CN110110759B - 基于多维度信息识别的电网电气信息指向方法及系统 - Google Patents

基于多维度信息识别的电网电气信息指向方法及系统 Download PDF

Info

Publication number
CN110110759B
CN110110759B CN201910300750.3A CN201910300750A CN110110759B CN 110110759 B CN110110759 B CN 110110759B CN 201910300750 A CN201910300750 A CN 201910300750A CN 110110759 B CN110110759 B CN 110110759B
Authority
CN
China
Prior art keywords
transformer
upper layer
data
probability
voltage
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.)
Active
Application number
CN201910300750.3A
Other languages
English (en)
Other versions
CN110110759A (zh
Inventor
杜璞良
赵家庆
陈中
郭家昌
戴中坚
马子文
苏大威
徐春雷
吕洋
丁宏恩
田江
霍雪松
李春
唐聪
徐秀之
俞瑜
赵奇
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.)
Southeast University
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Southeast University
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
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 Southeast University, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Southeast University
Priority to CN201910300750.3A priority Critical patent/CN110110759B/zh
Publication of CN110110759A publication Critical patent/CN110110759A/zh
Application granted granted Critical
Publication of CN110110759B publication Critical patent/CN110110759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于多维度信息识别的电网电气信息指向方法及系统，首先对台区和上层变压器数据进行采集和预处理；其次基于处理后的台区与上层变压器负荷数据构建0‑1规划模型，并基于模型寻优，获取电气指向概率；随后基于处理后的台区与上层变压器电压数据进行电压相关性分析，获取相关系数；最后对得到的概率，电压相关数据进行归一化处理，通过机器学习‑SVM算法获取电气正确指向关系。本发明基于概率负荷匹配和电压相关性计算，可实现对当前电力公司系统上层变压器和台区建立正确的电气指向关系；能够更正当前电力系统中由于临时增设线路而导致系统电气指向信息不一致问题，降低调度人员的操作风险，确保电网安全运行。

Description

基于多维度信息识别的电网电气信息指向方法及系统
技术领域
本发明属于电力系统电气指向领域，涉及同时考虑负荷以及电压，采用机器学习方法获取最终电气指向的技术，更为具体的说，是涉及一种基于多维度信息识别的电网电气信息指向方法及系统。
背景技术
随着社会经济的进一步发展，电网负荷量正在逐年递增，因此电力公司业扩业务在也呈现出递增趋势。由于电网中新负荷的加入，使得电网台区发生着改变。但当前调度系统难以及时对变更台区进行更新，导致系统电气指向出现偏差，未能建立正确的电气指向关系。
近年，电力公司对优质服务理念不断加深，降低电网停电次数、加快电网检修服务，提高用户服务质量已经成为当前工作重点。由于系统未能及时对变更台区进行更新，错误的电气指向对电网的准确抢修，以及精准服务都造成了一定的影响，同时针对调度层面，错误的电气指向会对调度运行人员的操作带来一定的风险，难以确保电网安全运行。因此建立正确的电气指向关系已成为当前调度人员甚至是整个电网公司所关心的重点。但目前尚缺乏有效的建立手段。
发明内容
为解决当前电力公司系统台区与其上层变压器电气指向不一致的问题，本发明提出一种基于概率负荷匹配和电压相关性的电网电气信息指向方法及系统，通过对电网数据进行处理，采用0-1规划模型，相关系数理念分别对负荷、电压进行分析，获取台区与上层变压器指向概率和电压相关度系数，并将电气指向概率和电压相关度系数进行归一化。之后采用机器学习算法对所得概率数据以及电压相关系数进行计算，获取最终电气指向。
为了达到上述目的，本发明提供如下技术方案：
基于多维度信息识别的电网电气信息指向方法，包括如下步骤：
步骤1，对台区和上层变压器数据进行采集和预处理；
步骤2，基于处理后的台区与上层变压器负荷数据构建0-1规划模型，并基于0-1规划模型寻优，获取电气指向概率；
步骤3，基于处理后的台区与上层变压器电压数据进行电压相关性分析，获取相关系数；
步骤4，对得到的概率，电压相关数据进行归一化处理，通过机器学习-SVM算法获取电气正确指向关系。
进一步的，所述步骤1具体包括如下过程：
采集台区和变压器的负荷数据和电压数据，将采集到的负荷数据处理为台区或上层变压器不同时段负荷均值信息，将电压数据处理为台区或上层变压器不同时段电压均值信息。
进一步的，所述步骤2具体包括如下过程：
构造0-1规划模型，模型目标函数如下：
Figure GDA0004133397690000021
其中k为一天24小时中的某时刻，Fi为k时刻上层第i变压器所带负荷，m为上层变压器数量，Pj为第j个台区k时刻所带负荷，h为台区数量；
Aij,k为0-1规划因子，即
Figure GDA0004133397690000022
通过模型寻优，获取Aij,k数据集；
采用如下公式对上层变压器所带负荷进行概率统计，获取最终台区j与上层变压器i的指向概率：
Figure GDA0004133397690000023
其中Gij为j台区为上层i变电站的概率；
最终获取各台区与上层变压器指向概率。
进一步的，所述步骤3具体包括如下过程：
基于处理的电压数据进行电压相关性分析，采用如下公式分别计算各台区与上层变压器的相关系数：
Figure GDA0004133397690000024
其中Xi为上层变压器i的负荷数据，Yj为台区j负荷数据。
进一步的，所述步骤3中负荷数据为24小时内每个小时的均值负荷数据。
一种基于多维度信息识别的电网电气信息指向系统，包括系统信息预处理模块，概率匹配模块，电压相关性模块以及机器学习模块；所述系统信息预处理模块用于对台区和上层变压器数据进行采集和预处理；所述概率匹配模块用于基于处理后的台区与上层变压器负荷数据构建0-1规划模型，并基于0-1规划模型寻优，获取电气指向概率；所述电压相关性模块用于基于处理后的台区与上层变压器电压数据进行电压相关性分析，获取相关系数；所述机器学习模块用于对得到的概率、电压相关数据进行归一化处理，通过机器学习-SVM算法获取电气正确指向关系。
进一步的，所述系统信息预处理模块具体用于实现如下过程：采集台区和变压器的负荷数据和电压数据，将采集到的负荷数据处理为台区或上层变压器不同时段负荷均值信息，将电压数据处理为台区或上层变压器不同时段电压均值信息。
进一步的，所述概率匹配模块具体用于实现如下过程：
构造0-1规划模型，模型目标函数如下：
Figure GDA0004133397690000031
其中k为一天24小时中的某时刻，Fi为k时刻上层第i变压器所带负荷，m为上层变压器数量，Pj为第j个台区k时刻所带负荷，h为台区数量；
Aij,k为0-1规划因子，即
Figure GDA0004133397690000032
通过模型寻优，获取Aij,k数据集；
采用如下公式对上层变压器所带负荷进行概率统计，获取最终台区j与上层变压器i的指向概率：
Figure GDA0004133397690000033
其中Gij为j台区为上层i变电站的概率；
最终获取各台区与上层变压器指向概率。
进一步的，所述机器学习模块具体用于实现如下过程：
基于处理的电压数据进行电压相关性分析，采用如下公式分别计算各台区与上层变压器的相关系数。
Figure GDA0004133397690000034
其中Xi为上层变压器i的负荷数据，Yj为台区j负荷数据。
与现有技术相比，本发明具有如下优点和有益效果：
本发明提供的电网电气信息指向方法及系统，基于概率负荷匹配和电压相关性计算，可实现对当前电力公司系统上层变压器和台区建立正确的电气指向关系；能够更正当前电力系统中由于临时增设线路而导致系统电气指向信息不一致问题，降低调度人员的操作风险，确保电网安全运行。
附图说明
图1为本发明方法流程图。
图2为两个变电站及其所带台区电压曲线。
图3为两个变电站及其所带负荷示意图。
图4为针对A变电站数据处理结果示意图。
具体实施方式
以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明利变电站及各台区数据，对电气指向进行两阶段联合获取。首先，采用0-1规划方法，将台区数据与变电站数据进行匹配，获取各时段下不同台区与变电站匹配概率，构成电气一阶段指向信息。其次，根据电压相关性原理，对变电站及其台区进行匹配，构成电气二阶段指向信息。最后，结合两阶段具体电气指向结果，采用机器学习算法，获取电网最终电气指向。
具体的说，本发明提供的基于多维度信息识别的电网电气信息指向方法，其流程如图1所示，包括如下步骤：
步骤1，对台区和上层变压器数据进行采集和预处理；
上述台区和变压器数据包括具体负荷数据和电压数据，本步骤采集这些数据后对其进行预处理。预处理是指将采集到的负荷数据和电压数据处理为台区或上层变压器不同时段负荷均值信息，以及台区或上层变压器不同时段电压均值信息。
具体的说，本发明电气指向概率首先需要将负荷数据进行离散化，由于台区和上层变压器采集频率较高，所以需要将采集到的数据处理为以小时为单位的负荷数据，本发明通过对单位小时内的采集数据求取均值，获取其负荷数据。将电压数据处理为上层变压器1电压为24个数据，上层变压器2电压为24个数据，台区1电压为24个数据的格式。
步骤2，基于处理后的台区与上层变压器负荷数据构建0-1规划模型，并基于0-1规划模型寻优，获取电气指向概率；
构造0-1规划模型，模型目标函数如下：
Figure GDA0004133397690000051
其中k为一天24小时中的某时刻，Fi为k时刻上层第i变压器所带负荷，m为上层变压器数量，Pj为第j个台区k时刻所带负荷，h为台区数量。
Aij,k为0-1规划因子，即
Figure GDA0004133397690000052
通过模型寻优，获取Aij,k数据集。
采用如下公式对上层变压器所带负荷进行概率统计，获取最终台区j与上层变压器i的指向概率：
Figure GDA0004133397690000053
其中Gij为j台区为上层i变电站的概率。
最终获取各台区与上层变压器指向概率。
步骤3，基于处理后的台区与上层变压器电压数据进行电压相关性分析，获取相关系数；
基于处理的电压数据进行电压相关性分析，采用如下公式分别计算各台区与上层变压器的相关系数。
Figure GDA0004133397690000054
其中Xi为上层变压器i的负荷数据(24小时内每个小时的均值负荷数据)，Yj为台区j负荷数据(24小时内每个小时的均值负荷数据)。
步骤4，对得到的概率，电压相关数据进行归一化处理，通过机器学习-SVM算法获取电气正确指向关系；
将电压相关系数以及电气指向概率数据投射到二维度平面，采用机器学习中SVM算法对数据进行处理，获取最终电气指向。
基于上述步骤，本发明还提供了一种基于多维度信息识别的电网电气信息指向系统，包括系统信息预处理模块，概率匹配模块，电压相关性模块以及机器学习模块。
其中，系统信息预处理模块用于采集各系统数据信息，将负荷数据处理为台区或上层变压器不同时段负荷均值信息，将电压数据处理为台区或上层变压器不同时段电压均值信息，即执行上述方法中步骤1的内容。概率匹配模块针对系统信息预处理模块处理得到的负荷数据，构造0-1规划模型，并获取各台区与上层变压器电气指向概率，即执行上述方法中步骤2的内容。电压相关性模块针对处理得到电压数据，通过相关系数，获取各台区与其上层变压器的相关系数，即执行上述方法中步骤3的内容。机器学习模块针对概率匹配模块和电压相关性模块所得数据，对其归一化处理，然后采用SVM算法，获取最终电气指向信息，即执行上述方法中步骤4的内容。
实施例：
下面以两个上层变压器以及10个台区为例，结合附图具体介绍本发明。由于电网负荷的增加，台区发生了一定的变更，但系统台区信息由于未能及时更新，导致台区与上层变压器指向性发生了一定的错误。
以下即采用本发明提供的基于多维度信息识别的电网电气信息指向方法进行处理：
先对台区和上层变压器数据进行采集和预处理：
图2分别为变压器和台区处理后的24小时电压数据，图3分别为变压器和台区处理后的24小时负荷数据。图2中，最高处的曲线分别为110kV/10kV变电站10kV侧母线电压，其他曲线为该变电站所带线路到达各台区的电压曲线。
图3中A、B变电站所带负荷分别记录为A2、A3、A4、A5以及B2、B3、B4、B5。
随后基于处理后的数据建立正确的电气指向关系：
首先，通过所构建0-1规划模型获取电气指向概率，本专利MATLAB自带遗传算法对所提0-1规划模型进行寻优，获取基于负荷的电气指向矩阵Aij，具体结果如下表所示。其中若j台区属于第i变压器则Aij＝1，否则为0。下面以A变电站为例进行说明，其中0代表该负荷所在当前时刻不属与A变电站，1代表属于A变电站。
表1A变电站0-1规划模型寻优结果
Figure GDA0004133397690000061
利用公式2获取各负荷属于A变电站概率：
Figure GDA0004133397690000062
Figure GDA0004133397690000071
其次，通过台区与上层变压器电压数据利用公式(3)进行电压相关性分析，获取相关性矩阵，如表2所示。
表2A变电站10kV母线电压相关系数
Figure GDA0004133397690000072
将表1和表2数据投影到二维平面如图4所示。
最后采用SVM算法，对数据进行划分，获取最终电气指向。结果如图4所示。
从结果可以看出，通过前面两步的处理，二维平面已经有明显的区分，机器学习算法可快速的获取正确电气指向，即图4中右侧标记点为该变电站所属负荷。
由于本专利所选例子中未含有停电信息，在实际运行中，若采集到台区以及上层变压器的停电数据，则算法可更为精准的建立电气指向关系。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (5)

1.基于多维度信息识别的电网电气信息指向方法，其特征在于，包括如下步骤：
步骤1，对台区和上层变压器数据进行采集和预处理；
步骤2，基于处理后的台区与上层变压器负荷数据构建0-1规划模型，并基于0-1规划模型寻优，获取电气指向概率；具体包括如下过程：
构造0-1规划模型，模型目标函数如下：
Figure FDA0004133397680000011
其中k为一天24小时中的某时刻，Fi为k时刻上层第i变压器所带负荷，m为上层变压器数量，Pj为第j个台区k时刻所带负荷，h为台区数量；
Aij,k为0-1规划因子，即
Figure FDA0004133397680000012
通过模型寻优，获取Aij,k数据集；
采用如下公式对上层变压器所带负荷进行概率统计，获取最终台区j与上层变压器i的指向概率：
Figure FDA0004133397680000013
其中Gij为j台区为上层变压器i的概率；
最终获取各台区与上层变压器指向概率；
步骤3，基于处理后的台区与上层变压器电压数据进行电压相关性分析，获取相关系数；具体采用如下公式分别计算各台区与上层变压器的相关系数：
Figure FDA0004133397680000014
其中Xi为上层变压器i的负荷数据，Yj为台区j负荷数据；
步骤4，对得到的概率，电压相关数据进行归一化处理，通过机器学习-SVM算法获取电气正确指向关系。
2.根据权利要求1所述的基于多维度信息识别的电网电气信息指向方法，其特征在于，所述步骤1具体包括如下过程：
采集台区和变压器的负荷数据和电压数据，将采集到的负荷数据处理为台区或上层变压器不同时段负荷均值信息，将电压数据处理为台区或上层变压器不同时段电压均值信息。
3.根据权利要求1所述的基于多维度信息识别的电网电气信息指向方法，其特征在于，所述步骤3中负荷数据为24小时内每个小时的均值负荷数据。
4.一种基于多维度信息识别的电网电气信息指向系统，其特征在于：包括系统信息预处理模块，概率匹配模块，电压相关性模块以及机器学习模块；所述系统信息预处理模块用于对台区和上层变压器数据进行采集和预处理；所述概率匹配模块用于基于处理后的台区与上层变压器负荷数据构建0-1规划模型，并基于0-1规划模型寻优，获取电气指向概率；所述电压相关性模块用于基于处理后的台区与上层变压器电压数据进行电压相关性分析，获取相关系数；所述机器学习模块用于对得到的概率、电压相关数据进行归一化处理，通过机器学习-SVM算法获取电气正确指向关系；
所述概率匹配模块具体用于实现如下过程：
构造0-1规划模型，模型目标函数如下：
Figure FDA0004133397680000021
其中k为一天24小时中的某时刻，Fi为k时刻上层第i变压器所带负荷，m为上层变压器数量，Pj为第j个台区k时刻所带负荷，h为台区数量；
Aij,k为0-1规划因子，即
Figure FDA0004133397680000022
通过模型寻优，获取Aij,k数据集；
采用如下公式对上层变压器所带负荷进行概率统计，获取最终台区j与上层变压器i的指向概率：
Figure FDA0004133397680000023
其中Gij为j台区为上层变压器i的概率；
最终获取各台区与上层变压器指向概率；
所述机器学习模块具体用于实现如下过程：
基于处理的电压数据进行电压相关性分析，采用如下公式分别计算各台区与上层变压器的相关系数：
Figure FDA0004133397680000024
其中Xi为上层变压器i的负荷数据，Yj为台区j负荷数据。
5.根据权利要求4所述的基于多维度信息识别的电网电气信息指向系统，其特征在于：所述系统信息预处理模块具体用于实现如下过程：采集台区和变压器的负荷数据和电压数据，将采集到的负荷数据处理为台区或上层变压器不同时段负荷均值信息，将电压数据处理为台区或上层变压器不同时段电压均值信息。
CN201910300750.3A 2019-04-15 2019-04-15 基于多维度信息识别的电网电气信息指向方法及系统 Active CN110110759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910300750.3A CN110110759B (zh) 2019-04-15 2019-04-15 基于多维度信息识别的电网电气信息指向方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910300750.3A CN110110759B (zh) 2019-04-15 2019-04-15 基于多维度信息识别的电网电气信息指向方法及系统

Publications (2)

Publication Number Publication Date
CN110110759A CN110110759A (zh) 2019-08-09
CN110110759B true CN110110759B (zh) 2023-07-11

Family

ID=67483868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910300750.3A Active CN110110759B (zh) 2019-04-15 2019-04-15 基于多维度信息识别的电网电气信息指向方法及系统

Country Status (1)

Country Link
CN (1) CN110110759B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991094A (zh) * 2020-06-16 2021-06-18 洪江川 基于人工智能和大数据的信息分析方法及系统
CN112562302A (zh) * 2020-11-06 2021-03-26 云南电网有限责任公司电力科学研究院 一种基于电压数据的电表台区识别方法
CN112565144B (zh) * 2020-11-18 2022-11-29 国网重庆市电力公司市南供电分公司 一种基于ofdm宽带载波通信系统的台区识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326996A (zh) * 2015-06-16 2017-01-11 中国电力科学研究院 一种基于电量信息的用户负荷预测方法
CN108256724A (zh) * 2017-11-27 2018-07-06 国网浙江省电力公司嵊泗县供电公司 一种基于动态行业系数的配电网可开放容量规划方法
US20190041445A1 (en) * 2017-08-07 2019-02-07 Landis+Gyr Innovations, Inc. Maintaining connectivity information for meters and transformers located in a power distribution network

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106326996A (zh) * 2015-06-16 2017-01-11 中国电力科学研究院 一种基于电量信息的用户负荷预测方法
US20190041445A1 (en) * 2017-08-07 2019-02-07 Landis+Gyr Innovations, Inc. Maintaining connectivity information for meters and transformers located in a power distribution network
CN108256724A (zh) * 2017-11-27 2018-07-06 国网浙江省电力公司嵊泗县供电公司 一种基于动态行业系数的配电网可开放容量规划方法

Also Published As

Publication number Publication date
CN110110759A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN110110759B (zh) 基于多维度信息识别的电网电气信息指向方法及系统
WO2019149428A1 (de) Verfahren und regelvorrichtung zur regelung eines elektrischen leistungstransfers sowie stromnetz
CN105760515A (zh) 一种多数据源的同一对象数据的融合方法
CN101957891A (zh) 一种基于通信系统的模块化电网静态安全分析系统
CN102709894A (zh) 继电保护定值的在线校对方法与系统
CN111080105A (zh) 基于电压时序数据的台区户变关系识别方法及系统
CN110363326B (zh) 一种电网110kV线路短期负荷曲线预测方法
CN104156900A (zh) 水厂管理信息智能监控系统
CN103208050A (zh) 一种实施综合停电检修计划的决策平台
CN114362238B (zh) 光伏控制系统及方法
CN115377976B (zh) 一种基于皮尔逊相关系数的配网线变关系识别方法
CN103345713A (zh) 一种超大规模电力网络同步安全校核系统设计方法
CN106056218A (zh) 计及过载和暂态稳定约束的设备月度检修计划优化方法
CN107134790B (zh) 一种基于大数据的配电网无功优化控制序列确定方法
CN107273574A (zh) 一种基于d5000调度系统的输电网自动成图技术
CN103324845A (zh) 一种基于不确定性推理的智能变电站开关状态估计方法
CN114822592B (zh) 一种基于语音识别的变电站信号验收方法及系统
CN108470247B (zh) 基于关联规则分类的光伏电站经营辅助决策方法
CN110955808A (zh) 一种主厂站四遥监控信息匹配关联的方法
CN115224687A (zh) 220千伏以下输变电设备停电检修安全校核方法及系统
CN115033015A (zh) 基于移动智能终端的输电线路巡检管控系统
CN115549075A (zh) 一种含微电网的配电网供电恢复方法及系统
CN112364210B (zh) 一种配电网停电计划查重方法
CN109857834B (zh) 一种基于多维度信息识别的电网边缘电气信息匹配方法及系统
CN110829447B (zh) 基于风险度的精准切负荷系统的子站选择方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190805

Address after: Four pailou Nanjing Xuanwu District of Jiangsu Province, No. 2 211189

Applicant after: SOUTHEAST University

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd. SUZHOU BRANCH

Address before: Four pailou Nanjing Xuanwu District of Jiangsu Province, No. 2 211189

Applicant before: Southeast University

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant