CN116565861B - 一种配电网可靠性评估方法、系统、设备和介质 - Google Patents
一种配电网可靠性评估方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN116565861B CN116565861B CN202310834902.4A CN202310834902A CN116565861B CN 116565861 B CN116565861 B CN 116565861B CN 202310834902 A CN202310834902 A CN 202310834902A CN 116565861 B CN116565861 B CN 116565861B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- data
- power distribution
- characteristic
- generate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 90
- 238000013210 evaluation model Methods 0.000 claims abstract description 50
- 238000010276 construction Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 80
- 239000013598 vector Substances 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012795 verification Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 21
- 238000013506 data mapping Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电网可靠性评估方法、系统、设备和介质，通过获取配电网的历史运行数据和实时运行数据，采用历史运行数据进行特征提取，生成多个特征数据。通过预设变分自编码器分别采用特征数据进行特征重建，生成重建特征数据集。采用重建特征数据集进行模型构建，生成分布特征模型。基于分布特征模型和配电网对应的拓扑结构进行模型构建，生成可靠性评估模型。将实时运行数据输入可靠性评估模型进行可靠性评估，生成配电网对应的可靠性评估结果。通过预设训练变分自编码器模型，可以得到多个重建特征数据，进而生成分布特征模型，提高可靠性评估的准确性。通过构建配电网的可靠性评估模型进行配电网可靠性评估，提高可靠性评估结果准确度。
Description
技术领域
本发明涉及配电网技术领域，尤其涉及配电网可靠性评估方法、系统、设备和介质。
背景技术
在电力系统中，配电网是将输送到配变站的低压电能传输到终端用电设备的重要组成部分，配电网的可靠性对于电力系统的正常运行和供电质量有着至关重要的影响。
但传统的配电网可靠性评估方法通常采用基于故障树、事件树、概率统计等方法进行可靠性评估，这些方法需要大量的数据采集和处理。由于配电网的复杂性和数据采集的难度，导致现有的配电网可靠性评估方法很难获得足够的数据来进行可靠性评估和预测。而数据量不足会导致配电网可靠性评估方法的评估和预测结果的不精确，降低了配电网可靠性评估方法的准确性，进而影响到配电网的稳定运行和安全性。
发明内容
本发明提供了一种配电网可靠性评估方法、系统、设备和介质，解决了现有的配电网可靠性评估方法因为采用的评估数据量不足，导致可靠性评估结果准确度低。
本发明提供的一种配电网可靠性评估方法，包括：
获取配电网的历史运行数据和实时运行数据，采用所述历史运行数据进行特征提取，生成多个特征数据；
通过预设变分自编码器分别采用所述特征数据进行特征重建，生成所述配电网对应的重建特征数据集；
采用所述重建特征数据集进行模型构建，生成分布特征模型；
根据所述分布特征模型和所述配电网对应的拓扑结构进行模型构建，生成可靠性评估模型；
将所述实时运行数据输入所述可靠性评估模型进行可靠性评估，生成所述配电网对应的可靠性评估结果。
可选地，所述通过预设变分自编码器包括编码器和解码器；所述通过预设变分自编码器分别采用所述特征数据进行特征重建，生成所述配电网对应的重建特征数据集的步骤，包括：
分别将所述特征数据输入所述编码器进行数据映射，生成多个潜在特征变量；
通过所述解码器采用全部所述潜在特征变量进行矩阵数据映射，生成多个重建特征数据；
采用全部所述重建特征数据，构建所述配电网对应的重建特征数据集。
可选地，所述分别将所述特征数据输入所述编码器进行数据映射，生成多个潜在特征变量的步骤，包括：
分别将所述特征数据输入所述编码器进行数据映射，生成均值向量和标准差向量；
采用所述均值向量和所述标准差向量进行特征相量构建，生成所述特征数据对应的潜在特征变量；
所述潜在特征变量为：
；
其中，表示潜在特征变量；/>表示均值向量；/>表示从标准正态分布中采样得到的同维度的随机向量；/>表示元素乘法操作；/>表示标准差向量。
可选地，所述通过所述解码器采用全部所述潜在特征变量进行矩阵数据映射，生成多个重建特征数据的步骤，包括：
采用全部所述潜在特征变量构建矩阵，生成特征变量矩阵；
计算所述特征变量矩阵与预设权重矩阵乘积，并加上预设偏置向量，生成隐藏层输入值；
将所述隐藏层输入值输入所述编码器的隐藏层，生成多个重建特征数据。
可选地，所述采用所述重建特征数据集进行模型构建，生成分布特征模型的步骤，包括：
采用所述重建特征数据集进行概率密度函数计算，生成多个概率密度函数；
采用全部所述概率概率密度函数和对应的权重进行加权求和，生成概率密度函数；
采用所述概率密度函数，构建分布特征模型。
可选地，所述根据所述分布特征模型和所述配电网对应的拓扑结构进行模型构建，生成可靠性评估模型的步骤，包括：
将所述配电网对应的拓扑结构中各节点分别与所述分布特征模型中的值进行匹配，构建所述节点对应的节点概率密度函数；
采用全部所述节点概率密度函数和对应的故障概率分布进行函数构建，生成所述配电网的联合概率密度函数；
采用所述联合概率密度函数，构建可靠性评估模型。
可选地，在所述将所述实时运行数据输入所述可靠性评估模型进行可靠性评估，生成所述配电网对应的可靠性评估结果的步骤之后，还包括：
采用所述可靠性评估结果对应的可靠性指标与预设优化措施库进行数据匹配，得到所述可靠性评估结果对应的电网优化措施；
当接收到所述电网优化措施对应的执行数据时，将所述执行数据与所述电网优化措施对应的执行标准进行比对验证，生成验证结果；
当所述验证结果满足预设验证标准时，采用所述验证结果、所述执行数据、所述电网优化措施和所述可靠性评估结果，构建所述配电网对应的评估报告。
本发明还提供了一种配电网可靠性评估系统，包括：
特征数据生成模块，用于获取配电网的历史运行数据和实时运行数据，采用所述历史运行数据进行特征提取，生成多个特征数据；
重建特征数据集生成模块，用于通过预设变分自编码器分别采用所述特征数据进行特征重建，生成所述配电网对应的重建特征数据集；
分布特征模型生成模块，用于采用所述重建特征数据集进行模型构建，生成分布特征模型；
可靠性评估模型生成模块，用于根据所述分布特征模型和所述配电网对应的拓扑结构进行模型构建，生成可靠性评估模型；
可靠性评估结果生成模块，用于将所述实时运行数据输入所述可靠性评估模型进行可靠性评估，生成所述配电网对应的可靠性评估结果。
本发明还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行实现如上述任一项配电网可靠性评估方法的步骤。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项配电网可靠性评估方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取配电网的历史运行数据和实时运行数据，采用历史运行数据进行特征提取，生成多个特征数据。通过预设变分自编码器分别采用特征数据进行特征重建，生成配电网对应的重建特征数据集。采用重建特征数据集进行模型构建，生成分布特征模型。基于分布特征模型和配电网对应的拓扑结构进行模型构建，生成可靠性评估模型。将实时运行数据输入可靠性评估模型进行可靠性评估，生成配电网对应的可靠性评估结果。解决了现有的配电网可靠性评估方法因为采用的评估数据量不足，导致可靠性评估结果准确度低的技术问题。通过采集历史运行数据，可以更加全面地了解配电网的运行状况，提高可靠性评估的准确性。通过训练变分自编码器模型，可以得到多个重建特征数据，进而生成分布特征模型，提高可靠性评估的准确性。通过构建配电网的可靠性评估模型，可以实时监测配电网的运行情况，及时发现问题，降低事故发生的风险。从而可以针对不同的配电网进行调整和优化，提高配电网的可靠性和运行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种配电网可靠性评估方法的步骤流程图；
图2为本发明实施例二提供的一种配电网可靠性评估方法的步骤流程图；
图3为本发明实施例三提供的一种配电网可靠性评估系统的结构框图。
具体实施方式
本发明实施例提供了一种配电网可靠性评估方法、系统、设备和介质，用于解决现有的配电网可靠性评估方法因为采用的评估数据量不足，导致可靠性评估结果准确度低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例一提供的一种配电网可靠性评估方法的步骤流程图。
本发明实例一提供的一种配电网可靠性评估方法，包括：
步骤101、获取配电网的历史运行数据和实时运行数据，采用历史运行数据进行特征提取，生成多个特征数据。
在本发明实施例中，获取配电网的历史运行数据和实时运行数据，其中，历史运行数据包括电力参数和运行环境参数。对历史运行数据进行数据预处理和特征提取处理，得到特征数据。
步骤102、通过预设变分自编码器分别采用特征数据进行特征重建，生成配电网对应的重建特征数据集。
预设变分自编码器是一种基于自编码器的生成模型，其可以将高维数据映射到低维空间中，并对数据进行降噪和特征提取，从而提高了数据的表达能力和泛化能力。由于变分自编码器即预设变分自编码器具备良好的泛化能力，因此可以使用较少的数据进行训练，并且可以对新的数据进行快速和准确的预测和评估，可以使用少量的数据进行训练，并具有较好的泛化能力，可以更好地解决传统方法中数据难以采集和数据量不足的问题。同时，通过对现有数据进行降维和特征提取，可以自动学习配电网中可能存在的故障和异常情况，并进行评估和预测，得到更精确的评估结果，从而提高配电网的可靠性。
同时，可以想到的是，由于配电网本身具有复杂的结构和动态的特征，需要考虑多种因素的影响，而变分自编码器可以通过学习配电网历史数据中的潜在规律和特征信息，提取出关键特征，为配电网可靠性评估提供了更加准确的数据支持。通过根据分布特征模型和配电网的拓扑结构构建配电网的可靠性评估模型的方式，使得变分自编码器能够利用生成模型的思想进行配电网状态的仿真和推断，进而可以更充分挖掘配电网历史数据中的信息，进行数据扩展和补全，提高评估的准确性和精度。
此外，对于配电网可靠性评估来说，时间成本和计算成本都是非常重要的考虑因素，而变分自编码器具有较高的计算效率和速度，可以大幅度减少计算成本和时间成本，提高评估的效率和实用性。
在本发明实施例中，预设变分自编码器包括编码器和解码器。分别将特征数据输入编码器进行数据映射，生成多个潜在特征变量。通过解码器采用全部潜在特征变量进行矩阵数据映射，生成多个重建特征数据。采用全部重建特征数据，构建配电网对应的重建特征数据集。
步骤103、采用重建特征数据集进行模型构建，生成分布特征模型。
在本发明实施例中，对重建特征数据集进行统计描述和分析，得到分布特征模型。可以使用常见的描述统计量，如均值、方差、偏度和峰度等，来描述重建特征数据集的分布特征。也可以使用更加复杂的方法，如核密度估计、混合高斯模型等来建模重建数据的分布特征模型。可以采用重建特征数据集进行概率密度函数计算，生成多个概率密度函数。然后采用全部概率概率密度函数和对应的权重进行加权求和，生成概率密度函数，最后采用概率密度函数，构建分布特征模型。
步骤104、根据分布特征模型和配电网对应的拓扑结构进行模型构建，生成可靠性评估模型。
在本发明实施例中，将配电网对应的拓扑结构中各节点分别与分布特征模型中的值进行匹配，构建节点对应的节点概率密度函数。采用全部节点概率密度函数和对应的故障概率分布进行函数构建，生成配电网的联合概率密度函数。采用联合概率密度函数，构建可靠性评估模型。
步骤105、将实时运行数据输入可靠性评估模型进行可靠性评估，生成配电网对应的可靠性评估结果。
在本发明实施例中，通过建立配电网的可靠性评估模型，来评估配电网的可靠性。将实时运行数据输入可靠性评估模型，可靠性评估模型将每个节点的概率密度函数和故障概率结合起来，计算出整个配电网的可靠性。
在本发明实施例中，通过获取配电网的历史运行数据和实时运行数据，采用历史运行数据进行特征提取，生成多个特征数据。通过预设变分自编码器分别采用特征数据进行特征重建，生成配电网对应的重建特征数据集。采用重建特征数据集进行模型构建，生成分布特征模型。基于分布特征模型和配电网对应的拓扑结构进行模型构建，生成可靠性评估模型。将实时运行数据输入可靠性评估模型进行可靠性评估，生成配电网对应的可靠性评估结果。解决了现有的配电网可靠性评估方法因为采用的评估数据量不足，导致可靠性评估结果准确度低的技术问题。通过采集历史运行数据，可以更加全面地了解配电网的运行状况，提高可靠性评估的准确性。通过训练变分自编码器模型，可以得到多个重建特征数据，进而生成分布特征模型，提高可靠性评估的准确性。通过构建配电网的可靠性评估模型，可以实时监测配电网的运行情况，及时发现问题，降低事故发生的风险。从而可以针对不同的配电网进行调整和优化，提高配电网的可靠性和运行效率。
请参阅图2，图2为本发明实施例二提供的一种配电网可靠性评估方法的步骤流程图。
本发明实例二提供的另一种配电网可靠性评估方法，包括：
步骤201、获取配电网的历史运行数据和实时运行数据，采用历史运行数据进行特征提取，生成多个特征数据。
在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
步骤202、分别将特征数据输入编码器进行数据映射，生成多个潜在特征变量。
进一步地，步骤202可以包括以下子步骤S11-S12：
S11、分别将特征数据输入编码器进行数据映射，生成均值向量和标准差向量。
S12、采用均值向量和标准差向量进行特征相量构建，生成特征数据对应的潜在特征变量。
潜在特征变量为：
；
其中，表示潜在特征变量；/>表示均值向量；/>表示从标准正态分布中采样得到的同维度的随机向量；/>表示元素乘法操作；/>表示标准差向量；/>表示是从高斯分布中采样得到潜在变量的过程。
在本发明实施例中，首先使用配电网的历史数据训练预设变分自编码器，预设变分自编码器由编码器和解码器两部分组成，编码器将输入的配电网状态转换为潜在变量，解码器将潜在变量转换回配电网状态。其次，基于训练好的预设变分自编码器，生成大量的潜在变量。可以通过采样的方式，在潜在空间中生成大量的潜在变量，例如使用高斯分布生成。
具体的，特征数据经过编码器之后，会得到两个向量，一个是均值向量，另一个是标准差向量/>，这两个向量都是通过神经网络计算得到的，由于这两个向量的维度较小（一般是几十到几百），故在后续过程中可以利用上述公式，从高斯分布中采样得到一个潜在变量z，这个潜在变量就可以作为解码器的输入，进而生成具有类似特征数据的新样本。
步骤203、通过解码器采用全部潜在特征变量进行矩阵数据映射，生成多个重建特征数据。
进一步地，步骤203可以包括以下子步骤S21-S22：
S21、采用全部潜在特征变量构建矩阵，生成特征变量矩阵。
S22、计算特征变量矩阵与预设权重矩阵乘积，并加上预设偏置向量，生成隐藏层输入值。
S23、将隐藏层输入值输入编码器的隐藏层，生成多个重建特征数据。
