CN116682062A - 一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质 - Google Patents
一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质 Download PDFInfo
- Publication number
- CN116682062A CN116682062A CN202310669953.6A CN202310669953A CN116682062A CN 116682062 A CN116682062 A CN 116682062A CN 202310669953 A CN202310669953 A CN 202310669953A CN 116682062 A CN116682062 A CN 116682062A
- Authority
- CN
- China
- Prior art keywords
- data
- disaster
- weather
- meteorological
- monitoring
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012806 monitoring device Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质,本发明根据气象灾害统计值的最终结果、时间差平均值、气象优劣值对电网设施网格区域内的监控点位进行动态调整,并且采用神经网络和相似度相结合的方式对监控点位的灾害情况进行预测,从而动态调整监拍设备的参数。本发明能够实现对电网设施网格区域内的监拍设备的有效控制,提高监拍设备拍摄图像的准确性,降低数据传输量。
Description
技术领域:
本发明涉及电网灾害监控技术领域,特别涉及一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质。
背景技术:
近年来,由于部分电网设施区域内偶尔发生极端天气,或由于其他因素,导致电网设施被损坏,而导致对电能传输,以及维修成本造成较大影响。
目前对电网设施的有效监控为电网设施灾害监控和识别的有效手段。然而,对于不同的电网设施的网格区域内如何布置监控点位,以使得天气不稳定且灾害频发的区域内能够实现更全面且灵敏的监控,为目前面临的问题。同时,对于监控点位的监拍设备,由于其数据传输量大,如何有效控制监拍设备的启动和监拍参数,同样为目前面临的问题。
综上,本发明提出一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质。
发明内容:
针对以上问题,本发明提出一种基于电网高影响气象要素的灾害智能识别与监控方法,所述方法具体包括如下步骤:
S1.针对各电网设施网格区域,获取预设历史时间T1内的各电网设施网格区域的历史气象数据、历史灾害数据;
S2.根据步骤S1中获取的所述历史气象数据、历史灾害数据,对各电网设施网格区域内的监拍设备进行调整;
S3.根据从当前时间起,预设未来时间T2内的天气预报数据,各电网设施网格区域内的当前时刻监拍设备的拍摄数据、各电网设施网格区域内的当前时刻各传感设备数据,对未来预设时间段内的灾害情况进行预测,获得预测结果;
S4.根据预测结果动态调整各电网设施网格区域内的监拍设备的监拍频次、监拍清晰度、监拍范围。
进一步地,在所述步骤S1之前,所述方法还包括:
将电网设施区域划分为多个网格区域;
所述多个网格区域面积大小相同和/或不相同;
在每个电网设施区域内设置多个监测点,其中,每个监测点处均放置一个监拍设备,多个传感设备;
所述多个传感设备包括:温度传感设备、湿度传感设备、风力传感设备。
进一步地,所述步骤S1,具体包括:
针对每个电网设施网格区域,在历史气象灾害数据库中获取预设历史时间T1内的一个或多个气象灾害数据;
所述每个气象灾害数据的数据格式为:{时间段、历史气象数据、历史灾害数据};
所述历史气象数据包括如下气象参数:温度、风力、湿度、降雨量、降雪量;
所述历史灾害数据为历史灾害数据类型;
所述时间段包括开始时间、结束时间;
所述预设历史时间T1为一年或两年。
进一步地,所述步骤S2,具体包括:
S21.针对当前电网设施网格区域内的各气象灾害数据,判断该气象灾害数据中的历史气象数据是否超出阈值,并判断该气象灾害数据中的历史灾害数据是否为无;
S22.当该气象灾害数据中的历史气象数据中的任一气象参数超出预设阈值,且该气象灾害数据中的历史灾害数据不是无,将当前电网设施网格区域内的气象灾害统计值加2;
当该气象灾害数据中的历史气象数据中的任一气象参数超出预设阈值,且该气象灾害数据中的历史灾害数据为无,将当前电网设施网格区域内的气象灾害统计值加1;
当该气象灾害数据中的历史气象数据中的任一气象参数均不超出预设阈值,且该气象灾害数据中的历史灾害数据不是无,将当前电网设施网格区域内的气象灾害统计值加2;
重复执行步骤S21至步骤S22,直至将当前电网设施网格区域内的多个气象灾害数据均遍历完成,获得气象灾害统计值的最终结果R;
S23.针对当前电网设施网格区域内的各气象灾害数据,获取在时间上相邻的两个气象灾害数据的时间差;
所述在时间上相邻的两个气象灾害数据的时间差具体为:将当前气象灾害数据中的时间段的开始时刻减去上一个气象灾害数据中的时间段的结束时刻,并将差值取绝对值,获得所述时间差;
重复执行步骤S23,直至当前电网设施网格区域内的任意两个相邻气象灾害数据的时间差均计算完成,获得时间差数据序列{C1,C2,...,Cn};
所述n为时间差的个数;
S24.将时间差数据序列{C1,C2,...,Cn}中数值大于预设阈值T3的时间差数据剔除,获得剔除后的时间差数据序列{C1,C2,...,Cm},其中m为进行剔除操作后剩余的时间差数据的个数,m≤n;
S25.计算获得所述剔除后的时间差数据序列{C1,C2,...,Cm}的时间差平均值Cp;
S26.针对当前电网设施网格区域内的各气象灾害数据,获取各气象灾害数据中的历史气象数据,当所述历史气象数据中的任一气象参数超过对应的预设阈值时,计算该气象灾害数据对应的气象优劣值;
所述气象优劣值的计算方法如下:
其中,Y为气象优劣值;S为历史气象数据中的湿度数值,S‘为历史气象数据中的湿度数值对应的预设阈值;F为历史气象数据中的风力数值,F'为历史气象数据中的风力数值对应的预设阈值;W为历史气象数据中的温度数值,W'为历史气象数据中的温度数值对应的预设阈值;J为历史气象数据中的降雨量数值,J'为历史气象数据中的降雨量数值对应的预设阈值;X为历史气象数据中的降雪量数值,X'为历史气象数据中的降雪量数值对应的预设阈值;λ1、λ2、λ3、λ4、λ5分别为第一权重值、第二权重值、第三权重值、第四权重值、第五权重值;
其中,当任一气象参数的数值小于其对应的预设阈值时,将该气象参数数值对应的权重值设置为0;
当任意气象参数的数值大于其对应的预设阈值时,将该气象参数数值对应的权重值设置为预先设置的权重值;
S27.按照步骤S26的方式获得当前电网设施网格区域内的各气象灾害数据对应的多个气象优劣值;
计算所述多个气象优劣值的平均值,获得所述当前电网设施网格区域对应的气象优劣值的最终结果L;
S28.根据所有电网设施网格区域所对应的气象灾害统计值的最终结果序列{R1,R2,...Ru}、时间差平均值序列{Cp1,Cp2,...Cpu}、气象优劣值序列{Y1,Y2,...,Yu},计算获得当前电网设施网格区域所对应的稳定值D;
其中,u为电网设施网格区域的总数;
所述稳定值的计算方法具体为:
其中Ri、Cpi、Yi分别为第i个电网设施网格区域所对应的气象灾害统计值的最终结果、时间差平均值、气象优劣值;
S29.当当前电网设施网格区域所对应的稳定值D超过预设阈值D'时,增加当前电网设施网格区域内的监控点位个数,并在新增加的监控点位处设置一个监拍设备,以及多个传感设备;
所述多个传感设备包括一个温度传感设备、一个湿度传感设备、一个风力传感设备。
进一步地,所述步骤S2还包括:
每隔预设时间执行一次步骤S2中对监拍设备调整的步骤;
所述预设时间为:一年或两年;
当当前电网设施网格区域所对应的稳定值D连续a次不超过预设阈值D'时,减少当前电网设施网格区域内的监控点位个数,也即拆除一个或多个监控点位处的一个监拍设备,以及多个传感设备。
进一步地,所述步骤S3,具体包括如下步骤:
S31.每隔预设时间H获取各电网设施网格区域内传感装置向监控主机传送的多个传感数据,并实时获取当前时刻的天气气象数据,以及在预设未来时间T2内的天气预报数据,当一个电网设施网格区域对应的所述多个传感数据有任一项超过其对应的预设阈值,或者当前时刻的天气气象数据中的多个气象参数有任一项超过其对应的预设阈值,或者在预设未来时间T2内的天气预报数据中的多个气象参数有任一项超过其对应的预设阈值,将该电网设施中存在超过预设阈值的监控点位中的监拍设备开启,并将每个超过预设阈值的监控点位发送的多个传感设备数据、当前时刻的天气预报数据输入至神经网络模型中,获得每个监控点位对应的灾害类型;
所述灾害类型包括:火灾、雪灾、暴雨、飓风、无;
S32.当所述灾害类型不是无时,调整当前监控点位的监拍设备的拍摄参数;
S33.当所述灾害类型不是无时,将当前监控点位对应的灾害类型、预设未来时间T2内的天气预报数据、当前时刻的天气气象数据、当前时刻的各传感设备数据,与历史经验数据库中存储的具有相同灾害类型的样本数据进行相似度计算,将所述相似度数值最大的样本数据对应的预设未来时间T2所对应的灾害类型和多个传感设备数据,作为预测结果;
所述历史经验数据库中存储的每条样本数据格式为:{B1,B2,...,Bx};
其中x代表监控点位在发生灾害时通过神经网络模型计算灾害类型的次数;
其中,Bx内的数据格式为:{当前时刻、灾害类型、多个传感设备数据、气象参数}。
进一步地,所述步骤S32,具体包括:
所述调整当前监控点位的监拍设备的拍摄参数包括:提高监拍设备的拍摄清晰度、提高监拍设备的拍摄频率。
进一步地,所述步骤S33,具体包括:
S331.获取当前监控点位对应的灾害类型,从历史经验数据库中查找具有相同灾害类型的一条或多条样本数据;
S332.获取一个样本数据{A1,A2,...Ai..Ax},并获取各Ai对应的多个传感设备数据,计算各Ai对应的多个传感设备数据与当前监控点位对应的当前时刻的各传感设备数据欧氏距离,获得最小欧式距离对应的样本数据Aj;
在Aj至Ax范围内,获取各Ap对应的多个气象参数数据,计算各Ap对应的多个气象参数数据与当前监控点位对应的预设未来时间T2内的天气预报数据中的多个气象参数的欧式距离,获得最小欧式距离对应的样本数据Aq;
获得样本数据Aq对应的灾害类型和多个传感设备数据,作为预测结果。
进一步地,所述步骤S4,具体包括:
当预测结果中的所述灾害类型不是无,且多个传感设备数据中有任一项传感设备数据超过样本数据Aj所对应的传感设备数据时,增加该监控点位内的监拍设备的监拍频次,提高监拍清晰度,增加监拍范围。
本发明还提出一种基于电网高影响气象要素的灾害智能识别与监控***,所述***包括监控主机、设置在电网设施网格区域中多个监控点位内的监拍设备和多个传感设备;所述***执行上述一种基于电网高影响气象要素的灾害智能识别与监控方法。
本发明还提出一种计算机存储介质,所述存储介质内包括计算机程序,所述计算机程序被处理器执行上述一种基于电网高影响气象要素的灾害智能识别与监控方法。
本发明的有益效果如下:
1.本发明中根据气象灾害统计值的最终结果、时间差平均值、气象优劣值的最终结果确定电网设施网格区域内的监控点位的个数,使得电网设施网格区域内的监控设备设置更加合理,能够对气象异常和灾害频发的区域内进行重点监控,提高了监控的准确性;
2.本发明中采用神经网络模型对监控点位的灾害类型进行分类识别,并根据历史经验数据库中的样本数据与当前监控点位的气象参数数据和传感设备数据进行相似度比较,预测未来时刻内当前监控点位灾情的发展情况,对监拍设备进行及时调整,实现了了对监拍设备的差分控制,提高了对监拍设备控制的准确性,降低了数据传输量。
3.本发明通过预测未来预设时间内的灾害类型和传感设备数据,对监控点位的监拍设备的参数进行调整,能够提前对监拍设备进行动态控制,提高了监拍设备对于灾情图片传输的准确性,并进一步减少了数据传输量。
上述说明,仅是本发明技术方案的概述,为了能够更清楚了解本发明技术手段,可依照说明书的内容予以实施,并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂,特举较佳实施例,详细说明如下。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为一种基于电网高影响气象要素的灾害智能识别与监控方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
实施例一
本发明提出了一种基于电网高影响气象要素的灾害智能识别与监控方法,所述方法具体包括如下步骤:
S1.针对各电网设施网格区域,获取预设历史时间T1内的各电网设施网格区域的历史气象数据、历史灾害数据;
进一步地,在所述步骤S1之前,所述方法还包括:
将电网设施区域划分为多个网格区域;
所述多个网格区域面积大小相同和/或不相同;
在每个电网设施区域内设置多个监测点,其中,每个监测点处均放置一个监拍设备,多个传感设备;
所述多个传感设备包括:温度传感设备、湿度传感设备、风力传感设备。
进一步地,所述步骤S1,具体包括:
针对每个电网设施网格区域,在历史气象灾害数据库中获取预设历史时间T1内的一个或多个气象灾害数据;
所述每个气象灾害数据的数据格式为:{时间段、历史气象数据、历史灾害数据};
所述历史气象数据包括如下气象参数:温度、风力、湿度、降雨量、降雪量;
所述历史灾害数据为历史灾害数据类型;
所述时间段包括开始时间、结束时间;
所述预设历史时间T1为一年或两年。
S2.根据步骤S1中获取的所述历史气象数据、历史灾害数据,对各电网设施网格区域内的监拍设备进行调整;
进一步地,所述步骤S2,具体包括:
S21.针对当前电网设施网格区域内的各气象灾害数据,判断该气象灾害数据中的历史气象数据是否超出阈值,并判断该气象灾害数据中的历史灾害数据是否为无;
S22.当该气象灾害数据中的历史气象数据中的任一气象参数超出预设阈值,且该气象灾害数据中的历史灾害数据不是无,将当前电网设施网格区域内的气象灾害统计值加2;
当该气象灾害数据中的历史气象数据中的任一气象参数超出预设阈值,且该气象灾害数据中的历史灾害数据为无,将当前电网设施网格区域内的气象灾害统计值加1;
当该气象灾害数据中的历史气象数据中的任一气象参数均不超出预设阈值,且该气象灾害数据中的历史灾害数据不是无,将当前电网设施网格区域内的气象灾害统计值加2;
重复执行步骤S21至步骤S22,直至将当前电网设施网格区域内的多个气象灾害数据均遍历完成,获得气象灾害统计值的最终结果R;
S23.针对当前电网设施网格区域内的各气象灾害数据,获取在时间上相邻的两个气象灾害数据的时间差;
所述在时间上相邻的两个气象灾害数据的时间差具体为:将当前气象灾害数据中的时间段的开始时刻减去上一个气象灾害数据中的时间段的结束时刻,并将差值取绝对值,获得所述时间差;
重复执行步骤S23,直至当前电网设施网格区域内的任意两个相邻气象灾害数据的时间差均计算完成,获得时间差数据序列{C1,C2,...,Cn};
所述n为时间差的个数;
S24.将时间差数据序列{C1,C2,...,Cn}中数值大于预设阈值T3的时间差数据剔除,获得剔除后的时间差数据序列{C1,C2,...,Cm},其中m为进行剔除操作后剩余的时间差数据的个数,m≤n;
S25.计算获得所述剔除后的时间差数据序列{C1,C2,...,Cm}的时间差平均值Cp;
S26.针对当前电网设施网格区域内的各气象灾害数据,获取各气象灾害数据中的历史气象数据,当所述历史气象数据中的任一气象参数超过对应的预设阈值时,计算该气象灾害数据对应的气象优劣值;
所述气象优劣值的计算方法如下:
其中,Y为气象优劣值;S为历史气象数据中的湿度数值,S‘为历史气象数据中的湿度数值对应的预设阈值;F为历史气象数据中的风力数值,F'为历史气象数据中的风力数值对应的预设阈值;W为历史气象数据中的温度数值,W'为历史气象数据中的温度数值对应的预设阈值;J为历史气象数据中的降雨量数值,J'为历史气象数据中的降雨量数值对应的预设阈值;X为历史气象数据中的降雪量数值,X'为历史气象数据中的降雪量数值对应的预设阈值;λ1、λ2、λ3、λ4、λ5分别为第一权重值、第二权重值、第三权重值、第四权重值、第五权重值;
其中,当任一气象参数的数值小于其对应的预设阈值时,将该气象参数数值对应的权重值设置为0;
