CN116187723B - 应用于配电线路降损场景下的资源调度方法及装置 - Google Patents

应用于配电线路降损场景下的资源调度方法及装置 Download PDF

Info

Publication number
CN116187723B
CN116187723B CN202310461421.3A CN202310461421A CN116187723B CN 116187723 B CN116187723 B CN 116187723B CN 202310461421 A CN202310461421 A CN 202310461421A CN 116187723 B CN116187723 B CN 116187723B
Authority
CN
China
Prior art keywords
line
data
distribution
population
distribution line
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
CN202310461421.3A
Other languages
English (en)
Other versions
CN116187723A (zh
Inventor
姜磊
杜双育
曲滨涛
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.)
Brilliant Data Analytics Inc
Original Assignee
Brilliant Data Analytics Inc
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 Brilliant Data Analytics Inc filed Critical Brilliant Data Analytics Inc
Priority to CN202310461421.3A priority Critical patent/CN116187723B/zh
Publication of CN116187723A publication Critical patent/CN116187723A/zh
Application granted granted Critical
Publication of CN116187723B publication Critical patent/CN116187723B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)

Abstract

本发明涉及人工智能技术领域，揭露了一种应用于配电线路降损场景下的资源调度方法和装置，该方法包括：获取配电线路的线路数据，根据所述线路数据生成所述配电线路的线路拓扑图；根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件；根据预设的目标函数和所述约束条件构建所述配电线路的线损模型；对所述线损模型进行参数初始化，得到所述线损模型的初始模型；利用遗传算法和所述初始模型生成所述配电线路的重构线路，根据所述重构线路进行电力资源的调度。本发明还提出一种应用于配电线路降损场景下的资源调度装置。本发明可以提高应用于配电线路降损场景下的资源调度的效率。

Description

应用于配电线路降损场景下的资源调度方法及装置
技术领域
本发明涉及人工智能技术领域，尤其涉及一种应用于配电线路降损场景下的资源调度方法及装置。
背景技术
现代社会中，电能是一种使用最广泛的能源。在世界能源日趋紧张的今天，各国都充分认识到了降低电能传输损耗的重要性。从发电厂发出来的电能，在电力系统的传输、变压、配电、用电等各环节中所造成的损耗，称为电力系统的电能损耗，简称线损。换句话说就是线损是发电厂（站）发出来的输入电网的电能量与电力用户用电时所消耗的电能量之差。
现如今，当采用模拟退火算法进行线损的优化，进而进行电力资源调度时，由于模拟退火算法存在收敛速度慢，局部搜索能力弱，运行时间长，容易受到参数的影响，会导致电力资源的资源调度效率较低，因此，如何提升应用于配电线路降损场景下的资源调度时效率，成为了亟待解决的问题。
发明内容
本发明提供一种应用于配电线路降损场景下的资源调度方法及装置，其主要目的在于解决应用于配电线路降损场景下的资源调度时效率较低的问题。
为实现上述目的，本发明提供的一种应用于配电线路降损场景下的资源调度方法，包括：
获取配电线路的线路数据，根据所述线路数据生成所述配电线路的线路拓扑图；
根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件；
根据预设的目标函数和所述约束条件构建所述配电线路的线损模型，其中，所述预设的目标函数为：
其中，是所述配电线路的线路损耗，/>是所述配电线路能达到的最小线路损耗值，/>是所述配电线路的第/>个支路的开关状态变量，/>是所述配电线路的第/>个支路的电阻，/>是所述配电线路的第/>个支路的末端流过的有功功率，/>是所述配电线路的第/>个支路的末端流过的无功功率，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的支路标识，/>是所述配电线路的支路总数；
对所述线损模型进行参数初始化，得到所述线损模型的初始模型；
利用遗传算法和所述初始模型生成所述配电线路的重构线路，根据所述重构线路进行电力资源的调度。
可选地，所述根据所述线路数据生成所述配电线路的线路拓扑图，包括：
利用Bert模型对所述线路数据进行特征提取，得到所述线路数据的数据特征；
根据所述数据特征对所述线路数据进行数据清洗，得到所述线路数据的标准数据；
根据所述标准数据确定所述配电线路的分布节点，利用所述分布节点和所述线路数据生成所述配电线路的路线拓扑图。
可选地，所述根据所述标准数据确定所述配电线路的分布节点，包括：
对所述标准数据进行数据聚类，得到所述标准数据的聚类数据；
根据所述聚类数据确定所述标准数据的聚类中心，根据所述聚类中心确定所述配电线路的分布节点。
可选地，所述利用所述分布节点和所述线路数据生成所述配电线路的路线拓扑图，包括：
根据所述分布节点生成所述配电线路的拓扑点，利用所述拓扑点对所述线路数据进行数据选取，得到所述线路数据的目标数据；
根据所述目标数据逐个生成所述拓扑点的拓扑边，利用所述拓扑点和所述拓扑边生成所述配电线路的拓扑架构；
对所述拓扑架构进行图像渲染，得到所述拓扑架构的架构拓扑图，确定所述架构拓扑图为所述配电线路的路线拓扑图。
可选地，所述根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件，包括：
根据所述线路拓扑图和所述线路数据生成所述配电线路的节点电压约束，其中，所述节点电压约束为：
其中，是所述配电线路的第/>个支路的末端的节点电压的下限，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的第/>个支路的末端的节点电压的上限，/>是所述配电线路的支路标识，/>是所述配电线路的第/>个支路的末端的节点电压的下限标识，/>是所述配电线路的第/>个支路的末端的节点电压的上限标识；
根据所述线路拓扑图和所述线路数据生成所述配电线路的支路容量约束，其中，所述支路容量约束为：
其中，是所述配电线路的第/>个支路的流过的功率值，/>是所述配电线路的第个支路的流过的最大允许功率值，/>是所述配电线路的支路标识，/>是所述配电线路的第/>个支路的流过的最大允许功率值的标识；
汇集所述节点电压约束和所述支路容量约束为所述配电线路的约束条件。
可选地，所述根据预设的目标函数和所述约束条件构建所述配电线路的线损模型，包括：
根据预设的目标函数和所述约束条件构建所述配电线路的惩罚函数；
利用无约束优化极值算法和预设的惩罚距离阈值生成所述惩罚函数的惩罚因子，根据所述惩罚因子和所述惩罚函数构建所述配电线路的线损模型。
可选地，所述利用遗传算法和所述初始模型生成所述配电线路的重构线路，包括：
根据所述初始模型生成所述配电线路的初始种群；
对所述初始种群进行交叉处理，得到所述初始种群的交叉种群；
对所述交叉种群进行变异操作，得到所述交叉种群的变异种群；
根据预设的迭代阈值和所述变异种群生成所述配电线路的最优个体，根据所述最优个体生成所述配电线路的重构线路。
可选地，所述对所述初始种群进行交叉处理，得到所述初始种群的交叉种群，包括：
利用如下变异算法对所述初始种群进行变异操作，得到所述初始种群的变异种群：
其中，是所述初始种群中第/>个种群的变异种群，/>是变异因子，/>是第/>个种群中随机选择的第一种群个体，/>是第/>个种群中随机选择的第二种群个体，/>是第/>个种群中随机选择的第三种群个体，/>是种群进化标识，/>是种群标识。
可选地，所述对所述初始种群进行交叉处理，得到所述初始种群的交叉种群，包括：
利用如下交叉算法对所述变异种群进行交叉操作，得到所述变异种群的交叉种群：
其中，是所述变异种群中第/>个种群第/>维种群个体的交叉个体，/>是所述变异种群中第/>个种群第/>维种群个体的变异个体，/>是所述变异种群中第/>个种群第/>维种群个体，/>是种群标识，/>是种群个体维数标识，/>是种群进化标识，/>是，/>是在区间[1,D]中的一个随机整数，/>是交叉因子，/>是表示[0,1]内均匀分布的随机数，/>是选择函数，D是种群个体维数的最大值，/>是满足/>时的定义域。
为了解决上述问题，本发明还提供一种应用于配电线路降损场景下的资源调度装置，所述装置包括：
线路拓扑图模块，用于获取配电线路的线路数据，根据所述线路数据生成所述配电线路的线路拓扑图；
约束条件模块，用于根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件；
线损模型模块，用于根据预设的目标函数和所述约束条件构建所述配电线路的线损模型，其中，所述预设的目标函数为：
其中，是所述配电线路的线路损耗，/>是所述配电线路能达到的最小线路损耗值，/>是所述配电线路的第/>个支路的开关状态变量，/>是所述配电线路的第/>个支路的电阻，/>是所述配电线路的第/>个支路的末端流过的有功功率，/>是所述配电线路的第/>个支路的末端流过的无功功率，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的支路标识，/>是所述配电线路的支路总数；
初始模型模块，用于对所述线损模型进行参数初始化，得到所述线损模型的初始模型；
资源调度模块，用于利用遗传算法和所述初始模型生成所述配电线路的重构线路，根据所述重构线路进行电力资源的调度。
本发明实施例通过配电线路的线路数据生成所述配电线路的线路拓扑图，确定了配电方和用电方的位置和配电线路中的开关及变压器等组件，根据预设的目标函数和由线路数据确定的约束条件构建所述配电线路的线损模型，建立了配电线路的优化目标，利用遗传算法生成所述配电线路的最优个体，进一步生成所述配电线路的重构线路，利用重构线路进行电力资源的调度，在线损最小的情况下加快了资源调度的效率，因此本发明提出应用于配电线路降损场景下的资源调度方法及装置，可以解决应用于配电线路降损场景下的资源调度效率较低的问题。
附图说明
图1为本发明一实施例提供的应用于配电线路降损场景下的资源调度方法的流程示意图；
图2为本发明一实施例提供的生成线路拓扑图的流程示意图；
图3为本发明一实施例提供的生成重构线路的流程示意图；
图4为本发明一实施例提供的应用于配电线路降损场景下的资源调度装置的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种应用于配电线路降损场景下的资源调度方法。所述应用于配电线路降损场景下的资源调度方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述应用于配电线路降损场景下的资源调度方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的应用于配电线路降损场景下的资源调度方法的流程示意图。在本实施例中，所述应用于配电线路降损场景下的资源调度方法包括：
S1、获取配电线路的线路数据，根据所述线路数据生成所述配电线路的线路拓扑图。
在本发明实施例中，配电线路的理论线损需要遍历一条馈线的每条支线，以计算各支线平均电流和电能损耗，因此准确地确定配电线路的线路拓扑图，是计算配电网理论线损的关键。
在本发明实施例中，所述配电线路是指从降压变电站把电力送到配电变压器或将配电变电站的电力送到用电单位的线路，所述配电线路的组件包括但不限于：架空线路、电缆、杆塔、配电变压器、隔离开关、无功补偿电容以及一些附属设施等，其中，电缆通常是由几根或几组导线绞合而成的类似绳索的电缆，每组导线之间相互绝缘，并常围绕着一根中心扭成，整个外面包有高度绝缘的覆盖层，所述配电变压器指配电系统中根据电磁感应定律变换交流电压和电流而传输交流电能的一种静止电器。
在本发明实施例中，架空线路、电缆和变压器是所述配电线路产生线损的主要原因，路线损耗是电网经济运行管理水平和供电企业经济效益的综合反映，是供电企业的一项重要经济技术指标。
详细地，所述线路拓扑图是用来描述变电站和用电单位的位置距离关系。
在本发明实施例中，参图2所示，所述根据所述线路数据生成所述配电线路的线路拓扑图，包括：
S21、利用Bert模型对所述线路数据进行特征提取，得到所述线路数据的数据特征；
S22、根据所述数据特征对所述线路数据进行数据清洗，得到所述线路数据的标准数据；
S23、根据所述标准数据确定所述配电线路的分布节点，利用所述分布节点和所述线路数据生成所述配电线路的路线拓扑图。
详细地，所述Bert模型是一个预训练语言模型，Bert模型是使用双向Transformer模型的Encoder Layer进行特征提取，亦即，每一层以及每一个标签向量表示用到了左右两边的上下文信息; 所述Bert模型有两个特征的标签：[CLS]和[SEP]，其中，[CLS]用于分类任务，[SEP]用于断句。
进一步地，所述Bert模型由三个embedding层构成，分别为：token embedding层、segment embedding层以及position embedding层，其中，利用token embedding层对所述线路数据进行向量转化，亦即，将所述线路数据中各个词转换成固定维度的向量。在Bert模型中，每个词会被转换成768维的向量表示；Segment Embeddings层只有两种向量表示。前一个向量是把0赋给第一个句子中的各个标签, 后一个向量是把1赋给第二个句子中的各个标签，如果输入仅仅只有一个句子，那么它的赋值就是全是0；position embedding层对所述分类数据中的词语进行位置识别，例如：“I think, therefore I am。”中第一个 “I”和第二个 “I”应该有着不同的向量表示。
详细地，所述根据所述数据特征对所述线路数据进行数据清洗是指根据所述数据特征确定出所述线路数据中的重复值、缺失值以及错误值，对于上述这些异常数据进行修正，得到所述线路数据的标准数据。
详细地，所述根据所述标准数据确定所述配电线路的分布节点，包括：
对所述标准数据进行数据聚类，得到所述标准数据的聚类数据；
根据所述聚类数据确定所述标准数据的聚类中心，根据所述聚类中心确定所述配电线路的分布节点。
详细地，所述对所述标准数据进行数据聚类是指按照某个特定标准把一个数据集（标准数据）分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大，亦即，聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。
详细地，所述对所述标准数据进行数据聚类可以利用欧氏距离算法或者切比雪夫距离算法做为特定标准对所述标准数据进行分割。
详细地，所述根据所述聚类数据确定所述标准数据的聚类中心是指所述聚类数据的聚类中心是所述聚类数据的特征表示；所述根据所述聚类中心确定所述配电线路的分布节点是指假定所述聚类中心A为所述配电线路的A节点，所述聚类中心B为所述配电线路的B节点。
详细地，所述利用所述分布节点和所述线路数据生成所述配电线路的路线拓扑图，包括：
根据所述分布节点生成所述配电线路的拓扑点，利用所述拓扑点对所述线路数据进行数据选取，得到所述线路数据的目标数据；
根据所述目标数据逐个生成所述拓扑点的拓扑边，利用所述拓扑点和所述拓扑边生成所述配电线路的拓扑架构；
对所述拓扑架构进行图像渲染，得到所述拓扑架构的架构拓扑图，确定所述架构拓扑图为所述配电线路的路线拓扑图。
详细地，所述根据所述分布节点生成所述配电线路的拓扑点是指根据所述分布节点的地理位置和个数确定所述配电线路的拓扑点，亦即，所述拓扑点是对所述配电线路中的线路节点的位置和数目的描述。
详细地，所述利用所述拓扑点对所述线路数据进行数据选取是指甲拓扑点的线路数据和乙拓扑点的线路数据是不同的，各自的线路数据代表不同的特征。
详细地，所述根据所述目标数据逐个生成所述拓扑点的拓扑边是因为所述目标数据包含的信息包括所述拓扑点之间的距离关系、位置关系，可以利用所述目标数据确定所述拓扑点的拓扑边。
详细地，所述拓扑结构是利用所述拓扑边对所述拓扑点进行规则连接得到的。
详细地，所述图像渲染可以利用ECharts、HighCharts、D3、AntV等。
S2、根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件。
在本发明实施例中，所述根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件，包括：
根据所述线路拓扑图和所述线路数据生成所述配电线路的节点电压约束，其中，所述节点电压约束为：
其中，是所述配电线路的第/>个支路的末端的节点电压的下限，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的第/>个支路的末端的节点电压的上限，/>是所述配电线路的支路标识，/>是所述配电线路的第/>个支路的末端的节点电压的下限标识，/>是所述配电线路的第/>个支路的末端的节点电压的上限标识；
根据所述线路拓扑图和所述线路数据生成所述配电线路的支路容量约束，其中，所述支路容量约束为：
其中，是所述配电线路的第/>个支路的流过的功率值，/>是所述配电线路的第个支路的流过的最大允许功率值，/>是所述配电线路的支路标识，/>是所述配电线路的第/>个支路的流过的最大允许功率值的标识；
汇集所述节点电压约束和所述支路容量约束为所述配电线路的约束条件。
详细地，所述约束条件是指求得所述配电线路达到最小的线路损耗的限制条件，亦即，在所述约束条件内搜索所述配电线路的线损的最小值。
S3、根据预设的目标函数和所述约束条件构建所述配电线路的线损模型。
在本发明实施例中，可以利用外点惩罚函数法对预设的目标函数和所述约束条件进行函数整合，所述外点惩罚函数法是指借助罚函数将约束问题转化为无约束优化问题，进而通过求解一系列无约束最优化问题来获取原约束问题的解，迭代过程中，罚函数法通过对不可行点施加惩罚，迫使迭代点向可行域靠近，一旦迭代点成为可行点，则这个可行点就是原问题的最优解。
在本发明实施例中，所述根据预设的目标函数和所述约束条件构建所述配电线路的线损模型，包括：
根据预设的目标函数和所述约束条件构建所述配电线路的惩罚函数；
利用无约束优化极值算法和预设的惩罚距离阈值生成所述惩罚函数的惩罚因子，根据所述惩罚因子和所述惩罚函数构建所述配电线路的线损模型。
详细地，对预设的目标函数和约束条件进行增广，得到所述配电线路的惩罚函数。
详细地，所述无约束优化极值算法又称牛顿法，如果相邻两次惩罚函数无约束最优点之间的距离足够小，则收敛；否则放大惩罚因子，转到构建惩罚函数的步骤，利用牛顿法继续进行迭代，直至获得惩罚因子。
详细地，所述根据所述惩罚因子和所述惩罚函数构建所述配电线路的线损模型是因为所述惩罚因子是确定数值，将所述惩罚因子代入所述惩罚函数的函数式，可以得到不含未知数的惩罚函数，利用已知的惩罚函数构建所述配电线路的线损模型。
详细地，所述预设的目标函数为：
其中，是所述配电线路的线路损耗，/>是所述配电线路能达到的最小线路损耗值，/>是所述配电线路的第/>个支路的开关状态变量，/>是所述配电线路的第/>个支路的电阻，/>是所述配电线路的第/>个支路的末端流过的有功功率，/>是所述配电线路的第/>个支路的末端流过的无功功率，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的支路标识，/>是所述配电线路的支路总数。
S4、对所述线损模型进行参数初始化，得到所述线损模型的初始模型。
在本发明实施例中，所述对所述线损模型进行参数初始化是指确定所述线损模型中的已知参数，所述已知参数包括但不限于：变异因子、交叉因子、种群规模、最大迭代次数。
S5、利用遗传算法和所述初始模型生成所述配电线路的重构线路，根据所述重构线路进行电力资源的调度。
在本发明实施例中，所述遗传算法起源于对生物系统所进行的计算机模拟研究，是一种随机全局搜索优化方法，它模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任一初始种群出发，通过随机选择、交叉和变异操作，产生一群更适合环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代一代不断繁衍进化，最后收敛到一群最适应环境的个体，从而求得问题的优质解。
在本发明实施例中，参图3所示，所述利用遗传算法和所述初始模型生成所述配电线路的重构线路，包括：
S31、根据所述初始模型生成所述配电线路的初始种群；
S32、对所述初始种群进行交叉处理，得到所述初始种群的交叉种群；
S33、对所述交叉种群进行变异操作，得到所述交叉种群的变异种群；
S34、根据预设的迭代阈值和所述变异种群生成所述配电线路的最优个体，根据所述最优个体生成所述配电线路的重构线路。
详细地，所述根据所述初始模型生成所述配电线路的初始种群是指对所述配电线路的节点进行随机编号，沿着边窗随机选取线路，访问所有节点而构造出一个n节点的列表，建立一个潜在的解决方案，这个方案就是一个初始的。
详细地，所述对所述初始种群进行交叉处理，得到所述初始种群的交叉种群，包括：
利用如下变异算法对所述初始种群进行变异操作，得到所述初始种群的变异种群：
其中，是所述初始种群中第/>个种群的变异种群，/>是变异因子，/>是第/>个种群中随机选择的第一种群个体，/>是第/>个种群中随机选择的第二种群个体，/>是第/>个种群中随机选择的第三种群个体，/>是种群进化标识，/>是种群标识。
详细地，所述对所述初始种群进行交叉处理是指先根据父母代的条件选择一条线路，再根据后代继承所有父代随机连续选择的线路，并且线路中不能包括闭环线路，其中，候选线路为不包含在父母代继承的直线线路，如果子代尚未构成全部拓扑结构,从候选线路随机选择线路，直到得到所述初始种群的交叉种群。
详细地，所述初始种群的变异种群是变异向量，为后期的产生子代种群建立基础；所述变异因子是指变异率，所述变异率可以设置为0.7。
进一步地，第个种群中随机选择的第一种群个体、第/>个种群中随机选择的第二种群个体和第/>个种群中随机选择的第三种群个体是随机选择的。
详细地，所述对所述初始种群进行交叉处理，得到所述初始种群的交叉种群，包括：
利用如下交叉算法对所述变异种群进行交叉操作，得到所述变异种群的交叉种群：
其中，是所述变异种群中第/>个种群第/>维种群个体的交叉个体，/>是所述变异种群中第/>个种群第/>维种群个体的变异个体，/>是所述变异种群中第/>个种群第/>维种群个体，/>是种群标识，/>是种群个体维数标识，/>是种群进化标识，/>是，/>是在区间[1,D]中的一个随机整数，/>是交叉因子，/>是表示[0,1]内均匀分布的随机数，/>是选择函数，D是种群个体维数的最大值，/>是满足/>时的定义域。
详细地，所述对所述变异种群进行交叉操作是为了产生多样性的子代向量，增强种群的多样性，使结构更加复杂，促使种群的结构化差异；所述交叉因子是指交叉率，所述交叉率可以设置为0.6。
详细地，所述对所述变异种群进行交叉操作是指对所述变异种群中第个种群第/>维种群个体的变异个体和所述变异种群中第/>个种群第/>维种群个体执行一种离散交叉操作，产生新的测试个体，亦即，所述新的测试个体为交叉种群。
详细地，所述预设的迭代阈值是经验主义设定的，所述迭代阈值可以是200次，所述根据预设的迭代阈值和所述变异种群生成所述配电线路的最优个体是指当迭代次数达到200时，得到所述配电线路的局部最优解，再根据所述局部最优解生成所述配电线路的最优个体。
详细地，所述根据所述最优个体生成所述配电线路的重构线路是指根据所述最优个体确定所述配电线路中的开关集合，根据所述开关集合确定所述配电线路的重构线路。
详细地，所述根据所述重构线路进行电力资源的调度是指根据所述重构线路确定需要用电的用户，用重构线路中的电力开关对配电站的输送电力资源进行控制，保证在重构线路下进行电力资源的调度时产生的线损是最小的。
本发明实施例通过配电线路的线路数据生成所述配电线路的线路拓扑图，确定了配电方和用电方的位置和配电线路中的开关及变压器等组件，根据预设的目标函数和由线路数据确定的约束条件构建所述配电线路的线损模型，建立了配电线路的优化目标，利用遗传算法生成所述配电线路的最优个体，进一步生成所述配电线路的重构线路，利用重构线路进行电力资源的调度，在线损最小的情况下加快了资源调度的效率，因此本发明提出应用于配电线路降损场景下的资源调度方法，可以解决应用于配电线路降损场景下的资源调度效率较低的问题。
如图4所示，是本发明一实施例提供的应用于配电线路降损场景下的资源调度装置的功能模块图。
本发明所述应用于配电线路降损场景下的资源调度装置100可以安装于电子设备中。根据实现的功能，所述应用于配电线路降损场景下的资源调度装置100可以包括线路拓扑图模块101、约束条件模块102、线损模型模块103、初始模型模块104及资源调度模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述线路拓扑图模块101，用于获取配电线路的线路数据，根据所述线路数据生成所述配电线路的线路拓扑图；
所述约束条件模块102，用于根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件；
所述线损模型模块103，用于根据预设的目标函数和所述约束条件构建所述配电线路的线损模型，其中，所述预设的目标函数为：
其中，是所述配电线路的线路损耗，/>是所述配电线路能达到的最小线路损耗值，/>是所述配电线路的第/>个支路的开关状态变量，/>是所述配电线路的第/>个支路的电阻，/>是所述配电线路的第/>个支路的末端流过的有功功率，/>是所述配电线路的第/>个支路的末端流过的无功功率，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的支路标识，/>是所述配电线路的支路总数；
所述初始模型模块104，用于对所述线损模型进行参数初始化，得到所述线损模型的初始模型；
所述资源调度模块105，用于利用遗传算法和所述初始模型生成所述配电线路的重构线路，根据所述重构线路进行电力资源的调度。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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网络单元上。可以根据实际的需要选择其中的部分或者全部模块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模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，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案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (7)

1.一种应用于配电线路降损场景下的资源调度方法，其特征在于，所述方法包括：
获取配电线路的线路数据，根据所述线路数据生成所述配电线路的线路拓扑图；
所述根据所述线路数据生成所述配电线路的线路拓扑图包括：利用Bert模型对所述线路数据进行特征提取得到所述线路数据的数据特征；根据所述数据特征对所述线路数据进行数据清洗得到所述线路数据的标准数据；根据所述标准数据确定所述配电线路的分布节点，利用所述分布节点和所述线路数据生成所述配电线路的路线拓扑图；
所述根据所述标准数据确定所述配电线路的分布节点包括：对所述标准数据进行数据聚类得到所述标准数据的聚类数据；根据所述聚类数据确定所述标准数据的聚类中心，根据所述聚类中心确定所述配电线路的分布节点；
所述利用所述分布节点和所述线路数据生成所述配电线路的路线拓扑图包括：根据所述分布节点生成所述配电线路的拓扑点，利用所述拓扑点对所述线路数据进行数据选取得到所述线路数据的目标数据；根据所述目标数据逐个生成所述拓扑点的拓扑边，利用所述拓扑点和所述拓扑边生成所述配电线路的拓扑架构；对所述拓扑架构进行图像渲染得到所述拓扑架构的架构拓扑图，确定所述架构拓扑图为所述配电线路的路线拓扑图；
根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件；
根据预设的目标函数和所述约束条件构建所述配电线路的线损模型，其中，所述预设的目标函数为：
其中，是所述配电线路的线路损耗，/>是所述配电线路能达到的最小线路损耗值，是所述配电线路的第/>个支路的开关状态变量，/>是所述配电线路的第/>个支路的电阻，/>是所述配电线路的第/>个支路的末端流过的有功功率，/>是所述配电线路的第/>个支路的末端流过的无功功率，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的支路标识，/>是所述配电线路的支路总数；
对所述线损模型进行参数初始化，得到所述线损模型的初始模型；
利用遗传算法和所述初始模型生成所述配电线路的重构线路，根据所述重构线路进行电力资源的调度。
2.如权利要求1所述的应用于配电线路降损场景下的资源调度方法，其特征在于，所述根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件，包括：
根据所述线路拓扑图和所述线路数据生成所述配电线路的节点电压约束，其中，所述节点电压约束为：
其中，是所述配电线路的第/>个支路的末端的节点电压的下限，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的第/>个支路的末端的节点电压的上限，/>是所述配电线路的支路标识，/>是所述配电线路的第/>个支路的末端的节点电压的下限标识，/>是所述配电线路的第/>个支路的末端的节点电压的上限标识；
根据所述线路拓扑图和所述线路数据生成所述配电线路的支路容量约束，其中，所述支路容量约束为：
其中，是所述配电线路的第/>个支路的流过的功率值，/>是所述配电线路的第/>个支路的流过的最大允许功率值，/>是所述配电线路的支路标识，/>是所述配电线路的第/>个支路的流过的最大允许功率值的标识；
汇集所述节点电压约束和所述支路容量约束为所述配电线路的约束条件。
3.如权利要求1所述的应用于配电线路降损场景下的资源调度方法，其特征在于，所述根据预设的目标函数和所述约束条件构建所述配电线路的线损模型，包括：
根据预设的目标函数和所述约束条件构建所述配电线路的惩罚函数；
利用无约束优化极值算法和预设的惩罚距离阈值生成所述惩罚函数的惩罚因子，根据所述惩罚因子和所述惩罚函数构建所述配电线路的线损模型。
4.如权利要求1所述的应用于配电线路降损场景下的资源调度方法，其特征在于，所述利用遗传算法和所述初始模型生成所述配电线路的重构线路，包括：
根据所述初始模型生成所述配电线路的初始种群；
对所述初始种群进行交叉处理，得到所述初始种群的交叉种群；
对所述交叉种群进行变异操作，得到所述交叉种群的变异种群；
根据预设的迭代阈值和所述变异种群生成所述配电线路的最优个体，根据所述最优个体生成所述配电线路的重构线路。
5.如权利要求4所述的应用于配电线路降损场景下的资源调度方法，其特征在于，所述对所述初始种群进行交叉处理，得到所述初始种群的交叉种群，包括：
利用如下变异算法对所述初始种群进行变异操作，得到所述初始种群的变异种群：
其中，是所述初始种群中第/>个种群的变异种群，/>是变异因子，/>是第/>个种群中随机选择的第一种群个体，/>是第/>个种群中随机选择的第二种群个体，/>是第/>个种群中随机选择的第三种群个体，/>是种群进化标识，/>是种群标识。
6.如权利要求4所述的应用于配电线路降损场景下的资源调度方法，其特征在于，所述对所述初始种群进行交叉处理，得到所述初始种群的交叉种群，包括：
利用如下交叉算法对所述变异种群进行交叉操作，得到所述变异种群的交叉种群：
其中，是所述变异种群中第/>个种群第/>维种群个体的交叉个体，/>是所述变异种群中第/>个种群第/>维种群个体的变异个体，/>是所述变异种群中第/>个种群第/>维种群个体，/>是种群标识，/>是种群个体维数标识，/>是种群进化标识，/>是，/>是在区间[1,D]中的一个随机整数，/>是交叉因子，/>是表示[0,1]内均匀分布的随机数，/>是选择函数，D是种群个体维数的最大值，/>是满足/>时的定义域。
7.一种应用于配电线路降损场景下的资源调度装置，其特征在于，所述装置包括：
线路拓扑图模块，用于获取配电线路的线路数据，根据所述线路数据生成所述配电线路的线路拓扑图；
所述根据所述线路数据生成所述配电线路的线路拓扑图包括：利用Bert模型对所述线路数据进行特征提取得到所述线路数据的数据特征；根据所述数据特征对所述线路数据进行数据清洗得到所述线路数据的标准数据；根据所述标准数据确定所述配电线路的分布节点，利用所述分布节点和所述线路数据生成所述配电线路的路线拓扑图；
所述根据所述标准数据确定所述配电线路的分布节点包括：对所述标准数据进行数据聚类得到所述标准数据的聚类数据；根据所述聚类数据确定所述标准数据的聚类中心，根据所述聚类中心确定所述配电线路的分布节点；
所述利用所述分布节点和所述线路数据生成所述配电线路的路线拓扑图包括：根据所述分布节点生成所述配电线路的拓扑点，利用所述拓扑点对所述线路数据进行数据选取得到所述线路数据的目标数据；根据所述目标数据逐个生成所述拓扑点的拓扑边，利用所述拓扑点和所述拓扑边生成所述配电线路的拓扑架构；对所述拓扑架构进行图像渲染得到所述拓扑架构的架构拓扑图，确定所述架构拓扑图为所述配电线路的路线拓扑图；
约束条件模块，用于根据所述线路拓扑图和所述线路数据生成所述配电线路的约束条件；
线损模型模块，用于根据预设的目标函数和所述约束条件构建所述配电线路的线损模型，其中，所述预设的目标函数为：
其中，是所述配电线路的线路损耗，/>是所述配电线路能达到的最小线路损耗值，是所述配电线路的第/>个支路的开关状态变量，/>是所述配电线路的第/>个支路的电阻，/>是所述配电线路的第/>个支路的末端流过的有功功率，/>是所述配电线路的第/>个支路的末端流过的无功功率，/>是所述配电线路的第/>个支路的末端的节点电压，/>是所述配电线路的支路标识，/>是所述配电线路的支路总数；
初始模型模块，用于对所述线损模型进行参数初始化，得到所述线损模型的初始模型；
资源调度模块，用于利用遗传算法和所述初始模型生成所述配电线路的重构线路，根据所述重构线路进行电力资源的调度。
CN202310461421.3A 2023-04-26 2023-04-26 应用于配电线路降损场景下的资源调度方法及装置 Active CN116187723B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310461421.3A CN116187723B (zh) 2023-04-26 2023-04-26 应用于配电线路降损场景下的资源调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310461421.3A CN116187723B (zh) 2023-04-26 2023-04-26 应用于配电线路降损场景下的资源调度方法及装置

Publications (2)

Publication Number Publication Date
CN116187723A CN116187723A (zh) 2023-05-30
CN116187723B true CN116187723B (zh) 2023-07-25

Family

ID=86433068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310461421.3A Active CN116187723B (zh) 2023-04-26 2023-04-26 应用于配电线路降损场景下的资源调度方法及装置

Country Status (1)

Country Link
CN (1) CN116187723B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117764471B (zh) * 2023-12-15 2024-07-30 枝星科技发展(上海)有限公司 一种建材运输车辆共享方案生成与调度优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541626A (zh) * 2020-12-08 2021-03-23 国网江苏省电力有限公司经济技术研究院 一种基于改进遗传算法的多目标配电网故障重构方法
CN113673065A (zh) * 2021-08-12 2021-11-19 国网浙江义乌市供电有限公司 一种配电网络自动重构的降损方法
CN115796711A (zh) * 2023-02-06 2023-03-14 佰聆数据股份有限公司 配电线路降损的辅助决策方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105896528A (zh) * 2016-04-21 2016-08-24 国网重庆市电力公司电力科学研究院 基于隔离小生境遗传算法的配电网重构方法
CN109390971B (zh) * 2018-11-07 2021-02-26 国家电网有限公司 一种基于门当户对遗传算法的配电网多目标主动重构方法
CN112766532A (zh) * 2020-09-22 2021-05-07 国网新疆电力有限公司乌鲁木齐供电公司 一种基于改进混合整数差分进化算法的dg规划方法
CN114355090A (zh) * 2022-01-13 2022-04-15 云南电网有限责任公司电力科学研究院 基于电力拓扑信息采集系统的线损分析方法、装置及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541626A (zh) * 2020-12-08 2021-03-23 国网江苏省电力有限公司经济技术研究院 一种基于改进遗传算法的多目标配电网故障重构方法
CN113673065A (zh) * 2021-08-12 2021-11-19 国网浙江义乌市供电有限公司 一种配电网络自动重构的降损方法
CN115796711A (zh) * 2023-02-06 2023-03-14 佰聆数据股份有限公司 配电线路降损的辅助决策方法及装置

Also Published As

Publication number Publication date
CN116187723A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
Zheng et al. Fully distributed multi‐area economic dispatch method for active distribution networks
Miranda et al. Evolutionary computation in power systems
Rahmani‐Andebili Dynamic and adaptive reconfiguration of electrical distribution system including renewables applying stochastic model predictive control
Zou et al. Distribution system restoration with renewable resources for reliability improvement under system uncertainties
Syahputra Fuzzy multi-objective approach for the improvement of distribution network efficiency by considering DG
Nie et al. Optimizing the post-disaster control of islanded microgrid: A multi-agent deep reinforcement learning approach
Nafisi et al. Optimal daily scheduling of reconfiguration based on minimisation of the cost of energy losses and switching operations in microgrids
Dahmani et al. Optimization of the connection topology of an offshore wind farm network
CN109102146B (zh) 基于多参数线性规划的电力系统风险评估加速方法
CN111340327A (zh) 一种主配用一体化负荷分析平台及其实现方法
CN102801790A (zh) 基于iec 61850和多代理方法的微网能量管理系统
CN116187723B (zh) 应用于配电线路降损场景下的资源调度方法及装置
Abbasi et al. Energy expansion planning by considering electrical and thermal expansion simultaneously
Liang et al. FeederGAN: Synthetic feeder generation via deep graph adversarial nets
Wu et al. Binary neighbourhood field optimisation for unit commitment problems
CN115842342A (zh) 一种分布式配电网的拓扑识别方法及装置
Radhakrishnan et al. GIS integrated automation of a near real-time power-flow service for electrical grids
Mohammadi et al. Synthetic benchmarks for power systems
CN114417719A (zh) 一种基于图注意力网络的配电网网格化方法及装置
Bajwa et al. Resilience‐oriented service restoration modelling interdependent critical loads in distribution systems with integrated distributed generators
Lizondo et al. Multiagent model for distributed peak shaving system with demand-side management approach
CN113421004B (zh) 输配协同的主动配电网分布式鲁棒扩展规划系统及方法
Zou et al. Decentralised hierarchical coordination of electric vehicles in multi‐microgrid systems
Gao et al. Concepts, structure and developments of high-reliability cyber-physical fusion based coordinated planning for distribution system
Ma et al. Edge Intelligent Perception Method for Power Grid Icing Condition Based on Multi-Scale Feature Fusion Target Detection and Model Quantization

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