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

CN118468188A - 电网数据的处理方法、装置、存储介质及电子设备 - Google Patents

电网数据的处理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN118468188A
CN118468188A CN202410717554.7A CN202410717554A CN118468188A CN 118468188 A CN118468188 A CN 118468188A CN 202410717554 A CN202410717554 A CN 202410717554A CN 118468188 A CN118468188 A CN 118468188A
Authority
CN
China
Prior art keywords
data
grid
feature
power distribution
distribution network
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
Application number
CN202410717554.7A
Other languages
English (en)
Inventor
周磊
万敏
陈培培
陈艺丹
刘志陆
霍兆杰
余梦琪
祝钧
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.)
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Guangdong Power Grid Co Ltd
Foshan Power Supply Bureau of Guangdong Power Grid Corp
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 Guangdong Power Grid Co Ltd, Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Guangdong Power Grid Co Ltd
Priority to CN202410717554.7A priority Critical patent/CN118468188A/zh
Publication of CN118468188A publication Critical patent/CN118468188A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • Pure & Applied Mathematics (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本申请实施例提供了一种电网数据的处理方法、装置、存储介质及电子设备，该方法包括：获取第一网架数据和第二网架数据，其中，第一网架数据和第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，第一网架数据和第二网架数据用于确定配电网网架是否出现变动；分别对第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，目标识别模型用于确定配电网网架的变动区域；基于差异性特征确定配电网网架的变动分析结果。通过本申请，解决了由于配电网网架变动的确定流程过于复杂，导致配电网网架的变动检测效率较低的技术问题。

Description

电网数据的处理方法、装置、存储介质及电子设备
技术领域
本申请实施例涉及计算机领域，具体而言，涉及一种电网数据的处理方法、装置、存储介质及电子设备。
背景技术
目前，为了实现对配电网网架变动的识别，电网数据仓库中通常会保存配电网的入库记录文件，文件中包含了大量配电网的网络拓扑结构信息、设备参数信息、线路参数信息等，相关技术中通过比较当前入库的配电网数据文件名中的时间戳与之前入库文件的时间戳，以确定是否有新的网架变动发生，若检测到时间戳不一致，即表示配电网网架结构可能已发生变动，需要进行进一步的分析。
换言之，在相关技术中，仅仅只是通过比较配电网的入库记录文件时间戳以确定配电网网架是否发生变动，使得配电网网架变动的确定流程过于复杂，导致配电网网架的变动检测效率较低的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种电网数据的处理方法、装置、存储介质及电子设备，以至少解决由于配电网网架变动的确定流程过于复杂，导致配电网网架的变动检测效率较低的技术问题。
根据本申请的一个方面，提供了一种电网数据的处理方法，包括：获取第一网架数据和第二网架数据，其中，所述第一网架数据和所述第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，所述第一网架数据和第二网架数据用于确定所述配电网网架是否出现变动；分别对所述第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将所述第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，所述目标识别模型用于确定所述配电网网架的变动区域；基于所述差异性特征确定所述配电网网架的变动分析结果，其中，所述变动分析结果用于指示所述配电网网架的变动情况。
根据本申请的另一个方面，提供了一种电网数据的处理装置，包括：获取模块，用于获取第一网架数据和第二网架数据，其中，所述第一网架数据和所述第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，所述第一网架数据和第二网架数据用于确定所述配电网网架是否出现变动；编码模块，用于分别对所述第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将所述第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，所述目标识别模型用于确定所述配电网网架的变动区域；确定模块，用于基于所述差异性特征确定所述配电网网架的变动分析结果，其中，所述变动分析结果用于指示所述配电网网架的变动情况。
可选地，所述装置用于通过如下方式分别对所述第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将所述第一特征数据和第二特征数据输入至目标识别模型：比较所述第一网架数据和所述第二网架数据，确定所述配电网网架是否发生变动；在所述配电网网架发生变动的情况下，分别对所述第一网架数据和第二网架数据进行编码，得到所述第一特征数据和所述第二特征数据；将所述第一特征数据和所述第二特征数据的差异部分确定为所述差异性特征，其中，所述差异性特征用于指示所述配电网网架发生变动的特征信息；将所述差异性特征映射至网架元数据，确定所述变动区域，其中，所述网架元数据包括以下至少之一：所述配电网网架的线路参数、节点参数、拓扑连接关系。
可选地，所述装置用于通过如下方式比较所述第一网架数据和所述第二网架数据，确定所述配电网网架是否发生变动：获取所述配电网网架的数据库和数据接口；通过所述数据接口爬取所述数据库的监测数据和网架设备状态数据；对所述监测数据和所述网架设备状态数据进行分析，确定所述配电网网架是否发生变动。
可选地，所述装置用于通过如下方式在所述配电网网架发生变动的情况下，分别对所述第一网架数据和第二网架数据进行编码，得到所述第一特征数据和所述第二特征数据：在所述配电网网架发生变动的情况下，基于不同类型的数据参数对所述第一网架数据和所述第二网架数据进行编码，得到第一组特征向量和第二组特征向量，其中，所述第一组特征向量和所述第二组特征向量中按照不同编码方式编码得到的特征向量表示所述不同类型的数据参数；将所述第一组特征向量和所述第二组特征向量确定为所述第一特征数据和所述第二特征数据。
可选地，所述装置用于通过如下方式将所述第一特征数据和所述第二特征数据的差异部分确定为所述差异性特征：对所述第一组特征向量和所述第二组特征向量中按照相同格式编码得到的特征向量进行相似度分析，得到一组相似度；将所述一组相似度中满足预设条件的目标相似度对应的第一特征向量和第二特征向量确定为所述差异性特征。
可选地，所述装置用于通过如下方式将所述差异性特征映射至网架元数据，确定所述变动区域：按照特征类型对所述差异性特征进行整理，形成多个特征子集，其中，所述多个特征子集中的每个特征子集与一种特征类型对应；对目标特征子集提取关键参数作为对比维度，生成目标映射关系，其中，所述多个特征子集包括所述目标特征子集，所述对比维度表示所述差异性特征中变化最大的特征维度；调用可视化模型生成对应于不同特征类型的可视化对比图谱，其中，所述可视化对比图谱包括所述变动区域。
可选地，所述装置还用于：获取第一样本网架数据、第二样本网架数据以及样本变化分析结果，其中，所述第一样本网架数据和第二样本网架数据包括所述配电网网架在不同历史时刻下的结构参数特征，所述样本变化分析结果用于表示与所述第一样本网架数据和所述第二样本网架数据对应的所述配电网网架的变动情况；分别对所述第一样本网架数据和所述第二样本网架数据进行编码，得到第一样本特征数据和第二样本特征数据，并将所述第一样本特征数据和第二样本特征数据输入至初始识别模型，确定样本差异性特征；基于所述样本差异性特征和所述样本变化分析结果对所述初始识别模型进行训练，得到所述目标识别模型。
根据本申请的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
在本申请实施例中，通过获取第一网架数据和第二网架数据，其中，第一网架数据和第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，第一网架数据和第二网架数据用于确定配电网网架是否出现变动；分别对第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，目标识别模型用于确定配电网网架的变动区域；基于差异性特征确定配电网网架的变动分析结果，其中，变动分析结果用于指示配电网网架的变动情况，以实现通过目标识别模型确定电网发生变动的变动区域，提高变动区域的识别速率，进而，基于变动区域的差异性特征生成变动分析结果，通过该变动分析结果对电网进行改造升级，达到提高电网的运行效率的技术效果，解决了由于配电网网架变动的确定流程过于复杂，导致配电网网架的变动检测效率较低的技术问题。
附图说明
图1是根据本申请实施例的一种电网数据的处理方法的移动终端的硬件结构框图；
图2是根据本申请实施例的一种电网数据的处理方法的流程图；
图3是根据本申请实施例的一种电网数据的处理方法的流程示意图；
图4是根据本申请实施例的又一种电网数据的处理方法的流程示意图；
图5是根据本申请实施例的一种电网数据的处理装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请的实施例。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
首先，在对本申请实施例进行描述的过程中出现的部分名词或者术语适用于如下解释：
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本申请实施例的一种电网数据的处理方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及终端设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的电网数据的处理方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
可选地，在本实施例中，上述电网数据的处理方法还可以通过服务器实现，或由终端设备和服务器共同实现。
上述仅是一种示例，本实施例不做具体的限定。
可选地，作为一种可选的实施方式，图2是根据本申请实施例的一种电网数据的处理方法的流程图，如图2所示，上述电网数据的处理方法包括：
S202，获取第一网架数据和第二网架数据，其中，第一网架数据和第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，第一网架数据和第二网架数据用于确定配电网网架是否出现变动；
可选地，在本申请实施例中，上述第一网架数据与第二网架数据的获取时间不同，第一网架数据包括配电网网架在第一时刻的结构参数特征，例如，第二网架数据包括配电网网架在第一时刻的结构参数特征，例如，并且，第一时刻不同于第二时刻,上述第一网架数据与第二网架数据可以包括但不限于配电线路参数、节点参数、负载数据等，上述结构参数特征可以包括但不限于线路长度参数、型号参数、顺数参数、变压器容量参数、连接的重要节点参数等。
需要说明的是，通过对比上述第一网架数据和第二网架数据可以确定配电网网架在第一时刻与第二时刻之间发生的结构参数的变动，例如，线路变更情况，硬件设备变更情况等。
假设对某一配电公司的配电网进行分析，该配电网可以包括但不限于多个配电站、配电室以及复杂的天空线路和地下电缆，可以包括但不限于从该公司的配网信息系统、线损分析系统、用户信息系统以及智能电表系统收集数据,获取配电线路参数、节点参数、负载数据等构成结构参数特征，例如，采用爬虫技术收集配网信息系统、线损分析系统、用户信息系统以及智能电表系统的接口以及各自系统内的数据库接口信息，设计数据采集任务，配置采集规则，定时爬取各系统的数据。将采集的数据汇总至数据平台，可以包括但不限于保存为PostgreSQL格式，其中，PostgreSQL是一种开源的关系型数据库管理系统(RDBMS)，使用SQL语言进行数据管理和查询，PostgreSQL支持多种数据类型，包括整数、浮点数、字符串、日期、时间、数组、JSON等。
S204，分别对第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，目标识别模型用于确定配电网网架的变动区域；
可选地，在本申请实施例中，在获取到第一网架数据和第二网架数据之后，可以分别对第一网架数据和第二网架数据进行编码处理，例如，对于结构特征参数数据集中不同的特征参数类型，可以选择各自对应的编码方法，进行特征向量化处理。
以对第一网架数据进行编码为例，假设第一网架数据中的某一参数类型为线路参数类型，那么，可以包括但不限于采用数值归一化的方法对线路参数进行编码：将参数值映射到0至1的范围内，以得到定长实数向量；构建连接矩阵，使用0或1表示配电网网架中的各个节点之间是否存在连接关系，是否进行拓扑连接关系编码，从而，可以包括但不限于使用一热编码(Ont-Hot编码)等方式进行节点参数编码。
进一步地，通过上述编码处理以实现第一网架数据与第二网架数据的定量化，便于输入上述目标识别模型，此外，由于配网规模较大，结构特征参数数据集中的数据体量大，因此，可以包括但不限于对数据进行采样和分块，以提取第一网架数据中的第一数据子集与第二网架数据中的第二数据子集，对第一数据子集、第二数据子集进行特征选择，仅保留识别目标相关的特征，实现数据的降维表达。
具体而言，可以将编码之后的输入上述目标识别模型，该目标识别模型可以包括但不限于神经网络模型，目标识别模型将输出上述差异性特征，基于该差异性特征进一步确定出配电网的变动区域，换言之，通过本申请实施例，无需人工对比配置文件的时间戳，仅利用目标识别模型即可得到变动区域，进一步确定配电网发生变动的原因。
示例性地，可以将差异性特征映射到网架元数据中，解析该特征对应的物理意义，即反映了网架的哪些部件或拓扑发生的明显变化，以定位关键变动区域，变动区域可以包括但不限于线路参数改变最大的线路段、变压器参数差异最大的变压器，拓扑连接关系发生调整的区域等，根据确定的关键变动区域，可针对性地展开拓扑分析、稳态仿真等计算，评估变动对网络的影响，并制定优化应对措施，以保障供电可靠性。
在一个示例性的实施例中，城市配电网的检测系统在13:00记录到第一网架数据，并通过数据分析监测程序发现与12:00的第二网架数据相比出现了异常波动，在这种情况下，将自动提示网络可能发生了变动，为了进一步分析，可以自动启动变动区域的识别流程，自动获取了变动发生前的第二网架数据和变动后的第一网架数据，将这两组网架数据输入预先训练好的目标识别模型中，经过模型分析输出两组特征向量,即为变动前的向量A和变动后的向量B，这两组特征向量即为上述差异性特征。
进一步地，将差异性特征映射到网架元数据中，通过解析差异性特征，确定城市配电网的线路A发生了问题，即上述变动区域为线路A所在区域。
S206，基于差异性特征确定配电网网架的变动分析结果，其中，变动分析结果用于指示配电网网架的变动情况。
可选地，在本申请实施例中，上述变动分析结果可以包括但不限于通过文字，语音，图像，视频等方式进行展示，通过上述目标识别模型输出的差异性特征即可得到配电网网架的变动情况，包括但不限于变压器发生变动，新增或者减少传输线路等。
在一个示例性的实施例中，假设配电网某线路需要升级改造，使得配电网网架发生变动，那么，在获取到上述第一网架数据与第二网架数据的情况下，可以将第一网架数据与第二网架数据分别应用于目标识别模型，分析差异性特征，其中，线路阻抗特征变动明显，因此，可以选择阻抗参数作为键值对比维度，将线路阻抗特征与网架元数据进行映射分析，确定阻抗参数对应的物理意义为线路的材质和截面特性，得到由于线路材质或截面发生调整导致了网架变动。
进一步地，还可以提取变动前后线路阻抗的值，在图像处理模块调用折线图算法，生成两条反映阻抗变动的曲线图用于表示上述变动分析结果，其中，一条折线表明改造前线路阻抗较大，需降低；另一条折线代表改造后阻抗值减小，表示使用低阻抗材料或扩大线路截面提高传输容量。该阻抗参数对比曲线可以直观展示了本次网架关键变动点和物理意义，进而，将阻抗参数特征与其他参数特征的变动进行堆叠，包括但不限于电压质量参数特征的变动等，构建多个特征的组合对比网络，使用该组合对比网络综合反映网架差异性特征。
再进一步地，还可以利用开源数据交换接口标准将绘制完成的矢量状对比图像进行打包，包括但不限于转换为JPG格式的图像文件，为图像文件添加文本说明，制作文档，从而，通过网络接口将该文档发送至配网分析平台，配网分析平台可以自动扫描并识别文档所包含的图像中的关键信息，包括但不限于折线图的数值、维度等参数，通过与其他特征信息进行关联融合，综合评估线路改造对配电网产生的影响，输出改造效果分析报告，为网架升级的效果评估与优化提供依据。
在一个示例性的实施例中，本申请提出的电网数据的处理方法可以应用于确定电网变动情况的应用场景中，具体地，图3是根据本申请实施例的一种电网数据的处理方法的流程示意图，可以包括但不限于如图3所示：
S302，集成多源网状结构数据，此处的多源网状结构数据用于训练初始识别模型；
S304，根据多源网状结构数据提取配电网网架结构参数特征；
S306，对配电网网架结构参数特征进行编码处理；
S308，对编码之后的配电网网架结构参数特征的数据格式进行转化；
S310，使用编码之后的配电网网架结构参数特征训练初始识别模型，得到目标识别模型；
S312，获取第一网架数据和第二网架数据，对第一网架数据和第二网架数据进行编码处理，进而，将编码处理之后的第一网架数据和第二网架数据输入目标识别模型，将目标识别模型的输出作为上述差异性特征；
S314，通过目标识别模型确定配电网网架的变动区域；
S316，基于差异性特征确定配电网网架的变动分析结果。
通过本申请实施例，采用获取第一网架数据和第二网架数据，其中，第一网架数据和第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，第一网架数据和第二网架数据用于确定配电网网架是否出现变动；分别对第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，目标识别模型用于确定配电网网架的变动区域；基于差异性特征确定配电网网架的变动分析结果，其中，变动分析结果用于指示配电网网架的变动情况，以实现通过目标识别模型确定电网发生变动的变动区域，提高变动区域的识别速率，进而，基于变动区域的差异性特征生成变动分析结果，通过该变动分析结果对电网进行改造升级，达到提高电网的运行效率的技术效果，解决了由于配电网网架变动的确定流程过于复杂，导致配电网网架的变动检测效率较低的技术问题。
作为一种可选的方案，上述分别对上述第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将上述第一特征数据和第二特征数据输入至目标识别模型，包括：比较上述第一网架数据和上述第二网架数据，确定上述配电网网架是否发生变动；在上述配电网网架发生变动的情况下，分别对上述第一网架数据和第二网架数据进行编码，得到上述第一特征数据和上述第二特征数据；将上述第一特征数据和上述第二特征数据的差异部分确定为上述差异性特征，其中，上述差异性特征用于指示上述配电网网架发生变动的特征信息；将上述差异性特征映射至网架元数据，确定上述变动区域，其中，上述网架元数据包括以下至少之一：上述配电网网架的线路参数、节点参数、拓扑连接关系。
示例性地，在获取到上述第一网架数据和第二网架数据之后，可以先对第一网架数据和第二网架数据分别进行编码以得到上述第一特征数据和上述第二特征数据，包括但不限于分别使用不同的编码方式对不同类型的参数进行编码。
假设参数类型为线路参数类型，那么，可以包括但不限于采用数值归一化的方法对线路参数进行编码：将参数值映射到0至1的范围内，以得到定长实数向量；构建连接矩阵，使用0或1表示配电网网架中的各个节点之间是否存在连接关系，是否进行拓扑连接关系编码，从而，可以包括但不限于使用一热编码(Ont-Hot编码)等方式进行节点参数编码。
进一步地，通过对比上述第一特征数据和上述第二特征数据，将二者的差异部分确定为上述差异性特征，例如，第一特征数据中的线路参数不同于第二特征数据中的线路参数，那么，差异性特征将包括线路参数特征，表示线路参数发生了变化。
此外，还可以将上述差异性特征映射至网架元数据，以确定上述变动区域，具体而言，可以将差异性特征映射到网架元数据中，通过解析确定该差异性特征对应于变压器的容量，可以包括但不限于由于新增了一些负荷或者进行了设备升级导致配电网中某个变压器的容量从原来的10MVA上升到了13MVA，得到上述变动区域包括该变压器。
通过本申请实施例，采用比较上述第一网架数据和上述第二网架数据，确定上述配电网网架是否发生变动；在上述配电网网架发生变动的情况下，分别对上述第一网架数据和第二网架数据进行编码，得到上述第一特征数据和上述第二特征数据；将上述第一特征数据和上述第二特征数据的差异部分确定为上述差异性特征；将上述差异性特征映射至网架元数据，确定上述变动区域，以实现快速获取差异性特征的目的，进而，基于该差异性特征从配电网中明确出上述变动区域，以对变动区域进行针对性的调整，保证电网的运行安全。
作为一种可选的方案，上述比较上述第一网架数据和上述第二网架数据，确定上述配电网网架是否发生变动，包括：获取上述配电网网架的数据库和数据接口；通过上述数据接口爬取上述数据库的监测数据和网架设备状态数据；对上述监测数据和上述网架设备状态数据进行分析，确定上述配电网网架是否发生变动。
可选地，在本申请实施例中，上述配电网网架包括多种业务应用系统，每个系统均有各自独立的数据库和数据接口，因此，可以包括但不限于通过数据接口从各个业务应用系统中爬取监测数据和网架设备状态数据，该监测数据可以包括但不限于电网负荷、电压、频率、电流、功率因数、电能损耗等参数的实时监测数据，以及电网故障、短路、电流过载等事件的报警记录；网架设备状态数据可以包括但不限于变压器的温度、油位、局部放电、绝缘电阻等监测数据，开关设备的位置、状态、操作次数等数据，以及配电柜、电缆、接地装置等设备的运行状态和健康状况数据等。
