CN117955084A - 一种基于数据驱动的配电网自愈能力分析方法及装置 - Google Patents
一种基于数据驱动的配电网自愈能力分析方法及装置 Download PDFInfo
- Publication number
- CN117955084A CN117955084A CN202311699719.4A CN202311699719A CN117955084A CN 117955084 A CN117955084 A CN 117955084A CN 202311699719 A CN202311699719 A CN 202311699719A CN 117955084 A CN117955084 A CN 117955084A
- Authority
- CN
- China
- Prior art keywords
- self
- healing
- distribution network
- power distribution
- data
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000011084 recovery Methods 0.000 claims abstract description 103
- 230000002159 abnormal effect Effects 0.000 claims abstract description 85
- 230000005611 electricity Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000002955 isolation Methods 0.000 claims description 6
- 102000002013 Transforming Protein 3 Src Homology 2 Domain-Containing Human genes 0.000 claims description 5
- 108010040633 Transforming Protein 3 Src Homology 2 Domain-Containing Proteins 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012549 training 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数据驱动的配电网自愈能力分析方法及装置,所述方法包括:获取配电网的实时用电数据;根据孤立森林算法对所述实时用电数据进行异常检测,确定异常用户和异常区域;获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线;根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告;根据所述分析报告对配电网设备进行调度。通过实施本发明能提高配电网稳定性。
Description
技术领域
本发明涉及电力系统管理技术领域,尤其涉及一种基于数据驱动的配电网自愈能力分析方法及装置。
背景技术
电力系统是现代社会中不可或缺的基础设施之一,而配电网作为电力系统的重要组成部分,负责将电力从发电厂传输到终端用户。然而,电力系统经常面临各种异常条件,如电力设备故障、天气灾害、人为干扰,这些因素可能导致电力中断、设备损坏和供电不稳定。为了应对这些挑战,电力系统需要具备高度的自愈能力,即在异常情况下快速识别问题、采取措施并自动或半自动地恢复正常运行。
配电网直接与电力用户相连,配电网出现任何故障都会影响用户的正常供电。现有的配电网在面临各种异常条件时,例如电力设备故障、自然灾害突发事件时,存在严重的脆弱性。传统的配电网通常无法迅速适应这些异常情况,导致了电力中断和供电不稳定。因此,亟需一种对配电网发生故障后的自愈能力进行分析的方法,以指导配电网在故障发生后对配电网设备进行调度,确定电力的连续供应。
发明内容
本发明实施例提供一种基于数据驱动的配电网自愈能力分析方法及装置,能通过实时用电数据、网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线对配电网的自愈能力进行全面分析,并生成分析报告指导配电网异常时如何对配电网设备进行调度,提高配电网供电可靠性,提高配电网稳定性。
本发明一实施例提供一种基于数据驱动的配电网自愈能力分析方法,包括:
获取配电网的实时用电数据;
根据孤立森林算法对所述实时用电数据进行异常检测,确定异常用户和异常区域;
获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线;
根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;
根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告;
根据所述分析报告对配电网设备进行调度。
进一步地,所述获取配电网的实时用电数据,包括:
通过设置在配电网中的电流传感器、电压传感器、频率传感器和负载传感器实时获取配电网的电流数据、电压数据、频率数据和负载数据;
将所获取的实时用电数据存储在配电网的数据存储模块中。
进一步地,根据孤立森林算法对所述实时用电数据进行异常检测,包括:
对所述实时用电数据进行数据清洗、剔除脏数据以及删除冗余数据后,得到数据处理后的实时用电数据;
根据数据处理后的实时用电数据确定若干用户的日负荷曲线;
根据各用户的日负荷曲线构建对应的孤立树;
根据各用户的孤立树确定孤立树平均深度,根据孤立树平均深度确定各用户的用电异常分值;
根据各用户的用电异常分值确定异常用户和异常区域。
进一步地,所述根据各用户的日负荷曲线构建对应的孤立树,包括:
随机选取一日负荷指标和一日负荷指标的特征值;
循环遍历当前用户的日负荷曲线中对应的日负荷指标值,在每一次遍历过程中,将小于特征值的日负荷指标值作为孤立树的左叶子节点,将大于特征值的日负荷指标值作为孤立树的右叶子节点,直至所获取的日负荷指标值不变或孤立树的深度达到预设值时,生成当前用户的孤立树。
进一步地,根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率,包括:
根据各区段故障概率计算各供电区段自愈能力水平的权重;
对各供电区段分别进行故障模拟,计算各供电区段发生故障后在各时刻下的自愈能力指标;
根据各供电区段发生故障后在各时刻下的自愈能力指标计算各时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;
根据所有时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率确定配电网的日自愈能力。
进一步地,所述根据各区段故障概率计算各供电区段自愈能力水平的权重,包括:
通过以下公式计算各供电区段自愈能力水平的权重:
其中,ri为供电区段i自愈能力水平的权重;βi为供电区段i的故障概率;ki为操作次数;i为供电区段个数。
进一步地,所述根据各供电区段发生故障后在各时刻下的自愈能力指标计算各时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率,包括:
通过以下公式计算自愈恢复率:
其中,HSHRR为自愈恢复率;PI,t、PII,t、PIII,t,ω1、ω2、ω3分别为I级、II级、III级负荷实际恢复功率与对应的负荷级权重系数;为各等级负荷在t时刻的原始功率需求;△t为I级、II级、III级负荷总持续时间;
通过以下公式计算自愈恢复速度:
HSHRS=T1+T2
其中,HSHRS为自愈恢复速度;T1为故障区段定位时间;T2为故障隔离和非故障区段恢复时间;
通过以下公式计算自愈控制操作复杂度:
其中,HSHCC为自愈控制操作复杂度;为线路开关在故障恢复过程内的动作次数;/>为负荷与DG在故障恢复过程内的操作次数;/>为DG在故障恢复过程内的操作次数;S为配电网开关集合;Tc为故障持续时间;/>为开关s在t时刻的状态;
通过以下公式计算自愈可持续时间覆盖率:
Tsus=min(TP,T3+T4)
其中,HSHCT为自愈可持续时间覆盖率;Ei、/>分别为第i个孤岛的自愈可持续时间、自愈可持续时间内恢复的电量与该时间内的平均功率;λi为孤岛i对应的自愈可持续时间覆盖率权重。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例;
本发明一实施例对应提供了一种基于数据驱动的配电网自愈能力分析装置,包括:第一数据获取模块、异常检测模块、第二数据获取模块以及自愈能力分析模块;
所述第一数据获取模块,用于获取配电网的实时用电数据;
所述异常检测模块,用于根据孤立森林算法对所述实时用电数据进行异常检测,确定异常用户和异常区域;
所述第二数据获取模块,用于获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线;
所述自愈能力分析模块,用于根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告;根据所述分析报告对配电网设备进行调度。
本发明另一实施例提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的一种基于数据驱动的配电网自愈能力分析方法。
本发明另一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行上述发明实施例所述的一种基于数据驱动的配电网自愈能力分析方法。
通过实施本发明具有如下有益效果:
本发明提供了一种基于数据驱动的配电网自愈能力分析方法及装置,该方法通过获取配电网的实时用电数据,对所获取到试试用电数据进行异常检测确定异常用户和异常区域。并获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线,根据网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告,根据所述分析报告对配电网设备进行调度;通过实时用电数据、网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线对配电网的自愈能力进行全面分析,并生成分析报告指导配电网异常时如何对配电网设备进行调度,提高配电网供电可靠性,提高配电网稳定性。
附图说明
图1是本发明一实施例提供的一种基于数据驱动的配电网自愈能力分析方法的流程示意图。
图2是本发明一实施例提供的用户信息采集系统物理框架图。
图3是本发明一实施例提供的iTree的构造过程图。
图4是本发明一实施例提供的iForest构造用电数据异常检测方法的流程图。
图5是本发明一实施例提供的三种算法的ROC曲线对比图。
图6是本发明一实施例提供的三种算法的累积求全率对比图。
图7是本发明一实施例提供的三种算法的P-R对比图。
图8是本发明一实施例提供的传统的自愈控制框架流程图。
图9是本发明一实施例提供的自愈控制系统结构框图。
图10是本发明一实施例提供的故障恢复过程示意图。
图11是本发明一实施例提供的一种基于数据驱动的配电网自愈能力分析装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,是本发明一实施例提供的一种基于数据驱动的配电网自愈能力分析方法,包括:
步骤S1:获取配电网的实时用电数据;
步骤S2:根据孤立森林算法对所述实时用电数据进行异常检测,确定异常用户和异常区域;
步骤S3:获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线;
步骤S4:根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;
步骤S5:根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告;
步骤S6:根据所述分析报告对配电网设备进行调度。
对于步骤S1和步骤S2、获取配电网的实时用电数据,并对配电网的实时用电数据进行异常检测。通过用电数据异常检测可以把用户分为正常和异常用户。用电数据的采集主要通过用电信息采集系统实现的。
在一个优选的实施例中,所述获取配电网的实时用电数据,包括:通过设置在配电网中的电流传感器、电压传感器、频率传感器和负载传感器实时获取配电网的电流数据、电压数据、频率数据和负载数据;将所获取的实时用电数据存储在配电网的数据存储模块中。
具体的,如图2所示是本发明实施例提供的一种用电信息采集系统的物理框架图,用电信息采集系统通过设置在配电网中的电流传感器、电压传感器、频率传感器和负载传感器对电力数据进行实时采集和处理,通过用电信息采集系统实时对用电数据的采集,可以初步确定由于电力用户的增加导致采集系统的压力增大,产生用电数据采集异常的问题。用电数据采集涵盖了电力用户的各种用电信息,数据采集包括定时自动采集、随机采集、主动上报等方式。对用电异常数据进行分析,可以及早检查出系统漏洞,保障配电网的安全运行。用电数据异常的原因通常包括:供电异常,终端采集异常,用电异常,计量装置异常等原因。用电数据异常存在多样性和滞后性。多样性是由于用电信息采集系统结构复杂,每个地方发生问题,都会导致数据采集异常;滞后性是由于系统中采集的数据要经过核查之后才能确定存在异常的点,所以其具有滞后性。
对所采集的实时用电数据,采用孤立森林算法对其进行异常检测,确定异常用户和异常区域。
在一个优选的实施例中,根据孤立森林算法对所述实时用电数据进行异常检测,包括:对所述实时用电数据进行数据清洗、剔除脏数据以及删除冗余数据后,得到数据处理后的实时用电数据;根据数据处理后的实时用电数据确定若干用户的日负荷曲线;根据各用户的日负荷曲线构建对应的孤立树;根据各用户的孤立树确定孤立树平均深度,根据孤立树平均深度确定各用户的用电异常分值;根据各用户的用电异常分值确定异常用户和异常区域。
具体的,采用孤立森林算法对实时用电数据进行处理时,首先对实时用电数据进行数据清洗、剔除脏数据和删除冗余数据,对数据进行降维处理后,得到数据处理后的实时用电数据,根据数据处理后的实时用电数据确定若干用户的日负荷曲线。根据各用户的日负荷曲线构建每一用户对应的孤立树。
在一个优选的实施例中,所述根据各用户的日负荷曲线构建对应的孤立树,包括:随机选取一日负荷指标和一日负荷指标的特征值;循环遍历当前用户的日负荷曲线中对应的日负荷指标值,在每一次遍历过程中,将小于特征值的日负荷指标值作为孤立树的左叶子节点,将大于特征值的日负荷指标值作为孤立树的右叶子节点,直至所获取的日负荷指标值不变或孤立树的深度达到预设值时,生成当前用户的孤立树。
具体的,如图3所示,通过以下步骤构建一用户的孤立树:首先随机从负荷率、峰谷差率、最小利用小时率、峰期负载率、平谷负载率和谷期负载率这六个日负荷指标中随机选取一个指标;根据随机选取的一个日负荷指标选择该特征的一个特征值k;根据所选取的日负荷指标循环遍历当前用户的日负荷曲线,从中选取当前选中的日负荷指标的日负荷指标值,在每一遍历过程中,将小于k的日负荷指标值放在左边作为孤立树的左叶子节点,大于k的放在右边作为孤立树的右叶子节点,直至所获取的日负荷指标值不变或孤立树的深度达到预设值时,生成当前用户的孤立树。
需要补充的是,在每一次生成孤立树后,还需在未被选取的剩余日负荷指标中随机选取一日负荷指标执行上述孤立树的生成过程,直至所有的日负荷指标竣备选取后,生成如图4所示的森林。
每棵孤立树的最大深度h=log2ψ,根据各用户的孤立树确定孤立树平均深度,根据孤立树平均深度确定各用户的用电异常分值,根据各用户的用电异常分值对用户用电进行排序,根据排序结果即可确定异常用户和异常区域。
示例性的:以2018年5月15日的5573个用户的日负荷曲线作为研究对象,采样间隔15分钟,共96个测量点。对数据进行预处理之后,得到4763条有效日负荷曲线,其中含60个异常用户,占比1.26%。通过孤立森林算法对预处理后的数据进行分析,可知随着iTree(即上述孤立树)数量及采样数的增加,计算时间会增加,当iTree的数量达到一定值后精度提升有限,且iTree的数量过大,导致模型性能明显下降。所以取iTree的采样数y为100,iTree的棵树t=100。本发明采用k-means算法对日负荷数据进行聚类,获得8种负荷类别。将用户划分到与他距离最小的类里面,并求取其与聚类中心的距离,如果距离过大则认为是异常用户。此外,本发明分别采用iForest(即孤立森林算法),LOF,k-means算法检测用电数据,查找异常值。实验仿真在内存为8GB,CUP为2.3GHz的电脑上运行。采用三种算法对用电数据异常用户进行处理,三个算法的对比曲线如图5所示。算法的准确率与计算时间结果如下表所示:
算法 | 精度 | 耗时(s) |
iForest | 0.9526 | 1.021 |
LOF | 0.9241 | 12.305 |
K-means | 0.8906 | 865.263 |
通过上表和图5-7可以看出,检测异常值前2.5%左右时,iForest能实现近70%的异常用户检测,LOF检测出60%左右,k-means为10%左右。检测前2.5%排序的异常值,iForest可检测70%的异常用户,而且这些用户中有超过90%是异常用户。图7的PR曲线中,iForest查全率是70%,查准率90%。而LOF当检查3%左右异常用户才能检测到70%左右异常用户,而且其中只有40%为异常用户。k-means算法检测异常分值前15%,才能检测到70%异常用户,且查准率10%。通过上述分析可以知道,相同条件下在检测异常用电数据的时候,iForest较LOF和k-means算法具有更高的查全率和查准率。iForest在检测用电数据异常用户的时候能够实现又快又全的目标。
对于步骤S3、在确定异常用户和异常区域后,获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线,并根据这些所获取的数据对配电网自愈能力进行分析。
需要说明的是,如图8所示,传统的自愈控制框架由双回路控制、三层控制结构和六个控制环节组成。随着微电网的快速发展,分布式发电渗透率的提高,以及人们对供电质量要求的提高,传统的“2-3-6”框架体系不能再用于适应配电网的发展。为了适应当前配网的发展,使配网自愈控制系统更加完善,实现自愈控制,本发明在传统的“2-3-6”自愈控制框架的基础上提出了“2-3-10”自愈框架结构使配网的自愈控制系统框架更加完善。所提出的“2-3-10”框架结构如图9所示,“2-3-10”框架结构是基于传统的“2-3-6”控制框架。增加了本地配网控制、实时预测控制链路。此外,它优化了各链路的部署,使自愈控制系统的框架结构更加完整,更适应当前配电网的发展和变化。控制系统可分为反应层、局部配网决策层和配网决策层三层。
对于步骤S4、在一个优选的实施例中,根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率,包括:根据各区段故障概率计算各供电区段自愈能力水平的权重;对各供电区段分别进行故障模拟,计算各供电区段发生故障后在各时刻下的自愈能力指标;根据各供电区段发生故障后在各时刻下的自愈能力指标计算各时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;根据所有时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率确定配电网的日自愈能力。
