CN113406548B - 一种基于云边协同计算的漏电测量误差补偿方法及*** - Google Patents
一种基于云边协同计算的漏电测量误差补偿方法及*** Download PDFInfo
- Publication number
- CN113406548B CN113406548B CN202110620709.1A CN202110620709A CN113406548B CN 113406548 B CN113406548 B CN 113406548B CN 202110620709 A CN202110620709 A CN 202110620709A CN 113406548 B CN113406548 B CN 113406548B
- Authority
- CN
- China
- Prior art keywords
- leakage
- leakage current
- cloud platform
- false
- monitoring terminal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 230000005611 electricity Effects 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 6
- 238000009434 installation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/556—Detecting local intrusion or implementing counter-measures involving covert channels, i.e. data leakage between processes
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Computer Security & Cryptography (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供一种基于云边协同计算的漏电测量误差补偿方法,其在漏电流边缘监测终端与用电管理云平台互联形成的通信网络上实现,包括以下步骤:漏电流边缘监测终端监测漏电电流数据并发送给用电管理云平台;用电管理云平台使用接收的漏电数据迭代训练假漏电补偿模型,不断更新假漏电模型参数并反馈给漏电流边缘监测终端;漏电流边缘监测终端根据假漏电补偿模型参数来处理漏电电流数据,以消除漏电电流数据中假漏电现象的影响。实施本发明,能对零序电流互感器产生的假漏电现象进行消除,以获得准确的漏电电流数据。
Description
技术领域
本发明涉及电气线路监测技术领域,尤其涉及一种基于云边协同计算的漏电测量误差补偿方法及***。
背景技术
随着国民经济的飞速发展,我国的发电量和用电量已经跃居全球第一,随之也带来了电气安全事故的频频发生。电气火灾发生的位置大多数处于电力***中的配电端到用电终端这一范围(即从用户端低压变压器开始,经过低压配电电器,再到用户的用电器),这是因为配电线路和用电器往往是由用户自行安装和维护,使得设计、安装、使用等环节经常存在不规范现象,同时长期运行过程中出现损坏后也无法进行专业的维护检修,尤其最重要的是因为线路状态缺乏有效的监测。然而,电气安全事故中,由电路中的漏电电流引发的人身安全和火灾事故又占据了很大比例。因此,对线路中的漏电电流进行实时监测就显得尤为重要。
目前,采用零序互电流感器测量线路中的漏电电流。但是,实际应用中的零序互感器因漏磁、绕线不均匀等原因而产生测量误差,导致所测漏电电流显著大于线路中真实的漏电电流,在行业中被称为“假漏电”现象。必须去除“假漏电”的干扰,才能精确获取与电气火灾密切相关的真实漏电电流。
理论上,漏电电流的大小并不受工作电流变化影响。但是,在研究中发现,“假漏电”会随着工作电流的增大而增大,这是由零序互感器本身精度以及电缆安装方式所引起的。例如,不同零序互感器特性难以完全一致,使得精度不准确;又如,线缆安装的一致性无法保证,导致真实漏电和“假漏电”的分布模式并不恒定。因此,需要通过对每个零序互感器的监测数据进行分析,分别对每个零序互感器假漏电情况进行建模。由于边缘监测终端算力不足,需要将数据上传至云平台进行建模计算,然后将补偿参数反馈至边缘终端进行假漏电补偿。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于云边协同计算的漏电测量误差补偿方法及***,能对零序电流互感器产生的假漏电现象进行消除,以获得准确的漏电电流数据。
为了解决上述技术问题,本发明实施例提供了一种基于云边协同计算的漏电测量误差补偿方法,其在漏电流边缘监测终端与用电管理云平台互联形成的通信网络上实现,包括以下步骤:
所述漏电流边缘监测终端监测负载电压、负载电流及漏电电流数据并发送给所述用电管理云平台;
所述用电管理云平台使用接收的数据迭代训练假漏电补偿模型,更新假漏电模型参数并反馈给所述漏电流边缘监测终端;
所述漏电流边缘监测终端使用与所述用电管理云平台相同的假漏电补偿模型,并根据从所述用电管理云平台接收的假漏电补偿模型参数来处理所述漏电电流数据,以消除所述漏电电流数据中假漏电现象的影响假漏电补偿模型。
其中,所述负载电压、负载电流及漏电电流数据来自于预设传感器在指定线路节点上所采集到的。
其中,所述假漏电补偿模型是基于鲁棒模糊聚类的多模型回归算法构建出来的,并在训练过程中逐步优化模糊成员的中心点和协方差,直至概率成员完成收敛为止。
本发明实施例还提供了一种基于云边协同计算的漏电测量误差补偿***,包括互联的漏电流边缘监测终端与用电管理云平台;其中,
所述漏电流边缘监测终端,用于监测负载电压、负载电流及漏电电流数据并发送给所述用电管理云平台;以及使用与所述用电管理云平台相同的假漏电补偿模型,并根据从所述用电管理云平台接收的假漏电补偿模型参数来处理所述漏电电流数据,以消除所述漏电电流数据中假漏电现象的影响;
所述用电管理云平台,用于使用接收的数据迭代训练假漏电补偿模型,更新假漏电模型参数并反馈给所述漏电流边缘监测终端假漏电补偿模型。
其中,所述负载电压、负载电流及漏电电流数据来自于预设传感器在指定线路节点上所采集到的。
其中,所述假漏电补偿模型是基于鲁棒模糊聚类的多模型回归算法构建出来的,并在训练过程中逐步优化模糊成员的中心点和协方差,直至概率成员完成收敛为止。
实施本发明实施例,具有如下有益效果:
本发明基于用电管理云平台在原有存储功能的基础上,注重于解决复杂模型的构建和训练问题,为边缘计算提供模型参数更新,并反馈给漏电流边缘监测终端,实现参数自适应和自调整的智能化的闭环反馈,使得漏电流边缘监测终端根据假漏电模型参数来处理零序电流互感器采集的数据以完成边缘计算补偿,消除假漏电现象对真实漏电电流的影响,从而能达到对零序电流互感器产生的假漏电现象进行消除,以获得准确的漏电电流数据的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的基于云边协同计算的漏电测量误差补偿方法的流程图;
图2为本发明实施例提供的基于云边协同计算的漏电测量误差补偿***的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提出的一种基于云边协同计算的漏电测量误差补偿方法,其在漏电流边缘监测终端与用电管理云平台互联形成的通信网络上实现,包括以下步骤:
步骤S1、所述漏电流边缘监测终端监测负载电压、负载电流及漏电电流数据并发送给所述用电管理云平台;
步骤S2、所述用电管理云平台使用接收的数据迭代训练假漏电补偿模型,更新假漏电模型参数并反馈给所述漏电流边缘监测终端;
步骤S3、所述漏电流边缘监测终端使用与所述用电管理云平台相同的假漏电补偿模型,并根据从所述用电管理云平台接收的假漏电补偿模型参数来处理所述漏电电流数据,以消除所述漏电电流数据中假漏电现象的影响假漏电补偿模型。
具体过程为,在步骤S1中,漏电流边缘监测终端监测来自于预设传感器在指定线路节点上所采集到的负载电压、负载电流及漏电电流数据,并通过通信网络发送给用电管理云平台。应当说明的是,通信网络的通信制式包括并不限于5G、4G、NB-IoT、LoRaWAN、WiFi、以太网及第三方自定义通信制式等。
可以理解的是,漏电流边缘监测终端和多种传感器(包括用于监测漏电电流的零序电流互感器)可以为一体,也可以是分离元件。
在步骤S2中,由于漏电流边缘监测终端中漏电电流数据的去干扰需要将真实漏电电流与“假漏电”电流分离出来,而两者的具体分布模型是未知的,需要在运行数据积累中自行判断,使得该问题是一个无监督的自适应聚类问题。又因为真实漏电电流与“假漏电”电流两者是不同的分布模型,因此上述问题可以被认为是一个多模型回归(MultipleInstance Regression,MIR)问题。
本发明在用电管理云平台中采用鲁棒模糊聚类的方法实现该MIR问题(RobustFuzzy Clustering for Multiple Instance Regression,RFC-MIR),即基于鲁棒模糊聚类的多模型回归算法构建出假漏电补偿模型,并在训练过程中通过不断优化模糊成员的中心点和协方差,直至概率成员完成收敛为止来完成模型的训练。
其中,模糊成员的优化公式如下式(1)所示:
其中,概率成员的更新公式如下式(2)所示;
首先,在用电管理云平台中构建出假漏电补偿模型;其次,在用电管理云平台中建立线路传感数据库,记录每一个拓扑节点线路监控单元每次上传的数据,依据所采集历史数据来训练假漏电补偿模型,并在训练过程中通过不断优化模糊成员的中心点和协方差,直至概率成员完成收敛为止来完成模型的训练,从而得到训练好的假漏电补偿模型;最后,采用训练好的假漏电补偿模型对漏电流边缘监测终端上传的漏电电流数据进行处理,得到假漏电模型参数并反馈给漏电流边缘监测终端,实现参数自适应和自调整的智能化的闭环反馈。
在步骤S3中,漏电流边缘监测终端使用与用电管理云平台相同的假漏电补偿模型,并根据从用电管理云平台接收的假漏电补偿模型参数来处理漏电电流数据,以消除漏电电流数据中假漏电现象的影响。可以理解的是,漏电电流数据为区别于用电管理云平台训练时所采用的历史数据,即新采集的漏电电流数据。
如图2所示,为本发明实施例中,提供的一种基于云边协同计算的漏电测量误差补偿***,包括互联的漏电流边缘监测终端1与用电管理云平台2;其中,
漏电流边缘监测终端1,用于监测负载电压、负载电流及漏电电流数据并发送给用电管理云平台2;以及使用与用电管理云平台2相同的假漏电补偿模型,并接收用电管理云平台2反馈的假漏电补偿模型参数来处理漏电电流数据,以消除漏电电流数据中假漏电现象的影响;
用电管理云平台2,使用接收的数据迭代训练假漏电补偿模型,得到假漏电模型参数并反馈给漏电流边缘监测终端1假漏电补偿模型。
其中,所述负载电压、负载电流及漏电电流数据来自于预设传感器在指定线路节点上所采集到的。
其中,所述假漏电补偿模型是基于鲁棒模糊聚类的多模型回归算法构建出来的,并在训练过程中逐步优化模糊成员的中心点和协方差,直至概率成员完成收敛为止。
实施本发明实施例,具有如下有益效果:
本发明基于用电管理云平台在原有存储功能的基础上,注重于解决复杂模型的构建和训练问题,为边缘计算提供模型参数更新,并反馈给漏电流边缘监测终端,实现参数自适应和自调整的智能化的闭环反馈,使得漏电流边缘监测终端根据假漏电模型参数来处理零序电流互感器采集的数据以完成边缘计算补偿,消除假漏电现象对真实漏电电流的影响,从而能达到对零序电流互感器产生的假漏电现象进行消除,以获得准确的漏电电流数据的目的。
值得注意的是,上述***实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种基于云边协同计算的漏电测量误差补偿方法,其特征在于,其在漏电流边缘监测终端与用电管理云平台互联形成的通信网络上实现,包括以下步骤:
所述漏电流边缘监测终端监测负载电压、负载电流及漏电电流数据并发送给所述用电管理云平台;
所述用电管理云平台使用接收的数据迭代训练假漏电补偿模型,更新假漏电模型参数并反馈给所述漏电流边缘监测终端;
所述漏电流边缘监测终端使用与所述用电管理云平台相同的假漏电补偿模型,并根据从所述用电管理云平台接收的假漏电补偿模型参数来处理所述漏电电流数据,以实时消除所述漏电电流数据中假漏电现象的影响;
所述负载电压、负载电流及漏电电流数据来自于预设传感器在指定线路节点上所采集到的;
所述假漏电补偿模型是基于鲁棒模糊聚类的多模型回归算法构建出来的,并在训练过程中逐步优化模糊成员的中心点和协方差,直至概率成员完成收敛为止。
4.一种基于云边协同计算的漏电测量误差补偿***,其特征在于,包括互联的漏电流边缘监测终端与用电管理云平台;其中,
所述漏电流边缘监测终端,用于监测漏电电流数据并发送给所述用电管理云平台;以及使用与所述用电管理云平台相同的假漏电补偿模型,并根据从所述用电管理云平台接收的假漏电补偿模型参数来处理所述漏电电流数据,以消除所述漏电电流数据中假漏电现象的影响;
所述用电管理云平台,用于使用接收的漏电数据迭代训练假漏电补偿模型,更新假漏电模型参数并反馈给所述漏电流边缘监测终端;
所述假漏电补偿模型是基于鲁棒模糊聚类的多模型回归算法构建出来的,并在训练过程中逐步优化模糊成员的中心点和协方差,直至概率成员完成收敛为止。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620709.1A CN113406548B (zh) | 2021-06-03 | 2021-06-03 | 一种基于云边协同计算的漏电测量误差补偿方法及*** |
US17/828,933 US20220391504A1 (en) | 2021-06-03 | 2022-05-31 | Leakage Measurement Error Compensation Method and System Based on Cloud-Edge Collaborative Computing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110620709.1A CN113406548B (zh) | 2021-06-03 | 2021-06-03 | 一种基于云边协同计算的漏电测量误差补偿方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113406548A CN113406548A (zh) | 2021-09-17 |
CN113406548B true CN113406548B (zh) | 2022-12-20 |
Family
ID=77676192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110620709.1A Active CN113406548B (zh) | 2021-06-03 | 2021-06-03 | 一种基于云边协同计算的漏电测量误差补偿方法及*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220391504A1 (zh) |
CN (1) | CN113406548B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116699318B (zh) * | 2023-07-27 | 2023-10-20 | 成都汉度科技有限公司 | 基于边缘计算的漏电检测方法及*** |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3605529B2 (ja) * | 1999-06-23 | 2004-12-22 | 三菱電機ビルテクノサービス株式会社 | 絶縁監視システム |
US8076946B1 (en) * | 2007-05-21 | 2011-12-13 | Marvell Israel (Misl) Ltd. | Leakage calibration |
US9336302B1 (en) * | 2012-07-20 | 2016-05-10 | Zuci Realty Llc | Insight and algorithmic clustering for automated synthesis |
US20140176336A1 (en) * | 2012-12-21 | 2014-06-26 | eLuminon, LLC. | System, method, and apparatus for remotely monitoring surge arrester conditions |
US20170160338A1 (en) * | 2015-12-07 | 2017-06-08 | Intel Corporation | Integrated circuit reliability assessment apparatus and method |
CN107526052A (zh) * | 2017-08-28 | 2017-12-29 | 广东天圣高科股份有限公司 | 一种泄漏电流测试仪检定装置 |
CN211698052U (zh) * | 2019-12-24 | 2020-10-16 | 济南驰昊电力科技有限公司 | 可进行漏电流传感器校准的绝缘监测装置 |
CN111275270A (zh) * | 2020-03-09 | 2020-06-12 | 南京中电科能技术有限公司 | 基于边缘计算和神经网络预测区域电气火灾风险的方法 |
-
2021
- 2021-06-03 CN CN202110620709.1A patent/CN113406548B/zh active Active
-
2022
- 2022-05-31 US US17/828,933 patent/US20220391504A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220391504A1 (en) | 2022-12-08 |
CN113406548A (zh) | 2021-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hayes et al. | A closed-loop state estimation tool for MV network monitoring and operation | |
Džafić et al. | Real time estimation of loads in radial and unsymmetrical three-phase distribution networks | |
CN107016236B (zh) | 基于非线性量测方程的电网假数据注入攻击检测方法 | |
Fan et al. | A novel online estimation scheme for static voltage stability margin based on relationships exploration in a large data set | |
CN108448568B (zh) | 基于多种时间周期测量数据的配电网混合状态估计方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN109086963B (zh) | 一种线损理论计算精益化管理方法 | |
CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
CN111880044A (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN110907754B (zh) | 一种基于psd-bpa的故障线路严重程度评估方法 | |
CN109902336A (zh) | 基于模糊层次分析法的电缆绝缘寿命评估方法 | |
CN112560239B (zh) | 一种台区线路阻抗的计算方法、计算***及计算机可读存储介质 | |
CN111553080B (zh) | 一种配电台区负荷动态等值非机理模型参数闭环辨识方法 | |
CN113406548B (zh) | 一种基于云边协同计算的漏电测量误差补偿方法及*** | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和*** | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
CN113991856B (zh) | 一种微能网多适应性μPMU最优布点方法 | |
CN106372440B (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 | |
CN116125204A (zh) | 一种基于电网数字化的故障预测*** | |
CN109858061B (zh) | 面向电压功率灵敏度估计的配电网络等值与化简方法 | |
CN116316611B (zh) | 基于低压台区下的供电方法及*** | |
CN110867861A (zh) | 一种配电网理论线损精确定界方法 | |
CN110009184A (zh) | 一种电能质量影响权重的量化计算方法 | |
CN115579862A (zh) | 基于多维多层关联规则的电压暂降预测分析方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |