CN111881124A - 一种基于改进算法的状态估计的数据处理方法及系统 - Google Patents
一种基于改进算法的状态估计的数据处理方法及系统 Download PDFInfo
- Publication number
- CN111881124A CN111881124A CN202010723728.2A CN202010723728A CN111881124A CN 111881124 A CN111881124 A CN 111881124A CN 202010723728 A CN202010723728 A CN 202010723728A CN 111881124 A CN111881124 A CN 111881124A
- Authority
- CN
- China
- Prior art keywords
- data
- measurement
- analysis
- bad
- state estimation
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 44
- 238000003672 processing method Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 77
- 238000004458 analytical method Methods 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 18
- 230000008439 repair process Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 239000002994 raw material Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000010937 topological data analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进算法的状态估计的数据处理方法及系统，包括利用设备参数和量测数据得到多源数据；对所述多源数据进行不良数据处理，利用相容性分析策略发现、剔除DAS不良数据；对各配网经济运行分析计算需要的所述不良数据进行修复和校核；根据配网应用分析要求将修复后的所述不良数据分类压缩存放到相应的主题数据库中进行可观测性分析处理，得到可观测性分析结果；利用基于改进算法的状态估计对所述可观测性分析结果进行虚拟量测；提高配电网虚拟量测的可观性与量测冗余度，解决配电网数据信息缺失，满足不同配网高级应用分析对数据需求和快速获取；利用配电网量测信息估计出高精度的、完整的、可靠的配电系统状态。
Description
技术领域
本发明涉及数据治理的技术领域，尤其涉及一种基于改进算法的状态估计的数据处理方法及系统。
背景技术
近年来DAS运行过程中产生的大量运行数据，这些数据来自不同类型、不同厂家，由不同通信方式传送至DAS的终端数据，因缺少统一的时标或量测覆盖等问题，配电网的可观测性不足。同时，配电网随着城市建设的推进频繁变更，模型每天都在变化，这种频繁变更的模型与不具观测性的数据制约了DAS的深化应用。许多应用，如经济化运行分析，规划分析，理论线损计算等都无法有效运行。为了解决这个问题，电力公司持续推进配电自动化建设与配电网的协调发展，如通过针对运行指标的管控强化自动化系统的运维管控；为确保配电自动化系统基础数据的准确性，按照配电网图模信息“源端唯一、全局共享”的原则，严格图模异动流程。除了在管理手段进行持续改进外，由于配电网海量的数据以及模型的复杂性，电力公司还需要相关软件工具来完成图模的校核和配电自动化系统的测试工作，以及针对下游配电自动化高级应用功能提供保障。
虽然许多DAS主站系统已运行多年，但由于配电自动化系统模型频繁变更，同时采集与存储的历史数据时标，质量标志不一致，积累的大量后端数据成了“垃圾”。本发明用于对配电自动化后端数据进行处理，通过对数据的状态估计以及模型的版本化管理，实现将DAS运行数据从“垃圾”向“黄金”转变；通过为应用提供数据以及与数据一致的模型服务，为DAS各项实用化应用及深化应用提供支撑。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有DAS主站系统存在的大量“垃圾”后端数据问题，提出了本发明。
因此，本发明解决的技术问题是：对配电自动化后端数据进行处理，通过对数据的状态估计以及模型的版本化管理，实现将DAS运行数据从“垃圾”向“黄金”转变；通过为应用提供数据以及与数据一致的模型服务，为DAS各项实用化应用及深化应用提供支撑。
为解决上述技术问题，本发明提供如下技术方案：利用设备参数和量测数据得到多源数据；对所述多源数据进行不良数据处理，利用相容性分析策略发现、剔除DAS不良数据；对各配网经济运行分析计算需要的所述不良数据进行修复和校核；根据配网应用分析要求将修复后的所述不良数据分类压缩存放到相应的主题数据库中进行可观测性分析处理，得到可观测性分析结果；利用基于改进算法的状态估计对所述可观测性分析结果进行虚拟量测。
作为本发明所述的一种基于改进算法的状态估计的数据处理方法的一种优选方案，其中：所述虚拟量测，包括，
基于网络结线、线路参数、量测条件，建立非线性量测方程，如下，
z＝h(x)+v
其中，z为量测量，m维，x为状态量，n维，一般是节点电压幅值和相角，v为量测误差，随机变量；
确定量测矢量后，则所述虚拟量测的目标函数定义如下，
J(x)＝[z-h(x)]TR-1[z-h(x)]
作为本发明所述的一种基于改进算法的状态估计的数据处理方法的一种优选方案，其中：进行所述不良数据处理，包括，从数据库中读取所述量测量以进行规则判断和质量标签制定；根据检测规律对读取的所述量测量进行所述不良数据的辨识。
作为本发明所述的一种基于改进算法的状态估计的数据处理方法的一种优选方案，其中：所述检测规律包括，历史规律、突变量检测规律、线路两端电压值比较规律、电压与额定电压比较规律、电流的KCL规律、有功无功的电度量规律。
作为本发明所述的一种基于改进算法的状态估计的数据处理方法的一种优选方案，其中：所述质量标签包括，定义节点的数据质量标签为Q(i)，其取值范围为0～1，所述Q(i)越大则表示所述不良数据可信度越高；
将所述Q(i)划分为QU(i)、QI(i)和QP(i)，分别表示为所述节点处的电压、电流和功率的数据质量；根据检测规则对所述质量标签进行判定，剔除所述不良数据。
作为本发明所述的一种基于改进算法的状态估计的数据处理方法的一种优选方案，其中：进行所述可观测性分析处理包括，基于拓扑分析与所述质量标签进行数据修补；利用可观测性分析评估配网网架状态估计程度，得到分析结果；对所述分析结果添加伪量测量以划分可观测区域。
作为本发明所述的一种基于改进算法的状态估计的数据处理方法的一种优选方案，其中：所述数据修补需要对电压数据进行修补，包括，利用出口电压和标记有所述质量标签的所述电压数据对网络进行全节点电压修正；以母线节点、根节点为起始点，遵循从上到下的修补原则，对于节点k，若其一阶子节点中都没有电压值，则顺序下推，直至有存在电压量测量的节点为止；
则电压修补公式定义如下，
其中，j为k的父节点，
为k的n阶子节点(下行节点)集合，
为
的修正值。
作为本发明所述的一种基于改进算法的状态估计的数据处理方法的一种优选方案，其中：所述多源数据包括，配电网数态重获和基于XML的数据导入导出；所述数态重获包括，基于电力公司数据库和CIM模型的关系型数据库的数据交互，构建基于CIM模型的数据结构；利用线路整合优化所述数据结构，为高级应用分析提供基础数据；根据配电网高级应用分析虚拟量测等的具体要求完成基于具体分析的数态重获以提供具体数据。
作为本发明所述的一种基于改进算法的状态估计的数据处理方法的一种优选方案，其中：所述基于XML的数据导入导出包括，数据提供方将所述不良数据导出至XML文本中；利用RDF SCHEMA的约束再导入至数据消费方，完成数据的传输。
作为本发明所述的一种基于改进算法的状态估计的数据处理系统的一种优选方案，其中：数据获取模块，用于采集电力设备电气参数、电力设备拓扑连接、设备量测数据、电度量，获取电网计算应用所需的基本数据；坏数据辨识模块连接于所述数据获取模块，用于接收所述数据获取模块的数据信息以对所述不良数据进行检测，得到坏数据；不良数据辨识模块连接于所述数据获取模块，用于接收所述数据获取模块的数据信息，筛选出所述不良数据并进行修补；权重辨识模块连接于所述不良数据辨识模块，用于划分所述可观测区域、对所述量测量进行所述质量标签权重赋值计算；估计模块连接于所述权重辨识模块，用于对数据进行状态估计以完成所述虚拟测量。
本发明的有益效果：针对数据处理领域中存在的现有DAS主站系统存在大量“垃圾”后端数据问题，本发明提供一种基于改进算法的状态估计的数据处理方法及系统，通过相应的相容性分析算法实现不良数据的发现和剔除，对各种配网经济运行分析计算需要的数据进行一定的修复和校核；解决配电网数据信息缺失，满足不同配网高级应用分析对数据需求和快速获取；利用配电网量测信息估计出高精度的、完整的、可靠的配电系统状态。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的一种基于改进算法的状态估计的数据处理方法的流程示意图；
图2为本发明第一个实施例所述的一种基于改进算法的状态估计的数据处理方法的数据处理总体流程示意图；
图3为本发明第一个实施例所述的一种基于改进算法的状态估计的数据处理方法的配电网数态重获过程图；
图4为本发明第一个实施例所述的一种基于改进算法的状态估计的数据处理方法的基于XML导入导出框架图；
图5为本发明第一个实施例所述的一种基于改进算法的状态估计的数据处理方法的不良数据检测部分示意图；
图6为本发明第一个实施例所述的一种基于改进算法的状态估计的数据处理方法的坏数据处理部分流程示意图；
图7为本发明第一个实施例所述的一种基于改进算法的状态估计的数据处理方法的树状网络示意图；
图8为本发明第一个实施例所述的一种基于改进算法的状态估计的数据处理方法的两种方法对比测试结果折线示意图；
图9为本发明第二个实施例所述的一种基于改进算法的状态估计的数据处理系统的模块结构分布示意图。
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，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
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，但是本发明还可以采用其他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推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～8，为本发明的第一个实施例，该实施例提供了一种基于改进算法的状态估计的数据处理方法，包括：
S1：利用设备参数和量测数据得到多源数据。其中需要说明的是，多源数据包括，配电网数态重获和基于XML的数据导入导出；
其中，数态重获是指，把散乱的电力数据按照配电网高级应用的数据要求，提供它们所需要的数据和状态，数据应按照指定的配电网应用分析的要求进行分类压缩和存放，满足不同配电网高级应用分析对数据需求和快速获取；数态重获包括，基于电力公司数据库和CIM模型的关系型数据库的数据交互，构建基于CIM模型的数据结构；利用线路整合优化数据结构，为高级应用分析提供基础数据；根据配电网高级应用分析虚拟量测等的具体要求完成基于具体分析的数态重获以提供具体数据，将散乱的电力数据按照配电网高级应用的数据，提供他们所需要的数据和状态；
进一步的是：
基于XML的数据导入导出包括，数据提供方将不良数据导出至XML文本中；在XML/CIM文本中，实例数据以面向对象的CIM形式展现，而书写格式则按照XML格式；而数据消费方就可以读取此XML/CIM文本；当然，规范XML/CIM文本所描述的内容的合法性是很重要的，因此利用RDF SCHEMA的约束再导入至数据消费方，完成数据的传输。
S2：对多源数据进行不良数据处理，利用相容性分析策略发现、剔除DAS不良数据。其中需要说明的是，进行不良数据处理，包括，
从数据库中读取量测量以进行规则判断和质量标签制定，根据检测规律对读取的量测量进行不良数据的辨识；
其中检测规律包括，历史规律、突变量检测规律、线路两端电压值比较规律、电压与额定电压比较规律、电流的KCL规律、有功无功的电度量规律；
历史规律：分数计算公式为：分数＝1-|量测量-平均值|/(平均值*阈值)；计算的分数不在[0,1]范围内，则得分按照0计算，其中P，Q，I的阈值都取为0.5,而电压为0.1；
对于电压量测U，一周内同一时刻比较不能超过裕度(当前量测量与一周内同一时刻的量测量平均值误差不能超过裕度)；
额定电压范围比较：满足在额定电压的10％之内(这个比例可以根据实际情况调整)；
U∈[a，b]
与前一个设备的电压比较：全部电压小于母线电压；
|U-Ub|＜σ
对电流量测I，一周内同一时刻比较不能超过裕度(当前量测量与一周内同一时刻的量测量平均值误差不能超过裕度)；
对有功量测P，一周内同一时刻比较不能超过裕度(当前量测量与一周内同一时刻的量测量平均值误差不能超过裕度)；
对无功量测Q，一周内同一时刻比较不能超过裕度(当前量测量与一周内同一时刻的量测量平均值误差不能超过裕度)；
突变量检测规律：分数计算公式：分数＝1-(|量测量-前x分钟量测量|/前x分钟量测量*阈值+|量测量-后x分钟量测量|/后x分钟量测量*阈值)/2；其中x可以根据实际量测间隔情况确定，取值范围可以取为(0.5，2]，计算的分数不在[0，1]范围内，则得分按照0计算，其中阈值采用0.5；
对于电压量测U、电流量测量I、有功量测量P、无功量测量Q，当前量测量值与前x分钟和后x分钟的量测量比较不能超过裕度；
|U-U-x|≤δ，|U-U+x|≤δ
|I-I-x|≤δ，|I-I+x|≤δ
|P-P-x|≤δ，|P-P+x|≤δ
|Q-Q-x|≤δ，|Q-Q+x|≤δ
线路两端电压值比较规律：分数计算公式为：分数＝1-|线路I端的电压值-线路J的电压值|/(线路J端的电压值*阈值)；这里阈值为0.1，计算的分数不在[0,1]范围内，则得分按照0计算；
电压与额定电压比较规律：分数计算公式为：分数＝1-|量测量-额定电压|/(额定电压*阈值)；这里阈值为0.1，额定电压为本量测量所在的电压等级的额定电压，计算的分数不在[0,1]范围内，则得分按照0计算；
电流的KCL规律校验：说明：每个电流量的KCL规律需要检测两次，所以每次得分的上限是0.5分；
每次KCL校验后的计算公式：
mark＝0.5-|电流-基准电流|/(基准电流*阈值)
计算的分数不在[0,0.5]范围内，则得分按照0计算，接着将两侧的得分相加得到KCL规律的得分；
基准电流的计算如下：如果待校核量测量为节点所有量测量中间最大的，则基准电流为其它所有电流的和；如果不是最大，则基准电流的计算公式为：
基准电流＝最大电流-其它所有电流的和(除去待校核电流)
阈值为0.1；
在拓扑收缩后，为每条线路赋电流值；具体方法选取线路相邻的开关(不超过T节点)的电流值，赋值选取的是指针，这样保证在判断不同点的KCL时候判断的是同一个开关上的量测量；如果找不到则不赋值，之后遍历每一个CN节点进行KCL的判断；如果一个CN节点两端的量测量地址相同则跳过，这样每个量测点可以之判断两次，在这两次之间如果两次都是对的则赋值为1，一对一错赋值为0.5，都错赋值为0；
与出口断路器比较：每个开关上的电流值小于出口断路器的电流值：
|I-Ib|＜σ
有功无功的电度量规律：计算公式为：
分数＝1-|P*时间-有功电度|/(有功电度*阈值)
或者
分数＝1-|Q*时间-无功电度|/(无功电度*阈值)
阈值目前为0.2，时间根据每个小时的量测点的数目而有所不同，计算的分数不在[0,1]范围内，则得分按照0计算；
对于电度量检测，
有功*时间-电度量|≤δ
|无功*时间-电度量|≤δ
总分的计算：对于每个量测量，这里以U为例；通过U的4个监测规则得到4个取值范围为[0,1]的得分，每个规律由ID3根据样本得到其权重a1,a2,a3,a4，其中：a1+a2+a3+a4＝1，样本中的得分对应说明：0.8-1.0:优秀；0.6-0.8:良好；0.4-0.6:一般；0.2-0.4:较差；0.0-0.2:极差；从而U这个量测量的总得分：
score＝规律1得分*a1+规律2得分*a2+规律3得分*a3+规律4得分*a4
其得分在[0,1]范围内；
突变量检测：由于判断量测，根据满足的次数来标志位分别给以1(2次)，0.5(1次)，0(0次)；
历史规律检测：满足判断条件，标志位为1，否则为0；
对于电压的范围和与母线电压比较：满足判断条件，标志位为1，否则为0；
对于有功无功的电度量检测：满足判断条件，标志位为1，否则为0；
对于电流的KCL：由于每个电流量需要判断两次，根据满足的次数来标志位分别给以1(2次)，0.5(1次)，0(0次)；
进一步的是：质量标签包括，定义节点的数据质量标签为Q(i)，其取值范围为0～1，Q(i)越大则表示不良数据可信度越高；将Q(i)划分为QU(i)、QI(i)和QP(i)，分别表示为节点处的电压、电流和功率的数据质量；根据检测规则对质量标签进行判定，剔除不良数据；其中检测规则包括，
规则1：当某个量测数据违背规律，该节点的数据质量标签每次减少相应的罚值，罚值＝(1-标志位)*权值；但是不使数据质量标签值小于0，当某个数据符合上述规律，相应地其质量标签每次加上相应的罚值，但是不使质量标签值大于1；
规则2：设置质量标签分类阀值χbad，当某量测数据的质量标签小于该值时，则该数据为可疑数据，设置质量标签分类阀值χgood，当某个量测数据的质量标签大于该值时，该数据是可以信赖的；
规则3：当某可疑数据的相关数据及相邻节点的数据质量标签值均在χgood之上，那么认为该可疑数据为单个不良数据，并启动对该数据的修正过程；当某一条馈线上的多个节点的数据质量标签值低于χbad，则查看遥信数据，是否发生开关变位、负荷转移等拓扑变更事件，若否，则启动决策树流程，进行不良数据辨识；
规则4：若遥测数据没有异常，而遥信有异动数据，则判定相关遥信数据为不良数据，若遥测数据出现异常，遥信数据没有异动数据，则根据数据处理结果对相关遥信数据进行判定；
通过质量标签的制定，将坏数据从数据库中剔除。
S3：对各配网经济运行分析计算需要的不良数据进行修复和校核。对数据信息中的不良信息修复便于可观测性分析和处理，保存可用数据。
S4：根据配网应用分析要求将修复后的不良数据分类压缩存放到相应的主题数据库中进行可观测性分析处理，得到可观测性分析结果。其中需要说明的是，进行可观测性分析处理包括：
进行数据修补、进行可观测性分析对网架可状态估计程度评估和划分可观测区域；
进一步的是，数据修补包括，对电压数据进行修补；
典型城市数据采集量形成的配网数据分析表结果如下表所示：
表1：配网数据采集分析表。
从表中可知，在进行配网虚拟量测时，不需对虚拟量测范围进行分析；配电网中节点众多，检测点比例较低。虚拟量测程序应侧重考虑负荷侧，“T”型节点等关键节点；
配网数据中，配网虚拟量测必需的电压量多集中于负荷侧，因此在虚拟量测前，应首先对电压数据进行修补；由于配电网干线电压一般波动范围不大，很多算法多基于该原则；以应用于配网计算的前推回代为例，初始状态下，各节点电压多采用出口电压值；但如果选取相对准确的初始电压，将有效提高虚拟量测的效率；在调用虚拟量测前，可首先应用出口电压和带质量标签的电压数据对网络进行全节点电压修正；电压修正的范围包括无数据的节点电压以及质量标签低于分类阀值χbad的节点电压数据；
在进行数据修补前，首先对拓扑分析结果的进行简单的说明，拓扑分析技术后，根据深度搜索的结果，任意节点都可视为母线节点的子节点；深度搜索的层数，可作为子节点的阶数；
电压修补时，以母线节点或者根节点为起始点，遵循从上到下的修补原则，对于节点k，如果其一阶子节点中都没有电压值，则顺序下推，直至有存在电压量测量的节点为止；基于该定义模型，电压修补公式可以定为：
其中j为k的父节点，
为k的n阶子节点(下行节点)集合，
为
的修正值；
修正后的
的质量标签:
S5：利用基于改进算法的状态估计对可观测性分析结果进行虚拟量测。其中需要说明的是，
虚拟量测，包括，
基于网络结线、线路参数、量测条件，建立非线性量测方程，如下，
z＝h(x)+v
其中，z为量测量，m维，x为状态量，n维，一般是节点电压幅值和相角，v为量测误差，随机变量；
确定量测矢量后，则虚拟量测的目标函数定义如下，
J(x)＝[z-h(x)]TR-1[z-h(x)]
要使目标函数达到最小，由于h(x)是x的非线性矢量函数，因此无法直接计算，然而可以采用与牛顿法一样的标准迭代算法解此问题；
为了求取x0，首先要对h(x)进行线性化。令x0是x的某一近似值，可以x0附近将h(x)泰勒展开，忽略一次以上的非线性项之后，得到:
h(x)＝h(x0)+H(x0)Vx
式中Δx＝x-x0，H(x)为m*n阶的雅可比矩阵：
代入可得：
J(x)＝[Vz-H(x0)Vx]TR-1[Vz-H(x0)Vx]
式中：
Vz＝z-h(x0)
展开，配方可得：
J(x)＝ΔzT[R-1-R-1H(x0)∑(x0)HT(x0)R-1]Δz+RT∑-1(x0)R
＝[Vx-∑(x0)HT(x0)R-1Vz]
式中：
∑(x0)＝[HT(x0)R-1HT(x0)]-1
上式中右边第一项Δx与有关，因此欲使J(x)取极小值，第一项应为0，从而有：
Vx＝∑(x0)HT(x0)R-1Vz
由此可得：
于是可以写成基本加权最小二乘法虚拟量测的迭代修正方程式:
进行迭代修正，直到目标函数J(x(l))接近于最小值为止，采用的收敛判据可以是以下三项中的任意一项：
式中i为矢量x中分量的序号；εx,εj,εa为按精度要求选取的收敛标准。
本实施例还需要说明的是，现有的一种用于检测状态估计网络模型数据误差的方法，包括，将网络模型分割成第一多个部分，在多个部分中随机挑选一半并执行算法，识别所述算法对其被确定为是不收敛的部分，将所述识别的部分分割成第二多个部分，重复执行、识别以及对识别的部分的分割直到最终识别的部分小于预定阈值，以及检查最终识别的部分以识别其中似真的数据误差；该方法针对大量数据信息进行状态估计，仅能实现检测出网络模型的数据误差，不能解决数据缺失的问题，而本发明可以将不良数据剔除并对所需要的数据进行修复和校核，解决了配电网数据信息缺失，满足不同配网高级应用分析对数据需求和快速获取。
为了更好地对本方法中采用的技术效果加以验证说明，本实施例选择以传统状态估计网络模型数据误差方法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果；传统状态估计网络模型数据误差方法在检测数据组时仅能识别出数据误差对于数据缺失的问题难以解决，数据组的精准度较低，为验证本方法相对传统方法具有较高的数据精确度，本实施例中将采用传统方法和本方法分别对数据的精确度进行实时测试对比。
测试条件：采用5组数据为测试样本，分别为10组、50组、100组、150组合200组，运用MATLB软件实现两种方法的数据测试，剔除5组数据中的不良数据，对所需的不良数据进行修复和校核并分类压缩至相对应的主题数据库中，对主题库中的信息进行可观测性分析，结合基于改进算法的状态估计对可观测性分析结果进行虚拟测量得到结果数据，每种测试方法各测试5组数据，根据实验结果得到数据精准度数据，计算获得每组数据的精准度。结果如下表所示：
表2数据集的实验结果。
同时参照图8，Error method为本方法曲线，Treatment method为数据处理方法曲线，可以看出两条曲线先随数据组的增加而上升但是当数据组超过50组后曲线随数据组的增加而下降，但是本发明方法曲线的下降趋势比使用数据处理方法的下降趋势更加平缓，因此能够看出在5组数据集中本发明方法均取得了较高的精确度，本发明方法对数据处理的精确度可以有效的提高，缓解了运行时的数据缺失问题。
实施例2
参照图9，为本发明的第二个实施例，该实施例不同于第一个实施例的是提供了一种基于改进算法的状态估计的数据处理系统，包括数据获取模块100、坏数据辨识模块200、不良数据辨识模块300、权重辨识模块400和估计模块500更加具体的，其中数据获取模块100用于采集电力设备电气参数、电力设备拓扑连接、设备量测数据、电度量，获取电网计算应用所需的基本数据，并将采集的数据上传至坏数据辨识模块200；该坏数据辨识模块200与数据获取模块100连接，能够接收数据获取模块100上传的信息，用于对不良数据进行检测，得到坏数据；不良数据辨识模块300与坏数据辨识模块200连接，能够接收坏数据辨识模块200上传的坏数据信息，筛选出所述不良数据并进行修补；权重辨识模块400连接与不良数据辨识模块300，能够接收不良数据辨识模块300上传的修复数据，；用于划分所述可观测区域、对所述量测量进行所述质量标签权重赋值计算；估计模块500与权重辨识模块400相连接，用于对数据进行状态估计以完成所述虚拟测量。
不难理解的是，本实施例中所提出的系统，其涉及数据获取模块100、坏数据辨识模块200、不良数据辨识模块300、权重辨识模块400和估计模块500的连接关系，例如可以是运行在计算机可读程序，通过提高各模块的程序数据接口实现。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文步骤的指令或程序时，本文的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，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精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于改进算法的状态估计的数据处理方法，其特征在于：包括，
利用设备参数和量测数据得到多源数据；
对所述多源数据进行不良数据处理，利用相容性分析策略发现、剔除DAS不良数据；
对各配网经济运行分析计算需要的所述不良数据进行修复和校核；
根据配网应用分析要求将修复后的所述不良数据分类压缩存放到相应的主题数据库中进行可观测性分析处理，得到可观测性分析结果；
利用基于改进算法的状态估计对所述可观测性分析结果进行虚拟量测。
2.如权利要求1所述的一种基于改进算法的状态估计的数据处理方法，其特征在于：所述虚拟量测，包括，
基于网络结线、线路参数、量测条件，建立非线性量测方程，如下，
z＝h(x)+v
其中，z为量测量，m维，x为状态量，n维，一般是节点电压幅值和相角，v为量测误差，随机变量；
确定量测矢量后，则所述虚拟量测的目标函数定义如下，
J(x)＝[z-h(x)]TR-1[z-h(x)]
3.如权利要求2所述的一种基于改进算法的状态估计的数据处理方法，其特征在于：进行所述不良数据处理，包括，
从数据库中读取所述量测量以进行规则判断和质量标签制定；
根据检测规律对读取的所述量测量进行所述不良数据的辨识。
4.如权利要求3所述的一种基于改进算法的状态估计的数据处理方法，其特征在于：所述检测规律包括，
历史规律、突变量检测规律、线路两端电压值比较规律、电压与额定电压比较规律、电流的KCL规律、有功无功的电度量规律。
5.如权利要求3或4所述的一种基于改进算法的状态估计的数据处理方法，其特征在于:所述质量标签包括，
定义节点的数据质量标签为Q(i)，其取值范围为0～1，所述Q(i)越大则表示所述不良数据可信度越高；
将所述Q(i)划分为QU(i)、QI(i)和QP(i)，分别表示为所述节点处的电压、电流和功率的数据质量；
根据检测规则对所述质量标签进行判定，剔除所述不良数据。
6.如权利要求5所述的一种基于改进算法的状态估计的数据处理方法，其特征在于：进行所述可观测性分析处理包括，
基于拓扑分析与所述质量标签进行数据修补；
利用可观测性分析评估配网网架状态估计程度，得到分析结果；
对所述分析结果添加伪量测量以划分可观测区域。
7.如权利要求6所述的一种基于改进算法的状态估计的数据处理方法，其特征在于:所述数据修补需要对电压数据进行修补，包括，
利用出口电压和标记有所述质量标签的所述电压数据对网络进行全节点电压修正；
以母线节点、根节点为起始点，遵循从上到下的修补原则，对于节点k，若其一阶子节点中都没有电压值，则顺序下推，直至有存在电压量测量的节点为止；
则电压修补公式定义如下，
其中，j为k的父节点，
为k的n阶子节点(下行节点)集合，
为
的修正值。
8.如权利要求1或7所述的一种基于改进算法的状态估计的数据处理方法，其特征在于：所述多源数据包括，配电网数态重获和基于XML的数据导入导出；
所述数态重获包括，基于电力公司数据库和CIM模型的关系型数据库的数据交互，构建基于CIM模型的数据结构；
利用线路整合优化所述数据结构，为高级应用分析提供基础数据；
根据配电网高级应用分析虚拟量测等的具体要求完成基于具体分析的数态重获以提供具体数据。
9.如权利要求8所述的一种基于改进算法的状态估计的数据处理方法，其特征在于：所述基于XML的数据导入导出包括，
数据提供方将所述不良数据导出至XML文本中；
利用RDF SCHEMA的约束再导入至数据消费方，完成数据的传输。
10.一种基于改进算法的状态估计的数据处理系统，其特征在于:包括，
数据获取模块(100)，用于采集电力设备电气参数、电力设备拓扑连接、设备量测数据、电度量，获取电网计算应用所需的基本数据；
坏数据辨识模块(200)连接于所述数据获取模块(100)，用于接收所述数据获取模块(100)的数据信息以对所述不良数据进行检测，得到坏数据；
不良数据辨识模块(300)连接于所述坏数据辨识模块(200)，用于接收所述坏数据辨识模块(200)的数据信息，筛选出所述不良数据并进行修补；
权重辨识模块(400)连接于所述不良数据辨识模块(300)，用于划分所述可观测区域、对所述量测量进行所述质量标签权重赋值计算；
估计模块(500)连接于所述权重辨识模块(400)，用于对数据进行状态估计以完成所述虚拟测量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010723728.2A CN111881124A (zh) | 2020-07-24 | 2020-07-24 | 一种基于改进算法的状态估计的数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010723728.2A CN111881124A (zh) | 2020-07-24 | 2020-07-24 | 一种基于改进算法的状态估计的数据处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111881124A true CN111881124A (zh) | 2020-11-03 |
Family
ID=73200461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010723728.2A Pending CN111881124A (zh) | 2020-07-24 | 2020-07-24 | 一种基于改进算法的状态估计的数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111881124A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112803402A (zh) * | 2021-02-23 | 2021-05-14 | 重庆大学 | 含不良数据预处理的辐射网前推回代抗差状态估计方法 |
| CN112819067A (zh) * | 2021-01-28 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
| CN113012769A (zh) * | 2021-03-16 | 2021-06-22 | 武汉泽电新材料有限公司 | 一种天然酯和固体材料的相容性评估方法与装置 |
| CN115834424A (zh) * | 2022-10-09 | 2023-03-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
| CN116522268A (zh) * | 2023-06-28 | 2023-08-01 | 广东电网有限责任公司 | 一种配电网的线损异常识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617569A (zh) * | 2013-12-10 | 2014-03-05 | 积成电子股份有限公司 | 基于质量评价的配网状态估计数据辨识与修正方法 |
| CN104537271A (zh) * | 2015-01-21 | 2015-04-22 | 国家电网公司 | 一种基于质量标签的配电网不良数据辨识方法 |
| CN105183938A (zh) * | 2015-07-17 | 2015-12-23 | 国家电网公司 | 电网不良数据辨识与估计方法 |
| CN110781450A (zh) * | 2019-09-17 | 2020-02-11 | 广西电网有限责任公司电力科学研究院 | 一种配电馈线电压测量数据的不良数据检测系统及方法 |
-
2020
- 2020-07-24 CN CN202010723728.2A patent/CN111881124A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617569A (zh) * | 2013-12-10 | 2014-03-05 | 积成电子股份有限公司 | 基于质量评价的配网状态估计数据辨识与修正方法 |
| CN104537271A (zh) * | 2015-01-21 | 2015-04-22 | 国家电网公司 | 一种基于质量标签的配电网不良数据辨识方法 |
| CN105183938A (zh) * | 2015-07-17 | 2015-12-23 | 国家电网公司 | 电网不良数据辨识与估计方法 |
| CN110781450A (zh) * | 2019-09-17 | 2020-02-11 | 广西电网有限责任公司电力科学研究院 | 一种配电馈线电压测量数据的不良数据检测系统及方法 |
Non-Patent Citations (6)
| Title |
|---|
| 刘成君，马山牧，翁嘉明，柴铁洪: "一种实用的配电网状态估计方法", 一种实用的配电网状态估计方法/《供用电》, no. 2015, pages 46 - 49 * |
| 张珺，盛晏，王华丽: "管理信息系统", 31 March 2019, 中国农业大学出版社, pages: 152 * |
| 徐玮韡，刘东，柳劲松，黄玉辉，鲁跃峰: "考虑质量标签的多数据源配电网状态估计算法", 考虑质量标签的多数据源配电网状态估计算法/《电力自动化设备》, vol. 31, no. 2011, pages 78 - 81 * |
| 徐玮韡: "配电网状态估计实用方法研究", 配电网状态估计实用方法研究/《中国优秀硕士学位论文全文数据库, no. 2013, pages 042 - 241 * |
| 陈天翔，张翰森: "《农村电网变电运行职工岗位知识与技能培训教材》", 31 January 2005, 大连：东北财经大学出版社, pages: 123 - 124 * |
| 黄玉辉: "配电网拓扑的形式化表达及其应用", 配电网拓扑的形式化表达及其应用/《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 2014, pages 042 - 15 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819067A (zh) * | 2021-01-28 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
| CN112803402A (zh) * | 2021-02-23 | 2021-05-14 | 重庆大学 | 含不良数据预处理的辐射网前推回代抗差状态估计方法 |
| CN112803402B (zh) * | 2021-02-23 | 2023-03-31 | 重庆大学 | 含不良数据预处理的辐射网前推回代抗差状态估计方法 |
| CN113012769A (zh) * | 2021-03-16 | 2021-06-22 | 武汉泽电新材料有限公司 | 一种天然酯和固体材料的相容性评估方法与装置 |
| CN113012769B (zh) * | 2021-03-16 | 2024-01-19 | 武汉泽电新材料有限公司 | 一种天然酯和固体材料的相容性评估方法与装置 |
| CN115834424A (zh) * | 2022-10-09 | 2023-03-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
| CN115834424B (zh) * | 2022-10-09 | 2023-11-21 | 国网甘肃省电力公司临夏供电公司 | 配电网线损异常数据的辨识与修正方法 |
| CN116522268A (zh) * | 2023-06-28 | 2023-08-01 | 广东电网有限责任公司 | 一种配电网的线损异常识别方法 |
| CN116522268B (zh) * | 2023-06-28 | 2024-03-19 | 广东电网有限责任公司 | 一种配电网的线损异常识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111881124A (zh) | 一种基于改进算法的状态估计的数据处理方法及系统 | |
| CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
| CN108376982B (zh) | 负载相序的识别方法及装置 | |
| CN110008254B (zh) | 一种变电设备台账核查处理方法 | |
| CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
| CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
| CN111999692B (zh) | 一种多表误差的校准方法和装置 | |
| CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
| CN112035544B (zh) | 一种配电网数据异常监测和诊断方法 | |
| CN113452018B (zh) | 一种电力系统备用不足风险场景辨识方法 | |
| CN111950627A (zh) | 一种多源信息融合方法及其应用 | |
| CN111458661A (zh) | 一种配电网线变关系诊断方法、装置及系统 | |
| CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
| CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
| CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
| CN113985339A (zh) | 智能电表的误差诊断方法及系统、设备、存储介质 | |
| CN115713320A (zh) | 设备的运维策略优化方法、装置、设备及存储介质 | |
| CN111999691A (zh) | 一种计量传感器装置的误差校准方法和误差校准装置 | |
| CN110597792A (zh) | 基于同期线损数据融合的多级冗余数据融合方法及装置 | |
| CN114676749A (zh) | 一种基于数据挖掘的配电网运行数据异常判定方法 | |
| CN117154716B (zh) | 一种分布式电源接入配电网的规划方法及系统 | |
| CN112345972B (zh) | 基于停电事件的配电网线变关系异常诊断方法、装置及系统 | |
| CN111313399A (zh) | 一种区域用电网络拓扑关系确认方法、装置和系统 | |
| CN107146166B (zh) | 一种配网规划辅助系统 |
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 |