CN115603318A - 基于营配数据的跨地区大面积停电故障研判方法及系统 - Google Patents

基于营配数据的跨地区大面积停电故障研判方法及系统 Download PDF

Info

Publication number
CN115603318A
CN115603318A CN202211391869.4A CN202211391869A CN115603318A CN 115603318 A CN115603318 A CN 115603318A CN 202211391869 A CN202211391869 A CN 202211391869A CN 115603318 A CN115603318 A CN 115603318A
Authority
CN
China
Prior art keywords
power failure
data
cross
region
failure data
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
Application number
CN202211391869.4A
Other languages
English (en)
Inventor
冯莹
张亮
钱靖
赵宏振
杨晓弟
李安琪
李硕
周扬
张智宇
张峥
陈雨若
岳沛凝
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Marketing Service Center of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Marketing Service Center of State Grid Tianjin Electric Power 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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Marketing Service Center of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211391869.4A priority Critical patent/CN115603318A/zh
Publication of CN115603318A publication Critical patent/CN115603318A/zh
Pending legal-status Critical Current

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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于营配数据的跨地区大面积停电故障研判方法及系统。其中，方法包括如下步骤：步骤1：获取跨地区多源停电数据；步骤2：针对步骤1获取的跨地区多源停电数据，进行跨地区多源停电数据融合，输出跨地区多源停电数据融合结果；步骤3：基于步骤2输出的跨地区多源停电数据融合结果，进行基于决策树算法的跨地区大面积停电分析，输出大面积停电分析结果；步骤4：基于步骤3输出的大面积停电分析结果，进行停电工单派发。通过本发明提供的方案，高效实现了跨区域多源数据融合，解决了跨区域多源数据有效融合难题。

