CN113469432A - 配网转供智能化分析辅助方法 - Google Patents
配网转供智能化分析辅助方法 Download PDFInfo
- Publication number
- CN113469432A CN113469432A CN202110730501.5A CN202110730501A CN113469432A CN 113469432 A CN113469432 A CN 113469432A CN 202110730501 A CN202110730501 A CN 202110730501A CN 113469432 A CN113469432 A CN 113469432A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- transfer path
- transfer
- optimal
- objective
- 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
Links
- 238000012546 transfer Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 13
- 241000282461 Canis lupus Species 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000002955 isolation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明的配网转供智能化分析辅助方法,包括以下步骤:采集故障发生时的配电网三遥信息;根据配电网三遥信息获取配网设备状态信息并映射到配电网拓扑图中构建转供分析模型,并将转供分析模型可视化;构建专家库,对神经网络进行训练后,将可视化的转供分析模型输入到神经网络中,获得主观最优转供路径;对转供分析模型中的多种配网设备组合进行开闭控制,获得多条初始转供路径;采用灰狼算法对初始转供路径进行寻优,并获得客观最优转供路径;根据主观最优转供路径和客观最优转供路径获得最终最优转供路径,根据最终最优转供路径对配网开关和变压器进行控制,实现配网过载、低压等异常状态的快速调整,短路故障状态的快速隔离并转供调整。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种配网转供智能化分析辅助方法。
背景技术
随着智能化的不断发展,大力投资建设可观、可测、可控的智能型配电网工程也在快速进行,但是配电网自动化应用却相对缓慢,部分配电网中由于运行基础薄弱,配电自动化***难以直接进入集中控制模式,也难以完全实现就地式自愈联络功能,线路跳闸后,往往依靠重合闸和配网自动化逻辑补救,故障段后的负荷不能快速恢复,需调度员通过人工收集信息进行判断后才能恢复非故障区域负荷,复电相对缓慢,不能满足重要敏感负荷的供电可靠性要求。
对于配电网而言,存在多条输电线路,当其中一条输电线路出现故障时,需要通过转供的方式对该线路上的负载进行供电,以保证负载的正常用电,目前对于转供而言,大多是工作人员根据自身经验开启和关闭不同位置的开关以实现转供,而工作人言根据经验所选取的转供路径存在较大的主观性,无法保证所选取的转供路径为最优路径,容易导致其他输电线路上电能传输的波动,甚至造成停电故障。
发明内容
鉴以此,本发明提出一种配网转供智能化分析辅助方法,通过灰狼算法获取最优转供路径,可以快速的恢复送电,并且保证其他输电线路的稳定性。
本发明的技术方案是这样实现的:
配网转供智能化分析辅助方法,包括以下步骤:
步骤S1、采集故障发生时的配电网三遥信息;
步骤S2、根据配电网三遥信息获取配网设备状态信息,将配网设备状态信息映射到配电网拓扑图中构建转供分析模型,并将转供分析模型可视化;
步骤S3、构建专家库,对神经网络进行训练后,将可视化的转供分析模型输入到神经网络中,获得主观最优转供路径;
步骤S4、对转供分析模型中的多种配网设备组合进行开闭控制,获得多条初始转供路径;
步骤S5、采用灰狼算法对初始转供路径进行寻优,并获得客观最优转供路径;
步骤S6、根据主观最优转供路径和客观最优转供路径获得最终最优转供路径。
优选的,所述步骤S2中的配网设备状态信息包括配网开关状态信息以及变压器状态信息。
优选的,所述步骤S2中将转供分析模型可视化后,所述转供分析模型中未闭合的配网开关以及未开启的变压器处于灰色状态,闭合的配网开关以及开启的变压器处于明亮的有色状态。
优选的,所述步骤S3中的专家库包括各种故障状态下的配电网拓扑图以及对应的转供路径图,所述神经网络的输入数据为发生故障时的转供分析模型图片,输出数据为转供路径,所述专家库分为训练集和测试集,所述神经网络通过训练集进行训练,并通过测试集测试准确度。
优选的,所述步骤S5的具体步骤包括:
步骤S51、初始化灰狼种群,并设定迭代次数以及种群规模;
步骤S52、任意选取一条初始转供路径,获取该初始转供路径的快速性评价指标,根据快速性评价指标计算获得灰狼的适应度值;
步骤S53、选取另外一条初始转供路径,并获得对应的适应度值后,与上一次计算的适应度值进行对比,并保留适应度值较大的一条初始转供路径;
步骤S54、进行迭代计算,并遍历所有的初始转供路径后,获得适应度值最大的初始转供路径,并将该初始转供路径输出为客观最优转供路径。
优选的,所述步骤S51中的迭代次数与初始转供路径的数量相同。
优选的,所述步骤S6的具体步骤包括:
步骤S61、获取主观最优转供路径和客观最优转供路径的评价参数;
步骤S62、对主观最优转供路径的评价参数进行主观赋权,并获得转供主观值,对客观最优转供路径的评价参数进行客观赋权,并获得转供客观值;
步骤S63、对比转供主观值以及转供客观值,选取数值较大的一方所对应的最优转供路径作为最终最优转供路径。
优选的,所述步骤S61中的评价参数包括快速性、经济性以及稳定性,所述快速性通过恢复送电的时间来获得,所述经济性通过转供路径的总长度来获得,所述稳定性通过某一用电设备在恢复送电时刻的电压电流突变量来获得。
优选的,所述步骤S62中的转供主观值的表达式为:
F主观=αF快速性+βF经济性+δF稳定性;
转供客观值的表达式为:
F客观=λF快速性+ρF经济性+ωF稳定性;
其中F快速性、F经济性、F稳定性分别为评价参数,α、β、δ为主观赋权指标,λ、ρ、ω为客观赋权指标,所述主观赋权指标和客观赋权指标为根据实际情况设定的常数。
与现有技术相比,本发明的有益效果是:
本发明提供了一种配网转供智能化分析辅助方法,通过采集故障发生时的配电网三遥信息,以此获得配网设备状态信息,然后将配网设备状态信息映射到配电拓扑图中,构建转供分析模型,转供分析模型可以分别通过神经网络以及灰狼算法进行主客观最优转供路径的计算,最终可以根据主观最优转供路径和客观最优转供路径来获取最终最优转供路径,从而可以根据最终最优转供路径对配电网进行转供,以实现配网过载、低压等异常状态的快速调整、短路故障状态的快速隔离等,保证电能的正常输送。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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优选实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明的一种配网转供智能化分析辅助方法的流程图。
具体实施方式
为了更好理解本发明技术内容,下面提供一具体实施例,并结合附图对本发明做进一步的说明。
参见图1,本发明提供的配网转供智能化分析辅助方法,包括以下步骤:
步骤S1、采集故障发生时的配电网三遥信息,利用配电自动化主站的三遥集中监控功能可以实现故障发生时的三遥信息的采集,其中三遥信息包括遥测、遥信以及遥控信息,主要包括告警状态或开关位置、变压器开关状态等等,采集三遥信息的同时,还利用配网DTU和FTU进行信息采集、告警定值设置实现各关键节点负荷监测。
步骤S2、根据配电网三遥信息获取配网设备状态信息,配网设备状态信息包括配网开关状态信息以及变压器状态信息,将配网设备状态信息映射到配电网拓扑图中构建转供分析模型,并将转供分析模型可视化,转供分析模型中未闭合的配网开关以及未开启的变压器处于灰色状态,闭合的配网开关以及开启的变压器处于明亮的有色状态。
将配电网三遥信息进行处理后,可以获取其中包含的配网开关状态信息和变压器状态信息,状态信息包括是否开启,从而可以将各个开关和变压器以不同的状态映射到配网拓扑图中,对于闭合状态的开关以及开启状态的变压器而言,在配网拓扑图中为明亮的有色状态,而打开状态的开关和关闭状态的变压器为灰色状态,形成转供分析模型后进行可视化,以图片的形式展示出来,供后续神经网络进行处理。
步骤S3、构建专家库,对神经网络进行训练后,将可视化的转供分析模型输入到神经网络中,获得主观最优转供路径;
所述步骤S3中的专家库包括各种故障状态下的配电网拓扑图以及对应的转供路径图,所述神经网络的输入数据为发生故障时的转供分析模型图片,输出数据为转供路径,所述专家库分为训练集和测试集,所述神经网络通过训练集进行训练,并通过测试集测试准确度。
本发明采用神经网络来作为转供路径选择的主观依据,其中对于神经网络的训练使用的是专家库,专家库内存储有若干不同故障状态下的配电网拓扑图以及对应的转供路径,对神经网络进行训练后,其可以根据故障状态下的配电网拓扑图进行检测识别,并输出对应的转供路径,由于用于对神经网络进行训练和测试的数据均为专家通过自身经验根据故障的配电网拓扑图来选取的转供路径,因此神经网络获得的转供路径为主观最优转供路径。
步骤S4、对转供分析模型中的多种配网设备组合进行开闭控制,获得多条初始转供路径;
上述步骤S3中通过神经网络计算得到了主观最优转供路径,为了保证转供路径为最优路径,本发明还进行了客观最优转供路径的计算,将转供分析模型中的多个配网设备进行不同的组合后,闭合配网设备,从而可以形成多条不同的初始转供路径,此时还需要对初始转供路径进行筛选,以找出其中最优的一条转供路径,为此,本发明采用了灰狼算法对初始转供路径进行寻优,具体过程如步骤S5所示。
步骤S5、采用灰狼算法对初始转供路径进行寻优,并获得客观最优转供路径,具体步骤包括:
步骤S51、初始化灰狼种群,并设定迭代次数以及种群规模,其中迭代次数与初始转供路径的数量相同;
步骤S52、任意选取一条初始转供路径,获取该初始转供路径的快速性评价指标,根据快速性评价指标计算获得灰狼的适应度值;
步骤S53、选取另外一条初始转供路径,并获得对应的适应度值后,与上一次计算的适应度值进行对比,并保留适应度值较大的一条初始转供路径;
步骤S54、进行迭代计算,并遍历所有的初始转供路径后,获得适应度值最大的初始转供路径,并将该初始转供路径输出为客观最优转供路径。
