CN116433098A - 一种配电网的健康治理方法、装置、设备及存储介质 - Google Patents

一种配电网的健康治理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116433098A
CN116433098A CN202310419627.XA CN202310419627A CN116433098A CN 116433098 A CN116433098 A CN 116433098A CN 202310419627 A CN202310419627 A CN 202310419627A CN 116433098 A CN116433098 A CN 116433098A
Authority
CN
China
Prior art keywords
level
health
index
distribution network
health level
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
CN202310419627.XA
Other languages
English (en)
Inventor
李俊辉
孔慧超
曾子县
吴新雄
梁咏秋
王文钟
张德乐
周泓
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.)
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Dongguan Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310419627.XA priority Critical patent/CN116433098A/zh
Publication of CN116433098A publication Critical patent/CN116433098A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了一种配电网的健康治理方法、装置、设备及存储介质，该方法包括：对配电网在运行时记录的基础运行数据进行预处理；若完成预处理，则计算配电网在预置的多健康水平指标下呈现的健康等级，健康水平指标包括本质安全水平；根据健康等级从基础运行数据中提取表征健康水平指标的健康水平数据；根据健康水平数据计算各个健康水平指标相对于本质安全水平的灵敏度；以提高本质安全水平为目标，按照灵敏度顺序调整健康水平指标，以对配电网生成治理措施。根据各个健康水平指标相对于本质安全水平的灵敏度去搜寻合适的治理措施，能够帮助规划人员摆脱主管评价，可以明确改造方向和目标，量化改造工作量，指导规划工作，提高对配电网的治理效率。

Description

一种配电网的健康治理方法、装置、设备及存储介质
技术领域
本发明涉及电网的技术领域，尤其涉及一种配电网的健康治理方法、装置、设备及存储介质。
背景技术
配电网作为电力系统的重要环节，为保障配电网的正常运行，目前主要是对配电网配置一些表征健康水平的指标，通过这些指标对配电网的健康水平进行评估，再结合配电网其它薄弱环节开展整体治理。
随着构建绿色、清洁的电力系统的新趋势的到来，大力推动可再生能源的可持续发展，提高可再生能源在配电网中的渗透率成为配电网发展的新方向，可再生能源的大量接入带来了配电网运行状态随机、多样化以及配电网规划运行目标复杂化。
在此情况下，由于表征健康水平的指标较为固定，使得配电网的薄弱环节更多依赖技术人主观评价，导致对配电网的治理效率较低。
发明内容
本发明提供了一种配电网的健康治理方法、装置、设备及存储介质，以解决如何在健康水平上提高对配电网的治理效率。
根据本发明的一方面，提供了一种配电网的健康治理方法，包括：
对配电网在运行时记录的基础运行数据进行预处理；
若完成预处理，则计算所述配电网在预置的多健康水平指标下呈现的健康等级，所述健康水平指标包括本质安全水平；
根据所述健康等级从所述基础运行数据中提取表征所述健康水平指标的健康水平数据；
根据所述健康水平数据计算各个所述健康水平指标相对于所述本质安全水平的灵敏度；
以提高所述本质安全水平为目标，按照所述灵敏度顺序调整所述健康水平指标，以对所述配电网生成治理措施。
根据本发明的另一方面，提供了一种配电网的健康治理装置，包括：
预处理模块，用于对配电网在运行时记录的基础运行数据进行预处理；
健康等级计算模块，用于若完成预处理，则计算所述配电网在预置的多健康水平指标下呈现的健康等级，所述健康水平指标包括本质安全水平；
健康水平数据提取模块，用于根据所述健康等级从所述基础运行数据中提取表征所述健康水平指标的健康水平数据；
灵敏度计算模块，用于根据所述健康水平数据计算各个所述健康水平指标相对于所述本质安全水平的灵敏度；
