排序方式: 共有16条查询结果,搜索用时 15 毫秒
1.
2.
3.
异常或欺诈造成的非技术性电力损失是电力公司损失的主要源头之一。智能电表的广泛使用,使得运用大数据方法实现对非技术性电力损失的有效检测成为可能。提出了一种使用监督学习进行非技术损失检测的方法。该方法基于智能仪表记录的所有信息(耗电量、异常警报等)结合辅助数据库所提供的有关每个智能电表的地理位置和技术参数的附加信息,使用最优的机器算法来深入分析用电客户的用电行为,生成异常用电客户列表。通过现场检查的结果表明,该方法能够较为准确地识别智能电网中所存在异常用电客户。 相似文献
4.
在指出各类信息系统对于消息提醒的基本需求后,归纳了事件提醒基础服务的基本概念及其要点,提出了事件提醒基础服务的基本架构与层次结构,并对于其业务处理流程和功能结构进行了整体描述。最后,通过在信息系统中的两个典型应用与两个电力类特色应用的实际举例,说明了其对于相关信息系统应用水平提高和使用效率提升的有效性。 相似文献
6.
7.
8.
构建高效的光伏出力预测模型,能减少光伏出力随机性对电力系统的冲击。考虑光伏发电的随机性和不稳定性,提出用加权的马尔科夫链修正SVM预测模型,以提高预测精度。首先建立SVM光伏出力预测模型,预测未来1天的出力曲线。然后基于均值-均方差方法对预测残差进行分级,以残差序列标准化的各阶自相关系数为权重,运用加权马尔科夫链模型,预测残差的未来状态。最后根据未来状态空间的阈值对SVM预测结果进行修正。将此模型应用到某光伏发电系统的出力预测实例中,仿真结果表明,修正后的模型预测精度更高,模型具备可行性和有效性。 相似文献
9.
分布式光伏发电运营过程中,会因设备故障、仪表测量误差、用户个人行为等干扰因素导致运营系统采集异常数据,因此需要对异常数据进行排查,有助于保障光伏发电用户数据库的准确性和可靠性,并识别存在运营问题的分布式光伏用户。基于上述原因,本文针对分布式光伏系统的特殊性,提出一种光伏发电运营系统异常数据排查技术,结合温度、辐射量、纬度、时令等环境因素,采用中心复合设计方法,通过有限的数据量建立较为精确的发电量数学模型,采用扩展卡尔曼滤波算法对采集到的发电量进行修正,从而排查和消除异常数据。该方法能够实现发电数据的预测,能够快速、可靠地排查异常数据,文中给出了排查原理和具体的实现过程,最后通过实验结果证明了所提出技术的有效性。 相似文献
10.