[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117914001B - 电力系统、故障研判方法、装置、设备及介质 - Google Patents

电力系统、故障研判方法、装置、设备及介质 Download PDF

Info

Publication number
CN117914001B
CN117914001B CN202410303089.2A CN202410303089A CN117914001B CN 117914001 B CN117914001 B CN 117914001B CN 202410303089 A CN202410303089 A CN 202410303089A CN 117914001 B CN117914001 B CN 117914001B
Authority
CN
China
Prior art keywords
data
model
intelligent
fault
control instruction
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
Application number
CN202410303089.2A
Other languages
English (en)
Other versions
CN117914001A (zh
Inventor
张港红
霍超
刘彤蕾
郑利斌
白晖峰
甄岩
高建
苑佳楠
杨双双
张予
申振东
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.)
Beijing Smartchip Microelectronics Technology Co Ltd
Original Assignee
Beijing Smartchip Microelectronics Technology 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 Beijing Smartchip Microelectronics Technology Co Ltd filed Critical Beijing Smartchip Microelectronics Technology Co Ltd
Priority to CN202410303089.2A priority Critical patent/CN117914001B/zh
Publication of CN117914001A publication Critical patent/CN117914001A/zh
Application granted granted Critical
Publication of CN117914001B publication Critical patent/CN117914001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00016—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using a wired telecommunication network or a data transmission bus
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/50—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads
    • H02J2310/56—The network for supplying or distributing electric power characterised by its spatial reach or by the load for selectively controlling the operation of the loads characterised by the condition upon which the selective controlling is based
    • H02J2310/58—The condition being electrical
    • H02J2310/60—Limiting power consumption in the network or in one section of the network, e.g. load shedding or peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开涉及电网技术领域，具体涉及一种电力系统、故障研判方法、装置、设备及介质，该系统包括：配电云平台、智能融合终端、智能开关和端侧新能源设备。智能开关通过数据预处理模型对端侧新能源设备的采集数据进行预处理，通过将预处理后的数据上传给智能融合终端，以使得通过轻量级故障研判模型对预处理后的数据进行分析得到第一目标控制指令，或者，智能融合终端作为桥梁将预处理后的数据转发给配电云平台，以使得可以通过整体故障研判模型对预处理后的数据进行分析得到第二目标控制指令，从而由智能开关根据下发的目标控制指令执行相应的开关操作，如此面对新能源设备，通过配电云平台、智能融合终端和智能开关互相配合以实现动态控制与保护。

Description

电力系统、故障研判方法、装置、设备及介质
技术领域
本公开涉及电力组网技术领域，具体涉及一种电力系统、故障研判方法、装置、设备及介质。
背景技术
电力系统在配电台区面临的调整主要表现在如下三个方面：
第一，在电源侧电力系统从“源随荷动”转为“源荷互动”，传统的平衡方式是单向链条，电源侧跟踪负荷变化，而电力系统的平衡变得复杂多变，需要动态互动，动态调整平衡性。
第二，在电网侧新能源高比例接入系统后，会出现系统转动惯量减小，频率调节能力降低的问题，且系统短路容量下降，抗扰动能力也降低；同时，也会导致系统无功支撑能力降低，暂态过/欠电压问题突出，从而对电网调峰、调频、电能质量控制及维持系统平衡提出了更高的安全等级。
第三，在负荷侧随着分布式能源、储能、电动汽车、智能用电等交互式设备的大量接入，潮流流向将发生改变，电压分布、谐波等会影响配电网电能质量，且终端无序用电将会增加净负荷峰谷差，导致功率波动问题更加突出，使得配电网对新能源的接纳能力和消纳能力面临挑战，安全稳定运行受到影响。
如此，现有的电力系统容错能力有限，面对分布式光伏、储能、电动汽车充电桩等设备大规模的接入，导致在电网出现故障时无法及时实时调节与控制。
故，面对分布式光伏、储能、电动汽车充电桩等端侧新能源设备，构建一种基于电力系统，以能够动态实时调节与控制成为亟需解决的问题。
发明内容
为了解决相关技术中的问题，本公开实施例提供一种电力系统、故障研判方法、装置、设备及介质。
第一方面，本公开实施例中提供了一种电力系统，所述电力系统包括：配电云平台、智能融合终端、智能开关和端侧新能源设备；
其中，所述智能开关，用于获取所述端侧新能源设备的原始环境采集数据；基于所述原始环境采集数据构建循环链表，得到链式采集数据；基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，并发送预处理后的数据，所述预处理后的数据不包括异常数据；将所述预处理后的数据发送至所述智能融合终端；接收所述智能融合终端发送的目标控制指令，基于所述目标控制指令，执行相应的开关操作；其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定，所述目标控制指令为所述智能融合终端确定的第一目标控制指令，或者为所述配电云平台确定并通过所述智能融合终端发送的第二目标控制指令；
所述智能融合终端，用于接收所述智能开关发送的所述预处理后的数据，并发送至所述配电云平台；将所述预处理后的数据输入预设的轻量级故障研判模型，得到第一决策结果；其中，所述轻量级故障研判模型基于所述智能融合终端对应的历史采集数据进行训练得到；基于所述第一决策结果确定所述第一目标控制指令；向所述智能开关发送所述第一目标控制指令；
所述配电云平台，用于接收所述智能融合终端发送的所述预处理后的数据；将所述预处理后的数据输入预设的整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台对应的历史采集数据进行训练得到；基于所述第二决策结果确定第二目标控制指令；通过所述智能融合终端向对应的所述智能开关发送所述第二目标控制指令。
第二方面，本公开实施例中提供了一种基于电力系统的故障研判方法，应用于所述电力系统中的智能开关，所述电力系统还包括智能融合终端和端侧新能源设备。
具体地，所述方法包括：
获取所述端侧新能源设备的原始环境采集数据；
基于所述原始环境采集数据构建循环链表，得到链式采集数据；
基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，所述预处理后的数据不包括异常数据；
将所述预处理后的数据发送至所述智能融合终端；
接收所述智能融合终端发送的目标控制指令，基于所述目标控制指令，执行相应的开关操作；其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定。
本公开一可能的实现方式中，所述原始环境采集数据，所述基于所述原始环境采集数据构建循环链表，得到链式采集数据，包括：
基于所述多个业务数据中的每个业务数据，构建所述循环链表中的每个节点，每个节点可以包括对应业务数据的采集时间和具体数值以及指向下一个业务数据的地址；