在本发明实施例中，将多个特征变量z按行组成一个特征变量矩阵Z，Z=[z1,z2,…,zM]T，M为潜在特征变量的数量。然后，将特征变量矩阵Z乘以预设权重矩阵W，并加上预设偏置向量b，得到隐藏层输入值h：即h=ZW+b，其中，预设权重矩阵W和预设偏置向量b是解码器的参数，需要通过训练来学习。
后续过程中，将隐藏层输入值h送入解码器的隐藏层，并通过解码器的输出层生成重建特征数据。具体的，可以按照标准的前向传播的方式计算解码器的输出，最终得到的重建特征数据与特征数据之间的误差可以用重建误差来衡量，通常用均方误差（MSE）作为损失函数，在训练过程中，可以尝试通过反向传播算法调整模型参数，以最小化重建误差，以提高模型的性能。
步骤204、采用全部重建特征数据，构建配电网对应的重建特征数据集。
在本发明实施例中，得到各特征数据对应的多个重建特征数据后，采用全部重建特征数据，构建配电网对应的重建特征数据集。
步骤205、采用重建特征数据集进行模型构建，生成分布特征模型。
进一步地，步骤205可以包括以下子步骤S31-S33：
S31、采用重建特征数据集进行概率密度函数计算，生成多个概率密度函数。
S32、采用全部概率概率密度函数和对应的权重进行加权求和，生成概率密度函数。
S33、采用概率密度函数，构建分布特征模型。
在本发明实施例中，通过采用多个重建特征数据，构建一个分布特征模型，需要计算每个重建特征数据的概率密度函数，这可以通过各种统计方法来完成，例如基于高斯混合模型或核密度估计等方法。对多个概率密度函数进行加权求和处理，以得到分布特征模型，这个过程可以使用加权平均或者其他的加权方法来完成，其中每个重建特征数据的权重可以根据其重要性来确定，最终得到的分布特征模型可以用于后续进行配电网可靠性评估。
在概率统计中，概率密度函数是描述随机变量取值的概率分布的函数，在生成模型中通常会使用分布特征模型来描述数据的概率分布情况。因此，在生成模型中可以将每个样本的特征向量表示为一个潜在变量（或称为隐变量）的分布，这个分布就可以用一个概率密度函数来表示，而通过对所有样本的概率密度函数进行加权求和，就可以得到整个样本空间的概率密度函数，从而建立了分布特征模型。
步骤206、根据分布特征模型和配电网对应的拓扑结构进行模型构建，生成可靠性评估模型。
进一步地，步骤206可以包括以下子步骤S41-S43：
S41、将配电网对应的拓扑结构中各节点分别与分布特征模型中的值进行匹配，构建节点对应的节点概率密度函数。
S42、采用全部节点概率密度函数和对应的故障概率分布进行函数构建，生成配电网的联合概率密度函数。
S43、采用联合概率密度函数，构建可靠性评估模型。
在本发明实施例中，基于分布特征模型确定配电网拓扑结构中各节点对应的节点概率密度函数，这可以通过将拓扑结构中的节点与分布特征模型中的值进行匹配来完成。基于历史数据确定各节点的故障概率分布，这可以通过对历史数据进行统计分析来得到。基于各节点的故障概率分布和节点概率密度函数得到配电网的联合概率密度函数，这可以使用贝叶斯公式来完成。最后，通过联合概率密度函数得到配电网的可靠性评估模型，该模型可以用于预测配电网的可靠性水平，并对配电网进行优化。
具体的，在配电网中，节点的电压、电流等特征可以看作是随机变量，其概率分布可以用高斯分布来描述。而分布特征模型给出了每个随机变量的概率密度函数，因此可以将每个高斯分布与配电网中的每个节点对应起来，从而得到对应的节点概率密度函数。接着可以通过引入故障概率模型，即对每个节点引入一个相应的故障概率，来计算配电网的整体可靠性。在此基础上可以根据配电网的可靠性指标，如电压稳定性、故障概率等，对配电网进行评估，并提出相应的优化措施。
具体的，可以通过建立配电网的可靠性评估模型，来评估配电网的可靠性。这个评估模型将每个节点的概率密度函数和故障概率结合起来，计算出整个配电网的可靠性。在评估过程中可以针对不同的可靠性指标，设计相应的优化措施，以提高配电网的可靠性。
步骤207、将实时运行数据输入可靠性评估模型进行可靠性评估，生成配电网对应的可靠性评估结果。
在本发明实施例中，步骤207的具体实施过程与步骤105类似，在此不再赘述。
进一步地，在步骤207之后，还包括但不限于有以下步骤S51-S53：
S51、采用可靠性评估结果对应的可靠性指标与预设优化措施库进行数据匹配，得到可靠性评估结果对应的电网优化措施。
S52、当接收到电网优化措施对应的执行数据时，将执行数据与电网优化措施对应的执行标准进行比对验证，生成验证结果。
S53、当验证结果满足预设验证标准时，采用验证结果、执行数据、电网优化措施和可靠性评估结果，构建配电网对应的评估报告。
预设优化措施库是指事先针对不同的可靠性指标，设计相应的优化措施，并采用全部优化措施构建得到的数据库。例如可以通过调整电网的拓扑结构或改变节点的装置方式，来减少节点的故障概率，提高电网的可靠性。
预设验证标准是指基于实际需要设置的验证结果需要满足的临界值。
在本发明实施例中，将可靠性评估结果对应的可靠性指标与预设优化措施库进行数据匹配，选取可靠性评估结果对应的电网优化措施。并将电网优化措施发送给对应的工作人员，使工作人员及时对配电网进行调整，提高电网的可靠性，并反馈调整得到的执行数据。当接收到电网优化措施对应的执行数据时，将执行数据与电网优化措施对应的执行标准进行比对验证，生成验证结果，若验证结果满足预设验证标准，则采用验证结果、执行数据、电网优化措施和可靠性评估结果，构建配电网对应的评估报告。若不符合，则反馈验证不合格通知，使工作人员对配电网进行进一步调整。
在本发明实施例中，过采集配电网的历史运行数据，历史运行数据包括电力参数和运行环境参数。对历史运行数据进行数据预处理和特征提取处理得到特征数据。根据特征数据训练预设变分自编码器，并通过变分自编码器模型预设变分自编码器得到多个重建特征数据。基于多个重建特征数据，构建分布特征模型。采用分布特征模型和配电网的拓扑结构，构建配电网的可靠性评估模型。将配电网的实时运行数据输入至可靠性评估模型，以使可靠性评估模型输出可靠性评估结果。通过将预设变分自编码器与配电网可靠性评估方法相结合，利用变分自编码器的特征提取和生成模型的能力，充分利用历史数据，有效挖掘出隐藏在历史数据中的潜在特征数据，生成更多的重建特征数据，进而在有效地降低配可靠性评估获取数据的时间成本和计算成本的同时，提高了评估方法的精度和有效性。
请参阅图3，图3为本发明实施例三提供的一种配电网可靠性评估系统的结构框图。
本发明实例三提供的一种配电网可靠性评估系统，包括：
特征数据生成模块301，用于获取配电网的历史运行数据和实时运行数据，采用历史运行数据进行特征提取，生成多个特征数据。
重建特征数据集生成模块302，用于通过预设变分自编码器分别采用特征数据进行特征重建，生成配电网对应的重建特征数据集。
分布特征模型生成模块303，用于采用重建特征数据集进行模型构建，生成分布特征模型。
可靠性评估模型生成模块304，用于根据分布特征模型和配电网对应的拓扑结构进行模型构建，生成可靠性评估模型。
可靠性评估结果生成模块305，用于将实时运行数据输入可靠性评估模型进行可靠性评估，生成配电网对应的可靠性评估结果。
可选地，预设变分自编码器包括编码器和解码器，重建特征数据集生成模块包括：
潜在特征变量生成模块，用于分别将特征数据输入编码器进行数据映射，生成多个潜在特征变量。
重建特征数据生成模块，用于通过解码器采用全部潜在特征变量进行矩阵数据映射，生成多个重建特征数据。
重建特征数据集生成子模块，用于采用全部重建特征数据，构建配电网对应的重建特征数据集。
可选地，潜在特征变量生成模块可以执行以下步骤：
分别将特征数据输入编码器进行数据映射，生成均值向量和标准差向量。
采用均值向量和标准差向量进行特征相量构建，生成特征数据对应的潜在特征变量。
潜在特征变量为：
；
其中，表示潜在特征变量；/>表示均值向量；/>表示从标准正态分布中采样得到的同维度的随机向量；/>表示元素乘法操作；/>表示标准差向量。
可选地，重建特征数据生成模块可以执行以下步骤：
采用全部潜在特征变量构建矩阵，生成特征变量矩阵。
计算特征变量矩阵与预设权重矩阵乘积，并加上预设偏置向量，生成隐藏层输入值。
将隐藏层输入值输入编码器的隐藏层，生成多个重建特征数据。
可选地，分布特征模型生成模块303还包括：
概率密度函数生成模块，用于采用重建特征数据集进行概率密度函数计算，生成多个概率密度函数。
概率密度函数生成模块，用于采用全部概率概率密度函数和对应的权重进行加权求和，生成概率密度函数。
分布特征模型生成子模块，用于采用概率密度函数，构建分布特征模型。
可选地，可靠性评估模型生成模块304包括：
节点概率密度函数构建模块，用于将配电网对应的拓扑结构中各节点分别与分布特征模型中的值进行匹配，构建节点对应的节点概率密度函数。
联合概率密度函数生成模块，用于采用全部节点概率密度函数和对应的故障概率分布进行函数构建，生成配电网的联合概率密度函数。
可靠性评估模型生成子模块，用于采用联合概率密度函数，构建可靠性评估模型。
可选地，系统还包括：
电网优化措施得到模块，用于采用可靠性评估结果对应的可靠性指标与预设优化措施库进行数据匹配，得到可靠性评估结果对应的电网优化措施。
验证结果生成模块，用于当接收到电网优化措施对应的执行数据时，将执行数据与电网优化措施对应的执行标准进行比对验证，生成验证结果。
评估报告构建模块，用于当验证结果满足预设验证标准时，采用验证结果、执行数据、电网优化措施和可靠性评估结果，构建配电网对应的评估报告。
本发明实施例还提供了一种电子设备，电子设备包括：存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的配电网可靠性评估方法。
存储器可以是诸如闪存、EEPROM（电可擦除可编程只读存储器）、EPROM、硬盘或者ROM之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如，用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘（CD）、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时，导致该计算处理设备执行上面所描述的配电网可靠性评估方法中的各个步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一实施例的配电网可靠性评估方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，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，单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元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单元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，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种配电网可靠性评估方法，其特征在于，包括：
获取配电网的历史运行数据和实时运行数据，采用所述历史运行数据进行特征提取，生成多个特征数据；
通过预设变分自编码器分别采用所述特征数据进行特征重建，生成所述配电网对应的重建特征数据集；
采用所述重建特征数据集进行模型构建，生成分布特征模型；
根据所述分布特征模型和所述配电网对应的拓扑结构进行模型构建，生成可靠性评估模型；
将所述实时运行数据输入所述可靠性评估模型进行可靠性评估，生成所述配电网对应的可靠性评估结果；
所述通过预设变分自编码器包括编码器和解码器；所述通过预设变分自编码器分别采用所述特征数据进行特征重建，生成所述配电网对应的重建特征数据集的步骤，包括：
分别将所述特征数据输入所述编码器进行数据映射，生成多个潜在特征变量；
通过所述解码器采用全部所述潜在特征变量进行矩阵数据映射，生成多个重建特征数据；
采用全部所述重建特征数据，构建所述配电网对应的重建特征数据集；
所述通过所述解码器采用全部所述潜在特征变量进行矩阵数据映射，生成多个重建特征数据的步骤，包括：
采用全部所述潜在特征变量构建矩阵，生成特征变量矩阵；
计算所述特征变量矩阵与预设权重矩阵乘积，并加上预设偏置向量，生成隐藏层输入值；
将所述隐藏层输入值输入所述解码器的隐藏层，生成多个重建特征数据；
所述重建特征数据通过前向传播和反向传播算法计算得到，所述重建特征数据对应的损失函数为均方误差；
所述根据所述分布特征模型和所述配电网对应的拓扑结构进行模型构建，生成可靠性评估模型的步骤，包括：
将所述配电网对应的拓扑结构中各节点分别与所述分布特征模型中的值进行匹配，构建所述节点对应的节点概率密度函数；
采用全部所述节点概率密度函数和对应的故障概率分布进行函数构建，生成所述配电网的联合概率密度函数；
采用所述联合概率密度函数，构建可靠性评估模型。
2.根据权利要求1所述的配电网可靠性评估方法，其特征在于，所述分别将所述特征数据输入所述编码器进行数据映射，生成多个潜在特征变量的步骤，包括：
分别将所述特征数据输入所述编码器进行数据映射，生成均值向量和标准差向量；
采用所述均值向量和所述标准差向量进行特征相量构建，生成所述特征数据对应的潜在特征变量；
所述潜在特征变量为：
；
其中，表示潜在特征变量；/>表示均值向量；/>表示从标准正态分布中采样得到的同维度的随机向量；/>表示元素乘法操作；/>表示标准差向量。
3.根据权利要求1所述的配电网可靠性评估方法，其特征在于，所述采用所述重建特征数据集进行模型构建，生成分布特征模型的步骤，包括：
采用所述重建特征数据集进行概率密度函数计算，生成多个概率密度函数；
采用全部所述概率密度函数和对应的权重进行加权求和，生成概率密度函数；
采用所述概率密度函数，构建分布特征模型。
4.根据权利要求1所述的配电网可靠性评估方法，其特征在于，在所述将所述实时运行数据输入所述可靠性评估模型进行可靠性评估，生成所述配电网对应的可靠性评估结果的步骤之后，还包括：
采用所述可靠性评估结果对应的可靠性指标与预设优化措施库进行数据匹配，得到所述可靠性评估结果对应的电网优化措施；
当接收到所述电网优化措施对应的执行数据时，将所述执行数据与所述电网优化措施对应的执行标准进行比对验证，生成验证结果；
当所述验证结果满足预设验证标准时，采用所述验证结果、所述执行数据、所述电网优化措施和所述可靠性评估结果，构建所述配电网对应的评估报告。
5.一种配电网可靠性评估系统，其特征在于，包括：
特征数据生成模块，用于获取配电网的历史运行数据和实时运行数据，采用所述历史运行数据进行特征提取，生成多个特征数据；
重建特征数据集生成模块，用于通过预设变分自编码器分别采用所述特征数据进行特征重建，生成所述配电网对应的重建特征数据集；
分布特征模型生成模块，用于采用所述重建特征数据集进行模型构建，生成分布特征模型；
可靠性评估模型生成模块，用于根据所述分布特征模型和所述配电网对应的拓扑结构进行模型构建，生成可靠性评估模型；
可靠性评估结果生成模块，用于将所述实时运行数据输入所述可靠性评估模型进行可靠性评估，生成所述配电网对应的可靠性评估结果；
所述预设变分自编码器包括编码器和解码器，所述重建特征数据集生成模块包括：
潜在特征变量生成模块，用于分别将所述特征数据输入所述编码器进行数据映射，生成多个潜在特征变量；
重建特征数据生成模块，用于通过所述解码器采用全部所述潜在特征变量进行矩阵数据映射，生成多个重建特征数据；
重建特征数据集生成子模块，用于采用全部所述重建特征数据，构建所述配电网对应的重建特征数据集；
所述重建特征数据生成模块执行以下步骤：
采用全部所述潜在特征变量构建矩阵，生成特征变量矩阵；
计算所述特征变量矩阵与预设权重矩阵乘积，并加上预设偏置向量，生成隐藏层输入值；
将所述隐藏层输入值输入所述解码器的隐藏层，生成多个重建特征数据；
所述重建特征数据通过前向传播和反向传播算法计算得到，所述重建特征数据对应的损失函数为均方误差；
所述可靠性评估模型生成模块包括：
节点概率密度函数构建模块，用于将所述配电网对应的拓扑结构中各节点分别与所述分布特征模型中的值进行匹配，构建所述节点对应的节点概率密度函数；
联合概率密度函数生成模块，用于采用全部所述节点概率密度函数和对应的故障概率分布进行函数构建，生成所述配电网的联合概率密度函数；
可靠性评估模型生成子模块，用于采用所述联合概率密度函数，构建可靠性评估模型。
6.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至4任一项所述的配电网可靠性评估方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至4任一项所述的配电网可靠性评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310834902.4A CN116565861B (zh) | 2023-07-10 | 2023-07-10 | 一种配电网可靠性评估方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310834902.4A CN116565861B (zh) | 2023-07-10 | 2023-07-10 | 一种配电网可靠性评估方法、系统、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116565861A CN116565861A (zh) | 2023-08-08 |
| CN116565861B true CN116565861B (zh) | 2023-10-03 |
Family
ID=87496877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310834902.4A Active CN116565861B (zh) | 2023-07-10 | 2023-07-10 | 一种配电网可靠性评估方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116565861B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368651B (zh) * | 2023-12-07 | 2024-03-08 | 江苏索杰智能科技有限公司 | 一种配电网故障综合分析系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784359A (zh) * | 2018-11-27 | 2019-05-21 | 北京邮电大学 | 图像生成方法、装置、设备及可读存储介质 |
| CN111988814A (zh) * | 2020-08-31 | 2020-11-24 | 南昌航空大学 | 一种采用改进变分自编码器评估链路质量的方法 |
| CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
| CN114623050A (zh) * | 2022-03-16 | 2022-06-14 | 华能大理风力发电有限公司洱源分公司 | 风电机组的运行数据异常检测方法、系统及介质 |
| CN115860321A (zh) * | 2022-10-24 | 2023-03-28 | 国网山东省电力公司青岛供电公司 | 一种配电网供电可靠性评估方法、系统、电子设备及介质 |
| CN115964951A (zh) * | 2023-01-05 | 2023-04-14 | 国网河北省电力有限公司经济技术研究院 | 电力系统运行可靠性评估方法、装置及电子设备 |
| CN116167609A (zh) * | 2022-09-08 | 2023-05-26 | 广东电网有限责任公司广州供电局 | 基于神经网络模型的电力系统风险评估方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210095B (zh) * | 2019-05-24 | 2020-07-10 | 清华大学 | 一种基于混合整数线性规划的配电网可靠性指标计算方法 |
-
2023
- 2023-07-10 CN CN202310834902.4A patent/CN116565861B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109784359A (zh) * | 2018-11-27 | 2019-05-21 | 北京邮电大学 | 图像生成方法、装置、设备及可读存储介质 |
| CN111988814A (zh) * | 2020-08-31 | 2020-11-24 | 南昌航空大学 | 一种采用改进变分自编码器评估链路质量的方法 |
| CN114422381A (zh) * | 2021-12-14 | 2022-04-29 | 西安电子科技大学 | 通信网络流量预测方法、系统、存储介质及计算机设备 |
| CN114623050A (zh) * | 2022-03-16 | 2022-06-14 | 华能大理风力发电有限公司洱源分公司 | 风电机组的运行数据异常检测方法、系统及介质 |
| CN116167609A (zh) * | 2022-09-08 | 2023-05-26 | 广东电网有限责任公司广州供电局 | 基于神经网络模型的电力系统风险评估方法 |
| CN115860321A (zh) * | 2022-10-24 | 2023-03-28 | 国网山东省电力公司青岛供电公司 | 一种配电网供电可靠性评估方法、系统、电子设备及介质 |
| CN115964951A (zh) * | 2023-01-05 | 2023-04-14 | 国网河北省电力有限公司经济技术研究院 | 电力系统运行可靠性评估方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 配电网供电可靠性大数据技术的应用分析;李卓坚;《科技创新与应用》;第181-182页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116565861A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001644B (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
| Zeng et al. | Machine learning based system performance prediction model for reactor control | |
| CN116565861B (zh) | 一种配电网可靠性评估方法、系统、设备和介质 | |
| CN111414703B (zh) | 一种滚动轴承剩余寿命预测方法及装置 | |
| CN111507509A (zh) | 一种电力系统极端事件的风险评估方法 | |
| CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
| Hu et al. | A general model, estimation, and procedure for modeling recurrent failure process of high-voltage circuit breakers considering multivariate impacts | |
| CN115238980A (zh) | 基于注意力机制的时空图卷积神经网络的微电网暂态功角轨迹预测方法 | |
| CN112731260A (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
| CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
| CN109829627A (zh) | 一种基于集成学习方案的电力系统动态安全置信评估方法 | |
| CN115392056A (zh) | 一种高压架空输电线路运行状态监测及预警方法及装置 | |
| Wshah et al. | Deep learning for model parameter calibration in power systems | |
| CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
| CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
| CN117572239A (zh) | 一种储能电池状态估计方法、系统、设备和介质 | |
| Shang et al. | Loss of life estimation of distribution transformers considering corrupted AMI data recovery and field verification | |
| Tang et al. | How effective and efficient are multiobjective evolutionary algorithms at hydrologic model calibration? | |
| CN116662307A (zh) | 一种基于多源数据融合的智能预警方法、系统及设备 | |
| CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
| Reis et al. | A fast and accurate sampler built on Bayesian inference and optimized Hamiltonian Monte Carlo for voltage sag assessment in power systems | |
| CN111612289B (zh) | 基于新能源多场景风险特征导向的电力系统风险评估方法 | |
| Baboli et al. | Multivariate cross-correlated reliability modeling of wind turbines using pair-copula functions | |
| Jung et al. | Exploring the sensitivity of probabilistic surge estimates to forecast errors | |
| CN118427717B (zh) | 一种基于时空多特征不确定性的山洪灾害风险预警方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |