CN117239713A - 一种基于配电网调度智慧安全的管控方法及系统 - Google Patents
一种基于配电网调度智慧安全的管控方法及系统 Download PDFInfo
- Publication number
- CN117239713A CN117239713A CN202310688520.5A CN202310688520A CN117239713A CN 117239713 A CN117239713 A CN 117239713A CN 202310688520 A CN202310688520 A CN 202310688520A CN 117239713 A CN117239713 A CN 117239713A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- distribution network
- data
- scheduling
- analysis
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000007726 management method Methods 0.000 claims description 49
- 238000012502 risk assessment Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000003745 diagnosis Methods 0.000 claims description 21
- 238000003066 decision tree Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000012300 Sequence Analysis Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 3
- 238000004804 winding Methods 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及安全管控的技术领域，具体为一种基于配电网调度智慧安全的管控方法，本发明公开了一种基于配电网调度智慧安全的管控方法及系统，其中管控方法包括，实时监测并收集数据；基于数据分析建立配电网模型；基于配电网模型完成配电网优化调度；以及通过远程监控，实现对配电网的远程管理和控制，采用本发明，通过智能化运维和精细化管理，及时发现和处理设备故障和异常情况，降低了事故的发生率和损失；通过对配电网中的安全隐患进行及时监测和处理，避免因安全隐患导致的事故发生，从而降低了事故的风险；通过远程监控，减少人力资源的投入，同时也方便了管理人员对配电网的监管。
Description
技术领域
本发明涉及安全管控的技术领域，具体为一种基于配电网调度智慧安全的管控方法。
背景技术
配网调度智慧安全管控技术方法及系统是近年来随着物联网技术、人工智能等新一代信息技术的发展而逐渐兴起的智能化配电网管理方案。传统的配电网管理方式存在巡检效率低、事故处置不及时等问题，难以满足现代化城市对供电可靠性、稳定性和安全性的要求。因此，迫切需要开发出一种基于信息化技术的配网调度安全管控方法及系统。
目前，随着物联网、大数据、云计算和人工智能等技术的飞速发展，配电网管理也正在向着智能化、信息化、自动化的方向发展。其中，智能巡检、数据分析、预测分析等技术手段已经广泛应用于配电网的运维管理中。例如，利用无人机、机器人等智能设备进行巡检，可以实现对配电设施的全面覆盖，提高巡检效率和准确性；通过大数据分析和建模，预测配电网的未来状况，提前做好准备工作，确保配电网的稳定运行。
此外，智能化的配网调度安全管控方法及系统的出现，也为配电企业实现精细化管理、提高运维效率、优化客户用电体验提供了有力支持。因此，基于智能化技术的配网调度安全管控方法及系统已成为当前和未来配电网管理的重要发展方向之一。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明提供了一种基于配电网调度智慧安全的管控方法的方法，通过智能化运维和精细化管理，及时发现和处理设备故障和异常情况，降低了事故的发生率和损失，通过自动化巡检、分析和优化控制等手段，提高了配电网的运维效率，同时，采用智能化决策和联合作战的手段，提高了配电网络管理的决策效率和执行效率，利用现代信息技术手段，提高了配电网络的智能化程度和运维效率，提升了配电网络的可靠性和安全性，为现代城市的供电安全提供了有力保障。
为解决上述技术问题，本发明提供如下技术方案：一种基于配电网调度智慧安全的管控方法，包括以下步骤，
实时监测并收集数据；
基于数据分析建立配电网模型；
基于配电网模型完成配电网优化调度；
通过远程监控，实现对配电网的远程管理和控制。
作为本发明所述一种基于配电网调度智慧安全的管控方法的一种优选方案，其中：所述实时监测并收集数据是利用传感器在配电网中实时监测电流、电压、功率以及频率，并采集相关数据，采集的数据通过通信网络传输到中央控制中心进行处理和分析。
作为本发明所述一种基于配电网调度智慧安全的管控方法的一种优选方案，其中：所述基于数据分析建立配电网模型是利用建模技术对采集到的数据进行处理和分析，建立配电网模型，所述配电网模型包括，负载预测、故障诊断以及风险评估。
作为本发明所述一种基于配电网调度智慧安全的管控方法的一种优选方案，其中：所述利用建模技术对采集到的数据进行处理和分析是通过构建概率分析模型来对采集到的数据进行分析，所述概率分析模型包括，时间序列分析，回归分析以及贝叶斯网络；
所述时间序列分析是分析数据随时间变化的方法，具体实现公式如下：
其中，n表示分析的次数，xt表示在t时刻的数据，表示时间序列的平均值，t表示不同时间。
作为本发明所述一种基于配电网调度智慧安全的管控方法的一种优选方案，其中：所述贝叶斯网络是基于随机变量之间的依赖关系分析数据变量的概率分布，进而实现配电网的风险评估，具体实现公式如下：
P(A|B)＝P(A)*P(B|A)/P(B)
其中，P(A|B)表示在分析到风险事件B之后风险事件A发生的概率，P(A)表示风险事件A发生的概率，P(B|A)表示在风险事件A之后发生风险事件B的概率，P(B)表示风险事件B发生的概率，A、B分别表示不同的风险事件。
作为本发明所述一种基于配电网调度智慧安全的管控方法的一种优选方案，其中：所述建立配电网模型是基于机器学习法来构建的，所述配电网模型包括，负载预测，故障诊断以及风险评估；
所述负载预测是通过对神经元信号进行加权求和，并基于激活函数进行非线性转换，从而实现负载预测，具体实现公式如下：
其中，λ表示输入的负载数据的权重值，x表示输入的负载数据，b表示偏置数值，i表示不同的次数的数据，n表示分析的次数。
所述激活函数如下：
其中，X表示神经元数据的加权和，f(X)表示神经元的输出。
作为本发明所述一种基于配电网调度智慧安全的管控方法的一种优选方案，其中：所述故障诊断是通过决策树来实现的，所述决策树是通过将电网故障数据作为数据集，并利用熵来衡量数据集的不确定性，具体实现公式如下：
其中，D表示数据集，n表示故障类别C＝{c1,c2,...,cn}，pk表示数据样本xi属于ck的概率；
通过决策树的特征信息来描述电网故障率，对决策树节点中的每个特征进行信息增益，具体特征增益公式如下：
其中，β表示当前决策树节点中用于划分的特征，V为特征β可能的取值数目，Dv表示样本数据集合D中特征β的取值等于v的样本子集，|D|表示样本数据集合D的大小，即样本数据总数。
本发明的另外一个目的是提供一种基于配电网调度智慧安全的管控方法系统，其能通过智能调度和管控，可以有效地预防线路故障和设备损坏等情况的发生，从而提高配电网的可靠性和稳定性；通过对配电网中的安全隐患进行及时监测和处理，避免因安全隐患导致的事故发生，从而降低了事故的风险；通过智能化调度和管控，优化配电设备的使用，提高供电效率和质量，并降低了运行成本；可以实现远程监控，减少人力资源的投入，同时也方便了管理人员对配电网的监管。
一种基于配电网调度智慧安全的管控系统，其特征在于，包括，数据采集模块，数据处理与分析模块，调度决策模块以及远程控制模块；
所述数据采集模块，用于实时采集配电网的数据；
所述数据处理与分析模块，用于处理分析数据采集模块采集的数据；
所述调度决策模块，用于基于数据处理与分析模块的结果，进行配电网调度决策；
所述远程控制模块，用于实现对配电网的远程监控和控制。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现变电站低压交流失压事件判别方法的步骤。
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，所述计算机程序被处理器执行时实现变电站低压交流失压事件判别方法的步骤。
本发明的有益效果：本发明通过智能化运维和精细化管理，及时发现和处理设备故障和异常情况，降低了事故的发生率和损失；采用智能化决策和联合作战的手段，提高了配电网络管理的决策效率和执行效率；通过对配电网中的安全隐患进行及时监测和处理，避免因安全隐患导致的事故发生，从而降低了事故的风险；通过远程监控，减少人力资源的投入，同时也方便了管理人员对配电网的监管。
附图说明
