CN113541320A - 一种电网停复电可视化监控方法、系统及存储介质 - Google Patents

一种电网停复电可视化监控方法、系统及存储介质 Download PDF

Info

Publication number
CN113541320A
CN113541320A CN202111089940.9A CN202111089940A CN113541320A CN 113541320 A CN113541320 A CN 113541320A CN 202111089940 A CN202111089940 A CN 202111089940A CN 113541320 A CN113541320 A CN 113541320A
Authority
CN
China
Prior art keywords
real
node
time sequence
power failure
electrical parameter
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
Application number
CN202111089940.9A
Other languages
English (en)
Other versions
CN113541320B (zh
Inventor
刘丽媛
罗金满
王莉娜
刘飘
梁浩波
晏晶
封祐钧
王湘女
高承芳
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.)
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Dongguan Power Supply Bureau of Guangdong Power Grid 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 Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202111089940.9A priority Critical patent/CN113541320B/zh
Publication of CN113541320A publication Critical patent/CN113541320A/zh
Application granted granted Critical
Publication of CN113541320B publication Critical patent/CN113541320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y04S10/40—Display of information, e.g. of data or controls
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电网停复电可视化监控方法、系统及存储介质，包括以下步骤：步骤S1、在所述电网框架的真实节点处设置可视化监控设备，并基于电网框架构建出可视化电网框架仿真模型；步骤S2、为所述电网框架的每个真实节点构建电参数据预测模型，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停复电状态；步骤S3、将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警。本发明在未来时序处于停电状态的真实节点进行预先可视化监控，排除停电状态产生的因素从而规避停电事故的发生，整体实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失，提高停复电监控的安全性。

Description

一种电网停复电可视化监控方法、系统及存储介质
技术领域
本发明涉及电网监控技术领域，具体涉及一种电网停复电可视化监控方法、系统及存储介质。
背景技术
随着现代社会经济的不断发展，生产技术的不断改进，用户对供电质量的要求越来越高，因电能质量问题带来的经济损失也越发难以让人接受。其中，电压暂降问题是导致用户生产过程中断进而导致经济损失的主要因素，对全网电压质量的检测有助于系统对电网进行更加科学的治理，以便提高全网供电质量，迎合社会建设与发展的需要。
目前市场上存在的大部分电能质量指标评价系统存在不同的缺陷，输电线路的特点是高空传输，横跨距离较远，杆塔所处的位置较为偏僻，日常运维巡视难度大，难以准确有效掌握输电线路运行状态，目前通常采用表单方式进行停复电故障显示，不够直观，没有良好的交互界面能够让用户通过一种可视化的方式展示停复电故障的关键信息。
发明内容
本发明的目的在于提供一种电网停复电可视化监控方法、系统及存储介质，以解决现有技术中采用表单方式进行停复电故障显示，不够直观，没有良好的交互界面能够让用户通过一种可视化的方式展示停复电故障的关键信息的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种电网停复电可视化监控方法，包括以下步骤：
步骤S1、在所述电网框架的真实节点处设置可视化监控设备，并基于电网框架构建出可视化电网框架仿真模型，所述可视化电网框架仿真模型为所述电网框架的空间压缩映射和节点定位映射，其中，所述节点定位映射表征为所述可视化电网框架模型中由所述电网框架中真实节点映射而来的仿真节点保留有与所述真实节点相同的定位坐标，所述空间压缩映射表征为所述可视化电网框架模型由电网框架等比例压缩形成；
步骤S2、为所述电网框架的每个真实节点在CNN-LSTM时序预测模型的基础上构建电参数据预测模型，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停复电状态，其中，所述CNN-LSTM时序预测模型为CNN卷积神经网络和LSTM长短期记忆网络构成的时序预测模型；
步骤S3、将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警，同时可视化电网框架模型根据仿真节点显示的停复电状态进行真实节点的可视化超前监控以及真实节点的预先维护直至仿真节点在未来时序上转换为复电状态，实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失。
作为本发明的一种优选方案，所述步骤S1中还包括在电网框架的真实节点处设置电参监测设备，所述电参监测设备按时序采集真实节点的电参真实数据。
作为本发明的一种优选方案，所述步骤S2中，所述电参数据预测模型的构建方法包括：
选取真实节点
Figure 950161DEST_PATH_IMAGE001
在一个连续时序段
Figure 867302DEST_PATH_IMAGE002
的电参真实数据
Figure 647039DEST_PATH_IMAGE003
，其中，N表征为电网框架中真实节点的总数目，
Figure 104565DEST_PATH_IMAGE004
表征为真实节点
Figure 918937DEST_PATH_IMAGE005
在时序
Figure 803717DEST_PATH_IMAGE006
的电参真实数据，M为连续时序段的时序总数目；
将所有真实节点
Figure 70750DEST_PATH_IMAGE001
的电参真实数据
Figure 331967DEST_PATH_IMAGE003
运用至CNN-LSTM时序预测模型中进行模型训练得到电参数据预测模型
Figure 846DEST_PATH_IMAGE007
，其中，
Figure 994209DEST_PATH_IMAGE008
表征为真实节点
Figure 810856DEST_PATH_IMAGE005
的电参数据预测模型。
作为本发明的一种优选方案，所述电参数据预测模型的构建方法还包括：
将所述电参真实数据
Figure 547868DEST_PATH_IMAGE003
依时序输入CNN卷积神经网络进行电参特征提取，输出电参特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；
将所述电参特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出连续时序段
Figure 71253DEST_PATH_IMAGE002
上的电参预测数据，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure 563414DEST_PATH_IMAGE009
，M为连续时序段的时序总数目，
Figure 805039DEST_PATH_IMAGE004
表征为真实节点
Figure 142480DEST_PATH_IMAGE005
在时序
Figure 785951DEST_PATH_IMAGE006
的电参真实数据，
Figure 121117DEST_PATH_IMAGE010
为LSTM长短期记忆网络输出的真实节点
Figure 912356DEST_PATH_IMAGE005
在时序
Figure 991170DEST_PATH_IMAGE006
的电参预测数据，
Figure 489148DEST_PATH_IMAGE011
表征为真实节点
Figure 323111DEST_PATH_IMAGE005
的预测误差；
根据误差
Figure 273750DEST_PATH_IMAGE011
最小原则确定出真实节点
Figure 218572DEST_PATH_IMAGE001
对应的 CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到出电参数据预测模型
Figure 571056DEST_PATH_IMAGE007
。
作为本发明的一种优选方案，所述电参数据预测模型的在线预测方法包括：
向所述电参数据预测模型
Figure 513604DEST_PATH_IMAGE012
输入真实节点
Figure 13856DEST_PATH_IMAGE013
当前时序段
Figure 434473DEST_PATH_IMAGE014
的电参真实数据
Figure 907042DEST_PATH_IMAGE015
，输出为在未来时序
Figure 82809DEST_PATH_IMAGE016
的电参预测数据
Figure 8040DEST_PATH_IMAGE017
，其中，
Figure 232347DEST_PATH_IMAGE018
表征为未来时序
Figure 293844DEST_PATH_IMAGE019
上的电参预测数据，n为未来时序的总数目，M表征为连续时序段的时序总数目，now表征为当前时序段的最新时序；
将真实节点
Figure 578195DEST_PATH_IMAGE013
在未来时序
Figure 990722DEST_PATH_IMAGE016
的电参预测数据
Figure 81038DEST_PATH_IMAGE017
与真实节点
Figure 262620DEST_PATH_IMAGE013
的电参标准数据进行相似度对比，其中，
若电参预测数据
Figure 452293DEST_PATH_IMAGE018
与电参标准数据的相似度高于预设阈值，则表明真实节点
Figure 352116DEST_PATH_IMAGE005
在未来时序
Figure 918227DEST_PATH_IMAGE019
上会发生停电事故，真实节点
Figure 219895DEST_PATH_IMAGE005
在未来时序
Figure 642786DEST_PATH_IMAGE019
为停电状态；
若电参预测数据
Figure 29905DEST_PATH_IMAGE018
与电参标准数据的相似度低于预设阈值，则表明真实节点
Figure 399707DEST_PATH_IMAGE005
在未来时序
Figure 290302DEST_PATH_IMAGE019
上不会发生停电事故，真实节点
Figure 87357DEST_PATH_IMAGE005
在未来时序
Figure 781947DEST_PATH_IMAGE019
为复电状态。
作为本发明的一种优选方案，所述电参预测数据
Figure 955440DEST_PATH_IMAGE020
与电参标准数据的相似度利用电参预测数据
Figure 966121DEST_PATH_IMAGE020
与电参标准数据的欧式距离进行衡量。
作为本发明的一种优选方案，所述步骤S3中，所述停电预警的方法包括：
将真实节点
Figure 934077DEST_PATH_IMAGE021
在未来时序
Figure 30209DEST_PATH_IMAGE022
的停电状态映射到可视化电网框架仿真模型中对应的仿真节点
Figure 741813DEST_PATH_IMAGE023
处作为仿真节点
Figure 669318DEST_PATH_IMAGE023
在未来时序
Figure 808175DEST_PATH_IMAGE022
的停复电状态，其中，
将未来时序
Figure 391603DEST_PATH_IMAGE022
为停电状态的仿真节点
Figure 641319DEST_PATH_IMAGE023
的节点图标在当前时序段
Figure 626592DEST_PATH_IMAGE024
上由固定显示变为闪烁显示；
将未来时序
Figure 936351DEST_PATH_IMAGE022
为复电状态的仿真节点
Figure 69392DEST_PATH_IMAGE023
的节点图标在当前时序段
Figure 122799DEST_PATH_IMAGE024
上维持为固定显示。
作为本发明的一种优选方案，所述步骤S3中，所述真实节点的可视化超前监控方法包括：
在所述仿真节点
Figure 962579DEST_PATH_IMAGE023
的节点图标在当前时序段
Figure 443239DEST_PATH_IMAGE024
上由固定显示变为闪烁显示的同时开启真实节点
Figure 735680DEST_PATH_IMAGE021
处的可视化监控设备，实时采集真实节点
Figure 655094DEST_PATH_IMAGE021
在当前时序
Figure 349381DEST_PATH_IMAGE025
的真实影像；
通过真实节点
Figure 942DEST_PATH_IMAGE021
在当前时序段
Figure 46258DEST_PATH_IMAGE024
的真实影像判断真实节点
Figure 441468DEST_PATH_IMAGE021
的停电事故的产生因素，在当前时序段
Figure 52577DEST_PATH_IMAGE024
上进行预先维护排除停电事故的产生因素使得预测得到的真实节点
Figure 140619DEST_PATH_IMAGE021
在未来时序
Figure 407652DEST_PATH_IMAGE022
由停电状态转变复电状态，映射到仿真节点
Figure 606553DEST_PATH_IMAGE023
上使得仿真节点
Figure 9852DEST_PATH_IMAGE023
的节点图标在当前时序段
Figure 268795DEST_PATH_IMAGE024
上由闪烁显示变为固定显示；
在所述仿真节点
Figure 85441DEST_PATH_IMAGE023
的节点图标在当前时序段
Figure 822453DEST_PATH_IMAGE024
上由闪烁显示变为固定显示的同时开关闭真实节点
Figure 345838DEST_PATH_IMAGE023
处的可视化监控设备，可视化监控设备获得真实节点
Figure 775683DEST_PATH_IMAGE021
在当前时序段
Figure 751729DEST_PATH_IMAGE024
的真实影像作为真实节点
Figure 292432DEST_PATH_IMAGE021
的停复电超前监控影像，实现对真实节点
Figure 998220DEST_PATH_IMAGE021
在当前时序段
Figure 333386DEST_PATH_IMAGE024
对停电事故进行预先修复规避，无需等待至未来时序
Figure 62308DEST_PATH_IMAGE022
在停电事故发生后的滞后性修复。
作为本发明的一种优选方案，本发明提供了一种电网停复电可视化监控系统，包括：可视化监控设备、电参监测设备、框架仿真模型建立模块、预测模型建立模块、显示模块以及预警模块，
所述框架仿真模型建立模块，用于基于电网框架构建出可视化电网框架仿真模型；
所述预测模型建立模块，用于为所述电网框架的每个真实节点构建电参数据预测模型；
所述预警模块，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停电状态，将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警；
所述可视化监控设备，用于在可视化电网框架模型中仿真节点的停复电状态进行真实节点的可视化超前监控；
所述显示模块，设置在每个仿真节点处，用于显示仿真节点的停复电超前监控影像；
所述电参监测设备，用于按时序采集真实节点的电参真实数据。
作为本发明的一种优选方案，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的电网停复电可视化监控方法的步骤。
本发明与现有技术相比较具有如下有益效果：
本发明利用电网框架映射建立可视化电网框架仿真模型，并为电网框架的每个真实节点构建电参数据预测模型，实现对每个真实节点在未来时序上的电参数据进行预测，进而根据预测的电参数据识别出真实节点在未来时序的停复电运行状态，在未来时序处于停电状态的真实节点进行预先可视化监控，排除停电状态产生的因素从而规避停电事故的发生，整体实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失，提高停复电监控的安全性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的电网停复电可视化监控方法流程图；
图2为本发明实施例提供的电网停复电可视化监控系统结构框图。
图中的标号分别表示如下：
1-可视化监控设备；2-电参监测设备；3-框架仿真模型建立模块；4-预测模型建立模块；5-显示模块；6-预警模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
如图1所示，电网线路的特点是高空传输，横跨距离较远，杆塔所处的位置较为偏僻，日常运维巡视难度大，难以准确有效掌握电网线路停复电状态，本发明提供了一种电网停复电可视化监控方法，将电网线路的停复电状态以一种可视化的方法展示出来，替代部分人力工作，并且提前规避停电事故发生，提高电网运行稳定性。
本发明提供了一种电网停复电可视化监控方法，包括以下步骤：
步骤S1、在电网框架的真实节点处设置可视化监控设备，并基于电网框架构建出可视化电网框架仿真模型，可视化电网框架仿真模型为电网框架的空间压缩映射和节点定位映射，其中，节点定位映射表征为可视化电网框架模型中由电网框架中真实节点映射而来的仿真节点保留有与真实节点相同的定位坐标，空间压缩映射表征为可视化电网框架模型由电网框架等比例压缩形成；
步骤S1中还包括在电网框架的真实节点处设置电参监测设备，电参监测设备按时序采集真实节点的电参真实数据。
将电网框架的结构进行等比例压缩，实现将体积庞大的电网框架压缩至能够完全显示在显示设备中进行显示，供巡视人员进行全面直观的巡视，并将电网框架的真实节点的地理位置映射至仿真节点上，可通过仿真节点追溯到真实节点，即巡视人员能够进行根据仿真节点的定位坐标快速定位到真实节点处，并且将真实节点的电参数据传输至仿真节点处进行停复电状态分析，因此巡视人员无需再对真实的电网线路进行逐一巡视，提高了巡视效率。
步骤S2、为所述电网框架的每个真实节点在CNN-LSTM时序预测模型的基础上构建电参数据预测模型，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停复电状态，其中，所述CNN-LSTM时序预测模型为CNN卷积神经网络和LSTM长短期记忆网络构成的时序预测模型；
步骤S2中，电参数据预测模型的构建方法包括：
选取真实节点
Figure 141122DEST_PATH_IMAGE026
在一个连续时序段
Figure 639100DEST_PATH_IMAGE027
的电参真实数据
Figure 207484DEST_PATH_IMAGE028
，其中，N表征为电网框架中真实节点的总数目，
Figure 423702DEST_PATH_IMAGE029
表征为真实节点
Figure 306207DEST_PATH_IMAGE021
在时序
Figure 658691DEST_PATH_IMAGE030
的电参真实数据，M为连续时序段的时序总数目；
将所有真实节点
Figure 601239DEST_PATH_IMAGE026
的电参真实数据
Figure 39174DEST_PATH_IMAGE028
运用至CNN-LSTM时序预测模型中进行模型训练得到电参数据预测模型
Figure 522108DEST_PATH_IMAGE031
，其中，
Figure 994677DEST_PATH_IMAGE032
表征为真实节点
Figure 842548DEST_PATH_IMAGE021
的电参数据预测模型。
电参数据预测模型的构建方法还包括：
将电参真实数据
Figure 767778DEST_PATH_IMAGE028
依时序输入CNN卷积神经网络进行电参特征提取，输出电参特征序列，其中，CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；
将电参特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出连续时序段
Figure 116720DEST_PATH_IMAGE027
上的电参预测数据，其中，LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure 443796DEST_PATH_IMAGE033
，M为连续时序段的时序总数目，
Figure 728147DEST_PATH_IMAGE029
表征为真实节点
Figure 202991DEST_PATH_IMAGE021
在时序
Figure 965410DEST_PATH_IMAGE030
的电参真实数据，
Figure 146993DEST_PATH_IMAGE034
为LSTM长短期记忆网络输出的真实节点
Figure 664562DEST_PATH_IMAGE021
在时序
Figure 564385DEST_PATH_IMAGE030
的电参预测数据，
Figure 130496DEST_PATH_IMAGE035
表征为真实节点
Figure 166585DEST_PATH_IMAGE021
的预测误差；
根据误差
Figure 792738DEST_PATH_IMAGE035
最小原则确定出真实节点
Figure 242174DEST_PATH_IMAGE026
对应的 CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到出电参数据预测模型
Figure 346396DEST_PATH_IMAGE031
。
真实节点
Figure 502571DEST_PATH_IMAGE036
的电参数据预测模型的输入为电参真实数据
Figure 299626DEST_PATH_IMAGE037
，输出为在时序
Figure 908462DEST_PATH_IMAGE038
的电参预测数据
Figure 81954DEST_PATH_IMAGE039
，通过
Figure 154952DEST_PATH_IMAGE037
与
Figure 122908DEST_PATH_IMAGE039
相对比可衡量出电参数据预测模型的预测精度，即
Figure 219040DEST_PATH_IMAGE037
与
Figure 665065DEST_PATH_IMAGE039
数据差异度越小，则模型预测精度越高，
Figure 795832DEST_PATH_IMAGE037
与
Figure 934689DEST_PATH_IMAGE039
数据差异度越大，则模型预测精度越低，以
Figure 580434DEST_PATH_IMAGE037
与
Figure 830150DEST_PATH_IMAGE039
差异度构建损失函数，可以使得建立的电参数据预测模型具有高精度属性，迁移到真实节点的在线预测则输入为真实节点在当前时序端的电参真实数据，输出为真实节点在未来时序的电参预测数据，则真实节点在未来时序的电参预测数据在真实节点的电参标准数据范围内，即表明真实节点在未来时序上不会发生停电事故（处于本实施例中的复电状态），因此能够利用真实节点在未来时序的电参预测数据反映出真实节点在未来时序上的停复电状态的发展趋势。
电参数据预测模型的在线预测方法包括：
向电参数据预测模型
Figure 815424DEST_PATH_IMAGE040
输入真实节点
Figure 125182DEST_PATH_IMAGE041
当前时序段
Figure 195906DEST_PATH_IMAGE042
的电参真实数据
Figure 311630DEST_PATH_IMAGE043
，输出为在未来时序
Figure 151410DEST_PATH_IMAGE044
的电参预测数据
Figure 632070DEST_PATH_IMAGE045
，其中，
Figure 924511DEST_PATH_IMAGE020
表征为未来时序
Figure 781609DEST_PATH_IMAGE046
上的电参预测数据，n为未来时序的总数目，M表征为连续时序段的时序总数目，now表征为当前时序段的最新时序，比如，在时序12:00:00时，为了预测13:00:00,14:00:00的电参预测数据，则在12:00:00前选取11:00:00,10:00:00的电参真实数据作为时序数据输入到电参数据预测模型中得到13:00:00,14:00:00的电参预测数据，则now表征为最新时序12:00:00，即
Figure 475895DEST_PATH_IMAGE047
，当前时序段为
Figure 189773DEST_PATH_IMAGE048
，电参真实数据为
Figure 235090DEST_PATH_IMAGE049
，未来时序为
Figure 630299DEST_PATH_IMAGE050
，电参预测数据为
Figure 179092DEST_PATH_IMAGE051
。
将真实节点
Figure 267134DEST_PATH_IMAGE041
在未来时序
Figure 596484DEST_PATH_IMAGE044
的电参预测数据
Figure 529805DEST_PATH_IMAGE045
与真实节点
Figure 198683DEST_PATH_IMAGE041
的电参标准数据进行相似度对比，其中，
若电参预测数据
Figure 457626DEST_PATH_IMAGE020
与电参标准数据的相似度高于预设阈值，则表明真实节点
Figure 946377DEST_PATH_IMAGE036
在未来时序
Figure 948968DEST_PATH_IMAGE046
上会发生停电事故，真实节点
Figure 534670DEST_PATH_IMAGE036
在未来时序
Figure 698935DEST_PATH_IMAGE046
为停电状态；
若电参预测数据
Figure 940560DEST_PATH_IMAGE020
与电参标准数据的相似度低于预设阈值，则表明真实节点
Figure 481263DEST_PATH_IMAGE036
在未来时序
Figure 859155DEST_PATH_IMAGE046
上不会发生停电事故，真实节点
Figure 459900DEST_PATH_IMAGE036
在未来时序
Figure 985560DEST_PATH_IMAGE046
为复电状态。
电参真实数据、电参预测数据和电参标准数据具有相一致的数据类别结构，其中，三者的数据类别均包括但不限于电压、电流、有功功率、无功功率等，数据类别和预设阈值的选取，本实施例不作限定，由使用者自定义。
电参预测数据
Figure 329953DEST_PATH_IMAGE020
与电参标准数据的相似度利用电参预测数据
Figure 827931DEST_PATH_IMAGE020
与电参标准数据的欧式距离进行衡量。
步骤S3、将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警，同时可视化电网框架模型根据仿真节点显示的停复电状态进行真实节点的可视化超前监控以及真实节点的预先维护直至仿真节点在未来时序上转换为复电状态，实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失。
步骤S3中，停电预警的方法包括：
将真实节点
Figure 333999DEST_PATH_IMAGE036
在未来时序
Figure 550216DEST_PATH_IMAGE046
的停电状态映射到可视化电网框架仿真模型中对应的仿真节点
Figure 495039DEST_PATH_IMAGE052
处作为仿真节点
Figure 847522DEST_PATH_IMAGE052
在未来时序
Figure 524491DEST_PATH_IMAGE046
的停复电状态，其中，
将未来时序
Figure 962426DEST_PATH_IMAGE046
为停电状态的仿真节点
Figure 648622DEST_PATH_IMAGE052
的节点图标在当前时序段
Figure 855613DEST_PATH_IMAGE042
上由固定显示变为闪烁显示；
将未来时序
Figure 31379DEST_PATH_IMAGE046
为复电状态的仿真节点
Figure 956610DEST_PATH_IMAGE052
的节点图标在当前时序段
Figure 180918DEST_PATH_IMAGE042
上维持为固定显示。
步骤S3中，真实节点的可视化超前监控方法包括：
在仿真节点
Figure 507994DEST_PATH_IMAGE052
的节点图标在当前时序段
Figure 792345DEST_PATH_IMAGE042
上由固定显示变为闪烁显示的同时开启真实节点
Figure 1609DEST_PATH_IMAGE036
处的可视化监控设备，实时采集真实节点
Figure 29608DEST_PATH_IMAGE036
在当前时序
Figure 211191DEST_PATH_IMAGE053
的真实影像；
通过真实节点
Figure 666443DEST_PATH_IMAGE036
在当前时序段
Figure 566266DEST_PATH_IMAGE042
的真实影像判断真实节点
Figure 132376DEST_PATH_IMAGE036
的停电事故的产生因素，在当前时序段
Figure 230782DEST_PATH_IMAGE042
上进行预先维护排除停电事故的产生因素使得预测得到的真实节点
Figure 856936DEST_PATH_IMAGE036
在未来时序
Figure 978475DEST_PATH_IMAGE046
由停电状态转变复电状态，映射到仿真节点
Figure 348277DEST_PATH_IMAGE052
上使得仿真节点
Figure 504452DEST_PATH_IMAGE052
的节点图标在当前时序段
Figure 363823DEST_PATH_IMAGE042
上由闪烁显示变为固定显示；
在仿真节点
Figure 972659DEST_PATH_IMAGE052
的节点图标在当前时序段
Figure 880572DEST_PATH_IMAGE042
上由闪烁显示变为固定显示的同时开关闭真实节点
Figure 891254DEST_PATH_IMAGE052
处的可视化监控设备，可视化监控设备获得真实节点
Figure 859210DEST_PATH_IMAGE036
在当前时序段
Figure 955342DEST_PATH_IMAGE042
的真实影像作为真实节点
Figure 729263DEST_PATH_IMAGE036
的停复电超前监控影像，实现对真实节点
Figure 860030DEST_PATH_IMAGE036
在当前时序段
Figure 998887DEST_PATH_IMAGE042
对停电事故进行预先修复规避，无需等待至未来时序
Figure 316736DEST_PATH_IMAGE046
在停电事故发生后的滞后性修复。
本实施提供了一种预警实例，比如，真实节点
Figure 832031DEST_PATH_IMAGE036
在时序12:00:00时预测到13:00:00会处于停电状态，则反馈到仿真节点
Figure 879621DEST_PATH_IMAGE052
上出现节点图标闪烁显示，此时真实节点
Figure 189380DEST_PATH_IMAGE036
在时序12:00:00时开启可视化监控设备，巡查真实节点
Figure 994525DEST_PATH_IMAGE036
处存在的导致停电事故的危险因素，并依据定位坐标通知维护人员到达真实节点予以排除，整个过程持续半个小时，则开启可视化监控设备在12:30:00进行关闭，只拍摄了半个小时的有效实景视频，此时真实节点
Figure 47931DEST_PATH_IMAGE036
在时序13:00:00的状态转为复电状态，巡视和维护人员实现了对真实节点停电状态的提前规避，无需等到时序13:00:00时再进行巡视维护，减少了停电状态所带来的损失。
本实施例在预测到真实节点在未来时序上会发生停电事故时才会开启可视化监控设备进行实景记录，在对停电事故进行危险因素排除后即可关闭可视化监控设备，可直观的观测到真实节点的停复电状态的故障和修复景象，而且无需进行实时的可视化监测，减少了大量的视频数据存储和传输压力。
如图2所示，基于上述电网停复电可视化监控方法，本发明提供了一种电网停复电可视化监控系统，包括：可视化监控设备1、电参监测设备2、框架仿真模型建立模块3、预测模型建立模块4、显示模块5以及预警模块6，
框架仿真模型建立模块，用于基于电网框架构建出可视化电网框架仿真模型；
预测模型建立模块，用于为电网框架的每个真实节点构建电参数据预测模型；
预警模块，利用电参数据预测模型在线预测每个真实节点在未来时序上的停电状态，将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警；
可视化监控设备，用于在可视化电网框架模型中仿真节点的停复电状态进行真实节点的可视化超前监控；
显示模块，设置在每个仿真节点处，用于显示仿真节点的停复电超前监控影像；
电参监测设备，用于按时序采集真实节点的电参真实数据。
基于上述电网停复电可视化监控方法，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现电网停复电可视化监控方法的步骤。
本发明利用电网框架映射建立可视化电网框架仿真模型，并为电网框架的每个真实节点构建电参数据预测模型，实现对每个真实节点在未来时序上的电参数据进行预测，进而根据预测的电参数据识别出真实节点在未来时序的停复电运行状态，在未来时序处于停电状态的真实节点进行预先可视化监控，排除停电状态产生的因素从而规避停电事故的发生，整体实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失，提高停复电监控的安全性。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (10)

1.一种电网停复电可视化监控方法，其特征在于，包括以下步骤：
步骤S1、在电网框架的真实节点处设置可视化监控设备，并基于电网框架构建出可视化电网框架仿真模型，所述可视化电网框架仿真模型为所述电网框架的空间压缩映射和节点定位映射，其中，所述节点定位映射表征为所述可视化电网框架模型中由所述电网框架中真实节点映射而来的仿真节点保留有与所述真实节点相同的定位坐标，所述空间压缩映射表征为所述可视化电网框架模型由电网框架等比例压缩形成；
步骤S2、为所述电网框架的每个真实节点在CNN-LSTM时序预测模型的基础上构建电参数据预测模型，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停复电状态，其中，所述CNN-LSTM时序预测模型为CNN卷积神经网络和LSTM长短期记忆网络构成的时序预测模型；
步骤S3、将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警，同时可视化电网框架模型根据仿真节点显示的停复电状态进行真实节点的可视化超前监控以及真实节点的预先维护直至仿真节点在未来时序上转换为复电状态，实现在真实节点停电事故产生前进行超前干预以规避停电事故的损失。
2.根据权利要求1所述的电网停复电可视化监控方法，其特征在于：所述步骤S1中还包括在电网框架的真实节点处设置电参监测设备，所述电参监测设备按时序采集真实节点的电参真实数据。
3.根据权利要求2所述的电网停复电可视化监控方法，其特征在于：所述步骤S2中，所述电参数据预测模型的构建方法包括：
选取真实节点
Figure 621736DEST_PATH_IMAGE001
在一个连续时序段
Figure 102395DEST_PATH_IMAGE002
的电参真实数据
Figure 473465DEST_PATH_IMAGE003
，其中，N表征为电网框架中真实节点的总数目，
Figure 64983DEST_PATH_IMAGE004
表征为真实节点
Figure 24849DEST_PATH_IMAGE005
在时序
Figure 676410DEST_PATH_IMAGE006
的电参真实数据，M为连续时序段的时序总数目；
将所有真实节点
Figure 456147DEST_PATH_IMAGE001
的电参真实数据
Figure 913674DEST_PATH_IMAGE003
运用至CNN-LSTM时序预测模型中进行模型训练得到电参数据预测模型
Figure 728046DEST_PATH_IMAGE007
，其中，
Figure 550508DEST_PATH_IMAGE008
表征为真实节点
Figure 817542DEST_PATH_IMAGE005
的电参数据预测模型。
4.根据权利要求3所述的电网停复电可视化监控方法，其特征在于：所述电参数据预测模型的构建方法还包括：
将所述电参真实数据
Figure 16442DEST_PATH_IMAGE003
依时序输入CNN卷积神经网络进行电参特征提取，输出电参特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.20；
将所述电参特征序列输入值LSTM长短期记忆网络中进行时序预测训练，输出连续时序段
Figure 498370DEST_PATH_IMAGE002
上的电参预测数据，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为电参特征序列的特征类别数，训练方式设置为seq2seq的反向传递模式，误差设定为
Figure 491734DEST_PATH_IMAGE009
，M为连续时序段的时序总数目，
Figure 246063DEST_PATH_IMAGE004
表征为真实节点
Figure 248654DEST_PATH_IMAGE005
在时序
Figure 772039DEST_PATH_IMAGE006
的电参真实数据，
Figure 936304DEST_PATH_IMAGE010
为LSTM长短期记忆网络输出的真实节点
Figure 240247DEST_PATH_IMAGE005
在时序
Figure 780950DEST_PATH_IMAGE006
的电参预测数据，
Figure 158841DEST_PATH_IMAGE011
表征为真实节点
Figure 759587DEST_PATH_IMAGE005
的预测误差；
根据误差
Figure 222929DEST_PATH_IMAGE011
最小原则确定出真实节点
Figure 380372DEST_PATH_IMAGE001
对应的 CNN卷积神经网络和LSTM长短期记忆网络的网络参数得到出电参数据预测模型
Figure 612770DEST_PATH_IMAGE007
。
5.根据权利要求4所述的电网停复电可视化监控方法，其特征在于：所述电参数据预测模型的在线预测方法包括：
向所述电参数据预测模型
Figure 384417DEST_PATH_IMAGE007
输入真实节点
Figure 335056DEST_PATH_IMAGE001
当前时序段
Figure 279878DEST_PATH_IMAGE012
的电参真实数据
Figure 632362DEST_PATH_IMAGE013
，输出为在未来时序
Figure 574910DEST_PATH_IMAGE014
的电参预测数据
Figure 12845DEST_PATH_IMAGE015
，其中，
Figure 699041DEST_PATH_IMAGE016
表征为未来时序
Figure 719081DEST_PATH_IMAGE017
上的电参预测数据，n为未来时序的总数目，M表征为连续时序段的时序总数目，now表征为当前时序段的最新时序；
将真实节点
Figure 832530DEST_PATH_IMAGE001
在未来时序
Figure 757761DEST_PATH_IMAGE014
的电参预测数据
Figure 982069DEST_PATH_IMAGE015
与真实节点
Figure 371462DEST_PATH_IMAGE001
的电参标准数据进行相似度对比，其中，
若电参预测数据
Figure 390234DEST_PATH_IMAGE016
与电参标准数据的相似度高于预设阈值，则表明真实节点
Figure 802760DEST_PATH_IMAGE005
在未来时序
Figure 830759DEST_PATH_IMAGE017
上会发生停电事故，真实节点
Figure 825391DEST_PATH_IMAGE005
在未来时序
Figure 280643DEST_PATH_IMAGE017
为停电状态；
若电参预测数据
Figure 914887DEST_PATH_IMAGE016
与电参标准数据的相似度低于预设阈值，则表明真实节点
Figure 480998DEST_PATH_IMAGE005
在未来时序
Figure 782666DEST_PATH_IMAGE017
上不会发生停电事故，真实节点
Figure 471136DEST_PATH_IMAGE005
在未来时序
Figure 592676DEST_PATH_IMAGE017
为复电状态。
6.根据权利要求5所述的电网停复电可视化监控方法，其特征在于：所述电参预测数据
Figure 962477DEST_PATH_IMAGE016
与电参标准数据的相似度利用电参预测数据
Figure 118652DEST_PATH_IMAGE016
与电参标准数据的欧式距离进行衡量。
7.根据权利要求6所述的电网停复电可视化监控方法，其特征在于：所述步骤S3中，所述停电预警的方法包括：
将真实节点
Figure 915707DEST_PATH_IMAGE005
在未来时序
Figure 524543DEST_PATH_IMAGE017
的停电状态映射到可视化电网框架仿真模型中对应的仿真节点
Figure 245505DEST_PATH_IMAGE018
处作为仿真节点
Figure 256187DEST_PATH_IMAGE018
在未来时序
Figure 224143DEST_PATH_IMAGE017
的停复电状态，其中，
将未来时序
Figure 382592DEST_PATH_IMAGE017
为停电状态的仿真节点
Figure 94196DEST_PATH_IMAGE018
的节点图标在当前时序段
Figure 959383DEST_PATH_IMAGE012
上由固定显示变为闪烁显示；
将未来时序
Figure 98241DEST_PATH_IMAGE017
为复电状态的仿真节点
Figure 681669DEST_PATH_IMAGE018
的节点图标在当前时序段
Figure 10013DEST_PATH_IMAGE012
上维持为固定显示。
8.根据权利要求7所述的电网停复电可视化监控方法，其特征在于，所述步骤S3中，所述真实节点的可视化超前监控方法包括：
在所述仿真节点
Figure 729707DEST_PATH_IMAGE018
的节点图标在当前时序段
Figure 39466DEST_PATH_IMAGE012
上由固定显示变为闪烁显示的同时开启真实节点
Figure 110190DEST_PATH_IMAGE005
处的可视化监控设备，实时采集真实节点
Figure 163597DEST_PATH_IMAGE005
在当前时序
Figure 65694DEST_PATH_IMAGE019
的真实影像；
通过真实节点
Figure 546354DEST_PATH_IMAGE005
在当前时序段
Figure 104374DEST_PATH_IMAGE012
的真实影像判断真实节点
Figure 508942DEST_PATH_IMAGE005
的停电事故的产生因素，在当前时序段
Figure 203228DEST_PATH_IMAGE012
上进行预先维护排除停电事故的产生因素使得预测得到的真实节点
Figure 120369DEST_PATH_IMAGE005
在未来时序
Figure 900106DEST_PATH_IMAGE017
由停电状态转变复电状态，映射到仿真节点
Figure 295315DEST_PATH_IMAGE018
上使得仿真节点
Figure 172004DEST_PATH_IMAGE018
的节点图标在当前时序段
Figure 994467DEST_PATH_IMAGE012
上由闪烁显示变为固定显示；
在所述仿真节点
Figure 261500DEST_PATH_IMAGE018
的节点图标在当前时序段
Figure 460400DEST_PATH_IMAGE012
上由闪烁显示变为固定显示的同时开关闭真实节点
Figure 129279DEST_PATH_IMAGE018
处的可视化监控设备，可视化监控设备获得真实节点
Figure 122643DEST_PATH_IMAGE005
在当前时序段
Figure 690021DEST_PATH_IMAGE012
的真实影像作为真实节点
Figure 427033DEST_PATH_IMAGE005
的停复电超前监控影像，实现对真实节点
Figure 950418DEST_PATH_IMAGE005
在当前时序段
Figure 380263DEST_PATH_IMAGE012
对停电事故进行预先修复规避，无需等待至未来时序
Figure 621888DEST_PATH_IMAGE017
在停电事故发生后的滞后性修复。
9.一种电网停复电可视化监控系统，其特征在于，包括：可视化监控设备（1）、电参监测设备（2）、框架仿真模型建立模块（3）、预测模型建立模块（4）、显示模块（5）以及预警模块（6），
所述框架仿真模型建立模块，用于基于电网框架构建出可视化电网框架仿真模型；
所述预测模型建立模块，用于为所述电网框架的每个真实节点构建电参数据预测模型；
所述预警模块，利用所述电参数据预测模型在线预测每个真实节点在未来时序上的停电状态，将真实节点的停电状态映射显示到可视化电网框架仿真模型中对应的仿真节点上并进行停电预警；
所述可视化监控设备，用于在可视化电网框架模型中仿真节点的停复电状态进行真实节点的可视化超前监控；
所述显示模块，设置在每个仿真节点处，用于显示仿真节点的停复电超前监控影像；
所述电参监测设备，用于按时序采集真实节点的电参真实数据。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的电网停复电可视化监控方法的步骤。
CN202111089940.9A 2021-09-17 2021-09-17 一种电网停复电可视化监控方法、系统及存储介质 Active CN113541320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111089940.9A CN113541320B (zh) 2021-09-17 2021-09-17 一种电网停复电可视化监控方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111089940.9A CN113541320B (zh) 2021-09-17 2021-09-17 一种电网停复电可视化监控方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN113541320A true CN113541320A (zh) 2021-10-22
CN113541320B CN113541320B (zh) 2022-01-25

Family

ID=78093309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111089940.9A Active CN113541320B (zh) 2021-09-17 2021-09-17 一种电网停复电可视化监控方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN113541320B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114113899A (zh) * 2021-11-29 2022-03-01 国网河南省电力公司宁陵县供电公司 配电网停电范围分析方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198437A (zh) * 2013-04-18 2013-07-10 国家电网公司 一种电网量测数据和电网模型纠错方法及装置
CN106291260A (zh) * 2016-10-31 2017-01-04 国网山东省电力公司济南市长清区供电公司 配电网停电分析、预警系统
CN108334691A (zh) * 2018-01-30 2018-07-27 易麦克（苏州）信息科技有限公司 一种可视化的配电网自动绘图方法
CN110011412A (zh) * 2019-03-08 2019-07-12 国网浙江省电力有限公司 低压配电台区运行状态监测及故障管控方法
CN110071824A (zh) * 2019-03-28 2019-07-30 杭州电子科技大学 一种配电网络拓扑自动构建和可视化方法
CN110672983A (zh) * 2019-11-19 2020-01-10 国网福建省电力有限公司福州供电公司 一种停复电分析与抢修方法、管理系统
CN112260213A (zh) * 2020-11-03 2021-01-22 中国海洋石油集团有限公司 一种远程在线继电保护定值校核系统及方法
CN112598248A (zh) * 2020-12-16 2021-04-02 广东电网有限责任公司广州供电局 负荷预测方法、装置、计算机设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198437A (zh) * 2013-04-18 2013-07-10 国家电网公司 一种电网量测数据和电网模型纠错方法及装置
CN106291260A (zh) * 2016-10-31 2017-01-04 国网山东省电力公司济南市长清区供电公司 配电网停电分析、预警系统
CN108334691A (zh) * 2018-01-30 2018-07-27 易麦克（苏州）信息科技有限公司 一种可视化的配电网自动绘图方法
CN110011412A (zh) * 2019-03-08 2019-07-12 国网浙江省电力有限公司 低压配电台区运行状态监测及故障管控方法
CN110071824A (zh) * 2019-03-28 2019-07-30 杭州电子科技大学 一种配电网络拓扑自动构建和可视化方法
CN110672983A (zh) * 2019-11-19 2020-01-10 国网福建省电力有限公司福州供电公司 一种停复电分析与抢修方法、管理系统
CN112260213A (zh) * 2020-11-03 2021-01-22 中国海洋石油集团有限公司 一种远程在线继电保护定值校核系统及方法
CN112598248A (zh) * 2020-12-16 2021-04-02 广东电网有限责任公司广州供电局 负荷预测方法、装置、计算机设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114113899A (zh) * 2021-11-29 2022-03-01 国网河南省电力公司宁陵县供电公司 配电网停电范围分析方法
CN114113899B (zh) * 2021-11-29 2023-11-07 国网河南省电力公司宁陵县供电公司 配电网停电范围分析方法

Also Published As

Publication number Publication date
CN113541320B (zh) 2022-01-25

Similar Documents

Publication Publication Date Title
CN104680260B (zh) 一种电网可视化感知模型构建方法及系统
CN107274115A (zh) 基于分布式监测和多源信息融合的主动配电网态势感知系统和方法
CN110059356A (zh) 一种基于大数据和人工智能的大电网智能调控系统和方法
CN113191687B (zh) 一种弹性配电网全景信息可视化方法及系统
CN115173550A (zh) 一种分布式光伏发电实时监控方法和系统
CN116614177B (zh) 一种光纤状态多维度参量监测系统
JP2022115061A (ja) 気象関連架空配電線路故障オンライン予測
CN110361609B (zh) 特高压设备监测系统及方法
CN113554360A (zh) 一种输电线路运行状态可视化管理方法、系统及存储介质
CN115238959A (zh) 一种面向用户侧能源综合利用的数字孪生系统和方法
CN113541320B (zh) 一种电网停复电可视化监控方法、系统及存储介质
CN115457211A (zh) 基于数字孪生的变电站管理方法及系统
CN116418117A (zh) 一种用于智能电网的设备检测系统
CN116566056A (zh) 轨道交通牵引供电系统的能量管理分析系统
CN117113157A (zh) 一种基于人工智能的台区用电故障检测系统
Liu et al. Research on online status evaluation technology for main equipment of power transmission and transformation based on digital twin
CN116013047A (zh) 基于图注意力网络和长短期记忆网络的浓雾短临趋势预警系统与方法
Liang et al. Application of digital twin in operation and maintenance of power transmission project
Guan et al. Enhancing security and resilience of bulk power systems via multisource big data learning
Han et al. Application of artificial intelligence technology in power grid enterprises based on enterprise architecture method
Li et al. Research and Design of Power Equipment Operation and Maintenance System Based on Big Data Technology
Wang et al. Application of Digital Twin in Power Grid Inspection
CN111861394A (zh) 一种基于物联网的小区智能管理方法及系统
Zhou et al. Power Grid transient stability prediction method based on improved CNN under big data background
Liu et al. Research on Key Technologies of dynamic risk assessment in whole process of mega city power grid

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