CN106537356A - 用于使公用网格中信号注入测试模式的预期效用最大化的系统和方法 - Google Patents

用于使公用网格中信号注入测试模式的预期效用最大化的系统和方法 Download PDF

Info

Publication number
CN106537356A
CN106537356A CN201580039799.8A CN201580039799A CN106537356A CN 106537356 A CN106537356 A CN 106537356A CN 201580039799 A CN201580039799 A CN 201580039799A CN 106537356 A CN106537356 A CN 106537356A
Authority
CN
China
Prior art keywords
signal
injection
grid
signal injection
sensor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201580039799.8A
Other languages
English (en)
Other versions
CN106537356B (zh
Inventor
布赖恩·E·布鲁克斯
陆扬
安德鲁·T·蒂奥
王宗样
吉勒·J·伯努瓦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
3M Innovative Properties Co
Original Assignee
3M Innovative Properties Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 3M Innovative Properties Co filed Critical 3M Innovative Properties Co
Publication of CN106537356A publication Critical patent/CN106537356A/zh
Application granted granted Critical
Publication of CN106537356B publication Critical patent/CN106537356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/01Probabilistic graphical models, e.g. probabilistic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0256Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults injecting test signals and analyzing monitored process response, e.g. injecting the test signal while interrupting the normal operation of the monitored system; superimposing the test signal onto a control signal during normal operation of the monitored system

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供在公用网格上用于实现实验性试验的方法和系统。选择网格参数中的变型以引入公用网格,以改进从每个实验性试验中学习以及通过计算学习和网络性能两者的预期值来促进改进网格性能的值。这些试验用于管理机会成本和约束,所述机会成本和约束影响将变型引入公用网格参数以及可归因于公用网格参数中特定变型的有效数据的生成。

