CN117394529A - 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 - Google Patents

基于scada的主配网合环倒供电控制条件辅助决策方法及系统 Download PDF

Info

Publication number
CN117394529A
CN117394529A CN202311278762.3A CN202311278762A CN117394529A CN 117394529 A CN117394529 A CN 117394529A CN 202311278762 A CN202311278762 A CN 202311278762A CN 117394529 A CN117394529 A CN 117394529A
Authority
CN
China
Prior art keywords
power supply
state
model
supply state
load
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
CN202311278762.3A
Other languages
English (en)
Inventor
魏文瑄
郭明
石启宏
张云菊
司胜文
冯扬婧澜
陈馨
张凯
刘胤枫
李康
仇伟杰
史虎军
沈光友
李青峰
陈小林
杨茗
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202311278762.3A priority Critical patent/CN117394529A/zh
Publication of CN117394529A publication Critical patent/CN117394529A/zh
Pending legal-status Critical Current

Links

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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00016—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
    • H02J13/00026—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission involving a local wireless network, e.g. Wi-Fi, ZigBee or Bluetooth
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0073—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source when the main path fails, e.g. transformers, busbars
    • 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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Human Computer Interaction (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了基于SCADA的主配网合环倒供电控制条件辅助决策方法，涉及电网技术领域。本发明通过使用先进的深度学习算法构建高效的供电状态识别模型，能够准确判断环网的各种常规和故障状态，避免误报，为后续决策提供可靠基础；建立供电状态与控制策略之间的智能匹配模型，利用决策树、蒙特卡洛树搜索等算法，实现对新发现状态的快速策略决策和持续优化，快速锁定最佳控制方案；采用闭环控制框架使系统具备自主识别、自主决策、自主调节的能力，并可不断自我优化，大幅提高自恢复能力；准确识别供电状态，快速做出响应，可大大降低异常状态向重大故障发展的概率，减少重大事故的发生，提高电网的安全性和稳定性。

Description

基于SCADA的主配网合环倒供电控制条件辅助决策方法及 系统
技术领域
本发明涉及电网技术领域，特别是基于SCADA的主配网合环倒供电控制条件辅助决策方法及系统。
背景技术
当前电网运维主要依靠预设的静态控制模型与规则，针对不同故障启动相应的应急程序，需要大量的人工经验。随着智能电网规模不断扩大，电网状态变化更加复杂，静态模型很难覆盖所有的异常情况。一旦遇到模型没有定义的新故障，系统将无法进行有效响应，严重依赖操作人员的经验判决，导致决策延时，对电网稳定运行造成威胁。另外，现有电网监控与控制系统扩展性较差，算法和模型无法升级，也限制了其应对新情况的能力。
发明内容
鉴于现有的电网智能调控面临的实时识别不准、响应不快、自我优化不足的问题，提出了本发明。
因此，本发明所要解决的问题在于如何实现对电网供电状态的实时准确识别，以及根据识别结果快速制定出优良的控制策略。
为解决上述技术问题，本发明提供如下技术方案：
第一方面，本发明实施例提供了基于SCADA的主配网合环倒供电控制条件辅助决策方法，其包括在主配网的关键节点上布置传感器，实时采集电力参数、设备状态和供电网络的拓扑连接信息，并将采集到的数据存储至SCADA系统中；根据采集到的电力参数、设备状态和供电网络的拓扑连接信息，构建供电状态检测与识别模型；基于环网各种供电状态的识别结果建立供电状态与控制策略匹配模型，根据环网的供电状态智能地选择最佳的控制策略以进一步优化输电网络；将供电状态与控制策略匹配模型的结果输出作为主配网的运行控制指令下发执行，同时监控控制指令的执行过程以及装置的参数运行情况以确保决策得到有效执行。
作为本发明所述基于SCADA的主配网合环倒供电控制条件辅助决策方法的一种优选方案，其中：构建供电状态检测与识别模型包括以下步骤：利用LSTM神经网络算法，基于环网历史负荷数据建立电力负荷预测模型以实时预测节点负荷；构建环网拓扑连接矩阵，应用图神经网络算法建立供电网络拓扑状态分析模型以实时预测环网拓扑状态；在电力系统仿真平台上模拟包括正常供电状态和各种故障供电状态的仿真场景，并采集对应的正常样本和故障样本以构建样本库；利用GAN生成对抗网络扩充样本库的规模，并构建基于栈式自编码器SAE的供电状态特征提取模型，将样本数据作为输入，经过SAE进行特征提取得到供电状态特征；基于卷积神经网络建立供电状态检测与识别模型，将负荷预测、拓扑状态和供电特征作为输入，实现供电状态的实时识别。
作为本发明所述基于SCADA的主配网合环倒供电控制条件辅助决策方法的一种优选方案，其中：建立电力负荷预测模型包括以下步骤：收集环网各节点的历史电力负荷数据包括负荷曲线、负荷峰值和负荷谷值特征，并进行数据预处理；将历史电力负荷数据划分为训练集和测试集，训练集用于训练LSTM模型，测试集用于评估效果；构建LSTM神经网络模型，输入层输入负荷特征，通过设置多层LSTM结构学习负荷变化规律，输出层给出负荷预测值；训练LSTM模型，设定损失函数和优化算法，并通过多轮训练取得最佳模型参数；在测试集上利用训练好的LSTM模型进行多步负荷预测，计算预测误差并进行模型评估，同时通过调整模型结构和进行参数优化以减小预测误差；获得新的负荷数据时，对模型继续训练进行迭代优化；将优化后的LSTM负荷预测模型部署使用，以实现对电网节点负荷的智能化实时预测；损失函数的具体公式如下：
其中，当δ→0时，损失趋向于MAE，当δ→∞时，损失趋向于MSE，δ表示超参数，y为真实值，f(x)为预测值。
作为本发明所述基于SCADA的主配网合环倒供电控制条件辅助决策方法的一种优选方案，其中：基于卷积神经网络建立供电状态检测与识别模型包括以下步骤：收集环网的实时负荷预测数据、拓扑状态数据以及供电状态特征，并对多源输入数据进行预处理；将预处理后的多源输入数据划分为训练集、测试集和验证集；设计卷积神经网络模型，并根据需求确定网络层数、卷积核的大小和与数量，以及池化操作结构；使用训练集对卷积神经网络模型进行训练，并通过反向传播算法和梯度下降算法以最小化损失函数，并进行模型验证和模型测试来评估其性能；将实时采集的新数据输入到训练后的卷积神经网络模型中，并从模型的输出中获取各个供电状态的置信度概率；根据模型输出的置信度概率确定当前供电状态。
作为本发明所述基于SCADA的主配网合环倒供电控制条件辅助决策方法的一种优选方案，其中：根据模型输出的置信度概率确定当前供电状态包括以下步骤：若最大置信度概率大于预设阈值ρ，则进入供电状态判断流程：若最大置信度概率仅有1个，则直接输出为最大置信度概率所对应的供电状态；若最大置信度概率为多个且相同，则按以下原则输出最终的供电状态：检查当前电网拓扑状态，并与置信度相同的各供电状态进行比对，输出与拓扑状态最匹配的供电状态；若拓扑状态无法确定，则检测当前的负荷情况，同样与置信度相同的各供电状态进行比对，输出负荷情况最匹配的供电状态；若负荷也无法确定，则根据预设优先级顺序选择置信度最高的供电状态；若以上条件仍无法确定供电状态，则输出未知异常状态以表示当前状态不确定，并标记人工处理；若最大置信度概率小于预设阈值ρ，则输出未知异常状态以表示当前状态不确定，并标记人工处理。
作为本发明所述基于SCADA的主配网合环倒供电控制条件辅助决策方法的一种优选方案，其中：基于环网各种供电状态的识别结果建立供电状态与控制策略匹配模型包括以下步骤：收集供电状态检测与识别模型输出的环网各节点的供电状态结果，并建立供电状态数据库存储供电状态信息；查询历史运维记录，根据不同的供电状态找出对应的最佳控制策略；使用决策树算法，以供电状态作为特征，历史控制策略作为标签，建立供电状态与控制策略的匹配模型；当新识别出一种供电状态时，利用蒙特卡洛树搜索算法模拟并评估不同控制策略的效果，选择能够达到最佳优化目标的策略；对于评估效果不佳的控制策略，使用增强学习算法进行改进和优化以获得更好的策略；将供电状态与对应控制策略保存到决策规则库中供输电网络优化调度使用，并定期使用新数据重新训练决策树模型和控制策略以实现持续优化。
作为本发明所述基于SCADA的主配网合环倒供电控制条件辅助决策方法的一种优选方案，其中：根据不同的供电状态找出对应的最佳控制策略包括以下步骤：若状态为正常供电状态，则继续监测电压、频率、功率因数和谐波参数以确保其稳定在正常范围内，并实时监测变压器和设备的温度，同时补偿电容器的选择和调整以改善功率因数和稳定电压；若状态为合环供电状态，则根据不同电源的负载能力和优先级优化功率的分配和调度，以达到电力系统的平衡，并启动并监测联络开关的接入点，逐步过渡到正常供电状态，确保切换过程平稳顺利；若状态为倒供电状态，则快速定位并隔离故障部位，通过控制刀闸或开断器切除故障部位的连接以保证供配电系统的安全运行，并根据故障类型和程度，通过自动或手动切换适当的备用电源以继续供电并逐步过渡到正常供电状态；若状态为线路过载状态，则实时监测线路负荷状况，当负荷接近或超过额定容量时，自动启动备用通道进行负载转移以避免过载，并根据负荷的类型和特性优化负载分配和调度，以保持线路负荷在安全范围内；若状态为变压器过热状态，则实时监测变压器温度，并根据需要启动冷却系统，通过调整负载或引入备用变压器以降低温度并确保设备的正常运行；若状态为频率异常状态，则监测电力系统的频率，并根据其偏离正常范围的程度调节发电机转速或应用其他频率控制方法，以使频率稳定在正常范围内，同时检查电容补偿系统的运行情况，根据需要调整自动电压调节器和调压装置以稳定电压和频率；若状态为未知异常状态，则标记人工处理；通过不断完善，形成供电状态与控制策略的标准映射表以指导后续控制决策。
第二方面，本发明实施例提供了基于SCADA的主配网合环倒供电控制条件辅助决策系统，其包括数据采集模块，用于在主配网的关键节点上布置传感器，实时采集电力参数、设备状态和供电网络的拓扑连接信息，并将采集到的数据存储至SCADA系统中；供电状态检测与识别模型构建模块，用于根据采集到的电力参数、设备状态和供电网络的拓扑连接信息，构建供电状态检测与识别模型；供电状态与控制策略匹配模型构建模块，用于基于环网各种供电状态的识别结果建立供电状态与控制策略匹配模型，根据环网的供电状态智能地选择最佳的控制策略以进一步优化输电网络；指令下发模块，用于将供电状态与控制策略匹配模型的结果输出作为主配网的运行控制指令下发执行，同时监控控制指令的执行过程以及装置的参数运行情况以确保决策得到有效执行。
第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法的步骤。
本发明有益效果为：本发明通过使用先进的深度学习算法构建高效的供电状态识别模型，能够准确判断环网的各种常规和故障状态，避免误报，为后续决策提供可靠基础；建立供电状态与控制策略之间的智能匹配模型，利用决策树、蒙特卡洛树搜索等算法，实现对新发现状态的快速策略决策和持续优化，快速锁定最佳控制方案；采用闭环控制框架使系统具备自主识别、自主决策、自主调节的能力，并可不断自我优化，大幅提高自恢复能力；准确识别供电状态，快速做出响应，可大大降低异常状态向重大故障发展的概率，减少重大事故的发生，提高电网的安全性和稳定性。
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为基于SCADA的主配网合环倒供电控制条件辅助决策方法的方法流程图。
图2为基于SCADA的主配网合环倒供电控制条件辅助决策方法的计算机设备图。
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。
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。
实施例1
参照图1～图2，为本发明第一个实施例，该实施例提供了基于SCADA的主配网合环倒供电控制条件辅助决策方法，包括。
S1：在主配网的关键节点上布置传感器，实时采集电力参数、设备状态和供电网络的拓扑连接信息，并将采集到的数据存储至SCADA系统中。
S2：根据采集到的电力参数、设备状态和供电网络的拓扑连接信息，构建供电状态检测与识别模型。
S2.1：利用LSTM神经网络算法，基于环网历史负荷数据建立电力负荷预测模型以实时预测节点负荷。
进一步的，收集环网各节点的历史电力负荷数据包括负荷曲线、负荷峰值、负荷谷值等特征，并进行数据预处理；将历史电力负荷数据划分为训练集和测试集，训练集用于训练LSTM模型，测试集用于评估效果；构建LSTM神经网络模型，输入层输入负荷特征，通过设置多层LSTM结构学习负荷变化规律，输出层给出负荷预测值；训练LSTM模型，设定损失函数和优化算法，并通过多轮训练取得最佳模型参数；在测试集上利用训练好的LSTM模型进行多步负荷预测，计算预测误差并进行模型评估，同时通过调整模型结构和进行参数优化以减小预测误差；获得新的负荷数据时，对模型继续训练进行迭代优化；将优化后的LSTM负荷预测模型部署使用，以实现对电网节点负荷的智能化实时预测。
具体的，损失函数的具体公式如下：
其中，当δ→0时，损失趋向于MAE，当δ→∞时，损失趋向于MSE，δ表示超参数，y为真实值，f(x)为预测值。
S2.2：构建环网拓扑连接矩阵，应用图神经网络算法建立供电网络拓扑状态分析模型以实时预测环网拓扑状态。
优选的，收集环网的拓扑连接数据建立节点关系图，表示各节点之间的连接关系；根据节点关系图构建环网的邻接矩阵，矩阵元素表示节点之间的连接状态，并在邻接矩阵基础上构建图神经网络模型；输入层输入环网各节点，中间层为图卷积层学习节点关系，输出层输出拓扑状态；构建训练数据集，在仿真环境中模拟正常拓扑状态和各种故障状态的拓扑数据，标签为对应的拓扑状态；训练图神经网络，以模型输出拓扑状态和实际状态的差异作为状态损失函数，通过多轮训练得到优化的参数；在环网实时拓扑数据上应用训练好的模型，预测实时的环网拓扑状态；当环网拓扑结构发生改变时，使用新增的数据重新训练模型以实现模型的增量更新；评估模型预测的拓扑状态与实际状态的符合程度，如有偏差则优化模型的参数或结构；将经验证的拓扑状态预测模型部署到环网监控系统中，辅助监控人员掌握环网拓扑动态；循环使用新数据评估模型效果并更新模型参数，以实现拓扑预测的持续优化。
需要说明的是，偏差判断包括利用测试集数据计算模型预测结果的精确率、召回率、F1分数等指标，这些指标值反映了预测结果与实际状态的符合程度，若指标显著下降，则说明预测效果存在偏差。
S2.3：在电力系统仿真平台上模拟包括正常供电状态和各种故障供电状态的仿真场景，并采集对应的正常样本和故障样本以构建样本库。
S2.4：利用GAN生成对抗网络扩充样本库的规模，并构建基于栈式自编码器SAE的供电状态特征提取模型，将样本数据作为输入，经过SAE进行特征提取得到供电状态特征。
优选的，获取步骤S2.3中供电状态样本库中正常状态样本和故障状态样本；使用GAN中的生成器网络输入随机噪声，经过生成器生成新的扩增样本；将生成的新样本与真实样本混合无法区分真假，形成扩增后的样本库；运用判别器网络辨别生成样本和真实样本，以提升生成器网络的生成质量，并实现样本的增强；构建栈式自编码器SAE模型包含多个编码层和对应的解码层，并将供电状态样本作为输入，经过SAE的层层编码得到特征压缩表示；SAE通过解码层解码特征表示，以实现特征提取和样本重构；训练SAE模型，优化编码特征的重构效果，以得到能有效表达样本信息的编码特征；对样本库中的所有样本数据，利用训练好的SAE模型进行编码，以获取样本的状态特征表达；将样本特征数据和对应的样本标签存入特征库，以支持后续状态识别任务；当样本库新增数据时，用SAE模型提取供电特征以实现特征库的增量更新。
S2.5：基于卷积神经网络建立供电状态检测与识别模型，将负荷预测、拓扑状态和供电特征作为输入，实现供电状态的实时识别。
具体的，包括以下步骤：
S2.5.1：收集环网的实时负荷预测数据、拓扑状态数据以及供电状态特征，并对多源输入数据进行预处理。
S2.5.2：将预处理后的多源输入数据划分为训练集、测试集和验证集。
S2.5.3：设计卷积神经网络模型，并根据需求确定网络层数、卷积核的大小和与数量，以及池化操作结构。
具体的，输入层接收预处理后的多源输入数据，并设置多组卷积层和池化层学习输入数据的局部特征，将卷积层和池化层提取的特征通过全连接层进行整合和学习，输出层是一个具有多个输出节点的sigmoid层，每个节点对应一个供电状态，且每个节点的输出概率表示该供电状态的置信度。
需要说明的是，sigmoid层节点输出顺序为：正常供电状态、合环供电状态、倒供电状态、线路过载状态、变压器过热状态、频率异常状态。
S2.5.4：使用训练集对卷积神经网络模型进行训练，并通过反向传播算法和梯度下降算法以最小化损失函数，并进行模型验证和模型测试来评估其性能。
S2.5.5：将实时采集的新数据输入到训练后的卷积神经网络模型中，并从模型的输出中获取各个供电状态的置信度概率。
S2.5.6：根据模型输出的置信度概率确定当前供电状态。
具体的，若最大置信度概率大于预设阈值ρ，则进入供电状态判断流程，具体如下：
若最大置信度概率仅有1个，则直接输出为最大置信度概率所对应的供电状态；若最大置信度概率为多个且相同，则按以下原则输出最终的供电状态：检查当前电网拓扑状态，并与置信度相同的各供电状态进行比对，输出与拓扑状态最匹配的供电状态；若拓扑状态无法确定，则检测当前的负荷情况，同样与置信度相同的各供电状态进行比对，输出负荷情况最匹配的供电状态；若负荷也无法确定，则根据预设优先级顺序选择置信度最高的供电状态；若以上条件仍无法确定供电状态，则输出未知异常状态以表示当前状态不确定，并标记人工处理。
若最大置信度概率小于预设阈值ρ，则输出未知异常状态以表示当前状态不确定，并标记人工处理。
需要说明的是，预设优先级顺序为：倒供电状态>线路过载状态>频率异常状态>变压器过热状态>合环供电状态>正常供电状态，且在本实施例中预设阈值ρ为0.8。
具体的，供电状态优先级的设定主要考虑状态对系统安全、稳定性和设备影响的严重程度，状态引发事故的风险和可能对系统造成失稳的影响级别最高，因而优先级最高，其次是状态可能导致设备损坏的风险，对系统影响较小的状态则优先级较低，当系统运行状态正常时，具有最低优先级。
S3：基于环网各种供电状态的识别结果建立供电状态与控制策略匹配模型，根据环网的供电状态智能地选择最佳的控制策略以进一步优化输电网络。
具体的，包括以下步骤：
S3.1：收集供电状态检测与识别模型输出的环网各节点的供电状态结果，并建立供电状态数据库存储供电状态信息。
S3.2：查询历史运维记录，根据不同的供电状态找出对应的最佳控制策略。
具体的，收集历史运维记录，整理不同供电状态下操作人员采取的控制策略和处理方案；若状态为正常供电状态，则继续监测电压、频率、功率因数和谐波参数以确保其稳定在正常范围内，并实时监测变压器和设备的温度，同时补偿电容器的选择和调整以改善功率因数和稳定电压；若状态为合环供电状态，则根据不同电源的负载能力和优先级优化功率的分配和调度，以达到电力系统的平衡，并启动并监测联络开关的接入点，逐步过渡到正常供电状态，确保切换过程平稳顺利；若状态为倒供电状态，则快速定位并隔离故障部位，通过控制刀闸或开断器切除故障部位的连接以保证供配电系统的安全运行，并根据故障类型和程度，通过自动或手动切换适当的备用电源以继续供电并逐步过渡到正常供电状态；若状态为线路过载状态，则实时监测线路负荷状况，当负荷接近或超过额定容量时，自动启动备用通道进行负载转移以避免过载，并根据负荷的类型和特性优化负载分配和调度，以保持线路负荷在安全范围内；若状态为变压器过热状态，则实时监测变压器温度，并根据需要启动冷却系统，通过调整负载或引入备用变压器以降低温度并确保设备的正常运行；若状态为频率异常状态，则监测电力系统的频率，并根据其偏离正常范围的程度调节发电机转速或应用其他频率控制方法，以使频率稳定在正常范围内，同时检查电容补偿系统的运行情况，根据需要调整自动电压调节器和调压装置以稳定电压和频率；若状态为未知异常状态，则标记人工处理；通过不断完善，形成供电状态与控制策略的标准映射表以指导后续控制决策。
