CN113763667B - 一种基于5g边缘计算的火灾预警及状态监测装置及方法 - Google Patents
一种基于5g边缘计算的火灾预警及状态监测装置及方法 Download PDFInfo
- Publication number
- CN113763667B CN113763667B CN202110936440.8A CN202110936440A CN113763667B CN 113763667 B CN113763667 B CN 113763667B CN 202110936440 A CN202110936440 A CN 202110936440A CN 113763667 B CN113763667 B CN 113763667B
- Authority
- CN
- China
- Prior art keywords
- data
- acquisition
- unit
- central processing
- thermal imaging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012806 monitoring device Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 title claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000001931 thermography Methods 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000013500 data storage Methods 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 24
- 238000004891 communication Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000004148 unit process Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种基于5G边缘计算的火灾预警及状态监测装置,智能云柜包括配电设备、中央处理器单元、数据采集单元、数据存储单元、指令执行单元和通信单元。本发明还公开了一种监测方法,包括:数据获取;数据预处理:对数据进行异常值和缺失值处理、Pearson相关判定以及归一化处理;将以往智能云柜中的热成像数据划分为训练集和测试集以及验证集;搭建多变量输入LSTM神经网络模型:将验证集数据代入模型进行预测;生成真实值‑预测值‑曲线图。本发明的监测装置能够在元件参数存在异常或产生故障时,快速接收到告警提示,提高运维检修效率,降低配网故障率。本发明的监测方法可以实现电气火灾在线监测与预测,大大降低电气火灾隐患。
Description
技术领域
本发明涉及无线电能传输领域,尤其涉及一种基于5G边缘计算的火灾预警及状态监测装置及方法。
背景技术
经统计,近十年电气火灾占火灾事故的60%,预防电气火灾、及时消除电气火灾隐患已是迫在眉睫。在电气火灾监测方面,智慧云柜中可以安装剩余电流互感器和温度传感器等数字化元器件,通过边界控制器采集火灾相关数据并传送至云端进行分析,检测并分析到数据异常,云端会立即将预警消息发送至运维人员,使其及时查看设备运行情况,及时消除隐患。此为目前智能云柜火灾预警方案,虽已比较完善,但还有深化空间。
成套柜一般安装于配电间或箱变中,管理机制完善的地点会执行定期巡检,同时也存在设备上电运行后基本处于无人问津的状态,不管何种方式,一般成套柜都不会进行开柜操作,特别是中高压成套柜,已现在的火灾监控方式只能看运行数据,只有部分高端柜型会在柜中安装小型摄像头,监控柜内影像。但由于目前无线传输速率低时延高的限制,柜内视频传输一般都使用有线方式接入局域网内的本次系统中,无法与云系统做实时视频交互,因此需要一种能够及时有效对柜内火灾情况进行检测的装置和方法。
发明内容
为解决现有的技术问题,本发明提供了一种基于5G边缘计算的火灾预警及状态监测装置及方法。
本发明的具体内容如下:一种基于5G边缘计算的火灾预警及状态监测装置,装置集成在智能云柜中,智能云柜包括配电设备、中央处理器单元、数据采集单元、数据存储单元、指令执行单元和通信单元,数据采集单元与配电设备连接,采集的数据分别传输到中央处理单元和数据存储单元,中央处理器单元对接收的数据进行处理得到故障检测判断结果、元件变化曲线和相应的指令,数据存储单元包括运行数据存储模块和图像数据存储模块,指令执行单元执行中央处理器单元传递的动作指令,通信单元与云平台相连传输智能云柜数据,通信单元包括5G数据传输模块。
进一步的,所述中央处理器单元集成故障检测算法、元件状态评估算法、元件寿命预测算法和信号异常告警算法;所述数据采集单元进行漏电采集、柜内电表信息采集、保护装置状态采集、配电设备元件状态和开关动作采集、温湿度传感器数据采集、报警提示信息、视频采集以及热成像采集;所述运行数据存储模块存储所述智能数据采集单元采集到的数字信息,所述图像数据存储模块存储智能数据采集单元采集到的视频和热成像图形信息;指令执行模块包括预警系统和报警系统。
进一步的,数据采集单元的热成像采集通过热成像采集终端进行,热成像采集终端设置在智能云柜中,对云柜的热数据进行采集,中央处理器单元接收来自热成像采集终端的数据,于多变量LSTM进行双通道处理,返回预警或报警信息。
本发明还公开了一种基于5G边缘计算的火灾预警及状态监测方法,采用上述任一监测装置,包括如下步骤:
S1,数据获取:根据实际需求布置智能云柜中的热成像采集终端,采集智能云柜中实际运行情况下的热数据;
S2,数据预处理:对数据进行异常值和缺失值处理、Pearson相关判定以及归一化处理;
S3,将以往智能云柜中的热成像数据划分为训练集和测试集以及验证集;
S4,搭建多变量输入LSTM神经网络模型:
S5,将验证集数据代入模型进行预测;
S6,生成真实值-预测值-曲线图。
进一步的,S2中在对数据进行预处理之后,判断数据是否超过阈值:中央处理器单元将采集参数与各项参数的正常工作范围进行比较,如有超出正常工作范围的参数值,将该值送入智能算法模块,结合历史数据,检测其是否为需要剔除的采样异常值;若不是采样异常值,再结合多项参数的工作点判断是否为元件异常,若判断结果为元件异常,发出一级告警提示,并进行故障检测判断,给出故障预测结果,若预测故障发生,则发出二级告警提示;若不超过阈值则进行后续操作。
进一步的,S4中,搭建LSTM神经网络,神经网络包含输入层、中间层和输出层并且依次连接,并将训练集和测试集数据代入模型进行训练,根据实际情况设置训练集和测试集的比例、模型迭代次数,并实时监测其函数值变化。
进一步的,通过在S1的数据获取步骤中利用数据库技术建立数据库管理系统,实现数据的交互和有效存储,存储系统的部分历史数据,为机器学习提供训练样本,实现S5的预测。
进一步的,5G数据传输模块的天线嵌入智能云柜中。
本发明的监测装置的中央处理器单元将采集到的配电设备各元件的电参数、温度参数以及通过智能算法计算出的各项结果和曲线,通过通信单元,上传至云平台,可实现在PC端和手机端同时查看配电设备单个元件的各项运行数据,状态评估曲线,寿命预测曲线,并且能够在元件参数存在异常或产生故障时,快速接收到告警提示,提高运维检修效率,降低配网故障率。本发明的监测方法利用在智能云柜中安装热成像摄像头,实时监控柜内运行情况,通过LSTM神经网络模型对数据进行处理后,实时将报警或预警信息通过5G传输模块传输至后台管理系统,可以实现电气火灾在线检测与预测,大大降低电气火灾隐患。
附图说明
下面结合附图对本发明的具体实施方式做进一步阐明。
图1为基于5G边缘计算的火灾预警及状态监测装置的示意图1;
图2为基于5G边缘计算的火灾预警及状态监测装置的示意图2;
图3为基于5G边缘计算的火灾预警及状态监测方法的电气火灾预测流程图。
具体实施方式
本实施例公开了一种基于5G边缘计算的火灾预警及状态监测装置及方法,其中,监测装置主要集成在智能云柜中,监测方法基于监测装置进行。
如图1所示,智能云柜包括配电设备、中央处理器单元、数据采集单元、数据存储单元、指令执行单元和通信单元,
数据采集单元与配电设备连接,采集的数据分别传输到中央处理器单元和数据存储单元,中央处理器单元对接收的数据进行处理得到故障检测判断结果、元件变化曲线和相应的指令,数据存储单元包括运行数据存储模块和图像数据存储模块,指令执行模块执行中央处理器单元传递的动作指令,通信单元与云平台相连传输智能云柜数据,通信单元包括5G数据传输模块。
具体的,中央处理器单元集成了配电柜正常工作情况和异常状态情况下的多种智能算法,包括故障检测算法、元件状态评估算法、元件寿命预测算法、信号异常告警算法等。中央处理器单元与数据采集单元连接,接收采集数据,对数据进行处理并输出处理结果至指令执行单元。
数据采集单元进行漏电采集、柜内电表信息采集、保护装置状态采集、配电设备元件状态和开关动作采集、温湿度传感器数据采集、报警提示信息、视频采集以及热成像采集。数据采集单元与配电设备连接,采集配电柜中配电设备各元件的电参数和温度参数,这些参数传送至中央处理器单元。
数据存储单元分别与中央处理器单元和数据采集单元连接,包括运行数据存储模块和图像数据存储模块,其中,运行数据存储模块存储数据采集单元采集到的数字信息,图像数据存储模块存储数据采集单元采集到的视频和热成像图形信息。本实施例中,运行数据存储模块存储15天内的元件参数采集数据,图像数据存储模块存储7天内的图像采集数据。数据存储单元的数据发送到中央处理器单元,通过集成的元件状态评估算法和元件寿命预测算法,计算出配电设备各元件的状态和寿命随时间的变化曲线以及预测结果。
指令执行单元包括预警系统和报警系统。 中央处理器单元将采集参数与各项参数的正常工作范围进行比较,如有超出正常工作范围的参数值,将该值送入智能算法模块,结合历史数据,检测其是否为需要剔除的采样异常值,若不是采样异常值,再结合多项参数的工作点判断是否为元件异常,若判断结果为元件异常,发出一级告警提示,并进行故障检测判断,给出故障预测结果,若预测故障发生,则发出二级告警提示,这些提示通过指令执行单元实现。
通信单元包括有线通信模块和无线通信模块;所述有线通信模块包括CAN通信、RS232通信、RS485通信;所述无线通信模块包括5G通信、WiFi通信。
中央处理器单元将采集到的配电设备各元件的电参数、温度参数以及通过智能算法计算出的各项结果和曲线,通过通信单元,上传至云平台,可实现在PC端和手机端同时查看配电设备单个元件的各项运行数据,状态评估曲线,寿命预测曲线,并且能够在元件参数存在异常或产生故障时,快速接收到告警提示,提高运维检修效率,降低配网故障率。
如图2所示,本实施例的监测方法,是基于监测装置实现的,监测装置包括热成像采集终端、数据处理模块、5G数据传输模块、报警系统、预警系统以及供电模块,其中,热成像采集终端集成在数据采集单元中,数据处理模块集成在中央处理器单元中,5G数据传输模块集成在通信单元中,报警系统和预警系统为指令执行单元,供电模块分别与热成像采集终端、数据处理模块以及5G数据传输模块连接,用于提供电能;5G数据传输模块连接到后台管理系统,后台管理系统与报警系统和预警系统连接,5G数据传输模块用于发送数据处理模块得到的预警以及报警信息,5G数据传输模块的天线较小,可嵌入智能云柜中,更方便传送位置信息。
如图3所示,该监测方法包括如下步骤:
S1,数据获取:根据实际需求布置智能云柜中的热成像采集终端,采集智能云柜中实际运行情况下的热数据;本实施例中,热成像采集终端采用热成像摄像头。
S2,数据预处理:对数据进行异常值和缺失值处理、Pearson相关判定以及归一化处理,之后判断数据是否超过阈值,若超过阈值,直接将报警信息通过5G数据传输模块传输至后台管理系统,若不超过阈值则进行后续预测;
S3,将以往智能云柜中的热成像数据划分为训练集和测试集以及验证集;
S4,搭建多变量输入LSTM神经网络(长短期记忆神经网络)模型:搭建神经网络,包含输入层、中间层和输出层,并且依次连接,并将训练集和测试集数据代入模型进行训练,根据实际情况设置训练集和测试集的比例、模型迭代次数,并实时监测其函数值变化,训练完成的模型用于电气火灾预测。
S5,将验证集数据代入模型进行预测;
S6,结果可视化:生成真实值-预测值-曲线图。
本实施例中的监测方法利用在智能云柜中安装热成像摄像头,实时监控柜内运行情况,通过LSTM神经网络模型对数据进行处理后,实时将报警或预警信息通过5G传输模块传输至后台管理系统,可以实现电气火灾在线检测与预测,大大降低电气火灾隐患。本监测方法是基于5G网络实现数据传输,由于5G的低时延高可靠特征,LTE(长期演进)网络使移动网络的时延迈进了100ms的关口,让对实时性要求比较高的电气火灾在线监测与预测装置更具有可靠性,传输速度较传统的有线方式实现数据传输更加迅速,通过LSTM神经网络模型对近期数据进行预测并通过5G进行报警信息传输能让预测更准确并更快速的实现火灾预警,因此可以有效提高提高电气火灾预警效率。
在以上的描述中阐述了很多具体细节以便于充分理解本发明。但是以上描述仅是本发明的较佳实施例而已,本发明能够以很多不同于在此描述的其它方式来实施,因此本发明不受上面公开的具体实施的限制。同时任何熟悉本领域技术人员在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (3)
1.一种基于5G边缘计算的火灾预警及状态监测装置,其特征在于:装置集成在智能云柜中,智能云柜包括配电设备、中央处理器单元、数据采集单元、数据存储单元、指令执行单元和通信单元,数据采集单元与配电设备连接,采集的数据分别传输到中央处理单元和数据存储单元,中央处理器单元对接收的数据进行处理得到故障检测判断结果、元件变化曲线和相应的指令,数据存储单元包括运行数据存储模块和图像数据存储模块,指令执行单元执行中央处理器单元传递的动作指令,通信单元与云平台相连传输智能云柜数据,通信单元包括5G数据传输模块;
所述中央处理器单元集成故障检测算法、元件状态评估算法、元件寿命预测算法和信号异常告警算法;所述数据采集单元进行漏电采集、柜内电表信息采集、保护装置状态采集、配电设备元件状态和开关动作采集、温湿度传感器数据采集、报警提示信息、视频采集以及热成像采集;所述运行数据存储模块存储所述数据采集单元采集到的数字信息,所述图像数据存储模块存储数据采集单元采集到的视频和热成像图形信息;指令执行模块包括预警系统和报警系统;
运行数据存储模块存储15天内的元件参数采集数据,图像数据存储模块存储7天内的图像采集数据,数据存储单元的数据发送到中央处理器单元,通过集成的元件状态评估算法和元件寿命预测算法,计算出配电设备各元件的状态和寿命随时间的变化曲线以及预测结果;
中央处理器单元将采集参数与各项参数的正常工作范围进行比较,如有超出正常工作范围的参数值,将该值送入智能算法模块,结合历史数据,检测其是否为需要剔除的采样异常值,若不是采样异常值,再结合多项参数的工作点判断是否为元件异常,若判断结果为元件异常,发出一级告警提示,并进行故障检测判断,给出故障预测结果,若预测故障发生,则发出二级告警提示,这些提示通过指令执行单元实现;
数据采集单元的热成像采集通过热成像采集终端进行,热成像采集终端设置在智能云柜中,对云柜的热数据进行采集,中央处理器单元接收来自热成像采集终端的数据,于多变量LSTM进行双通道处理,返回预警或报警信息。
2.一种基于5G边缘计算的火灾预警及状态监测方法,其特征在于:采用如权利要求1所述的监测装置,包括如下步骤:
S1,数据获取:根据实际需求布置智能云柜中的热成像采集终端,采集智能云柜中实际运行情况下的热数据;
S2,数据预处理:对数据进行异常值和缺失值处理、Pearson相关判定以及归一化处理;
S3,将以往智能云柜中的热成像数据划分为训练集和测试集以及验证集;
S4,搭建多变量输入LSTM神经网络模型:
S5,将验证集数据代入模型进行预测;
S6,生成真实值-预测值-曲线图;
S2中在对数据进行预处理之后,判断数据是否超过阈值:中央处理器单元将采集参数与各项参数的正常工作范围进行比较,如有超出正常工作范围的参数值,将该值送入智能算法模块,结合历史数据,检测其是否为需要剔除的采样异常值;若不是采样异常值,再结合多项参数的工作点判断是否为元件异常,若判断结果为元件异常,发出一级告警提示,并进行故障检测判断,给出故障预测结果,若预测故障发生,则发出二级告警提示;若不超过阈值则进行后续操作;
S4中,搭建LSTM神经网络,神经网络包含输入层、中间层和输出层并且依次连接,并将训练集和测试集数据代入模型进行训练,根据实际情况设置训练集和测试集的比例、模型迭代次数,并实时监测其函数值变化;
通过在S1的数据获取步骤中利用数据库技术建立数据库管理系统,实现数据的交互和有效存储,存储系统的部分历史数据,为机器学习提供训练样本,实现S5的预测。
3.根据权利要求2所述的基于5G边缘计算的火灾预警及状态监测方法,其特征在于:5G数据传输模块的天线嵌入智能云柜中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936440.8A CN113763667B (zh) | 2021-08-16 | 2021-08-16 | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936440.8A CN113763667B (zh) | 2021-08-16 | 2021-08-16 | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763667A CN113763667A (zh) | 2021-12-07 |
CN113763667B true CN113763667B (zh) | 2023-07-25 |
Family
ID=78789435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936440.8A Active CN113763667B (zh) | 2021-08-16 | 2021-08-16 | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763667B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648853A (zh) * | 2022-03-09 | 2022-06-21 | 国网安徽省电力有限公司电力科学研究院 | 一种高压开关柜早期火灾模式识别与分级预警系统 |
CN115798161B (zh) * | 2022-11-11 | 2024-02-23 | 国网河南省电力公司商丘供电公司 | 一种基于5g网络的变电站声光预警方法 |
CN117037454B (zh) * | 2023-10-08 | 2023-12-19 | 上海聚信海聚新能源科技有限公司 | 电气柜的预警保护系统、控制方法、装置、介质及电气柜 |
CN118038642B (zh) * | 2024-04-11 | 2024-06-14 | 南京科力赛克安全设备有限公司 | 一种基于气体分析的矿用数字化气体参数预警系统及方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10136856B2 (en) * | 2016-06-27 | 2018-11-27 | Facense Ltd. | Wearable respiration measurements system |
TWI634447B (zh) * | 2016-12-30 | 2018-09-01 | 財團法人工業技術研究院 | 加熱元件的狀態診斷與評估方法及其應用 |
CN111275270A (zh) * | 2020-03-09 | 2020-06-12 | 南京中电科能技术有限公司 | 基于边缘计算和神经网络预测区域电气火灾风险的方法 |
CN111062651A (zh) * | 2020-03-18 | 2020-04-24 | 南京中电科能技术有限公司 | 基于边缘计算和大数据分析的安全用电管理系统及方法 |
CN113140088A (zh) * | 2021-03-31 | 2021-07-20 | 湖南小快智造电子科技有限公司 | 电力火灾报警监控系统 |
CN113239627B (zh) * | 2021-05-31 | 2022-08-09 | 南京乾鑫电器设备有限公司 | 一种分布式智能监控方法和装置 |
-
2021
- 2021-08-16 CN CN202110936440.8A patent/CN113763667B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113763667A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
RU2626780C1 (ru) | Способ и система удаленного мониторинга энергетических установок | |
CN104990629B (zh) | 一种红外成像测温的电力设备故障自动预警系统 | |
CN106655522A (zh) | 一种适用于电网二次设备运维管理的主站系统 | |
RU2649542C1 (ru) | Способ и система удаленного мониторинга объектов | |
CN112526942A (zh) | 一种物联网配电房监控运维系统及方法 | |
CN110032093A (zh) | 一种基于视觉物联网的工程用电安全管理方法 | |
CN112734977B (zh) | 一种基于物联网的设备风险预警系统及算法 | |
CN117612345A (zh) | 一种电力设备状态监测报警系统及方法 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
CN114498934A (zh) | 一种变电站监控系统 | |
CN116609651A (zh) | 一种光伏用多功能断路器的检测方法 | |
CN115018220A (zh) | 一种基于知识图谱的家电故障预测方法和系统 | |
CN116796261B (zh) | 一种基于人工智能的封闭开关设备机械特性预测方法 | |
KR102604708B1 (ko) | 인공 지능 기반 수배전반 진단 시스템 및 방법 | |
CN117607590A (zh) | 一种高压开关柜故障预警检测方法 | |
CN113153262A (zh) | 一种基于电缆热特性的海上油田可接入容量评估方法 | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 | |
CN104849654A (zh) | 断路器在线监测方法及系统 | |
CN114069865A (zh) | 换流站运行监测系统、方法、装置、计算机设备及介质 | |
CN107065724A (zh) | 一种配电室智能值班机器人系统及控制方法 | |
CN113572837A (zh) | 基于分片技术的电网监控系统数据处理服务调度方法 | |
CN114254798A (zh) | 输电线路的监控方法、装置、计算机设备和存储介质 | |
CN117375147B (zh) | 一种储能电站的安全监测预警与运行管理方法及系统 | |
KR102388973B1 (ko) | 내진 시설을 구비한 주배선반 시스템 |
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 |