CN116341716A - 一种基于数字孪生的智能降损方法 - Google Patents
一种基于数字孪生的智能降损方法 Download PDFInfo
- Publication number
- CN116341716A CN116341716A CN202310131552.5A CN202310131552A CN116341716A CN 116341716 A CN116341716 A CN 116341716A CN 202310131552 A CN202310131552 A CN 202310131552A CN 116341716 A CN116341716 A CN 116341716A
- Authority
- CN
- China
- Prior art keywords
- data
- line loss
- power grid
- grid equipment
- abnormal
- 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 48
- 230000009467 reduction Effects 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 25
- 238000004140 cleaning Methods 0.000 claims abstract description 21
- 238000005265 energy consumption Methods 0.000 claims abstract description 7
- 238000011160 research Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000006854 communication Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种基于数字孪生的智能降损方法，所述智能降损方法具体为：基于虚拟孪生方法对电网设备进行虚拟化，通过虚拟化电网设备获取电网设备的运行情况，并根据电网设备的运行情况获取多源数据；对多源数据进行数据清洗，根据数据清洗结果定位多源数据中的异常数据，并调取电网设备的历史数据，根据电网设备的历史数据对定位出的异常数据进行填充，获取线损判研数据；设置电网结构和新能源消纳能力的约束条件，通过预测孪生方法根据设置的约束条件对线损判研数据进行线损异常判断，并根据线损异常判断结果制定线损降损措施。本发明实现了在新能源不断入网的场景下，海量数据的数据清洗以及线损情况的预测，有效提高了线损治理的效率。
Description
技术领域
本发明涉及电网线损分析技术领域，尤其是指一种基于数字孪生的智能降损方法。
背景技术
线损治理工作作为提升能效和节能降耗的重要举措，逐渐成为电网管理过程中的重要一项。而线损异常诊断是线损治理的前提条件，但在现有的线损异常诊断过程中，需要通过对电网数据进行整体分析，从而筛选出具体的线损异常情况，但伴随着新能源的不断入网，电网已经处于多能源多约束多目标的场景下，这也就导致电力用户的运行数据量不断扩大，处于计量、采集和通信过程中的原始数据丢失情况使得像快速调节资源不足、新能源消纳受限和安全稳定性下降等问题不断出现，无论是传统的自动发电控制功能还是人工经验都无法对此进行有效应对。海量数据的数据缺失情况已经逐渐成为线损治理工作的其中一大阻碍。且现有的线损异常诊断方式，大多在电网运行过程中通过实时数据进行判断，仅能够在线损异常出现后，才能够进行反应和处理，无法实现对于线损异常的预测，线损治理的效率较低。
发明内容
本发明的目的是克服现有技术中的缺点，提供一种基于数字孪生的智能降损方法，通过对海量数据进行数据清洗以及填充来保障线损判断所用数据的完整性，并通过数字孪生的方式实现对于电网设备的虚拟化，从而通过虚拟化的电网设备来实现线损情况预测，能够解决现有的线损异常诊断方法中存在的，无法应对数据缺失，且无法对线损异常进行有效预测的问题，使得线损管理的效率能够得到有效提升。
本发明的目的是通过下述技术方案予以实现：
一种基于数字孪生的智能降损方法，包括以下步骤：
基于虚拟孪生方法对电网设备进行虚拟化，通过虚拟化电网设备获取电网设备的运行情况，并根据电网设备的运行情况获取多源数据；
对多源数据进行数据清洗，根据数据清洗结果对多源数据中的异常数据进行定位，并调取电网设备的历史数据，根据电网设备的历史数据对定位出的异常数据进行填充，获取线损判研数据；
设置电网结构和新能源消纳能力的约束条件，通过预测孪生方法根据设置的约束条件对线损判研数据进行线损异常判断，基于孪生投影方法根据线损异常判断结果制定线损降损措施。
进一步的，在对多源数据进行数据清洗时，先将多源数据按照数据属性进行划分，并按照划分结果依次进行数据清洗。
进一步的，所述数据属性包括档案类数据、采集类数据、参数类数据和新能源量测数据。
进一步的，在将多源数据按照数据属性进行划分，获取新能源量测数据后，还构建相关性分析模型，并基于相关性分析模型对新能源量测数据进行有效性判断，并根据有效性判断结果筛选出新能源量测数据中的异常数据。
进一步的，所述设置电网结构和新能源消纳能力的约束条件，通过预测孪生方法根据设置的约束条件对线损判研数据进行线损异常判断时，先根据数据清洗后的多源数据获取电网结构的拓扑信息以及电网设备的运行数据，并根据电网结构的拓扑信息、电网设备的运行数据以及设置的约束条件构建电网的物理模型，再根据电网结构中各节点的拓扑关系和对应电网设备的运行数据将电网的物理模型转换为向量自回归数学模型，并通过向量自回归数学模型对各电网设备的运行情况进行预测，根据向量自回归数学模型输出的预测结果获取线损异常判断结果。
进一步的，基于孪生投影方法根据线损异常判断结果制定线损降损措施的具体过程为：根据线损异常判断结果获取线损异常数据，还基于线损异常数据进行线损试算，并根据线损试算结果生成异常清单，根据异常清单构建检修工单，运维人员通过检修工单进行线损维修，并实时获取线损维修结果，将线损维修结果与异常清单进行匹配，并基于线损维修结果对检修工单构建参数进行优化。
进一步的，所述线损异常数据包括元件异常分析数据、多维度线损分析数据、用电异常分析数据以及多源数据中的异常数据。
本发明的有益效果是：
能够利用数据孪生技术中的虚拟孪生方法、预测孪生方法和孪生投影方法来自动修补历史数据和仿真生成未来数据，实现了对于在新能源的大量接入下的场景下，海量数据的数据清洗，避免了因原始数据的缺失造成线损分析结果的偏差。并能够实现以线损为主线的多源能源动态接入和智能调度下的线损异常研判，结合仿真生成的未来数据，能够在线损异常发生前，及时制止，提高线损治理效率。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例：
一种基于数字孪生的智能降损方法，如图1所示，包括以下步骤：
基于虚拟孪生方法对电网设备进行虚拟化，通过虚拟化电网设备获取电网设备的运行情况，并根据电网设备的运行情况获取多源数据；
对多源数据进行数据清洗，根据数据清洗结果对多源数据中的异常数据进行定位，并调取电网设备的历史数据，根据电网设备的历史数据对定位出的异常数据进行填充，获取线损判研数据；
设置电网结构和新能源消纳能力的约束条件，通过预测孪生方法根据设置的约束条件对线损判研数据进行线损异常判断，基于孪生投影方法根据线损异常判断结果制定线损降损措施。
在根据电网设备的历史数据对定位出的异常数据填充时，具体通过数据中台数据、用电信息采集系统数据和网源数据来实现填充。
虚拟孪生是指设备虚拟化，能够根据现实中的物理资产创建一个虚拟表示或者是在云中的一个虚拟设备。因为物理资产可能不会总是连接到应用，而后方应用需要实时知道当前设备的运行情况，而通过虚拟孪生方法，能够实现对于设备运行情况的实时采集。且设备是通过大量的协议或者连接方法连接的，像ERP这类的业务应用不应该被这种复杂性所拖累，而设备虚拟化能够为这种业务应用和设备之间的安全的双向通讯提供有效的解决措施。
除了类似于简单的JSON文档并带有所观察和所期待数值的基本模型，在实现设备虚拟化还使用了强大的语义模型。该语义模型允许对设备的属性设置一个正常的操作范围，简化了边缘计算和雾计算的实现。如为了检测一个给定参数的阈值违反(比如，线损过高)，用户必须写一个单独的线损应用来进行处理，然后要对这个线损应用的生命周期进行管理(如部署、升级、安全等)。而使用虚拟孪生技术，在设备模型本身就足够智能的前提下，能够对异常进行检测，并且生成适当的报警。
而预测孪生则能够在实现设备虚拟化后，查询或控制设备，能够对设备的当前状态做出反应，从而实现对于线损异常的预测判断。
在根据预测孪生方法生成预测信息后，基于预测信息能够确定具体的线损异常，从而为设备操作提供决策依据。孪生投影就是在获取决策依据信息后，将生成的决策依据信息与业务流程集成，触发适当的补救流程，并从业务应用中获得用于决策支持的上下文数据和交易数据。
在对多源数据进行数据清洗时，先将多源数据按照数据属性进行划分，并按照划分结果依次进行数据清洗。
所述数据属性包括档案类数据、采集类数据、参数类数据和新能源量测数据。
对于档案类数据，通过档案类数据的数据清洗，能够将电网结构中的拓扑信息进行异常定位，对于参数类数据，能够通过设备的具体运行情况等实现参数类数据的异常定位。而采集类数据则能够通过正常的异常数据判断算法实现。
在将多源数据按照数据属性进行划分，获取新能源量测数据后，还构建相关性分析模型，并基于相关性分析模型对新能源量测数据进行有效性判断，并根据有效性判断结果筛选出新能源量测数据中的异常数据。
在进行有效性判断时，通过相关性分析模型能够获取新能源量测数据之间的逻辑关联性，从而推导得到各类量测数据的有效性判据，从而实现对于新能源量测数据中的异常数据。且新能源系统在采集常规遥测和遥信数据的同时还会采集新能源发电单元状态、当地气象信息等数据，这些数据之间也具有内在关联性，在通过相关性分析模型获取具体的关联性后，也能够对新能源发电单元状态、当地气象信息等数据进行无效数据的识别。
所述设置电网结构和新能源消纳能力的约束条件，通过预测孪生方法根据设置的约束条件对线损判研数据进行线损异常判断时，先根据数据清洗后的多源数据获取电网结构的拓扑信息以及电网设备的运行数据，并根据电网结构的拓扑信息、电网设备的运行数据以及设置的约束条件构建电网的物理模型，再根据电网结构中各节点的拓扑关系和对应电网设备的运行数据将电网的物理模型转换为向量自回归数学模型，并通过向量自回归数学模型对各电网设备的运行情况进行预测，根据向量自回归数学模型输出的预测结果获取线损异常判断结果。
向量自回归(VAR)是基于数据的统计性质建立模型，VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。
而在进行线损研判时，需要根据电力系统各类数据的分析计算结果来获取线损研判结果，而向量自回归模型正能够适应此类场景。
VAR模型的一般表达式如下：
其中：Yt是k维内生变量列向量，Xt是d维外生变量列向量，p是滞后阶数，T是样本个数。
k×k维矩阵
…，/>
和k×d维矩阵H是待估计的系数矩阵。εt是k维扰动列向量，它们相互之间可以同期相关，但不与自己的滞后值相关且不与等式右边的变量相关。
具体的，对VAR模型的参数估计可以通过最小二乘法来进行。
在实际应用中，由于VAR模型是一种非理论性的模型，因此在分析VAR模型时，往往不分析一个变量的变化对另一个变量的影响如何，而是分析当一个误差项发生变化，或者说模型受到某种冲击时对系统的动态影响，这种分析方法称为脉冲响应函数方法。
通过VAR模型，能够将电力系统各类分析计算在数据角度进行展开，能够更加直观地获取线损异常情况。
所述基于孪生投影方法根据线损异常判断结果制定线损降损措施的具体过程为：根据线损异常判断结果获取线损异常数据，还基于线损异常数据进行线损试算，并根据线损试算结果生成异常清单，根据异常清单构建检修工单，运维人员通过检修工单进行线损维修，并实时获取线损维修结果，将线损维修结果与异常清单进行匹配，并基于线损维修结果对检修工单构建参数进行优化。
所述线损异常数据包括元件异常分析数据、多维度线损分析数据、用电异常分析数据以及多源数据中的异常数据。
元件异常分析数据中包括有负载异常、超容分析结果、三相不平衡、功率异常、失压和失流数据。
多维度线损分析数据包括理论线损、回归线损、大数据线损和线损对比数据。
用电异常分析数据包括电量水平、电量占比、电量突变、尖峰谷比和电流与线损关联数据。
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (7)
1.一种基于数字孪生的智能降损方法，其特征在于，包括以下步骤：
基于虚拟孪生方法对电网设备进行虚拟化，通过虚拟化电网设备获取电网设备的运行情况，并根据电网设备的运行情况获取多源数据；
对多源数据进行数据清洗，根据数据清洗结果对多源数据中的异常数据进行定位，并调取电网设备的历史数据，根据电网设备的历史数据对定位出的异常数据进行填充，获取线损判研数据；
设置电网结构和新能源消纳能力的约束条件，通过预测孪生方法根据设置的约束条件对线损判研数据进行线损异常判断，并根据线损异常判断结果制定线损降损措施。
2.根据权利要求1所述的一种基于数字孪生的智能降损方法，其特征在于，在对多源数据进行数据清洗时，先将多源数据按照数据属性进行划分，并按照划分结果依次进行数据清洗。
3.根据权利要求2所述的一种基于数字孪生的智能降损方法，其特征在于，所述数据属性包括档案类数据、采集类数据、参数类数据和新能源量测数据。
4.根据权利要求3所述的一种基于数字孪生的智能降损方法，其特征在于，在将多源数据按照数据属性进行划分，获取新能源量测数据后，还构建相关性分析模型，并基于相关性分析模型对新能源量测数据进行有效性判断，并根据有效性判断结果筛选出新能源量测数据中的异常数据。
5.根据权利要求1所述的一种基于数字孪生的智能降损方法，其特征在于，所述设置电网结构和新能源消纳能力的约束条件，通过预测孪生方法根据设置的约束条件对线损判研数据进行线损异常判断时，先根据数据清洗后的多源数据获取电网结构的拓扑信息以及电网设备的运行数据，并根据电网结构的拓扑信息、电网设备的运行数据以及设置的约束条件构建电网的物理模型，再根据电网结构中各节点的拓扑关系和对应电网设备的运行数据将电网的物理模型转换为向量自回归数学模型，并通过向量自回归数学模型对各电网设备的运行情况进行预测，根据向量自回归数学模型输出的预测结果获取线损异常判断结果。
6.根据权利要求1所述的一种基于数字孪生的智能降损方法，其特征在于，所述根据线损异常判断结果制定线损降损措施的具体过程为：根据线损异常判断结果获取线损异常数据，还基于线损异常数据进行线损试算，并根据线损试算结果生成异常清单，根据异常清单构建检修工单，运维人员通过检修工单进行线损维修，并实时获取线损维修结果，将线损维修结果与异常清单进行匹配，并基于线损维修结果对检修工单构建参数进行优化。
7.根据权利要求6所述的一种基于数字孪生的智能降损方法，其特征在于，所述线损异常数据包括元件异常分析数据、多维度线损分析数据、用电异常分析数据以及多源数据中的异常数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310131552.5A CN116341716A (zh) | 2023-02-06 | 2023-02-06 | 一种基于数字孪生的智能降损方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310131552.5A CN116341716A (zh) | 2023-02-06 | 2023-02-06 | 一种基于数字孪生的智能降损方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116341716A true CN116341716A (zh) | 2023-06-27 |
Family
ID=86893855
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310131552.5A Pending CN116341716A (zh) | 2023-02-06 | 2023-02-06 | 一种基于数字孪生的智能降损方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116341716A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117374946A (zh) * | 2023-10-16 | 2024-01-09 | 国网江苏省电力有限公司南通供电分公司 | 一种基于消纳能力评估的配电网调度管理方法及系统 |
-
2023
- 2023-02-06 CN CN202310131552.5A patent/CN116341716A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117374946A (zh) * | 2023-10-16 | 2024-01-09 | 国网江苏省电力有限公司南通供电分公司 | 一种基于消纳能力评估的配电网调度管理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113240289B (zh) | 一种电网调度控制系统运行状态评估方法及系统 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN111913935A (zh) | 一种基于cim模型的风电场集控中心scada系统 | |
| CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
| CN116341716A (zh) | 一种基于数字孪生的智能降损方法 | |
| CN103617447A (zh) | 智能变电站的评价系统及评价方法 | |
| CN113887749A (zh) | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 | |
| Ju et al. | The use of edge computing-based internet of things big data in the design of power intelligent management and control platform | |
| CN116821610B (zh) | 一种利用大数据优化风力发电效率的方法 | |
| Ren et al. | A super-resolution perception-based incremental learning approach for power system voltage stability assessment with incomplete PMU measurements | |
| CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
| CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
| CN106649034A (zh) | 一种可视化智能运维方法及平台 | |
| CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
| CN114320773B (zh) | 一种基于功率曲线分析与神经网络的风电机组故障预警方法 | |
| CN115563885A (zh) | 一种风电厂储能电池能量转换系统 | |
| CN111539642B (zh) | 一种基于面向对象的电厂数据采集处理系统及其方法 | |
| CN114552570A (zh) | 一种海上风电功率预测管理系统 | |
| Liu et al. | Design and implementation of large-scale public building energy consumption monitoring platform based on BP neural network | |
| Xu et al. | RETRACTED ARTICLE: Safety Collection Algorithm of Big Data for Blockchain-Based Power Grid Systems | |
| CN117171551B (zh) | 大规模工业设备数据分析与智能管理方法 | |
| CN117878925B (zh) | 一种智能电网的输电数据控制方法及系统 | |
| CN116894568B (zh) | 一种充电桩的碳排放综合管理预测方法及存储介质 | |
| CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 |
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 |