为了更清楚地说明本发明实施例的技术方案，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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一种基于配电网调度智慧安全的管控方法的整体方法步骤示意图。
图2为本发明一种基于配电网调度智慧安全的管控方法所述的整体系统结构示意图。
图3为本发明一种基于配电网调度智慧安全的管控方法所述的计算机组成结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，提供了一种基于配电网调度智慧安全的管控方法，包括以下步骤，
S1：实时监测并收集数据。
具体的，所述实时监测并收集数据是利用传感器在配电网中实时监测电流、电压、功率以及频率，并采集相关数据，采集的数据通过通信网络传输到中央控制中心进行处理和分析。
进一步的，利用传感器在配电网中实时监测电流、电压、功率以及频率是通过电流互感器以及电压互感器实现的，所述电流互感器是将测量电流的导线穿过互感器的铁芯，通过互感作用将高电流转换为低电流，在电流互感器中，一侧是一定比例的次级绕组，另一侧是主绕组，主绕组上的电流与被测量的高电流成比例，而次级绕组上的电流则被降低到较低的水平，次级绕组的电流可以通过连接到测量设备进行测量和监测；所述电压互感器是将被测量的高电压引导到一侧的主绕组上，而另一侧则是次级绕组，次级绕组上的电压与被测量的高电压成比例，但被降低到较低的水平，次级绕组的电压可以通过连接到测量设备进行测量和监测。
S2：基于数据分析建立配电网模型。
具体的，所述基于数据分析建立配电网模型是利用建模技术对采集到的数据进行处理和分析，建立配电网模型，所述配电网模型包括，负载预测、故障诊断以及风险评估。
进一步的，所述利用建模技术对采集到的数据进行处理和分析是通过构建概率分析模型来对采集到的数据进行分析，所述概率分析模型包括，时间序列分析，回归分析以及贝叶斯网络；所述时间序列分析是基于时间序列分析数据的变化趋势以及预测未来的数值，所述回归分析是基于变量之间的关系模型分析配电网负载因素以及预测未来的负载需求，所述贝叶斯网络是基于随机变量之间的依赖关系分析数据变量的概率分布，进而实现配电网的风险评估。
更进一步的，所述时间序列分析是分析数据随时间变化的方法，具体实现公式如下：
其中，n表示分析的次数，xt表示在t时刻的数据，表示时间序列的平均值，t表示不同时间。
进一步的，所述回归分析是分析实际数据量和预测数据量之间的关系的一种方法，具体实现公式如下：
y＝k0+k1x1+k2x2+...+knxn+α
其中，y表示预测数据的数值，x1,x2,x3,...,xn表示不同分析次数下的实际数据的数值，n表示分析的次数，k0,k1,k2,...,kn表示回归方程的系数，α表示回归分析的误差系数。
进一步的，所述贝叶斯网络是基于随机变量之间的依赖关系分析数据变量的概率分布，进而实现配电网的风险评估，具体实现公式如下：
P(A|B)＝P(A)*P(B|A)/P(B)
其中，P(A|B)表示在分析到风险事件B之后风险事件A发生的概率，P(A)表示风险事件A发生的概率，P(B|A)表示在风险事件A之后发生风险事件B的概率，P(B)表示风险事件B发生的概率，A、B分别表示不同的风险事件。
具体的，所述建立配电网模型是基于机器学习法来构建的，所述配电网模型包括，负载预测，故障诊断以及风险评估，所述负载预测是利用神经网络学习法实现的，所述神经网络学习法是通过学习负载数据之间的关系来实现预测未来的负载需求的，所述故障诊断是通过决策树来实现的，所述决策树是通过对判断节点和叶节点的数据特征进行判断，进而实现对配电网故障类型的判断，所述风险评估是通过支持向量机来实现的，所述支持向量机是通过构建数据决策边界来实现数据的最优分类，进而实现配电网的风险评估。
进一步的，所述神经网络学习是通过对神经元信号进行加权求和，并基于激活函数进行非线性转换，从而实现负载预测，具体实现公式如下：
其中，λ表示输入的负载数据的权重值，x表示输入的负载数据，b表示偏置数值，i表示不同的次数的数据，n表示分析的次数。
所述激活函数如下：
其中，X表示神经元数据的加权和，f(X)表示神经元的输出。
更进一步的，所述决策树是通过将电网故障数据作为数据集，并利用熵来衡量数据集的不确定性，具体实现公式如下：
其中，D表示数据集，n表示故障类别C＝{c1,c2,...,cn}，pk表示数据样本xi属于ck的概率；
为了进一步通过决策树的特征信息来描述电网故障率，对决策树节点中的每个特征进行信息增益，具体特征增益公式如下：
其中，β表示当前决策树节点中用于划分的特征，V为特征β可能的取值数目，Dv表示样本数据集合D中特征β的取值等于v的样本子集，|D|表示样本数据集合D的大小，即样本数据总数。
进一步的，所述支持向量机是通过选择出最优的平面来将不同的风险类型样本分开，进而实现配电网的风险评估，所述最优的平面是通过数据权重向量构建的，具体实现公式如下：
λx+b＝0
其中，λ表示权重向量，且λ＝(λ1,λ2,...,λm)，b表示平面你的截距；
为了找出最优平面，需满足以下条件：
构建训练数据集C＝{(x1,y1),(x2,y2),...,(xm,ym)}且满足yi∈{-1,1}的风险类型数据集，
所有正例yi＝1时，都需满足λxi+b＞0；
所有负例yi＝-1时，都需满足λxi+b＜0；
当所述平面公式能满足上述条件，即可找出最优的平面，进而完成配电网的风险评估。
S3：基于配电网模型完成配电网优化调度。
具体的，所述配电网模型是基于机器学习法来构建的，所述配电网模型包括，负载预测，故障诊断以及风险评估，基于配电网模型完成配电网优化调度就是基于负载预测、故障诊断以及风险评估完成配电网优化调度。
进一步的，所述负载预测是利用神经网络学习法实现的，通过根据历史负载数据以及其他相关数据，运用神经网络学习法以及数学统计法来预测未来一段时间内的负载变化趋势，基于负载变化趋势，可为配电网优化调度提供可靠的数据依据，即可实现配电网优化调度。
更进一步的，所述故障诊断是通过决策树来实现的，通过对配电设备的运行状态进行监测和分析，发现和诊断可能出现的问题并及时处理，以保证电力系统的正常运行。
具体的，所述风险评估是通过支持向量机来实现的，通过将负载预测和线路状态作为输入数据变量，并构建最优平面，将设备故障风险作为输出变量进行输出，以完成对配电网的风险评估。
S4：通过远程监控，实现对配电网的远程管理和控制。
具体的，所述通过远程监控，实现对配电网的远程管理和控制具体如下：通过安装传感器和监控设备，实时采集配电网的电流、电压的参数，并建立远程监控中心，通过接收、存储和处理从配电网采集的数据，然后对采集到的数据进行数据处理和分析，为远程控管理和控制提供决策依据，基于分析的结果和决策，远程监控中心还可以实时远程管理和控制操作，通过调整负载开关以及故障恢复操作，以确保电力系统的正常运行。
实施例2
参照图2，为本发明的第二个实施例，提供了一种基于配电网调度智慧安全的管控系统，包括，数据采集模块，数据处理与分析模块，调度决策模块以及远程控制模块。
具体的，所述数据采集模块，用于实时采集配电网的数据；所述数据处理与分析模块，用于处理分析数据采集模块采集的数据；所述调度决策模块，用于基于数据处理与分析模块的结果，进行配电网调度决策；所述远程控制模块，用于实现对配电网的远程监控和控制。
进一步的，所述数据采集是利用传感器在配电网中实时监测电流、电压、功率以及频率是通过电流互感器以及电压互感器实现的，所述电流互感器是将测量电流的导线穿过互感器的铁芯，通过互感作用将高电流转换为低电流，在电流互感器中，一侧是一定比例的次级绕组，另一侧是主绕组，主绕组上的电流与被测量的高电流成比例，而次级绕组上的电流则被降低到较低的水平，次级绕组的电流可以通过连接到测量设备进行测量和监测；所述电压互感器是将被测量的高电压引导到一侧的主绕组上，而另一侧则是次级绕组，次级绕组上的电压与被测量的高电压成比例，但被降低到较低的水平，次级绕组的电压可以通过连接到测量设备进行测量和监测。
所述数据处理与分析模块分为数据处理以及数据分析两个过程，所述数据分析包括时间序列分析，回归分析以及贝叶斯网络，所述时间序列分析是基于时间序列分析数据的变化趋势以及预测未来的数值，所述回归分析是基于变量之间的关系模型分析配电网负载因素以及预测未来的负载需求，所述贝叶斯网络是基于随机变量之间的依赖关系分析数据变量的概率分布，进而实现配电网的风险评估；所述数据处理包括负载预测，故障诊断以及风险评估，所述负载预测是利用神经网络学习法实现的，所述神经网络学习法是通过学习负载数据之间的关系来实现预测未来的负载需求的，所述故障诊断是通过决策树来实现的，所述决策树是通过对判断节点和叶节点的数据特征进行判断，进而实现对配电网故障类型的判断，所述风险评估是通过支持向量机来实现的，所述支持向量机是通过构建数据决策边界来实现数据的最优分类，进而实现配电网的风险评估。
所述调度决策模块包括，负载预测，故障诊断以及风险评估，所述负载预测是利用神经网络学习法实现的，通过根据历史负载数据以及其他相关数据，运用神经网络学习法以及数学统计法来预测未来一段时间内的负载变化趋势，基于负载变化趋势，可为配电网优化调度提供可靠的数据依据，即可实现配电网优化调度；所述故障诊断是通过决策树来实现的，通过对配电设备的运行状态进行监测和分析，发现和诊断可能出现的问题并及时处理，以保证电力系统的正常运行；述所述风险评估是通过支持向量机来实现的，通过将负载预测和线路状态作为输入数据变量，并构建最优平面，将设备故障风险作为输出变量进行输出，以完成对配电网的风险评估。
远程控制模块是通过安装传感器和监控设备，实时采集配电网的电流、电压的参数，并建立远程监控中心，通过接收、存储和处理从配电网采集的数据，然后对采集到的数据进行数据处理和分析，为远程控制管理和控制提供决策依据，基于分析的结果和决策，远程监控中心还可以实时远程管理和控制操作，通过调整负载开关以及故障恢复操作，以确保电力系统的正常运行。
更进一步的，为了直观地展示本系统的优点，通过数据对比表格来展示，具体如下：
| 对比指标 | 传统配电网管理方法 | 基于智慧安全管控系统 |
| 可靠性 | 受限于人工巡检和手动操作 | 实时故障监测和预警系统 |
| 故障诊断 | 人工依赖，诊断时间较长 | 自动故障诊断和定位 |
| 能源调度 | 静态调度，效率低 | 动态优化调度策略 |
| 数据处理与分析 | 有限的数据处理能力 | 强大的数据处理与分析功能 |
| 远程监控与控制 | 无远程监控和控制能力 | 实时远程监控和控制 |
| 安全风险评估和管理 | 有限的安全风险评估 | 智能安全风险评估和管理 |
| 资源利用效率 | 低效的资源利用 | 高效的资源利用和调度 |
通过上述对比数据表格，不难发现，我方发明提供的一种变电站低压交流失压事件判别系统相对于传统方法具有优点，具体如下：
该对比数据表格展示了基于配电网调度智慧安全的管控系统相对于传统配电网管理方法的优势，通过引入一种变电站低压交流失压事件判别系统，自动故障诊断和定位，动态优化调度策略，强大的数据处理与分析功能，以及实时远程监控和控制的特点，该系统能够提高配电网的可靠性、故障诊断效率、能源调度效率、数据处理能力、远程管理能力和决策效率。
实施例3
参照图3，为本发明的第三个实施例，其不同于前一个实施例的是：所述功能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所述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，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
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者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
实施例4
本发明的第四个实施例，其不同于前一个实施例的是：本系统采用的是一个包含两个八核处理器以及128G内存的服务器，以便确保可以支持大规模数据处理和AI算法的运行，服务器具体配置如下表所示：
| 处理器 | 双12核处理器 |
| 内存 | 128G内存容量 |
| 硬盘 | 1TB固态硬盘 |
| 网口 | 支持千兆以太网的网络接口 |
| 操作系统 | Windows11操作系统 |
为了进一步详细描述服务器功能，对上述各个部件进行进一步解释说明，所述双12核处理器，采用的是Intel Xeon Gold多核处理器，能够支持大规模的数据处理和分析任务，所述128G内存容量，能够容纳更多的数据，也能够提供更快速的数据处理速度以及更高的运行效率，所述支持千兆以太网的网络接口，能够保证高速的数据传输和通信能力，所述Windows11操作系统，具备稳定性、安全性以及易于管理的特点，能够确保服务器高可靠和稳定运行。
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
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者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于配电网调度智慧安全的管控方法，其特征在于：包括以下步骤，
实时监测并收集数据；
基于数据分析建立配电网模型；
基于配电网模型完成配电网优化调度；
通过远程监控，实现对配电网的远程管理和控制。
2.如权利要求1所述的一种基于配电网调度智慧安全的管控方法，其特征在于：所述实时监测并收集数据是利用传感器在配电网中实时监测电流、电压、功率以及频率，并采集相关数据，采集的数据通过通信网络传输到中央控制中心进行处理和分析。
3.如权利要求1所述的一种基于配电网调度智慧安全的管控方法，其特征在于：所述基于数据分析建立配电网模型是利用建模技术对采集到的数据进行处理和分析，建立配电网模型，所述配电网模型包括，负载预测、故障诊断以及风险评估。
4.如权利要求3所述的一种基于配电网调度智慧安全的管控方法，其特征在于：所述利用建模技术对采集到的数据进行处理和分析是通过构建概率分析模型来对采集到的数据进行分析，所述概率分析模型包括，时间序列分析，回归分析以及贝叶斯网络；
所述时间序列分析是分析数据随时间变化的方法，具体实现公式如下：
其中，n表示分析的次数，xt表示在t时刻的数据，表示时间序列的平均值，t表示不同时间。
5.如权利要求4所述的一种基于配电网调度智慧安全的管控方法，其特征在于：所述贝叶斯网络是基于随机变量之间的依赖关系分析数据变量的概率分布，进而实现配电网的风险评估，具体实现公式如下：
P(A|B)＝P(A)*P(B|A)/P(B)
其中，P(A|B)表示在分析到风险事件B之后风险事件A发生的概率，P(A)表示风险事件A发生的概率，P(B|A)表示在风险事件A之后发生风险事件B的概率，P(B)表示风险事件B发生的概率，A、B分别表示不同的风险事件。
6.如权利要求3所述的一种基于配电网调度智慧安全的管控方法，其特征在于：所述建立配电网模型是基于机器学习法来构建的，所述配电网模型包括，负载预测，故障诊断以及风险评估；
所述负载预测是通过对神经元信号进行加权求和，并基于激活函数进行非线性转换，从而实现负载预测，具体实现公式如下：
其中，λ表示输入的负载数据的权重值，x表示输入的负载数据，b表示偏置数值，i表示不同的次数的数据，n表示分析的次数；
所述激活函数如下：
其中，X表示神经元数据的加权和，f(X)表示神经元的输出。
7.如权利要求6所述的一种基于配电网调度智慧安全的管控方法，其特征在于：所述故障诊断是通过决策树来实现的，所述决策树是通过将电网故障数据作为数据集，并利用熵来衡量数据集的不确定性，具体实现公式如下：
其中，D表示数据集，n表示故障类别C＝{c1,c2,...,cn}，pk表示数据样本xi属于ck的概率；
通过决策树的特征信息来描述电网故障率，对决策树节点中的每个特征进行信息增益，具体特征增益公式如下：
其中，β表示当前决策树节点中用于划分的特征，V为特征β可能的取值数目，Dv表示样本数据集合D中特征β的取值等于v的样本子集，|D|表示样本数据集合D的大小，即样本数据总数。
8.一种采用如权利要求1～7任一所述的基于配电网调度智慧安全的管控方法的系统，其特征在于，包括，数据采集模块，数据处理与分析模块，调度决策模块以及远程控制模块；
所述数据采集模块，用于实时采集配电网的数据；
所述数据处理与分析模块，用于处理分析数据采集模块采集的数据；
所述调度决策模块，用于基于数据处理与分析模块的结果，进行配电网调度决策；
所述远程控制模块，用于实现对配电网的远程监控和控制。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310688520.5A CN117239713A (zh) | 2023-06-12 | 2023-06-12 | 一种基于配电网调度智慧安全的管控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310688520.5A CN117239713A (zh) | 2023-06-12 | 2023-06-12 | 一种基于配电网调度智慧安全的管控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117239713A true CN117239713A (zh) | 2023-12-15 |
Family
ID=89090000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310688520.5A Pending CN117239713A (zh) | 2023-06-12 | 2023-06-12 | 一种基于配电网调度智慧安全的管控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117239713A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117613904A (zh) * | 2024-01-23 | 2024-02-27 | 国网天津市电力公司信息通信公司 | 一种电网调度系统及电网调度方法 |
| CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
| CN117993894A (zh) * | 2024-04-03 | 2024-05-07 | 四川航天职业技术学院(四川航天高级技工学校) | 基于人工智能的轨道交通运维状态数据处理方法及系统 |
| CN118100433A (zh) * | 2024-02-29 | 2024-05-28 | 江苏慧铭信息科技有限公司 | 一种基于5g通信的智慧社区电力设备安全监测方法 |
-
2023
- 2023-06-12 CN CN202310688520.5A patent/CN117239713A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117613904A (zh) * | 2024-01-23 | 2024-02-27 | 国网天津市电力公司信息通信公司 | 一种电网调度系统及电网调度方法 |
| CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
| CN117666462B (zh) * | 2024-01-31 | 2024-05-17 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
| CN118100433A (zh) * | 2024-02-29 | 2024-05-28 | 江苏慧铭信息科技有限公司 | 一种基于5g通信的智慧社区电力设备安全监测方法 |
| CN117993894A (zh) * | 2024-04-03 | 2024-05-07 | 四川航天职业技术学院(四川航天高级技工学校) | 基于人工智能的轨道交通运维状态数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117239713A (zh) | 一种基于配电网调度智慧安全的管控方法及系统 | |
| CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
| CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
| CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
| CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
| CN111429027A (zh) | 一种基于大数据的地区输电网运行多维度分析方法 | |
| CN107256449B (zh) | 一种智能变电站继电保护装置状态评价与评估方法 | |
| CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
| CN107527121A (zh) | 一种电网的信息系统运行状态诊断预测的方法 | |
| CN113283602B (zh) | 基于离线知识学习和在线动态修正电网系统故障诊断方法 | |
| CN109492790A (zh) | 基于神经网络与数据挖掘的风电机组健康管理方法 | |
| CN118092404B (zh) | 一种基于人工智能的plc控制器网络预防性维护方法及系统 | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN109711664B (zh) | 一种基于大数据的输变电设备健康评估系统 | |
| CN114118588A (zh) | 聚类欠采样下基于博弈特征提取的迎峰度夏停电预测方法 | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN115169719A (zh) | 一种基于模糊聚类和bp神经网络的台区状态预测模型 | |
| CN117955248A (zh) | 一种储能电站电池状态监测系统、方法、装置和存储介质 | |
| CN116644929A (zh) | 一种基于物联感知的配电网设备运维工单智能管理方法 | |
| CN116070140A (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
| CN115864644A (zh) | 一种继电保护装置状态评价方法、系统、设备及介质 | |
| CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
| Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
| Zhang et al. | [Retracted] Substation Operation Information Maintenance Based on Intelligent Data Mining | |
| Chen et al. | A new approach to the application of condition-based maintenance technology of power equipment in smart grid |
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 |