基于关联分析与机器学习的配网台区重过载预测方法
TP393; 针对配电网运行中长期存在的台区重过载问题,提出基于关联规则挖掘的重过载影响因素分析方法,从设备和用户属性、自然环境、短期负荷特性中挖掘针对各类重过载事件的关联规则.从关联项中提取重过载影响因素,并基于机器学习模型,建立重过载事件预测模型,实现对重过载事件的短期预测.最后利用业务系统实际数据,对所提方法进行了效果验证.算例结果表明,新方法能够更为系统、全面地刻画重过载事件,提出的重过载预测模型在命中率和准确率方面表现良好....
Gespeichert in:
| Veröffentlicht in: | 大数据 2018, Vol.4 (1), p.103-116 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | chi |
| Online-Zugang: | Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | 116 |
|---|---|
| container_issue | 1 |
| container_start_page | 103 |
| container_title | 大数据 |
| container_volume | 4 |
| creator | 张国宾 王晓蓉 邓春宇 |
| description | TP393; 针对配电网运行中长期存在的台区重过载问题,提出基于关联规则挖掘的重过载影响因素分析方法,从设备和用户属性、自然环境、短期负荷特性中挖掘针对各类重过载事件的关联规则.从关联项中提取重过载影响因素,并基于机器学习模型,建立重过载事件预测模型,实现对重过载事件的短期预测.最后利用业务系统实际数据,对所提方法进行了效果验证.算例结果表明,新方法能够更为系统、全面地刻画重过载事件,提出的重过载预测模型在命中率和准确率方面表现良好. |
| doi_str_mv | 10.11959/j.issn.2096-0271.2018011 |
| format | Article |
| fullrecord | <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_dasj201801012</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>dasj201801012</wanfj_id><sourcerecordid>dasj201801012</sourcerecordid><originalsourceid>FETCH-wanfang_journals_dasj2018010123</originalsourceid><addsrcrecordid>eNpjYFA0NNAzNLQ0tdTP0sssLs7TMzKwNNM1MDI3BLIMLQwMDVkYOOFiHAy8xcWZSQbGZibGZhZmxpwMrk_n73qyq-9p6-YXjVOedrQ9mzfhyY6-Z3N2PZ254unaZU92Lng-q-Vla-_zvROf9m942rPrZXvvi_3tL_bufbmo5dnW7mfTdj7bPJWHgTUtMac4lRdKczOourmGOHvolifmpSXmpcdn5ZcW5QFl4lMSi7MgDjMwNDImVh0AEZFbvw</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于关联分析与机器学习的配网台区重过载预测方法</title><source>DOAJ Directory of Open Access Journals</source><source>国家哲学社会科学学术期刊数据库 (National Social Sciences Database)</source><creator>张国宾 ; 王晓蓉 ; 邓春宇</creator><creatorcontrib>张国宾 ; 王晓蓉 ; 邓春宇</creatorcontrib><description>TP393; 针对配电网运行中长期存在的台区重过载问题,提出基于关联规则挖掘的重过载影响因素分析方法,从设备和用户属性、自然环境、短期负荷特性中挖掘针对各类重过载事件的关联规则.从关联项中提取重过载影响因素,并基于机器学习模型,建立重过载事件预测模型,实现对重过载事件的短期预测.最后利用业务系统实际数据,对所提方法进行了效果验证.算例结果表明,新方法能够更为系统、全面地刻画重过载事件,提出的重过载预测模型在命中率和准确率方面表现良好.</description><identifier>ISSN: 2096-0271</identifier><identifier>DOI: 10.11959/j.issn.2096-0271.2018011</identifier><language>chi</language><publisher>中国电力科学研究院,北京,100192</publisher><ispartof>大数据, 2018, Vol.4 (1), p.103-116</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/dasj/dasj.jpg</thumbnail><link.rule.ids>314,780,784,864,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>张国宾</creatorcontrib><creatorcontrib>王晓蓉</creatorcontrib><creatorcontrib>邓春宇</creatorcontrib><title>基于关联分析与机器学习的配网台区重过载预测方法</title><title>大数据</title><description>TP393; 针对配电网运行中长期存在的台区重过载问题,提出基于关联规则挖掘的重过载影响因素分析方法,从设备和用户属性、自然环境、短期负荷特性中挖掘针对各类重过载事件的关联规则.从关联项中提取重过载影响因素,并基于机器学习模型,建立重过载事件预测模型,实现对重过载事件的短期预测.最后利用业务系统实际数据,对所提方法进行了效果验证.算例结果表明,新方法能够更为系统、全面地刻画重过载事件,提出的重过载预测模型在命中率和准确率方面表现良好.</description><issn>2096-0271</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2018</creationdate><recordtype>article</recordtype><recordid>eNpjYFA0NNAzNLQ0tdTP0sssLs7TMzKwNNM1MDI3BLIMLQwMDVkYOOFiHAy8xcWZSQbGZibGZhZmxpwMrk_n73qyq-9p6-YXjVOedrQ9mzfhyY6-Z3N2PZ254unaZU92Lng-q-Vla-_zvROf9m942rPrZXvvi_3tL_bufbmo5dnW7mfTdj7bPJWHgTUtMac4lRdKczOourmGOHvolifmpSXmpcdn5ZcW5QFl4lMSi7MgDjMwNDImVh0AEZFbvw</recordid><startdate>2018</startdate><enddate>2018</enddate><creator>张国宾</creator><creator>王晓蓉</creator><creator>邓春宇</creator><general>中国电力科学研究院,北京,100192</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2018</creationdate><title>基于关联分析与机器学习的配网台区重过载预测方法</title><author>张国宾 ; 王晓蓉 ; 邓春宇</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_dasj2018010123</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2018</creationdate><toplevel>online_resources</toplevel><creatorcontrib>张国宾</creatorcontrib><creatorcontrib>王晓蓉</creatorcontrib><creatorcontrib>邓春宇</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>大数据</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>张国宾</au><au>王晓蓉</au><au>邓春宇</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于关联分析与机器学习的配网台区重过载预测方法</atitle><jtitle>大数据</jtitle><date>2018</date><risdate>2018</risdate><volume>4</volume><issue>1</issue><spage>103</spage><epage>116</epage><pages>103-116</pages><issn>2096-0271</issn><abstract>TP393; 针对配电网运行中长期存在的台区重过载问题,提出基于关联规则挖掘的重过载影响因素分析方法,从设备和用户属性、自然环境、短期负荷特性中挖掘针对各类重过载事件的关联规则.从关联项中提取重过载影响因素,并基于机器学习模型,建立重过载事件预测模型,实现对重过载事件的短期预测.最后利用业务系统实际数据,对所提方法进行了效果验证.算例结果表明,新方法能够更为系统、全面地刻画重过载事件,提出的重过载预测模型在命中率和准确率方面表现良好.</abstract><pub>中国电力科学研究院,北京,100192</pub><doi>10.11959/j.issn.2096-0271.2018011</doi></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 2096-0271 |
| ispartof | 大数据, 2018, Vol.4 (1), p.103-116 |
| issn | 2096-0271 |
| language | chi |
| recordid | cdi_wanfang_journals_dasj201801012 |
| source | DOAJ Directory of Open Access Journals; 国家哲学社会科学学术期刊数据库 (National Social Sciences Database) |
| title | 基于关联分析与机器学习的配网台区重过载预测方法 |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-23T07%3A55%3A57IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%85%B3%E8%81%94%E5%88%86%E6%9E%90%E4%B8%8E%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%9A%84%E9%85%8D%E7%BD%91%E5%8F%B0%E5%8C%BA%E9%87%8D%E8%BF%87%E8%BD%BD%E9%A2%84%E6%B5%8B%E6%96%B9%E6%B3%95&rft.jtitle=%E5%A4%A7%E6%95%B0%E6%8D%AE&rft.au=%E5%BC%A0%E5%9B%BD%E5%AE%BE&rft.date=2018&rft.volume=4&rft.issue=1&rft.spage=103&rft.epage=116&rft.pages=103-116&rft.issn=2096-0271&rft_id=info:doi/10.11959/j.issn.2096-0271.2018011&rft_dat=%3Cwanfang_jour%3Edasj201801012%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=dasj201801012&rfr_iscdi=true |