-
公开(公告)号：CN114218522A
公开(公告)日：2022-03-22
申请号：CN202111463033.6
申请日：2021-12-02
申请人： 清华大学 , 国网辽宁省电力有限公司沈阳供电公司 , 国家电网有限公司
摘要： 本发明公开了一种基于信息传递熵的台区用户贡献度测算方法及窃电排查方法，首先，该贡献度测算方法采集台区供电量、售电量和下属用户的用电量时序数据，对数据进行清洗，对缺失值进行填补，构造样本集，然后设定计算传递熵的参数，分别计算台区损失电量与各用户用电量之间的传递熵值，根据传递熵值大小进行排序，作为用户对台区线损的贡献度排序，以掌握影响台区线损的关键用户，缩小窃电用户的排查范围，为电力公司开展线损稽查工作提供参考；所述窃电排查方法，根据台区各用户用电行为对台区线损的贡献程度，采取不同措施进行排查，实现台区线损高效率、差异化管理。
-
公开(公告)号：CN111897888A
公开(公告)日：2020-11-06
申请号：CN202010824192.3
申请日：2020-08-17
申请人： 国网辽宁省电力有限公司沈阳供电公司 , 清华大学 , 国家电网有限公司
IPC分类号： G06F16/28 , G06F16/215 , G06Q50/06
摘要： 本申请公开了一种基于Spark框架和凝聚层次聚类算法的户变关系识别方法，其中，方法包括：采集台区变压器及台区用户的时序电压数据；利用Spark SQL对时序电压数据进行预处理，以得到处理后的数据；采用主成分分析法对处理后的数据进行降维，并提取电压时序数据特征；基于凝聚层次聚类算法对电压时序数据特征进行聚类分析确定电力用户分类，得到户变关系识别结果。该方法，通过引入Spark分布式运算平台，通过调用Spark MLlib机器学习库，实现主成分分析法降维与凝聚层次聚类算法聚类，实现对于户变关系识别的计算，解决了数据量增大后户变关系识别计算效率低的问题。
-
公开(公告)号：CN111080105A
公开(公告)日：2020-04-28
申请号：CN201911239321.6
申请日：2019-12-06
申请人： 国网辽宁省电力有限公司沈阳供电公司 , 清华大学 , 国家电网有限公司
摘要： 本发明公开了一种基于电压时序数据的台区户变关系识别方法及系统，其中，该方法包括：采集和处理配电台区变压器侧和各用户侧的电压时序数据作为多个观测变量；采用FastICA技术对多个观测变量进行独立成分分析与特征提取，获得用于估计多个观测变量的一系列相互独立的随机变量和混合矩阵，利用K-means聚类方法对特征提取后数据即混合矩阵进行聚类分析，得到聚类结果，根据聚类结果确定台区用户对应关系，该方法无需安装额外的设备和装置，也无需人工检测，能够在保证精度的情况下，仅需根据一定的采样率采集用户电压时序数据实现户变关系的智能识别。
-
公开(公告)号：CN110969306A
公开(公告)日：2020-04-07
申请号：CN201911235433.4
申请日：2019-12-05
申请人： 国网辽宁省电力有限公司沈阳供电公司 , 清华大学 , 国家电网有限公司
摘要： 本发明公开了一种基于深度学习的配电低压台区负荷预测方法及装置，其中，方法包括以下步骤：采集配电低压台区量测数据；根据配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练预测模型；在预测模型满足预设条件后，采集当前配电低压台区量测数据，并将当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果。该方法基于LSTM模型，并结合Wide模块与Deep模块的信息表达特性，搭建了一种全新的负荷预测模型，从而提高低压配电台区负荷预测精度。
-
公开(公告)号：CN110969306B
公开(公告)日：2023-09-19
申请号：CN201911235433.4
申请日：2019-12-05
申请人： 国网辽宁省电力有限公司沈阳供电公司 , 清华大学 , 国家电网有限公司
IPC分类号： H02J3/00 , G06Q50/06 , G06N3/0442 , G06N3/084 , G06N3/0985
摘要： 本发明公开了一种基于深度学习的配电低压台区负荷预测方法及装置，其中，方法包括以下步骤：采集配电低压台区量测数据；根据配电低压台区量测数据，通过Adam优化算法，基于反向传播算法迭代更新神经网络权重，并生成预测模型的输入值，训练预测模型；在预测模型满足预设条件后，采集当前配电低压台区量测数据，并将当前配电低压台区量测数据输入训练后的预测模型，得到配电低压台区负荷预测结果。该方法基于LSTM模型，并结合Wide模块与Deep模块的信息表达特性，搭建了一种全新的负荷预测模型，从而提高低压配电台区负荷预测精度。
-
公开(公告)号：CN112054507A
公开(公告)日：2020-12-08
申请号：CN202010791579.3
申请日：2020-08-07
申请人： 国网辽宁省电力有限公司沈阳供电公司 , 清华大学 , 国家电网有限公司
摘要： 本发明公开了一种基于卷积神经网络的配电低压台区理论线损区间计算方法及装置，其中该方法包括：采集低压配电台区的数据并进行处理；构建卷积神经网络，利用处理后的数据及梯度更新优化算法对卷积神经网络进行训练，将低压配电台区一整月的电压、电流与功率因数作为卷积神经网络的输入数据，进行特征抽取，形成对输入信息进行抽象表达的特征图，对全连接网络输入与电压、电流和功率因数数据对应的可以表示数据特性的类别型特征，利用全连接网络进行特征抽取，将特征图的矩阵展开并与全连接网络抽取的特征进行拼接，构建分类器，以计算低压配电台区的理论线损区间。该方法搭建了一种理论线损区间计算模型，可以对低压配电台区的线损精细化管理。
-
公开(公告)号：CN114218522B
公开(公告)日：2024-04-09
申请号：CN202111463033.6
申请日：2021-12-02
申请人： 清华大学 , 国网辽宁省电力有限公司沈阳供电公司 , 国家电网有限公司
摘要： 本发明公开了一种基于信息传递熵的台区用户贡献度测算方法及窃电排查方法，首先，该贡献度测算方法采集台区供电量、售电量和下属用户的用电量时序数据，对数据进行清洗，对缺失值进行填补，构造样本集，然后设定计算传递熵的参数，分别计算台区损失电量与各用户用电量之间的传递熵值，根据传递熵值大小进行排序，作为用户对台区线损的贡献度排序，以掌握影响台区线损的关键用户，缩小窃电用户的排查范围，为电力公司开展线损稽查工作提供参考；所述窃电排查方法，根据台区各用户用电行为对台区线损的贡献程度，采取不同措施进行排查，实现台区线损高效率、差异化管理。
-
公开(公告)号：CN113224748A
公开(公告)日：2021-08-06
申请号：CN202110452787.5
申请日：2021-04-26
申请人： 国网辽宁省电力有限公司沈阳供电公司 , 清华大学 , 国家电网有限公司
摘要： 本发明属于电力系统配电网管理技术领域，尤其涉及一种低压配电台区线路损耗的计算方法。本发明方法首先在配电网拓扑结构与单个用户电表数据未知的情况下，考虑使用实测数据，计算得到“虚拟线路电阻”这一特征。并将其加入实测的供售电量、电流、统计线损等特征中，采用iForest孤立森林算法进行数据离群点检测。剔除数据异常值后，对大量实测数据采用机器学习中的回归分析方法，建立了理论线损估计模型，计算得到估计线损值。本发明方法兼顾了可解释性与准确性，为低压配电网线损管理工作提供参考。而且本发明方法的计算量小，因而减少工作量，节约成本，只需根据变压器低压侧的实测数据和供售电量，通过机器学习中的回归分析方法计算得到线损估计值。
-
公开(公告)号：CN112052620A
公开(公告)日：2020-12-08
申请号：CN202010693955.5
申请日：2020-07-17
申请人： 清华大学 , 国网辽宁省电力有限公司沈阳供电公司 , 国家电网有限公司
IPC分类号： G06F30/27 , G06F30/20 , G06F16/28 , G06N3/04 , G06Q10/06 , H02J13/00 , H04L29/06 , H04L29/08 , G06F113/04
摘要： 本发明公开了一种城市配电台区智能化监视与分析系统，包括：台区运行状态监测模块，用于从多个维度对城市电网配电台区运行状态进行分析；故障综合信息分析模块，用于对城市电网配电台区故障时的故障信息进行分析，对城市电网配电台区故障后的故障信息进行汇总和综合，并分析城市电网配电台区的运行特性，以对城市电网配电台区的故障综合信息进行分析；线损分析与智能诊断模块，用于根据城市电网配电台区的同期线损检测分析和智能诊断，建立台区同期线损指标评价体系，以对城市电网配电台区运行进行智能诊断。该系统从全局掌握城市配电网台区运行特性，为保障供电可靠性、降低电网峰谷差率和线损率、实现城市配电智能化监控奠定基础。
-
公开(公告)号：CN114186739A
公开(公告)日：2022-03-15
申请号：CN202111511262.0
申请日：2021-12-02
申请人： 国网辽宁省电力有限公司沈阳供电公司 , 清华大学 , 国家电网有限公司
摘要： 本发明公开了一种基于深度学习的台区短期负荷预测方法，包括如下步骤：S1：采集低压配电台区的时序运行数据，其中，所述时序运行数据包括电压、电流、有功功率、无功功率和时间信息；S2：对所述时序运行数据进行预处理和特征工程工作，得到数值型数据和类别型数据；S3：将所述数值型数据输入到训练好的Seq2Seq‑Attention模型中，得到经过Attention模型附加权重的向量序列，之后，将经过全连接网络的类别型数据与所述向量序列进行向量合并，并经过激活函数得到负荷预测结果。该基于深度学习的台区短期负荷预测方法，在Seq2Seq‑Attention模型和电力系统大量多维时间序列数据基础之上，基于Seq2Seq‑Attention模型下的台区短期负荷预测方法，能够达到较高的预测准确性。
-
-
-
-
-
-
-
-
-
搜索结果
391 条记录 (耗时 0.132 秒)