S3.3：使用决策树算法，以供电状态作为特征，历史控制策略作为标签，建立供电状态与控制策略的匹配模型。
具体的，包括以下步骤：
S3.3.1：收集供电状态数据库和对应的历史控制策略数据集作为训练集数据，并将训练集数据转换供电状态和控制策略到模型可接收的数字格式。
S3.3.2：构建决策树模型，将供电状态作为特征属性，控制策略作为类别输出。
S3.3.3：设置决策树参数，使用训练集数据训练决策树模型，并通过迭代划分产生决策规则以拟合状态与策略之间的映射关系。
S3.3.4：在验证集上评估模型效果，计算决策树的准确率，并分析错误决策的原因以进行模型调优。
S3.3.5：部署训练好的决策树模型，输入新检测到的供电状态，模型输出对应的控制策略。
S3.3.6：收集运行反馈的数据，评估模型决策效果，找到决策偏差。
S3.3.7：使用新数据增量训练模型，持续优化决策树，使决策规则不断优化。
S3.4：当新识别出一种供电状态时，利用蒙特卡洛树搜索算法模拟并评估不同控制策略的效果，选择能够达到最佳优化目标的策略。
进一步的，包括以下步骤：
S3.4.1：收集新识别出的供电状态的数据包括状态特征、负荷参数等信息，并建立该状态的仿真模型。
S3.4.2：设定控制策略集S包含n种控制策略{S1,S2,...,Sn}；
S3.4.3：建立效果评价函数，并以稳定性和经济性等为指标计算策略效果得分.
S3.4.4：在仿真模型上应用蒙特卡洛树搜索。
具体的，从根节点开始展开树形搜索空间，逐层遍历策略集S；在每层中，评估当前策略组合的效果得分；按得分选择优秀节点展开子树，遍历更多策略组合；迭代搜索直至最大树深，选择得分最高的策略组合；在仿真中验证该策略组合的控制效果，满足要求则确定为最佳策略，将新状态及对应策略加入匹配模型以实现增量更新。
S3.5：对于评估效果不佳的控制策略，使用增强学习算法进行改进和优化以获得更好的策略。
具体的，通过仿真或实际运行评估已有控制策略的效果，找到效果不佳的策略；收集该策略运行的数据包括状态转移信息和奖励函数，以构建策略的环境模型；构建策略的代理模型输出控制动作，并在环境模型中训练策略网络，以探索更优控制动作；重复训练，使策略网络逐步学习更优策略以输出改进的控制动作；在仿真环境中验证优化后的控制策略效果，当效果满足要求时，固化该策略网络作为优化后的控制策略；将优化后的策略应用到实际系统，替换原效果不佳的策略。
S3.6：将供电状态与对应控制策略保存到决策规则库中供输电网络优化调度使用，并定期使用新数据重新训练决策树模型和控制策略以实现持续优化。
S4：将供电状态与控制策略匹配模型的结果输出作为主配网的运行控制指令下发执行，同时监控控制指令的执行过程以及装置的参数运行情况以确保决策得到有效执行。
进一步的，接收供电状态识别模块的新状态数据输入查询匹配模型得到对应的控制策略；将控制策略转换为标准格式的控制指令包含执行时间、控制内容等信息；经过格式验证后，通过主站下发控制指令至运维执行层，执行层中的相关装置接收并解析指令，驱动装置按指令要求进行操作；部署传感器实时采集装置的运行参数，并反馈至监控系统；比较装置的实际执行状态与预期状态，若执行异常，则及时采取人工干预措施，调节系统至正常；分析控制偏差的原因，调整匹配模型对应的策略，统计装置的实时运行数据以评估控制效果；按照一定周期，重新训练匹配模型和策略，实现闭环更新。
进一步的，本实施例还提供基于SCADA的主配网合环倒供电控制条件辅助决策系统，包括数据采集模块，用于在主配网的关键节点上布置传感器，实时采集电力参数、设备状态和供电网络的拓扑连接信息，并将采集到的数据存储至SCADA系统中；供电状态检测与识别模型构建模块，用于根据采集到的电力参数、设备状态和供电网络的拓扑连接信息，构建供电状态检测与识别模型；供电状态与控制策略匹配模型构建模块，用于基于环网各种供电状态的识别结果建立供电状态与控制策略匹配模型，根据环网的供电状态智能地选择最佳的控制策略以进一步优化输电网络；指令下发模块，用于将供电状态与控制策略匹配模型的结果输出作为主配网的运行控制指令下发执行，同时监控控制指令的执行过程以及装置的参数运行情况以确保决策得到有效执行。
本实施例还提供一种计算机设备，适用于基于SCADA的主配网合环倒供电控制条件辅助决策方法的情况，包括存储器和处理器；存储器用于存储计算机可执行指令，处理器用于执行计算机可执行指令，实现如上述实施例提出的基于SCADA的主配网合环倒供电控制条件辅助决策方法。
该计算机设备可以是终端，该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例提出的实现基于SCADA的主配网合环倒供电控制条件辅助决策方法。
综上，本发明通过使用先进的深度学习算法构建高效的供电状态识别模型，能够准确判断环网的各种常规和故障状态，避免误报，为后续决策提供可靠基础；建立供电状态与控制策略之间的智能匹配模型，利用决策树、蒙特卡洛树搜索等算法，实现对新发现状态的快速策略决策和持续优化，快速锁定最佳控制方案；采用闭环控制框架使系统具备自主识别、自主决策、自主调节的能力，并可不断自我优化，大幅提高自恢复能力；准确识别供电状态，快速做出响应，可大大降低异常状态向重大故障发展的概率，减少重大事故的发生，提高电网的安全性和稳定性。
实施例2
参照图1～图2，为本发明第二个实施例，该实施例提供了基于SCADA的主配网合环倒供电控制条件辅助决策方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
具体的，以变电站为例，在主配网的关键节点上布置传感器，实时采集电力参数、设备状态和供电网络的拓扑连接信息，并将采集到的数据存储至SCADA系统中，部分数据如表1所示。
表1部分数据
时间 节点ID 电压(kV) 电流(A) 频率(Hz) ... 拓扑连接
2022-10-0109:35:00 A1 220 6500 50 ... 关闭
2022-10-0112:15:00 A2 218 - 50 ... 关闭
2022-10-0115:30:00 A3 221 6000 50 ... 关闭
2022-10-0209:35:00 B1 - 4500 50 ... 关闭
2022-10-0212:15:00 B2 - - - ... 关闭
2022-10-0315:30:00 B3 - 6700 - ... 关闭
2022-10-0409:35:00 C1 223 7800 - ... 关闭
... ... ... ... ... ... ...
2022-12-3117:30:00 M7 219 6500 - ... 关闭
进一步的，电力负荷预测模型以实时预测节点负荷A1为正常，供电网络拓扑状态分析模型实时预测环网拓扑状态为闭合，将负荷预测、拓扑状态和供电特征作为输入供电状态检测与识别模型，输出置信度概率分别为{0.1、0.3、0.4、0.5、0.7、0.9}，所以频率异常状态对应的置信度概率最大，且大于预设阈值0.8，所以判断为频率异常状态，通过供电状态与控制策略匹配模型匹配最佳控制策略，监测电力系统的频率，并根据其偏离正常范围的程度调节发电机转速或应用其他频率控制方法，以使频率稳定在正常范围内，同时检查电容补偿系统的运行情况，根据需要调整自动电压调节器和调压装置以稳定电压和频率。
进一步的，可得本发明方法与传统方法的对比指标如表2所示。
表2本发明方法与传统方法的对比指标
对比指标 本发明方法 传统方法
供电状态识别状态准确率 95％ 80％
控制策略优化程度 动态优化 静态规则
决策响应时间 3min 10min
系统可扩展性 容易 艰难
故障自恢复率 90％ 60％
投资回收期 3年 5年
电费节约 15％ 10％
优选的，由表2可得，本技术方案在供电状态识别准确率、控制策略优化、决策响应速度、系统扩展性、故障自我恢复能力等多个方面都具有明显的优势，通过采用深度学习算法，状态识别的准确率获得大幅提高，从80％上升到95％；控制策略可以持续进行动态优化，而不是静态的规则；智能决策系统使决策响应时间缩短了70％，从10分钟降低到3分钟，大幅提升了应急响应能力；且本发明方案采用模块化架构，使系统扩展性和可维护性都得到增强；配合在线学习手段，故障自我恢复的成功率从60％上升到90％。
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.基于SCADA的主配网合环倒供电控制条件辅助决策方法，其特征在于：包括，
在主配网的关键节点上布置传感器，实时采集电力参数、设备状态和供电网络的拓扑连接信息，并将采集到的数据存储至SCADA系统中；
根据采集到的电力参数、设备状态和供电网络的拓扑连接信息，构建供电状态检测与识别模型；
基于环网各种供电状态的识别结果建立供电状态与控制策略匹配模型，根据环网的供电状态智能地选择最佳的控制策略以进一步优化输电网络；
将供电状态与控制策略匹配模型的结果输出作为主配网的运行控制指令下发执行，同时监控控制指令的执行过程以及装置的参数运行情况以确保决策得到有效执行。
2.如权利要求1所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法，其特征在于：所述构建供电状态检测与识别模型包括以下步骤：
利用LSTM神经网络算法，基于环网历史负荷数据建立电力负荷预测模型以实时预测节点负荷；
构建环网拓扑连接矩阵，应用图神经网络算法建立供电网络拓扑状态分析模型以实时预测环网拓扑状态；
在电力系统仿真平台上模拟包括正常供电状态和各种故障供电状态的仿真场景，并采集对应的正常样本和故障样本以构建样本库；
利用GAN生成对抗网络扩充样本库的规模，并构建基于栈式自编码器SAE的供电状态特征提取模型，将样本数据作为输入，经过SAE进行特征提取得到供电状态特征；
基于卷积神经网络建立供电状态检测与识别模型，将负荷预测、拓扑状态和供电特征作为输入，实现供电状态的实时识别。
3.如权利要求2所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法，其特征在于：所述建立电力负荷预测模型包括以下步骤：
收集环网各节点的历史电力负荷数据包括负荷曲线、负荷峰值和负荷谷值特征，并进行数据预处理；
将历史电力负荷数据划分为训练集和测试集，训练集用于训练LSTM模型，测试集用于评估效果；
构建LSTM神经网络模型，输入层输入负荷特征，通过设置多层LSTM结构学习负荷变化规律，输出层给出负荷预测值；
训练LSTM模型，设定损失函数和优化算法，并通过多轮训练取得最佳模型参数；
在测试集上利用训练好的LSTM模型进行多步负荷预测，计算预测误差并进行模型评估，同时通过调整模型结构和进行参数优化以减小预测误差；
获得新的负荷数据时，对模型继续训练进行迭代优化；
将优化后的LSTM负荷预测模型部署使用，以实现对电网节点负荷的智能化实时预测；
所述损失函数的具体公式如下：
其中，当δ→0时，损失趋向于MAE，当δ→∞时，损失趋向于MSE，δ表示超参数，y为真实值，f(x)为预测值。
4.如权利要求2所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法，其特征在于：所述基于卷积神经网络建立供电状态检测与识别模型包括以下步骤：
收集环网的实时负荷预测数据、拓扑状态数据以及供电状态特征，并对多源输入数据进行预处理；
将预处理后的多源输入数据划分为训练集、测试集和验证集；
设计卷积神经网络模型，并根据需求确定网络层数、卷积核的大小和与数量，以及池化操作结构；
使用训练集对卷积神经网络模型进行训练，并通过反向传播算法和梯度下降算法以最小化损失函数，并进行模型验证和模型测试来评估其性能；
将实时采集的新数据输入到训练后的卷积神经网络模型中，并从模型的输出中获取各个供电状态的置信度概率；
根据模型输出的置信度概率确定当前供电状态。
5.如权利要求4所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法，其特征在于：所述根据模型输出的置信度概率确定当前供电状态包括以下步骤：
若最大置信度概率大于预设阈值ρ，则进入供电状态判断流程：
若最大置信度概率仅有1个，则直接输出为最大置信度概率所对应的供电状态；
若最大置信度概率为多个且相同，则按以下原则输出最终的供电状态：
检查当前电网拓扑状态，并与置信度相同的各供电状态进行比对，输出与拓扑状态最匹配的供电状态；
若拓扑状态无法确定，则检测当前的负荷情况，同样与置信度相同的各供电状态进行比对，输出负荷情况最匹配的供电状态；
若负荷也无法确定，则根据预设优先级顺序选择置信度最高的供电状态；
若以上条件仍无法确定供电状态，则输出未知异常状态以表示当前状态不确定，并标记人工处理；
若最大置信度概率小于预设阈值ρ，则输出未知异常状态以表示当前状态不确定，并标记人工处理。
6.如权利要求1所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法，其特征在于：所述基于环网各种供电状态的识别结果建立供电状态与控制策略匹配模型包括以下步骤：
收集供电状态检测与识别模型输出的环网各节点的供电状态结果，并建立供电状态数据库存储供电状态信息；
查询历史运维记录，根据不同的供电状态找出对应的最佳控制策略；
使用决策树算法，以供电状态作为特征，历史控制策略作为标签，建立供电状态与控制策略的匹配模型；
当新识别出一种供电状态时，利用蒙特卡洛树搜索算法模拟并评估不同控制策略的效果，选择能够达到最佳优化目标的策略；
对于评估效果不佳的控制策略，使用增强学习算法进行改进和优化以获得更好的策略；
将供电状态与对应控制策略保存到决策规则库中供输电网络优化调度使用，并定期使用新数据重新训练决策树模型和控制策略以实现持续优化。
7.如权利要求6所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法，其特征在于：所述根据不同的供电状态找出对应的最佳控制策略包括以下步骤：
若状态为正常供电状态，则继续监测电压、频率、功率因数和谐波参数以确保其稳定在正常范围内，并实时监测变压器和设备的温度，同时补偿电容器的选择和调整以改善功率因数和稳定电压；
若状态为合环供电状态，则根据不同电源的负载能力和优先级优化功率的分配和调度，以达到电力系统的平衡，并启动并监测联络开关的接入点，逐步过渡到正常供电状态，确保切换过程平稳顺利；
若状态为倒供电状态，则快速定位并隔离故障部位，通过控制刀闸或开断器切除故障部位的连接以保证供配电系统的安全运行，并根据故障类型和程度，通过自动或手动切换适当的备用电源以继续供电并逐步过渡到正常供电状态；
若状态为线路过载状态，则实时监测线路负荷状况，当负荷接近或超过额定容量时，自动启动备用通道进行负载转移以避免过载，并根据负荷的类型和特性优化负载分配和调度，以保持线路负荷在安全范围内；
若状态为变压器过热状态，则实时监测变压器温度，并根据需要启动冷却系统，通过调整负载或引入备用变压器以降低温度并确保设备的正常运行；
若状态为频率异常状态，则监测电力系统的频率，并根据其偏离正常范围的程度调节发电机转速或应用其他频率控制方法，以使频率稳定在正常范围内，同时检查电容补偿系统的运行情况，根据需要调整自动电压调节器和调压装置以稳定电压和频率；
若状态为未知异常状态，则标记人工处理；
通过不断完善，形成供电状态与控制策略的标准映射表以指导后续控制决策。
8.基于SCADA的主配网合环倒供电控制条件辅助决策系统，基于权利要求1～7任一所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法，其特征在于：还包括，
数据采集模块，用于在主配网的关键节点上布置传感器，实时采集电力参数、设备状态和供电网络的拓扑连接信息，并将采集到的数据存储至SCADA系统中；
供电状态检测与识别模型构建模块，用于根据采集到的电力参数、设备状态和供电网络的拓扑连接信息，构建供电状态检测与识别模型；
供电状态与控制策略匹配模型构建模块，用于基于环网各种供电状态的识别结果建立供电状态与控制策略匹配模型，根据环网的供电状态智能地选择最佳的控制策略以进一步优化输电网络；
指令下发模块，用于将供电状态与控制策略匹配模型的结果输出作为主配网的运行控制指令下发执行，同时监控控制指令的执行过程以及装置的参数运行情况以确保决策得到有效执行。
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1～7任一所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法的步骤。
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1～7任一所述的基于SCADA的主配网合环倒供电控制条件辅助决策方法的步骤。
CN202311278762.3A 2023-09-28 2023-09-28 基于scada的主配网合环倒供电控制条件辅助决策方法及系统 Pending CN117394529A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311278762.3A CN117394529A (zh) 2023-09-28 2023-09-28 基于scada的主配网合环倒供电控制条件辅助决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311278762.3A CN117394529A (zh) 2023-09-28 2023-09-28 基于scada的主配网合环倒供电控制条件辅助决策方法及系统

Publications (1)

Publication Number Publication Date
CN117394529A true CN117394529A (zh) 2024-01-12

Family

ID=89440083

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311278762.3A Pending CN117394529A (zh) 2023-09-28 2023-09-28 基于scada的主配网合环倒供电控制条件辅助决策方法及系统

Country Status (1)

Country Link
CN (1) CN117394529A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689214A (zh) * 2024-01-31 2024-03-12 天津华凯电气有限公司 一种柔性直流牵引供电系统能量路由器动态安全评估方法
CN117713385A (zh) * 2024-02-05 2024-03-15 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689214A (zh) * 2024-01-31 2024-03-12 天津华凯电气有限公司 一种柔性直流牵引供电系统能量路由器动态安全评估方法
CN117689214B (zh) * 2024-01-31 2024-05-14 天津华凯电气有限公司 一种柔性直流牵引供电系统能量路由器动态安全评估方法
CN117713385A (zh) * 2024-02-05 2024-03-15 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法
CN117713385B (zh) * 2024-02-05 2024-05-03 威海双城电气有限公司 一种基于量子计算和人工智能结合的电力检测系统及方法

Similar Documents

Publication Publication Date Title
CN106504116B (zh) 基于电网运行与暂态稳定裕度指标关联的稳定评估方法
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN109740859A (zh) 基于主成分分析法和支持向量机的变压器状态评估方法及系统
US20230420938A1 (en) Load forecasting for electrical equipment using machine learning
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN117713221B (zh) 一种微逆光伏并网优化系统
CN114006370B (zh) 一种电力系统暂态稳定分析评估方法及系统
CN116167527B (zh) 纯数据驱动的电力系统静态安全运行风险在线评估方法
Huang et al. An intelligent system for advanced dynamic security assessment
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
Niu et al. Self‐optimization for smelting process of fused magnesium furnace based on operation status assessment
CN117408162A (zh) 基于数字孪生的电网故障控制方法
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN108446202A (zh) 一种机房设备的安全状况的判断方法
CN116664098A (zh) 一种光伏电站的异常检测方法及系统
De Caro et al. Review of data-driven techniques for on-line static and dynamic security assessment of modern power systems
CN112801815B (zh) 一种基于联邦学习的电力通信网络故障预警方法
CN115409100A (zh) 电力事故应急方案生成方法、装置、介质及设备
CN115118015A (zh) 一种基于融合终端的台区供电稳定性监测系统
CN114492578A (zh) 一种基于bp神经网络的电气设备运行数据分类方法
Chen et al. A data mining method for extracting key factors of distribution network reliability
CN118035731B (zh) 用电安全监测预警方法及服务系统
CN116582450B (zh) 低压配电网业务接入感知方法及系统
CN117220318B (zh) 电网数字化驱动控制方法及系统

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