CN112528447A - 电网模型分类标识方法、***、电子设备及存储介质 - Google Patents

电网模型分类标识方法、***、电子设备及存储介质 Download PDF

Info

Publication number
CN112528447A
CN112528447A CN202011505419.4A CN202011505419A CN112528447A CN 112528447 A CN112528447 A CN 112528447A CN 202011505419 A CN202011505419 A CN 202011505419A CN 112528447 A CN112528447 A CN 112528447A
Authority
CN
China
Prior art keywords
model
classification
primary equipment
library
power grid
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.)
Granted
Application number
CN202011505419.4A
Other languages
English (en)
Other versions
CN112528447B (zh
Inventor
程哲
张勇
辛阔
唐卓尧
孙雁斌
杨凡
吴小刚
单政博
陈兴望
许士锦
张坤
吕耀棠
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.)
China Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202011505419.4A priority Critical patent/CN112528447B/zh
Publication of CN112528447A publication Critical patent/CN112528447A/zh
Application granted granted Critical
Publication of CN112528447B publication Critical patent/CN112528447B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本发明公开了电网模型分类标识方法、***、电子设备及存储介质，该方法包括如下步骤：步骤SS1：存量模型分类标签维护，生成分类标签及接线图存入训练样本模型库中；步骤SS2：对训练样本模型库进行特征提取，形成模型类别特征库；步骤SS3：对增量一次设备接线图进行模型分类识别，生成一次设备模型的类型标签。本发明对于具有分类标签的存量电力***一次设备接线图进行训练和特征提取，从图形中识别出各类电力***一次设备模型的分类特征，形成电网模型分类特征库，建立一种有效的电网模型分类识别机制，能有效避免人为维护数据所造成的成本浪费，提高数据维护效率及准确性，提高电网运行安全。

Description

电网模型分类标识方法、***、电子设备及存储介质
技术领域
本发明涉及一种电网模型分类标识方法、***、电子设备及存储介质，属于电力自动化技术领域。
背景技术
随着电网规模的不断扩大，电力设备及设备种类不断增加，电力一次设备模型维护工作日渐繁重，母线、开关等设备的分类信息在调度日志、调度检修单、安自与保护定值单等业务应用中具有十分重要的作用。而目前调度信息化***中的设备分类信息基本都依赖工作人员人工维护，既增加了调度人员的工作负担，也影响了分类信息维护的数据准确性。本发明采用的基于深度学习的电网模型分类标识方法通过对于具有分类标签的存量电力***一次设备接线图进行训练和特征提取，采用DeepWalk算法从图形中识别出各类电力***一次设备模型的分类特征，形成电网模型分类特征库。对于增量一次设备接线图，通过特征识别，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。
现阶段，本申请提供的基于深度学习的电网模型分类标识方法在国内暂无有效的方案支持，全国范围内无其他电网公司或调度机构建设类似功能。
当前电力一次设备模型的数据维护工作在设备新投流程阶段完成，母线、开关等一次设备的分类信息基本都依赖工作人员人工维护，造成人工成本和时间的巨大浪费，也可能因为人为理解偏差造成模型对应错误，甚至影响电网操作安全。因此，建立一种有效的电网模型分类识别机制，能有效避免人为维护数据所造成的成本浪费，提高数据维护效率及准确性，提高电网运行安全。
发明内容
本发明的目的在于，克服现有技术存在的技术缺陷，提出一种电网模型分类标识方法、***、电子设备及存储介质，通过对于具有分类标签的存量电力***一次设备接线图进行训练和特征提取，采用DeepWalk算法从图形中识别出各类电力***一次设备模型的分类特征，形成电网模型分类特征库。对于增量一次设备接线图，通过特征识别，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。
本发明具体采用如下技术方案：电网模型分类标识方法，包括如下步骤：
步骤SS1：存量模型分类标签维护，生成分类标签及接线图存入训练样本模型库中；
步骤SS2：对训练样本模型库进行特征提取，形成模型类别特征库；
步骤SS3：对增量一次设备接线图进行模型分类识别，生成一次设备模型的类型标签。
作为一种较佳的实施例，所述步骤SS1具体包括：对于具有分类标签的存量电力***一次设备接线图进行分类标签维护，并将定义好的分类标签及接线图存入训练样本模型库中。
作为一种较佳的实施例，所述步骤SS2具体包括：采用DeepWalk算法对训练样本模型库进行特征提取，从中提取出各个分类标签的一次设备模型接线特征，形成模型类别特征库。
作为一种较佳的实施例，所述步骤SS3具体包括：对于增量一次设备接线图，通过特征识别，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。
本发明还提出电网模型分类标识***，包括：
分类标签维护模块，用于执行：存量模型分类标签维护，生成分类标签及接线图存入训练样本模型库中；
特征提取模块，用于执行：对训练样本模型库进行特征提取，形成模型类别特征库；
模型分类识别模块，用于执行：对增量一次设备接线图进行模型分类识别，生成一次设备模型的类型标签。
作为一种较佳的实施例，所述分类标签维护模块具体包括：对于具有分类标签的存量电力***一次设备接线图进行分类标签维护，并将定义好的分类标签及接线图存入训练样本模型库中。
作为一种较佳的实施例，所述特征提取模块具体包括：采用DeepWalk算法对训练样本模型库进行特征提取，从中提取出各个分类标签的一次设备模型接线特征，形成模型类别特征库。
作为一种较佳的实施例，所述模型分类识别模块具体包括：对于增量一次设备接线图，通过特征识别，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。
本发明还提出电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。
本发明还提出存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述方法的步骤。
本发明所达到的有益效果：本发明通过对于具有分类标签的存量电力***一次设备接线图进行训练和特征提取，形成电网模型分类特征库；通过特征识别算法，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。减少了一次设备模型维护的工作量，避免了数据维护过程中的人为因素造成的数据偏差，提高了一次设备模型数据的准确性。
附图说明
图1是本发明的基于深度学习的电网模型分类标识方法的拓扑原理示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1：如图1所示，本发明提出电网模型分类标识方法，包括如下步骤：
步骤SS1：存量模型分类标签维护，生成分类标签及接线图存入训练样本模型库中；
步骤SS2：对训练样本模型库进行特征提取，形成模型类别特征库；
步骤SS3：对增量一次设备接线图进行模型分类识别，生成一次设备模型的类型标签。
可选的，所述步骤SS1具体包括：对于具有分类标签的存量电力***一次设备接线图进行分类标签维护，并将定义好的分类标签及接线图存入训练样本模型库中。
可选的，所述步骤SS2具体包括：采用DeepWalk算法对训练样本模型库进行特征提取，从中提取出各个分类标签的一次设备模型接线特征，形成模型类别特征库。
可选的，所述步骤SS3具体包括：对于增量一次设备接线图，通过特征识别，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。
实施例2：本发明还提出电网模型分类标识***，包括：
分类标签维护模块，用于执行：存量模型分类标签维护，生成分类标签及接线图存入训练样本模型库中；
特征提取模块，用于执行：对训练样本模型库进行特征提取，形成模型类别特征库；
模型分类识别模块，用于执行：对增量一次设备接线图进行模型分类识别，生成一次设备模型的类型标签。
可选的，所述分类标签维护模块具体包括：对于具有分类标签的存量电力***一次设备接线图进行分类标签维护，并将定义好的分类标签及接线图存入训练样本模型库中。
可选的，所述特征提取模块具体包括：采用DeepWalk算法对训练样本模型库进行特征提取，从中提取出各个分类标签的一次设备模型接线特征，形成模型类别特征库。
可选的，所述模型分类识别模块具体包括：对于增量一次设备接线图，通过特征识别，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。
本发明还提出电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述方法的步骤。
本发明还提出存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述方法的步骤。
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：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.电网模型分类标识方法，其特征在于，包括如下步骤：
步骤SS1：存量模型分类标签维护，生成分类标签及接线图存入训练样本模型库中；
步骤SS2：对训练样本模型库进行特征提取，形成模型类别特征库；
步骤SS3：对增量一次设备接线图进行模型分类识别，生成一次设备模型的类型标签。
2.根据权利要求1所述的电网模型分类标识方法，其特征在于，所述步骤SS1具体包括：对于具有分类标签的存量电力***一次设备接线图进行分类标签维护，并将定义好的分类标签及接线图存入训练样本模型库中。
3.根据权利要求1所述的电网模型分类标识方法，其特征在于，所述步骤SS2具体包括：采用DeepWalk算法对训练样本模型库进行特征提取，从中提取出各个分类标签的一次设备模型接线特征，形成模型类别特征库。
4.根据权利要求1所述的电网模型分类标识方法，其特征在于，所述步骤SS3具体包括：对于增量一次设备接线图，通过特征识别，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。
5.电网模型分类标识***，其特征在于，包括：
分类标签维护模块，用于执行：存量模型分类标签维护，生成分类标签及接线图存入训练样本模型库中；
特征提取模块，用于执行：对训练样本模型库进行特征提取，形成模型类别特征库；
模型分类识别模块，用于执行：对增量一次设备接线图进行模型分类识别，生成一次设备模型的类型标签。
6.根据权利要求5所述的电网模型分类标识***，其特征在于，所述分类标签维护模块具体包括：对于具有分类标签的存量电力***一次设备接线图进行分类标签维护，并将定义好的分类标签及接线图存入训练样本模型库中。
7.根据权利要求5所述的电网模型分类标识***，其特征在于，所述特征提取模块具体包括：采用DeepWalk算法对训练样本模型库进行特征提取，从中提取出各个分类标签的一次设备模型接线特征，形成模型类别特征库。
8.根据权利要求5所述的电网模型分类标识***，其特征在于，所述模型分类识别模块具体包括：对于增量一次设备接线图，通过特征识别，判断接线图中各个一次设备具备哪些模型分类特征，从而提供一次设备模型的类型标签。
9.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4中任一项所述方法的步骤。
10.存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。
CN202011505419.4A 2020-12-18 2020-12-18 电网模型分类标识方法、***、电子设备及存储介质 Active CN112528447B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011505419.4A CN112528447B (zh) 2020-12-18 2020-12-18 电网模型分类标识方法、***、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011505419.4A CN112528447B (zh) 2020-12-18 2020-12-18 电网模型分类标识方法、***、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112528447A true CN112528447A (zh) 2021-03-19
CN112528447B CN112528447B (zh) 2024-04-12

Family

ID=75001518

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011505419.4A Active CN112528447B (zh) 2020-12-18 2020-12-18 电网模型分类标识方法、***、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112528447B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015197741A (ja) * 2014-03-31 2015-11-09 Kddi株式会社 消費電力量に基づいて生活パターンを推定する装置、プログラム及び方法
WO2018119684A1 (zh) * 2016-12-27 2018-07-05 深圳前海达闼云端智能科技有限公司 一种图像识别***及图像识别方法
CN109598513A (zh) * 2018-11-22 2019-04-09 阿里巴巴集团控股有限公司 一种风险识别方法和装置
US20190325259A1 (en) * 2018-04-12 2019-10-24 Discovery Communications, Llc Feature extraction and machine learning for automated metadata analysis
CN110852621A (zh) * 2019-11-12 2020-02-28 国网重庆市电力公司电力科学研究院 电力客户负荷特性分析及分类方法、装置及可读存储介质
US20200349724A1 (en) * 2019-05-03 2020-11-05 Procore Technologies, Inc. Pattern Matching Tool
CN111914949A (zh) * 2020-08-20 2020-11-10 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于强化学习的零样本学习模型的训练方法及装置
CN112052684A (zh) * 2020-09-07 2020-12-08 南方电网数字电网研究院有限公司 电力计量的命名实体识别方法、装置、设备和存储介质
CN112070138A (zh) * 2020-08-31 2020-12-11 新华智云科技有限公司 多标签混合分类模型的构建方法、新闻分类方法及***
CN112070134A (zh) * 2020-08-28 2020-12-11 广东电网有限责任公司 电力设备图像分类方法、装置、电力设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015197741A (ja) * 2014-03-31 2015-11-09 Kddi株式会社 消費電力量に基づいて生活パターンを推定する装置、プログラム及び方法
WO2018119684A1 (zh) * 2016-12-27 2018-07-05 深圳前海达闼云端智能科技有限公司 一种图像识别***及图像识别方法
US20190325259A1 (en) * 2018-04-12 2019-10-24 Discovery Communications, Llc Feature extraction and machine learning for automated metadata analysis
CN109598513A (zh) * 2018-11-22 2019-04-09 阿里巴巴集团控股有限公司 一种风险识别方法和装置
US20200349724A1 (en) * 2019-05-03 2020-11-05 Procore Technologies, Inc. Pattern Matching Tool
CN110852621A (zh) * 2019-11-12 2020-02-28 国网重庆市电力公司电力科学研究院 电力客户负荷特性分析及分类方法、装置及可读存储介质
CN111914949A (zh) * 2020-08-20 2020-11-10 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于强化学习的零样本学习模型的训练方法及装置
CN112070134A (zh) * 2020-08-28 2020-12-11 广东电网有限责任公司 电力设备图像分类方法、装置、电力设备及存储介质
CN112070138A (zh) * 2020-08-31 2020-12-11 新华智云科技有限公司 多标签混合分类模型的构建方法、新闻分类方法及***
CN112052684A (zh) * 2020-09-07 2020-12-08 南方电网数字电网研究院有限公司 电力计量的命名实体识别方法、装置、设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LI HAO， ET AL: "Leakage Prevention Method for Unstructured Data Based on Classification", APPLICATIONS AND TECHNIQUES IN INFORMATION SECURITY, ATIS 2015, vol. 557, pages 337 - 343 *
陈科峻等: "循环神经网络多标签航空图像分类", 光学精密工程, vol. 28, no. 06, pages 1404 - 1413 *
顾礼斌;李勇刚;: "基于模糊k近邻的变电站主接线类型自动识别方法", 广东电力, no. 02, pages 137 - 142 *

Also Published As

Publication number Publication date
CN112528447B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN111368950A (zh) 生产线产品身份信息识别方法、设备、存储介质及装置
CN111539696A (zh) 两票全方位电子监察方法及***
CN112528447A (zh) 电网模型分类标识方法、***、电子设备及存储介质
CN105608637A (zh) 基于变电站设备模型拓扑的接线图自动生成方法
CN115829122A (zh) 一种电力客服工单投诉预警方法及***
CN103825273A (zh) 一种以馈线联络组为单元的配电网事故全过程反演方法
CN114580958B (zh) 一种基于电量数据的工业企业环保工况监测方法及***
CN114723080A (zh) 一种设备检修管理方法、***、装置及存储介质
CN116167935A (zh) 二维码的修复方法、装置、设备及介质
CN115599772A (zh) 一种嵌入式边缘计算业务应用***的国产化迁移适配方法
CN111913706B (zh) 一种调度自动化***拓扑构建方法、存储介质和计算设备
CN111404266A (zh) 一种远方定值智能比对方法、***及装置
CN105122157A (zh) 程序编辑装置、程序编辑方法以及程序编辑程序
CN117451115B (zh) 一种用于分拣输送***的实时状态监测方法
CN112507501B (zh) 一种电网接线结构识别方法及***
CN109933049B (zh) 一种电力调度日志故障分类方法及***
CN115221472B (zh) 一种用户电压限值的自适应设置方法、装置、存储器及计算设备
Faisal et al. Prescriptive Analytics for finding the optimal manufacturing practice based on the simulation models of Lean Manufacturing and Total Quality Management
CN111738675A (zh) 智慧两票实现方法及***
CN117365923B (zh) 空压机智能控制方法及***
CN112967376B (zh) 一种基于数据驱动的变电站三维模型建立方法和装置
CN116266157A (zh) 一种基于核电平台的接口测试自动化集成平台及方法
CN116148610A (zh) 开关柜局部放电信号生成方法、***、设备及存储介质
Pohlkötter et al. Unlocking the Potential of Digital Twins: Development of the Virtual Commissioning Model to a Hybrid Predictive Maintenance System
CN116014716A (zh) 紧急控制策略执行优化方法、***、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant