CN108074037A - 一种调控操作决策辅助分析专家模型的自适应自学习方法 - Google Patents
一种调控操作决策辅助分析专家模型的自适应自学习方法 Download PDFInfo
- Publication number
- CN108074037A CN108074037A CN201711236798.XA CN201711236798A CN108074037A CN 108074037 A CN108074037 A CN 108074037A CN 201711236798 A CN201711236798 A CN 201711236798A CN 108074037 A CN108074037 A CN 108074037A
- Authority
- CN
- China
- Prior art keywords
- model
- control manipulation
- assistant
- assayer
- scheme
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种调控操作决策辅助分析专家模型的自适应自学习方法,其技术特点在于:包括以下步骤:步骤1、初始建立调控操作辅助分析专家模型;步骤2、自动生成调控操作方案;步骤3、对生成的操作方案进行实效验证;步骤4、计算机自动学习操作方案,并根据实效验证结果,对初始建立调控操作辅助分析专家模型进行自动调整;步骤5、人工调整操作方案,计算机根据人工调整的操作方案自动修正模型;步骤6、重复步骤3‑步骤5,直到步骤3实效验证结果正确。本发明能实现高速、智能的精确计算,为调度员的应急快速决策提供辅助分析,具有非常广阔的工程应用价值。
Description
技术领域
本发明属于电力系统电网调控操作技术领域,涉及调控操作中操作方案决策辅助分析专家模型的自适应自学习方法,尤其是一种调控操作决策辅助分析专家模型的自适应自学习方法。
背景技术
近年来,人工智能技术被广泛应用于电力系统电网调控技术领域,现有的人工智能技术的发展可分为以下几个阶段:
20世纪五十年代,图灵发表了“计算机与智能”的论文,提出了著名的“图灵测试”,形象地指出什么是人工智能以及机器具有智能的标准,对人工智能的发展产生了极其深远的影响。
20世纪七十年代,费根鲍姆关于以知识为中心开展人工智能研究的观点为大多数人所接受,即人工智能系统是一个知识处理系统,知识表示、知识利用和知识获取则是人工智能系统的三个基本问题。由于对知识的表示、利用、获取等方面的研究取得较大进展,特别是对不确定性知识的表示与推理取得了突破,建立了诸如主观Bayes理论、确定性理论、证据理论、可能性理论等一系列新理沦,这为模式识别、自然语言理解等其它领域的发展奠定了基础,解决了许多理论和技术上的问题。
80年代中期到90年代初麻省理工学院的布鲁克斯的(R.Brooks)以其进化理论提出了“没有表达的智能”和“没有推理的智能”,从而成为行为主义学派的代表。他们认为智能取决于感知和行动,他们研制成功的机器虫应付复杂环境的能力超过了当时现有的许多机器人,成为解决所谓“交互”问题的重要希望,而反馈机制的引进和神经网络的重新崛起,也为解决“交互”问题提供了重要方法。
但随着电网运行特性日益复杂,新能源发展迅猛,电网潮流不确定性增加,给调度运行带来诸多挑战;调控一体化模式下,全面施行变电站集中监控无人值守模式,调控运行人员所面临的决策和操作压力也日趋加大。在实际调度运行中,运行人员需要对大量数据、知识规则进行人工关联、分析和处理,特别是大运行“调控一体化”模式下,海量信息涌入调控中心,调度员往往受困于表象数据,使他们不能得到有效的决策支持。
电网中各项业务的处理过程要选择最合理的方式进行操作,操作方案中专家级的思维过程非常关键。让计算机具有电网专家的考虑问题的过程,控制并执行对操作方案的求解非常关键。需要根据当前已知的事实,利用知识库中的知识,按一定的方法和控制策略进行智能计算,求得电网的运行方式调整策略或证明某个操作的安全性、经济性。智能的性能与构造与模型的表示方式及组织方式有关,但与已知知识的内容不能相关。对于保证智能方案与模型的相对独立,综合考虑电网拓扑、电力电量平衡和电网安全约束等,建立自学习的操作方案是非常重要的。
发明内容
本发明的目的在于克服现有技术的不足,提供一种考虑多维度多因素、计算分析结果精确高效且能够为调度员的应急快速决策提供辅助分析的调控操作决策辅助分析专家模型的自适应自学习方法。
本发明解决其技术问题是采取以下技术方案实现的:
一种调控操作决策辅助分析专家模型的自适应自学习方法,包括以下步骤:
步骤1、初始建立调控操作辅助分析专家模型;
步骤2、根据步骤1所述的调控操作辅助分析专家模型自动生成调控操作方案;
步骤3、对步骤2中生成的操作方案进行实效验证;
步骤4、计算机自动学习操作方案,并根据步骤3的实效验证结果,自动修正模型,对初始建立调控操作辅助分析专家模型进行自动调整;
步骤5、当步骤4的自动调整不收敛时,人工调整操作方案,对模型的参数进行修正,计算机根据人工调整的操作方案,调整模型的对应计算参数,自动修正模型;
步骤6、重复步骤3-步骤5,直到步骤3实效验证结果正确。
而且,所述步骤1的初始建立调控操作辅助分析专家模型的具体方法为:首先,通过模糊理论和自然语言处理技术解析非结构化的运行规程、检修申请、新设备投运单和保护配置信息的调控相关数据,形成计算机可识别的数据结构;并根据检修申请、设备告警和保护信息的调控相关数据与调控操作的内在关联性,结合历史时刻的电网接线和运行方式,对数据进行萃取、过滤与关联,并通过专家系统技术建立相关数据与调控操作的内在关联性,建立多维度多因素综合的调控操作决策辅助分析专家模型。
而且,所述步骤1的调控操作辅助分析专家模型包括电网操作专家知识集、操作决策规则和基于电网稳定计算结果的操作策略方法;基于该调控操作辅助分析专家模型可以做电网调度操作决策的辅助分析。
而且,所述步骤2的自动生成的操作方案包括发电机组的出力调整、联络线功率的控制、电网开关刀闸的方式调整和对用户的限电操作,使得操作后电网满足安全要求。
而且,所述步骤3对操作方案进行实效验证的方法为:查找历史的操作票,取得历史操作票执行时的断面,基于此状态,根据步骤1的调控操作辅助分析专家模型,进行自动生成操作票,与历史的人工生成的操作票的各种操作进行对比,并根据对比的差值,对差值进行向量化表示,生成反馈的实效验证结果。
而且,所述步骤4的具体方法为:计算机根据调控操作产生的告警信息、伴生信息和任务令解析结果历史数据;输入电网各种接线和运行方式,解析监控信息点表的保护配置信息,根据电网调度技术支持系统的图模数据,利用无监督聚合技术和增强学习技术实现自学习,调整初始建立调控操作辅助分析专家模型,使得下一次计算的步骤3中的lossvalue减小。
本发明的优点和积极效果是:
1、本发明是人工智能在电力调控操作决策发展的一个应用,应用人工智能技术,解析电网检修工作、操作方案的过程,建立多维度调控操作辅助决策分析模型,通过模糊理论和自然语言处理技术解析非结构化的运行规程、检修申请、新设备投运单、保护配置信息等调控相关数据,形成计算机可识别的数据结构,并结合历史时刻的电网接线和运行方式,对数据进行萃取、过滤与关联,通过专家系统技术建立相关数据与调控操作的内在关联性,利用监督学习与半监督学习相结合的方法,建立多维度多因素综合的调控操作决策辅助分析专家模型。
2、本发明能够适应各种电网接线、运行方式,并从日常的操作经验中进行计算机自总结学习,实现模型的更新,以适应电网未来的发展趋势。本发明可以在省调、地调都能实现高速、智能的精确计算分析,为调度员的应急快速决策提供辅助分析,可以将编制操作预案和操作指令的时间从几小时到几天的时间缩短到几分钟,极大提高工作效率,该方法已经在国网天津公司的电力系统电网调控领域得到应用,具有非常广阔的工程应用价值。
附图说明
图1是本发明的处理流程图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种调控操作决策辅助分析专家模型的自适应自学习方法,如图1所示,包括以下步骤:
步骤1、初始建立调控操作辅助分析专家模型;
所述步骤1的初始建立调控操作辅助分析专家模型的具体方法为:首先,通过模糊理论和自然语言处理技术解析非结构化的运行规程、检修申请、新设备投运单和保护配置信息的调控相关数据,形成计算机可识别的数据结构;并根据检修申请、设备告警和保护信息的调控相关数据与调控操作的内在关联性,结合历史时刻的电网接线和运行方式,对数据进行萃取、过滤与关联,并通过专家系统技术建立相关数据与调控操作的内在关联性,建立多维度多因素综合的调控操作决策辅助分析专家模型;
所述调控操作辅助分析专家模型包括电网操作专家知识集、操作决策规则和基于电网稳定计算结果的操作策略方法;基于该调控操作辅助分析专家模型可以做电网调度操作决策的辅助分析;
在本实施例中,所述步骤1的调控操作辅助分析专家模型的初始建立方法是通过模糊理论和自然语言处理技术解析非结构化的运行规程、检修申请、新设备投运单、保护配置信息的调控相关数据,形成计算机可识别的数据结构,主要包括形成实体结构、关注点结构和意图结构;
其中,实体结构是检修设备、运行规程中的操作设备、新投中的新建间隔、保护配置中的被保护元件、保护设备等信息;关注点结构是指运行规程中的具体的设备操作方法、检修停电范围、是否需要核定相、是否需要倒负荷、新投中的操作过程、保护配置中的定值单等;意图结构是指运行规程中的操作目的、检修内容、保护调整等。
在本实施例中,对非结构化文本进行识别的方法,采用了结构化与非结构化结合的方法,对已经在现有系统中建立好设备定义的设备进行优先匹配,建立结构化数据读取中心,自动抽取已有的结构化的数据,比如:CIM-E文件、一次接线数据、站端点表、遥信数据、遥测数据、监控操作数据、辅助设备监控信息等数据,对已有的非结构化数据,进行CNN算法的匹配抽取,对每一句非结构化的文本形成识别模型的预置解析概率建议,提高在相关方面的概率,同时结合语义解析和依存度分析,对每一个非结构化文本进行综合分析。
另外,基于CNN等深度学习的语义理解分析,把基于深度学习计算和文本语义关联。使用大量的电力系统数据来训练模型,包括正确的数据和模拟生成的错误的数据进行计算。使用BOW、CNN和RNN模型来学习语义表示。同时将“依存关系结构”融合进模型中。
除了进行单独的数据的识别之外,本方法同时在多种数据之间建立对应关系,根据检修申请、设备告警、保护信息调控相关数据与调控操作的内在关联性,结合历史时刻的电网接线和运行方式,对数据进行萃取、过滤与关联,通过专家系统技术建立相关数据与调控操作的内在关联性,修正对非结构化文本的解析,对于非结构化文本解析的结果,结合结构化数据,汇总一起,建立多维度多因素综合的调控操作决策辅助分析专家模型。
步骤2、根据步骤1所述的调控操作辅助分析专家模型自动生成调控操作方案;
所述自动生成的操作方案包括发电机组的出力调整、联络线功率的控制、电网开关刀闸的方式调整和对用户的限电操作,使得操作后电网满足安全要求;
在本实施例中,本方法会优先考虑机组出力的调整,以电网安全为优化计算的第一目标,基于以上步骤中的模型知识集,对操作方案进行优化挑选,对机组出力的调整,不仅给出调整方向,而且根据模型,计算出调整的数值的大小,完全改变以前人工写方案计算机辅助校验的工作模式,由计算机根据模型生成适当的操作方案。当调整出力不能满足安全要求时,继续考虑倒负荷、调方式等其他步骤,给出用户操作提示;
步骤3、对步骤2中生成的操作方案进行实效验证;
所述步骤3对操作方案进行实效验证的方法为:查找历史的操作票,取得历史操作票执行时的断面,基于此状态,根据步骤1的调控操作辅助分析专家模型,进行自动生成操作票,与历史的人工生成的操作票的各种操作进行对比,并根据对比的差值,对差值进行向量化表示(后续简称loss value),生成反馈的实效验证结果。
在本实施例中,为保证计算机给出的操作方案最贴近人工的方案,步骤3采用了操作方案进行实效验证的方式优化调整生成的操作方案,验证方法为查找历史的操作票,取得历史操作票执行时的断面,通过以上步骤中识别非结构化数据的结果,在已结构化的数据模型,查找与当前情况最相同的电网情况,根据步骤1的初始建立调控操作辅助分析专家模型,进行自动生成操作票,与历史的人工生成的操作票进行对比,对比操作票的各种操作,对于已经结构化的模型,建立反馈函数,参数为识别的结构化数据,根据对比的差值,生成反馈loss value;
步骤4、计算机自动学习操作方案,并根据步骤3的实效验证结果,自动修正模型,对初始建立调控操作辅助分析专家模型进行自动调整;
所述步骤4的具体方法为:计算机根据调控操作产生的告警信息、伴生信息和任务令解析结果历史数据;输入电网各种接线和运行方式,解析监控信息点表的保护配置信息,根据电网调度技术支持系统(以下简称D5000)的图模数据,利用无监督聚合技术和增强学习技术实现自学习,调整初始建立调控操作辅助分析专家模型,使得下一次计算的步骤3中的loss value减小。
在本实施例中,所述步骤4的计算机自动学习操作方案是指计算机根据调控操作产生的告警信息、伴生信息、任务令解析结果历史数据,输入电网各种接线和运行方式,解析监控信息点表的保护配置信息,根据D5000的图模数据,基于步骤3中自动计算出的实效验证结果,对于计算出电网当前的发电机出力、负荷大小、开关刀闸开断状态进行修改,需要重新进行电网的仿真计算,对于仿真计算的电网异常数据,根据评估函数,计算对应的状态修改对于电网稳定性的影响效果,利用增强学习技术实现自学习,调整模型,使得下一次计算的步骤3中的loss value减小;
步骤5、当步骤4的自动调整不收敛时,人工调整操作方案,对模型的参数进行修正,计算机根据人工调整的操作方案,调整模型的对应计算参数,自动修正模型;
在本实施例中,所述步骤5的人工调整操作方案是指当步骤4中自动调整不收敛时,人工对于模型的参数进行修正的过程;人工修正了模型之后,计算机根据人工修正的方法,自动记录,同时调整模型的对应计算参数,优化模型;
步骤6、重复步骤3-步骤5,直到步骤3实效验证结果正确。
本发明的调控操作决策辅助分析专家模型的自适应自学习方法本发明的学习的方法结合了监督学习与增强学习的方法,是人工智能在电力调控操作决策发展的一个方向,应用人工智能技术,解析电网检修工作、操作方案的过程,建立多维度调控操作辅助决策分析模型,通过模糊理论和自然语言处理技术解析非结构化的运行规程、检修申请、新设备投运单、保护配置信息等调控相关数据,形成计算机可识别的数据结构,并结合历史时刻的电网接线和运行方式,对数据进行萃取、过滤与关联,通过专家系统技术建立相关数据与调控操作的内在关联性,利用监督学习与半监督学习相结合的方法,建立多维度多因素综合的调控操作决策辅助分析专家模型。将检修工作目的等信息输入多维度调控操作辅助决策分析模型,进行调控操作方案及调度、监控操作票自动生成及校核工作,辅助调控人员进行操作决策。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种调控操作决策辅助分析专家模型的自适应自学习方法,其特征在于:包括以下步骤:
步骤1、初始建立调控操作辅助分析专家模型;
步骤2、根据步骤1所述的调控操作辅助分析专家模型自动生成调控操作方案;
步骤3、对步骤2中生成的操作方案进行实效验证;
步骤4、计算机自动学习操作方案,并根据步骤3的实效验证结果,自动修正模型,对初始建立调控操作辅助分析专家模型进行自动调整;
步骤5、当步骤4的自动调整不收敛时,人工调整操作方案,对模型的参数进行修正,计算机根据人工调整的操作方案,调整模型的对应计算参数,自动修正模型;
步骤6、重复步骤3-步骤5,直到步骤3实效验证结果正确。
2.根据权利要求1所述的一种调控操作决策辅助分析专家模型的自适应自学习方法,其特征在于:所述步骤1的初始建立调控操作辅助分析专家模型的具体方法为:首先,通过模糊理论和自然语言处理技术解析非结构化的运行规程、检修申请、新设备投运单和保护配置信息的调控相关数据,形成计算机可识别的数据结构;并根据检修申请、设备告警和保护信息的调控相关数据与调控操作的内在关联性,结合历史时刻的电网接线和运行方式,对数据进行萃取、过滤与关联,并通过专家系统技术建立相关数据与调控操作的内在关联性,建立多维度多因素综合的调控操作决策辅助分析专家模型。
3.根据权利要求1或2所述的一种调控操作决策辅助分析专家模型的自适应自学习方法,其特征在于:所述步骤1的调控操作辅助分析专家模型包括电网操作专家知识集、操作决策规则和基于电网稳定计算结果的操作策略方法;基于该调控操作辅助分析专家模型可以做电网调度操作决策的辅助分析。
4.根据权利要求1或2所述的一种调控操作决策辅助分析专家模型的自适应自学习方法,其特征在于:所述步骤2的自动生成的操作方案包括发电机组的出力调整、联络线功率的控制、电网开关刀闸的方式调整和对用户的限电操作,使得操作后电网满足安全要求。
5.根据权利要求1或2所述的一种调控操作决策辅助分析专家模型的自适应自学习方法,其特征在于:所述步骤3对操作方案进行实效验证的方法为:查找历史的操作票,取得历史操作票执行时的断面,基于此状态,根据步骤1的调控操作辅助分析专家模型,进行自动生成操作票,与历史的人工生成的操作票的各种操作进行对比,并根据对比的差值,对差值进行向量化表示,生成反馈的实效验证结果。
6.根据权利要求1或2所述的一种调控操作决策辅助分析专家模型的自适应自学习方法,其特征在于:所述步骤4的具体方法为:计算机根据调控操作产生的告警信息、伴生信息和任务令解析结果历史数据;输入电网各种接线和运行方式,解析监控信息点表的保护配置信息,根据电网调度技术支持系统的图模数据,利用无监督聚合技术和增强学习技术实现自学习,调整初始建立调控操作辅助分析专家模型,使得下一次计算的步骤3中的lossvalue减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711236798.XA CN108074037A (zh) | 2017-11-30 | 2017-11-30 | 一种调控操作决策辅助分析专家模型的自适应自学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711236798.XA CN108074037A (zh) | 2017-11-30 | 2017-11-30 | 一种调控操作决策辅助分析专家模型的自适应自学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108074037A true CN108074037A (zh) | 2018-05-25 |
Family
ID=62157531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711236798.XA Pending CN108074037A (zh) | 2017-11-30 | 2017-11-30 | 一种调控操作决策辅助分析专家模型的自适应自学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108074037A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879661A (zh) * | 2018-06-27 | 2018-11-23 | 中国南方电网有限责任公司 | 通过关联历史票校核倒闸操作的方法及设备 |
CN108985468A (zh) * | 2018-06-27 | 2018-12-11 | 中国南方电网有限责任公司 | 一种关联检修单智能生成操作票的方法 |
CN109615266A (zh) * | 2018-12-26 | 2019-04-12 | 贵州电网有限责任公司 | 基于数据挖掘的电网异常信息的文本分析决策方法 |
CN110888973A (zh) * | 2019-11-18 | 2020-03-17 | 云南电网有限责任公司普洱供电局 | 一种监控信息表自动结构化梳理的方法 |
CN111260338A (zh) * | 2020-02-19 | 2020-06-09 | 云南电网有限责任公司昆明供电局 | 一种变电站操作票智能生成方法、装置及平台 |
CN111401481A (zh) * | 2020-04-29 | 2020-07-10 | 国网河北省电力有限公司沧州供电分公司 | 基于多源信息融合技术的电网运行方式自动识别方法 |
CN111709706A (zh) * | 2020-06-09 | 2020-09-25 | 国网安徽省电力有限公司安庆供电公司 | 基于自适应模式识别的新设备启动方案自动生成方法 |
CN111738874A (zh) * | 2020-06-19 | 2020-10-02 | 内蒙古电力(集团)有限责任公司包头供电局 | 基于启动模型的电网新设备投运步骤自动生成方法和装置 |
CN113128753A (zh) * | 2021-03-24 | 2021-07-16 | 国网湖北省电力有限公司检修公司 | 一种基于深度强化学习的操作票操作顺序智能生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105259456A (zh) * | 2015-11-23 | 2016-01-20 | 重庆安迈科技有限公司 | 输变电设备监控系统 |
CN105305444A (zh) * | 2015-11-30 | 2016-02-03 | 国网浙江省电力公司绍兴供电公司 | 基于调配一体化的配网综合智能告警与处理方法 |
CN105447764A (zh) * | 2015-12-31 | 2016-03-30 | 浙江省公众信息产业有限公司 | 一种基于t-s模型的气象决策支持方法及装置 |
CN105468663A (zh) * | 2015-02-12 | 2016-04-06 | 国网山东省电力公司潍坊供电公司 | 一种基于云模型的智能决策电网知识库的搭建方法 |
DE102017205712A1 (de) * | 2016-04-05 | 2017-10-05 | Siemens Energy, Inc. | Aktives Wellenerdungssystem mit diagnostischer Signalformanalyse |
CN107392506A (zh) * | 2017-08-25 | 2017-11-24 | 湖北国网华中科技开发有限责任公司 | 一种融合移动互联网技术的自学线路状态评价系统及评价方法 |