Description

用于使公用网格中信号注入测试模式的预期效用最大化的系 统和方法
背景技术
公用网格的性能,即其可靠性、安全性和效率,可通过以下操作显著改进:感测重要参数并且使用那些结果来指导网格的操作和维护,识别故障,指导适当的响应,以及实现有效管理,诸如将可再生源并入电网中同时维持电力质量。
传感器网络通常用于监控公用网格。这些传感器网络可包括网末端处的智能测量仪、网格节点处的传感器,以及在公用线路上或在其周围的传感器,这些传感器用于测量网络参数,诸如供水网中的流速、电网中的电力质量或公用网格中的压力。这些传感器是换能器,通常输出代表所测量特性的模拟信号。这些输出需要被表征以映射到那些特性的特定值和/或进行分类,使得所述输出可表示某领域的具体状态,诸如需要调查的可能泄漏,或在将可再生源并入电网中时识别相的差异。传感器的表征通常通过台架测试来进行,同时传感器可能在周围环境中产生各种干扰;对公用网格监控网络上的传感器进行原位表征是优选的,但这对大量用于监控公用网格的传感器而言十分困难。
分析传感器数据并指导响应的趋势是“大数据”,其使用大量网格历史数据来构建用于分类和响应指导的模型。然而,这些大数据模型局限于相关性,因为它们会挖掘历史数据来构建模型,从而限制了其对于有效指导处理或进行精调的效果。另外,这些大数据模型通常需要大量数据,这些数据会影响对特定网格节点或位置处的网格状态进行高度粒度化理解,或仅可在长时间运行后实现此类粒度;一些方法已应用机器学习技术和改进的模型来增大速度和粒度,但即使是这些方法也依赖于与被动采集历史数据的相关性。
已使用信号注入来突出网络故障,诸如发现从交流网格非法获取电力的节点,或测试对网格高电平(诸如在HVDC分配电平处)中的较大变化的全网响应。这些信号注入是大规模的、单独的且由人工介入,用于评估系统而非评估用来监控系统的传感器。
公用网格管理将极大受益于对传感器响应的实时因果理解,从而对大数据智能网格方法中的问题进行补救,并且可实现实时、粒度化的精调网格监控和管理。
发明内容
本发明涉及用于增大公用网格中信号注入值的方法,该方法包括:接收多个可能信号注入的信号注入特征,接收当前传感器判断状态,计算多个信号注入中每一个的学习值,基于学习值选择多个可能信号注入中的一些,以及实现那些选定的信号注入。
附图说明
图1为本发明方法的步骤的流程图。
图2为示出本发明系统实施方案的示例的系统图。
图3为本发明系统的各种部件中信息流的数据流程图。
图4为用于计算不同信号注入的学习值的示例方法的流程图。
图5为用于确定信号注入的效用并根据其效用来协调信号注入的示例方法的流程图。
图6为示出系统实施方案的架构及其与公用网格交互情况的图示。
具体实施方式
将信号注入公用网格提供了表征公用网格中或其附近的传感器以及发现公用网格响应特征的重要方式。然而,多个可能的信号注入可能受到需要确保同时的信号注入不彼此干扰的限制;用于协调将信号注入公用网格的系统受益于自动识别并实现信息量最大和/或最低机会成本信号注入模式的方式,所述模式可用于改进在使用有限时间和空间来测试和理解网络及传感器响应时的效率。
在公用网格中进行的信号注入是对特定于那些电网的电网参数的改变,诸如电网中电压电平或波形、供气网中压力和/或流速、供水网中流速的改变。信号注入可为在诸如通过致动控件导致的电流、电压或功率因子增大或减小中的电信号注入。信号注入可通过自动或人工介入的方式来实现。在供气网中,可通过例如改变通过管道的气体路线以增大或减小特定点处的压力来注入信号。对这些信号的响应可为供气网管道周围传感器网络所检测出的泄漏数目和/或严重程度的增大或减小,或连接到被推动至高压或低压的区域的下游压力的变化。这些信号注入可在人工介入的情况下通过在指导分配给执行对各种阀和开关的手动调整的维护人员的计划时对各种阀和开关的手动调整来实现;这些计划可采用各种形式,诸如维护队列、另外的任务,并且可通过多种电子方式来分发,诸如计算机、平板电脑、智能手机或其它便携式计算设备上的电子邮件、文本消息和日历提醒。在这些人工介入的情况中,这些调整的时间可通过使维护人员使用联网设备来签到以记录实际实现更改的时间来审查,以用于处理由于这些信号注入而产生的后续数据。在供气网中进行信号注入的完全机器到机器实施的实施方案中,开关和阀通过经由有线和无线通信网络耦合到系统的致动器来操作,并且响应于系统发送的信号或根据通过系统分配给那些致动器的控制器的指令或计划来作用。机器到机器实施方案由于在实施时间方面将存在较小差异而允许更密切协调的测试,并且改进的定时允许执行更复杂的试验。在这些具体实施中,对传感器条件和致动器状态的监控可一直相关以实时理解对空间和时间分配的影响之间的关系,从而能够检测并表征关系的变化以及局部传感器的状态,例如通过所检测到变化的因子隔离来实现。
在电网中,人工介入的方法涉及手动切换功率流,激活或禁用连接到网格的功率源,调整有载分接开关的位置,开关电容器组,激活或禁用重型工业设备诸如电弧炉或网格中其它重要的手动控制主要功率负载。在这些示例中,改变可通过在指导分配给维护人员的计划时由维护人员来实现;这些计划可采用各种形式,诸如维护队列、另外的任务,并且可以通过多种电子方式来分发,诸如计算机、平板电脑机、智能手机或其它便携式计算设备上的电子邮件、文本消息和日历提醒。在这些人工介入的情况中,这些调整的时间可通过使维护人员使用联网设备来签到以记录实际实施更改的时间来审查,以用于处理由于这些信号注入而产生的后续数据。这些人工介入的方法可改变可测量因子,诸如电力质量、线路温度、线路垂度、可用功率水平以及其它因子,这些因子可通过观察那些可测量网格因子的传感器网络获得。
在电网中,机器到机器方法提供更好的控制措施,并且可通过多种自动化方法注入信号。其中包括可在人工介入的示例(诸如改变有载分接开关的位置或开关电容器组)中使用的切换和维护行为类型的自动化,另外信号注入的M2M方法可利用更大的控制精度和宽度来包括一些动作,诸如协调末端位置处装置等设备的使用以产生经协调的需求和在消费者位置处加载,或实施多种类型的网格影响动作组合的复杂协调以产生更加复杂的条件,或将变化引入到自动功率因子校正单元。这些组合可能性非常难以通过大数据方法解决,因为即使是大量数据,也可能仅具有反映特定组合的有限样本容量,并且组合可能性的绝对数目使得这些问题的大数据解决方案相当棘手。这些可通过自动化控制相关网格部件和联网设备来发起,相关部件和设备包括发电机、开关、稳压设备、用于从网格接收电力的智能测量仪和智能器具,以及其它易通过系统远程控制的网格部件。这些可利用毫秒级控制能力来调控电力质量变量,诸如整合新源或对新负载的即时响应或自动功率因子校正单元的特定操作,并且还增加了测试涉及时间高度敏感性变量的网格动作或条件的组合的能力。
信号注入可依据其进行以下操作的可能性进行选择:篡改传感器响应的当前模型,表征传感器响应(例如,来自传感器的输出的特定水平指示所感测变量的特定水平),或按类别(例如,在供水网中,来自两个传感器的该特定传感器输出信号指示存在严重泄漏)或按概率(例如,在供气网中,来自甲烷传感器的该特定电输出为60%可能指示3类泄漏,为30%可能指示2类泄漏,为10%可能不指示泄漏)将传感器响应分类为指示特定事件。网格对已知类型和量值的扰动的响应允许对这些模型进行测试和可能的篡改,从而允许系统集中于原始传感器输出的表征或分类,所述表征或分类基于原始传感器输出的现场性能和读取,从而简化用于检测公用网格事件和状态的传感器表征流程。
注入的信号可以为简单信号,指导一个网格动作,诸如打开供水网或供气网中的阀,或在线引入一个特定的可再生源,或改变电网示例中来自一个变电站的输出电压以引起网格条件的期望可控变化;或者注入的信号可以为复合信号,由多个经协调的网格动作组成,使得它们的单独空间和时间范围重叠以在重叠范围内的区域产生多因子处理。复合网格动作的一个示例可为改变有载分接开关位置和电容器组开关两者以同时提供对电网中无功功率的更精准控制。此多因子处理可包括多个不同网格参数的变型,例如以探究那些参数的组合效果;或者可用于产生特定网格参数的类似变型的多个实例,例如以使用加成效果来增大公用网格上一个或多个特定位置处网格参数的具体变型的量值,同时通过将网格的更敏感相邻部分暴露于整个信号注入的仅一个分量中而将该部分保持在较窄或不同的操作范围内,从而保护该部分。
对于复合信号,基于将复合信号对系统的影响视为整个复合集来预测时间和空间范围。对于那些复合信号,虽然单个网格动作将具有重叠的空间和时间范围,但所定义的组成复合信号的网格动作集却被视为一个信号注入,其中所定义的网格动作集的组合的整个空间和时间范围用于确定无其它信号可注入到网格中的空间区域和时间段,以维持来自其它网格信号注入的复合信号注入的正交性。
复合信号可以在由其它系统导出或经网格人员选择后输入到已定义为要一起完成的网格动作集以及那些网格动作的时间和位置的系统中,或者可以通过系统从网格动作集中选择多个网格动作来导出,如通过例如可观察马可夫决策过程(POMDP)模型来指导,该模型探究在对在网格中不同位置间变化的操作条件的约束内的组合或操作。
用于探究网格响应的信号注入可通过搜索具有任何可控网格活动的时空规律的波形来组成,所述波形以即时或规则延迟方式共同出现,例如通过主分量或傅里叶分析实现。波形或分量波形(例如,频率、电压和/或电流)中的这些统计规律将网格动作与网格条件的变化关联起来,以提供用于根据对网格动作的有效控制来操控网格条件的可用选项集,并且所观察的涉及网格动作的这些波形分量的时间和位置的数据可用于确定具体信号注入的空间和时间范围。
图1为概述本发明方法实施方案的流程图。在步骤100中接收信号注入数据,在步骤102中接收当前传感器判断状态。在步骤104中,传感器判断状态连同信号注入数据一起用于计算信号注入的学习值。在步骤106中接收信号注入的成本和收益。在步骤108中基于计算出的值来选择并协调信号注入,并且在步骤110中在公用网格中实施信号注入。在步骤112中可从公用网格上的传感器网络收集传感器数据,并且在步骤114中,收集到的数据用于更新传感器响应的模型,诸如分类器、概率估计和/或表征模型。
在步骤100中接收信号注入数据。信号注入数据是将注入公用网格的信号的时间、位置和属性,其中信号注入的属性包括例如对网格所做的改变以实施该改变,或被添加信号的量值以及信号类型。信号注入本身是影响网格参数的网格控件中的变化。在电网中,电信号注入可为由控制状态的变化引起的电压、电流或功率因子的增大或减小。例如,在涉及配水网的发明的实施方案中,信号注入具有的性质可描述为关闭配水网一个节点处的两个阀并打开相邻节点处的另一个阀。信号注入的属性指示哪些网格参数可能被信号注入改变,其中信号注入是来自那些网格控制的一般可操作范围的一系列特定网格控制。这继而可用于确定哪些传感器将使其输出受到信号注入的影响。又如,在涉及电网的本发明的实施方案中,信号注入可将其属性描述为在变电站添加无功功率,通过接通多个电容器组来实现该添加。信号注入的位置可根据网格的位置给出,诸如具体的阀、线路、变压器、变电站,或将用于实施信号注入的源,或将实施信号注入的地理坐标。
在步骤102中接收当前判断状态。步骤100和102可同时地或以任意顺序执行,其中步骤100在步骤102之前或之后。判断状态是传感器响应的不同模型集,每个模型对应于传感器输出与作用于传感器以产生所述输出的事件或领域状态之间的关系。这些模型可各自为例如将传感器输出映射到特定领域事件或状态的分类器,将传感器输出映射到多个可能的领域状态的概率估计,或将传感器输出映射到所感测变量的具体水平的表征模型。在给出可能趋向于确认或篡改这些不同模型的当前组试验和知识集的情况下,这些判断状态可能随附反应该判断状态为准确的可能性的不确定性值,并且可进一步确认或篡改模型的信息可包括在此数据中或衍生自特定模型的基础特征。
在步骤104中计算学习值,信号注入可例如通过减小关于当前判断状态集的不确定性来提供学习值。学习值是由于信号注入而产生的知识可通过系统向后续决策制定提供的值的量度,诸如可通过减小传感器测量中的不确定性来提供的值,或通过确定具体动作更可能为最佳动作来提供的值。学习值可通过例如以下方式来计算:预测可能够根据部分可观察马尔可夫决策过程(POMDP)或其它统计模型的预测来篡改的判断状态原始数目,预测信号注入对此类模型中判断状态的不确定性水平的预测影响,或预测基于对当前样本大小的增加来计算不确定性减小和置信区间变窄的实验功率分析。对于特定示例,可使用贝叶斯因果网络来识别数据中的相依性,以发现可高效地精调网格控制系统对传感器响应的了解的潜在重要试验。执行系统化多变量实验,以通过回到规范操作约束并且使用经约束的随机化来分析那些波形分量的基本因果路径中所涉及的方向性和变量,以及分析实验设计(诸如拉丁方阵)以系统化地探索哪些网格控制元件及其组合是波形的基本原因。这些实验设计可经迭代以精调分析,例如通过消除相对于所关注的波形分量为随机的那些控件来消除对基础第一遍的控件的四分之三,然后在第二试验中使用剩余控件的因子组合来正确识别与所关注的那些波形分量因果相关的控件或控件的组合。
图4所示为一种用于计算信号注入的学习值的方法的示例。在步骤400中接收当前信号注入响应数据,在步骤402中计算经由另一信号注入导致的置信区间预测变化,在步骤404中针对置信区间的预测变化来计算最优行为的变化,在步骤406中计算预测变化的效用。
在步骤400中接收当前信号注入数据。当前信号注入可为例如推断性统计值表,其描述特定信号注入与在与信号注入相关联的时间和位置期间的传感器响应之间的关系。这可采用响应的平均响应和置信区间的形式。
对于信号注入数据,在步骤402中计算信号注入的置信区间预测变化。这可通过实验功率分析来计算,以通过增大相比于当前信号注入数据的样本大小来确定置信区间的减小。
在步骤404中,预测的置信区间用于计算预测行为变化。置信区间中的当前重叠可用于确定动作的相对频率或传感器响应的竞争模型的相对权重。基于特定信号注入的置信区间大小的改变,如在步骤402中通过功率分析和样本大小增加计算得出,将改变置信区间中的重叠。可使用在传感器响应的不同动作或模型之间进行选择或者对传感器响应的不同动作或模型进行加权的优化模块来计算相对频率的变化预测。
在步骤406中,基于相对频率的预测变化和使用预测置信区间得到的预测动作结果来计算预测变化的效用。输出在步骤406中计算出的效用,用作信号注入的学习值,其表示可从通过将特定信号注入作为用于干扰公用网格的经协调的信号注入集的一部分来获得的知识提取的值,其中使用自动化实验在测试网格响应和相关联的传感器状态时提高效率。
学习值还可通过用于增大试验将检查的特定知识类型或进一步精调被测模型的效用的可能值来进行修改。通过信号注入影响的量度和精调的模型在类型方面可能有所不同,因此为网格运营商提供不同的值,诸如一个信号注入改进故障检测,而另一个信号注入精调配网格上需求减小的知识,或者在网格和传感器响应模型的另外学习或精调提供给网格运营商的值中可存在非线性。例如,在供气网中,较小泄漏的数目大大超过用以解决较小泄漏的维护资源的能力,因此相比于很可能随时间恶化的泄漏识别中的改进,1类泄漏的本地改进可向供气网运营商提供较小值。这可通过效用函数来表示,该函数将学习类型的值与学习量值或基于用于规划网格响应以减少损害或增大效率的模型的预测结合在一起,并且预计该函数可用具有减小的不确定性值的改进数据来确定的另外成本节约。例如,用于网格改进的资本规划模块可在给定当前数据集的情况下得到公用网格上设备更换问题的一组值,但可将基于通过另外试验为可能的不确定性减小的替代数据集输入到模块中,并且在当前情况与不确定性减小情况之间的差值用于估计可能的不确定性减小值,可能的不确定性减小可通过经由公用网格中的特定信号注入来实施试验而实现。
在步骤106中接收成本信息;成本信息可基于实施包括于在步骤100中接收的信号注入数据中信号注入的细节,通过信号注入特征和模型数据计算得出。试验成本包括:用以产生信号和观察响应的实际成本,例如导致较少不可计费的水或气体分配到那些网格的客户的流率减小;或对某一区域部署维护人员以实施人工介入的信号注入的成本;并且试验成本还可为与信号注入相关联的风险费用,例如由于通过信号注入驱动的传感器输出导致的传感器网络错过在试验空间和时间不确定性内发生的特定事件的增大风险,或由于关于信号注入持续时间的时间不确定性以及需要避免干扰试验而导致可能扰乱计划好的维护,或使用引入人工介入的信号注入的资源。这可例如通过以下操作来进行:将风险事件的预计成本打折,折扣大小为通过实施信号注入导致发生该事件的可能性的预计增大,从而得到由信号注入引入的增加风险的预计值。
信号注入的成本计算可能基于在信号注入的空间和时间范围内捕获的位置和时间段以及实施信号注入的时间和位置而改变。这些机会成本可通过以下方式来预测:使用包括局部粒度的规范操作条件数据,诸如沿着网格的不同节点或地理段的不同容差范围,或在网格上高应力或低应力的特定时段期间的不同容差范围;部件建模,其反映在公用网格上不同位置中组成网格基础架构的部件的寿命、维护条件和类型;和/或使用网格状态或使用数据来确定随时间变化的机会成本。例如,电力质量基线标准用于确定偏离那些标准的程度,其可能根据在特定地点和时间获取电力的电网用户的特性而变化,以说明不同设备对电力质量各方面的不同敏感性,例如,对计算机电噪声的敏感性与对照明的敏感性相反,照明的用途可随用户类型和用户从网格获取电力所处的时间而变化。例如,已知包含数据中心的区域可具有用于计算与电噪声增加相关的成本的较高系数,所述系数特定于被预测为影响网格的该部分所经历的电噪声量的信号注入成本的局部确定。成本数据还可包括基于信号注入对网格参数的预期效果和网格参数中那些变化的期望性的信号注入收益。组合的成本和收益数据提供可与学习值组合的预期效果值,以确定信号注入的值。预期效果值是基于信号注入对网格参数的影响的信号注入值的预测。预期效果值可为正或负,表示网格性能度量的改进或退化。对于负预期效果值的示例,被预测为减小通过电网输出的功率因子的信号注入将具有基于功率因子预期减小的预期效果值,其通过对表示通过功率因子减小产生的成本的加权因子来修改。
在步骤108中,学习值和成本数据用于计算效用并基于那些效用来协调信号注入。特定信号注入的效用通过效用函数确定,该函数结合实施特定信号注入的值和通过步骤104得到的很可能由信号注入引起的知识改进,以对抗实施从步骤106得到的成本数据中所详述信号注入的可能成本和风险,所述成本和风险由其它因子修改并转换成可为任意或基于诸如货币等值的常用度量。协调信号注入,使得信号注入通过确保信号注入在其预期具有可观察影响的区域中不具有空间和时间重叠来保持彼此正交;这可通过使用使网格条件与网格动作相关联的历史数据来进行,诸如通过经由傅里叶或主分量分析来识别网格上电波形中与组成信号注入的网格动作相关联的波形分量,或使用其它网格特征模型(诸如当前判断状态或分量模型)和物理特性来预测信号注入的空间和时间范围。这些信号注入的协调可通过图形建模技术诸如贝叶斯网络或马尔可夫随机场或其亚种来执行。选择经协调的信号注入以最大化随时间变化的计算效用;这可在通过图形模型协调信号时进行;或可通过以下方式来进行:使用图形模型来协调多个可能的信号注入集,找到每个信号注入集随时间变化的效用总和,然后基于该效用总计从那些多个可能的集选择所述信号注入集。计算网格上所有信号注入集的效用使得本发明的那些实施方案可捕获在需要维持信号注入之间的正交性时固有的机会成本,因为每个信号注入必须通过那些可以不重叠的时间和空间范围来限制其它可能的信号注入。以此方式选择信号注入并将其实施于网格中可提高在改进对沿着公用网格的传感器输出的理解的效率,具体方式为自动管理在信号注入空间和时间范围可以不重叠处现有的众多折衷和机会成本。
图5中示出了用于选择信号注入集以在公用网格上实施的过程的一个示例。生成多个信号注入集500,从该多个集中选择一个信号注入集502,计算该信号注入集的效用504,将计算结果与计划用于实施的信号注入集的效用进行比较506。如果选定的集具有比计划的集更高的效用,则用选定的集替代计划的集508。如果选定的集不具有更高的效用,则拒绝该集510。不论是哪一种情况,该过程都针对所有这些多个信号注入集进行迭代,直至评估完每一个集。
在步骤500中生成多个信号注入集。这可通过以下方法来进行:诸如图形模型、贝叶斯因果网络,或其它生成在其空间和时间范围内不重叠的容许信号注入集的方法。从此多个集中选择一个集502。此选择可随机化或以某种次序进行。使用该集中包括的每个信号注入的学习值和成本,计算每个信号注入的效用并加总在一起以得到该信号注入集的效用,从而计算选定信号注入集的效用504。
对于第一个选定的信号注入集,基线效用为零,因此根据步骤508该集被接受为将被计划用于实施的信号注入集。对于此示例迭代中的所有其它选定信号注入,将该选定信号注入的效用与计划用于实施的信号注入集的效用进行比较506。如果选定信号注入集具有比计划信号注入集更高的效用,则使选定信号注入集成为新计划信号注入集并丢弃先前的计划信号注入集,从而接受选定信号注入集508。如果选定信号注入集具有比计划信号注入集更低的总效用,则通过丢弃选定信号注入集来拒绝选定信号注入集510。在接受或拒绝选定信号注入集之后,通过从多个集中选择新信号注入集来迭代过程502,直至测试完多个集中的所有信号注入集。在此过程结束时的最后一个计划信号注入集被实施到公用网格中以干扰网格,从而高效地得到用于驱动后续操作或改善传感器响应解释的知识。
返回图1,随后在步骤110中将选定的信号或信号的组合注入传感器网络的适当位置。该信号根据经协调的信号注入集被注入传感器网络,并且通过在恰当的时间和位置处采取经指导的网格动作来支持其时间和空间不确定性约束。信号注入可由诸如网格维护人员等人类参与者来实施,具体方式为指导他们执行网格动作,诸如操作电网中的开关或开关供水网和供气网上的阀,通过经由某些方式将适当的指令分配给那些网格人员来进行,相关方式诸如电子邮件系统、自动消息发送、排队系统,或就采取哪些动作来影响网格以及何时何处实施该动作来指导人类参与者的其它方式。信号注入还可部分或完全通过机器到机器动作来实施,诸如基于分配给处理器和致动器、开关、源以及其它网格部件的用于详细说明将采取的网格动作以及采取那些网格动作的时间和位置的信号和/或数据,使那些处理器指导控制开关和阀的致动器的动作,或使控制器自动指导可再生源的激活或实施所指导的网格动作。这些信号的注入会干扰公用网格,从而使得通过控制产生不同类型和量的知识的不同信号注入的机会成本以更高效地生成关于公用网格和传感器响应的相关知识,同时由于混淆和需要将特定传感器响应和网格事件归于特定信号注入而通常是互斥的。
可在步骤112中监控信号注入的传感器响应。传感器分布在公用网格中,可以在如感测网格中电缆和端子的示例中与网格集成,置于网格中,诸如包括于电网中智能测量仪上的传感器;或可以邻接网格放置,诸如供气网中的甲烷传感器。传感器通常为换能器,其在暴露于所感测的变量下时产生电波形作为输出,但此电响应可为部分非线性或全部非线性。传感器输出可具有与输出相关联的元数据,以提供收集信号的时间和位置的指示,诸如传感器的时间戳和识别号(可通过传感器号编号及其位置的数据库交叉引用),从而允许按时间和位置来解析传感器输出数据,以基于特定信号注入的范围以及实施信号注入所处的时间和位置来使数据与那些信号注入相关联。
在步骤114中,可基于传感器响应和信号注入属性来更新判断状态。信号注入特征和与信号注入相关联的传感器数据用于测试并确认或篡改相关的判断状态。在一个示例中,这可通过比较相关联的信号注入输出数据来实现,并且关于每个判断状态模型所做的预测是关于模型将基于信号注入的特征预期该信号注入的响应来做出。在此例中,基于信号注入特征和每个待测试判断状态的模型得到的传感器响应的模型预测与传感器对信号注入的实际相关联响应进行比较;基于预测的准确性,可以根据预测偏离实际观察值的程度来篡改模型。相关联的传感器数据还可用于更新装置以及减小与涉及对在相关联的信号注入中所采取特定网格动作的网格响应的数据相关联的置信区间的大小,或可添加到在本发明的一些示例性实施方案中用作传感器表征模型的基础的历史知识数据库中,从而改进传感器的精度和准确性,所述传感器的原始输出通过这些改进的传感器响应模型来分类或表征。
图2是作为经协调公用网格系统的本发明示例性实施方案的图示。存储器可为已知的计算机存储装置,诸如闪存、使用磁介质的硬盘驱动器、或其它用于可存储数据并且被频繁而规律地存取的数据存储装置的方法。处理器可被构造成通过软件指令进行计算。部件之间的连接可为硬连线的,在多个步骤中使用公用处理器,或通过有线或无线方式联网,诸如各种802.11协议、ZigBee或蓝牙标准、以太网,或其它用于在单独的传感器、处理器、存储器和模块之间传输数据的此类方法。传感器、处理器、存储器和模块可分布在多个位置,包括在传感器处或在网格位置本身处,或共同位于中间或中央位置。
信号注入存储器200存储可实施于公用网格中的信号注入的特征。此存储器被构造成存储可能的信号注入的特征,包括时间、位置、量值以及受信号注入影响的参数。此存储器还可存储用于信号注入的具体实施数据,诸如在人工介入实施方案中将提供给网格人员的指令集,或在本发明的机器到机器实施方案中的致动器以及将分配给致动器的命令。
判断状态存储器202存储当前判断状态集。其可为包含用于对传感器输出进行分类或表征的模型的数据库,诸如分类器、概率估计以及将传感器的输出信号映射到在传感器位置处的经转换变量的模型。这些判断状态还可包括表示关于模型准确性的确定性水平的其它因子或元数据,或可确认或篡改模型基于传感器输出信号来恰当地表示所感测到内容的准确性的信号的类型。
