CN110532327B - 一种人工智能电网线路规划方法 - Google Patents

一种人工智能电网线路规划方法 Download PDF

Info

Publication number
CN110532327B
CN110532327B CN201910777582.7A CN201910777582A CN110532327B CN 110532327 B CN110532327 B CN 110532327B CN 201910777582 A CN201910777582 A CN 201910777582A CN 110532327 B CN110532327 B CN 110532327B
Authority
CN
China
Prior art keywords
planning
line planning
training
artificial intelligent
power grid
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
CN201910777582.7A
Other languages
English (en)
Other versions
CN110532327A (zh
Inventor
章彬
汪桢子
汪伟
侯明哲
张云翔
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.)
Shenzhen Power Supply Co ltd
Original Assignee
Shenzhen Power Supply 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 Shenzhen Power Supply Co ltd filed Critical Shenzhen Power Supply Co ltd
Priority to CN201910777582.7A priority Critical patent/CN110532327B/zh
Publication of CN110532327A publication Critical patent/CN110532327A/zh
Application granted granted Critical
Publication of CN110532327B publication Critical patent/CN110532327B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Remote Sensing (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种人工智能电网线路规划方法，其包括如下步骤：步骤S10，获得各地区历年电网线路规划数据，并对所述历年电网线路规划数据进行完善，并根据规划线路问题进行分类，形成训练样本；步骤S11，将所述经完善以及分类后的训练样本输入预先形成的人工智能线路规划训练模型进行训练；获得训练结果，并根据训练结果对所述人工智能线路规划训练模型的参数进行调整，获得人工智能线路规划模型；步骤S12，将待规划地区的GIS地理信息、历史居民用电数据、历史规划路线输入到所述人工智能线路规划模型，获得多个设计规划方案以及对应的评价结果，从而获得最终的设计规划方案。实施本发明，具有规划速度快、全面准确、成本低等优点。

Description

一种人工智能电网线路规划方法
技术领域
本发明涉及供电网线路规划技术领域，具体为一种人工智能电网线路规划方法。
背景技术
随着城市化的发展，几年前的电网线路已经适应不了现在的居明使用需求，譬如在夏天大家都使用空调的情况下，经常发生电力线路因电力负载过大而局部跳闸。再这种情况下，电网企业，会采取人工规划，做增加一些线路等方式解决，但是问题过多几年后，线路又开始跟不上居民的使用量，跳闸，断电情况时有发生。为此需要重新规划一条新的线路，以能确保在人口增长的情况下，线路可以满足居民使用负载多少年。但是如果直接采用顶配的线路来进行安装，就面临成本过高的问题。故在现有技术中，电网公司需要花费大量人力和物力来进行线路规划，且规划好的线路很难得不到有效验证。
发明内容
本发明所要解决的技术问题在于，提供一种人工智能电网线路规划方法，具有规划速度快、全面准确、成本低等优点。
为解决上述的技术问题，本发明的一方面提供一种人工智能电网线路规划方法，其包括如下步骤：
步骤S10，获得各地区历年电网线路规划数据，并对所述历年电网线路规划数据进行完善，并根据规划线路问题进行分类，形成训练样本；
步骤S11，将所述经完善以及分类后的训练样本输入预先形成的人工智能线路规划训练模型进行训练；获得训练结果，并根据训练结果对所述人工智能线路规划训练模型的参数进行调整，获得人工智能线路规划模型；
步骤S12，将待规划地区的GIS地理信息、历史居民用电数据、历史规划路线输入到所述人工智能线路规划模型，获得多个设计规划方案以及对应的评价结果，从而获得最终的设计规划方案。
优选地，所述步骤S10具体包括对历年电网线路规划数据进行完善的步骤，包括：
步骤S100，根据地理信息GIS，在历年电网线路规划数据中标记所规划的地区信息，所述地区信息至少包括：线路信息、人口数量、楼房数量以及地理索引；
步骤S101，根据历年居民用电数据，在历年电网线路规划数据中标记用电的年度增长信息；
步骤S102，根据电力设备功能参数，在历年电网线路规划数据中对设备参数数据进行完善。
优选地，所述步骤S10进一步包括对历年电网线路规划数据进行分类的步骤，包括：
步骤S103，将规划线路问题分成多个等级，根据所述多个等级将所述历年电网线路规划数据进行分类；
步骤S104，根据用电增长情况进行分类，并将其与楼房增长情况相对应，得到各种用电增长及楼房增长情形下的问题登记数量、初始规划设备参数以及使用年限信息；
步骤S105，对分类成功的历年电网线路规划数据进行画像，获得其对应的优良线路规划特征，包括：人口增长、楼房增长因素对应的线路规划特征；
步骤S106，对分类失败的历年电网线路规划数据进行画像，获得其对应的失败线路规划特征，包括失败的特征以及导致失败的关键因素。
优选地，所述步骤S11具体包括：
步骤S110，预先形成人工智能线路规划训练模型，所述人工智能线路规划训练模型中定义有线路规划规则和配置要求；
步骤S111，将所述经完善以及分类后的训练样本输入预先形成的人工智能线路规划训练模型进行训练，将每一经完善以及分类后历年电网线路规划数据分别与优良线路规划特征和失败线路规划特征进行比较，从而获得比较结果；
步骤S112，根据比较结果对人工智能线路规划训练模型进行评估，在不满足约束条件时，调整所述人工智能线路规划训练模型的参数，至少包括线路规划规则和配置要求；
步骤S113，继续采用训练样本对所述人工智能线路规划训练模型进行训练，直至满足约束条件，形成人工智能线路规划模型。
优选地，所述步骤S12具体包括：
步骤S120，将待规划地区的GIS地理信息、历史居民用电数据、历史规划路线输入到所述人工智能线路规划模型，根据GIS地理信息所对应的地图遍历出多条规划路线；
步骤S121，将每一条规划路线的参数与优良数据画像和失败数据画像进行特征对比，获得其改进方法及参数，以及硬性最低配置要求；
步骤S122，从所述多条规划路线中选出最优的规划路线。
优选地，在所述步骤S122之后进一步包括：
步骤S123，将所选出的最优的规划路线进行调整，并再次输出到所述人工智能线路规划模型中，获得最终的规划线路信息，所述最终的规划线路信息包括至少规划线路的走向，规划线路中的设备名称、数量以及参数。
实施本发明的实施例，具有如下的有益效果：
本发明实施例提供的人工智能电网线路规划方法，可以通过输入待规划地区的GIS地理信息、历史居民用电数据、历史规划路线，即可以在人工智能线路规划模型中获得最终的规划线路信息，其速度快；
本发明实施保的人工智能线路规划训练模型，通过历年电网线路规划数据进行训练，并对训练结果进行验证，考虑的参数更加周全，重复调用现有的电网用电情况数据，使得规划更加全面；
同时，通过人工智能线路规划模型获得的规划路线信息中的线路走向、设备名称、数量以及设备参数等一应俱全，可以有效支撑多年的用电增长需求，同时成本最优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明提供的一种人工智能电网线路规划方法的主流程示意图；
图2为图1中步骤S10的更详细的流程图；
图3为图1中步骤S11的更详细的流程图；
图4为图1中步骤S12的更详细的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
如图1所示，是本发明提供的一种人工智能电网线路规划方法的主流程示意图，一并结合图2至图4所示。所述人工智能电网线路规划方法包括如下的步骤：
步骤S10，获得各地区历年电网线路规划数据，并对所述历年电网线路规划数据进行完善，并根据规划线路问题进行分类，形成训练样本；
其中，历年电网线路规划数据一般包括历年线路规划走线方式，近几年故障情况，线路设备参数，及走线规划后问题总结等内容。
在一个具体的例子中，所述步骤S10具体包括对历年电网线路规划数据进行完善的步骤，包括：
步骤S100，根据地理信息GIS，在历年电网线路规划数据中标记所规划的地区信息，所述地区信息至少包括：线路信息、人口数量、楼房数量以及地理索引；可以理解的是，在地理信息GIS中一般包括此地区的最新的地理地貌情况，已经规划的电网线路走线情况，历年居民楼房，厂房，商业区等建设增长情况，现有楼房厂房等面积及存量情况等；
步骤S101，根据历年居民用电数据，在历年电网线路规划数据中标记用电的年度增长信息；
可以理解的是，历年居民用电数据一般可以分析出该地区人口用电情况、季节用电情况、历年用电增长情况等信息；
步骤S102，根据电力设备功能参数，在历年电网线路规划数据中对设备参数数据进行完善。
可以理解的是，电力设备功能参数一般包括：电力设备、变压器、各种线路的输电功率、损耗、最大负载等参数。
通过上述步骤，可以使得历年电网线路规划数据更加完善，其中，可以把不必要的数据进行排除，通过该过程，除了对数据进行了完善，而且使数据规格化，便于后续进行一对一的比对。
在一个具体的例子中，所述步骤S10进一步包括对历年电网线路规划数据进行分类的步骤，包括：
步骤S103，将规划线路问题分成多个等级，根据所述多个等级将所述历年电网线路规划数据进行分类；
步骤S104，根据用电增长情况进行分类，并将其与楼房增长情况相对应，得到各种用电增长及楼房增长情形下的问题登记数量、初始规划设备参数以及使用年限信息；
步骤S105，对分类成功的历年电网线路规划数据进行画像，获得其对应的优良线路规划特征，包括：人口增长、楼房增长因素对应的线路规划特征；
步骤S106，对分类失败的历年电网线路规划数据进行画像，获得其对应的失败线路规划特征，包括失败的特征以及导致失败的关键因素。
通过上述步骤，从而可以得到用于训练的样本，在一些具体地例子，可以获得一定数据的样本形成样本集，例如每一类样本采用1000份。
步骤S11，将所述经完善以及分类后的训练样本输入预先形成的人工智能线路规划训练模型进行训练；获得训练结果，并根据训练结果对所述人工智能线路规划训练模型的参数进行调整，获得人工智能线路规划模型；
在一个具体的例子中，所述步骤S11具体包括：
步骤S110，预先形成人工智能线路规划训练模型，所述人工智能线路规划训练模型中定义有线路规划规则和配置要求；
步骤S111，将所述经完善以及分类后的训练样本输入预先形成的人工智能线路规划训练模型进行训练，将每一经完善以及分类后历年电网线路规划数据分别与优良线路规划特征和失败线路规划特征进行比较，从而获得比较结果；例如，在与优良线路规划特征进行比较时，可以获得本规划满足的地方；在与和失败线路规划特征进行比较时，可以得到最少配置要求；
步骤S112，根据比较结果对人工智能线路规划训练模型进行评估，在不满足约束条件(预先设定)时，调整所述人工智能线路规划训练模型的参数，至少包括线路规划规则和配置要求；
步骤S113，继续采用训练样本对所述人工智能线路规划训练模型进行训练，直至满足约束条件，形成人工智能线路规划模型。
步骤S12，将待规划地区的GIS地理信息、历史居民用电数据、历史规划路线输入到所述人工智能线路规划模型，获得多个设计规划方案以及对应的评价结果，从而获得最终的设计规划方案。
具体地，在一个例子中，所述步骤S12具体包括：
步骤S120，将待规划地区的GIS地理信息、历史居民用电数据、历史规划路线输入到所述人工智能线路规划模型，根据GIS地理信息所对应的地图遍历出多条规划路线；
具体地，通过上述步骤S120，让人工智能线路规划模型了解当地区历年的人口增长数据、楼房增长数据、地理面积上限等、季度用钱情况、日常用电情况以及原先规划路线的内容，其会根据地图遍历出多个设计规划方案；
步骤S121，将每一条规划路线的参数与优良数据画像和失败数据画像进行特征对比，获得其改进方法及参数，以及硬性最低配置要求；
步骤S122，从所述多条规划路线中选出最优的规划路线。
更加具体地，在一些例子中还包括：
步骤S123，将所选出的最优的规划路线进行调整，并再次输出到所述人工智能线路规划模型中，获得最终的规划线路信息，所述最终的规划线路信息包括至少规划线路的走向，规划线路中的设备名称、数量以及参数(如，各种线路的输电功率、损耗、最大负载等参数)。