具体的,基于自愈控制系统构建自愈力能力分析模型,将网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线作为模型的输入参数,使模型输出自愈能力指标。输出的自愈能力指标包括:自愈恢复率指标HSHRR,描述故障发生后,通过自愈控制恢复的带权重的负荷恢复电量占原始失电电量的比重,反映在故障持续时间内对负荷的电量支撑情况;自愈恢复速度HSHRS,反映系统对故障的响应速度,反映非故障区段负荷的恢复时间;自愈控制操作复杂度HSHCC,通过对开关操作的频繁程度来表征;自愈可持续时间覆盖率HSHCT,描述智能配电网故障隔离后,受故障影响的非故障区域通过自愈控制策略实现供电恢复后的可持续供电能力。
在将网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线输入自愈力能力分析模型后,基于每个供电区段故障概率计算各供电区段自愈能力水平的权重。
在一个优选的实施例中,所述根据各区段故障概率计算各供电区段自愈能力水平的权重,包括:
通过以下公式计算各供电区段自愈能力水平的权重:
其中,ri为供电区段i自愈能力水平的权重;βi为供电区段i的故障概率;ki为操作次数;i为供电区段个数。
在确定权重后,对每个供电区段进行预想故障模拟,计算每个区段故障后在t时刻的自愈能力指标,进而根据每个区段故障后在t时刻的自愈能力指标计算t时刻配电网全系统的自愈能力指标;在完成t时刻配电网全系统的自愈能力指标计算后,继续计算t+1时刻全系统的自愈能力指标,直至t等于24时,即确定系统24个时刻的自愈能力指标时,根据所有时刻下配电网全系统的自愈能力指标确定配电网的日自愈能力。
其中,可通过以下公式计算t时刻全系统的自愈能力指标:
在一个优选的实施例中,所述根据各供电区段发生故障后在各时刻下的自愈能力指标计算各时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率,包括:
通过以下公式计算自愈恢复率(self-healing recovery ratio,SHRR):
其中,HSHRR为自愈恢复率;PI,t、PII,t、PIII,t,ω1、ω2、ω3分别为I级、II级、III级负荷实际恢复功率与对应的负荷级权重系数;为各等级负荷在t时刻的原始功率需求;△t为I级、II级、III级负荷总持续时间;
为缩短用户侧停电时间,减少负荷停电损失,智能配电网要求发生故障后应尽快使无故障失电区段得到及时的供电恢复。根据受故障影响的无故障区段供电恢复的快慢定义了自愈恢复速度,如图10所示,故障持续时间主要由4部分构成:分别为故障区段定位时间T1、故障隔离与非故障区段恢复时间T2、故障区段抢修时间T3和全网恢复操作时间T4。经过故障定位T1和故障隔离与非故障区段恢复时间T2后,非故障区段的负荷自愈操作完成,所有可恢复负荷已经全部恢复完毕,因此,将自愈恢复速度SHRS定义为故障区段定位时间T1与故障隔离和非故障区段恢复时间T2之和。
通过以下公式计算自愈恢复速度(self-healing recovery speed,SHRS):
HSHRS=T1+T2
其中,HSHRS为自愈恢复速度;T1为故障区段定位时间;T2为故障隔离和非故障区段恢复时间;
通过以下公式计算自愈控制操作复杂度(self-healing control complexity,SHCC):
其中,HSHCC为自愈控制操作复杂度;为线路开关在故障恢复过程内的动作次数;/>为负荷与DG在故障恢复过程内的操作次数;/>为DG在故障恢复过程内的操作次数;S为配电网开关集合;Tc为故障持续时间,以min为单位,且为大于0的正整数;/>为开关s在t时刻的状态,开关闭合时置1,断开时置0;
通过以下公式计算自愈可持续时间覆盖率(selfhealing coverage time,SHCT):
Tsus=min(TP,T3+T4)
其中,HSHCT为自愈可持续时间覆盖率;Ei、/>分别为第i个孤岛的自愈可持续时间、自愈可持续时间内恢复的电量与该时间内的平均功率;λi为孤岛i对应的自愈可持续时间覆盖率权重。
对于步骤S5、根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告。所生成的分析报告中具体包括:异常用户、异常区域、异常条件的详细描述、自愈力能力指标、故障定位精度和恢复时间。优选的,分析报告中还包括建议的改进措施,如设备维护、负载管理或备用供电方案。
对于步骤S6、根据所生成的分析报告对配电网内的设备进行调度,以使在检测到异常时能快速应对配电网供电异常问题,提高配电网供电稳定性。优选的,将分析报告提供给配电网管理者,配电网管理者根据分析报告内容分析异常信息及建议,继而采取相应的改进措施。
需要补充的是,这种基于数据驱动的自愈能力评估方法可以轻松扩展到不同类型和规模的配电网,包括微电网和大型电力系统,以满足不断变化的需求;但在上述实时数据采集、创术和存储时需考虑安全性问题,优选的,可采用加密和访问控制来保护数据不受恶意攻击和数据泄露的威胁,建立可靠的数据存储系统,同时进行数据备份,以应对数据丢失或系统故障的情况,遵守相关数据隐私法规,确保采集的数据不侵犯用户隐私,并获得必要的授权。进一步的,还可开发自愈策略,基于实时数据,制定自动化决策,如设备切换、电源分配,以快速应对故障或异常情况,实现自愈策略的自动化控制系统,确保可靠的操作和设备切换。建立实时监控系统,用于监测电力系统的状态和性能,以及自愈措施的执行情况,将实时采集数据与自愈能力分析结果结合,建立反馈环路,以不断改进自愈策略和分析模型。为配电网操作人员和维护人员提供培训,以确保他们能够有效地操作和维护自愈能力,建立紧急响应团队,以应对严重故障或自愈事件,并确保团队熟悉自愈策略。定期评估系统的性能,包括自愈能力分析的准确性和自愈策略的有效性,基于性能评估结果,生成报告,提出改进建议,并根据需要更新自愈能力分析模型。上述这些处理,有助于提高配电网的自愈能力,降低停电时间,提高电力系统的可靠性和韧性。
在上述方法项实施例的基础上,本发明对应提供了装置项实施例。
如图10所示,本发明一实施例提供了一种基于数据驱动的配电网自愈能力分析装置,包括:第一数据获取模块、异常检测模块、第二数据获取模块以及自愈能力分析模块;
所述第一数据获取模块,用于获取配电网的实时用电数据;
所述异常检测模块,用于根据孤立森林算法对所述实时用电数据进行异常检测,确定异常用户和异常区域;
所述第二数据获取模块,用于获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线;
所述自愈能力分析模块,用于根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告;根据所述分析报告对配电网设备进行调度。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
所述领域的技术人员可以清楚地了解到,为了方便和简洁,上述描述的装置的具体工作过程,可参考前述方法实施例中对应的过程,在此不再赘述。
在上述方法项实施例的基础上,本发明对应提供了终端设备项实施例。
本发明一实施例提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现本发明中任意一项所述的一种基于数据驱动的配电网自愈能力。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序,所述处理器通过运行或执行存储在所述存储器内的计算机程序,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述方法项实施例的基础上,本发明对应提供了存储介质项实施例。
本发明一实施例提供了一种存储介质,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行本发明中任意一项所述的一种基于数据驱动的配电网自愈能力。
所述存储介质为计算机可读存储介质,所述计算机程序存储在所述计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于数据驱动的配电网自愈能力分析方法,其特征在于,包括:
获取配电网的实时用电数据;
根据孤立森林算法对所述实时用电数据进行异常检测,确定异常用户和异常区域;
获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线;
根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;
根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告;
根据所述分析报告对配电网设备进行调度。
2.如权利要求1所述的一种基于数据驱动的配电网自愈能力分析方法,其特征在于,所述获取配电网的实时用电数据,包括:
通过设置在配电网中的电流传感器、电压传感器、频率传感器和负载传感器实时获取配电网的电流数据、电压数据、频率数据和负载数据;
将所获取的实时用电数据存储在配电网的数据存储模块中。
3.如权利要求2所述的一种基于数据驱动的配电网自愈能力分析方法,其特征在于,根据孤立森林算法对所述实时用电数据进行异常检测,包括:
对所述实时用电数据进行数据清洗、剔除脏数据以及删除冗余数据后,得到数据处理后的实时用电数据;
根据数据处理后的实时用电数据确定若干用户的日负荷曲线;
根据各用户的日负荷曲线构建对应的孤立树;
根据各用户的孤立树确定孤立树平均深度,根据孤立树平均深度确定各用户的用电异常分值;
根据各用户的用电异常分值确定异常用户和异常区域。
4.如权利要求3所述的一种基于数据驱动的配电网自愈能力分析方法,其特征在于,所述根据各用户的日负荷曲线构建对应的孤立树,包括:
随机选取一日负荷指标和一日负荷指标的特征值;
循环遍历当前用户的日负荷曲线中对应的日负荷指标值,在每一次遍历过程中,将小于特征值的日负荷指标值作为孤立树的左叶子节点,将大于特征值的日负荷指标值作为孤立树的右叶子节点,直至所获取的日负荷指标值不变或孤立树的深度达到预设值时,生成当前用户的孤立树。
5.如权利要求1所述的一种基于数据驱动的配电网自愈能力分析方法,其特征在于,根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率,包括:
根据各区段故障概率计算各供电区段自愈能力水平的权重;
对各供电区段分别进行故障模拟,计算各供电区段发生故障后在各时刻下的自愈能力指标;
根据各供电区段发生故障后在各时刻下的自愈能力指标计算各时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;
根据所有时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率确定配电网的日自愈能力。
6.如权利要求5所述的一种基于数据驱动的配电网自愈能力分析方法,其特征在于,所述根据各区段故障概率计算各供电区段自愈能力水平的权重,包括:
通过以下公式计算各供电区段自愈能力水平的权重:
其中,ri为供电区段i自愈能力水平的权重;βi为供电区段i的故障概率;ki为操作次数;i为供电区段个数。
7.如权利要求5所述的一种基于数据驱动的配电网自愈能力分析方法,其特征在于,所述根据各供电区段发生故障后在各时刻下的自愈能力指标计算各时刻下配电网全系统的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率,包括:
通过以下公式计算自愈恢复率:
其中,HSHRR为自愈恢复率;PI,t、PII,t、PIII,t,ω1、ω2、ω3分别为I级、II级、III级负荷实际恢复功率与对应的负荷级权重系数;为各等级负荷在t时刻的原始功率需求;△t为I级、II级、III级负荷总持续时间;
通过以下公式计算自愈恢复速度:
HSHRS=T1+T2
其中,HSHRS为自愈恢复速度;T1为故障区段定位时间;T2为故障隔离和非故障区段恢复时间;
通过以下公式计算自愈控制操作复杂度:
其中,HSHCC为自愈控制操作复杂度;为线路开关在故障恢复过程内的动作次数;为负荷与DG在故障恢复过程内的操作次数;/>为DG在故障恢复过程内的操作次数;S为配电网开关集合;Tc为故障持续时间;/>为开关s在t时刻的状态;
通过以下公式计算自愈可持续时间覆盖率:
Tsus=min(TP,T3+T4)
其中,HSHCT为自愈可持续时间覆盖率;Ei、/>分别为第i个孤岛的自愈可持续时间、自愈可持续时间内恢复的电量与该时间内的平均功率;λi为孤岛i对应的自愈可持续时间覆盖率权重。
8.一种基于数据驱动的配电网自愈能力分析装置,其特征在于,包括:第一数据获取模块、异常检测模块、第二数据获取模块以及自愈能力分析模块;
所述第一数据获取模块,用于获取配电网的实时用电数据;
所述异常检测模块,用于根据孤立森林算法对所述实时用电数据进行异常检测,确定异常用户和异常区域;
所述第二数据获取模块,用于获取异常区域内的网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线;
所述自愈能力分析模块,用于根据所述网络拓扑结构、各区段故障概率、各节点负荷曲线以及DG出力曲线确定配电网的自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率;根据配电网的异常用户、自愈恢复率、自愈恢复速度、自愈控制操作复杂度、自愈可持续时间覆盖率生成配电网自愈能力分析报告;根据所述分析报告对配电网设备进行调度。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所诉处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的一种基于数据驱动的配电网自愈能力分析方法。
10.一种存储介质,其特征在于,所述存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至7中任意一项所述的一种基于数据驱动的配电网自愈能力分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311699719.4A CN117955084A (zh) | 2023-12-11 | 2023-12-11 | 一种基于数据驱动的配电网自愈能力分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311699719.4A CN117955084A (zh) | 2023-12-11 | 2023-12-11 | 一种基于数据驱动的配电网自愈能力分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117955084A true CN117955084A (zh) | 2024-04-30 |
Family
ID=90800713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311699719.4A Pending CN117955084A (zh) | 2023-12-11 | 2023-12-11 | 一种基于数据驱动的配电网自愈能力分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117955084A (zh) |
-
2023
- 2023-12-11 CN CN202311699719.4A patent/CN117955084A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3809592A1 (en) | Methods and systems for fault detection, diagnosis and localization in solar panel network | |
CN117674140B (zh) | 一种配电网测控系统及方法 | |
RU2012155276A (ru) | Обнаружение и анализ злоумышленной атаки | |
Nakhodchi et al. | Steeleye: An application-layer attack detection and attribution model in industrial control systems using semi-deep learning | |
CN110891283A (zh) | 一种基于边缘计算模型的小基站监控装置及方法 | |
CN112415331B (zh) | 基于多源故障信息的电网二次系统故障诊断方法 | |
CN110264116A (zh) | 一种基于关系探索与回归树的电力系统动态安全评估方法 | |
CN115237717A (zh) | 一种微服务异常检测方法和系统 | |
US12039045B2 (en) | Event analysis in an electric power system | |
CN112559237A (zh) | 运维系统排障方法、装置、服务器和存储介质 | |
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 | |
CN117526344A (zh) | 一种配电网无功电压控制优化方法及系统 | |
Pournabi et al. | Power system transient security assessment based on deep learning considering partial observability | |
Qiu et al. | Anomaly detection for power consumption patterns in electricity early warning system | |
CN118313812A (zh) | 一种基于机器学习的电力大数据采集处理方法 | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
Swarup et al. | Neural network approach to contingency screening and ranking in power systems | |
CN117955084A (zh) | 一种基于数据驱动的配电网自愈能力分析方法及装置 | |
CN115115131A (zh) | 基于迁移学习的多中心电力系统故障预测方法及系统 | |
CN113204280B (zh) | 一种诊断电源故障的方法、系统、设备及介质 | |
CN109359810A (zh) | 一种基于多策略均衡的电力通信传输网运行状态评估方法 | |
CN108335044A (zh) | 一种输变电设备状态评价方法 | |
CN114676021A (zh) | 作业日志监控方法、装置、计算机设备和存储介质 | |
Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
CN114444886A (zh) | 基于解析法的台风灾害下配电网受损概率评估方法 |
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 |