CN109002924A - 一种配网故障抢修预测分析系统及方法 - Google Patents
一种配网故障抢修预测分析系统及方法 Download PDFInfo
- Publication number
- CN109002924A CN109002924A CN201810810937.3A CN201810810937A CN109002924A CN 109002924 A CN109002924 A CN 109002924A CN 201810810937 A CN201810810937 A CN 201810810937A CN 109002924 A CN109002924 A CN 109002924A
- Authority
- CN
- China
- Prior art keywords
- data
- sample
- sample space
- value
- emergency repair
- 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
Links
- 230000008439 repair process Effects 0.000 title claims abstract description 25
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 230000032683 aging Effects 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 9
- 108091093126 WHP Posttrascriptional Response Element Proteins 0.000 claims description 6
- 238000007726 management method Methods 0.000 claims description 5
- 239000000470 constituent Substances 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007812 deficiency Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种配网故障抢修预测分析系统及方法，其中系统包括：依次连接的服务器、数据提取单元、存储器、处理器和应用程序服务器，所述处理器还同时连接数据处理单元。本发明利用大数据挖掘技术，基于电力故障抢修历史数据，以特殊时期、天气、温度、设备老化情况、负荷率等作为扰动因数，通过“具扰动特性的滚动基值法”进行电网故障准确评估，精准预测配网抢修高危区域，提前发现电网系统薄弱环节，为电网提前采取相应措施有效降低配网故障率提供参考，事前做好抢修准备。
Description
技术领域
本发明涉及基于大数据挖掘技术的配网故障抢修预测领域，具体涉及一种配网故障抢修预测系统及方法。
背景技术
随着人们用电需求的不断提升和社会的快速发展，对供电企业的供电服务质量的要求越来越高。然而，目前大部分的电力企业在供电服务方面仍然存在许多不足，其中配网抢修作为影响用户用电体验的一项电力主营业务，仍然停留在传统的以用户为主要发起人的被动抢修模式。如何提前发现电网系统薄弱环节，提前精准预测配网抢修高危区域，采取相应措施有效降低配网故障率，事前做好抢修准备，是电力企业急需解决的一个问题。
为加快电网发展、全力确保电力可靠供应，深入研究配网故障预测方法，构建预测模型，根据预测结果指导故障抢修工作的精准化管理，切实促进电网发展，提升供电服务质量。
发明内容
本发明提供了一种配网故障抢修预测分析系统及方法，通过在线获取天气信息、温度信息等对特定时期各区域配网故障量进行预测，实现对配网抢修的提前预测，指导供电企业合理分配抢修资源，提升企业供电服务质量。
第一方面，本发明提供了一种配网故障抢修预测分析系统，所述系统包括：依次连接的服务器、数据提取单元、存储器、处理器和应用程序服务器，所述处理器还同时连接数据处理单元；
其中，所述服务器，用于存储原始数据，所述原始数据包括各单位抢修历史数据、天气数据和设备基础信息；
所述数据提取单元，用于根据所述处理器的控制，按照所述处理器控制指令从所述服务器的原始数据中提取样本数据，并发送至存储器，所述样本数据包括指定类型的历史数据、实时天气数据和设备实时状态信息；
所述存储器，用于接收来自所述数据提取单元提取的样本数据并进行缓存；
所述处理器，用于控制所述数据提取单元从所述服务器的原始数据中提取样本数据，还用于提取存储器缓存的样本数据；
所述应用程序服务器，实时显示故障量的区域分布情况、变化趋势和预测量。
第二方面，本发明还提供了一种配网故障抢修预测分析方法，包括以下步骤：
从服务器中获取样本数据；
剔除样本数据中的坏样数据，然后对剔除过的样本数据进行分类与统计；
通过Matlab软件对样本数据进行可视化分析；
建立预测模型，预测某一天的工单数量，得到计算数据，所述预测模型为：Wpre＝Wba+Wco+(Qmax-Wba)×Dco，
Wpre：某一天的工单数量的预测值；
Wba：样本空间内剔除所有极值后的工单数量平均值；
Wco：围绕基值的随机波动值；
Qmax：样本空间内所有极值的最大值；
Dco：扰动系数，扰动因素引起的工单数变化；
将计算数据储存于存储器中，并通过应用程序服务器将计算数据以地理分布图、柱形图、曲线图等可视化图标进行展示，即可在线监控分析配网故障量的地理分布情况、变化趋势、未来变化情况，指导配网抢修单位合理分配抢修资源，快速完成抢修任务。
可选地，所述Wba计算方法包括：
1)预测日的前N天数据构建样本空间，N>10；
2)计算样本空间内工单数量平均值；
3)定义工单数量超出平均值百分之P的数据为极值Q，统计出Q的个数T；
4)从样本空间中剔除这些极值数据Q，样本空间的长度变为N-T；
5)向前增加T天数据，补齐长度为N的样本空间；
6)返回2)继续，直至样本空间内不再有极值，此时的样本空间称为有效样本空间；
7)基值Wba等于有效样本空间内工单数的算术平均值。
可选地，所述Wco计算方法包括：
1)有效样本空间内找出最大工单数，与基值的差记为D；
2)定义S是在[-1，1]区间上的随机数；
3)Wco＝D×S。
可选地，所述Qmax的计算方法：剔除掉的所有极值中最大值，当没有极值时取Wba×(1+P％)作为Qmax。
可选地，所述Dco的计算方法：定义H为天气恶劣程度，恶劣程度是雨、雪、风、气温的综合考量，取值范围为0-100，那么扰动系数Dco的计算公式为：Dco＝H/100。
可选地，所述扰动因素包括天气、气温、设备老化、负荷率、用户设备、用户管理。
可选地，所述配网故障抢修预测分析方法还包括：
通过准确率函数对预测模型进行验证，其计算公式如下：
本发明具有以下有益效果：
本发明利用大数据挖掘技术，基于电力故障抢修历史数据，以特殊时期、天气、温度、设备老化情况、负荷率等作为扰动因数，通过“具扰动特性的滚动基值法”进行电网故障准确评估，精准预测配网抢修高危区域，提前发现电网系统薄弱环节，为电网提前采取相应措施有效降低配网故障率提供参考，事前做好抢修准备。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的一种配网故障抢修预测分析系统的结构示意图。
具体实施方式
本发明提供了一种配网故障抢修预测分析系统及方法，通过在线获取天气信息、温度信息等对特定时期各区域配网故障量进行预测，实现对配网抢修的提前预测，指导供电企业合理分配抢修资源，提升企业供电服务质量。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，为本发明提供的一种配网故障抢修预测分析系统的结构示意图。系统包括：依次连接的服务器、数据提取单元、存储器、处理器和应用程序服务器，处理器还同时连接数据处理单元；
其中，服务器，用于存储原始数据，原始数据包括各单位抢修历史数据、天气数据和设备基础信息；
数据提取单元，用于根据处理器的控制，按照处理器控制指令从服务器的原始数据中提取样本数据，并发送至存储器，样本数据包括指定类型的历史数据、实时天气数据和设备实时状态信息；
存储器，用于接收来自数据提取单元提取的样本数据并进行缓存；
处理器，用于控制数据提取单元从服务器的原始数据中提取样本数据，还用于提取存储器缓存的样本数据；
应用程序服务器，实时显示故障量的区域分布情况、变化趋势和预测量。
实施例2
与实施例1相对应地，本发明提供的一种配网故障抢修预测分析方法，步骤如下。
(一)从服务器中获取样本数据。例如，从实际生产系统的服务器的众多原始数据中获取2015年01月01日至2015年03月18日、2015年12月07日至2016年03月07日及2016年11月27日至2017年02月27日的样本数据。
(二)剔除样本数据中的坏样数据，然后对剔除过的样本数据进行分类与统计。因样本数据存在数据缺失、数据不合规等问题，需要对样本数据做进一步的清洗，然后对样本数据进行分类与统计，剔除坏样数据后总数量共计357862条。
(三)通过Matlab软件对样本数据进行可视化分析。在研究数据分布及特点阶段，我们尝试了采用多种维度、多个方向的模型技术对数据进行分析，包括大数据模型等，结果显示，部分模型由于模型本身限制不适用于该问题的解决，部分模型由于数据样本不足限制了模型性能的发挥。因此，通过Matlab软件对各市级供电公司、区县级供电单位以及抢修部门抢修工单进行的数据可视化分析，各单位的抢修工单数量总是在一段时间内围绕某一基准进行小范围波动，并不时有少部分波动范围较大的点出现。根据数据分析结果，得出以下结论：抢修单数量在某一时间段内通常会有一固定的均值；时间段不同，均值不同；通常情况下抢修单数量都在围绕这一均值上下波动；在有恶劣天气扰动情况下，抢修工单数量值会有一个大的波动，产生一个极值；如果有设备老化问题、用户管理等问题，在遇到恶劣天气时，极值的幅度通常会更大。
(四)建立预测模型，预测某一天的工单数量，得到计算数据。根据步骤(三)的问题，建立预测模型即具扰动特性的滚动基值法公式，其计算公式如下：Wpre＝Wba+Wco+(Qmax-Wba)×Dco，
Wpre：某一天的工单数量的预测值；
Wba：样本空间内剔除所有极值后的工单数量平均值；
Wco：围绕基值的随机波动值；
Qmax：样本空间内所有极值的最大值；
Dco：扰动系数，扰动因素引起的工单数变化。
便于工程计算，我们需要对具扰动特性的滚动基值法公式进行必要的说明和改进。具体地，说明和改进如下。
Wba计算方法包括：
1)预测日的前N天数据构建样本空间，N>10。
2)计算样本空间内工单数量平均值。
3)定义工单数量超出平均值百分之P的数据为极值Q，统计出Q的个数T。
4)从样本空间中剔除这些极值数据Q，样本空间的长度变为N-T。
5)向前增加T天数据，补齐长度为N的样本空间。
6)返回2)继续，直至样本空间内不再有极值，此时的样本空间称为有效样本空间。
7)基值Wba等于有效样本空间内工单数的算术平均值。
Wco计算方法包括：
1)有效样本空间内找出最大工单数，与基值的差记为D。
2)定义S是在[-1，1]区间上的随机数。
3)Wco＝D×S。
Qmax的计算方法：剔除掉的所有极值中最大值，当没有极值时取Wba×(1+P％)作为Qmax。
Dco的计算方法：定义H为天气恶劣程度，恶劣程度是雨、雪、风、气温的综合考量，取值范围为0-100，那么扰动系数Dco的计算公式为：Dco＝H/100。而扰动因素包括天气、气温、设备老化、负荷率、用户设备、用户管理。
(五)通过准确率函数对预测模型进行验证。具体地，为验证预测算法的准确性，对部分区县级供电单位进行预测，选取了除夕特殊日类型和晴天、恶劣天气两种不同的天气类型，由于不是全部区县，所以不能划分预警等级，我们通过准确率函数来进行验证，其计算公式下：
(六)将计算数据储存于存储器中，并通过应用程序服务器将计算数据以地理分布图、柱形图、曲线图等可视化图标进行展示，即可在线监控分析配网故障量的地理分布情况、变化趋势、未来变化情况，指导配网抢修单位合理分配抢修资源，快速完成抢修任务。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种配网故障抢修预测分析系统，其特征在于，所述系统包括：依次连接的服务器、数据提取单元、存储器、处理器和应用程序服务器，所述处理器还同时连接数据处理单元；
其中，所述服务器，用于存储原始数据，所述原始数据包括各单位抢修历史数据、天气数据和设备基础信息；
所述数据提取单元，用于根据所述处理器的控制，按照所述处理器控制指令从所述服务器的原始数据中提取样本数据，并发送至存储器，所述样本数据包括指定类型的历史数据、实时天气数据和设备实时状态信息；
所述存储器，用于接收来自所述数据提取单元提取的样本数据并进行缓存；
所述处理器，用于控制所述数据提取单元从所述服务器的原始数据中提取样本数据，还用于提取存储器缓存的样本数据；
所述应用程序服务器，实时显示故障量的区域分布情况、变化趋势和预测量。
2.一种配网故障抢修预测分析方法，其特征在于，包括以下步骤：
从服务器中获取样本数据；
剔除样本数据中的坏样数据，然后对剔除过的样本数据进行分类与统计；
通过Matlab软件对样本数据进行可视化分析；
建立预测模型，预测某一天的工单数量，得到计算数据，所述预测模型为：Wpre＝Wba+Wco+(Qmax-Wba)×Dco，
Wpre：某一天的工单数量的预测值；
Wba：样本空间内剔除所有极值后的工单数量平均值；
Wco：围绕基值的随机波动值；
Qmax：样本空间内所有极值的最大值；
Dco：扰动系数，扰动因素引起的工单数变化；
将计算数据储存于存储器中，并通过应用程序服务器将计算数据以地理分布图、柱形图、曲线图等可视化图标进行展示，即可在线监控分析配网故障量的地理分布情况、变化趋势、未来变化情况，指导配网抢修单位合理分配抢修资源，快速完成抢修任务。
3.根据权利要求2所述的配网故障抢修预测分析方法，其特征在于，所述Wba计算方法包括：
1)预测日的前N天数据构建样本空间，N>10；
2)计算样本空间内工单数量平均值；
3)定义工单数量超出平均值百分之P的数据为极值Q，统计出Q的个数T；
4)从样本空间中剔除这些极值数据Q，样本空间的长度变为N-T；
5)向前增加T天数据，补齐长度为N的样本空间；
6)返回2)继续，直至样本空间内不再有极值，此时的样本空间称为有效样本空间；
7)基值Wba等于有效样本空间内工单数的算术平均值。
4.根据权利要求2所述的配网故障抢修预测分析方法，其特征在于，所述Wco计算方法包括：
1)有效样本空间内找出最大工单数，与基值的差记为D；
2)定义S是在[-1，1]区间上的随机数；
3)Wco＝D×S。
5.根据权利要求2所述的配网故障抢修预测分析方法，其特征在于，所述Qmax的计算方法：剔除掉的所有极值中最大值，当没有极值时取Wba×(1+P％)作为Qmax。
6.根据权利要求2所述的配网故障抢修预测分析方法，其特征在于，所述Dco的计算方法：定义H为天气恶劣程度，恶劣程度是雨、雪、风、气温的综合考量，取值范围为0-100，那么扰动系数Dco的计算公式为：Dco＝H/100。
7.根据权利要求2所述的配网故障抢修预测分析方法，其特征在于，所述扰动因素包括天气、气温、设备老化、负荷率、用户设备、用户管理。
8.根据权利要求2所述的配网故障抢修预测分析方法，其特征在于，还包括：
通过准确率函数对预测模型进行验证，其计算公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810810937.3A CN109002924B (zh) | 2018-07-23 | 2018-07-23 | 一种配网故障抢修预测分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810810937.3A CN109002924B (zh) | 2018-07-23 | 2018-07-23 | 一种配网故障抢修预测分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109002924A true CN109002924A (zh) | 2018-12-14 |
| CN109002924B CN109002924B (zh) | 2020-08-07 |
Family
ID=64597037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810810937.3A Active CN109002924B (zh) | 2018-07-23 | 2018-07-23 | 一种配网故障抢修预测分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109002924B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178382A (zh) * | 2019-11-26 | 2020-05-19 | 国网浙江省电力有限公司湖州供电公司 | 一种基于工单数据挖掘的抢修服务预测分析方法 |
| CN111750925A (zh) * | 2019-12-24 | 2020-10-09 | 广州极飞科技有限公司 | 设备老化预测系统、方法和装置 |
| CN112308250A (zh) * | 2020-11-04 | 2021-02-02 | 海南电网有限责任公司信息通信分公司 | 一种配网应急抢修调度系统和方法 |
| CN113627655A (zh) * | 2021-07-16 | 2021-11-09 | 深圳供电局有限公司 | 一种配电网灾前故障场景模拟预测方法及装置 |
| CN113935536A (zh) * | 2021-10-21 | 2022-01-14 | 广东电网有限责任公司广州供电局 | 一种用电区域抢修规划方法、装置、设备和介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104123682B (zh) * | 2014-07-28 | 2017-08-04 | 国家电网公司 | 一种基于气象影响因素的配网故障风险评估方法 |
| JP6543028B2 (ja) * | 2014-11-05 | 2019-07-10 | 東芝エネルギーシステムズ株式会社 | 異常診断装置及び異常診断方法 |
| CN105701596A (zh) * | 2015-12-24 | 2016-06-22 | 国家电网公司 | 一种基于大数据技术的配网抢修精益化方法以及管理系统 |
| CN107423328A (zh) * | 2017-04-13 | 2017-12-01 | 温州市图盛科技有限公司 | 大数据电力抢修热点预测系统的构建方法 |
-
2018
- 2018-07-23 CN CN201810810937.3A patent/CN109002924B/zh active Active
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111178382A (zh) * | 2019-11-26 | 2020-05-19 | 国网浙江省电力有限公司湖州供电公司 | 一种基于工单数据挖掘的抢修服务预测分析方法 |
| CN111750925A (zh) * | 2019-12-24 | 2020-10-09 | 广州极飞科技有限公司 | 设备老化预测系统、方法和装置 |
| CN112308250A (zh) * | 2020-11-04 | 2021-02-02 | 海南电网有限责任公司信息通信分公司 | 一种配网应急抢修调度系统和方法 |
| CN113627655A (zh) * | 2021-07-16 | 2021-11-09 | 深圳供电局有限公司 | 一种配电网灾前故障场景模拟预测方法及装置 |
| CN113627655B (zh) * | 2021-07-16 | 2024-03-05 | 深圳供电局有限公司 | 一种配电网灾前故障场景模拟预测方法及装置 |
| CN113935536A (zh) * | 2021-10-21 | 2022-01-14 | 广东电网有限责任公司广州供电局 | 一种用电区域抢修规划方法、装置、设备和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109002924B (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109002924A (zh) | 一种配网故障抢修预测分析系统及方法 | |
| Panteli et al. | Power system resilience to extreme weather: Fragility modeling, probabilistic impact assessment, and adaptation measures | |
| CN112365100B (zh) | 基于灾害风险综合评估的电网灾害预警及应对方法 | |
| US20160328199A1 (en) | Methods for assessing reliability of a utility company's power system | |
| CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| Canizes et al. | Hybrid fuzzy Monte Carlo technique for reliability assessment in transmission power systems | |
| Li et al. | Component importance assessment of power systems for improving resilience under wind storms | |
| CN109657912A (zh) | 一种可视化的电网风险管控方法及系统 | |
| CN111563692B (zh) | 轨道交通智慧运维系统 | |
| CN105205341A (zh) | 一种基于客户诉求的电力配网改造需求模型构建方法 | |
| CN106570567A (zh) | 一种主网检修多约束多目标评估专家系统及优化方法 | |
| CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
| Bellani et al. | A reliability-centered methodology for identifying renovation actions for improving resilience against heat waves in power distribution grids | |
| de Vasconcelos et al. | Methodology for inspection scheduling in power distribution networks based on power quality indexes | |
| Li et al. | Incorporating fuzzy weather-related outages in transmission system reliability assessment | |
| Wilkinson et al. | Consequence forecasting: A rational framework for predicting the consequences of approaching storms | |
| Zhang et al. | Power distribution system planning evaluation by a fuzzy multi-criteria group decision support system | |
| Marsadek et al. | Assessment and classification of line overload risk in power systems considering different types of severity functions | |
| KR20220052200A (ko) | 기계학습 기반 부하예측 모델의 비교 검증 시스템 및 방법 | |
| Bahrami et al. | A novel pre-storm island formation framework to improve distribution system resilience considering tree-caused failures | |
| Biard et al. | Determining the lifecycle and future replacement cost of distribution network equipment | |
| CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
| Chang et al. | DER allocation and line repair scheduling for storm-induced failures in distribution networks | |
| CN103166322A (zh) | 一种低频减载装置的监测方法及系统 | |
| Chen et al. | Risk assessment for power system static security based on fuzzy modeling of weather conditions |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 5 / F, Xinyi Hotel, 185 Jingsi Road, Shizhong District, Jinan City, Shandong Province Patentee after: Shandong luruan Digital Technology Co.,Ltd. Address before: 5 / F, Xinyi Hotel, 185 Jingsi Road, Shizhong District, Jinan City, Shandong Province Patentee before: SHANDONG LUNENG SOFTWARE TECHNOLOGY Co.,Ltd. |
|
| CP01 | Change in the name or title of a patent holder |