CN113449913A - 一种基于scada的轨道交通线路跳闸智能预警系统 - Google Patents
一种基于scada的轨道交通线路跳闸智能预警系统 Download PDFInfo
- Publication number
- CN113449913A CN113449913A CN202110709767.1A CN202110709767A CN113449913A CN 113449913 A CN113449913 A CN 113449913A CN 202110709767 A CN202110709767 A CN 202110709767A CN 113449913 A CN113449913 A CN 113449913A
- Authority
- CN
- China
- Prior art keywords
- rail transit
- data
- scada
- intelligent
- fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013277 forecasting method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
- 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—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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于SCADA的轨道交通线路跳闸智能预警系统,该系统包括:监视控制子系统:即SCADA系统,用以实现对轨道交通供电系统运行过程进行监视控制以及电力数据的采集;智能预测子系统:通过构建轨道交通线路跳闸预测模型,结合电力数据和天气数据对轨道交通线路跳闸故障进行准确预测;故障预警子系统:用以根据智能预测子系统的预测结果实现高效直观的故障预警。与现有技术相比,本发明具有考虑全面、准确高效、安全稳定等优点。
Description
技术领域
本发明涉及轨道交通供电系统故障预警技术领域,尤其是涉及一种基于SCADA的轨道交通线路跳闸智能预警系统。
背景技术
目前关于轨道交通供电系统线路跳闸的实时预测与判断相关研究较为缺乏,主要通过研究定位雷电发生区域、规模和预测雷电天气或山火灾害的情况进而预测线路跳闸概率的方法。
采用以上方法用来预测线路跳闸主要是建立在雷电或山火这样的天气因素是影响线路跳闸的重要条件下确定的,主要是通过雷击和山火灾害发生的状况和概率进行间接预测跳闸概率,同时这样的方法忽视了线路运行过程中产生的电力参数具有十分重要的意义,也导致预测精度不高的问题发生。
现有方法对设备依赖性强,对雷电以及山火灾害的预测需要极高精度,无法进行实时预测,现有的线路跳闸概率预测方法目前已取得了重要的研究成果但是也还存在准确率低,不具有推广性等缺陷,并且现有的线路跳闸预测方法往往仅仅只是预测极端和灾害天气发生的概率,而非直接预测线路跳闸概率,虽存在短期和长期的预测,但是也无法实时判断预测。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SCADA的轨道交通线路跳闸智能预警系统。
本发明的目的可以通过以下技术方案来实现:
一种基于SCADA的轨道交通线路跳闸智能预警系统,该系统包括:
监视控制子系统:即SCADA系统,用以实现对轨道交通供电系统运行过程进行监视控制以及电力数据的采集;
智能预测子系统:通过构建轨道交通线路跳闸预测模型,结合电力数据和天气数据对轨道交通线路跳闸故障进行准确预测;
故障预警子系统:用以根据智能预测子系统的预测结果实现高效直观的故障预警。
该系统的预警方法以下步骤:
1)根据SCADA系统获取轨道交通供电系统的电力数据;
2)构建预测模型数据集,并对轨道交通线路跳闸预测模型进行训练和参数优化;
3)采用训练好的轨道交通线路跳闸预测模型进行跳闸故障预测,并根据跳闸故障的预测结果进行故障预警。
所述的步骤1)中,轨道交通供电系统的电力数据具体包括电网线路跳闸故障数据以及遥测电流数据,所述的电网线路跳闸故障数据具体为开关闸刀状态。
所述的步骤2)中,预测模型数据集由轨道交通供电系统的历史电力数据和天气特征数据共同构成。
所述的天气特征数据包括天气、风力、高低温和雷电数据,其中,高低温与风力数据表示当日最高、最低温度以及风力等级,天气数据包括晴天、多云、小雨、中雨和大雨,雷电和跳闸数据包括发生和未发生的情况。
所述的步骤2)中,轨道交通线路跳闸预测模型具体为基于机器学习的LightGBM智能算法模型。
所述的轨道交通线路跳闸预测模型以遥测电流数据以及天气、风力、高温、低温和雷电数据作为输入,以预测的开关闸刀状态作为输出。
所述的步骤3)具体为:
在日常运行过程中,将SCADA系统采集到的实时电流数据结合实时天气特征数据作为预测数据集,根据训练好的轨道交通线路跳闸预测模型,将预测结果实时输出到故障预警子系统中,对调度人员进行预警。
所述的故障预警子系统中,将告警信息按照紧急程度进行等级划分和显示颜色的划分,并以对应的故障等级和颜色在界面中显示。
当预测结果没有出现跳闸故障时,则进一步采用LightGBM对遥测电流进行预测,若预测电流超过设置的限值,则相应告警。
与现有技术相比,本发明具有以下优点:
一、本发明通过接入的SCADA系统,得到轨道交通线路运行过程中实时的电力数据,并利用这些实时数据进行实时的跳闸故障预测,并且通过结合天气特征数据和SCADA数据构造数据集的方法,实时预测的同时不丢失传统雷电特征,更加实际合理。
二、本发明通过采用LightGBM机器学习算法,调整参数建立优化模型,有效提高预测的准确率,达到良好的预测效果,建立的预测模型优于现有的逻辑回归和SVM模型,准确率和消耗时间显现明显优势,即使是优化后的逻辑回归和SVM模型,也无法做到准确率和消耗时间的平衡,而优化后的基于LightGBM模型是双项最优的模型。
三、本发明通过故障预警系统使预测的故障结果实时的推送到调度的人机交互界面,并脱颖而出,使得故障预警的信息发挥出最大的作用,提升轨道交通供电系统稳定性。
附图说明
图1为系统运行流程图。
图2为预测线路跳闸情况对比图。
图3为预测故障电流对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明提出一种基于SCADA技术的线路跳闸智能预警系统,通过结合数据采集与监视控制系统(SCADA系统)得到的实时电力数据信息和天气信息,对线路跳闸概率进行实时预测,提高其实时性以及电力数据的利用率,并结合机器学习算法提高预测准确性,以达到更及时、准确的预警效果,给轨道交通供电系统运维带来便利,降低线路跳闸故障带来的损失,提升轨道交通系统的安全性。
本发明的线路跳闸智能预警系统包括数据采集与监视控制子系统(SCADA系统)、智能预测子系统以及故障预警子系统,各子系统的介绍如下:
1)监视控制子系统
监视控制子系统可以实现对轨道交通供电系统运行过程进行监视控制以及数据的采集,包含对电力设备的监视、数据采集及控制功能,保证轨道交通系统的安全可靠供电。
2)智能预测子系统
智能预测子系统可以实现对线路跳闸故障的预测,该子系统采用机器学习的LightGBM智能算法,结合SCADA系统采集到的实时电力数据,实现实时预测,有效提升预测实时性和准确性。
3)故障预警子系统
故障预警子系统可以实现故障预警功能,对智能预测子系统预测出的故障情况,及时推送告知调度员,以在海量的告警信息中脱颖而出,为调度监控人员提供高效、直观的告警信息和辅助决策依据。
图1为本发明的系统运行流程图,本发明的SCADA系统可以实现对轨道交通供电系统运行过程进行监视控制以及数据的采集,包含对电力设备的监视、数据采集及控制功能,保证轨道交通系统的安全可靠供电。将轨道交通供电系统中的接入的采集终端设备连入SCADA系统,可以直观的看出设备的运行状态和运行状态,必要时调度员对其进行远程控制,远程即可便捷处理突发状况。由于SCADA系统中的遥测电流量是线路正常运行的重要指标,将采集到的电力数送入智能预测子系统使用。调度员可通过界面实时、直观的看到电流电压实时数值以及开关的分合状态,关注到供电线路的运行状况。
本发明的智能预测子系统可以实现对线路跳闸故障的预测,本系统采用机器学习的LightGBM智能算法模型,结合SCADA系统采集到的实时电力数据,实现实时预测,有效提升预测实时性和准确性。
预测模型建立使用的数据集来源于上海市某地铁站内系统记录的2021年地铁输电线路的相关历史数据,数据集具体包括了供电线路运维数据,电网线路跳闸故障的相关数据、开关闸刀的状态和遥测电压电流数据等。为了不丢失经典的线路跳闸概率预测方法中的依赖雷电预测来实现的特点,本例中将天气数据加入到处理后的运维数据集中,形成包含雷电等天气特征的预测模型数据集,数据集样例如表1所示,将当前时间及前50个记录点的电流数据、天气、风力、高低温、雷电以及线路跳闸情况合并到同一个数据集中。其中,高低温与风力数据代表当日最高、最低温度以及风力等级;天气数据中,0代表晴天,1多云,2小雨,3中雨,4大雨。雷电和跳闸数据中1为发生,0未发生;I1~I50代表50个记录点的电流大小,单位为A(安)。
表1数据集样例
将处理好的数据集导入基于LightGBM的线路跳闸预警模型,进行训练,并适当调整算法相关参数,以求得更高的准确率,形成最终的优化模型。将此模型与基于传统的逻辑回归和SVM(支持向量机)算法的模型进行比较,无论是在预测线路跳闸情况还是在预测故障电流上,其预测准确率和预测速度都有明显的优势,模型准确率与耗时对比如表2、表3、图2和图3所示。
表2各模型预测故障情况准确率及耗时
LightGBM | SVM | 逻辑回归 | |
准确率 | 0.9167 | 0.75 | 0.6667 |
消耗时间 | 0.018 | 0.032 | 0.054 |
表3各模型预测故障电流准确率及耗时
LightGBM | SVM | 逻辑回归 | |
准确率 | 0.833 | 0.75 | 0.833 |
消耗时间 | 0.036 | 0.07 | 0.099 |
在日常运行过程中,我们将SCADA采集到的实时电流数据和实时天气数据结合作为预测数据集,根据确定的基于LightGBM的线路跳闸预测模型进行预测,将预测结果实时输出到故障预警子系统中,以对调度人员进行告知。
故障预警子系统可以实现故障预警功能,对智能预测子系统预测出的故障情况,及时推送告知调度员,以在海量的告警信息中脱颖而出,为调度监控人员提供高效、直观的告警信息和辅助决策依据。
对系统内原有的告警信息按照紧急程度进行等级划分和显示颜色的划分。根据智能预测子系统所预测出的故障情况进行判断,若预测出即将产生故障,则及时向调度员进行推送。以相应的故障等级和显眼的颜色显示在界面中,若预测出并无故障,也将预测电流进行判断,若电流出现越过设置的限值,也会相应告警,起到相应的警示作用,对调度员的工作起到辅助决策的作用。
综上,本发明通过接入的SCADA系统,得到轨道交通线路运行过程中实时的电力数据,并利用这些实时数据,克服现有技术无法实时预测的不足,同时结合天气数据,也没有丢失重要的雷电天气特征,并且通过结合LightGBM机器学习算法,调整参数建立优化模型,有效提高预测的准确率,达到良好的预测效果,最后通过故障预警子系统对告警信息进行分类,将预测的故障结果以醒目的方式,实时的推送到调度界面,让调度员更好的利用故障预警的信息,保障轨道交通供电安全。
Claims (10)
1.一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,该系统包括:
监视控制子系统:即SCADA系统,用以实现对轨道交通供电系统运行过程进行监视控制以及电力数据的采集;
智能预测子系统:通过构建轨道交通线路跳闸预测模型,结合电力数据和天气数据对轨道交通线路跳闸故障进行准确预测;
故障预警子系统:用以根据智能预测子系统的预测结果实现高效直观的故障预警。
2.根据权利要求1所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,该系统的预警方法以下步骤:
1)根据SCADA系统获取轨道交通供电系统的电力数据;
2)构建预测模型数据集,并对轨道交通线路跳闸预测模型进行训练和参数优化;
3)采用训练好的轨道交通线路跳闸预测模型进行跳闸故障预测,并根据跳闸故障的预测结果进行故障预警。
3.根据权利要求2所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,所述的步骤1)中,轨道交通供电系统的电力数据具体包括电网线路跳闸故障数据以及遥测电流数据,所述的电网线路跳闸故障数据具体为开关闸刀状态。
4.根据权利要求3所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,所述的步骤2)中,预测模型数据集由轨道交通供电系统的历史电力数据和天气特征数据共同构成。
5.根据权利要求4所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,所述的天气特征数据包括天气、风力、高低温和雷电数据,其中,高低温与风力数据表示当日最高、最低温度以及风力等级,天气数据包括晴天、多云、小雨、中雨和大雨,雷电和跳闸数据包括发生和未发生的情况。
6.根据权利要求2所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,所述的步骤2)中,轨道交通线路跳闸预测模型具体为基于机器学习的LightGBM智能算法模型。
7.根据权利要求5所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,所述的轨道交通线路跳闸预测模型以遥测电流数据以及天气、风力、高温、低温和雷电数据作为输入,以预测的开关闸刀状态作为输出。
8.根据权利要求2所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,所述的步骤3)具体为:
在日常运行过程中,将SCADA系统采集到的实时电流数据结合实时天气特征数据作为预测数据集,根据训练好的轨道交通线路跳闸预测模型,将预测结果实时输出到故障预警子系统中,对调度人员进行预警。
9.根据权利要求8所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,所述的故障预警子系统中,将告警信息按照紧急程度进行等级划分和显示颜色的划分,并以对应的故障等级和颜色在界面中显示。
10.根据权利要求9所述的一种基于SCADA的轨道交通线路跳闸智能预警系统,其特征在于,当预测结果没有出现跳闸故障时,则进一步采用LightGBM对遥测电流进行预测,若预测电流超过设置的限值,则相应告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110709767.1A CN113449913B (zh) | 2021-06-25 | 2021-06-25 | 一种基于scada的轨道交通线路跳闸智能预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110709767.1A CN113449913B (zh) | 2021-06-25 | 2021-06-25 | 一种基于scada的轨道交通线路跳闸智能预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449913A true CN113449913A (zh) | 2021-09-28 |
CN113449913B CN113449913B (zh) | 2022-10-28 |
Family
ID=77812746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110709767.1A Active CN113449913B (zh) | 2021-06-25 | 2021-06-25 | 一种基于scada的轨道交通线路跳闸智能预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449913B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923685A (zh) * | 2010-09-02 | 2010-12-22 | 长沙理工大学 | 一种基于断线故障概率预测的电力切负荷决策系统及方法 |
CN102663530A (zh) * | 2012-05-25 | 2012-09-12 | 中国南方电网有限责任公司超高压输电公司 | 高压直流输电系统安全预警与评估系统 |
CN103207340A (zh) * | 2013-05-02 | 2013-07-17 | 深圳供电局有限公司 | 一种输电线路雷电绕击跳闸在线预警方法 |
CN103810542A (zh) * | 2014-03-07 | 2014-05-21 | 北京动力京工科技有限公司 | 风电场风功率预测系统及实现方法 |
CN105067904A (zh) * | 2015-07-17 | 2015-11-18 | 云南电力试验研究院(集团)有限公司 | 一种基于历史雷电定位数据和电网跳闸数据的雷电预警数据评估方法 |
CN106296453A (zh) * | 2016-08-08 | 2017-01-04 | 国网山东省电力公司泰安供电公司 | 一种电力跳闸统计方法 |
CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
CN107832971A (zh) * | 2017-11-27 | 2018-03-23 | 国家电网公司华中分部 | 一种基于scada和oms系统的电网指标评估方法 |
CN108052734A (zh) * | 2017-12-12 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种基于气象参数对雷电流幅值进行预测的方法及系统 |
CN108492057A (zh) * | 2018-04-28 | 2018-09-04 | 国网新疆电力公司电力科学研究院 | 基于FP-growth的跳闸明细数据与气象数据关联分析及预警方法 |
CN108548988A (zh) * | 2018-03-27 | 2018-09-18 | 南瑞集团有限公司 | 基于互信息改进决策树的线路故障预测方法 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组故障预测系统 |
-
2021
- 2021-06-25 CN CN202110709767.1A patent/CN113449913B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923685A (zh) * | 2010-09-02 | 2010-12-22 | 长沙理工大学 | 一种基于断线故障概率预测的电力切负荷决策系统及方法 |
CN102663530A (zh) * | 2012-05-25 | 2012-09-12 | 中国南方电网有限责任公司超高压输电公司 | 高压直流输电系统安全预警与评估系统 |
CN103207340A (zh) * | 2013-05-02 | 2013-07-17 | 深圳供电局有限公司 | 一种输电线路雷电绕击跳闸在线预警方法 |
CN103810542A (zh) * | 2014-03-07 | 2014-05-21 | 北京动力京工科技有限公司 | 风电场风功率预测系统及实现方法 |
CN105067904A (zh) * | 2015-07-17 | 2015-11-18 | 云南电力试验研究院(集团)有限公司 | 一种基于历史雷电定位数据和电网跳闸数据的雷电预警数据评估方法 |
CN106296453A (zh) * | 2016-08-08 | 2017-01-04 | 国网山东省电力公司泰安供电公司 | 一种电力跳闸统计方法 |
CN107797063A (zh) * | 2017-09-19 | 2018-03-13 | 北京瑞盈同创智能技术研究院有限公司 | 基于scada的风电机组运行状态评估及故障诊断方法 |
CN107832971A (zh) * | 2017-11-27 | 2018-03-23 | 国家电网公司华中分部 | 一种基于scada和oms系统的电网指标评估方法 |
CN108052734A (zh) * | 2017-12-12 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种基于气象参数对雷电流幅值进行预测的方法及系统 |
CN108548988A (zh) * | 2018-03-27 | 2018-09-18 | 南瑞集团有限公司 | 基于互信息改进决策树的线路故障预测方法 |
CN108492057A (zh) * | 2018-04-28 | 2018-09-04 | 国网新疆电力公司电力科学研究院 | 基于FP-growth的跳闸明细数据与气象数据关联分析及预警方法 |
CN109543210A (zh) * | 2018-09-28 | 2019-03-29 | 国电电力宁夏新能源开发有限公司 | 一种基于机器学习算法平台的风电机组故障预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113449913B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156881A (zh) | 配电网故障风险综合评估方法 | |
CN108551166B (zh) | 一种电网设备及断面超短期负荷预测、告警及稳控方法 | |
CN102638100A (zh) | 地区电网设备异常告警信号关联分析与诊断方法 | |
WO2022041264A1 (zh) | 一种大数据支持轨交电力系统运营的方法 | |
CN109412273B (zh) | 一种基站电源远程监管系统 | |
CN109522599A (zh) | 一种台风导致的输电线路突发故障预警方法 | |
CN102231521A (zh) | 一种配电网自愈控制中的电网运行状态辨识方法 | |
CN104966147A (zh) | 一种考虑基态和事故态的电网运行风险分析方法 | |
CN111860943A (zh) | 基于数值气象数据与机器学习的电网故障预测方法及系统 | |
CN104809665A (zh) | 一种基于改进Apriori算法的配电网预警方法 | |
CN112001569A (zh) | 一种基于多电压等级故障下的电网运行风险分析方法 | |
CN114884054B (zh) | 一种基于物联网的城市智慧交通应急监测调控管理系统 | |
JP2022115061A (ja) | 気象関連架空配電線路故障オンライン予測 | |
CN113922326B (zh) | 基于scada数据的母线/线路接地选线轮切方法 | |
CN114936450A (zh) | 面向风电送出线路动态增容的数字孪生评估方法和系统 | |
CN104166883A (zh) | 基于状态多维度综合评估的电网调度动态增容评估方法 | |
CN110570628A (zh) | 一种输电线路杆塔地质灾害监测预警分析系统及使用方法 | |
CN103971028A (zh) | 一种雷电天气下输电线路短期n-2风险评估方法 | |
CN113449913B (zh) | 一种基于scada的轨道交通线路跳闸智能预警系统 | |
CN117614137A (zh) | 基于多源数据融合的配电网优化系统 | |
CN108616145A (zh) | 一种计及事故后电压影响效果的新能源切机优化方法 | |
CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
CN111815106A (zh) | 一种基于多源信息的电网应急方法 | |
CN113902317A (zh) | 一种配电网线路运行风险分析系统和方法 | |
CN113609752B (zh) | 一种面向西南涡的配电变压器损失评估系统及方法 |
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 |