CN115239014A - 一种强降雨致灾停电用户规模动态预测方法和系统 - Google Patents
一种强降雨致灾停电用户规模动态预测方法和系统 Download PDFInfo
- Publication number
- CN115239014A CN115239014A CN202210956251.1A CN202210956251A CN115239014A CN 115239014 A CN115239014 A CN 115239014A CN 202210956251 A CN202210956251 A CN 202210956251A CN 115239014 A CN115239014 A CN 115239014A
- Authority
- CN
- China
- Prior art keywords
- power supply
- area
- rainfall
- power failure
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 29
- 238000009826 distribution Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 description 21
- 238000012544 monitoring process Methods 0.000 description 14
- 238000007726 management method Methods 0.000 description 9
- 238000001556 precipitation Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000013316 zoning Methods 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
- 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—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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种强降雨致灾停电用户规模动态预测方法和系统，其中该方法通过短期气象预报信息研判是否启动预测流程；当需要启动预测流程时获取电力地理信息图，并研判电力地理信息图中供电台区是否处于强降雨影响区域的边界范围；当存在供电台区处于强降雨影响区域的边界范围内时，分别计算强降雨影响范围内的各供电台区的单独面积、停电用户数、总面积、停电用户总数和各供电台区停电预评估准确概率；根据获取的数据构建测度供电台区因灾停电范围的神经网络，通过神经网络求解、输出强降雨所致停电用户规模的预测结果，实现了基于停电历史样本、降雨实时数据的大数据测度强降雨致灾停电面积的功能，克服了处理高维特征输入样本的难题。
Description
技术领域
本发明涉及电力防灾减灾技术领域，特别涉及一种强降雨致灾停电用户规模动态预测方法和系统。
背景技术
当前，关于覆冰、雷电、台风、污闪、冰风暴等极端外部自然灾害影响电网安全的机理、途径、特点以及在线防御技术已有部分研究。强降雨自然灾害对配电网的影响巨大，发生倒杆、倾杆以及配变浸泡等情况，故有必要研究强降雨致灾影响配电网运行及其预测技术。
一方面，强降雨是造成山洪和中小河流洪水等灾害的直接因素，甚至演化为大面积停电。如我国华南前汛期的成因与南海夏季风活动密切相关，此时强降水由性质单一的暖湿气团产生，往往被称为暖区强降雨。此时，如果冷空气活动依然深入华南地区，并在夏季风初爆发时，冷暖气流得以在华南地区长期交汇形成锋面降水。在季风降水和锋面降水的共同影响下，华南地区将可能会出现大范围且集中的强降水天气，影响电力可靠供应。另一方面，现有电网企业对降水方面气象数据的应用仍然比较简单，少有对影响供电服务的监测预报预警应用。甚至部分地区虽接入了详细的气象数据，但仍缺乏电力设备和气象灾害之间的关联评估模型；不利于及早实施负荷转移、设施加固、抢修复电等应急响应任务。且部分关联评估模型对于处理高维特征输入样本困难。
鉴于此，需要一种强降雨致灾停电用户规模动态预测方法和系统。
发明内容
本发明实施例提供了一种强降雨致灾停电用户规模动态预测方法和系统，以至少解决相关技术中电力设备和气象灾害之间的关联信息处理过程中处理高维特征输入样本困难的技术问题。
根据本发明实施例的一方面，提供了一种强降雨致灾停电用户规模动态预测方法，包括：
获取短期气象预报信息，并研判是否启动预测流程；
当需要启动所述预测流程时，获取电力地理信息图，并研判所述电力地理信息图中的供电台区是否处于强降雨影响区域的边界范围；
当存在供电台区处于强降雨影响区域的边界范围内时，分别计算强降雨影响范围内的各供电台区的单独面积和停电用户数、各供电台区的总面积和停电用户总数和各供电台区停电预评估准确概率；
根据强降雨影响范围内的强降雨影响范围内的各供电台区的单独面积和停电用户数、各供电台区的总面积和停电用户总数、各供电台区停电预评估准确概率和降雨量，构建测度供电台区因灾停电范围的神经网络，所述神经网络求解、输出因强降雨所致停电用户规模的预测结果。
可选地，所述预测结果包括：强降雨影响范围内的各供电台区的总面积、强降雨致停电用户规模的动态变化值、变化后的停电用户总数以及实时展示图。
可选地，还包括：将所述预测结果按照发布规定进行发布。
可选地，强降雨影响范围内的各供电台区的总面积通过对强降雨影响范围内的各供电台区的单独面积之和；强降雨影响范围内的各供电台区的停电用户总数对强降雨影响范围内的各供电台区的停电用户数之和。
可选地，所述供电台区停电预评估准确概率的计算公式为：
上式中，a和b则分别是指历史样本中降雨阈值的最小值与最大值，f(x)是指供电台区内降雨分布密度函数，d(x)是指防护等级加权系数，防护等级越高加权系数越低。
可选地，所述神经网络包括输入层、隐含层和输出层；
所述输入层的节点包括：在强降雨持续时间内强降雨影响范围内的各供电台区的单独面积、各供电台区的总面积，以及对应供电台区停电预评估准确概率；
所述隐含层用于求解强降雨致停电用户规模的动态变化值和变化后的停电用户总数；
所述输出层用于输出强降雨影响范围内的各供电台区的总面积、强降雨致停电用户规模的动态变化值和变化后的停电用户总数的实时展示图。
可选地，所述强降雨致停电用户规模的动态变化值Vn的计算公式为：
上式中，S2、S1分别为预测开始时、强降雨结束时强降雨诱发洪水淹没各供电台区的单独面积；ΔSin为预测时段Tn内某降雨量r由强降雨转变为大雨、中雨、小雨、微量降雨的面积之和，其中，微量降雨包括零星小雨；ΔSout为降雨量r由其他类型降雨转变为强降雨的面积之和，Tn为预测时段，Tn＝{1,2,3…n}。
根据本发明实施例的另一方面，还提供了一种强降雨致灾停电用户规模动态预测系统，包括：
采集层，用于通过前置采集服务器采集获取短期气象预报信息，并研判是否需要启动预测流程；当需要启动所述预测流程时，获取电力地理信息图，并研判所述电力地理信息图中的供电台区是否处于强降雨影响区域的边界范围；同时，所述前置采集服务器位于安全接入区，安全接入区满足使用公用通信网络、无线通信网络通信方式时接入数据的网络安全要求，其中，所述公用通信网络不包括因特网；
数据层，用于存储测度强降雨致灾供电台区停电范围涉及的数据；
处理层，通过应用服务器部署求解供计算强降雨影响范围内的各供电台区的总面积、停电用户总数和各供电台区停电预评估准确概率；根据强降雨影响范围内的各供电台区的总面积、停电用户总数和各供电台区停电预评估准确概率和降雨量，构建测度供电台区因灾停电范围的神经网络，所述神经网络求解、输出强降雨所致停电用户规模的预测结果；
应用层，输出展示强降雨所致停电用户规模的预测结果；并用于通过网站服务器，面向相关企业内的相关技术人员发布相关强降雨致灾供电台区停电范围的预测信息。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的强降雨致灾停电用户规模动态预测方法。
根据本发明实施例的另一方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任意一项所述的强降雨致灾停电用户规模动态预测方法。
与现有的技术相比，本发明具有如下有益效果：
本发明实施例中，获取短期气象预报信息，并研判是否启动预测流程；当需要启动预测流程时，获取电力地理信息图，并研判电力地理信息图中的供电台区是否处于强降雨影响区域的边界范围；当存在供电台区处于强降雨影响区域的边界范围内时，分别计算强降雨影响范围内的各供电台区的单独面积和停电用户数、各供电台区的总面积和停电用户总数和各供电台区停电预评估准确概率；根据强降雨影响范围内的强降雨影响范围内的各供电台区的单独面积和停电用户数、各供电台区的总面积和停电用户总数、各供电台区停电预评估准确概率和降雨量，构建测度供电台区因灾停电范围的神经网络，神经网络求解、输出强降雨所致停电用户规模的预测结果，实现了基于停电历史样本、降雨实时数据的大数据测度强降雨致灾停电面积的功能，克服了处理高维特征输入样本的难题，其用户停电规模无偏估计结果具有极好的准确率，有助于生产指挥中心指导开展负荷转移、设施加固、抢修复电等应急响应工作，大幅减少用户供配电设施的停运持续时间。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例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本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种强降雨致灾停电用户规模动态预测方法的流程图；
图2是根据本发明实施例的测度供电台区因灾停电范围的神经网络的示意图；
图3是根据本发明实施例的强降雨致灾停电用户规模动态预测系统的示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种强降雨致灾停电用户规模动态预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1是根据本发明实施例的一种强降雨致灾停电用户规模动态预测方法的流程图，如图1所示，强降雨致灾停电用户规模动态预测方法包括如下步骤：
步骤S10、获取短期气象预报信息，并研判是否需要启动预测流程。
作为一种可选的实施例，短期气象预报信息通过气象台短期中期预警中心进行获取；短期气象预报信息的要素包括：未来3日的每日天气及其各个时段的区域单站日降水量气象要素、省级区域天气预报图和降雨实况图。
作为一种可选的实施例，启动预测流程需要判断在设定时间内的雨量是否超过阈值。例如，启动预测流程需要满足以下两个判据条件之一，12小时内的雨量≥30毫米，24小时内的雨量≥50毫米。
步骤S20、当需要启动预测流程时，获取电力地理信息图，并研判电力地理信息图中的供电台区是否处于强降雨影响区域的边界范围；反之结束强降雨致灾停电用户规模动态预测方法。
作为一个可选的实施例，电力地理信息图可以通过电力地理信息系统获取。
具体的，电力地理信息图可以是启动预测流程对应的省级电力地理信息图。
作为一种可选的实施例，利用空间关联规则判断电力地理信息图中的供电台区是否处于强降雨影响区域的边界范围。
具体包括：在空间关联规则下，依据条件区间(Support)和置信区间(Feasible)是空间关联规则的两项指标，研判供电台区是否处于强降雨影响区域的边界范围内。因此，利用空间关联规则判断供电台区是否处于强降雨影响区域的边界范围，包括：
省级区域天气预报图、降雨实况图生成强降雨影响区域的点坐标聚类属于条件区间A(Mu，Mv)，电力地理信息图生成供电台区的点坐标聚类属于置信区间B(Mx，My)；
对于规则A→B，条件区间与置信区间计算公式分别为：
Support(A→B)＝Support(A∪B)＝P(A∪B)
Feasible(A→B)＝P(B|A)
并判断电力地理信息图中(所关注的)供电台区变压器是否处于强降雨影响区域的边界范围的表达式为：
步骤S30、当存在供电台区处于强降雨影响区域的边界范围内时，计算强降雨影响范围内的各供电台区的单独面积Si和停电用户数Ci。
作为一种可选的实施例，针对强降雨致灾区域的供电台区变压器，求解洪涝灾害影响范围内所在各台区的单独面积Si，具体包括：
强降雨影响范围内的各供电台区的单独面积Si是以所在台区配电变压器为几何中心到其供电边界范围内的面积。该面积为不规则形状，且有n个边界点，表达式为：
上式中：xi、yi为各边界点的平面坐标。
作为一种可选的实施例，停电用户数Ci为通过电网管理平台得到强降雨灾害影响范围内的对应台区用户供配电设施数量。
步骤S40、计算强降雨影响范围内的各供电台区的总面积Sn和停电用户总数Cn。
作为一种可选的实施例，强降雨影响范围内的各供电台区的总面积通过对强降雨影响范围内的各供电台区的单独面积之和。
具体的，强降雨影响范围内的各供电台区的总面积Sn是全部n个强降雨致灾台区的单独面积Si之和，表达式为：
作为一种可选的实施例，强降雨影响范围内的各供电台区的停电用户总数对强降雨影响范围内的各供电台区的停电用户数之和。
具体的，停电用户总数Cn是全部n个强降雨致灾供电台区的停电用户数Ci之和，表达式为：
上式中，i为供电台区序号，n为供电台区总数。
步骤S50、计算强降雨影响范围内的各供电台区停电预评估准确概率；
作为一种可选的实施例，可以通过预测方法模型求解、输入依据历史样本所得到的供电台区停电预测准确概率F，F的表达式为：
上式中，a和b则分别是指历史样本中降雨阈值的最小值与最大值，f(x)是指供电台区内降雨分布密度函数，d(x)是指防护等级加权系数，防护等级越高加权系数越低。
优选的，供电台区所在防洪保护区的防护等级加权系数如表1所示；
表1供电台区防护等级划分表
步骤S60、根据强降雨影响范围内的各供电台区的单独面积Si和停电用户数Ci、各供电台区的总面积Sn和停电用户总数Cn、各供电台区停电预评估准确概率F和降雨量r，构建测度供电台区因灾停电范围的神经网络，神经网络求解、输出因强降雨所致停电用户规模的预测结果。
作为一种可选的实施例，图2是根据本发明实施例的测度供电台区因灾停电范围的神经网络的示意图，神经网络包括输入层、隐含层和输出层；整个网络属于多输入、单输出类型网络。
具体的，输入层的节点x包括：在强降雨持续时间Tover内强降雨影响范围内的各供电台区的单独面积Si和停电用户数Ci、各供电台区的总面积Sn和停电用户总数Cn和对应供电台区停电预评估准确概率F；
其中，强降雨可能持续时间Tover计算公式如下：
Tover＝Te-Ts+12
上式中，Te是指降雨过程结束时间，Ts是指降雨过程开始时间，时间单位为小时。
隐含层用于求解强降雨致停电用户规模的动态变化值Vn和变化后的停电用户总数Cn。
其中，强降雨致停电用户规模的动态变化值Vn的计算公式为：
上式中，S2、S1分别为预测开始时、强降雨结束时强降雨诱发洪水淹没各供电台区的单独面积；ΔSin为预测时段Tn内某降雨量r由强降雨转变为大雨、中雨、小雨、微量降雨的面积之和，其中，微量降雨包括零星小雨；ΔSout为降雨量r由其他类型降雨转变为强降雨的面积之和，Tn为预测时段，Tn＝{1,2,3…n}，时间步长序列通常间隔12小时。
降雨量r等级划分原则如表2所示。
表2降雨量(r)等级划分表
输出层用于输出强降雨影响范围内的各供电台区的总面积、强降雨致停电用户规模的动态变化值Vn和变化后的停电用户总数Cn的实时展示图。
作为一种可选的实施例，预测结果包括：强降雨影响范围内的各供电台区的总面积、强降雨致停电用户规模的动态变化值、变化后的停电用户总数以及实时展示图。
作为一种可选的实施例，还可以将预测结果按照发布规定进行发布。具体的，参照QX/T 549《气象灾害预警信息网站传播规范》的规定发布预测结果。
实施例2
根据本发明实施例的另一方面，还提供了一种强降雨致灾停电用户规模动态预测系统，强降雨致灾停电用户规模动态预测系统用于承载强降雨致灾停电用户规模动态预测方法，构建面向强降雨诱发洪水、涵盖省级电网供电台区被淹没范围的监测体系，所述系统的软件质量符合GB/T 16260.1《软件工程产品质量第1部分：质量模型》、GB/T 16260.2《软件工程产品质量第2部分：内部质量》、GB/T 16260.3《软件工程产品质量第3部分：外部质量》、GB/T 16260.4《软件工程产品质量第4部分：使用质量的度量》的规定，
系统层级包括：采集层、数据层、处理层和应用层。下面对该预测系统进行详细说明。
采集层，用于通过前置采集服务器采集获取短期气象预报信息，并研判是否需要启动预测流程；当需要启动预测流程时，获取电力地理信息图，并研判电力地理信息图中的供电台区是否处于强降雨影响区域的边界范围；同时，前置采集服务器位于安全接入区，安全接入区满足使用公用通信网络、无线通信网络通信方式时接入数据的网络安全要求，其中，公用通信网络不包括因特网。
具体的，通过前置采集服务器采集所在地省级气象台短期中期预警中心的短期气象预报信息(含省级区域天气预报图、降雨实况图)、电力地理信息系统的电力地理信息图、电网管理平台的用户供配电设施信息、各供电台区配变所在位置的雨涝等级、供电台区停电预测准确概率，并在省级区域天气预报图、降雨实况图生成强降雨影响区域的坐标矩阵A(Mu，Mv)。其中，雨量采集数据符合参照QX/T 52《地面气象观测规范第8部分：降水观测》的规定，且采集层与电力地理信息系统的接口规范符合Q/CSG 1204012《通信网络生产应用接口技术规范》的相关规定。同时，前置采集服务器位于安全接入区，安全接入区可满足使用公用通信网络(不包括因特网)、无线通信网络(GPRS、CDMA、230MHz、WLAN等)通信方式时接入数据的网络安全要求。
数据层，用于存储测度强降雨致灾供电台区停电范围涉及的数据。
具体的，数据层包括数据库服务器(实时库)和数据库服务器(关系库)两部分，用于存储测度强降雨致灾供电台区范围涉及的数据。其中，关系库用于存储在天气预报图、降雨实况图上叠加生成强降雨影响区域的坐标矩阵A(Mu，Mv)、在电力地理信息图上生成的供电台区坐标矩阵B(Mx，My)数据；实时库用于存储短期气象预报信息中的日降雨量、小时降雨量数据，以及各供电台区停电预测准确概率F。
处理层，通过应用服务器部署求解供计算强降雨影响范围内的各供电台区的总面积、停电用户总数和各供电台区停电预评估准确概率；根据强降雨影响范围内的各供电台区的总面积、停电用户总数和各供电台区停电预评估准确概率和降雨量，构建测度供电台区因灾停电范围的神经网络，神经网络求解、输出强降雨所致停电用户规模的预测结果。
具体的，通过应用服务器部署求解供电台区内停电用户规模动态变化值Vn的神经网络，输入洪涝持续时间Tover内的各个强降雨影响供电台区单独面积Si、强降雨影响供电台区的总面积Sn、对应供电台区停电预测准确概率F，求解供电台区内强降雨致灾停电用户规模动态变化值Vn；并输出强降雨影响供电台区的总面积Sn、标识供电台区内停电用户规模动态变化值Vn、停电用户总数Cn的实时展示图。
应用层，输出展示强降雨所致停电用户规模的预测结果；并用于通过网站服务器(World Wide Web服务器)，面向相关企业内的相关技术人员发布相关强降雨致灾供电台区停电范围的预测信息。
具体的，面向电网企业内的相关技术人员发布各个强降雨影响供电台区单独面积Si及其对应的停电用户规模的动态变化值Vn、强降雨影响供电台区的总面积Sn。
作为一种可选的实施例，前置采集服务器、应用服务器、数据库服务器、WorldWide Web服务器部署在省级电网生产指挥中心的信息机房内。
作为一种可选的实施例，应用服务器是配置有4颗10核至强Xeon-银牌系列CPU的NF5270M5 2U机架式服务器。
作为一种可选的实施例，数据库服务器、World Wide Web服务器均是配置有2颗8核Xeon E7 V4系列CPU的NF5180M5 1U机架式服务器。
作为一种可选的实施例，应用层获取供电台区内停电用户规模动态变化值Vn之后，可在60秒钟内输出。
实施例3
根据本发明实施例的另一方面，还提供了一种强降雨致灾停电用户规模动态预测系统，图3是根据本发明实施例的强降雨致灾停电用户规模动态预测系统的示意图，如图3所示，强降雨致灾停电用户规模预测系统包括：前置采集服务器、数据库服务器、应用服务器、World Wide Web服务器、工程师站、操作员站、内网交换机、外网交换机，相互之间通过光纤连接，并部署在省级电网生产指挥中心。
外网交换机部署在省级电网生产指挥中心的通信机房内，用于和所在地的省级气象台短期中期预警中心之间交互数据和指令，数据交互、解析符合GB/T 35965.1《应急信息交互协议第1部分：预警信息》的相关规定。
前置采集服务器、应用服务器、World Wide Web服务器的数量为1套，数据库服务器的数量为2套，均部署在省级电网生产指挥中心的信息机房内。
强降雨致灾停电用户规模预测系统前置采集服务器、World Wide Web服务器、数据库服务器均为NF5280M5 2U机架式服务器，配置有2颗8核Xeon E7 V4系列CPU，支持超线程，缓存不小于25兆字节，原始主频不小于1.9吉赫兹；内存配置为不小于128吉字节的DDR4型内存，最大内存插槽总数不小于64；硬盘配置为4块600吉字节、12000转/分钟的串行连接SCSI硬盘；网卡配8个独立10/100/1000M-BaseT的以太网口。
前置采集服务器承载采集层，数量为1套，部署在省级电网生产指挥中心的信息机房内，其数据交换、定制协议、部署架构、数据传输安全规范、防护机制应符合Q/CSG1210017《内外网数据安全交换平台技术规范》、Q/CSG 1210007《数据传输安全标准》、Q/CSG1204009《电力监控系统安全防护技术规范》的规定，通过外网交换机采集所在地省级气象台短期中期预警中心发布的短期气象预报信息(含省级区域天气预报图、降雨实况图)、各供电台区配变所在位置的雨涝等级、供电台区停电预测准确概率，并为数据库服务器(关系库、实时库)提供数据服务；通过内网交换机采集电力地理信息系统中间库服务器中的电力地理信息图及其供电台区坐标矩阵变量B(Mx，My)、电网管理平台的用户供配电设施信息，并为数据库服务器(关系库)提供数据服务。从省级气象台短期中期预警中心归集短期气象预报信息，其文字、表格、图像、数据或其他要素格式均符合QX/T 325《电网运行气象预报预警服务产品》的规定；强降雨可能持续时间Tover参照QX/T 341-2016《降雨过程强度等级》的规定计算。
数据库服务器承载数据层，包括1台关系库服务器、1台实时库服务器，部署在省级电网生产指挥中心的信息机房内，用于存储涉及测度洪涝淹没供电台区范围所需的相关数据；其数据交换、定制协议、数据传输安全规范、防护机制应符合GB/T 20273《数据库管理系统安全技术要求》、Q/CSG 1210007《数据传输安全标准》的规定，其关系库用于存储短期气象预报信息中的省级区域天气预报图、降雨实况图、电力地理信息图及其供电台区坐标矩阵、电网管理平台的用户供配电设施信息；实时库用于存储短期气象预报信息中的日降雨量及小时降雨量数据、供电台区停电预测准确概率F，并通过内网交换机为应用服务器提供数据服务。
World Wide Web服务器承载应用层，数量为1套，部署在省级电网生产指挥中心的信息机房内，其访问控制措施应符合Q/CSG 1204009《电力监控系统安全防护技术规范》的规定，其预警服务图形的地图和图形等相关要素应符合QX/T 481《强降雨诱发中小河流洪水、山洪和地质灾害气象风险预警服务图形》的规定，其输出的各个强降雨影响供电台区单独面积Si、强降雨影响供电台区总面积S测度图的图示要求、版面布局负荷SL/T 483《洪水风险图编制导则》的规定，通过内网交换机为各级电力生产监控指挥、应急响应相关人员提供洪灾数据监视服务，用户访问强降雨致灾停电用户规模预测系统的World Wide Web服务器时，系统对用户的访问验证要求应符合GB/T 20272《操作系统安全技术要求》的规定。
应用服务器器承载处理层，数量为1套，部署在省级电网生产指挥中心的信息机房内，服务器属于NF5270M5 2U机架式，配置有4颗10核至强Xeon-银牌系列CPU，支持超线程，缓存不小于20兆字节，原始主频不小于2.0吉赫兹；内存配置为不小于128吉字节的DDR4型内存，最大内存插槽总数不小于64；硬盘配置为2块600吉字节、12000转/分钟的串行连接SCSI硬盘。
用于通过应用服务器部署采用神经网络构建的测度供电台区因灾停电范围的神经网络，在输入层中输入具体时刻t下的各个强降雨影响供电台区单独面积Si及其停电用户数Ci、强降雨影响供电台区的总面积Sn及其停电用户总数Cn，以及对应供电台区停电预测准确概率F；在隐含层实时测度供电台区内强降雨致灾停电用户规模动态变化值Vn；在输出层输出各个强降雨影响供电台区面积区域图Sn、停电用户总数Cn及其对应强降雨致灾停电用户规模的动态变化值Vn、强降雨影响供电台区的总面积Sn；并通过交换机为World WideWeb服务器提供数据服务。
内网交换机的物理接口、协议、互联互通及兼容性要求应符合Q/CSG1204016.3《第3部分：数据网络设备技术要求》的规定，用于通过由光纤构成的电力综合数据网连接数据库服务器、应用服务器、World Wide Web服务器、工程师站、操作员站、外网交换机。
外网交换机的数量为1套，部署在省级电网生产指挥中心的通信机房内，配置有24个10/100/1000兆字节自适应电口，交换容量不小于150兆位/秒，二、三层包转发能力不小于95兆位/秒，并发流统计数量不小于40万条，数据报文转发时延小于1毫秒，并支持LDPMD5、VRRP MD5、NTP MD5加密认证。
内网交换机、外网交换机的物理接口、协议、互联互通及兼容性要求应符合Q/CSG1204016.3《第3部分：数据网络设备技术要求》的规定，外网交换机数据交互、指令解析符合GB/T 35965.1《应急信息交互协议第1部分：预警信息》的相关规定。内网交换机、外网交换机用于通过由光纤构成的电力综合数据网连接数据库服务器、应用服务器、WorldWide Web服务器、工程师站、操作员站、内网交换机。
工程师站的数量为1台，部署在省级电网生产指挥中心的监控室内，选用ThinkStation P920系列的双路工作站。
工程师站的配置原则、技术要求应符合Q/CSG 1203005《电力二次装备技术导则》关于计算机监控系统的要求，并用于为系统管理员提供维护强降雨致灾停电用户规模预测系统的服务。
操作员站的数量为1台，部署在省级电网生产指挥中心的监控室内，选用ThinkStation K系列的工作站。
操作员站的配置原则、技术要求应符合Q/CSG 1203005《电力二次装备技术导则》关于计算机监控系统的要求，并用于为系统管理员、安全监管人员提供开展洪灾应急和预警供电台区灾损程度的服务。
内网交换机与强降雨致灾停电用户规模预测系统数据库服务器、前置采集服务器、应用服务器、World Wide Web服务器、工程师站、操作员站、外网交换机的物理接口、协议、互联互通及兼容性要求应符合Q/CSG 1204016.3《第3部分：数据网络设备技术要求》的规定，数据库服务器、前置采集服务器、应用服务器、World Wide Web服务器、工程师站、操作员站、内网交换机、外网交换机的配置、设置、分区要求宜符合Q/CSG 212001《电力监控系统安全防护管理办法》、Q/CSG 1204009《电力监控系统安全防护技术规范》的规定。强降雨致灾停电用户规模预测系统的主要性能指标应符合GB/T 16260.2《软件工程产品质量第2部分：内部质量》、GB/T 16260.3《软件工程产品质量第3部分：外部质量》、Q/CSG 1204016.3《数据网络技术规范第3部分数据网络设备技术要求》的规定。强降雨致灾停电用户规模预测系统的安全功能要求应符合GB/T 20271《信息安全技术信息系统通用安全技术要求》的规定。
在强降雨致灾停电用户规模预测系统的具体安装部署过程中，首先将前置采集服务器、数据库服务器(关系库)、数据库服务器(实时库)、应用服务器、World Wide Web服务器部署在省级电网生产指挥中心信息机房内的屏柜中，各类设备的数量是有且仅有一套。其次，将内网交换机、外网交换机部署在省级电网生产指挥中心通信机房屏柜内，各类设备的数量是有且仅有一套，且在经身份鉴别、数据加密后，通过外网交换机远程采集所在地省级气象台短期中期预警中心的短期气象预报信息(含省级区域天气预报图、降雨实况图)、电力地理信息系统的电力地理信息图、电网管理平台的用户供配电设施信息。再次，将工程师站、操作员站部署在省级电网生产指挥中心的监控室内，各类设备的数量是有且仅有一套，并用以远程监视、维护强降雨致灾停电用户规模预测系统。
在强降雨致灾停电用户规模预测系统的具体监测预估过程中，首先由省级气象台短期中期预警中心参照QX/T 116《重大气象灾害应急响应启动等级按照》的规定启动应急响应等级及其预案流程；参照QX/T 52《地面气象观测规范第8部分：降水观测》的规定，观测和获悉气象台短期中期预警中心的短期气象预报信息。其次，由省级电网生产指挥中心技术人员参照QX/T 116《重大气象灾害应急响应启动等级按照》启动应急响应等级及其预案，启动洪涝淹没供电台区范围预测流程。再次，由强降雨致灾停电用户规模预测系统测度洪涝淹没供电台区范围，输出各个强降雨影响供电台区面积Sn区域图、停电用户总数Cn及其对应供电台区内强降雨致灾停电用户规模的动态变化值Vn、强降雨影响供电台区的总图，参照QX/T 549《气象灾害预警信息网站传播规范》的规定发布对应的预警等级，实时监视、研判洪灾发展变化情况。最后，由省地两级生产指挥中心技术人员按照DL/T 1883《配电网运行控制技术导则》、Q/CSG 1205003《中低压配电运行管理标准》、Q/CSG 430043《应急处置后评估业务指导书》所规定的运行控制原则、目标，提出面向强降雨致灾停电用户抢修复电的技术决策建议，并由各相关供电局技术人员处置，必要时还可以采取调整运行方式、新增防汛防涝加固措施等。
在具体处置过程中的主要实施内容如下：
省级电网、地级电网企业生产指挥中心面向存在受强降雨致灾的用户供配电设施(指从用户产权分界点起至用电负荷之间所用的电气设备及电力设施，包括架空线路、电缆、变压器等及其附属电气设备及设施)，基于历史样本中实际停电的供电台区强降雨影响范围内的各供电台区的单独面积Si、各供电台区的总面积Sn和对应供电台区停电预评估准确概率F，求解强降雨影响范围内的各供电台区的总面积、强降雨致停电用户规模的动态变化值Vn和变化后的停电用户总数Cn的实时展示图，提出应急处置措施建议，并向供电局技术人员发布预警通知单。供电台区所属供电局依靠强降雨致灾停电用户规模动态变化值Vn预测结果，研判处于持续停电状态(即是停电持续时间大于3分钟)的用户供配电设施，并结合内涝风险分布图及运行经验，全面组织对存在内涝、水浸影响的配电设施开展排查处置。主要是针对供电台区内强降雨致灾停电用户规模动态变化值Vn，提出对各台区抢修复电先后顺序相关决策建议。对于属于电力用户资产的供电台区，由各相关供电局技术人员预警通知单，并予以指导或配合按照GB/T 37136《电力用户供配电设施运行维护规范》的相关规定开展应急处置措施。供电局向用户提供抢修复电技术支撑，用户主要是指以380伏/220伏电压受电的低压用户、以10(6、20)千伏电压受电的中压用户、以35千伏及以上电压受电的高压用户。在强降雨过后，协助供电局技术人员求解平均停电用户数、停电用户平均停电时间。其中，平均停电用户数是指在统计期间内，平均每次停电的用户数，记作(户/次)；停电用户平均停电时间是指在统计期间内，发生停电用户的平均停电时间，记作(h/户)。
此外，强降雨致灾停电用户规模预测系统可为配电网强降雨致灾预警、防治提供规划、管理、决策的有益信息，且线性回归表现良好，其基本功能可归纳为：
(1)供电台区、用户供配电设施的空间数据采集；
(2)供电台区、用户供配电设施的空间数据管理、转换以及共享；
(3)配电网强降雨致灾停电区域的图形处理编辑；
(4)强降雨影响供电台区空间分析、派生以及查询；
(5)强降雨影响供电台区内用户规模动态变化值的显示与输出。
本发明不局限于以上的具体实施方式，以上仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
实施例4，根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行上述中任意一项的强降雨致灾停电用户规模动态预测方法。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。
可选地，在程序运行时控制计算机可读存储介质所在设备执行以下功能：
实施例5
根据本发明实施例的另一方面，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行上述中任意一项的强降雨致灾停电用户规模动态预测方法。
本发明实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现强降雨致灾停电用户规模动态预测方法的步骤。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM,Read-0nlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种强降雨致灾停电用户规模动态预测方法，其特征在于，包括：
获取短期气象预报信息，并研判是否启动预测流程；
当需要启动所述预测流程时，获取电力地理信息图，并研判所述电力地理信息图中的供电台区是否处于强降雨影响区域的边界范围；
当存在供电台区处于强降雨影响区域的边界范围内时，分别计算强降雨影响范围内的各供电台区的单独面积和停电用户数、各供电台区的总面积和停电用户总数和各供电台区停电预评估准确概率；
根据强降雨影响范围内的强降雨影响范围内的各供电台区的单独面积和停电用户数、各供电台区的总面积和停电用户总数、各供电台区停电预评估准确概率和降雨量，构建测度供电台区因灾停电范围的神经网络，所述神经网络求解、输出因强降雨所致停电用户规模的预测结果。
2.根据权利要求1所述的强降雨致灾停电用户规模动态预测方法，其特征在于，所述预测结果包括：强降雨影响范围内的各供电台区的总面积、强降雨致停电用户规模的动态变化值、变化后的停电用户总数以及实时展示图。
3.根据权利要求1所述的强降雨致灾停电用户规模动态预测方法，其特征在于，还包括：将所述预测结果按照发布规定进行发布。
4.根据权利要求1所述的强降雨致灾停电用户规模动态预测方法，其特征在于，强降雨影响范围内的各供电台区的总面积通过对强降雨影响范围内的各供电台区的单独面积之和；强降雨影响范围内的各供电台区的停电用户总数对强降雨影响范围内的各供电台区的停电用户数之和。
5.根据权利要求1所述的强降雨致灾停电用户规模动态预测方法，其特征在于，所述供电台区停电预评估准确概率的计算公式为：
上式中，a和b则分别是指历史样本中降雨阈值的最小值与最大值，f(x)是指供电台区内降雨分布密度函数，d(x)是指防护等级加权系数，防护等级越高加权系数越低。
6.根据权利要求1所述的强降雨致灾停电用户规模动态预测方法，其特征在于，所述神经网络包括输入层、隐含层和输出层；
所述输入层的节点包括：在强降雨持续时间内强降雨影响范围内的各供电台区的单独面积、各供电台区的总面积，以及对应供电台区停电预评估准确概率；
所述隐含层用于求解强降雨致停电用户规模的动态变化值和变化后的停电用户总数；
所述输出层用于输出强降雨影响范围内的各供电台区的总面积、强降雨致停电用户规模的动态变化值和变化后的停电用户总数的实时展示图。
7.根据权利要求2所述的强降雨致灾停电用户规模动态预测方法，其特征在于，所述强降雨致停电用户规模的动态变化值Vn的计算公式为：
上式中，S2、S1分别为预测开始时、强降雨结束时强降雨诱发洪水淹没各供电台区的单独面积；ΔSin为预测时段Tn内某降雨量r由强降雨转变为大雨、中雨、小雨、微量降雨的面积之和，其中，微量降雨包括零星小雨；ΔSout为降雨量r由其他类型降雨转变为强降雨的面积之和，Tn为预测时段，Tn＝{1,2,3…n}。
8.一种强降雨致灾停电用户规模动态预测系统，其特征在于，包括：
采集层，用于通过前置采集服务器采集获取短期气象预报信息，并研判是否需要启动预测流程；当需要启动所述预测流程时，获取电力地理信息图，并研判所述电力地理信息图中的供电台区是否处于强降雨影响区域的边界范围；同时，所述前置采集服务器位于安全接入区，安全接入区满足使用公用通信网络、无线通信网络通信方式时接入数据的网络安全要求，其中，所述公用通信网络不包括因特网；
数据层，用于存储测度强降雨致灾供电台区停电范围涉及的数据；
处理层，通过应用服务器部署求解供计算强降雨影响范围内的各供电台区的总面积、停电用户总数和各供电台区停电预评估准确概率；根据强降雨影响范围内的各供电台区的总面积、停电用户总数和各供电台区停电预评估准确概率和降雨量，构建测度供电台区因灾停电范围的神经网络，所述神经网络求解、输出强降雨所致停电用户规模的预测结果；
应用层，输出展示强降雨所致停电用户规模的预测结果；并用于通过网站服务器，面向相关企业内的相关技术人员发布相关强降雨致灾供电台区停电范围的预测信息。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的强降雨致灾停电用户规模动态预测方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的强降雨致灾停电用户规模动态预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956251.1A CN115239014A (zh) | 2022-08-10 | 2022-08-10 | 一种强降雨致灾停电用户规模动态预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956251.1A CN115239014A (zh) | 2022-08-10 | 2022-08-10 | 一种强降雨致灾停电用户规模动态预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115239014A true CN115239014A (zh) | 2022-10-25 |
Family
ID=83678652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210956251.1A Pending CN115239014A (zh) | 2022-08-10 | 2022-08-10 | 一种强降雨致灾停电用户规模动态预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115239014A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577844A (zh) * | 2023-03-28 | 2023-08-11 | 南京信息工程大学 | 一种东亚冷锋降水自动识别方法、系统 |
-
2022
- 2022-08-10 CN CN202210956251.1A patent/CN115239014A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577844A (zh) * | 2023-03-28 | 2023-08-11 | 南京信息工程大学 | 一种东亚冷锋降水自动识别方法、系统 |
| CN116577844B (zh) * | 2023-03-28 | 2024-02-09 | 南京信息工程大学 | 一种东亚冷锋降水自动识别方法、系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106709580B (zh) | 一种变电站二次系统运维云平台 | |
| CN104538958B (zh) | 用电客户电网接入点的智能分析方法及系统 | |
| CN106570784A (zh) | 电压监测一体化模型 | |
| CN107959308B (zh) | 配电网分布式能源接入适应性评估方法及装置 | |
| WO2019196869A1 (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
| CN112034287A (zh) | 一种基于大数据的电力安全监控系统 | |
| CN103580284A (zh) | 低压集抄系统 | |
| WO2024093581A1 (zh) | 一种面向电力设备设施的洪涝水位监测方法和系统 | |
| LU505878B1 (en) | Analysis method and system for flood disaster spatial heterogeneity of electric power facility | |
| CN116633018B (zh) | 一种电力行业故障停电全流程管控平台 | |
| CN110825834A (zh) | 一种计量自动化终端数据与gis系统配变关联匹配的方法、系统和可读存储介质 | |
| CN115270974B (zh) | 基于大数据分析的智能窃电检测系统 | |
| CN115239014A (zh) | 一种强降雨致灾停电用户规模动态预测方法和系统 | |
| CN113627678B (zh) | 一种暴雨诱发洪水淹没配电台区的测算方法和系统 | |
| CN116522746A (zh) | 高耗能企业配电托管方法 | |
| CN113902583B (zh) | 利用低压网络设备数据的配网侧运维方法及系统 | |
| CN115376021A (zh) | 一种混凝土电杆洪涝受灾卫星图像监测方法和系统 | |
| CN116027687A (zh) | 一种智慧用能楼宇能耗监控系统及节能效果监测方法 | |
| CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
| CN111091223A (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 | |
| CN113837466A (zh) | 一种基于多气象源的本地化智能发电功率预测系统 | |
| Zhang et al. | Research on comprehensive diagnosis model of anti-stealing electricity based on big data technology | |
| CN117314240A (zh) | 极端天气条件下园区综合能源系统韧性评估方法和系统 | |
| Giannuzzi et al. | Generator coherency analysis in entso-e continental system: Current status and ongoing developments in italian and swiss case | |
| CN115395660A (zh) | 一种配电变压器洪水灾害卫星图像监测方法和系统 |
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 |