CN113946971A - 一种电力***海量输入输出日志数据流的降维方法 - Google Patents
一种电力***海量输入输出日志数据流的降维方法 Download PDFInfo
- Publication number
- CN113946971A CN113946971A CN202111238417.8A CN202111238417A CN113946971A CN 113946971 A CN113946971 A CN 113946971A CN 202111238417 A CN202111238417 A CN 202111238417A CN 113946971 A CN113946971 A CN 113946971A
- Authority
- CN
- China
- Prior art keywords
- data
- power
- log
- data stream
- dimensional
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000004146 energy storage Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 206010048669 Terminal state Diseases 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 10
- 238000004088 simulation Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电力***海量输入输出日志数据流的降维方法,包括以下步骤:步骤1、构建电力***正常运行的约束条件模型,对采集到的高维I/O日志数据流进行一次降维,得到三维I/O数据流日志;步骤2、构建皮尔逊积矩相关系数模型对步骤1的一次降维的数据进行数据相关性分析,移除冗余属性数据,实现对步骤1获得的三维I/O数据流日志进行二次数据降维。本发明能够通过对电力***中的I/O日志进行有效的降维,使采集到的海量I/O日志数据适合进行数据分析。
Description
技术领域
本发明属于电力信息安全技术领域,涉及数据流的降维方法,尤其是一种电力***海量输入输出日志数据流的降维方法。
背景技术
电力***在运行过程中会产生大量的日志,包括电网正常运行所涉及的各种参数、传输***变量等..有效地处理这些海量数据以挖掘有价值的信息并对电力***进行建模是非常重要的,这对于电网的仿真和安全分析也是至关重要的。
然而,这些日志中的数据量非常大,需要大量的计算资源来分析,这使得它成为一项不可能完成的任务。在这诸多因素中,影响最大的是这些数据的维数过高,使得分析师陷入“维数灾难”,难以在实践中进行有效的分析。电网采集的数据一般具有多个异质属性形式的高维度,其值随时间变化。
因此,有必要对电力***中的I/O日志进行有效的降维,使采集到的海量I/O日志数据适合分析,能够在实践中产生巨大的价值。
经检索,未发现与本发明相同或相近似的现有技术的文献。
发明内容
本发明的目的在于克服现有技术的不足,提出一种电力***海量输入输出日志数据流的降维方法,能够通过对电力***中的I/O日志进行有效的降维,使采集到的海量I/O日志数据适合进行数据分析。
本发明解决其现实问题是采取以下技术方案实现的:
一种电力***海量输入输出日志数据流的降维方法,包括以下步骤:
步骤1、构建电力***正常运行的约束条件模型,对采集到的高维I/O日志数据流进行一次降维,得到三维I/O数据流日志;
步骤2、构建皮尔逊积矩相关系数模型对步骤1的一次降维的数据进行数据相关性分析,移除冗余属性数据,实现对步骤1获得的三维I/O数据流日志进行二次数据降维。
而且,所述步骤1的高维I/O日志包括:来自变电站的主站和从站的电力输入输出日志:
其中,主站的电力输入输出日志包括:
1)电力***运行的实时测量,如一次设备(线路、变压器、母线、开关等)的有功功率、无功功率、电流、电压值)和主档位(有载分接开关档位);开关位置、隔离开关位置、接地隔离开关位置、保护设备状态、信号遥控等各种开关量和多态数字量;
2)保护、安全、备份等二次设备数据;
3)电网一次设备和二次设备的状态信息数据;
4)控制数据,包括被控设备的测量值、状态信号和闭锁信号;
5)各RTU/FTU/DTU/TTU及变电站上传的数据;
6)通过卫星时钟、周期信号、DC电源、不间断电源或其他计算机***手动传输的数据
其中,从站的电力输入输出日志包括:
1)采集交流电压和电流;
2)开关动作、运行状态、储能状态等信息;
3)收集DC价值观;
4)开关位置、端子状态、开关储能、SF6开关压力信号、通信状态保护动作信号、装置异常信号;
5)中压值、中压电流、中压有功功率、中压无功功率、功率因数、低压电流、低压值、低压有功功率、低压无功功率等。
而且,所述步骤1的具体步骤包括:
(1)构建电力***正常运行的约束条件模型,包括等式约束和不等式约束:
a.等式约束
其中,Ui表示第i个节点相对于接地点的电压,对于任何环路,沿环路的所有电压之和为零;Ii表示流经第i个节点的电流,对于任何节点,流经该节点的所有电流之和为零;PGi代表第i个发电机产生的有功功率;PLj表示第 j个负载消耗的有功功率;PSk代表第k个节点消耗的有功功率传输损耗;QGi表示第i台发电机产生的无功功率;QLj代表第j个负载消耗的无功功率;QSk代表第k次传输损耗消耗的无功功率;
b.不等式约束
其中,f代表频率,fmin代表最小频率,fmax代表最大频率;u代表电压, Ui代表第i行的电压,Umin代表最小电压,Uimax代表最大电压;p代表有功功率,PGi代表第i台发电机产生的有功功率,PGimin代表最小有功功率,PGimax代表最大有功功率;q代表无功功率,QGi代表第i台发电机产生的无功功率, QGimin代表最小无功功率,QGimax代表最大无功功率;s代表全功率,Sij代表第i发电机和第j线路的全功率,Sijmin代表最小全功率,Sijmax代表最大全功率;
(2)基于步骤1第(1)步所构建电力***正常运行的约束条件模型,对采集到的高维I/O日志数据流进行一次降维,得到三维I/O数据流日志。
而且,所述步骤1第(2)步的具体方法为:
每个高维I/O数据流日志可以利用电力***正常运行的约束条件模型转换成三维I/O数据流日志:Lk=(Ck;Ik;Ok),其中Lk表示第k个日志消息, Ck表示状态控制信息,Ik表示输入流,Ok表示输出流。
而且,所述步骤2的具体步骤包括:
(1)采用皮尔逊积矩相关系数模型(简称PMCC)进行变量间的相关性分析:
皮尔逊积矩相关系数(简称PMCC)在测量两个变量X和Y之间的线性相关性时,其值在-1和1之间;如果PMCC值为1,则意味着X和Y用直线方程很好地描述,所有数据点都很好地落在一条直线上,Y随着X的增加而增加.如果PMCC值为-1,则意味着所有数据点都落在一条直线上,Y随着X的增加而减少;系数的值为0意味着这两个变量之间没有线性关系;
PMCC(由ρ表示)由以下公式很好地描述:
其中,X和Y代表两个变量;
(2)经过第一次降维处理后,将每个高维I/O数据流日志转换为三维I/O 数据流日志,即Lk=(Ck;Ik;Ok)。
本发明的优点和有益效果:
本发明提供了一种电力***海量输入输出日志数据流的降维方法,首先构造电力***正常运行的约束条件模型,其次构建皮尔逊积矩相关系数模型,通过这两种模型为数据降维提供理论支撑;然后,对采集到的高维I/O日志数据流利用电力***正常运行的约束条件模型进行一次降维,使数据从高维转换到低维。最后再利用构建皮尔逊积矩相关系数模型进行冗余属性数据的分析,进一步进行数据降维。本发明提出了融合电力***本身约束和皮尔逊相关系数的电力***日志数据降维方法,可以将计算时间复杂度降低80%以上。
具体实施方式
以下对本发明实施例作进一步详述:
一种电力***海量输入输出日志数据流的降维方法,包括以下步骤:
步骤1、构建电力***正常运行的约束条件模型,对采集到的高维I/O日志数据流进行一次降维,得到三维I/O数据流日志。
所述步骤1的高维I/O日志包括:来自变电站的主站和从站的电力输入输出日志:
其中,主站的电力输入输出日志包括:
7)电力***运行的实时测量,如一次设备(线路、变压器、母线、开关等)的有功功率、无功功率、电流、电压值)和主档位(有载分接开关档位);开关位置、隔离开关位置、接地隔离开关位置、保护设备状态、信号遥控等各种开关量和多态数字量;
8)保护、安全、备份等二次设备数据;
9)电网一次设备和二次设备的状态信息数据;
10)控制数据,包括被控设备的测量值、状态信号和闭锁信号;
11)各RTU/FTU/DTU/TTU及变电站上传的数据;
12)通过卫星时钟、周期信号、DC电源、不间断电源或其他计算机***手动传输的数据
其中,从站的电力输入输出日志包括:
6)采集交流电压和电流;
7)开关动作、运行状态、储能状态等信息;
8)收集DC价值观;
9)开关位置、端子状态、开关储能、SF6开关压力信号、通信状态保护动作信号、装置异常信号;
10)中压值、中压电流、中压有功功率、中压无功功率、功率因数、低压电流、低压值、低压有功功率、低压无功功率等。
所述步骤1的主站和从站的电力输入输出日志数据流的形式如下:(逻辑数据1,逻辑数据2,逻辑数据3,...,连续数据1,连续数据2,连续数据3,...,数据输入1,数据输入2,数据输入3,...模拟输入1、模拟输入2、模拟输入 3、...数据输出1,数据输出2,数据输出3,...模拟输出1、模拟输出2、模拟输出3、...),
上述数据流是典型的多维测井数据,会给后期的计算带来很大的计算负荷。更何况还有大量无用数据,使得有效数据稀疏,因此有必要进行降维。
所述步骤1的具体步骤包括:
(1)构建电力***正常运行的约束条件模型,包括等式约束和不等式约束:
在本实施例中,首先,电力***的正常稳定运行需要遵循一些基本约束,包括等式约束和不等式约束。
a.等式约束
其中,Ui表示第i个节点相对于接地点的电压,对于任何环路,沿环路的所有电压之和为零;Ii表示流经第i个节点的电流,对于任何节点,流经该节点的所有电流之和为零;PGi代表第i个发电机产生的有功功率;PLj表示第 j个负载消耗的有功功率;PSk代表第k个节点消耗的有功功率传输损耗;QGi表示第i台发电机产生的无功功率;QLj代表第j个负载消耗的无功功率;QSk代表第k次传输损耗消耗的无功功率。
b.不等式约束
其中,f代表频率,fmin代表最小频率,fmax代表最大频率;u代表电压, Ui代表第i行的电压,Umin代表最小电压,Uimax代表最大电压;p代表有功功率,PGi代表第i台发电机产生的有功功率,PGimin代表最小有功功率,PGimax代表最大有功功率;q代表无功功率,QGi代表第i台发电机产生的无功功率, QGimin代表最小无功功率,QGimax代表最大无功功率;s代表全功率,Sij代表第i发电机和第j线路的全功率,Sijmin代表最小全功率,Sijmax代表最大全功率;
在本实施例中,所收集的数据并不是相互独立的,而是有着相互制约的关系。基于这一独特的功能,我们可以简化收集的数据,并消除异常数据。比如我们可以用PGi和PLj来计算PSk,这样PSk就可以去掉了。
(3)基于步骤1第(1)步所构建电力***正常运行的约束条件模型,对采集到的高维I/O日志数据流进行一次降维,得到三维I/O数据流日志;
所述步骤1第(2)步的具体方法为:
每个高维I/O数据流日志可以利用电力***正常运行的约束条件模型转换成三维I/O数据流日志:Lk=(Ck;Ik;Ok),其中Lk表示第k个日志消息, Ck表示状态控制信息,Ik表示输入流,Ok表示输出流。
在本实施例中,可以清楚地看到,高维I/O数据流日志包含逻辑数据、连续数据、模拟输入、数据输入、模拟输出、数据输出。其中,逻辑型数据和连续型数据是状态控制信息;模拟量输入和数据量输入是输入流信息;模拟量输出和数据量输出是输出流信息。因此,每个高维I/O数据流日志可以利用电力***正常运行的约束条件模型转换成三维I/O数据流日志,即状态控制信息I、输入流信息I、输出流信息I。状态控制信息I可以视为多维向量(逻辑数据1、逻辑数据2、逻辑数据3,...连续数据1,连续数据2,连续数据3,...);输入流信息1可以被视为多维向量(数据量输入1、数据量输入2、数据量输入3,...模拟输入1、模拟输入2、模拟输入3、...);输出流信息I可以被视为多维向量(数据量输出1、数据量输出2、数据量输出3,...模拟输出 1、模拟输出2、模拟输出3、...).
简单来说,一条复杂的日志消息可以简化为Lk=(Ck;Ik;Ok),其中Lk 表示第k个日志消息,Ck表示状态控制信息,Ik表示输入流,Ok表示输出流。
步骤2、构建皮尔逊积矩相关系数模型对步骤1的一次降维的数据进行数据相关性分析,移除冗余属性数据,实现对步骤1获得的三维I/O数据流日志进行二次数据降维;
所述步骤2的具体步骤包括:
(1)采用皮尔逊积矩相关系数模型(简称PMCC)进行变量间的相关性分析:
皮尔逊积矩相关系数(简称PMCC)在测量两个变量X和Y之间的线性相关性时,其值在-1和1之间;如果PMCC值为1,则意味着X和Y用直线方程很好地描述,所有数据点都很好地落在一条直线上,Y随着X的增加而增加.如果PMCC值为-1,则意味着所有数据点都落在一条直线上,Y随着X的增加而减少;系数的值为0意味着这两个变量之间没有线性关系;
注意,当两个变量独立时,相关系数为0,但反之不一定成立。这是因为相关系数只反映了两个变量之间是否存在线性相关性。
PMCC(由ρ表示)由以下公式很好地描述:
其中,X和Y代表两个变量;
因此,我们可以结合电力***自身的运行规则和约束条件,对采集到的日志数据进行线性相关性分析,主要是减少线性相关的特征量,从而仅保留关键信息,从而为二次降维提供决策依据。
PMCC的关键特征是它不随变量的位置或大小而变化。也就是说,如果我们把X改成a+bX,把Y改成c+dY,其中a、b、c、d是常数,这样的变换并不会改变X和Y之间的相关性,因此,我们可以结合电力***自身的运行规则和约束条件,对采集到的日志数据进行降维,主要是减少特征量和保留关键信息。
(2)经过第一次降维处理后,将每个高维I/O数据流日志转换为三维I/O 数据流日志,即Lk=(Ck;Ik;Ok)。
为了进一步降低计算复杂度,状态控制信息、输入流信息和输出流信息的所有三个子向量都需要降维。
冗余是处理大量输入/输出数据流日志时的另一个问题,它会增加计算负载。如果一个属性(例如,一种逻辑类型的数据)可以由另一个或另一组属性(例如,另一组逻辑数据)导出,则该属性可能是多余的。对于冗余属性,利用步骤2第(1)步的皮尔逊积矩相关系数进行数据相关性分析,从而将冗余的属性从多维向量中移除,以进一步降低向量的维数。
I/O数据流日志的清理和去重操作主要针对多维向量中的数值属性,即状态控制信息向量中的连续数据、输入流信息向量中的模拟输入和输出流信息向量。
对于数值,我们使用PMCC。计算两个数值性质的相关性以显示相关性。
因此,ρ的绝对值越高,表示数值属性X或Y可以作为冗余属性删除。去重处理后,I/O数据流日志仍然是三维向量Lk=(Ck;Ik;Ok),但是每个子向量的维数进一步降低。
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (5)
1.一种电力***海量输入输出日志数据流的降维方法,其特征在于:包括以下步骤:
步骤1、构建电力***正常运行的约束条件模型,对采集到的高维I/O日志数据流进行一次降维,得到三维I/O数据流日志;
步骤2、构建皮尔逊积矩相关系数模型对步骤1的一次降维的数据进行数据相关性分析,移除冗余属性数据,实现对步骤1获得的三维I/O数据流日志进行二次数据降维。
2.根据权利要求1所述的一种电力***海量输入输出日志数据流的降维方法,其特征在于:所述步骤1的高维I/O日志包括:来自变电站的主站和从站的电力输入输出日志:
其中,主站的电力输入输出日志包括:
1)电力***运行的实时测量,如一次设备(线路、变压器、母线、开关等)的有功功率、无功功率、电流、电压值)和主档位(有载分接开关档位);开关位置、隔离开关位置、接地隔离开关位置、保护设备状态、信号遥控等各种开关量和多态数字量;
2)保护、安全、备份等二次设备数据;
3)电网一次设备和二次设备的状态信息数据;
4)控制数据,包括被控设备的测量值、状态信号和闭锁信号;
5)各RTU/FTU/DTU/TTU及变电站上传的数据;
6)通过卫星时钟、周期信号、DC电源、不间断电源或其他计算机***手动传输的数据
其中,从站的电力输入输出日志包括:
1)采集交流电压和电流;
2)开关动作、运行状态、储能状态等信息;
3)收集DC价值观;
4)开关位置、端子状态、开关储能、SF6开关压力信号、通信状态保护动作信号、装置异常信号;
5)中压值、中压电流、中压有功功率、中压无功功率、功率因数、低压电流、低压值、低压有功功率、低压无功功率等。
3.根据权利要求1所述的一种电力***海量输入输出日志数据流的降维方法,其特征在于:所述步骤1的具体步骤包括:
(1)构建电力***正常运行的约束条件模型,包括等式约束和不等式约束:
a.等式约束
其中,Ui表示第i个节点相对于接地点的电压,对于任何环路,沿环路的所有电压之和为零;Ii表示流经第i个节点的电流,对于任何节点,流经该节点的所有电流之和为零;PGi代表第i个发电机产生的有功功率;PLj表示第j个负载消耗的有功功率;PSk代表第k个节点消耗的有功功率传输损耗;QGi表示第i台发电机产生的无功功率;QLj代表第j个负载消耗的无功功率;QSk代表第k次传输损耗消耗的无功功率;
b.不等式约束
