CN113359456A - 一种基于边缘计算的变电站消防远程集控系统及方法 - Google Patents
一种基于边缘计算的变电站消防远程集控系统及方法 Download PDFInfo
- Publication number
- CN113359456A CN113359456A CN202110667886.5A CN202110667886A CN113359456A CN 113359456 A CN113359456 A CN 113359456A CN 202110667886 A CN202110667886 A CN 202110667886A CN 113359456 A CN113359456 A CN 113359456A
- Authority
- CN
- China
- Prior art keywords
- fire
- fighting
- centralized control
- control
- control subsystem
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 title claims abstract description 9
- 230000009471 action Effects 0.000 claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000010152 pollination Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明公开了一种基于边缘计算的变电站消防远程集控系统及方法，通过远程集中控制子系统和设置于每个变电站的站端本地控制子系统，实现联合消防控制，在保证集控中心具有最高控制权限的前提下，利用站端本地控制子系统的边缘计算能力，自主的对火情和故障进行智能判决，在火灾发生的第一时间进行一定权限的消防灭火动作，而在通信正常的情况下，集控中心又可同时对站端进行必要的指导和干预的处理，解决因远程通信延时和通信故障导致延误最佳灭火时机或勿控消防灭火动作的问题。
Description
技术领域
本发明涉及一种远程集控系统及方法，具体涉及一种基于边缘计算的变电站消防远程集控系统及方法。
背景技术
随着我国电力系统的快速发展，变电站的规模和数量越来越大，分布越来越广，给变电站的维修运维工作带来巨大挑战。为了降低维修运维成本，得益于二次自动化设备和信息控制管理技术的提升，越来越多的变电站逐步改造为无人值守变电站，由运维班组人员在集控中心进行统一调度和指挥。
消防安全历来是变电站的重要安全问题之一。变电站一旦发生火灾，将造成巨大的经济损失，甚至是人生安全事故。因此，建设变电站消防远程集控系统是大规模建设无人值守变电站的重要保障措施之一。
现有的变电站消防远程集控系统，还主要是以集中监视和告警为主，很少能实现远程控制。主要是担心远程通信延时和可能出现的通信故障延误消防控制命令的下发或误操作，导致延误最佳的灭火时机或错误的消防灭火动作，因此，有必要提出一种基于边缘计算的变电站消防远程集控系统及方法。
发明内容
本发明的目的是为了克服现有技术存在的缺点，提供一种基于边缘计算的变电站消防远程集控系统及方法，包括远程集中控制子系统和设置于每个变电站的站端本地控制子系统，通过远程集中控制子系统为变电站设置权限级别，变电站的站端本地控制子系统根据权限级别执行联合消防控制。
本发明的技术方案为：
一种基于边缘计算的变电站消防远程集控系统，包括：
远程集中控制子系统和设置于每个变电站的站端本地控制子系统；
其中，站端本地控制子系统包括：
消防监测模块，其用于获取消防告警信息；
视频监控模块，其连接视频摄像头，以获取变电站内的监控视频，并上传到集中控制子系统；
消防控制模块，其用于控制自动消防灭火设备执行消防灭火动作；
逻辑预判模块，其与消防监测模块通信连接，能够根据告警信息进行预判，并将预判信息下发到消防控制模块和/或将消防告警信息上传到集中控制子系统；
集中控制子系统包括：
规则库模块，其存储消防事件触发条件、消防事件动作中断和消防事件动作恢复条件规则；
算法库模块，其用于存储训练规则的人工智能算法；
逻辑判决模块，其与规则库模块和算法库模块通信连接，用于调用规则和人工智能算法，下发到逻辑预判模块和/或下发辅助决策信息和/或控制命令；
人机界面模块，其用于实现人机交互，展示本地控制子系统的消防告警信息和实现远程控制操作。
优选的是，逻辑判决模块包括：
告警信息处理单元，其接收和预处理本地控制子系统上传的消防告警信息，并通过人机界面进行展示和告警；
智能判决单元，其根据规则对消防告警信息进行判决，并下发出辅助决策信息和/或控制命令；
集控单元，其用于将辅助决策信息和/或控制命令下发到本地控制子系统；
视频监视单元，其用于查看本地控制子系统的视频监视画面。
优选的是，消防监测模块包括：
设备监测单元，其用于获取变电站的设备状态信息；
消防监测单元，其连接消防监测传感器，以获取消防监测数据。
优选的是，设备状态信息包括：设备开/关机、通电/断电和告警与否；
消防监测传感器包括烟感传感器、红外探测传感器、火焰传感器和测温电缆传感器。
一种基于边缘计算的变电站消防远程集控方法，包括远程集中控制子系统为变电站设置权限级别，变电站的站端本地控制子系统根据权限级别执行联合消防控制，联合消防控制包括：
集中控制，本地控制子系统不开启逻辑预判模块，只能上传告警信息，等待所述集中控制子系统下发控制命令；
主动控制，本地控制子系统开启逻辑预判模块，根据告警信息进行预判，下发预控命令控制自动消防灭火设备执行消防灭火动作，并将告警信息上传到集中控制子系统，集中控制子系统有权终止站端本地控制子系统的消防控制；
半主动控制，本地控制子系统将告警信息上传到集中控制子系统，等待集中控制子系统下发控制命令，若等待时间超出时间阈值，则开启逻辑预判模块，根据告警信息进行预判，下发预控命令控制自动消防灭火设备执行消防灭火动作。
优选的是，预控命令基于SVM模型获得，SVM模型包括：
选择径向基核函数
作为核函数；
最优分类超平面分类规则为
s.t.yi(wT·xi+b)+ξi-1≥0；
ξi≥0
利用拉格朗日法求解得到最优分类超平面函数为
输入训练样本集M＝(xi,yi),yi∈{0,1,2,3}，采用花朵授粉算法迭代寻找(c,δ)的最优组合；
其中，(xi,x)表示任意两个不同维度的告警信息，||||2表示欧几里得距离，σ2为核函数的宽度参数，c表示惩罚因子，b表示偏移量，ξi表示松弛变量，w表示系数向量，sgn表示符号函数，
表示拉格朗日系数，b*表示分类阈值。
优选的是，控制命令基于BP神经网络模型获得，神经BP神经网络模型包括：
建立三层BP神经网络；
确定输入层神经元向量X＝(x1,x2,x3…xn)T，其中，x表示消防告警信息，n表示消防告警信息的维度；
所述输入层向量映射到隐层，隐层的神经元为m个；
得到输出层神经元向量o＝(0,12,3)T，其中，0表示不告警，1表示一级消防告警，2表示二级消防告警，3表示三级消防告警。
优选的是，隐层及输出层的激励函数均采用S型函数
优选的是，终止所站端本地控制子系统的消防控制包括：
若控制命令与预判命令不一致，立刻终止预判命令，下发控制命令，并根据控制命令执行消防灭火动作。
优选的是，时间阈值为2分钟。
本发明提供的一种基于边缘计算的变电站消防远程集控系统，包括远程集中控制子系统和设置于每个变电站的站端本地控制子系统，通过远程集中控制子系统为变电站设置权限级别，变电站的站端本地控制子系统根据权限级别执行联合消防控制，在保证集控中心具有最高控制权限的前提下，利用站端本地控制子系统的边缘计算能力，自主的对火情和故障进行智能判决，在火灾发生的第一时间进行一定权限的消防灭火动作，而在通信正常的情况下，集控中心又可同时对站端进行必要的指导和干预的处理，解决因远程通信延时和通信故障导致延误最佳灭火时机或勿控消防灭火动作的问题。
附图说明
图1为本发明提供的一种基于边缘计算的变电站消防远程集控系统框架图。
图2为本发明的一个实施例中基于边缘计算的变电站消防远程集控方法流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，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他实施例，都属于本发明保护的范围。
需要说明的是，在本发明的描述中，术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，一种基于边缘计算的变电站消防远程集控系统，包括远程集中控制子系统100和设置于每个变电站的站端本地控制子系统200。
其中，站端本地控制子系统200包括：消防监测模块210、视频监控模块220消防控制模块230和逻辑预判模块240。
消防监测模块210用于获取消防告警信息，视频监控模块220连接视频摄像头，以获取变电站内的监控视频，并上传到集中控制子系统100，消防控制模块230用于控制自动消防灭火设备执行消防灭火动作，逻辑预判模块240与消防监测模块210通信连接，能够根据告警信息进行预判，并将预判信息下发到消防控制模块230和/或将消防告警信息上传到集中控制子系统100。
集中控制子系统100包括：规则库模块110、算法库模块120、逻辑判决模块130和人机界面模块140。
规则库模块110存储消防事件触发条件、消防事件动作中断和消防事件动作恢复条件规则，算法库模块120用于存储训练规则的人工智能算法，逻辑判决模块130与规则库模块110和算法库模块120通信连接，用于调用规则和人工智能算法，下发到逻辑预判模块240和/或下发辅助决策信息和/或控制命令，人机界面模块140用于实现人机交互，展示本地控制子系统200的消防告警信息和实现远程控制操作。
进一步的，逻辑判决模块130包括：告警信息处理单元131、智能判决单元132、集控单元133和视频监视单元134。
告警信息处理单元131接收和预处理本地控制子系统100上传的消防告警信息，并通过人机界面140进行展示和告警，智能判决单元132根据规则对消防告警信息进行判决，并下发出辅助决策信息和/或控制命令，集控单元133用于将辅助决策信息和/或控制命令下发到本地控制子系统200，视频监视单元134用于查看本地控制子系统100的视频监视画面。
进一步的，消防监测模块210包括设备监测单元211和消防监测单元212。
设备监测单元211用于获取变电站的设备状态信息，消防监测单元212连接消防监测传感器，以获取消防监测数据。
其中，设备状态信息包括：设备开/关机、通电/断电和告警与否；
消防监测传感器包括烟感传感器、红外探测传感器、火焰传感器和测温电缆传感器。
如图2所示，一种基于边缘计算的变电站消防远程集控方法，包括远程集中控制子系统为变电站设置权限级别，变电站的站端本地控制子系统根据权限级别执行联合消防控制，联合消防控制包括：
集中控制，本地控制子系统不开启逻辑预判模块，只能上传告警信息，等待所述集中控制子系统下发控制命令。
主动控制，本地控制子系统开启逻辑预判模块，根据告警信息进行预判，下发预控命令控制自动消防灭火设备执行消防灭火动作，并将告警信息上传到集中控制子系统，集中控制子系统有权终止站端本地控制子系统的消防控制；
具体的，终止所站端本地控制子系统的消防控制包括：
若控制命令与预判命令不一致，立刻终止预判命令，下发控制命令，并根据控制命令执行消防灭火动作。
半主动控制，本地控制子系统将告警信息上传到集中控制子系统，等待集中控制子系统下发控制命令，若等待时间超出时间阈值，则开启逻辑预判模块，根据告警信息进行预判，下发预控命令控制自动消防灭火设备执行消防灭火动作。
作为一种优选，时间阈值为2分钟。
进一步的，预控命令基于SVM模型获得，首先，选择径向基核函数
作为核函数；
SVM的原理是构造一个最优分类超平面，将多类待分样本集准确地分开，就线性可分问题而言，求解最优分类超平面规则为：
s.t.yi(wT·xi+b)+ξi-1≥0
ξi≥0
其中，(xi,x)表示任意两个不同维度的告警信息，||||2表示欧几里得距离，c表示惩罚因子，b表示偏移量，ξi表示松弛变量，w表示系数向量，可见惩罚因子c是决定SVM学习能力和经验风险协调度的一个关键因素，若惩罚因子过大，就会引起学习过度，使分类器的泛华能力降低，若惩罚因子过小，会导致分类器的分类正确率过低，利用拉格朗日法求解得到最优分类超平面函数为：
其中，sgn表示符号函数，
表示拉格朗日系数，b*表示分类阈值，通过引入核函数K(xi,x)将低维空间内的线性不可分样本映射到高位空间内，从而使之成为线性可分的。
其次，输入训练样本集M＝(xi,yi),yi∈{0,1,2,3}，采用花朵授粉算法迭代寻找(c,δ)的最优组合，将SVM的分类正确率作为评价准则，将样本数据集M随机划分为K个子集，依次把其中一个子集作为测试集，剩余的K-1个子集作为训练集，重复进K次训练，利用得到的K个分类准确率的平均值作为整个数据及分类器的分类指标，模型的整体运行过程为：
性能指标A＝g(x),x＝(c,δ)；
初始化种群，在初始化种群中寻找最优的(c,δ)组合变量h；
设置转换概率ρ∈(0,1)，设置(c,δ)的搜索范围和最大迭代次数；
while(t＜最大迭代次数)
for i＝1:n(种群中所有的n个个体)
If rand＜ρ全局搜索
else局部搜索
If rand＜w
else
end if
通过性能指标A评测新解，如果新解好，在种群中更新，直到找到最优(c,δ)组合。
通过花朵授粉算法迭代寻找(c,δ)的最优组合进行SVM模型训练，提高模型的训练速度，模型计算精度高。
进一步的，控制命令基于BP神经网络模型获得，神经BP神经网络模型包括：
建立三层BP神经网络；
确定输入层神经元向量X＝(x1,x2,x3…xn)T，其中，x表示消防告警信息，n表示消防告警信息的维度；
输入层向量映射到隐层，隐层的神经元为m个；
得到输出层神经元向量o＝(0,12,3)T，其中，0表示不告警，1表示一级消防告警，2表示二级消防告警，3表示三级消防告警。
其中，隐层及输出层的激励函数均采用S型函数
本发明的BP神经网络采用反向调节法进行训练学习，由输入层正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收消防告警信息，并传递给中间层各神经元，中间层负责信息变换，传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，使各层权值不断调整的过程，直到网络输出的误差减少到可以接受的程度。
以上内容仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不脱离本发明的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。
Claims (10)
1.一种基于边缘计算的变电站消防远程集控系统，其特征在于，包括：
远程集中控制子系统和设置于每个变电站的站端本地控制子系统；
其中，所述站端本地控制子系统包括：
消防监测模块，其用于获取消防告警信息；
视频监控模块，其连接视频摄像头，以获取变电站内的监控视频，并上传到所述集中控制子系统；
消防控制模块，其用于控制自动消防灭火设备执行消防灭火动作；
逻辑预判模块，其与所述消防监测模块通信连接，能够根据所述告警信息进行预判，并将所述预判信息下发到所述消防控制模块和/或将所述消防告警信息上传到所述集中控制子系统；
所述集中控制子系统包括：
规则库模块，其存储消防事件触发条件、消防事件动作中断和消防事件动作恢复条件规则；
算法库模块，其用于存储训练规则的人工智能算法；
逻辑判决模块，其与所述规则库模块和所述算法库模块通信连接，用于调用所述规则和所述人工智能算法，下发到所述逻辑预判模块和/或下发辅助决策信息和/或控制命令；
人机界面模块，其用于实现人机交互，展示所述本地控制子系统的所述消防告警信息和实现远程控制操作。
2.如权利要求1所述的基于边缘计算的变电站消防远程集控系统，其特征在于，所述逻辑判决模块包括：
告警信息处理单元，其接收和预处理所述站端本地控制子系统上传的所述消防告警信息，并通过人机界面进行展示和告警；
智能判决单元，其根据规则对所述消防告警信息进行判决，并下发出辅助决策信息和/或控制命令；
集控单元，其用于将所述辅助决策信息和/或控制命令下发到所述本地控制子系统；
视频监视单元，其用于查看所述本地控制子系统的视频监视画面。
3.如权利要求2所述的基于边缘计算的变电站消防远程集控系统，其特征在于，所述消防监测模块包括：
设备监测单元，其用于获取所述变电站的设备状态信息；
消防监测单元，其连接消防监测传感器，以获取消防监测数据。
4.如权利要求3所述的基于边缘计算的变电站消防远程集控系统，其特征在于，所述设备状态信息包括：设备开/关机、通电/断电和告警与否；
所述消防监测传感器包括烟感传感器、红外探测传感器、火焰传感器和测温电缆传感器。
5.一种基于边缘计算的变电站消防远程集控方法，其特征在于，远程集中控制子系统为变电站设置权限级别，所述变电站的站端本地控制子系统根据所述权限级别执行联合消防控制，所述联合消防控制包括：
集中控制，所述本地控制子系统不开启逻辑预判模块，只能上传告警信息，等待所述集中控制子系统下发控制命令；
主动控制，所述本地控制子系统开启逻辑预判模块，根据告警信息进行预判，下发预控命令控制自动消防灭火设备执行消防灭火动作，并将所述告警信息上传到所述集中控制子系统，所述集中控制子系统有权终止所述站端本地控制子系统的消防控制；
半主动控制，所述本地控制子系统将所述告警信息上传到所述集中控制子系统，等待所述集中控制子系统下发控制命令，若等待时间超出时间阈值，则开启逻辑预判模块，根据所述告警信息进行预判，下发预控命令控制自动消防灭火设备执行消防灭火动作。
6.如权利要求5所述的基于边缘计算的变电站消防远程集控方法，其特征在于，所述预控命令基于SVM模型获得，所述SVM模型包括：
选择径向基核函数
作为核函数；
最优分类超平面分类规则为
s.t.yi(wT·xi+b)+ξi-1≥0；
ξi≥0
利用拉格朗日法求解得到最优分类超平面函数为
输入训练样本集M＝(xi,yi),yi∈{0,1,2,3}，采用花朵授粉算法迭代寻找(c,δ)的最优组合；
其中，(xi,x)表示任意两个不同维度的告警信息，|| ||2表示欧几里得距离，σ2为核函数的宽度参数，c表示惩罚因子，b表示偏移量，ξi表示松弛变量，w表示系数向量，sgn表示符号函数，
表示拉格朗日系数，b*表示分类阈值。
7.如权利要求6所述的基于边缘计算的变电站消防远程集控方法，其特征在于，所述控制命令基于BP神经网络模型获得，所述神经BP神经网络模型包括：
建立三层BP神经网络；
确定输入层神经元向量X＝(x1,x2,x3…xn)T，其中，x表示消防告警信息，n表示消防告警信息的维度；
所述输入层向量映射到隐层，隐层的神经元为m个；
得到输出层神经元向量o＝(0,12,3)T，其中，0表示不告警，1表示一级消防告警，2表示二级消防告警，3表示三级消防告警。
8.如权利要求7所述的基于边缘计算的变电站消防远程集控方法，其特征在于，所述隐层及所述输出层的激励函数均采用S型函数
9.如权利要求8所述的基于边缘计算的变电站消防远程集控方法，其特征在于，所述终止所述站端本地控制子系统的消防控制包括：
若所述控制命令与所述预判命令不一致，立刻终止所述预判命令，下发控制命令，并根据所述控制命令执行消防灭火动作。
10.如权利要求9所述的基于边缘计算的变电站消防远程集控方法，其特征在于，所述时间阈值为2分钟。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110667886.5A CN113359456A (zh) | 2021-06-16 | 2021-06-16 | 一种基于边缘计算的变电站消防远程集控系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110667886.5A CN113359456A (zh) | 2021-06-16 | 2021-06-16 | 一种基于边缘计算的变电站消防远程集控系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113359456A true CN113359456A (zh) | 2021-09-07 |
Family
ID=77534775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110667886.5A Pending CN113359456A (zh) | 2021-06-16 | 2021-06-16 | 一种基于边缘计算的变电站消防远程集控系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113359456A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023384A (zh) * | 2015-07-30 | 2015-11-04 | 天津世未科技有限公司 | 基于数据挖掘和数据分析的消防安全预警报警系统及方法 |
| CN110288789A (zh) * | 2019-06-27 | 2019-09-27 | 吉林建筑大学 | 一种建筑物电气消防报警装置及其控制方法 |
| CN110531690A (zh) * | 2019-08-27 | 2019-12-03 | 南瑞集团有限公司 | 一种无人值班变电站远程消防集中监控系统 |
| CN111062848A (zh) * | 2019-11-26 | 2020-04-24 | 深圳大学 | 一种消防工程异常状态监测的智能监控方法 |
| CN112418281A (zh) * | 2020-11-11 | 2021-02-26 | 国网福建省电力有限公司电力科学研究院 | 一种火灾探测传感器数据异常检测方法及系统 |
| CN112668446A (zh) * | 2020-12-24 | 2021-04-16 | 常州大学 | 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 |
-
2021
- 2021-06-16 CN CN202110667886.5A patent/CN113359456A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105023384A (zh) * | 2015-07-30 | 2015-11-04 | 天津世未科技有限公司 | 基于数据挖掘和数据分析的消防安全预警报警系统及方法 |
| CN110288789A (zh) * | 2019-06-27 | 2019-09-27 | 吉林建筑大学 | 一种建筑物电气消防报警装置及其控制方法 |
| CN110531690A (zh) * | 2019-08-27 | 2019-12-03 | 南瑞集团有限公司 | 一种无人值班变电站远程消防集中监控系统 |
| CN111062848A (zh) * | 2019-11-26 | 2020-04-24 | 深圳大学 | 一种消防工程异常状态监测的智能监控方法 |
| CN112418281A (zh) * | 2020-11-11 | 2021-02-26 | 国网福建省电力有限公司电力科学研究院 | 一种火灾探测传感器数据异常检测方法及系统 |
| CN112668446A (zh) * | 2020-12-24 | 2021-04-16 | 常州大学 | 基于花朵授粉算法优化svm的微铣刀磨损状态监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王玉鑫 等: "基于改进型花朵授粉算法的SVM参数优化", 《火力与指挥控制》, vol. 43, no. 10, 15 October 2018 (2018-10-15), pages 8 - 13 * |
| 马国森: "《计算机原理与系统结构》", 29 February 1996, 上海科学技术文献出版社, pages: 122 - 123 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104933841B (zh) | 一种基于自组织神经网络的火灾预测方法 | |
| US11757723B2 (en) | Distributed secure state reconstruction method based on double-layer dynamic switching observer | |
| Li et al. | Application of the artificial neural network and support vector machines in forest fire prediction in the guangxi autonomous region, China | |
| CN104299115B (zh) | 基于模糊c均值聚类算法的智能变电站二次系统状态分析方法 | |
| CN109443419B (zh) | 一种基于机器学习的整流器在线监测方法 | |
| CN111413565B (zh) | 一种可识别量测篡改攻击的智能电网故障诊断方法 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN104010168A (zh) | 一种无重叠视域多摄像机监控网络拓扑自适应学习方法 | |
| CN111339851B (zh) | 一种基于场景熟悉度的无人车远程接管方法 | |
| Zhu et al. | A perceptron algorithm for forest fire prediction based on wireless sensor networks | |
| Lo et al. | Intelligent automatic fault detection for actuator failures in aircraft | |
| CN116824517B (zh) | 基于可视化的变电站运维安全管控系统 | |
| CN110209144A (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
| CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
| CN115797749B (zh) | 一种水下自主航行器状态检测方法与系统 | |
| CN115561546A (zh) | 电力系统异常检测报警系统 | |
| CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
| CN113359456A (zh) | 一种基于边缘计算的变电站消防远程集控系统及方法 | |
| CN113723701A (zh) | 森林火灾监测预测方法及系统、电子设备及存储介质 | |
| Park et al. | Model-free unsupervised anomaly detection of a general robotic system using a stacked LSTM and its application to a fixed-wing unmanned aerial vehicle | |
| Fan et al. | UAV engine fault and diagnosis with parameter models based on telemetry data | |
| CN110837932A (zh) | 基于dbn-ga模型的太阳能集热系统热功率预测方法 | |
| CN114842599B (zh) | 分布式智能应急消防及疏散指示系统及方法 | |
| Qin et al. | UAV distribution optimization system for extreme fire | |
| Chen et al. | LPR-MLP: a novel health prediction model for transmission lines in grid sensor networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |