区间T1＝{x11,…,x1p}和T2＝{x21,…,x2p}的距离计算公式为：
Figure BDA0002466238390000021
其中，δ(·)是分段函数，表示为
Figure BDA0002466238390000022
p为静态指数的数目。
进一步地，所述K-modes聚类算法中，聚类中心的计算公式为：
Figure BDA0002466238390000023
Figure BDA0002466238390000024
cil∈{0,1},1≤i≤n and1≤l≤k
Figure BDA0002466238390000025
其中，k为聚类中心数目，n为台区数目，当第i个台区属于第l个类时，cil等于1，否则为0，Ti为第i个台区样本数据。
进一步地，所述台区线损率计算模型包括用于输入所述静态指数和动态运行条件数据的输入层、用于进行特征提取的隐含层和用于输出台区同期线损率的输出层。
进一步地，所述训练包括无监督分层预训练和监督微调过程，通过所述无监督分层预训练获得台区线损率计算模型的初始值，通过所述监督微调过程获得最终参数。
进一步地，所述采用灵敏度分析法获取不同影响程度的线损率影响因素具体为：
以测试集中的一个样本为参考，保持该样本中的其他参数不变，依次对每个参数按比例调整，基于台区线损率计算模型获得相应的同期线损率，获得不同影响程度的线损率影响因素。
本发明还提供一种电网降损辅助决策系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述计算机程序执行所述的基于聚类和深层信念网络的电网降损优化方法，输出电网降损措施。
与现有技术相比，本发明具有如下有益效果：
本发明首先通过聚类算法对台区进行分类，对不同类型台区建立相应的台区线损率计算模型，提高同期线损率计算准确度，进而获得准确的影响因素，提高降损措施的准确性、合理性和有效性，为管理者做出决策提高有效辅助，降损效果好。
附图说明
图1为本发明的流程示意图；
图2为本发明中基于深层信念网络的台区线损率计算模型的结构图；
图3为同期线损率计算过程分析图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种基于聚类和深层信念网络的电网降损优化方法，主要包括台区样本聚类分析以及基于深度信念网络(DBN)的台区线损率计算模型的训练和应用两部分。该优化方法具体包括：
获取台区样本数据并进行规范化处理，所述台区样本数据包括静态指数和动态运行条件数据；
基于所述静态指数，采用聚类算法对台区进行分类；
对每种类型台区构建相应的基于深层信念网络的台区线损率计算模型，并训练；
基于台区样本数据及训练好的台区线损率计算模型，采用灵敏度分析法获取不同影响程度的线损率影响因素；
基于所述不同影响程度的线损率影响因素生成电网降损措施，实现降损优化。
根据理论分析和实践经验，考虑同期线损率受变压器容量、导线型号、线路全长、供电半径、负荷水平、三相不平衡度、负荷曲线形状、功率因数、测量误差、窃电等因素的影响，选取台区样本数据。所述台区样本数据由用电量信息采集系统采集获得，每15分钟测量一次。
本实施例中，台区样本数据中的静态指数包括变压器容量、线路总长度、供电半径和常用居民数量，动态运行条件数据包括平均负载率、负载形状系数、平均三相不平衡度、平均功率因数和加权能耗，具体可定义为：
(1)x1：变压器容量；
(2)x2：线路总长度
Figure BDA0002466238390000041
其中，li表示第i条线路的长度；
(3)x3：供电半径，即变压器与用户之间的最长电气距离，指台区最远负荷点距离配电变压器的线路距离，常作为判断网架结构是否合理的重要参数；
(4)x4：常用居民数量，用电性质包括居民用电、工业用电、非普用电和其他用电，此处选取居民用电负荷为特定用电，反映用电特性；
(5)x5：平均负载率
Figure BDA0002466238390000042
其中，Pt表示t时刻变压器的有功输出功率；
(6)x6：负载形状系数，反映负载的波动特征；
(7)x7：平均三相不平衡度