示例性地，可以通过各个业务应用系统的数据接口抓取各自数据库中的监测数据和网架设备状态数据，假设监测数据表示在一段时间内电网负荷发生变化，或者，电压波动过大等，再或者，网架设备状态数据表示变压器的温度过高等，即可以确定配电网网架发生了变动，进一步地，保证在配电网网架发生变动时，可以根据实时的监测数据以及网架设备状态数据及时确定该变动情况，以自发启动特征识别流程，快速确定出变动区域进行调整。
作为一种可选的方案，上述在上述配电网网架发生变动的情况下，分别对上述第一网架数据和第二网架数据进行编码，得到上述第一特征数据和上述第二特征数据，包括：在上述配电网网架发生变动的情况下，基于不同类型的数据参数对上述第一网架数据和上述第二网架数据进行编码，得到第一组特征向量和第二组特征向量，其中，上述第一组特征向量和上述第二组特征向量中按照不同编码方式编码得到的特征向量表示上述不同类型的数据参数；将上述第一组特征向量和上述第二组特征向量确定为上述第一特征数据和上述第二特征数据。
需要说明的是，上述第一网架数据和上述第二网架数据中相同类型的参数数据可以包括但不限于使用相同的编码方式，例如，使用One-Hot编码将第一网架数据中的线路参数编码为特征向量A，并且，使用One-Hot编码将第二架数据中的线路参数编码为特征向量B，此时，第一组特征向量包括特征向量A，第二组特征向量包括特征向量B。
通过本申请实施例，在配电网网架发生变动的情况下，基于不同类型的数据参数对第一网架数据和第二网架数据进行编码，得到第一组特征向量和第二组特征向量，第一组特征向量和第二组特征向量中按照不同编码方式编码得到的特征向量表示不同类型的数据参数，以使用不同类型的数据参数最适合的编码方式进行特征向量的编码，保证最终生成的第一组特征向量和第二组特征向量的准确程度；进而，将第一组特征向量和第二组特征向量确定为第一特征数据和第二特征数据，便于后续使用第一特征数据和第二特征数据确定出差异性特征。
作为一种可选的方案，上述将上述第一特征数据和上述第二特征数据的差异部分确定为上述差异性特征，包括：对上述第一组特征向量和上述第二组特征向量中按照相同格式编码得到的特征向量进行相似度分析，得到一组相似度；将上述一组相似度中满足预设条件的目标相似度对应的第一特征向量和第二特征向量确定为上述差异性特征。
可选地，在本申请实施例中，上述相似度分析可以用于比较第一组特征向量和上述第二组特征向量中各个类型的特征向量之间的相似程度，进而，若特征向量之间的相似度满足预设条件，那么，可以将该相似度确定为目标相似度，将目标相似度对应的特征向量指示的特征作为上述差异性特征。
例如，若第一组特征向量中的特征向量A与第二组特征向量中的特征向量B之间越相似，那么，特征向量A与特征向量B指示的特征将越不会被确定为上述差异性特征，换言之，特征向量A与特征向量B指示的特征造成配电网网架变动的可能性就越小。
作为一种可选的方案，上述将上述差异性特征映射至网架元数据，确定上述变动区域，包括：按照特征类型对上述差异性特征进行整理，形成多个特征子集，其中，上述多个特征子集中的每个特征子集与一种特征类型对应；对目标特征子集提取关键参数作为对比维度，生成目标映射关系，其中，上述多个特征子集包括上述目标特征子集，上述对比维度表示上述差异性特征中变化最大的特征维度；调用可视化模型生成对应于不同特征类型的可视化对比图谱，其中，上述可视化对比图谱包括上述变动区域。
可选地，在本申请实施例中，上述多个特征子集可以理解为，差异性特征汇总不同特征类型的特征各自对应的数据子集，上述关键参数可以看作是目标特征子集中的任一个参数，本申请对此不作任何限定。
进一步地，假设上述差异性特征包括特征向量A与特征向量B指示的特征，其中，特征向量A取值为[2,4,5,7]，而特征向量B取值为[1,7,6,4]，使用余弦相似度算法计算得到两个向量的相似度为998，表明变动是非显著变动，向量A中的第二个维度取值“4”至向量B中的第二个维度取值“7”的差异较大，此时，关键参数即为第二个维度的特征参数，确定这一维度的值从4变化到7，表明变压器的某个参数有显著的变化，将这一特征映射到网架元数据中，通过解析确定该参数对应于变压器的容量，可以包括但不限于由于新增了一些负荷或者进行了设备升级导致配电网中某个变压器的容量从原来的10MVA上升到了13MVA，进而，工程师可以针对该变压器所在区域进行了拓扑分析，并进行稳态仿真计算，若仿真结果表示在高峰负荷时段，该变压器的负荷率从85％上升至89％，逼近了其安全运行的临界值。为此，可以进行网架的优化调整，例如，通过增加另一条配电线路来分担负荷，从而保障供电的可靠性，实现实时检测配电网状态、分析数据和响应变动的目的，以提高电网运营商维护系统的稳定性和供电可靠性。
示例性地，可以根据上述差异性特征构建直观的特征对比图，首先，按照特征类型和物理意义对差异性特征进行整理，形成多个子集，可以包括但不限于线路特征集、节点特征集、拓扑特征集等。
接着，针对上述每个特征子集的数据，提取关键参数作为对比维度，在变动前和变动后数据间形成映射关系，根据上述特征映射关系，调用可视化程序模块，自动生成不同类型特征的可视化对比图谱。
例如，可视化对比图谱可以包括但不限于：1)线路参数变动使用曲线图，通过折线观察参数随时间的演化趋势；2)节点特征变动采用颜色深浅的拓扑图，立体显示空间分布差异；3)拓扑连接关系变动，用链接出现与消失的网络图表示。
可以理解的是，综合并列各个特征子集的可视化图以构成立体的特征对比关系网络，融合展示网架变动的全貌，该对比网络直观反映差异性特征的整体分布与变化情况，还可以将绘制完成的矢量图形自动转换为标准的图像格式，并生成索引性的文字说明，通过将图像以及文字说明打包成电子文档，发送至后端的配网分析中心，由配网分析中心通过图像识别模块，自动解析对比图的特征参数、拓扑连接等信息，对各类特征进行关联，以评估网架变动的影响范围与程度，输出影响分析评估报告，并且支持制定管网的维护及优化决策。
作为一种可选的方案，上述方法还包括：获取第一样本网架数据、第二样本网架数据以及样本变化分析结果，其中，上述第一样本网架数据和第二样本网架数据包括上述配电网网架在不同历史时刻下的结构参数特征，上述样本变化分析结果用于表示与上述第一样本网架数据和上述第二样本网架数据对应的上述配电网网架的变动情况；分别对上述第一样本网架数据和上述第二样本网架数据进行编码，得到第一样本特征数据和第二样本特征数据，并将上述第一样本特征数据和第二样本特征数据输入至初始识别模型，确定样本差异性特征；基于上述样本差异性特征和上述样本变化分析结果对上述初始识别模型进行训练，得到上述目标识别模型。
可选地，在本申请实施例中，上述第一样本网架数据和第二样本网架数据均为在历史时段获取到的数据，也即，上述第一样本网架数据和第二样本网架数据的获取时间早于上述第一网架数据和第二网架数据的获取时间，该第一样本网架数据和第二样本网架数据可以用于训练上述初始识别模型。
具体而言，图4是根据本申请实施例的又一种电网数据的处理方法的流程示意图，如图4所示，在获取到第一样本网架数据和第二样本网架数据(图4所示的配电网多源网状结构数据)之后，比较第一样本网架数据和第二样本网架数据中是否包含网架的历史变动记录，若包含网架变动记录，则对网架变动记录数据进行提取，同时从第一样本网架数据和第二样本网架数据中获取网架其他静态参数数据，对提取出的网架变动记录进行预处理，其中，静态参数数据可以包括但不限于网架的型号和规格；材质；安装位置和方向；最大承载能力；安装日期和维护记录；生产厂家信息；相关证书和标准符合情况；防腐蚀和防火等级要求；使用环境和特殊要求等信息。
其中，可以包括但不限于通过如下方式对第一样本网架数据和第二样本网架数据进行预处理：
(1)，数据清洗可以包括但不限于处理缺失值、异常数据、重复记录等；
(2)，特征构造可以包括但不限于解析记录中的参数，形成描述网架变动的结构化特征；
