CN113625099A - 配电网故障区段分层定位方法 - Google Patents
配电网故障区段分层定位方法 Download PDFInfo
- Publication number
- CN113625099A CN113625099A CN202110690720.5A CN202110690720A CN113625099A CN 113625099 A CN113625099 A CN 113625099A CN 202110690720 A CN202110690720 A CN 202110690720A CN 113625099 A CN113625099 A CN 113625099A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- fault
- layer
- positioning
- 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 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 3
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000002349 favourable effect Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了配电网故障区段分层定位方法，包括以下步骤：步骤一，构建；步骤二，提取；步骤三，输入；步骤四，定位；步骤五，验证；步骤六，训练；该方法，通过利用训练层得到配电网的故障定位模型，然后将分析层得到各个配电网的固有特征，然后将固有特征输入至故障定位模型中，进而寻找到故障点，从而改变了传统中的定位方式，不仅提高了工作效率，还降低了劳动强度，同时利用定位的故障点配电网的固有特征不断的对故障定位模型进行训练，同时利用提取各种有效信息对配电网的故障点进行定位，有利于对配电网的初步故障点进行验证，提高了该固定定位模型的准确度，同时有利于及时对配电网的故障点进行定位维修，提高了该发明的实用性。
Description
技术领域
本发明涉及配电网故障定位技术领域，具体为配电网故障区段分层定位方法。
背景技术
配电网是由架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿器及一些附属设施等组成的，在电力网中起重要分配电能作用的网络，其中当配电网出现故障时，需对配电网中的出现的故障点进行定位，从而便于对故障点进行维修，但现有的定位方法需进行反复的测试才能寻找到故障点，不仅降低了工作效率，还加大了劳动强度。
发明内容
本发明的目的在于提供配电网故障区段分层定位方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：配电网故障区段分层定位方法，步骤一，构建；步骤二，提取；步骤三，输入；步骤四，定位；步骤五，验证；步骤六，训练；
其中在上述步骤一中，首先根据配电网的配用电大数据，通过构建包含输入层、分析层、训练层、输出层、存储层、查找层、验证层、审核层和维护层的分层结构神经网络进行故障区段定位；
其中在上述步骤二中，然后提取配电网的固有特征分别得到离散数值、线路的均匀度、分支程度和负载率，且离散数值表示为配电网的当前运行方式的短路阻抗值；线路的均匀度表示为架空线路占所有线路的比例；分支程度表示为配电网内的分支线数与主馈线数之比；负载率表示为配电网中各配电变压器及线路承担的负荷与其额定容量之比的平均值，并且提取配电网中各个监控点处的电流，然后将提取的电流与配电网预定设置的电流进行匹配对比，得到各个监控点电流的的使用情况，从而初步诊断配电网的故障情况；
其中在上述步骤三中，将步骤二中得到的配电网的离散数值、线路的均匀度、分支程度和负载率的固有特征利用输入层输入到分析层，然后根据步骤一中构建的分析层通过自组织映射算法进行分析得到不同类别的配电网；
其中在上述步骤四中，然后利用训练层通过自组织映射算法对步骤三中的各类配电网进行训练，然后得到各类配电网的故障定位模型，随后将发生单相接地短路故障的配电网下属各区段故障定位特征输入至所对应的故障定位模型中，判断各区段故障情况，并且在利用训练层在训练查找定位的过程中，首先将配电网下属各区段故障定位特助的数据通过查找层中的深度优先搜索法和树结构查找法进行查找和利用字符数组存储在存储层中的配电网固有特征进行相识查找，然后将以往相识的固有特征中的配电网所出故障位置进行重点诊断，从而利用步骤一中设置的输出层实现初步故障定位；
其中在上述步骤五中，当初步故障定位完成后，利用审核层设置的FTU系统和RTU系统对配电网中的各个反馈线路的返回信号、数据采集和监控系统的信息进行采集，然后将采集的数据利用行波法再次的确定初步故障点，然后将该处确定的初步故障点与步骤四确定的初步故障点以及维护层得到的客户反馈故障点利用验证层中设置的大数据网络算法进行验证初步故障点是非一致，若一致则确定故障点，若不相同，则进行重新确定或者人工排查，且维护层通过设计小程序或者软件将客户反馈的故障点进行记录并保存备用，然后将含有故障的配电网的固有特征利用字符数组进行再次存放在存储层，有利于下一次对配电网的故障位置进行定位时提供查找分析数据；
其中在上述步骤六中，然后将该次故障的配电网的固有特征利用输入层输入至训练层对配电网的故障定位模型进行再次训练完善。
根据上述技术方案，所述步骤一中，分析层为利用自组织映射算法对各类配电网进行分析。
根据上述技术方案，所述步骤一中，训练层利用广义回归神经网络对不同类型的配电网进行分别训练得到模型。
根据上述技术方案，所述步骤一中，存储层采用字符数组方式进行存储。
根据上述技术方案，所述步骤一中，查找层采用深度优先搜索法和树结构查找法进行查找。
与现有技术相比，本发明所达到的有益效果是：该配电网故障区段分层定位方法，通过利用训练层得到配电网的故障定位模型，然后将分析层得到各个配电网的固有特征，然后将固有特征输入至故障定位模型中，进而寻找到故障点，从而改变了传统中的定位方式，不仅提高了工作效率，还降低了劳动强度，同时利用定位的故障点配电网的固有特征不断的对故障定位模型进行训练，同时利用提取配电网的电流信息以及客户反映的初步故障点的有效信息对配电网的故障点进行定位，有利于对配电网的初步故障点进行验证，提高了该固定定位模型的准确度，同时有利于及时对配电网的故障点进行定位维修，提高了该发明的实用性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的方法流程图。
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。
请参阅图1，本发明提供一种技术方案：配电网故障区段分层定位方法，包括以下步骤：步骤一，构建；步骤二，提取；步骤三，输入；步骤四，定位；步骤五，验证；步骤六，训练；
其中在上述步骤一中，首先根据配电网的配用电大数据，通过构建包含输入层、分析层、训练层、输出层、存储层、查找层、验证层、审核层和维护层的分层结构神经网络进行故障区段定位；分析层为利用自组织映射算法对各类配电网进行分析；训练层利用广义回归神经网络对不同类型的配电网进行分别训练得到模型；存储层采用字符数组方式进行存储；查找层采用深度优先搜索法和树结构查找法进行查找；
其中在上述步骤二中，然后提取配电网的固有特征分别得到离散数值、线路的均匀度、分支程度和负载率，且离散数值表示为配电网的当前运行方式的短路阻抗值；线路的均匀度表示为架空线路占所有线路的比例；分支程度表示为配电网内的分支线数与主馈线数之比；负载率表示为配电网中各配电变压器及线路承担的负荷与其额定容量之比的平均值，并且提取配电网中各个监控点处的电流，然后将提取的电流与配电网预定设置的电流进行匹配对比，得到各个监控点电流的的使用情况，从而初步诊断配电网的故障情况；
其中在上述步骤三中，将步骤二中得到的配电网的离散数值、线路的均匀度、分支程度和负载率的固有特征利用输入层输入到分析层，然后根据步骤一中构建的分析层通过自组织映射算法进行分析得到不同类别的配电网；
其中在上述步骤四中，然后利用训练层通过自组织映射算法对步骤三中的各类配电网进行训练，然后得到各类配电网的故障定位模型，随后将发生单相接地短路故障的配电网下属各区段故障定位特征输入至所对应的故障定位模型中，判断各区段故障情况，并且在利用训练层在训练查找定位的过程中，首先将配电网下属各区段故障定位特助的数据通过查找层中的深度优先搜索法和树结构查找法进行查找和利用字符数组存储在存储层中的配电网固有特征进行相识查找，然后将以往相识的固有特征中的配电网所出故障位置进行重点诊断，从而利用步骤一中设置的输出层实现初步故障定位；
其中在上述步骤五中，当初步故障定位完成后，利用审核层设置的FTU系统和RTU系统对配电网中的各个反馈线路的返回信号、数据采集和监控系统的信息进行采集，然后将采集的数据利用行波法再次的确定初步故障点，然后将该处确定的初步故障点与步骤四确定的初步故障点以及维护层得到的客户反馈故障点利用验证层中设置的大数据网络算法进行验证初步故障点是非一致，若一致则确定故障点，若不相同，则进行重新确定或者人工排查，且维护层通过设计小程序或者软件将客户反馈的故障点进行记录并保存备用，然后将含有故障的配电网的固有特征利用字符数组进行再次存放在存储层，有利于下一次对配电网的故障位置进行定位时提供查找分析数据；
其中在上述步骤六中，然后将该次故障的配电网的固有特征利用输入层输入至训练层对配电网的故障定位模型进行再次训练完善。
基于上述，本发明的优点在于，本发明，通过训练层得到故障定位模型，然后利用分析层对不同类型的配电网进行分析，并且得到配电网的固有特征，然后将配电网的固有特征利用输入层输入层故障定位模型中对故障点进行定位，进而寻找到故障点，改用该方式进行定位，不仅提高了工作效率，还降低了劳动强度，同时利用训练层不断的对故障定位模型进行训练，同时利用提取各种有效信息对配电网的故障点进行定位，有利于对配电网的初步故障点进行验证，提高了该固定定位模型的准确度，同时有利于及时对配电网的故障点进行定位维修，提高了该发明的实用性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.配电网故障区段分层定位方法，包括以下步骤：步骤一，构建；步骤二，提取；步骤三，输入；步骤四，定位；步骤五，验证；步骤六，训练；其特征在于：
其中在上述步骤一中，首先根据配电网的配用电大数据，通过构建包含输入层、分析层、训练层、输出层、存储层、查找层、验证层、审核层和维护层的分层结构神经网络进行故障区段定位；
其中在上述步骤二中，然后提取配电网的固有特征分别得到离散数值、线路的均匀度、分支程度和负载率，且离散数值表示为配电网的当前运行方式的短路阻抗值；线路的均匀度表示为架空线路占所有线路的比例；分支程度表示为配电网内的分支线数与主馈线数之比；负载率表示为配电网中各配电变压器及线路承担的负荷与其额定容量之比的平均值，并且提取配电网中各个监控点处的电流，然后将提取的电流与配电网预定设置的电流进行匹配对比，得到各个监控点电流的的使用情况，从而初步诊断配电网的故障情况；
其中在上述步骤三中，将步骤二中得到的配电网的离散数值、线路的均匀度、分支程度和负载率的固有特征利用输入层输入到分析层，然后根据步骤一中构建的分析层通过自组织映射算法进行分析得到不同类别的配电网；
其中在上述步骤四中，然后利用训练层通过自组织映射算法对步骤三中的各类配电网进行训练，然后得到各类配电网的故障定位模型，随后将发生单相接地短路故障的配电网下属各区段故障定位特征输入至所对应的故障定位模型中，判断各区段故障情况，并且在利用训练层在训练查找定位的过程中，首先将配电网下属各区段故障定位特助的数据通过查找层中的深度优先搜索法和树结构查找法进行查找和利用字符数组存储在存储层中的配电网固有特征进行相识查找，然后将以往相识的固有特征中的配电网所出故障位置进行重点诊断，从而利用步骤一中设置的输出层实现初步故障定位；
其中在上述步骤五中，当初步故障定位完成后，利用审核层设置的FTU系统和RTU系统对配电网中的各个反馈线路的返回信号、数据采集和监控系统的信息进行采集，然后将采集的数据利用行波法再次的确定初步故障点，然后将该处确定的初步故障点与步骤四确定的初步故障点以及维护层得到的客户反馈故障点利用验证层中设置的大数据网络算法进行验证初步故障点是非一致，若一致则确定故障点，若不相同，则进行重新确定或者人工排查，且维护层通过设计小程序或者软件将客户反馈的故障点进行记录并保存备用，然后将含有故障的配电网的固有特征利用字符数组进行再次存放在存储层，有利于下一次对配电网的故障位置进行定位时提供查找分析数据；
其中在上述步骤六中，然后将该次故障的配电网的固有特征利用输入层输入至训练层对配电网的故障定位模型进行再次训练完善。
2.根据权利要求1所述的配电网故障区段分层定位方法，其特征在于：所述步骤一中，分析层为利用自组织映射算法对各类配电网进行分析。
3.根据权利要求1所述的配电网故障区段分层定位方法，其特征在于：所述步骤一中，训练层利用广义回归神经网络对不同类型的配电网进行分别训练得到模型。
4.根据权利要求1所述的配电网故障区段分层定位方法，其特征在于：所述步骤一中，存储层采用字符数组方式进行存储。
5.根据权利要求1所述的配电网故障区段分层定位方法，其特征在于：所述步骤一中，查找层采用深度优先搜索法和树结构查找法进行查找。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110690720.5A CN113625099B (zh) | 2021-06-22 | 2021-06-22 | 配电网故障区段分层定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110690720.5A CN113625099B (zh) | 2021-06-22 | 2021-06-22 | 配电网故障区段分层定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113625099A true CN113625099A (zh) | 2021-11-09 |
| CN113625099B CN113625099B (zh) | 2024-04-12 |
Family
ID=78378189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110690720.5A Active CN113625099B (zh) | 2021-06-22 | 2021-06-22 | 配电网故障区段分层定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113625099B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN106207998A (zh) * | 2016-09-06 | 2016-12-07 | 国家电网公司 | 基于信息容错的保护系统与方法 |
| WO2018120772A1 (zh) * | 2016-12-26 | 2018-07-05 | 北京国电通网络技术有限公司 | 配电网接地故障定位方法、系统及存储介质 |
| CN109459669A (zh) * | 2019-01-09 | 2019-03-12 | 国网上海市电力公司 | 10kV配电网单相接地故障区段定位方法 |
| CN109901007A (zh) * | 2019-03-21 | 2019-06-18 | 国家电网有限公司 | 基于分层代理智能决策的小电流单相接地故障定位方法 |
| WO2019216878A1 (en) * | 2018-05-07 | 2019-11-14 | Inhand Networks Inc. | System for locating fault in power distribution network based on mixed mode wave recording |
| CN111078457A (zh) * | 2019-12-29 | 2020-04-28 | 苏州浪潮智能科技有限公司 | 一种基于大数据的存储故障分析方法与装置 |
| CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
-
2021
- 2021-06-22 CN CN202110690720.5A patent/CN113625099B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015158198A1 (zh) * | 2014-04-17 | 2015-10-22 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
| CN106207998A (zh) * | 2016-09-06 | 2016-12-07 | 国家电网公司 | 基于信息容错的保护系统与方法 |
| WO2018120772A1 (zh) * | 2016-12-26 | 2018-07-05 | 北京国电通网络技术有限公司 | 配电网接地故障定位方法、系统及存储介质 |
| WO2019216878A1 (en) * | 2018-05-07 | 2019-11-14 | Inhand Networks Inc. | System for locating fault in power distribution network based on mixed mode wave recording |
| CN109459669A (zh) * | 2019-01-09 | 2019-03-12 | 国网上海市电力公司 | 10kV配电网单相接地故障区段定位方法 |
| CN109901007A (zh) * | 2019-03-21 | 2019-06-18 | 国家电网有限公司 | 基于分层代理智能决策的小电流单相接地故障定位方法 |
| CN111078457A (zh) * | 2019-12-29 | 2020-04-28 | 苏州浪潮智能科技有限公司 | 一种基于大数据的存储故障分析方法与装置 |
| CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孔祥玉;徐勇;李鹏;袁智勇;徐全;: "基于云边架构和小波神经网络的配电网故障诊断方法", 供用电, no. 04, 5 April 2020 (2020-04-05) * |
| 苏运 等: "基于分层结构神经网络的10kV配电网单相接地故障区段定位方法", 水电能源科学, vol. 37, no. 11, pages 176 - 179 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113625099B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109286188B (zh) | 一种基于多源数据集的10kV配电网理论线损计算方法 | |
| CN108020750A (zh) | 一种配电网停电范围分析方法和分析装置 | |
| CN113723844B (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
| CN111413589B (zh) | 一种基于灰靶决策的配电网单相短路故障定位方法 | |
| CN112966385A (zh) | 配电网网架拓扑薄弱点辨识方法与系统 | |
| CN115037054A (zh) | 基于三相自平衡、低压故障定位隔离的换相开关智能终端 | |
| CN104036364A (zh) | 一种配电网网络结构水平评价方法 | |
| CN107305653A (zh) | 基于属性数学的低压配电台区综合评价方法及装置 | |
| CN110910026A (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
| CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和系统 | |
| CN112816831A (zh) | 风电场集电线单相接地故障定位方法 | |
| CN115684776A (zh) | 高压输电线路线损支路的确定方法及其装置、处理器 | |
| CN111091223B (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
| CN112712271A (zh) | 一种电网网格划分评价方法、系统、介质及电子设备 | |
| CN115860321A (zh) | 一种配电网供电可靠性评估方法、系统、电子设备及介质 | |
| CN110794254A (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
| CN104901328B (zh) | 基于复杂控制网络下的多端柔直控制模式自动识别方法 | |
| WO2019140553A1 (zh) | 配电系统的健康指数确定方法及装置、计算机存储介质 | |
| CN105958472A (zh) | 一种配电网运行优化系统 | |
| CN107292759A (zh) | 基于供电可靠性的配电网规划计算分析系统 | |
| CN110492606B (zh) | 一种厂站主接线图自动辨识方法 | |
| CN113625099A (zh) | 配电网故障区段分层定位方法 | |
| CN104063757A (zh) | 一种适应电网不同发展阶段的变电站电气主接线评估方法 | |
| CN116128279A (zh) | 一种电网薄弱环节改造方法 | |
| CN113886469B (zh) | 基于多源数据的配电网工程成效异常自动挖掘方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |