CN115564180A - 一种基于大数据分析的电力网络可靠性评估方法 - Google Patents
一种基于大数据分析的电力网络可靠性评估方法 Download PDFInfo
- Publication number
- CN115564180A CN115564180A CN202211065824.8A CN202211065824A CN115564180A CN 115564180 A CN115564180 A CN 115564180A CN 202211065824 A CN202211065824 A CN 202211065824A CN 115564180 A CN115564180 A CN 115564180A
- Authority
- CN
- China
- Prior art keywords
- area
- network
- power network
- reliability
- merging
- 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 43
- 238000007405 data analysis Methods 0.000 title claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 17
- 238000011156 evaluation Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012882 sequential analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (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电力网络可靠性评估方法,属于电力网络状态评估技术领域,具体方法包括:步骤一:获取电力网络信息图,基于获得的电力网络信息图进行电力网络的区域划分,获得网络区域;步骤二:设置各个网络区域对应的数据采集项,并根据设置的数据采集项进行相应的数据采集,获得分析数据;步骤三:基于获得的网络区域和电力网络信息图建立对应的网络监控模型,将获得的分析数据输入到网络监控模型中进行实时显示;步骤四:识别网络监控模型中的各个分析数据,将识别的分析数据转化为对应的特征数值;步骤五:根据获得特征数值计算对应网络区域内的电力网络可靠性。
Description
技术领域
本发明属于电力网络状态评估技术领域,具体是一种基于大数据分析的电力网络可靠性评估方法。
背景技术
近些年,电力网络的建设得到了迅速发展,电力网络是电力系统中除发电设备和用电设备以外的部分。电力网络包括变电、输电、配电三个环节。它把分布在广阔地域内的发电厂和用电户连成一体,把集中生产的电能送到分散用电的千家万户。电力网络主要由电力线路、变电所和换流站组成。
因此,电力网络的可靠性对电网的安全生产具有重要的意义。而目前传统的电力网络可靠性分析,大多仅从数学意义的网络拓扑以及专家的主观判断进行的,很少从电力网络的实际情况出发进行分析,如线路的全寿命周期,因此为了解决电力网络的可靠性评估,本发明提供了一种基于大数据分析的电力网络可靠性评估方法。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于大数据分析的电力网络可靠性评估方法。
本发明的目的可以通过以下技术方案实现:
一种基于大数据分析的电力网络可靠性评估方法,具体方法包括:
步骤一:获取电力网络信息图,基于获得的电力网络信息图进行电力网络的区域划分,获得网络区域;
步骤二:设置各个网络区域对应的数据采集项,并根据设置的数据采集项进行相应的数据采集,获得分析数据;
步骤三:基于获得的网络区域和电力网络信息图建立对应的网络监控模型,将获得的分析数据输入到网络监控模型中进行实时显示;
步骤四:识别网络监控模型中的各个分析数据,将识别的分析数据转化为对应的特征数值;
步骤五:根据获得特征数值计算对应网络区域内的电力网络可靠性。
进一步地,基于获得的电力网络信息图进行电力网络的区域划分的方法包括:
识别电力网络信息图中的物理分界线,根据识别的物理分界线设置对应的初始区域,识别初始区域内的单元区域,对识别的单元区域进行合并,获得网络区域。
进一步地,对识别的单元区域进行合并的方法包括:
识别各个单元区域的面积,从电力网络信息图中获取对应的初始区域图,将识别的单元区域面积标记在初始区域图中进行相应的标记;识别单元区域的类别和单元信息,根据识别的单元区域类别和单元信息设置对应的网络区域值,将获得网络区域值标记为WLZ,将获得的单元区域面积标记为AZ,根据公式QZ=b1×WLZ+b2×AZ计算单元区域代表值,其中b1、b2均为比例系数,取值范围为0<b1≤1,0<b2≤1,将计算的代表值在初始区域图中进行相应的标记;基于当前的初始区域图进行单元区域的合并,获得网络区域。
进一步地,基于当前的初始区域图进行单元区域的合并的方法包括:
对初始区域图进行分析,动态标记各个单元区域的合并编号,将标记的合并编号进行排序,选择排序第一的单元区域为初始合并区,按照对应的排序,将单元区域逐一的与初始合并区进行合并,获得新的合并区,每合并一个单元区域计算一次合并区的代表值,将计算的代表值与阈值X1进行比较,当代表值不大于阈值X1时,进行下一次的单元区域合并;当代表值大于阈值X1时,退出上一次合并的单元区域,将当前的合并区标记为调整区;更新剩余单元区域的合并编号,再次进行单元区域的合并,直到初始区域内的所有单元区域均完成合并,将当前的初始区域图标记为中转调整图,对中转调整图中的各个调整区进行调整,将调整后的调整区标记为网络区域。
进一步地,合并区的代表值的计算公式为WDi+1=(QZj+WDi)×βi,其中i=1、2、……、n,n为正整数,j=1、2、……、m,m为正整数,βi为调整系数。
进一步地,将识别的分析数据转化为对应的特征数值的方法包括:
识别数据采集项,根据识别的数据采集项获取具有的分析数据,将具有的分析数据根据数据采集项拆分为若干个单项数据,为单项数据进行赋值,根据赋值后的单项数据进行整合为赋值匹配表;获取对应识别的分析数据,根据赋值匹配表将识别的分析数据转化为对应的特征数值。
进一步地,根据获得特征数据计算对应网络区域内的电力网络可靠性的方法包括:
设置各个网络区域的标准数值,计算特征数值与标准数值之间的差值,标记为CSZt,其中t表示对应的数据采集项,t=1、2、……、v,v为正整数,设置各个数据采集项对应的比例系数,标记为αt,识别各个网络区域内线路的规格和使用时间,基于线路的全寿命周期分析各个网络区域的修正参数,标记为λ;根据公式计算可靠值,根据计算的可靠值判定对应网络区域的可靠性。
进一步地,根据计算的可靠值判定对应网络区域的可靠性的方法包括:
获取具有的可靠值以及对应的电力网络可靠性,进行汇总后,根据电力网络可靠性将具有的可靠值分为若干个匹配集合,将计算的可靠值进行匹配后进行获得对应的可靠性。
与现有技术相比,本发明的有益效果是:通过本发明实现对电力网络的可靠性评估,并通过在进行电力网络可靠性评估时,加入线路的修正参数λ,λ根据线路类型、线路使用时间、全寿命周期和工作环境进行决定,使得对其的风险评估过程更加科学、严谨,更能真实反映电力网络的真实运行情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅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为本发明方法流程图。
具体实施方式
下面将结合实施例对本发明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,一种基于大数据分析的电力网络可靠性评估方法,具体方法包括:
步骤一:获取电力网络信息图,基于获得的电力网络信息图进行电力网络的区域划分,获得网络区域;
电力网络信息图即为表示电力网络各个节点、线路等的信息图,通过现有的方式可以进行获取,具体包括在本发明中需要用到的电力网络信息。
基于获得的电力网络信息图进行电力网络的区域划分的方法包括:
识别电力网络信息图中的物理分界线,物理分界线是基于电力网络分界常识进行定义的,如不同行政区域内的电力区域的分界线,具体的是通过人工的方式定义适合等级的分界线为物理分界线,主要是根据对应的区域大小进行设置的;根据识别的物理分界线设置对应的初始区域,初始区域即为物理分界线包围的区域,识别初始区域内的单元区域,对识别的单元区域进行合并,获得网络区域。
识别初始区域内的单元区域,具体的是基于对应的单元区域定义进行识别的,单元区域指的是如有小区、写字楼、商场等用电区域进行定义的,一个小区内所有楼栋视为使用同一区域内的电力网络,写字楼也是使用独立电力网络;因此基于现有的识别技术可以在图纸上识别对应的单元区域。
对识别的单元区域进行合并的方法包括:
识别各个单元区域的面积,从电力网络信息图中获取对应的初始区域图,将识别的单元区域面积标记在初始区域图中进行相应的标记;识别单元区域的类别和单元信息,单元区域类别指的是住宅小区、办公楼、商场等类别,单元信息指的是户数、楼栋数等信息,根据识别的单元区域类别和单元信息设置对应的网络区域值,将获得网络区域值标记为WLZ,将获得的单元区域面积标记为AZ,根据公式QZ=b1×WLZ+b2×AZ计算单元区域代表值,其中b1、b2均为比例系数,取值范围为0<b1≤1,0<b2≤1,将计算的代表值在初始区域图中进行相应的标记;基于当前的初始区域图进行单元区域的合并,获得网络区域。
根据识别的单元区域类别和单元信息设置对应的网络区域值的方法为:基于CNN网络或DNN网络建立对应的单元分析模型,通过人工的方式设置对应的训练集进行训练,如根据对应的具有的单元区域类别和单元信息,分析对应的电力网络复杂度等因素,进而通过人工的方式设置对应的网络区域值,汇总建立对应的训练集进行训练,通过训练成功后的单元分析模型进行分析,获得对应的网络区域赋值。
基于当前的初始区域图进行单元区域的合并的方法包括:
对初始区域图进行分析,动态标记各个单元区域的合并编号,将标记的合并编号进行排序,选择排序第一的单元区域为初始合并区,按照对应的排序,将单元区域逐一的与初始合并区进行合并,获得新的合并区,每合并一个单元区域计算一次合并区的代表值,将计算的代表值与阈值X1进行比较,其中阈值X1是由专家组进行讨论设置的,当代表值不大于阈值X1时,进行下一次的单元区域合并;当代表值大于阈值X1时,退出上一次合并的单元区域,将当前的合并区标记为调整区;更新剩余单元区域的合并编号,再次进行单元区域的合并,直到初始区域内的所有单元区域均完成合并,将当前的初始区域图标记为中转调整图,对中转调整图中的各个调整区进行调整,将调整后的调整区标记为网络区域。
合并区的代表值的计算公式为WDi+1=(QZj+WDi)×βi,其中i=1、2、……、n,n为正整数,i表示合并次数,i=1标记第一次合并,WDi为初始合并区的单元区域代表值,j=1、2、……、m,m为正整数,j表示对应排序的单元区域,j=1表示初始合并区合并的第一个单元区域;βi为调整系数,具体的是由专家组根据可能具有的合并次数设置对应的调整系数,合并次数越多,调整系数越大,进行汇总建立对应的匹配表,进行匹配后获得对应的调整系数。
对初始区域图进行分析的方法为基于CNN网络或DNN网络建立对应的顺序分析模型,通过人工的方式设置对应的训练集进行训练,具体的先分析确定对应编号一的初始合并区,再对初始合并区周边的单元区域进行编号;当一次合并完成后,更新剩余的单元区域的编号,通过人工的方式进行模拟标记,建立对应的训练集进行训练,通过训练成功后的顺序分析模型进行分析。
对中转调整图中的各个调整区进行调整的方法是基于深度神经网络建立对应的调整模型,所述调整模型用于将最后剩余过小的调整区进行调整,将其附近的调整区分割若干个单元区域进行合并,具体的通过人工的方式模拟标记若干个训练集进行训练,通过训练成功后的调整模型进行调整,具体的建立和训练为本领域常识。
步骤二:设置各个网络区域对应的数据采集项,并根据设置的数据采集项进行相应的数据采集,获得分析数据;
数据采集项是采用人工的方式进行设置,主要设置的是对电力网络进行可靠性判断具有影响的采集项,如线路使用年限、规格、电压、电流等数据。
步骤三:基于获得的网络区域和电力网络信息图建立对应的网络监控模型,将获得的分析数据输入到网络监控模型中进行实时显示;
所述网络监控模型即为利用现有的建模技术进行建立的实时监控数据显示模型,通过在电力网络信息图中标记各个网络区域,根据实时采集各个网络区域的电力网络信息,在对应的位置上进行实时显示,具体的基于现有的技术可以进行相应的实现,因此不进行详细叙述。
步骤四:识别网络监控模型中的各个分析数据,将识别的分析数据转化为对应的特征数值;
将识别的分析数据转化为对应的特征数值的方法包括:
识别数据采集项,根据识别的数据采集项获取可能具有的分析数据,将具有的分析数据根据数据采集项拆分为若干个单项数据,一个单项数据即为一个数据采集项对应的数据,为单项数据进行赋值,具体的是通过人工的方式进行设置的,对于就是数值的单项数据,对应的数值即为赋值,如电压值、电流值等;根据赋值后的单项数据进行整合为赋值匹配表;
获取对应识别的分析数据,根据赋值匹配表将识别的分析数据转化为对应的特征数值,特征数值即为对应的数据采集项对应的赋值进行组合而成。
步骤五:根据获得特征数值计算对应网络区域内的电力网络可靠性;
根据获得特征数据计算对应网络区域内的电力网络可靠性的方法包括:
设置各个网络区域的标准数值,具体的是通过专家组进行讨论设置的,因为只要设置一次即可,并不需要实时调整;计算特征数值与标准数值之间的差值,标记为CSZt,其中t表示对应的数据采集项,t=1、2、……、v,v为正整数,设置各个数据采集项对应的比例系数,标记为αt,具体的是由专家组进行讨论设置的;识别各个网络区域内线路的规格和使用时间,基于线路的全寿命周期分析各个网络区域的修正参数,标记为λ;根据公式计算可靠值,根据计算的可靠值判定对应网络区域的可靠性。
基于线路的全寿命周期分析各个网络区域的修正参数的方法包括:根据具有的单元区域种类、线路规格、线路使用时间和对应的线路全寿命周期,通过人工的方式模拟设置对应的训练集,基于CNN网络或DNN网络建立对应的修正模型,通过设置的训练集进行训练,通过训练成功后的修正模型对网络区域内线路的规格、使用时间、网络区域信息图进行分析,获得对应的修正参数。
根据计算的可靠值判定对应网络区域的可靠性的方法包括:
获取可能具有的可靠值以及对应的电力网络可靠性,进行汇总后,根据电力网络可靠性将具有的可靠值分为若干个匹配集合,将计算的可靠值进行匹配后进行获得对应的可靠性。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.一种基于大数据分析的电力网络可靠性评估方法,其特征在于,具体方法包括:
步骤一:获取电力网络信息图,基于获得的电力网络信息图进行电力网络的区域划分,获得网络区域;
步骤二:设置各个网络区域对应的数据采集项,并根据设置的数据采集项进行相应的数据采集,获得分析数据;
步骤三:基于获得的网络区域和电力网络信息图建立对应的网络监控模型,将获得的分析数据输入到网络监控模型中进行实时显示;
步骤四:识别网络监控模型中的各个分析数据,将识别的分析数据转化为对应的特征数值;
步骤五:根据获得特征数值计算对应网络区域内的电力网络可靠性。
2.根据权利要求1所述的一种基于大数据分析的电力网络可靠性评估方法,其特征在于,基于获得的电力网络信息图进行电力网络的区域划分的方法包括:
识别电力网络信息图中的物理分界线,根据识别的物理分界线设置对应的初始区域,识别初始区域内的单元区域,对识别的单元区域进行合并,获得网络区域。
3.根据权利要求2所述的一种基于大数据分析的电力网络可靠性评估方法,其特征在于,对识别的单元区域进行合并的方法包括:
识别各个单元区域的面积,从电力网络信息图中获取对应的初始区域图,将识别的单元区域面积标记在初始区域图中进行相应的标记;识别单元区域的类别和单元信息,根据识别的单元区域类别和单元信息设置对应的网络区域值,将获得网络区域值标记为WLZ,将获得的单元区域面积标记为AZ,根据公式QZ=b1×WLZ+b2×AZ计算单元区域代表值,其中b1、b2均为比例系数,取值范围为0<b1≤1,0<b2≤1,将计算的代表值在初始区域图中进行相应的标记;基于当前的初始区域图进行单元区域的合并,获得网络区域。
4.根据权利要求3所述的一种基于大数据分析的电力网络可靠性评估方法,其特征在于,基于当前的初始区域图进行单元区域的合并的方法包括:
对初始区域图进行分析,动态标记各个单元区域的合并编号,将标记的合并编号进行排序,选择排序第一的单元区域为初始合并区,按照对应的排序,将单元区域逐一的与初始合并区进行合并,获得新的合并区,每合并一个单元区域计算一次合并区的代表值,将计算的代表值与阈值X1进行比较,当代表值不大于阈值X1时,进行下一次的单元区域合并;当代表值大于阈值X1时,退出上一次合并的单元区域,将当前的合并区标记为调整区;更新剩余单元区域的合并编号,再次进行单元区域的合并,直到初始区域内的所有单元区域均完成合并,将当前的初始区域图标记为中转调整图,对中转调整图中的各个调整区进行调整,将调整后的调整区标记为网络区域。
5.根据权利要求4所述的一种基于大数据分析的电力网络可靠性评估方法,其特征在于,合并区的代表值的计算公式为WDi+1=(QZj+WDi)×βi,其中i=1、2、……、n,n为正整数,j=1、2、……、m,m为正整数,βi为调整系数。
6.根据权利要求1所述的一种基于大数据分析的电力网络可靠性评估方法,其特征在于,将识别的分析数据转化为对应的特征数值的方法包括:
识别数据采集项,根据识别的数据采集项获取具有的分析数据,将具有的分析数据根据数据采集项拆分为若干个单项数据,为单项数据进行赋值,根据赋值后的单项数据进行整合为赋值匹配表;获取对应识别的分析数据,根据赋值匹配表将识别的分析数据转化为对应的特征数值。
8.根据权利要求7所述的一种基于大数据分析的电力网络可靠性评估方法,其特征在于,根据计算的可靠值判定对应网络区域的可靠性的方法包括:
获取具有的可靠值以及对应的电力网络可靠性,进行汇总后,根据电力网络可靠性将具有的可靠值分为若干个匹配集合,将计算的可靠值进行匹配后进行获得对应的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065824.8A CN115564180B (zh) | 2022-09-01 | 2022-09-01 | 一种基于大数据分析的电力网络可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211065824.8A CN115564180B (zh) | 2022-09-01 | 2022-09-01 | 一种基于大数据分析的电力网络可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115564180A true CN115564180A (zh) | 2023-01-03 |
CN115564180B CN115564180B (zh) | 2023-10-10 |
Family
ID=84739282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211065824.8A Active CN115564180B (zh) | 2022-09-01 | 2022-09-01 | 一种基于大数据分析的电力网络可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564180B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168356A (zh) * | 2023-04-26 | 2023-05-26 | 威海海洋职业学院 | 一种基于计算机视觉的车辆损伤判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010204A1 (en) * | 2004-01-15 | 2007-01-11 | Johannes Hubner | Method and device for adapting a radio network model to the conditions of a real radio network |
CN110162902A (zh) * | 2019-05-28 | 2019-08-23 | 河南城建学院 | 一种基于云计算的配电系统可靠性评估方法 |
CN112613666A (zh) * | 2020-12-26 | 2021-04-06 | 福建维力能源科技有限公司 | 一种基于图卷积神经网络和迁移学习的电网负荷预测方法 |
CN114417719A (zh) * | 2022-01-18 | 2022-04-29 | 广东电网有限责任公司 | 一种基于图注意力网络的配电网网格化方法及装置 |
KR20220107794A (ko) * | 2021-01-26 | 2022-08-02 | 한국전력공사 | 전이 학습 기반의 전력 정보 예측 방법 및 시스템 |
-
2022
- 2022-09-01 CN CN202211065824.8A patent/CN115564180B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070010204A1 (en) * | 2004-01-15 | 2007-01-11 | Johannes Hubner | Method and device for adapting a radio network model to the conditions of a real radio network |
CN110162902A (zh) * | 2019-05-28 | 2019-08-23 | 河南城建学院 | 一种基于云计算的配电系统可靠性评估方法 |
CN112613666A (zh) * | 2020-12-26 | 2021-04-06 | 福建维力能源科技有限公司 | 一种基于图卷积神经网络和迁移学习的电网负荷预测方法 |
KR20220107794A (ko) * | 2021-01-26 | 2022-08-02 | 한국전력공사 | 전이 학습 기반의 전력 정보 예측 방법 및 시스템 |
CN114417719A (zh) * | 2022-01-18 | 2022-04-29 | 广东电网有限责任公司 | 一种基于图注意力网络的配电网网格化方法及装置 |
Non-Patent Citations (1)
Title |
---|
董甜甜: "中国优秀硕士学位论文全文数据库", pages: 22 - 35 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168356A (zh) * | 2023-04-26 | 2023-05-26 | 威海海洋职业学院 | 一种基于计算机视觉的车辆损伤判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115564180B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113904448B (zh) | 一种基于多维监控智能配电运维服务系统 | |
WO2021073462A1 (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
WO2022021726A1 (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN111210093A (zh) | 基于大数据的日用水量预测方法 | |
CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
CN111880044A (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN112990500A (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN111628494A (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN115564180B (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
CN113052386B (zh) | 基于随机森林算法的分布式光伏日发电量预测方法和装置 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
CN112990776A (zh) | 一种配网设备健康度评价方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN115864461A (zh) | 一种电力储能系统的控制方法 | |
CN115600494A (zh) | 一种低压台区拓扑自动识别方法及装置 | |
CN113887785A (zh) | 基于离散化采样和神经网络的台区理论线损预测方法 | |
CN113949079A (zh) | 基于深度学习的配电台区用户三相不平衡预测优化方法 | |
CN111815085B (zh) | 一种轨道交通能源管理系统综合能效评估的实现方法 |
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 |