CN117669361A - 一种配电台区拓扑识别功能验证方法及系统 - Google Patents
一种配电台区拓扑识别功能验证方法及系统 Download PDFInfo
- Publication number
- CN117669361A CN117669361A CN202311508824.5A CN202311508824A CN117669361A CN 117669361 A CN117669361 A CN 117669361A CN 202311508824 A CN202311508824 A CN 202311508824A CN 117669361 A CN117669361 A CN 117669361A
- Authority
- CN
- China
- Prior art keywords
- topology
- equipment
- network
- topology identification
- graph
- 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 83
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012795 verification Methods 0.000 title claims abstract description 73
- 230000006870 function Effects 0.000 claims abstract description 102
- 238000004088 simulation Methods 0.000 claims abstract description 67
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000013095 identification testing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004146 energy storage Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 28
- 238000005516 engineering process Methods 0.000 description 13
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013142 basic testing Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配电台区拓扑识别功能验证方法及系统，包括：收集配电台区数据；建立网架模拟系统，构建功能验证的网架拓扑；构建场景模拟系统，接入拓扑识别算法设备，优化测试场景，进行拓扑识别；通过综合管理系统进行拓扑识别结果分析。本发明采用系统模块化设计，各模块功能独立；拓扑识别场景多样，可设置不同拓扑结构，可接入不同设备，可设置不同运行状态；生成拓扑识别功能测试报告，实现测试环境‑测试流程‑测试结果的完整闭环验证过程；软件平台可控的自动化测试流程，简化运维人员人工数据采集和处理过程，加快拓扑识别功能验证效率。
Description
技术领域
本发明涉及电力系统自动化技术领域，具体为一种配电台区拓扑识别功能验证方法及系统。
背景技术
台区是配电网的最小管理单元，随着配电台区的建设工作的不断深入，各类智能终端设备及业务应用快速发展送代，台区拓扑自动识别技术是实现台区由其物理形态向数字形态和价值形态映射的关键纽带。一直以来，围绕拓扑自动辨识技术的应用需求主要集中于营销专业“变-户”对应关系的获取，以辅助实现如线损计算、设备台账维护等业务。伴随着大规模分布式光伏建设、电动汽车以及分布式储能、微电网的普及推广，低压配电网络已逐步由无源发展成为有源的网络结构，继而对于低压配电台区的拓扑信息提出了更高的要求:一方面，“户”发展成为广义的“用户”，包括分布式光伏、充电桩、分布式储能等其他新增类型的末端节点；另一方面，低压网络拓扑的关键分支节点，包括分支箱、表箱等，也成为了拓扑识别的对象，因此，全新的配电物联网建设对拓扑自动识别技术的功能和性能提出了更高的要求。
传统的低压配电网对低压台区网架拓扑连接情况缺乏主动感知的手段，运行检修工作还是停留在计划检修的方式；同时由于缺乏数据收集的手段，无法建立信息化、智能化的物联网管理体系，导致目前的低压配电网面临着以下几个严峻的问题：在配变侧，变压器、开关接点、JP柜等缺乏负荷、动环监控，存在一定安全隐患，且设备运行寿命难以最优化；在线路侧，低压配电网线路故障难以有效排查和定位，缺乏智能化手段，人工巡检工作量大、效率低，且效果有限(多为事后响应)；在用户侧，分布式能源、充电桩等新能源的大量接入影响低压配电网的电能质量和稳定运行，缺乏有效监控手段。对于数据的处理由于缺乏现场一次设备的感知和状态数据收集，因此无法对低压配电线路/设备的状态感知及异常进行精确定位。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的配电物联网建设的拓扑识别技术无法处理日益增长的新型网络结构和新型识别对象。
为解决上述技术问题，本发明提供如下技术方案：一种配电台区拓扑识别功能验证方法，包括：
收集配电台区数据；
建立的网架模拟系统，构建基于图注意力网络的网架拓扑；
构建场景模拟系统，接入拓扑识别算法设备，优化测试场景，进行拓扑识别；
通过综合管理系统进行拓扑识别结果分析。
作为本发明所述的配电台区拓扑识别功能验证方法的一种优选方案，其中：所述功能验证网架拓扑包括，构建功能验证网架拓扑，通过网架模拟环境的组态屏进行拓扑连接，组态屏包括低压台区中的低压电缆分支箱、用户表箱、融合终端、智能断路器、智能电表、智能微断，常用设备；构建的拓朴结构包括架空线、手拉手接线、两分段两联络、三分段两联络、两供一备、三供一备、电缆线单环网、双环网、花瓣型接线，通过低压配电网线路模拟子系统模拟真实线路电气特性；完成交直流混联台区拓扑以及包含交直流微电网的低压台区拓扑的建立，在设备及拓扑图频繁变更条件下的进行拓扑识别功能验证。
作为本发明所述的配电台区拓扑识别功能验证方法的一种优选方案，其中：所述模拟测试场景包括，模拟环境包括四个子系统，低压台区真型网架模拟子系统、交直流低压台区综合组态子系统、低压真型台区交直流微电网能量变换子系统、低压配电网线路模拟子系统；
通过场景模拟系统中的用户负载模拟子系统进行不同类型不同容量负载的投切，构建拓扑识别功能验证过程中的用户负载变化场景；通过储能模拟子系统和光伏模拟子系统控制分布式能源设备的投切和功率输出，构建不同分布式能源比例下的拓扑识别功能验证场景；通过成套子系统构建柔性互联场景，验证复杂配电台区的拓扑识别功能；通过交直流多态故障模拟子系统构建故障场景，包括两相短路、两相短路接地、单相接地故障，配电网常见故障运行场景，验证故障运行状态下系统拓扑识别功能的完整性；通过智能感知终端子系统接入温湿度传感器、智能网关、智能电表、智能分路监测单元，构建多种智能终端设备接入运行场景下的拓扑识别功能验证场景；通过柔性互联成套子系统构建柔性互联场景，验证图注意力网络网架识别系统复杂配电台区的拓扑识别功能。
作为本发明所述的配电台区拓扑识别功能验证方法的一种优选方案，其中：所述设备接入包括，可接入设备包括LTU、继电保护装置、智能终端、智能开关、智能电容器、智能微端、智能电表；
将应用拓扑识别算法的待测智能网关接入台区电源测试接口，待测低压分路监测单元接入各级低压断路器对应的二次测试接口，启动待测设备的低压拓扑识别功能，拓扑识别综合管理系统记录拓扑识别过程关键数据及结果；修改功能验证场景包括，修改测试场景，改变系统运行环境，重复启动或等待待测设备更新低压台区拓扑数据，同步记录拓扑识别更新过程的关键数据及结果；
接入图注意力网络拓扑识别系统平台的拓扑识别功能设备将拓扑信息以CIME文件形式上传于上位机软件平台，数据采集装置将关键节点电压、电流及波形上传于上位机软件平台，判断接入设备和验证平台关键设备的运行状态；其中，拓扑识别功能验证平台的综合管理系统作为上位机软件平台的一部分，可实现对CIME文件的解析，采集数据的处理及测试报告的生成。
作为本发明所述的配电台区拓扑识别功能验证方法的一种优选方案，其中：所述基于图注意力网络的网架拓扑包括，
构建基于图神经网络模型的网架拓扑识别，从配电网络设备传感器和网络监控系统收集到数据，对于收集到的数据进行标准化处理，设置时间窗口进行数据批处理；
构建图结构，将电网物理结构转化为图，节点表示电网设备，边为设备间的连接，对节点进行特征编码，所述特征包括电流、电压、负载、故障历史、运行信息；特征来源于收集的历史数据和传感器的反馈信息；通过聚合临近节点的信息，捕获电网设备间的关系，图卷积的公式表示为:
其中，表示邻接矩阵；H(l)表示第l层的节点特征；W(l)表示第l层的权重矩阵；σ表示非线性激活函数；/>表示邻接矩阵的k次幂，当k＞1时，网络考虑节点的拓展领域；
利用拓展领域实现多尺度学习，GNN通过捕获节点在不同范围内的影响，判断设备在电网中的起到作用的重要性；在电网的的连接结构中GNN能够识别出对电网稳定性和效率有更大影响力的关键连接。
作为本发明所述的配电台区拓扑识别功能验证方法的一种优选方案，其中：所述优化图神经网络包括，
在构建网架拓扑的过程中，在识别结果与实际拓扑有出现差异时，不断对识别结果进行反馈优化；根据反馈结果和实际拓扑数据对模型进行再训练和微调，提高网架拓扑识别的准确率，并添加注意力机制优化图神经网络；
在图注意力网络GAT中，注意力系数表示为：
αij＝softmaxj(leakyReLU(αT[W(l)hi||W(l)hj]))
其中，hi表示节点i的特征向量，hj表示节点j的特征向量；W(l)表示权重矩阵，αT表示注意力向量的转置；||表示拼接，leakyReLU表示激活函数；softmaxj表示节点到其所有邻居节点的注意力系数之和为1；
使用注意力系数更新节点特征，表示为：
hi'＝σ(Σj∈N(i)αijW(l)hj)
其中，hi'表示更新后的节点i的特征；
通过更新节点特征，使图注意力网络能够准确的识别到电网设备的关键特征，读取出运行中产生变化的关键信息；根据读取到的信息可以检测到电网拓扑结构中重要的设备线路和潜在的故障节点；
基于图注意力网络的控制系统持续监测配电网络状态，实时更新拓扑识别结果；并定期评估和更新图注意力网络模型，根据电网拓扑的变化判断电网设备出现的问题，并进行管理控制。
作为本发明所述的配电台区拓扑识别功能验证方法的一种优选方案，其中：所述拓扑识别综合管理系统结果分析包括，
进行自动化的图注意力网络拓扑识别控制管理系统运行；通过上位机软件平台选择需要运行的测试案例启动测试，通过预设置的案例信息触发拓扑识别功能验证平台中的相关模块子系统完成场景模拟，通过软件平台与数据采集装置的配合完成试验数据的自动化生成和获取，包括关键节点电压、电流及波形文件，CIME文件；
上位机软件平台利用训练好的图注意力网络模型自动生成网架拓扑，系统对拓扑识别后生成的CIME文件进行解析，并将厂站、变压器、断路器、线路等电气设备的关联关系与软件平台自定义图元关联，生成更新后的拓扑图；
上位机软件平台通过构建的网络模型生成正确的拓扑信息文件，将图注意力网络自动生产的拓扑图与实际需要拓扑图比对结果，通过遍历CIME文件中节点名称，节点号，关联设备号以及关联关系信息，判定拓扑结构的连接情况；并将测试结果进行比对，对于图注意力网络模型进行优化，得到基于图注意力网络的自动拓扑识别及管控系统；
基于图注意力网络的管控系统在关键节点进行数据分析，通过接入的待测拓扑识别装置或智能感知终端设备，将波形文件展示在系统监控界面，每隔1min获取当前时间断面的设备运行参数，图注意力网络的对读取的运行参数进行判断，若出现越限，上位机软件平台将生成越限时间和告警信息；通过图注意力网络的动态拓扑图确定产生告警的设备具体位置及设备运行信息，进行决策分类，确定产生的错误类别，进行设备异常状态标注，若设备运行超限，则对设备进行自动限流处理，降低设备输入功率，保护设备运行安全；若图注意力网络读取到的电网节点运行出现故障，则标注为设备故障状态，通过管控系统将逐步降低设备输入功率，进入待机状态，同时图注意力网络停止识别故障设备，停止故障区域新设备的接入；若无法获得设备节点的正确的反馈运行数据，则标注为设备失联状态，管理系统对传感器进行每分钟一次的信号询问，确认故障类型，未得到反馈则进行传感器重启测试，若成功则取消失联状态，继续收集数据；若重启失败，则图注意力网络搜寻此处功能最相近设备传感器，尝试替代工作；替代工作未成功，则断开该设备的拓扑连接，停止设备运行，防止出现未连接设备运行失控；
运行时产生的异常数据将由图注意力网络上传至上位机软件平台，图注意力网络分类器自动识别异常类型，异常设备型号，维护信息，并将异常设备在原拓扑图中标明，进行自动异常存档处理，并通过管理系统进行自动异常管理处置；图注意力网络实时检测可能产生异常的线路和设备节点，筛选出重要设备节点，进行监测，并自动搜寻可相替代节点进行备份，出现异常时自动进行替代处理。
一种如本发明所述任一方法的配电台区拓扑识别功能验证系统，其特征在于：
电源模块，为低压台区模拟提供两种电源接入方式，一种为10kV真型系统台区电源，一种为10kV专线电源；
网架模拟模块，与电源模块通过一次电缆连接，实现拓扑识别测试过程中的网架构建；
场景模拟模块，与网架模拟模块通过一次电缆连接，实现台区不同拓扑识别方法的场景构建，包括正常运行条件下的拓扑识别应用场景、故障运行情况下的拓扑识别应用场景以及其他特定运行工况下的拓扑识别应用场景；
测量控制模块，与网架模拟模块通过二次电缆连接，实现台区运行状态信息的采集与监测。
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本发明中任一项所述的方法的步骤。
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本发明中任一项所述的方法的步骤。
本发明的有益效果：本发明提供的配电台区拓扑识别功能验证方法，围绕“全景透明感知”与“源网荷储协同”能力需求下的配电物联网台区，提出了一套综合考虑“识别可靠性、识别准确率高与识别抗扰能力”的拓扑自动识别技术测试体系，建立一种拓扑识别技术及其相关终端设备的功能验证方法和系统。通过测试系统，一键生成多台区、多分支、多层级复杂拓扑网架结构以及多种运行工况，实现对台区拓扑识别技术的闭环测试。其中，系统模块化设计，各模块功能独立；拓扑识别场景多样，可设置不同拓扑结构，可接入不同设备，可设置不同运行状态；生成拓扑识别功能测试报告，实现测试环境-测试流程-测试结果的完整闭环验证过程；软件平台可控的自动化测试流程，简化运维人员人工数据采集和处理过程，加快拓扑识别功能验证效率。
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为本发明第一个实施例提供的一种配电台区拓扑识别功能验证方法的整体流程图；
图2为本发明第一个实施例提供的一种配电台区拓扑识别功能验证方法的整体系统架构图；
图3为本发明第一个实施例提供的一种配电台区拓扑识别功能验证方法的典型低压台区拓扑图；
图4为本发明第一个实施例提供的一种配电台区拓扑识别功能验证方法的结果分析方法运行环境图；
图5为本发明第一个实施例提供的一种配电台区拓扑识别功能验证方法的拓扑识别功能验证的完整流程图；
图6为本发明第二个实施例提供的一种配电台区拓扑识别功能验证方法的低压拓扑识别测试基础网架；
图7为本发明第二个实施例提供的一种配电台区拓扑识别功能验证方法的低压拓扑识别测试改变分支数量图；
图8为本发明第二个实施例提供的一种配电台区拓扑识别功能验证方法的低压拓扑识别测试改变拓扑层级图。
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。
实施例1
参照图1-图5，为本发明的一个实施例，提供了一种配电台区拓扑识别功能验证方法，包括：
S1：收集配电台区数据。
进一步的，收集实时电网运行数据，包括电压、电流、负载、开关状态等。
更进一步的，对采集到的数据进行清洗和格式化，去除异常值，填充缺失值，以确保数据的质量。收集电网相关的非电气数据，如天气情况、温度、湿度以及设备的健康状态等。
更进一步的，同步电气参数数据和非电气参数数据，保证数据在时间轴上的一致性。使用数据融合算法将不同来源的数据合并，形成一个综合的数据模型。
更进一步的，分析融合后的数据，识别潜在的模式和关联性，以及这些模式对电网拓扑状态的影响。
更进一步的，构建基于图注意力网络模型的网架拓扑识别，从配电网络设备传感器和网络监控系统收集到数据，对于收集到的数据进行标准化处理，设置时间窗口进行数据批处理；设收集到的时间序列数据为X＝{x1,x2,...,xn}，其中n为此次数据点总数；时间窗口表示为：
N＝tw×f
其中，f表示数据采集频率，tw表示时间窗口长度。
更进一步的，使用这个窗口，将数据划分为多个批次。每个批次包含N个连续的数据点。第一个批次包含x1,xN的数据，第二个批次包含从x2到xN+1的数据，以此类推。这种方法允许模型在每个批次内捕捉数据的局部时间依赖性，同时在多个批次间学习数据的整体趋势。
为每个时间窗口构建一个输入矢量，使用图注意力网络从数据集中提取特征。
更进一步的，构建基于图神经网络模型的网架拓扑识别，从配电网络设备传感器和网络监控系统收集到数据，对于收集到的数据进行标准化处理，设置时间窗口进行数据批处理；
更进一步的，构建图结构，将电网物理结构转化为图，节点表示电网设备，边为设备间的连接，对节点进行特征编码，所述特征包括电流、电压、负载、故障历史、运行信息；特征来源于收集的历史数据和传感器的反馈信息；通过聚合临近节点的信息，捕获电网设备间的关系，图卷积的公式表示为:
其中，表示邻接矩阵；H(l)表示第l层的节点特征；W(l)表示第l层的权重矩阵；σ表示非线性激活函数；/>表示邻接矩阵的k次幂，当k＞1时，网络考虑节点的拓展领域；
更进一步的，利用拓展领域实现多尺度学习，GNN通过捕获节点在不同范围内的影响，判断设备在电网中的起到作用的重要性；在电网的的连接结构中GNN能够识别出对电网稳定性和效率有更大影响力的关键连接。
更进一步的，在构建网架拓扑的过程中，在识别结果与实际拓扑有出现差异时，不断对识别结果进行反馈优化；根据反馈结果和实际拓扑数据对模型进行再训练和微调，提高网架拓扑识别的准确率，并添加注意力机制优化图神经网络；
在图注意力网络GAT中，注意力系数表示为：
αij＝softmaxj(leakyReLU(αT[W(l)hi||W(l)hj]))
其中，hi表示节点i的特征向量，hj表示节点j的特征向量；W(l)表示权重矩阵，αT表示注意力向量的转置；||表示拼接，leakyReLU表示激活函数；softmaxj表示节点到其所有邻居节点的注意力系数之和为1；
更进一步的，使用注意力系数更新节点特征，表示为：
hi'＝σ(Σj∈N(i)αijW(l)hj)
其中，hi'表示更新后的节点i的特征；
通过更新节点特征，使图注意力网络能够准确的识别到电网设备的关键特征，读取出运行中产生变化的关键信息；根据读取到的信息可以检测到电网拓扑结构中重要的设备线路和潜在的故障节点；基于图注意力网络的控制系统持续监测配电网络状态，实时更新拓扑识别结果；并定期评估和更新图注意力网络模型，根据电网拓扑的变化判断电网设备出现的问题，并进行管理控制。对拓扑结果进行解析，输出的分类结果，将其转换为电网拓扑结构的图形表示；在构建网架拓扑的过程中，在识别结果与实际拓扑有出现差异时，不断对识别结果进行反馈优化；根据反馈结果和实际拓扑数据对模型进行再训练和微调，提高网架拓扑识别的准确率。
更进一步的，系统持续监测配电网络状态，实时更新拓扑识别结果；并定期评估和更新图注意力网络模型，根据电网结构的变化改变模型中的网架拓扑。
应说明的是，拓扑识别应用主要集中于解决“变-户”关系的识别问题(“户”专指低压用户)，由于技术和管理水平的差异，低压配电网在建设和维护方面较输电网络存在较大不同。配电台区涉及资产较多且连接关系复杂，变压器、表箱、电能表等资产信息及其拓扑连接关系都需要准确录入信息化系统，农网改造、表箱更换等施工项目的实施，使得台区内设备及拓扑图变更频繁。
S2：建立网架模拟系统构建功能验证的网架拓扑。
进一步的，构建功能验证网架拓扑，通过网架模拟环境的组态屏进行拓扑连接，组态屏包括低压台区中的低压电缆分支箱、用户表箱、融合终端、智能断路器、智能电表、智能微断等常用设备。低压拓扑识别功能场景构建如表1所示：
表1低压拓扑识别功能场景构建
更进一步的，构建的拓朴结构包括架空线、手拉手接线、两分段两联络、三分段两联络、两供一备、三供一备、电缆线单环网、双环网、花瓣型接线，通过低压配电网线路模拟子系统模拟真实线路电气特性；完成交直流混联台区拓扑以及包含交直流微电网的低压台区拓扑的建立，满足台区内设备及拓扑图频繁变更条件下的拓扑识别功能验证。
更进一步的，模拟环境包括四个子系统，低压台区真型网架模拟子系统、交直流低压台区综合组态子系统、低压真型台区交直流微电网能量变换子系统、低压配电网线路模拟子系统。
应说明的是，网架模拟模块构建除了的典型低压台区拓扑之外，可完成交直流混联台区拓扑以及包含交直流微电网在内的低压台区拓扑的建立，以满足台区内设备及拓扑图频繁变更条件下的拓扑识别功能验证。
S3：构建场景模拟系统，接入拓扑识别算法设备。
进一步的，通过场景模拟系统中的用户负载模拟子系统进行不同类型不同容量负载的投切，构建拓扑识别功能验证过程中的用户负载变化场景；通过储能模拟子系统和光伏模拟子系统控制分布式能源设备的投切或功率输出，构建不同分布式能源比例下的拓扑识别功能验证场景；成套子系统构建柔性互联场景，验证复杂配电台区的拓扑识别功能。
更进一步的，通过交直流多态故障模拟子系统构建故障场景，包括两相短路、两相短路接地、单相接地故障，配电网常见故障运行场景，验证故障运行状态下系统拓扑识别功能的完整性；通过智能感知终端子系统接入温湿度传感器、智能网关、智能电表、智能分路监测单元，构建多种智能终端设备接入运行场景下的拓扑识别功能验证场景；通过柔性互联成套子系统构建柔性互联场景，验证复杂配电台区的拓扑识别功能。
更进一步的，可接入设备包括LTU、继电保护装置、智能终端、智能开关、智能电容器、智能微端、智能电表。
更进一步的，将应用拓扑识别算法的待测智能网关接入台区电源测试接口，待测低压分路监测单元接入各级低压断路器对应的二次测试接口，启动待测设备的低压拓扑识别功能，拓扑识别综合管理系统记录拓扑识别过程关键数据及结果；修改功能验证场景包括，修改测试场景，改变系统运行环境，重复启动或等待待测设备更新低压台区拓扑数据，同步记录拓扑识别更新过程的关键数据及结果。
应说明的是，接入系统平台的拓扑识别功能设备将拓扑信息以CIME文件形式上传于上位机软件平台，数据采集装置将关键节点电压、电流及波形上传于上位机软件平台，判断接入设备和验证平台关键设备的运行状态。其中，拓扑识别功能验证平台的综合管理系统作为上位机软件平台的一部分，可实现对CIME文件的解析，采集数据的处理及测试报告的生成。
S4：通过综合管理系统进行拓扑识别结果分析。
进一步的，进行自动化的拓扑识别功能验证流程；通过上位机软件平台选择需要运行的测试案例启动测试，通过预设置的案例信息触发拓扑识别功能验证平台中的相关模块子系统完成场景模拟，通过软件平台与数据采集装置的配合完成试验数据的自动化生成和获取，包括关键节点电压、电流及波形文件，CIME文件。
更进一步的，上位机软件平台利用训练好的图注意力网络模型自动生成网架拓扑，系统对拓扑识别后生成的CIME文件进行解析，并将厂站、变压器、断路器、线路等电气设备的关联关系与软件平台自定义图元关联，生成更新后的拓扑图。
更进一步的，上位机软件平台通过构建的网络模型生成正确的拓扑信息文件，将图注意力网络自动生产的拓扑图与实际的拓扑图比对结果，通过遍历CIME文件中节点名称，节点号，关联设备号以及关联关系信息，判定拓扑结构的连接情况；并将测试结果进行比对，对于图注意力网络模型进行优化，得到基于图注意力网络的自动拓扑识别及管控系统。
更进一步的，进行自动化的图注意力网络拓扑识别控制管理系统运行；通过上位机软件平台选择需要运行的测试案例启动测试，通过预设置的案例信息触发拓扑识别功能验证平台中的相关模块子系统完成场景模拟，通过软件平台与数据采集装置的配合完成试验数据的自动化生成和获取，包括关键节点电压、电流及波形文件，CIME文件；
更进一步的，上位机软件平台利用训练好的图注意力网络模型自动生成网架拓扑，系统对拓扑识别后生成的CIME文件进行解析，并将厂站、变压器、断路器、线路等电气设备的关联关系与软件平台自定义图元关联，生成更新后的拓扑图；
更进一步的，上位机软件平台通过构建的网络模型生成正确的拓扑信息文件，将图注意力网络自动生产的拓扑图与实际需要拓扑图比对结果，通过遍历CIME文件中节点名称，节点号，关联设备号以及关联关系信息，判定拓扑结构的连接情况；并将测试结果进行比对，对于图注意力网络模型进行优化，得到基于图注意力网络的自动拓扑识别及管控系统；
更进一步的，基于图注意力网络的管控系统在关键节点进行数据分析，通过接入的待测拓扑识别装置或智能感知终端设备，将波形文件展示在系统监控界面，每隔1min获取当前时间断面的设备运行参数，图注意力网络的对读取的运行参数进行判断，若出现越限，上位机软件平台将生成越限时间和告警信息；通过图注意力网络的动态拓扑图确定产生告警的设备具体位置及设备运行信息，进行决策分类，确定产生的错误类别，进行设备异常状态标注，若设备运行值超过网络预定值的10％，则对设备进行自动限流处理，降低设备输入功率，保护设备运行安全；若图注意力网络读取到的设备运行值超过预定值20％，则标注为设备故障状态，通过管控系统将逐步降低设备输入功率，进入待机状态，同时图注意力网络停止识别故障设备，停止故障区域新设备的接入；若无法获得设备节点的正确的反馈运行数据，则标注为设备失联状态，管理系统对传感器进行每分钟一次的信号询问，确认故障类型，5分钟仍未得到反馈则进行传感器重启测试，若成功则取消失联状态，继续收集数据；若重启失败，则图注意力网络搜寻此处功能最相近设备传感器，尝试替代工作；若10分钟仍未替代工作成功，则断开该设备的拓扑连接，停止设备运行，防止出现未连接设备运行失控；
应说明的是，运行时产生的异常数据将由图注意力网络上传至上位机软件平台，图注意力网络分类器自动识别异常类型，异常设备型号，维护信息，并将异常设备在原拓扑图中标明，进行自动异常存档处理，并通过管理系统进行自动异常管理处置；图注意力网络实时检测可能产生异常的线路和设备节点，筛选出重要设备节点，进行监测，并自动搜寻可相替代节点进行备份，出现异常时自动进行替代处理。
一种如配电台区拓扑识别功能验证系统，其特征在于：
电源模块，为低压台区模拟提供两种电源接入方式，一种为10kV真型系统台区电源，一种为10kV专线电源。
网架模拟模块，与电源模块通过一次电缆连接，实现拓扑识别测试过程中的网架构建。
场景模拟模块，与网架模拟模块通过一次电缆连接，实现台区不同拓扑识别方法的场景构建，包括正常运行条件下的拓扑识别应用场景、故障运行情况下的拓扑识别应用场景以及其他特定运行工况下的拓扑识别应用场景。
测量控制模块，与网架模拟模块通过二次电缆连接，实现台区运行状态信息的采集与监测。
实施例2
参照图6-8，为本发明的一个实施例，提供了一种配电台区拓扑识别功能验证方法，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。
低压配电台区拓扑自动识别技术研究与设备验证，通过构建多种类型的低压配电网架拓扑，叠加不同负载电流、不同系统谐波等干扰工况，支持不同技术路线的低压台区拓扑识别技术的研究与验证，开展以融合终端、智能断路器、低压故障指示器、末端感知终端、低压分路监测单元等不同低压智能设备为基础的拓扑识别功能测试。
为了满足对低压台区配电网的精细化和智能化管理需求，实现对配变、低压设备、无功补偿装置的运行监测、本地控制和数据汇聚上传等功能，利用融合终端能够整合现有资源，基于物联网技术架构打造“智能配电台区”，实现台区拓扑自动识别技术的应用。
该培训系统以低压配电仿真台区为基础，依托仿真台区组态式建模特点，可灵活地构造含有“源-网-荷-储”等元素的有源低压配电台区网络，且网络具备灵活组态切换的特点，可任意更改台区不同层级、不同拓扑关系，满足低压台区拓扑识别功能测试验证的环境需求。同时利用交流可编程RLC模拟负载、光伏模拟系统、储能模拟系统、风力发电模拟系统、可编程能馈式负载等设备，能够实现不同系统电能质量、不同分布式电源接入等负载场景的构建，提供不同程度干扰叠加的测试场景，丰富拓扑识别功能的测试验证能力。
该培训系统通过构建基础测试低压网架拓扑，并在基础拓扑上对拓扑进行变化，同时利用光伏、储能、负载等设备叠加不同的干扰因素，测试验证拓扑变化影响下待测设备的拓扑识别及拓扑更新功能。
下面以融合终端与智能低压分路监测单元为测试对象，开展低压拓扑识别功能验证测试的具体操作过程如下：
在仿真台区构建如图6所示基础低压网架拓扑结构，将待测融合终端接入台区电源测试接口，待测低压分路监测单元接入各级低压断路器对应的二次测试接口，启动待测设备的低压拓扑识别功能，记录拓扑识别过程关键数据及结果。
按照如图7所示修改上述基础网架，改变网架分支数量，重复启动或等待待测设备更新低压台区拓扑数据，同步记录拓扑识别更新过程的关键数据及结果。按照如图8所示修改上述网架，改变网架层级，重复启动或等待待测设备更新低压台区拓扑数据，同步记录拓扑识别更新过程的关键数据及结果。
分别按照如表2所示设置不同负载、电源设备的运行工况，重复上述三种低压网架拓扑变化过程，记录拓扑识别更新过程的关键数据及结果。
表2低压拓扑识别测试干扰场景设置
根据记录的拓扑识别过程及结果数据，分析判断待测装置的台区拓扑识别功能是否满足相应规范或技术指标要求。我方发明与传统识别方法比较如表3所示：
表3拓扑识别方法
/>
如上表所示，本发明构建拓扑识别技术功能验证方法及系统，实现台区不同拓扑识别方法功能验证过程中的全场景构建、拓扑识别相关设备验证、运行工况模拟以及验证结果获取，完成拓扑识别功能的闭环测试。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
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)
1.一种配电台区拓扑识别功能验证方法，其特征在于，包括：
收集配电台区数据；
建立的网架模拟系统，构建基于图注意力网络的网架拓扑；
构建场景模拟系统，接入拓扑识别算法设备，优化测试场景，进行拓扑识别；
通过综合管理系统进行拓扑识别结果分析。
2.如权利要求1所述的配电台区拓扑识别功能验证方法，其特征在于：所述功能验证网架拓扑包括，构建功能验证网架拓扑，通过网架模拟环境的组态屏进行拓扑连接，组态屏包括低压台区中的低压电缆分支箱、用户表箱、融合终端、智能断路器、智能电表、智能微断，常用设备；构建的拓朴结构包括架空线、手拉手接线、两分段两联络、三分段两联络、两供一备、三供一备、电缆线单环网、双环网、花瓣型接线，通过低压配电网线路模拟子系统模拟真实线路电气特性；完成交直流混联台区拓扑以及包含交直流微电网的低压台区拓扑的建立，在设备及拓扑图频繁变更条件下的进行拓扑识别功能验证。
3.如权利要求2所述的配电台区拓扑识别功能验证方法，其特征在于：所述模拟测试场景包括，模拟环境包括四个子系统，低压台区真型网架模拟子系统、交直流低压台区综合组态子系统、低压真型台区交直流微电网能量变换子系统、低压配电网线路模拟子系统；
通过场景模拟系统中的用户负载模拟子系统进行不同类型不同容量负载的投切，构建拓扑识别功能验证过程中的用户负载变化场景；通过储能模拟子系统和光伏模拟子系统控制分布式能源设备的投切和功率输出，构建不同分布式能源比例下的拓扑识别功能验证场景；通过成套子系统构建柔性互联场景，验证复杂配电台区的拓扑识别功能；通过交直流多态故障模拟子系统构建故障场景，包括两相短路、两相短路接地、单相接地故障，配电网常见故障运行场景，验证故障运行状态下系统拓扑识别功能的完整性；通过智能感知终端子系统接入温湿度传感器、智能网关、智能电表、智能分路监测单元，构建多种智能终端设备接入运行场景下的拓扑识别功能验证场景；通过柔性互联成套子系统构建柔性互联场景，验证图注意力网络网架识别系统复杂配电台区的拓扑识别功能。
4.如权利要求3所述的配电台区拓扑识别功能验证方法，其特征在于：所述设备接入包括，可接入设备包括LTU、继电保护装置、智能终端、智能开关、智能电容器、智能微端、智能电表；
将应用拓扑识别算法的待测智能网关接入台区电源测试接口，待测低压分路监测单元接入各级低压断路器对应的二次测试接口，启动待测设备的低压拓扑识别功能，拓扑识别综合管理系统记录拓扑识别过程关键数据及结果；修改功能验证场景包括，修改测试场景，改变系统运行环境，重复启动或等待待测设备更新低压台区拓扑数据，同步记录拓扑识别更新过程的关键数据及结果；
接入图注意力网络拓扑识别系统平台的拓扑识别功能设备将拓扑信息以CIME文件形式上传于上位机软件平台，数据采集装置将关键节点电压、电流及波形上传于上位机软件平台，判断接入设备和验证平台关键设备的运行状态；其中，拓扑识别功能验证平台的综合管理系统作为上位机软件平台的一部分，可实现对CIME文件的解析，采集数据的处理及测试报告的生成。
5.如权利要求4所述的配电台区拓扑识别功能验证方法，其特征在于：所述基于图注意力网络的网架拓扑包括，
构建基于图神经网络模型的网架拓扑识别，从配电网络设备传感器和网络监控系统收集到数据，对于收集到的数据进行标准化处理，设置时间窗口进行数据批处理；
构建图结构，将电网物理结构转化为图，节点表示电网设备，边为设备间的连接，对节点进行特征编码，所述特征包括电流、电压、负载、故障历史、运行信息；特征来源于收集的历史数据和传感器的反馈信息；通过聚合临近节点的信息，捕获电网设备间的关系，图卷积的公式表示为:
其中，表示邻接矩阵；H(l)表示第l层的节点特征；W(l)表示第l层的权重矩阵；σ表示非线性激活函数；/>表示邻接矩阵的k次幂，当k＞1时，网络考虑节点的拓展领域；
利用拓展领域实现多尺度学习，GNN通过捕获节点在不同范围内的影响，判断设备在电网中的起到作用的重要性；在电网的的连接结构中GNN识别出对电网稳定性和效率有更大影响力的关键连接。
6.如权利要求4所述的配电台区拓扑识别功能验证方法，其特征在于：所述优化图神经网络包括，
在构建网架拓扑的过程中，在识别结果与实际拓扑有出现差异时，不断对识别结果进行反馈优化；根据反馈结果和实际拓扑数据对模型进行再训练和微调，提高网架拓扑识别的准确率，并添加注意力机制优化图神经网络；
在图注意力网络GAT中，注意力系数表示为：
αij＝softmaxj(leaky ReLU(αT[W(l)hi||W(l)hj]))
其中，hi表示节点i的特征向量，hj表示节点j的特征向量；W(l)表示权重矩阵，αT表示注意力向量的转置；||表示拼接，leaky ReLU表示激活函数；softmaxj表示节点到其所有邻居节点的注意力系数之和为1；
使用注意力系数更新节点特征，表示为：
h'i＝σ(∑j∈N(i)αijW(l)hj)
其中，h'i表示更新后的节点i的特征；
通过更新节点特征，使图注意力网络能够准确的识别到电网设备的关键特征，读取出运行中产生变化的关键信息；根据读取到的信息可以检测到电网拓扑结构中重要的设备线路和潜在的故障节点；
基于图注意力网络的控制系统持续监测配电网络状态，实时更新拓扑识别结果；并定期评估和更新图注意力网络模型，根据电网拓扑的变化判断电网设备出现的问题，并进行管理控制。
7.如权利要求6所述的配电台区拓扑识别功能验证方法，其特征在于：所述拓扑识别综合管理系统结果分析包括，
进行自动化的图注意力网络拓扑识别控制管理系统运行；通过上位机软件平台选择需要运行的测试案例启动测试，通过预设置的案例信息触发拓扑识别功能验证平台中的相关模块子系统完成场景模拟，通过软件平台与数据采集装置的配合完成试验数据的自动化生成和获取，包括关键节点电压、电流及波形文件，CIME文件；
上位机软件平台利用训练好的图注意力网络模型自动生成网架拓扑，系统对拓扑识别后生成的CIME文件进行解析，并将厂站、变压器、断路器、线路等电气设备的关联关系与软件平台自定义图元关联，生成更新后的拓扑图；
上位机软件平台通过构建的网络模型生成正确的拓扑信息文件，将图注意力网络自动生产的拓扑图与实际需要拓扑图比对结果，通过遍历CIME文件中节点名称，节点号，关联设备号以及关联关系信息，判定拓扑结构的连接情况；并将测试结果进行比对，对于图注意力网络模型进行优化，得到基于图注意力网络的自动拓扑识别及管控系统；
基于图注意力网络的管控系统在关键节点进行数据分析，通过接入的待测拓扑识别装置或智能感知终端设备，将波形文件展示在系统监控界面，每隔1min获取当前时间断面的设备运行参数，图注意力网络的对读取的运行参数进行判断，若出现越限，上位机软件平台将生成越限时间和告警信息；通过图注意力网络的动态拓扑图确定产生告警的设备具体位置及设备运行信息，进行决策分类，确定产生的错误类别，进行设备异常状态标注，对设备进行自动限流处理，降低设备输入功率，保护设备运行安全；若图注意力网络读取到电网节点出现故障，则标注为设备故障状态，通过管控系统将逐步降低设备输入功率，进入待机状态，同时图注意力网络停止识别故障设备，停止故障区域新设备的接入；若无法获得设备节点的正确的反馈运行数据，则标注为设备失联状态，管理系统对传感器进行每分钟一次的信号询问，确认故障类型，未得到反馈则进行传感器重启测试，若成功则取消失联状态，继续收集数据；若重启失败，则图注意力网络搜寻此处功能最相近设备传感器，尝试替代工作；替代工作未成功，则断开该设备的拓扑连接，停止设备运行，防止出现未连接设备运行失控；
运行时产生的异常数据将由图注意力网络上传至上位机软件平台，图注意力网络分类器自动识别异常类型，异常设备型号，维护信息，并将异常设备在原拓扑图中标明，进行自动异常存档处理，并通过管理系统进行自动异常管理处置；图注意力网络实时检测可能产生异常的线路和设备节点，筛选出重要设备节点，进行监测，并自动搜寻可相替代节点进行备份，出现异常时自动进行替代处理。
8.一种如权利要求1-7所述任一方法的配电台区拓扑识别功能验证系统，其特征在于：
电源模块，为低压台区模拟提供两种电源接入方式，一种为10kV真型系统台区电源，一种为10kV专线电源；
网架模拟模块，与电源模块通过一次电缆连接，实现拓扑识别测试过程中的网架构建；
场景模拟模块，与网架模拟模块通过一次电缆连接，实现台区不同拓扑识别方法的场景构建，包括正常运行条件下的拓扑识别应用场景、故障运行情况下的拓扑识别应用场景以及其他特定运行工况下的拓扑识别应用场景；
测量控制模块，与网架模拟模块通过二次电缆连接，实现台区运行状态信息的采集与监测。
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 |
|---|---|---|---|
| CN202311508824.5A CN117669361A (zh) | 2023-11-14 | 2023-11-14 | 一种配电台区拓扑识别功能验证方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508824.5A CN117669361A (zh) | 2023-11-14 | 2023-11-14 | 一种配电台区拓扑识别功能验证方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117669361A true CN117669361A (zh) | 2024-03-08 |
Family
ID=90072383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311508824.5A Pending CN117669361A (zh) | 2023-11-14 | 2023-11-14 | 一种配电台区拓扑识别功能验证方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117669361A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118157330A (zh) * | 2024-05-11 | 2024-06-07 | 国网江苏省电力有限公司南通供电分公司 | 基于图计算的配电网全景动态拓扑监测控制方法及系统 |
-
2023
- 2023-11-14 CN CN202311508824.5A patent/CN117669361A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118157330A (zh) * | 2024-05-11 | 2024-06-07 | 国网江苏省电力有限公司南通供电分公司 | 基于图计算的配电网全景动态拓扑监测控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106019084B (zh) | 基于配用电数据关联的中压配电网断线故障诊断方法 | |
| WO2012103244A2 (en) | Systems and methods for automated model-based real-time simulation of a microgrid for market-based electric power system optimization | |
| CN112035544B (zh) | 一种配电网数据异常监测和诊断方法 | |
| CN117669361A (zh) | 一种配电台区拓扑识别功能验证方法及系统 | |
| CN108206522B (zh) | 一种电力设备状态监控方法及系统 | |
| CN116451876B (zh) | 一种基于人工智能的配电网故障预测和主动检修系统 | |
| CN116073381B (zh) | 一种考虑配电网可靠性的自动化设备布点决策方法 | |
| CN107622360A (zh) | 一种综合考虑主客观因素的关键线路识别方法 | |
| CN116500385B (zh) | 输电网监测校验方法、装置、设备和介质 | |
| CN113627766A (zh) | 一种拓扑辨识停电检修计划的风险辨识方法 | |
| CN113328437A (zh) | 一种智能配电网cps拓扑构建方法及故障恢复方法 | |
| CN106843041A (zh) | 电气设备防误逻辑公式自动化生成系统及其方法 | |
| CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
| CN115293454A (zh) | 一种考虑拓扑变化的电力系统可靠性快速优化方法 | |
| CN117374978B (zh) | 结合知识图谱构建的并网调度管理方法及系统 | |
| CN113987724A (zh) | 基于拓扑分析的电网风险辨识方法及系统 | |
| CN110489729B (zh) | D5000-matpower的电网多灾种耦合连锁故障模型的自动转换方法及系统 | |
| CN112258030A (zh) | 配电网智能开关站的选址方法、系统及信息数据处理终端 | |
| CN117318020A (zh) | 考虑用户停电风险价值的中压配电网络薄弱性识别方法 | |
| CN113868821A (zh) | 一种基于营配大数据融合的配网降损方法及终端机 | |
| Bais et al. | Faulty line localization in ieee 30 bus system using cnn-lstm | |
| Todeschini et al. | Forecasting the impact of renewable energy sources on transmission grid power quality | |
| Syamsuddin | The reliability study of Gili Trawangan photovoltaic system using RBD (Reliability Block Diagram) method | |
| CN117271375B (zh) | 电网图模数测试样本生成、维护及管理方法和相关装置 | |
| CN117992644B (zh) | 一种35kV及以下电力系统故障定位软件系统 |
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 |