CN115022190B - 一种基于大数据分析的网络拓扑性能计算方法和系统 - Google Patents

一种基于大数据分析的网络拓扑性能计算方法和系统 Download PDF

Info

Publication number
CN115022190B
CN115022190B CN202210619722.XA CN202210619722A CN115022190B CN 115022190 B CN115022190 B CN 115022190B CN 202210619722 A CN202210619722 A CN 202210619722A CN 115022190 B CN115022190 B CN 115022190B
Authority
CN
China
Prior art keywords
node
network
topological
performance
coefficient
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.)
Active
Application number
CN202210619722.XA
Other languages
English (en)
Other versions
CN115022190A (zh
Inventor
周懿芳
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.)
China Telecom Puxin Beijing Technology Development Co ltd
Original Assignee
China Telecom Puxin Beijing Technology Development 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 China Telecom Puxin Beijing Technology Development Co ltd filed Critical China Telecom Puxin Beijing Technology Development Co ltd
Priority to CN202210619722.XA priority Critical patent/CN115022190B/zh
Publication of CN115022190A publication Critical patent/CN115022190A/zh
Application granted granted Critical
Publication of CN115022190B publication Critical patent/CN115022190B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于大数据分析的网络拓扑性能计算方法和系统，包括：构建拓扑网络；获取拓扑网络中任意节点发生异常时的多边形供应区域面积和失效节点发生异常时波及的关联节点；获取拓扑网络的性能因子；获取目标节点的节点重要系数；由性能因子和节点重要系数得到拓扑网络的无损拓扑性能；获取拓扑网络的网络贬损系数；由无损拓扑性能和网络贬损系数得到拓扑网络的即时性能。本发明通过泰森多边形获取节点的多边形供应区域面积，通过机器学习预测模型获取节点重要系数，得到拓扑网络的无损拓扑性能和即时性能，既考虑了整体拓扑结构的鲁棒性，又考虑了每个节点的重要程度，更加全面地反映了一个网络的抗风险能力和运作效率。

Description

一种基于大数据分析的网络拓扑性能计算方法和系统
技术领域
本发明属于大数据领域，具体涉及一种基于大数据分析的网络拓扑性能计算方法和系统。
背景技术
网络拓扑模型在大数据领域应用面较窄，仅在网络通信领域中具有一定的落地场景，现有量化的指标衡量不科学，权值过于简单，没有充分结合网络节点的固有属性进行分配，网络拓扑结构的量化不合理，没有充分考虑空间分布情况。
在现实复杂网络中，各个网络节点由于服务用户的类型不同，因此重要程度也会有所不同，节点失效所造成的网络损失代价也有很大区别。目前，在计算网络节点的属性以及衡量各个节点在网络中的影响程度方面缺乏精准的方法。
发明内容
本发明提出了一种基于大数据分析的网络拓扑性能计算方法，旨在通过泰森多边形和机器学习预测模型，对网络节点的属性进行高效准确的计算，引入基于有效覆盖面积，节点重要系数等重要参数，较为准确的衡量各个节点在网络中的影响程度。
为实现上述目的，本发明提供了如下方案：一种基于大数据分析的网络拓扑性能计算方法，具体如下：
S1、根据目标节点构建拓扑网络，假设节点及其区域分布为已知，而目标节点，也就是围绕构建拓扑网络的中心节点，如物流中转站等。
S2、获取所述拓扑网络中任意节点发生异常时的多边形供应区域面积；
S3、获取所述拓扑网络中失效节点发生所述异常时波及的关联节点的关联节点集合；
S4、基于所述多边形供应区域面积和所述关联节点集合，获取所述拓扑网络的性能因子；
S5、获取所述目标节点的节点重要系数；
S6、基于所述性能因子和所述节点重要系数，获取所述拓扑网络的无损拓扑性能；
S7、获取任意时间节点下所述拓扑网络的网络贬损系数；
S8、基于所述无损拓扑性能和所述网络贬损系数，获取所述拓扑网络的即时性能。
优选的，所述S2中获取所述多边形供应区域面积的方法是，采用泰森多边形算法。
优选的，所述S4中获取所述性能因子的公式如下：
Figure BDA0003675840000000021
其中，n表示所述目标节点，i表示所述失效节点，l表示所述关联节点集合中的所述关联节点，N表示所述拓扑网络的所有节点；δn表示所述性能因子，
Figure BDA0003675840000000022
表示关联节点l的单位损失代价，
Figure BDA0003675840000000023
表示所述关联节点l的所述多边形供应区域面积，
Figure BDA0003675840000000031
表示失效节点i的所述单位损失代价，
Figure BDA0003675840000000032
表示所述失效节点i的所述多边形供应区域面积。
优选的，所述单位损失代价设置为所述拓扑网络的节点易损性。
优选的，所述S5中获取所述节点重要系数的方法是，采用机器学习预测模型。
优选的，所述S6中获取所述无损拓扑性能的公式如下：
En＝∑k mδn*In
其中，n表示所述目标节点，k表示所述关联节点集合中的所述关联节点，m表示所述关联节点的个数，En表示所述无损拓扑性能，δn表示所述性能因子，In表示所述节点重要系数。
优选的，所述S7中获取所述网络贬损系数，是根据所述任意时间节点下所述拓扑网络中的所述失效节点的个数和所述拓扑网络中所有节点的个数获得：
所述网络贬损系数＝1-所述失效节点的个数/所述所有节点的个数。
优选的，所述S8中获取所述即时性能的公式如下：
T＝En*ξn
其中，n表示所述目标节点，T表示所述即时性能，En表示所述无损拓扑性能，ξn表示目标节点n在所述任意时间节点时的所述网络贬损系数。
另一方面为实现上述目的，本申请还提供了一种基于大数据分析的网络拓扑性能计算系统，其特征在于，包括拓扑网络模块、多边形供应区域面积模块、关联节点集合模块、性能因子模块、节点重要系数模块、无损拓扑性能模块、网络贬损系数模块和即时性能模块：
所述拓扑网络模块，用于根据目标节点构建拓扑网络；
所述多边形供应区域面积模块，用于获取所述拓扑网络中任意节点发生异常时的多边形供应区域面积；
所述关联节点集合模块，用于获取所述拓扑网络中失效节点发生所述异常时波及的关联节点的关联节点集合；
所述性能因子模块，用于基于所述多边形供应区域面积和所述关联节点集合，获取所述拓扑网络的性能因子；
所述节点重要系数模块，用于获取所述目标节点的节点重要系数；
所述无损拓扑性能模块，用于基于所述性能因子和所述节点重要系数，获取所述拓扑网络的无损拓扑性能；
所述网络贬损系数模块，用于获取任意时间节点下所述拓扑网络的网络贬损系数；
所述即时性能模块，用于基于所述无损拓扑性能和所述网络贬损系数，获取所述拓扑网络的即时性能。
本发明的有益效果为：提出了一种基于大数据分析的网络拓扑性能计算方法，通过泰森多边形计算节点区域影响范围，使用机器学习预测模型计算节点重要性，对网络节点的属性进行了高效准确的计算，较为精准的衡量了各个节点在网络中的影响程度，本发明既考虑了整体拓扑结构的鲁棒性，又考虑了每个节点自身属性根据其重要程度不同也有着不同程度的影响，更加全面的反映了一个网络的抗风险能力和运作效率。
本方法具有广阔的推广空间和使用价值。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例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他的附图。
图1为本发明实施例一中方法流程图；
图2为本发明实施例一中泰森多边形图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一：
如图1所示，本发明提供了一种基于大数据分析的网络拓扑性能计算方法，具体方法如下：
1、根据目标节点n构建拓扑网络。
2、采用泰森多边形算法，获取拓扑网络中任意节点发生异常时所覆盖的多边形供应区域面积，泰森多边形如图2所示。
3、当拓扑网络中有节点发生故障时，认为该节点失效，记为失效节点i，通过网络连接拓扑结构，得到失效节点i所波及的关联节点的关联节点集合Vi，假设关联节点为j，k，l，则(j,k,l)∈Vi。
当失效节点i失效后，对于关联节点l，我们定义此时的性能函数
Figure BDA0003675840000000061
为：
Figure BDA0003675840000000062
4、根据得到的多边形供应区域面积和关联节点的关联节点集合，计算此时拓扑网络的性能因子δn，计算公式如下：
Figure BDA0003675840000000063
其中，n表示目标节点，i表示失效节点，l表示关联节点集合Vi中的关联节点，N表示拓扑网络的所有节点；
Figure BDA0003675840000000064
表示关联节点l的单位损失代价，
Figure BDA0003675840000000065
表示关联节点l的多边形供应区域面积，
Figure BDA0003675840000000066
表示失效节点i的单位损失代价，
Figure BDA0003675840000000067
表示失效节点i的多边形供应区域面积。
5、采用机器学习预测模型计算目标节点n的节点重要系数In。
节点重要系数由节点自身属性、设施用途当前状态等因素决定，综合反应节点的重要程度以及对复杂网络的影响程度，由基于节点基础数据因素得到，如发电厂重要性与年发电量、发电种类、设施年限、电机数量、使用时长等基础因素强相关，我们可以通过机器学习模型，如树模型等，计算得到该节点的重要系数。
在实施例一中，本发明采用的机器学习预测模型是XGBoostRegressor回归树模型。
6、根据得到的性能因子δn和节点重要系数In，计算拓扑网络的无损拓扑性能En，计算公式如下：
En＝∑k mδn*In
其中，n表示目标节点，k表示关联节点集合Vi中的关联节点，m表示关联节点的个数。
7、由于拓扑网络不会一直保持全节点满状态工作，当部分节点失去正常工作效能时，此时网络性能会相应下降，根据此时网络失效节点，可以得到此时的网络贬损系数，无损拓扑网络就是网络贬损系数为1时的特殊状态，网络贬损系数计算方法如下：
网络贬损系数＝1-失效节点的个数/拓扑网络所有节点的个数。
8、拓扑网络在任意时间节点t的即时性能T，就是无损拓扑性能与网络贬损系数的乘积，以目标节点n为例，即时性能T计算如下：
T＝En*ξn
其中，En表示无损拓扑性能，ξn表示目标节点n在任意时间节点t时的网络贬损系数。
实施例二：
以某公司在南部某省大约1000个物流配送网点的配送情况、物流承载程度、配送网点间隔距离、配送网点服务所覆盖的面积、相互支撑情况以及周边物流需求指数等数据为例，以货舱作为目标节点构建货舱和配送网点的拓扑网络。
计算该拓扑网络中的节点重要系数和相互支撑关系系数(相当于实施例一中的性能因子)，对货舱的存货容量，以及配送网点的配送能力进行合理评估。
结合实际的仓储物流配送情况,动态调整配送网点和货舱的跨区域联合配送策略，优化物流资源紧张状态下的潜在问题，最终降低了购物旺季因配送压力过大带来的快递爆仓次数(爆仓发生率降低5成以上)；有效减少了网点闲置带来的资源浪费(闲置成本减少为原有的15％),并且提高了计算效率(计算用时降低了30％以上)。
实施例三：
本发明还提供了一种基于大数据分析的网络拓扑性能计算系统，包括拓扑网络模块、多边形供应区域面积模块、关联节点集合模块、性能因子模块、节点重要系数模块、无损拓扑性能模块、网络贬损系数模块和即时性能模块：
拓扑网络模块，根据目标节点构建拓扑网络；
多边形供应区域面积模块，用于获取拓扑网络中任意节点发生异常时的多边形供应区域面积；
关联节点集合模块，用于获取拓扑网络中失效节点发生异常时波及的关联节点的关联节点集合；
性能因子模块，根据多边形供应区域面积和关联节点集合，获取拓扑网络的性能因子；
节点重要系数模块，用于获取目标节点的节点重要系数；
无损拓扑性能模块，根据性能因子和节点重要系数，获取拓扑网络的无损拓扑性能；
网络贬损系数模块，用于获取任意时间节点下拓扑网络的网络贬损系数；
即时性能模块，根据无损拓扑性能和网络贬损系数，获取拓扑网络的即时性能。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (5)

1.一种基于大数据分析的网络拓扑性能计算方法，其特征在于，包括以下步骤：
S1、根据目标节点构建拓扑网络；
S2、获取所述拓扑网络中任意节点发生异常时所覆盖的多边形供应区域面积；
S3、获取所述拓扑网络中失效节点发生所述异常时波及的关联节点的关联节点集合；
S4、基于所述多边形供应区域面积和所述关联节点集合，获取所述拓扑网络的性能因子；
S5、获取所述目标节点的节点重要系数；
S6、基于所述性能因子和所述节点重要系数，获取所述拓扑网络的无损拓扑性能；
S7、获取任意时间节点下所述拓扑网络的网络贬损系数；
S8、基于所述无损拓扑性能和所述网络贬损系数，获取所述拓扑网络的即时性能；
所述S4中获取所述性能因子的公式如下：
Figure FDA0004007594290000011
其中，n表示所述目标节点，i表示所述失效节点，l表示所述关联节点集合中的所述关联节点，N表示所述拓扑网络的所有节点；δn表示所述性能因子，
Figure FDA0004007594290000012
表示关联节点l的单位损失代价，
Figure FDA0004007594290000013
表示所述关联节点l的所述多边形供应区域面积，
Figure FDA0004007594290000021
表示失效节点i的所述单位损失代价，
Figure FDA0004007594290000022
表示所述失效节点i的所述多边形供应区域面积；
所述S6中获取所述无损拓扑性能的公式如下：
En＝∑k mδn*In
其中，n表示所述目标节点，k表示所述关联节点集合中的所述关联节点，m表示所述关联节点的个数，En表示所述无损拓扑性能，δn表示所述性能因子，In表示所述节点重要系数；
所述S7中获取所述网络贬损系数，是根据所述任意时间节点下所述拓扑网络中的所述失效节点的个数和所述拓扑网络中所有节点的个数获得：
所述网络贬损系数＝1-所述失效节点的个数/所述所有节点的个数；
所述S8中获取所述即时性能的公式如下：
T＝En*ξn
其中，n表示所述目标节点，T表示所述即时性能，En表示所述无损拓扑性能，ξn表示目标节点n在所述任意时间节点时的所述网络贬损系数。
2.根据权利要求1所述的一种基于大数据分析的网络拓扑性能计算方法，其特征在于：
所述S2中获取所述多边形供应区域面积的方法是，采用泰森多边形算法。
3.根据权利要求1所述的一种基于大数据分析的网络拓扑性能计算方法，其特征在于：
所述单位损失代价设置为所述拓扑网络的节点易损性。
4.根据权利要求1所述的一种基于大数据分析的网络拓扑性能计算方法，其特征在于：
所述S5中获取所述节点重要系数的方法是，采用机器学习预测模型。
5.一种基于大数据分析的网络拓扑性能计算系统，其特征在于，包括拓扑网络模块、多边形供应区域面积模块、关联节点集合模块、性能因子模块、节点重要系数模块、无损拓扑性能模块、网络贬损系数模块和即时性能模块：
所述拓扑网络模块，用于根据目标节点构建拓扑网络；
所述多边形供应区域面积模块，用于获取所述拓扑网络中任意节点发生异常时所覆盖的多边形供应区域面积；
所述关联节点集合模块，用于获取所述拓扑网络中失效节点发生所述异常时波及的关联节点的关联节点集合；
所述性能因子模块，用于基于所述多边形供应区域面积和所述关联节点集合，获取所述拓扑网络的性能因子；
所述节点重要系数模块，用于获取所述目标节点的节点重要系数；
所述无损拓扑性能模块，用于基于所述性能因子和所述节点重要系数，获取所述拓扑网络的无损拓扑性能；
所述网络贬损系数模块，用于获取任意时间节点下所述拓扑网络的网络贬损系数；
所述即时性能模块，用于基于所述无损拓扑性能和所述网络贬损系数，获取所述拓扑网络的即时性能；
获取所述性能因子的公式如下：
Figure FDA0004007594290000041
其中，n表示所述目标节点，i表示所述失效节点，l表示所述关联节点集合中的所述关联节点，N表示所述拓扑网络的所有节点；δn表示所述性能因子，
Figure FDA0004007594290000042
表示关联节点l的单位损失代价，
Figure FDA0004007594290000043
表示所述关联节点l的所述多边形供应区域面积，
Figure FDA0004007594290000044
表示失效节点i的所述单位损失代价，
Figure FDA0004007594290000045
表示所述失效节点i的所述多边形供应区域面积；
获取所述无损拓扑性能的公式如下：
En＝∑k mδn*In
其中，n表示所述目标节点，k表示所述关联节点集合中的所述关联节点，m表示所述关联节点的个数，En表示所述无损拓扑性能，δn表示所述性能因子，In表示所述节点重要系数；
获取所述网络贬损系数，是根据所述任意时间节点下所述拓扑网络中的所述失效节点的个数和所述拓扑网络中所有节点的个数获得：
所述网络贬损系数＝1-所述失效节点的个数/所述所有节点的个数；
获取所述即时性能的公式如下：
T＝En*ξn
其中，n表示所述目标节点，T表示所述即时性能，En表示所述无损拓扑性能，ξn表示目标节点n在所述任意时间节点时的所述网络贬损系数。
CN202210619722.XA 2022-06-02 2022-06-02 一种基于大数据分析的网络拓扑性能计算方法和系统 Active CN115022190B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210619722.XA CN115022190B (zh) 2022-06-02 2022-06-02 一种基于大数据分析的网络拓扑性能计算方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210619722.XA CN115022190B (zh) 2022-06-02 2022-06-02 一种基于大数据分析的网络拓扑性能计算方法和系统

Publications (2)

Publication Number Publication Date
CN115022190A CN115022190A (zh) 2022-09-06
CN115022190B true CN115022190B (zh) 2023-01-24

Family

ID=83072758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210619722.XA Active CN115022190B (zh) 2022-06-02 2022-06-02 一种基于大数据分析的网络拓扑性能计算方法和系统

Country Status (1)

Country Link
CN (1) CN115022190B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105656721A (zh) * 2016-01-29 2016-06-08 国家电网公司 电力通信网的抗毁性熵值的确定方法和装置
CN105871594A (zh) * 2016-03-22 2016-08-17 华北电力大学（保定） 一种电力通信网节点重要度计算方法
CN107438027B (zh) * 2016-05-27 2020-06-30 任子行网络技术股份有限公司 域间路由节点重要性评估方法和装置
WO2018101862A1 (en) * 2016-11-29 2018-06-07 Telefonaktiebolaget Lm Ericsson (Publ) A master node, a local node and respective methods performed thereby for predicting one or more metrics associated with a communication network
CN110474806B (zh) * 2019-08-19 2022-04-01 国网甘肃省电力公司经济技术研究院 一种电力通信网关键节点识别方法
CN112020085B (zh) * 2020-08-27 2023-11-28 中国民航大学 一种面向航空自组网的节点失效波及影响分析方法
CN113094975B (zh) * 2021-03-22 2024-04-05 西安交通大学 智能电网节点脆弱性的评估方法、系统、设备及存储介质
CN113472738A (zh) * 2021-05-18 2021-10-01 广西电网有限责任公司电力科学研究院 一种电力内网终端设备的攻击风险耦合建模方法

Also Published As

Publication number Publication date
CN115022190A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN110969347B (zh) 一种输电网结构形态评估方法
CN106056481A (zh) 一种配用电多源数据系统及多源数据的处理方法
CN116207739B (zh) 配电网优化调度方法、装置、计算机设备和存储介质
CN111476427A (zh) 低压台区拓扑识别方法及识别装置
CN106779444A (zh) 基于电网模型外扩的有功计划潮流调整方法和装置
CN110414787A (zh) 电力系统状态估计方法、装置、设备及存储介质
CN112098715A (zh) 基于5g和修正gcn图神经网络的电能监控与预警系统
CN108681625A (zh) 基于大数据技术的变压器短期过载能力智能评估系统
CN107492887B (zh) 一种广域能源互联网的区域划分方法和系统
CN116316617A (zh) 多场站智能融合的新能源发电功率区域预测方法和系统
CN115469627A (zh) 基于物联网的智能工厂运行管理系统
CN104021315A (zh) 基于bp神经网络的电厂厂用电率计算方法
Rakas et al. Industrial Internet: Architecture, characteristics and implementation challenges
CN106372440B (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
CN115022190B (zh) 一种基于大数据分析的网络拓扑性能计算方法和系统
CN116718979B (zh) 一种智能电表运行误差测量方法和系统
CN115526068B (zh) 失准模型参数确定方法、装置、设备和存储介质
CN112822033A (zh) 一种基于云端协同分层自治的能源互联网数据处理方法
CN108761258A (zh) 基于人工智能和大数据技术的变压器短期过载能力评估系统
CN114862621B (zh) 一种基于时变有向拓扑下智能电网频率调节分布式经济调度控制方法
CN114784804A (zh) 一种电力系统分析方法、装置、电子设备及存储介质
Xuegang et al. Missing Data Reconstruction Based on Spectral k‐Support Norm Minimization for NB‐IoT Data
CN110796385A (zh) 电力系统状态估计方法、装置、设备及存储介质
CN110533256A (zh) 一种需求侧供热负荷的预测方法
CN110969292A (zh) 基于拓扑图的电力系统状态测算方法、装置以及电子设备

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