在设定的迭代次数内,每头灰狼均会以初始转供路径的快速性评价指标来进行适应度值的计算,并用于与前一次的适应度值相比,然后保留较大的适应度值所对应的初始转供路径,在对比完所有的初始转供路径后,最终剩下的适应度值最大的即为客观最优转供路径。
步骤S6、根据主观最优转供路径和客观最优转供路径获得最终最优转供路径,具体步骤包括:
步骤S61、获取主观最优转供路径和客观最优转供路径的评价参数,评价参数包括快速性、经济性以及稳定性,所述快速性通过恢复送电的时间来获得,所述经济性通过转供路径的总长度来获得,所述稳定性通过某一用电设备在恢复送电时刻的电压电流突变量来获得。
通过选取快速性、经济性以及稳定性三个指标来进行加权计算,其中快速性对应的是复电时间的快慢,经济性对应的是转供中电能的消耗量,稳定性则是指对其他线路的影响情况,通过这三个方面来综合评价转供路径是否为最优路径。
步骤S62、对主观最优转供路径的评价参数进行主观赋权,并获得转供主观值,转供主观值的表达式为:
F主观=αF快速性+βF经济性+δF稳定性;
对客观最优转供路径的评价参数进行客观赋权,并获得转供客观值,转供客观值的表达式为:
F客观=λF快速性+ρF经济性+ωF稳定性;
其中F快速性、F经济性、F稳定性分别为评价参数,α、β、δ为主观赋权指标,λ、ρ、ω为客观赋权指标,所述主观赋权指标和客观赋权指标为根据实际情况设定的常数,对于主观最优转供路径而言,由于主观性较强,因此选取的主观赋权指标的取值要小于客观赋权指标。
步骤S63、对比转供主观值以及转供客观值,选取数值较大的一方所对应的最优转供路径作为最终最优转供路径。
本发明采用权重赋值法,对主观最优转供路径和客观最优转供路径分别赋值权重,并分别计算得到转供客观值以及转供主观值,然后对比两者的数值大小,选取数值较大的一方作为最终最优转供路径,最终根据最终最优转供路径来对配电网进行负荷的转供,从而可以实现快速复电,保证电能的正常输送。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.配网转供智能化分析辅助方法,其特征在于,包括以下步骤:
步骤S1、采集故障发生时的配电网三遥信息;
步骤S2、根据配电网三遥信息获取配网设备状态信息,将配网设备状态信息映射到配电网拓扑图中构建转供分析模型,并将转供分析模型可视化;
步骤S3、构建专家库,对神经网络进行训练后,将可视化的转供分析模型输入到神经网络中,获得主观最优转供路径;
步骤S4、对转供分析模型中的多种配网设备组合进行开闭控制,获得多条初始转供路径;
步骤S5、采用灰狼算法对初始转供路径进行寻优,并获得客观最优转供路径;
步骤S6、根据主观最优转供路径和客观最优转供路径获得最终最优转供路径。
2.根据权利要求1所述的配网转供智能化分析辅助方法,其特征在于,所述步骤S2中的配网设备状态信息包括配网开关状态信息以及变压器状态信息。
3.根据权利要求2所述的配网转供智能化分析辅助方法,其特征在于,所述步骤S2中将转供分析模型可视化后,所述转供分析模型中未闭合的配网开关以及未开启的变压器处于灰色状态,闭合的配网开关以及开启的变压器处于明亮的有色状态。
4.根据权利要求1所述的配网转供智能化分析辅助方法,其特征在于,所述步骤S3中的专家库包括各种故障状态下的配电网拓扑图以及对应的转供路径图,所述神经网络的输入数据为发生故障时的转供分析模型图片,输出数据为转供路径,所述专家库分为训练集和测试集,所述神经网络通过训练集进行训练,并通过测试集测试准确度。
5.根据权利要求1所述的配网转供智能化分析辅助方法,其特征在于,所述步骤S5的具体步骤包括:
步骤S51、初始化灰狼种群,并设定迭代次数以及种群规模;
步骤S52、任意选取一条初始转供路径,获取该初始转供路径的快速性评价指标,根据快速性评价指标计算获得灰狼的适应度值;
步骤S53、选取另外一条初始转供路径,并获得对应的适应度值后,与上一次计算的适应度值进行对比,并保留适应度值较大的一条初始转供路径;
步骤S54、进行迭代计算,并遍历所有的初始转供路径后,获得适应度值最大的初始转供路径,并将该初始转供路径输出为客观最优转供路径。
6.根据权利要求5所述的配网转供智能化分析辅助方法,其特征在于,所述步骤S51中的迭代次数与初始转供路径的数量相同。
7.根据权利要求1所述的配网转供智能化分析辅助方法,其特征在于,所述步骤S6的具体步骤包括:
步骤S61、获取主观最优转供路径和客观最优转供路径的评价参数;
步骤S62、对主观最优转供路径的评价参数进行主观赋权,并获得转供主观值,对客观最优转供路径的评价参数进行客观赋权,并获得转供客观值;
步骤S63、对比转供主观值以及转供客观值,选取数值较大的一方所对应的最优转供路径作为最终最优转供路径。
8.根据权利要求7所述的配网转供智能化分析辅助方法,其特征在于,所述步骤S61中的评价参数包括快速性、经济性以及稳定性,所述快速性通过恢复送电的时间来获得,所述经济性通过转供路径的总长度来获得,所述稳定性通过某一用电设备在恢复送电时刻的电压电流突变量来获得。
9.根据权利要求8所述的配网转供智能化分析辅助方法,其特征在于,所述步骤S62中的转供主观值的表达式为:
F主观=αF快速性+βF经济性+δF稳定性;
转供客观值的表达式为:
F客观=λF快速性+ρF经济性+ωF稳定性;
其中F快速性、F经济性、F稳定性分别为评价参数,α、β、δ为主观赋权指标,λ、ρ、ω为客观赋权指标,所述主观赋权指标和客观赋权指标为根据实际情况设定的常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730501.5A CN113469432B (zh) | 2021-06-29 | 2021-06-29 | 配网转供智能化分析辅助方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110730501.5A CN113469432B (zh) | 2021-06-29 | 2021-06-29 | 配网转供智能化分析辅助方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469432A true CN113469432A (zh) | 2021-10-01 |
CN113469432B CN113469432B (zh) | 2022-06-17 |
Family
ID=77874012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110730501.5A Active CN113469432B (zh) | 2021-06-29 | 2021-06-29 | 配网转供智能化分析辅助方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469432B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763034A (zh) * | 2009-12-01 | 2010-06-30 | 深圳市科陆电子科技股份有限公司 | 在配网终端实现自适应网络恢复重构的方法 |
CN106684862A (zh) * | 2016-12-15 | 2017-05-17 | 国网黑龙江省电力有限公司 | 一种基于贪心算法的配电网负荷转供路径搜索方法 |
CN107038532A (zh) * | 2017-04-17 | 2017-08-11 | 国网江苏省电力公司 | 基于最优组合权重的配电网负荷转供方案评价方法 |
US20180316188A1 (en) * | 2017-05-01 | 2018-11-01 | Abb Schweiz Ag | Power restoration in nested microgrids |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及*** |
CN111967736A (zh) * | 2020-07-30 | 2020-11-20 | 许继集团有限公司 | 一种基于大数据平台的变电站倒负荷控制方法及*** |
CN112395814A (zh) * | 2020-11-30 | 2021-02-23 | 云南电网有限责任公司电力科学研究院 | 一种电力***负荷模型参数辨识的优化方法 |
CN112491050A (zh) * | 2020-12-04 | 2021-03-12 | 国网浙江省电力有限公司金华供电公司 | 基于指标集权重的主配网事故恢复处理方法 |
CN113013871A (zh) * | 2021-01-25 | 2021-06-22 | 浙江华云信息科技有限公司 | 一种配电网设备故障、检修时的负荷转供方法 |
-
2021
- 2021-06-29 CN CN202110730501.5A patent/CN113469432B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763034A (zh) * | 2009-12-01 | 2010-06-30 | 深圳市科陆电子科技股份有限公司 | 在配网终端实现自适应网络恢复重构的方法 |
CN106684862A (zh) * | 2016-12-15 | 2017-05-17 | 国网黑龙江省电力有限公司 | 一种基于贪心算法的配电网负荷转供路径搜索方法 |
CN107038532A (zh) * | 2017-04-17 | 2017-08-11 | 国网江苏省电力公司 | 基于最优组合权重的配电网负荷转供方案评价方法 |
US20180316188A1 (en) * | 2017-05-01 | 2018-11-01 | Abb Schweiz Ag | Power restoration in nested microgrids |
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及*** |
CN111967736A (zh) * | 2020-07-30 | 2020-11-20 | 许继集团有限公司 | 一种基于大数据平台的变电站倒负荷控制方法及*** |
CN112395814A (zh) * | 2020-11-30 | 2021-02-23 | 云南电网有限责任公司电力科学研究院 | 一种电力***负荷模型参数辨识的优化方法 |
CN112491050A (zh) * | 2020-12-04 | 2021-03-12 | 国网浙江省电力有限公司金华供电公司 | 基于指标集权重的主配网事故恢复处理方法 |
CN113013871A (zh) * | 2021-01-25 | 2021-06-22 | 浙江华云信息科技有限公司 | 一种配电网设备故障、检修时的负荷转供方法 |
Non-Patent Citations (2)
Title |
---|
尹元亚等: "基于灰狼优化算法的火电机组负荷优化分配经济性研究", 《电气自动化》 * |
朱俊澎: "主动配电网重构与孤岛划分研究", 《中国博士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113469432B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270442B (zh) | 基于dbn-ga神经网络的高压断路器故障检测方法 | |
Leite et al. | Development of a self-healing strategy with multiagent systems for distribution networks | |
Xu et al. | Real-time transient stability assessment model using extreme learning machine | |
CN106856322B (zh) | 一种基于神经网络的柔性直流配电网智能保护*** | |
Zhao et al. | Power system fault diagnosis based on history driven differential evolution and stochastic time domain simulation | |
CN105868770B (zh) | 一种基于非监督学习模型的高压断路器故障诊断方法 | |
CN106408438A (zh) | 基于全过程动态仿真的安全稳定控制策略自动校核方法 | |
CN108923531A (zh) | 一种基于大数据的电网调度告警监视*** | |
CN105354643A (zh) | 一种风电接入电网的风险预测评估方法 | |
CN105337314B (zh) | 一种基于分布式电源黑启动技术的多源协调控制故障处理方法 | |
CN113469432B (zh) | 配网转供智能化分析辅助方法 | |
Liang et al. | Monitoring power line faults using impedance estimation algorithms in power line communication equipment | |
CN114111886B (zh) | 一种利用运行信息的电力变压器缺陷在线诊断方法 | |
Luitel et al. | Wide area monitoring in power systems using cellular neural networks | |
CN114077809A (zh) | 用于监测控制器的决策逻辑的性能的方法和监控*** | |
Zhang et al. | Classification of building electrical system faults based on Probabilistic Neural Networks | |
Shang et al. | Finite State Machine model of fault diagnosis for distribution system under time sequence constraints | |
Jain et al. | Soft computing based fault detection & classification for transmission lines | |
Sadat et al. | Comparative Analysis of Machine Learning Techniques for Fault Detection | |
Huang et al. | Research on Microgrid Line Protection Based on Dilated Convolutional Networks | |
Gao et al. | An Assistant Decision-Making Method for Power Grid Contingency Management Based on Case-Based Reasoning | |
Cui et al. | Research on Intelligent Protection Technology for Distribution Network with Distributed Generation | |
Cao | Data Mining-Based Distribution Network Fault Risk Level Prediction Method | |
Wang et al. | Study on fault diagnosis method of transformer using multi-neural network and evidence theory | |
Liang et al. | Hybrid artificial intelligence for power grid line fault diagnosis and restoration auxiliary decision-making |
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 |