CN113052224B - 一种电力与气象多源数据的交互融合方法和系统 - Google Patents
一种电力与气象多源数据的交互融合方法和系统 Download PDFInfo
- Publication number
- CN113052224B CN113052224B CN202110297873.3A CN202110297873A CN113052224B CN 113052224 B CN113052224 B CN 113052224B CN 202110297873 A CN202110297873 A CN 202110297873A CN 113052224 B CN113052224 B CN 113052224B
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- power
- electric power
- cleaning
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 20
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004140 cleaning Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 5
- 230000008094 contradictory effect Effects 0.000 claims description 3
- 238000011049 filling Methods 0.000 claims description 3
- 208000025274 Lightning injury Diseases 0.000 claims description 2
- 238000012806 monitoring device Methods 0.000 abstract description 4
- 230000003287 optical effect Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电力与气象多源数据的交互融合方法和系统,所述方法包括:步骤1:获取电力气象监测数据;步骤2:对步骤1获取的电力气象监测数据进行数据清洗;步骤3:结合线路跳闸时段故障类型,分析数据,对步骤2清洗后的数据进行电网故障特征信息提取与融合;步骤4:基于步骤3特征融合结果分析气象因素导致故障的概率。电网气象灾害具有时空多样性,气象、光学、雷达等监测和遥感数据具有多源性,监测装置采集的气象信息原始数据存在着不同程度的数据冗余,同一主体的同一物理量往往有着不同来源的观测值,本发明对这些多源数据进行规范、融合,能够有效提高数据的可信度及利用率。
Description
技术领域
本发明属于电力与气象数据应用技术领域,涉及一种电力与气象多源数据的交互融合方法和系统。
背景技术
电网气象灾害具有时空多样性,气象、光学、雷达等监测和遥感数据具有多源性,监测装置采集的气象信息原始数据存在着不同程度的数据冗余,同一主体的同一物理量往往有着不同来源的观测值。目前电力部门对“种类多、数量大”的气象、状态监测等数据缺乏高效率的整合、规范化的管理,气象信息难以同具体的电力设备相结合,对已有的大量数据信息造成了浪费。有必要针对气象局精细化电力气象预报产品的接入电力系统的方式,以及针对气象局的气象信息、输电线路在线监测信息等不同来源气象数据的融合方式进行研究。
基于气象信息、故障信息、以及气象信息与故障记录的关联信息,建立了电力安全预警所需的电力气象监测数据库,融合气象灾害监测、预测、预警、查询分析功能于一体,为精细化气象预报产品的接入提供有效平台,从电力安全预警与气象信息交互融合的角度出发,搜集并整理了气象预报及气象风险预警的相关检验方法,在电网预警中考虑气象预报数据以及预警效果检验,可对预报及预警模型本身进行评价、订正,有助于改善电网预警的效果,也有助于促进气象局对面向电力行业气象预报内容和程度的深化。为电网运行人员提供多方面的如线路历史故障情况、线路实况气象、线路预警等重要信息,为电网运维决策制定提供重要的支撑。
国内外在多源气象观测数据集成融合方面已取得一定成果,这些研究为多源气象数据集成融合奠定了基础,但基于此开展电力与气象多源数据的交互融合,则仍存在不足:电网气象灾害具有时空多样性,气象、光学、雷达等监测和遥感数据具有多源性,监测装置采集的气象信息原始数据存在着不同程度的数据冗余,同一主体的同一物理量往往有着不同来源的观测值,以往的数据集成融合不能对这些多源数据进行规范、融合,数据的可信度及利用率较低,有待于进一步开展电力与气象多源数据交互融合技术的研究。
发明内容
为解决现有技术中的不足,本申请提供一种电力与气象多源数据的交互融合方法和系统。
为了实现上述目标,本发明采用如下技术方案:
一种电力与气象多源数据的交互融合方法,其特征在于:
所述方法包括以下步骤:
步骤1:获取电力气象监测数据;
步骤2:对步骤1获取的电力气象监测数据进行数据清洗;
步骤3:结合线路跳闸时段故障类型,分析数据,对步骤2清洗后的数据进行电网故障特征信息提取与融合;
步骤4:基于步骤3特征融合结果分析气象因素导致故障的概率。
本发明进一步包括以下优选方案:
优选地,步骤1中,通过多渠道获取电力气象监测数据,获取的电力气象监测数据具体包括:温度、风速、风向、风力、气压、湿度、降水量、能见度、冰厚、雨凇、雾凇、冻雨、雷暴和强对流数据。
优选地,步骤2所述对步骤1获取的电力气象监测数据进行数据清洗,具体包括:
缺失值清洗:包括如下步骤:确定缺失值范围、去除不需要的字段、填充缺失内容和重新取数;
格式内容清洗:具体清洗以下几类:时间、日期、数值的显示格式不一致、有不该存在的字符、内容与该字段应有内容不符的内容;
逻辑错误清洗:包括去重、去除不合理值和修正矛盾内容;
非需求数据清洗:删除不需要的数据。
优选地,步骤3具体包括:
步骤301:结合线路跳闸时段故障类型,采用特征压缩聚类或K-近邻法提取电网故障特征信息;
步骤302:通过气象监测数据估算,同时对监测数据进行图像识别,再加上各类传感器测算数据,三者通过近邻法则或三取二表决,对提取的特征信息进行融合,得到表征电网故障的最优特征。
优选地,所述线路跳闸时段故障类型包括风偏跳闸、舞动跳闸和雷击跳闸。
优选地,步骤301中,电网故障特征信息指的是电网跳闸时段各气象要素情况,具体包括:
风偏跳闸时段的风向、风速;
舞动跳闸时段的冰厚、风速、湿度、温度、降水量、雨凇、雾凇、冻雨;
雷击跳闸时段的雷暴、强对流。
优选地,步骤4中通过贝叶斯推理、DS证据理论或专家系统分析特征融合结果,得出气象因素导致故障的概率。
本发明还公开了一种电力与气象多源数据的交互融合系统,包括:
数据获取模块,获取电力气象监测数据;
数据清洗模块,对获取的电力气象监测数据进行数据清洗;
特征提取模块,结合线路跳闸时段故障类型,分析数据,对清洗后的数据进行电网故障特征信息提取与融合;
概率分析模块,基于特征提取模块的特征融合结果分析气象因素导致故障的概率。
本申请所达到的有益效果:
电网气象灾害具有时空多样性,气象、光学、雷达等监测和遥感数据具有多源性,监测装置采集的气象信息原始数据存在着不同程度的数据冗余,同一主体的同一物理量往往有着不同来源的观测值,本发明对这些多源数据进行规范、融合,能够有效提高数据的可信度及利用率。
附图说明
图1是电力气象交互融合示意图;
图2是电力与气象多源数据融合流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1-2所示,本发明的一种电力与气象多源数据的交互融合方法,包括以下步骤:
步骤1:获取电力气象监测数据;
具体实施时,通过多渠道,如气象数据服务器、电力气象观测站和线路微气象监测装置获取电力气象监测数据,获得的电力气象监测数据均为气象要素数据,具体包括:温度、风速、风向、风力、气压、湿度、降水量、能见度、冰厚、雨凇、雾凇、冻雨、雷暴、强对流等数据。其中雨凇、雾凇、冻雨、雷暴和强对流都是天气形式,雨凇、雾凇、冻雨这三种可以引起线路覆冰或者舞动,进而跳闸,雷暴、强对流这两种多可以引起雷击、风偏等跳闸。
步骤2:对步骤1获取的电力气象监测数据进行异常、低质量数据清洗;
异常数据指的是所获数据中相对误差较大的观察数据或者是部分数据与其他数据相比明显不一致的数据,又或者由于人为或随机因素影响出现的失实数据。
加权平均法、卡尔曼滤波法都是基本的数据清洗方法,目的就是将具有同样测量目的、来自不同渠道、具有不同单位的数据融合在一起,得到一个更准确的目的测量值。
清洗之前首先将数据导入到处理工具,再针对原数据或者抽取的部分数据进行人工查看,了解数据。
采用加权平均法、卡尔曼滤波法进行数据清洗,具体包括:
缺失值清洗包括:
确定缺失值范围、去除不需要的字段、填充缺失内容和重新取数;
格式内容清洗:
收集的数据可能存在格式和内容上问题,具体清洗以下几类:时间、日期、数值等显示格式不一致、内容中有不该存在的字符、内容与该字段应有内容不符;
逻辑错误清洗,包括去重、去除不合理值和修正矛盾内容;
非需求数据清洗是指删除不需要的数据。
步骤3:结合线路跳闸时段故障类型,分析数据,对步骤2清洗后的数据进行电网故障特征信息提取与融合,具体为:
步骤301:采用特征压缩聚类或K-近邻法提取电网故障特征信息;
特征压缩聚类或K-近邻法都是机器学习分类的方法。
以K-近邻法为例:
已知一个样本数据集合也成样本集,并且每个数据都存在标签,即知道每个数据与其所属的分类关系。
输入没有标签的新数据后,将新数据的每个特征与样本集中数据对应的特征进行比较;
然后算法提取样本集中特征最相似数据的分类标签,选择样本数据集中前K个最相似的数据;
最后选择K个最相似数据中出现次数最多的分类,作为新数据的分类。
步骤301中,电网故障特征信息指的是电网跳闸时段各气象要素情况,具体包括:
风偏跳闸时段的风向、风速;
舞动跳闸时段的冰厚、风速、湿度、温度、降水量、雨凇、雾凇、冻雨;
雷击跳闸时段的雷暴、强对流等。
步骤302:通过气象监测数据估算,同时对监测数据进行图像识别,再加上各类传感器测算数据,三者通过近邻法则或三取二表决,对提取的特征信息进行融合,得到表征电网故障的最优特征;
以输电线路覆冰为例:
