一种零散区域的分阶段复电方法技术

本申请揭示了一种零散区域的分阶段复电方法，包括：进行环境信号检测处理，以得到环境信号序列；输入预设的电网状态预测模型中，得到预测停电机率；若预测停电机率大于停电机率阈值，则获取多个电学数据；若电网出现了零散区域停电状况，则划分为第一级别区域和第二级别区域；将第一级别区域划分为低耗电区域和高耗电区域；获取电动车辆信息、电动车辆的储电数据和放电桩的位置信息；发送放电指令，以实现第一暂时电力补充；使激光发射器阵列向低耗电区域内的能量转换器阵列发射激光，以实现第二暂时电力补充；生成分阶段复电策略，并向发送所述分阶段复电策略，以要求以指定顺序进行分阶段复电，提高了零散区域停电状况下的复电速度。

【技术实现步骤摘要】
一种零散区域的分阶段复电方法
本申请涉及到计算机领域，特别是涉及到一种零散区域的分阶段复电方法、装置、计算机设备和存储介质。
技术介绍
现代生产生活需要电网的正常运行，但是因此一些特别因素可能造成电网故障而引发停电事件。目前传统技术能够对停电事件进行完善的复电处理，但传统技术只能对普通的停电事件进行处理，而无法对特殊状态下的停电事件，例如对零散区域停电状况进行有效地复电处理，因此传统的复电方案存在不足之处。
技术实现思路
本申请提出一种零散区域的分阶段复电方法，包括以下步骤：S1、采用预设的环境信号传感器阵列进行环境信号检测处理，以得到环境信号序列；其中，所述环境信号传感器阵列至少包括湿度传感器、温度传感器和粉尘浓度传感器；S2、将所述环境信号序列输入预设的电网状态预测模型中，从而得到所述电网状态预测模型输出的预测停电机率；其中，所述电网状态预测模型基于神经网络模型，并采用有监督学习方法训练得到；S3、判断所述预测停电机率是否大于预设的停电机率阈值；S4、若所述预测停电机率大于预设的停电机率阈本文档来自技高网...

【技术保护点】
1.一种零散区域的分阶段复电方法，其特征在于，包括：/nS1、采用预设的环境信号传感器阵列进行环境信号检测处理，以得到环境信号序列；其中，所述环境信号传感器阵列至少包括湿度传感器、温度传感器和粉尘浓度传感器；/nS2、将所述环境信号序列输入预设的电网状态预测模型中，从而得到所述电网状态预测模型输出的预测停电机率；其中，所述电网状态预测模型基于神经网络模型，并采用有监督学习方法训练得到；/nS3、判断所述预测停电机率是否大于预设的停电机率阈值；/nS4、若所述预测停电机率大于预设的停电机率阈值，则开启预设于电网中的多个电传感器，以对应获取多个电学数据；其中所述多个电传感器分别位于不同的区域；/n...

【技术特征摘要】
1.一种零散区域的分阶段复电方法，其特征在于，包括：
S1、采用预设的环境信号传感器阵列进行环境信号检测处理，以得到环境信号序列；其中，所述环境信号传感器阵列至少包括湿度传感器、温度传感器和粉尘浓度传感器；
S2、将所述环境信号序列输入预设的电网状态预测模型中，从而得到所述电网状态预测模型输出的预测停电机率；其中，所述电网状态预测模型基于神经网络模型，并采用有监督学习方法训练得到；
S3、判断所述预测停电机率是否大于预设的停电机率阈值；
S4、若所述预测停电机率大于预设的停电机率阈值，则开启预设于电网中的多个电传感器，以对应获取多个电学数据；其中所述多个电传感器分别位于不同的区域；
S5、根据所述多个电学数据，判断电网是否出现零散区域停电状况；其中，零散区域停电状况指存在多个停电区域，并且多个停电区域之间互不相邻；
S6、若电网出现了零散区域停电状况，则从预设的重点区域记录表中获取与所有的停电区域对应的重要程度级别，并根据重要程度级别是否大于预设的重要程度阈值的标准，将所有的停电区域划分为第一级别区域和第二级别区域；其中所述第一级别区域对应的重要程度级别大于预设的重要程度阈值，所述第二级别区域对应的重要程度级别不大于预设的重要程度阈值；
S7、获取所述第一级别区域的历史用电量，并根据历史用电量是否大于预设的用电量阈值的标准，将所述第一级别区域划分为低耗电区域和高耗电区域；其中所述高耗电区域的历史用电量大于预设的用电量阈值，所述低耗电区域的历史用电量不大于预设的用电量阈值；
S8、从预设的车联网中获取所述车联网中的电动车辆信息、电动车辆的储电数据和放电桩的位置信息；其中，所述放电桩通过预设的备用线路与所述高耗电区域中的用电设备连接；
S9、将储电数据大于预设的储电阈值的电动车辆记为第一车辆，并向所述第一车辆对应的车辆终端发送所述放电桩的位置信息和放电指令，以实现第一暂时电力补充；其中，所述放电指令用于指示所述第一车辆前往所述放电桩，以将存储的电能通过放电桩输送给所述高耗电区域中的用电设备；
S10、开启预设的激光发射器阵列，以使所述激光发射器阵列向预设于所述低耗电区域内的能量转换器阵列发射激光，从而所述能量转换器阵列中的转换器的驱动部件的部分区域均处于激光照射状态下，使得所述驱动部件的部分区域由本征状态的抗磁性变为顺磁性或铁磁性，而所述驱动部件的其他区域仍保持本征状态的抗磁性，从而驱使所述驱动部件进行平面运动，以带动与所述驱动部件连接的金属导线在预设的磁场内进行切割磁感线的运动以生成电能，以实现第二暂时电力补充；其中，所述驱动部件由本征状态为抗磁性且在激光照射下呈顺磁性或铁磁性的材料制成，所述驱动部件位于预设的磁场中；
S11、在第一暂时电力补充和第二暂时电力补充后，判断所有的低耗电区域和所有的高耗电区域中是否存在不能满足对应的用电设备的使用的区域；
S12、若所有的低耗电区域和所有的高耗电区域中存在不能满足对应的用电设备的使用的区域，则将所述不能满足对应的用电设备的使用的区域记为再补电区域；
S13、生成分阶段复电策略，并向预设的复电移动终端发送所述分阶段复电策略，以要求所述复电移动终端对应的持有者以指定顺序进行分阶段复电；其中，所述指定顺序指所述再补电区域、所述第二级别区域、所述低耗电区域中除再补电区域之外的其他区域和所述高耗电区域中除再补电区域之外的其他区域的顺序。


2.根据权利要求1所述的零散区域的分阶段复电方法，其特征在于，所述将所述环境信号序列输入预设的电网状态预测模型中，从而得到所述电网状态预测模型输出的预测停电机率；其中，所述电网状态预测模型基于神经网络模型，并采用有监督学习方法训练得到的步骤S2之前，包括：
S101、获取预先收集的多个样本数据，其中所述样本数据包括训练用环境信号序列，所述训练用环境信号序列至少包括训练用湿度信号、训练用温度信号、训练用粉尘浓度信号和对应的人工标注停电机率数值；
S102、根据预设比例，将所述样本数据划分为训练数据和验证数据；
S103、调取预设的神经网络模型，并将所述训练数据输入所述神经网络模型中采用有监督学习方法进行训练，从而得到暂时模型；
S104、采用所述验证数据对所述暂时模型进行验证处理，从而得到验证结果，并判断所述验证结果是否为验证合格；
S105、若所述验证结果为验证合格，则将所述暂时模型记为电网状态预测模型。


3.根据权利要求2所述的零散区域的分阶段复电方法，其特征在于，所述获取预先收集的多个样本数据，其中所述样本数据包括训练用环境信号序列，所述训练用环境信号序列至少包括训练用湿度信号、训练用温度信号、训练用粉尘浓度信号和对应的人工标注停电机率数值的步骤S101，包括：
S1011、获取预先收集的多个历史案例，其中所述多个历史案例中至少包括停电案例，每个历史案例中均包括使用环境信号传感器阵列采集得到环境信号序列；
S1012、以所述多个历史案例中的部分案例为基础进行数据增强处理，以得到多个虚拟案例；
S1013、构建多个案例组，其中每个案例组至少包括一个历史案例和一个虚拟案例；
S1014、将一个案例组作为独立单元以构成一个样本数据，从而对应得到多个样本数据。


4.根据权利要求1所述的零散区域的分阶段复电方法，其特征在于，所述在第一暂时电力补充和第二暂时电力补充后，判断所有的低耗电区域和所有的高耗电区域中是否存在不能满足对应的用电设备的使用的区域的步骤S11，包括：
S111、将在第一暂时电力补充中响应的电动车辆记为第二车辆，并通过所述车联网获取所述第二车辆的储电总量，并获取预计的复电时间长度；
S112、获取在第二暂时电力中，所述激光发射器阵列在单位时间内的电能生成量；
S113、...

【专利技术属性】
技术研发人员：朱怡莹，罗龙波，苏锐谦，龙维晨，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：广东;44