Figure BDA0002466238390000043
其中，
Figure BDA0002466238390000044
和
Figure BDA0002466238390000045
表示t时刻最大和平均相电流；
(8)x8：平均功率因数
Figure BDA0002466238390000046
其中，St表示t时刻的视在输出功率；
(9)x9：加权能耗
Figure BDA0002466238390000051
其中，wi、Xi分别表示第i个用户的日能耗值、其与变压器的电气距离。
指标x1～x4描述的是台区静态特性，指标x5～x9反映的台区动态运行条件。大多数台区的线路数据是缺失的(如线路类型、阻抗等)，故计算x3和x9时使用的是线路实际长度而不是电气距离。
所述采用聚类算法对台区进行分类具体为：
对每个样本的静态指数进行离散化处理，基于K-modes聚类算法对台区进行分类，所述K-modes聚类算法中，两台区间T1＝{x11,…,x1p}和T2＝{x21,…,x2p}的距离计算公式为：
Figure BDA0002466238390000052
其中，δ(·)是分段函数，表示为
Figure BDA0002466238390000053
p为静态指数的数目。
所述K-modes聚类算法中，聚类中心的计算公式为：
Figure BDA0002466238390000054
其中，k为聚类中心数目，n为台区数目，当第i个台区属于第l个类时，cil等于1，否则为0，Ti为第i个台区样本数据。
应用K-modes聚类算法的具体步骤如下：
第一步：选择k个台区作为初始质心；
第二步：计算每个台区与质心之间的距离，并将每个台区分类到距其最近的质心区域；
第三步：重新计算目标函数并更新质心；
第四步：重复第二步和第三步，直到目标函数的值收敛。
基于深层信念网络的台区线损率计算模型包括用于输入所述静态指数和动态运行条件数据的输入层、用于进行特征提取的隐含层和用于输出台区同期线损率的输出层。本实施例中，台区线损率计算模型的结构如图2所示。
所述训练包括无监督分层预训练和监督微调过程，通过所述无监督分层预训练获得台区线损率计算模型的初始值，通过所述监督微调过程获得最终参数。
将经分类后台区分类样本集分为训练集和测试集。
基于训练集进行两级训练。DBN的无监督分层预训练中具有几个无监督的限制玻尔兹曼机，限制玻尔兹曼机是一种随机生成神经网络，它可以学习输入的概率分布，由可见的输入层和不可见层组成，且每个不可见层是下一个限制玻尔兹曼机的可见层。采用对比发散算法对限制玻尔兹曼机进行训练，得到权值w和偏差b的最优值。通过自下而上贪婪地优化每个限制玻尔兹曼机的参数，给DBN模型提供一个接近全局最优的良好初始值。
DBN的监督微调过程中基于分层预训练方法，对DBN中的所有参数进行适当初始化，在损失函数达到全局最优之前，对这些参数进行有监督的微调，并将同期线损率的平均百分比计算误差定义为成本函数：
Figure BDA0002466238390000061
其中，N是训练样本数，yi和
Figure BDA0002466238390000062
是第i个样本的真实同期线损率和DBN计算结果。采用反向传播方法进行微调，以自顶向下的方式执行，更新所有参数，减小误差，这些误差通过训练样本反向传播，将DBN的参数更新到最优解。
用测试集确定DBN模型的准确性。
采用灵敏度分析法获取不同影响程度的线损率影响因素具体为：
以测试集中的一个样本为参考，保持该样本中的其他参数不变，依次对每个参数按比例调整，基于台区线损率计算模型获得相应的同期线损率，获得不同影响程度的线损率影响因素，以此确定对台区同期线损率影响较大的因素。
实施例2
本实施例提供一种电网降损辅助决策系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述计算机程序执行如实施例1所述的基于聚类和深层信念网络的电网降损优化方法，输出电网降损措施。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由本发明所确定的保护范围内。

Claims (10)

1.一种基于聚类和深层信念网络的电网降损优化方法，其特征在于，包括以下步骤：
获取台区样本数据并进行预处理，所述台区样本数据包括静态指数和动态运行条件数据；
基于所述静态指数，采用聚类算法对台区进行分类；
对每种类型台区构建相应的基于深层信念网络的台区线损率计算模型，并训练；
基于台区样本数据及训练好的台区线损率计算模型，采用灵敏度分析法获取不同影响程度的线损率影响因素；
基于所述不同影响程度的线损率影响因素生成电网降损措施，实现降损优化。
2.根据权利要求1所述的基于聚类和深层信念网络的电网降损优化方法，其特征在于，所述静态指数包括变压器容量、线路总长度、供电半径和常用居民数量；
所述动态运行条件数据包括平均负载率、负载形状系数、平均三相不平衡度、平均功率因数和加权能耗。
3.根据权利要求1所述的基于聚类和深层信念网络的电网降损优化方法，其特征在于，所述台区样本数据由用电量信息采集系统采集获得。
4.根据权利要求1所述的基于聚类和深层信念网络的电网降损优化方法，其特征在于，所述预处理包括规范化处理。
5.根据权利要求1所述的基于聚类和深层信念网络的电网降损优化方法，其特征在于，所述采用聚类算法对台区进行分类具体为：
对每个样本的静态指数进行离散化处理，基于K-modes聚类算法对台区进行分类，所述K-modes聚类算法中，两台区间T1＝{x11,…,x1p}和T2＝{x21,…,x2p}的距离计算公式为：
Figure FDA0002466238380000011
其中，δ(·)是分段函数，表示为
Figure FDA0002466238380000012
p为静态指数的数目。
6.根据权利要求5所述的基于聚类和深层信念网络的电网降损优化方法，其特征在于，所述K-modes聚类算法中，聚类中心的计算公式为：
Figure FDA0002466238380000021
Figure FDA0002466238380000022
cil∈{0,1},1≤i≤n and 1≤l≤k
Figure FDA0002466238380000023
其中，k为聚类中心数目，n为台区数目，当第i个台区属于第l个类时，cil等于1，否则为0，Ti为第i个台区样本数据。
7.根据权利要求1所述的基于聚类和深层信念网络的电网降损优化方法，其特征在于，所述台区线损率计算模型包括用于输入所述静态指数和动态运行条件数据的输入层、用于进行特征提取的隐含层和用于输出台区同期线损率的输出层。
8.根据权利要求1所述的基于聚类和深层信念网络的电网降损优化方法，其特征在于，所述训练包括无监督分层预训练和监督微调过程，通过所述无监督分层预训练获得台区线损率计算模型的初始值，通过所述监督微调过程获得最终参数。
9.根据权利要求1所述的基于聚类和深层信念网络的电网降损优化方法，其特征在于，所述采用灵敏度分析法获取不同影响程度的线损率影响因素具体为：
以测试集中的一个样本为参考，保持该样本中的其他参数不变，依次对每个参数按比例调整，基于台区线损率计算模型获得相应的同期线损率，获得不同影响程度的线损率影响因素。
10.一种电网降损辅助决策系统，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述计算机程序执行如权利要求1所述的基于聚类和深层信念网络的电网降损优化方法，输出电网降损措施。
CN202010334939.7A 2020-04-24 2020-04-24 基于聚类和深层信念网络的电网降损优化方法及系统 Pending CN111738483A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010334939.7A CN111738483A (zh) 2020-04-24 2020-04-24 基于聚类和深层信念网络的电网降损优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010334939.7A CN111738483A (zh) 2020-04-24 2020-04-24 基于聚类和深层信念网络的电网降损优化方法及系统

Publications (1)

Publication Number Publication Date
CN111738483A true CN111738483A (zh) 2020-10-02

Family

ID=72646886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010334939.7A Pending CN111738483A (zh) 2020-04-24 2020-04-24 基于聚类和深层信念网络的电网降损优化方法及系统

Country Status (1)

Country Link
CN (1) CN111738483A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112671096A (zh) * 2020-11-20 2021-04-16 浙江华云信息科技有限公司 基于数据分析的台区线损电能监测系统及其监测方法
CN114092272A (zh) * 2021-10-09 2022-02-25 云南电网有限责任公司 一种基于动态聚类算法的窃电智能判别方法
CN116050945A (zh) * 2023-03-29 2023-05-02 国网山东省电力公司菏泽供电公司 一种用于配电网末端低压台区降损分析评价系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629255A (zh) * 2012-02-29 2012-08-08 西安交通大学 一种基于mtDNA遗传信息聚类分析的区域人口结构分析方法
CN107909208A (zh) * 2017-11-16 2018-04-13 国网上海市电力公司 一种台区配网降损方法
CN110348713A (zh) * 2019-06-28 2019-10-18 广东电网有限责任公司 一种基于关联性分析和数据挖掘的台区线损计算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102629255A (zh) * 2012-02-29 2012-08-08 西安交通大学 一种基于mtDNA遗传信息聚类分析的区域人口结构分析方法
CN107909208A (zh) * 2017-11-16 2018-04-13 国网上海市电力公司 一种台区配网降损方法
CN110348713A (zh) * 2019-06-28 2019-10-18 广东电网有限责任公司 一种基于关联性分析和数据挖掘的台区线损计算方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112671096A (zh) * 2020-11-20 2021-04-16 浙江华云信息科技有限公司 基于数据分析的台区线损电能监测系统及其监测方法
CN112671096B (zh) * 2020-11-20 2024-02-20 浙江华云信息科技有限公司 基于数据分析的台区线损电能监测系统及其监测方法
CN114092272A (zh) * 2021-10-09 2022-02-25 云南电网有限责任公司 一种基于动态聚类算法的窃电智能判别方法
CN116050945A (zh) * 2023-03-29 2023-05-02 国网山东省电力公司菏泽供电公司 一种用于配电网末端低压台区降损分析评价系统及方法

Similar Documents

Publication Publication Date Title
CN111738512B (zh) 一种基于cnn-ipso-gru混合模型的短期电力负荷预测方法
CN111091143A (zh) 基于深度信念网络和K-means聚类的配变重过载预警方法
CN110674999A (zh) 基于改进聚类和长短期记忆深度学习的小区负荷预测方法
CN111738483A (zh) 基于聚类和深层信念网络的电网降损优化方法及系统
Cai et al. Short‐term load forecasting method based on deep neural network with sample weights
CN112232561B (zh) 基于约束并行lstm分位数回归的电力负荷概率预测方法
CN107730059A (zh) 基于机器学习的变电站电量趋势预测分析的方法
CN113659565B (zh) 一种新能源电力系统频率态势的在线预测方法
CN110334879A (zh) 电网母线无功负荷预测方法及装置
CN112990500A (zh) 基于改进加权灰色关联分析的台区线损分析方法及系统
CN110689162A (zh) 一种基于用户侧分类的母线负荷预测方法、装置及系统
CN115358437A (zh) 基于卷积神经网络的供电负荷预测方法
CN115660725A (zh) 多维度能源用户画像的刻画方法
Lin et al. Intelligent prediction of the construction cost of substation projects using support vector machine optimized by particle swarm optimization
CN111697560B (zh) 一种基于lstm预测电力系统负荷的方法及系统
CN114548494B (zh) 一种可视化造价数据预测智能分析系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Chen et al. Accounting information disclosure and financial crisis beforehand warning based on the artificial neural network
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
Gao et al. Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network
CN112488821A (zh) 一种基于abc-som神经网络的消费信贷场景欺诈检测方法
Cai et al. Short-term load forecasting for city holidays based on genetic support vector machines
CN117522066A (zh) 一种基于调峰电源设备组合预测的联合优化方法及系统
CN117575564A (zh) 可扩展的基础设施网络组件维修与改造决策评估方法及系统

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