成本存储器204存储关于信号注入的可能成本的信息。这可为可能的网格动作与该特定网格动作相关联的成本集相组合的数据库,表示与将该网格动作包括为可实施的信号注入的一部分相关联的成本和风险。此类成本包括可能的损失诸如由于流向某些区域的流量减少导致的公用设施的可计费供应减少,调度网格人员来实施变化的成本,偏离规范操作参数的风险,或由于信号注入压倒或掩盖在传感器处的所感测变量的其它变化而导致的一些感测能力的损失。可组织此数据,使得由于针对那些不同实施方案预期的成本中的差异而导致特定网格动作在不同时间和位置处具有不同的重要性,诸如在需求将通过减小公用设施的流量来满足或按诸如具有相同类型的不同可再生源的区域来满足的时间处对可能可计费的公用设施分配的损失打折,其中可再生源因所服务的不同本地市场在电力质量敏感性方面有所不同而对其引入的电力质量干扰具有不同的成本。
学习值处理器206计算预期值,预期值可与篡改判断状态或改进在表示通过网格传感器针对特定信号注入检测到的网格条件的模型中所用的置信区间相关联。学习值处理器206可基于判断状态的当前值和信号注入的特征来计算通过特定试验确认或篡改的判断状态数目,可使用功率分析来预测将由样本大小增加或数据相关性发现而导致的不确定性减小。学习值处理器206可被构造成应用例如POMDP或贝叶斯因果网络以确定这些值。学习值处理器206可任选地被构造成考虑关于网格条件的知识类型的相对值的差异或此类知识值中的非线性,例如,通过基于那些学习的性质和可从此类学习预期的网格操作中的可能改进,对表示不确定性的可能减小或将被篡改的判断状态的不同数量应用效用函数或应用修改因子。
选择处理器208协调信号注入以使用信号注入的空间和时间范围来维持正交性,并且基于指导将那些信号注入公用网格的实施的信号注入集的预期效用生成经协调的信号注入集。选择处理器208可被构造成通过以下操作来协调这些信号注入:应用诸如贝叶斯网络或马尔可夫随机场或其亚种等图形建模技术以确保信号注入的空间和时间范围不重叠。选择处理器208可被构造成对学习值和相关联的信号注入成本应用效用函数以确定信号注入的效用,该效用用于产生到公用网格的最后一个经协调的信号注入集。
注入实施模块210可为在人工介入实施方案中用于分配并确保符合管理公用网格中的信号注入及其协调的指令的工具,和/或可为在本发明的机器到机器实施方案中用于自动实施信号注入的处理器、控制器和致动器。机器到机器的示例包括控制供水网和供气网中阀的致动器、位于变电站处的有载分接开关的控制电路和致动器、控制在诸如太阳能或风能发电机等分布式电源与网格其余部分之间的连接的开关,或用于配网格中电容器组的开关。对于人工介入的实施方案,示例包括自动生成和分发电子邮件或文本消息、由维护人员携带的计算设备以及服务器,其中计算设备和服务器同步以用于接收排队指令并报告诸如采取实施信号注入的动作等任务完成、网格的状态和/或已分配的维护任务完成。
网格传感器网络212可为多个分布在公用网格中的传感器,用于测量网格参数,诸如流速、电流、电压、线路温度、线路垂度,以及哪个输出可反映由信号注入导致的网格条件发生变化。这些传感器可为例如甲烷检测器、感测电缆端子、水流量计、电“智能测量仪”或其它此类网格传感器。这些传感器监控由所实施的信号注入导致的网格条件变化,并且该数据可根据信号注入的空间和时间范围基于传感器捕获数据时的时间和位置来进行解析。
图3为数据流程图,示出了作为经协调的公用网格系统的本发明示例性实施方案,并概述了通过各种系统元件和由系统元件所采取动作而导致的数据产生、流动和转换。
信号注入特性300是描述可在网格中进行的信号注入的数据,包括各因子,诸如此类信号注入的位置和量值、为实施每个信号注入而执行的网格动作。此信息存储在信号注入存储器302中,并被传送到学习值处理器304,使得可使用信号注入特性来得到该信号注入的学习值306,并且选择处理器308将针对效用进行协调和选择以产生信号注入选择310。
判断状态312是可能描述传感器输出与网格条件之间关系的一组模型,例如分类器、概率估计或表征模型。这些模型还可包括涉及模型确定性、模型历史性能和/或可能确认或篡改那些模型的信息的元数据。这些元数据存储在判断状态存储器314中,并被传送到学习值处理器304,使得可计算出信号注入对判断状态的数目和/或确定性的影响。判断状态还可基于与特定信号注入相关联的经解析传感器数据、基于经解析传感器数据与对由每个判断状态模型所做的信号注入响应的预测的匹配程度来更新。
学习值306表示与特定信号注入相关联的值,通过学习值处理器304基于信号注入属性300、判断状态312进行计算,并且可选地可包括缩放因子或可基于考虑到特定学习场的值的效用计算,而不基于在网格和传感器响应的增加知识值内当中且为非线性的相对值。将学习值306从学习值处理器传送到选择处理器308,其中学习值被用作用于在产生经协调的信号注入选择310时计算信号注入效用的基础。
成本值318是表示与实施信号注入相关联的成本和风险的数据,诸如实施的一般成本(诸如维护人员任务)、或为客户提供公用设施的机会减少、与传感器敏感性或违背规范操作约束的时间损失相关联的风险。成本值诸如从用户输入或从包含成本信息的数据库接收,或从信号注入特性300得出,存储在成本存储器320中,并且从成本存储器320传送到选择处理器308以用于计算信号注入效用,用于产生经协调的信号注入选择310。
信号注入选择310在选择处理器308处得出,是经协调的信号注入集,其随后被分配给一个或多个信号注入模块316,从而指导网格动作,例如打开电容器组、激活分布式发生源或调整管线中的气压,这些动作将实施经协调的信号注入并且干扰公用网格以产生可用于减小网格模型中不确定性和/或改进判断状态312的数据,判断状态用于表征网格中传感器的传感器响应或对其进行分类。
传感器数据322是来自换能器的原始波形输出,用于衡量网格相关的度量,诸如通过位于公用网格中、其上或附近的传感器网络324收集的线路温度、线路垂度、电压、电流、气体或水流速或气体压力。传感器数据可通过其收集时间和位置来解析以使该感器数据与特定信号注入相关联,并且相关联的传感器数据可用于验证并确认或篡改一些判断状态312。传感器数据还可与判断状态312一起使用,以表示网格条件并指导有效公用网格控制和管理努力,诸如故障识别、故障恢复、电力质量管理、公用网格资本规划、可再生源整合或通过公用网格参数管理来延长公用网格组件的寿命。
涉及本发明示例性实施方案的总体架构的简单示例如图6所示。控制决策层600制定关于一些或全部公用网格控件的状态的决策。公用网格控制决策根据进行以下操作的方法来制定:确保对控件的操控产生不影响彼此的样本,并且可选地选择控制决策以提供较高学习值或改进特定公用网格参数,诸如确保电网中的某些电压电平或者供气网或供水网中的流速。来自控制决策层600的控制决策通过控件602、604和606执行。具体控件的示例包括电容器组开关、有载分接开关、电网上的开关和存储设备,或供水网和供气网上的阀和源。控件可通过例如致动开关、移动有载分接开关位置以及使阀变窄或变宽来执行控制决策。控件的动作会改变公用网格参数,并且那些变化会通过公用网格608传播。例如,打开供气网上的阀可使得在距阀一定距离内压力随时间向下游增大,或在电网中,电力质量和无功功率水平可基于电容器组的开关而改变。沿着公用网格布置的传感器614,616和618会测量公用网格参数,并检测信号注入通过公用网格608的传播情况。信号注入局限于通过公用网格608传播的程度,被限定为该信号注入的空间范围,例如涵盖受到由控件602注入的信号影响的区域并包括传感器614到公用网格608的连接的空间范围610,以及涵盖受到由控件606注入的信号影响的区域并包括传感器618到公用网格608的连接的空间范围612。数据处理层620将来自传感器614,616和618的数据与空间和时间范围包括传感器数据的信号注入相关联,例如将来自传感器614的数据与来自由控件602基于空间范围610实施的信号注入的数据相关联,以及将来自传感器618的数据与由控件606基于空间范围612实施的信号注入相关联。来自数据处理层620的相关联传感器数据随后经数据分析层622进行分析,以确定关于公用网格行为和传感器响应的理解。对于由数据分析层622生成的公用网格行为的理解可例如采用传感器响应模型的形式,该模型用于解释在一般操作期间来自公用网格传感器614、616和618的输出,例如在电线中电压下降时设定灯火管制阈值或警告,或针对甲烷水平超过正常操作阈值设定警告。数据分析层622可与控制决策层600进行交互以迭代地协调信号注入并将其实施到公用网格中,并且提供改进待实施信号注入的选择的信息,例如通过预测信号注入对公用网格的影响或计算可通过特定信号注入精调学习的程度。

Claims (20)

1.一种用于将信号注入公用网格的方法,包括:
接收多个信号注入中的每个信号注入的空间范围和时间范围;
计算所述多个信号注入中每个信号注入的学习值;
计算所述多个信号注入中每个信号注入的预期效果值;
基于所述学习值和预期效果值来选择信号注入集,其中每个信号注入的所述空间范围和时间范围不都与所述信号注入集中的另一信号注入的所述空间范围和时间范围重叠;以及
将所选定的信号注入集注入公用网格中。
2.根据权利要求1所述的方法,还包括测量所述公用网格对所注入的信号的响应。
3.根据权利要求2所述的方法,还包括基于所述传感器数据的所述时间和位置以及所述信号注入的所述空间范围和时间范围,将来自所述传感器的数据与信号注入相关联。
4.根据权利要求1所述的方法,其中所述学习值基于能够由所述信号注入的网格响应篡改的多个判断状态来计算。
5.根据权利要求1所述的方法,其中所述学习值基于所述信号注入的网格响应的置信区间的预测宽度变化来计算。
6.根据权利要求1所述的方法,其中所述预期效果值基于先前信号注入效果的数据库来计算。
7.根据权利要求1所述的方法,其中所述信号注入为网格控件状态的变化。
8.根据权利要求7所述的方法,其中所述网格控件为电容器组。
9.根据权利要求1所述的方法,其中所述信号注入为调度网格人员以执行任务。
10.根据权利要求1所述的方法,其中在所述公用网格上同时实现多个信号注入。
11.根据权利要求1所述的方法,其中所述信号注入通过部分可观察马尔可夫决策过程来协调。
12.一种公用网格系统,包括:
空间范围存储器,所述空间范围存储器被构造成存储多个信号注入的每个信号注入的所述空间范围;
时间范围存储器,所述时间范围存储器被构造成存储多个信号注入的每个信号注入的所述时间范围;
预期效果值处理器,所述预期效果值处理器被构造成计算信号注入的预期效果值;
学习值处理器,所述学习值处理器被构造成计算信号注入的学习值;
协调处理器,所述协调处理器被构造成产生信号注入集,其中对于所述集中的任何信号注入,所述空间范围和时间范围不都重叠;以及
多个公用网格控件。
13.根据权利要求12所述的公用网格系统,还包括沿着所述公用网格定位的传感器。
14.根据权利要求13所述的公用网格系统,其中所述传感器为电传感器。
15.根据权利要求13所述的公用网格系统,其中所述传感器为甲烷传感器。
16.根据权利要求12所述的公用网格系统,还包括被构造成使传感器数据与信号注入相关联的处理器。
17.根据权利要求12所述的公用网格系统,其中所述预期效果值处理器通过预测信号注入对所述公用网格的影响来计算预期效果值。
18.根据权利要求12所述的公用网格系统,其中所述学习值处理器通过确定能够由信号注入篡改的多个判断状态来计算学习值。
19.根据权利要求12所述的公用网格系统,其中所述协调处理器使用图形模型来协调所述信号注入。
20.根据权利要求12所述的公用网格系统,其中所述网络控件同时实现多个信号注入。
CN201580039799.8A 2014-07-17 2015-07-14 公用电网中信号注入的系统和方法 Active CN106537356B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201462025610P 2014-07-17 2014-07-17
US62/025,610 2014-07-17
PCT/US2015/040350 WO2016011007A1 (en) 2014-07-17 2015-07-14 Systems and methods for maximizing expected utility of signal injection test patterns in utility grids

Publications (2)

Publication Number Publication Date
CN106537356A true CN106537356A (zh) 2017-03-22
CN106537356B CN106537356B (zh) 2020-03-10

Family

ID=55078976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580039799.8A Active CN106537356B (zh) 2014-07-17 2015-07-14 公用电网中信号注入的系统和方法

Country Status (8)

Country Link
US (2) US9922293B2 (zh)
EP (1) EP3170083A4 (zh)
JP (1) JP6298214B2 (zh)
CN (1) CN106537356B (zh)
BR (1) BR112017000880A2 (zh)
CA (1) CA2955008A1 (zh)
TW (1) TW201617874A (zh)
WO (1) WO2016011007A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272594A (zh) * 2018-10-17 2019-01-25 重庆扬升信息技术有限公司 一种海量数据环境下无纸化会议签到判断工作方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10097240B2 (en) 2013-02-19 2018-10-09 Astrolink International, Llc System and method for inferring schematic and topological properties of an electrical distribution grid
JP6527857B2 (ja) 2013-06-13 2019-06-05 アストロリンク インターナショナル エルエルシー 配電グリッドにおける非技術的損失
CN109952575B (zh) * 2016-11-10 2023-12-29 3M创新有限公司 用于监督本地分析的系统和方法
US10163242B2 (en) * 2017-01-31 2018-12-25 Gordon Todd Jagerson, Jr. Energy grid data platform
JP6968282B2 (ja) 2017-12-01 2021-11-17 スリーエム イノベイティブ プロパティズ カンパニー パワートレイン管理の因果分析
WO2020153903A1 (en) * 2019-01-21 2020-07-30 Nanyang Technological University Method and system for monitoring a gas distribution network operating at low pressure
WO2020188330A1 (en) * 2019-03-15 2020-09-24 3M Innovative Properties Company Operating a supply chain using causal models
EP4111379A1 (en) * 2020-02-28 2023-01-04 3M Innovative Properties Company Deep causal learning for data storage and processing power management
CN112232714B (zh) * 2020-11-18 2023-06-20 中国科学院电工研究所 一种基于深度学习的结构参数不完备下配电网风险评估方法
WO2023287806A1 (en) * 2021-07-12 2023-01-19 Schneider Electric Systems Usa, Inc. User behavior-based help recommendation for controlling execution of an industrial software program

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008057809A2 (en) * 2006-11-02 2008-05-15 Current Technologies, Llc. System and method for detecting distribution transformer overload
CN101617233A (zh) * 2007-01-30 2009-12-30 银泉网络有限公司 用于公用网络断电检测的方法和系统
CN102856917A (zh) * 2012-07-31 2013-01-02 上海交通大学 一种配电网无功优化方法
CN103904641A (zh) * 2014-03-14 2014-07-02 华南理工大学 基于相关均衡强化学习的孤岛微电网智能发电控制方法

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007087537A2 (en) 2006-01-23 2007-08-02 The Trustees Of Columbia University In The City Of New York System and method for grading electricity distribution network feeders susceptible to impending failure
US9557723B2 (en) * 2006-07-19 2017-01-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
EP2003759B1 (de) * 2007-06-14 2020-03-04 SMA Solar Technology AG Verfahren zur Inselnetzerkennung
US8279870B2 (en) * 2007-08-01 2012-10-02 Silver Spring Networks, Inc. Method and system of routing in a utility smart-grid network
US7991512B2 (en) 2007-08-28 2011-08-02 General Electric Company Hybrid robust predictive optimization method of power system dispatch
US7821156B2 (en) 2008-02-07 2010-10-26 International Business Machines Corporation System and methods for scheduling power usage
US8121741B2 (en) 2008-05-09 2012-02-21 International Business Machines Corporation Intelligent monitoring of an electrical utility grid
CN103762723B (zh) 2008-05-09 2017-04-12 埃森哲环球服务有限公司 用于管理电网的方法和系统
US8234016B2 (en) 2008-09-03 2012-07-31 International Business Machines Corporation Power metadata transfer over power lines
US8788415B2 (en) 2008-09-29 2014-07-22 Battelle Memorial Institute Using one-way communications in a market-based resource allocation system
EP2377019A4 (en) 2009-01-12 2013-04-17 Grid Logic METHOD AND DEVICES FOR STABILIZING THE POWER OF A CURRENT GRILLE
US8103388B2 (en) 2009-01-29 2012-01-24 International Business Machines Corporation System for prediction and communication of environmentally induced power useage limitation
WO2010138906A1 (en) 2009-05-28 2010-12-02 The Trustees Of Columbia University In The City Of Newyork Capital asset planning system
US20100306014A1 (en) 2009-06-01 2010-12-02 Consolidated Edison Company Utility service component reliability and management
US8738546B2 (en) 2009-11-10 2014-05-27 International Business Machines Corporation Self-organizing energy pricing
US8249756B2 (en) 2009-11-23 2012-08-21 International Business Machines Corporation Method, device and system for responsive load management using frequency regulation credits
US8494826B2 (en) 2010-01-13 2013-07-23 The United States Postal Service Systems and methods for analyzing equipment failures and maintenance schedules
US8164217B1 (en) * 2010-04-15 2012-04-24 Science Applications International Corporation System and method for management of a DC and AC bus microgrid
US8583405B2 (en) 2010-05-11 2013-11-12 Maggie Chow Contingency analysis information for utility service network
US8600572B2 (en) 2010-05-27 2013-12-03 International Business Machines Corporation Smarter-grid: method to forecast electric energy production and utilization subject to uncertain environmental variables
US8504214B2 (en) 2010-06-18 2013-08-06 General Electric Company Self-healing power grid and method thereof
MX2013000577A (es) 2010-07-16 2013-06-05 Univ Columbia Aprendizaje de maquina para redes electricas.
US20140032187A1 (en) 2010-11-04 2014-01-30 Siemens Corporation Stochastic state estimation for smart grids
US8589198B2 (en) 2010-11-18 2013-11-19 General Electric Company Methods and systems involving power system grid management
US20120155557A1 (en) 2010-12-17 2012-06-21 General Electric Company System and method for power grid communication
US20120310559A1 (en) 2011-05-31 2012-12-06 Cisco Technology, Inc. Distributed data collection for utility grids
US20130077367A1 (en) 2011-09-23 2013-03-28 Huibin Zhu Systems and methods for use in grid fault event control
US9213387B2 (en) 2011-11-14 2015-12-15 Emeter Corporation Smart meters, and systems and method for electrical power reconnection
US20130191052A1 (en) 2012-01-23 2013-07-25 Steven J. Fernandez Real-time simulation of power grid disruption
US8930284B2 (en) 2012-01-25 2015-01-06 Siemens Aktiengesellschaft Extended system average interruption duration index (ESAIDI) metric to assess the system reliability impact of distribution automation failures
US9293949B2 (en) 2012-02-06 2016-03-22 Montana Tech Of The University Of Montana Electric power grid signal processing methods, oscillatory mode estimation methods and mode shape estimation methods
US9507367B2 (en) 2012-04-09 2016-11-29 Clemson University Method and system for dynamic stochastic optimal electric power flow control
US9727071B2 (en) * 2012-05-04 2017-08-08 Viridity Energy Solutions, Inc. Facilitating revenue generation from wholesale electricity markets based on a self-tuning energy asset model
US10679131B2 (en) * 2012-07-12 2020-06-09 Eaton Intelligent Power Limited System and method for efficient data collection in distributed sensor measurement systems
US9513648B2 (en) * 2012-07-31 2016-12-06 Causam Energy, Inc. System, method, and apparatus for electric power grid and network management of grid elements
US9122274B2 (en) 2012-10-10 2015-09-01 Siemens Aktiengesellschaft Test system for determining a frequency response of a virtual power plant
US9778629B2 (en) 2012-11-28 2017-10-03 Clemson University Situational awareness / situational intelligence system and method for analyzing, monitoring, predicting and controlling electric power systems
CN103633739B (zh) * 2013-11-28 2015-05-20 中国科学院广州能源研究所 一种微电网能量管理系统和方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008057809A2 (en) * 2006-11-02 2008-05-15 Current Technologies, Llc. System and method for detecting distribution transformer overload
CN101617233A (zh) * 2007-01-30 2009-12-30 银泉网络有限公司 用于公用网络断电检测的方法和系统
CN102856917A (zh) * 2012-07-31 2013-01-02 上海交通大学 一种配电网无功优化方法
CN103904641A (zh) * 2014-03-14 2014-07-02 华南理工大学 基于相关均衡强化学习的孤岛微电网智能发电控制方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109272594A (zh) * 2018-10-17 2019-01-25 重庆扬升信息技术有限公司 一种海量数据环境下无纸化会议签到判断工作方法

Also Published As

Publication number Publication date
WO2016011007A1 (en) 2016-01-21
TW201617874A (zh) 2016-05-16
US20180165606A1 (en) 2018-06-14
EP3170083A1 (en) 2017-05-24
US10915835B2 (en) 2021-02-09
EP3170083A4 (en) 2018-03-07
US9922293B2 (en) 2018-03-20
CN106537356B (zh) 2020-03-10
CA2955008A1 (en) 2016-01-21
JP6298214B2 (ja) 2018-03-20
JP2017525330A (ja) 2017-08-31
BR112017000880A2 (pt) 2017-11-21
US20170206467A1 (en) 2017-07-20

Similar Documents

Publication Publication Date Title
CN106537356A (zh) 用于使公用网格中信号注入测试模式的预期效用最大化的系统和方法
CN107111844B (zh) 用于选择网格动作以改善网格结果的系统和方法
CN106537443B (zh) 用于对表示网格异常状态严重性的原位传感器响应数据模式分类的系统及方法
Biswas et al. Electricity theft pinpointing through correlation analysis of master and individual meter readings
CN103020459B (zh) 一种多维度用电行为的感知方法及系统
CN106537715B (zh) 用于协调信号注入的系统和方法
Choi et al. Impact analysis of locational marginal price subject to power system topology errors
Tang et al. Enhancement of distribution load modeling using statistical hybrid regression
CN109635996A (zh) 房价走势前瞻模型构建方法、装置及存储介质
Markoska et al. Assessment of building intelligence requirements for real time performance testing in smart buildings
CN108038635A (zh) 基础设施资产投资回报的建模和分析方法及系统
Chren Towards multi-layered reliability analysis in smart grids
CN117878925B (zh) 一种智能电网的输电数据控制方法及系统
Bolluk et al. Review of uncertainties in building characterization for urban-scale energy modeling
Langtry et al. Impact of data usage for forecasting on performance of model predictive control in buildings with smart energy storage
Shi et al. Load forecasting for regional integrated energy system based on two-phase decomposition and mixture prediction model
Han et al. Site-specific Deterministic Temperature and Humidity Forecasts with Explainable and Reliable Machine Learning
CN118037016A (zh) 一种基于深度学习的电力资源响应控制方法及系统
CN117640218A (zh) 一种电力网络安全仿真方法和系统
Eto et al. Consortium for Electric Reliability Technology Solutions (CERTS). 2008

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant