CN113298874B - 基于无人机巡检的输电线路安全距离风险评估方法及装置 - Google Patents

基于无人机巡检的输电线路安全距离风险评估方法及装置 Download PDF

Info

Publication number
CN113298874B
CN113298874B CN202110841113.4A CN202110841113A CN113298874B CN 113298874 B CN113298874 B CN 113298874B CN 202110841113 A CN202110841113 A CN 202110841113A CN 113298874 B CN113298874 B CN 113298874B
Authority
CN
China
Prior art keywords
transmission line
power transmission
target power
data
target
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
Application number
CN202110841113.4A
Other languages
English (en)
Other versions
CN113298874A (zh
Inventor
苏春翌
武云发
鲁仁全
张斌
李军毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202110841113.4A priority Critical patent/CN113298874B/zh
Publication of CN113298874A publication Critical patent/CN113298874A/zh
Application granted granted Critical
Publication of CN113298874B publication Critical patent/CN113298874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
    • H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
    • H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种基于无人机巡检的输电线路安全距离风险评估方法及装置，通过获取机巡信息和工况数据，并基于机巡信息，计算得到目标输电线路的最大弧垂后，将机巡信息、工况数据和最大弧垂整合，得到目标输电线路的数据集，再基于机巡信息、工况数据和数据集，得到半参数回归模型，利用得到的半参数回归模型，基于机巡信息、工况数据，计算得到净空距离，最后根据净空距离，确定目标输电线路与下方跨越物的距离是否满足预设安全距离。本申请可以利用机巡信息和工况数据，得到输电线路的净空距离，并基于净空距离，确定输电线路与下方跨越物的距离是否满足预设要求，从而实现输电线路安全距离风险评估。

Description

基于无人机巡检的输电线路安全距离风险评估方法及装置
技术领域
本申请涉及风险评估领域，尤其涉及一种基于无人机巡检的输电线路安全距离风险评估方法及装置。
背景技术
随着经济的快速发展，人们的用电需求不断攀升，稳定的电力输送是保障人们日常用电的关键。目前，在电力输送方面，主要还是依靠架空输电线路来实现电力输送，但是，架在杆塔上的输电线路受自身负载、承载电流和外界环境等因素的影响，输电线路的导线空间位置会发生变化，可能会导致输电线路与地面的物体的净空距离不足，进而产生安全问题。
因此，在架空输电线路运维中，监测输电线路与地面的物体的净空距离已经成为重要环节。但是，由于架空输电线路可能会架设于地形复杂、环境多变的地区，这给架空输电线路的运维带来了很多问题，难以实现对线路全面覆盖，不利于对输电线路进行净空距离监测，也就无法通过净空距离来评估输电线路安全距离是否存在风险。不过，随着无人机技术的不断发展，利用无人机对复杂地区的架空输电线路进行监控，成为人们研究的方向，因此，如何基于无人机巡检数据，实现输电线路安全距离风险评估一直是人们关注的问题。
发明内容
有鉴于此，本申请提供了一种基于无人机巡检的输电线路安全距离风险评估方法及装置，以便于基于无人机巡检数据，实现输电线路安全距离风险评估。
为了实现上述目的，现提出的方案如下：
基于无人机巡检的输电线路安全距离风险评估方法，包括：
获取机巡信息和工况数据，所述机巡信息是从无人机获取的目标输电线路的点云数据中得到的信息，所述工况数据为目标输电线路自身参量的参量值和周边环境参量的参量值；
基于所述机巡信息，计算得到目标输电线路的最大弧垂；
将所述机巡信息、所述工况数据和所述目标输电线路的最大弧垂整合，得到目标输电线路的数据集；
基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型；
基于所述机巡信息、所述工况数据和所述半参数回归模型，计算得到净空距离，所述净空距离为输电线路与下方跨越物的距离；
基于所述净空距离，确定目标输电线路与下方跨越物的距离是否满足预设安全距离。
可选的，所述基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，包括：
基于所述数据集，构建初始半参数回归模型；
基于所述机巡信息、所述工况数据，对所述初始半参数回归模型的参数部分进行求解，得到所述参数部分的残差；
基于所述残差，计算得到半参数回归模型。
可选的，所述基于所述残差，计算得到半参数回归模型，包括：
计算残差的均值和标准差；
利用所述均值和标准差，计算得到半参数回归模型。
可选的，所述基于所述机巡信息、所述工况数据和所述半参数回归模型，计算得到净空距离，包括：
从所述工况数据中选取同一类型参量的各参量值，并依据所述同一类型参量的各参量值，生成所述同一类型参量的概率分布；
基于所述同一类型参量的概率分布，从所述同一类型参量的各参量值中选取一个目标参量值；
基于选取的目标参量值，利用所述半参数回归模型，计算得到目标输电线路各个点的预估弧垂；
基于所述机巡信息和所述目标输电线路各个点的预估弧垂，计算得到净空距离。
可选的，所述基于所述机巡信息，计算得到目标输电线路的最大弧垂，包括：
基于所述机巡信息，从目标输电线路上均匀选取多个点；
获取被选取的点与预设参考点的距离，以及每个点对应的弧垂；
利用被选取的点与预设参考点的距离，以及每个点对应的弧垂，生成弧垂点集；
根据弧垂的悬链线特性，对所述弧垂点集进行三阶曲线拟合；
基于三阶曲线拟合得到的曲线，得到目标输电线路的最大弧垂。
可选的，在基于三阶曲线拟合得到的曲线，得到目标输电线路的最大弧垂之前，还包括：
基于三阶曲线拟合得到的曲线，剔除与所述曲线的距离超过预设阈值的异常点。
可选的，在将所述工况数据和所述目标输电线路的最大弧垂整合，得到目标输电线路的数据集之后，还包括：
获取除所述目标输电线路以外的其它每个输电线路的数据集；
基于所述目标输电线路、所述其它每个输电线路的数据集，生成所述目标输电线路、所述其它每个输电线路各自对应的数据子集；
将各所述数据子集整合，生成样本集；
对所述样本集中的数据子集进行聚类，得到若干个聚类簇；
确定基于所述目标输电线路的数据集生成的数据子集所处的目标聚类簇，并将所述目标聚类簇中的每个数据子集对应的输电线路的数据集进行整合，得到目标输电线路的优化后的数据集；
则，所述基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，包括：
基于所述机巡信息、所述工况数据和所述目标输电线路的优化后的数据集，得到半参数回归模型。
可选的，所述对所述样本集中的数据子集进行聚类，得到若干个聚类簇，包括：
通过计算样本集中各个数据子集之间的权重，得到邻接矩阵；
基于所述邻接矩阵，得到度矩阵，并构建拉普拉斯矩阵；
基于所述度矩阵和所述拉普拉斯矩阵，构建标准化后的拉普拉斯矩阵；
计算所述标准化后的拉普拉斯矩阵的特征值，并从中选取一个或多个特征值；
计算所述选取的一个或多个特征值对应的特征向量，利用所述特征向量组成新的矩阵；
对所述新的矩阵按行标准化，得到特征矩阵；
将所述特征矩阵中的每一行作为一个样本进行聚类，得到若干个聚类簇。
基于无人机巡检的输电线路安全距离风险评估装置，包括：
数据获取模块，用于获取机巡信息和工况数据，所述机巡信息是从无人机获取的目标输电线路的点云数据中得到的信息，所述工况数据为目标输电线路自身参数和周边环境参数；
最大弧垂计算模块，用于基于所述机巡信息，计算得到目标输电线路的最大弧垂；
数据整合模块，用于将所述工况数据和所述目标输电线路的最大弧垂整合，得到目标输电线路的数据集；
模型构建模块，用于基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，所述半参数回归模型用于计算预测弧垂；
净空距离计算模块，用于基于所述机巡信息、所述工况数据和所述半参数回归模型，计算得到净空距离，所述净空距离为输电线路与下方跨越物的距离；
安全距离评估模块，用于基于所述净空距离，确定目标输电线路与下方跨越物的距离是否满足预设安全距离。
可选的，还包括：
数据集获取模块，用于获取除所述目标输电线路以外的其它每个输电线路的数据集；
数据子集生成模块，用于基于所述目标输电线路、所述其它每个输电线路的数据集，生成所述目标输电线路、所述其它每个输电线路各自对应的数据子集；
样本集生成模块，用于将各所述数据子集整合，生成样本集；
聚类模块，用于通过谱聚类对所述样本集中的数据子集进行聚类，得到若干个聚类簇；
数据集生成模块，用于确定基于所述目标输电线路的数据集生成的数据子集所处的目标聚类簇，并将所述目标聚类簇中的各个数据子集对应的输电线路的数据集进行整合，得到目标输电线路的优化后的数据集；
则，所述模型构建模块，还用于基于所述机巡信息、所述工况数据和所述目标输电线路的优化后的数据集，得到半参数回归模型。
从上述的技术方案可以看出，本申请实施例提供的一种基于无人机巡检的输电线路安全距离风险评估方法，通过获取机巡信息和工况数据，并基于机巡信息，计算得到输电线路的最大弧垂，将获取的工况数据和计算得到的最大弧垂整合，得到输电线路的数据集，基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，并基于所述机巡信息、工况数据和所述半参数回归模型，计算得到净空距离，所述净空距离为输电线路与下方跨越物的距离，基于净空距离，确定输电线路与下方跨越物的距离是否满足预设安全距离。本申请可以利用机巡信息和工况数据，得到输电线路的净空距离，并基于净空距离，确定输电线路与下方跨越物的距离是否满足预设要求，从而实现输电线路安全距离风险评估。
进一步的，本申请基于机巡信息、工况数据和数据集，得到的半参数回归模型，可以结合机巡信息、工况数据去计算得到输电线路与下方跨越物在不同工况下的净空距离，从而更加准确的确定输电线路与下方跨越物的距离是否满足预设安全距离。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的基于无人机巡检的输电线路安全距离风险评估方法流程图；
图2为本申请实施例提供的一种目标输电线路与下方跨越物的位置关系示意图；
图3为本申请实施例提供的一种计算目标输电线路最大弧垂的方法流程图；
图4为本申请实施例提供的一种获取半参数回归模型的方法流程图；
图5为本申请实施例提供的一种计算净空距离的方法流程图；
图6为本申请实施例提供的一种输电线路聚类的方法流程图；
图7为本申请实施例提供的一种可选的聚类的方法流程图；
图8为本申请实施例提供的一种基于无人机巡检的输电线路安全距离风险评估装置结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种基于无人机巡检的输电线路安全距离风险评估方法流程图，参考图1，该方法包括以下步骤：
步骤S100、获取机巡信息和工况数据。
其中，上述机巡信息是从无人机获取的目标输电线路的点云数据中得到的信息，工况数据为目标输电线路自身参量的参量值和周边环境参量的参量值。
具体的，通过无人机对输电线路进行巡检，可以得到包含有目标输电线路的点云数据的机巡信息，机巡信息中包含有输电线路的点云数据，通过对点云数据进行分析，可以得到目标输电线路的相关信息，如目标输电线路的档距、悬挂点高度差、底部障碍物的位置以及底部障碍物的高度等与目标输电线路有关的信息。其中，点云数据的获取有多种方式，可以通过激光雷达扫描技术获得点云数据；还可以通过倾斜摄影技术获得点云数据。
目标输电线路的工况数据中，可以分为自身参量的参量值和周围环境参量的参量值。自身参量可以包括目标输电线路的导线型号、数据采集时的导线温度、运行时常和运行电流等与输电线路自身相关参量的参量值；周围环境参量可以包括目标输电线路所处地形、太阳辐射强度、环境温度、环境风速和风向等。其中，目标输电线路所处地形可以包括平原、丘陵、山地、水田、高山和河流等。
进一步的，通过目标输电线路的导线型号，还可以获取导线的弹性系数、破断应力、每千米电阻、单位长度重量和外径等信息。
步骤S101、基于机巡信息，计算得到目标输电线路的最大弧垂。
具体的，通过对机巡信息中目标输电线路的点云数据进行分析，可以获取目标输电线路的相关信息，以计算得到目标输电线路的最大弧垂。
步骤S102、将机巡信息、工况数据和目标输电线路的最大弧垂整合，得到目标输电线路的数据集。
具体的，通过将机巡信息、工况数据和上述步骤中计算得到的目标输电线路的最大弧垂进行整合，形成目标输电线路的数据集。其中，整合的过程可以利用上述所有的机巡信息、工况数据和最大弧垂，组成目标输电线路的数据集，还可以从机巡信息和工况数据中挑选部分数据或信息，用于组成目标输电线路的数据集。
示例如，目标输电线路为第i档输电线路，则从机巡数据中提取第i输电线路的点云数据进行分析，可以得到悬挂点档距
Figure 584245DEST_PATH_IMAGE001
、悬挂点高差
Figure 754326DEST_PATH_IMAGE002
，利用第i档输电线路相关信息，可以计算得到第i档输电线路的最大弧垂
Figure 525973DEST_PATH_IMAGE003
。另外，从第i档输电线路的工况数据中，可以得到：第i档线路的导线型号
Figure 663562DEST_PATH_IMAGE004
，数据采集时的导线温度
Figure 483751DEST_PATH_IMAGE005
、运行时常
Figure 836235DEST_PATH_IMAGE006
、运行电流
Figure 467198DEST_PATH_IMAGE007
、所处地形
Figure 905133DEST_PATH_IMAGE008
、太阳辐射强度
Figure 529012DEST_PATH_IMAGE009
、环境温度
Figure 736003DEST_PATH_IMAGE010
、环境风速
Figure 36403DEST_PATH_IMAGE011
和风向
Figure 961634DEST_PATH_IMAGE012
。基于此，第i档输电线路的数据集可以是
Figure 123625DEST_PATH_IMAGE013
。
步骤S103、基于机巡信息、工况数据和数据集，得到半参数回归模型。
具体的，基于已获取的机巡信息和工况数据，针对得到的目标输电线路的数据集，利用参数回归和半参数回归的方法，将半参数部分参数化处理，可以得到半参数回归模型。其中，该半参数回归模型可以反映已知和未知的信息，用于预测目标输电线路在不同工况下的弧垂。
本步骤中，利用获取的目标输电线路的机巡信息和工况数据，针对得到的目标输电线路的数据集，可以得到半参数回归模型，利用半参数回归模型可以计算目标输电线路在不同工况下的弧垂大小，从而得到更准确的弧垂数据。
步骤S104、基于机巡信息、工况数据和半参数回归模型，计算得到净空距离。
其中，上述净空距离为输电线路与下方跨越物的距离。
具体的，通过机巡信息，可以得到目标输电线路下方是否存在跨越物，当存在跨越物时，可以得到跨越物的具体位置以及跨越物的高度。基于工况数据和半参数回归模型，可以计算得到目标输电线路各个点的预测弧垂。
利用跨越物的具体位置、跨越物的高度、目标输电线路的档距、杆塔高度，和计算得到的目标输电线路各个点的预测弧垂，可以计算得到目标输电线路与下方每个跨越物的距离，从而得到目标输电线路的净空距离。
示例如，图2为本申请实施例提供的一种目标输电线路与下方跨越物的位置关系示意图，参考图2，可以得到目标输电线路的档距
Figure 450701DEST_PATH_IMAGE014
、杆塔1的高度
Figure 160818DEST_PATH_IMAGE015
、杆塔2的高度
Figure 573345DEST_PATH_IMAGE016
、跨越物K的高度
Figure 539026DEST_PATH_IMAGE017
、跨越物K与杆塔1的距离
Figure 720609DEST_PATH_IMAGE018
，并且基于工况数据和半参数回归模型，可以计算得到跨越物K上方输电线路的预测弧垂
Figure 362812DEST_PATH_IMAGE019
。基于此，计算目标输电线路与下方跨越物K的距离
Figure 934739DEST_PATH_IMAGE020
的公式可以是：
Figure 500849DEST_PATH_IMAGE021
步骤S105、基于净空距离，确定目标输电线路与下方跨越物的距离是否满足预设安全距离。
具体的，通过上述步骤，可以得到目标输电线路的净空距离，此时，可以从得到的目标输电线路的净空距离中选取最小净空距离，来确定目标输电线路与下方跨越物的距离是否满足安全距离。其中，安全距离可以根据目标输电线路所处地区来确定，计算得到的净空距离需要大于设定的安全距离，以避免出现安全问题。
示例如，安全距离可以根据目标输电线路所处的地区来进行设定，如表1所示，表1中列举了目标输电线路所处地区对应的安全距离。
表1
Figure 490933DEST_PATH_IMAGE022
除此之外，在得到输电线路当前的净空距离时，还可以根据当前的净空距离和输电线路的电压等级来判断当前的隐患等级，其中，隐患等级可以分为：紧急、重大和一般。
示例如，当输电线路下方的跨域物为树木时，可以结合净空距离所处的范围和输电线路的电压等级来进行确定，如表2所示，表2中列举了当跨越物为树木时，目标输电线路触发紧急、重大和一般三种情况的对应条件。
表2
Figure 117087DEST_PATH_IMAGE023
从上述的技术方案可以看出，本申请实施例提供的一种基于无人机巡检的输电线路安全距离风险评估方法，通过获取机巡信息和工况数据，并基于机巡信息，计算得到输电线路的最大弧垂，将获取的工况数据和计算得到的最大弧垂整合，得到输电线路的数据集，基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，并基于所述机巡信息、工况数据和所述半参数回归模型，计算得到净空距离，所述净空距离为输电线路与下方跨越物的距离，基于净空距离，确定输电线路与下方跨越物的距离是否满足预设安全距离。本申请可以利用机巡信息和工况数据，得到输电线路的净空距离，并基于净空距离，确定输电线路与下方跨越物的距离是否满足预设要求，从而实现输电线路安全距离风险评估。
进一步的，本申请基于机巡信息、工况数据和数据集，得到的半参数回归模型，可以结合机巡信息、工况数据去计算得到输电线路与下方跨越物在不同工况下的净空距离，从而更加准确的确定输电线路与下方跨越物的距离是否满足预设安全距离。
在本申请的一些实施例中，对于上述步骤S101、基于机巡信息，计算得到目标输电线路的最大弧垂的过程进行介绍。
如图3所示，图3为本申请实施例提供的一种计算目标输电线路最大弧垂的方法流程图，该方法可以包括以下步骤：
步骤S200、基于机巡信息，从目标输电线路上均匀选取多个点。
具体的，通过获取机巡信息中目标输电线路的点云数据，针对获取的目标输电线路的点云数据，在目标输电线路上均匀选取多个点。
步骤S201、获取被选取的点与预设参考点的距离，以及每个点对应的弧垂。
具体的，先针对获取的目标输电线路的点云数据，确定预设参考点，获取上述步骤中均匀选取的多个点与预设参考点的水平距离。并通过目标输电线路的点云数据，获取每个点对应的弧垂。
步骤S202、利用被选取的点与预设参考点的距离，以及每个点对应的弧垂，生成弧垂点集。
步骤S203、根据弧垂的悬链线特性，对弧垂点集进行三阶曲线拟合。
具体的，根据悬链线特性，可以使用三阶曲线拟合的方式对上述步骤生成的弧垂点集进行拟合，得到对应的曲线。
步骤S204、基于三阶曲线拟合得到的曲线，得到输电线路的最大弧垂。
示例如，假定上述实施例中的目标输电线路为第i档输电线路，可以先在第i档输电线路上均匀选取1000个点，同时设定杆塔1的底部为参考点。此时，可以获取选取的1000个点与杆塔1底部的水平距离
Figure 176309DEST_PATH_IMAGE024
,以及每个点对应的弧垂
Figure 546111DEST_PATH_IMAGE025
，并组建第i档输电线路对应的弧垂点集
Figure 889236DEST_PATH_IMAGE026
，再对弧垂点集进行三阶曲线拟合
Figure 686291DEST_PATH_IMAGE027
，由此，可以取最大弧垂为
Figure 232810DEST_PATH_IMAGE028
。
其中，上述w是对弧垂点集进行三阶曲线拟合得到的各次幂对应的权重，
Figure 140723DEST_PATH_IMAGE030
是零次幂对应的权重，
Figure 836890DEST_PATH_IMAGE032
是一次幂对应的权重，
Figure 804846DEST_PATH_IMAGE034
是二次幂对应的权重，
Figure 838661DEST_PATH_IMAGE036
是第i档输电线路的档距。
由于目标输电线路的点云数据中，可能会存在一定的信号噪声，且在对点云数据进行预处理的过程中，也可能会引入新的噪声，再加上复杂环境等不确定因素带来的干扰，会给弧垂数据分析带来影响。本申请实施例中的技术方案，通过在点云数据中的目标输电线路上均匀的选取多个点，并利用每个点与参考点的距离和每个点的弧垂，组成对应的弧垂点集，从而通过三阶曲线拟合得到曲线，得到最大弧垂，相比于对获取的目标输电线路通过位置分析，去获取最大弧垂，可以一定程度上排除信号噪声和复杂环境等不确定性因素带来的干扰。
进一步的，在步骤S204之前，还可以基于三阶曲线拟合得到的曲线，剔除与该曲线的距离超过预设阈值的异常点。
在本申请的一些实施例中，对上述步骤S103、基于机巡信息、工况数据和数据集，得到半参数回归模型的过程进行介绍。
一种可选的方式中，基于机巡信息、工况数据和数据集，得到半参数回归模型的过程，可以参见图4所示，图4为本申请实施例提供的一种获取半参数回归模型的方法流程图，该方法可以包括以下步骤：
步骤S300、基于数据集，构建初始半参数回归模型。
具体的，可以基于所述数据集，构建初始半参数回归模型，用于计算预测弧垂，初始半参数回归模型可以是：
Figure 737216DEST_PATH_IMAGE037
其中，
Figure 602404DEST_PATH_IMAGE038
为目标输电线路中的预测弧垂，
Figure 678944DEST_PATH_IMAGE039
为已知的弧垂机理模型，
Figure 262373DEST_PATH_IMAGE040
为目标输电线路的数据集，
Figure 466083DEST_PATH_IMAGE041
为
Figure 123460DEST_PATH_IMAGE040
与
Figure 433219DEST_PATH_IMAGE038
之间的回归系数，
Figure 690894DEST_PATH_IMAGE042
为未知光滑函数，
Figure 681984DEST_PATH_IMAGE043
为非参数变量，
Figure 521764DEST_PATH_IMAGE044
为独立同分布零均值随机误差。
上述初始半参数回归模型中，
Figure 705488DEST_PATH_IMAGE039
可以使用现有的悬链线模型、抛物线模型或者状态方程模型。
当
Figure 263508DEST_PATH_IMAGE039
选择悬链线模型时，悬链线模型可以是：
Figure 792709DEST_PATH_IMAGE045
其中，
Figure 673947DEST_PATH_IMAGE046
为综合比载是
Figure 591087DEST_PATH_IMAGE047
、目标输电线路的温度为
Figure 308507DEST_PATH_IMAGE048
时的水平应力，
Figure 703717DEST_PATH_IMAGE047
为目标输电线路的综合比载，
Figure 206504DEST_PATH_IMAGE049
为目标输电线路上待求点与参考点的水平距离，
Figure 28967DEST_PATH_IMAGE050
为目标输电线路最低点到预设悬挂点间垂直于荷载方向的投影。
上述悬链线模型中的
Figure 233683DEST_PATH_IMAGE050
可以通过下述公式计算得到：
Figure 432583DEST_PATH_IMAGE051
其中，
Figure 288413DEST_PATH_IMAGE014
为目标输电线路的档距，
Figure 281777DEST_PATH_IMAGE046
为综合比载是
Figure 973789DEST_PATH_IMAGE047
、目标输电线路的温度为
Figure 710801DEST_PATH_IMAGE048
时的水平应力，
Figure 919672DEST_PATH_IMAGE047
为目标输电线路的综合比载，
Figure 349516DEST_PATH_IMAGE052
为目标输电线路两端悬挂点的高度差。
步骤S301、基于机巡信息和工况数据，对初始半参数回归模型的参数部分进行求解，得到参数部分的残差。
具体的，利用多元线性回归模型，基于机巡信息和工况数据，可以求解参数部分
Figure 528825DEST_PATH_IMAGE053
，得到测量值
Figure 990899DEST_PATH_IMAGE054
和估计值
Figure 634370DEST_PATH_IMAGE055
之间的残差
Figure 907220DEST_PATH_IMAGE056
。
步骤S302、基于残差，计算得到半参数回归模型。
具体的，根据上述步骤得到的残差，可以进一步得到对应的残差分布，对残差进行正态分布检验，最终求解得到半参数回归模型中的未知函数
Figure 636141DEST_PATH_IMAGE057
，然后将
Figure 403371DEST_PATH_IMAGE057
带入初始半参数回归模型中，求解得到参数
Figure 901349DEST_PATH_IMAGE041
，在通过半参数回归模型回归得到
Figure 610679DEST_PATH_IMAGE044
，从而可以得到半参数回归模型。
进一步的，在上述步骤S302中，获取到残差之后，可以计算得到残差对应的残差的均值
Figure 561317DEST_PATH_IMAGE058
和标准差
Figure 630773DEST_PATH_IMAGE059
，同时，选择Gauss函数对残差进行拟合，可以得到未知光滑函数的公式：
Figure 983257DEST_PATH_IMAGE060
将得到的
Figure 863488DEST_PATH_IMAGE057
带入初始半参数回归模型中，求解得到参数
Figure 301423DEST_PATH_IMAGE041
，在通过半参数回归模型回归得到
Figure 413385DEST_PATH_IMAGE044
，从而可以得到半参数回归模型。
在本申请的一些实施例中，对上述步骤S104、基于机巡信息、工况数据和半参数回归模型，计算得到净空距离的过程进行介绍。
如图5所示，图5为本申请实施例提供的一种计算净空距离的方法流程图，该方法可以包括以下步骤：
步骤S400、从工况数据中选取同一类型参量的各参量值，并依据同一类型参量的各参量值，生成同一类型参量的概率分布。
具体的，工况数据中会存储有不同类型参量的各参量值，本步骤中可以从中选取同一类型参量的各参量值，生成同一类型参量的概率分布。其中，可以选取一个同一类型参量的各参量值，并依据各参量值，生成该类型参量的概率分布；也可以选取一个以上的同一类型参量的参量值，并依据每个类型参量各自的参量值，生成与每个类型参量对应的概率分布。
示例如，从工况数据中选取环境风速
Figure 823638DEST_PATH_IMAGE061
和导线温度
Figure 937087DEST_PATH_IMAGE062
这两个参量，并获取对应的各参量值，然后可以基于环境风速
Figure 49269DEST_PATH_IMAGE063
的各参量值，生成环境风速
Figure 273577DEST_PATH_IMAGE061
对应的概率分布
Figure 272757DEST_PATH_IMAGE064
，同时，基于导线温度
Figure 557108DEST_PATH_IMAGE062
的各参量值，生成导线温度
Figure 658050DEST_PATH_IMAGE065
对应的概率分布
Figure 623732DEST_PATH_IMAGE066
。
步骤S401、基于同一类型参量的概率分布，从同一类型参量的各参量值中选取一个目标参量值。
具体的，通过上述步骤，可以得到同一类型参量的概率分布，针对得到的同一类型参量的概率分布，可以使用蒙特卡洛采样模拟方法进行随机抽样，从同一类型的各参量值中选取一个目标参量值。
示例如，通过上述步骤得到环境风速
Figure 805314DEST_PATH_IMAGE067
对应的概率分布
Figure 181938DEST_PATH_IMAGE064
和导线温度
Figure 81761DEST_PATH_IMAGE068
对应的概率分布
Figure 585555DEST_PATH_IMAGE066
。此时，可以采用蒙特卡洛采样模拟方法，对概率分布
Figure 887223DEST_PATH_IMAGE064
进行随机抽样得到
Figure 933283DEST_PATH_IMAGE069
；对概率分布
Figure 320402DEST_PATH_IMAGE066
进行随机抽样得到
Figure 627887DEST_PATH_IMAGE070
。
步骤S402、基于选取的目标参量值，利用半参数回归模型，计算得到目标输电线路各个点的预估弧垂。
具体的，将上述步骤中选取的目标参量值，代入半参数回归模型中，可以得到在工况为当前选取的目标参量值的情况下，目标输电线路上各个点的预估弧垂。
示例如，采用蒙特卡洛采样模拟方法，对概率分布
Figure 518482DEST_PATH_IMAGE064
进行随机抽样得到
Figure 502488DEST_PATH_IMAGE069
；对概率分布
Figure 111323DEST_PATH_IMAGE066
进行随机抽样得到
Figure 222499DEST_PATH_IMAGE070
，可以组成抽样工况
Figure 921596DEST_PATH_IMAGE071
，将组成的抽样工况
Figure 889552DEST_PATH_IMAGE071
的情况下，各个点的预估弧垂。
步骤S403、基于机巡信息和目标输电线路各个点的预估弧垂，计算得到净空距离。
具体的，通过上述步骤可以得到目标输电线路上各个点的预测弧垂，再通过对机巡信息中的目标输电线路的点云数据进行分析，可以确定目标输电线路下方跨越物的位置
Figure 923367DEST_PATH_IMAGE018
和高度信息
Figure 634971DEST_PATH_IMAGE017
，此时，需要获取跨越物所处位置上方的输电线路的弧垂
Figure 687109DEST_PATH_IMAGE019
。
在确定目标输电线路下方跨越物的位置
Figure 825967DEST_PATH_IMAGE018
和高度信息
Figure 347078DEST_PATH_IMAGE017
，以及跨越物所处位置上方的输电线路的弧垂
Figure 596794DEST_PATH_IMAGE019
之后，参考图2，可以使用净空距离计算公式对净空距离
Figure 261694DEST_PATH_IMAGE020
进行计算：
Figure 571452DEST_PATH_IMAGE072
其中，
Figure 579860DEST_PATH_IMAGE014
为档距、
Figure 633266DEST_PATH_IMAGE015
为杆塔1的高度、
Figure 659997DEST_PATH_IMAGE016
为杆塔2的高度。
在上述实施例中，对半参数回归模型的计算，只是在目标输电线路的数据集的基础上进行的，所获取的数据量较少，对模型的准确性会产生影响。为进一步提升半参数回归模型计算预估弧垂的准确性，可以在获取每个输电线路的数据集之后，先采用聚类的方式，将所有输电线路进行聚类，得到输电线路优化后的数据集，再利用优化后的数据集进行半参数回归模型的计算，从而得到更加准确的半参数回归模型。
下面结合附图，对输电线路聚类的过程进行介绍，如图6所示，图6为本申请实施例提供的一种输电线路聚类的方法流程图，该方法可以包括以下步骤：
步骤S500、获取除目标输电线路以外的其它每个输电线路的数据集。
具体的，通过本申请的实施例中的目标输电线路的数据集获取步骤，可以相应的获取除目标输电线路以外的其他每个输电线路的数据集。
步骤S501、基于目标输电线路、其它每个输电线路的数据集，生成目标输电线路、其它每个输电线路对应的数据子集。
具体的，在获取目标输电线路、其他每个输电线路的数据集之后，可以生成目标输电线路、其他每个输电线路各自对应的数据子集。
其中，数据子集中的参量选取是在数据集的范围内进行。参量的选取可以根据参量的各参量值的波动情况进行选取，比如，档距
Figure 140657DEST_PATH_IMAGE001
中各个参量值几乎一致，而风速
Figure 370781DEST_PATH_IMAGE069
中各参量值可能会存在很大波动。一般情况下，可以选用参量值波动较小的参量放入数据子集，便于后续进行聚类。
示例如，假设目标输电线路为第6档输电线路，在获取第i档输电线路的数据集
Figure 227879DEST_PATH_IMAGE073
之后，可以在该数据集
Figure 610581DEST_PATH_IMAGE074
的基础上得到目标输电线路的数据子集
Figure 262142DEST_PATH_IMAGE075
，类似的，还可以得到其他每个输电线路的数据子集，如
Figure 245141DEST_PATH_IMAGE076
、
Figure 640351DEST_PATH_IMAGE077
、…、
Figure 376094DEST_PATH_IMAGE078
。
步骤S502、将各数据子集整合，生成样本集。
具体的，通过上述步骤可以得到每个输电线路的数据子集，以每个输电线路的数据子集作为一个整体，生成样本集。
示例如，在得到每个输电线路的数据子集之后，可以生成样本集
Figure 401819DEST_PATH_IMAGE079
。其中，上述数据子集可以是
Figure 668852DEST_PATH_IMAGE080
、
Figure 553238DEST_PATH_IMAGE081
、…、
Figure 956538DEST_PATH_IMAGE082
。
步骤S503、对样本集中的数据子集进行聚类，得到若干个聚类簇。
具体的，对样本集中的数据子集进行聚类，得到若干个聚类簇的方式可以有多种，具体可参照下述实施例，此处不做展开。
步骤S504、确定目标聚类簇，并将所述目标聚类簇中的每个数据子集对应的输电线路的数据集进行整合，得到优化后的数据集。
具体的，通过上述步骤得到若干个聚类簇，可以从中确定目标输电线路的数据集生成的数据子集所处的聚类簇作为目标聚类簇，再将目标聚类簇中的每个数据子集对应的输电线路的数据集进行整合，可以得到目标输电线路的优化后的数据集。
示例如，有5档输电线路，且第3档输电线路为目标输电线路，先对这5档输电线路对应的数据子集生成的样本集
Figure 153164DEST_PATH_IMAGE083
进行聚类，假设得到两个聚类簇
Figure 907493DEST_PATH_IMAGE084
和
Figure 831456DEST_PATH_IMAGE085
，其中，聚类簇
Figure 354841DEST_PATH_IMAGE084
中包含第1和4档输电线路对应的数据子集，
Figure 722369DEST_PATH_IMAGE086
；聚类簇
Figure 698415DEST_PATH_IMAGE085
中包含第2、3和5档输电线路对应的数据子集，
Figure 927533DEST_PATH_IMAGE087
。此时，由于第3档输电线路为目标输电线路，所以可以将包含数据子集
Figure 571004DEST_PATH_IMAGE088
的聚类簇
Figure 843854DEST_PATH_IMAGE085
定为目标聚类簇，并将聚类簇
Figure 759726DEST_PATH_IMAGE085
中的每个数据子集
Figure 776223DEST_PATH_IMAGE089
、
Figure 965546DEST_PATH_IMAGE088
和
Figure 409297DEST_PATH_IMAGE090
对应的输电线路的数据集
Figure 625515DEST_PATH_IMAGE091
、
Figure 694971DEST_PATH_IMAGE092
和
Figure 985138DEST_PATH_IMAGE093
进行整合，得到目标输电线路的优化后的数据集
Figure 927686DEST_PATH_IMAGE094
。
通过本步骤中的可以得到目标输电线路的优化后的数据集
Figure 54036DEST_PATH_IMAGE094
，相比于原有的数据集
Figure 474653DEST_PATH_IMAGE092
，可以包含更多的参量值。此时，上述方案中基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型的过程，可以包括：基于所述机巡信息、所述工况数据和所述目标输电线路的优化后的数据集，得到半参数回归模型。利用上述步骤中获取的目标输电线路的优化后的数据集，去计算得到半参数回归模型，在参量值数据增多的基础上，可以使得半参数回归模型计算更加准确。
对于上述实施例中对所述样本集中的数据子集进行聚类，得到若干个聚类簇的方式可以有多种，本实施例中介绍几种可选的实现方式，如下：
第一种、可以采用谱聚类的方法对样本集中的数据子集进行聚类，得到若干个聚类簇。
如图7所示，图7为本申请实施例提供的一种可选的聚类的方法流程图，在样本集为
Figure 884906DEST_PATH_IMAGE095
时，该方法可以包括以下步骤：
步骤S600、通过计算样本集中各个数据子集之间的权重，得到邻接矩阵。
具体的，在得到样本集
Figure 732776DEST_PATH_IMAGE095
之后，将
Figure 844957DEST_PATH_IMAGE096
看作是点
Figure 69265DEST_PATH_IMAGE097
、点
Figure 334025DEST_PATH_IMAGE098
、…、点
Figure 618375DEST_PATH_IMAGE099
，再结合输电线路的连接方式将这些不同的点连接，可以得到无向权重图
Figure 716388DEST_PATH_IMAGE100
，其中
Figure 478808DEST_PATH_IMAGE101
为样本集
Figure 598073DEST_PATH_IMAGE101
中所有的点，如点
Figure 53326DEST_PATH_IMAGE097
、点
Figure 140099DEST_PATH_IMAGE098
、…、点
Figure 643893DEST_PATH_IMAGE099
，
Figure 679982DEST_PATH_IMAGE102
为样本集
Figure 994551DEST_PATH_IMAGE101
中每个点对应的边的集合。
获取邻接矩阵的方式可以采用全连接法，在采用全连接法的过程中，可以选择不同的核函数来定义边权重，比如，多项式核函数、高斯核函数和Sigmoid核函数等。
下面对使用高斯核函数定义权重的过程进行介绍，利用高斯核函数定义边权重
Figure 381670DEST_PATH_IMAGE103
为点
Figure 423575DEST_PATH_IMAGE104
和点
Figure 579750DEST_PATH_IMAGE105
之间的权重，可以得到：
Figure 563755DEST_PATH_IMAGE106
从而可以得到样本集对应的邻接矩阵
Figure 110274DEST_PATH_IMAGE107
：
Figure 283767DEST_PATH_IMAGE108
其中，
Figure 997512DEST_PATH_IMAGE109
表示对称项。
步骤S601、基于所述邻接矩阵，得到度矩阵，并构建拉普拉斯矩阵。
具体的，通过得到的邻接矩阵，可以得到
Figure 965468DEST_PATH_IMAGE110
：
Figure 999283DEST_PATH_IMAGE111
其中，
Figure 445308DEST_PATH_IMAGE110
为与点
Figure 763026DEST_PATH_IMAGE112
相连的所有边权重之和。
通过上述方式可以得到
Figure 901883DEST_PATH_IMAGE113
，从而得到对应的度矩阵：
Figure 422994DEST_PATH_IMAGE114
通过上述步骤可以得到邻接矩阵
Figure 672710DEST_PATH_IMAGE107
和度矩阵
Figure 346399DEST_PATH_IMAGE115
，利用得到的邻接矩阵
Figure 656158DEST_PATH_IMAGE107
和度矩阵
Figure 664565DEST_PATH_IMAGE115
可以得到拉普拉斯矩阵
Figure 904922DEST_PATH_IMAGE116
：
Figure 744702DEST_PATH_IMAGE117
步骤S602、基于度矩阵和拉普拉斯矩阵，构建标准化后的拉普拉斯矩阵。
具体的，将上述步骤得到的拉普拉斯矩阵进行标准化后，可以得到标准化后的拉普拉斯矩阵
Figure 163045DEST_PATH_IMAGE118
。
步骤S603、计算标准化后的拉普拉斯矩阵的特征值，并从中选取一个或多个特征值。
具体的，可以将上述步骤中得到的无向权重图，切分为互相没有连接的k个子图
Figure 455486DEST_PATH_IMAGE119
，可以得到对应的子集
Figure 998070DEST_PATH_IMAGE119
，其中，各个子图满足
Figure 692356DEST_PATH_IMAGE120
，且
Figure 281601DEST_PATH_IMAGE121
。
切分无向权重图的方法有多种，比如RatioCut切图法和Ncut切图法。采用切图法对无向权重图进行切分，其目的是为了让彼此之间联系不大的点分割开以实现聚类，可以通过切断权重较小的边，保留权重较大的边的方式来实现。
下面以RatioCut切图法为例对切图的过程进行介绍：
假设需要将无向权重图切分为k个子图
Figure 326917DEST_PATH_IMAGE119
，采用RatioCut切图法可以得到：
Figure 909077DEST_PATH_IMAGE122
其中，
Figure 395553DEST_PATH_IMAGE123
为子集
Figure 483595DEST_PATH_IMAGE124
的补集，
Figure 439044DEST_PATH_IMAGE125
为子集
Figure 372365DEST_PATH_IMAGE124
中点的个数。
Figure 978926DEST_PATH_IMAGE126
此时，可以引入子集
Figure 237869DEST_PATH_IMAGE124
的指示向量
Figure 913570DEST_PATH_IMAGE127
，得到
Figure 916161DEST_PATH_IMAGE128
，
Figure 377230DEST_PATH_IMAGE129
，对于任意一个向量
Figure 541495DEST_PATH_IMAGE130
，是一个n维向量，其中，n为样本集中数据子集的个数，可以定义
Figure 474465DEST_PATH_IMAGE131
：
Figure 15168DEST_PATH_IMAGE132
可以得到
Figure 330743DEST_PATH_IMAGE133
：
Figure 931489DEST_PATH_IMAGE134
其中，
Figure 581782DEST_PATH_IMAGE123
为子集
Figure 926175DEST_PATH_IMAGE124
的补集，
Figure 361836DEST_PATH_IMAGE135
为子集
Figure 556319DEST_PATH_IMAGE124
中点的个数。
结合上述步骤，可以得到：
Figure 772537DEST_PATH_IMAGE136
其中，tr为迹。
因此，RatioCut切图法，可以是最小化
Figure 592725DEST_PATH_IMAGE137
，其中，
Figure 945209DEST_PATH_IMAGE138
，则此时，切图优化目标为：
Figure 809129DEST_PATH_IMAGE139
若令
Figure 184747DEST_PATH_IMAGE140
，则
Figure 870943DEST_PATH_IMAGE141
，
Figure 763419DEST_PATH_IMAGE142
，则此时，切图优化的目标转变为了：
Figure 876869DEST_PATH_IMAGE143
此时，可以计算
Figure 739782DEST_PATH_IMAGE118
的特征值，并从特征值中选取一个或多个特征向量。其中，可以将计算得到的特征值按照从小到大的顺序进行排序，选取时可以按照从小到大的顺序进行选取。
步骤S604、计算选取的一个或多个特征值对应的特征向量，利用特征向量组成新的矩阵。
具体的，通过上述步骤选取得到一个或多个特征值，根据选取的特征值计算得到每个特征值对应的特征向量
Figure 964090DEST_PATH_IMAGE144
，并组成新的矩阵。
步骤S605、对新的矩阵按行标准化，得到特征矩阵。
具体的，将得到的新的矩阵按行进行标准化，得到特征矩阵
Figure 478117DEST_PATH_IMAGE145
。
步骤S606、将特征矩阵中的每一行作为一个样本进行聚类，得到若干个聚类簇。
具体的，本步骤中，可以采用K-Means聚类方法进行聚类，预先确定需要得到的聚类簇的数量，可以得到对应数量的聚类簇。
示例如，步骤S604-S606中，可以将根据从小到大的顺序选取的
Figure 762468DEST_PATH_IMAGE146
个特征值计算得到每个特征值对应的特征向量
Figure 847099DEST_PATH_IMAGE144
，组成新的矩阵，再将得到的新的矩阵按行标准化，得到
Figure 875098DEST_PATH_IMAGE147
维的特征矩阵
Figure 745096DEST_PATH_IMAGE145
，将特征矩阵
Figure 200348DEST_PATH_IMAGE145
中的每一行作为一个
Figure 37854DEST_PATH_IMAGE146
维的样本，可以得到n个样本，采用K-Means聚类方法进行聚类，预先确定聚类簇的数量为
Figure 603964DEST_PATH_IMAGE148
，最终可以得到
Figure 827004DEST_PATH_IMAGE148
个聚类簇
Figure 390841DEST_PATH_IMAGE149
。
第二种、可以直接采用K-Means的方法对样本集中的数据子集进行聚类，得到若干个聚类簇。
具体的，从样本集中随机的选取预设数量的数据子集，所选择的数据子集都代表了一个聚类簇的平均值或中心，对剩余的每个数据子集，根据其与各聚类簇中心的距离，将它赋给最近的聚类簇，然后重新计算每个聚类簇的平均值，这个过程不断重复，直到准则函数收敛，最终实现聚类。
下面对本申请实施例提供的一种基于无人机巡检的输电线路安全距离风险评估装置进行描述，下文描述的一种基于无人机巡检的输电线路安全距离风险评估装置与上文描述的一种基于无人机巡检的输电线路安全距离风险评估方法可相互对应参照。
图8为本申请实施例提供的一种基于无人机巡检的输电线路安全距离风险评估装置结构示意图，如图8所示，基于无人机巡检的输电线路安全距离风险评估装置可以包括：
数据获取模块10，用于获取机巡信息和工况数据，所述机巡信息是从无人机获取的目标输电线路的点云数据中得到的信息，所述工况数据为目标输电线路自身参数和周边环境参数；
最大弧垂计算模块20，用于基于所述机巡信息，计算得到目标输电线路的最大弧垂；
数据整合模块30，用于将所述工况数据和所述目标输电线路的最大弧垂整合，得到目标输电线路的数据集；
模型构建模块40，用于基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，所述半参数回归模型用于计算预测弧垂；
净空距离计算模块50，用于基于所述机巡信息、所述工况数据和所述半参数回归模型，计算得到净空距离，所述净空距离为输电线路与下方跨越物的距离；
安全距离评估模块60，用于基于所述净空距离，确定目标输电线路与下方跨越物的距离是否满足预设安全距离。
从上述的技术方案可以看出，本申请实施例提供的一种基于无人机巡检的输电线路安全距离风险评估装置，由于，本申请可以利用机巡信息和工况数据，得到输电线路的净空距离，并基于净空距离，确定输电线路与下方跨越物的距离是否满足预设要求，从而实现输电线路安全距离风险评估。
进一步的，本申请基于机巡信息、工况数据和数据集，得到的半参数回归模型，可以结合机巡信息、工况数据去计算得到输电线路与下方跨越物在不同工况下的净空距离，从而更加准确的确定输电线路与下方跨越物的距离是否满足预设安全距离。
可选的，基于无人机巡检的输电线路安全距离风险评估装置，还可以包括：
数据集获取模块，用于获取除所述目标输电线路以外的其它每个输电线路的数据集；
数据子集生成模块，用于基于所述目标输电线路、所述其它每个输电线路的数据集，生成所述目标输电线路、所述其它每个输电线路各自对应的数据子集；
样本集生成模块，用于将各所述数据子集整合，生成样本集；
聚类模块，用于通过谱聚类对所述样本集中的数据子集进行聚类，得到若干个聚类簇；
数据集生成模块，用于确定基于所述目标输电线路的数据集生成的数据子集所处的目标聚类簇，并将所述目标聚类簇中的各个数据子集对应的输电线路的数据集进行整合，得到目标输电线路的优化后的数据集；
则，所述模型构建模块，还可以用于基于所述机巡信息、所述工况数据和所述目标输电线路的优化后的数据集，得到半参数回归模型。
可选的，聚类模块，可以包括：
邻接矩阵构建单元，用于基于所述样本集，得到邻接矩阵；
拉普拉斯矩阵构建单元，用于基于所述邻接矩阵，得到度矩阵，并构建拉普拉斯矩阵；
标准化单元，用于基于所述度矩阵和所述拉普拉斯矩阵，构建标准化后的拉普拉斯矩阵；
特征值选取单元，用于计算所述标准化后的拉普拉斯矩阵的特征值，并从中选取一个或多个特征值；
矩阵构建单元，用于计算所述选取的一个或多个特征值对应的特征向量，利用所述特征向量组成新的矩阵；
特征矩阵构建单元，用于对所述新的矩阵按行标准化，得到特征矩阵；
聚类单元，用于将所述特征矩阵中的每一行作为一个样本进行聚类，得到若干个聚类簇。
可选的，最大弧垂计算模块20，可以包括：
选点单元，用于基于所述机巡信息，从目标输电线路上均匀选取多个点；
各点数据获取单元，用于获取被选取的点与预设参考点的距离，以及每个点对应的弧垂；
弧垂点集生成单元，用于利用被选取的点与预设参考点的距离，以及每个点对应的弧垂，生成弧垂点集；
曲线拟合单元，用于根据弧垂的悬链线特性，对所述弧垂点集进行三阶曲线拟合；
计算单元，用于基于三阶曲线拟合得到的曲线，得到目标输电线路的最大弧垂。
可选的，最大弧垂计算模块20，还可以包括：
异常点剔除单元，用于基于三阶曲线拟合得到的曲线，剔除与所述曲线的距离超过预设阈值的异常点。
可选的，模型构建模块40，可以包括：
初始模型构建单元，用于基于所述数据集，构建初始半参数回归模型；
残差计算单元，用于基于所述机巡信息、所述工况数据，对所述初始半参数回归模型的参数部分进行求解，得到所述参数部分的残差；
模型确定单元，用于基于所述残差，计算得到半参数回归模型。
可选的，模型确定单元，可以包括：
残差处理子单元，用于计算残差的均值和标准差；
模型计算子单元，用于利用所述均值和标准差，计算得到半参数回归模型。
可选的，净空距离计算模块50，可以包括：
概率分布生成单元，用于从所述工况数据中选取同一类型参量的各参量值，并依据所述同一类型参量的各参量值，生成所述同一类型参量的概率分布；
目标参量值选取单元，用于基于所述同一类型参量的概率分布，从所述同一类型参量的各参量值中选取一个目标参量值；
预估弧垂计算单元，用于基于选取的目标参量值，利用所述半参数回归模型，计算得到目标输电线路各个点的预估弧垂；
净空距离计算单元，用于基于所述机巡信息和所述目标输电线路各个点的预估弧垂，计算得到净空距离。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以相互组合，且相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.基于无人机巡检的输电线路安全距离风险评估方法，其特征在于，包括：
获取机巡信息和工况数据，所述机巡信息是从无人机获取的目标输电线路的点云数据中得到的信息，所述工况数据为目标输电线路自身参量的参量值和周边环境参量的参量值；
基于所述机巡信息，计算得到目标输电线路的最大弧垂；
将所述机巡信息、所述工况数据和所述目标输电线路的最大弧垂整合，得到目标输电线路的数据集；
基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，所述半参数回归模型用于预测目标输电线路在不同工况下的弧垂；
基于所述机巡信息、所述工况数据和所述半参数回归模型，计算得到净空距离，所述净空距离为输电线路与下方跨越物的距离；
基于所述净空距离，确定目标输电线路与下方跨越物的距离是否满足预设安全距离；
所述基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，包括：
基于所述数据集，构建初始半参数回归模型：
Figure 463617DEST_PATH_IMAGE002
所述
Figure 813827DEST_PATH_IMAGE003
为目标输电线路中的预测弧垂，
Figure 841826DEST_PATH_IMAGE004
为已知的弧垂机理模型，
Figure 210359DEST_PATH_IMAGE005
为目标输电线路的数据集，
Figure 337715DEST_PATH_IMAGE006
为
Figure 424489DEST_PATH_IMAGE005
与
Figure 990599DEST_PATH_IMAGE003
之间的回归系数，
Figure 229951DEST_PATH_IMAGE007
为未知光滑函数，
Figure 777475DEST_PATH_IMAGE008
为非参数变量，
Figure DEST_PATH_IMAGE009
为独立同分布零均值随机误差；
其中，当
Figure 289228DEST_PATH_IMAGE004
为悬链线模型时；
Figure 659030DEST_PATH_IMAGE011
所述
Figure 487308DEST_PATH_IMAGE012
为综合比载是
Figure 471314DEST_PATH_IMAGE013
、目标输电线路的温度为t时的水平应力，
Figure 80150DEST_PATH_IMAGE013
为目标输电线路的综合比载，
Figure 191325DEST_PATH_IMAGE014
为目标输电线路上待求点与参考点的水平距离，
Figure 388957DEST_PATH_IMAGE015
为目标输电线路最低点到预设悬挂点间垂直于荷载方向的投影；
所述悬链线模型中的
Figure 356913DEST_PATH_IMAGE015
的公式计算为：
Figure 390728DEST_PATH_IMAGE016
所述
Figure DEST_PATH_IMAGE017
为目标输电线路的档距，
Figure 226966DEST_PATH_IMAGE012
为综合比载是
Figure 92154DEST_PATH_IMAGE013
、目标输电线路的温度为t时的水平应力，
Figure 417962DEST_PATH_IMAGE013
为目标输电线路的综合比载，h为目标输电线路两端悬挂点的高度差；
基于所述机巡信息、所述工况数据，对所述初始半参数回归模型的参数部分进行求解，得到所述参数部分的残差；
基于所述残差，计算得到半参数回归模型。
2.根据权利要求1所述的方法，其特征在于，所述基于所述残差，计算得到半参数回归模型，包括：
计算残差的均值和标准差；
利用所述均值和标准差，计算得到半参数回归模型。
3.根据权利要求1所述的方法，其特征在于，所述基于所述机巡信息、所述工况数据和所述半参数回归模型，计算得到净空距离，包括：
从所述工况数据中选取同一类型参量的各参量值，并依据所述同一类型参量的各参量值，生成所述同一类型参量的概率分布；
基于所述同一类型参量的概率分布，从所述同一类型参量的各参量值中选取一个目标参量值；
基于选取的目标参量值，利用所述半参数回归模型，计算得到目标输电线路各个点的预估弧垂；
基于所述机巡信息和所述目标输电线路各个点的预估弧垂，计算得到净空距离。
4.根据权利要求1所述的方法，其特征在于，所述基于所述机巡信息，计算得到目标输电线路的最大弧垂，包括：
基于所述机巡信息，从目标输电线路上均匀选取多个点；
获取被选取的点与预设参考点的距离，以及每个点对应的弧垂；
利用被选取的点与预设参考点的距离，以及每个点对应的弧垂，生成弧垂点集；
根据弧垂的悬链线特性，对所述弧垂点集进行三阶曲线拟合；
基于三阶曲线拟合得到的曲线，得到目标输电线路的最大弧垂。
5.根据权利要求4所述的方法，其特征在于，在基于三阶曲线拟合得到的曲线，得到目标输电线路的最大弧垂之前，还包括：
基于三阶曲线拟合得到的曲线，剔除与所述曲线的距离超过预设阈值的异常点。
6.根据权利要求1所述的方法，其特征在于，在将所述工况数据和所述目标输电线路的最大弧垂整合，得到目标输电线路的数据集之后，还包括：
获取除所述目标输电线路以外的其它每个输电线路的数据集；
基于所述目标输电线路、所述其它每个输电线路的数据集，生成所述目标输电线路、所述其它每个输电线路各自对应的数据子集；
将各所述数据子集整合，生成样本集；
对所述样本集中的数据子集进行聚类，得到若干个聚类簇；
确定基于所述目标输电线路的数据集生成的数据子集所处的目标聚类簇，并将所述目标聚类簇中的每个数据子集对应的输电线路的数据集进行整合，得到目标输电线路的优化后的数据集；
则，所述基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，包括：
基于所述机巡信息、所述工况数据和所述目标输电线路的优化后的数据集，得到半参数回归模型。
7.根据权利要求6所述的方法，其特征在于，所述对所述样本集中的数据子集进行聚类，得到若干个聚类簇，包括：
通过计算样本集中各个数据子集之间的权重，得到邻接矩阵；
基于所述邻接矩阵，得到度矩阵，并构建拉普拉斯矩阵；
基于所述度矩阵和所述拉普拉斯矩阵，构建标准化后的拉普拉斯矩阵；
计算所述标准化后的拉普拉斯矩阵的特征值，并从中选取一个或多个特征值；
计算所述选取的一个或多个特征值对应的特征向量，利用所述特征向量组成新的矩阵；
对所述新的矩阵按行标准化，得到特征矩阵；
将所述特征矩阵中的每一行作为一个样本进行聚类，得到若干个聚类簇。
8.基于无人机巡检的输电线路安全距离风险评估装置，其特征在于，包括：
数据获取模块，用于获取机巡信息和工况数据，所述机巡信息是从无人机获取的目标输电线路的点云数据中得到的信息，所述工况数据为目标输电线路自身参数和周边环境参数；
最大弧垂计算模块，用于基于所述机巡信息，计算得到目标输电线路的最大弧垂；
数据整合模块，用于将所述工况数据和所述目标输电线路的最大弧垂整合，得到目标输电线路的数据集；
模型构建模块，用于基于所述机巡信息、所述工况数据和所述数据集，得到半参数回归模型，所述半参数回归模型用于预测目标输电线路在不同工况下的弧垂；
净空距离计算模块，用于基于所述机巡信息、所述工况数据和所述半参数回归模型，计算得到净空距离，所述净空距离为输电线路与下方跨越物的距离；
安全距离评估模块，用于基于所述净空距离，确定目标输电线路与下方跨越物的距离是否满足预设安全距离；
所述模型构建模块，包括：
初始模型构建单元，用于基于所述数据集，构建初始半参数回归模型：
Figure 939073DEST_PATH_IMAGE001
所述
Figure 188789DEST_PATH_IMAGE003
为目标输电线路中的预测弧垂，
Figure 384451DEST_PATH_IMAGE004
为已知的弧垂机理模型，
Figure 631892DEST_PATH_IMAGE005
为目标输电线路的数据集，
Figure 702617DEST_PATH_IMAGE006
为
Figure 942974DEST_PATH_IMAGE005
与
Figure 720437DEST_PATH_IMAGE003
之间的回归系数，
Figure 201097DEST_PATH_IMAGE007
为未知光滑函数，
Figure 680489DEST_PATH_IMAGE008
为非参数变量，
Figure 475269DEST_PATH_IMAGE009
为独立同分布零均值随机误差；
其中，当
Figure 169556DEST_PATH_IMAGE004
为悬链线模型时；
Figure 8068DEST_PATH_IMAGE010
所述
Figure 991067DEST_PATH_IMAGE012
为综合比载是
Figure 573227DEST_PATH_IMAGE013
、目标输电线路的温度为t时的水平应力，
Figure 122020DEST_PATH_IMAGE013
为目标输电线路的综合比载，
Figure 147745DEST_PATH_IMAGE014
为目标输电线路上待求点与参考点的水平距离，
Figure 601729DEST_PATH_IMAGE015
为目标输电线路最低点到预设悬挂点间垂直于荷载方向的投影；
所述悬链线模型中的
Figure 800629DEST_PATH_IMAGE015
的公式计算为：
Figure DEST_PATH_IMAGE018
所述
Figure 328562DEST_PATH_IMAGE017
为目标输电线路的档距，
Figure 587505DEST_PATH_IMAGE012
为综合比载是
Figure 279518DEST_PATH_IMAGE013
、目标输电线路的温度为t时的水平应力，
Figure 203480DEST_PATH_IMAGE013
为目标输电线路的综合比载，h为目标输电线路两端悬挂点的高度差；
残差计算单元，用于基于所述机巡信息、所述工况数据，对所述初始半参数回归模型的参数部分进行求解，得到所述参数部分的残差；
模型确定单元，用于基于所述残差，计算得到半参数回归模型。
9.根据权利要求8所述的装置，其特征在于，还包括：
数据集获取模块，用于获取除所述目标输电线路以外的其它每个输电线路的数据集；
数据子集生成模块，用于基于所述目标输电线路、所述其它每个输电线路的数据集，生成所述目标输电线路、所述其它每个输电线路各自对应的数据子集；
样本集生成模块，用于将各所述数据子集整合，生成样本集；
聚类模块，用于通过谱聚类对所述样本集中的数据子集进行聚类，得到若干个聚类簇；
数据集生成模块，用于确定基于所述目标输电线路的数据集生成的数据子集所处的目标聚类簇，并将所述目标聚类簇中的各个数据子集对应的输电线路的数据集进行整合，得到目标输电线路的优化后的数据集；
则，所述模型构建模块，还用于基于所述机巡信息、所述工况数据和所述目标输电线路的优化后的数据集，得到半参数回归模型。
CN202110841113.4A 2021-07-26 2021-07-26 基于无人机巡检的输电线路安全距离风险评估方法及装置 Active CN113298874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110841113.4A CN113298874B (zh) 2021-07-26 2021-07-26 基于无人机巡检的输电线路安全距离风险评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110841113.4A CN113298874B (zh) 2021-07-26 2021-07-26 基于无人机巡检的输电线路安全距离风险评估方法及装置

Publications (2)

Publication Number Publication Date
CN113298874A CN113298874A (zh) 2021-08-24
CN113298874B true CN113298874B (zh) 2021-11-02

Family

ID=77330866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110841113.4A Active CN113298874B (zh) 2021-07-26 2021-07-26 基于无人机巡检的输电线路安全距离风险评估方法及装置

Country Status (1)

Country Link
CN (1) CN113298874B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117494354A (zh) * 2023-10-09 2024-02-02 杭州皓见新能源科技有限公司 一种基于代数链接度的光伏储能网络线路优化方法和系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110418957A (zh) * 2017-03-15 2019-11-05 西门子股份公司 对具有运行机构的设施进行状态监控的方法和装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008126209A1 (ja) * 2007-03-27 2008-10-23 Fujitsu Limited 重回帰分析による予測モデルの作成方法、作成装置、作成プログラム
CN103793908A (zh) * 2014-01-17 2014-05-14 首都医科大学 一种基于脑核磁共振图像多维度纹理建立预测模型的方法
CN104463353B (zh) * 2014-11-20 2017-11-21 广东电网有限责任公司河源供电局 一种架空输电线路超高植物安全距离智能预测方法
CN105244805A (zh) * 2015-10-14 2016-01-13 国家电网公司 一种基于激光雷达的输电线路智能预警评估方法和系统
CN108614274B (zh) * 2018-05-22 2020-09-04 广州市极臻智能科技有限公司 基于多旋翼无人机的交叉式跨越线距离测量方法及装置
CN111028016A (zh) * 2019-12-12 2020-04-17 腾讯科技（深圳）有限公司 销量数据预测方法、装置以及相关设备
CN110941872B (zh) * 2019-12-16 2021-08-03 北京科技大学 悬索桥主缆垂度和塔顶水平位移随温度变化的确定方法
CN112070272A (zh) * 2020-08-11 2020-12-11 南瑞集团有限公司 一种输电线路的覆冰厚度预测方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110418957A (zh) * 2017-03-15 2019-11-05 西门子股份公司 对具有运行机构的设施进行状态监控的方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于K-Means 算法的架空输电线路载流量计算";林锦荣等;《南京信息工程大学学报(自然科学版)》;20210110;第73-78页 *

Also Published As

Publication number Publication date
CN113298874A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
Davis et al. The method for object-based diagnostic evaluation (MODE) applied to numerical forecasts from the 2005 NSSL/SPC Spring Program
CN110737874B (zh) 一种基于空间关系的流域水质监测异常值检测方法
CN107153894A (zh) 一种风电场的预测风速校正方法及装置
Feng et al. Using exploratory regression to identify optimal driving factors for cellular automaton modeling of land use change
CN111931806A (zh) 一种多传感器数据融合的设备故障诊断方法及装置
Díaz et al. Performance assessment of five MCP models proposed for the estimation of long-term wind turbine power outputs at a target site using three machine learning techniques
CN113608566B (zh) 一种纺织车间的环境监控调整方法及系统
CN113298874B (zh) 基于无人机巡检的输电线路安全距离风险评估方法及装置
Lee et al. Detecting anomalies in meteorological data using support vector regression
CN116881749B (zh) 一种污染场地施工监测方法及系统
CN116910041B (zh) 一种基于尺度分析的遥感降水产品的逐日订正方法
Hui et al. Wood and leaf separation from terrestrial LiDAR point clouds based on mode points evolution
CN112816881A (zh) 电池压差异常检测方法、装置及计算机存储介质
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN110011847B (zh) 一种传感云环境下的数据源质量评估方法
CN116069095A (zh) 一种机房环境调节方法、设备及介质
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN112016739A (zh) 故障检测方法、装置、电子设备及存储介质
CN116796291A (zh) 一种基于lstm-mea-svr空气质量预报的系统
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN110188964A (zh) 一种基于相关性的光伏出力预测方法
CN115855133A (zh) 传感器的校准方法、装置、计算机设备和可读存储介质
CN113554079A (zh) 一种基于二次检测法的电力负荷异常数据检测方法及系统
JP6950647B2 (ja) データ判定装置、方法、及びプログラム
CN115144548B (zh) 有害气体成分实时监测系统及其监测方法

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