当任意气象参数的数值大于其对应的预设阈值时,将该气象参数数值对应的权重值设置为预先设置的权重值;
S27.按照步骤S26的方式获得当前电网设施网格区域内的各气象灾害数据对应的多个气象优劣值;
计算所述多个气象优劣值的平均值,获得所述当前电网设施网格区域对应的气象优劣值的最终结果L;
S28.根据所有电网设施网格区域所对应的气象灾害统计值的最终结果序列{R1,R2,...Ru}、时间差平均值序列{Cp1,Cp2,...Cpu}、气象优劣值序列{Y1,Y2,...,Yu},计算获得当前电网设施网格区域所对应的稳定值D;
其中,u为电网设施网格区域的总数;
所述稳定值的计算方法具体为:
其中Ri、Cpi、Yi分别为第i个电网设施网格区域所对应的气象灾害统计值的最终结果、时间差平均值、气象优劣值;
S29.当当前电网设施网格区域所对应的稳定值D超过预设阈值D'时,增加当前电网设施网格区域内的监控点位个数,并在新增加的监控点位处设置一个监拍设备,以及多个传感设备;
所述监拍设备为可调节拍摄清晰度的摄像头;
所述多个传感设备包括一个温度传感设备、一个湿度传感设备、一个风力传感设备。
进一步地,所述步骤S2还包括:
每隔预设时间执行一次步骤S2中对监拍设备调整的步骤;
所述预设时间为:一年或两年;
当当前电网设施网格区域所对应的稳定值D连续a次不超过预设阈值D'时,减少当前电网设施网格区域内的监控点位个数,也即拆除一个或多个监控点位处的一个监拍设备,以及多个传感设备。
S3.根据从当前时间起,预设未来时间T2内的天气预报数据,各电网设施网格区域内的当前时刻监拍设备的拍摄数据、各电网设施网格区域内的当前时刻各传感设备数据,对未来预设时间段内的灾害情况进行预测,获得预测结果;
进一步地,所述步骤S3,具体包括如下步骤:
S31.每隔预设时间H获取各电网设施网格区域内传感装置向监控主机传送的多个传感数据,并实时获取当前时刻的天气气象数据,以及在预设未来时间T2内的天气预报数据,当一个电网设施网格区域对应的所述多个传感数据有任一项超过其对应的预设阈值,或者当前时刻的天气气象数据中的多个气象参数有任一项超过其对应的预设阈值,或者在预设未来时间T2内的天气预报数据中的多个气象参数有任一项超过其对应的预设阈值,将该电网设施中存在超过预设阈值的监控点位中的监拍设备开启,并将每个超过预设阈值的监控点位发送的多个传感设备数据、当前时刻的天气预报数据输入至神经网络模型中,获得每个监控点位对应的灾害类型;
所述灾害类型包括:火灾、雪灾、暴雨、飓风、无;
进一步地,所述神经网络模型为预先构建和训练;
所述神经网络模型采用常规的神经网络模型类型,在此不做进一步限定;
所述神经网络模型的输入为多个传感设备数据、天气预报数据、监拍设备发送的图像数据,输出灾害类型。
S32.当所述灾害类型不是无时,调整当前监控点位的监拍设备的拍摄参数;
进一步地,所述步骤S32,具体包括:
所述调整当前监控点位的监拍设备的拍摄参数包括:提高监拍设备的拍摄清晰度、提高监拍设备的拍摄频率。
S33.当所述灾害类型不是无时,将当前监控点位对应的灾害类型、预设未来时间T2内的天气预报数据、当前时刻的天气气象数据、当前时刻的各传感设备数据,与历史经验数据库中存储的具有相同灾害类型的样本数据进行相似度计算,将所述相似度数值最大的样本数据对应的预设未来时间T2所对应的灾害类型和多个传感设备数据,作为预测结果;
所述历史经验数据库中存储的每条样本数据格式为:{B1,B2,...,Bx};
其中x代表监控点位在发生灾害时通过神经网络模型计算灾害类型的次数;
其中,Bx内的数据格式为:{当前时刻、灾害类型、多个传感设备数据、气象参数}。
进一步地,所述步骤S33,具体包括:
S331.获取当前监控点位对应的灾害类型,从历史经验数据库中查找具有相同灾害类型的一条或多条样本数据;
S332.获取一个样本数据{A1,A2,...Ai..Ax},并获取各Ai对应的多个传感设备数据,计算各Ai对应的多个传感设备数据与当前监控点位对应的当前时刻的各传感设备数据欧氏距离,获得最小欧式距离对应的样本数据Aj;
在Aj至Ax范围内,获取各Ap对应的多个气象参数数据,计算各Ap对应的多个气象参数数据与当前监控点位对应的预设未来时间T2内的天气预报数据中的多个气象参数的欧式距离,获得最小欧式距离对应的样本数据Aq;
获得样本数据Aq对应的灾害类型和多个传感设备数据,作为预测结果。
S4.根据预测结果动态调整各电网设施网格区域内的监拍设备的监拍频次、监拍清晰度、监拍范围。
进一步地,所述步骤S4,具体包括:
当预测结果中的所述灾害类型不是无,且多个传感设备数据中有任一项传感设备数据超过样本数据Aj所对应的传感设备数据时,增加该监控点位内的监拍设备的监拍频次,提高监拍清晰度,增加监拍范围。
实施例二
本发明还提出一种基于电网高影响气象要素的灾害智能识别与监控***,所述***包括监控主机、设置在电网设施网格区域中多个监控点位内的监拍设备和多个传感设备;所述***执行上述实施例一中的一种基于电网高影响气象要素的灾害智能识别与监控方法。
实施例三
本发明还提出一种计算机存储介质,所述存储介质内包括计算机程序,所述计算机程序被处理器执行上述实施例一中的一种基于电网高影响气象要素的灾害智能识别与监控方法。
本发明的有益效果如下:
1.本发明中根据气象灾害统计值的最终结果、时间差平均值、气象优劣值的最终结果确定电网设施网格区域内的监控点位的个数,使得电网设施网格区域内的监控设备设置更加合理,能够对气象异常和灾害频发的区域内进行重点监控,提高了监控的准确性;
2.本发明中采用神经网络模型对监控点位的灾害类型进行分类识别,并根据历史经验数据库中的样本数据与当前监控点位的气象参数数据和传感设备数据进行相似度比较,预测未来时刻内当前监控点位灾情的发展情况,对监拍设备进行及时调整,实现了了对监拍设备的差分控制,提高了对监拍设备控制的准确性,降低了数据传输量。
3.本发明通过预测未来预设时间内的灾害类型和传感设备数据,对监控点位的监拍设备的参数进行调整,能够提前对监拍设备进行动态控制,提高了监拍设备对于灾情图片传输的准确性,并进一步减少了数据传输量。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于电网高影响气象要素的灾害智能识别与监控方法,其特征在于,所述方法具体包括如下步骤:
S1.针对各电网设施网格区域,获取预设历史时间T1内的各电网设施网格区域的历史气象数据、历史灾害数据;
S2.根据步骤S1中获取的所述历史气象数据、历史灾害数据,对各电网设施网格区域内的监拍设备进行调整;
S3.根据从当前时间起,预设未来时间T2内的天气预报数据,各电网设施网格区域内的当前时刻监拍设备的拍摄数据、各电网设施网格区域内的当前时刻各传感设备数据,对未来预设时间段内的灾害情况进行预测,获得预测结果;
S4.根据预测结果动态调整各电网设施网格区域内的监拍设备的监拍频次、监拍清晰度、监拍范围。
2.根据权利要求1所述的一种基于电网高影响气象要素的灾害智能识别与监控方法,其特征在于,在所述步骤S1之前,所述方法还包括:
将电网设施区域划分为多个网格区域;
所述多个网格区域面积大小相同和/或不相同;
在每个电网设施区域内设置多个监测点,其中,每个监测点处均放置一个监拍设备,多个传感设备;
所述多个传感设备包括:温度传感设备、湿度传感设备、风力传感设备。
3.根据权利要求2所述的一种基于电网高影响气象要素的灾害智能识别与监控方法,其特征在于,所述步骤S1,具体包括:
针对每个电网设施网格区域,在历史气象灾害数据库中获取预设历史时间T1内的一个或多个气象灾害数据;
所述每个气象灾害数据的数据格式为:{时间段、历史气象数据、历史灾害数据};
所述历史气象数据包括如下气象参数:温度、风力、湿度、降雨量、降雪量;
所述历史灾害数据为历史灾害数据类型;
所述时间段包括开始时间、结束时间;
所述预设历史时间T1为一年或两年。
4.根据权利要求3所述的一种基于电网高影响气象要素的灾害智能识别与监控方法,其特征在于,所述步骤S2,具体包括:
S21.针对当前电网设施网格区域内的各气象灾害数据,判断该气象灾害数据中的历史气象数据是否超出阈值,并判断该气象灾害数据中的历史灾害数据是否为无;
S22.当该气象灾害数据中的历史气象数据中的任一气象参数超出预设阈值,且该气象灾害数据中的历史灾害数据不是无,将当前电网设施网格区域内的气象灾害统计值加2;
当该气象灾害数据中的历史气象数据中的任一气象参数超出预设阈值,且该气象灾害数据中的历史灾害数据为无,将当前电网设施网格区域内的气象灾害统计值加1;
当该气象灾害数据中的历史气象数据中的任一气象参数均不超出预设阈值,且该气象灾害数据中的历史灾害数据不是无,将当前电网设施网格区域内的气象灾害统计值加2;
重复执行步骤S21至步骤S22,直至将当前电网设施网格区域内的多个气象灾害数据均遍历完成,获得气象灾害统计值的最终结果R;
S23.针对当前电网设施网格区域内的各气象灾害数据,获取在时间上相邻的两个气象灾害数据的时间差;
所述在时间上相邻的两个气象灾害数据的时间差具体为:将当前气象灾害数据中的时间段的开始时刻减去上一个气象灾害数据中的时间段的结束时刻,并将差值取绝对值,获得所述时间差;
重复执行步骤S23,直至当前电网设施网格区域内的任意两个相邻气象灾害数据的时间差均计算完成,获得时间差数据序列{C1,C2,...,Cn};
所述n为时间差的个数;
S24.将时间差数据序列{C1,C2,...,Cn}中数值大于预设阈值T3的时间差数据剔除,获得剔除后的时间差数据序列{C1,C2,...,Cm},其中m为进行剔除操作后剩余的时间差数据的个数,m≤n;
S25.计算获得所述剔除后的时间差数据序列{C1,C2,...,Cm}的时间差平均值Cp;
S26.针对当前电网设施网格区域内的各气象灾害数据,获取各气象灾害数据中的历史气象数据,当所述历史气象数据中的任一气象参数超过对应的预设阈值时,计算该气象灾害数据对应的气象优劣值;
所述气象优劣值的计算方法如下:
其中,Y为气象优劣值;S为历史气象数据中的湿度数值,S‘为历史气象数据中的湿度数值对应的预设阈值;F为历史气象数据中的风力数值,F'为历史气象数据中的风力数值对应的预设阈值;W为历史气象数据中的温度数值,W'为历史气象数据中的温度数值对应的预设阈值;J为历史气象数据中的降雨量数值,J'为历史气象数据中的降雨量数值对应的预设阈值;X为历史气象数据中的降雪量数值,X'为历史气象数据中的降雪量数值对应的预设阈值;λ1、λ2、λ3、λ4、λ5分别为第一权重值、第二权重值、第三权重值、第四权重值、第五权重值;
其中,当任一气象参数的数值小于其对应的预设阈值时,将该气象参数数值对应的权重值设置为0;
当任意气象参数的数值大于其对应的预设阈值时,将该气象参数数值对应的权重值设置为预先设置的权重值;
S27.按照步骤S26的方式获得当前电网设施网格区域内的各气象灾害数据对应的多个气象优劣值;
计算所述多个气象优劣值的平均值,获得所述当前电网设施网格区域对应的气象优劣值的最终结果L;
S28.根据所有电网设施网格区域所对应的气象灾害统计值的最终结果序列{R1,R2,...Ru}、时间差平均值序列{Cp1,Cp2,...Cpu}、气象优劣值序列{Y1,Y2,...,Yu},计算获得当前电网设施网格区域所对应的稳定值D;
其中,u为电网设施网格区域的总数;
所述稳定值的计算方法具体为:
其中Ri、Cpi、Yi分别为第i个电网设施网格区域所对应的气象灾害统计值的最终结果、时间差平均值、气象优劣值;
S29.当当前电网设施网格区域所对应的稳定值D超过预设阈值D'时,增加当前电网设施网格区域内的监控点位个数,并在新增加的监控点位处设置一个监拍设备,以及多个传感设备;
所述多个传感设备包括一个温度传感设备、一个湿度传感设备、一个风力传感设备。
5.根据权利要求4所述的一种基于电网高影响气象要素的灾害智能识别与监控方法,其特征在于,所述步骤S2还包括:
每隔预设时间执行一次步骤S2中对监拍设备调整的步骤;
所述预设时间为:一年或两年;
当当前电网设施网格区域所对应的稳定值D连续a次不超过预设阈值D'时,减少当前电网设施网格区域内的监控点位个数,也即拆除一个或多个监控点位处的一个监拍设备,以及多个传感设备。
6.根据权利要求5所述的一种基于电网高影响气象要素的灾害智能识别与监控方法,其特征在于,所述步骤S3,具体包括如下步骤:
S31.每隔预设时间H获取各电网设施网格区域内传感装置向监控主机传送的多个传感数据,并实时获取当前时刻的天气气象数据,以及在预设未来时间T2内的天气预报数据,当一个电网设施网格区域对应的所述多个传感数据有任一项超过其对应的预设阈值,或者当前时刻的天气气象数据中的多个气象参数有任一项超过其对应的预设阈值,或者在预设未来时间T2内的天气预报数据中的多个气象参数有任一项超过其对应的预设阈值,将该电网设施中存在超过预设阈值的监控点位中的监拍设备开启,并将每个超过预设阈值的监控点位发送的多个传感设备数据、当前时刻的天气预报数据输入至神经网络模型中,获得每个监控点位对应的灾害类型;
所述灾害类型包括:火灾、雪灾、暴雨、飓风、无;
S32.当所述灾害类型不是无时,调整当前监控点位的监拍设备的拍摄参数;
S33.当所述灾害类型不是无时,将当前监控点位对应的灾害类型、预设未来时间T2内的天气预报数据、当前时刻的天气气象数据、当前时刻的各传感设备数据,与历史经验数据库中存储的具有相同灾害类型的样本数据进行相似度计算,将所述相似度数值最大的样本数据对应的预设未来时间T2所对应的灾害类型和多个传感设备数据,作为预测结果;
所述历史经验数据库中存储的每条样本数据格式为:{B1,B2,...,Bx};
其中x代表监控点位在发生灾害时通过神经网络模型计算灾害类型的次数;
其中,Bx内的数据格式为:{当前时刻、灾害类型、多个传感设备数据、气象参数}。
7.根据权利要求6所述的一种基于电网高影响气象要素的灾害智能识别与监控方法,所述步骤S32,具体包括:
所述调整当前监控点位的监拍设备的拍摄参数包括:提高监拍设备的拍摄清晰度、提高监拍设备的拍摄频率。
8.根据权利要求7所述的一种基于电网高影响气象要素的灾害智能识别与监控方法,所述步骤S33,具体包括:
S331.获取当前监控点位对应的灾害类型,从历史经验数据库中查找具有相同灾害类型的一条或多条样本数据;
S332.获取一个样本数据{A1,A2,...Ai..Ax},并获取各Ai对应的多个传感设备数据,计算各Ai对应的多个传感设备数据与当前监控点位对应的当前时刻的各传感设备数据欧氏距离,获得最小欧式距离对应的样本数据Aj;
在Aj至Ax范围内,获取各Ap对应的多个气象参数数据,计算各Ap对应的多个气象参数数据与当前监控点位对应的预设未来时间T2内的天气预报数据中的多个气象参数的欧式距离,获得最小欧式距离对应的样本数据Aq;
获得样本数据Aq对应的灾害类型和多个传感设备数据,作为预测结果。
所述步骤S4,具体包括:
当预测结果中的所述灾害类型不是无,且多个传感设备数据中有任一项传感设备数据超过样本数据Aj所对应的传感设备数据时,增加该监控点位内的监拍设备的监拍频次,提高监拍清晰度,增加监拍范围。
9.一种基于电网高影响气象要素的灾害智能识别与监控***,所述***包括监控主机、设置在电网设施网格区域中多个监控点位内的监拍设备和多个传感设备;所述***执行权利要求1-8任一项所述的方法。
10.一种计算机存储介质,所述存储介质内包括计算机程序,所述计算机程序被处理器执行权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669953.6A CN116682062B (zh) | 2023-06-07 | 2023-06-07 | 一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310669953.6A CN116682062B (zh) | 2023-06-07 | 2023-06-07 | 一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116682062A true CN116682062A (zh) | 2023-09-01 |
CN116682062B CN116682062B (zh) | 2024-05-03 |
Family
ID=87790473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310669953.6A Active CN116682062B (zh) | 2023-06-07 | 2023-06-07 | 一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682062B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035859A1 (en) * | 2010-01-19 | 2013-02-07 | Swiss Reinsurance Company Ltd. | Method and system for automated location dependent natural disaster forecast |
JP2013054004A (ja) * | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | 気象計測装置の配置方法、気象変動予測情報提供システム、気象変動予測情報提供方法、気象変動予測情報提供プログラム及び記録媒体 |
CN104965238A (zh) * | 2014-11-27 | 2015-10-07 | 国网山东省电力公司应急管理中心 | 一种基于电网gis的气象单站雷达预警方法及*** |
CN105069558A (zh) * | 2015-07-28 | 2015-11-18 | 江苏励维逊电气科技有限公司 | 一种基于气象数据的电力设施受损情况的预警分析方法 |
CN105117520A (zh) * | 2015-07-29 | 2015-12-02 | 国家电网公司 | 基于卫星数据图片的输电线路火点处理方法及装置 |
CN105160425A (zh) * | 2015-08-17 | 2015-12-16 | 国家电网公司 | 基于气象和地形因子的输变电设备覆冰灾害监测和预报方法 |
CN109541725A (zh) * | 2018-10-18 | 2019-03-29 | 国网山东省电力公司应急管理中心 | 一种基于gis的电网工程气象监测预警方法 |
CN110008982A (zh) * | 2019-01-11 | 2019-07-12 | 国网浙江省电力有限公司 | 一种基于光伏发电出力聚类的气象监测点选择方法 |
CN113392365A (zh) * | 2021-05-12 | 2021-09-14 | 中国电力科学研究院有限公司 | 一种高分辨率气象网格数据的生成方法及*** |
CN115166865A (zh) * | 2022-06-29 | 2022-10-11 | 国网江苏省电力有限公司 | 一种电力气象多层次监测组网方法、***及存储介质 |
CN115685386A (zh) * | 2022-09-30 | 2023-02-03 | 国网浙江省电力有限公司永嘉县供电公司 | 基于人工智能的电力设备气象监测预警方法 |
US20240020969A1 (en) * | 2021-09-29 | 2024-01-18 | Swiss Reinsurance Company Ltd. | Aerial and/or Satellite Imagery-based, Optical Sensory System and Method for Quantitative Measurements and Recognition of Property Damage After An Occurred Natural Catastrophe Event |
-
2023
- 2023-06-07 CN CN202310669953.6A patent/CN116682062B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130035859A1 (en) * | 2010-01-19 | 2013-02-07 | Swiss Reinsurance Company Ltd. | Method and system for automated location dependent natural disaster forecast |
JP2013054004A (ja) * | 2011-09-06 | 2013-03-21 | Seiko Epson Corp | 気象計測装置の配置方法、気象変動予測情報提供システム、気象変動予測情報提供方法、気象変動予測情報提供プログラム及び記録媒体 |
CN104965238A (zh) * | 2014-11-27 | 2015-10-07 | 国网山东省电力公司应急管理中心 | 一种基于电网gis的气象单站雷达预警方法及*** |
CN105069558A (zh) * | 2015-07-28 | 2015-11-18 | 江苏励维逊电气科技有限公司 | 一种基于气象数据的电力设施受损情况的预警分析方法 |
CN105117520A (zh) * | 2015-07-29 | 2015-12-02 | 国家电网公司 | 基于卫星数据图片的输电线路火点处理方法及装置 |
CN105160425A (zh) * | 2015-08-17 | 2015-12-16 | 国家电网公司 | 基于气象和地形因子的输变电设备覆冰灾害监测和预报方法 |
CN109541725A (zh) * | 2018-10-18 | 2019-03-29 | 国网山东省电力公司应急管理中心 | 一种基于gis的电网工程气象监测预警方法 |
CN110008982A (zh) * | 2019-01-11 | 2019-07-12 | 国网浙江省电力有限公司 | 一种基于光伏发电出力聚类的气象监测点选择方法 |
CN113392365A (zh) * | 2021-05-12 | 2021-09-14 | 中国电力科学研究院有限公司 | 一种高分辨率气象网格数据的生成方法及*** |
US20240020969A1 (en) * | 2021-09-29 | 2024-01-18 | Swiss Reinsurance Company Ltd. | Aerial and/or Satellite Imagery-based, Optical Sensory System and Method for Quantitative Measurements and Recognition of Property Damage After An Occurred Natural Catastrophe Event |
CN115166865A (zh) * | 2022-06-29 | 2022-10-11 | 国网江苏省电力有限公司 | 一种电力气象多层次监测组网方法、***及存储介质 |
CN115685386A (zh) * | 2022-09-30 | 2023-02-03 | 国网浙江省电力有限公司永嘉县供电公司 | 基于人工智能的电力设备气象监测预警方法 |
Non-Patent Citations (2)
Title |
---|
MAURO IACONO 等: "Adaptive Monitoring of Marine Disasters with Intelligent Mobile Sensor Networks", 《2010 IEEE WORKSHOP ON ENVIRONMENTAL ENERGY AND STRUCTRAL MONITORING SYSTEMS》, 11 November 2010 (2010-11-11), pages 1 - 8 * |
刘洋: "气象灾害综合分析和预警预报技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, 15 February 2020 (2020-02-15), pages 009 - 75 * |
Also Published As
Publication number | Publication date |
---|---|
CN116682062B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214280B (zh) | 基于街景的店铺识别方法、装置、电子设备及存储介质 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN115527203B (zh) | 一种基于物联网的谷物干燥远程控制方法及*** | |
CN110222592B (zh) | 一种基于互补时序行为提案生成的时序行为检测网络模型的构建方法 | |
EP1360557A2 (en) | Adaptive modeling of changed states in predictive condition monitoring | |
CN110991876B (zh) | 一种基于状态评估的一二次融合柱上开关巡检方法 | |
CN117277592B (zh) | 一种高压电路信号监测的保护切换方法 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及*** | |
CN116225102B (zh) | 一种移动式的储能通信温升自动监控***及装置 | |
Segú et al. | A general framework for uncertainty estimation in deep learning | |
WO2022242465A1 (zh) | 一种多传感器数据的融合方法及装置 | |
CN112116780A (zh) | 基于物联网的道路结冰监测及预警方法 | |
CN116682062B (zh) | 一种基于电网高影响气象要素的灾害智能识别与监控方法、***和存储介质 | |
CN117058541B (zh) | 绝缘子高光谱数据采集***及其方法 | |
CN115644739A (zh) | 基于物联网的商用清洁机器人控制方法及*** | |
CN113212244B (zh) | 一种新能源车辆动力电池寿命预测方法及*** | |
JP3302081B2 (ja) | 電力需要量予測装置 | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
CN113657286A (zh) | 一种基于无人机的输电线路监测方法及装置 | |
CN112883639A (zh) | 一种基于机器学习的gis设备寿命预测装置及方法 | |
CN111062298A (zh) | 配电网电力设备目标识别方法和*** | |
Pan | Corrosion detection method of substation Aboveground Steel Structure Based on deep learning | |
CN117671507B (zh) | 一种结合气象数据的河流水质预测方法 | |
CN118150943B (zh) | 配电网接地故障定位方法、***、电子设备及存储介质 | |
CN117291872A (zh) | 一种无人机线路巡视缺陷内容识别***及方法 |
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 |