CN118863236A - 一种基于改进Voronoi图算法的配网故障信息管理系统 - Google Patents
一种基于改进Voronoi图算法的配网故障信息管理系统 Download PDFInfo
- Publication number
- CN118863236A CN118863236A CN202410841866.9A CN202410841866A CN118863236A CN 118863236 A CN118863236 A CN 118863236A CN 202410841866 A CN202410841866 A CN 202410841866A CN 118863236 A CN118863236 A CN 118863236A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- power
- voronoi
- improved
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000011084 recovery Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 22
- 238000012546 transfer Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进Voronoi图算法的配网故障信息管理系统，属于配网故障技术领域。包括：基于物联设备的配电网主动感知与实时数据监测功能；配电网多源信息系统实时量测数据融合与失电信息分析功能；构建基于改进Voronoi图算法的配电网故障自动推演过程，自下而上推演故障恢复过程；实现配网故障后日志自动填报与处置过程可视化展示功能。本发明构建基于实时量测数据接入分析与故障处置过程全景展示的配电网平台，助力构建动态电网的可视化管理。
Description
技术领域
本发明涉及配网故障技术领域，具体涉及一种基于改进Voronoi图算法的配网故障信息管理系统。
背景技术
目前，在配网故障处置过程中，存在以下问题：
一、信息不够透明，缺乏校核的手段来对实际的处置情况进行分析；
二、在开关试拉过程中，故障的区间可能会受到联络开关的影响，造成故障隔离范围不准确；
三、调控故障日志都是人为手工填报，由于故障处置时工作繁忙，耗时长、步骤多，很容易造成调度人员记录的过程中出现漏记或错记的情况；
四、故障处置过程的信息大都采用表单的形式进行展示，缺少可视化的场景，来对故障处置各处置步骤进行展示；
五、对系统自动生成的调控事故日志缺乏可视化的统计分析。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。
本发明的技术方案为：一种基于改进Voronoi图算法的配网故障信息管理系统，包括：
感知测量模块，用于感知与实时测量数据；
多源信息处理模块，用于对测量数据进行融合与失电信息分析；
故障推演模块，用于通过改进Voronoi图算法对分析后的失电信息进行自下而上推演故障恢复过程；
日志填报及可视化模块，用于实现配网故障后日志自动填报与处置过程可视化展示功能。
所述感知测量模块包括配电SCADA系统和馈线自动化，
其中，配电SCADA系统用于监控配电网设备的运行状态，并实现远程操作和人机交互；
馈线自动化用于通过配变终端、站所终端和馈线终端，以及可进行通信的自动化开关设备、故障指示器和重合器，实时监控配电网络的网络拓扑和供电路径。
所述多源信息处理模块采用卡尔曼滤波和神经网络算法对多源量测数据的有效融合与精准分析。
所述故障推演模块中的改进Voronoi图算法包括：
给定一组配电节点P＝{p1,p2,...,pn}，其中每个节点pi都有对应的位置坐标与电气属性，其中，电气属性包括电流负载Ii与历史故障频率fi；
改进的Voronoi图通过以下公式计算每个节点的Voronoi单元：
其中，V(pi)为节点pi的Voronoi单元；q为平面上的一个点；R2为二维实数空间；j与i是节点的索引；
D(pi,q)是加权距离函数，定义为：
D(pi,q)＝||pi-q||-k(Ii,fi)
其中，k(Ii,fi)为基于电流负载和故障频率的权重函数，如下：