首先对于底层的数据集,如气象监测数据有很多个温湿度传感器,先清洗数据,实现数据集融合,得到准确的监测数据;
然后,通过气象监测数据估算出冰厚,同时图像识别也可估算出一个冰厚,张力传感器也测出一个冰厚,三者通过近邻法则或三取二表决,在“冰厚”这一特征上实现特征级融合;
最终,这个冰厚会不会导致故障,以及故障的概率有多大,需要按设计线路冰厚进行贝叶斯推理等机理分析,做出故障概率的决策级融合。
步骤4:基于步骤3特征融合结果(即步骤302的表征电网故障的最优特征)分析气象因素导致故障的概率;
通过贝叶斯推理、DS证据理论、专家系统分析特征融合结果,得出气象因素导致故障的概率。
贝叶斯推理、DS证据理论、专家系统分析都是计算机概率计算算法和理论。
以贝叶斯推理为例:
贝叶斯推理:当不能确定某一个事件发生的概率时,可以依靠与该事件本质属性相关的事件发生的概率去推测该事件发生的概率。
贝叶斯定理是关于随机事件A和B的条件概率:
1.P(A)是A的先验概率,之所以称为“先验”是因为它不考虑任何B方面的因素。
2.P(A|B)是已知B发生后A的条件概率,也由于得自B的取值而被称作A的后验概率。
3.P(B|A)是已知A发生后B的条件概率,也由于得自A的取值而被称作B的后验概率。
4.P(B)是B的先验概率,也作标淮化常量。
5.A与B的联合概率表示为P(A∩B)
在事件B发生的条件下事件A发生的概率为:
同样地,在事件A发生的条件下事件B发生的概率为:
结合这两个方程式,可以得到:
P(A|B)P(B)=P(A∩B)=P(B|A)P(A).
这个引理有时称作概率乘法规则。
上式两边同除以P(A),若P(A)是非零的,我们可以得到贝叶斯定理:
贝叶斯公式的用途在于通过己知三个概率来推测第四个概率。
它的内容是:在B出现的前提下,A出现的概率等于A出现的前提下B出现的概率乘以A出现的概率再除以B出现的概率。通过联系A与B,计算从一个事件发生的情况下另一事件发生的概率,即从结果上溯到源头(也即逆向概率)。
DS证据理论是一种处理不确定性问题的完整理论,它不仅能够强调事物的客观性,还能强调人类对事物估计的主观性,其最大的特点是对不确定性信息的描述采用“区间估计”。
根据步骤4的故障概率,可通过预警模型开展气象灾害预警。
本发明的一种电力与气象多源数据的交互融合系统,包括:
数据获取模块,获取电力气象监测数据;
数据清洗模块,对获取的电力气象监测数据进行数据清洗;
特征提取模块,结合线路跳闸时段故障类型,分析数据,对清洗后的数据进行电网故障特征信息提取与融合;
概率分析模块,基于特征提取模块的特征融合结果分析气象因素导致故障的概率。
综上所述,本发明电力与气象多源数据的交互融合首先对于底层的数据集,先清洗数据,实现数据集融合,得到准确的监测数据;其次通过气象监测数据估算,同时对监测数据进行图像识别,再加上各类传感器测算数据,三者通过近邻法则或三取二表决,在数据特征上实现特征级融合;此类气象因素会不会导致故障,以及故障的概率有多大,需要根据电网设计情况进行贝叶斯推理等机理分析,做出故障概率的决策级融合。
可以分为数据级融合、特征级融合、决策级融合三个阶段:
数据级融合的对象是多源的气象监测原始数据。该阶段主要指数据的预处理工作,包括异常、低质量数据的清洗等,通过对多源的原始数据直接进行融合处理,提高数据的准确性。可采用的算法包括加权平均法、卡尔曼滤波法等。
特征级融合的对象是气象数据中隐含的电网故障特征信息。该阶段基于预处理后的气象数据,根据一定的规则从中提取出若干电网故障特征信息,并对各组特征信息进行融合,获得可准确表征电网故障的最优特征。可采用的算法包括特征压缩聚类、K-近邻法等。
决策级融合的对象是故障相关的电网决策信息,是数据融合的最高层次。该阶段基于特征级融合的结果,对各独立的决策进行信息融合,使最终所获得的决策结果具有整体上的一致性。可采用的算法包括贝叶斯推理、DS证据理论、专家系统等。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (7)
1.一种电力与气象多源数据的交互融合方法,其特征在于:
所述方法包括以下步骤:
步骤1:获取电力气象监测数据;
步骤2:对步骤1获取的电力气象监测数据进行数据清洗;
步骤3:结合线路跳闸时段故障类型,采用特征压缩聚类或K-近邻法提取电网故障特征信息, 利用近邻法则或三取二表决,对气象监测估算数据、监测图像识别数据和各类传感器测算数据,进行融合,得到表征电网故障的最优特征;
步骤4:基于步骤3特征融合结果分析气象因素导致故障的概率。
2.根据权利要求1所述的一种电力与气象多源数据的交互融合方法,其特征在于:
步骤1中,通过多渠道获取电力气象监测数据,获取的电力气象监测数据具体包括:温度、风速、风向、风力、气压、湿度、降水量、能见度、冰厚、雨凇、雾凇、冻雨、雷暴和强对流数据。
3.根据权利要求1所述的一种电力与气象多源数据的交互融合方法,其特征在于:
步骤2所述对步骤1获取的电力气象监测数据进行数据清洗,具体包括:缺失值清洗:包括如下步骤:确定缺失值范围、去除不需要的字段、填充缺失内容和重新取数;
格式内容清洗:具体清洗以下几类:时间、日期、数值的显示格式不一致、有不该存在的字符、内容与该字段应有内容不符的内容;
逻辑错误清洗:包括去重、去除不合理值和修正矛盾内容;
非需求数据清洗:删除不需要的数据。
4.根据权利要求3所述的一种电力与气象多源数据的交互融合方法,其特征在于:
所述线路跳闸时段故障类型包括风偏跳闸、舞动跳闸和雷击跳闸。
5.根据权利要求4所述的一种电力与气象多源数据的交互融合方法,其特征在于:
步骤3中,电网故障特征信息指的是电网跳闸时段各气象要素情况,具体包括:
风偏跳闸时段的风向、风速;
舞动跳闸时段的冰厚、风速、湿度、温度、降水量、雨凇、雾凇、冻雨;
雷击跳闸时段的雷暴、强对流。
6.根据权利要求1所述的一种电力与气象多源数据的交互融合方法,其特征在于:
步骤4中通过贝叶斯推理、DS证据理论或专家系统分析特征融合结果,得出气象因素导致故障的概率。
7.根据权利要求1-6任一项所述的一种电力与气象多源数据的交互融合方法的电力与气象多源数据的交互融合系统,其特征在于:
所述系统包括:
数据获取模块,获取电力气象监测数据;
数据清洗模块,对获取的电力气象监测数据进行数据清洗;
特征提取模块,结合线路跳闸时段故障类型,分析数据,对清洗后的数据进行电网故障特征信息提取与融合;
概率分析模块,基于特征提取模块的特征融合结果分析气象因素导致故障的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297873.3A CN113052224B (zh) | 2021-03-19 | 2021-03-19 | 一种电力与气象多源数据的交互融合方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110297873.3A CN113052224B (zh) | 2021-03-19 | 2021-03-19 | 一种电力与气象多源数据的交互融合方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113052224A CN113052224A (zh) | 2021-06-29 |
CN113052224B true CN113052224B (zh) | 2022-07-22 |
Family
ID=76514005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110297873.3A Active CN113052224B (zh) | 2021-03-19 | 2021-03-19 | 一种电力与气象多源数据的交互融合方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113052224B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113922500A (zh) * | 2021-09-17 | 2022-01-11 | 国网山西省电力公司输电检修分公司 | 一种输电线路状态多源监测数据接入方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11262176A (ja) * | 1998-03-11 | 1999-09-24 | Toshiba Corp | 電力系統監視制御システムおよび電力系統監視制御方法 |
CN101441718A (zh) * | 2008-12-19 | 2009-05-27 | 福建三元达通讯股份有限公司 | 传感器信息融合装置及其方法 |
CN105809287A (zh) * | 2016-03-10 | 2016-07-27 | 云南大学 | 一种高压输电线路覆冰过程综合预测方法 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN107959281A (zh) * | 2016-10-17 | 2018-04-24 | 南京南瑞继保电气有限公司 | 一种气象灾害影响线路故障跳闸判别方法 |
CN111488896A (zh) * | 2019-01-28 | 2020-08-04 | 国网能源研究院有限公司 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
CN111639921A (zh) * | 2020-06-11 | 2020-09-08 | 广东电网有限责任公司 | 一种基于专家系统的设备故障智判与辅助处置方法 |
CN111640280A (zh) * | 2020-04-21 | 2020-09-08 | 北京北大千方科技有限公司 | 一种基于多源信息融合的地铁站污染物预警方法 |
-
2021
- 2021-03-19 CN CN202110297873.3A patent/CN113052224B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11262176A (ja) * | 1998-03-11 | 1999-09-24 | Toshiba Corp | 電力系統監視制御システムおよび電力系統監視制御方法 |
CN101441718A (zh) * | 2008-12-19 | 2009-05-27 | 福建三元达通讯股份有限公司 | 传感器信息融合装置及其方法 |
CN105809287A (zh) * | 2016-03-10 | 2016-07-27 | 云南大学 | 一种高压输电线路覆冰过程综合预测方法 |
CN107959281A (zh) * | 2016-10-17 | 2018-04-24 | 南京南瑞继保电气有限公司 | 一种气象灾害影响线路故障跳闸判别方法 |
CN106779505A (zh) * | 2017-02-28 | 2017-05-31 | 中国南方电网有限责任公司 | 一种基于大数据驱动的输电线路故障预警方法及系统 |
CN111488896A (zh) * | 2019-01-28 | 2020-08-04 | 国网能源研究院有限公司 | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 |
CN111640280A (zh) * | 2020-04-21 | 2020-09-08 | 北京北大千方科技有限公司 | 一种基于多源信息融合的地铁站污染物预警方法 |
CN111639921A (zh) * | 2020-06-11 | 2020-09-08 | 广东电网有限责任公司 | 一种基于专家系统的设备故障智判与辅助处置方法 |
Non-Patent Citations (1)
Title |
---|
输电线路多源异构数据处理关键技术研究综述;李黎;《广东电力》;20180831;第31卷(第8期);第124-133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113052224A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及系统 | |
CN111539550B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
CN108446864B (zh) | 基于大数据分析的轨道交通设备的故障预警系统及方法 | |
CN107480440A (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN109298697A (zh) | 基于动态基线模型的火电厂系统各部件工作状态评估方法 | |
CN116523508B (zh) | 一种基于AIoT资产的智慧运维管理系统 | |
CN109407177B (zh) | 基于机器学习与常规气象观测的大雾识别系统和应用方法 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN113052224B (zh) | 一种电力与气象多源数据的交互融合方法和系统 | |
CN113343998A (zh) | 电力机械表计读数监测系统、方法、计算机设备及应用 | |
CN107121943A (zh) | 一种用于获得智能仪表的健康预测信息的方法和装置 | |
US20210063975A1 (en) | Adaptive system monitoring using incremental regression model development | |
CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN116243103A (zh) | 基于多源数据的输变电设备状态智能感知预警方法 | |
CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
CN114358165A (zh) | 基于多源数据融合的预防光伏组件接地故障的检测方法 | |
Wei et al. | Research on transmission line trip prediction based on logistic regression algorithm under icing condition | |
CN117743944B (zh) | 基于多源数据的输电线路故障辨识方法、装置及电子设备 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测系统 | |
KR102665709B1 (ko) | 인공지능 기반의 스마트미터링 예측 관리시스템 | |
TWI804091B (zh) | 礙子洩漏電流預測系統 | |
CN117690088A (zh) | 一种输电线路森林山火图像识别在线监测方法及系统 | |
Rekha et al. | Cloud Based Smart Detecting Metering Terminal | |
CN118280069A (zh) | 一种基于gis的电网灾害监测及预警系统 | |
CN118038544A (zh) | 基于摄像头的廊道内人员对象行为监控系统及其方法 |
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 |