CN118013675A - 基于层次化压缩的配电网全景拓扑模型构建方法及系统 - Google Patents
基于层次化压缩的配电网全景拓扑模型构建方法及系统 Download PDFInfo
- Publication number
- CN118013675A CN118013675A CN202410424142.4A CN202410424142A CN118013675A CN 118013675 A CN118013675 A CN 118013675A CN 202410424142 A CN202410424142 A CN 202410424142A CN 118013675 A CN118013675 A CN 118013675A
- Authority
- CN
- China
- Prior art keywords
- model
- distribution network
- determining
- power distribution
- panoramic
- 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 169
- 238000007906 compression Methods 0.000 title claims abstract description 119
- 230000006835 compression Effects 0.000 title claims abstract description 115
- 238000010276 construction Methods 0.000 title claims abstract description 45
- 239000010410 layer Substances 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000006855 networking Effects 0.000 claims abstract description 28
- 238000013507 mapping Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 239000011229 interlayer Substances 0.000 claims abstract description 13
- 238000009792 diffusion process Methods 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000009133 cooperative interaction Effects 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000008521 reorganization Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 15
- 238000003860 storage Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 24
- 239000000306 component Substances 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 20
- 238000007726 management method Methods 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 235000019580 granularity Nutrition 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 108020001568 subdomains Proteins 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011981 development test Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于层次化压缩的配电网全景拓扑模型构建方法及系统,属于配电网领域,其中方法包括:确定分割准则,对全域配电网进行分割,确定分域电网;交互构建源数据,进行分域模型构建;对分域模型进行组网拼接,并基于功能系统协同关联,确定初始化模型;确定轻量化标准,结合层次压缩模块,对初始化模型进行层级压缩处理,确定多层轻量化模型;对初始化模型与多层轻量化模型进行层间映射,生成全景拓扑模型。本申请解决了现有配电网全景拓扑模型构建方法由于涉及海量数据而导致计算效率低下、存储压力大的技术问题,达到了通过分域建模和层级压缩等手段,降低建模复杂度,从而减小存储空间、提高计算效率的技术效果。
Description
技术领域
本发明涉及配电网领域,具体涉及基于层次化压缩的配电网全景拓扑模型构建方法及系统。
背景技术
配电网是电力系统的重要组成部分,是将大容量电能分配给低压用户的桥梁,对于保障供电可靠性和提高能源利用效率具有重要作用。随着电网智能化建设的不断深入,构建覆盖全域的配电网全景拓扑模型以支撑智能分析决策,成为配电网建设和运维的迫切需求。现有技术中,通常采用直接对全网进行统一建模的方式构建全景拓扑模型,然而,由于配电网拓扑结构复杂,涉及海量元件和运行状态数据,统一建模的方式将导致配电网全景拓扑模型的计算效率低下、存储压力大的技术问题。
发明内容
本申请通过提供了基于层次化压缩的配电网全景拓扑模型构建方法及系统,旨在解决现有配电网全景拓扑模型构建方法由于涉及海量数据而导致计算效率低下、存储压力大的技术问题。
鉴于上述问题,本申请提供了基于层次化压缩的配电网全景拓扑模型构建方法及系统。
本申请公开的第一个方面,提供了基于层次化压缩的配电网全景拓扑模型构建方法,该方法包括:基于业务特点与组网模式确定分割准则,对全域配电网进行分割,确定分域电网;交互全域配电网的构建源数据,针对分域电网,进行基于硬件结构与动态运控结构的分域模型构建,其中,构建源数据为预处理后的上传数据;对分域模型进行组网拼接,并基于分域组网的协同交互的功能系统协同关联,确定初始化模型;确定轻量化标准,结合层次压缩模块,对初始化模型进行层级压缩处理,确定多层轻量化模型,其中,层次压缩模块包括轻量化处理单元与扩散补偿单元,轻量化标准基于至少一层压缩步幅设定;对初始化模型与多层轻量化模型进行层间映射,生成全景拓扑模型。
本申请公开的另一个方面,提供了基于层次化压缩的配电网全景拓扑模型构建系统,该系统包括:配电网分割组件,用于基于业务特点与组网模式确定分割准则,对全域配电网进行分割,确定分域电网;分域模型构建组件,用于交互全域配电网的构建源数据,针对分域电网,进行基于硬件结构与动态运控结构的分域模型构建,其中,构建源数据为预处理后的上传数据;初始化模型组件,用于对分域模型进行组网拼接,并基于分域组网的协同交互的功能系统协同关联,确定初始化模型;层级压缩处理组件,用于确定轻量化标准,结合层次压缩模块,对初始化模型进行层级压缩处理,确定多层轻量化模型,其中,层次压缩模块包括轻量化处理单元与扩散补偿单元,轻量化标准基于至少一层压缩步幅设定;全景拓扑模型组件,用于对初始化模型与多层轻量化模型进行层间映射,生成全景拓扑模型。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了基于业务特点与组网模式确定分割准则,对全域配电网进行分割,确定分域电网,减小了单域建模的复杂度;交互全域配电网的构建源数据,针对分域电网,进行基于硬件结构与动态运控结构的分域模型构建,避免了全网一次建模的计算压力;对分域模型进行组网拼接,确定初始化模型,将分域模型拼接并协同关联,得到初始全景模型;确定轻量化标准,结合层次压缩模块对初始化模型进行层级压缩处理,确定多层轻量化模型,实现按压缩标准分层压缩模型;其中,层次压缩模块包括轻量化处理单元与扩散补偿单元,轻量化处理单元完成实际压缩,扩散补偿单元保证分域间关联性;对初始化模型与多层轻量化模型进行层间映射,生成全景拓扑模型,得到完整的分层的全景拓扑模型的技术方案,解决了现有配电网全景拓扑模型构建方法由于涉及海量数据而导致计算效率低下、存储压力大的技术问题,达到了通过分域建模和层级压缩等手段,降低建模复杂度,从而减小存储空间、提高计算效率的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了基于层次化压缩的配电网全景拓扑模型构建方法的一种流程示意图;
图2为本申请实施例提供了基于层次化压缩的配电网全景拓扑模型构建方法中确定分域电网的一种流程示意图;
图3为本申请实施例提供了基于层次化压缩的配电网全景拓扑模型构建系统的一种结构示意图。
附图标记说明:配电网分割组件11,分域模型构建组件12,初始化模型组件13,层级压缩处理组件14,全景拓扑模型组件15。
具体实施方式
本申请提供的技术方案总体思路如下:
本申请实施例提供了基于层次化压缩的配电网全景拓扑模型构建方法及系统。首先,根据业务特点和组网模式,将全域配电网分割为若干分域电网。然后,针对每个分域电网,分别基于其硬件结构和动态运行控制结构构建分域模型。接着,将分域模型按照它们协同交互的功能系统进行组网拼接,得到配电网的初始化模型。再次,确定轻量化标准,利用层次压缩模块对初始化模型实施分层压缩处理,生成多层轻量化模型,其中层次压缩模块包括轻量化处理单元和扩散补偿单元,可按照预设的压缩步幅完成压缩。最后,对初始化模型和多层轻量化模型进行层间映射关联,形成配电网最终的全景拓扑模型。
通过先分域建模、再组网压缩、多模型映射的总体思路,本申请规避了对全网一次性建模的计算瓶颈,利用分层压缩降低了数据存储压力,同时还保证了分域模型间的协同优化,从而实现了降低建模复杂度、减少存储开销、提高计算效率的目标,为配电网高效精细化运维提供了支撑。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了基于层次化压缩的配电网全景拓扑模型构建方法,该方法包括:
基于业务特点与组网模式确定分割准则,对全域配电网进行分割,确定分域电网;
进一步的,如图2所示,本步骤包括:
确定基于业务特点与运管模式的区别阈值,作为第一分割准则,以主站与终端为第二分割准则;
基于所述第一分割准则,对所述全域配电网进行一步分割,确定一层分割电网;
基于所述第二分割准则,对所述一层分割电网进行二步标识,确定所述分域电网,各分域电网之间具有运管独立性与工况协同性。
在本申请实施例中,业务特点是指配电网在供电业务、营销业务等各项业务领域中的组织特征和运行机制;运管模式是指配电网在电网运行管理的架构模式,例如集中式或分布式等。通过分析不同区域的业务特点和运管模式差异,由专家组设定区别阈值作为第一分割准则。同时,以主站与终端作为第二分割准则,其中主站是指配电网的主控制中心,终端是指最小应用单元。
然后,将全域配电网按区域进行划分,计算任意两个区域在业务特点和运管模式方面的差异数值,当差异数值超过预设的区别阈值时,则将这两个区域分隔为不同的分割单元,得到较大粒度的分割电网,作为一层分割电网,将相近的业务特点与运管模式的若干区域合并为一个分割单元,形成较粗粒度的分割结构。
接着,在一层分割电网的基础上,利用主站终端作为参照,对每个一层分割单元内部进行二步标识,将该分割单元按主站进行划分,每个主站及其所辖范围内的终端作为一个独立的分域电网。以某一主站为例,该主站下属有多个终端,如用户端的智能电表、环境监测终端等,则该主站及其所有终端被标识为一个分域电网。通过以上分割过程,可最终确定多个分域电网。其中,每个分域电网内部由一个主站和多个终端组成,负责本分域内的电网管理和用能服务。不同分域电网之间相对独立,具有一定的运管独立性,即各自实现本域的电网运行控制和管理;但分域电网之间也存在工况协同性,即它们在电能供给、负荷转移等方面存在相互协作和影响。
通过利用业务特点、运管模式和主站终端两个层次的分割准则,对全域配电网进行分割,确定了多个分域电网,避免对整个复杂全域配电网进行一次性建模,降低计算复杂度。
交互所述全域配电网的构建源数据,针对所述分域电网,进行基于硬件结构与动态运控结构的分域模型构建,其中,所述构建源数据为预处理后的上传数据;
进一步的,交互所述全域配电网的构建源数据,包括:
确定主数据模态,对所述上传数据进行模态转换处理,确定同模态源数据;
对所述同模态源数据进行数据重叠识别与规整,确定全域源数据;
对所述全域源数据进行数据异常识别与校准补偿,确定所述构建源数据。
在一种可行的实施方式中,首先,根据配电网的实际应用场景和需求,确定配电网数据采集和模型构建中的主导数据模态类型,作为主数据模态,本申请实施例选择结构化数据模态作为主数据模态,即数据以行列等表格或列表格式呈现,便于存储和计算处理。然后,获取从配电网各环节采集获得的原始上传数据。原始上传数据的数据模态形式可能包括结构化数据,如表格数据,非结构化数据,如图像、视频、语音等多媒体数据等。接着,对于与主数据模态不一致的数据,进行模态转换处理,例如,使用视觉识别技术将图像数据转换为结构化数字数据;使用语音识别技术将语音数据转换为结构化文本数据;对视频数据,可先分解为图像序列,再转换为结构化数据等,从而将上传数据中所有与主数据模态不一致的数据转换为与主数据模态一致的结构化数据,得到同模态源数据,消除不同数据模态间的差异,为后续的数据规整、异常处理和模型构建奠定基础,提高数据的可处理性和计算效率。
由于同模态源数据来自配电网各个采集点,不同采集点可能存在对相同元件或状态的重复采集,导致数据存在重叠的情况,因此需要识别出重叠数据。基于数据来源信息(如采集点ID)以及数据对应的元件信息(如元件ID)等,对同模态源数据进行比对,当检测到多个数据具有相同的元件信息且来源不同时,即判定为重叠数据。在识别出重叠数据后,进一步进行数据规整处理,即保留其中一条数据,其余重复数据剔除,从而得到无重复的规整数据集合,该规整数据集合即为全域源数据。该全域源数据覆盖整个全域配电网范围,并经过模态转换和重叠规整处理,具有统一格式和无重复数据,为确定构建源数据提供数据基础。
由于数据采集过程中可能受到各种干扰和故障的影响,得到的全域源数据中也会存在一定的异常值数据,需要对其进行处理。首先,对全域源数据进行异常值识别,例如,基于统计方式设定数据值的正常区间范围,任何超出该范围的数据均视为异常值;或者基于数据密度聚类等算法,将偏离主要数据分布的值识别为异常值。其次,对识别出的异常值进行校准补偿处理,例如,使用小波分析等信号处理算法对异常值进行重构修复;或者基于异常值的上下文信息,使用插值、均值等算法对异常值进行估计补偿等。通过异常识别与校准补偿处理,将全域源数据中的异常值数据进行了修复,从而得到构建源数据,形成预处理后的上传数据。该构建源数据是覆盖全域配电网、无重复、无异常的高质量数据集合,确保了后续模型构建的数据质量,避免了由于异常数据带来的误差和偏差,使得构建的模型具有更高的准确性和可靠性。
得到构建源数据后,对于确定的每个分域电网,首先,获取该分域电网的硬件结构信息,包括分域电网内的各硬件设备,如变电站、电缆线路、配电箱、用户端智能电表等的基本参数和拓扑连接关系。其次,获取该分域电网的动态运控结构信息,即分域电网内的实时运行控制体系,包括监控系统、自动化系统、调度管理系统等,以及各系统之间的信息交互和控制流程。然后,对该分域电网,先根据硬件结构信息,建立分域电网的物理拓扑模型,再根据动态运控结构信息,建立运控系统及其控制策略,得到运控模型,再将物理拓扑模型与运控模型融合,构建出该分域电网的分域模型。所构建的分域模型不仅包含了分域电网的硬件元件和物理连接关系,还包含了动态运控系统及其运行机制,是对分域电网全貌的数字化描述,从而体现每个分域电网的独立性和特征,为后续分域模型的组网拼接奠定基础。
对所述分域模型进行组网拼接,并基于分域组网的协同交互的功能系统协同关联,确定初始化模型;
在本申请实施例中,由于各分域电网在实际运行中并非完全独立,分域电网之间存在着协同工作和交互影响的关系。因此,在获取各分域电网的分域模型后,将分散的分域模型进行组网拼接,将各分域电网的协同关系实现数字化描述,以形成对全域配电网的完整模拟。
首先,先分析各分域电网之间在供电、负荷转移、故障隔离等方面的协同交互机制,这些协同交互机制体现在各分域电网内的功能系统之间,如供电调度系统、电能计量系统等。然后,基于分析结果,对各分域模型中对应的功能系统模块进行关联,例如,某分域电网A的供电调度模块与相邻分域电网B的供电调度模块之间建立关联,用于模拟两个分域在故障时的协同供电行为。通过以上组网拼接和功能系统关联,将原本独立的分域模型进行了组网拼接,形成全域配电网范围内的初始化模型。该初始化模型充分考虑了全域配电网中各分域电网间的协同关系,能够整体反映全域配电网的实际运行状态和控制策略,为后续的压缩和优化处理奠定了基础。
确定轻量化标准,结合层次压缩模块,对所述初始化模型进行层级压缩处理,确定多层轻量化模型,其中,所述层次压缩模块包括轻量化处理单元与扩散补偿单元,所述轻量化标准基于至少一层压缩步幅设定;
进一步的,对所述初始化模型进行层级压缩处理,确定多层轻量化模型,包括:
基于构建需求,确定层次量级,作为所述轻量化标准,其中,各层次的轻量化标准的压缩步幅成递增状态;
识别基于所述轻量化标准的第一标准,所述第一标准为最小压缩步幅;
基于所述层次压缩模块,结合所述第一标准,对所述初始化模型进行轻量化处理与全景拼接补偿,确定一层轻量化模型。
进一步的,对所述初始化模型进行轻量化处理与全景拼接补偿,确定一层轻量化模型,包括:
基于所述轻量化处理单元,对所述初始化模型进行特征降维与体系挖掘,确定一步压缩结果;
将所述一步压缩结果流转至所述扩散补偿单元中,进行局域异常定位与扩散补偿处理,生成所述一层轻量化模型。
在一种优选的实施方式中,首先,分析确定全景拓扑模型的预期应用场景和具体应用功能,作为构建需求,其中,不同的应用场景和应用功能对模型的描述粒度和精细程度有不同的要求,例如,如果全景拓扑模型应用于配电网的日常运维管理,则需要具有较高的细节描述能力;如果全景拓扑模型应用于能源统计分析,则可适当降低模型描述的精细程度,以减小数据量。然后,根据构建需求,确定所需生成的轻量化模型的层次量级,即需要压缩生成几层轻量化模型。其中,层次量级越多,则轻量化模型的描述粒度就越细化,满足更多样化的应用需求,但同时也会增加压缩处理的复杂度。在确定了层次量级后,针对每一层次,设定对应的轻量化标准,作为对模型的不同组成部分设置的压缩程度,其中,各层次的轻量化标准的压缩步幅成递增状态,即上层轻量化模型的压缩程度小于下层模型,从而实现了逐层加深的压缩效果。然后,根据所确定的轻量化标准,按照各层次轻量化标准的压缩步幅的大小,由小到大对压缩步幅进行排序,识别出压缩步幅最小的轻量化标准,即轻量化模型最顶层的压缩标准,将该标准作为第一标准。该第一标准下对模型的压缩程度最小,即保留的模型信息最多,其描述的细节将最接近于初始化模型。
层次压缩模块是用于对初始化模型进行分层压缩处理的功能模块,包含了轻量化处理单元和扩散补偿单元。其中,轻量化处理单元负责根据选定的轻量化标准,对初始化模型进行压缩处理,得到压缩结果;扩散补偿单元是对压缩结果中的局部异常进行识别、定位,再根据异常区域的上下文信息,使用插值、重构等算法进行扩散补偿,保证压缩结果的完整性和连续性,避免压缩导致的模型失真。层次压缩模块通过轻量化处理和扩散补偿两个环节的有机结合,可按照确定的轻量化标准,对初始化模型实现分层压缩,生成描述粒度不同的多层轻量化模型,同时还能保证压缩结果的质量。
在确定第一标准后,利用层次压缩模块中的轻量化处理单元,根据第一标准对初始化模型进行压缩处理。首先,对初始化模型中的元素特征进行降维操作,将高维特征映射到低维空间,从而实现模型压缩;同时,对初始化模型的内在拓扑结构和系统层次进行挖掘分析,提取出主干特征,剔除非主干特征,达到压缩的目的。通过特征降维与体系挖掘,在满足第一标准的前提下,尽可能压缩初始化模型,得到一步压缩结果。
由于在对初始化模型进行压缩处理的过程中,可能会引入一些局部异常,如拓扑连接断裂、状态失真等,需要对所得到的一步压缩结果进行进一步的扩散补偿。首先,将得到的一步压缩结果输入到层次压缩模块的扩散补偿单元中。然后,利用扩散补偿单元的局域异常定位算法,对一步压缩结果进行遍历和分析,识别并定位存在的局部异常区域,例如,基于拓扑连通性判断,当发现某区域拓扑连接被压缩断裂时,即判定为局部异常区域;基于状态值分布的分析,当发现某区域状态值分布出现异常时,即判定该区域为异常。在完成局部异常区域的定位后,扩散补偿单元将对这些异常区域进行补偿处理,例如,利用局部异常区域周围正常点的上下文信息,使用插值算法对异常区域进行修复;根据局部异常区域周边的正常结构,使用模型重构算法对局部异常区域的模型描述进行推断和扩散生成。经过局域异常定位与扩散补偿处理,一步压缩结果中存在的异常区域得到了修复和补偿,整体压缩结果的完整性和连续性得到了保证,从而生成了基于第一标准对应的一层轻量化模型。之后,继续由小到大遍历其余各层次轻量化标准的压缩步幅,确定对应的轻量化标准,依次作为第二标准、第三标准等,并按照基于第一标准生成对应的一层轻量化模型的方式,依次获取第二标准生成对应的二层轻量化模型,第三标准生成对应的三层轻量化模型等,从而得到多层轻量化模型。
对所述初始化模型与所述多层轻量化模型进行层间映射,生成全景拓扑模型。
在本申请实施例中,初始化模型是对全域配电网的完整详细描述,包含了全部硬件元件、运控系统及其协同交互机制等,而多层轻量化模型则是在初始化模型的基础上,按照一定轻量化标准进行分层压缩处理所得,描述的信息粒度逐层降低。
在获取初始化模型与多层轻量化模型后,通过层间映射技术,将初始化模型与各层轻量化模型建立层级关联,使不同层级模型之间数据和结构保持一致,实现模型间的无缝切换。具体的,首先,在初始化模型中确定一系列关键元件和节点,作为映射基准点。然后,根据这些映射基准点,在各层轻量化模型中的投影和映射关系,建立起初始化模型和轻量化模型之间的层级对应关系,实现层间映射。
通过对初始化模型与多层轻量化模型进行层间映射处理,使初始化模型和多层轻量化模型之间实现了层级映射和数据关联,共同构成了覆盖全域范围、具有分层描述能力的配电网全景拓扑模型。该全景拓扑模型不仅包含全域配电网的全貌描述,还具备不同层级的轻量化表达,可支持多种粒度和需求的应用场景;同时,由于层间映射,可实现不同层级模型间的无缝切换和数据传递,提高了模型的使用效率。
进一步的,本申请实施例还包括:
基于所述全域配电网的运控机制,确定配电网价值链,所述配电网价值链标识有配电网功能特征;
基于所述配电网功能特征,对所述全景拓扑模型进行基于数据驱动的拟真校验,确定模型价值链;
校对所述配电网价值链与所述模型价值链,定位满足预设差别等级的偏离建模点,对所述全景拓扑模型进行补偿校准。
在一种可行的实施方式中,针对建模完成后的全景拓扑模型,引入基于配电网实际运行数据的模型验证和优化机制。
首先,通过配电网的监控系统、智能电表、电力物联网设备等多种渠道,实时采集配电网的电压、电流、功率、功率因数等运行参数,以及开关状态、设备健康指标、故障告警信息等运维数据,这些运行数据全面反映了配电网的实时运行状态。其次,基于运行数据,分析配电网中供电线路的拓扑结构、导线的电气参数、变压器的型号和分布式电源的接入位置等,形成反映配电网物理结构的静态模型,描述电能在配电网中的传输和分配路径;分析负荷的时空分布特性、用电曲线的变化规律、电压调控的控制策略、故障隔离与恢复供电的调度方式等,形成反映配电网实时运行状态的动态模型,描述配电网在实际运行中的调控方式和应变能力。然后,综合静态模型和动态模型,从供电可靠性、电能质量、网损水平、设备利用率等多个维度,定义一系列量化指标,从不同侧面反映了配电网的运行性能和服务水平,作为配电网功能特征。接着,根据各指标之间的逻辑关系和因果依赖,将它们连接成一个有向图或树状结构,形成配电网价值链。
接着,提前收集一定时间范围内的配电网运行数据,包括各线路的功率流、节点电压、设备状态等,覆盖配电网的不同运行工况和典型场景,作为测试运行数据。然后,将测试运行数据输入全景拓扑模型,开展仿真试验,在试验中,全景拓扑模型基于输入的测试运行数据模拟配电网的运行过程,并生成相应的仿真结果。之后,将仿真结果与真实运行数据进行全面比对,计算两组数据在不同时间尺度、不同测点位置上的误差和偏差,评估全景拓扑模型在电压、电流、功率等关键参数上的预测精度,并分析模型在反映配电网拓扑结构、设备状态、故障情景等方面的逼真程度,从而全面评估全景拓扑模型的拟真性能,实现拟真校验。随后,在此基础上,进一步提炼出衡量模型性能的关键指标,如节点电压误差率、线路功率偏差率、设备状态准确率等,形成反映全景拓扑模型整体性能的模型价值链。
然后,将得到的配电网价值链和得到的模型价值链进行对齐比对,计算两条价值链在各个关键指标上的差值或偏离程度,从而全面评估全景拓扑模型在反映配电网实际特性方面的偏差。在比对过程中,预先设定一系列差别等级,用于划分模型偏差的严重程度。例如,根据指标偏离的相对百分比,将差别等级划分为轻微级、中等级、严重级等,不同的差别等级对应了不同的模型优化强度和策略。通过对两条价值链逐项比对,找出模型在各个方面的偏离程度,并根据预设的差别等级进行分类。其中,偏离程度满足预设差别等级的指标点,被标识为偏离建模点,为全景拓扑模型在反映配电网实际特性方面的短板,是后续模型补偿校准的重点。在识别出所有的偏离建模点后,针对每个点进行专项分析,找出导致模型偏差的原因,包括模型参数设置不当、边界条件定义不准、物理机理描述不完善等。随后,根据偏差产生的具体原因,制定相应的模型补偿策略,包括但不限于调整模型参数、修正边界条件、引入新的物理机理、优化求解算法等,从而有针对性地提高模型在偏离建模点上的拟合精度,从而改善全景拓扑模型的整体拟真性能,实现对全景拓扑模型的补偿校准。在完成所有偏离建模点的补偿校准后,重新对全景拓扑模型进行基于数据驱动的拟真校验,对优化后的模型进行拟真校验,并生成新的模型价值链,再通过比对新的模型价值链和配电网价值链标识,评估模型补偿的效果和改进程度,判断是否还存在偏离建模点,对存在的偏离建模点再次进行补偿校准。其中,模型补偿校准是一个渐进的过程,可能需要多次迭代才能达到理想的效果,在每一次迭代中,都要对全景拓扑模型进行基于数据驱动的拟真校验,不断识别新的偏离建模点,并进行针对性的补偿优化,随着迭代次数的增加,全景拓扑模型将越来越接近配电网的真实运行状态,从而提高全景拓扑模型的准确性和可靠性,使其能够更好地指导配电网的规划、运行和管理。
进一步的,本申请实施例还包括:
监测所述全域配电网的运控变量,生成模型更新指令,其中,所述运控变量包括实体变量、终端新需求或者源于技术突破的利益增值中至少一项;
识别基于所述运控变量的变量特征与变量幅度,确定模型更新方式,所述更新方式包含传统拓扑架构扩展、拓扑架构升级、拓扑架构重组;
基于所述模型更新指令与所述模型更新方式,对所述全景拓扑模型进行更新。
在一种可行的实施方式中,在实际应用中,配电网的运行状态和环境条件往往是动态变化的,为了使全景拓扑模型能够持续反映配电网的真实特性,需要对全景拓扑模型进行实时更新。
首先,确定反映全域配电网的运控变量,该运控变量至少包括实体变量、终端新需求或者源于技术突破的利益增值。其中,实体变量反映配电网物理结构和设备状态的变化,如新增或拆除线路、更换或维修设备等;终端新需求反映配电网用户侧的新需求或行为模式变化,如负荷特性改变、分布式电源接入等;技术突破带来的利益增值反映配电网运行和管理技术的革新,如新的控制算法、通信协议、数据分析模型等,这些技术突破可以为配电网带来显著的效益提升。对于不同类型的运控变量,需采用不同的监测手段,例如,对于实体变量,通过定期巡检、设备诊断等方式获取变化信息;对于终端新需求,通过用户调研、负荷预测等方式掌握需求动向;对于技术突破带来的利益增值,通过技术评估、效益测算等方式评价其对全域配电网的影响。在获取各类运控变量的变化信息后,进一步分析这些变化对全域配电网实际特性和发展需求的影响,以判断是否需要更新全景拓扑模型,其中,影响分析包括两方面,一是变化的显著性,即变化程度是否足以改变配电网的整体特性或运行模式,二是变化的持续性,即变化是暂时的还是长期的。当检测到显著且持续的运控变量变化时,说明全域配电网的实际状态已经发生了重要改变,原有的全景拓扑模型已无法继续准确反映配电网的特点。此时,生成模型更新指令,启动模型更新流程。
随后,对模型更新指令中涉及的各个运控变量进行详细分析,识别其变量特征与变量幅度,该变量特征反映变量变化的性质和规律,如变化的方向性、周期性、关联性等,变量幅度则反映变化的量级和显著程度,用绝对值或相对比例来衡量。对于实体变量,分析其变化对配电网拓扑结构和设备参数的影响,例如,新增一条线路会改变网络的连通性和潮流分布;更换一台变压器会影响该区域的电压水平和供电能力。对于终端新需求,分析其变化对配电网负荷特性和运行模式的影响,例如,大量电动汽车的接入会显著改变负荷曲线和峰谷差;工业用户的需求响应会参与配电网的实时调度。对于技术突破带来的利益增值,分析其变化对配电网运行效率和管理水平的影响,例如,新的故障定位算法会提高配电网的供电可靠性;先进的需求侧管理技术会优化配电网的能源利用效率。
在识别运控变量的变化特征和变化幅度后,进一步确定相应的模型更新方式,包括传统拓扑架构扩展、拓扑架构升级、拓扑架构重组。其中,传统拓扑架构扩展对应局部的、增量式的变化,如新增少量线路或设备,在保持原有模型不变的基础上,对模型的局部进行扩展和修改,以反映配电网拓扑结构的变化;拓扑架构升级对应整体性的、革命式的变化,如大规模的设备更新换代、全新的运行控制体系,原有的模型框架已难以完全适应,此时需要对模型的整体架构进行升级,以建立与配电网新特性相匹配的模型体系;拓扑架构重组对应根本性的、颠覆式的变化,如配电网的业务模式发生变革、能源生产与消费方式发生根本转变,原有的模型理念和方法可能完全失效,此时需从根本上重新组织模型的架构和内容,以适应配电网的全新形态。该模型更新方式需综合考虑运控变量变化的特征、幅度以及对配电网的影响程度。其中,变化幅度越大、影响范围越广、持续时间越长,就需要越高层次的模型更新方式。
之后,解析模型更新指令,提取出需要更新的运控变量类型、变化特征、变化幅度等信息,并将其转化为具体的模型修改操作,涉及模型参数的调整、模型结构的改变、模型算法的升级等多个方面。对于传统拓扑架构扩展的模型更新方式,在原有模型的基础上根据模型修改操作进行局部的添加、删除或修改操作。例如,当配电网新增一条线路时,在模型中添加相应的节点、分支以及电气参数;当某一台变压器升级换代时,修改模型中对应设备的型号、容量等属性参数。这些操作相对简单,通过自动化脚本等方式快速实现对全景拓扑模型的更新。对于拓扑架构升级的模型更新方式,在原有模型的基础上根据模型修改操作对模型的整体结构和内容进行系统性的调整和优化,涉及模型分层、模块划分、接口定义等方面的重构,以及模型算法、数据结构、仿真引擎等核心组件的升级换代。这种更新需进行专门的需求分析、架构设计和开发测试等工作,周期较长,以对全景拓扑模型实现更新。对于拓扑架构重组的更新方式,在原有模型的基础上根据模型修改操作,从概念模型、逻辑模型、物理模型等多个层面对模型进行全面的重塑和再造。这种更新伴随着配电网业务模式和技术体系的革命性变革,需重新定义模型的目标、范围、原则等基本要素,并在此基础上重构模型的整个架构和内容,实现对全景拓扑模型的更新,从而适应全域配电网发展的全新需求。
在对全景拓扑模型更新完成后,对更新后的模型进行全面的测试和验证,以评估其真实性、准确性、高效性等性能指标,通过全面的测试和验证,再更新后的全景拓扑模型才能正式投入使用。全景拓扑模型的更新是持续的过程,需与全域配电网的实际变化保持同步,在完成一次模型更新后,还需要继续监测运控变量的变化,并根据运控变量的变化需求启动新一轮的模型更新。通过循环迭代更新的方式,可使全景拓扑模型始终与全域配电网的实际运行状态保持一致,从而持续发挥其在配电网规划、运行和管理中的作用。
综上所述,本申请实施例所提供的基于层次化压缩的配电网全景拓扑模型构建方法具有如下技术效果:
1.降低了配电网全景拓扑模型构建的复杂度
通过将全域配电网按业务特点和网络拓扑分割为多个分域电网,避免了对整个全域配电网进行一次性建模,大幅降低了建模的计算复杂度。
2.减小了模型数据的存储空间
针对每个分域电网分别构建分域模型,并通过层次压缩模块对分域模型进行压缩处理,在保留必要信息的前提下,极大地压缩了模型数据量,减小了存储开销。
3.提高了模型构建的计算效率
通过分域建模和多层压缩,使得模型构建的计算量大为减少,模型映射关联避免了重复计算,因此总体上显著提升了配电网全景模型构建的计算效率。
4.实现了模型的分层表达和协同优化
全景拓扑模型包括初始化模型和多层轻量化模型,可支持不同层次的管理和应用需求;通过扩散补偿单元,保证了分域模型间的关联映射,形成具协同性的全景拓扑模型。
5.为电网智能化运维提供了技术支持
该配电网全景拓扑模型在降低复杂度、节省存储的同时,也保留了必要的系统拓扑和状态信息,可支持多层次的分析和智能决策,为配电网高效精细化运维提供了基础。
实施例二
基于与前述实施例中基于层次化压缩的配电网全景拓扑模型构建方法相同的发明构思,如图3所示,本申请实施例提供了基于层次化压缩的配电网全景拓扑模型构建系统,该系统包括:
配电网分割组件11,用于基于业务特点与组网模式确定分割准则,对全域配电网进行分割,确定分域电网;
分域模型构建组件12,用于交互所述全域配电网的构建源数据,针对所述分域电网,进行基于硬件结构与动态运控结构的分域模型构建,其中,所述构建源数据为预处理后的上传数据;
初始化模型组件13,用于对所述分域模型进行组网拼接,并基于分域组网的协同交互的功能系统协同关联,确定初始化模型;
层级压缩处理组件14,用于确定轻量化标准,结合层次压缩模块,对所述初始化模型进行层级压缩处理,确定多层轻量化模型,其中,所述层次压缩模块包括轻量化处理单元与扩散补偿单元,所述轻量化标准基于至少一层压缩步幅设定;
全景拓扑模型组件15,用于对所述初始化模型与所述多层轻量化模型进行层间映射,生成全景拓扑模型。
进一步的,配电网分割组件11包括以下执行步骤:
确定基于业务特点与运管模式的区别阈值,作为第一分割准则,以主站与终端为第二分割准则;
基于所述第一分割准则,对所述全域配电网进行一步分割,确定一层分割电网;
基于所述第二分割准则,对所述一层分割电网进行二步标识,确定所述分域电网,各分域电网之间具有运管独立性与工况协同性。
进一步的,分域模型构建组件12包括以下执行步骤:
确定主数据模态,对所述上传数据进行模态转换处理,确定同模态源数据;
对所述同模态源数据进行数据重叠识别与规整,确定全域源数据;
对所述全域源数据进行数据异常识别与校准补偿,确定所述构建源数据。
进一步的,层级压缩处理组件14包括以下执行步骤:
基于构建需求,确定层次量级,作为所述轻量化标准,其中,各层次的轻量化标准的压缩步幅成递增状态;
识别基于所述轻量化标准的第一标准,所述第一标准为最小压缩步幅;
基于所述层次压缩模块,结合所述第一标准,对所述初始化模型进行轻量化处理与全景拼接补偿,确定一层轻量化模型。
进一步的,层级压缩处理组件14还包括以下执行步骤:
基于所述轻量化处理单元,对所述初始化模型进行特征降维与体系挖掘,确定一步压缩结果;
将所述一步压缩结果流转至所述扩散补偿单元中,进行局域异常定位与扩散补偿处理,生成所述一层轻量化模型。
进一步的,本申请还包括拓扑模型补偿组件,该组件包括以下执行步骤:
基于所述全域配电网的运控机制,确定配电网价值链,所述配电网价值链标识有配电网功能特征;
基于所述配电网功能特征,对所述全景拓扑模型进行基于数据驱动的拟真校验,确定模型价值链;
校对所述配电网价值链与所述模型价值链,定位满足预设差别等级的偏离建模点,对所述全景拓扑模型进行补偿校准。
进一步的,本申请实施例还包括拓扑模型更新组件,该组件包括以下执行步骤:
监测所述全域配电网的运控变量,生成模型更新指令,其中,所述运控变量包括实体变量、终端新需求或者源于技术突破的利益增值中至少一项;
识别基于所述运控变量的变量特征与变量幅度,确定模型更新方式,所述更新方式包含传统拓扑架构扩展、拓扑架构升级、拓扑架构重组;
基于所述模型更新指令与所述模型更新方式,对所述全景拓扑模型进行更新。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.基于层次化压缩的配电网全景拓扑模型构建方法,其特征在于,所述方法还包括:
基于业务特点与组网模式确定分割准则,对全域配电网进行分割,确定分域电网;
交互所述全域配电网的构建源数据,针对所述分域电网,进行基于硬件结构与动态运控结构的分域模型构建,其中,所述构建源数据为预处理后的上传数据;
对所述分域模型进行组网拼接,并基于分域组网的协同交互的功能系统协同关联,确定初始化模型;
确定轻量化标准,结合层次压缩模块,对所述初始化模型进行层级压缩处理,确定多层轻量化模型,其中,所述层次压缩模块包括轻量化处理单元与扩散补偿单元,所述轻量化标准基于至少一层压缩步幅设定;
对所述初始化模型与所述多层轻量化模型进行层间映射,生成全景拓扑模型。
2.如权利要求1所述的方法,其特征在于,所述基于业务特点与组网模式确定分割准则,对全域配电网进行分割,所述方法还包括:
确定基于业务特点与运管模式的区别阈值,作为第一分割准则,以主站与终端为第二分割准则;
基于所述第一分割准则,对所述全域配电网进行一步分割,确定一层分割电网;
基于所述第二分割准则,对所述一层分割电网进行二步标识,确定所述分域电网,各分域电网之间具有运管独立性与工况协同性。
3.如权利要求1所述的方法,其特征在于,所述构建源数据为预处理后的上传数据,所述方法还包括:
确定主数据模态,对所述上传数据进行模态转换处理,确定同模态源数据;
对所述同模态源数据进行数据重叠识别与规整,确定全域源数据;
对所述全域源数据进行数据异常识别与校准补偿,确定所述构建源数据。
4.如权利要求1所述的方法,其特征在于,对所述初始化模型进行层级压缩处理,确定多层轻量化模型,所述方法还包括:
基于构建需求,确定层次量级,作为所述轻量化标准,其中,各层次的轻量化标准的压缩步幅成递增状态;
识别基于所述轻量化标准的第一标准,所述第一标准为最小压缩步幅;
基于所述层次压缩模块,结合所述第一标准,对所述初始化模型进行轻量化处理与全景拼接补偿,确定一层轻量化模型。
5.如权利要求4所述的方法,其特征在于,对所述初始化模型进行轻量化处理与全景拼接补偿,确定一层轻量化模型,所述方法还包括:
基于所述轻量化处理单元,对所述初始化模型进行特征降维与体系挖掘,确定一步压缩结果;
将所述一步压缩结果流转至所述扩散补偿单元中,进行局域异常定位与扩散补偿处理,生成所述一层轻量化模型。
6.如权利要求1所述的方法,其特征在于,所述生成全景拓扑模型之后,所述方法还包括:
基于所述全域配电网的运控机制,确定配电网价值链,所述配电网价值链标识有配电网功能特征;
基于所述配电网功能特征,对所述全景拓扑模型进行基于数据驱动的拟真校验,确定模型价值链;
校对所述配电网价值链与所述模型价值链,定位满足预设差别等级的偏离建模点,对所述全景拓扑模型进行补偿校准。
7.如权利要求6所述的方法,其特征在于,所述生成全景拓扑模型之后,所述方法还包括:
监测所述全域配电网的运控变量,生成模型更新指令,其中,所述运控变量包括实体变量、终端新需求或者源于技术突破的利益增值中至少一项;
识别基于所述运控变量的变量特征与变量幅度,确定模型更新方式,所述更新方式包含传统拓扑架构扩展、拓扑架构升级、拓扑架构重组;
基于所述模型更新指令与所述模型更新方式,对所述全景拓扑模型进行更新。
8.基于层次化压缩的配电网全景拓扑模型构建系统,其特征在于,用于实施权利要求1-7任意一项所述的基于层次化压缩的配电网全景拓扑模型构建方法,所述系统还包括:
配电网分割组件,所述配电网分割组件用于基于业务特点与组网模式确定分割准则,对全域配电网进行分割,确定分域电网;
分域模型构建组件,所述分域模型构建组件用于交互所述全域配电网的构建源数据,针对所述分域电网,进行基于硬件结构与动态运控结构的分域模型构建,其中,所述构建源数据为预处理后的上传数据;
初始化模型组件,所述初始化模型组件用于对所述分域模型进行组网拼接,并基于分域组网的协同交互的功能系统协同关联,确定初始化模型;
层级压缩处理组件,所述层级压缩处理组件用于确定轻量化标准,结合层次压缩模块,对所述初始化模型进行层级压缩处理,确定多层轻量化模型,其中,所述层次压缩模块包括轻量化处理单元与扩散补偿单元,所述轻量化标准基于至少一层压缩步幅设定;
全景拓扑模型组件,所述全景拓扑模型组件用于对所述初始化模型与所述多层轻量化模型进行层间映射,生成全景拓扑模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424142.4A CN118013675A (zh) | 2024-04-10 | 2024-04-10 | 基于层次化压缩的配电网全景拓扑模型构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410424142.4A CN118013675A (zh) | 2024-04-10 | 2024-04-10 | 基于层次化压缩的配电网全景拓扑模型构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118013675A true CN118013675A (zh) | 2024-05-10 |
Family
ID=90954211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410424142.4A Pending CN118013675A (zh) | 2024-04-10 | 2024-04-10 | 基于层次化压缩的配电网全景拓扑模型构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118013675A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794556A (zh) * | 2015-01-12 | 2015-07-22 | 中国南方电网有限责任公司 | 输电网视图模型的抽象与压缩方法 |
CN105022892A (zh) * | 2015-08-07 | 2015-11-04 | 国网重庆市电力公司南岸供电分公司 | 配电网模型分层抽象与压缩方法 |
CN110300018A (zh) * | 2019-05-30 | 2019-10-01 | 武汉大学 | 一种面向对象的电网信息物理系统层次化建模方法 |
CN116613746A (zh) * | 2023-06-02 | 2023-08-18 | 中国南方电网有限责任公司 | 一种基于os2的分布式电网建模模型 |
CN117118062A (zh) * | 2023-07-27 | 2023-11-24 | 国电南瑞科技股份有限公司 | 用于电力调度自动化的二次系统数据融合监视方法和系统 |
CN117609774A (zh) * | 2023-11-17 | 2024-02-27 | 贵州电网有限责任公司 | 一种基于配电网的三维场景点云数据提取与识别系统 |
-
2024
- 2024-04-10 CN CN202410424142.4A patent/CN118013675A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794556A (zh) * | 2015-01-12 | 2015-07-22 | 中国南方电网有限责任公司 | 输电网视图模型的抽象与压缩方法 |
CN105022892A (zh) * | 2015-08-07 | 2015-11-04 | 国网重庆市电力公司南岸供电分公司 | 配电网模型分层抽象与压缩方法 |
CN110300018A (zh) * | 2019-05-30 | 2019-10-01 | 武汉大学 | 一种面向对象的电网信息物理系统层次化建模方法 |
CN116613746A (zh) * | 2023-06-02 | 2023-08-18 | 中国南方电网有限责任公司 | 一种基于os2的分布式电网建模模型 |
CN117118062A (zh) * | 2023-07-27 | 2023-11-24 | 国电南瑞科技股份有限公司 | 用于电力调度自动化的二次系统数据融合监视方法和系统 |
CN117609774A (zh) * | 2023-11-17 | 2024-02-27 | 贵州电网有限责任公司 | 一种基于配电网的三维场景点云数据提取与识别系统 |
Non-Patent Citations (1)
Title |
---|
张晓华;刘道伟;李柏青;冯长有;: "智能全景系统概念及其在现代电网中的应用体系", 中国电机工程学报, no. 10, 20 May 2019 (2019-05-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A practical feeder planning model for urban distribution system | |
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN103872681A (zh) | 一种基于主配网一体化的在线实时合环方法 | |
Cemernek et al. | Big data as a promoter of industry 4.0: Lessons of the semiconductor industry | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN113705085B (zh) | 一种智能电网多层次结构建模及风险评估方法 | |
CN101499658A (zh) | 一种电力系统的网络拓扑分析方法 | |
CN111880044A (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN105893669A (zh) | 一种基于数据挖掘的全局仿真性能预测方法 | |
CN115423009A (zh) | 一种面向云边协同的电力设备故障识别方法及系统 | |
CN107220758A (zh) | 一种电网规划辅助系统 | |
CN114218763A (zh) | 一种基于数字孪生的产线动态虚拟重组方法 | |
CN110363334A (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN115526265A (zh) | 一种基于递进式学习结构的非侵入式负荷分解方法 | |
CN115877068A (zh) | 基于深度学习的区域电网的电压暂降传播轨迹识别方法 | |
CN118013675A (zh) | 基于层次化压缩的配电网全景拓扑模型构建方法及系统 | |
Chen et al. | Hierarchical distribution network topology formulation and dimensionality reduction using homeomorphism transformation | |
CN111857015B (zh) | 输变电云端智能控制器 | |
Sun et al. | Reliability prediction of distribution network based on PCA-GA-BP neural network | |
Ardebili et al. | Digital Twins bonds society with cyber-physical Energy Systems: a literature review | |
CN113793003A (zh) | 面向韧性提升的电力系统检修与运行协同决策方法 | |
Wang et al. | Data augmentation for intelligent manufacturing with generative adversarial framework | |
CN106777494B (zh) | 一种电力系统可靠性影响因素灵敏度计算方法 | |
CN111178763A (zh) | 一种企业能效数据管理方法和装置 | |
CN113965467B (zh) | 一种基于神经网络的电力通信系统可靠性评估方法及系统 |
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 |