将所述循环链表中最后一个节点的地址指向所述循环链表中头部节点的地址，以得到所述链式采集数据。
本公开一可能的实现方式中，所述电力系统还包括配电云平台；其中，其中，所述目标控制指令为所述智能融合终端对所述预处理后的数据进行故障研判得到的第一目标控制指令；
或者，所述目标控制指令为所述智能融合终端将所述预处理后的数据发送至配电云平台并由所述配电云平台对所述预处理后的数据进行故障研判得到的第二目标控制指令。
第三方面，本公开实施例中提供了一种基于电力系统的故障研判方法，应用于所述电力系统中的智能融合终端，所述电力系统还包括智能开关和端侧新能源设备。
具体地，所述方法包括：
获取第一目标采集数据；其中，所述第一目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
将所述第一目标采集数据输入轻量级故障研判模型，得到第一决策结果；其中，所述轻量级故障研判模型基于所述智能融合终端本地存储的历史采集数据进行训练得到；
基于所述第一决策结果确定第一目标控制指令；
向所述智能开关发送所述第一目标控制指令。
本公开一可能的实现方式中，所述获取第一目标采集数据，包括：
接收所述智能开关发送的所述第一目标采集数据；其中，所述第一目标采集数据仅为对所述智能开关对应区域的端侧新能源设备采集得到。
第四方面，本公开实施例中提供了一种基于电力系统的故障研判方法，应用于所述电力系统中的配电云平台，所述电力系统还包括智能开关、智能融合终端和端侧新能源设备，其特征在于，所述方法包括：
获取第二目标采集数据；其中，所述第二目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
将所述第二目标采集数据输入整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台本地存储的历史采集数据进行训练得到；
基于所述第二决策结果确定第二目标控制指令；
通过所述智能融合终端向所述智能开关发送所述第二目标控制指令。
本公开一可能的实现方式中，所述获取第二目标采集数据，包括：
接收所述电力系统中智能融合终端发送的所述第二目标采集数据；其中，所述第二目标采集数据为对与所述智能融合终端相关联的至少一个智能开关对应区域的端侧新能源设备采集得到。
本公开一可能的实现方式中，所述方法还包括：
获取故障研判模型，其中，所述故障研判模型为轻量级故障研判模型或整体故障研判模型。
本公开一可能的实现方式中，所述故障研判模型为轻量级故障研判模型，所述获取故障研判模型，包括：
基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量；
获取所述智能融合终端的总计算力和所述智能融合终端正常运行需要的计算力以及预设的计算力调节系数；
基于所述每一神经网络层的计算量、所述智能融合终端的总计算力和所述智能融合终端正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数；
基于所述参数数量和所述神经网络层数，构建所述神经网络模型；其中，所述神经网络模型的神经元个数由所述参数数量确定；
利用所述历史采集数据对所述神经网络模型进行训练，得到所述故障研判模型。
本公开一可能的实现方式中，所述基于所述每一神经网络层的计算量、所述智能融合终端的总计算力和所述智能融合终端正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数，包括：
利用下式确定所述神经网络模型的神经网络层数：
其中，/>表示神经网络层数，/>表示智能融合终端的总计算力，/>表示智能融合终端正常运行需要的计算力，/>表示神经网络模型中每一神经网络层的计算量，/>表示计算力调节系数。
第五方面，本公开实施例中提供了一种基于电力系统的故障研判装置，应用于所述电力系统中的智能开关，所述电力系统还包括智能融合终端和端侧新能源设备，所述故障研判装置包括：
数据获取模块，被配置为获取所述端侧新能源设备的原始环境采集数据；
数据构建模块，被配置为基于所述原始环境采集数据构建循环链表，得到链式采集数据；
数据处理模块，被配置为基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，所述预处理后的数据不包括异常数据；
数据发送模块，被配置为将所述预处理后的数据发送至所述智能融合终端；
指令接收模块，被配置为接收所述智能融合终端发送的目标控制指令；
指令执行模块，被配置为基于所述目标控制指令，执行相应的开关操作；其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定。
本公开一可能的实现方式中，所述原始环境采集数据包括多个业务数据；所述数据构建模块，被配置为：
基于所述多个业务数据中的每个业务数据，构建所述循环链表中的每个节点，每个节点可以包括对应业务数据的采集时间和具体数值以及指向下一个业务数据的地址；
将所述循环链表中最后一个节点的地址指向所述循环链表中头部节点的地址，以得到所述链式采集数据。
本公开一可能的实现方式中，所述电力系统还包括配电云平台；其中，其中，所述目标控制指令为所述智能融合终端对所述预处理后的数据进行故障研判得到的第一目标控制指令；
或者，所述目标控制指令为所述智能融合终端将所述预处理后的数据发送至配电云平台并由所述配电云平台对所述预处理后的数据进行故障研判得到的第二目标控制指令。
第六方面，本公开实施例中提供了一种基于电力系统的故障研判装置，应用于所述电力系统中的智能融合终端，所述电力系统还包括智能开关和端侧新能源设备，所述故障研判装置包括：
第一获取模块，被配置为获取第一目标采集数据；其中，所述第一目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
故障研判模块，被配置为将所述第一目标采集数据输入轻量级故障研判模型，得到第一决策结果；其中，所述轻量级故障研判模型基于所述智能融合终端本地存储的历史采集数据进行训练得到；
第一确定模块，被配置为基于所述第一决策结果确定第一目标控制指令；
指令发送模块，被配置为向所述智能开关发送所述第一目标控制指令。
本公开一可能的实现方式中，所述第一获取模块，被配置为：
接收所述智能开关发送的所述第一目标采集数据；其中，所述第一目标采集数据仅为对所述智能开关对应区域的端侧新能源设备采集得到。
第七方面，本公开实施例中提供了一种基于电力系统的故障研判装置，应用于所述电力系统中的配电云平台，所述电力系统还包括智能开关、智能融合终端和端侧新能源设备，其特征在于，所述故障研判装置包括：
第一数据获取模块，被配置为获取第二目标采集数据；其中，所述第二目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
结果决策模块，被配置为将所述第二目标采集数据输入整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台本地存储的历史采集数据进行训练得到；
第一指令确定模块，被配置为基于所述第二决策结果确定第二目标控制指令；
控制指令发送模块，被配置为通过所述智能融合终端向所述智能开关发送所述第二目标控制指令。
本公开一可能的实现方式中，第一数据获取模块，被配置为：
接收所述电力系统中智能融合终端发送的所述第二目标采集数据；其中，所述第二目标采集数据为对与所述智能融合终端相关联的至少一个智能开关对应区域的端侧新能源设备采集得到。
本公开一可能的实现方式中，所述故障研判装置还包括：
模型获取模块，被配置为获取故障研判模型，其中，所述故障研判模型为轻量级故障研判模型或整体故障研判模型。
本公开一可能的实现方式中，所述故障研判模型为轻量级故障研判模型，所述模型获取模块，被配置为：
第一子确定模块，被配置为基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量；
第一子获取模块，被配置为获取所述智能融合终端的总计算力和正常运行需要的计算力以及预设的计算力调节系数；
第二子确定模块，被配置为基于所述每一层的计算量、所述智能融合终端的总计算力和正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数；
模型构建模块，被配置为基于所述参数数量和所述神经网络层数，构建所述神经网络模型；其中，所述神经网络模型的神经元个数由所述参数数量确定；
模型训练模块，被配置为利用所述历史采集数据对所述神经网络模型进行训练，得到所述故障研判模型。
本公开一可能的实现方式中，所述第二子确定模块，被配置为：
利用下式确定所述神经网络模型的神经网络层数：
其中，/>表示神经网络层数，/>表示智能融合终端的总计算力，/>表示正常运行需要的计算力，/>表示神经网络模型中每一神经网络层的计算量，/>表示计算力调节系数。
第八方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第二方面至第四方面及其所有可能实现方式中任一项所述的方法。
第九方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第二方面至第四方面及其所有可能实现方式中任一项所述的方法。
根据本公开实施例提供的技术方案，提供了由配电云平台、智能融合终端、智能开关和端侧新能源设备构成的电力系统。该系统中的智能开关可以通过数据预处理模型对端侧新能源设备的采集数据进行预处理，以使得预处理后的数据可以有效地反映真实情况。该系统中的智能开关作为执行方，通过与智能融合终端配合将预处理后的数据上传给智能融合终端，以使得可以通过轻量级故障研判模型对预处理后的数据进行故障研判分析得到第一目标控制指令，或者，智能融合终端可以作为桥梁将预处理后的数据转发给配电云平台，以使得可以通过整体故障研判模型对预处理后的数据进行故障研判分析得到第二目标控制指令，从而由智能开关根据下发的目标控制指令执行相应的开关操作。如此，面对分布式光伏、储能、电动汽车充电桩等端侧新能源设备的扩展，通过该电力系统中配电云平台、智能融合终端和智能开关三者之间互相配合，能够动态实时的进行远程控制与保护。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。以下是对附图的说明。
图1示出根据本公开实施例的电力系统的通信架构图。
图2示出根据本公开实施例的电力系统中数据流向示意图。
图3示出根据本公开实施例的基于电力系统的一种故障研判方法的流程图。
图4示出根据本公开实施例的基于电力系统的另一种故障研判方法的流程图。
图5示出根据本公开实施例的基于电力系统的再一种故障研判方法的流程图。
图6示出根据本公开的实施例的一种故障研判装置的结构框图。
图7示出根据本公开的实施例的另一种故障研判装置的结构框图。
图8示出根据本公开的实施例的再一种故障研判装置的结构框图。
图9示出适于用来实现根据本公开实施例的方法的电子设备的结构示意图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
在本公开中，如涉及对用户信息或用户数据的获取操作或向他人展示用户信息或用户数据的操作，则所述操作均为经用户授权、确认，或由用户主动选择的操作。
面对分布式光伏、储能、电动汽车充电桩等端侧新能源设备，充分利用台区融合终端边缘计算的优势，本公开实施例构建了一种能够适应动态变化的电力系统；其中，该电力系统包括：配电云平台、智能融合终端、智能开关和端侧新能源设备。
图1示出根据本公开实施例的电力系统的通信架构图。如图1所示，该电力系统包括：1个配电云平台、2个智能融合终端、3个智能开关和多个端侧新能源设备。
其中，所述智能开关，用于获取所述端侧新能源设备的原始环境采集数据；基于所述原始环境采集数据构建循环链表，得到链式采集数据；基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，并发送预处理后的数据，所述预处理后的数据不包括异常数据；将所述预处理后的数据发送至所述智能融合终端；接收所述智能融合终端发送的目标控制指令，基于所述目标控制指令，执行相应的开关操作；其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定，所述目标控制指令为所述智能融合终端确定的第一目标控制指令，或者为所述配电云平台确定并通过所述智能融合终端发送的第二目标控制指令；
所述智能融合终端，用于接收所述智能开关发送的所述预处理后的数据，并发送至所述配电云平台；将所述预处理后的数据输入预设的轻量级故障研判模型，得到第一决策结果；其中，所述轻量级故障研判模型基于所述智能融合终端对应的历史采集数据进行训练得到；基于所述第一决策结果确定所述第一目标控制指令；向所述智能开关发送所述第一目标控制指令；
所述配电云平台，用于接收所述智能融合终端发送的所述预处理后的数据；将所述预处理后的数据输入预设的整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台对应的历史采集数据进行训练得到；基于所述第二决策结果确定第二目标控制指令；通过所述智能融合终端向对应的所述智能开关发送所述第二目标控制指令。
现有的电力系统中，随着分布式光伏、储能设备、电动汽车充电桩等新能源设备的大规模扩展，存在转动惯量低、动态无功智能能力弱、电压耐受能力不足等问题。由于现有技术方案只是将低压用户侧、配电侧检测数据，以及智能电表数据按照统一规范采集到边缘侧设备的台区融合终端中，仅完成了对下数据采集，对上进行上传数据，以及必要的指令转发功能，并没有应对这种变化需求的手段，传统的保护控制难以适应端侧新能源设备快速扩展的建设需求。
因此，本发明借助智能融合终端作为桥梁，并引入智能开关，从而基于配电云平台、智能融合终端和智能开关以及各自的计算能力，构建了一种电力系统，以解决现有电力系统中传统配电网侧源随荷动，而不能实现源荷互动的问题，以促进故障暂态过/欠及时发现，保护动作时延减小，达到对系统故障恢复控制与新能源并网控制的动态调整。
在本公开一实现方式中，电力系统可以由一个配电云平台，至少一个智能融合终端、与每个智能融合终端相关联的至少一个智能开关以及每个智能开关对应区域的至少一个端侧新能源设备组成。
在本公开一实现方式中，端侧新能源设备可以包括以下至少一项：分布式光伏、储能设备、电动汽车充电桩、柔性可调负荷、环境传感器设备等。
在本公开一实现方式中，智能开关和端侧新能源设备可以采用星闪技术进行通信，从而借助星闪技术提高了智能开关和端侧新能源设备之间通信传输的速率，以实现低时延、高可靠的传输需求。
在本公开一实现方式中，智能开关和智能融合终端之间可以通过高速电力线载波（High Speed Power Line Communication，HPLC）或无线射频（radio frequency，RF）技术进行通信；智能融合终端和配电云平台之间可以通过远程第N代（例如4G或者5G）移动通信技术进行通信。
在本公开一实现方式中，原始环境采集数据可以包括气象数据、电流数据、电压数据、用电量数据、发电量数据等。其中，气象数据可以包括温度数据、湿度数据、降雨量数据以及光照强度数据等。相应地，链式采集数据中包括的数据内容可以与原始环境采集数据中包括的数据内容相同，即该链式采集数据中同样可以包括气象数据、电流数据、电压数据、用电量数据、发电量数据等。
图2示出根据本公开实施例的电力系统中数据流向示意图。如图2所示，在上述实施例提供的电力系统中的不同层级可以分别预先设置一个模型，即数据预数理模型、轻量级故障研判模型和整体级故障研判模型，从而可以通过这个3个模型依次对采集的端侧能源设备的原始环境采集数据进行处理。具体地，在智能开关侧，将原始环境采集数据转换成链式采集数据，并基于数据预数理模型对链式采集数据进行预处理，以得到预处理后数据，进而可以将该预处理后数据发送至智能融合终端。在智能融合终端侧，当接收到智能开关发送的预处理后数据时，可以基于轻量级故障研判模型对预处理后数据进行故障研判分析，进而确定第一目标控制指令，从而可以将该第一目标控制指令发送至智能融合开关，且还可以将该预处理后数据发送至配电云平台。在配电云平台侧，当接收到智能融合终端发送的预处理后数据时，可以基于整体故障研判模型对预处理后数据进行故障研判分析，进而确定第二目标控制指令，从而可以先将该第二目标控制指令发送至智能融合终端，再通过智能融合终端将该第二目标控制指令发送至智能开关。
在本公开一实现方式中，原始环境采集数据包括多个业务数据，智能开关可以通过操作程序将每个业务数据的采集时间和具体数值填入循环链表的一个节点中的数据域，并在该节点的地址域填入下一业务数据的地址，再在最后一个节点的地址域填入头部节点的地址，即可得到链式采集数据。
在本公开一实现方式中，数据预处理模型，可以理解为是数据异常检测算法，例如，该数据异常检测算法可以为3σ异常值检测方法、邻近（K-NearestNeighbo，KNN）方法或异常检测(Stochastic Outlier Selection，SOS)方法等。数据预处理模型是用于对链式采集数据进行有效性检测，以去除链式采集数据中的异常数据，得到准确数据，即为预处理后的数据，预处理后的出局可以真实反映端侧新能源设备的现场情况。
在本公开一实现方式中，目标控制指令、第一控制指令和第二控制指令均可以为开闸指令或关闸指令。当目标控制指令为开闸指令时，相应的开关操作为开闸操作；当目标控制指令为关闸指令时，相应的开关操作为关闸操作。
另外对于如何训练轻量级故障研判模型和整体故障研判模型，可以参照下述实施例中的详细描述，本公开实施例在此不予赘述。
根据本公开实施例提供的技术方案，提供了由配电云平台、智能融合终端、智能开关和端侧新能源设备构成的电力系统。该系统中的智能开关可以通过数据预处理模型对端侧新能源设备的采集数据进行预处理，以使得预处理后的数据可以有效地反映真实情况。该系统中的智能开关作为执行方，通过与智能融合终端配合将预处理后的数据上传给智能融合终端，以使得可以通过轻量级故障研判模型对预处理后的数据进行故障研判分析得到第一目标控制指令，或者，智能融合终端可以作为桥梁将预处理后的数据转发给配电云平台，以使得可以通过整体故障研判模型对预处理后的数据进行故障研判分析得到第二目标控制指令，从而由智能开关根据下发的目标控制指令执行相应的开关操作。如此，面对分布式光伏、储能、电动汽车充电桩等端侧新能源设备的扩展，通过该电力系统中配电云平台、智能融合终端和智能开关三者之间互相配合，能够动态实时的进行远程控制与保护。
图3示出根据本公开实施例的基于电力系统的一种故障研判方法的流程图。该方法应用于所述电力系统中的智能开关，所述电力系统还包括智能融合终端和端侧新能源设备，如图3所示，所述故障研判方法包括以下步骤S101 - S105：
在步骤S101中，获取所述端侧新能源设备的原始环境采集数据；
在步骤S102中，基于所述原始环境采集数据构建循环链表，得到链式采集数据；
在步骤S103中，基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据；
其中，所述预处理后的数据不包括异常数据；
在步骤S104中，将所述预处理后的数据发送至所述智能融合终端；
在步骤S105中，接收所述智能融合终端发送的目标控制指令，基于所述目标控制指令，执行相应的开关操作；
其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定。
在本公开一实现方式中，端侧新能源设备可以包括以下至少一项：分布式光伏、储能设备、电动汽车充电桩、柔性可调负荷、环境传感器设备等。
在本公开一实现方式中，获取端侧新能源设备的原始环境采集数据，可以理解为是通过智能开关直接采集得到端侧新能源设备的原始环境采集数据。其中，原始环境采集数据可以包括气象数据、电流数据、电压数据、用电量数据、发电量数据等，气象数据可以包括温度数据、湿度数据、降雨量数据以及光照强度数据等。相应地，链式采集数据中包括的数据内容可以与原始环境采集数据中包括的数据内容相同，即该链式采集数据中同样可以包括气象数据、电流数据、电压数据、用电量数据、发电量数据等，但数据存储结构发生改变。
本公开一实施例中，上述步骤S102，即所述原始环境采集数据包括多个业务数据；所述基于所述原始环境采集数据构建循环链表，得到链式采集数据的步骤，可以具体包括以下步骤：
基于所述多个业务数据中的每个业务数据，构建所述循环链表中的每个节点，每个节点可以包括对应业务数据的采集时间和具体数值以及指向下一个业务数据的地址；
将所述循环链表中最后一个节点的地址指向所述循环链表中头部节点的地址，以得到所述链式采集数据。
在本公开一实现方式中，多个业务数据可以分别包括气象数据、电流数据、电压数据、用电量数据、发电量数据等。
在本公开一实现方式中，基于所述多个业务数据中每个业务数据，构建所述循环链表中的每个节点，将循环链表中最后一个节点的地址指向所述循环链表中头部节点的地址，以得到链式采集数据，可以理解为是智能开关通过操作程序将某个业务数据的采集时间和具体数值填入循环链表的一个节点中的数据域，并在该节点的地址域填入下一业务数据的地址，再在最后一个节点的地址域填入头部节点的地址，即可得到链式采集数据。
在该实施例中，可以基于所述多个业务数据中每个业务数据，构建所述循环链表中的每个节点，并通过将循环链表中最后一个节点的地址指向所述循环链表中头部节点的地址，以得到链式采集数据，通过该方案，便于随时获取链式采集数据中任一个节点的数据，并便于进行数据删除或数据插入。
在本公开一实现方式中，数据预处理模型，可以理解为是数据异常检测算法，例如，该数据异常检测算法可以为3σ异常值检测方法、邻近（K-NearestNeighbo，KNN）方法或异常检测(Stochastic Outlier Selection，SOS)方法等。数据预处理模型是用于对链式采集数据进行有效性检测，以去除链式采集数据中的异常数据，得到准确数据，即为预处理后的数据，预处理后的出局可以真实反映端侧新能源设备的现场情况。
本公开一实施例中，所述电力系统还包括配电云平台；其中，所述目标控制指令为所述智能融合终端对所述预处理后的数据进行故障研判得到的第一目标控制指令；
或者，所述目标控制指令为所述智能融合终端将所述预处理后的数据发送至配电云平台并由所述配电云平台对所述预处理后的数据进行故障研判得到的第二目标控制指令。
在智能开关将预处理后的数据发送至智能融合终端之后，一种可能的方式，智能融合终端可以在本地存储该预处理后的数据，利用智能融合终端的算力，基于预先训练的轻量级故障研判模型对该预处理后的数据进行分析，以得到第一目标控制指令，智能融合终端将该第一目标控制指令直接发送至智能开关，即智能开关接收智能融合终端发送的第一目标控制指令；另一种可能的方式，智能融合终端可以将预处理后的数据发送至配电云平台，利用配电云平台的算力，基于预先训练的整体故障研判模型，对包括当前智能融合终端在内的多个智能融合终端发送的所有预处理后的数据进行分析，以得到第二目标控制指令，配电云平台将该第二目标控制指令通过智能融合终端发送至智能开关，即智能开关接收智能融合终端发送的第二目标控制指令。
在本公开一实现方式中，目标控制指令、第一控制指令和第二控制指令均可以为开闸指令或关闸指令。当目标控制指令为开闸指令时，相应的开关操作为开闸操作；当目标控制指令为关闸指令时，相应的开关操作为关闸操作。
根据本公开实施例的技术方案，通过获取所述端侧新能源设备的原始环境采集数据，并基于所述原始环境采集数据构建循环链表，得到链式采集数据，基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，以及将所述预处理后的数据发送至所述智能融合终端，从而智能快关可以接收智能融合终端发送的目标控制指令，通过目标控制指令，执行相应的开关操作。通过该方案，当发现系统出现故障（例如过电压）时，智能快关可以执行开闸操作，当发现系统故障已解决或无故障时，智能快关可以执行关闸操作，如此可以实现对系统故障恢复的远程控制和保护，以适应新能源设备大规模扩展所带来的动态变化。
图4示出根据本公开实施例的基于电力系统的另一种故障研判方法的流程图。该方法可以应用于本公开上述实施例中的电力系统中的智能融合终端，该电力系统还可以包括配电云平台、智能开关和端侧新能源设备。如图4所示，所述故障研判方法可以包括以下步骤S201 – S204：
在步骤S201中，获取第一目标采集数据；
其中，所述第一目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
在步骤S202中，将所述第一目标采集数据输入轻量级故障研判模型，得到第一决策结果；
其中，所述轻量级故障研判模型基于所述智能融合终端本地存储的历史采集数据进行训练得到；
在步骤S203中，将基于所述第一决策结果确定第一目标控制指令；
在步骤S204中，向所述智能开关发送所述第一目标控制指令。
在本公开一实现方式中，第一目标采集数据可以包括气象数据、电流数据、电压数据、用电量数据、发电量数据等，气象数据可以包括温度数据、湿度数据、降雨量数据以及光照强度数据等。需要说明的是，第一目标采集数据与相比原始环境采集数据相比，第一目标采集数据是链式采集数据，且第一目标采集数据中不包括异常数据，也就是说第一目标采集数据中的数据量与原始环境采集数据中的数据量相同，或者第一目标采集数据中的数据量比原始环境采集数据中的数据量少。
本公开一实施例中，上述步骤S201，即所述获取第一目标采集数据的步骤，可以具体包括以下步骤：
接收所述智能开关发送的所述第一目标采集数据；其中，所述第一目标采集数据仅为对所述智能开关对应区域的端侧新能源设备采集得到。
在本公开一实现方式中，每个智能融合可以相关联多个智能开关，当通过智能融合终端接收到部分或全部智能开关发送的第一目标采集数据时，第一目标采集数据仅为对当前部分或全部智能开关对应区域的端侧新能源设备采集得到，也就是说当前融合终端可以收集下游部分或全部智能开关发送的第一目标采集数据。
在本公开一实现方式中，智能融合终端本地存储的历史采集数据可以为是对当前融合终端下游的部分或全部智能开关对应区域的端侧新能源设备进行采集，并通过部分或全部智能开关发送得到的。此时，智能融合终端本地存储的历史采集数据的数据量相对较少，即可预先基于智能融合终端本地存储的历史采集数据训练得到轻量级故障研判模型。
在本公开一实现方式中，历史采集数据和第一目标采集数据中可以包括相同数据量和相同数据类型的数据。即历史采集数据可以包括气象数据、电流数据、电压数据、用电量数据、发电量数据等，气象数据可以包括温度数据、湿度数据、降雨量数据以及光照强度数据等。
在本公开一实现方式中，第一决策结果可以为系统出现故障，或者系统无故障，再或者，系统故障恢复等。
在本公开一实现方式中，针对不同的第一决策结果，可以得到不同的第一目标控制指令。第一目标控制指令可以为开闸指令或关闸指令。该第一目标控制指令用于智能开关执行相应的开关操作以处理系统故障。
根据本公开实施例的技术方案，可以通过预设的轻量级故障研判模型对实时获取的第一目标采集数据进行故障研判分析得到第一决策结果，进而根据该第一决策结果得到第一目标控制指令，从而在向智能开关发送第一目标控制指令之后，便于智能开关可以根据接收的第一目标控制指令进行相应操作，以实现对系统故障的远程保护和控制。
此外，由于第一目标采集数据可以是单个智能开关发送的，因此基于第一目标控制指令仅控制某个智能开关进行开关操作，以达到对电力系统中特定设备的精细化控制。
本公开一实施例中，上述步骤S202，即所述将所述第一目标采集数据输入轻量级故障研判模型，得到第一决策结果的步骤之前，本公开实施例提供的方法还可以包括以下步骤：
获取轻量级故障研判模型。
本公开一实施例中，所述获取故障研判模型的步骤，可以包括如下步骤：
基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量；
获取所述智能融合终端的总计算力和所述智能融合终端正常运行需要的计算力以及预设的计算力调节系数；
基于所述每一神经网络层的计算量、所述智能融合终端的总计算力和所述智能融合终端正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数；
基于所述参数数量和所述神经网络层数，构建所述神经网络模型；其中，所述神经网络模型的神经元个数由所述参数数量确定；
利用所述历史采集数据对所述神经网络模型进行训练，得到所述轻量级故障研判模型。
在本公开一实现方式中，基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量，可以理解为是将历史采集数据作为神经网络模型的神经元对象，因此历史采集数据的参数数量决定了神经元数量，进而基于该神经元数量确定神经网络模型中每一神经网络层的计算量。该神经网络模型可以为深度神经网络模型，例如，神经网络模型可以包括卷积网络模型。
在本公开一实现方式中，计算力调节系数可以记为，/>，通常取。
本公开一实施例中，所述基于所述每一层的计算量、所述智能融合终端的总计算力和正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数的步骤，可以具体包括：
其中，/>表示神经网络层数，/>表示智能融合终端的总计算力，/>表示正常运行需要的计算力，/>表示神经网络模型中每一神经网络层的计算量，/>表示计算力调节系数。
如此，可以基于上述公式动态调整神经网络模型的大小。
在本公开一实现方式中，利用所述历史采集数据对所述神经网络模型进行训练，得到所述故障研判模型，可以理解为是将历史采集数据输入一个卷积网络模型，通过该卷积网络模型的最后一层提取出特征向量，该特征向量包括时间信息；再将该包括时间信息的特征向量输入一个时间序列模型，得到不同时刻的前后联系和时序信息表示结果，该时间序列模型可以为LSTM、RNN等，并将输出结果输入到TRANSFORMER模型中，以得到历史采集数据中各个参数的联合分布；最后将得到各个参数的联合分布进行线性组合输入给一个softmax 分类器，以得到故障研判模型。
该实施例中，可以基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量，并获取所述智能融合终端的总计算力和正常运行需要的计算力以及预设的计算力调节系数，基于所述每一层的计算量、所述智能融合终端的总计算力和正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数，基于所述参数数量和所述神经网络层数，构建所述神经网络模型，从而利用所述历史采集数据对所述神经网络模型进行训练，得到所述故障研判模型。通过该方案，可以根据当前设备的实际计算力以及历史采集数据的数据量级构建一个更为适用的神经网络模型，从而提高了模型训练的效率。
图5示出根据本公开实施例的基于电力系统的再一种故障研判方法的流程图。该方法可以应用于本公开上述实施例中的电力系统中的配电云平台，该电力系统还包括智能开关、智能融合终端和端侧新能源设备。如图4所示，所述故障研判方法可以包括以下步骤S301 – S304：
在步骤301中，获取第二目标采集数据；
其中，所述第二目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
在步骤302中，将所述第二目标采集数据输入整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台本地存储的历史采集数据进行训练得到；
在步骤303中，基于所述第二决策结果确定第二目标控制指令；
在步骤304中，通过所述智能融合终端向所述智能开关发送所述第二目标控制指令。
在本公开一实现方式中，第二目标采集数据可以包括气象数据、电流数据、电压数据、用电量数据、发电量数据等，气象数据可以包括温度数据、湿度数据、降雨量数据以及光照强度数据等。需要说明的是，第二目标采集数据与相比原始环境采集数据相比，第二目标采集数据是链式采集数据，且第二目标采集数据中不包括异常数据，也就是说第二目标采集数据中的数据量与原始环境采集数据中的数据量相同，或者第二目标采集数据中的数据量比原始环境采集数据中的数据量少。
本公开一实施例中，上述步骤301，即所述获取第二目标采集数据的步骤，还可以包括：
接收所述电力系统中智能融合终端发送的所述第二目标采集数据；其中，所述第二目标采集数据为对与所述智能融合终端相关联的至少一个智能开关对应区域的端侧新能源设备采集得到。
在本公开一实现方式中，电力系统可以包括多个智能融合终端，当通过配电云平台接收该多个智能融合终端分别发送的第二目标采集数据时，该第二目标采集数据为对与每个智能融合终端相关联的至少一个智能开关对应区域的端侧新能源设备采集得到，也就是说配电云平台可以接收到下游的所有智能融合终端发送的第二目标采集数据。
在本公开一实现方式中，配电云平台本地存储的历史采集数据可以为是对当前融合终端下游的全部智能融合终端中每个智能融合终端相关联的至少一个智能开关对应区域的端侧新能源设备进行采集，并通过全部智能融合终端转发得到的。配电云平台本地存储的历史采集数据的数据量相对较多，即可预先基于配电云平台本地存储的历史采集数据训练得到整体故障研判模型。
在本公开一实现方式中，历史采集数据和第二目标采集数据中可以包括相同数据量和相同数据类型的数据。即历史采集数据可以包括气象数据、电流数据、电压数据、用电量数据、发电量数据等，气象数据可以包括温度数据、湿度数据、降雨量数据以及光照强度数据等。
在本公开一实现方式中，第二决策结果可以为系统出现故障，或者系统无故障，再或者，系统故障恢复等。
在本公开一实现方式中，针对不同的第二决策结果，可以得到不同的第二目标控制指令。第二目标控制指令可以为开闸指令或关闸指令。该第二目标控制指令用于智能开关执行相应的开关操作以处理系统故障。
根据本公开实施例的技术方案，可以通过预设的整体级故障研判模型对实时获取的第二目标采集数据进行故障研判分析得到第二决策结果，进而根据该第一决策结果得到第二目标控制指令，从而在通过智能融合终端向智能开关发送第二目标控制指令之后，便于智能开关可以根据接收的第二目标控制指令进行相应操作，以实现对系统故障的远程保护和控制。
此外，由于第二目标采集数据可以是下游的所有智能融合终端发送的，因此基于第二目标控制指令可以控制系统中所有智能开关进行开关操作，以达到对电力系统的全局调控。
本公开一实施例中，本公开实施例提供的方法还可以包括以下步骤：
获取故障研判模型，其中，所述故障研判模型为轻量级故障研判模型或整体故障研判模型。
在本公开一实现方式中，所述故障研判模型为整体故障研判模型，所述获取故障研判模型的步骤，可以包括如下步骤：
基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量；
获取所述配电云平台的总计算力和所述配电云平台正常运行需要的计算力以及预设的计算力调节系数；
基于所述每一神经网络层的计算量、所述配电云平台的总计算力和所述配电云平台正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数；
基于所述参数数量和所述神经网络层数，构建所述神经网络模型；其中，所述神经网络模型的神经元个数由所述参数数量确定；
利用所述历史采集数据对所述神经网络模型进行训练，得到所述整体故障研判模型。
在本公开一实现方式中，基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量，可以理解为是将历史采集数据作为神经网络模型的神经元对象，因此历史采集数据的参数数量决定了神经元数量，进而基于该神经元数量确定神经网络模型中每一神经网络层的计算量。该神经网络模型可以为深度神经网络模型，例如，神经网络模型可以包括卷积网络模型。
在本公开一实现方式中，计算力调节系数可以记为，/>，通常取/>。
本公开一实施例中，所述基于所述每一神经网络层的计算量、所述配电云平台的总计算力和所述配电云平台正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数的步骤，可以具体包括：
其中，/>表示神经网络层数，/>表示智能融合终端的总计算力，/>表示正常运行需要的计算力，/>表示神经网络模型中每一神经网络层的计算量，/>表示计算力调节系数。
如此，可以基于上述公式动态调整神经网络模型的大小。
在本公开一实现方式中，利用所述历史采集数据对所述神经网络模型进行训练，得到所述故障研判模型，可以理解为是将历史采集数据输入一个卷积网络模型，通过该卷积网络模型的最后一层提取出特征向量，该特征向量包括时间信息；再将该包括时间信息的特征向量输入一个时间序列模型，得到不同时刻的前后联系和时序信息表示结果，该时间序列模型可以为LSTM、RNN等，并将输出结果输入到TRANSFORMER模型中，以得到历史采集数据中各个参数的联合分布；最后将得到各个参数的联合分布进行线性组合输入给一个softmax 分类器，以得到整体故障研判模型。
该实施例中，可以基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量，并获取所述智能融合终端的总计算力和正常运行需要的计算力以及预设的计算力调节系数，基于所述每一层的计算量、所述智能融合终端的总计算力和正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数，基于所述参数数量和所述神经网络层数，构建所述神经网络模型，从而利用所述历史采集数据对所述神经网络模型进行训练，得到故障研判模型。通过该方案，可以根据当前设备的实际计算力以及历史采集数据的数据量级构建一个更为适用的神经网络模型，从而提高了模型训练的效率。
图6示出根据本公开实施例的一种故障研判装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。该故障研判装置，应用于所述电力系统中的智能开关，所述电力系统还包括智能融合终端和端侧新能源设备。
如图6所示，所述故障研判装置400包括：
数据获取模块401，被配置为获取所述端侧新能源设备的原始环境采集数据；
数据构建模块402，被配置为基于所述原始环境采集数据构建循环链表，得到链式采集数据；
数据处理模块403，被配置为基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，所述预处理后的数据不包括异常数据；
数据发送模块404，被配置为将所述预处理后的数据发送至所述智能融合终端；
指令接收模块405，被配置为接收所述智能融合终端发送的目标控制指令；
指令执行模块406，被配置为基于所述目标控制指令，执行相应的开关操作；其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定。
本公开一可能的实现方式中，所述原始环境采集数据包括多个业务数据；所述数据构建模块，被配置为：
基于所述多个业务数据中的每个业务数据，构建所述循环链表中的每个节点，每个节点可以包括对应业务数据的采集时间和具体数值以及指向下一个业务数据的地址；
将所述循环链表中最后一个节点的地址指向所述循环链表中头部节点的地址，以得到所述链式采集数据。
本公开一可能的实现方式中，所述电力系统还包括配电云平台；其中，其中，所述目标控制指令为所述智能融合终端对所述预处理后的数据进行故障研判得到的第一目标控制指令；
或者，所述目标控制指令为所述智能融合终端将所述预处理后的数据发送至配电云平台并由所述配电云平台对所述预处理后的数据进行故障研判得到的第二目标控制指令。
根据本公开实施例的装置，通过获取所述端侧新能源设备的原始环境采集数据，并基于所述原始环境采集数据构建循环链表，得到链式采集数据，基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，以及将所述预处理后的数据发送至所述智能融合终端，从而智能快关可以接收智能融合终端发送的目标控制指令，通过目标控制指令，执行相应的开关操作。通过该装置，当发现系统出现故障（例如过电压）时，智能快关可以执行开闸操作，当发现系统故障已解决或无故障时，智能快关可以执行关闸操作，如此可以实现对系统故障恢复的远程控制和保护，以适应新能源设备大规模扩展所带来的动态变化。
图7示出根据本公开实施例的另一种故障研判装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。该故障研判装置应用于所述电力系统中的智能融合终端，所述电力系统还包括智能开关和端侧新能源设备。
如图7所示，所述故障研判装置500包括：
第一获取模块501，被配置为获取第一目标采集数据；其中，所述第一目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
故障研判模块502，被配置为将所述第一目标采集数据输入轻量级故障研判模型，得到第一决策结果；其中，所述轻量级故障研判模型基于所述智能融合终端本地存储的历史采集数据进行训练得到；
第一确定模块503，被配置为基于所述第一决策结果确定第一目标控制指令；
指令发送模块504，被配置为向所述智能开关发送所述第一目标控制指令。
本公开一可能的实现方式，所述第一获取模块，被配置为：
接收所述智能开关发送的所述第一目标采集数据；其中，所述第一目标采集数据仅为对所述智能开关对应区域的端侧新能源设备采集得到。
根据本公开实施例的装置 ，可以通过预设的轻量级故障研判模型对实时获取的第一目标采集数据进行故障研判分析得到第一决策结果，进而根据该第一决策结果得到第一目标控制指令，从而在向智能开关发送第一目标控制指令之后，便于智能开关可以根据接收的第一目标控制指令进行相应操作，以实现对系统故障的远程保护和控制。
此外，由于第一目标采集数据可以是单个智能开关发送的，因此基于第一目标控制指令仅控制某个智能开关进行开关操作，以达到对电力系统中特定设备的精细化控制。
图8示出根据本公开实施例的再一种故障研判装置的结构框图。其中，该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。该故障研判装置应用于所述电力系统中的配电云平台，所述电力系统还包括智能开关、智能融合终端和端侧新能源设备。
如图8所示，所述故障研判装置600包括：
第一数据获取模块601，被配置为获取第二目标采集数据；其中，所述第二目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
结果决策模块602，被配置为将所述第二目标采集数据输入整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台本地存储的历史采集数据进行训练得到；
第一指令确定模块603，被配置为基于所述第二决策结果确定第二目标控制指令；
控制指令发送模块604，被配置为通过所述智能融合终端向所述智能开关发送所述第二目标控制指令。
本公开一可能的实现方式，第一数据获取模块，被配置为：
接收所述电力系统中智能融合终端发送的所述第二目标采集数据；其中，所述第二目标采集数据为对与所述智能融合终端相关联的至少一个智能开关对应区域的端侧新能源设备采集得到。
本公开一可能的实现方式，所述故障研判装置还包括：
模型获取模块，被配置为获取故障研判模型，其中，所述故障研判模型为轻量级故障研判模型或整体故障研判模型。
本公开一可能的实现方式，所述故障研判模型为轻量级故障研判模型，所述模型获取模块，被配置为：
第一子确定模块，被配置为基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量；
第一子获取模块，被配置为获取所述智能融合终端的总计算力和正常运行需要的计算力以及预设的计算力调节系数；
第二子确定模块，被配置为基于所述每一层的计算量、所述智能融合终端的总计算力和正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数；
模型构建模块，被配置为基于所述参数数量和所述神经网络层数，构建所述神经网络模型；其中，所述神经网络模型的神经元个数由所述参数数量确定；
模型训练模块，被配置为利用所述历史采集数据对所述神经网络模型进行训练，得到所述故障研判模型。
本公开一可能的实现方式，所述第二子确定模块，被配置为：
利用下式确定所述神经网络模型的神经网络层数：
其中，/>表示神经网络层数，/>表示智能融合终端的总计算力，/>表示正常运行需要的计算力，/>表示神经网络模型中每一神经网络层的计算量，/>表示计算力调节系数。
根据本公开实施例的装置，可以通过预设的整体级故障研判模型对实时获取的第二目标采集数据进行故障研判分析得到第二决策结果，进而根据该第一决策结果得到第二目标控制指令，从而在通过智能融合终端向智能开关发送第二目标控制指令之后，便于智能开关可以根据接收的第二目标控制指令进行相应操作，以实现对系统故障的远程保护和控制。
此外，由于第二目标采集数据可以是下游的所有智能融合终端发送的，因此基于第二目标控制指令可以控制系统中所有智能开关进行开关操作，以达到对电力系统的全局调控。
图9示出适于用来实现根据本公开实施例的方法的电子设备的结构示意图。
如图9所示，电子设备包括处理单元，其可以根据存储在只读存储器（ROM）中的程序或者从存储部分加载到随机访问存储器（RAM）中的程序而执行上述实施例中的各种方法。在RAM中，还存储有计算机系统操作所需的各种程序和数据。处理单元、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
以下部件连接至I/O接口：包括键盘、鼠标等的输入部分；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分；包括硬盘等的存储部分；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分。通信部分经由诸如因特网的网络执行通信过程。驱动器也根据需要连接至I/O接口。可拆卸介质，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器上，以便于从其上读出的计算机程序根据需要被安装入存储部分。其中，所述处理单元可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地，根据本公开的实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (23)

1.一种电力系统，其特征在于，所述电力系统包括：配电云平台、智能融合终端、智能开关和端侧新能源设备；其中，
所述智能开关，用于获取所述端侧新能源设备的原始环境采集数据；基于所述原始环境采集数据构建循环链表，得到链式采集数据；基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，所述预处理后的数据不包括异常数据；将所述预处理后的数据发送至所述智能融合终端；接收所述智能融合终端发送的目标控制指令，基于所述目标控制指令，执行相应的开关操作；其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定，所述目标控制指令为所述智能融合终端确定的第一目标控制指令，或者为所述配电云平台确定并通过所述智能融合终端发送的第二目标控制指令；
所述智能融合终端，用于接收所述智能开关发送的所述预处理后的数据，并发送至所述配电云平台；将所述预处理后的数据输入预设的轻量级故障研判模型，得到第一决策结果；其中，所述轻量级故障研判模型基于所述智能融合终端对应的历史采集数据进行训练得到；基于所述第一决策结果确定所述第一目标控制指令；向所述智能开关发送所述第一目标控制指令；
所述配电云平台，用于接收所述智能融合终端发送的所述预处理后的数据；将所述预处理后的数据输入预设的整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台对应的历史采集数据进行训练得到；基于所述第二决策结果确定第二目标控制指令；通过所述智能融合终端向对应的所述智能开关发送所述第二目标控制指令。
2.一种基于电力系统的故障研判方法，应用于所述电力系统中的智能开关，所述电力系统还包括智能融合终端和端侧新能源设备，其特征在于，所述方法包括：
获取所述端侧新能源设备的原始环境采集数据；
基于所述原始环境采集数据构建循环链表，得到链式采集数据；
基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，所述预处理后的数据不包括异常数据；
将所述预处理后的数据发送至所述智能融合终端；
接收所述智能融合终端发送的目标控制指令，基于所述目标控制指令，执行相应的开关操作；其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定。
3.根据权利要求2所述的方法，其特征在于，所述原始环境采集数据包括多个业务数据；
所述基于所述原始环境采集数据构建循环链表，得到链式采集数据，包括：
基于所述多个业务数据中的每个业务数据，构建所述循环链表中的每个节点，每个节点包括对应业务数据的采集时间和具体数值以及指向下一个业务数据的地址；
将所述循环链表中最后一个节点的地址指向所述循环链表中头部节点的地址，以得到所述链式采集数据。
4.根据权利要求2所述的方法，其特征在于，所述电力系统还包括配电云平台；
其中，所述目标控制指令为所述智能融合终端对所述预处理后的数据进行故障研判得到的第一目标控制指令；
或者，所述目标控制指令为所述智能融合终端将所述预处理后的数据发送至配电云平台并由所述配电云平台对所述预处理后的数据进行故障研判得到的第二目标控制指令。
5.一种基于电力系统的故障研判方法，应用于所述电力系统中的智能融合终端，所述电力系统还包括智能开关和端侧新能源设备，其特征在于，所述方法包括：
获取第一目标采集数据；其中，所述第一目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
将所述第一目标采集数据输入轻量级故障研判模型，得到第一决策结果；其中，所述轻量级故障研判模型基于所述智能融合终端本地存储的历史采集数据进行训练得到；
基于所述第一决策结果确定第一目标控制指令；
向所述智能开关发送所述第一目标控制指令。
6.根据权利要求5所述的方法，其特征在于，所述获取第一目标采集数据，包括：
接收所述智能开关发送的所述第一目标采集数据；其中，所述第一目标采集数据仅为对所述智能开关对应区域的端侧新能源设备采集得到。
7.一种基于电力系统的故障研判方法，应用于所述电力系统中的配电云平台，所述电力系统还包括智能开关、智能融合终端和端侧新能源设备，其特征在于，所述方法包括：
获取第二目标采集数据；其中，所述第二目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
将所述第二目标采集数据输入整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台本地存储的历史采集数据进行训练得到；
基于所述第二决策结果确定第二目标控制指令；
通过所述智能融合终端向所述智能开关发送所述第二目标控制指令。
8.根据权利要求7所述的方法，其特征在于，所述获取第二目标采集数据，包括：
接收所述电力系统中智能融合终端发送的所述第二目标采集数据；其中，所述第二目标采集数据为对与所述智能融合终端相关联的至少一个智能开关对应区域的端侧新能源设备采集得到。
9.根据权利要求5-8任一项所述的方法，其特征在于，所述方法还包括：
获取故障研判模型，其中，所述故障研判模型为轻量级故障研判模型或整体故障研判模型。
10.根据权利要求9所述的方法，其特征在于，所述故障研判模型为轻量级故障研判模型，所述获取故障研判模型，包括：
基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量；
获取所述智能融合终端的总计算力和所述智能融合终端正常运行需要的计算力以及预设的计算力调节系数；
基于所述每一神经网络层的计算量、所述智能融合终端的总计算力和所述智能融合终端正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数；
基于所述参数数量和所述神经网络层数，构建所述神经网络模型；其中，所述神经网络模型的神经元个数由所述参数数量确定；
利用所述历史采集数据对所述神经网络模型进行训练，得到所述故障研判模型。
11.根据权利要求10所述的方法，其特征在于，所述基于所述每一神经网络层的计算量、所述智能融合终端的总计算力和所述智能融合终端正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数，包括：
利用下式确定所述神经网络模型的神经网络层数：
其中，/>表示神经网络层数，/>表示智能融合终端的总计算力，/>表示智能融合终端正常运行需要的计算力，/>表示神经网络模型中每一神经网络层的计算量，/>表示计算力调节系数。
12.一种基于电力系统的故障研判装置，应用于所述电力系统中的智能开关，所述电力系统还包括智能融合终端和端侧新能源设备，其特征在于，所述故障研判装置包括：
数据获取模块，被配置为获取所述端侧新能源设备的原始环境采集数据；
数据构建模块，被配置为基于所述原始环境采集数据构建循环链表，得到链式采集数据；
数据处理模块，被配置为基于预设的数据预处理模型对所述链式采集数据进行预处理，得到预处理后的数据，所述预处理后的数据不包括异常数据；
数据发送模块，被配置为将所述预处理后的数据发送至所述智能融合终端；
指令接收模块，被配置为接收所述智能融合终端发送的目标控制指令；
指令执行模块，被配置为基于所述目标控制指令，执行相应的开关操作；其中，所述目标控制指令根据对所述预处理后的数据进行故障研判确定。
13.根据权利要求12所述的装置，其特征在于，所述原始环境采集数据包括多个业务数据；所述数据构建模块，被配置为：
基于所述多个业务数据中的每个业务数据，构建所述循环链表中的每个节点，每个节点可以包括对应业务数据的采集时间和具体数值以及指向下一个业务数据的地址；
将所述循环链表中最后一个节点的地址指向所述循环链表中头部节点的地址，以得到所述链式采集数据。
14.根据权利要求12所述的装置，其特征在于，所述电力系统还包括配电云平台；其中，所述目标控制指令为所述智能融合终端对所述预处理后的数据进行故障研判得到的第一目标控制指令；
或者，所述目标控制指令为所述智能融合终端将所述预处理后的数据发送至配电云平台并由所述配电云平台对所述预处理后的数据进行故障研判得到的第二目标控制指令。
15.一种基于电力系统的故障研判装置，应用于所述电力系统中的智能融合终端，所述电力系统还包括智能开关和端侧新能源设备，其特征在于，所述故障研判装置包括：
第一获取模块，被配置为获取第一目标采集数据；其中，所述第一目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
故障研判模块，被配置为将所述第一目标采集数据输入轻量级故障研判模型，得到第一决策结果；其中，所述轻量级故障研判模型基于所述智能融合终端本地存储的历史采集数据进行训练得到；
第一确定模块，被配置为基于所述第一决策结果确定第一目标控制指令；
指令发送模块，被配置为向所述智能开关发送所述第一目标控制指令。
16.根据权利要求15所述的装置，其特征在于，所述第一获取模块，被配置为：
接收所述智能开关发送的所述第一目标采集数据；其中，所述第一目标采集数据仅为对所述智能开关对应区域的端侧新能源设备采集得到。
17.一种基于电力系统的故障研判装置，应用于所述电力系统中的配电云平台，所述电力系统还包括智能开关、智能融合终端和端侧新能源设备，其特征在于，所述故障研判装置包括：
第一数据获取模块，被配置为获取第二目标采集数据；其中，所述第二目标采集数据为基于所述端侧新能源设备的原始环境采集数据构建循环链表，并进行预处理后得到的数据；
结果决策模块，被配置为将所述第二目标采集数据输入整体故障研判模型，得到第二决策结果；其中，所述整体故障研判模型基于所述配电云平台本地存储的历史采集数据进行训练得到；
第一指令确定模块，被配置为基于所述第二决策结果确定第二目标控制指令；
控制指令发送模块，被配置为通过所述智能融合终端向所述智能开关发送所述第二目标控制指令。
18.根据权利要求17所述的装置，其特征在于，第一数据获取模块，被配置为：
接收所述电力系统中智能融合终端发送的所述第二目标采集数据；其中，所述第二目标采集数据为对与所述智能融合终端相关联的至少一个智能开关对应区域的端侧新能源设备采集得到。
19.根据权利要求15-18任一项所述的装置，其特征在于，所述故障研判装置还包括：
模型获取模块，被配置为获取故障研判模型，其中，所述故障研判模型为轻量级故障研判模型或整体故障研判模型。
20.根据权利要求19所述的装置，其特征在于，所述故障研判模型为轻量级故障研判模型，所述模型获取模块，被配置为：
第一子确定模块，被配置为基于历史采集数据的参数数量，确定待构建的神经网络模型中每一神经网络层的计算量；
第一子获取模块，被配置为获取所述智能融合终端的总计算力和正常运行需要的计算力以及预设的计算力调节系数；
第二子确定模块，被配置为基于所述每一层的计算量、所述智能融合终端的总计算力和正常运行需要的计算力以及所述计算力调节系数，确定所述神经网络模型的神经网络层数；
模型构建模块，被配置为基于所述参数数量和所述神经网络层数，构建所述神经网络模型；其中，所述神经网络模型的神经元个数由所述参数数量确定；
模型训练模块，被配置为利用所述历史采集数据对所述神经网络模型进行训练，得到所述故障研判模型。
21.根据权利要求20所述的装置，其特征在于，所述第二子确定模块，被配置为：
利用下式确定所述神经网络模型的神经网络层数：
其中，/>表示神经网络层数，/>表示智能融合终端的总计算力，/>表示正常运行需要的计算力，/>表示神经网络模型中每一神经网络层的计算量，/>表示计算力调节系数。
22.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求2-11中任一项所述的方法。
23.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求2-11中任一项所述的方法。
CN202410303089.2A 2024-03-18 2024-03-18 电力系统、故障研判方法、装置、设备及介质 Active CN117914001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410303089.2A CN117914001B (zh) 2024-03-18 2024-03-18 电力系统、故障研判方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410303089.2A CN117914001B (zh) 2024-03-18 2024-03-18 电力系统、故障研判方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN117914001A CN117914001A (zh) 2024-04-19
CN117914001B true CN117914001B (zh) 2024-05-17

Family

ID=90690888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410303089.2A Active CN117914001B (zh) 2024-03-18 2024-03-18 电力系统、故障研判方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN117914001B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112366817A (zh) * 2020-09-24 2021-02-12 国网天津市电力公司电力科学研究院 一种基于虚拟电厂的智能配电调度平台
CN112966860A (zh) * 2021-02-23 2021-06-15 武汉育知联信息科技有限公司 一种基于附预链式数据分析预测系统
CN114204675A (zh) * 2021-11-15 2022-03-18 国网辽宁省电力有限公司葫芦岛供电公司 一种基于云边协同的配电台区电能数据采集终端
CN114415062A (zh) * 2021-11-29 2022-04-29 北京中电普华信息技术有限公司 一种基于低压台区的故障研判方法及物联边缘处理单元
CN115047288A (zh) * 2022-05-12 2022-09-13 广东电网有限责任公司广州供电局 基于电力采集终端的台区故障定位方法及装置
CN115877198A (zh) * 2022-12-23 2023-03-31 国网山东省电力公司蒙阴县供电公司 基于边缘计算的一二次融合开关故障诊断预警系统
CN116488169A (zh) * 2023-06-25 2023-07-25 北京智芯微电子科技有限公司 基于智慧开关的故障处理方法、装置、系统和介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11816548B2 (en) * 2019-01-08 2023-11-14 International Business Machines Corporation Distributed learning using ensemble-based fusion

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112366817A (zh) * 2020-09-24 2021-02-12 国网天津市电力公司电力科学研究院 一种基于虚拟电厂的智能配电调度平台
CN112966860A (zh) * 2021-02-23 2021-06-15 武汉育知联信息科技有限公司 一种基于附预链式数据分析预测系统
CN114204675A (zh) * 2021-11-15 2022-03-18 国网辽宁省电力有限公司葫芦岛供电公司 一种基于云边协同的配电台区电能数据采集终端
CN114415062A (zh) * 2021-11-29 2022-04-29 北京中电普华信息技术有限公司 一种基于低压台区的故障研判方法及物联边缘处理单元
CN115047288A (zh) * 2022-05-12 2022-09-13 广东电网有限责任公司广州供电局 基于电力采集终端的台区故障定位方法及装置
CN115877198A (zh) * 2022-12-23 2023-03-31 国网山东省电力公司蒙阴县供电公司 基于边缘计算的一二次融合开关故障诊断预警系统
CN116488169A (zh) * 2023-06-25 2023-07-25 北京智芯微电子科技有限公司 基于智慧开关的故障处理方法、装置、系统和介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于用电采集等信息的配电网故障研判技术研究;王建雄;罗心仪;马瑞;肖麟祥;;湖南电力;20171025(S2);全文 *
基于边端协同的配电网单相接地故障研判方案;秦海波 等;《电工电气》;20211015;全文 *
基于边缘计算的智能配用电综合接入及状态监测技术研究;高建 等;《通信技术》;20210610;第54卷(第6期);全文 *

Also Published As

Publication number Publication date
CN117914001A (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
Padmanaban et al. Electric vehicles and IoT in smart cities
KR102589383B1 (ko) 마이크로그리드의 전력 수급 예측 장치 및 그 방법
CN115586800B (zh) 一种综合能源管控系统
CN116169675B (zh) 考虑运行方式变化的电力系统动态稳定性在线评估方法
Suresh et al. Probabilistic LSTM-Autoencoder based hour-ahead solar power forecasting model for intra-day electricity market participation: A Polish case study
CN116307287B (zh) 一种光伏发电有效时段的预测方法、系统及预测终端
CN117314191A (zh) 一种综合能源系统运行策略滚动生成方法及系统
CN111917111B (zh) 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质
CN117914001B (zh) 电力系统、故障研判方法、装置、设备及介质
Xu et al. Distributed Reactive Power Optimization for Energy Internet via Multiagent Deep Reinforcement Learning With Graph Attention Networks
CN117034780B (zh) 一种基于深度学习的多尺度次季节降水量预测方法
CN111860617A (zh) 一种配电网综合优化运行方法
Sharma et al. Deep Learning Based Prediction Of Weather Using Hybrid_stacked Bi-Long Short Term Memory
CN113962357B (zh) 基于gwo-wnn的分布式光伏功率数据虚拟采集方法
CN116792256A (zh) 一种风速预测变桨控制系统及控制方法
CN114298429A (zh) 一种配电网动案辅助决策方法、系统、装置和存储介质
CN116520074A (zh) 一种基于云边协同的有源配电网故障定位方法与系统
CN115345519A (zh) 海上风电风险评估方法、装置、设备及存储介质
Guan et al. Enhancing security and resilience of bulk power systems via multisource big data learning
CN114492975A (zh) 一种配电物联网的边缘侧智能决策系统
Liu et al. Convolutional Neural Network Based Unmanned Ground Vehicle Control via Deep Reinforcement Learning
Huang et al. The application of artificial intelligence in energy Internet
Xie Electric load forecast of long-period rail transit based on fuzzy mathematics
CN114825418B (zh) 一种多能柔性互补数字化供电管理方法
Moon et al. Automatic voltage stabilization system for substation using deep learning

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