CN111582697B - 一种配电网故障的评估与调度方法及系统 - Google Patents
一种配电网故障的评估与调度方法及系统 Download PDFInfo
- Publication number
- CN111582697B CN111582697B CN202010357704.XA CN202010357704A CN111582697B CN 111582697 B CN111582697 B CN 111582697B CN 202010357704 A CN202010357704 A CN 202010357704A CN 111582697 B CN111582697 B CN 111582697B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- disaster
- unmanned aerial
- aerial vehicle
- fault point
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008439 repair process Effects 0.000 claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000007689 inspection Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000010276 construction Methods 0.000 claims abstract description 17
- 238000002922 simulated annealing Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种配电网故障的评估与调度方法及系统,所述方法包括:基于地理信息系统和配网建设信息,构建获得城市数字化配网拓扑地图;基于配网终端监测数据、营销数据定位故障点分布信息;规划巡检路径;无人机群拍摄巡检路径沿途及故障点的图像;将拍摄的图像输入预先训练好的卷积神经网络中,对受灾状况和交通情况进行评估,获得评估结果;按照预定策略构建获得最优调度模型;利用模拟退火算法求解最优调度模型,得到最优调度方案;根据最优调度方案实施调度。本发明能够在极端气象事件发生后,快速定位故障点并评估受灾情况,提供最优抢修调度方案和抢修进度监控功能。
Description
技术领域
本发明属于配电网故障评估与抢修调度技术领域,特别涉及一种配电网故障的评估与调度方法及系统。
背景技术
在台风、水涝、风暴、冰雪等极端气象事件后的配电网应急抢修是配电网相关工作中的重要环节。当配电网出现故障时,会给用户正常生产带来经济损失,危害电网的安全运行。传统配电网故障抢修存在响应慢、抢修资源分配不均、抢修进度监控不到位的问题。为了提高配电网的供电质量和降低因极端气象事件导致的经济损失,故需要在第一时间对故障点进行定位,量化评估受灾状况,并做出最优应急调度方案。
目前的配电网抢修调度功能单一,一般仅具有接受故障受理和故障抢修分派的功能,故障发生后,需要较长时间才能被发现确认,不能及时派遣相关人员实地考察受灾情况,难以全面而快速的评估灾后故障点的受灾状况,所以不能有效利用已有资源给出最优的抢修调度方案。另外,在执行抢修方案时,传统方法不能有效而直观的实时监控抢修进度,不便于抢修人员在线指导并及时调整方案,导致抢修效率较低。
综上,亟需一种新的针对极端气象事件的配电网故障智能自主评估与应急调度方法及系统。
发明内容
本发明的目的在于提供一种配电网故障的评估与调度方法及系统,以解决上述存在的一个或多个技术问题。本发明能够在极端气象事件发生后,快速定位故障点并评估受灾情况,提供最优抢修调度方案和抢修进度监控功能。
为达到上述目的,本发明采用以下技术方案:
本发明的一种配电网故障的评估与调度方法,包括以下步骤:
步骤1,基于地理信息系统和配网建设信息,构建获得城市数字化配网拓扑地图;
步骤2,极端气象事件发生后,基于配网终端监测数据、营销数据定位故障点分布信息;
步骤3,基于故障点分布信息和步骤1获得的数字化配网拓扑地图,规划巡检路径;
步骤4,无人机群按照步骤3获得的巡检路径进行巡检;无人机群拍摄巡检路径沿途及故障点的图像;将拍摄的图像输入预先训练好的卷积神经网络中,对受灾状况和交通情况进行评估,获得评估结果;
步骤5,基于步骤4获得的评估结果,按照预定策略构建获得最优调度模型;利用模拟退火算法求解最优调度模型,得到最优调度方案;
步骤6,根据步骤5获得的最优调度方案实施调度。
本发明的进一步改进在于,步骤1具体包括以下步骤:
依据已有的地理信息系统数据、配网建设数据,构建出城市数字化配网拓扑地图;其中,地理信息系统数据、配网建设数据从电网公司配电网运行管理平台获取。
本发明的进一步改进在于,步骤2中,
极端气象事件包括:台风、水涝、风暴和冰雪;
所述基于配网终端监测数据、营销数据定位故障点分布信息包括:
汇总由电网公司配电网运行管理生成的配网设备监测数据和营销数据,筛选出异常数据;
根据异常数据来源和配网线路逻辑关系,推断出灾后故障点的空间地理位置,并进行聚类;其中,异常数据为电压、电流、功率或开关状态;聚类的个数等于无人机数量。
本发明的进一步改进在于,步骤3中,所述规划巡检路径具体包括:
无人机飞行路径参照道路交通信息;无人机启动位置设置为算法输入的起点信息,灾后故障点所在聚类后的区域设置为算法输入的终点信息;结合道路交通信息,采用A-Star算法规划无人机的飞行路径;
其中,为故障点聚类后的区域配置一台巡检无人机,实现无人机与灾后故障点一对多的关系;无人机需要去往的灾后故障点,由K近邻聚类算法决定。
本发明的进一步改进在于,步骤4具体包括以下步骤:
步骤4.1,无人机群根据规划好的巡检路径飞行至灾后故障点,沿途拍摄道路交通情况的图像;
步骤4.2,无人机群拍摄灾后故障点区域的图像;其中,采用俯视视角拍摄第i个故障点区域的受灾图像数据集Ii;
步骤4.3,以各个灾后故障点的图像数据集Ii作为输入,利用预先训练好的卷积神经网络,分别输出对应受灾状况的量化结果Wi;其中,量化结果包括:道路交通情况评估结果、故障点受灾情况和所需资源类型及数量。
本发明的进一步改进在于,步骤4中,
所述卷积神经网络为修改后的AlexNet模型;包括5层卷积层、3层全连接层;其中,将第3层全连接层的神经元的个数改为t,t为抢修资源站所提供资源的种类数量;
所述卷积神经网络的训练过程包括:
获取训练数据集和测试数据集{Ii,Wi},Ii表示无人机拍摄的灾后图像,Wi表示由专家人员对该图像受灾状况的量化,Wi作为Ii的标签;
将训练数据集输入所述卷积神经网络,训练卷积神经网络模型;
通过测试数据集验证,获得训练好的卷积神经网络模型。
本发明的进一步改进在于,步骤5具体包括以下步骤:
基于评估结果、城市数字化配网拓扑地图和调度资源的种类、数量与具体位置信息,根据评估结果确定所需调度资源的种类和数量,以调度资源的数量作为约束,把总的抢修路程最短作为优化目标构建数学模型,并用模拟退火算法求解出全局最优调度方案;其中,最优调度方案包括每个灾后故障点需要分配的抢修资源种类、数量。
本发明的进一步改进在于,步骤5具体包括以下步骤:
有m个灾后故障区域需要抢修,每个故障区域包括一个或多个故障点;有n个抢修资源站,能提供t种资源,Lij表示灾后故障区域i与抢修资源站j的路程,Wi表示灾后故障区域i受灾情况的量化结果,是一个t维矢量,Wik表示对第k种资源的需求,记抢修资源站j含有第k种资源的数量为Rjk;
λij-k表示灾后故障区域i获得抢修资源站j第k种资源的比例,根据总的抢修路程最短目标和有限资源约束条件构建数学模型,表达式为,
用模拟退火算法求解数学模型,得到最优调度方案。
本发明的进一步改进在于,步骤6还包括:通过无人机群拍摄图像,监控抢修进度。
本发明的一种配电网故障的评估与调度系统,包括:
中央调度室,用于基于地理信息系统和配网建设信息,构建获得城市数字化配网拓扑地图;极端气象事件发生后,基于配网终端监测数据、营销数据定位故障点分布信息;基于故障点分布信息和数字化配网拓扑地图,规划巡检路径;用于将拍摄的图像输入预先训练好的卷积神经网络中,对受灾状况和交通情况进行评估,获得评估结果;基于评估结果,按照预定策略构建获得最优调度模型;利用模拟退火算法求解最优调度模型,得到最优调度方案;
地图与信息展示平台,用于展示故障点分布信息和数字化配网拓扑地图;
无人机群,用于按照获得的巡检路径进行巡检,拍摄巡检路径沿途及故障点的图像;用于拍摄图像,监控抢修进度;
通信基站,用于实现无人机群与中央调度室的通信。
与现有技术相比,本发明具有以下有益效果:
本发明中,利用构建的城市数字化配网拓扑地图,结合故障点附近的图像信息,能在极端气象事件发生后第一时间定位并直观展示灾后状况,便于工作人员观察现场情况。本发明中,在极端气象事件发生后用无人机群巡视故障点受灾情况,比传统采用派遣人员巡查的方法更高效便捷,缩短了抢修时间。
本发明的方法中,拓扑地图在传统地图的基础上生成,融合了配网设备的位置信息、配网线路分布、城市道路交通信息和应急调度资源的种类、数量和具体位置信息,为选择最优抢修调度方案提供了数据基础。
本发明中,利用卷积神经网络定量评估故障点受灾情况,在此基础上提供优化模型并求解出最优调度方案。而传统的抢修方法不能定量评估受灾状况,缺少数据支持,无法给出最优调度方案。故本发明能提供更高效具体的抢修方案。
本发明中,利用无人机航拍技术实时传回抢修的图像视频(可以采用5G通信),能够实现在线监控抢修进度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种配电网故障的评估与调度方法的流程示意图;
图2是本发明实施例中,针对极端气象事件的配电网故障智能自主评估的流程示意图;
图3是本发明实施例的一种配电网故障的评估与调度系统的示意图。
具体实施方式
为使本发明实施例的目的、技术效果及技术方案更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述;显然,所描述的实施例是本发明一部分实施例。基于本发明公开的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的其它实施例,都应属于本发明保护的范围。
请参阅图1,本发明实施例的一种配电网故障的评估与调度方法,具体包括以下步骤:
步骤1,基于地理信息系统和配网建设信息,构建获得城市数字化配网拓扑地图;
步骤2,在极端气象事件发生后,基于配网终端监测数据、营销数据定位故障点分布,显示在步骤1获得的数字化配网拓扑地图上;
步骤3,基于数字化配网拓扑地图和故障点分布信息,规划巡检路径;
步骤4,无人机群按照步骤3的规划的巡检路径巡检;无人机群在巡检路径沿途及故障点拍摄图像;将拍摄的图像输入训练好的卷积神经网络,对受灾状况和交通情况进行评估,输出评估结果;
步骤5,基于评估结果,按照预定策略构建获得最优调度模型;利用模拟退火算法求解最优调度模型,得到最优调度方案;
步骤6,发布最优调度方案,根据步骤5获得的最优调度方案实施调度;其中,可以通过无人机群实时监控灾害抢修进度。
本发明实施例中,步骤1中,基于地理信息系统和配网建设信息,构建获得城市数字化配网拓扑地图的具体步骤包括:
依据已有的地理信息系统数据、配网建设数据,构建出城市数字化配网拓扑地图;其中,地理信息系统数据、配网建设数据从电网公司配电网运行管理平台获取。
拓扑地图在传统地图的基础上生成,融合了配网设备的位置信息、配网线路分布、城市道路交通信息和应急调度资源的种类、数量和具体位置信息;
调度系统的中央调度室负责城市数字化配网拓扑地图的构建、存储和显示功能。
本发明实施例中,步骤2中,在极端气象事件发生后,基于配网终端监测数据、营销数据自主定位故障点分布,并显示在数字化配网拓扑地图上具体包括:
极端气象事件包括:台风、水涝、风暴和冰雪;
灾后第一时间汇总由电网公司配电网运行管理生成的配网设备监测数据和营销数据,分析筛选出异常数据;
根据异常数据(电压、电流、功率、开关状态电气量)来源和配网线路逻辑关系推断出灾后故障点的空间地理位置,并进行K近邻聚类,且满足聚类的个数等于无人机数量;
将灾后故障点显示在数字化配网拓扑地图,调度系统的中央调度室负责灾后故障点的位置推断和可视化显示。
本发明实施例中,步骤3中,基于数字化配网拓扑地图和故障点分布信息,自主规划巡检路径,并分发给无人机群具体包括:
无人机飞行路径参照道路交通信息;
无人机启动位置设置为算法输入的起点信息,灾后故障点所在聚类后的区域设置为算法输入的终点信息;
结合道路交通信息采用A-Star算法规划无人机的飞行路径,A-Star算法是一种求解最短路径的方法,常用于移动机器人(包括无人机、无人车)的路径规划;
调度系统为故障点聚类后的每个区域配置一台巡检无人机,最大化利用无人机资源,实现无人机与灾后故障点一对多的关系;每台无人机具体需要去往哪些灾后故障点由K近邻聚类(K-nearest neighbor classification)算法决定,地理位置相邻的故障点属于同一类,分类种数为无人机群所含无人机的总数;最后实现每台无人机负责聚类后每个区域内所有故障点和去往该区域道路交通的巡视航拍。
本发明实施例中,步骤4中,无人机群将在沿途及故障点拍摄的图像,基于5G通信实时回传至中央调度室,基于卷积神经网络对受灾状况和交通情况进行评估具体包括:
无人机群利用GPS定位技术和路径信息自主导航飞往灾后故障点,同时在飞行中自动拍摄俯视图像,集中拍摄故障点和道路交通的图像,并通过5G通信技术把图像数据传回调度系统的中央调度室,然后利用卷积神经网络对所有图像进行处理,并输出灾后故障点受灾状况和道路交通的量化评估结果。
请参阅图2,步骤4的具体实现方法包括以下步骤:
步骤4.1,无人机群根据已规划好的路径自主飞行至灾后故障点,并沿途自主拍摄道路交通情况的图像;
步骤4.2,无人机群自主拍摄灾后故障点附近的图像,采用俯视视角拍摄故障点的受灾图像数据集;
步骤4.3,无人机群利用5G通信所有图像数据集Ii传回中央调度室;
步骤4.4,中央调度室利用高性能服务器和卷积神经网络模型,以各个灾后故障点的图像数据集Ii作为输入,分别输出对应受灾状况的量化结果Wi,卷积神经网络模型作为评估算法的核心技术,卷积神经网络模型融合了专家经验,提前采用基于监督的机器学习训练完成,网络输出结果包括道路交通情况评估结果、故障点受灾情况和所需资源类型及数量。
本发明实施例的步骤4.4中,所述卷积神经网络包括:
修改后的AlexNet模型(有5层卷积层、3层全连接层),把最第3层全连接层的神经元的个数改为t,即抢修资源站所提供资源的种类数量。
所述卷积神经网络的训练过程包括:
首先制作训练数据集和测试数据集{Ii,Wi),Ii表示无人机拍摄的灾后图像,Wi表示由专家人员对该图像受灾状况的量化,即Ii的标签;然后训练卷积神经网络模型;最后输出训练好的卷积神经网络模型。
本发明实施例中,步骤5中,基于评估结果,按照预定策略构建最优调度模型,利用模拟退火算法求解最优调度方案具体包括以下步骤:
综合评估结果、城市数字化配网拓扑地图和应急调度资源的种类、数量与具体位置信息,根据评估结果确定所需应急调度资源的种类和数量,以应急调度资源的数量作为约束,把总的抢修路程最短作为优化目标构建数学模型,并用模拟退火算法求解出全局最优调度方案;其中,最优调度方案包含每个灾后故障点需要分配的抢修资源种类、数量,调度系统的中央调度室负责构建并求解最优调度模型。
本发明实施例中,步骤5的具体实现方法包括以下步骤:
步骤5.1,假设有m个灾后故障区域需要抢修,每个故障区域包括一个或多个故障点,现有n个抢修资源站,能提供t种资源,Lij表示灾后某故障区域i(≤m)与某抢修资源站j(≤n)的路程,Wi表示某灾后故障区域i(≤m)受灾情况的量化结果,是一个t维矢量,Wik表示对第k种资源的需求,记某抢修资源站j(≤n)含有第k(≤t)种资源的数量为Rjk;
步骤5.2,令λij-k表示灾后故障区域i(≤m)获得抢修资源站j(≤n)第k(≤t)种资源的比例,根据总的抢修路程最短目标和有限资源约束条件构建数学模型:
步骤5.3,用模拟退火算法求解模型,得到最优调度方案。
本发明实施例中,步骤6发布最优调度方案,无人机群实时监控灾害抢修进度,执行最优调度方案,同时用无人机自主导航至灾后故障点拍摄实时抢修情况图像,利用5G通信技术传回至中央调度室,从而能监控抢修进度。
本发明实施例的一种针对极端气象事件的配电网故障智能自主评估与应急调度方法及系统具有以下优点:构建城市数字化配网拓扑地图,能根据配网终端监测数据、营销数据自主定位故障点分布,采用自主规划巡检路径的无人机群采集灾后故障点受灾图像,能定量评估受灾状况,给出最优抢修调度方案,并提供在线监控抢修进度的功能,能提高极端气象事件灾后配电网故障的抢修效率。
请参阅图3,本发明实施例的一种配电网故障的评估与调度系统,包括:
本发明实施例的一种针对极端气象事件的配电网故障智能自主评估与应急调度系统,包括:中央调度室、5G通信基站、无人机群和地图与信息展示平台。
中央调度室的硬件部分是高性能计算机,利用输入的地理信息系统数据、配网建设数据构建出城市数字化配网拓扑地图;利用输入的配网终端监测数据、营销数据定位故障点;根据无人机起始点空间位置规划每个无人机的飞行路径;利用拍摄的图像和训练好的卷积神经网络模型评估故障点受灾情况,构建抢修调度的优化模型并计算求解。中央调度室的软件部分包括卷积神经网络模型、可执行软件和图像数据。
5G通信基站用于传输无人机拍摄的图像数据,完成中央调度室与无人机群之间的实时通信。
无人机群采集道路交通图像、故障点受灾图像和抢修现场的图像。
地图与信息展示平台的硬件是LED显示器,用于显示数字化配网拓扑地图及其故障点位置,展示道路交通图像、故障点受灾图像和抢修现场的图像数据,提供人机交互功能。
本发明实施例的一种针对极端气象事件的配电网故障智能自主评估与应急调度系统,包括:中央调度室、5G通信基站、无人机群(由3台多旋翼无人机组成)、地图与信息展示平台,中央调度室由高性能服务器组成,负责数据汇总处理与数据分发,5G通信基站负责传输无人机群的控制指令和图像数据,无人机群负责采集灾后故障点的受灾情况,并通过5G通信基站传回图像数据,地图与信息展示平台由大屏幕组成,负责展示数字化配网拓扑地图、各个故障点的受灾情况、抢修调度方案,并在线监控抢修进度。
本发明实施例中,在极端气象事件发生之前,需安装好系统硬件和软件,并配置参数;包括:安装中央调度室、5G通信基站、无人机群、地图与信息展示平台,配置多旋翼组成的无人机群,数量K为3,抢修资源站数量n为2,资源种类数t为3,及每种资源的数量为Rjk,j={1,2};k={1,2,3}。在极端气象事件发生之前,需在专家指导下,采用基于监督的机器学习方法训练卷积神经网络模型。
本发明实施例的一种针对极端气象事件的配电网故障智能自主评估与应急调度方法,包括以下步骤:
步骤1,基于地理信息系统和配网建设信息,构建城市数字化配网拓扑地图,依据已有的地理信息系统数据、配网建设数据,构建出城市数字化配网拓扑地图,拓扑地图在传统地图的基础上生成,融合了配网设备的位置信息、配网线路分布、城市道路交通信息和应急调度资源的种类、数量和具体位置信息,调度系统的中央调度室负责城市数字化配网拓扑地图的构建、存储和显示功能;如图1所示,拓扑地图上面包括2个抢修资源站,3台多旋翼无人机。
步骤2,在极端气象事件发生后,基于配网终端监测数据、营销数据自主定位故障点分布,并显示在数字化配网拓扑地图上,极端气象事件包括台风、水涝、风暴和冰雪,灾后第一时间汇总配网设备监测数据和营销数据,分析筛选出异常数据,根据异常数据(电压、电流、功率、开关状态电气量)来源和配网线路逻辑关系推断出灾后故障点的空间地理位置,从而将灾后故障点显示在数字化配网拓扑地图,调度系统的中央调度室负责灾后故障点的位置推断和可视化显示,如图1所示,总共定位出4个灾后故障点,其中两个故障点空间距离相比较近。
步骤3,基于数字化配网拓扑地图和故障点分布信息,自主规划巡检路径,并分发给无人机群,无人机飞行路径参照道路交通信息,无人机启动位置设置为算法输入的起点信息,灾后故障点所在分类后的区域设置为算法输入的终点信息,结合道路交通信息采用A-Star算法规划无人机的飞行路径,调度系统为聚类后每个区域内的所有故障点配置一台巡检无人机,最大化利用无人机资源,实现无人机与灾后故障点一对多的关系,每台无人机具体需要去往哪些灾后故障点由K近邻聚类(K-nearest neighbor classification)算法决定,地理位置相邻的故障点属于同一类,分类种数为无人机群所含多旋翼无人机的数量,最后实现每台无人机负责聚类后每个区域内所有故障点和去往该区域道路交通的巡视航拍,灾后故障点根据无人机数量聚类为3个区域,其中一个区域包含两个故障点,余下区域内只含有一个故障点。
步骤4,无人机群将在沿途及故障点拍摄的图像,基于5G通信实时回传至中央调度室,基于卷积神经网络对受灾状况和交通情况进行评估,无人机群利用GPS定位技术和路径信息自主导航飞往灾后故障点,同时在飞行中自动拍摄俯视图像,集中拍摄故障点和道路交通的图像,并通过5G通信技术把图像数据传回调度系统的中央调度室,然后利用卷积神经网络对所有图像进行处理,并输出灾后故障点受灾状况和道路交通的量化评估结果,,
步骤4的具体实现方法如图3所示,包括:
步骤4.1:无人机群根据已规划好的路径自主飞行至灾后故障点,并沿途自主拍摄道路交通情况的图像;
步骤4.2:无人机群自主拍摄灾后故障点附近的图像,采用俯视视角拍摄故障点的受灾图像数据集;
步骤4.3:无人机群利用5G通信所有图像数据集Ii传回中央调度室;
步骤4.4:中央调度室利用高性能服务器和卷积神经网络模型,以各个灾后故障点的图像数据集Ii作为输入,分别输出对应受灾状况的量化结果Wi,卷积神经网络模型作为评估算法的核心技术,卷积神经网络模型融合了专家经验,提前采用基于监督的机器学习训练完成,网络输出结果包括道路交通情况评估结果、故障点受灾情况和所需资源类型及数量。
步骤5:基于评估结果,按照预定策略构建最优调度模型,利用模拟退火算法求解最优调度方案,综合评估结果、城市数字化配网拓扑地图和应急调度资源的种类、数量与具体位置信息,根据评估结果确定所需应急调度资源的种类和数量,以应急调度资源的数量作为约束,把总的抢修路程最短作为优化目标构建数学模型,并用模拟退火算法求解出全局最优调度方案,最优调度方案包含每个灾后故障点需要分配的抢修资源种类、数量,调度系统的中央调度室负责构建并求解最优调度模型。
步骤5的具体实现方法包括:
步骤5.1:假设有m(=3)个灾后故障区域需要抢修,每个故障区域包括一个或多个故障点,现有n(=2)个抢修资源站,能提供t(=3)种资源,Lij表示灾后某故障区域i(1≤i≤3)与某抢修资源站j(1≤j≤2)的路程,Wi表示某灾后故障区域i(i≤i≤3)受灾情况的量化结果,是一个t维矢量,Wik表示对第k种资源的需求,记某抢修资源站j(1≤j≤2)含有第k(1≤k≤3)种资源的数量为Rjk;
步骤5.2:令λij-k表示灾后故障区域i(1≤i≤3)获得抢修资源站j(1≤j≤2)第k(1≤k≤3)种资源的比例,根据总的抢修路程最短目标和有限资源约束条件构建数学模型
步骤5.3:用模拟退火算法求解模型,得到最优调度方案。
步骤6,发布最优调度方案,无人机群实时监控灾害抢修进度,执行最优调度方案,同时用无人机自主导航至灾后故障点拍摄实时抢修情况图像,利用5G通信技术传回至中央调度室,从而能监控抢修进度。
综上所述,本发明实施例公开了一种针对极端气象事件的配电网故障智能自主评估与应急调度方法及系统。极端气象事件灾后配电网故障智能自主评估与应急调度方法包括以下步骤:基于地理信息系统和配网建设信息,构建城市数字化配网拓扑地图;在极端气象事件发生后,基于配网终端监测数据、营销数据自主定位故障点分布,并显示在数字化配网拓扑地图上;基于数字化配网拓扑地图和故障点分布信息,自主规划巡检路径,并分发给无人机群;无人机群将在沿途及故障点拍摄的图像,基于5G通信实时回传中央调度室,基于卷积神经网络对受灾状况和交通情况进行评估;基于评估结果,按照预定策略构建最优调度模型,利用模拟退火算法求解最优调度方案;发布最优调度方案,无人机群实时监控灾害抢修进度。调度系统包括中央调度室、5G通信基站、无人机群、地图与信息展示平台。本发明可以提高极端气象事件灾后配电网故障的抢修效率,便于指挥和跟踪抢修进度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (8)
1.一种配电网故障的评估与调度方法,其特征在于,包括以下步骤:
步骤1,基于地理信息系统和配网建设信息,构建获得城市数字化配网拓扑地图;
步骤2,极端气象事件发生后,基于配网终端监测数据、营销数据定位故障点分布信息;
步骤3,基于故障点分布信息和步骤1获得的数字化配网拓扑地图,规划巡检路径;
步骤4,无人机群按照步骤3获得的巡检路径进行巡检;无人机群拍摄巡检路径沿途及故障点的图像;将拍摄的图像输入预先训练好的卷积神经网络中,对受灾状况和交通情况进行评估,获得评估结果;
步骤5,基于步骤4获得的评估结果,按照预定策略构建获得最优调度模型;利用模拟退火算法求解最优调度模型,得到最优调度方案;
步骤6,根据步骤5获得的最优调度方案实施调度;
其中,步骤5具体包括以下步骤:
基于评估结果、城市数字化配网拓扑地图和调度资源的种类、数量与具体位置信息,根据评估结果确定所需调度资源的种类和数量,以调度资源的数量作为约束,把总的抢修路程最短作为优化目标构建数学模型,并用模拟退火算法求解出全局最优调度方案;其中,最优调度方案包括每个灾后故障点需要分配的抢修资源种类、数量;
有m个灾后故障区域需要抢修,每个故障区域包括一个或多个故障点;有n个抢修资源站,能提供t种资源,Lij表示灾后故障区域i与抢修资源站j的路程,Wi表示灾后故障区域i受灾情况的量化结果,是一个t维矢量,Wik表示对第k种资源的需求,记抢修资源站j含有第k种资源的数量为Rjk;
λij-k表示灾后故障区域i获得抢修资源站j第k种资源的比例,根据总的抢修路程最短目标和有限资源约束条件构建数学模型,表达式为,
用模拟退火算法求解数学模型,得到最优调度方案。
2.根据权利要求1所述的一种配电网故障的评估与调度方法,其特征在于,步骤1具体包括以下步骤:
依据已有的地理信息系统数据、配网建设数据,构建出城市数字化配网拓扑地图;其中,地理信息系统数据、配网建设数据从电网公司配电网运行管理平台获取。
3.根据权利要求1所述的一种配电网故障的评估与调度方法,其特征在于,步骤2中,
极端气象事件包括:台风、水涝、风暴和冰雪;
所述基于配网终端监测数据、营销数据定位故障点分布信息包括:
汇总由电网公司配电网运行管理生成的配网设备监测数据和营销数据,筛选出异常数据;
根据异常数据来源和配网线路逻辑关系,推断出灾后故障点的空间地理位置,并进行聚类;其中,异常数据为电压、电流、功率或开关状态;聚类的个数等于无人机数量。
4.根据权利要求3所述的一种配电网故障的评估与调度方法,其特征在于,步骤3中,所述规划巡检路径具体包括:
无人机飞行路径参照道路交通信息;无人机启动位置设置为算法输入的起点信息,灾后故障点所在聚类后的区域设置为算法输入的终点信息;结合道路交通信息,采用A-Star算法规划无人机的飞行路径;
其中,为故障点聚类后的每个区域配置一台巡检无人机,实现无人机与灾后故障点一对多的关系;无人机需要去往的灾后故障点,由K近邻聚类算法决定。
5.根据权利要求1所述的一种配电网故障的评估与调度方法,其特征在于,步骤4具体包括以下步骤:
步骤4.1,无人机群根据规划好的巡检路径飞行至灾后故障点,沿途拍摄道路交通情况的图像;
步骤4.2,无人机群拍摄灾后故障点区域的图像;其中,采用俯视视角拍摄第i个故障点区域的受灾图像数据集Ii;
步骤4.3,以各个灾后故障点的图像数据集Ii作为输入,利用预先训练好的卷积神经网络,分别输出对应受灾状况的量化结果Wi;其中,量化结果包括:道路交通情况评估结果、故障点受灾情况和所需资源类型及数量。
6.根据权利要求1所述的一种配电网故障的评估与调度方法,其特征在于,步骤4中,
所述卷积神经网络为修改后的AlexNet模型;包括5层卷积层、3层全连接层;其中,将第3层全连接层的神经元的个数改为t,t为抢修资源站所提供资源的种类数量;
所述卷积神经网络的训练过程包括:
获取训练数据集和测试数据集{Ii,Wi},Ii表示无人机拍摄的灾后图像,Wi表示由专家人员对该图像受灾状况的量化,Wi作为Ii的标签;
将训练数据集输入所述卷积神经网络,训练卷积神经网络模型;
通过测试数据集验证,获得训练好的卷积神经网络模型。
7.根据权利要求1所述的一种配电网故障的评估与调度方法,其特征在于,步骤6还包括:通过无人机群拍摄图像,监控抢修进度。
8.一种配电网故障的评估与调度系统,其特征在于,基于权利要求1所述的配电网故障的评估与调度方法,包括:
中央调度室,用于基于地理信息系统和配网建设信息,构建获得城市数字化配网拓扑地图;极端气象事件发生后,基于配网终端监测数据、营销数据定位故障点分布信息;基于故障点分布信息和数字化配网拓扑地图,规划巡检路径;用于将拍摄的图像输入预先训练好的卷积神经网络中,对受灾状况和交通情况进行评估,获得评估结果;基于评估结果,按照预定策略构建获得最优调度模型;利用模拟退火算法求解最优调度模型,得到最优调度方案;
地图与信息展示平台,用于展示故障点分布信息和数字化配网拓扑地图;
无人机群,用于按照获得的巡检路径进行巡检,拍摄巡检路径沿途及故障点的图像;用于拍摄图像,监控抢修进度;
通信基站,用于实现无人机群与中央调度室的通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010357704.XA CN111582697B (zh) | 2020-04-29 | 2020-04-29 | 一种配电网故障的评估与调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010357704.XA CN111582697B (zh) | 2020-04-29 | 2020-04-29 | 一种配电网故障的评估与调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111582697A CN111582697A (zh) | 2020-08-25 |
CN111582697B true CN111582697B (zh) | 2022-04-22 |
Family
ID=72115058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010357704.XA Active CN111582697B (zh) | 2020-04-29 | 2020-04-29 | 一种配电网故障的评估与调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111582697B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113344238B (zh) * | 2021-03-29 | 2022-06-24 | 广西电网有限责任公司电力科学研究院 | 一种配电网安全风险评估和消减方法、装置及存储介质 |
CN113064449B (zh) * | 2021-03-31 | 2024-03-12 | 广东电网有限责任公司电力调度控制中心 | 一种无人机调度方法及系统 |
CN112966882B (zh) * | 2021-04-15 | 2023-07-28 | 四川中电启明星信息技术有限公司 | 一种基于时空全局匹配的配电网调度方法 |
CN113240249B (zh) * | 2021-04-26 | 2022-04-29 | 泰瑞数创科技(北京)有限公司 | 基于无人机增强现实的城市工程质量智能评价方法及其系统 |
CN113516307B (zh) * | 2021-07-06 | 2022-08-05 | 国网福建省电力有限公司 | 电力灾害应急处置进程估算预测方法及装置 |
CN113708288B (zh) * | 2021-07-29 | 2023-08-11 | 深圳供电局有限公司 | 输电线路智能巡检方法及系统、计算机设备、存储介质 |
CN113792923A (zh) * | 2021-09-10 | 2021-12-14 | 云南电网有限责任公司大理供电局 | 一种基于停电敏感度预测模型的可视化调度视窗方法 |
CN113902346B (zh) * | 2021-11-18 | 2022-07-08 | 广东电网有限责任公司 | 一种电力抢修队伍的智能调拨方法 |
CN114827590B (zh) * | 2022-06-22 | 2022-09-13 | 浙江力嘉电子科技有限公司 | 摄像头位置分布合理性分析方法、装置和电子设备 |
CN114897197B (zh) * | 2022-07-14 | 2022-10-04 | 中铁电气化勘测设计研究院有限公司 | 基于缺陷统计和预测的接触网维修策略调整方法 |
CN115660241A (zh) * | 2022-10-31 | 2023-01-31 | 万宝矿产有限公司 | 一种数字化矿山巡检系统及实现方法 |
CN115935215B (zh) * | 2023-01-06 | 2023-07-07 | 国网山东省电力公司威海供电公司 | 极端天气下基于深度学习的输电线路覆冰预警方法及系统 |
CN117074869B (zh) * | 2023-10-16 | 2023-12-19 | 盛隆电气集团有限公司 | 一种配电线故障定位方法及系统 |
CN117236520B (zh) * | 2023-11-10 | 2024-01-26 | 国网四川省电力公司电力应急中心 | 一种分布式多无人机集群协同调度系统及其方法 |
CN117726959B (zh) * | 2024-02-09 | 2024-05-10 | 国网安徽省电力有限公司巢湖市供电公司 | 基于智能图像识别的无人机电力线路安全巡检系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106230116A (zh) * | 2016-07-30 | 2016-12-14 | 福州大学 | 一种基于无人机的模块化电力监测系统及其控制方法 |
CN109270958A (zh) * | 2018-11-20 | 2019-01-25 | 国网四川省电力公司广安供电公司 | 一种输电线路故障自动快速定位无人机系统 |
WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
-
2020
- 2020-04-29 CN CN202010357704.XA patent/CN111582697B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106230116A (zh) * | 2016-07-30 | 2016-12-14 | 福州大学 | 一种基于无人机的模块化电力监测系统及其控制方法 |
WO2019233047A1 (zh) * | 2018-06-07 | 2019-12-12 | 国电南瑞科技股份有限公司 | 基于电网调度的运维方法 |
CN109270958A (zh) * | 2018-11-20 | 2019-01-25 | 国网四川省电力公司广安供电公司 | 一种输电线路故障自动快速定位无人机系统 |
Non-Patent Citations (2)
Title |
---|
UAV path planning based on K-means algorithm and simulated annealing algorithm;Xiu Yue 等;《Proceedings of the 37th Chinese Control Conference》;20180727;正文第2292-2294页 * |
调度优化配网故障抢修方法分析研究;张滢;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190115;正文第18-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111582697A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582697B (zh) | 一种配电网故障的评估与调度方法及系统 | |
CN111667230A (zh) | 一种无人机自主巡检作业监控分析系统及方法 | |
CN102566576B (zh) | 一种用于变电站顺控系统的多巡检机器人协同运作方法 | |
CN107134851A (zh) | 一种基于建筑信息模型的光伏电站智能运维方法和系统 | |
CN110597286B (zh) | 一种利用智慧机库实现输电线路无人机自主巡检的方法 | |
CN110728857A (zh) | 一种基于可垂直起降无人机的低空隔离空域交通管理方法 | |
CN110662007A (zh) | 航班地面保障作业流程的监控方法、装置及监控系统 | |
CN106971432A (zh) | 一种飞机数据管理记录系统及数据表示方法 | |
CN115384586B (zh) | 一种铁路平行调度系统、方法及其应用 | |
CN109542114A (zh) | 一种无人机输电线路巡检方法及系统 | |
CN113595239B (zh) | 一种云边端协同的变电站智能管控系统 | |
KR102042413B1 (ko) | 대중교통 네트워크 최적화 시스템 및 대중교통 네트워크 최적화 방법 | |
CN113298400A (zh) | 一种基于WebGL的公路隧道智慧监控系统 | |
US20220147664A1 (en) | Systems and Methods for Multi-Modal Transportation Simulation Verification | |
CN116433040A (zh) | 一种机场运管委航班调整系统、方法、设备及存储介质 | |
CN112288155B (zh) | 基于机器学习和协同过滤的安防预案生成调度方法及系统 | |
Statsenko et al. | Developing software and hardware for automation of ground urban transport traffic management | |
Qin et al. | Deep reinforcement learning for ride-sharing dispatching and repositioning | |
CN115986921A (zh) | 配电网的巡检方法、装置、计算机设备和存储介质 | |
Ye et al. | Hybrid calibration of agent-based travel model using traffic counts and AVI data | |
CN115062441A (zh) | 一种配电网接线线路的规划评估方法 | |
Liu et al. | ACP-based management and control for urban passenger transportation hubs | |
Nakamiti et al. | An agent-based simulation system for traffic control in the Brazilian intelligent cities project context | |
CN113592317A (zh) | 一种基于nlp的智能指挥预案方法 | |
Saifutdinov et al. | Scenario Modeling in a Centralized Airport Ground Traffic Control System |
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 |