CN115809415A - 一种配电网自愈模式规划方法、装置及存储介质 - Google Patents
一种配电网自愈模式规划方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115809415A CN115809415A CN202211697825.4A CN202211697825A CN115809415A CN 115809415 A CN115809415 A CN 115809415A CN 202211697825 A CN202211697825 A CN 202211697825A CN 115809415 A CN115809415 A CN 115809415A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- self
- distribution network
- mode
- healing
- 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
Images
Abstract
本发明公开了一种配电网自愈模式规划方法、装置及存储介质,其中方法包括:获取多个具备自愈功能的配电网样本;对配电网样本进行逐一解析,得到对应数量的训练样本;以训练样本中的供电区类型、配电线路类型、通信方式、配电自动化模式作为训练数据集,以自愈模式作为标签,对初始分类模型进行训练,得到自愈模式分类模型;将待规划配电网的基础信息输入至自愈模式分类模型中,得到待规划配电网的自愈模式。本发明将待规划配电网的基础信息输入已训练的分类模型中,得到对应自愈模式,能够为配电网的自愈模式选择提供了可靠的技术依据,并且针对配电网选择对应的自愈模式具有统一标准,从而能够有效提高配电网自愈的效率。
Description
技术领域
本发明涉及配电网技术领域,尤其是涉及一种配电网自愈模式规划方法、装置及存储介质。
背景技术
配电网自愈是一种在无需或少量人为干预的前提下,利用自动化装置及系统监视配电线路运行状况,及时发现线路故障,实现故障区间隔离,非故障区间自动恢复供电的综合技术。配电网自愈建设规划是基于一次系统规划进行,其是依据本地区经济发展、配电网网架结构、设备现状、负荷水平以及不同区域供电可靠性的实际需求,综合考虑配电线路、通信网络和开关设备情况,合理选择自愈的模式。配电网规模庞大,尤其是大量新能源、储能、充换电设施接入后,配电网的运行与控制保护面临巨大挑战,配电网自愈技术是传统配电自动化技术的进阶和延伸,能友好地适应未来电网的各种挑战,促进配网供电可靠性及资产利用率提升。
现有的配电网自愈模式规划方法无法统一标准针对不同情况下的配电网选择对应的自愈模式,导致配电网自愈的效率较低。
发明内容
本发明提供了一种配电网自愈模式规划方法、装置及存储介质,以解决现有的配电网自愈模式规划方法无法统一标准对不同情况下的配电网选择对应的自愈模式,导致配电网自愈的效率较低的技术问题。
本发明的一个实施例提供了一种配电网自愈模式规划方法,包括:
获取多个具备自愈功能的配电网样本;
对所述配电网样本进行逐一解析,得到对应数量的训练样本,所述训练样本的数据包括配电网的供电区类型、配电线路类型、通信方式、配电自动化模式和自愈模式;
以所述训练样本中的供电区类型、配电线路类型、通信方式、配电自动化模式作为训练数据集,以所述自愈模式作为标签,对初始分类模型进行训练,得到自愈模式分类模型;
将待规划配电网的基础信息输入至所述自愈模式分类模型中,得到待规划配电网的自愈模式,所述待规划配电网的基础信息包括待规划配电网的供电区类型、配电线路类型、通信方式和配电自动化模式。
进一步的,所述获取多个具备自愈功能的配电网样本,包括:
获取多个具备自愈功能的配电网案例;
根据预设的过滤条件对所述配电网案例进行过滤,得到配电网样本,所述预设的过滤条件为自愈模式与配电网不适配。
进一步的,所述供电区包括第一类供电区、第二类供电区和第三类供电区,所述第一类供电区满足σ≥15,所述第二类供电区满足6≤σ<15,所述第三类供电区满足σ<6,其中,σ为供电区域的负荷密度,单位是兆瓦/平方公里;所述配电线路包括电缆线路和架空线路;所述通信方式包括光纤通信、无线公网通信和无通信条件;所述配电自动化模式包括智能分布式就地控制型、集中控制型、级差保护方式就地控制型和就地重合式就地控制型;所述自愈模式包括主站集中型、主站与级差保护协同型、主站与电压时间/电流协同型和主站与智能分布式协同型。
进一步的,所述主站集中型通过配电主站与配电终端双向通信,获取实时的配电网及配电设备的运行信息和故障信号,使所述配电主站根据所述运行信息和故障信号,控制开关设备投切。
进一步的,所述主站与级差保护协同型通过配电主站完成故障精确定位、隔离及非故障区段复电,以及通过配电终端就地跳闸完成故障上游隔离。
进一步的,所述主站与电压时间/电流协同型通过配电终端就地完成故障定位及隔离,通过配电主站或配电终端完成非故障区段转供复电,当配电终端就地完成转供复电时,配电主站验证就地动作正确性,并作为后备保护优化故障处理。
进一步的,所述主站与智能分布式协同型通过配电终端就地完成故障定位、隔离及恢复供电,以及通过配电主站验证就地动作正确性,并作为后备保护优化故障处理。
本发明的一个实施例提供了一种配电网自愈模式规划装置,包括:
配电网样本获取模块,用于获取多个具备自愈功能的配电网样本;
配电网样本解析模块,用于对所述配电网样本进行逐一解析,得到对应数量的训练样本,所述训练样本的数据包括配电网的供电区类型、配电线路类型、通信方式、配电自动化模式和自愈模式;
模型训练模块,用于以所述训练样本中的供电区类型、配电线路类型、通信方式、配电自动化模式作为训练数据集,以所述自愈模式作为标签,对初始分类模型进行训练,得到自愈模式分类模型;
自愈模式规划模块,用于将待规划配电网的基础信息输入至所述自愈模式分类模型中,得到待规划配电网的自愈模式,所述待规划配电网的基础信息包括待规划配电网的供电区类型、配电线路类型、通信方式和配电自动化模式。
本发明的一个实施例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计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的配电网自愈模式规划方法。
本发明实施例通过通过采集已有的具备自愈功能的配电网的数据,并对其逐一分析处理,得到多个训练样本,再根据训练样本对初始分类模型进行训练,得到已训练的自愈模式分类模型,并将待规划配电网的基础信息输入已训练的分类模型中,得到对应自愈模式,能够为配电网的自愈模式选择提供了可靠的技术依据,并且针对配电网选择对应的自愈模式具有统一标准,从而能够有效提高配电网自愈的效率。
附图说明
图1是本发明实施例提供的配电网自愈模式规划方法的流程示意图;
图2是本发明实施例提供的配电网自愈模式规划装置的结构示意图;
图3是本发明实施例提供的配电网自愈模式规划设备的结构示意图。
具体实施方式
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,都属于本申请保护的范围。
在本申请的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本申请的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
请参阅图1,本发明的一个实施例提供了一种配电网自愈模式规划方法,包括:
S1、获取多个具备自愈功能的配电网样本;
在本发明实施例中,可以获取具备自愈功能的配电网案例,再通过预设的过滤条件,从配电网案例中过滤得到若干配电网样本。
在一个实施例中,可以设置过滤条件为自愈模式与配电网不适配,从而将满足过滤条件的配电网案例过滤掉,得到具备自愈功能的配电网样本。
可以理解的是,配电网案例通常标注有自愈模式与配电网是否适配,可以通过标注直接过滤掉自愈模式与配电网不适配的配电网案例。
S2、对所述配电网样本进行逐一解析,得到对应数量的训练样本,所述训练样本的数据包括配电网的供电区类型、配电线路类型、通信方式、配电自动化模式和自愈模式;
在本发明实施例中,通过解析得到的训练样本包括若干数据,由于自愈模式的选型需要考虑配电网的供电区类型、配电线路类型、通信方式和配电自动化模式。本发明实施例在进行解析时,针对上述数据进行解析即可。
S3、以所述训练样本中的供电区类型、配电线路类型、通信方式、配电自动化模式作为训练数据集,以所述自愈模式作为标签,对初始分类模型进行训练,得到自愈模式分类模型;
在本发明实施例中,在确定训练数据集和训练标签之后,对初始分类模型进行训练,得到用于规划配电网自愈模式的分类模型。
S4、将待规划配电网的基础信息输入至所述自愈模式分类模型中,得到待规划配电网的自愈模式,所述待规划配电网的基础信息包括待规划配电网的供电区类型、配电线路类型、通信方式和配电自动化模式。
本发明实施例通过通过采集已有的具备自愈功能的配电网的数据,并对其逐一分析处理,得到多个训练样本,再根据训练样本对初始分类模型进行训练,得到已训练的自愈模式分类模型,并将待规划配电网的基础信息输入已训练的分类模型中,得到对应自愈模式,能够为配电网的自愈模式选择提供了可靠的技术依据,并且针对配电网选择对应的自愈模式具有统一标准,从而能够有效提高配电网自愈的效率。
在一个实施例中,所述获取多个具备自愈功能的配电网样本,包括:
获取多个具备自愈功能的配电网案例;
根据预设的过滤条件对所述配电网案例进行过滤,得到配电网样本,所述预设的过滤条件为自愈模式与配电网不适配。
在本发明实施例中,可以根据预先标注的信息,确定自愈模式与配电网不匹配的配电网案例,并将其过滤掉。
在一个实施例中,所述供电区包括第一类供电区、第二类供电区和第三类供电区,所述第一类供电区满足σ≥15,所述第二类供电区满足6≤σ<15,所述第三类供电区满足σ<6,其中,σ为供电区域的负荷密度,单位是兆瓦/平方公里;所述配电线路包括电缆线路和架空线路;所述通信方式包括光纤通信、无线公网通信和无通信条件;所述配电自动化模式包括智能分布式就地控制型、集中控制型、级差保护方式就地控制型和就地重合式就地控制型;所述自愈模式包括主站集中型、主站与级差保护协同型、主站与电压时间/电流协同型和主站与智能分布式协同型。
在一个实施例中,可以根据供电区域的负荷密度(单位为兆瓦/平方公里),对供电区划分为多类供电区,例如第一类供电区满足σ≥15,所述第二类供电区满足6≤σ<15,所述第三类供电区满足σ<6。其中,针对不同的供电区可以对应生成不同的自愈模式。
在一个实施例中,所述主站集中型通过配电主站与配电终端双向通信,获取实时的配电网及配电设备的运行信息和故障信号,使所述配电主站根据所述运行信息和故障信号,控制开关设备投切。
请参阅表1,在一个实施例中,可以针对不同的供电区类型、配电线路类型、通信方式和配电自动化模式,确定对应的不同自愈模式。
表1训练样本
可以理解地,机器学习是一个从训练集中学习出算法的研究领域,分类是一项需要使用机器学习算法的任务,该算法学习如何为数据集分配类别标签。在机器学习中,分类是指预测建模问题,对给定示例的输入数据预测其类别标签。从建模的角度来看,分类需要训练数据集,其中包含需对可供学习的输入输出数据。模型将使用训练数据集,并计算如何将输入数据样本更加准确地映射到特定的类别标签,因此,训练数据集必须拥有足够的代表性,并且每个分类标签都用于较多样本数据,类别标签通常是字符串值。
其中,有很多不同类型的分类算法可以对分类预测问题进行建模,关于如何将合适的算法应用到具体分类问题上,没有固定的模式准则。但可以通过试验来确定,通常是试验者使用受控实验,在给定的分类任务中,哪种算法和算法配置拥有最佳性能,从而将其挑选出来。分类准确度是一种常用的度量标准,其通过预测的类别标签来评估模型的性能。某些任务可能需要预测每个样本类别成员的概率,而不是标签,从而为预测提供了额外的不确定性,评估预测概率的一种通用判断方法是ROC曲线(积分面积)。
与二分类不同,多类别分类没有正常和异常结果的概念。相反,样本被分类为属于一系列已知类别中的一个。在某些问题上,类标签的数量可能非常大。例如,涉及预测单词序列的问题,例如文本翻译模型,也可以视为一种特殊类型的多类别分类。要预测的单词序列中的每个单词都涉及一个多类分类,其中词汇量定义了可以预测的可能类别的数量,其数量可能是成千上万个单词。通常使用每个样本的Multinoulli概率分布的模型来对多类分类任务进行建模。所述Multinoulli概率分布是覆盖情况下的事件将有一个明确的结果,例如离散概率分布k在{1,2,3,...,k}。对于分类,这意味着模型可以预测样本属于每个类别标签的概率。
许多用于二分类的算法也可以用于解决多分类问题,可用于多类分类的流行算法包括:k最近邻(k-Nearest Neighbors)、决策树(Decision Trees)、朴素贝叶斯(NaiveBayes)、随机森林(Random Forest)、梯度Boosting(Gradient Boosting)。上述算法涉及使用一种策略,该策略为每个类别与所有其他类别(称为“一对多”)拟合多个二分类模型,或者为每对类别(称为“一对一”)拟合一个模型。可以使用这些策略进行多分类的二分类算法包括:逻辑回归(Logi st ic Regress ion)和支持向量机(Support Vector Machi ne)。
本发明实施例选择的分类模型为多类别分类模型,多类别分类是指具有两个以上类别标签的分类任务。
在一个实施例中,模型训练具体的标签有4个,即主站集中型、主站与级差保护协同型、主站与电压时间/电流协同型和主站与智能分布式协同型。本发明实施例以训练样本中的供电区类型、配电线路类型、通信方式、配电自动化模式作为训练数据集,以自愈模式作为标签,对多类别分类模型进行训练,从而得到自愈模式分类模型。
当得到自愈模式分类模型后,将待规划配电网的供电区类型、配电线路类型、通信方式和配电自动化模式输入到已训练的自愈模式分类模型,能够输出自愈模式。所述自愈模式包括主站集中型、主站与级差保护协同型、主站与电压时间/电流协同型和主站与智能分布式协同型。
在一个具体的实施例子中,将供电区类型(第一类供电区)、配电线路类型(架空线路)、通信方式(光纤通信)、配电自动化模式(集中控制型)输入到已训练的自愈模式分类模型中,输出自愈模式为主站集中型的概率85%,为主站与级差保护协同型的概率8%,为主站与电压时间/电流协同型的概率4%,为主站与智能分布式协同型的概率3%;本发明实施例取概率最大的主站集中型作为当前配电自动化模式,即判定当前配电自动化模式为主站集中型。
在一个实施例中,所述主站与级差保护协同型通过配电主站完成故障精确定位、隔离及非故障区段复电,以及通过配电终端就地跳闸完成故障上游隔离。
在一个实施例中,所述主站与电压时间/电流协同型通过配电终端就地完成故障定位及隔离,通过配电主站或配电终端完成非故障区段转供复电,当配电终端就地完成转供复电时,配电主站验证就地动作正确性,并作为后备保护优化故障处理。
在一个实施例中,所述主站与智能分布式协同型通过配电终端就地完成故障定位、隔离及恢复供电,以及通过配电主站验证就地动作正确性,并作为后备保护优化故障处理。
实施本发明实施例,具有以下有益效果:
本发明实施例通过通过采集已有的具备自愈功能的配电网的数据,并对其逐一分析处理,得到多个训练样本,再根据训练样本对初始分类模型进行训练,得到已训练的自愈模式分类模型,并将待规划配电网的基础信息输入已训练的分类模型中,得到对应自愈模式,能够为配电网的自愈模式选择提供了可靠的技术依据,并且针对配电网选择对应的自愈模式具有统一标准,从而能够有效提高配电网自愈的效率。
请参阅图2,基于与上述实施例相同的发明构思,本发明的一个实施例提供了一种配电网自愈模式规划装置,包括:
配电网样本获取模块10,用于获取多个具备自愈功能的配电网样本;
配电网样本解析模块20,用于对所述配电网样本进行逐一解析,得到对应数量的训练样本,所述训练样本的数据包括配电网的供电区类型、配电线路类型、通信方式、配电自动化模式和自愈模式;
模型训练模块30,用于以所述训练样本中的供电区类型、配电线路类型、通信方式、配电自动化模式作为训练数据集,以所述自愈模式作为标签,对初始分类模型进行训练,得到自愈模式分类模型;
自愈模式规划模块40,用于将待规划配电网的基础信息输入至所述自愈模式分类模型中,得到待规划配电网的自愈模式,所述待规划配电网的基础信息包括待规划配电网的供电区类型、配电线路类型、通信方式和配电自动化模式。
在一个实施例中,所述获取多个具备自愈功能的配电网样本,包括:
获取多个具备自愈功能的配电网案例;
根据预设的过滤条件对所述配电网案例进行过滤,得到配电网样本,所述预设的过滤条件为自愈模式与配电网不适配。
在一个实施例中,所述供电区包括第一类供电区、第二类供电区和第三类供电区,所述第一类供电区满足σ≥15,所述第二类供电区满足6≤σ<15,所述第三类供电区满足σ<6,其中,σ为供电区域的负荷密度,单位是兆瓦/平方公里;所述配电线路包括电缆线路和架空线路;所述通信方式包括光纤通信、无线公网通信和无通信条件;所述配电自动化模式包括智能分布式就地控制型、集中控制型、级差保护方式就地控制型和就地重合式就地控制型;所述自愈模式包括主站集中型、主站与级差保护协同型、主站与电压时间/电流协同型和主站与智能分布式协同型。
在一个实施例中,所述主站集中型通过配电主站与配电终端双向通信,获取实时的配电网及配电设备的运行信息和故障信号,使所述配电主站根据所述运行信息和故障信号,控制开关设备投切。
在一个实施例中,所述主站与级差保护协同型通过配电主站完成故障精确定位、隔离及非故障区段复电,以及通过配电终端就地跳闸完成故障上游隔离。
在一个实施例中,所述主站与电压时间/电流协同型通过配电终端就地完成故障定位及隔离,通过配电主站或配电终端完成非故障区段转供复电,当配电终端就地完成转供复电时,配电主站验证就地动作正确性,并作为后备保护优化故障处理。
在一个实施例中,所述主站与智能分布式协同型通过配电终端就地完成故障定位、隔离及恢复供电,以及通过配电主站验证就地动作正确性,并作为后备保护优化故障处理。
本发明的一个实施例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计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的配电网自愈模式规划方法。
请参阅图3,本发明的一个实施例提供了一种配电网自愈模式规划设备的结构示意图,该设备300可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)310(例如,一个或一个以上处理器)和存储器320,一个或一个以上存储应用程序333或数据332的存储介质330(例如一个或一个以上海量存储设备)。其中,存储器320和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图未示),每个模块可以包括对设备300中的一系列指令操作。更进一步地,处理器310可以设置为与存储介质330通信,在设备300上执行存储介质中的一系列指令操作。
设备300还可以包括一个或一个以上电源340,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口360,和/或,一个或一个以上操作系统331,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。
以上所述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,这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种配电网自愈模式规划方法,其特征在于,包括:
获取多个具备自愈功能的配电网样本;
对所述配电网样本进行逐一解析,得到对应数量的训练样本,所述训练样本的数据包括配电网的供电区类型、配电线路类型、通信方式、配电自动化模式和自愈模式;
以所述训练样本中的供电区类型、配电线路类型、通信方式、配电自动化模式作为训练数据集,以所述自愈模式作为标签,对初始分类模型进行训练,得到自愈模式分类模型;
将待规划配电网的基础信息输入至所述自愈模式分类模型中,得到待规划配电网的自愈模式,所述待规划配电网的基础信息包括待规划配电网的供电区类型、配电线路类型、通信方式和配电自动化模式。
2.如权利要求1所述的配电网自愈模式规划方法,其特征在于,所述获取多个具备自愈功能的配电网样本,包括:
获取多个具备自愈功能的配电网案例;
根据预设的过滤条件对所述配电网案例进行过滤,得到配电网样本,所述预设的过滤条件为自愈模式与配电网不适配。
3.如权利要求1所述的配电网自愈模式规划方法,其特征在于,所述供电区包括第一类供电区、第二类供电区和第三类供电区,所述第一类供电区满足σ≥15,所述第二类供电区满足6≤σ<15,所述第三类供电区满足σ<6,其中,σ为供电区域的负荷密度,单位是兆瓦/平方公里;所述配电线路包括电缆线路和架空线路;所述通信方式包括光纤通信、无线公网通信和无通信条件;所述配电自动化模式包括智能分布式就地控制型、集中控制型、级差保护方式就地控制型和就地重合式就地控制型;所述自愈模式包括主站集中型、主站与级差保护协同型、主站与电压时间/电流协同型和主站与智能分布式协同型。
4.如权利要求3所述的配电网自愈模式规划方法,其特征在于,所述主站集中型通过配电主站与配电终端双向通信,获取实时的配电网及配电设备的运行信息和故障信号,使所述配电主站根据所述运行信息和故障信号,控制开关设备投切。
5.如权利要求3所述的配电网自愈模式规划方法,其特征在于,所述主站与级差保护协同型通过配电主站完成故障精确定位、隔离及非故障区段复电,以及通过配电终端就地跳闸完成故障上游隔离。
6.如权利要求3所述的配电网自愈模式规划方法,其特征在于,所述主站与电压时间/电流协同型通过配电终端就地完成故障定位及隔离,通过配电主站或配电终端完成非故障区段转供复电,当配电终端就地完成转供复电时,配电主站验证就地动作正确性,并作为后备保护优化故障处理。
7.如权利要求3所述的配电网自愈模式规划方法,其特征在于,所述主站与智能分布式协同型通过配电终端就地完成故障定位、隔离及恢复供电,以及通过配电主站验证就地动作正确性,并作为后备保护优化故障处理。
8.一种配电网自愈模式规划装置,其特征在于,包括:
配电网样本获取模块,用于获取多个具备自愈功能的配电网样本;
配电网样本解析模块,用于对所述配电网样本进行逐一解析,得到对应数量的训练样本,所述训练样本的数据包括配电网的供电区类型、配电线路类型、通信方式、配电自动化模式和自愈模式;
模型训练模块,用于以所述训练样本中的供电区类型、配电线路类型、通信方式、配电自动化模式作为训练数据集,以所述自愈模式作为标签,对初始分类模型进行训练,得到自愈模式分类模型;
自愈模式规划模块,用于将待规划配电网的基础信息输入至所述自愈模式分类模型中,得到待规划配电网的自愈模式,所述待规划配电网的基础信息包括待规划配电网的供电区类型、配电线路类型、通信方式和配电自动化模式。
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计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7任一项所述的配电网自愈模式规划方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022115481278 | 2022-12-05 | ||
CN202211548127 | 2022-12-05 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115809415A true CN115809415A (zh) | 2023-03-17 |
Family
ID=85486962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211697825.4A Pending CN115809415A (zh) | 2022-12-05 | 2022-12-28 | 一种配电网自愈模式规划方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809415A (zh) |
-
2022
- 2022-12-28 CN CN202211697825.4A patent/CN115809415A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111177095A (zh) | 日志分析方法、装置、计算机设备及存储介质 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN113189451A (zh) | 配电网故障定位研判方法、系统、计算机设备和存储介质 | |
EP3905424B1 (en) | Data processing device, data processing method and computer program | |
CN113169709A (zh) | 基于机器学习的太阳能发电控制系统及方法 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN112686494A (zh) | 基于线损异常台区的数据拟合方法、装置及智能设备 | |
Zu et al. | A simple gated recurrent network for detection of power quality disturbances | |
CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN114202304A (zh) | 一种电网故障智能监控处理方法及系统 | |
CN109740770A (zh) | 设备异常处理方法、装置、计算机设备和存储介质 | |
CN107611940B (zh) | 一种基于历史数据分析的配电网异常监测方法与系统 | |
CN117595488A (zh) | 一种基于负荷动态匹配的电力调度监控方法及系统 | |
Gu et al. | Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems | |
CN117394529A (zh) | 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN115809415A (zh) | 一种配电网自愈模式规划方法、装置及存储介质 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及系统 | |
EP4071670A1 (en) | Technical system for a centralized generation of a plurality of trained, retrained and/or monitored machine learning models, wherein the generated machine learning models are executed decentral | |
CN115277473A (zh) | 边缘网关的远程运维方法、装置、计算机设备、存储介质 | |
CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Zhang et al. | Design of communication power centralized remote monitoring system based on big data technology | |
CN107194594B (zh) | 一种基于iec61850的背靠背换流站物理信息系统可靠性评估方法 |
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 |