内容提供者
一种基于深度学习的低压台区线损估计方法.pdf
2023-05-26
10金币
1.3MB
16页
靖烟****魔王
实名认证
内容提供者
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10
亲，该文档总共16页，到这已经超出免费预览范围，如果喜欢就直接下载吧～
相关资料
一种基于深度学习的低压台区线损估计方法.pdf
本发明公开了一种基于深度学习的低压台区线损估计方法,首先采集台区历史运行数据,对该数据集进行多维度关联性分析,获取最优特征参数集合;然后构建能够提取时序数据特征的多端口GRU网络结构及能够深度提取数据特征的ResNet结构,组成深度神经网络模型,并定义深度神经网络的拟合目标;再使用基于最优特征参数集合构建的训练数据集进行训练,并由测试数据集进行测试;最后部署并投入使用。本发明不仅能够对观测信息不及时、不完善的低压台区的理论线损进行准确估计,提高计算速度和计算准确性;同时还对采集的历史数据进行特征提取,实现
2023-05-26
10
1.3MB
基于深度学习的台区线损分析方法.docx
基于深度学习的台区线损分析方法基于深度学习的台区线损分析方法摘要：台区线损（TechnicalLoss）是电力系统运行中普遍存在的问题之一，直接影响了电网的安全稳定和经济效益。因此，线损分析对于电力系统的运行和管理具有重要意义。本论文提出了一种基于深度学习的台区线损分析方法，通过对历史电力数据的学习，能够实现对未来线损水平的预测和评估。实验结果表明，该方法能够有效地提高线损分析的准确性和可靠性。1.引言电力系统中的线损是指在输电、变电过程中因线路、变压器等设备散热、阻抗等原因导致的电能损失。线损的大小直接
2024-10-20
5
11KB
对低压台区线损率的预测方法.pdf
本申请提出了对低压台区线损率的预测方法，包括获取低压台区线损数据，将获得的数据进行数据清洗，剔除其中异常线损数据；将清洗过的数据按特征进行K‑Means聚类，计算各个K值对应的轮廓系数，并选择轮廓系数最接近1的聚类数为最优聚类数；归一化或标准化聚类后的特征数据，基于处理后的数据确定训练集和测试集；构建卷积神经网络模型，利用得到数据矩阵对模型进行训练，使用训练好的模型对数据进行预测。通过基于K‑Means聚类和深度学习理论的卷积神经网络建立低压台区线损率的预测模型，既考虑了合计供电量、台区容量、总用户等特征
2023-08-28
10
656KB
基于概率分布的低压台区线损异常原因判定方法.docx
基于概率分布的低压台区线损异常原因判定方法基于概率分布的低压台区线损异常原因判定方法摘要：低压台区线损是电力系统中一个重要的问题，对电网的安全稳定运行和经济效益有着重要影响。在传统的低压台区线损异常原因判定方法中存在着一定的局限性。本文提出了一种基于概率分布的低压台区线损异常原因判定方法，通过统计分析和概率模型建立，可以有效地判定低压台区线损异常的原因。关键词：低压台区线损，异常原因判定，概率分布，统计分析，概率模型1.引言低压台区线损是指在低压电网中，电能在输送和分配过程中因电阻、感抗、感押和电容等因素
2024-10-23
5
11KB
一种基于低压台区分段线损的反窃电方法.pdf
本发明公开了一种基于低压台区分段线损的反窃电方法,其技术方案包括步骤步骤1,开启拓扑识别获取整个台区拓扑识别结果;步骤2,从电表、LTU、出线计量模块周期性采集电量,预处理冻结电量数据,使用插值法处理缺失数据;步骤3,根据拓扑识别结果,用每段分支供入总电量减去每段分支下所有用户的用电量加和,求出各段分支不同时段的线损率;步骤4,根据得到的台区分段线损,设定线损异常阈值;步骤5,若在某一时刻,某一段分支线损率大于等于所设定线损阈值时,视为此段分支线损异常,并主动上报线损异常告警。
2023-06-08
10
291KB