CN112116305A - 一种用于机器学习的电网概率可视化模型构建方法和*** - Google Patents

一种用于机器学习的电网概率可视化模型构建方法和*** Download PDF

Info

Publication number
CN112116305A
CN112116305A CN202010555908.4A CN202010555908A CN112116305A CN 112116305 A CN112116305 A CN 112116305A CN 202010555908 A CN202010555908 A CN 202010555908A CN 112116305 A CN112116305 A CN 112116305A
Authority
CN
China
Prior art keywords
power grid
information
probability
node
machine learning
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
CN202010555908.4A
Other languages
English (en)
Inventor
郭中华
陈继林
王维熙
陈勇
刘首文
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Hubei Electric Power 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Hubei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010555908.4A priority Critical patent/CN112116305A/zh
Publication of CN112116305A publication Critical patent/CN112116305A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种用于机器学习的电网概率可视化模型构建方法和***，包括：根据机器学习目的，确定电网信息概率图的规模、深度、粒度和层级；基于规模、深度、粒度和层级，从物理电网中，抽取电网能源流动信息构建节点信息；从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，构建边信息；基于节点信息和边信息构建电网概率可视化模型。本发明根据电网能源流动信息和路径信息建立电网信息概率图，能够加速智能的数据处理和机器学习，窥探数据与机器学习的支持效能，验证数据和机器学习的规律发现的目的影响。

Description

一种用于机器学习的电网概率可视化模型构建方法和***
技术领域
本发明属于电网特征表示定义和提取技术领域，具体涉及一种用于机器学习的电网概率可视化模型构建方法和***。
背景技术
一直以来电网的物理意义明确，电力***的分析计算基于物理电网的数学模型。电网组成和结构复杂，其静态和动态数据特征庞大，基于仿真模型和各种算法的电力***分析计算，其计算数据特征维数大，其蕴含的物理意义和网络关系也十分复杂。
电网规划及运行管理的监控、计算、仿真分析应用以及相应***，在长时间行业服务中，产生了大量的业务相关的数据，从不同如RTU、监控调度、安稳分析和仿真计算等的角度，产生和掌握着电网的相当数量的信息，如电网配置运行数据、各种监测计算数据等，这些数据尚未被深度开发和研究利用。
计算机科学和人工智能在领域内应用，期望更有效利用大量的这些电网数据，以不同于传统仿真分析计算的方法，学习对电网运行管理方法，获取故障诊断预警、故障恢复智能方案，学习提取电网优化配置、规划等规则和知识以及建立电网规划运行方案评估方法等。
机器学习算法在领域应用的实践，以及机器学习的智能特性在领域内能够有效的应用，关键点是可以获得具有领域特点和特性的高品质的数据表示和数据集建立方法。而电网数据预处理相当困难，如数据采集提取以及数据有效性和品质保证。
发明内容
为克服上述现有技术的不足，本发明提出一种用于机器学习的电网概率可视化模型构建方法，其改进之处在于，包括：
根据机器学习目的，确定电网信息概率图的规模、深度、粒度和层级；
基于规模、深度、粒度和层级，从物理电网中，抽取电网能源流动信息构建节点信息；
从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，构建边信息；
基于节点信息和边信息构建电网概率可视化模型。
优选的，所述路径信息，包括：
电网中设置有能量流动信息传感器的观测点的能量流动信息值在电网中的连接关系和关联关系以及脱离电网环境约束的关联关系。
优选的，所述能量流信息包括：潮流、电压、电流和频率。
优选的，所述电网信息概率图中的节点包括：元点、中点、末点和不定点；
其中，元点包括发电点、供电点和电源；
末点包括耗电点和负荷；
中点包括设置的用于观察电网信息的观察点；
不定点包括元点、中点和末点中至少两种构成的复合点。
优选的，所述电网信息概率图中的边对应电网中的元件、连接和路网，所述边具有方向，所述边包括阻概率；
所述阻概率表示阻抗和损耗对流经所述阻概率所在边的能量流信息的影响权重。
优选的，所述节点的值通过到达所述节点的边的阻概率和所述边的起始点的值得到，或者在构建所述电网信息概率模型时，直接从所述节点对应的电网观测点提取。
优选的，所述电网信息概率图的规模根据电网规模设定；
所述电网信息概率图的深度根据研究需求设定，所述深度包括一级网络图和二级网络图；
所述电网信息概率图的粒度根据学习和研究目的设定，所述粒度包括选取的节点的数目；
所述电网信息概率图的层次根据电网信息设定，所述层次包括根据所述能量流信息划分的层次和根据电网的规模划分的层次；
其中，所述二级网络图表示一级网络图中节点间的电通路。
优选的，所述一级网络模型的构建包括：
根据所述能量流信息和电网拓扑确定一级网络模型的结构和节点值，并设置边的阻概率的值；
通过机器学习方法修正所述一级网络模型的结构、节点值和边的阻概率的值。
优选的，所述二级网络模型的构建包括：
根据电网观测点之间的路径构成元件确定所述二级网络模型的结构和边的阻概率的值；
通过机器学习方法修正所述二级网络模型结构和边的阻概率。
优选的，所述基于节点信息和边信息构建电网概率可视化模型之后，还包括：
对所述电网信息概率图中节点的值和边的权值，采用机器学习方法进行修正。
基于同一发明构思，本发明还提供了一种用于机器学习的电网概率可视化模型构建***，其改进之处在于，包括：初始化模块、节点信息模块、边信息模块和图形模块；
所述初始化模块，用于根据机器学习目的，确定电网信息概率图的规模、深度、粒度和层级；
所述节点信息模块，用于基于规模、深度、粒度和层级，从物理电网中，抽取电网能源流动信息构建节点信息；
所述边信息模块，用于从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，构建边信息；
所述图形模块，用于基于节点信息和边信息构建电网概率可视化模型。
优选的，用于机器学习的电网概率可视化模型构建***还包括修正模块；
所述修正模块，用于对所述电网信息概率图中节点的值和边的权值，采用机器学习方法进行修正。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提供了一种用于机器学习的电网概率可视化模型构建方法和***，包括：根据机器学习目的，确定电网信息概率图的规模、深度、粒度和层级；基于规模、深度、粒度和层级，从物理电网中，抽取电网能源流动信息构建节点信息；从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，构建边信息；基于节点信息和边信息构建电网概率可视化模型。本发明根据电网能源流动信息和路径信息建立电网信息概率图，能够加速智能的数据处理和机器学习，窥探数据与机器学习的支持效能，验证数据和机器学习的规律发现的目的影响。
附图说明
图1为本发明提供的一种用于机器学习的电网概率可视化模型构建方法流程示意图；
图2为本发明提供的电网信息概率图形图例；
图3为本发明提供的一个电网信息概率图示例；
图4为本发明提供的一个电网信息概率模型图形图例；
图5为本发明提供的一个电网信息概率模型图示例；
图6为本发明涉及的30节点电气图形；
图7为本发明涉及的30节点电气分割图形；
图8为本发明涉及的30节点电网信息概率图；
图9为本发明涉及的30节点电网信息概率模型图；
图10为本发明提供的一种用于机器学习的电网概率可视化模型构建***基本结构示意图；
图11为本发明提供的一种用于机器学习的电网概率可视化模型构建***详细结构示意图。
具体实施方式
本发明提供了一种用于机器学习的电网概率可视化模型构建方法和***。该方法和***用于基于机器学习的电网概率推测的分析方法，如电网运行管理方法、规则等获得、验证、修正和完善。
这种电网数据表示方法，可依据学习目的抽取相关的电网数据特征，简化学习数据复杂性；这种表示方法还可对复杂的电网数据的动态和静态特征分层表示和划区域抽取，简化数据表示但增加支持学习目的的电网物理意义的蕴含和灵活性。即根据电网数据模型和特征数据，设计提出电网信息的学习数据建立、提取、存储和使用方法。
本发明方法的意义在于，求索一种电网特征数据表示方法，以期可蕴含电网丰富的意义，通过智能的数据处理和机器学习解读出更多的数据含义和隐含的电网动态和静态规律。
下面结合附图对本发明的具体实施方式做进一步的详细说明。
本发明提供的一种用于机器学习的电网概率可视化模型构建方法流程示意图如图1所示，包括：
步骤1：根据机器学习目的，确定电网信息概率图的规模、深度、粒度和层级；
步骤2：基于规模、深度、粒度和层级，从物理电网中，抽取电网能源流动信息构建节点信息；
步骤3：从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，构建边信息；
步骤4：基于节点信息和边信息构建电网概率可视化模型。
具体的，本发明中的电网信息如潮流，是对电网特征观测的一种富含动态意义的数据。且潮流作为电网运行最基本的能流数据，可以作为进一步学习的基本数据。而电网信息在网络环境中的分布受到电网信息观测点之间、之间的电网环境影响。电网信息分布以及分布的影响因素的关系定义和描述，即是电网信息概率图；经过学习对电网信息概率图的完善成为可以直接预测和推测以及包含更丰富知识的电网信息概率模型。
本发明中的方法，可不限于对电网潮流等的表示，电网信息的观测量或推演量可以是电网动态或静态特性，或运行生成的观测或者待观测量。这样数据支持的电网运行知识规则的学习可拓展到电网分析、控制等不同的领域和范围。
以电网潮流计算信息作为示例电网信息，对本发明方法进行说明。
(一)基本原理
本发明的基本思想就是，依据电网的物理和仿真计算网络和专家知识以及机器学习算法，设计和构建支持电网信息的概率推理的数据表示模型和构建方法。是一种支持机器学习的电网数据表示定义和表示学习方法。
本发明的基本原理，就是以一种概率模型图对电网关联关系和特性的电网数据有效和简化的表示方法。电网数据非常复杂且数据规模异常大，而且还具有动态和静态特性并与连接关系、时间相关。电力***的数字化及信息化，已经将电网数据表示为比较固定的形式；在进行电网动态运行监控时，主要通过电力***的设备监视和物理计算，几乎所有的电力***分析都以电网潮流数据作为基础。
本发明主要包括利用电网的先验知识构造电网动态特性如潮流或电压电流等分布概率图所需的数据表示方法，以及基于概率推测方法的电网信息概率图的构造和构建方法。这种表示和构建方法，确保电网信息表示物理含义。
构建电网信息概率模型，数据和先验知识可基于目前的电力***运行控制、仿真分析计算，或应用***，这些数据作为电网数据表示的学习数据是高效益的。
电网信息包括动态和静态的；一般而言电网静态特性数据主要定义电网信息概率模型的影响关系，而电网的动态特性数据则主要定义电网信息概率模型中的观测点。
电网信息概率图，可分层级进行设计和定义。
如作为一级电网信息概率图，电网信息如电流等动态属性，一般只与观测点例如传统的电网计算的网络节点信息的运行的动态属性相关；针对观测点的影响因素，与观测点距离即观测点之间电网路径的复杂度相关，是对观测点影响的概率/权值表示。
作为二级电网信息概率图，则是一级图形中的观测节点之间的电通路，即各种电力电子元件等构成的子网的要素、关联关系以及其内再定义的观测数据以及影响的概率/权值表示。
在对电网的表示生成过程中，可划分为全网-格网，就是对电网信息的进行任意局部和整体的定义。格网或电网信息概率图中的语义，网络组成可为能量流动的环境及能源流动的通路和网路。
本质上这两级网络具有相同的构造表示方法和性质。只是在数据建设和提取方法上不同。一级网，从观测点提取数据，作为电网信息如潮流概率图的节点；电路径设计为电网信息分布权重值，可以通过学习获得或者数据智能处理后获得；二级网，从网络组合配置设计提取权值，其内信息如电流电压可以通过学习或智能处理获得。
另外，从特征量规模考虑，可以同级再划分网，即是一种对观测量的二次筛检与概率模型网络的再建。
即通过抽象电网的特征数据的概率图，然后利用概率图性质进行数据处理和学习，更容易和高性能获得对电网的研究、分析和运行指导方法和发现规律。
一.(1)电网特性抽取方法
电网的结构和组成，是不同物理元件按照不同的规则连接，表现出与连接方式、规则以及物理元件的物理属性相关的特征。电网动态特性则更复杂，表现为不同监测点的物理路径到达方式以及其需要监测的复杂的信息类。包括一般的物理元件的属性静态和动态，网络物理连接方式的监测信息影响等。
基于对传统电力***计算分析和仿真方法的理解，电网动态基本信息是电网潮流、电压、电流、频率等，这与做计算分析或监控***的监测点设置有关，这些信息都具有时序性以及与电网网络结构相关性。
在本发明方法中，定义为电网信息概率图，对电网数据的特征提取可定义为：P，V，I，F，即潮流、电压、电流、频率，作为一种电网信息概率的能量流的数据表示；而这些特征数据直接依赖到达路径的顺畅度的表示，一般可以认为是阻抗等的综合作用的数值影响表示，在本发明方法中，定义为阻概率Pr，阻概率Pr直接关联模型的权重影响。电网结构表现在观测点间能源流动的关联关系和影响定义中。
定义一种电网信息的概率图，即可从物理电网中，抽取电网能源流动信息，如潮流、电压、电流、频率等，构建电网概率图即电网概率可视化模型的节点信息；从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，即电网概率图的边信息。
定义一种电网信息的概率图，同时支持非直接物理连接观测量的设置。如从发电设置的观测点，非直接到用电负荷处的观测点设置，二者之间设置虚拟关联，其中网路经为虚拟网路经，但模型建立后的影响关系是实际的。
类似的，对于观测点之间的通路网，其特征提取和表示，主要在于电网的元器件和连接方式的抽取和定义，只是通路/网的特征概率图的信息不同。
可依次建立不同观测和观测影响的电网信息概率图。电网范围不限，物理网络数据可以以PSASP/BPA潮流计算中的网络关系、计算点信息进行提取为数据观测点提取作为参照。
一.(2)电网知识学习数据表示
与传统电网计算方式不同，机器学习算法对统计和概率习得对电网诸多规律判定、推断、导引等方法和规则。其学习方法对于领域知识的获得本质是对领域特征数据的智能的统计和概率分析。
基于电网构成及运行特征，构建一种类贝叶思网的电网数据概率模型，支持其在机器学习算法中的特性利用。
基于电网信息如潮流概率图数据支持的机器学习，就是通过推断源流数据流动性状以及不同网络路径影响程度，获得和发现电网信息中蕴涵的更多的和更智能的知识和规则。
电网信息概率图易于表述电网信息。图形化电网数据的表示，能很好携带电网结构和属性相关特性，也易于利用图形性质以及概率性质支持机器学习算法。
本发明方法设计的电网信息概率可视化模型，为机器学习提供好的学习数据，同时机器学习会改进数据表示的有效关系。
电网信息概率图，可以表示为G(N，E)，由点和边组成。点作为电网中的观测点具有某类监测信息；边为点间连通路网，路网又是由点和边交叉构成的，边的物理性质是观测点信息通过该路径可以获得/通过的权值。
边-是一种电网下的点的信息的关联和所属关系构成(Context)环境，可以是小到线路和单一元件大可到电网的子网或区域网；同时，支持虚拟设置关系。
点-是一种电网语义信息定义，可以是电网任意特征或组合信息。
如，电网潮流概率图设计为有向图模型，即类贝叶斯网络。如电网潮流分布点变量x1,x2,......xn，在图形中每个潮流变量只与其路径到达的一个变量或几个潮流变量有关；其到达路径作为边变量。那么，可以利用图形工具和数学方法，对电网数据处理和学习，可以习得：
Figure BDA0002544235940000071
完善电网的类贝叶斯网络定义和构建，并可表示包括随时间流动以及连接位置关系的空间可变信息影响和推理关系；
Figure BDA0002544235940000072
可以利用和获得精确推断或近似推断等推理和推断的方法；
Figure BDA0002544235940000073
利用概率模型图的参数和结构化的学习方法和在电网规划或问题假设等不确定条件下逆向推理决策等方法。
一.(3)电网信息如潮流概率图原理及方法特征
利用概率和图形两种工具，表示和建立电网信息，包括电网信息属性和电网结构。其方法特征便于电网知识表示以及实用机器学习方法。另一方面，构建的电网信息如潮流概率图模型方法也具有如下特征：
Figure BDA0002544235940000074
借助电网连接图的变形，表示电网信息和能源流分布，观测特征关联直观可视，便利有效表述相关性以及抽象主特征。
Figure BDA0002544235940000081
推演关系的概率模型图的可视化，方便用于设计和推导新的模型，发现新的特征规律规则等。如电网元件和结构对电网信息的分布影响的图形表示。图模型能够用来设计新的模型，对更细粒度的电网问题学习和求解。
Figure BDA0002544235940000082
关联关系的直观模型内部特性，包括电网信息的条件依赖和独立性，很容易从图形表示中获得。如隐含和抽象的电网元件关系影响表示、电网结构即拓扑因素表示。
Figure BDA0002544235940000083
复杂的电网结构的分层和划区抽象，生成简单的多层或区域数据模型，降解复杂推理问题。如电网中的复杂的计算，相关在能源与其信息流动的到达路径和时序；如潮流影响的概率上的复杂计算理解为图上的信息传递以及程度和方式的展示。
从另一个角度考虑，获取到的观测量包含主要的电网信息，并可以通过数据算法学习得到更多和更完善的信息；概率模型将电网信息以及相互之间约束关系进行了有效表示，其中运用到了概率理论对电网数据处理过程。
(二)电网概率图表示方法
二.(1)基本定义和表示
这些定义用于电网信息概率图，是对电网组成元部件在概率图中的一种表示类工程化和去属性的定义，其中去属性主要在量纲和精度数据方面。
能量流/电网信息流：是电网动态信息。如有功无功电流电压频率周波等，采取归一方法表示能量流。归一是指在数据精度上的处理。
阻概率：通过路径的通畅程度，表示其阻抗、损耗等对能量流的影响权重。
电网潮流概率图：关联表定义一种存储表示。
路网：从一个观测点到另一个观测点的路径，可以是不同元件配置组成的连接。
路(网)阻值：是电网静态信息。电网信息流动的路径电路的阻抗信息复合值，可通过简单的电路计算获得。
这些概念和方法，在电网信息学习数据提取时，根据表示需要进行数据处理。
二.(2)电网信息抽象方法和规则
电网的元部件去属性化，将元件相关属性对电网信息如潮流的影响定义表示为阻概率对能量流的阻耗权值。不同的元件以及不同的网络连接，表示为不同的阻概率在网络结构中对电网信息分布的影响作用。
归依是指在元件属性上对电网信息关系影响知识的一致性处理。
即所有的元件的属性归依为对电网信息的影响度；其值与元件静态属性以及动态属性、与其他元件之间的关系通过电路计算和概率推演/机器学习共同确定。
即是对电网构成归一和归依表示。对电网中的信息对应到概率图中的节点，通路和子网抽象为概率图中的边；对信息类型和网路构成归纳分类定义概率图中节点类和边类；原则就是简化点图关系，精简电网概率图构成。
电网数据表示的抽象原则和可利用的方法：
Figure BDA0002544235940000091
去特征，方便数据主信息保留；
Figure BDA0002544235940000092
表示方法能蕴涵电网结构特征；
Figure BDA0002544235940000093
为深度学习，建立好的数据模型；
Figure BDA0002544235940000094
归一方法，如数据的随机连续和随机离散变换，将工程数据按最高精度要求，表示成符合上下限整数离散，如0.0001，表示成1，变换数模比10000；
Figure BDA0002544235940000095
全网的电网潮流概率图即是全数据集。
可参照的归依和归一处理方法：
Figure BDA0002544235940000096
二.(3)电网信息概率图形定义方法
电网信息概率如潮流图数据结构定义：
节点：潮流信息，点与点之间之通过边路径(网)产生关联。
边：路径对潮流分布影响权值；边是有向的，从起始点到终向点。
性质：
节点信息值，既是所有到达该点的边权值与该边起始点的信息值的数学计算。节点的信息值，通过所有到达该点的边权值与该边起始点的信息值，采用数学方法计算得到；或在初始构建时，直接从电网观测点提取。
一个边只能到达一个节点；一个信息点可以是多个边的起始点；多个边可以到达一个信息点。
元点类节点到达边数0；末点类节点起始边0。
表示方法：
电网潮流概率图Gp(Nn，Em)：有m个边即潮流电网路径E1_2，E2_2，......，Ei_j有n个信息点的N1，N2，......，Nn。其中i，j≤n，Ei_j为节点i到节点j边；其中图形中的边和节点命名可以按应用目的以及边和点类型进行定义。
数据存储结构定义：
如表1所示。
表1：电网信息概率图数据存储表
节点ID 节点类型 到达节点/边列表 起始边/节点列表
N1 0-元点 E<sub>1_3</sub>E<sub>1_5</sub>
N2 0-元点 E<sub>2_4</sub>E<sub>2_9</sub>
N3 1-中点 N1/E<sub>1_3</sub> E<sub>3_7</sub>E<sub>3_4</sub>
N4 1-中点 N3 N2/E<sub>3_4</sub>E<sub>2_4</sub> E<sub>4_8</sub>
N5 1-中点 N1/E<sub>1_5</sub> E<sub>5_9</sub>
N6 0-元点
N7 6-末点 N3/E<sub>3_7</sub>
N8 6-末点 N4/E<sub>4_8</sub>
N9 6-末点 N2 N5/E<sub>2_9</sub>E<sub>5_9</sub>
注：节点类：0-元点，6-末点，1-中点，2-复合类(不定点)
可视化图形方法：
可视化图形的图例如图2所示，其中不定点(复合类)是一种多类型点组合，包括既是中点又是末点，或元点又是末点，或三类都是；
边标号有两种形式：线上与边位。下脚标为起始和到达点标号。可用D*表示双向边。
图形与数据存储对应方法：
图-数：根据图中点类型对单一类点、不定点、单一边分别建立映射方法。
数-图：依据数据类型，搜索起始边和到达边，确定点类在图形中的类型和边的关系；也可依据数据使用目的，确定图到数的映射方法。
参见表3，其中到到达节点/边列表及起始边/节点列表栏重复边；在实际都建算法中，对于“达节点/边列表”，免除起始节点号小于本节点号的边；而“起始边/节点列表”，则需要免除到达节点号小于本节点号的边。
二.(4)电网信息学习数据设计
依据电网信息概率图形设计，可以对电网信息的学习数据即数据样品进行设计和提取，以支持其图形特征的表示。其学习数据包括：观测点特征的数据集合、初始关联关系集合，其中初始关联关系集主要是对观测量关系设置，一般根据实际应用***初步设置。
二.(5)电网信息概率模型
电网信息概率图和电网信息概率模型，在某种设置下是一致的。
电网信息概率图的构建以及通过表示学习对图形参数完善，获得的电网信息概率图形，就是可以用来推测、判定等应用，关于电网知识规则的一种表示方法。
模型的数据信息如下表2所示：
表2：电网信息概率模型数据存储表
Figure BDA0002544235940000111
模型的图形方法：
基本符号图例如图4所示。
与图形表示一致，致使对于节点，标注信息类型；对于边则标注其权值可用D*表示双向边分两个权值标注。
示例图如图5所示。
图形与数据存储对应方法：
模-数：同图-模。数据栏内容为数值列表，二者对应。
表3为IEEE-30节点电网信息概率图数据表，表4为IEEE-30节点电网潮流概率模型数据表。
表3：IEEE-30节点电网信息概率图数据表
Figure BDA0002544235940000112
Figure BDA0002544235940000121
注：节点类：0-元点，6-末点，1-中点，2-复合点
表4：IEEE-30节点电网潮流概率模型数据表
Figure BDA0002544235940000122
Figure BDA0002544235940000131
注：节点类：0-元点，6-末点，1-中点，2-复合点
参见表4，其中到达参数表|起始参数表栏数据重复；处理冗余信息与表3方法一致。
(三)电网信息概率模型构建方法
原则上，可以按照电网信息以及之间关系，进行任意层级的电网信息概率图的构建。
以电网的二级网络为主定义两层数据模型。一级网络图是电网潮流概率图，二级网络则可以是潮流路径网，最简单的可以是单一线路，复杂的可以是一个电网的子电路网；当然也包括虚拟路径网。
构建电网信息概率图，就是通过对电网拓扑以及元部件属性信息特征提取以及网络关系的抽象，构建类贝叶斯网络，包括不同级的电网信息概率图形的建立。
三.(1)主要任务和方法
观测点变量的定义：
针对电网数据使用目的，确定观测点变量，如动态信息潮流、电压、电流、频率等，或静态信息元件设置信息等；观测变量可以是单一电网特征观测量，也可以是多个电网特征量的组合向量。
针对不同目的的电网研究，其电网信息粒度和密度要求也不同。如即使选择潮流作为观测变量，其采样点可以设置为省网级和地县级的。
观测点变量可以是电网的一类特征或者不同类特征。不同特征的变量既可以定义在同一电网信息概率图中，也可以分别分层建立各自的电网信息概率图。
电网信息概率图结构定义学习：
主要依据观测点变量在电网环境中的连接和关联关系以及脱离电网环境约束的关联关系。
观测点变量定义完成，可以基于变量在电网中的特性和特性关系，初步完成观测点的关联关系建立。
在可以从电网学习数据中获得或通过数学计算取得的，直接生成。同时，通过对电网数据的学习，完善概率图结构信息，主要是观测点影响关系的确定。
(半)参数(边-权值)修正和学习：
在电网数据学习过程中，电网信息概率图的观测变量信息、影响关系等参数会得到调整和修正。
三.(2)工作方法和流程
确定模型规模和深度：
定义网络模型规模，可等同电网规模。
一般的研究，只建立一级网络模型就足够支持对电网的学习。
本发明方法的二级网模型定义，偏重从电网物理构成角度，研究学习电网配置、规划、调整以及对一级网的观测信息影响。
一般而言，一级网络重点学习研究电网运行，多为动态信息；二级网络则学习研究电网配置，多为静态信息。
如图8，选择全部30个节点规模，即观测点{N1，N2，...,N30}，是全网规模的一级网选择，可以选择观测特征为P，V，I，H等，如定义Gp(N30，Ek)，其中K可初始预置最大值为图8所有边数；如果从图6的电气图中，能够获知节点6的物理接线，可以定义一个关于节点6的二级网，对内部电气连接规则和对外部观测点进行配置和配置调整的学习。
模型粒度确定：
对电网观测信息以及关联设置的层次和观测点设置粒度，依据学习和研究目的而定。电网特征提取粒度高会使电网概率模型图的模型结构复杂，以致概率推理复杂和学习困难。
在规模大的电网中，观测点巨大，但可以依据学习目的，按议定规则选取部分特征点进行观测。如图8，全部30个节点规模，只选择其中的观测点{N2，N12，N15，N28}是一种低粒度的选择。
模型层次确定：
对于同级再划分网，即是对本级构建的网络模型的子网的一种划分利用。
模型层次可以依据不同电网信息作为不同的观测特征变量进行设置。如分别建立电网电流概率图，或电网电压概率图。
模型层次还可以对网络规模的划块，进行多项对独立的模型建立。如省级的电网潮流概率图，大区的电网潮流概率图。
划分方法可以交叉使用。同时，电网数据的利用也是多用途的。
如图8，选择全部30个节点规模，即观测点{N1，N2，...,N30}，选择观测特征为P的电网潮流概率模型；或选择全部30个节点{N1，N2，...,N30}，选择观测特征为V的电网电压概率模型。
或如图6，将物理网络按照虚线划分成两个网，分别进行两个网的电网信息模型定义。并根据物理特性，设置子网之间的概率模型。本申请不进行说明，但可按粒度选择方法处理。
初始模型建立：
在确定了模型规模和深度，以及初步的粒度和层次后，就可以进行模型的建立。
如图8和表3，图形和数据表形式。
模型初始建立基于电网计算点以及点间路经网路定义。其数据获得准确容易；网路相对简单。这样构建与维护模型开销和概率求解和推理的复杂性都会相对降低。
对一级网络的学习，主要对网路权值参数学习和网路参数修正改进。
如图9和表4，图形和数据表形式。
实践中的模型规模选择，与电网数据以及学习目的有关。如果概率模型的节点信息是电网潮流变量，则网路的影响权值由路网电路决定。
电网数据特征具有很强的辨识性，支持初始类贝叶斯网络建立，并给定更具有意义的电网学习数据，使得模型改进和参数学习迭代交互过程更有效。
因此，通过本发明的电网概率可视化模型对电网数据进行表示，就是最好地支持构建学习模型，通过成熟技术应用以及领域专家指导选取和提取研究问题领域的变量，同时提供合适的策略从专家提供的变量中选择重要的因子；并对构建电网的类贝叶斯网络的关键点和难点问题，依据电网物理结构构建出一个有向无环图并给出图中每个结点的分布参数，即每个节点即电网特性都对应一个电网环境下的条件概率分布。
(四)电网概率图应用方法
通过机器/深度学习获得的网路阻概率模型图，在给定能源流动情况下，可获得网路阻值，而此数据值通过二次学习获得的路阻调整模型，可以习得到路网的配置调整和规划期望方法。
本发明设计的电网信息概率可视化模型，支持的机器学习算法都获得理想的性能，支持不同方式来构造类贝叶斯网络。
构建的电网信息概率图是一种类贝叶斯网络，电网信息概率是某些条件独立，其网络参数学习方法相对简单。
以电网潮流概率模型和电网配置概率模型为例。如下。
电网潮流概率模型即一级网：
首先，初始模型构建。由电网潮流和电网拓扑定义贝叶斯网络结构及数据，以网路阻概率作为参数，由领域专家预设贝叶斯网的变量，利用专家知识初始设定贝叶斯网络结构，并学习指定它的分布参数。然后，通过数据学习修正构建的网络偏差，弥补领域专家知识的有限性。
其次，学习修正。对基于电网数据建立的电网信息概率模型图，这种方式定义的结点变量、边概率权值，需要训练数据学习和修正类贝叶斯网的结构和参数。这也是从数据中学习构建电网的类贝叶斯网的结构和参数的关键。
电网配置概率模型即二级网：
二级网的初始构建。由电网潮流计算点之间的路径构成元件数据定义内网结构及数据，以元件静态和动态数据为参数，通过电路关系与计算，获得内网的变量并指定它的分布参数；这个过程，需要纳入电网构成和元件重要信息预设电网配置概率模型节点特征变量，利用专家知识和物理电网的拓扑模型来初步指定网络结构。
二级网的学习修正。通过机器学习方法从数据中学习网络的参数配置、结构修正规则或电路物理计算方法修正构建的二级网模型。
建立电网概率可视化模型后，可用于构建可视化的电网拓扑关系，包括：
对电网设备点、电网线以及电网区域面进行测量采集位置信息，并关联电网概率可视化模型，建立完整的设备空间数据表；
对电网设备点、电网线以及电网区域面进行业务上的信息采集，填入业务信息数据，建立设备属性数据表；通过设备属性数据表与设备空间数据表相应设备的属性数据与空间数据进行拓扑关系关联，形成设备拓扑关系信息表；
通过设备拓扑关系信息表，利用GIS***构建电网拓扑关系，在地图中显示整个电网的拓扑信息及设备分布情况。
电网概率可视化模型还可用于建设三维电力网络，包括：
根据电网概率可视化模型和电网数据库建立电网建设对象，记录真实电网建设的时间戳信息，建设基于时间戳的电网建设对象成果数据库；
设计电网概率可视化模型的线性参考机制、网络拓扑模型机制，通过时间戳信息提取不同电网建设阶段的电网设备模型进行空间分析，建立反映空间拓扑关系的地理编码方案，并将不同时间段、同一空间范围的设备对象进行基于空间拓扑的数据库关联，得到基于空间拓扑分析的关联成果数据库；
使用基于时间戳的数据库索引技术对关联成果数据库建立时空索引信息，并将时空索引信息存储在关联成果数据库中，完成三维电力网络的建设。
电网概率可视化模型还可用于进行电网的实时和在线分析，包括：
基于电网概率可视化模型利用轨迹模式挖掘方法、机器学习方法和机电混合仿真方法，确定电网的时空动力学运行特性和演变规律；
针对电网静态场景，构建具有非线性边界的静态稳定域，识别电网节点综合稳定裕度；
针对电网动态场景，构建动态稳定域，对电网动态稳定进行评估；
针对电网未来稳定态势，采用深度循环神经网络技术，基于电网节点状态参量的长短期记忆信息和空间邻近节点状态信息，预测电网未来态势。
实施例2：
基于同一发明构思，本申请还提供了一种用于机器学习的电网概率可视化模型构建***，由于这些设备解决技术问题的原理与用于机器学习的电网概率可视化模型构建方法相似，重复之处不再赘述。
用于机器学习的电网概率可视化模型构建***基本结构如图10所示，包括：初始化模块、节点信息模块、边信息模块和图形模块；
初始化模块，用于根据机器学习目的，确定电网信息概率图的规模、深度、粒度和层级；
节点信息模块，用于基于规模、深度、粒度和层级，从物理电网中，抽取电网能源流动信息构建节点信息；
边信息模块，用于从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，构建边信息；
图形模块，用于基于节点信息和边信息构建电网概率可视化模型。
用于机器学习的电网概率可视化模型构建***详细结构如图11所示。
其中，路径信息，包括：
电网中设置有能量流动信息传感器的观测点的能量流动信息值在电网中的连接关系和关联关系以及脱离电网环境约束的关联关系。
其中，能量流信息包括：潮流、电压、电流和频率。
其中，电网信息概率图中的节点包括：元点、中点、末点和不定点；
其中，元点包括发电点、供电点和电源；
末点包括耗电点和负荷；
中点包括设置的用于观察电网信息的观察点；
不定点包括元点、中点和末点中至少两种构成的复合点。
其中，电网信息概率图中的边对应电网中的元件、连接和路网，边具有方向，边包括阻概率；
阻概率表示阻抗和损耗对流经阻概率所在边的能量流信息的影响权重。
其中，节点的值通过到达节点的边的阻概率和边的起始点的值得到，或者在构建电网信息概率模型时，直接从节点对应的电网观测点提取。
其中，电网信息概率图的规模根据电网规模设定；
电网信息概率图的深度根据研究需求设定，深度包括一级网络图和二级网络图；
电网信息概率图的粒度根据学习和研究目的设定，粒度包括选取的节点的数目；
电网信息概率图的层次根据电网信息设定，层次包括根据能量流信息划分的层次和根据电网的规模划分的层次；
其中，二级网络图表示一级网络图中节点间的电通路。
其中，该***还包括一级网络图构建模块，一级网络图构建模块包括：一级图设置单元和一级图修正单元；
一级图设置单元，用于根据能量流信息和电网拓扑确定一级网络图的结构和节点值，并设置边的阻概率的值；
一级图修正单元，用于通过机器学习方法修正一级网络图的结构、节点值和边的阻概率的值。
其中，该***还包括二级网络图构建模块，二级网络图构建模块包括：二级图设置单元和二级图修正单元；
二级图设置单元，用于根据电网观测点之间的路径构成元件确定二级网络图的结构和边的阻概率的值；
二级图修正单元，用于通过机器学习方法修正二级网络图结构和边的阻概率。
其中，该***还包括修正模块；
修正模块，用于对电网信息概率图中节点的值和边的权值，采用机器学习方法进行修正。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (12)

1.一种用于机器学习的电网概率可视化模型构建方法，其特征在于：包括：
根据机器学习目的，确定电网信息概率图的规模、深度、粒度和层级；
基于规模、深度、粒度和层级，从物理电网中，抽取电网能源流动信息构建节点信息；
从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，构建边信息；
基于节点信息和边信息构建电网概率可视化模型。
2.如权利要求1所述的方法，其特征在于，所述路径信息，包括：
电网中设置有能量流动信息传感器的观测点的能量流动信息值在电网中的连接关系和关联关系以及脱离电网环境约束的关联关系。
3.如权利要求1所述的方法，其特征在于，所述能量流信息包括：潮流、电压、电流和频率。
4.如权利要求1所述的方法，其特征在于，所述电网信息概率图中的节点包括：元点、中点、末点和不定点；
其中，元点包括发电点、供电点和电源；
末点包括耗电点和负荷；
中点包括设置的用于观察电网信息的观察点；
不定点包括元点、中点和末点中至少两种构成的复合点。
5.如权利要求1所述的方法，其特征在于，所述电网信息概率图中的边对应电网中的元件、连接和路网，所述边具有方向，所述边包括阻概率；
所述阻概率表示阻抗和损耗对流经所述阻概率所在边的能量流信息的影响权重。
6.如权利要求5所述的方法，其特征在于，所述节点的值通过到达所述节点的边的阻概率和所述边的起始点的值得到，或者在构建所述电网信息概率模型时，直接从所述节点对应的电网观测点提取。
7.如权利要求1所述的方法，其特征在于，所述电网信息概率图的规模根据电网规模设定；
所述电网信息概率图的深度根据研究需求设定，所述深度包括一级网络图和二级网络图；
所述电网信息概率图的粒度根据学习和研究目的设定，所述粒度包括选取的节点的数目；
所述电网信息概率图的层次根据电网信息设定，所述层次包括根据所述能量流信息划分的层次和根据电网的规模划分的层次；
其中，所述二级网络图表示一级网络图中节点间的电通路。
8.如权利要求7所述的方法，其特征在于，所述一级网络模型的构建包括：
根据所述能量流信息和电网拓扑确定一级网络模型的结构和节点值，并设置边的阻概率的值；
通过机器学习方法修正所述一级网络模型的结构、节点值和边的阻概率的值。
9.如权利要求7所述的方法，其特征在于，所述二级网络模型的构建包括：
根据电网观测点之间的路径构成元件确定所述二级网络模型的结构和边的阻概率的值；
通过机器学习方法修正所述二级网络模型结构和边的阻概率。
10.如权利要求1所述的方法，其特征在于，所述基于节点信息和边信息构建电网概率可视化模型之后，还包括：
对所述电网信息概率图中节点的值和边的权值，采用机器学习方法进行修正。
11.一种用于机器学习的电网概率可视化模型构建***，其特征在于，包括：初始化模块、节点信息模块、边信息模块和图形模块；
所述初始化模块，用于根据机器学习目的，确定电网信息概率图的规模、深度、粒度和层级；
所述节点信息模块，用于基于规模、深度、粒度和层级，从物理电网中，抽取电网能源流动信息构建节点信息；
所述边信息模块，用于从物理网络关系中的路径信息，设计抽取电网能源流动环境和路径信息，构建边信息；
所述图形模块，用于基于节点信息和边信息构建电网概率可视化模型。
12.如权利要求11所述的***，其特征在于，还包括修正模块；
所述修正模块，用于对所述电网信息概率图中节点的值和边的权值，采用机器学习方法进行修正。
CN202010555908.4A 2020-06-17 2020-06-17 一种用于机器学习的电网概率可视化模型构建方法和*** Pending CN112116305A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010555908.4A CN112116305A (zh) 2020-06-17 2020-06-17 一种用于机器学习的电网概率可视化模型构建方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010555908.4A CN112116305A (zh) 2020-06-17 2020-06-17 一种用于机器学习的电网概率可视化模型构建方法和***

Publications (1)

Publication Number Publication Date
CN112116305A true CN112116305A (zh) 2020-12-22

Family

ID=73798900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010555908.4A Pending CN112116305A (zh) 2020-06-17 2020-06-17 一种用于机器学习的电网概率可视化模型构建方法和***

Country Status (1)

Country Link
CN (1) CN112116305A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836436A (zh) * 2021-03-01 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于概率图模型的配电网线路风险量化预测方法
CN113052461A (zh) * 2021-03-25 2021-06-29 重庆科技学院 一种基于概率图模式推断的文本智能教学评价方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616207A (zh) * 2015-01-27 2015-05-13 中国科学院计算机网络信息中心 电网拓扑可视化***和方法
CN107819323A (zh) * 2017-09-30 2018-03-20 国网山东省电力公司 基于可视化展示的智能变电站二次设备在线运维方法及***
CN107832920A (zh) * 2017-10-18 2018-03-23 中国能源建设集团广东省电力设计研究院有限公司 海上风电场集群输电网可靠性评估方法和***
CN109933953A (zh) * 2019-04-11 2019-06-25 东南大学 基于概率图模型的配电网开关状态辨识方法
CN110071824A (zh) * 2019-03-28 2019-07-30 杭州电子科技大学 一种配电网络拓扑自动构建和可视化方法
CN110287941A (zh) * 2019-07-03 2019-09-27 哈尔滨工业大学 一种基于概念学习的透彻感知与动态理解方法
CN110739692A (zh) * 2019-11-08 2020-01-31 上海电力大学 一种基于概率图模型的配电网结构识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616207A (zh) * 2015-01-27 2015-05-13 中国科学院计算机网络信息中心 电网拓扑可视化***和方法
CN107819323A (zh) * 2017-09-30 2018-03-20 国网山东省电力公司 基于可视化展示的智能变电站二次设备在线运维方法及***
CN107832920A (zh) * 2017-10-18 2018-03-23 中国能源建设集团广东省电力设计研究院有限公司 海上风电场集群输电网可靠性评估方法和***
CN110071824A (zh) * 2019-03-28 2019-07-30 杭州电子科技大学 一种配电网络拓扑自动构建和可视化方法
CN109933953A (zh) * 2019-04-11 2019-06-25 东南大学 基于概率图模型的配电网开关状态辨识方法
CN110287941A (zh) * 2019-07-03 2019-09-27 哈尔滨工业大学 一种基于概念学习的透彻感知与动态理解方法
CN110739692A (zh) * 2019-11-08 2020-01-31 上海电力大学 一种基于概率图模型的配电网结构识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112836436A (zh) * 2021-03-01 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于概率图模型的配电网线路风险量化预测方法
CN113052461A (zh) * 2021-03-25 2021-06-29 重庆科技学院 一种基于概率图模式推断的文本智能教学评价方法

Similar Documents

Publication Publication Date Title
Liu et al. Boosting slime mould algorithm for parameter identification of photovoltaic models
Zhang et al. Renewable energy project performance evaluation using a hybrid multi-criteria decision-making approach: case study in Fujian, China
Jain et al. Data mining techniques: a survey paper
Ma et al. Ultra-short-term wind generation forecast based on multivariate empirical dynamic modeling
CN111523778A (zh) 基于粒子群算法和梯度提升树的电网运行安全评估方法
CN106022614A (zh) 一种基于最近邻聚类的神经网络数据挖掘方法
CN106529818A (zh) 基于模糊小波神经网络的水质评价预测方法
CN116402002B (zh) 一种用于芯片布局问题的多目标分层强化学习方法
CN112116305A (zh) 一种用于机器学习的电网概率可视化模型构建方法和***
Shaheen et al. Mining sustainability indicators to classify hydrocarbon development
CN107220758A (zh) 一种电网规划辅助***
CN106897942A (zh) 一种配电网分布式并行状态估计方法及装置
CN114004155A (zh) 考虑电力***拓扑结构特征的暂态稳定评估方法及装置
Mukherjee et al. Real-time dynamic security analysis of power systems using strategic PMU measurements and decision tree classification
Li et al. Fault identification in power network based on deep reinforcement learning
Ullah et al. Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids
Guo et al. Distribution network topology identification based on gradient boosting decision tree and attribute weighted naive Bayes
CN113989544A (zh) 一种基于深度图卷积网络的群体发现方法
CN106372440A (zh) 一种并行计算的配电网自适应抗差状态估计方法及装置
CN116029618B (zh) 一种电力***动态安全分区评估方法及***
CN112103950A (zh) 一种基于改进gn***算法的电网分区方法
CN117010373A (zh) 一种电力设备资产管理数据所属类别和组的推荐方法
CN106655266A (zh) 一种接入新能源的地区电网可灵活调节电源配置方法
Jiang et al. Dynamic adaptive and adversarial graph convolutional network for traffic forecasting
Wang et al. Consensus clustering for bi-objective power network partition

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