(3)，特征编码可以包括但不限于使用One-Hot、归一化数值映射等方式，实现特征向量化。
进一步地，在对网架变动记录进行预处理完成的情况下，还可以基于变动特征数据集，选择神经网络等模型框架，构建目标识别模型，接着，配置网络参数，设置训练优化算法，使用网架变动记录样本启动训练过程，通过模型的迭代学习，持续优化模型，提高特征表达和识别的效果。
可以理解的是，训练结束之后的目标识别模型可以解析新输入的网架参数样本数据，捕捉参数变动中反映的网架差异性特征，为评估网架状态变化、确定维护策略提供依据。此外，目标识别模型支持增量训练，随着新数据的不断累积，可以持续使用新数据对模型进行增量调整，实现模型的更新迭代，适应网架演化。
在一个示例性的实施例中，以某配电公司网架数据为例，将第一样本网架数据和第二样本网架数据集成至数据仓库中，包含但不限于配电站、输变电设备的运行及变更记录。配电站在某一时段更换了2台主变压器，在第一样本网架数据和第二样本网架数据中记录有参数变动前后的详细信息，基于SparkStreaming流式处理架构配置数据提取任务，实时读取网架数据集成仓库中新增的网架变动记录数据，对抽取的网架变动记录数据进行清洗、处理缺失值和剔除异常记录数据等操作，同时调用NLP(自然语言处理)模块解析网架变动记录数据中的非结构化文本，提取特征参数特征，构建描述设备变更的结构化数据表，接着，对结构化数据表中的参数动态列采用One-Hot编码或归一化数值映射的方式进行特征向量化操作，且对结构化数据表中的静态列使用词向量化等嵌入方法将数据映射为数值向量，实现构建编码化的变动样本数据集的目的，进而，使用该变动样本数据集训练初始识别模型，得到目标识别模型。
上述仅是一种示例，本申请不做任何具体的限定。
显然，上述所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。
下面结合具体实施例对本申请进行具体说明：
需要说明的是，本申请实施例能够有效提取配电网网架的结构参数特征、实现自动化变更模式识别、并进行全方位性能评估的技术方案，以解决配电网网架变动分析中存在的技术矛盾，进一步地，通过本申请提出的电网数据的处理方法实现的多区域新旧配电网网架变动检测方法可以包括但不限于：
S1，集成多源网状结构数据(上述第一样本网架数据和第二样本网架数据)，从多源网状结构数据中提取配电网网架的结构参数特征，并进行编码处理，转化为适用于目标识别模型的数据格式。
具体而言，首先根据多源网状结构数据，获取包含配电网网架信息的数据库和数据接口，进行数据的爬取和集成，将汇总来自不同系统的网状结构数据至数据池，其中，包括但不限于对汇总之后的网状结构数据进行清洗、去重等操作，以形成规范化的配电网多源网状数据；接着，分析多源网状结构数据，以确定物理组成配电网网架的特征参数，可以包括但不限于线路参数、节点参数、拓扑连接关系参数等，进一步地，汇总特征参数以生成配电网网架的结构特征参数数据集，对于结构特征参数数据集中不同的特征参数类型，可以选择各自对应的编码方法，进行特征向量化处理。
进一步地，通过上述编码处理以实现结构特征参数的定量化，便于输入上述目标识别模型，此外，由于配网规模较大，结构特征参数数据集中的数据体量大，因此，可以包括但不限于对数据进行采样和分块，以提取结构特征参数数据集中的数据子集，对数据子集进行特征选择，仅保留识别目标相关的特征，实现数据的降维表达，进而，构建适合模型训练的数据格式。
可以理解的是，经过编码采样和特征选择的数据子集可用来训练上述目标识别模型，实现对配电网关键结构的自动化识别。
在一个示例性的实施例中，假设对某一配电公司的配电网进行分析，该配电网可以包括但不限于多个配电站、配电室以及复杂的天空线路和地下电缆，可以包括但不限于从该公司的配网信息系统、线损分析系统、用户信息系统以及智能电表系统收集数据,获取配电线路参数、节点参数、负载数据等构成多源网状结构数据，例如，采用爬虫技术收集配网信息系统、线损分析系统、用户信息系统以及智能电表系统的接口以及各自系统内的数据库接口信息，设计数据采集任务，配置采集规则，定时爬取各系统的数据。将采集的数据汇总至数据平台，可以包括但不限于保存为PostgreSQL格式，其中，PostgreSQL是一种开源的关系型数据库管理系统(RDBMS)，使用SQL语言进行数据管理和查询，PostgreSQL支持多种数据类型，包括整数、浮点数、字符串、日期、时间、数组、JSON等。
进一步地，在数据汇总过程中，可以对爬取的数据进行清洗，例如，处理重复数据、缺失值、异常值等，以形成规范化的配网多源异构数据池，将该配网多源异构数据池应用于目标识别模型，例如，卷积神经网络模型等,训练该模型自动捕捉描述配电网架物理构成的关键特征参数，其中，配网多源异构数据池包括关键特征参数，该关键特征参数可以包括但不限于线路长度参数、型号参数、顺数参数,变压器容量参数、连接的重要节点参数等，还可以将输出的特征数据集成至推理知识图谱模型中,形成配网知识库，将上述特征参数数据，按照特征类型采用不同的向量化编码方法。
例如，线路型号采用One-Hot编码成01向量，电压等级进行归一化，编码成01向量，通过编码实现数据定量表达，作为目标识别模型的输入格式，进而，从上述编码数据集中抽取规模适中的数据子集,并只保留与识别目标相关的特征字段构建数据集,用于网架关键设备的自动化识别建模。
S2，根据多源网状结构数据中的网架变动记录，训练目标识别模型，该目标识别模型用于识别配电网网架的差异性特征。
示例性地，构建自编码器LSTM(长短时记忆)网络模型。设置Adam等优化函数，训练步长，启动迭代学习过程，随着训练次数增加,模型的损失值函数值持续下降，特征表达能力增强，以提升参数变动的差异性特征识别效果，在模型测试期间，该模型可以对新输入的网架设备检修记录进行解析，输出设备参数变动的特征分析结果，可以包括但不限于设备参数变动影响面积的大小，影响负荷容量的高低，维护修缮的紧迫程度等级等，进而，基于该特征分析结果触发网架评估，制定优化方案。
S3，若检测到配电网网架产生变动，则通过目标识别模型识别变动前后的网架的差异性特征，确定配电网网架的关键变动区域。
示例性地，可以包括但不限于根据配电网的监测数据和网架设备状态数据，进行实时的数据分析监测，判断网架是否发生变动。一旦检测到网架数据出现异常，提示网络可能发生变动。此时需要启动识别流程，获取变动发生前和变动后的网架数据，将获取的变动前后数据依次输入到预训练好的网架差异性目标识别模型中，启动模型进行预测分析，得到两组特征向量，通过对比变动前后的特征向量，使用向量相似度算法分析差异部分，该差异部分可以反映网架变动的特征信息，基于差异计算判断向量变化最大的维度，确定影响网架发生变动最大的特征。
接着，将特征映射到网架元数据中，解析该特征对应的物理意义，即反映了网架的哪些部件或拓扑发生的明显变化，以定位关键变动区域，变动区域可以包括但不限于线路参数改变最大的线路段、变压器参数差异最大的变压器，拓扑连接关系发生调整的区域等，根据确定的关键变动区域，可针对性地展开拓扑分析、稳态仿真等计算，评估变动对网络的影响，并制定优化应对措施，以保障供电可靠性。
在一个示例性的实施例中，城市配电网的检测系统在13:00记录到一组检测数据，并通过数据分析监测程序发现与12:00的数据相比出现了异常波动，在这种情况下，将自动提示网络可能发生了变动，为了进一步分析，可以自动启动变动区域的识别流程，自动获取了变动发生前12:00的网架数据和变动后13:00的网架数据，将这两组网架数据输入预先训练好的目标识别模型中，经过模型分析输出两组特征向量,即为变动前的向量A和变动后的向量B。
S4，基于配电网网架产生的变动生成差异性特征对比图，将所述差异性特征对比图发送至分析模块。
S5，基于配电网网架的关键变动区域计算变动前后的网架各自的电力流动和容量限制，确定变动前后的网架的电力供应力。
示例性地，可以根据网架的关键变动区域分割数字孪生的三维配电网模型，提取出对应变动区域的网络拓扑子图，在电力流计算量大的情况下，可以对该网络拓扑子图进行简化，仅保留与电力计算相关的关键节点，构建简化后的关键区域网架模型，对该关键区域网架模型分别加载变动前和变动后的数据集，启动模型的迭代计算，得到变动前后该变动区域在不同线路和节点上的电流、电压、有无功功率分布情况，进而，统计该区域的线路参数、变压器参数数据集，计算线路在变动前和变动后，允许传输的电力极限容量，并且，还可以结合配电网安全余量因素，确定该区域网架的电力容量限制，将变动前后计算得到的电力流分布情况，与电力容量红线进行对比，在保证安全的前提下，将变动前后的余容差距确定为该区域网架的电力供应余力大小。
具体而言，若电力供应余力大于零，且满足一定安全水平，则判断为电力供应力强。反之，供应余力小或负值时，则电力供应力弱，若电力供应力评估为弱，确定该变动区域存在失负荷或扩容需求，需要进行电力供给能力扩充，以满足负荷需求。
在一个示例性的实施例中，以配电网为例，判断区域A经过网架改造，线路参数发生变化，则在配网数字孪生三维模型上提取区域A对应的网络拓扑子图，网络拓扑子图包括3个负荷节点，负荷节点之间通过4条电缆相联，进一步地，根据网络拓扑子图确定区域A的等效模型，针对该等效模型加载历史统计得到的峰谷负荷月供电数据，采用配电网仿真平台，迭代计算区域A在负荷不同时间段下的节点电压、线路电流、有功功率值，进而，拟合出变动前后的电力分布曲线,确定该段时间内的最大载流量，通过区域A线路和变压器的技术规格参数表以及工程经验值，在保证安全余量的前提下，计算线路和变压器的理论传输上限，其中，技术规格参数表可以包括但不限于线路截面积、耐压等级、导线阻抗、变压器容量、热稳定性等，例如，改造前线路供电上限为1000KW，改造后线路供电上限为1300KW；改造前线路的变压器容量为2000KVA，改造后线路的变压器容量为2500KVA，采用配电网仿真平台，迭代计算改造前区域A的线路供电上限为900KW，改造后区域A的线路供电上限为950KW，比较上述的理论阈值与仿真计算的实际负荷峰值，改造前区域A的电力供应余力为1000-900＝100KW，改造后电力供应余力上升至1300-950＝350KW，表示区域A网架的供电承载能力能够得到提升，满足未来负荷增长需求，若电力供应力不足，则可针对模型的物理参数进行方案比较与约束条件优化计算，制定线路截面扩大或新增变压器容量的技术手段，以指导实际工程的网架扩容与改造。
S6，基于分析模块分析配电网网架的变动，分析配电网网架变动在故障响应方面的差异性。
示例性地，根据变动区域确定构建该变动区域网架的数字孪生模型，在电力系统故障计算量大的情况下，进行变动区域的网架模型简化，保留与故障计算和分析相关的重要组件，例如，线路、变压器、断路器、故障指示器等。进而，在模拟配电网实际业务环境中在简化模型的不同位置配置不同类型的故障案例，包括但不限于单相地线短路、两相短路、三相短路、断线等。对每种故障类型，分别启动仿真计算，记录下变动前和变动后模型在该故障下的电流、电压响应波形。通过分析比较响应波形曲线的特征参数，如电流峰值、幅值、持续时间、频率等，提取网架变动前后的特征参数差异，进而，判断特征参数差异是否会影响配电网的保护装置的动作和配网的自恢复能力，若特征参数差异对配电网的保护装置的动作和配网的自恢复能力的影响重大，则可以针对保护装置的参数、动作曲线进行调整，重新匹配模型的响应特征，以保证故障能够被快速且完全清除，以实现定量评估网架的结构变动对各类故障的响应灵敏度影响的目的，从而，输出重点关注的易感故障类别，为各个易感故障类别制定针对性解决措施。
在一个示例性的实施例中，在配电网关键变动区域的数字孪生模型构建过程中，通过删除较小的分支和负载，保留主干线路、两台变压器，变压比为10kV/4kV，以及四个断路器和两个故障指示器实现对变动区域的网架模型的简化操作，进而，在简化后的网架模型上配置不同类型的故障案例进行仿真测试。
例如，在一条10kV线路上距离变压器1km处模拟一个单相接地短路故障，在变动前的网架模型中，该故障发生时，故障点电流峰值达到了5kA，电压陡降至1kV，持续时间为100ms，直到断路器动作切除故障。而在变动后的模型中，由于线路参数和配置发生了变化，相同位置的单相接地短路故障产生的电流峰值升高到了5kA，电压降至0.8kV，断路器动作时间缩短到了90ms，通过比较变动前后的电流峰值、电压降幅和断路器动作时间等参数，发现变动后的模型对于故障的响应更为敏感，特别是断路器的动作时间缩短，表明保护装置需要较快地切除故障以避免对系统的进一步损害。动作时间的缩短可能会影响保护装置的选择和设置，以及配网的自恢复能力。假设动作时间的缩短产生了重大影响，可以调整保护装置的参数。
具体而言，假设原先保护装置的定时设置是在故障发生后150ms启动保护动作，鉴于故障响应时间的缩短，可以将保护装置的动作时间调整至在故障发生后80ms启动保护动作，以确保能够快速有效地清除故障，重新调整保护装置的动作时间后，再次执行仿真计算，确保故障时的电流峰值和动作时间均满足新的设定值，确定结构变动对于单相接地短路故障响应的影响是显著的，因此，单相接地短路故障被识别为重点关注的易感故障类别。
S7，根据变动分析结果提供配电网网架的优化建议，计算配电网网架的材料利用效率和工程成本。
需要说明的是，根据网架变动的影响评估分析，判断是否需要对网架进行优化调整。若不需要优化网架，则直接输出网架评估分析报告，若需要优化网架，则进入网架优化流程。
具体而言，首先，加载数字孪生平台上的网架三维模型，进行局部拓扑调整或参数优化设置，形成多个改造方案，接着，以保障供电可靠性和效率为目标，使用每种改造方案进行多业务场景的仿真分析，定量评估各个方案的实现效果，接着，结合工程数据库和市场价格库的数据，计算每个方案所需的材料使用量，例如电缆、变压器等，估算材料成本。同时，评估每个改造方案的工程工作量，包括但不限于设计、施工、调试等，以及人工作业成本。
进一步地，综合材料成本和施工作业成本，得出每个网架改造方案的总体成本值，利用成本数据与仿真效果指标构建成本效果分析模型，确定综合性价比最高的优化方案作为网架改造的最终建议方案，若新方案成本过高，可以调整优化目标，采用递进实现网架升级的优化建议，降低一次性实施成本。
在一个示例性的实施例中，以配电网局部区域为例，评估结果显示其电力供应能力较弱，需要进行网架扩容，可以在数字孪生平台上搭建该区域三维网架模型,进行如下优化：
首先，设置参数，扩大该区域的主变压器容量，由原本的2000KVA增加到2500KVA，新配置1000米长度的绝缘电缆替代原有氧化铝电缆,提高线路负载率，确定备选改造方案A和改造方案B；
其次，基于配电网仿真平台，分别对改造方案A和改造方案B运行改造前后的极端天气负荷场景分析，评测改造前后电流负载率指标，其中，改造方案A实现目标提升较高，平均负载率由75％上升到86％；结合数据库统计，计算改造方案A和改造方案B分别需要1台2500KVA主变压器，以及不同长度的绝缘电缆，对应的材料成本分别估算为120万元和100万元，参考历史项目参数，改造方案A的施工调试费用约为30万元，改造方案B的施工调试费用约为20万元。
最终，综合成本数据和仿真评估效果确定改造方案B的性价比更高，也即，将改造方案B确定为优化建议方案。由于一次性施工对配电网的运行影响较大，因此，可以将改造方案B拆分为两期方案：第一期更换主变压器，第二期再新建电缆线路，分两年进行改造，以达到降低实施难度和风险的目的。
可以理解的是，根据多源网状结构数据中的网架变动记录，训练初始识别模型，得到目标识别模型，该目标识别模型可以用于识别配电网网架的差异性特征，进一步地，在检测到配电网网架产生变动的情况下，通过目标识别模型识别变动前后的网架的差异性特征，确定配电网网架的关键变动区域；基于配电网网架的关键变动区域计算变动前后的网架各自的电力流动和容量限制，以及变动前后的网架的电力供应力，通过本申请实施例，可以达到高效识别和处理配电网网架中的结构参数特征的目的，此外，在配电网变动发生时，使用目标识别模型识别变动前后网架的差异性特征，快速确定配电网网架的关键变动区域，还可以通过分析差异性特征对比图以便对配电网网架的变动进行进一步分析。
综上，通过本申请实施例可实现对配电网网架结构变动的快速响应和准确分析，从而提高配电网的可靠性和运行效率，降低维护成本，并优化资源的利用。此外，本申请还能够辅助决策者在规划和设计新的配电网结构时，做出更为科学和合理的决策，缩短业务人员数据收集、分析和制图时间，提升工作效率，节约人力成本，还可以处理大量数据，适用于大规模配电网，达到精确识别配电网网架变动差异的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台前端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例的方法，上述实施例的采集的信息是经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、存储、使用、加工、传输、提供、公开和应用等处理，均遵守相关国家和地区的相关法律法规和标准，采取了必要保密措施，不违背公序良俗，并提供有相应的操作入口，供用户选择授权或者拒绝，上述实施例的基于个人信息的大数据分析，和/或，采用人工智能技术进行自动化决策作出对个人权益有重大影响决定的技术方案将为用户提供相应的操作入口，供用户选择同意或者拒绝自动化决策结果；若用户选择拒绝，则进入专家决策流程。
根据本申请实施例的另一个方面，还提供了一种系统访问的装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本申请实施例的一种电网数据的处理装置的结构框图，如图5所示，该装置包括：
获取模块502，用于获取第一网架数据和第二网架数据，其中，第一网架数据和第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，第一网架数据和第二网架数据用于确定配电网网架是否出现变动；
编码模块504，用于分别对第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，目标识别模型用于确定配电网网架的变动区域；
确定模块506，用于基于差异性特征确定配电网网架的变动分析结果，其中，变动分析结果用于指示配电网网架的变动情况。
作为一种可选的方案，上述装置用于通过如下方式分别对上述第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将上述第一特征数据和第二特征数据输入至目标识别模型：比较上述第一网架数据和上述第二网架数据，确定上述配电网网架是否发生变动；在上述配电网网架发生变动的情况下，分别对上述第一网架数据和第二网架数据进行编码，得到上述第一特征数据和上述第二特征数据；将上述第一特征数据和上述第二特征数据的差异部分确定为上述差异性特征，其中，上述差异性特征用于指示上述配电网网架发生变动的特征信息；将上述差异性特征映射至网架元数据，确定上述变动区域，其中，上述网架元数据包括以下至少之一：上述配电网网架的线路参数、节点参数、拓扑连接关系。
作为一种可选的方案，上述装置用于通过如下方式比较上述第一网架数据和上述第二网架数据，确定上述配电网网架是否发生变动：获取上述配电网网架的数据库和数据接口；通过上述数据接口爬取上述数据库的监测数据和网架设备状态数据；对上述监测数据和上述网架设备状态数据进行分析，确定上述配电网网架是否发生变动。
作为一种可选的方案，上述装置用于通过如下方式在上述配电网网架发生变动的情况下，分别对上述第一网架数据和第二网架数据进行编码，得到上述第一特征数据和上述第二特征数据：在上述配电网网架发生变动的情况下，基于不同类型的数据参数对上述第一网架数据和上述第二网架数据进行编码，得到第一组特征向量和第二组特征向量，其中，上述第一组特征向量和上述第二组特征向量中按照不同编码方式编码得到的特征向量表示上述不同类型的数据参数；将上述第一组特征向量和上述第二组特征向量确定为上述第一特征数据和上述第二特征数据。
作为一种可选的方案，上述装置用于通过如下方式将上述第一特征数据和上述第二特征数据的差异部分确定为上述差异性特征：对上述第一组特征向量和上述第二组特征向量中按照相同格式编码得到的特征向量进行相似度分析，得到一组相似度；将上述一组相似度中满足预设条件的目标相似度对应的第一特征向量和第二特征向量确定为上述差异性特征。
作为一种可选的方案，上述装置用于通过如下方式将上述差异性特征映射至网架元数据，确定上述变动区域：按照特征类型对上述差异性特征进行整理，形成多个特征子集，其中，上述多个特征子集中的每个特征子集与一种特征类型对应；对目标特征子集提取关键参数作为对比维度，生成目标映射关系，其中，上述多个特征子集包括上述目标特征子集，上述对比维度表示上述差异性特征中变化最大的特征维度；调用可视化模型生成对应于不同特征类型的可视化对比图谱，其中，上述可视化对比图谱包括上述变动区域。
作为一种可选的方案，上述装置还用于：获取第一样本网架数据、第二样本网架数据以及样本变化分析结果，其中，上述第一样本网架数据和第二样本网架数据包括上述配电网网架在不同历史时刻下的结构参数特征，上述样本变化分析结果用于表示与上述第一样本网架数据和上述第二样本网架数据对应的上述配电网网架的变动情况；分别对上述第一样本网架数据和上述第二样本网架数据进行编码，得到第一样本特征数据和第二样本特征数据，并将上述第一样本特征数据和第二样本特征数据输入至初始识别模型，确定样本差异性特征；基于上述样本差异性特征和上述样本变化分析结果对上述初始识别模型进行训练，得到上述目标识别模型。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本申请的实施例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中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的实施例还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种电网数据的处理方法，其特征在于，包括：
获取第一网架数据和第二网架数据，其中，所述第一网架数据和所述第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，所述第一网架数据和第二网架数据用于确定所述配电网网架是否出现变动；
分别对所述第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将所述第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，所述目标识别模型用于确定所述配电网网架的变动区域；
基于所述差异性特征确定所述配电网网架的变动分析结果，其中，所述变动分析结果用于指示所述配电网网架的变动情况。
2.根据权利要求1所述的方法，其特征在于，所述分别对所述第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将所述第一特征数据和第二特征数据输入至目标识别模型，包括：
比较所述第一网架数据和所述第二网架数据，确定所述配电网网架是否发生变动；
在所述配电网网架发生变动的情况下，分别对所述第一网架数据和第二网架数据进行编码，得到所述第一特征数据和所述第二特征数据；
将所述第一特征数据和所述第二特征数据的差异部分确定为所述差异性特征，其中，所述差异性特征用于指示所述配电网网架发生变动的特征信息；
将所述差异性特征映射至网架元数据，确定所述变动区域，其中，所述网架元数据包括以下至少之一：所述配电网网架的线路参数、节点参数、拓扑连接关系。
3.根据权利要求2所述的方法，其特征在于，所述比较所述第一网架数据和所述第二网架数据，确定所述配电网网架是否发生变动，包括：
获取所述配电网网架的数据库和数据接口；
通过所述数据接口爬取所述数据库的监测数据和网架设备状态数据；
对所述监测数据和所述网架设备状态数据进行分析，确定所述配电网网架是否发生变动。
4.根据权利要求2所述的方法，其特征在于，所述在所述配电网网架发生变动的情况下，分别对所述第一网架数据和第二网架数据进行编码，得到所述第一特征数据和所述第二特征数据，包括：
在所述配电网网架发生变动的情况下，基于不同类型的数据参数对所述第一网架数据和所述第二网架数据进行编码，得到第一组特征向量和第二组特征向量，其中，所述第一组特征向量和所述第二组特征向量中按照不同编码方式编码得到的特征向量表示所述不同类型的数据参数；
将所述第一组特征向量和所述第二组特征向量确定为所述第一特征数据和所述第二特征数据。
5.根据权利要求4所述的方法，其特征在于，所述将所述第一特征数据和所述第二特征数据的差异部分确定为所述差异性特征，包括：
对所述第一组特征向量和所述第二组特征向量中按照相同格式编码得到的特征向量进行相似度分析，得到一组相似度；
将所述一组相似度中满足预设条件的目标相似度对应的第一特征向量和第二特征向量确定为所述差异性特征。
6.根据权利要求2所述的方法，其特征在于，所述将所述差异性特征映射至网架元数据，确定所述变动区域，包括：
按照特征类型对所述差异性特征进行整理，形成多个特征子集，其中，所述多个特征子集中的每个特征子集与一种特征类型对应；
对目标特征子集提取关键参数作为对比维度，生成目标映射关系，其中，所述多个特征子集包括所述目标特征子集，所述对比维度表示所述差异性特征中变化最大的特征维度；
调用可视化模型生成对应于不同特征类型的可视化对比图谱，其中，所述可视化对比图谱包括所述变动区域。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取第一样本网架数据、第二样本网架数据以及样本变化分析结果，其中，所述第一样本网架数据和第二样本网架数据包括所述配电网网架在不同历史时刻下的结构参数特征，所述样本变化分析结果用于表示与所述第一样本网架数据和所述第二样本网架数据对应的所述配电网网架的变动情况；
分别对所述第一样本网架数据和所述第二样本网架数据进行编码，得到第一样本特征数据和第二样本特征数据，并将所述第一样本特征数据和第二样本特征数据输入至初始识别模型，确定样本差异性特征；
基于所述样本差异性特征和所述样本变化分析结果对所述初始识别模型进行训练，得到所述目标识别模型。
8.一种电网数据的处理装置，其特征在于，包括：
获取模块，用于获取第一网架数据和第二网架数据，其中，所述第一网架数据和所述第二网架数据分别包括配电网网架在不同时刻下的结构参数特征，所述第一网架数据和第二网架数据用于确定所述配电网网架是否出现变动；
编码模块，用于分别对所述第一网架数据和第二网架数据进行编码，得到第一特征数据和第二特征数据，并将所述第一特征数据和第二特征数据输入至目标识别模型，确定差异性特征，其中，所述目标识别模型用于确定所述配电网网架的变动区域；
确定模块，用于基于所述差异性特征确定所述配电网网架的变动分析结果，其中，所述变动分析结果用于指示所述配电网网架的变动情况。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至7任一项中所述的方法的步骤。
10.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述权利要求1至7任一项中所述的方法的步骤。
CN202410717554.7A 2024-06-04 2024-06-04 电网数据的处理方法、装置、存储介质及电子设备 Pending CN118468188A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410717554.7A CN118468188A (zh) 2024-06-04 2024-06-04 电网数据的处理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410717554.7A CN118468188A (zh) 2024-06-04 2024-06-04 电网数据的处理方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN118468188A true CN118468188A (zh) 2024-08-09

Family

ID=92156231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410717554.7A Pending CN118468188A (zh) 2024-06-04 2024-06-04 电网数据的处理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN118468188A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119167257A (zh) * 2024-09-03 2024-12-20 上海致达智能科技股份有限公司 一种电力配网智能故障响应方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119167257A (zh) * 2024-09-03 2024-12-20 上海致达智能科技股份有限公司 一种电力配网智能故障响应方法

Similar Documents

Publication Publication Date Title
CN109816161B (zh) 一种配电网运行辅助决策分析系统及其应用方法
CN110796368B (zh) 基于贝叶斯网络的社区配电网动态风险评估方法及装置
CN108376982B (zh) 负载相序的识别方法及装置
CN105740975B (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN110837866A (zh) 基于XGBoost的电力二次设备缺陷程度评估方法
CN106019084A (zh) 基于配用电数据关联的中压配电网断线故障诊断方法
CN104182830B (zh) 一种基于多维分析的配电系统可靠性薄弱环节挖掘方法
CN105790441A (zh) 一种智能变电站继电保护巡检系统
CN110095661B (zh) 一种配电变压器高压侧缺相故障抢修方法
CN113222036A (zh) 一种高压电缆接地系统的缺陷自动识别方法及装置
CN110348683A (zh) 电能质量扰动事件主成因分析方法、装置设备及存储介质
CN112200458A (zh) 一种配电网规划数据应用方法及系统
CN118468188A (zh) 电网数据的处理方法、装置、存储介质及电子设备
CN114065875A (zh) 基于大数据的电力电网故障识别系统
CN106908696A (zh) 一种配电网故障特征及诊断专家知识库构建方法
CN106682818A (zh) 配电网信息处理方法和装置
CN108596450B (zh) 电网风险预警方法和系统
CN117526998A (zh) 基于扩频载波通信的供电故障监测方法及系统
CN119130087B (zh) 用于电网设备的边缘配电优化方法及系统
CN119150959A (zh) 一种断路器防跳功能测试方法及系统
CN117827798B (zh) 一种电动汽车充电安全特征数据库的构建方法及系统
CN113112067A (zh) 一种tfri权重计算模型的建立方法
CN112736878A (zh) 一种电网连锁故障告警方法及系统
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
CN114814457B (zh) 一种基于vgg16算法的高压交流线路智能故障诊断方法及系统

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