共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
3.
4.
随着电网的快速发展,地区电网台区个数和用户数量正不断增加,针对台区线损率异常判断困难的问题,提出一种基于数据分析的台区线损率异常判断方法.该方法通过给出一种改进的K-means聚类算法对台区历史数据进行聚类分析,分析出台区线损率的标准形态,最后在台区线损标准形态基础上实现对台区线损率异常的自动判断.仿真结果表明,所提方法在聚类精准性等方面具有更好的性能,可实现台区线损异常的自动判断. 相似文献
5.
针对低压台区数量众多、线损管理难度大,对其进行精益化管理能够有效提高电网的经济效益。基于此,提出一种基于大数据技术的低压台区线损异常判定模型。首先,介绍了台区线损异常的影响因素,并分成12类;其次,利用大数据技术采集数据,结合三相混合法进行线损潮流计算,并形成线损图;再次,对台区线损图进行聚类分析挖掘,得到典型配电网线损异常图,便于快速检测异常线损类型;最后,基于指南针布局构建配电网异常线损显示,并结合实际算例验证了诊断模型的有效性。 相似文献
6.
为了精准定位全景电网分台区线损信号,提高线损异常信号检测识别能力,提出基于多传感器的智能全景电网分台区线损异常信号定位检测方法。采用多源异构的参数识别和传感器组网控制方法,构建智能全景电网分台区线损异常信号的时域模型;通过多维参数识别和多维传感器参数定位,辨识智能线损信号阵列参数,检测智能全景电网分台区线损异常信号的特征;分析线损异常信号的稳定性特征分量,定位异常信号。试验结果表明,所提方法的异常信号定位精度达到了60%以上,能够对线损信号精准定位,提高了异常信号检测性能。 相似文献
7.
为保证分布式光伏台区稳定运行,精准有效地划分台区线损数据,提出基于K-Medoids聚类的分布式光伏线损异常感知算法,精准判断分布式台区线损异常程度。采用局部异常因子(LOF)算法判断分布式光伏台区数据局部异常程度,并筛选和去除受孤立点影响产生的异常线损数据。采取K-Medoids聚类方法聚类分析筛选后的分布式光伏台区数据,将异常线损率区间结合异常线损数据的聚类中心和欧式距离,完成台区线损异常感知。并创新性地引入粒度计算优化K-Medoids聚类算法聚类中心,提升异常数据感知效果。试验结果表明,所提算法可有效避免孤立点对异常感知效果的影响,精准有效地感知分布式光伏台区线损异常,并清晰划分台区线损数据类别。 相似文献
8.
9.
台区线损治理是电网公司消费侧运营管理的核心议题,也是提质增效保障电网利润的基础。依托安装的电能信息采集终端,电网营销系统采集维护着海量的用户数据,利用实时采集的电网大数据去探知电网的运行情况并进行及时的维护是台区线损治理的有效途径。电网监测采集的数据量虽然庞大,但面对复杂的台区线损不合格原因仍然捉襟见肘。利用已知的采集数据,建立数据与故障原因之间的因果关系链可极大的减轻运维人员的工作压力,提升线损治理水平。海量的监控终端在采集、通信与维护的过程中必然存在着数据的不准确性,提出利用粗糙集理论解决用户侧数据的不确定性,给出了不同故障下的特征数据,分析了故障与数据的内在联系,实现了故障参数特征数据的解耦。给出了导致台区故障原因的分类,并验证了所提出分类方法的正确性。 相似文献
10.
低压线损治理是台区经理的一项主要工作,造成线损异常的原因非常复杂,有窃电、线路、数据来源、计量装置和系统与现场不一致的问题,导致目前根据系统数据判断台区异常原因的精准度不高.台区经理在查找造成线损异常的用户时缺少目标,往往费时费力没有成效.笔者根据台区经理业务需求,利用大数据开发了在基层线损异常处理方面的2种方法,能快... 相似文献