-
公开(公告)号：CN105893680A
公开(公告)日：2016-08-24
申请号：CN201610204522.2
申请日：2016-04-01
IPC: G06F17/50
CPC classification number: Y02E60/76 , Y04S40/22 , G06F17/5009
Abstract: 本发明公开了一种数据处理的方法和装置。其中，该方法包括：依据输电网和配电网的接口和接口母线状态，生成对应输电网和配电网的初始配置条件；向输电网和配电网分别发送初始配置条件；接收输电网和配电网返回的母线功率；依据母线功率计算协调值，并判断协调值是否小于预设阈值；在判断结果为否的情况下，依据第一预设条件对协调值执行对应的第一操作；在判断结果为是的情况下，依据第二预设条件执行第二操作。本发明解决了由于现有技术中机电暂态仿真与电磁暂态仿真是交替进行的，两者之间存在1个积分步长的延时，而实际电力系统中，此延时并不存在，从而导致由于延时的影响使得仿真精度低的技术问题。
-
公开(公告)号：CN112380759B
公开(公告)日：2024-01-09
申请号：CN201911185780.0
申请日：2019-11-27
Abstract: 本发明实施例提供一种基于深度学习和CoxPH模型的智能电表寿命预测方法，该方法包括：将待预测电表的异常数据输入电表寿命预测模型，输出与所述待预测电表的异常数据对应的电表生存曲线，所述电表生存曲线为所述待预测电表的生存概率与时间关系的曲线；其中，所述电表寿命预测模型是基于电表异常样本数据以及预先确定的电表寿命标签和删失标签进行训练后得到的，电表寿命预测模型训练时的损失函数由CoxPH模型中的对数部分风险函数参与构成；基于所述电表生存曲线和预设的生存概率阈值，预测所述待预测电表的寿命。本发明实施例提供的方法，避免了现有技术的智能电表寿命的预测模型过于静态，提高了智能电表寿命预测的可靠性。
-
公开(公告)号：CN112381258B
公开(公告)日：2024-03-19
申请号：CN201911177015.4
申请日：2019-11-26
Abstract: 本发明实施例提供一种表计运行生命周期预测方法及装置，该方法包括：获取待测电表的目标生存概率；根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据。该方法能够充分考虑多个协变量之间的变化，协变量包含了生存状态相关的特征，从而能够准确刻画出电表的生存概率与时间关系的预设生存曲线。基于预设的生存曲线，根据给定的目标生存概率可到生命周期值。基于该方法，能够提升电表管理智能水平和工作效率。
-
公开(公告)号：CN105893680B
公开(公告)日：2019-08-09
申请号：CN201610204522.2
申请日：2016-04-01
IPC: G06F17/50
Abstract: 本发明公开了一种数据处理的方法和装置。其中，该方法包括：依据输电网和配电网的接口和接口母线状态，生成对应输电网和配电网的初始配置条件；向输电网和配电网分别发送初始配置条件；接收输电网和配电网返回的母线功率；依据母线功率计算协调值，并判断协调值是否小于预设阈值；在判断结果为否的情况下，依据第一预设条件对协调值执行对应的第一操作；在判断结果为是的情况下，依据第二预设条件执行第二操作。本发明解决了由于现有技术中机电暂态仿真与电磁暂态仿真是交替进行的，两者之间存在1个积分步长的延时，而实际电力系统中，此延时并不存在，从而导致由于延时的影响使得仿真精度低的技术问题。
-
公开(公告)号：CN112381258A
公开(公告)日：2021-02-19
申请号：CN201911177015.4
申请日：2019-11-26
Abstract: 本发明实施例提供一种表计运行生命周期预测方法及装置，该方法包括：获取待测电表的目标生存概率；根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据。该方法能够充分考虑多个协变量之间的变化，协变量包含了生存状态相关的特征，从而能够准确刻画出电表的生存概率与时间关系的预设生存曲线。基于预设的生存曲线，根据给定的目标生存概率可到生命周期值。基于该方法，能够提升电表管理智能水平和工作效率。
-
Patent Agency Ranking
公开(公告)号：CN112380759A
公开(公告)日：2021-02-19
申请号：CN201911185780.0
申请日：2019-11-27
Abstract: 本发明实施例提供一种基于深度学习和CoxPH模型的智能电表寿命预测方法，该方法包括：将待预测电表的异常数据输入电表寿命预测模型，输出与所述待预测电表的异常数据对应的电表生存曲线，所述电表生存曲线为所述待预测电表的生存概率与时间关系的曲线；其中，所述电表寿命预测模型是基于电表异常样本数据以及预先确定的电表寿命标签和删失标签进行训练后得到的，电表寿命预测模型训练时的损失函数由CoxPH模型中的对数部分风险函数参与构成；基于所述电表生存曲线和预设的生存概率阈值，预测所述待预测电表的寿命。本发明实施例提供的方法，避免了现有技术的智能电表寿命的预测模型过于静态，提高了智能电表寿命预测的可靠性。
-
公开(公告)号：CN112379325A
公开(公告)日：2021-02-19
申请号：CN201911165993.7
申请日：2019-11-25
Abstract: 本发明实施例提供一种用于智能电表的故障诊断方法及系统，该方法包括：获取目标智能电表的设备物理信息；基于训练好的智能电表故障诊断模型，对所述目标智能电表的设备物理信息进行分析诊断，获取到所述目标智能电表的故障诊断结果；所述训练好的智能电表故障诊断模型是由样本设备物理信息，通过对贝叶斯网络进行训练得到的。本发明实施例基于贝叶斯网络构建用于智能电表的故障诊断模型，根据设备物理信息和故障检修数据之间的关联性，得到智能电表的故障类型，从而提高了智能电表故障诊断的准确率，为现场运维提供维修依据。
-
公开(公告)号：CN109062865B
公开(公告)日：2020-06-02
申请号：CN201810771195.8
申请日：2018-07-13
Abstract: 本发明实施例提供的基于懒惰分层的电力系统下三角方程组求解方法和系统，所述方法包括：获取描述输电网络状态或描述设备运行情况的方程组在迭代求解过程中修正方程对应的稀疏矩阵；对所述稀疏矩阵进行LU分解得到下三角矩阵，并通过懒惰分层算法对所述下三角矩阵进行分层：对下三角矩阵中的每个节点i，若节点i没有子节点，则设置节点i的层编号ei为最大值，并按以下流程设置节点i的父节点的层编号：对节点i的每个父节点k，将k的层编号ek和ei‑1中较小者设为节点k的层编号；重复上述步骤，递归地设置节点k的父节点的层编号；调整下三角矩阵中节点所在层的编号，将节点均匀的放入到各分层中，对分层后得到的矩阵数值进行前代求解。
-
公开(公告)号：CN108985622B
公开(公告)日：2020-08-04
申请号：CN201810772560.7
申请日：2018-07-13
Abstract: 本发明提供一种基于DAG的电力系统稀疏矩阵并行求解方法和系统，所述方法包括：获取描述输电网络状态或描述设备运行情况的方程组在迭代求解过程中修正方程对应的稀疏矩阵；基于所述稀疏矩阵生成包含全部依赖关系信息的有向无环图DAG，并对所述DAG进行分层，调整DAG中节点所在层的编号，将节点均匀的放入到各分层中，对分层后得到的矩阵数值进行前代回代求解。使用多种方法调整节点所在层的编号，将节点尽可能均匀地放入各层，提高了并行前代回代计算的效率，能够有效提升在并行处理器上的稀疏前代回代的并行度和运算速度。
-
公开(公告)号：CN108599173B
公开(公告)日：2020-07-07
申请号：CN201810646698.2
申请日：2018-06-21
Abstract: 本发明实施例提供一种批量潮流的求解方法及装置，方法包括：获取电力系统的网络数据和导纳矩阵；根据所述网络数据和所述导纳矩阵生成定系数矩阵；采用LDU分解所述定系数矩阵，以获取分解矩阵L、分解矩阵D和分解矩阵U；根据所述预设因子和所述网络数据生成批量潮流计算的多场景；根据所述多场景的参数、所述导纳矩阵进行批量潮流不平衡功率计算；根据所述批量潮流不平衡功率计算的第一计算结果、所述定系数矩阵和分解结果进行批量前推回代计算；若所述批量前推回代计算的第二计算结果满足预设的算法终止条件，将当前的第二计算结果作为求解结果。所述装置执行上述方法。本发明实施例提供的方法及装置，能够提高批量潮流计算的整体计算效率。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.059 seconds)