治理措施生成模块，用于以提高所述本质安全水平为目标，按照所述灵敏度顺序调整所述健康水平指标，以对所述配电网生成治理措施。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的配电网的健康治理方法。
根据本发明的另一方面，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存储有计算机程序，所述计算机程序用于使处理器执行时实现本发明任一实施例所述的配电网的健康治理方法。
在本实施例中，对配电网在运行时记录的基础运行数据进行预处理；若完成预处理，则计算配电网在预置的多健康水平指标下呈现的健康等级，健康水平指标包括本质安全水平；根据健康等级从基础运行数据中提取表征健康水平指标的健康水平数据；根据健康水平数据计算各个健康水平指标相对于本质安全水平的灵敏度；以提高本质安全水平为目标，按照灵敏度顺序调整健康水平指标，以对配电网生成治理措施。根据各个健康水平指标相对于本质安全水平的灵敏度去搜寻合适的治理措施，能够帮助规划人员摆脱主管评价，可以明确改造方向和目标，量化改造工作量，指导规划工作，提高对配电网的治理效率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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是根据本发明实施例一提供的一种配电网的健康治理方法的流程图；
图2是根据本发明实施例二提供的一种配电网的健康治理装置的结构示意图；
图3是实现本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种配电网的健康治理方法的流程图，该方法可以由配电网的健康治理装置来执行，该配电网的健康治理装置可以采用硬件和/或软件的形式实现，该配电网的健康治理装置可配置于电子设备中。如图1所示，该方法包括：
步骤101、对配电网在运行时记录的基础运行数据进行预处理。
在本实施例中，可以从不同渠道获取配电网在运行时记录的基础运行数据，并对基础运行数据进行预处理，使得基础运行数据更加规范、准确和可用。
在具体实现中，可以从能源大数据平台挖掘配电网在运行时记录的基础运行数据根据基础运行数据的类型，对基础运行数据执行如下至少一种预处理，该预处理主要为差异化分析与处理：
采用替代法补全缺失数据，采用聚类法修正异常数据，采用相关性分析法剔除冗余数据，标准化处理，数值化处理。
步骤102、若完成预处理，则计算配电网在预置的多健康水平指标下呈现的健康等级。
在对基础运行数据完成预处理之后，可以计算配电网在预置的多健康水平指标下呈现的健康等级。
在实际应用中，健康水平指标包括配电网本质安全水平、配电网网架水平、配电网运营水平、配电网自动化水平与配电网弹性水平。
在本实施例中，对通过率、主线运行年限、设备缺陷、线路长度、挂接配变数、缘化率与综合检修完成情况进行线性融合(即加权求和)，得到本质安全水平的第一指标分数。
示例性地，本质安全水平的第一指标分数＝N-1通过率×0.1+主线运行年限×0.2+设备缺陷×0.2+线路长度×0.1+挂接配变数×0.1+缘化率×0.1+综合检修完成情况×0.2。
对大分支数、末端有效联络率与接线标准化率进行线性融合(即加权求和)，得到网架水平的第二指标分数。
示例性地，网架水平的第二指标分数＝大分支数×0.2+末端有效联络率×0.3+接线标准化率×0.5。
对每百公里故障次数、配变年平均停电次数、频繁停电线路数与抢修效率进行线性融合(即加权求和)，得到运营水平的第三指标分数。
示例性地，运营水平的第三指标分数＝每百公里故障次数×0.4+配变年平均停电次数×0.3+频繁停电线路数×0.2+抢修效率×0.1。
对自动化有效覆盖率、保护动作正确率、一次采集完整率与终端在线率进行线性融合(即加权求和)，得到自动化水平的第四指标分数。
示例性地，自动化水平的第四指标分数＝自动化有效覆盖率×0.3+保护动作正确率×0.3+一次采集完整率×0.2+终端在线率×0.2。
对自愈能力与可开放容量进行线性融合(即加权求和)，得到弹性水平的第五指标分数。
示例性地，弹性水平的第五指标分数＝自愈能力×0.7+可开放容量×0.3。
将第一指标分数、第二指标分数、第三指标分数、第四指标分数与第五指标分数进行线性融合(即加权求和)，得到配电网的健康总分数。
为使健康等级能实际应用，制定多级健康等级的颜色标准，在该颜色标准中包含分数范围与健康等级的映射关系，即，每个分数范围映射健康等级。
示例性地，健康总分数在90到100之间的为健康(健康等级)，对应绿色；健康总分数在80到90之间的为亚健康(健康等级)，对应黄色；健康总分数在70到80之间的为不健康(健康等级)，对应橙色；健康总分数在70以下为高危(健康等级)，对应红色。
在预设的多个分数范围中查询健康总分数所属的分数范围，作为目标范围，，确定分数范围映射的健康等级为配电网呈现的健康等级，健康等级可用于对线路、网格、供电所和县域采取相应的措施进行处理。
步骤103、根据健康等级从基础运行数据中提取表征健康水平指标的健康水平数据。
在具体实现中，可以根据健康等级从基础运行数据中提取表征健康水平指标的、高价值的健康水平数据。
在本发明的一个实施例中，步骤103可以包括如下步骤：
步骤1031、将提取健康水平数据的过程划分为第一阶段、第二阶段。
在本实施例中，可以将提取健康水平数据的过程依次划分为两个阶段，分别为第一阶段、第二阶段，其中，第一阶段位于第二阶段之前，第二阶段位于第一阶段之后，那么，第一阶段又可称为初期，第二阶段又可称为后期。
步骤1032、在第一阶段中，对各个健康水平指标分别配置指标权重。
步骤1033、依据本质安全水平对指标权重进行降维处理，以从健康水平指标中筛选出目标水平指标。
初期为前N次对高价值维度的健康水平指标的提取过程，N的取值可根据实际需求进行设定，初期提取高价值维度健康水平指标时，尽量覆盖不同类型的配电网，以使得所获取到的数据全面。
在初期提取高价值维度健康水平指标时，为减弱层次分析法中的主观因素，采用熵权法进行叠加计算，即采用层次分析法-熵权法计算各个健康水平指标的权重，记为指标权重，对各个健康水平指标的指标权重采用特征维度合成进行降维处理，获得高价值维度的目标水平指标。
在配置指标权重的过程中，将各个健康水平指标构建模糊判断矩阵：
Figure BDA0004186258120000071
Figure BDA0004186258120000072
Figure BDA0004186258120000073
其中
Figure BDA0004186258120000074
为模糊判断矩阵，拟定任一健康水平指标μ的取值为y，n为健康水平指标的数量，μn为某一健康水平指标的模糊分布估计向量，s为健康等级(s＝2,3)，(a,b)为y的取值范围，a＝C1，b＝C4，取值范围内具有等分点C2、C3(即，C2、C3将取值范围三等分)，d＝(b-a)/3。
通过如下公式对模糊判断矩阵进行一致性校验：
Figure BDA0004186258120000075
Figure BDA0004186258120000076
其中，λ为模糊判断矩阵中最大的特征值，n为模糊判断矩阵的阶数，RI为常数、通过查表得到，在CR小于预设的第一阈值(如0.1)时，模糊判断矩阵具有一致性。
若模糊判断矩阵具有一致性，则通过如下层次分析法的公式对模糊判断矩阵计算权重值：
Figure BDA0004186258120000077
其中，ω1为权重值，λ1为模糊判断矩阵的特征值，n为模糊判断矩阵的特征值的数量。
通过如下公式对健康水平体系的熵权：
Figure BDA0004186258120000081
Figure BDA0004186258120000082
Figure BDA0004186258120000083
其中，fij为第i类影响因子在第j个健康水平指标上出现的概率，
Figure BDA0004186258120000084
xij为第i类影响因子在第j个健康水平指标上出现的频次，n为影响因子的数量，H为健康水平指标的熵值，其下表代表序号，ωj为第j个健康水平指标的熵权。
通过如下层次分析法-熵权法构建的公式(权重模型)对各个健康水平指标计算指标权重：
Figure BDA0004186258120000085
其中，ω为健康水平指标的指标权重，ωi为第i个健康水平指标的熵权，ωj为第j个健康水平指标的熵权，n为健康水平指标的数量。
进一步地，为保证健康水平指标的指标权重的有效性，可以取健康水平指标的指标权重大于或等于预设的有效阈值(如0.8)的指标权重进行降维处理。
在本实施例中，可以通过如下公式对指标权重进行降维处理，得到耦合程度：
Figure BDA0004186258120000086
其中，ξ(x,y)为健康水平指标x与本质安全水平y之间的耦合程度，i为健康水平指标与本质安全水平的样本数，ξ(x,y)的取值为[-1,1]，ξ(x,y)的绝对值越大，耦合程度越强，-1代表负耦合关系，1代表正耦合关系，0代表无关联。
若耦合程度的绝对值大于或等于预设的第二阈值(如0.8)，则保留健康水平指标，作为目标水平指标(即高价值维度的健康水平指标)。
步骤1034、在第二阶段中，调用预置的循环机器学习模型，顺序从基础运行数据中提取符合目标水平指标的健康水平数据、逆序对目标水平指标生成健康水平数据。
后期为从第N+1次开始的高价值的维度健康水平指标的提取过程，在后期提取高价值维度的健康水平指标时，基于初期的高价值维度的健康水平指标提取数据，建立包含顺序提取任务和逆序提取任务的循环机器学习模型，将指定配电网的基础运行数据输入到循环机器学习模型当中，获得相应的高价值维度的健康水平数据。
高价值维度的健康水平数据包括成对的基础运行数据和高价值维度的健康水平指标，即某几项高价值维度的健康水平指标的健康水平数据是基于相应的配电网的基础运行数据提取的。
进一步地，顺序提取任务是指通过预设的机器学习算法，根据输入的基础运行数据，生成相应的高价值维度的健康水平数据。逆序提取任务是指通过预设的机器学习算法，根据输入的高价值维度的健康水平指标，生成可能的健康水平数据。
在对循环机器学习模型进行训练时，对顺序提取任务和逆序提取任务进行多次交替迭代，在迭代过程中不断生成质量更高的训练数据，从而对循环机器学习模型进行优化。
在对循环机器学习模型进行训练时，具体包括以下步骤：
选择高价值维度的健康水平数据中成对的基础运行数据和高价值维度的健康水平指标，通过基础运行数据对顺序提取任务进行预训练，通过高价值维度的健康水平指标对逆序提取任务进行预训练。
基于贝叶斯估计训练循环机器学习模型的参数，获得顺序提取任务和逆序提取任务训练好的循环机器学习，将基础运行数据集输入到顺序提取任务对应的算法模型中，将高价值维度的健康水平指标输入到逆序提取任务对应的算法模型中，通过多次交替迭代不断生成新的训练数据，同时对算法模型的参数进行更新，在下一次迭代中使用新的训练数据对算法模型进行训练。
步骤104、根据健康水平数据计算各个健康水平指标相对于本质安全水平的灵敏度。
在本实施例中，可以依据健康水平数据，计算各个健康水平指标相对于本质安全水平的灵敏度。
在具体实现中，设配电网的本质安全水平为α，α＝[α1,α2,…αn],n∈R，计算本质安全水平的变量Δα与表示本质安全水平的健康水平数据α之间的比值，作为本质安全水平的相对变量Δα/α。
设配电网的健康水平指标为M＝[Xi|Xi＝x1,x2,…,xm]，i是健康水平指标的数量，m是样本数，Xi是健康水平指标的现状值(健康水平数据)，计算健康水平指标的变量ΔXi与健康水平数据Xi之间的比值，作为健康水平指标的相对变量ΔXi/Xi。
在本质安全水平的变量趋向于零(Δα→0)的条件下，计算健康水平指标的相对变量与本质安全水平的相对变量之间的比值，获得健康水平指标相对于本质安全水平的灵敏度：
Figure BDA0004186258120000101
步骤105、以提高本质安全水平为目标，按照灵敏度顺序调整健康水平指标，以对配电网生成治理措施。
在本实施例中，对配电网生成治理措施以提高本质安全水平为目标，提高配电网的安全性，在此条件下，按照灵敏度顺序调整健康水平指标，依据调整的结果对配电网选择合适的治理措施。
在具体实现中，可以预先定义本质安全水平的提高值，本质安全水平的提高值为本质安全水平的目标值与本质安全水平的现状值之间的差值，表示如下：
Δα目标＝α目标-α现状
其中，Δα目标为本质安全水平的提高值，α目标为本质安全水平的目标值，α现状为本质安全水平的现状值。
按照健康灵敏度降序(即从大到小)对健康水平指标进行提升，以获得健康水平指标下本质安全水平的提高值，累加各个健康水平指标下本质安全水平的提高值，获得本质安全水平的总变化值，表示如下：
Δαi＝ΔXiS(Xi,α)＝(X’i-Xi)S(Xi,α)
其中，Δαi为单个健康水平指标提升而提高的安全水平，ΔXi为健康水平指标的提升幅度，X'i为健康水平指标的目标值，Xi为健康水平指标的现状值。
若总变化值符合预设的目标，则对提升的结果进行分解，依据已提升的健康水平指标对配电网生成治理措施，对配电网进行改造提升。
在本实施例中，对配电网在运行时记录的基础运行数据进行预处理；若完成预处理，则计算配电网在预置的多健康水平指标下呈现的健康等级，健康水平指标包括本质安全水平；根据健康等级从基础运行数据中提取表征健康水平指标的健康水平数据；根据健康水平数据计算各个健康水平指标相对于本质安全水平的灵敏度；以提高本质安全水平为目标，按照灵敏度顺序调整健康水平指标，以对配电网生成治理措施。根据各个健康水平指标相对于本质安全水平的灵敏度去搜寻合适的治理措施，能够帮助规划人员摆脱主管评价，可以明确改造方向和目标，量化改造工作量，指导规划工作，提高对配电网的治理效率。
实施例二
图2为本发明实施例二提供的一种配电网的健康治理装置的结构示意图。如图2所示，该装置包括：
预处理模块201，用于对配电网在运行时记录的基础运行数据进行预处理；
健康等级计算模块202，用于若完成预处理，则计算所述配电网在预置的多健康水平指标下呈现的健康等级，所述健康水平指标包括本质安全水平；
健康水平数据提取模块203，用于根据所述健康等级从所述基础运行数据中提取表征所述健康水平指标的健康水平数据；
灵敏度计算模块204，用于根据所述健康水平数据计算各个所述健康水平指标相对于所述本质安全水平的灵敏度；
治理措施生成模块205，用于以提高所述本质安全水平为目标，按照所述灵敏度顺序调整所述健康水平指标，以对所述配电网生成治理措施。
在本发明的一个实施例中，所述预处理模块201还用于：
从能源大数据平台挖掘配电网在运行时记录的基础运行数据；
对所述基础运行数据执行如下至少一种预处理：
采用替代法补全缺失数据，采用聚类法修正异常数据，采用相关性分析法剔除冗余数据，标准化处理，数值化处理。
在本发明的一个实施例中，所述健康水平指标包括配电网本质安全水平、配电网网架水平、配电网运营水平、配电网自动化水平与配电网弹性水平；
所述健康等级计算模块202还用于：
对通过率、主线运行年限、设备缺陷、线路长度、挂接配变数、缘化率与综合检修完成情况进行线性融合，得到所述本质安全水平的第一指标分数；
对大分支数、末端有效联络率与接线标准化率进行线性融合，得到所述网架水平的第二指标分数；
对每百公里故障次数、配变年平均停电次数、频繁停电线路数与抢修效率进行线性融合，得到所述运营水平的第三指标分数；
对自动化有效覆盖率、保护动作正确率、一次采集完整率与终端在线率进行线性融合，得到所述自动化水平的第四指标分数；
对自愈能力与可开放容量进行线性融合，得到所述弹性水平的第五指标分数；
将所述第一指标分数、所述第二指标分数、所述第三指标分数、所述第四指标分数与所述第五指标分数进行线性融合，得到所述配电网的健康总分数；
在预设的多个分数范围中查询所述健康总分数所属的分数范围，作为目标范围，每个所述分数范围映射健康等级；
确定所述分数范围映射的健康等级为所述配电网呈现的健康等级。
在本发明的一个实施例中，所述健康水平数据提取模块203还用于：
将提取健康水平数据的过程依次划分为第一阶段、第二阶段；
在所述第一阶段中，对各个所述健康水平指标分别配置指标权重；
依据所述本质安全水平对所述指标权重进行降维处理，以从所述健康水平指标中筛选出目标水平指标；
在所述第二阶段中，调用预置的循环机器学习模型，顺序从所述基础运行数据中提取符合所述目标水平指标的健康水平数据、逆序对所述目标水平指标生成健康水平数据。
在本发明的一个实施例中，所述健康水平数据提取模块203还用于：
将各个所述健康水平指标构建模糊判断矩阵：
Figure BDA0004186258120000131
Figure BDA0004186258120000132
Figure BDA0004186258120000133
其中，
Figure BDA0004186258120000134
为所述模糊判断矩阵，拟定任一健康水平指标μ的取值为y，n为所述健康水平指标的数量，s为健康等级，(a,b)为y的取值范围，a＝C1，b＝C4，所述取值范围内具有等分点C2、C3，d＝(b-a)/3；
通过如下公式对所述模糊判断矩阵进行一致性校验：
Figure BDA0004186258120000135
Figure BDA0004186258120000141
其中，λ为所述模糊判断矩阵中最大的特征值，n为所述模糊判断矩阵的阶数，RI为常数，在CR小于预设的第一阈值时，所述模糊判断矩阵具有一致性；
若所述模糊判断矩阵具有一致性，则通过如下公式对所述模糊判断矩阵计算权重值：
Figure BDA0004186258120000142
其中，ω1为权重值，λ1为所述模糊判断矩阵的特征值，n为所述模糊判断矩阵的特征值的数量；
通过如下公式对所述健康水平体系的熵权：
Figure BDA0004186258120000143
Figure BDA0004186258120000144
Figure BDA0004186258120000145
其中，fij为第i类影响因子在第j个所述健康水平指标上出现的概率，n为影响因子的数量，H为所述健康水平指标的熵值，ωj为第j个所述健康水平指标的熵权；
通过如下公式对各个所述健康水平指标计算指标权重：
Figure BDA0004186258120000146
其中，ω为所述健康水平指标的指标权重，ωi为第i个所述健康水平指标的熵权，ωj为第j个所述健康水平指标的熵权，n为所述健康水平指标的数量。
在本发明的一个实施例中，所述健康水平数据提取模块203还用于：
通过如下公式对所述指标权重进行降维处理，得到耦合程度：
Figure BDA0004186258120000151
其中，ξ(x,y)为所述健康水平指标x与所述本质安全水平y之间的耦合程度，i为所述健康水平指标与所述本质安全水平的样本数；
若所述耦合程度的绝对值大于或等于预设的第二阈值，则保留所述健康水平指标，作为目标水平指标。
在本发明的一个实施例中，所述灵敏度计算模块204还用于：
计算所述本质安全水平的变量与表示所述本质安全水平的所述健康水平数据之间的比值，作为所述本质安全水平的相对变量；
计算所述健康水平指标的变量与所述健康水平数据之间的比值，作为所述健康水平指标的相对变量；
在所述本质安全水平的变量趋向于零的条件下，计算所述健康水平指标的相对变量与所述本质安全水平的相对变量之间的比值，获得所述健康水平指标相对于所述本质安全水平的灵敏度。
在本发明的一个实施例中，所述治理措施生成模块205还用于：
按照所述健康灵敏度降序对所述健康水平指标进行提升，以获得所述健康水平指标下所述本质安全水平的提高值，所述本质安全水平的提高值为所述本质安全水平的目标值与所述本质安全水平的现状值之间的差值；
累加各个所述健康水平指标下所述本质安全水平的提高值，获得所述本质安全水平的总变化值；
若所述总变化值符合预设的目标，则依据已提升的所述健康水平指标对所述配电网生成治理措施。
本发明实施例所提供的配电网的健康治理装置可执行本发明任意实施例所提供的配电网的健康治理方法，具备执行配电网的健康治理方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，如配电网的健康治理方法。
在一些实施例中，配电网的健康治理方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的配电网的健康治理方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行配电网的健康治理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
实施例四
本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序在被处理器执行时实现如本发明任一实施例所提供的配电网的健康治理方法。
计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种配电网的健康治理方法，其特征在于，包括：
对配电网在运行时记录的基础运行数据进行预处理；
若完成预处理，则计算所述配电网在预置的多健康水平指标下呈现的健康等级，所述健康水平指标包括本质安全水平；
根据所述健康等级从所述基础运行数据中提取表征所述健康水平指标的健康水平数据；
根据所述健康水平数据计算各个所述健康水平指标相对于所述本质安全水平的灵敏度；
以提高所述本质安全水平为目标，按照所述灵敏度顺序调整所述健康水平指标，以对所述配电网生成治理措施。
2.根据权利要求1所述的方法，其特征在于，所述对配电网在运行时记录的基础运行数据进行预处理，包括：
从能源大数据平台挖掘配电网在运行时记录的基础运行数据；
对所述基础运行数据执行如下至少一种预处理：
采用替代法补全缺失数据，采用聚类法修正异常数据，采用相关性分析法剔除冗余数据，标准化处理，数值化处理。
3.根据权利要求1所述的方法，其特征在于，所述健康水平指标包括配电网本质安全水平、配电网网架水平、配电网运营水平、配电网自动化水平与配电网弹性水平；
所述计算所述配电网在预置的多健康水平指标下呈现的健康等级，包括：
对通过率、主线运行年限、设备缺陷、线路长度、挂接配变数、缘化率与综合检修完成情况进行线性融合，得到所述本质安全水平的第一指标分数；
对大分支数、末端有效联络率与接线标准化率进行线性融合，得到所述网架水平的第二指标分数；
对每百公里故障次数、配变年平均停电次数、频繁停电线路数与抢修效率进行线性融合，得到所述运营水平的第三指标分数；
对自动化有效覆盖率、保护动作正确率、一次采集完整率与终端在线率进行线性融合，得到所述自动化水平的第四指标分数；
对自愈能力与可开放容量进行线性融合，得到所述弹性水平的第五指标分数；
将所述第一指标分数、所述第二指标分数、所述第三指标分数、所述第四指标分数与所述第五指标分数进行线性融合，得到所述配电网的健康总分数；
在预设的多个分数范围中查询所述健康总分数所属的分数范围，作为目标范围，每个所述分数范围映射健康等级；
确定所述分数范围映射的健康等级为所述配电网呈现的健康等级。
4.根据权利要求1所述的方法，其特征在于，所述根据所述健康等级从所述基础运行数据中提取表征所述健康水平指标的健康水平数据，包括：
将提取健康水平数据的过程依次划分为第一阶段、第二阶段；
在所述第一阶段中，对各个所述健康水平指标分别配置指标权重；
依据所述本质安全水平对所述指标权重进行降维处理，以从所述健康水平指标中筛选出目标水平指标；
在所述第二阶段中，调用预置的循环机器学习模型，顺序从所述基础运行数据中提取符合所述目标水平指标的健康水平数据、逆序对所述目标水平指标生成健康水平数据。
5.根据权利要求4所述的方法，其特征在于，所述在所述第一阶段中，对各个所述健康水平指标分别配置指标权重，包括：
将各个所述健康水平指标构建模糊判断矩阵：
Figure FDA0004186258110000021
Figure FDA0004186258110000031
Figure FDA0004186258110000032
其中，
Figure FDA0004186258110000033
为所述模糊判断矩阵，拟定任一健康水平指标μ的取值为y，n为所述健康水平指标的数量，s为健康等级，(a,b)为y的取值范围，a＝C1，b＝C4，所述取值范围内具有等分点C2、C3，d＝(b-a)/3；
通过如下公式对所述模糊判断矩阵进行一致性校验：
Figure FDA0004186258110000034
Figure FDA0004186258110000035
其中，λ为所述模糊判断矩阵中最大的特征值，n为所述模糊判断矩阵的阶数，RI为常数，在CR小于预设的第一阈值时，所述模糊判断矩阵具有一致性；
若所述模糊判断矩阵具有一致性，则通过如下公式对所述模糊判断矩阵计算权重值：
Figure FDA0004186258110000036
其中，ω1为权重值，λ1为所述模糊判断矩阵的特征值，n为所述模糊判断矩阵的特征值的数量；
通过如下公式对所述健康水平体系的熵权：
Figure FDA0004186258110000037
Figure FDA0004186258110000041
Figure FDA0004186258110000042
其中，fij为第i类影响因子在第j个所述健康水平指标上出现的概率，n为影响因子的数量，H为所述健康水平指标的熵值，ωj为第j个所述健康水平指标的熵权；
通过如下公式对各个所述健康水平指标计算指标权重：
Figure FDA0004186258110000043
其中，ω为所述健康水平指标的指标权重，ωi为第i个所述健康水平指标的熵权，ωj为第j个所述健康水平指标的熵权，n为所述健康水平指标的数量；
所述依据所述本质安全水平对所述指标权重进行降维处理，以从所述健康水平指标中筛选出目标水平指标，包括：
通过如下公式对所述指标权重进行降维处理，得到耦合程度：
Figure FDA0004186258110000044
其中，ξ(x,y)为所述健康水平指标x与所述本质安全水平y之间的耦合程度，i为所述健康水平指标与所述本质安全水平的样本数；
若所述耦合程度的绝对值大于或等于预设的第二阈值，则保留所述健康水平指标，作为目标水平指标。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述根据所述健康水平数据计算各个所述健康水平指标相对于所述本质安全水平的灵敏度，包括：
计算所述本质安全水平的变量与表示所述本质安全水平的所述健康水平数据之间的比值，作为所述本质安全水平的相对变量；
计算所述健康水平指标的变量与所述健康水平数据之间的比值，作为所述健康水平指标的相对变量；
在所述本质安全水平的变量趋向于零的条件下，计算所述健康水平指标的相对变量与所述本质安全水平的相对变量之间的比值，获得所述健康水平指标相对于所述本质安全水平的灵敏度。
7.根据权利要求1-5中任一项所述的方法，其特征在于，所述以提高所述本质安全水平为目标，按照所述灵敏度顺序调整所述健康水平指标，以对所述配电网生成治理措施，包括：
按照所述健康灵敏度降序对所述健康水平指标进行提升，以获得所述健康水平指标下所述本质安全水平的提高值，所述本质安全水平的提高值为所述本质安全水平的目标值与所述本质安全水平的现状值之间的差值；
累加各个所述健康水平指标下所述本质安全水平的提高值，获得所述本质安全水平的总变化值；
若所述总变化值符合预设的目标，则依据已提升的所述健康水平指标对所述配电网生成治理措施。
8.一种配电网的健康治理装置，其特征在于，包括：
预处理模块，用于对配电网在运行时记录的基础运行数据进行预处理；
健康等级计算模块，用于若完成预处理，则计算所述配电网在预置的多健康水平指标下呈现的健康等级，所述健康水平指标包括本质安全水平；
健康水平数据提取模块，用于根据所述健康等级从所述基础运行数据中提取表征所述健康水平指标的健康水平数据；
灵敏度计算模块，用于根据所述健康水平数据计算各个所述健康水平指标相对于所述本质安全水平的灵敏度；
治理措施生成模块，用于以提高所述本质安全水平为目标，按照所述灵敏度顺序调整所述健康水平指标，以对所述配电网生成治理措施。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的配电网的健康治理方法。
10.一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存储有计算机程序，所述计算机程序用于使处理器执行时实现权利要求1-7中任一项所述的配电网的健康治理方法。
CN202310419627.XA 2023-04-19 2023-04-19 一种配电网的健康治理方法、装置、设备及存储介质 Pending CN116433098A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310419627.XA CN116433098A (zh) 2023-04-19 2023-04-19 一种配电网的健康治理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310419627.XA CN116433098A (zh) 2023-04-19 2023-04-19 一种配电网的健康治理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116433098A true CN116433098A (zh) 2023-07-14

Family

ID=87094120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310419627.XA Pending CN116433098A (zh) 2023-04-19 2023-04-19 一种配电网的健康治理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116433098A (zh)

Similar Documents

Publication Publication Date Title
Zhang et al. A hierarchical self-adaptive data-analytics method for real-time power system short-term voltage stability assessment
Liu et al. A hybrid forecasting method for wind power ramp based on orthogonal test and support vector machine (OT-SVM)
CN109583520B (zh) 一种云模型与遗传算法优化支持向量机的状态评估方法
Hu et al. Robustness evaluation of complex power grids containing renewable energy
Xue et al. Adaptive ultra-short-term wind power prediction based on risk assessment
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN109613372B (zh) 一种基于多元电网数据库的电网故障诊断方法
CN110348540A (zh) 基于聚类的电力系统暂态功角稳定故障筛选方法及装置
CN114819385A (zh) 风电功率预测方法、装置、电子设备及存储介质
CN117473384A (zh) 一种电网线路安全约束辨识方法、装置、设备及存储介质
CN117034149A (zh) 故障处理策略确定方法、装置、电子设备和存储介质
CN116957539A (zh) 电缆状态评价方法、装置、电子设备及存储介质
CN116433098A (zh) 一种配电网的健康治理方法、装置、设备及存储介质
CN116484554A (zh) 一种配电网的拓扑辨识方法、装置、设备及介质
CN115392715A (zh) 一种用电数据风险评估方法、装置、设备及存储介质
CN114936612A (zh) 短路类型识别方法、装置、电子设备及存储介质
CN103488891A (zh) 基于风险的大电网安全稳定预防控制性能代价指标计算方法
Prasad et al. A Hybrid Time Series Rainfall Prediction Model Using Neural Prophet and LS TM
CN117249036B (zh) 一种抽水蓄能系统、水轮发电机组状态评估方法及装置
LU101709B1 (en) Method and device for analyzing criticality of failure mode of numerical control equipment
CN117610957A (zh) 一种设备发展路径确定方法、装置、设备及介质
Zhu et al. Discriminant analysis of user stealing electricity behavior based on Levenberg Marquardt neural network model
CN117911010A (zh) 一种水轮机调速器检修评估设备、方法、装置及介质
Shen et al. A Global Sensitivity-based Identification of Key Factors on Stability of Power Grid with Multi-outfeed HVDC
CN116822740A (zh) 配电网运维方案确定方法、装置、电子设备及存储介质

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