CN113377835A - 基于长短期记忆深度学习网络的配网线路停电鉴别方法 - Google Patents
基于长短期记忆深度学习网络的配网线路停电鉴别方法 Download PDFInfo
- Publication number
- CN113377835A CN113377835A CN202110644438.3A CN202110644438A CN113377835A CN 113377835 A CN113377835 A CN 113377835A CN 202110644438 A CN202110644438 A CN 202110644438A CN 113377835 A CN113377835 A CN 113377835A
- Authority
- CN
- China
- Prior art keywords
- power failure
- line
- judged
- information
- distribution network
- 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
- 230000015654 memory Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 239000011449 brick Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001502 supplementing 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
本发明公开了基于长短期记忆深度学习网络的配网线路停电鉴别方法,包括以下步骤:步骤1,在变电站采集设定时间范围内配电网各条配电线路的历史电流数据和历史停电信息;步骤2,将历史配电线路停电信息输入待训练的LSTM网络;步骤3,设定训练时长和次数,对历史配电线路停电信息进行机器学习;步骤4,在变电站采集待判断线路β的待判断时段电流信息、待判断时段前后一定时段内的电流信息,并按时序进行排列;步骤5,将时序排列后的电流信息输入训练完毕的LSTM网络,进行计算;步骤6,计算结果为“停电”的即线路在待判断时段发生停电事件。本发明不需要配电网其他电量信息,仅依靠电流信息可以可靠鉴别配电线路是否发生停电。
Description
技术领域
本发明涉及一种配电网线路停电信息鉴别方法,具体为基于长短期记忆深度学习网络的配网线路停电鉴别方法。
背景技术
配电网是电力网络中与居民生活相关性最大的电网,随着居民生活水平的不断提高,用户对供电可靠性的要求也越来越高。为了满足用户的用电需求,电力公司普遍构建了配电网监测系统进行停电管理。但是由于配电网运行情况和网架结构复杂、线路和设备数量较多、广大地区线路情况监控和信息通道不可靠,当线路停电时,由于电容电流、支线停电等干扰,难以从在线监测系统的海量数据中准确可靠判断出线路停电情况。线路停电会严重影响用户用电可靠性。
随着人们对生活质量的重视,供电质量的管理要求越来越高。为了准确判断线路停电情况,对线路停电进行及时管理,有必要对线路停电进行甄别判断。由于配电网电气信息量较大,为了辨识的有效性、简易性和可实施性,研究停电信息鉴别技术十分必要。本发明仅利用配电线路电流信息的配网线路停电信息鉴别方法。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种基于长短期记忆深度学习网络的配网线路停电鉴别方法。针对配网停电信息的鉴别问题,线路电流信息是典型的时序序列,当线路停电时该序列会出现典型特征,长短期记忆深度学习网络能够从时序序列中提取历史数据特征,并根据学习结果判断线路停电信息情况,基于此构造停电信息鉴别依据。
本发明采用如下的技术方案。本发明提供了一种基于长短期记忆深度学习网络的配网线路停电鉴别方法,包括以下步骤:
步骤1,在变电站采集设定时间范围内配电网各条配电线路的历史电流数据和历史停电信息,形成历史配电线路停电信息;
步骤2,将历史配电线路停电信息输入待训练的LSTM网络;
步骤3,设定训练时长和训练次数,通过公式对历史配电线路停电信息进行机器学习,当训练次数达到设定值之后,训练结束,得到训练完毕的LSTM网络;
步骤4,在变电站采集待判断线路β的待判断时段电流信息、待判断时段前后一定时段内的电流信息,并按照时序进行排列;
步骤5,将时序排列后的电流信息输入训练完毕的LSTM网络,LSTM网络进行计算,通过公式计算得出待判断线路在待判断时段内是否发生停电;
步骤6,计算结果为“停电”的即线路在待判断时段发生停电事件。
优选地,步骤1中,以如下矩阵表示配电网历史信息数据,
式中:
以n表示配电网包含的线路数量,
以Li表示配电网中的第i条线路,i=1,2,…,n,
以k表示配电网线路历史数据中包含的采样点数,
以t表示配电网线路历史数据的采样时刻,t=1,2,…,k,
以ILit表示配电网第i条在t时刻的电流值,
以ELi表示第i条线路的停电信息,停电信息为逻辑值1或0,“1”代表线路在k时段内发生了停电事件,“0”代表线路在k时段内没有发生停电事件。
优选地,步骤2中,LSTM网络包括输入层、隐藏层和输出层,输入层以历史配电线路的停电信息排列为输入,历史配电线路的停电信息包括历史停电时段的电流信息、历史停电时段前后一段时间的停电信息;隐藏层的结构为多个记忆砖块构成,每个记忆砖块含有记忆单元、输入门、输出门和遗忘门;输出层以线路停电结果为输出。
优选地,步骤2中,输入层、隐藏层以及输出层为前后衔接的关系。
优选地,步骤2中,记忆单元用于存储每次运算得到的误差,输入门用于接受比较输入层传递的信息和上次经过隐藏层后的结果,输出门用于将隐藏层计算得到的结果向输出层传递,遗忘门根据输入门和输出门以及网络情况调整计算参数。
优选地,步骤2中,通过前后停电时段长度选取使历史停电信息长度保持一致,停电时段前、后一段时间的长度均不应小于6小时,以确保能够充分体现停电前的线路状态。
优选地,步骤3中,以如下公式对历史配电线路停电信息进行机器学习,
式中:
Net表示训练完毕的长短期记忆网络,
fLSTM表示长短期记忆网络深度学习算法,
以ILit表示配电网第i条在t时刻的电流值,
以ELi表示第i条线路的停电信息。
优选地,步骤4中,待判断段时段前后一定时段的长度不应小于3小时以保证能充分提取线路停电前后线路特征。
优选地,步骤4中,在排列完成后的电流序列后补“-1”来填充序列长度等于训练时LSTM网络中输入历史数据的长度。
优选地,步骤5中,以如下公式计算得出待判断线路在待判断时段内是否发生停电,
EL=Net[ILβ1 … ILβt]
式中:
EL表示对待判断线路的判断结果,
Net表示训练完毕的长短期记忆网络,
ILβt表示待判断线路β在t时刻的电流值,
若EL=1,表示待判断线路发生了停电,计算结果为“停电”;
若EL=0,表示待判断线路没有发生停电,计算结果为“未停电”。
本发明的有益效果在于,与现有技术相比,本发明基于训练完毕的长短期记忆深度学习网络进行识别,只使用配电线路电流信息,不受配电网电容电流和支线停电等干扰的影响,能够准确鉴别配电线路停电信息。
附图说明
图1为基于长短期记忆深度学习网络的停电鉴别模型;
图2为某线路在需要判断是否发生停电时的电流波动波形;
图3为长短期记忆网络记录的某线路发生的典型停电时的历史电流波动波形之一。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,一种基于长短期记忆深度学习网络的配网线路停电鉴别方法,包括以下步骤:
步骤1,在变电站采集设定时间范围内配电网各条配电线路的历史电流数据和历史停电信息,形成历史配电线路停电信息,以如下矩阵表示,
式中:
以n表示配电网包含的线路数量,
以Li表示配电网中的第i条线路,i=1,2,…,n,
以k表示配电网线路历史数据中包含的采样点数,
以t表示配电网线路历史数据的采样时刻,t=1,2,…,k,
以ILit表示配电网第i条线路在t时刻的电流值,
以ELi表示第i条线路的停电信息,停电信息为逻辑值1或0,“1”代表线路在k时段内发生了停电事件,“0”代表线路在k时段内没有发生停电事件。
步骤2,将历史配电线路停电信息输入待训练的LSTM网络(LSTM,Long Short-TermMemory,即长短期记忆神经网络)。其中,LSTM网络包括输入层、隐藏层和输出层。输入层、隐藏层以及输出层为前后衔接的关系。输入层以历史配电线路的停电信息排列为输入,历史配电线路的停电信息包括历史停电时段的电流信息、历史停电时段前后一段时间的停电信息,应注意通过前后停电时段长度选取使历史停电信息长度保持一致,停电时段前、后一段时间的长度均不应小于6小时,以确保能够充分体现停电前的线路状态。隐藏层的结构为多个记忆砖块构成,每个记忆砖块含有记忆单元、输入门、输出门和遗忘门,记忆单元用于存储每次运算得到的误差,输入门用于接受比较输入层传递的信息和上次经过隐藏层后的结果,输出门用于将隐藏层计算得到的结果向输出层传递,遗忘门根据输入门和输出门以及网络情况调整计算参数。输出层以线路停电结果为输出。
可以理解的是,所属领域技术人员可以任意选择LSTM网络及其变体,上述给出的LSTM架构仅是一种优选但非限制性的选择。例如所属领域技术人员还可以将隐藏层内各个部分设置为非固定结构,即一种可以根据接受的输入矩阵值的状态来灵活改变LSTM隐藏层的结构。
步骤3,设定训练时长和训练次数,通过如下公式对历史配电线路停电信息进行机器学习,
式中:
Net表示训练完毕的长短期记忆网络,
fLsTM表示长短期记忆网络深度学习算法,
以ILit表示配电网第i条线路在t时刻的电流值,
以ELi表示第i条线路的停电信息。
所属领域技术人员可以任意选择深度学习算法,上述给出深度学习算法,仅是一种优选但非限制性的选择。所属领域技术人员还可以选择CNN、Bi-RNN等算法。
当训练次数达到设定值之后,训练结束,得到训练完毕的LSTM网络。
步骤4,在变电站采集待判断线路β的待判断时段电流信息、待判断时段前后一定时段内的电流信息,注意待判断时段前后一定时段的长度不应小于3小时以保证能充分提取线路停电前后线路特征,并按照时序进行排列,在排列完成后的电流序列后补“-1”来填充序列长度使其等于训练时LSTM网络中输入历史数据的长度。
步骤5,将时序排列后的电流信息输入训练完毕的LSTM网络,LSTM网络进行计算,通过如下公式计算得出待判断线路在待判断时段内是否发生停电,
EL=Net[ILβ1…ILβt]
式中:
EL表示对待判断线路的判断结果,
Net表示训练完毕的长短期记忆网络,
ILβt表示待判断线路β在t时刻的电流值,
若EL=1,表示待判断线路发生了停电,计算结果为“停电”;
若EL=0,表示待判断线路没有发生停电,计算结果为“未停电”。
步骤6,计算结果为“停电”的,即线路在待判断时段发生停电事件。
本发明的有益效果在于,与现有技术相比,本发明基于长短期记忆深度学习网络的配网线路停电信息鉴别方法不需要配电网其他电量信息,仅依靠电流信息可以可靠鉴别配电线路是否发生停电。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.基于长短期记忆深度学习网络的配网线路停电鉴别方法,包括以下步骤:
步骤1,在变电站采集设定时间范围内配电网各条配电线路的历史电流数据和历史停电信息,形成历史配电线路停电信息;
步骤2,将历史配电线路停电信息输入待训练的LSTM网络;
步骤3,设定训练时长和训练次数,通过公式对历史配电线路停电信息进行机器学习,当训练次数达到设定值之后,训练结束,得到训练完毕的LSTM网络;
步骤4,在变电站采集待判断线路β的待判断时段电流信息、待判断时段前后一定时段内的电流信息,并按照时序进行排列;
步骤5,将时序排列后的电流信息输入训练完毕的LSTM网络,LSTM网络进行计算,通过公式计算得出待判断线路在待判断时段内是否发生停电;
步骤6,计算结果为“停电”的,即线路在待判断时段发生停电事件。
3.根据权利要求1所述的配网线路停电鉴别方法,其特征在于:
步骤2中,LSTM网络包括输入层、隐藏层和输出层,输入层以历史配电线路的停电信息排列为输入,历史配电线路的停电信息包括历史停电时段的电流信息、历史停电时段前后一段时间的停电信息;隐藏层的结构为多个记忆砖块构成,每个记忆砖块含有记忆单元、输入门、输出门和遗忘门;输出层以线路停电结果为输出。
4.根据权利要求3所述的配网线路停电鉴别方法,其特征在于:
步骤2中,输入层、隐藏层以及输出层为前后衔接的关系。
5.根据权利要求3或4所述的配网线路停电鉴别方法,其特征在于:
步骤2中,记忆单元用于存储每次运算得到的误差,输入门用于接受比较输入层传递的信息和上次经过隐藏层后的结果,输出门用于将隐藏层计算得到的结果向输出层传递,遗忘门根据输入门和输出门以及网络情况调整计算参数。
6.根据权利要求5所述的配网线路停电鉴别方法,其特征在于:
步骤2中,通过前后停电时段长度选取使历史停电信息长度保持一致,停电时段前、后一段时间的长度均不小于6小时,以确保能够充分体现停电前的线路状态。
8.根据权利要求1所述的配网线路停电鉴别方法,其特征在于:
步骤4中,待判断时段前后一定时段的长度不小于3小时以保证能充分提取线路停电前后线路特征。
9.根据权利要求8所述的配网线路停电鉴别方法,其特征在于:
步骤4中,在排列完成后的电流序列后补“-1”来填充序列长度使其等于训练时LSTM网络中输入历史数据的长度。
10.根据权利要求1所述的配网线路停电鉴别方法,其特征在于:
步骤5中,以如下公式计算得出待判断线路在待判断时段内是否发生停电,EL=Net[ILβ1…ILβt]
式中:
EL表示对待判断线路的判断结果,
Net表示训练完毕的长短期记忆网络,
ILβt表示待判断线路β在t时刻的电流值,
若EL=1,表示待判断线路发生了停电,计算结果为“停电”;
若EL=0,表示待判断线路没有发生停电,计算结果为“未停电”。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644438.3A CN113377835A (zh) | 2021-06-09 | 2021-06-09 | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110644438.3A CN113377835A (zh) | 2021-06-09 | 2021-06-09 | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113377835A true CN113377835A (zh) | 2021-09-10 |
Family
ID=77573331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110644438.3A Pending CN113377835A (zh) | 2021-06-09 | 2021-06-09 | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113377835A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113872200A (zh) * | 2021-10-13 | 2021-12-31 | 国网江苏省电力有限公司电力科学研究院 | 一种中压配网停电事件诊断识别方法、系统及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408016A (zh) * | 2016-09-13 | 2017-02-15 | 广西电网有限责任公司北海供电局 | 一种配电网停电时间自动识别模型构造方法 |
CN109949178A (zh) * | 2019-02-22 | 2019-06-28 | 国网安徽省电力公司 | 一种基于支持向量机中压配网停电事件判断及补全方法 |
CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112067942A (zh) * | 2020-08-24 | 2020-12-11 | 国家电网有限公司 | 一种10千伏配电线路停电研判系统及方法 |
CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
CN112749904A (zh) * | 2021-01-14 | 2021-05-04 | 国网湖南省电力有限公司 | 基于深度学习的配电网故障风险预警方法及系统 |
CN112763846A (zh) * | 2020-12-23 | 2021-05-07 | 国网河南省电力公司电力科学研究院 | 基于多数据源信息融合的配电线路智能停电判断方法 |
-
2021
- 2021-06-09 CN CN202110644438.3A patent/CN113377835A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408016A (zh) * | 2016-09-13 | 2017-02-15 | 广西电网有限责任公司北海供电局 | 一种配电网停电时间自动识别模型构造方法 |
CN109949178A (zh) * | 2019-02-22 | 2019-06-28 | 国网安徽省电力公司 | 一种基于支持向量机中压配网停电事件判断及补全方法 |
CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
CN110929853A (zh) * | 2019-12-11 | 2020-03-27 | 国网河南省电力公司洛阳供电公司 | 一种基于深度学习的配电网线路故障预测方法 |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN112067942A (zh) * | 2020-08-24 | 2020-12-11 | 国家电网有限公司 | 一种10千伏配电线路停电研判系统及方法 |
CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
CN112763846A (zh) * | 2020-12-23 | 2021-05-07 | 国网河南省电力公司电力科学研究院 | 基于多数据源信息融合的配电线路智能停电判断方法 |
CN112749904A (zh) * | 2021-01-14 | 2021-05-04 | 国网湖南省电力有限公司 | 基于深度学习的配电网故障风险预警方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113872200A (zh) * | 2021-10-13 | 2021-12-31 | 国网江苏省电力有限公司电力科学研究院 | 一种中压配网停电事件诊断识别方法、系统及存储介质 |
CN113872200B (zh) * | 2021-10-13 | 2023-11-24 | 国网江苏省电力有限公司电力科学研究院 | 一种中压配网停电事件诊断识别方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111612651B (zh) | 一种基于长短期记忆网络的异常电量数据检测方法 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN105162151B (zh) | 一种基于人工鱼群算法的智能化储能系统并网实时控制方法 | |
CN106532688A (zh) | 一种用于评估微电网运行可靠性的方法及系统 | |
Huang et al. | A control strategy based on deep reinforcement learning under the combined wind-solar storage system | |
CN103825272A (zh) | 一种基于解析法的含分散风电的配电网可靠性确定方法 | |
CN104820868A (zh) | 一种基于风电概率进行预测的调度展示方法 | |
CN106600145A (zh) | 一种配电网的可靠性分析方法及装置 | |
CN113269468A (zh) | 一种基于区块链的电力调度系统及其数据处理方法 | |
CN103679288A (zh) | 一种径流式小水电集群发电功率短期预测方法及预测系统 | |
CN113377835A (zh) | 基于长短期记忆深度学习网络的配网线路停电鉴别方法 | |
CN111025081B (zh) | 一种配电台区的居民电压监测方法 | |
CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
CN113947186A (zh) | 一种基于生成对抗网络的供热能耗循环预测方法 | |
CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN114648176A (zh) | 一种基于数据驱动的风光电源消纳优化方法 | |
CN108110789B (zh) | 一种间歇性可再生能源分层分区并网规划方法 | |
CN117332215A (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
CN111177278A (zh) | 一种网格用户短期负荷预测实时处理工具 | |
CN114696328A (zh) | 电力线损分析方法、系统及存储介质 | |
CN116632875A (zh) | 一种用于配电网的混合储能规划方法及系统 | |
CN105958474A (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN109614660A (zh) | 智能变电站二次设备评估体系的构建方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210910 |