Nothing Special   »   [go: up one dir, main page]

CN117498561A - 一种基于边缘计算的电网异常运行状态监测方法 - Google Patents

一种基于边缘计算的电网异常运行状态监测方法 Download PDF

Info

Publication number
CN117498561A
CN117498561A CN202410004580.5A CN202410004580A CN117498561A CN 117498561 A CN117498561 A CN 117498561A CN 202410004580 A CN202410004580 A CN 202410004580A CN 117498561 A CN117498561 A CN 117498561A
Authority
CN
China
Prior art keywords
power distribution
power
power grid
data
graph
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410004580.5A
Other languages
English (en)
Other versions
CN117498561B (zh
Inventor
张昆
王大维
郑国玲
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.)
Chengdu Jingrong Lianchuang Technology Co ltd
Original Assignee
Chengdu Jingrong Lianchuang 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 Chengdu Jingrong Lianchuang Technology Co ltd filed Critical Chengdu Jingrong Lianchuang Technology Co ltd
Priority to CN202410004580.5A priority Critical patent/CN117498561B/zh
Publication of CN117498561A publication Critical patent/CN117498561A/zh
Application granted granted Critical
Publication of CN117498561B publication Critical patent/CN117498561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J13/00002—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 monitoring
    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • H02J3/0012—Contingency detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Power Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于边缘计算的电网异常运行状态监测方法，包括以下步骤：S1、获取目标区域中的电网监测数据，并对其进行预处理，得到每个配电区域的电网监测数据集；S2、获取每个配电区域的历史电网监测数据集，并根据电网监测数据集构建每个配电区域的图数据；S3、将所有配电区域的图数据依次输入GCN和GRU，得到所有配电区域的故障风险关系图；S4、根据所有配电区域的故障风险关系图得到配电网的异常运行状态的监测结果。本发明结合GCN和GRU网络进行快速的分析配电区域的故障风险，加快了发现故障风险的速度，提高了配电故障诊断率，解决了目前的配电网监测方法难以在短时间内快速确定故障范围的问题。

Description

一种基于边缘计算的电网异常运行状态监测方法
技术领域
本发明属于配电网运行监测技术领域，具体涉及一种基于边缘计算的电网异常运行状态监测方法。
背景技术
电力系统是国家经济发展和运行的基石，人们的生产生活均离不开电力行业，只有维持稳定的电力系统运行，才能保证工业生产和人类生活。但受不稳定因素影响，电力系统在运行过程中会出现异常状态，如没有第一时间进行监控，会造成突发的大规模停电事件，又会对人们的生活和各行各业发展，造成影响。而一旦电力系统发生故障问题，无法得到保障时，会对电力供应造成影响，因此为进一步供给社会用电，智能电网逐渐取代了传统电网，将数字处理技术应用在电力系统中，对数据流和信息流进行核心管理。现阶段电网的异常检测，仍依靠于计划检修，即在定期的检修中寻找电网异常状态，会需要大量的人力物力，造成大额成本支出，而且该方法不能对突发的电力故障进行快速反应，难以在短时间内快速确定故障范围。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于边缘计算的电网异常运行状态监测方法解决了目前的配电网监测方法难以在短时间内快速确定故障范围的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于边缘计算的电网异常运行状态监测方法，包括以下步骤：
S1、获取目标区域中的电网监测数据，并对其进行预处理，得到每个配电区域的电网监测数据集；
S2、获取每个配电区域的历史电网监测数据集，并根据电网监测数据集构建每个配电区域的图数据；
S3、将所有配电区域的图数据依次输入GCN和GRU，得到所有配电区域的故障风险关系图；
S4、根据所有配电区域的故障风险关系图得到配电网的异常运行状态的监测结果。
进一步地：所述S1中，电网监测数据包括配电网节点的温度、电压和电流；
所述S1包括以下分步骤：
S11、获取所有配电网节点指定时间段内的电网监测数据，将所有配电网节点的电网监测数据根据配电区域进行划分，得到若干个配电区域的配电网节点的电网监测数据以及；
S12、将每个配电区域的配电网节点的电网监测数据通过边缘计算方法进行融合处理，得到每个配电区域的电网监测数据；
S13、根据所有配电区域的电网监测数据构建电网监测数据集。
进一步地：所述S12中，得到第l个配电区域的电网监测数据X l的表达式具体为：
式中，x i为第i个配电网节点的电网监测数据，ωi为第i个配电网节点的权重。
上述进一步方案的有益效果为：边缘计算方法融合了各个配电区域的配电网节点所采集的数据，避免所采集数据在后续的网络计算中过于分散，通过多数据集中融合，实现配电网故障的及时感知。
进一步地：所述S2具体为：
获取每个配电区域的历史电网监测数据集，根据每个配电区域的历史电网监测数据集与电网监测数据集通过风险分析建立节点特征表示，根据节点特征表示构建异构图，并将其作为配电区域的图数据。
进一步地：所述S3中，获取任意配电区域的故障风险关系图的方法包括以下分步骤：
S31、将配电区域的图数据输入GCN，通过GCN进行各个节点进行图卷积操作，得到第一图数据；
S32、将第一图数据输入GRU，通过GRU进行编码和解码处理，得到第二图数据；
S33、拼接第二图数据和配电区域的图数据，得到配电区域的故障风险关系图。
上述进一步方案的有益效果为：编码GRU利用多特征注意力机制对配电网节点的特征进行建模，挖掘不同时间段不同电网监测数据与各个配电网的风险因素的规律。并且解码GRU引入了时间注意力机制，对编码器不同时刻的隐藏层状态进行动态的学习，能够很好地结合电网监测数据与配电网的风险因素的特征。
进一步地：所述S31 中，节点进行一次图卷积操作的计算过程具体为下式：
式中，是第l层神经网络的输入，/>，n为配电区域的图数据中的配电网节点的数量，每个节点使用/>维的特征向量表示，/>是无向图的邻接矩阵，/>为N阶单位矩阵，/>为中间矩阵，/>为/>的度矩阵，/>用于对矩阵行列进行归一化处理，/>为第l层的权值矩阵，/>，其中，/>为输出维度，/>为激活函数。
进一步地：所述S32具体为：
将第一图数据输入GRU，通过编码GRU对第一图数据中各配电网节点的特征进行建模，得到编码向量，将编码向量输入解码GRU，得到第二图数据。
进一步地：所述S33具体为：
将第二图数据和配电区域的图数据输入线性层，通过Linear函数调整为相同大小后，拼接大小相同的第二图数据和配电区域的图数据，得到配电区域的故障风险关系图。
进一步地：所述S4具体为：
根据所有配电区域的故障风险关系图获得配电网各配电区域的停电故障风险，并将其作为配电网的异常运行状态的监测结果，其中，所述停电故障风险包括防雷因素、绝缘因素和设备老旧因素。
本发明的有益效果为：
（1）本发明提供了一种基于边缘计算的电网异常运行状态监测方法，根据每个配电区域的电网监测数据集和历史电网监测数据集，结合GCN和GRU网络进行快速的分析配电区域的故障风险，加快了发现故障风险的速度，提高了配电故障诊断率，解决了目前的配电网监测方法难以在短时间内快速确定故障范围的问题。
（2）本发明在GRU引入了多特征注意力机制和时间注意力机制，GRU输入为图结构的电网监测数据与配电网的风险因素的特征数据，利用多特征注意力机制对配电网节点的特征进行建模，利用时间注意力机制能够很好地结合电网监测数据与配电网的风险因素的特征，从而对配电网的异常运行状态进行合理监测。
附图说明
图1为本发明的一种基于边缘计算的电网异常运行状态监测方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，一种基于边缘计算的电网异常运行状态监测方法，包括以下步骤：
S1、获取目标区域中的电网监测数据，并对其进行预处理，得到每个配电区域的电网监测数据集；
S2、获取每个配电区域的历史电网监测数据集，并根据电网监测数据集构建每个配电区域的图数据；
S3、将所有配电区域的图数据依次输入GCN和GRU，得到所有配电区域的故障风险关系图；
S4、根据所有配电区域的故障风险关系图得到配电网的异常运行状态的监测结果。
所述S1中，电网监测数据包括配电网节点的温度、电压和电流；
所述S1包括以下分步骤：
S11、获取所有配电网节点指定时间段内的电网监测数据，将所有配电网节点的电网监测数据根据配电区域进行划分，得到若干个配电区域的配电网节点的电网监测数据以及；
S12、将每个配电区域的配电网节点的电网监测数据通过边缘计算方法进行融合处理，得到每个配电区域的电网监测数据；
S13、根据所有配电区域的电网监测数据构建电网监测数据集。
所述S12中，得到第l个配电区域的电网监测数据X l的表达式具体为：
式中，x i为第i个配电网节点的电网监测数据，ωi为第i个配电网节点的权重。
在本实施例中，边缘计算方法融合了各个配电区域的配电网节点所采集的数据，避免所采集数据在后续的网络计算中过于分散，通过多数据集中融合，实现配电网故障的及时感知。
所述S2具体为：
获取每个配电区域的历史电网监测数据集，根据每个配电区域的历史电网监测数据集与电网监测数据集通过风险分析建立节点特征表示，根据节点特征表示构建异构图，并将其作为配电区域的图数据；
通过每个配电区域的历史电网监测数据集与电网监测数据集据构建异构图，可以反映配电系统中温度、剩余电流、电压和环路电流等数据的关系，从而判断是否发生故障，具体包括环路电源、电源故障、跳闸和电流限制违规等故障情况。其中，异构图包括节点和边，节点特征表示配电网的风险因素，边的类型为配电网的风险因素-电网监测数据的关系。
所述S3中，获取任意配电区域的故障风险关系图的方法包括以下分步骤：
S31、将配电区域的图数据输入GCN，通过GCN进行各个节点进行图卷积操作，得到第一图数据；
S32、将第一图数据输入GRU，通过GRU进行编码和解码处理，得到第二图数据；
S33、拼接第二图数据和配电区域的图数据，得到配电区域的故障风险关系图。
所述S31 中，节点进行一次图卷积操作的计算过程具体为下式：
式中，是第l层神经网络的输入，/>，n为配电区域的图数据中的配电网节点的数量，每个节点使用/>维的特征向量表示，/>是无向图的邻接矩阵，/>为N阶单位矩阵，/>为中间矩阵，/>为/>的度矩阵，/>用于对矩阵行列进行归一化处理，/>为第l层的权值矩阵，/>，其中，/>为输出维度，/>为激活函数。
在本实施例中，GCN利用图的边与顶点连接的结构信息以及附属于图结构的属性信息，对隐含的图信息进行抽取，卷积层感受域随着卷积层的增加而变大并获得更加抽象的信息表示，通过三层图卷积神经网络的叠加拼接，经过GCN的图神经网络的特征提取后，配电区域的图数据中每一个配电网节点的信息得到更新。
所述S32具体为：
将第一图数据输入GRU，通过编码GRU对第一图数据中各配电网节点的特征进行建模，得到编码向量，将编码向量输入解码GRU，得到第二图数据。
在本实施例中，编码GRU利用多特征注意力机制对配电网节点的特征进行建模，挖掘不同时间段不同电网监测数据与各个配电网的风险因素的规律。并且解码GRU引入了时间注意力机制，对编码器不同时刻的隐藏层状态进行动态的学习，能够很好地结合电网监测数据与配电网的风险因素的特征。
所述S33具体为：
将第二图数据和配电区域的图数据输入线性层，通过Linear函数调整为相同大小后，拼接大小相同的第二图数据和配电区域的图数据，得到配电区域的故障风险关系图。
在本实施例中，得到配电区域的故障风险关系图能够反映该配电区域中的停电故障风险情况，为保障配电网可靠运行，避免停电事故的发生，根据该停电故障风险情况可及时作出处理。
所述S4具体为：
根据所有配电区域的故障风险关系图获得配电网各配电区域的停电故障风险，并将其作为配电网的异常运行状态的监测结果，其中，所述停电故障风险包括防雷因素、绝缘因素和设备老旧因素。
本发明的有益效果为：本发明提供了一种基于边缘计算的电网异常运行状态监测方法，根据每个配电区域的电网监测数据集和历史电网监测数据集，结合GCN和GRU网络进行快速的分析配电区域的故障风险，加快了发现故障风险的速度，提高了配电故障诊断率，解决了目前的配电网监测方法难以在短时间内快速确定故障范围的问题。
本发明在GRU引入了多特征注意力机制和时间注意力机制，GRU输入为图结构的电网监测数据与配电网的风险因素的特征数据，利用多特征注意力机制对配电网节点的特征进行建模，利用时间注意力机制能够很好地结合电网监测数据与配电网的风险因素的特征，从而对配电网的异常运行状态进行合理监测。
在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。

Claims (9)

1.一种基于边缘计算的电网异常运行状态监测方法，其特征在于，包括以下步骤：
S1、获取目标区域中的电网监测数据，并对其进行预处理，得到每个配电区域的电网监测数据集；
S2、获取每个配电区域的历史电网监测数据集，并根据电网监测数据集构建每个配电区域的图数据；
S3、将所有配电区域的图数据依次输入GCN和GRU，得到所有配电区域的故障风险关系图；
S4、根据所有配电区域的故障风险关系图得到配电网的异常运行状态的监测结果。
2.根据权利要求1所述的基于边缘计算的电网异常运行状态监测方法，其特征在于，所述S1中，电网监测数据包括配电网节点的温度、电压和电流；
所述S1包括以下分步骤：
S11、获取所有配电网节点指定时间段内的电网监测数据，将所有配电网节点的电网监测数据根据配电区域进行划分，得到若干个配电区域的配电网节点的电网监测数据以及；
S12、将每个配电区域的配电网节点的电网监测数据通过边缘计算方法进行融合处理，得到每个配电区域的电网监测数据；
S13、根据所有配电区域的电网监测数据构建电网监测数据集。
3.根据权利要求2所述的基于边缘计算的电网异常运行状态监测方法，其特征在于，所述S12中，得到第l个配电区域的电网监测数据X l的表达式具体为：
式中，x i为第i个配电网节点的电网监测数据，ωi为第i个配电网节点的权重。
4.根据权利要求1所述的基于边缘计算的电网异常运行状态监测方法，其特征在于，所述S2具体为：
获取每个配电区域的历史电网监测数据集，根据每个配电区域的历史电网监测数据集与电网监测数据集通过风险分析建立节点特征表示，根据节点特征表示构建异构图，并将其作为配电区域的图数据。
5.根据权利要求1所述的基于边缘计算的电网异常运行状态监测方法，其特征在于，所述S3中，获取任意配电区域的故障风险关系图的方法包括以下分步骤：
S31、将配电区域的图数据输入GCN，通过GCN进行各个节点进行图卷积操作，得到第一图数据；
S32、将第一图数据输入GRU，通过GRU进行编码和解码处理，得到第二图数据；
S33、拼接第二图数据和配电区域的图数据，得到配电区域的故障风险关系图。
6.根据权利要求5所述的基于边缘计算的电网异常运行状态监测方法，其特征在于，所述S31 中，节点进行一次图卷积操作的计算过程具体为下式：
式中，是第l层神经网络的输入，/>，n为配电区域的图数据中的配电网节点的数量，每个节点使用/>维的特征向量表示，/>是无向图的邻接矩阵，/>为N阶单位矩阵，/>为中间矩阵，/>为/>的度矩阵，/>用于对矩阵行列进行归一化处理，/>为第l层的权值矩阵，/>，其中，/>为输出维度，/>为激活函数。
7.根据权利要求5所述的基于边缘计算的电网异常运行状态监测方法，其特征在于，所述S32具体为：
将第一图数据输入GRU，通过编码GRU对第一图数据中各配电网节点的特征进行建模，得到编码向量，将编码向量输入解码GRU，得到第二图数据。
8.根据权利要求5所述的基于边缘计算的电网异常运行状态监测方法，其特征在于，所述S33具体为：
将第二图数据和配电区域的图数据输入线性层，通过Linear函数调整为相同大小后，拼接大小相同的第二图数据和配电区域的图数据，得到配电区域的故障风险关系图。
9.根据权利要求1所述的基于边缘计算的电网异常运行状态监测方法，其特征在于，所述S4具体为：
根据所有配电区域的故障风险关系图获得配电网各配电区域的停电故障风险，并将其作为配电网的异常运行状态的监测结果，其中，所述停电故障风险包括防雷因素、绝缘因素和设备老旧因素。
CN202410004580.5A 2024-01-03 2024-01-03 一种基于边缘计算的电网异常运行状态监测方法 Active CN117498561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410004580.5A CN117498561B (zh) 2024-01-03 2024-01-03 一种基于边缘计算的电网异常运行状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410004580.5A CN117498561B (zh) 2024-01-03 2024-01-03 一种基于边缘计算的电网异常运行状态监测方法

Publications (2)

Publication Number Publication Date
CN117498561A true CN117498561A (zh) 2024-02-02
CN117498561B CN117498561B (zh) 2024-03-19

Family

ID=89680481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410004580.5A Active CN117498561B (zh) 2024-01-03 2024-01-03 一种基于边缘计算的电网异常运行状态监测方法

Country Status (1)

Country Link
CN (1) CN117498561B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137358A (zh) * 2021-11-17 2022-03-04 国网天津市电力公司信息通信公司 一种基于图卷积神经网络的输电线路故障诊断方法
CN114245337A (zh) * 2021-12-17 2022-03-25 吉林大学 一种基于图卷积网络的供水管网泄露定位传感器布置方法
CN114597970A (zh) * 2022-03-18 2022-06-07 合肥工业大学 一种基于图卷积网络的主动配电网分区方法
CN114818483A (zh) * 2022-04-14 2022-07-29 东南大学溧阳研究院 一种基于图神经网络的机电扰动定位及传播预测方法
CN115542070A (zh) * 2022-08-15 2022-12-30 云南电网有限责任公司 一种配网线路故障定位方法及存储介质
CN116366673A (zh) * 2023-04-11 2023-06-30 国网甘肃省电力公司信息通信公司 一种面向电网信息机房管理的数据分析与共享方法
CN116467674A (zh) * 2023-04-10 2023-07-21 国网辽宁省电力有限公司抚顺供电公司 一种配电网智能故障处理融合更新系统及其方法
CN117040109A (zh) * 2023-07-05 2023-11-10 国网江苏省电力有限公司无锡供电分公司 一种基于异构数据特征融合的配电站房风险预警方法
CN117081240A (zh) * 2023-07-31 2023-11-17 云南电网有限责任公司 一种基于多接入边缘计算技术的电网融合控制方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114137358A (zh) * 2021-11-17 2022-03-04 国网天津市电力公司信息通信公司 一种基于图卷积神经网络的输电线路故障诊断方法
CN114245337A (zh) * 2021-12-17 2022-03-25 吉林大学 一种基于图卷积网络的供水管网泄露定位传感器布置方法
CN114597970A (zh) * 2022-03-18 2022-06-07 合肥工业大学 一种基于图卷积网络的主动配电网分区方法
CN114818483A (zh) * 2022-04-14 2022-07-29 东南大学溧阳研究院 一种基于图神经网络的机电扰动定位及传播预测方法
CN115542070A (zh) * 2022-08-15 2022-12-30 云南电网有限责任公司 一种配网线路故障定位方法及存储介质
CN116467674A (zh) * 2023-04-10 2023-07-21 国网辽宁省电力有限公司抚顺供电公司 一种配电网智能故障处理融合更新系统及其方法
CN116366673A (zh) * 2023-04-11 2023-06-30 国网甘肃省电力公司信息通信公司 一种面向电网信息机房管理的数据分析与共享方法
CN117040109A (zh) * 2023-07-05 2023-11-10 国网江苏省电力有限公司无锡供电分公司 一种基于异构数据特征融合的配电站房风险预警方法
CN117081240A (zh) * 2023-07-31 2023-11-17 云南电网有限责任公司 一种基于多接入边缘计算技术的电网融合控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭创新 等: "基于图神经网络和强化学习的电网风险态势感知", 《电网与清洁能源》, 31 December 2023 (2023-12-31), pages 41 - 49 *

Also Published As

Publication number Publication date
CN117498561B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN109241169A (zh) 配电网运行信息多源异构数据融合数据库集成方法
CN110388315B (zh) 基于多源信息融合的输油泵故障识别方法、装置及系统
CN111985558A (zh) 一种电能表异常诊断方法及其系统
CN113469457B (zh) 融合注意力机制的输电线路故障概率预测方法
CN116523140A (zh) 窃电检测方法、装置、电子设备和存储介质
CN111768022A (zh) 煤机生产设备的设备检测方法及装置
CN115457211A (zh) 基于数字孪生的变电站管理方法及系统
CN115730749B (zh) 基于融合电力数据的电力调度风险预警方法及装置
CN111177128B (zh) 基于改进的离群点检测算法的计量大数据批量处理方法及系统
CN107548087A (zh) 一种告警关联分析的方法及装置
CN117498561B (zh) 一种基于边缘计算的电网异常运行状态监测方法
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统
CN113869589A (zh) 一种基于知识图谱的输电线路事故预测方法及巡检系统
CN115865611A (zh) 一种网络设备的故障处理方法、装置及电子设备
CN111537819A (zh) 一种配电自动化监测方法、系统、终端及存储介质
CN116632826A (zh) 一种配电网的问题处理方法、装置、电子设备及存储介质
CN112561230A (zh) 基于电气特征的环保设备状态监测方法
CN113111352A (zh) 一种智能变电站二次系统安全防护评价方法及系统
CN113887799A (zh) 一种水电厂安全生产人工智能报警方法
CN115033690B (zh) 一种通信缺陷研判知识库构建方法、缺陷识别方法及系统
CN112488873A (zh) 一种供用电设备健康码及状态轨迹智能挖掘构建方法
CN116150257B (zh) 电力通信光缆资源可视化分析方法、系统及存储介质
CN118193954B (zh) 一种基于边缘计算的配电网异常数据检测方法及系统
CN110889614A (zh) 基于scada大数据的电网系统重要用户供电风险分析方法
CN117950381B (zh) 一种数字化生产制造管理系统

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