其中,f代表频率,fmin代表最小频率,fmax代表最大频率;u代表电压,Ui代表第i行的电压,Umin代表最小电压,Uimax代表最大电压;p代表有功功率,PGi代表第i台发电机产生的有功功率,PGimin代表最小有功功率,PGimax代表最大有功功率;q代表无功功率,QGi代表第i台发电机产生的无功功率,QGimin代表最小无功功率,QGimax代表最大无功功率;s代表全功率,Sij代表第i发电机和第j线路的全功率,Sijmin代表最小全功率,Sijmax代表最大全功率;
(2)基于步骤1第(1)步所构建电力***正常运行的约束条件模型,对采集到的高维I/O日志数据流进行一次降维,得到三维I/O数据流日志。
4.根据权利要求3所述的一种电力***海量输入输出日志数据流的降维方法,其特征在于:所述步骤1第(2)步的具体方法为:
每个高维I/O数据流日志可以利用电力***正常运行的约束条件模型转换成三维I/O数据流日志:Lk=(Ck;Ik;Ok),其中Lk表示第k个日志消息,Ck表示状态控制信息,Ik表示输入流,Ok表示输出流。
5.根据权利要求1所述的一种电力***海量输入输出日志数据流的降维方法,其特征在于:所述步骤2的具体步骤包括:
(1)采用皮尔逊积矩相关系数模型(简称PMCC)进行变量间的相关性分析:
皮尔逊积矩相关系数(简称PMCC)在测量两个变量X和Y之间的线性相关性时,其值在-1和1之间;如果PMCC值为1,则意味着X和Y用直线方程很好地描述,所有数据点都很好地落在一条直线上,Y随着X的增加而增加.如果PMCC值为-1,则意味着所有数据点都落在一条直线上,Y随着X的增加而减少;系数的值为0意味着这两个变量之间没有线性关系;
PMCC(由ρ表示)由以下公式很好地描述:
其中,X和Y代表两个变量;
(2)经过第一次降维处理后,将每个高维I/O数据流日志转换为三维I/O数据流日志,即Lk=(Ck;Ik;Ok)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111238417.8A CN113946971A (zh) | 2021-10-25 | 2021-10-25 | 一种电力***海量输入输出日志数据流的降维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111238417.8A CN113946971A (zh) | 2021-10-25 | 2021-10-25 | 一种电力***海量输入输出日志数据流的降维方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113946971A true CN113946971A (zh) | 2022-01-18 |
Family
ID=79332652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111238417.8A Pending CN113946971A (zh) | 2021-10-25 | 2021-10-25 | 一种电力***海量输入输出日志数据流的降维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113946971A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240700A (zh) * | 2023-11-10 | 2023-12-15 | 浙江九州未来信息科技有限公司 | 一种基于贝叶斯分类器的网络故障诊断方法及装置 |
-
2021
- 2021-10-25 CN CN202111238417.8A patent/CN113946971A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117240700A (zh) * | 2023-11-10 | 2023-12-15 | 浙江九州未来信息科技有限公司 | 一种基于贝叶斯分类器的网络故障诊断方法及装置 |
CN117240700B (zh) * | 2023-11-10 | 2024-02-06 | 浙江九州未来信息科技有限公司 | 一种基于贝叶斯分类器的网络故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Data-driven multi-hidden markov model-based power quality disturbance prediction that incorporates weather conditions | |
US20200293032A1 (en) | Extremely fast substation asset monitoring system and method | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
Kezunovic | Translational knowledge: From collecting data to making decisions in a smart grid | |
CN108399579B (zh) | 变电站设备监控数据信号的智能解析*** | |
CN113946971A (zh) | 一种电力***海量输入输出日志数据流的降维方法 | |
US20240136820A1 (en) | Resilient decision systems and methods | |
CN108832630B (zh) | 一种基于预想事故场景的电网cps预防控制方法 | |
Alam et al. | PMU based line outage identification using comparison of current phasor measurement technique | |
CN112964960A (zh) | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 | |
Yang et al. | Data domain adaptation for voltage stability evaluation considering topology changes | |
Liu et al. | Robust Transmission Expansion Planning Considering Massive N-1 Contingencies with High Proportion of Renewable Energy | |
Zhang et al. | Dimensionality reduction of massive I/O log data flow in power system | |
Sheng et al. | Expert system for wide area protection zone selection | |
Zhou et al. | Construction of distribution network topology identification model based on voltage correlation coefficient | |
Wehenkel | A statistical approach to the identification of electrical regions in power systems | |
Zheng et al. | A CNN-Based Warning Information Preprocessing Method for Power Grid Fault Diagnosis Analytical Model | |
Ren et al. | Service Governance Algorithm for Power Grid Structure Optimization Based on Improved Deep Neural Network | |
Wang et al. | A lossy compression algorithm for phasor measurement units data based on auto-encoder and long short term memory | |
Zhang et al. | Data preprocessing and quality evaluation for building the power grid supervision knowledge graph | |
CN114548485B (zh) | 一种电力生产的大数据应用*** | |
Zhang et al. | Research on Distribution Network Topology Identification Algorithm Based on Distribution Variable Measurement Data | |
Niazazari et al. | Deep Neural Network based Wide-Area Event Classification in Power Systems | |
Sun et al. | Fault Prediction Method of Intelligent Distribution Switchgear Based on Nearest Neighbor-Gradient Hybrid Learning-RBF Neural Network for State Aware | |
Wang et al. | Research on the Identification Method of Vulnerable Lines along the CZ Railway Considering the Uncertainty of Traction Load |
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 |