Description

基于营配数据的跨地区大面积停电故障研判方法及系统
技术领域
本发明涉及停电故障研判技术领域，尤其涉及一种基于营配数据的跨地区大面积停电故障研判方法及系统。
背景技术
面对频发大面积的停电事件，有效的应急处置能够最大限度地减少大面积停电造成的损失。国家大面积停电事件应急预案作为国家级重要预案，在提高政府应对灾害危机管理水平上发挥着重要作用，同时也对电网企业应急管理工作发挥了积极影响。
随着“京津冀”一体化战略的不断推进，当前在“京津冀”跨地区协同开展停电应急处置方面存在着数据和业务壁垒、针对京津冀地区大面积停电应急处置能力不足等难题。针对上述难题，行业内迫切需要设计出方案进行解决。
发明内容
针对上述背景技术中指出的技术问题，本发明的目的在于提供一种基于营配数据的跨地区大面积停电故障研判方法及系统。
为实现本发明的目的，本发明提供的技术方案如下：
第一方面
本发明提供了一种基于营配数据的跨地区大面积停电故障研判方法，包括如下步骤：
步骤1：获取跨地区多源停电数据；
步骤2：针对步骤1获取的跨地区多源停电数据，进行跨地区多源停电数据融合，输出跨地区多源停电数据融合结果；
步骤3：基于步骤2输出的跨地区多源停电数据融合结果，进行基于决策树算法的跨地区大面积停电分析，输出大面积停电分析结果；
步骤4：基于步骤3输出的大面积停电分析结果，进行停电工单派发。
第二方面
与上述方法相对应地，本发明还提供了一种基于营配数据的跨地区大面积停电故障研判系统，包括如下单元：数据获取单元、数据融合单元、停电分析单元、工单派发单元；
所述数据获取单元用于获取跨地区多源停电数据；其中，所述跨地区多源停电数据包括如下：
(1)利用电能表计量箱的TTU、HPLC、新型智能电表主动获取的第一故障停电数据；
(2)基于PMS2.0系统推送的计划停电信息获取的计划停电数据；
(3)基于95598系统的故障工单获取的第二故障停电数据。
所述数据融合单元用于针对所述数据获取单元获取的跨地区多源停电数据，进行跨地区多源停电数据融合，输出跨地区多源停电数据融合结果；
所述停电分析单元用于基于所述数据融合单元输出的跨地区多源停电数据融合结果，进行基于决策树算法的跨地区大面积停电分析，输出大面积停电分析结果；
所述工单派发单元用于基于所述停电分析单元输出的大面积停电分析结果，进行停电工单派发。
与现有技术相比，本发明技术方案的有益效果如下：
(1)通过本发明提供的方案，高效实现了跨区域多源数据融合，解决了跨区域多源数据有效融合难题；
(2)通过本发明提供的基于决策树算法的跨区域大面积停电分析，可精准、高效的实现大面积停电事前分析研判，为区域联动处置提供可靠的手段；
(3)通过本发明提供的技术方案，实现了区域联动协同信息化处置方式，显著提升协同处置效率。
附图说明
图1为本发明实施例提供的方法流程示意图。
具体实施方式
下面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，一种基于营配数据的跨地区大面积停电故障研判方法，包括如下步骤：
步骤1：获取跨地区多源停电数据；
需要说明的是，所述跨地区多源停电数据包括如下三种：
(1)利用电能表计量箱的TTU、HPLC、新型智能电表主动获取的第一故障停电数据；
具体地，基于电能表计量箱的TTU、HPLC、新型智能电表等用电信息采集终端，主动从不同停电研判模块获取第一故障停电数据。
(2)基于PMS2.0系统推送的计划停电信息获取的计划停电数据；
需要说明的是，针对PMS2.0系统推送的计划停电信息，在研判后对其进行停电信息分析到户，包括如下方面：
1)根据PMS2.0系统推送的计划停电信息，对台区、用户通过营销的档案及拓扑信息进行关联，确定准确停电用户，其中，PMS2.0即电力生产管理系统；
2)针对计划停电的台区，经过营销数据校验确认台区数量。剔除不停电台区用户，及其他停电台区用户。
3)在确定计划停电台区后，基于销业务应用系统对台区用户停电缺失信息补全。
4)基于营销业务应用系统对PMS2.0系统用户档案信息验证，对于不准确的信息，取PMS2.0系统与营销业务应用系统用户数据交集，并通过余集补全台区用户信息，同时剔除PMS2.0系统中不在该台区的用户，实现PMS2.0系统中的档案信息补全完善。
(3)基于95598系统的故障工单获取的第二故障停电数据，其中，95598系统即电力客户服务系统。
需要说明的是，针对95598系统的故障工单信息，在验证后对其精准停电信息获取。具体包括如下：
1)基于用电信息采集系统，对其故障工单涉及的台区以及CF箱下的其他用户实现透抄，锁定停电位置是否为CF箱。
2)基于营销拓扑数据，对CF箱下停电用户进行GIS拓扑分析。
3)通过以上步骤1)的停电信息研判确定为线路或变压器停电，通过以上步骤2)的GIS拓扑分析，实现对停电台区的影响判断，并结合营销档案信息，确认95598系统的故障停电数据。
步骤2：针对步骤1获取的跨地区多源停电数据，进行跨地区多源停电数据融合，输出跨地区多源停电数据融合结果，具体步骤如下：
步骤2.1：构建跨地区多源停电数据汇聚模块，进行跨地区多源停电数据汇聚，由公式(1)表示；
Figure BDA0003932205480000041
其中，X表示各个区域停电数据矩阵，R表示跨地区全量停电数据矩阵，R的下标+表示非负，p表示变量，n表示地区的部门数；
步骤2.2：所述第一故障停电数据记为数据矩阵A，所述计划停电数据记为数据矩阵L，所述第二故障停电数据记为数据矩阵Y；依据地区大面积停电数据的形式特征，提取各个跨地区全量停电数据矩阵X与数据矩阵A、数据矩阵L、数据矩阵Y之间的联系，构建一个共同特征表述矩阵V；
Figure BDA0003932205480000051
其中，i表示共同矩阵特征的数量；
步骤2.3：对跨地区多源停电数据融合建立融合模型，实现跨地区多源停电数据归一处理，跨地区多源停电数据融合矩阵为Y；
Y＝(V1,V2,…Vn)B (3)
其中，B表示矩阵系数。
步骤3：基于步骤2输出的跨地区多源停电数据融合结果，进行基于决策树算法的跨地区大面积停电分析，输出大面积停电分析结果，具体步骤如下：
步骤3.1：设样本集S是f个数据样，假定类别为属性Ci，具有m个不同的值：Ci(i＝1,2,…,m)，设fi是Ci中的样本数，对一个给定的样本，它总的信息熵为：
Figure BDA0003932205480000052
式中，pi为任意样本属于Ci的概率，用
Figure BDA0003932205480000053
估计；
设一个属性A具有k个不同的值{a1,a2,…ak},利用属性将样本集S分为K个子集{f1,f2,…fk}，其中子集fj包含了样本集S中属性A取aj的样本，其中j表示属性特征的数量，若选择属性A为测试属性，则子集fj就是从样本集S中的节点生产出来的新的叶节点；设fij是子集fj中类别为Ci的样本数，则根据属性A划分样本的信息熵值为：
Figure BDA0003932205480000061
式中，
Figure BDA0003932205480000062
是子集fj中类别为Ci的样本的概率；
用属性A划分样本集S所得信息增益(gain)为：
Gain(A)＝I(S1,S2,…Sm)-E(A) (6)
其中，E(A)越小，Gain(A)的值越小，则选择性属于A对于分类提供的信息越大，选择A之后分类的不确定程度越小；
步骤3.2：基于跨地区多源停电数据融合矩阵为Y，结合gain模型算法，以预设概率阈值作为存在大面积停电风险和无大面积停电风险的临界值，其中，预设概率阈值大于等于25％。
步骤4：基于步骤3输出的大面积停电分析结果，进行停电工单派发，具体步骤如下：
步骤4.1：基于步骤3输出的大面积停电分析结果，对存在大面积停电风险的停电事件进行定位；
步骤4.2：展示停电事件在线监测情况，并展示地区抢修网点信息；
步骤4.3：基于GIS信息，为跨地区联动解决停电事件生成派单策略。
与上述方法相对应地，本发明提供了一种基于营配数据的跨地区大面积停电故障研判系统，包括如下单元：数据获取单元、数据融合单元、停电分析单元、工单派发单元；
所述数据获取单元用于获取跨地区多源停电数据；其中，所述跨地区多源停电数据包括如下：
(1)利用电能表计量箱的TTU、HPLC、新型智能电表主动获取的第一故障停电数据；
(2)基于PMS2.0系统推送的计划停电信息，获取的计划停电数据；
(3)基于95598系统的故障工单获取的第二故障停电数据。
所述数据融合单元用于针对所述数据获取单元获取的跨地区多源停电数据，进行跨地区多源停电数据融合，输出跨地区多源停电数据融合结果；
所述停电分析单元用于基于所述数据融合单元输出的跨地区多源停电数据融合结果，进行基于决策树算法的跨地区大面积停电分析，输出大面积停电分析结果；
所述工单派发单元用于基于所述停电分析单元输出的大面积停电分析结果，进行停电工单派发。
优选地，所述数据融合单元具体执行如下步骤：
步骤2.1：构建跨地区多源停电数据汇聚模块，进行跨地区多源停电数据汇聚，由公式(7)表示；
Figure BDA0003932205480000071
其中，X表示各个区域停电数据矩阵，R表示跨地区全量停电数据矩阵，R的下标+表示非负，p表示变量，n表示地区的部门数；
步骤2.2：所述第一故障停电数据记为数据矩阵A，所述计划停电数据记为数据矩阵L，所述第二故障停电数据记为数据矩阵Y；依据地区大面积停电数据的形式特征，提取各个跨地区全量停电数据矩阵X与数据矩阵A、数据矩阵L、数据矩阵Y之间的联系，构建一个共同特征表述矩阵V；
Figure BDA0003932205480000072
其中，i表示共同矩阵特征的数量；
步骤2.3：对跨地区多源停电数据融合建立融合模型，实现跨地区多源停电数据归一处理，跨地区多源停电数据融合矩阵为Y；
Y＝(V1,V2,…Vn)B (9)
其中，B表示矩阵系数。
优选地，所述停电分析单元具体执行如下步骤：
步骤3.1：设样本集S是f个数据样，假定类别为属性Ci，具有m个不同的值：Ci(i＝1,2,…,m)，设fi是Ci中的样本数，对一个给定的样本，它总的信息熵为：
Figure BDA0003932205480000081
式中，pi为任意样本属于Ci的概率，用
Figure BDA0003932205480000082
估计；
设一个属性A具有k个不同的值{a1,a2,…ak},利用属性将样本集S分为K个子集{f1,f2,…fk}，其中子集fj包含了样本集S中属性A取aj的样本，其中j表示属性特征的数量，若选择属性A为测试属性，则子集fj就是从样本集S中的节点生产出来的新的叶节点；设fij是子集fj中类别为Ci的样本数，则根据属性A划分样本的信息熵值为：
Figure BDA0003932205480000083
式中，
Figure BDA0003932205480000084
是子集fj中类别为Ci的样本的概率；
用属性A划分样本集S所得信息增益(gain)为：
Gain(A)＝I(S1,S2,...Sm)-E(A) (12)
其中，E(A)越小，Gain(A)的值越小，则选择性属于A对于分类提供的信息越大，选择A之后分类的不确定程度越小；
步骤3.2：基于跨地区多源停电数据融合矩阵为Y，结合gain模型算法，以预设概率阈值作为存在大面积停电风险和无大面积停电风险的临界值，其中，所述预设概率阈值大于等于25％。
优选地，所述工单派发单元具体执行如下步骤：
步骤4.1：基于步骤3输出的大面积停电分析结果，对存在大面积停电风险的停电事件进行定位；
步骤4.2：展示停电事件在线监测情况，并展示地区抢修网点信息；
步骤4.3：基于GIS信息，为跨地区联动解决停电事件生成派单策略。
最后应当说明的是：上述实施例只是用于对本发明的举例和说明，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明不局限于上述实施例，根据本发明教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围内。

Claims (10)

1.一种基于营配数据的跨地区大面积停电故障研判方法，其特征在于，包括如下步骤：
步骤1：获取跨地区多源停电数据；
步骤2：针对步骤1获取的跨地区多源停电数据，进行跨地区多源停电数据融合，输出跨地区多源停电数据融合结果；
步骤3：基于步骤2输出的跨地区多源停电数据融合结果，进行基于决策树算法的跨地区大面积停电分析，输出大面积停电分析结果；
步骤4：基于步骤3输出的大面积停电分析结果，进行停电工单派发。
2.根据权利要求1所述的一种基于营配数据的跨地区大面积停电故障研判方法，其特征在于，步骤1中，所述跨地区多源停电数据包括如下：
(1)利用电能表计量箱的TTU、HPLC、新型智能电表主动获取的第一故障停电数据；
(2)基于PMS2.0系统推送的计划停电信息获取的计划停电数据；
(3)基于95598系统的故障工单获取的第二故障停电数据。
3.根据权利要求2所述的一种基于营配数据的跨地区大面积停电故障研判方法，其特征在于，所述步骤2具体包括如下步骤：
步骤2.1：构建跨地区多源停电数据汇聚模块，进行跨地区多源停电数据汇聚，由公式(1)表示；
Figure FDA0003932205470000011
其中，X表示各个区域停电数据矩阵，R表示跨地区全量停电数据矩阵，R的下标+表示非负，p表示变量，n表示地区的部门数；
步骤2.2：所述第一故障停电数据记为数据矩阵A，所述计划停电数据记为数据矩阵L，所述第二故障停电数据记为数据矩阵Y；依据地区大面积停电数据的形式特征，提取各个跨地区全量停电数据矩阵X与数据矩阵A、数据矩阵L、数据矩阵Y之间的联系，构建一个共同特征表述矩阵V；
Figure FDA0003932205470000021
其中，i表示共同矩阵特征的数量；
步骤2.3：对跨地区多源停电数据融合建立融合模型，实现跨地区多源停电数据归一处理，跨地区多源停电数据融合矩阵为Y；
Y＝(V1,V2,…Vn)B (3)
其中，B表示矩阵系数。
4.根据权利要求3所述的一种基于营配数据的跨地区大面积停电故障研判方法，其特征在于，所述步骤3具体包括如下步骤：
步骤3.1：设样本集S是f个数据样，假定类别为属性Ci，具有m个不同的值：Ci(i＝1,2,…,m)，设fi是Ci中的样本数，对一个给定的样本，它总的信息熵为：
Figure FDA0003932205470000022
式中，pi为任意样本属于Ci的概率，用
Figure FDA0003932205470000023
估计；
设一个属性A具有k个不同的值{a1,a2,…ak},利用属性将样本集S分为K个子集{f1,f2,…fk}，其中子集fj包含了样本集S中属性A取aj的样本，其中j表示属性特征的数量，若选择属性A为测试属性，则子集fj就是从样本集S中的节点生产出来的新的叶节点；设fij是子集fj中类别为Ci的样本数，则根据属性A划分样本的信息熵值为：
Figure FDA0003932205470000024
式中，
Figure FDA0003932205470000025
Figure FDA0003932205470000026
是子集fj中类别为Ci的样本的概率；
用属性A划分样本集S所得信息增益(gain)为：
Gain(A)＝I(S1,S2,…Sm)-E(A) (6)
其中，E(A)越小，Gain(A)的值越小，则选择性属于A对于分类提供的信息越大，选择A之后分类的不确定程度越小；
步骤3.2：基于跨地区多源停电数据融合矩阵为Y，结合gain模型算法，以预设概率阈值作为存在大面积停电风险和无大面积停电风险的临界值。
5.根据权利要求4所述的一种基于营配数据的跨地区大面积停电故障研判方法，其特征在于，所述预设概率阈值大于等于25％。
6.根据权利要求4所述的一种基于营配数据的跨地区大面积停电故障研判方法，其特征在于，所述步骤4具体包括如下步骤：
步骤4.1：基于步骤3输出的大面积停电分析结果，对存在大面积停电风险的停电事件进行定位；
步骤4.2：展示停电事件在线监测情况，并展示地区抢修网点信息；
步骤4.3：基于GIS信息，为跨地区联动解决停电事件生成派单策略。
7.一种基于营配数据的跨地区大面积停电故障研判系统，其特征在于，包括如下单元：数据获取单元、数据融合单元、停电分析单元、工单派发单元；
所述数据获取单元用于获取跨地区多源停电数据；其中，所述跨地区多源停电数据包括如下：
(1)利用电能表计量箱的TTU、HPLC、新型智能电表主动获取的第一故障停电数据；