实施本发明的实施例，具有如下的有益效果：
本发明实施例提供的人工智能电网线路规划方法，可以通过输入待规划地区的GIS地理信息、历史居民用电数据、历史规划路线，即可以在人工智能线路规划模型中获得最终的规划线路信息，其速度快；
本发明实施保的人工智能线路规划训练模型，通过历年电网线路规划数据进行训练，并对训练结果进行验证，考虑的参数更加周全，重复调用现有的电网用电情况数据，使得规划更加全面；
同时，通过人工智能线路规划模型获得的规划路线信息中的线路走向、设备名称、数量以及设备参数等一应俱全，可以有效支撑多年的用电增长需求，同时成本最优。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种人工智能电网线路规划方法，其特征在于，包括如下步骤：
步骤S10，获得各地区历年电网线路规划数据，并对所述历年电网线路规划数据进行完善，并根据规划线路问题进行分类，形成训练样本；
步骤S11，将经完善以及分类后的训练样本输入预先形成的人工智能线路规划训练模型进行训练；获得训练结果，并根据训练结果对所述人工智能线路规划训练模型的参数进行调整，获得人工智能线路规划模型；
步骤S12，将待规划地区的GIS地理信息、历史居民用电数据、历史规划路线输入到所述人工智能线路规划模型，获得多个设计规划方案以及对应的评价结果，从而获得最终的设计规划方案；
其中，所述步骤S11具体包括：
步骤S110，预先形成人工智能线路规划训练模型，所述人工智能线路规划训练模型中定义有线路规划规则和配置要求；
步骤S111，将经完善以及分类后的训练样本输入预先形成的人工智能线路规划训练模型进行训练，将每一经完善以及分类后历年电网线路规划数据分别与优良线路规划特征和失败线路规划特征进行比较，从而获得比较结果；
步骤S112，根据比较结果对人工智能线路规划训练模型进行评估，在不满足约束条件时，调整所述人工智能线路规划训练模型的参数，至少包括线路规划规则和配置要求；
步骤S113，继续采用训练样本对所述人工智能线路规划训练模型进行训练，直至满足约束条件，形成人工智能线路规划模型。
2.如权利要求1所述的方法，其特征在于，所述步骤S10具体包括对历年电网线路规划数据进行完善的步骤，包括：
步骤S100，根据地理信息GIS，在历年电网线路规划数据中标记所规划的地区信息，所述地区信息至少包括：线路信息、人口数量、楼房数量以及地理索引；
步骤S101，根据历年居民用电数据，在历年电网线路规划数据中标记用电的年度增长信息；
步骤S102，根据电力设备功能参数，在历年电网线路规划数据中对设备参数数据进行完善。
3.如权利要求2所述的方法，其特征在于，所述步骤S11具体包括：
步骤S110，预先形成人工智能线路规划训练模型，所述人工智能线路规划训练模型中定义有线路规划规则和配置要求；
步骤S111，将所述经完善以及分类后的训练样本输入预先形成的人工智能线路规划训练模型进行训练，将每一经完善以及分类后历年电网线路规划数据分别与优良线路规划特征和失败线路规划特征进行比较，从而获得比较结果；
步骤S112，根据比较结果对人工智能线路规划训练模型进行评估，在不满足约束条件时，调整所述人工智能线路规划训练模型的参数，至少包括线路规划规则和配置要求；
步骤S113，继续采用训练样本对所述人工智能线路规划训练模型进行训练，直至满足约束条件，形成人工智能线路规划模型。
4.如权利要求3所述的方法，其特征在于，所述步骤S12具体包括：
步骤S120，将待规划地区的GIS地理信息、历史居民用电数据、历史规划路线输入到所述人工智能线路规划模型，根据GIS地理信息所对应的地图遍历出多条规划路线；
步骤S121，将每一条规划路线的参数与优良数据画像和失败数据画像进行特征对比，获得其改进方法及参数，以及硬性最低配置要求；
步骤S122，从所述多条规划路线中选出最优的规划路线。
5.如权利要求4所述的方法，其特征在于，在所述步骤S122之后进一步包括：
步骤S123，将所选出的最优的规划路线进行调整，并再次输出到所述人工智能线路规划模型中，获得最终的规划线路信息，所述最终的规划线路信息包括至少规划线路的走向，规划线路中的设备名称、数量以及参数。
CN201910777582.7A 2019-08-22 2019-08-22 一种人工智能电网线路规划方法 Active CN110532327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910777582.7A CN110532327B (zh) 2019-08-22 2019-08-22 一种人工智能电网线路规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910777582.7A CN110532327B (zh) 2019-08-22 2019-08-22 一种人工智能电网线路规划方法

Publications (2)

Publication Number Publication Date
CN110532327A CN110532327A (zh) 2019-12-03
CN110532327B true CN110532327B (zh) 2023-04-18

Family

ID=68662477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910777582.7A Active CN110532327B (zh) 2019-08-22 2019-08-22 一种人工智能电网线路规划方法

Country Status (1)

Country Link
CN (1) CN110532327B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582598A (zh) * 2020-05-14 2020-08-25 昆明能讯科技有限责任公司 一种基于网架及电网指标分析的电网规划方案自动生成方法
CN112950027A (zh) * 2021-03-02 2021-06-11 国网河北省电力有限公司保定供电分公司 电网工作方法及其装置和电网工作系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018093548A1 (en) * 2016-11-18 2018-05-24 Qualcomm Incorporated Adaptive multi-tier power distribution grids for integrated circuits
CN109269505A (zh) * 2018-10-24 2019-01-25 国家电网有限公司 一种电网设备巡检线路智能规划方法
CN109687458A (zh) * 2019-03-05 2019-04-26 东北电力大学 考虑区域配电网风险承受能力差异的网架规划方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100454317C (zh) * 2007-08-23 2009-01-21 上海交通大学 电网规划计算机辅助决策支持系统
CN102509165A (zh) * 2011-11-30 2012-06-20 华北电网有限公司 一种输电线路智能选线系统及选线方法
US20150028675A1 (en) * 2013-07-29 2015-01-29 Michael Scheurlen Electrical power system and method for operating an electrical power system
CN103812052B (zh) * 2014-03-07 2016-06-01 国家电网公司 一种用于无人机输电线路巡检的集中监控系统及监控方法
CN104156827A (zh) * 2014-08-15 2014-11-19 国家电网公司 一种电力规划技术协作与动态智能管理系统
CN105574652B (zh) * 2015-12-10 2020-08-18 国网山东省电力公司经济技术研究院 一种智能配电网规划大数据管控系统及方法
CN106779344A (zh) * 2016-11-28 2017-05-31 云南电网有限责任公司大理供电局 一种基于营配信息集成的配电网规划的方法
CN109472390B (zh) * 2018-09-12 2021-08-31 郑颖尔 基于机器学习的规划方案智能生成方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018093548A1 (en) * 2016-11-18 2018-05-24 Qualcomm Incorporated Adaptive multi-tier power distribution grids for integrated circuits
CN109269505A (zh) * 2018-10-24 2019-01-25 国家电网有限公司 一种电网设备巡检线路智能规划方法
CN109687458A (zh) * 2019-03-05 2019-04-26 东北电力大学 考虑区域配电网风险承受能力差异的网架规划方法

Also Published As

Publication number Publication date
CN110532327A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN106980071B (zh) 基于电网gis可视化抢修系统及其工作方法
CN106990328B (zh) 配网抢修异常数据分析、故障定位系统及方法
CN110532327B (zh) 一种人工智能电网线路规划方法
CN106814286B (zh) 基于多元故障采集的配电网故障定位系统、方法及服务器
WO2021042423A1 (zh) 一种基于步进环栅的输电线路的多目标优化路径选择方法
CN110266037B (zh) 基于拓扑自动聚合的分布式新能源全观测建模方法和系统
CN106373032B (zh) 基于大数据的配网故障高发区域辨识方法
US11474279B2 (en) Weather-related overhead distribution line failures online forecasting
CN110146789A (zh) 一种智能运检通报方法及装置
CN113872204B (zh) 一种基于电网图拓扑计算的用电负荷性质确定方法及装置
CN107563665A (zh) 一种电力设施分布与电网资源数据质量评价方法
CN106849055A (zh) 一种基于数据分析的配电网抢修驻点优化方法
CN109685684A (zh) 一种基于知识图谱的低压配电网拓扑结构校验方法
CN104573868B (zh) 一种配电网抢修网格划分方法及设备
CN113902583B (zh) 利用低压网络设备数据的配网侧运维方法及系统
CN110740394A (zh) 基于站点分级业务分类的电力光传输网络优化方法及系统
US20240110674A1 (en) Methods, internet of things (iot) systems, and media for presetting emergency devices of smart gas
Lu et al. An artificial neural network based trouble call analysis
CN114091213A (zh) 一种电力通信网规划方案评价系统
CN112907157A (zh) 一种基于气象预警的电网风险可视化方法及系统
CN107347189A (zh) 一种td‑lte 230无线专网基站规划方法
CN116633011A (zh) 一种面向城市配电网的电力设备故障影响分析方法
CN115809315A (zh) 一种地名地址标准化匹配算法
CN108549974A (zh) 一种基于层次分析法的cime电网模型评价方法
Radaelli et al. The LIFE DYNAMAP project: automating the process for pilot areas location

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