k(Ii,fi)＝α·log(1+Ii)+β·fi
式中，α和β是调节电流与故障频率影响的参数；
并对每步的权重计算进行了层次性改进，将原有权重迭代分为三步完成，每一步只对距离限制内的点进行划分，每一步权值根据上一步划分后的负荷量调整；
其中，每步的距离限制如下：
式中，为变电站i的供电半径；Si为变电站的容量；ρ为变电站供电范围内的负荷密度；Di(j,k)为第i个变电站第j次迭代中第k步划分的距离限制，k＝1,2,3；a和b为距离比例；ωi(j,k)为第i个变电站第j次迭代中第k步划分的权重；ri为变电站供电半径；
每步权重计算如下：
式中：i,j＝1,2,…,n；Pi(j,k)为第i个变电站第j次迭代中第k步划分后变电站所带的负荷总量，k＝1,2,3。
自下而上推演故障恢复过程包括：
(1)数据收集与初始化：
从电网中实时收集数据，包括电压、电流、功率；初始化Voronoi图，每个供电区域对应一个变电站或节点；
(2)权重调整与迭代：
利用电网的实时数据，动态调整每个区域的权重；
(3)故障检测与定位：
当检测到电网参数异常时，系统利用改进的Voronoi图快速定位可能的故障区域；通过分析相应区域的电网数据，进一步确认故障的具体位置和性质；
(4)故障分析与处理决策：
分析故障点附近的Voronoi单元，预测故障的影响和持续时间；根据故障类型和紧急程度，系统提出修复建议或自动触发修复程序。
所述日志填报及可视化模块，通过采集配电网实时故障信息并结合先前配电网故障处置过程，分析生成处理过程数据，实现调控事故日志的自动填报；
并基于电网PMS、OMS、GIS系统，实时记录现场人员对开关操作步骤，通过单线图中查看各步骤操作所影响供电范围及影响范围内配变和中压用户信息，实现故障处置过程可视化。
还包括线路联络转供分析单元，用于针对现场故障隔离存在转供的情况，根据线路拓扑结构以及开关档案，识别线路联络关系，结合开关动作分析线路联络转供范围，剔除受转供影响的线段。
还包括配网开关试拉操作推演单元，用于根据配电自动化开关遥信变位情况，对故障处置过程的试拉操作进行记录分析，同时结合电网拓扑信息，对线路拓扑关系进行分析，依据配变失电情况来判断实际处置过程中试拉的开关情况及分段停电和分段复电的实际情况。
本发明的有益效果：基于实时量测数据的配网故障处置调控日志智能填报，实现配电网故障处置过程的追溯和推演，提高日志记录精准度，也减轻调度人员工作负担。
本发明首先基于物联设备的配电网主动感知与实时量测数据监测功能；接着使用配电网多源信息系统实时量测数据融合与失电信息分析功能；然后构建基于改进Voronoi图算法的配电网故障自动推演过程，自下而上推演故障恢复过程；最后实现配网故障后日志自动填报与处置过程可视化展示功能。
附图说明
图1为本发明的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明如图1所示，一种基于改进Voronoi图算法的配网故障信息管理系统，包括：
感知测量模块，用于感知与实时测量数据；
多源信息处理模块，用于对测量数据进行融合与失电信息分析；
故障推演模块，用于通过改进Voronoi图算法对分析后的失电信息进行自下而上推演故障恢复过程；
日志填报及可视化模块，用于实现配网故障后日志自动填报与处置过程可视化展示功能。
所述感知测量模块包括配电SCADA系统和馈线自动化，
其中，配电SCADA系统用于监控配电网设备的运行状态，并实现远程操作和人机交互；
馈线自动化用于通过配变终端、站所终端和馈线终端，以及可进行通信的自动化开关设备、故障指示器和重合器，实时监控配电网络的网络拓扑和供电路径。
具体地，基于物联设备的配电网主动感知与实时量测数据监测功能，面向10kV及以上电网的运行状态监控，为电网调度和控制人员提供决策辅助和远程指挥功能。系统的硬件设施涵盖多级调度中心的主站系统、变电站和电厂的数控设备，以及联结这些设备的数据通信网络。这一集成系统能够实现对电网设备的实时监控、故障诊断及运行数据分析。在配电自动化方面，采用配电SCADA(数据采集与监视控制系统)、馈线自动化FA技术与实时量测技术。配电SCADA系统主要负责监控配电网设备的运行状态，并实现远程操作和人机交互。馈线自动化则通过配变终端(TTU)、站所终端(DTU)和馈线终端(FTU)，以及可进行通信的自动化开关设备、故障指示器和重合器等，实时监控配电网络的网络拓扑和供电路径。实时量测技术主要面向配变实时功率接口与用户实时功率接口，提供量测数据实时监测与预警功能。
所述多源信息处理模块采用卡尔曼滤波和神经网络算法对多源量测数据的有效融合与精准分析。
具体地，系统采用了包括卡尔曼滤波和神经网络算法在内的高级数据处理技术，实现了对多源量测数据的有效融合与精准分析。卡尔曼滤波被广泛应用于实时数据的噪声滤除和准确估计。通过这种方法，系统能够对从各种传感器(如电压传感器、电流互感器、温度探头)收集来的数据进行优化处理，提高数据质量，从而确保分析结果的准确性。此外，神经网络算法则用于模式识别，能够从历史和实时数据中学习电网运行的正常与异常模式，快速识别潜在的失电风险。具体应用方面，这套系统在实时监测电网运行状态时，能够自动识别异常变化，比如突然的负载增加或电压下降。神经网络通过不断学习电网的运行数据，提高故障预测的准确率。在发现潜在故障或异常时，系统会自动向运维人员发送警报，并提出可能的故障区域和原因，协助快速定位并处置问题。
故障推演模块在应用中，
自下而上推演故障恢复过程，并可针对已隔离恢复供电或转供的用户以及用户的真实失电时间进行分段的实时时户数计算。Voronoi图是一种数学结构，用于对多维空间进行划分，其中每个分区由一组点构成，每个点的区域包含距该点最近的所有空间点。在电网故障分析中，改进的Voronoi图可以通过加权因子来调整区域的界限，更准确地定位和分析故障。
改进的Voronoi图算法定义如下：
给定一组配电节点P＝{p1,p2,...,pn}，其中每个节点pi都有对应的位置坐标与电气属性(如电流负载Ii与历史故障频率fi)。改进的Voronoi图通过以下公式计算每个节点的Voronoi单元：
其中，V(pi)为节点pi的Voronoi单元；q为平面上的一个点，属于二维实数空间；R2为二维实数空间；j与i是节点的索引，j≠i表示除了节点pi外所有的节点。
其中，D(pi,q)是加权距离函数，定义为：
D(pi,q)＝||pi-q||-k(Ii,fi)
其中，k(Ii,fi)为基于电流负载和故障频率的权重函数，如下：
k(Ii,fi)＝α·log(1+Ii)+β·fi
式中，α和β是调节电流与故障频率影响的参数；电流负载与故障频率的权重函数统称为电气属性，是用来计算加权距离函数所需要的变量。
并对每步的权重计算进行了层次性改进，将原有权重迭代分为三步完成，每一步只对距离限制内的点进行划分，每一步权值根据上一步划分后的负荷量调整。其中，每步的距离限制如下：
式中，为变电站i的供电半径；Si为变电站的容量；ρ为变电站供电范围内的负荷密度；Di(j,k)为第i个变电站第j次迭代中第k步划分的距离限制，k＝1,2,3；a和b为距离比例；ωi(j,k)为第i个变电站第j次迭代中第k步划分的权重；ri为变电站供电半径。
每步权重计算如下：
式中：i,j＝1,2,…,n；Pi(j,k)为第i个变电站第j次迭代中第k步划分后变电站所带的负荷总量，k＝1,2,3。
具体故障自动推演过程包括以下关键步骤：
(1)数据收集与初始化：
从电网中的传感器和测量设备实时收集数据，包括电压、电流、功率等；初始化Voronoi图，每个供电区域对应一个变电站或节点。
(2)权重调整与迭代：
利用电网的实时数据，动态调整每个区域(变电站或节点)的权重。权重依据负载、故障率或其他电网操作参数进行调整；权重的调整反映在Voronoi图的更新中，通过这种方式，可以更准确地反映电网的实际运行状况。
权重调整依据及方法：
1、负载：指每个区域的电力需求，即供电量。调整方法：权重可以根据负载比例进行调整。例如，高负载区域的权重更大，以反映其对电网稳定性的重要性。
权重wj可以设置为负载Li与总负载Ltotal的比例。
2、故障率：指的是每个区域发生故障的频率或概率。调整方法：高故障率区域的权重可以增加，以优先处理容易发生故障的区域。
权重wk以设置为故障率Fi与总故障率Ftotal的比例。
3、电网操作参数：其他电网操作参数可以包括电压偏差、电流超载、变压器温度等。调整方法：这些参数可以被综合考虑，形成一个综合权重。
综合权重wl以是各个参数权重的加权和：
其中，α、β、γ、δ分别为调整系数，Vi为电压偏差；Vtotal为电压总偏差；Ti为温度；Ttotal为所有区域温度总和。
(3)故障检测与定位：
当检测到电网参数异常时(例如电压骤降或电流异常升高)，系统利用改进的Voronoi图快速定位可能的故障区域；通过分析相应区域的电网数据，进一步确认故障的具体位置和性质。
通常包括故障类型：短路故障、断线故障、接地故障、电弧故障；故障位置：具体故障点、影响区域；故障时间：发生时间、持续时间；故障原因：设备老化、外力破坏、自然灾害：、操作失误；故障影响：电压波动、电流异常、服务中断、设备损坏；故障特征信号：电压和电流波形异常、谐波含量变化、频率变化。
(4)故障分析与处理决策：
分析故障点附近的Voronoi单元，预测故障的影响和持续时间；根据故障类型和紧急程度，系统提出修复建议或自动触发修复程序。
通常包括：Voronoi图生成与分析：构建Voronoi图、故障点定位。
数据采集与预处理：实时监测数据采集、数据清洗和预处理。
故障特征提取：特征信号提取、故障模式识别。
故障影响预测：负荷流分析、故障传播模拟、持续时间预测。
紧急程度评估：故障严重程度评估、优先级排序。
修复建议生成：故障修复策略制定、资源调度优化。
自动修复程序触发：自动隔离故障、自动重配置电网、远程控制与诊断。
持续监控与反馈：实时监控、反馈与优化。
这样可以实现对电网故障的快速定位、准确预测和有效修复，确保电网的稳定运行和用户的可靠供电。
日志填报及可视化模块在应用中，
配网故障后日志自动填报与处置过程可视化展示功能，通过采集配电网实时故障信息并结合先前配电网故障处置过程，分析生成处理过程数据，实现调控事故日志的自动填报，同时提供事故日志手动维护功能；并基于现有电网PMS、OMS、GIS等系统，实时记录现场人员对开关操作步骤，可通过单线图中查看各步骤操作所影响供电范围及影响范围内配变和中压用户信息，实现故障处置过程全流程、全方位、多角度可视化。在实际应用中，也可同时实现配网开关试拉操作推演与线路联络转供分析等多项功能。
其中，线路联络转供分析可针对现场故障隔离存在转供的情况，根据线路拓扑结构以及开关档案，识别线路联络关系，结合开关动作分析线路联络转供范围，剔除受转供影响的线段，从而精确定位实际故障路段，提高故障定位的准确性。
配网开关试拉操作推演可根据配电自动化开关遥信变位情况，对故障处置过程的试拉操作进行记录分析，同时结合电网拓扑信息，对线路拓扑关系进行分析，依据配变失电情况来判断实际处置过程中试拉的开关情况及分段停电和分段复电的实际情况。
本发明对配电网故障抢修平台进行完善，提高故障处置速度与记录精度。基于实时量测数据的配网故障处置调控日志智能填报，实现配电网故障处置过程的追溯和推演；提高了日志记录精准度，减轻调度人员工作负担。
通过改进原有Voronoi图算法，实现配电网故障自动推演功能，并基于现有物联设备与电网PMS、GIS平台，实现配电网故障智能填报与故障处置流程可视化。
本发明依托现有电网数据中台PMS3.0与GIS建设成果，构建基于实时量测数据接入分析与故障处置过程全景展示的配电网平台，助力构建动态电网的可视化管理。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种基于改进Voronoi图算法的配网故障信息管理系统，其特征在于，包括：
感知测量模块，用于感知与实时测量数据；
多源信息处理模块，用于对测量数据进行融合与失电信息分析；
故障推演模块，用于通过改进Voronoi图算法对分析后的失电信息进行自下而上推演故障恢复过程；
日志填报及可视化模块，用于实现配网故障后日志自动填报与处置过程可视化展示功能。
2.根据权利要求1所述的一种基于改进Voronoi图算法的配网故障信息管理系统，其特征在于，
所述感知测量模块包括配电SCADA系统和馈线自动化，
其中，配电SCADA系统用于监控配电网设备的运行状态，并实现远程操作和人机交互；
馈线自动化用于通过配变终端、站所终端和馈线终端，以及可进行通信的自动化开关设备、故障指示器和重合器，实时监控配电网络的网络拓扑和供电路径。
3.根据权利要求1所述的一种基于改进Voronoi图算法的配网故障信息管理系统，其特征在于，
所述多源信息处理模块采用卡尔曼滤波和神经网络算法对多源量测数据融合与分析。
4.根据权利要求1所述的一种基于改进Voronoi图算法的配网故障信息管理系统，其特征在于，
所述故障推演模块中的改进Voronoi图算法包括：
给定一组配电节点P＝{p1,p2,...,pn}，其中每个节点pi都有对应的位置坐标与电气属性，其中，电气属性包括电流负载Ii与历史故障频率fi；
改进的Voronoi图通过以下公式计算每个节点的Voronoi单元：
其中，V(pi)为节点pi的Voronoi单元；q为平面上的一个点；R 2为二维实数空间；j与i是节点的索引；
D(pi,q)是加权距离函数，定义为：
D(pi,q)＝||pi-q||-k(Ii,fi)
其中，k(Ii,fi)为基于电流负载和故障频率的权重函数，如下：
k(Ii,fi)＝α·log(1+Ii)+β·fi
式中，α和β是调节电流与故障频率影响的参数；
并对每步的权重计算进行了层次性改进，将原有权重迭代分为三步完成，每一步只对距离限制内的点进行划分，每一步权值根据上一步划分后的负荷量调整；
其中，每步的距离限制如下：
式中，为变电站i的供电半径；Si为变电站的容量；ρ为变电站供电范围内的负荷密度；Di(j,k)为第i个变电站第j次迭代中第k步划分的距离限制，k＝1,2,3；a和b为距离比例；ωi(j,k)为第i个变电站第j次迭代中第k步划分的权重；ri为变电站供电半径；
每步权重计算如下：
式中：i,j＝1,2,…,n；Pi(j,k)为第i个变电站第j次迭代中第k步划分后变电站所带的负荷总量，k＝1,2,3。
5.根据权利要求1所述的一种基于改进Voronoi图算法的配网故障信息管理系统，其特征在于，
自下而上推演故障恢复过程包括：
(1)数据收集与初始化：
从电网中实时收集数据，包括电压、电流、功率；初始化Voronoi图，每个供电区域对应一个变电站或节点；
(2)权重调整与迭代：
利用电网的实时数据，动态调整每个区域的权重；
(3)故障检测与定位：
当检测到电网参数异常时，系统利用改进的Voronoi图快速定位可能的故障区域；通过分析相应区域的电网数据，进一步确认故障的具体位置和性质；
(4)故障分析与处理决策：
分析故障点附近的Voronoi单元，预测故障的影响和持续时间；根据故障类型和紧急程度，系统提出修复建议或自动触发修复程序。
6.根据权利要求1所述的一种基于改进Voronoi图算法的配网故障信息管理系统，其特征在于，
所述日志填报及可视化模块，通过采集配电网实时故障信息并结合先前配电网故障处置过程，分析生成处理过程数据，实现调控事故日志的自动填报；
并基于电网PMS、OMS、GIS系统，实时记录现场人员对开关操作步骤，通过单线图中查看各步骤操作所影响供电范围及影响范围内配变和中压用户信息，实现故障处置过程可视化。
7.根据权利要求6所述的一种基于改进Voronoi图算法的配网故障信息管理系统，其特征在于，
还包括线路联络转供分析单元，用于针对现场故障隔离存在转供的情况，根据线路拓扑结构以及开关档案，识别线路联络关系，结合开关动作分析线路联络转供范围，剔除受转供影响的线段。
8.根据权利要求6所述的一种基于改进Voronoi图算法的配网故障信息管理系统，其特征在于，
还包括配网开关试拉操作推演单元，用于根据配电自动化开关遥信变位情况，对故障处置过程的试拉操作进行记录分析，同时结合电网拓扑信息，对线路拓扑关系进行分析，依据配变失电情况来判断实际处置过程中试拉的开关情况及分段停电和分段复电的实际情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410841866.9A CN118863236A (zh) | 2024-06-27 | 2024-06-27 | 一种基于改进Voronoi图算法的配网故障信息管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410841866.9A CN118863236A (zh) | 2024-06-27 | 2024-06-27 | 一种基于改进Voronoi图算法的配网故障信息管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118863236A true CN118863236A (zh) | 2024-10-29 |
Family
ID=93162120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410841866.9A Pending CN118863236A (zh) | 2024-06-27 | 2024-06-27 | 一种基于改进Voronoi图算法的配网故障信息管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118863236A (zh) |
-
2024
- 2024-06-27 CN CN202410841866.9A patent/CN118863236A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
| CN114640173B (zh) | 一种基于多特征量的变压器和发电机的预警模型 | |
| Kezunovic et al. | The role of big data in improving power system operation and protection | |
| CN112803592B (zh) | 一种适用于分布式电站的智能故障预警方法及系统 | |
| CN116069079B (zh) | 一种智能开关柜的散热智能控制方法及系统 | |
| CN108074021A (zh) | 一种配电网风险辨识系统及方法 | |
| CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
| CN110210701A (zh) | 一种电网设备风险感知方法 | |
| CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| WO2020162937A1 (en) | Automated model validation system for electrical grid | |
| CN118157330B (zh) | 基于图计算的配电网全景动态拓扑监测控制方法及系统 | |
| CN114383652A (zh) | 一种配电网潜在故障在线风险辨识方法、系统及装置 | |
| WO2020171814A1 (en) | Event selection for power grid disturbance | |
| CN114781476A (zh) | 一种量测设备故障分析系统和方法 | |
| CN116029699A (zh) | 一种基于数据孪生的电力信息系统及运维方法 | |
| CN117852773B (zh) | 一种配电网路故障定位系统 | |
| CN114548209A (zh) | 一种基于潮流指纹图谱的电网强关联故障分析系统及方法 | |
| CN117291317B (zh) | 基于aem的智能电力监控与优化系统 | |
| CN113850017A (zh) | 一种基于潮流变化图谱的系统级故障分析系统及方法 | |
| Zhang et al. | Distributed Architecture of Power Grid Asset Management and Future Research Directions | |
| CN107093151A (zh) | 电力系统智能化断面管理及在线安全校核系统 | |
| Zolin et al. | Wide Area Monitoring System (WAMS) application in smart grids | |
| CN118863236A (zh) | 一种基于改进Voronoi图算法的配网故障信息管理系统 | |
| CN117148048A (zh) | 基于数字孪生技术的配电网故障预测方法及系统 | |
| CN114156865B (zh) | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |