CN113962053A - 一种基于多断面智能仪表数据的配电网状态评估方法 - Google Patents
一种基于多断面智能仪表数据的配电网状态评估方法 Download PDFInfo
- Publication number
- CN113962053A CN113962053A CN202111313818.5A CN202111313818A CN113962053A CN 113962053 A CN113962053 A CN 113962053A CN 202111313818 A CN202111313818 A CN 202111313818A CN 113962053 A CN113962053 A CN 113962053A
- Authority
- CN
- China
- Prior art keywords
- data
- ami
- sampling
- distribution network
- power distribution
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 99
- 238000005070 sampling Methods 0.000 claims abstract description 146
- 238000000034 method Methods 0.000 claims abstract description 135
- 238000005259 measurement Methods 0.000 claims abstract description 83
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000002347 injection Methods 0.000 claims description 10
- 239000007924 injection Substances 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 101150036841 minJ gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
Abstract
一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于,所述方法包括以下步骤:步骤1,获取AMI采样时刻,基于当前时刻与AMI采样时刻的比较,确定对SCADA采样数据和AMI采样数据的读取;其中,当无法读取AMI采样数据时,基于预先设置的滑动时间窗口长度和多项式拟合阶数,采用多项式拟合方法拟合出AMI伪量测数据;步骤2,基于步骤1中获取的数据,对配电网的***节点的实时状态进行评估,并输出评估结果。本发明方法运算过程简单、伪量测结果能够基于历史数据进行灵活且平稳的微调,评估结果准确。
Description
技术领域
本发明涉及电力***控制领域,更具体地,涉及一种基于多断面智能仪表数据的配电网状态评估方法。
背景技术
目前,在推动能源结构转型的背景下,大量的分布式电源、电动汽车充电桩、储能***通过分布式的方式被接入至配电网中,灵活分散的实现电能的输入和输出。为了满足更加复杂的配电网***的输配电需求,及时准确的获取配电网的实时状态至关重要。
现有技术中,数据采集与监视控制***(SCADA,Supervisory Control And DataAcquisition)应用领域广泛,技术发展成熟,在电力***的应用中占据了重要地位。SCADA***作为电力***自动化的实时数据源,能够以RTU(远程终端单元,Remote TerminalUnit)、微机保护装置为核心,将变电站所的控制、信号、测量、计费等回路纳入计算机***,提高二次***的可靠性。
另外,高级计量架构(AMI,Advanced Metering Infrastructure)是在有IP地址的智能电表和电力公司之间的一种自动双向流通架构。AMI能够提供实时的能耗数据,并允许用户在使用过程中以价格为基础对能源使用作出选择,AMII可以采用低成本无线电、例如RF(射频,Radio Frequency)技术和PLC(电力线载波,Power Line Communication)等各类技术实现。
然而,以数据采集与监视控制***和高级计量架构二者单独使用,或者组成配电网量测***使用时均存在着明显的缺点。
首先,在中低压配电网中,各类量测装置的安装数量有限,量测数据的冗余度较低,单独采用任何一种计量架构都难以使得配电网状态的评估结果满足可观性的要求。
其次,当两种不同的计量架构组合使用时,虽然能够对两类设备采集的数据进行同时利用,但由于两种计量架构的采样频率不同,且相差较大,因此要同时利用两类数据就必须大幅延长配电网状态评估的时间间隔或者对于数据进行预处理,以满足评估的时间间隔要求。通常来说,SCADA***的采样频率在1Hz左右,而AMI的采样时间间隔在15min左右。若不对数据进行预处理,就需要将评估的时间间隔延长至15min,这降低了配电网状态评估的实时性。
第三,尽管目前也存在通过对非AMI采样时段进行AMI伪量测数据进行生成的方法,但多数研究通常是以时间上最接近的AMI采样值直接作为之后临近非AMI采样时段的伪量测数据,或者是经过简单处理生成伪量测数据的,这种处理方式生成的伪量测数据精确度很低,根本无法满足配电网在非AMI采样时间段内进行高精度状态评估的要求。
针对上述内容,本发明提供了一种基于多断面智能仪表数据的配电网状态评估方法。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种基于多断面智能仪表数据的配电网状态评估方法。
本发明采用如下的技术方案。
一种基于多断面智能仪表数据的配电网状态评估方法,其中,方法包括以下步骤:步骤1,获取AMI采样时刻,基于当前时刻与AMI采样时刻的比较,确定对SCADA采样数据和AMI采样数据的读取;当无法读取AMI采样数据时,基于预先设置的滑动时间窗口长度和多项式拟合阶数,采用多项式拟合方法拟合出AMI伪量测数据;步骤2,基于步骤1中获取的数据,对配电网的***节点的实时状态进行评估,并输出评估结果。
优选地,步骤1中,当前时刻分别为(t,t+T,t+2T,…,t+nT);其中,T为配电网状态评估方法中,对AMI和SCADA数据进行采样的采样周期,t为初始评估时刻,n为任意自然数。
优选地,T为SCADA采样数据的采样间隔的整数倍,且T远小于AMI采样数据的采样间隔。
优选地,对配电网的***节点的实时状态进行评估还包括,在每一个当前时刻获取AMI和SCADA数据,并基于采集得到的数据获取所述配电网状态的评估结果;AMI数据包括AMI采样数据和AMI伪量测数据。
优选地,若当前时刻为AMI采样时刻,则获取AMI采样数据和SCADA采样数据;若当前时刻非AMI采样时刻,则获取AMI伪量测数据和SCADA采样数据。
优选地,方法在确定对SCADA采样数据和AMI采样数据的读取之前,读取配电网的初始网络参数,并基于初始网络参数建立所述配电网拓扑图;初始网络参数包括配电网的线路连接关系、SCADA设备安装位置、AMI设备安装位置。
优选地,SCADA采样数据包括支路有功功率、支路无功功率;AMI采样数据和AMI伪量测数据包括节点注入有功功率、节点注入无功功率。
优选地,滑动时间窗口长度和多项式拟合阶数在每一个AMI采样时刻下进行更新;其中,滑动时间窗口长度的更新规则步骤包括:步骤1.1,对上一个AMI采样时刻的滑动时间窗口长度和多项式拟合阶数分别进行一位增减运算,并对运算结果进行排列组合;步骤1.2,采用步骤1.1中生成的排列组合中的所有可能结果对历史AMI采样数据进行拟合,并分别获取不同可能结果的拟合值与当前时刻的AMI采样数据的采样值之间的误差;步骤1.3,选取最小误差对应的可能结果,采用该可能结果中的滑动时间窗口长度和多项式拟合阶数作为当前AMI采样时刻至下一个AMI采样时刻之间AMI伪量测数据的拟合参数。
优选地,采用步骤1.3中获取的所述当前AMI采样时刻至下一个AMI采样时刻之间AMI伪量测数据的拟合参数,在每一个当前时刻下生成相应的AMI伪量测数据,以实现对配电网的状态评估。
优选地,采用最小二乘法或加权最小二乘法对拟合函数进行求解。
优选地,当采用加权最小二乘法时,以节点电压复相量为状态变量x=[x1,x2,…,xn]T、以量测数据作为量测向量z=[z1,z2,…,zm]T,其中z=h(x)+v,计算符合目标函数minJ(x)=min[z-h(x)]TR-1[z-h(x)]条件的x的取值;其中,h(x)为状态向量的非线性量测函数,v为高斯白噪声,R-1为量测权重矩阵。
优选地,在获取AMI伪量测数据前进行初始化,并在初始化过程中设定滑动时间窗口长度、多项式拟合阶数的初始值。
优选地,当采用加权最小二乘法时,在初始化过程中设定状态变量的初始值、状态评估的收敛精度。
优选地,滑动时间窗口长度初始值s1的取值范围为[2,10],多项式拟合阶数的初始值p1的取值范围为[1,5];且参数满足条件s1≥p1+1。
优选地,滑动时间窗口中的每一个窗口中放置有一个历史AMI采样数据或当前AMI采样数据;历史AMI采样数据会随着新AMI采样数据的加入以及滑动时间窗口的长度不断发生变化。
优选地,采用平均绝对误差和 对伪量测数据的精度进行检验;其中,N为配电网网络中的***节点数量,M为状态评估次数,取决于初始化过程中设定的状态评估的终止时间和周期T,P为有功功率,为伪量测数据在第j次评估时第i个状态评估节点所对应的有功功率量测值;Q为无功功率,为伪量测数据在第j次评估时第i个状态评估节点所对应的无功功率量测值。
优选地,当SCADA数据的采样周期为1s、AMI数据的采样周期为15min时,设置对AMI和SCADA数据进行采样的采样周期T的取值为1min。
优选地,采用平均绝对误差对伪量测数据的精度进行检验;采用伪量测数据的电压幅值最大绝对误差、电压相角最大绝对误差、电压幅值平均绝对误差以及电压相角平均绝对误差对评估结果的精度进行检验。
本发明的有益效果在于,与现有技术相比,本发明中一种基于多断面智能仪表数据的配电网状态方法,同时采集AMI采样数据和SCADA采样数据对配电网的***节点状态进行实时评估,同时采用动态调整滑动窗口长度和多项式阶数的方式提取出最合适的AMI伪量测数据,从而实现了高精度的配电网状态评估。本发明方法运算过程简单、伪量测结果能够基于历史数据进行灵活且平稳的微调,评估结果准确。
附图说明
图1为本发明一种基于多断面智能仪表数据的配电网状态评估方法中的步骤流程示意图;
图2为本发明一种基于多断面智能仪表数据的配电网状态评估方法中SCADA设备和AMI设备安装位置与配电网网络架构的拓扑图;
图3为本发明一种基于多断面智能仪表数据的配电网状态评估方法中滑动时间窗口更新的示意图;
图4为本发明一种基于多断面智能仪表数据的配电网状态评估方法中基本窗口数和拟合阶数两参数随时间变化的示意图;
图5为本发明一种基于多断面智能仪表数据的配电网状态评估方法第二种方式中获得的AMI伪量测数据与配电网真实注入功率的比较示意图;
图6为本发明一种基于多断面智能仪表数据的配电网状态评估方法第三种方式中获得的AMI伪量测数据与配电网真实注入功率的比较示意图;
图7为本发明一种基于多断面智能仪表数据的配电网状态评估方法中节点三相电压幅值平均误差的比较示意图;
图8为本发明一种基于多断面智能仪表数据的配电网状态评估方法中节点三相电压相角平均误差的比较示意图。
具体实施方式
下面结合附图对本申请作进一步描述。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申请的保护范围。
图1为本发明一种基于多断面智能仪表数据的配电网状态评估方法中的步骤流程示意图。如图1所示,一种基于多断面智能仪表数据的配电网状态评估方法,包括步骤1和步骤2。
步骤1,获取AMI采样时刻,基于当前时刻与AMI采样时刻的比较,确定对SCADA采样数据和AMI采样数据的读取。其中,当无法读取AMI采样数据时,基于预先设置的滑动时间窗口长度和多项式拟合阶数,采用多项式拟合方法拟合出AMI伪量测数据。
可以理解的是,本发明的方法与现有技术中经常采用的多个***量测数据汇总使用进行配电网状态评估的常用方法相似,都可以基于预先设置好的一个状态评估时间间隔来进行数据的采集。
本发明一实施例中,配电网状态评估的时间间隔可以与SCADA采样数据的时间间隔一致,通过配置相同的时间间隔,本发明的方法可以准确的获得所有通过SCADA***采集所得到的数据。由于AMI***的采样间隔通常来说要远远大于SCADA***的采样间隔,因此本发明中配电网状态评估的间隔以SCADA***采样间隔的整数倍为准。
由于AMI***采样数据的间隔较大,因此每一个配电网状态评估的采样时点上并不一定能够充分的获得AMI的量测数据。本发明中就采用了多项式拟合的方法实现对于AMI伪量测数据的获取。区别于现有技术中简单将历史时段采集得到的AMI量测数据直接或经过简单处理后作为下一时段的伪量测数据的方法,本发明中是通过动态调整滑动时间窗口长度和拟合阶数的方法进行数据的多项式拟合的。
本发明方法采用的是动态调整滑动窗口长度和拟合阶数的方法,其效果优于设置为固定长度和固定阶数的评估方法。本发明方法中调整的参数包括滑动窗口长度和拟合阶数两个参数,它们是根据预调整的结果决定的,两个参数同时进行调整。在AMI采样时刻,对之前非AMI采样时间段所采用的滑动时间窗口长度和拟合阶数进行微调,可以形成多种组合,对多个AMI的历史采样值进行数据拟合。将当前AMI采样值作为真实值判据,计算当前时刻的多个拟合误差,将最小拟合误差所对应的滑动时间窗口长度和拟合阶数作为新的拟合参数。然后将当前AMI采样值也放入历史采样序列中,在之后的一段非AMI采样时间段中,采用新的拟合参数对多个AMI历史采样值进行数据拟合。
由于这部分内容是在步骤2中实现的,因此在后文中详细说明。该调整方法本质上是用前一阶段的最佳拟合参数去进行后一阶段的拟合,由于稳态情况下配电网的状态变化并不大,采用该调整方法后的拟合效果较好。另外,尽管发明能够动态调整每次采样时的窗口长度和拟合阶数,但在本发明方法第一次采样时,其采用的时间窗口长度和拟合阶数两个参数则是预先设定的。步骤2,基于步骤1中获取的数据,对配电网的***节点的实时状态进行评估,并输出评估结果。
待完成了对于***中相应数据的获取后,就可以根据获取得到的数据进行轨迹,并生成准确的评估结果了。
优选地,步骤1中,当前时刻分别为(t,t+T,t+2T,…,t+nT);其中,T为配电网状态评估方法中,对AMI和SCADA数据进行采样的采样周期,t为初始评估时刻,n为任意自然数。
可以理解的是,本发明中的配电网状态评估方法在每隔T时间长度,就会重新对配电网状态进行一次评估。为了确保每次评估的准确性,评估过程中所使用的最优参数以及评估的结果应当被记录下来。
优选地,对配电网的***节点的实时状态进行评估还包括,在每一个当前时刻获取AMI和SCADA数据,并基于采集得到的数据获取配电网状态的评估结果;AMI数据包括AMI采样数据和AMI伪量测数据。
可以理解的是,由于设置了评估的时间间隔与SCADA***的采样时间间隔是一致的,或者是SCADA***的采样时间间隔的设定倍数,在每一个时刻获得的SCADA数据都应当是当前时段内获得的最新的SCADA***的真实量测数据。而由于AMI数据的采样间隔较大,则涉及到在AMI***的采样时刻选择AMI真实量测数据,而在AMI***的非采样时刻,生成AMI***的伪量测数据。
优选地,若当前时刻为AMI采样时刻,则获取AMI采样数据和SCADA采样数据;若当前时刻非AMI采样时刻,则获取AMI伪量测数据和SCADA采样数据。
可以理解的是,如前文所述,根据当前时刻是否为相应的AMI采样时刻,可以选择获得AMI采样数据或AMI伪量测数据。
优选地,方法在确定对SCADA采样数据和AMI采样数据的读取之前,读取配电网的初始网络参数,并基于初始网络参数建立所述配电网拓扑图;初始网络参数包括所述配电网的线路连接关系、SCADA设备安装位置、AMI设备安装位置。
可以理解的是,本发明的方法中,为了识别到各个SCADA设备和各个AMI设备实际采集的数据内涵,以及各个不同数据之间的关联,以实现本发明步骤2中的配电网评估,需要在采集数据之前就先确定好配电网的线路连接关系,配电网的网络拓扑结构,以及各个SCADA和AMI设备在配电网中的实际位置。
因此,本发明中的初始参数包括了线路连接关系、SCADA设备安装位置、AMI设备安装位置等信息。另外,每一台SCADA或AMI数据采集设备或者与上述设备进行连接的网路路由能够根据上述信息实现网络拓扑的构建。这一网络拓扑的构建过程与现有技术中路由器中存储的实时更新的路由表的内容基本一致,这里不再赘述。
图2为本发明一种基于多断面智能仪表数据的配电网状态评估方法中SCADA设备和AMI设备安装位置与配电网网络架构的拓扑图。如图2所示,在实现了初始网络参数的获取后,本发明的方法可以实现对于配电网网络拓扑结构的获取。在图2中,可以发现,在不同的配电网的母线或其他线路中,多条线路之间通过标号为2和7的两个节点实现连接。其中,6、5、2、3、4分别依次位于一条母线上,10、9、7、12、13依次位于另一条母线上,11和8等节点则位于与该母线连接的其他线路上。
本发明一个实施例中,在本发明的多个节点之间,例如节点5至节点2、节点2至节点3、节点3至节点4之间存在三个不同的SCADA数据采集设备,而在节点6至节点5之间、节点9至节点7之间,节点7至节点8之间则不具备该SCADA数据的采集设备。另一方面,AMI数据采集设备也并不安装在每一个节点上,例如,AMI设备只安装在节点6、5、2、8、10、11、12、13上,而并未安装在节点1、3、4、7、9上。
由于本发明中在采集上述数据之前,形成了配电网的网络拓扑结构图,因此,能够准确的分析和理解在不同的节点上,和不同的节点之间所采集得到的数据信息。
优选地,SCADA采样数据包括支路有功功率、支路无功功率;AMI采样数据和AMI伪量测数据包括节点注入有功功率、节点注入无功功率。
可以理解的是,本发明的方法中,对于SCADA设备来说,可以分别采集设备所在支路上的有功功率和无功功率,而对于AMI设备来说,则可以分别采集设备所在节点上的节点注入的有功和无功功率。
由于本发明中步骤2的分析方法只需要通过有功功率和无功功率数据即可对于配电网各个线路的状态进行准确的评估和判定,因此,本发明的方法中则无需采集其他类型的数据信息。不过,容易想到且容易实现的是,为了实现多种不同的分析和评估方法,当评估方法所需的原始数据是三相电压、三相电流等电网的基础数据时,SCADA设备和AMI设备也能够容易的适应对不同数据的采集和传输。因此,本发明的方法同样适用于处理支路电流幅值量测、节点电压幅值量测和节点电压复相量量测。
另外,为了评估方法的精确度,本发明中的方法能够在采集配电网的拓扑信息,SCADA设备和AMI设备的位置的同时,也采集到各个不同的SCADA设备和AMI设备的采样频率和量测精度。通过上述两项数据,就可以得到每一台智能仪表数据设备所采集数据的时间和采集数据的精确度。数据的采集时间和精确度两项参数作为数据的重要指标,在后续对于数据的分析和处理过程中,将起到重要作用。例如,数据的时间标签可以指示数据在不同的配电网状态评估时间时当前数据是否需要被计算,而数据精确度则可以防止后续的数据分析和计算的过程的计算冗余,并同时确保分析结果具有最高的精度,例如可以根据采样数据的精度来设置步骤2中状态评估的收敛精度等。本发明一实施例中,SCADA智能仪表数据设备的量测误差标准差的取值为0.01,而AMI智能仪表数据设备的量测误差标准差的取值为0.005。
在具体的分析计算中,由于网络拓扑关系可以被抽象为节点导纳矩阵,因此,根据不同节点上和节点之间的数据与节点导纳矩阵的乘积,则可以获得到状态评估的相应结果。
优选地,滑动时间窗口长度的更新规则步骤包括:步骤1.1,对上一个AMI采样时刻的滑动时间窗口长度和多项式拟合阶数分别进行一位增减运算,并对运算结果进行排列组合;步骤1.2,采用步骤1.1中生成的排列组合中的所有可能结果对历史AMI采样数据进行拟合,并分别获取不同可能结果的拟合值与当前时刻的AMI采样数据的采样值之间的误差;步骤1.3,选取最小误差对应的可能结果,采用该可能结果中的滑动时间窗口长度和多项式拟合阶数作为当前AMI采样时刻至下一个AMI采样时刻之间AMI伪量测数据的拟合参数。
可以理解的是,本发明中的方法,可以在每两个AMI采样时刻之间,即每一个AMI采样时段内,设置与上一个时段不同或相同的拟合相关参数。本发明中两个拟合参数分别为多项式的拟合阶数p和滑动时间窗口长度s。
具体来说,图3为本发明一种基于多断面智能仪表数据的配电网状态评估方法中滑动时间窗口更新的示意图。如图3所示,滑动时间窗口中的每一个基本窗口中放置有一个历史AMI采样数据;其中,历史AMI采样数据会随着新AMI采样数据的加入以及滑动时间窗口的长度不断发生变化。
可以理解的是,在每一个AMI采样的时刻,都会获取到一个新的AMI采样数据,同时,设备可以存储多个历史AMI采样数据。通过对历史数据和新的AMI采样数据的计算,就可以得到当前AMI采样时刻下更新后的两个拟合参数了。更新后的两个拟合参数可以在下一个AMI采样数据被采集得到之前被一直使用。对于本发明一个实施例来说,当AMI采样间隔为15min时,在这一15min内,拟合参数不会进行更新,到下一个15min内,拟合参数会被更新。
可以理解的是,本发明中步骤1.1可以对上一个时刻,例如r时刻的两个参数进行获取,这两个参数分别为r-15min时刻和r时刻之间这一时间段内为了生成AMI伪量测数据所采用的滑动时间窗口长度sr和多项式拟合阶数pr。对于这两个参数进行增减运算,运算的方法为,对于滑动时间窗口长度sr,下一个时间段的滑动时间窗口长度的可能值为类似的,对于多项式拟合阶数pr来说,下一个时间段的拟合阶数为
对上述结果进行排列组合可得最多9中不同的可能结果,即可能的组合分别为(sr,pr)、(sr-1,pr)、(sr+1,pr)、(sr,pr-1)、(sr-1,pr-1)、(sr+1,pr-1)、(sr,pr+1)、(sr-1,pr+1)、(sr+1,pr+1)。这里是说,最多的可能结果为9种类,然而根据实际情况的不同,上述9种结果的取值并不一定能够完全实现。这是因为,在实际应用过程中,还需要满足如下条件
这一条件具体是指,为了实现对于AMI伪量测数据的有效生成,拟合的阶数至少应当为1,才能保证用于拟合的多项式回归函数的右侧取值不会恒等于一个常数,而无法对自变量进行运算。当拟合阶数为1时,回归函数至少能够拟合出一条线性函数。而当拟合阶数越高时,曲线的复杂度也越高。
另外,为了使得拟合阶数至少为1,就需要滑动时间窗口的长度应当比拟合阶数至少大1个才行。这是因为,当拟合阶数为1时,需要使用1个历史AMI采样数据,另外,滑动窗口中还应存储一个当前时刻的AMI采样数据。根据这一原因,则有sr≥pr+1和sr≥2。
将9种可能的结果分别与上述条件进行比较,得到所有可能结果。根据每一种可能的结果,可以从滑动时间窗口中获取相应数量的历史AMI采样数据,同时采用相应的拟合阶数用多项式拟合公式求解出所有可能的拟合值。
在步骤1.2中,采用的拟合方法获得的公式为:
其中,p为本次拟合过程中所采用的可能的拟合阶数,k的取值为0到p之间的任意整数,tr为在r时刻到r+15min时刻之间的任意一个时刻。其取值间隔通常来说可以根据状态评估的间隔进行取得,通常与SCADA的采样时间一致,或是其相应的倍数。f(tr)为拟合得出的在tr时刻的AMI伪量测数据。
为了实现这一公式的计算,需要得到多项式中每一项的系数的具体取值。本发明中,为了拟合出最优的多项式,对于系数的获取方法是通过最小二乘法实现的。
不过,本发明中,需要说明的是,最小二乘法所采用的原始数据为多个AMI采样时刻ti上的多个不同的AMI采样数据,也就是真实的AMI数据。多个采样时刻ti和ti+1、ti-1之间的间隔时间均为15min。因此,本发明实际上是在非常长的时间上拟合出了最佳的多项式拟合曲线,并只是将当前次的拟合应用在其中一个ti和ti+1时刻的间隔上,也就是r时刻到r+15min时刻之间。
具体来说,最小二乘法所采用的AMI采样数据的数量由滑动时间窗口长度来确定,也就是说,本发明中最小二乘法的公式为其中s为滑动时间窗口长度,也同样是本发明中最小二乘法所使用的历史AMI采样数据的个数。由于最小二乘法也是现有技术中的通用内容,因此这里不再赘述最小二乘法对公式中参数ap、ap-1至a0的计算过程。
经过最小二乘法获取f(tr)公式的相关参数后,可以将当前时刻代入公式,获得拟合值。9种不同的可能结果计算得到的拟合值都是不同的,因此,本发明中将多个拟合值分别与当前时刻的AMI采样数据进行比较,得到误差值。如果9个可能的结果均有效,那么误差值也相应的会生成9个。求9个误差值中最小的那个,也就是min{e1,…,e9},从而得到最优的拟合参数。
也就是说,在下一个时间段内,就可以采用最优的拟合参数进行AMI伪量测数据的生成了。
本发明所采用的方法,适用于配电网工作在稳定状态,且电网潮流变化不大的情况下,通过小辐度逐步调整拟合参数的方法实现对于配电网状态的准确评估。由于本发明的方法通过生成高精确度的AMI伪量测数据使得非AMI采样时段的配电网具备了可观性,从而缩短了状态评估的执行周期,且其精确度高于传统的直接采用时间上最接近的AMI采样值作为之后非AMI采样时间段内的恒定伪量测的方法,进而为配电网的运行控制提供更加实时准确的数据。
需要说明的是,除了采用现有技术中通用的最小二乘法之外,本发明还可以采用最小二乘法的改进,即加权最小二乘法等方式对所有量测数据进行状态评估处理。在采用加权最小二乘法时,可以选取节点电压复相量作为状态变量生成状态向量x=[x1,x2,…,xn]T,以多种量测数据组成量测向量z=[z1,z2,…,zm]T。在给定网格结线、支路参数和量测***的条件下,可以得到***中的状态向量与量测向量之间的关系式z=h(x)+v。其中,h(x)为状态向量的非线性量测函数,v是均值为0、服从正态分布的高斯白噪声,其中 为第i个量测量的白噪声方差。
加权最小二乘法状态评估的目标函数为minJ(x)=min[z-h(x)]TR-1[z-h(x)],其中R-1为***的量测权重矩阵。对该目标函数求最小值,即可获得本发明中的非线性量测方程。由于加权最小二乘法属于现有技术中通用的方法,因此这里不再对其进行赘述。
优选地,在获取AMI伪量测数据前进行初始化,并在初始化过程中设定滑动时间窗口长度、多项式拟合阶数的初始值;当采用加权最小二乘法时,在初始化过程中设定状态变量的初始值、状态评估的收敛精度。
需要说明的是,在采取最小二乘法的方法获得最佳的拟合函数,并通过拟合函数计算伪量测数据的过程中,需要实现本发明方法的***在接收到AMI量测数据之后进行***初始化的操作。在该初始化操作的过程中,需要首先设定需要各类参数的初始值。
优选地,滑动时间窗口长度初始值s1的取值范围为[2,10],多项式拟合阶数的初始值p1的取值范围为[1,5];且参数满足条件s1≥p1+1。这是由于滑动时间窗口长度和多项式拟合阶数两个相关参数的参数特性决定的。这部分内容已在上文中说明,这里不再赘述。
具体来说,如果本发明中采用了加权最小二乘法进行状态评估,则需要设置状态变量的初始值。在进行状态评估过程中,为了确保收敛精度符合要求,通常会根据各个设备的参数获取到设备对应的数据采集精度,同时根据数据采集精度来设定状态评估的收敛精度。本发明中状态评估的收敛精度的取值可以在[10-6,10-4]之间。
同时,无论是采用哪种拟合函数的获取方式,通常为了确保本发明方法的顺利执行和结束,都会设定状态评估周期T的大小,以及状态评估的终止时间。如上文所述,通常状态评估周期T的大小都远小于AMI采样周期15min的时间长度,同时应当为SCADA数据采样周期的整数倍。本发明一实施例中,时间T为1min。
本发明中,对于伪量测数据的精度可以采用平均绝对误差的方法进行检验。本发明中平均绝对误差的计算公式为:
其中,N为配电网网络中的***节点数量,M为本发明方法中总的状态评估次数,其取值与初始化过程中设定的状态评估的终止时间和周期T的取值有关。另外,为有功功率,可以为伪量测数据在第j次评估时、第i个状态评估节点所对应的量测值;为无功功率,为所述伪量测数据在第j次评估时第i个状态评估节点所对应的无功功率量测值。
为了验证本发明的效果,本发明中选取了三种不同的方式对不同算法获得的结果进行了比较。
第一种方式,采用现有技术中常用的方法实现SCADA和AMI的混合量测。在这种方法中,只在15min间隔的AMI采样时刻内进行量测,并针对该量测结果进行状态评估。
第二种方式,采用本发明中的伪量测数据实现在非AMI采样时刻的伪量测数据的生成。在此基础上,综合SCADA数据和AMI数据实现状态评估。在该实施例中,选择了最小二乘法作为拟合函数的获得方式,且设置了滑动时间窗口长度的初始值为6,且多项式拟合阶数的初始值为2。
第三种方式,采用现有技术中的方法,在非AMI采样时间段内直接采用时间上最接近的AMI采样值作为该时间内的恒定伪量测值,之后进行状态评估。
图4为本发明一种基于多断面智能仪表数据的配电网状态评估方法中基本窗口数和拟合阶数两参数随时间变化的示意图。如图4所示,在第二种方式中,尽管初始的参数分别为6和2,但随着时间的变化,随着对拟合函数误差的计算和对上述两个参数的迭代调整后,参数的取值在多个状态评估周期内进行了变化,例如,拟合阶数在第三次评估时,取值+1,第四次评估时再次+1,而窗口长度则在第四次拟合时降低为5。
表1为本发明第二种方式和第三种方式伪量测精度的对比数据表。如表1所示,第二种方式的AMI伪量测数据的精度要高于第三种方式中的伪量测数据的生成方法。
方式 | 有功功率误差值(p.u.) | 无功功率误差值(p.u.) |
第二种方式 | 0.00205 | 0.00121 |
第三种方式 | 0.00293 | 0.00185 |
表1第二种方式和第三种方式伪量测精度的对比数据表
图5为本发明一种基于多断面智能仪表数据的配电网状态评估方法第二种方式中获得的AMI伪量测数据与配电网真实注入功率的比较示意图。图6为本发明一种基于多断面智能仪表数据的配电网状态评估方法第三种方式中获得的AMI伪量测数据与配电网真实注入功率的比较示意图。从图中可以明显看出,第二种方式获得的伪量测数据的取值相对第三种方式更加贴近于真实的量测数据。
本发明中,为了便于对状态评估精度作出定量的分析,可以采用电压幅值最大绝对误差、相角最大绝对误差、电压幅值平均绝对误差以及相角平均绝对误差作为衡量指标,根据上述指标分别获得的误差表达式为
表2为本发明上述三种方法下的节点7在状态评估的各项误差指标。如表2所示,对于当前节点来说,由于第一种方式并未生成伪量测数据,因此其平均绝对误差最小。然而,第二种方式尽管生成了大量的伪量测数据,其平均绝对误差的大小并不比第一种方式的误差大太多,且其平均绝对误差也小于第三种方式。
表2三种方式下节点7在状态评估的各项误差指标比较表
图7为本发明一种基于多断面智能仪表数据的配电网状态评估方法中节点三相电压幅值平均误差的比较示意图。图8为本发明一种基于多断面智能仪表数据的配电网状态评估方法中节点三相电压相角平均误差的比较示意图。图7和图8分别为本发明三种方式中电压幅值和电压相角的平均误差比较。第二种方式的误差与第一种方式比较接近,且均大大小于第三种方式的误差。可见,本发明中的方法很好的实现了对非AMI采样时间段内相关数据的预测和生成,伪量测精确度更高,从而使得在最终的状态评估精度上更高于选取采样时间最接近的AMI采样值作为伪量测的方法。同时,本发明在一个AMI采样周期内,可以进行多次有效的评估,因此本发明也有效缩短了配电网状态评估的执行周期。
本发明的有益效果在于,与现有技术相比,本发明中一种基于多断面智能仪表数据的配电网状态方法,同时采集AMI采样数据和SCADA采样数据对配电网的***节点状态进行实时评估,同时采用动态调整滑动窗口长度和多项式阶数的方式提取出最合适的AMI伪量测数据,从而实现了高精度的配电网状态评估。本发明方法运算过程简单、伪量测结果能够基于历史数据进行灵活且平稳的微调,评估结果准确。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (18)
1.一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于,所述方法包括以下步骤:
步骤1,获取AMI采样时刻,基于当前时刻与AMI采样时刻的比较,确定对SCADA采样数据和AMI采样数据的读取;
其中,当无法读取AMI采样数据时,基于预先设置的滑动时间窗口长度和多项式拟合阶数,采用多项式拟合方法拟合出AMI伪量测数据;
步骤2,基于步骤1中获取的数据,对配电网的***节点的实时状态进行评估,并输出评估结果。
2.根据权利要求1中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
所述步骤1中,当前时刻分别为(t,t+T,t+2T,...,t+nT);其中,
T为所述配电网状态评估方法中,对AMI和SCADA数据进行采样的采样周期,t为初始评估时刻,n为任意自然数。
3.根据权利要求2中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
T为SCADA采样数据的采样间隔的整数倍,且T远小于AMI采样数据的采样间隔。
4.根据权利要求3中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
所述对配电网的***节点的实时状态进行评估还包括,在每一个当前时刻获取AMI和SCADA数据,并基于采集得到的数据获取所述配电网状态的评估结果;
所述AMI数据包括AMI采样数据和AMI伪量测数据。
5.根据权利要求4中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
若当前时刻为AMI采样时刻,则获取AMI采样数据和SCADA采样数据;
若当前时刻非AMI采样时刻,则获取AMI伪量测数据和SCADA采样数据。
6.根据权利要求5中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
所述方法在确定对SCADA采样数据和AMI采样数据的读取之前,读取配电网的初始网络参数,并基于所述初始网络参数建立所述配电网拓扑图;
所述初始网络参数包括所述配电网的线路连接关系、SCADA设备安装位置、AMI设备安装位置。
7.根据权利要求6中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
所述SCADA采样数据包括支路有功功率、支路无功功率;
所述AMI采样数据和AMI伪量测数据包括节点注入有功功率、节点注入无功功率。
8.根据权利要求7中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
所述滑动时间窗口长度和所述多项式拟合阶数在每一个AMI采样时刻下进行更新;其中,
所述滑动时间窗口长度的更新规则步骤包括:
步骤1.1,对上一个AMI采样时刻的滑动时间窗口长度和多项式拟合阶数分别进行一位增减运算,并对运算结果进行排列组合;
步骤1.2,采用步骤1.1中生成的排列组合中的所有可能结果对历史AMI采样数据进行拟合,并分别获取不同可能结果的拟合值与当前时刻的AMI采样数据的采样值之间的误差;
步骤1.3,选取最小误差对应的可能结果,采用该可能结果中的滑动时间窗口长度和多项式拟合阶数作为当前AMI采样时刻至下一个AMI采样时刻之间AMI伪量测数据的拟合参数。
9.根据权利要求8中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
采用步骤1.3中获取的所述当前AMI采样时刻至下一个AMI采样时刻之间AMI伪量测数据的拟合参数,在每一个当前时刻下生成相应的AMI伪量测数据,以实现对配电网的状态评估。
10.根据权利要求9中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
采用最小二乘法或加权最小二乘法对拟合函数进行求解。
11.根据权利要求10中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
当采用加权最小二乘法时,以节点电压复相量为状态变量x=[x1,x2,…,xn]T、以量测数据作为量测向量z=[z1,z2,…,zm]T,其中z=h(x)+v,计算符合目标函数minJ(x)=min[z-h(x)]TR-1[z-h(x)]条件的x的取值;
其中,h(x)为状态向量的非线性量测函数,v为高斯白噪声,R-1为量测权重矩阵。
12.根据权利要求11中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
在获取所述AMI伪量测数据前进行初始化,并在所述初始化过程中设定所述滑动时间窗口长度、所述多项式拟合阶数的初始值。
13.根据权利要求12中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
当采用加权最小二乘法时,在所述初始化过程中设定所述状态变量的初始值、所述状态评估的收敛精度。
14.根据权利要求13中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
所述滑动时间窗口长度初始值s1的取值范围为[2,10],所述多项式拟合阶数的初始值p1的取值范围为[1,5];
且所述参数满足条件s1≥p1+1。
15.根据权利要求14中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
所述滑动时间窗口中的每一个窗口中放置有一个历史AMI采样数据或当前AMI采样数据;
所述历史AMI采样数据会随着新AMI采样数据的加入以及滑动时间窗口的长度不断发生变化。
17.根据权利要求16中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
当所述SCADA数据的采样周期为1s、所述AMI数据的采样周期为15min时,设置所述对AMI和SCADA数据进行采样的采样周期T的取值为1min。
18.根据权利要求17中所述的一种基于多断面智能仪表数据的配电网状态评估方法,其特征在于:
采用平均绝对误差对所述伪量测数据的精度进行检验;
采用所述伪量测数据的电压幅值最大绝对误差、电压相角最大绝对误差、电压幅值平均绝对误差以及电压相角平均绝对误差对所述评估结果的精度进行检验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313818.5A CN113962053A (zh) | 2021-11-08 | 2021-11-08 | 一种基于多断面智能仪表数据的配电网状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313818.5A CN113962053A (zh) | 2021-11-08 | 2021-11-08 | 一种基于多断面智能仪表数据的配电网状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962053A true CN113962053A (zh) | 2022-01-21 |
Family
ID=79469741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111313818.5A Pending CN113962053A (zh) | 2021-11-08 | 2021-11-08 | 一种基于多断面智能仪表数据的配电网状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962053A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114336792A (zh) * | 2022-02-14 | 2022-04-12 | 华北电力大学(保定) | 一种电网运行状态预测方法与*** |
CN117060592A (zh) * | 2023-08-30 | 2023-11-14 | 国网山东省电力公司德州供电公司 | 基于多域协同的电网数据同步校准方法及*** |
-
2021
- 2021-11-08 CN CN202111313818.5A patent/CN113962053A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114336792A (zh) * | 2022-02-14 | 2022-04-12 | 华北电力大学(保定) | 一种电网运行状态预测方法与*** |
CN117060592A (zh) * | 2023-08-30 | 2023-11-14 | 国网山东省电力公司德州供电公司 | 基于多域协同的电网数据同步校准方法及*** |
CN117060592B (zh) * | 2023-08-30 | 2024-02-23 | 国网山东省电力公司德州供电公司 | 基于多域协同的电网数据同步校准方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962053A (zh) | 一种基于多断面智能仪表数据的配电网状态评估方法 | |
CN103454559B (zh) | 一种配电网单相接地故障区段定位方法及定位装置 | |
CN111398885A (zh) | 一种结合线损分析的智能电表运行误差监控方法 | |
CN113078630B (zh) | 一种基于实时量测数据的低压配电网拓扑辨识方法 | |
CN103944165B (zh) | 一种大电网参数辨识估计方法 | |
CN110880760A (zh) | 一种低压配电网线损与无功补偿协同优化方法 | |
CN105301402B (zh) | 一种交流信号采集及自动校准方法 | |
CN105958470A (zh) | 一种基于双线性凸优化理论电力***双线性抗差估计方法 | |
CN113985339A (zh) | 智能电表的误差诊断方法及***、设备、存储介质 | |
CN114966316A (zh) | 一种一二次深度融合设备信号检测装置及检测方法 | |
Zhang et al. | Research on estimating method for the smart electric energy meter’s error based on parameter degradation model | |
CN115453193A (zh) | 基于pqm、ttu和sm量测数据协同的配电网谐波状态估计方法 | |
CN104537233A (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
CN113162002B (zh) | 一种计及宽频测量环节的直流行波保护方法及*** | |
CN113466548A (zh) | 一种基于相量测量技术的智能电表台区识别方法 | |
CN112084713B (zh) | 一种单电源辐射状配电网负荷开关状态辨识方法 | |
CN109586289B (zh) | 一种配电网多时间尺度递归动态状态估计方法及*** | |
CN111537941A (zh) | 具有广域分析功能的电压互感器计量异常在线监测***及方法 | |
CN116736212A (zh) | 一种互感器运行误差在线监测及计量方法 | |
CN114065118B (zh) | 一种基于指数函数的电力***鲁棒状态估计方法 | |
CN115840185A (zh) | 一种电压互感器误差在线监测与分析方法、介质及终端 | |
CN113156358B (zh) | 一种架空输电线路异常线损分析方法及*** | |
CN109327026B (zh) | 一种低压配电网区间状态估计方法 | |
CN115774233B (zh) | 一种站端电能计量装置计量性能在线判别方法与装置 | |
CN117972537B (zh) | 基于广域量测的电压互感器计量状态评估方法及*** |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230426 Address after: 214000 No.12 Liangxi Road, Wuxi City, Jiangsu Province Applicant after: STATE GRID JIANGSU ELECTRIC POWER CO., LTD. WUXI POWER SUPPLY Co. Address before: No.12, Liangxi Road, Liangxi District, Wuxi City, Jiangsu Province, 214000 Applicant before: STATE GRID JIANGSU ELECTRIC POWER CO., LTD. WUXI POWER SUPPLY Co. Applicant before: HOHAI University |