CN113220748A - 一种构建配电网设备负荷热力图及数据分析的方法和系统 - Google Patents
一种构建配电网设备负荷热力图及数据分析的方法和系统 Download PDFInfo
- Publication number
- CN113220748A CN113220748A CN202110556057.XA CN202110556057A CN113220748A CN 113220748 A CN113220748 A CN 113220748A CN 202110556057 A CN202110556057 A CN 202110556057A CN 113220748 A CN113220748 A CN 113220748A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- thermodynamic diagram
- equipment
- load
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 103
- 238000010586 diagram Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000009877 rendering Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 4
- 238000004040 coloring Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 14
- 238000012423 maintenance Methods 0.000 abstract description 6
- 230000009466 transformation Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000344 soap Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2255—Hash tables
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- 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
- G06F16/29—Geographical information databases
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Information Transfer Between Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种构建配电网设备负荷热力图及数据分析的方法和系统,通过对获取的配网设备负荷数据进行预处理,形成满足热力图构建的稳定可靠数据集;根据所述数据集构建热力图;并根据热力图进行配网设备的数据分析。能够针对配电设备的负荷异常数据,快速高效自动完成热力图构建,精确展示电网运行薄弱点,并可针对异常区域进行穿透分析,方便直观了解该区域电网设备异常发生频率和时间,为配网运维改造和项目储备提供智能决策,提升配网运营效率和精益化管理水平。
Description
技术领域
本公开涉及配电网信息技术领域,尤其涉及一种配电网分析及可视化展示。
背景技术
近年来,随着经济的持续发展和居民需求的不断增长,配电网建设发展迅速,供电可靠性得到很大提升,但是目前配电网的规划和运维辅助决策能力还存在不足,主要体现在:(1)配电网信息化建设过程中,产生大量多源异构数据,但这部分数据未有效整合共享和利用,数据模型未统一,使得无法有效支撑配网精益化管理和智能决策;(2) 配网设备缺乏有效可靠的状态评估与风险评价,对整个配电网的综合运行状态评估时评估结果存在较多人为不稳定因素,无法对业务进行科学综合指导;(3)配电网缺乏高效的数据分析和展示方式,薄弱环节分析定位能力不足,缺少有效的可视化管理手段。
配电网设备负荷数据作为配电数据的重要组成部分,具有种类多,规模大,时效性高等特征,随着5G通信和物联网等新兴技术的发展,大量电网设备空间数据、量测数据、地理信息等数据资源的互通互联成为现实,为发掘负荷数据与其他数据的关联关系提供了可能。特别是配电网建设需求、电网规划合理性与配网设备的负荷数据关联密切,具有重要的指导价值。综上,为提高配电网规划和运维的智能化决策能力,提高配电网数据价值利用水平。
发明内容
本发明的目的是为了克服现有技术的不足,解决目前对配网网架缺乏高效的数据自动分析和展示方式,配网薄弱环节分析定位能力不足、配网精益化管理和智能决策水平不高的问题。
为达到上述目的,本发明的实施例采用如下技术方案:
本发明实施例的第一方面,提供一种构建配电网设备负荷热力图及数据分析的方法,其特征在于:所述方法包括如下步骤:
获取配网设备负荷数据;对获取的配网设备负荷数据进行预处理,形成满足热力图构建的稳定可靠数据集;根据数据集构建热力图;根据构建的热力图进行配网设备的数据分析。
在一个实施例中,对获取的配网设备负荷数据进行预处理,包括:按照预设的标准的数据结构和转换接口,完成数据接入和转换,剔除不符合规则、不正确数据。
在一个实施例中,根据所述数据集构建热力图具体步骤为:循环获取区域范围内配网负荷数据集中设备的坐标,根据当前地图的范围,计算当前设备相对于该地图方位的相对位置;计算每个像素点的阈值;计算出最大的阈值,每个像素点的阈值除以最大的阈值获取该像素点出现设备的概率;根据不同范围的概率对每个像素点进行渲染,生成负荷热力图。
在一个实施例中,相对位置通过以下公式计算:
相对位置的横坐标=当前范围的宽度*(设备经度-范围的最小经度)/(范围的最大经度-范围的最小经度)
相对位置的纵坐标=当前范围的高度*(范围的最大纬度-设备纬度)/(范围的最大纬度-范围最小纬度)
在一个实施例中,相对位置通过以下方法计算:循环遍历区域范围内的配网符合数据集中设备的经纬度坐标,基于Geohash算法将二维的经纬度坐标转化为对应的字符串,该字符串为相对位置。
在一个实施例中,计算每个像素点的阈值具体包括:根据像素点到圆心的距离、热力影响半径和该位置的出现的设备的数量,计算每个像素点的阈值;或根据二维高斯函数计算每个像素点的阈值。
在一个实施例中,渲染步骤具体为:加载背景地图、第二步是数据挖掘与清洗、异步加载数据及数据着色。
在一个实施例中,根据热力图进行配网设备的数据分析包括:采用空间分析算法,对相应热力色斑下的空间范围和热力值,进行边界循环分析,获取所有热力值符合边界条件的区域,并分析出相应的设备和负荷数据,查看指定热力色斑下的设备信息。
本发明实施例的第二方面,提供一种构建配电网设备负荷热力图及数据分析的系统,其特征在于:所述系统包括:获取模块,被配置为获取配网设备负荷数据;预处理模块,被配置为对获取的配网设备负荷数据进行预处理,形成满足热力图构建的稳定可靠数据集;热力图构建模块,被配置为根据所述数据集构建热力图;分析展示模块,被配置为根据构建的热力图进行配网设备的数据分析。
本发明实施例的第三方面,提供一种电子设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本发明实施例的第一方面所述的方法。
本发明实施例的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有可执行指令,该指令被处理器执行时使处理器执行本发明实施例的第一方面所述的方法。
本发明实施例提供的构建配电网设备负荷热力图及数据分析的方法和系统,能够针对配电设备的负荷异常数据,快速高效自动完成热力图构建,精确展示电网运行薄弱点,并可针对异常区域进行穿透分析,方便直观了解该区域电网设备异常发生频率和时间,为配网运维改造和项目储备提供智能决策,提升配网运营效率和精益化管理水平。
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明实施例提供的一种构建配电网设备负荷热力图及数据分析的方法的流程示意图;
图2为本发明实施例提供的数据预处理的流程示意图;
图3为本发明实施例提供的构建热力图的流程示意图;
图4为本发明实施例提供的根据热力图进行配网设备的数据分析的流程示意图;
图5为本发明实施例提供的构建配电网设备负荷热力图及数据分析的方法生成的案例仿真示意图;
图6为本发明实施例提供的一种构建配电网设备负荷热力图及数据分析系统的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。显然,本发明所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
以下描述中,为了说明而不是为了限定,提出了诸如特定内部程序、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
如本发明中所使用,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如本发明中所使用,术语“装置”、“模块”等意在指代计算机相关实体,其为硬件、软件、执行中的软件、固件、中间件、微码,或其任何组合。举例来说,模块可以是(但不限于)在处理器上运行的进程、处理器、对象、可执行程序、执行线程、程序或计算机。一个或一个以上组件可储存在一进程或执行线程内,且模块可局限于一个计算机上或分布在两个或两个以上计算机之间。另外,这些模块可从上面存储有各种数据结构的各种计算机可读媒体执行。另外,本发明所描述的系统的模块可重新布置或由额外组件补充以便促进实现相对于其描述的各个目标、优点等,且不限于给定图式中陈述的精确配置,如所属领域的技术人员将了解。
如本发明所使用,热力图(heat map)也称热图,是以特殊颜色高亮区域的形式表示密度、温度、气压、频率等分布的不易理解和表达的数据。
相比于现有技术,本发明实施例提供的一种构建配电网设备负荷热力图及数据分析的方法,通过对获取的配网设备负荷数据进行预处理,形成满足热力图构建的稳定可靠数据集;根据所述数据集构建热力图;并根据热力图进行配网设备的数据分析。能够针对配电设备的负荷异常数据,快速高效自动完成热力图构建,精确展示电网运行薄弱点,并可针对异常区域进行穿透分析,方便直观了解该区域电网设备异常发生频率和时间,为配网运维改造和项目储备提供智能决策,提升配网运营效率和精益化管理水平。以下将结合附图来详细描述本发明的实施例及其优点。在以下描述中,出于阐释的目的,陈述大量特定细节以便提供对一个或一个以上方面的透彻理解。然而,可显而易见,可在无这些特定细节的情况下实践各种方面。在其它实施例子中,以框图形式来展示众所周知的结构和装置,以便促进描述这些方面。
如图1所示,为本发明实施例提供的一种构建配电网设备负荷热力图及数据分析的方法的流程示意图,包括:
S101、获取配网设备的负荷数据;
可选的,周期性获取接入外部业务系统中的配网设备负载率和停电数据,并对数据进行分类筛选,例如,通过每15分钟对配变负载的抽样统计数据,将连续两小时负载率在80%到100%之间的配网设备记做重超载运行设备、将连续两小时负载率在100%到200%之间的配网设备记做超载运行设备,对获取的负荷数据进行分类归纳分析,形成配网设备负荷数据集。
S102、对获取的配网设备负荷数据进行预处理,形成满足热力图构建的稳定可靠数据集。
可选的,为了向上层应用提供高质量的清洁数据必须需要数据清洗,在本公开中使用的配变负荷原始数据数据,它存在信息属性缺失、重复记录、数据缺失、异常数据等问题,针对上述的数据质量问题设置数据坐标范围、时间范围、完整性及小数定标等清洗规则,用于清洗配变负荷数据,确保配变负荷热力图自动构建的可靠性,提升系统的鲁棒性以及正确性。
可选的,预处理包括:按照预设的标准的数据结构和转换接口,完成数据接入和转换,剔除不符合规则、不正确数据;可自动完成外部业务系统中设备负荷数据的接入和清洗转换,避免人工干预的不确定因素,形成满足热力图构建的稳定可靠数据集。
示例性的,如图2所示,为本发明实施例提供的一种数据预处理的流程示意图,上述的步骤S102具体实现过程可以通过以下内容来实现:
S102a、数据分析步骤,首先了解配网设备负荷数据的基本情况,确定数据质量问题是否属于数据无法匹配、数据冗余、时效性差以及经度不够的问题,通过自动报表工具对数据进行描述性统计分析,根据异常数据清单和条形统计图确定哪些数据是不合理的。
其中自动报表工具可从外部获取,例如某个数据中台使用的。
S102b、设置过滤规则,设置经纬度坐标映射到墨卡托坐标、 Geometry映射为GeoJson等个性化的数据映射规则;现实环境中,设备负荷及停电数据源的规模、脏乱的程度都会不同程度的影响结果,例如,当出现大批量的设备坐标定位超出所属单位边界时,由于坐标超界判断耗时相对较长,整个数据过程分析过时间会因此延长。数据转换与清洗步骤需要根据其影响的程度有针对的设置规则,例如,当出现大量坐标超界时,应优先进行数据的时效性、冗余问题及匹配程度调整、过滤掉大量不符合要求数据,节约整体数据清洗时间。
S102c、验证步骤,根据预设的评判算法评估步骤S202中设置的规则正确性与有效性。
其中,评判算法包括:奇偶校验法、BCC异或校验法或CRC循环冗余校验法。
S102d、数据清洗步骤,采用ETL工作流进行数据清洗,时间为载入与刷新数据仓库的时候或者是响应多数据源的查询请求。
其中,ETL即数据抽取(Extract)、转化(Transform)、装载(Load) 的过程。通过结合经验知识与智能算法对数据进行评估,采用 Min-Max等规范法对原始数据中的异常数据进行处理进而确保数据质量。
S102e、数据回流操作步骤,数据在被清洗后,及时的删除不需要的数据,防止数据被重复清洗。
可选的,其中步骤S102a-S102c侧重于数据错误特性的研究通过研究数据特性定义可执行的数据转换步骤;步骤S102d-S102e是利用步骤S102a-S102c的结果,在数据装载的时候将清洁数据更新到数据源中,是一种实时在线的处理过程。
S103、根据所述数据集构建热力图;
可选的,热力图构建包括:根据配网设备负荷数据热力渲染规则,色斑标准热力阈值,基于密度聚类的DBSCAN算法对数据进行分析处理,形成色斑图矢量图层,并在地图上进行图层叠加显示,最终形成以基础地理图为背景,热力色斑图层为前景的效果。
示例性的,如图3所示,为本发明实施例提供的一种构建热力图的流程示意图,上述的步骤S103具体实现过程可以通过以下内容来实现:
S103a、循环获取区域范围内配网负荷数据集中设备的坐标,根据当前地图的范围,计算当前设备相对于该地图方位的相对位置。
示例性的,相对位置的计算可通过以下公式计算:
相对位置的横坐标=当前范围的宽度*(设备经度-范围的最小经度)/(范围的最大经度-范围的最小经度);
相对位置的纵坐标=当前范围的高度*(范围的最大纬度-设备纬度)/(范围的最大纬度-范围最小纬度);
例如,配变经纬度坐标为(120,30),当前范围经最小经纬度坐标为(119,29),当前范围经最大经纬度坐标为(121,31),当前范围为1920*1080,则可根据计算规则得出相对位置像素点为(960,540)。
示例性的,相对位置的计算还通过以下方式,具体包括:循环遍历区域范围内的配网符合数据集中设备的经纬度坐标,基于Geohash 算法将二维的经纬度坐标转化为对应的字符串,记做相对位置。
以经纬度值(116.389550,39.928167)为例进行算法具体的说明,对纬度39.928167进行逼近编码;
将地球的维度区间[-90,90]进行二分为[-90,0),[0,90],称为左右区间,可以确定39.928167属于右区间[0,90],给标记为1;
接着将区间[0,90]进行二分为[0,45),[45,90],可以确定39.928167 属于左区间[0,45),给标记为0;
递归上述过程39.928167总是属于某个区间[a,b],随着每次迭代区间[a,b]总在缩小,并越来越逼近39.928167;
确定如果给定的纬度x(39.928167)属于左区间,则记录0,确定如果属于右区间则记录1,序列的长度跟给定的区间划分次数有关,如表1所示:
表1
纬度范围 | 划分区间0 | 划分区间1 | 39.9232 | |
1 | (-90,90) | (-90,0.0) | (0.0,90) | 1 |
2 | (0.0,90) | (0.0,45.0) | (45.0,90) | 0 |
3 | (0.0,45.0) | (0.0,22.5) | (22.5,45.0) | 1 |
4 | (22.5,45.0) | (22.5,33.75) | (33.75,45.0) | 1 |
5 | (33.75,45.0) | (33.75,39.375) | (39.375,45.0) | 1 |
6 | (39.375,45.0) | (39.375,42.1875) | (42.1875,45.0) | 0 |
7 | (39.375,42.1875) | (39.375,40.7812) | (40.7812,42.1875) | 0 |
8 | (39.375,40.7812) | (39.375,40.0781) | (40.0781,40.7812) | 0 |
9 | (39.375,40.0781) | (39.375,39.7265) | (39.7265,40.0781) | 1 |
10 | (39.7265,40.0781) | (39.7265,39.9023) | (39.9023,40.0781) | 1 |
11 | (39.9023,40.0781) | (39.9023,39.9902) | (39.9902,40.0781) | 0 |
12 | (39.9023,39.9902) | (39.9023,39.9462) | (39.9462,39.9902) | 0 |
13 | (39.9023,39.9462) | (39.9023,39.9243) | (39.9243,39.9462) | 0 |
14 | (39.9023,39.9243) | (39.9023,39.9133) | (39.9133,39.9243) | 1 |
15 | (39.9133,39.9243) | (39.9133,39.9188) | (39.9188,39.9243) | 1 |
同理,地球经度区间是[-180,180],可以对经度116.389550进行编码;
通过上述计算,纬度产生的编码为110100101100010,经度产生的编码为101110001100011;
将纬度和经度的编码进行合并,偶数位放经度,奇数位放纬度,把2串编码组合生成新串编码如表2所示:
表2
编码 | 1 | 1 | 1 | 0 | 0 | 1 | 1 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 1 | 0 | 1 |
序号 | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 |
最后将11100 11101 00100 01111 00000 01101转成十进制,分别对应着28 29 415 0 13,根据表3所示的十进制和base32的编码关系,获取十进制对应的base32编码为wx4g0e,则将该base32编码记做相对位置坐标。
表3
通过不同的方法计算当前设备相对于该地图方位的相对位置,可使得在区域的相对的计算时,根据不同的场景条件灵活选择不同的方法,且根据该方法,使得计算的相对位置更加准确,尤其是区域中的精细的位置计算时更加的准确、误差相对较小。
S103b、计算每个像素点的阈值。
示例性的,像素点的阈值可通过以下方式计算:
确定同一位置的出现的设备,进行数量的叠加,以设备位置为圆心,以热力影响半径为半径,计算圆内的每个像素点到圆心的距离。
根据计算的距离、热力影响半径和该位置的出现的设备的数量,计算每个像素点的阈值;
阈值可通过以下公式计算:
阈值=(热力影响半径-距离)*该位置设备出现的数量
例如,如一配变出现的异常数量为3次,热力影响半径为100,则该配变在相距50处位置的热力阈值为150。
可选的,半径可以是固定值1,也可以是其他的固定值,也可以结合实际需要与可视化效果具体设置,在此不做限定。
示例性的,像素点的阈值还可以通过二维高斯函数计算:
以(0,0)点为例进行具体的说明:
取中心点的坐标(0,0),距离它最近的8个点的坐标如下:
设定σ的值为1.5,则半径为1的权重矩阵如下:
上面9个值分别除以这9个点的权重总和0.4787147,得到最终的权重矩阵:
根据上述权重矩阵,计算高斯模糊的值了,设定现有9个像素点:
每个像素点乘以自己的权重值;
得到以下结果;
将上述9个值相加起来,确定中心点的高斯模糊值,将该高斯模糊值确定为像素点的阈值。
S103c、计算出最大的阈值,每个像素点的阈值除以最大的阈值获取该像素点出现设备的概率。
S103d、根据不同范围的概率对每个像素点进行渲染,可完成负荷热力图生成。
可选的,对热力图进行渲染一般是采用HTML5中的canvas标签进行渲染,以配变负荷数据渲染在一张热力图为例,对热力图进行渲染详细的过程如下:
第一步,加载背景地图。
其中,背景地图为调用地图接口获得某地区地图的矢量切片,初始化背景地图是指将获得的地图矢量切片加载并显示在客户端显示屏上,是调用地图API将矢量切片显示在浏览器页面中。
第二步,数据挖掘与清洗。
基于设备类型与异常类型的数据聚类分析法进行数据挖掘,通过数理统计的集中趋势分析法来判断数据的集中趋势,通过预定义镇江地理坐标范围等方法进行数据合理性判断实现数据的空间清洗。这三种方式进行数据清洗,可以通过对原始数据的存储格式、坐标范围合理性、数据完整性与Min-Max范围检查,利用数据平滑和属性构造等方法将其转化为符合数据质量的清洁数据,这样就可以去除数据中异常波动值和类型错误的值。
示例性的,例如某配变设备坐标为(140,32),其经度140明显大于镇江最大经度119.44,根据Mix-Max范围检查应将此设备标记为异常数据。
第三步,异步加载数据。
其中,异步加载,也称为非阻塞模式加载,是指客户端的浏览器或者软件应用程序在不刷新页面全局窗口的情况下,向服务器请求并获得数据的同时,不影响浏览器或者软件应用程序其它任务的进行。例如:浏览器中加载JavaScript脚本,并利用JavaScript脚本中的异步加载功能,向服务器请求数据命名为b.json,向服务器请求数据命名为c.json,接收服务器发送的b.json,接收服务器发送的c.json。
可选的,客户端通过网络接收服务器发送的全部清洗后的配变负荷数据,将该全部数据存储至临时性存储介质中,然后客户端再从暂时性存储介质中读取全部网格数据。服务器可以通过SOAP协议与客户端通信,服务器通过SOAP协议将格式数据发送给客户端。使用上述方法可以一次性获取全部数据,并将全部数据在渲染之前加载至存储结构中,以提前加载全部数据至存储结构的方式,以减少在渲染时的数据获取和数据加载的时间,从而有效地提升了热力图的渲染速度。
第四步,数据着色。
可选的,将获得的数据以预先设定的颜色画在背景地图中,其中,预先设定的颜色可以是配变重载数据密集则显示红色RGBA(255,0,0,1),配变重载数据稀疏则显示黄色RGBA(255,255,0,1),无配变重载则为透明RGBA(0,0,0,0)。此外,存在有些数据先接收到,有些数据后接收到的情况,那么就可以先画先接收到的数据。例如:先接收服务器发送的部分配变重载数据b.json,后接收到服务器发送的其它配变重载数据c.json,那么就先画b.json到背景地图中,然后再画c.json到背景地图中。以上述的数据加载为例进行说明,将每个负荷数据呈现出相应的颜色,以渲染热力图的方式,例如:我们将连续两小时负载率在80%到100%之间的设备记做重载运行,配变重载次数的小于2呈现为白色的RGB色彩值为#FFF,大于等于2呈现为黑色的RGB色彩值为#000,其中,RGB是指三原色,R代表Red(红色),G代表Green(绿色),B代表Blue(蓝色),可以用RGB的色彩值具体表示一种颜色,以便能够在客户端的显示器上显示出来。
可选的,利用思极地图SDK读取热力图的每个网格对应存储结构中的网格数据的数值,采用Echarts库中的timeline组件中的 heatmap热力图功能对二维热力图加速渲染,其中,Echarts库是指一种针对浏览器的强大且交互式的图表可视化库,timeline组件是Echarts库中提供多个选项卡之间进行切换和播放等操作功能的组件, heatmap热力图功能是timeline组件中专门针对热力图提供快速开发的一种功能脚本功能。
S104、根据热力图进行配网设备的数据分析。
可选的,数据分析包括:采用空间分析算法,对相应热力色斑下的空间范围和热力值,进行边界循环分析,获取所有热力值符合边界条件的区域,并分析出相应的设备和负荷数据,查看指定热力色斑下的设备信息。
示例性的,如图4所示,为本发明实施例提供的一种根据热力图进行配网设备的数据分析的流程示意图,上述的步骤S104具体实现过程可以通过以下内容来实现:
S104a、采用空间分析算法,确定热力色斑下的空间范围和热力值。
可选的,点击热力图色斑区域时,将地图上大地2000投影坐标转换为热力图上的二维屏幕坐标。获取鼠标点击点对应位置的热力值 M,并获取热力图值域空间的最小值C。
S104b、进行边界循环分析,获取所有热力值符合边界条件的区域。
可选的,进行边界循环分析包括:从点击点热力图图片坐标的位置向一个方向查找边界点;以当前边界点为起点,按照查找规则在当前查找方向的反向顺时针旋转45度的方向为起始方向,查找下一个边界点。以查到的边界点为起点,循环上一步找下一个边界点,直到找到的边界点和第一个边界点重合为止;边界点统一按照X轴正方向排序;
可选的,边界点条件为:1)边界点热力值大于或等于值域空间最小值C;2)下一个点的热力值小于值域空间最小值C。
可选的,查找规则为:1)若起始方向找到的点的热力值大于或等于值域空间最小值C,则该点即为下一个边界点;2)若起始方向找到的点的热力值小于值域空间最小值C,则起始方向顺时针旋转 45度,把此方向作为起始方向,查看下一坐标点的热力值是否满足成为边界点条件;3)循环第二步直到找到下一个边界点为止。
S104c、获取符合边界条件的区域的热力值坐标对应的设备;
针对相同的点,判断内部点的热力值是否大于最小热力值,获取边界点内所有大于最小热力值的点的坐标,获取缓存中点坐标对应的设备。
S104d、根据设备及其负荷数据,查看指定热力色斑下的设备信息。
可选的,根据设备及其负荷数据,查看指定热力色斑下的设备信息包括:通过对设备负荷及停电数据分析,完成热力图出图及色斑范围下的设备清单及负荷信息展示。
示例性的,如图5所示,为本发明实施例提供的一种构建配电网设备负荷热力图及数据分析的方法生成的案例仿真图(数据分析展示图)。
示例性的,图5展示了配电网设备负荷热力图及数据分析展示图,可选的,在数据分析时,在仿真图中,展示了重载的记录详情及重载设备详情,
可选的,重载记录详情包括:时间、额定电流、最大电流、额定容量、居民容量、非居民容量、负载率等。
可选的,重载设备详情包括:设备所属的电站、设备名称、重过载次数、所属的线路、运维的班组、运营单位等。
下面将基于图1对应的基于事件化驱动的配电网故障自动化预警方法的实施例中的相关描述对本发明实施例提供的一种构建配电网设备负荷热力图及数据分析的系统进行介绍。以下实施例中与上述实施例相关的技术术语、概念等的说明可以参照上述的实施例,这里不再赘述。
如图6所示,为本发明实施例提供的一种构建配电网设备负荷热力图及数据分析系统的结构示意图,该系统200包括:
获取模块201,被配置为获取配网设备负荷数据;
预处理模块202,被配置为对获取的配网设备负荷数据进行预处理,形成满足热力图构建的稳定可靠数据集;
热力图构建模块203,被配置为根据所述数据集构建热力图;
分析展示模块204,被配置为根据构建的热力图进行配网设备的数据分析。
如图7所示,为本发明实施例提供的一种电子设备的结构示意图,电子设备700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。CPU 701、 ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O) 接口705也连接至总线707。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口 705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
本发明实施例提供一种计算机存储介质,包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如上所述的方法流程。示例性的,计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘,硬盘、磁带)、光介质(例如,DVD)或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,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权利要求的保护范围为准。
Claims (10)
1.一种构建配电网设备负荷热力图及数据分析的方法,其特征在于:所述方法包括如下步骤:
获取配网设备负荷数据;
对获取的配网设备负荷数据进行预处理,形成满足热力图构建的稳定可靠数据集;
根据所述数据集构建热力图;
根据构建的热力图进行配网设备的数据分析。
2.根据权利要求1所述的方法,其特征在于,所述对获取的配网设备负荷数据进行预处理,包括:
按照预设的标准的数据结构和转换接口,完成数据接入和转换,剔除不符合规则、不正确数据。
3.根据权利要求1-2任一项所述的方法,其特征在于,所述根据所述数据集构建热力图具体步骤为:
循环获取区域范围内配网负荷数据集中设备的坐标,根据当前地图的范围,计算当前设备相对于该地图方位的相对位置;
计算每个像素点的阈值;
计算出最大的阈值,每个像素点的阈值除以最大的阈值获取该像素点出现设备的概率;
根据不同范围的概率对每个像素点进行渲染,生成负荷热力图。
4.根据权利要求3所述的方法,其特征在于,所述相对位置通过以下公式计算:
相对位置的横坐标=当前范围的宽度*(设备经度-范围的最小经度)/(范围的最大经度-范围的最小经度)
相对位置的纵坐标=当前范围的高度*(范围的最大纬度-设备纬度)/(范围的最大纬度-范围最小纬度)
或相对位置通过以下方法计算:循环遍历区域范围内的配网符合数据集中设备的经纬度坐标,基于Geohash算法将二维的经纬度坐标转化为对应的字符串,该字符串为相对位置。
5.根据权利要求4所述的方法,其特征在于,所述计算每个像素点的阈值具体包括:
根据像素点到圆心的距离、热力影响半径和该位置的出现的设备的数量,计算每个像素点的阈值;
或根据二维高斯函数计算每个像素点的阈值。
6.根据权利要求5所述的方法,其特征在于,所述渲染步骤具体为:加载背景地图、第二步是数据挖掘与清洗、异步加载数据及数据着色。
7.根据权利要求4-6任一项所述的方法,其特征在于,所述根据热力图进行配网设备的数据分析包括:
采用空间分析算法,对相应热力色斑下的空间范围和热力值,进行边界循环分析,获取所有热力值符合边界条件的区域,并分析出相应的设备和负荷数据,查看指定热力色斑下的设备信息。
8.一种构建配电网设备负荷热力图及数据分析系统,其特征在于:所述系统包括:
获取模块,被配置为获取配网设备负荷数据;
预处理模块,被配置为对获取的配网设备负荷数据进行预处理,形成满足热力图构建的稳定可靠数据集;
热力图构建模块,被配置为根据所述数据集构建热力图;
分析展示模块,被配置为根据构建的热力图进行配网设备的数据分析。
9.一种电子设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有可执行指令,该指令被处理器执行时使处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556057.XA CN113220748B (zh) | 2021-05-21 | 2021-05-21 | 一种构建配电网设备负荷热力图及数据分析的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110556057.XA CN113220748B (zh) | 2021-05-21 | 2021-05-21 | 一种构建配电网设备负荷热力图及数据分析的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113220748A true CN113220748A (zh) | 2021-08-06 |
CN113220748B CN113220748B (zh) | 2023-10-27 |
Family
ID=77093651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110556057.XA Active CN113220748B (zh) | 2021-05-21 | 2021-05-21 | 一种构建配电网设备负荷热力图及数据分析的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113220748B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187525A (zh) * | 2022-02-16 | 2022-03-15 | 北京航天丰益信息技术有限公司 | 一种基于卫星遥感影像的农田区域大数据分析方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140236476A1 (en) * | 2013-02-21 | 2014-08-21 | Qualcomm Incorporated | Mobile device positioning |
CN107369190A (zh) * | 2017-07-24 | 2017-11-21 | 威创软件南京有限公司 | 一种基于瓦砾化的热力图加速渲染方法 |
CN109948526A (zh) * | 2019-03-18 | 2019-06-28 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、检测设备及存储介质 |
CN110838125A (zh) * | 2019-11-08 | 2020-02-25 | 腾讯医疗健康(深圳)有限公司 | 医学图像的目标检测方法、装置、设备、存储介质 |
CN111144215A (zh) * | 2019-11-27 | 2020-05-12 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111223143A (zh) * | 2019-12-31 | 2020-06-02 | 广州市百果园信息技术有限公司 | 关键点检测方法、装置及计算机可读存储介质 |
CN111275275A (zh) * | 2018-12-04 | 2020-06-12 | 南京南瑞继保电气有限公司 | 一种配电网负荷时空特性可视化分析方法 |
CN111695045A (zh) * | 2019-03-14 | 2020-09-22 | 北京嘀嘀无限科技发展有限公司 | 一种热力图展示、热力数据通知的方法及装置 |
CN112084271A (zh) * | 2019-06-13 | 2020-12-15 | 上海擎感智能科技有限公司 | 一种地图显示方法、装置及计算机存储介质 |
CN112200862A (zh) * | 2020-12-01 | 2021-01-08 | 北京达佳互联信息技术有限公司 | 目标检测模型的训练方法、目标检测方法及装置 |
CN112749461A (zh) * | 2020-12-25 | 2021-05-04 | 深圳供电局有限公司 | 负荷数据监控方法、电力系统、计算机设备和存储介质 |
WO2021090771A1 (en) * | 2019-11-08 | 2021-05-14 | Canon Kabushiki Kaisha | Method, apparatus and system for training a neural network, and storage medium storing instructions |
WO2021097449A1 (en) * | 2019-11-17 | 2021-05-20 | Berkeley Lights, Inc. | Systems and methods for analyses of biological samples |
-
2021
- 2021-05-21 CN CN202110556057.XA patent/CN113220748B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140236476A1 (en) * | 2013-02-21 | 2014-08-21 | Qualcomm Incorporated | Mobile device positioning |
CN107369190A (zh) * | 2017-07-24 | 2017-11-21 | 威创软件南京有限公司 | 一种基于瓦砾化的热力图加速渲染方法 |
CN111275275A (zh) * | 2018-12-04 | 2020-06-12 | 南京南瑞继保电气有限公司 | 一种配电网负荷时空特性可视化分析方法 |
CN111695045A (zh) * | 2019-03-14 | 2020-09-22 | 北京嘀嘀无限科技发展有限公司 | 一种热力图展示、热力数据通知的方法及装置 |
CN109948526A (zh) * | 2019-03-18 | 2019-06-28 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、检测设备及存储介质 |
CN112084271A (zh) * | 2019-06-13 | 2020-12-15 | 上海擎感智能科技有限公司 | 一种地图显示方法、装置及计算机存储介质 |
CN110838125A (zh) * | 2019-11-08 | 2020-02-25 | 腾讯医疗健康(深圳)有限公司 | 医学图像的目标检测方法、装置、设备、存储介质 |
WO2021090771A1 (en) * | 2019-11-08 | 2021-05-14 | Canon Kabushiki Kaisha | Method, apparatus and system for training a neural network, and storage medium storing instructions |
WO2021097449A1 (en) * | 2019-11-17 | 2021-05-20 | Berkeley Lights, Inc. | Systems and methods for analyses of biological samples |
CN111144215A (zh) * | 2019-11-27 | 2020-05-12 | 北京迈格威科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN111223143A (zh) * | 2019-12-31 | 2020-06-02 | 广州市百果园信息技术有限公司 | 关键点检测方法、装置及计算机可读存储介质 |
CN112200862A (zh) * | 2020-12-01 | 2021-01-08 | 北京达佳互联信息技术有限公司 | 目标检测模型的训练方法、目标检测方法及装置 |
CN112749461A (zh) * | 2020-12-25 | 2021-05-04 | 深圳供电局有限公司 | 负荷数据监控方法、电力系统、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
L. GE 等: "Robust 3D Hand Pose Estimation From Single Depth Images Using Multi-View CNNs", 《IN IEEE TRANSACTIONS ON IMAGE PROCESSING》, vol. 27, no. 9, pages 4422 - 4436, XP011684554, DOI: 10.1109/TIP.2018.2834824 * |
石豪: "台风三维可视化技术研究与实现", 《中国优秀硕士学位论文全文数据库基础科学辑》, no. 2021, pages 009 - 170 * |
陆川伟 等: "车辆轨迹数据的道路学习提取法", 《测绘学报》, vol. 49, no. 6, pages 692 - 702 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114187525A (zh) * | 2022-02-16 | 2022-03-15 | 北京航天丰益信息技术有限公司 | 一种基于卫星遥感影像的农田区域大数据分析方法 |
CN114187525B (zh) * | 2022-02-16 | 2022-04-26 | 北京航天丰益信息技术有限公司 | 一种基于卫星遥感影像的农田区域大数据分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113220748B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
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 | |
CN111862292B (zh) | 输电线路走廊的数据渲染方法、装置和计算机设备 | |
CN112115198A (zh) | 一种城市遥感智能服务平台 | |
CN114598539B (zh) | 根因定位方法、装置、存储介质及电子设备 | |
US20150161545A1 (en) | Visualization of spare parts inventory | |
US20230131579A1 (en) | Wireless signal propagation prediction method and apparatus | |
CN113723810A (zh) | 基于图数据库的电网建模方法 | |
CN107507275B (zh) | 基于大数据的输电线路跳闸影响范围确定的方法及装置 | |
Demirdöğen et al. | BIM-based big data analytic system for healthcare facility management | |
CN113220748B (zh) | 一种构建配电网设备负荷热力图及数据分析的方法和系统 | |
CN114547452A (zh) | 一种基于多维画像评估的网格管理优化方法及系统 | |
Hohl et al. | Spatiotemporal domain decomposition for massive parallel computation of space-time kernel density | |
US20150035833A1 (en) | Visual Analytics of Temporal-spatial Relationships Using a Hierarchical Pixel Calendar Tree | |
CN111901156B (zh) | 一种监控故障的方法及装置 | |
CN112887910B (zh) | 异常覆盖区域的确定方法、装置和计算机可读存储介质 | |
CN115455426A (zh) | 基于漏洞分析模型开发的业务错误分析方法及云端ai系统 | |
Ma et al. | The construction of big data computational intelligence system for E-government in cloud computing environment and its development impact | |
Gao et al. | Intelligent urban ecological suitability system based on pattern recognition | |
CN114070650B (zh) | 网络资产评估方法、装置、电子设备及可读储存介质 | |
Eken et al. | Performance Evaluations of Vector-Raster Satellite Image Transfers through Web Services | |
Luo et al. | TransFlower: An Explainable Transformer-Based Model with Flow-to-Flow Attention for Commuting Flow Prediction | |
CN113590727B (zh) | 一种空间数据结构性分析方法 | |
CN116614392B (zh) | 路由开销确定方法、路由开销监控方法及装置 | |
CN117560275B (zh) | 基于图神经网络模型的微服务系统根因定位方法及装置 |
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 |