CN112465358A - 基于支持向量机的电压质量分类方法及装置 - Google Patents
基于支持向量机的电压质量分类方法及装置 Download PDFInfo
- Publication number
- CN112465358A CN112465358A CN202011378186.6A CN202011378186A CN112465358A CN 112465358 A CN112465358 A CN 112465358A CN 202011378186 A CN202011378186 A CN 202011378186A CN 112465358 A CN112465358 A CN 112465358A
- Authority
- CN
- China
- Prior art keywords
- voltage
- monitoring data
- voltage monitoring
- quality classification
- historical
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 142
- 238000013145 classification model Methods 0.000 claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 2
- 238000012806 monitoring device Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开的一种基于支持向量机的电压质量分类方法及装置，通过预先构建的电压质量分类模型对预设采样周期内的目标电压监控数据进行分类，针对电压质量分类模型的输出结果，获取目标电压监控数据对应的电压质量分类结果。上述方法能够补偿由于电压监测装置通讯和故障导致数据缺失的影响，利用支持向量机的分类法的优点，为电压质量分类提供方便智能的手段，同时也为后续电压治理和质量优化提供依据。
Description
技术领域
本申请涉及电能质量管理技术领域，尤其涉及基于支持向量机的电压质量分类方法及装置。
背景技术
电压质量是电能质量的重要指标之一。各种用电设备是按照额定电压来设计制造的，只有在额定电压下运行才能取得最佳的工作效率。电压质量对电力系统本身有影响，当电压过高时，会对负荷的运行带来不良影响，影响产品的质量和产量，损坏设备，各种电气设备绝缘会损坏，在超高压输电线路中还将增加电晕损耗，甚至会引起电力系统电压崩溃，造成大面积停电。电压降低时，会使电网中的有功功率损耗和能量损耗增加，过低还会危及电力系统运行的稳定性。无论是作为负荷用电设备还是电力系统本身，都要求能在一定的额定电压水平下工作。从技术和经济上综合考虑，规定各类用户的允许电压偏移是完全必要的。
为了监测电压的变化及时发现电压质量问题，确保提供优良的电力服务，国家能源局、电网公司和供电公司等多家单位，在电力系统各环节装设大量的电压监测设备。目前电压监测仪或电能计量终端，主要完成电压测量采集以及对电压合格率进行统计，然后将数据上传到后台监控中心，后台监控中心在海量电压数据中对典型电压问题进行筛选及分类，最后由工作人员可根据分类结果制定有效的解决方案，但是由于电压数据的信息量非常巨大，常常发生因通讯和装置故障导致数据缺失的问题，使得后台监控中心将无法及时根据分类需要筛选出具有典型电压问题，缺少为工作人员治理提供依据的功能。
发明内容
为了解决由于电压监测装置通讯和故障导致数据缺失的影响，无法及时根据分类需要筛选出具有典型电压问题的技术问题，本申请通过以下实施例公开了一种基于支持向量机的电压质量分类方法及装置。
本申请第一方面公开了一种基于支持向量机的电压质量分类方法，包括：
获取预先构建的电压质量分类模型，所述电压质量分类模型基于支持向量机算法建立，并使用历史电压监控数据完成训练及测试；
获取预设采样周期内的目标电压监控数据；
将所述目标电压监控数据输入至所述电压质量分类模型中；
针对所述电压质量分类模型的输出结果，获取所述目标电压监控数据对应的电压质量分类结果。
可选的，所述电压质量分类模型通过以下步骤预先构建：
获取预设采样周期内的历史电压监控数据；
对所述历史电压监控数据进行预处理，所述预处理包括判断所述历史电压监控数据中是否存在缺失数据，若存在，则根据已知数据对所述缺失数据进行数据插补；
根据预处理后的历史电压监控数据以及预设的电压质量分类需求，生成训练集或测试集；
对所述训练集和测试集进行归一化处理；
将所述训练集输入至初始支持向量机模型中进行训练，得到对应的的决策函数；
使用所述测试集对所述决策函数进行分类测试，若分类测试结果的准确率高于预设阈值，则基于所述决策函数获取所述电压质量分类模型。
可选的，所述获取预设采样周期内的历史电压监控数据，包括：
获取待筛选电压监测数据，所述待筛选电压监测数据为电压监测仪在预设采样周期内针对多个监测点所上传的电压监测数据；
从所述待筛选电压监测数据中，提取出所述历史电压监控数据，所述历史电压监控数据为目标监测点对应的电压监测数据，所述目标监测点为在预设采样周期内电压监测数据上传量满足预设正常上传量对应的监测点。
可选的，所述对所述历史电压监控数据进行预处理，还包括对所述历史电压监控数据进行复原处理、去噪处理及加强有用信息处理。
本申请第二方面公开了一种基于支持向量机的电压质量分类装置，所述装置应用于如本申请第一方面公开的基于支持向量机的电压质量分类方法，所述装置包括：
模型获取模块，用于获取预先构建的电压质量分类模型，所述电压质量分类模型基于支持向量机算法建立，并使用历史电压监控数据完成训练及测试；
目标电压监控数据获取模块，用于获取预设采样周期内的目标电压监控数据；
数据输入模块，用于将所述目标电压监控数据输入至所述电压质量分类模型中；
结果获取模块，用于针对所述电压质量分类模型的输出结果，获取所述目标电压监控数据对应的电压质量分类结果。
可选的，所述装置还包括模型构建模块，所述模型构建模块用于预先构建所述电压质量分类模型，所述模型构建模块包括：
历史电压监控数据获取单元，用于获取预设采样周期内的历史电压监控数据；
预处理单元，用于对所述历史电压监控数据进行预处理，所述预处理包括判断所述历史电压监控数据中是否存在缺失数据，若存在，则根据已知数据对所述缺失数据进行数据插补；
生成单元，用于根据预处理后的历史电压监控数据以及预设的电压质量分类需求，生成训练集或测试集；
归一化单元，用于对所述训练集和测试集进行归一化处理；
训练单元，用于将所述训练集输入至初始支持向量机模型中进行训练，得到对应的的决策函数；
测试单元，用于使用所述测试集对所述决策函数进行分类测试，若分类测试结果的准确率高于预设阈值，则基于所述决策函数获取所述电压质量分类模型。
可选的，所述历史电压监控数据获取单元，包括：
待筛选电压监测数据获取子单元，用于获取待筛选电压监测数据，所述待筛选电压监测数据为电压监测仪在预设采样周期内针对多个监测点所上传的电压监测数据；
提取子单元，用于从所述待筛选电压监测数据中，提取出所述历史电压监控数据，所述历史电压监控数据为目标监测点对应的电压监测数据，所述目标监测点为在预设采样周期内电压监测数据上传量满足预设正常上传量对应的监测点。
本申请公开的一种基于支持向量机的电压质量分类方法及装置，通过预先构建的电压质量分类模型对预设采样周期内的目标电压监控数据进行分类，针对电压质量分类模型的输出结果，获取目标电压监控数据对应的电压质量分类结果。上述方法能够补偿由于电压监测装置通讯和故障导致数据缺失的影响，利用支持向量机的分类法的优点，为电压质量分类提供方便智能的手段，同时也为后续电压治理和质量优化提供依据。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种基于支持向量机的电压质量分类方法的工作流程示意图；
图2为本申请实施例公开的一种基于支持向量机的电压质量分类装置的结构示意图。
具体实施方式
为了解决由于电压监测装置通讯和故障导致数据缺失的影响，无法及时根据分类需要筛选出具有典型电压问题的技术问题，本申请通过以下实施例公开了一种基于支持向量机的电压质量分类方法及装置。
本申请第一实施例公开了一种基于支持向量机的电压质量分类方法，参见图1所示的工作流程示意图，所述方法包括：
步骤S101，获取预先构建的电压质量分类模型，所述电压质量分类模型基于支持向量机算法建立，并使用历史电压监控数据完成训练及测试。
步骤S102，获取预设采样周期内的目标电压监控数据。
实际应用中，用于分类的电压监测数据可以来源于电压监测仪、计量终端、智能电表等监测装置，为了方便系统性分析电压质量问题，宜在数据来源出附加监测点的地理位置特征值。
步骤S103，将所述目标电压监控数据输入至所述电压质量分类模型中。
步骤S104，针对所述电压质量分类模型的输出结果，获取所述目标电压监控数据对应的电压质量分类结果。
进一步的，所述电压质量分类模型通过以下步骤预先构建：
获取预设采样周期内的历史电压监控数据。
具体的，电压监测仪每天都会向后台监控中心上传数据，将电压监测仪在预设采样周期内针对多个监测点所上传的电压监测数据，作为待筛选电压监测数据；
考虑到通讯通道和装置故障原因，对待筛选电压监测数据进行筛选，将采样周期内少于M个数据的监测点进行排除(M的具体数值可根据不同电网特性和装置特性进行设定)，提取出所述历史电压监控数据，所述历史电压监控数据为目标监测点对应的电压监测数据，所述目标监测点为在预设采样周期内电压监测数据上传量满足预设正常上传量(即M个数据)对应的监测点。
对所述历史电压监控数据进行预处理，所述预处理包括判断所述历史电压监控数据中是否存在缺失数据，若存在，则根据已知数据对所述缺失数据进行数据插补。
对采样周期内数据不全的点进行筛选和补偿，针对历史电压监控数据，根据已知数据采用插值法估算出缺少数据，从而进行补偿，以保证后续参与训练的样本和待测试集数据质量。一般情况下不对插值多项式进行分析，仅需方便计算出给定点的估计值时可采用逐次线性插样。若对多项式表达式有研究需求，则采用牛顿插值法，既有具体的表达式，又很容易用它计算任何点的函数值。
考虑到数据获取装置或其他因素造成的信息退化现象，对所述历史电压监控数据进行预处理，还包括对所述历史电压监控数据进行复原处理、去噪处理及加强有用信息处理。
根据预处理后的历史电压监控数据以及预设的电压质量分类需求，生成训练集或测试集。
对所述训练集和测试集进行归一化处理。
将所述训练集输入至初始支持向量机模型中进行训练，得到对应的的决策函数。
使用所述测试集对所述决策函数进行分类测试，若分类测试结果的准确率高于预设阈值，则基于所述决策函数获取所述电压质量分类模型。
作为示例，若电压质量分类需求为分析某区域电压偏差情况，便可选取典型的低电压台区数据、高电压台区数据等作为训练集和测试集。
使用支持向量机分类模块构造和训练初始支持向量机模型(SVM)，以分析某区域电压偏差为例：对于给定的训练数据M＝{(X1，Y1)........(Xm，Ym)}；其中Xj＝(x1，x2，x3......xi)，X1......Xi为该监测点的时序电压数据，i数值由监测点分类时间周期内补偿后的电压数据总数确定，Yj＝(1，2，3，4)，j＝1，2，3.....m；1表示该区域电压正常，2表示该区域电压越上限，3表示该区域电压越下限，4表示该区域电压越上下限。对训练集和测试集进行归一化处理后进行SVM训练，便可得到对应的的决策函数。
最后进行预测结果及分类准确率校验。根据训练得到的决策函数对测试集中数据进行分类测试，并计算分类准确率，若准确率符合要求则说明该决策函数可以用于该类型电压质量问题的分类，否则应增加训练集中数据或优化SVM核函数后重新训练。
上述实施例公开的一种基于支持向量机的电压质量分类方法，充分利用了电压监测装置的数据配合支持向量机分类法，具有如下优点：
(1)针对有限样本情况的，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值。
(2)算法最终将转化成为一个二次型寻优问题，从理论上说，得到的将是全局最优点，解决了在神经网络方法中无法避免的局部极值问题。
(3)算法将实际问题通过非线性变换转换到高维的特征空间(FeatureSpace)，在高维空间中构造线性判别函数来实现原空间中的非线性判别函数，特殊性质能保证机器有较好的推广能力，同时它巧妙地解决了维数问题，其算法复杂度与样本维数无关。
下述为本申请公开的装置实施例，用于执行上述方法实施例。对于装置实施例中未披露的细节，请参照上述方法实施例。
本申请第二实施例公开了一种基于支持向量机的电压质量分类装置，所述装置应用于如本申请第一实施例公开的基于支持向量机的电压质量分类方法，参见图2所示的结构示意图，所述装置包括：
模型获取模块10，用于获取预先构建的电压质量分类模型，所述电压质量分类模型基于支持向量机算法建立，并使用历史电压监控数据完成训练及测试。
目标电压监控数据获取模块20，用于获取预设采样周期内的目标电压监控数据。
数据输入模块30，用于将所述目标电压监控数据输入至所述电压质量分类模型中。
结果获取模块40，用于针对所述电压质量分类模型的输出结果，获取所述目标电压监控数据对应的电压质量分类结果。
进一步的，所述装置还包括模型构建模块，所述模型构建模块用于预先构建所述电压质量分类模型，所述模型构建模块包括：
历史电压监控数据获取单元，用于获取预设采样周期内的历史电压监控数据。
预处理单元，用于对所述历史电压监控数据进行预处理，所述预处理包括判断所述历史电压监控数据中是否存在缺失数据，若存在，则根据已知数据对所述缺失数据进行数据插补。
生成单元，用于根据预处理后的历史电压监控数据以及预设的电压质量分类需求，生成训练集或测试集。
归一化单元，用于对所述训练集和测试集进行归一化处理。
训练单元，用于将所述训练集输入至初始支持向量机模型中进行训练，得到对应的的决策函数。
测试单元，用于使用所述测试集对所述决策函数进行分类测试，若分类测试结果的准确率高于预设阈值，则基于所述决策函数获取所述电压质量分类模型。
进一步的，所述历史电压监控数据获取单元，包括：
待筛选电压监测数据获取子单元，用于获取待筛选电压监测数据，所述待筛选电压监测数据为电压监测仪在预设采样周期内针对多个监测点所上传的电压监测数据。
提取子单元，用于从所述待筛选电压监测数据中，提取出所述历史电压监控数据，所述历史电压监控数据为目标监测点对应的电压监测数据，所述目标监测点为在预设采样周期内电压监测数据上传量满足预设正常上传量对应的监测点。
本申请公开的一种基于支持向量机的电压质量分类方法及装置，采用插值法在一定程度上补偿由于电压监测装置通讯和故障导致数据缺失的影响，发挥支持向量机的分类法的优点，为电压质量分类提供方便智能的手段，同时也为后续电压治理和质量优化提供依据。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (7)
1.一种基于支持向量机的电压质量分类方法，其特征在于，包括：
获取预先构建的电压质量分类模型，所述电压质量分类模型基于支持向量机算法建立，并使用历史电压监控数据完成训练及测试；
获取预设采样周期内的目标电压监控数据；
将所述目标电压监控数据输入至所述电压质量分类模型中；
针对所述电压质量分类模型的输出结果，获取所述目标电压监控数据对应的电压质量分类结果。
2.根据权利要求1所述的基于支持向量机的电压质量分类方法，其特征在于，所述电压质量分类模型通过以下步骤预先构建：
获取预设采样周期内的历史电压监控数据；
对所述历史电压监控数据进行预处理，所述预处理包括判断所述历史电压监控数据中是否存在缺失数据，若存在，则根据已知数据对所述缺失数据进行数据插补；
根据预处理后的历史电压监控数据以及预设的电压质量分类需求，生成训练集或测试集；
对所述训练集和测试集进行归一化处理；
将所述训练集输入至初始支持向量机模型中进行训练，得到对应的的决策函数；
使用所述测试集对所述决策函数进行分类测试，若分类测试结果的准确率高于预设阈值，则基于所述决策函数获取所述电压质量分类模型。
3.根据权利要求2所述的基于支持向量机的电压质量分类方法，其特征在于，所述获取预设采样周期内的历史电压监控数据，包括：
获取待筛选电压监测数据，所述待筛选电压监测数据为电压监测仪在预设采样周期内针对多个监测点所上传的电压监测数据；
从所述待筛选电压监测数据中，提取出所述历史电压监控数据，所述历史电压监控数据为目标监测点对应的电压监测数据，所述目标监测点为在预设采样周期内电压监测数据上传量满足预设正常上传量对应的监测点。
4.根据权利要求2所述的基于支持向量机的电压质量分类方法，其特征在于，所述对所述历史电压监控数据进行预处理，还包括对所述历史电压监控数据进行复原处理、去噪处理及加强有用信息处理。
5.一种基于支持向量机的电压质量分类装置，其特征在于，所述装置应用于如权利要求1-4任一项所述的基于支持向量机的电压质量分类方法，所述装置包括：
模型获取模块，用于获取预先构建的电压质量分类模型，所述电压质量分类模型基于支持向量机算法建立，并使用历史电压监控数据完成训练及测试；
目标电压监控数据获取模块，用于获取预设采样周期内的目标电压监控数据；
数据输入模块，用于将所述目标电压监控数据输入至所述电压质量分类模型中；
结果获取模块，用于针对所述电压质量分类模型的输出结果，获取所述目标电压监控数据对应的电压质量分类结果。
6.根据权利要求5所述的基于支持向量机的电压质量分类装置，其特征在于，所述装置还包括模型构建模块，所述模型构建模块用于预先构建所述电压质量分类模型，所述模型构建模块包括：
历史电压监控数据获取单元，用于获取预设采样周期内的历史电压监控数据；
预处理单元，用于对所述历史电压监控数据进行预处理，所述预处理包括判断所述历史电压监控数据中是否存在缺失数据，若存在，则根据已知数据对所述缺失数据进行数据插补；
生成单元，用于根据预处理后的历史电压监控数据以及预设的电压质量分类需求，生成训练集或测试集；
归一化单元，用于对所述训练集和测试集进行归一化处理；
训练单元，用于将所述训练集输入至初始支持向量机模型中进行训练，得到对应的的决策函数；
测试单元，用于使用所述测试集对所述决策函数进行分类测试，若分类测试结果的准确率高于预设阈值，则基于所述决策函数获取所述电压质量分类模型。
7.根据权利要求6所述的基于支持向量机的电压质量分类装置，其特征在于，所述历史电压监控数据获取单元，包括：
待筛选电压监测数据获取子单元，用于获取待筛选电压监测数据，所述待筛选电压监测数据为电压监测仪在预设采样周期内针对多个监测点所上传的电压监测数据；
提取子单元，用于从所述待筛选电压监测数据中，提取出所述历史电压监控数据，所述历史电压监控数据为目标监测点对应的电压监测数据，所述目标监测点为在预设采样周期内电压监测数据上传量满足预设正常上传量对应的监测点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011378186.6A CN112465358A (zh) | 2020-11-30 | 2020-11-30 | 基于支持向量机的电压质量分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011378186.6A CN112465358A (zh) | 2020-11-30 | 2020-11-30 | 基于支持向量机的电压质量分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112465358A true CN112465358A (zh) | 2021-03-09 |
Family
ID=74805033
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011378186.6A Pending CN112465358A (zh) | 2020-11-30 | 2020-11-30 | 基于支持向量机的电压质量分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465358A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004269A (zh) * | 2021-08-06 | 2022-02-01 | 国网天津市电力公司 | 一种孪生神经网络的重要电力用户电能质量数据分类方法 |
| CN114119289A (zh) * | 2021-12-01 | 2022-03-01 | 河南博元电力科技股份有限公司 | 综合能源监控数据的处理方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491832A (zh) * | 2017-07-12 | 2017-12-19 | 国网上海市电力公司 | 基于混沌理论的电能质量稳态指标预测方法 |
| CN110808581A (zh) * | 2019-10-25 | 2020-02-18 | 浙江工业大学 | 一种基于dbn-svm的主动配电网电能质量预测方法 |
-
2020
- 2020-11-30 CN CN202011378186.6A patent/CN112465358A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491832A (zh) * | 2017-07-12 | 2017-12-19 | 国网上海市电力公司 | 基于混沌理论的电能质量稳态指标预测方法 |
| CN110808581A (zh) * | 2019-10-25 | 2020-02-18 | 浙江工业大学 | 一种基于dbn-svm的主动配电网电能质量预测方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114004269A (zh) * | 2021-08-06 | 2022-02-01 | 国网天津市电力公司 | 一种孪生神经网络的重要电力用户电能质量数据分类方法 |
| CN114119289A (zh) * | 2021-12-01 | 2022-03-01 | 河南博元电力科技股份有限公司 | 综合能源监控数据的处理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11062212B2 (en) | Outage prevention in an electric power distribution grid using smart meter messaging | |
| Mohsenian-Rad et al. | Distribution synchrophasors: Pairing big data with analytics to create actionable information | |
| US7672812B2 (en) | Cable fault detection | |
| US20090187344A1 (en) | System, Method, and Computer Program Product for Analyzing Power Grid Data | |
| US11063472B1 (en) | Topology identification and state estimation of power grids | |
| CN109949178B (zh) | 一种基于支持向量机中压配网停电事件判断及补全方法 | |
| CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
| KR101214765B1 (ko) | 전력설비 모니터링 시스템 및 방법 | |
| CN116125361B (zh) | 电压互感器误差评估方法、系统、电子设备及存储介质 | |
| CN102759684A (zh) | 用于探测和定位地下线缆中的缺陷的装置和方法 | |
| CN113222036B (zh) | 一种高压电缆接地系统的缺陷自动识别方法及装置 | |
| US12039045B2 (en) | Event analysis in an electric power system | |
| CN112465358A (zh) | 基于支持向量机的电压质量分类方法及装置 | |
| CN113655333A (zh) | 基于大数据挖掘分析的分布式故障监测方法及系统 | |
| Khosravi et al. | Classification of sags gathered in distribution substations based on multiway principal component analysis | |
| CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
| CN112347655B (zh) | 一种基于机组运行性能评估的风电场理论功率计算方法 | |
| CN114065129A (zh) | 一种基于谱聚类方法的线变关系检测方法及检测系统 | |
| Reno et al. | IMoFi (Intelligent Model Fidelity): Physics-Based Data-Driven Grid Modeling to Accelerate Accurate PV Integration Updated Accomplishments | |
| CN112630581B (zh) | 变压器中性点直流监盘方法、装置、设备和存储介质 | |
| LU500121B1 (en) | A method, device and equipment for electric meter detecting | |
| Ren et al. | Resilience assessment of mobile emergency generator-assisted distribution networks: A stochastic geometry approach | |
| CN118839866A (zh) | 一种基于人工智能的电力线路状态评估方法及系统 | |
| Niazazari et al. | Deep Neural Network based Wide-Area Event Classification in Power Systems | |
| CN118468188A (zh) | 电网数据的处理方法、装置、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 |