-
2017
- 2017-11-30 CN CN201711236798.XA patent/CN108074037A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105468663A (zh) * | 2015-02-12 | 2016-04-06 | 国网山东省电力公司潍坊供电公司 | 一种基于云模型的智能决策电网知识库的搭建方法 |
CN105259456A (zh) * | 2015-11-23 | 2016-01-20 | 重庆安迈科技有限公司 | 输变电设备监控系统 |
CN105305444A (zh) * | 2015-11-30 | 2016-02-03 | 国网浙江省电力公司绍兴供电公司 | 基于调配一体化的配网综合智能告警与处理方法 |
CN105447764A (zh) * | 2015-12-31 | 2016-03-30 | 浙江省公众信息产业有限公司 | 一种基于t-s模型的气象决策支持方法及装置 |
DE102017205712A1 (de) * | 2016-04-05 | 2017-10-05 | Siemens Energy, Inc. | Aktives Wellenerdungssystem mit diagnostischer Signalformanalyse |
CN107392506A (zh) * | 2017-08-25 | 2017-11-24 | 湖北国网华中科技开发有限责任公司 | 一种融合移动互联网技术的自学线路状态评价系统及评价方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108879661A (zh) * | 2018-06-27 | 2018-11-23 | 中国南方电网有限责任公司 | 通过关联历史票校核倒闸操作的方法及设备 |
CN108985468A (zh) * | 2018-06-27 | 2018-12-11 | 中国南方电网有限责任公司 | 一种关联检修单智能生成操作票的方法 |
CN108879661B (zh) * | 2018-06-27 | 2023-09-01 | 中国南方电网有限责任公司 | 通过关联历史票校核倒闸操作的方法及设备 |
CN109615266A (zh) * | 2018-12-26 | 2019-04-12 | 贵州电网有限责任公司 | 基于数据挖掘的电网异常信息的文本分析决策方法 |
CN109615266B (zh) * | 2018-12-26 | 2022-11-04 | 贵州电网有限责任公司 | 基于数据挖掘的电网异常信息的文本分析决策方法 |
CN110888973A (zh) * | 2019-11-18 | 2020-03-17 | 云南电网有限责任公司普洱供电局 | 一种监控信息表自动结构化梳理的方法 |
CN111260338A (zh) * | 2020-02-19 | 2020-06-09 | 云南电网有限责任公司昆明供电局 | 一种变电站操作票智能生成方法、装置及平台 |
CN111260338B (zh) * | 2020-02-19 | 2022-03-29 | 云南电网有限责任公司昆明供电局 | 一种变电站操作票智能生成方法、装置及平台 |
CN111401481A (zh) * | 2020-04-29 | 2020-07-10 | 国网河北省电力有限公司沧州供电分公司 | 基于多源信息融合技术的电网运行方式自动识别方法 |
CN111709706A (zh) * | 2020-06-09 | 2020-09-25 | 国网安徽省电力有限公司安庆供电公司 | 基于自适应模式识别的新设备启动方案自动生成方法 |
CN111738874A (zh) * | 2020-06-19 | 2020-10-02 | 内蒙古电力(集团)有限责任公司包头供电局 | 基于启动模型的电网新设备投运步骤自动生成方法和装置 |
CN113128753A (zh) * | 2021-03-24 | 2021-07-16 | 国网湖北省电力有限公司检修公司 | 一种基于深度强化学习的操作票操作顺序智能生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108074037A (zh) | 一种调控操作决策辅助分析专家模型的自适应自学习方法 | |
WO2022099596A1 (zh) | 一种面向工业个性化定制生产的自适应学习智能调度统一计算框架及系统 | |
US20200119556A1 (en) | Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency | |
Elsisi | Design of neural network predictive controller based on imperialist competitive algorithm for automatic voltage regulator | |
US20200327411A1 (en) | Systems and Method on Deriving Real-time Coordinated Voltage Control Strategies Using Deep Reinforcement Learning | |
Khooban et al. | A new intelligent online fuzzy tuning approach for multi-area load frequency control: Self Adaptive Modified Bat Algorithm | |
Khuntia et al. | Simulation study for automatic generation control of a multi-area power system by ANFIS approach | |
CN110326182A (zh) | 具有自主der电压控制的协调和优化的分层鲁棒模型预测电压和var控制 | |
CN105630648B (zh) | 基于多维数据深度学习的数据中心智能控制方法及系统 | |
Subramanian et al. | Exploring grid topology reconfiguration using a simple deep reinforcement learning approach | |
CN107611969A (zh) | 具备调令约束功能的调控防误系统及方法 | |
CN105186498A (zh) | 一种计及运行成本的主动配电网电压潮流联合控制方法 | |
KR20200084401A (ko) | 빅데이타를 활용한 공기압축기 양방향 고장진단 및 원격운전제어 시스템 | |
Gao et al. | Hybrid deep learning for dynamic total transfer capability control | |
Chanfreut et al. | Distributed model predictive control for tracking: A coalitional clustering approach | |
CN104050377A (zh) | 一种时变设备故障概率确定方法 | |
CN116595424B (zh) | 一种面向医疗环境的数字化智能制氧系统 | |
CN109946968A (zh) | 一种楼宇内分布式能源匹配系统和方法 | |
Prusty et al. | Performance analysis of fuzzy rule based classification system for transient identification in nuclear power plant | |
CN104466979B (zh) | 一种输电网无功优化调控系统及方法 | |
CN110955782B (zh) | 一种基于知识图谱的调度控制知识表示方法 | |
Teng et al. | On-line fault diagnosis technology and application based on deep learning of fault characteristic of power grid | |
CN110086166A (zh) | 一种电网稳定运行限额的表示方法及系统 | |
CN116070741A (zh) | 一种基于深度强化学习的调度优化决策系统及其存储介质 | |
CN109325594A (zh) | 一种改进cbr的电力通信现场运维辅助诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180525 |