CN110889587B - 配电网线路风险评估方法 - Google Patents
配电网线路风险评估方法 Download PDFInfo
- Publication number
- CN110889587B CN110889587B CN201910992400.8A CN201910992400A CN110889587B CN 110889587 B CN110889587 B CN 110889587B CN 201910992400 A CN201910992400 A CN 201910992400A CN 110889587 B CN110889587 B CN 110889587B
- Authority
- CN
- China
- Prior art keywords
- risk
- line
- value
- distribution network
- power distribution
- 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
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
本发明公开了一种配电网线路风险评估方法,该方法根据配网线路故障单元的历史故障数据,通过逐步回归筛选指标,采用主成分法计算筛选因子的得分,并将得分值进行变换带入到EMLR算法中进行机器学习,得到配网线路故障单元的风险值计算模型,再利用BP神经网络对风险值计算模型进行推广,最后将测试数据导入所述神经网络计算模型实现对线路单元的风险值进行预测评估;通过对现有配电网线路数据进行整合和分析,实现了配网线路风险程度的数字化和可视化,达到风险线路单元差异化运维检修、工程针对性改造及安全生产的目的。通过对风险的预测,可便于对高风险项目的靶向排查,有效降低了停电事故的发生概率,提高配电网供电可靠性。
Description
技术领域
本发明涉及一种配电网线路风险评估方法。
背景技术
配电网直接面向用户,与广大人民群众的生产生活息息相关。近年来,随着配网建设的加速,运维工作要求越来越高,工作任务越来越重,传统的人工常态化巡视方式人为主观判断线路改造,存在多种业务和管理问题如下:
(一)线路巡视缺乏针对性
一是部份巡线人员“人到眼没到”,没有认真查看线路的每一处,忽视线路安全隐患;二是线路状况不同,巡视工作缺乏针对性,在有限的人力、物力、财力下,巡视的紧急重要程度也不同。
(二)线路改造缺乏针对性
由于公司每年的工程项目投资经费相对有限,必须要找到最需要技改大修的配电网线路设备进行重点规划和储备。而在实际工作中,由于存在着大量的线路资料、检修(抢修)记录等数据,无法进行全面系统的分析,往往只能根据部份数据和管理人员的经验决定项目改造计划,不能全面科学地为立项做出准确的判定。
(三)线路故障排查困难
当线路故障时,现有故障判断机制只能大致圈定故障范围;抢修人员在故障范围内进行地毯式搜寻,没有重点,抢修时间大量消耗在寻找故障点上。
该项目通过计算线路单元风险等级,依据线路单元风险等级对线路单元进行差异化运维检修及工程针对性改造,为运维巡视工作“人员少线路长任务重”、针对性制定运维工作计划、针对性进行工程改造、缩短故障排查时间提供解决办法。
发明内容
本发明的目的是提供一种配电网线路风险评估方法,以解决目前的配电网线路巡检主要靠人工巡视线路,不能对配电网线路的故障风险进行评估的问题。
为解决上述技术问题,本发明提供一种配电网线路风险评估方法,包括以下步骤:
S1:将配电网线路划分为若干线路单元,采集配电网线路的历史故障数据,并对所述故障数据进行预处理得到引起线路单元故障的原因因子;
S2:以线路单元发生故障的次数为因变量,以引起线路单元故障的原因因子作为自变量,采用逐步回归法筛选出对故障次数存在显著影响的故障关键因子;
S3:对所述故障关键因子进行标准化处理获得标准化特征数据,通过主成分分析法计算各线路单元主成分的PCA得分;
S4:采用EMLR算法对各线路单元主成分的PCA得分数据集进行回归分析,得到风险值计算模型;
S5:利用所述风险值计算模型计算各线路单元的风险值,并将所各线路单元的风险值数据集作为BP神经网络训练数据集进行训练的得到各线路单元的风险值的神经网络计算模型;将测试数据导入所述神经网络计算模型实现对线路单元的风险值进行预测评估。
进一步地,线路单元的划分原则为:按照主线以分段开关为分段点进行分段,支线按照各级支线开关为分段点进行分段。
进一步地,所述步骤S4具体包括以下步骤:
S41:根据EMLR算法定义风险值计算模型数学解析形式如下:
其中,X=(x1,x2,…,xi,…,xn)为所有主成分的PCA得分数据集构成的集合,α=(α1,α2,…,αi)为需要通过机器学习出来的系数,f(X)为模型的输出值;
S42:采用随机梯度上升法通过多次迭代计算使得风险值计算模型的损失值最小的α=(α1,α2,…,αi),损失函数数学解析形式如下:
其中,fi(X)为模型通过EMLR算法得到目标值,yi是训练集中的目标值;迭代更新的过程中使得FCost达到最小;
S43:将使得风险值计算模型的损失值最小的α=(α1,α2,…,αi)输入到风险值计算模型中,得到线路单元的风险值。
进一步地,所述步骤S42中所述的使得风险值计算模型的损失值最小的α=(α1,α2,…,αi)的计算方法为:
S421:初始化α=(α1,α2,…,αi)=0,计算初始的fi(X)值;
S423:利用更新的α值计算新的fi(X)值,并重复步骤S422和步骤S423,直到error值收敛;
S424:输出模型系数α=(α1,α2,…,αi)即为使得风险值计算模型的损失值最小的α=(α1,α2,…,αi)。
进一步地,所述步骤S4还包括步骤S44:将步骤S43的到线路单元的风险值按照从大到小的顺序进行排序,并对线路单元的风险值进行区间划分,得到线路单元的风险值对线路单元的的风险等级模型,形成风险画像。
进一步地,在进行步骤S4前,根据风险值的定义对步骤S3中得到的所述主成分的PCA得分进行变换,所述风险值的定义表达式为:
risk-value=[score+ABS(min(score))]×10 (3)
其中,score为步骤S3中得到的所述主成分得分。
进一步地,所述步骤S5中所述BP神经网络模型包括输入层、至少一个S 型隐含层和输出层;所述隐含层神经元数设置的数量为20个;初始权重值为 (-1,1)之间的随机数,学习速率的选取范围在0.01-0.8之间。
进一步地,该方法还包括对BP神经网络模型的预测效果进行验证,具体验证方法为将测试数据导入到训练好的BP神经网络中,得到风险值的预测值,并将与风险值的预测值与测试数据的真实值风险值进行比较得到误差散点,根据误差散点判断BP神经网络模型的预测效果。
本发明的有益效果为:该方法根据配网线路故障单元的历史故障数据,通过逐步回归筛选指标,采用主成分法计算筛选因子的得分,并将得分值进行变换带入到EMLR算法中进行机器学习,得到配网线路故障单元的风险值计算模型,再利用BP神经网络对风险值计算模型进行推广,最后将测试数据导入所述神经网络计算模型实现对线路单元的风险值进行预测评估;通过对现有配电网线路数据进行整合和分析,实现了配网线路风险程度的数字化和可视化,达到风险线路单元差异化运维检修、工程针对性改造及安全生产的目的。通过对风险的预测,可便于对高风险项目的靶向排查,有效降低了停电事故的发生概率,提高配电网供电可靠性。
具体实施方式
本发明公开了一种配电网线路风险评估方法,包括以下步骤:
S1:将配电网线路划分为若干线路单元,采集配电网线路的历史故障数据,并对所述故障数据进行分析和原因归类,采用一般线性模型逐步筛选引起线路单元故障的原因因子;线路单元的划分原则为:按照主线以分段开关为分段点进行分段,支线按照各级支线开关(刀闸)为分段点进行分段。
引起线路单元故障的原因因子包括:
单元线路长度:配网线路经过单元划分后,每段单元线路总长。单位:公里。
绝缘化率:绝缘化率越高,线路风险值越低,为了避免风险与绝缘化率出现反比关系,用1-绝缘化率替换为原来的绝缘化率。
运行年限:该单元线路投运至今的运行时间。单位:年。
缺陷数:该单元线路及设备未消缺的总数量。单位:处。
负载程度:将负载程度分为过载记2,重载记1,轻载及以下记0三个数量等级。
专用客户用电情况差:专用客户用电情况差记为1,无情况差记为0。
雷区程度:雷区程度一般按照强雷、多雷、少雷区分,按照雷区程度,将强雷区域赋值为3,多雷区域赋值为2,少雷区域赋值为1,雷击情况低于少雷标准的视为0。
周边树木情况:将周边树木情况按照茂盛、有、无三个等级进行区分,周边树木生长茂盛记为2,周边有树木记为1,周边无树木记0。
周边彩钢瓦(异物)程度:彩钢瓦在遇到大风等天气,易对电力线路造成短路及接地等故障,线路周边有彩钢瓦记为1,无彩钢瓦记为0。
附近氢气球等飞行物:将有氢气球等飞行物记为1,无飞行物记为0。
保护区大型起吊施工:记有大型起吊施工为1,无大型起吊施工为0。
周边鸟类等飞禽频繁:周边鸟类等飞禽活动频繁记为1,无则记为0。
周边蛇活动情况:周边蛇类活动频繁记为1,无则记为0。
保护区山火风险:线路所在地区存在山火风险记为1,无风险记为0。
S2:通过以线路单元发生故障的次数为因变量,以引起线路单元故障的原因因子作为自变量,采用逐步回归法筛选出对故障次数存在显著影响的故障关键因子。
S3:对所述故障关键因子进行标准化处理获得标准化特征数据,通过主成分分析法计算各线路单元主成分的PCA得分;具体为,对所述故障关键因子进行标准化处理获得标准化特征数据,通过主成分分析法(PCA分析法)对所述标准化数据进行主成分分析得到各线路单元各主成分贡献率,然后根据主成分因子载荷矩阵对准化特征数据进行降维处理,再将标准化特征数据带入主成分的PCA得分表达式即可计算出主成分的PCA得分。其中,各线路单元的主成分得的PCA得分为用于衡量风险值大小的指标,通过以各主成分的方差贡献率αi作为权数,构造综合评价函数通过R软件,编程实现,可得到每条线路主成分的综合得分f。
S4:将采用EMLR算法对各线路单元主成分的PCA得分数据集进行回归分析,得到风险值计算模型;
步骤S4具体包括以下步骤:
S41:根据EMLR算法定义风险值计算模型数学解析形式如下:
其中,X=(x1,x2,…,xi,…,xn)为所有主成分的PCA得分数据集构成的集合,α=(α1,α2,…,αi)为需要通过机器学习出来的系数,f(X)为模型的输出值;
S42:采用随机梯度上升法通过多次迭代计算使得风险值计算模型的损失值最小的α=(α1,α2,…,αi),损失函数数学解析形式如下:
其中,fi(X)为模型通过EMLR算法得到目标值,yi是训练集中的目标值;迭代更新的过程中使得FCost达到最小;
S43:将使得风险值计算模型的损失值最小的α=(α1,α2,…,αi)输入到风险值计算模型中,得到线路单元的风险值。
S44:将步骤S43的到线路单元的风险值按照从大到小的顺序进行排序,并对线路单元的风险值进行区间划分,得到线路单元的风险值对线路单元的的风险等级模型,形成“红橙黄绿”四色风险画像。而风险值越高,意味着具有较高的故障数,在对风险等级进行划分的时候,高风险线路单元标记为红色,将中风险线路单元标记为橙色,将低风险线路单元标记为黄色,将属于正常健康状态的标记为绿色,实现了对线路单元风险的可视化描述。
其中,所述步骤S42中所述的使得风险值计算模型的损失值最小的α=(α1,α2,…,αi)的计算方法为:
S421:初始化α=(α1,α2,…,αi)=0,计算初始的fi(X)值;
S423:利用更新的α值计算新的fi(X)值,并重复步骤S422和步骤S423,直到error值收敛;
S424:输出模型系数α=(α1,α2,…,αi)即为使得风险值计算模型的损失值最小的α=(α1,α2,…,αi)。
由于计算结果表明主成分得分有正有负,而正数代表的风险比负数的更大,且绝对值大的正数所代表的风险也更大。为了能够使用主成分得分来衡量风险,可对主主成分得分采用如下变换,对风险值的定义如下:
risk-value=[score+ABS(min(score))]×10 (3)
其中,score为步骤S3中得到的所述主成分得分,采用式(3)的变换,不仅可以保持数据原有的数据趋势,而且使得数据更加符合客观实际。
S5:利用所述风险值计算模型计算各线路单元的风险值,并将所各线路单元的风险值数据集作为BP神经网络训练数据集进行训练的得到各线路单元的风险值的神经网络计算模型;将测试数据导入所述神经网络计算模型实现对线路单元的风险值进行预测评估。
其中BP神经网络设计如下:
网络的层数。理论上:具有偏差和至少一个S型隐含层加上一个线性输出层的网络,能够逼近任何有理数。增加层数可以更进一步的降低误差,提高精度,但同时也使网络复杂化,从而增加了网络权重值的训练时间。而误差精度的提高实际上也可以通过增加神经元数目来获得,其训练效果也比增加层数更容易观察和调整。所以可优先考虑增加隐含层中的神经元数。
隐含层的神经元数。网络训练精度的提高,可以通过采用一个隐含层,而增加神经元数了的方法来获得。这在结构实现上,要比增加隐含层数要简单得多。经过综合考虑,本发明中的隐含层神经元数可设置的数量为20个。
初始权重值选取。由于系统是非线性的,初始值对于学习是否达到局部最小、是否能够收敛及训练时间的长短关系很大。如果初始值太大,使得加权后的输入和n落在了S型激活函数的饱和区,从而导致其导数f′(n)非常小,而在计算权值修正公式中,因为δ∝f′(n),当f′(n)→0时,则有δ→0。这使得Δwij→0,从而使得调节过程几乎停顿下来。所以一般总是希望经过初始加权后的每个神经元的输出值都接近于零,这样可以保证每个神经元的权值都能够在它们的S型激活函数变化最大之处进行调节。本申请中,取初始权重值在(-1,1) 之间的随机数。
学习速率。学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可能导致系统的不稳定;但小的学习速率导致较长的训练时间,可能收敛很慢。本申请中,学习速率的选取范围在0.01-0.8之间。
此外,该方法还包括对BP神经网络模型的预测效果进行仿真验证,具体验证方法为将测试数据导入到训练好的BP神经网络中,得到风险值的预测值,并将与预测值与测试数据的真实值风险值进行比较得到误差散点,根据误差散点判断BP神经网络模型的预测效果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种配电网线路风险评估方法,其特征在于,包括以下步骤:
S1:将配电网线路划分为若干线路单元,采集配电网线路的历史故障数据,并对所述故障数据进行预处理得到引起线路单元故障的原因因子;
S2:以线路单元发生故障的次数为因变量,以引起线路单元故障的原因因子作为自变量,采用逐步回归法筛选出对故障次数存在显著影响的故障关键因子;
S3:对所述故障关键因子进行标准化处理获得标准化特征数据,通过主成分分析法计算各线路单元主成分的PCA得分;
S4:采用EMLR算法对各线路单元主成分的PCA得分数据集进行回归分析,得到风险值计算模型;
S5:利用所述风险值计算模型计算各线路单元的风险值,并将所各线路单元的风险值数据集作为BP神经网络训练数据集进行训练的得到各线路单元的风险值的神经网络计算模型;将测试数据导入所述神经网络计算模型实现对线路单元的风险值进行预测评估。
2.根据权利要求1所述的配电网线路风险评估方法,其特征在于,线路单元的划分原则为:按照主线以分段开关为分段点进行分段,支线按照各级支线开关为分段点进行分段。
3.根据权利要求1或2所述的配电网线路风险评估方法,其特征在于,所述步骤S4具体包括以下步骤:
S41:根据EMLR算法定义风险值计算模型数学解析形式如下:
其中,X=(x1,x2,…,xi,…,xn)为所有主成分的PCA得分数据集构成的集合,α=(α1,α2,…,αi)为需要通过机器学习出来的系数,f(X)为模型的输出值;
S42:采用随机梯度上升法通过多次迭代计算使得风险值计算模型的损失值最小的α=(α1,α2,…,αi),损失函数数学解析形式如下:
其中,fi(X)为模型通过EMLR算法得到目标值,yi是训练集中的目标值;迭代更新的过程中使得FCost达到最小;
S43:将使得风险值计算模型的损失值最小的α=(α1,α2,…,αi)输入到风险值计算模型中,得到线路单元的风险值。
5.根据权利要求3或4所述的配电网线路风险评估方法,其特征在于,所述步骤S4还包括步骤S44:将步骤S43的到线路单元的风险值按照从大到小的顺序进行排序,并对线路单元的风险值进行区间划分,得到线路单元的风险值对线路单元的的风险等级模型,形成风险画像。
6.根据权利要求5所述的配电网线路风险评估方法,其特征在于,在进行步骤S4前,根据风险值的定义对步骤S3中得到的所述主成分的PCA得分进行变换,所述风险值的定义表达式为:
risk-value=[score+ABS(min(score))]×10 (3)
其中,score为步骤S3中得到的所述主成分得分。
7.根据权利要求1所述的配电网线路风险评估方法,其特征在于,所述步骤S5中所述BP神经网络模型包括输入层、至少一个S型隐含层和输出层;所述隐含层神经元数设置的数量为20个;初始权重值为(-1,1)之间的随机数,学习速率的选取范围在0.01-0.8之间。
8.根据权利要求7所述的配电网线路风险评估方法,其特征在于,该方法还包括对BP神经网络模型的预测效果进行验证,具体验证方法为将测试数据导入到训练好的BP神经网络中,得到风险值的预测值,并将与风险值的预测值与测试数据的真实值风险值进行比较得到误差散点,根据误差散点判断BP神经网络模型的预测效果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992400.8A CN110889587B (zh) | 2019-10-18 | 2019-10-18 | 配电网线路风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992400.8A CN110889587B (zh) | 2019-10-18 | 2019-10-18 | 配电网线路风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889587A CN110889587A (zh) | 2020-03-17 |
CN110889587B true CN110889587B (zh) | 2022-12-06 |
Family
ID=69746293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910992400.8A Active CN110889587B (zh) | 2019-10-18 | 2019-10-18 | 配电网线路风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889587B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734204B (zh) * | 2020-12-01 | 2022-11-18 | 国家电网有限公司 | 配电网故障线路风险评估方法和系统 |
CN116799966B (zh) * | 2023-08-25 | 2023-10-20 | 石家庄长川电气科技有限公司 | 一种基于大数据的监控系统及方法 |
CN117350548B (zh) * | 2023-12-04 | 2024-04-16 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
CN117575537A (zh) * | 2023-12-15 | 2024-02-20 | 国网山东省电力公司莒县供电公司 | 一种配网停电计划管理系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355343A (zh) * | 2016-09-06 | 2017-01-25 | 深圳供电局有限公司 | 一种配电网综合风险评估方法 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN109359469A (zh) * | 2018-10-16 | 2019-02-19 | 上海电力学院 | 一种工业控制系统的信息安全风险评估方法 |
-
2019
- 2019-10-18 CN CN201910992400.8A patent/CN110889587B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110889587A (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889587B (zh) | 配电网线路风险评估方法 | |
CN106529696B (zh) | 一种电网中设备预警方法及预警装置 | |
CN111950918B (zh) | 一种基于电力交易数据的市场风险评估方法 | |
CN107886235A (zh) | 一种耦合确定性与不确定分析的火灾风险评估方法 | |
CN110766313B (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
CN110378549B (zh) | 一种基于fahp-熵权法的输电杆塔鸟害等级评估方法 | |
CN107862763B (zh) | 列车安全预警评估模型训练方法、模块及监测评估系统 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
CN109214604A (zh) | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 | |
CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测系统及方法 | |
CN104462718A (zh) | 一种变电站经济运行年限区间评估方法 | |
Protalinsky et al. | Identification of the actual state and entity availability forecasting in power engineering using neural-network technologies | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN113850693A (zh) | 基于多源信息融合的配网停电风险综合评估与预警的方法 | |
CN115018291A (zh) | 一种大型桥梁工程风险评估方法 | |
CN110341986A (zh) | 基于rbm优化elm的飞机辅助动力装置性能参数多步预测方法 | |
CN113030633B (zh) | 基于ga-bp神经网络的配电网故障大数据分析方法和系统 | |
CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及系统 | |
CN112785060A (zh) | 一种配电网精益化运维水平优化方法 | |
CN116415724A (zh) | 一种光伏电站运维检修时间的预测方法及装置 | |
CN112001600A (zh) | 一种基于svm和ds理论的渗漏水风险监测方法 | |
CN116596301A (zh) | 基于零次学习法的电缆多状态变量评估模型设计方法及装置 | |
CN115496353A (zh) | 一种压缩天然气加气站智能风险评估方法 | |
CN112734204B (zh) | 配电网故障线路风险评估方法和系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Applicant after: STATE GRID CORPORATION OF CHINA Applicant after: State Grid Chongqing Electric Power Company Tongliang power supply branch Address before: 100031 Xicheng District West Chang'an Avenue, No. 86, Beijing Applicant before: STATE GRID CORPORATION OF CHINA Applicant before: TONGLIANG DISTRICT POWER BRANCH, STATE GRID CHONGQING ELECTRIC POWER Co. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |