CN109636194B - 一种输变电项目重大变动多源协同检测方法与系统 - Google Patents
一种输变电项目重大变动多源协同检测方法与系统 Download PDFInfo
- Publication number
- CN109636194B CN109636194B CN201811532379.5A CN201811532379A CN109636194B CN 109636194 B CN109636194 B CN 109636194B CN 201811532379 A CN201811532379 A CN 201811532379A CN 109636194 B CN109636194 B CN 109636194B
- Authority
- CN
- China
- Prior art keywords
- power transmission
- major change
- transformation
- soil
- influence
- 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.)
- Active
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 92
- 230000005540 biological transmission Effects 0.000 title claims abstract description 91
- 230000008859 change Effects 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 230000007613 environmental effect Effects 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 239000002689 soil Substances 0.000 claims description 55
- 239000012298 atmosphere Substances 0.000 claims description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 52
- 230000002093 peripheral effect Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 27
- 238000013136 deep learning model Methods 0.000 abstract description 8
- 238000000034 method Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明提供了一种输变电项目重大变动多源协同检测方法与系统,包括:S1、收集整理输变电项目历史环境影响数据;S2、将历史环境影响数据进行量化归一,获取各要素环境影响数值;S3、对各要素环境影响数值进行样本构建,进行多尺度集成学习,构建独立评估模型;S4、将各独立评估模型汇总,形成新的样本;S5、对新的样本进行二次深度学习训练,构建二次训练模型,进行重大变动演化学习;S6、根据二次训练模型,对输变电项目是否为重大变动进行快速检测以及模拟预测。本发明通过构建两级深度学习模型实现对待建/新建输变电项目重大变动的预测和检测,能够有效提升评估精度,降低评估成本,为输变电项目的规划和建设提供有力支撑。
Description
技术领域
本发明涉及自动化检测领域,特别是一种输变电项目重大变动多源协同检测方法与系统。
背景技术
为进一步规范输变电建设项目环境管理,国家、地方环境保护部门先后出台了多项规定。根据规定:输变电建设项目发生清单中一项或一项以上,且可能导致不利环境影响显著加重的,界定为重大变动,其他变更界定为一般变动。
因此,如何有效的在输变电项目规划、筹建阶段,评估、检测该项目的周边环境影响的程度和范围,具有重大意义。传统的环境评估、评价方法,以人工经验为主,依靠专业技术人员对项目实施评价评估,预测其对环境可能产生的影响,这种方法具有一定的局限性,主要表现为:
1)人工评估受主观主体因素影响,无法根据项目实施地点、时间、规模等,产生绝对一致性的评估标准,难免产生评估偏差;
2)人工评估需要采集收集大量的环境影响因素、历史比对数据等,耗时耗力,评估成本高昂;
3)人工经验评估往往为定性评估,无法根据历史数据、实时数据,做到定量预测,较为准确的预测环境可能产生的各类影响,及影响大小。
因此,如何设计并实现一种借助于现代化的人工智能技术,高度自动化、智能化的输变电项目重大变动预测、检测方法和系统,具有较强的现实意义与应用价值。
发明内容
本发明的目的是提供一种输变电项目重大变动多源协同检测方法与系统,旨在解决现有技术中输变电项目的评估依靠人工经验的问题,实现有效提升评估精度,降低评估成本,克服评估主观差异,为输变电项目的规划和建设提供有力支撑。。
为达到上述技术目的,本发明提供了一种输变电项目重大变动多源协同检测方法,所述方法包括以下操作:
S1、收集整理输变电项目历史环境影响数据;
S2、将历史环境影响数据进行量化归一,获取各要素环境影响数值;
S3、对各要素环境影响数值进行样本构建,进行多尺度集成学习,构建独立评估模型;
S4、将各独立评估模型汇总,形成新的样本;
S5、对新的样本进行二次深度学习训练,构建二次训练模型,进行重大变动演化学习;
S6、根据二次训练模型,对输变电项目是否为重大变动进行快速检测以及模拟预测。
优选地,所述步骤S2中,历史环境影响数据采集结果若本身和空间分布相关,则直接应用;采集结果如果为描述性结论,则将该类环境影响结论转换为以输变电实施项目为中心,周围空间的高斯分布。
优选地,所述步骤S3中样本的构建流程如下:
(1)根据输变电项目所在位置、类型等,自定义检测区域范围;
(2)选定网格单元大小,构建检测区域空间网格;
(3)网格中随机选择一个坐标点,计算该点的各类环境影响的数值;
(4)将检测区域内选定的N个空间坐标点的每一类影响,都量化为0-255之间的任一数值;
(5)以网格中点的量化影响数值为灰度,结合该点的空间位置,对每一类环境影响的空间结果,可构建三维灰度图像;
(6)将预先采集的多时间点、多区域的输变电项目构建一定规模的样本集;
(7)通过卷积神经网络模型训练样本集,得到针对各类环境影响的多个独立预测模型,对需要预测、检测的输变电项目,可根据模型生成P大气、P水、T土壤,P表示为该影响确实存在的百分比大小。
优选地,所述输变电项目是否为重大变动的可能性的计算公式如下:
P黄大变动=K大气P大气+K水P水+K土壤P土壤
K大气、K水、K土壤为标识各项环境影响对最终是否为重大变动的影响大小。
优选地,所述二次训练模型具体为:
P重大变动=T大气K大气P大气+T水K水P水+T土壤K土壤P土壤
其中T为每类环境影响样本平均采集时间归一化后的数值。
本发明还提供了一种输变电项目重大变动多源协同检测系统,所述系统包括:
数据预处理模块,用于收集整理输变电项目历史环境影响数据,并进行量化归一,获取各要素环境影响数值;
多尺度集成学习模块,用于对各要素环境影响数值进行样本构建,进行多尺度集成学习,构建独立评估模型;
新样本构建模块,用于将各独立评估模型汇总,形成新的样本;
重大变动演化学习模块,用于对新的样本进行二次深度学习训练,构建二次训练模型,进行重大变动演化学习;
重大变动检测模块,用于根据二次训练模型,对输变电项目是否为重大变动进行快速检测以及模拟预测。
优选地,所述环境影响数据包括:输变电项目周边的多时段高分遥感数据、无人机影像数据和多光谱遥感数据,以及对周边环境的影响情况。
优选地,所述环境影响数据采集结果若本身和空间分布相关,则直接应用;采集结果如果为描述性结论,则将该类环境影响结论转换为以输变电实施项目为中心,周围空间的高斯分布。
优选地,所述二次训练模型优化为:
P重大变动=T大气K大气P大气+T土K水P水+T土壤K土壤P土壤
其中P大气、P水、P土壤标识各类环境影响的数值(0-255);K大气、K水、K土壤为标识各项环境影响对最终是否为重大变动的影响大小;T大气、T水、T土壤标识时间因素影响参数。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
与现有技术相比,本发明通过对已实施输变电项目环境影响数据的采集、整理,构建两级深度学习模型,对大气、水、岩石、土壤等各类环境影响单独运用深度学习模型评估后,进而引入时间因素、权重因素进行二次评估,最终实现对待建/新建输变电项目重大变动的预测和检测。相比传统人工评估方法,能够有效提升评估精度,降低评估成本,克服评估主观差异,为输变电项目的规划和建设提供有力支撑。
附图说明
图1为本发明实施例中所提供的一种输变电项目重大变动多源协同检测方法流程图;
图2为本发明实施例中所提供的一种输变电项目重大变动多源协同检测系统结构框图。
具体实施方式
为了能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种输变电项目重大变动多源协同检测方法与系统进行详细说明。
如图1所示,本发明实施例公开了一种输变电项目重大变动多源协同检测方法,所述方法包括以下操作:
S1、收集整理输变电项目历史环境影响数据;
S2、将历史环境影响数据进行量化归一,获取各要素环境影响数值;
S3、对各要素环境影响数值进行样本构建,进行多尺度集成学习,构建独立评估模型;
S4、将各独立评估模型汇总,形成新的样本;
S5、对新的样本进行二次深度学习训练,构建二次训练模型,进行重大变动演化学习;
S6、根据二次训练模型,对输变电项目是否为重大变动进行快速检测以及模拟预测。
在本发明实施例中,环境影响因素选取水、大气、土壤三项为例,数据源以多时段高分遥感影像、无人机影像、多光谱数据为主,深度学习平台采用Tensorflow,深度学习模型采用ResNet和自定义的演化学习模型,系统以软件的方式实现。
对输变电项目历史环境影响数据进行收集整理,收集已实施输变电项目对环境影响的情况,收集到的数据包括输变电项目周边的多时段高分遥感数据、无人机影像数据和多光谱遥感数据,环境影响因素主要收集对周边大气、水、土壤的影响情况。
对多源数据量化归一,将收集到的数据,分为大气、水、土壤三个类别影响,对每一类别,通过插值方法,量化为输变电项目源对关注区空间中每一个坐标点的影响数值,离散坐标点可自定义间隔,在本发明实施例中将离散点间隔取为1米。采集的各类影响数据表现为输变电项目实施对周边三维空间环境的影响情况,采集结果若本身和空间分布相关,则直接应用;采集结果如果为描述性结论,则将该类环境影响结论转换为以输变电实施项目为中心,周围空间的高斯分布。
在对多源数据量化归一后,进行多尺度集成学习。在一定区域类,将前序步骤提取的3类要素环境影响数值各自单独做加权变换,整理为和该区域相关的属性,将此属性分别作为一个样本,从而完成样本库的构建,将该区域3类环境是否受到影响为标签,构建深度学习框架训练评估模型。
所述样本库的构建方法如下:
(1)根据输变电项目所在位置、类型等,自定义检测区域范围;
(2)选定网格单元大小,构建检测区域空间网格;
(3)网格中随机选择一个坐标点,计算该点的各类环境影响的数值;
(4)将检测区域内选定的N个空间坐标点的每一类影响,都量化为0-255之间的任一数值;
(5)以网格中点的量化影响数值为灰度,结合该点的空间位置,对每一类环境影响的空间结果,可构建三维灰度图像;
(6)将预先采集的多时间点、多区域的输变电项目经过上述整理后,可构建一定规模的样本集;
(7)通过卷积神经网络模型训练样本集,可得到针对大气、水、土壤环境影响的多个独立预测模型,对需要预测、检测的输变电项目,可根据模型生成P大气、P水、P土壤,P表示为该影响确实存在的百分比大小。
将利用多尺度集成学习训练的大气、水、土壤独立环境影响评估模型进行汇总,制作成为新的样本和样本标签,用于后续重大变动演化学习训练的输入,为后续重大变动评估模型训练提供数据源。
对于新生成的样本,构建二次训练模型,针对上一步骤的独立评估模型结果进行二次深度学习训练,此训练采用自定义的、隐层数较少的轻量化深度学习模型,输出结果即为百分比数值,评估输变电项目为重大变动的可能性。该演化学习步骤支持新输入的输变电项目重大变动样本的快速训练。
设P重大变动为重大变动的百分比可能性,其计算公式为:
P重大变动=K大气P大气+K水P水+K土壤P土壤
K大气、K水、K土壤为标识各项环境影响对最终是否为重大变动的影响大小,也为本步骤中轻量化演化学习模型待训练参数。
在输入量化环境信息、输变电项目本身信息(类型、位置等)的情况下,对是否为重大变动快速检测,并支持模拟预测。由于新的输变电项目环境影响数据,往往比旧数据更加精确,因此模型需要引入时间参数,标明样本数据的采集时间对最终预测、检测结果的影响,因此训练模型可进一步优化为:
P重大变动=T大气K大气P大气+T水K水P水+T土壤K土壤P土壤
其中T为每类环境影响样本平均采集时间归一化后的数值。
本发明实施例通过对已实施输变电项目环境影响数据的采集、整理,构建两级深度学习模型,对大气、水、岩石、土壤等各类环境影响单独运用深度学习模型评估后,进而引入时间因素、权重因素进行二次评估,最终实现对待建/新建输变电项目重大变动的预测和检测。相比传统人工评估方法,能够有效提升评估精度,降低评估成本,克服评估主观差异,为输变电项目的规划和建设提供有力支撑。
如图2所示,本发明实施例还公开了一种输变电项目重大变动多源协同检测系统,所述系统包括:
数据预处理模块,用于收集整理输变电项目历史环境影响数据,并进行量化归一,获取各要素环境影响数值;
多尺度集成学习模块,用于对各要素环境影响数值进行样本构建,进行多尺度集成学习,构建独立评估模型;
新样本构建模块,用于将各独立评估模型汇总,形成新的样本;
重大变动演化学习模块,用于对新的样本进行二次深度学习训练,构建二次训练模型,进行重大变动演化学习;
重大变动检测模块,用于根据二次训练模型,对输变电项目是否为重大变动进行快速检测以及模拟预测。
通过数据预处理模块,对输变电项目历史环境影响数据进行收集整理,收集已实施输变电项目对环境影响的情况,收集到的数据包括输变电项目周边的多时段高分遥感数据、无人机影像数据和多光谱遥感数据,环境影响因素主要收集对周边大气、水、土壤的影响情况。
对多源数据量化归一,将收集到的数据,分为大气、水、土壤三个类别影响,对每一类别,通过插值方法,量化为输变电项目源对关注区空间中每一个坐标点的影响数值,离散坐标点可自定义间隔,在本发明实施例中将离散点间隔取为1米。采集的各类影响数据表现为输变电项目实施对周边三维空间环境的影响情况,采集结果若本身和空间分布相关,则直接应用;采集结果如果为描述性结论,则将该类环境影响结论转换为以输变电实施项目为中心,周围空间的高斯分布。
对于空间网格中的点要素为随机选取,量化的大气、水、土壤影响数值将转换为0-255之间的数值,以对应该点的灰度值;从而,输变电项目周边空间的每个1米网格中,均含有1个空间点要素,该点除含有经纬度、高程等属性外,还包含大气、水、土壤3个环境影响方面的0-255数值;因此每个项目的一次历史数据,就可转换为3幅3维空间灰度图像。
由于实施例采集的输变电项目环境影像数据为30个,远远低于深度学习训练的样本集需求,因此需要通过数据增强,扩大样本集空间,加快模型训练的收敛能力,提升模型泛化能力。本实施例采用对环境影响不同时段的数据采集,来大幅提升样本集规模。
通过多尺度集成学习模块对各要素环境影响数值进行样本构建,进行多尺度集成学习,构建独立评估模型。选择输变电项目主体为中心,一定范围内的区域作为检测对象,构建间隔1米的空间网格,每个网格中随机选择一个空间点坐标,该点坐标的属性除了经纬度信息、高程信息外,还包括代表大气、水、土壤环境影响的数值(0-255)。
深度学习训练将选取Tensorflow深度学习框架,选用ResNet深度学习模型,由于传统ResNet模型主要针对二维图像分类,而本实施例涉及到的预测任务为三维灰度图像,因此需要将ResNet模型做相应修改,拓展至三维样本空间的应用,可调用Tensorflow API提供的AveragePooling3D、Convolution3D、MaxPooling3D等函数实现。
通过新样本构建模块将各独立评估模型汇总,形成新的样本。对于多尺度集成学习模块输出的模型,不能直接作为样本运用于后续的训练过程。因此将数据预处理采集整理的数据,分别输入多尺度集成学习模块构建的评估模型,得到3组(大气、水、土壤)百分比数据,每组数据中的每个数据标识对应于输入的输变电项目,单项评估的百分比数值。
通过重大变动演化学习模块对新的样本进行二次深度学习训练,构建二次训练模型,进行重大变动演化学习,为实现输变电项目重大变故评估模型的深度学习训练,并引入时序因素,进一步提高模型预测、检测精度。训练模型可进一步优化为:
P重大变动=T大气K大气P大气+T水K水P水+T土壤K土壤P土壤
其中P大气、P水、P土壤标识各类环境影响的数值(0-255);K大气、K水、K土壤为标识各项环境影响对最终是否为重大变动的影响大小;T大气、T水、T土壤标识时间因素影响参数。
通过重大变动检测模块根据二次训练模型,对输变电项目是否为重大变动进行快速检测以及模拟预测。当按格式输入新的输变电项目,即可实时获取该项目的整体预测或检测,是否为重大变动。该模块支持不同评估标准,评估级别的自定义,用户可自定义阈值,当P重大变动大于阈值,则最终预测、检测结果为重大变动,否则不为重大变动。
专业人员可以进一步意识到,结合本文中所公开的实施例描述的示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应超过本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种输变电项目重大变动多源协同检测方法,其特征在于,所述方法包括以下操作:
S1、收集整理输变电项目历史环境影响数据;
S2、将历史环境影响数据进行量化归一,获取各要素环境影响数值;
S3、对各要素环境影响数值进行样本构建,进行多尺度集成学习,构建独立评估模型,具体为:
根据输变电项目所在位置、类型,自定义检测区域范围;
选定网格单元大小,构建检测区域空间网格;
网格中随机选择一个坐标点,计算该点的各类环境影响的数值;
将检测区域内选定的N个空间坐标点的每一类影响,都量化为0-255之间的任一数值;
以网格中点的量化影响数值为灰度,结合该点的空间位置,对每一类环境影响的空间结果,构建三维灰度图像;
将预先采集的多时间点、多区域的输变电项目构建一定规模的样本集;
通过卷积神经网络模型训练样本集,得到针对各类环境影响的多个独立预测模型,对需要预测、检测的输变电项目,可根据模型生成P大气、P水、P土壤,P表示为该影响确实存在的百分比大小;
S4、将各独立评估模型汇总,形成新的样本;
S5、对新的样本进行二次深度学习训练,构建二次训练模型,进行重大变动演化学习;
S6、根据二次训练模型,对输变电项目是否为重大变动进行快速检测以及模拟预测。
2.根据权利要求1所述的一种输变电项目重大变动多源协同检测方法,其特征在于,所述步骤S2中,历史环境影响数据采集结果若本身和空间分布相关,则直接应用;采集结果如果为描述性结论,则将该类环境影响结论转换为以输变电实施项目为中心,周围空间的高斯分布。
3.根据权利要求1所述的一种输变电项目重大变动多源协同检测方法,其特征在于,所述输变电项目是否为重大变动的可能性的计算公式如下:
P重大变动=K大气P大气+K水P水+K土壤P土壤
K大气、K水、K土壤为标识各项环境影响对最终是否为重大变动的影响大小。
4.根据权利要求1所述的一种输变电项目重大变动多源协同检测方法,其特征在于,所述二次训练模型具体为:
P重大变动=T大气K大气P大气+T水K水P水+T土壤K土壤P土壤
其中T为每类环境影响样本平均采集时间归一化后的数值。
5.一种输变电项目重大变动多源协同检测系统,其特征在于,所述系统包括:
数据预处理模块,用于收集整理输变电项目历史环境影响数据,并进行量化归一,获取各要素环境影响数值;
多尺度集成学习模块,用于对各要素环境影响数值进行样本构建,进行多尺度集成学习,构建独立评估模型,具体为:
根据输变电项目所在位置、类型,自定义检测区域范围;
选定网格单元大小,构建检测区域空间网格;
网格中随机选择一个坐标点,计算该点的各类环境影响的数值;
将检测区域内选定的N个空间坐标点的每一类影响,都量化为0-255之间的任一数值;
以网格中点的量化影响数值为灰度,结合该点的空间位置,对每一类环境影响的空间结果,构建三维灰度图像;
将预先采集的多时间点、多区域的输变电项目构建一定规模的样本集;
通过卷积神经网络模型训练样本集,得到针对各类环境影响的多个独立预测模型,对需要预测、检测的输变电项目,可根据模型生成P大气、P水、P土壤,P表示为该影响确实存在的百分比大小;
新样本构建模块,用于将各独立评估模型汇总,形成新的样本;
重大变动演化学习模块,用于对新的样本进行二次深度学习训练,构建二次训练模型,进行重大变动演化学习;
重大变动检测模块,用于根据二次训练模型,对输变电项目是否为重大变动进行快速检测以及模拟预测。
6.根据权利要求5所述的一种输变电项目重大变动多源协同检测系统,其特征在于,所述环境影响数据包括:输变电项目周边的多时段高分遥感数据、无人机影像数据和多光谱遥感数据,以及对周边环境的影响情况。
7.根据权利要求5所述的一种输变电项目重大变动多源协同检测系统,其特征在于,所述环境影响数据采集结果若本身和空间分布相关,则直接应用;采集结果如果为描述性结论,则将该类环境影响结论转换为以输变电实施项目为中心,周围空间的高斯分布。
8.根据权利要求5-7任意一项所述的一种输变电项目重大变动多源协同检测系统,其特征在于,所述二次训练模型优化为:
P重大变动=T大气K大气P大气+T水K水P水+T土壤K土壤P土壤
其中P大气、P水、P土壤标识各类环境影响的数值(0-255);K大气、K水、K土壤为标识各项环境影响对最终是否为重大变动的影响大小;T大气、T水、T土壤标识时间因素影响参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532379.5A CN109636194B (zh) | 2018-12-14 | 2018-12-14 | 一种输变电项目重大变动多源协同检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532379.5A CN109636194B (zh) | 2018-12-14 | 2018-12-14 | 一种输变电项目重大变动多源协同检测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109636194A CN109636194A (zh) | 2019-04-16 |
CN109636194B true CN109636194B (zh) | 2020-10-16 |
Family
ID=66074007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811532379.5A Active CN109636194B (zh) | 2018-12-14 | 2018-12-14 | 一种输变电项目重大变动多源协同检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109636194B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414146B (zh) * | 2019-07-30 | 2022-08-05 | 中国电建集团成都勘测设计研究院有限公司 | 一种基于深度学习的水环境治理项目设计参数优化方法 |
CN113159485A (zh) * | 2021-01-15 | 2021-07-23 | 国网福建省电力有限公司 | 一种用于输变电项目变动的环境影响评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408562B (zh) * | 2014-11-25 | 2018-01-16 | 许继集团有限公司 | 一种基于bp神经网络的光伏系统发电效率综合评估方法 |
KR102542496B1 (ko) * | 2016-06-02 | 2023-06-13 | 메사추세츠 인스티튜트 오브 테크놀로지 | 광 신경망 용 장치 및 방법 |
CN107203816B (zh) * | 2017-06-09 | 2021-01-26 | 珠海市鸿瑞信息技术股份有限公司 | 一种电力系统二次设备的故障检修方法及系统 |
-
2018
- 2018-12-14 CN CN201811532379.5A patent/CN109636194B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
CN106778841A (zh) * | 2016-11-30 | 2017-05-31 | 国网上海市电力公司 | 异常用电检测模型的建立方法 |
Non-Patent Citations (1)
Title |
---|
马刚.《 输变电设备在线状态分析与智能诊断系统的研究》.《中国博士学位论文全文数据库 工程科技Ⅱ辑》.2013,(第11期),C042-46. * |
Also Published As
Publication number | Publication date |
---|---|
CN109636194A (zh) | 2019-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113919448B (zh) | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 | |
Feng et al. | Modeling urban growth with GIS based cellular automata and least squares SVM rules: a case study in Qingpu–Songjiang area of Shanghai, China | |
CN110703057B (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
Feng et al. | Using exploratory regression to identify optimal driving factors for cellular automaton modeling of land use change | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN112149962B (zh) | 一种施工事故致因行为的风险定量评估方法及系统 | |
CN110990718B (zh) | 一种公司形象提升系统的社会网络模型构建模块 | |
CN116359218B (zh) | 一种工业聚集区大气污染移动监测系统 | |
Feng et al. | A cellular automata model based on nonlinear kernel principal component analysis for urban growth simulation | |
CN111797188B (zh) | 一种基于开源地理空间矢量数据的城市功能区定量识别方法 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
CN111914943B (zh) | 倾倒式岩溶危岩稳定综合判别的信息向量机方法及装置 | |
CN116595121B (zh) | 一种基于遥感技术数据显示监测系统 | |
CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
CN109299208A (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
CN116127327A (zh) | 森林地上生物量反演方法、装置、设备以及存储介质 | |
Salman Aal-shamkhi et al. | Extraction and modeling of urban sprawl development in Karbala City using VHR satellite imagery | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN116310913B (zh) | 基于小型无人机测量技术的自然资源调查监测方法及装置 | |
CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
CN107679478B (zh) | 输电线路空间负荷状态的提取方法和系统 | |
CN117434624B (zh) | 一种基于语义分割的强对流天气识别和发展预判方法 |
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 |