(2)基于PMS2.0系统推送的计划停电信息获取的计划停电数据；
(3)基于95598系统的故障工单获取的第二故障停电数据；
所述数据融合单元用于针对所述数据获取单元获取的跨地区多源停电数据，进行跨地区多源停电数据融合，输出跨地区多源停电数据融合结果；
所述停电分析单元用于基于所述数据融合单元输出的跨地区多源停电数据融合结果，进行基于决策树算法的跨地区大面积停电分析，输出大面积停电分析结果；
所述工单派发单元用于基于所述停电分析单元输出的大面积停电分析结果，进行停电工单派发。
8.根据权利要求7所述的一种基于营配数据的跨地区大面积停电故障研判系统，其特征在于，所述数据融合单元具体执行如下步骤：
步骤2.1：构建跨地区多源停电数据汇聚模块，进行跨地区多源停电数据汇聚，由公式(7)表示；
Figure FDA0003932205470000041
其中，X表示各个区域停电数据矩阵，R表示跨地区全量停电数据矩阵，R的下标+表示非负，p表示变量，n表示地区的部门数；
步骤2.2：所述第一故障停电数据记为数据矩阵A，所述计划停电数据记为数据矩阵L，所述第二故障停电数据记为数据矩阵Y；依据地区大面积停电数据的形式特征，提取各个跨地区全量停电数据矩阵X与数据矩阵A、数据矩阵L、数据矩阵Y之间的联系，构建一个共同特征表述矩阵V；
Figure FDA0003932205470000042
其中，i表示共同矩阵特征的数量；
步骤2.3：对跨地区多源停电数据融合建立融合模型，实现跨地区多源停电数据归一处理，跨地区多源停电数据融合矩阵为Y；
Y＝(V1,V2,…Vn)B (9)
其中，B表示矩阵系数。
9.根据权利要求8所述的一种基于营配数据的跨地区大面积停电故障研判系统，其特征在于，所述停电分析单元具体执行如下步骤：
步骤3.1：设样本集S是f个数据样，假定类别为属性Ci，具有m个不同的值：Ci(i＝1,2,…,m)，设fi是Ci中的样本数，对一个给定的样本，它总的信息熵为：
Figure FDA0003932205470000051
式中，pi为任意样本属于Ci的概率，用
Figure FDA0003932205470000052
估计；
设一个属性A具有k个不同的值{a1,a2,…ak},利用属性将样本集S分为K个子集{f1,f2,…fk}，其中子集fj包含了样本集S中属性A取aj的样本，其中j表示属性特征的数量，若选择属性A为测试属性，则子集fj就是从样本集S中的节点生产出来的新的叶节点；设fij是子集fj中类别为Ci的样本数，则根据属性A划分样本的信息熵值为：
Figure FDA0003932205470000053
式中，
Figure FDA0003932205470000054
Figure FDA0003932205470000055
是子集fj中类别为Ci的样本的概率；
用属性A划分样本集S所得信息增益(gain)为：
Gain(A)＝I(S1,S2,…Sm)-E(A) (12)
其中，E(A)越小，Gain(A)的值越小，则选择性属于A对于分类提供的信息越大，选择A之后分类的不确定程度越小；
步骤3.2：基于跨地区多源停电数据融合矩阵为Y，结合gain模型算法，以预设概率阈值作为存在大面积停电风险和无大面积停电风险的临界值，其中，所述预设概率阈值大于等于25％。
10.根据权利要求7所述的一种基于营配数据的跨地区大面积停电故障研判系统，其特征在于，所述工单派发单元具体执行如下步骤：
步骤4.1：基于步骤3输出的大面积停电分析结果，对存在大面积停电风险的停电事件进行定位；
步骤4.2：展示停电事件在线监测情况，并展示地区抢修网点信息；
步骤4.3：基于GIS信息，为跨地区联动解决停电事件生成派单策略。
CN202211391869.4A 2022-11-08 2022-11-08 基于营配数据的跨地区大面积停电故障研判方法及系统 Pending CN115603318A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211391869.4A CN115603318A (zh) 2022-11-08 2022-11-08 基于营配数据的跨地区大面积停电故障研判方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211391869.4A CN115603318A (zh) 2022-11-08 2022-11-08 基于营配数据的跨地区大面积停电故障研判方法及系统

Publications (1)

Publication Number Publication Date
CN115603318A true CN115603318A (zh) 2023-01-13

Family

ID=84853772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211391869.4A Pending CN115603318A (zh) 2022-11-08 2022-11-08 基于营配数据的跨地区大面积停电故障研判方法及系统

Country Status (1)

Country Link
CN (1) CN115603318A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116303392A (zh) * 2023-03-02 2023-06-23 重庆市规划和自然资源信息中心 关于不动产登记数据的多源数据表管理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116303392A (zh) * 2023-03-02 2023-06-23 重庆市规划和自然资源信息中心 关于不动产登记数据的多源数据表管理方法
CN116303392B (zh) * 2023-03-02 2023-09-01 重庆市规划和自然资源信息中心 关于不动产登记数据的多源数据表管理方法

Similar Documents

Publication Publication Date Title
CN111162608B (zh) 一种基于关联分析的配电变压器台区拓扑识别与校验方法
CN110969347B (zh) 一种输电网结构形态评估方法
CN102545213B (zh) 电网线损实时管理系统及方法
CN110516912B (zh) 一种配电台区户变关系的识别方法
CN112688428B (zh) 一种基于物联网技术的10千伏电网同期线损治理方法
CN104809665B (zh) 一种基于改进Apriori算法的配电网预警方法
CN102567412A (zh) 一种计算机辅助电网负荷分析的信息处理方法
CN113189418B (zh) 一种基于电压数据的拓扑关系识别方法
CN112615428A (zh) 一种线损分析治理系统及方法
CN115603318A (zh) 基于营配数据的跨地区大面积停电故障研判方法及系统
CN110555619A (zh) 一种基于智能配电网的供电能力评估方法
CN110889565A (zh) 一种基于多维矩阵决策的配网巡检周期计算方法
CN103632314A (zh) 基于概率统计的广义节点特征建模方法
CN111552686B (zh) 一种电力数据质量评估方法及其装置
CN109840646A (zh) 基于大数据处理的电压监测方法
Domínguez et al. Analysis of electric power consumption using Self-Organizing Maps.
CN116203351A (zh) 线路阻抗异常的检测方法及系统
Zhang et al. Analysis of influencing factors of transmission line loss based on GBDT algorithm
CN115409264A (zh) 基于馈线故障预测的配电网抢修驻点位置优化方法
CN101441454A (zh) 一种低频减载及拉路序位在线监视实现方法
CN113866562A (zh) 一种电力系统台区线损识别方法
CN112365169A (zh) 一种未来低碳能源框架下的电网运营评价分析方法
Ya’An Application of artificial intelligence in computer network technology in the era of big data
Grigoras et al. Knowlegde extraction from Smart Meters for consumer classification
Zhou et al. Research on Data Classification and Risk Level Perception of Weak Distribution Network

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