CN114882169A - 一种基于三维数据的电网工程大数据智能分析系统及方法 - Google Patents

一种基于三维数据的电网工程大数据智能分析系统及方法 Download PDF

Info

Publication number
CN114882169A
CN114882169A CN202210364966.8A CN202210364966A CN114882169A CN 114882169 A CN114882169 A CN 114882169A CN 202210364966 A CN202210364966 A CN 202210364966A CN 114882169 A CN114882169 A CN 114882169A
Authority
CN
China
Prior art keywords
prediction
module
data
construction area
power grid
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
Application number
CN202210364966.8A
Other languages
English (en)
Inventor
吴冰
胡锡燎
张波
卞荣
黄江倩
王婷婷
诸言涵
陈科技
陈赛慧
李思鹏
林贺
杨轶涵
王哲
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.)
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
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 Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd filed Critical Economic and Technological Research Institute of State Grid Zhejiang Electric Power Co Ltd
Priority to CN202210364966.8A priority Critical patent/CN114882169A/zh
Publication of CN114882169A publication Critical patent/CN114882169A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于三维数据的电网工程大数据智能分析系统及方法，属于电网工程大数据智能分析技术领域。该系统包括：遥感信息处理模块、区域划分模块、第一预测分析模块、校正模块、时间管理模块；所述遥感信息处理模块的输出端与所述区域划分模块的输入端相连接；所述区域划分模块的输出端与所述第一预测分析模块的输入端相连接；所述第一预测分析模块的输出端与所述校正模块的输入端相连接；所述校正模块的输出端与所述时间管理模块的输入端相连接。本发明能够在电网工程规划过程中，能够基于环境地貌具体分析，提出最佳工期预测方案，具备精度高、可实施性强的优点，满足电力领域需要。

Description

一种基于三维数据的电网工程大数据智能分析系统及方法
技术领域
本发明涉及电网工程大数据智能分析技术领域，具体为一种基于三维数据的电网工程大数据智能分析系统及方法。
背景技术
三维（3D）数据，是指数据包含了现实三维场景中完整的几何信息的数据，与我们熟悉的二维数据相比，由于3D数据带有深度信息，因此它也成为了实现高精度识别、定位、重建、场景理解等机器视觉的关键。在电网工程中，由于地域的复杂性，一般需要通过三维建模的手段，提前作出各项预案，以保证在电网工程中的安全性。
目前我国基础设施建设正在全面的开展，电网工程是一项系统而又复杂的工程，往往需要分成多个区域进行独立施工，各部分区域的施工均需要有计划的开展，在电网施工过程中，施工环境复杂多变，其对施工技术有一定高难度的要求，同时对于计划的工期也存在巨大的影响，不同环境、不同地貌下工人的工作效率难以平衡，较大误差的施工计划将会严重影响到施工的进度和质量，而目前并没有针对于这一方面的施工方案的处理。
发明内容
本发明的目的在于提供一种基于三维数据的电网工程大数据智能分析系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：
一种基于三维数据的电网工程大数据智能分析方法，该方法包括以下步骤：
S1、获取电网工程施工区域，利用无人机遥感获取三维数据，构建电网工程施工区域的数字线划矢量图DLG、数字高程模型DEM，建立数字正射影像图DOM，生成电网工程施工区域的三维模型；
S2、在三维模型中将电网工程施工区域随机划分成N个独立施工区域，每一种划分记为一种划分方案，获取各独立施工区域的工作总量，获取各独立施工区域的环境地貌，其中，N为常数值；
S3、获取工作人员工效信息数据，构建预测模型，基于预测模型分析环境地貌对工效的影响，计算得出各独立施工区域的预测工期；
S4、基于预测工期构建时间管理模型，生成可调配数据，对可调配数据进行分配，生成新的预测工期，利用计算机大数据智能挑选出预测工期最小的方案，输出至管理员端口。
根据上述技术方案，所述三维模型包括：
获取无人家遥感图像，去除周期性噪声和尖锐性噪声； 去除遥感图像中的坏线，所述坏线指遥感图像中出现的扫描方向平行的
条带和与辐射信号无关的条带噪声；
对遥感图像进行薄云处理、阴影处理；
由于太阳高度角的原因，有些图像会出现山体阴影，可以采用比值法对
其进行消除。
对遥感影像进行几何精纠正；所述几何精纠正包括图像对图像的纠正（即利用已有准确地理坐标和投影信息的遥感影像，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息）、图像对地图的纠正（即利用已有准确地理坐标和投影信息的扫描地形图或矢量地形图，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息）、图像对已知坐标点的纠正（即利用已有准确地理坐标和投影信息的已知坐标点或地面控制点，对原始遥感影像进行纠正，使其具有准确的地理坐标和投影信息）；正射纠正 利用已有地理参考数据（影像、地形图和控制点等）和数字高程模型DEM对原始遥感影像进行纠正，可消除或减弱地形起伏带来的影像变形，使得遥感影像具有准确的地面坐标和投影信息。
对遥感图像进行图像增强，包括彩色合成、直方图变换、密度分割、灰度颠倒、图像间运算、邻域增强、主成分分析、K-T变换、图像融合；
根据处理后的遥感影像，建立数字正射影像图DOM，生成电网工程施工区域的三维模型。 所述彩色合成是为了充分利用色彩在遥感图像判读和信息提取中的优势，利用彩色合成的方法对多光谱图像进行处理，以得到彩色图像。彩色图像可以分为真彩色图像和假彩色图像。
所述直方图变换为统计每幅图像的各亮度的像元数而得到的随机分布图，即为该幅图像的直方图。一般来说，包含大量像元的图像，像元的亮度随机分布应是正态分布。直方图为非正态分布，说明图像的亮度分布偏亮、偏暗或亮度过于集中，图像的对比度小，需要调整该直方图到正态分布，以改善图像的质量。
所述密度分割为将灰度图像按照像元的灰度值进行分级，再分级赋以不同的颜色，使原有灰度图像变成伪彩色图像，达到图像增强的目的。
所述灰度颠倒是将图像的灰度范围先拉伸到显示设备的动态范围(如0～255)到饱和状态，然后再进行颠倒，使正像和负像互换。
所述图像间运算为两幅或多幅单波段图像，空间配准后可进行算术运算，实现图像的增强。常见的有加法运算、减法运算、比值运算和综合运算。例如：减法运算：可突现出两波段差值大的地物，如红外-红，可突现植被信息。 比值运算：常用于计算植被指数、消除地形阴影等。植被指数：
Figure 420576DEST_PATH_IMAGE001
。
所述邻域增强又叫滤波处理，是在被处理像元周围的像元参与下进行的运算处理，邻域的范围取决于滤波器的大小，如3×3或5×5等。邻区法处理用于去噪声、图像平滑、锐化和相关运算。
所述主成分分析也叫PCA变换，可以用来消除特征向量中各特征之间的相关性，并进行特征选择。主成分分析算法还可以用来进行高光谱图像数据的压缩和信息融合。例如：对LandsatTM的6个波段的多光谱图像(热红外波段除外)进行主成分分析，然后把得到的第1，2，3主分量图像进行彩色合成，可以获得信息量非常丰富的彩色图像。
所述K-T变换即Kauth-Thomas变换，又称为“缨帽变换”。这种变换着眼点在于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间中的特征。
所述图像融合是将多源遥感数据在统一的地理坐标系中，采用一定的算法生成一组新的信息或合成图像的过程。不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率，如果能将它们各自的优势综合起来，可以弥补单一图像上信息的不足，这样不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分析的精度。
根据上述技术方案，所述预测模型包括：
获取历史施工数据，构建线性回归预测模型进行初始预测：
所述环境地貌包括天气、地貌、交通；
以任一施工区域工作人员工效变化率为因变量，以天气、地貌、交通为自变量，构建回归方程：
Figure 773760DEST_PATH_IMAGE002
其中，
Figure 503819DEST_PATH_IMAGE003
为回归方程的回归系数，
Figure 235015DEST_PATH_IMAGE004
为误差因子；
Figure 57739DEST_PATH_IMAGE005
代表天气、地貌、交通的归一化数据；
Figure 874386DEST_PATH_IMAGE006
代表任一施工区域工作人员工效变化率；
获取第
Figure 939294DEST_PATH_IMAGE007
种划分方案下的各独立施工区域的工作总量，
Figure 524996DEST_PATH_IMAGE007
代表常数值；
计算得出第
Figure 984534DEST_PATH_IMAGE007
种划分方案下各独立施工区域的工期时长预测值：
Figure 554055DEST_PATH_IMAGE008
其中，
Figure 891496DEST_PATH_IMAGE009
代表第
Figure 331704DEST_PATH_IMAGE010
个独立施工区域的工期时长预测值；
Figure 292969DEST_PATH_IMAGE011
代表第
Figure 818629DEST_PATH_IMAGE010
个独立施工区域的工作总量；
Figure 959760DEST_PATH_IMAGE012
代表设置的标准工效；
对第
Figure 520054DEST_PATH_IMAGE007
种划分方案下各独立施工区域的工期时长预测值进行计算，写成矩阵A；
构建卡尔曼状态方程对第
Figure 389571DEST_PATH_IMAGE007
种划分方案下各独立施工区域的工期时长预测值进行优化：
Figure 402526DEST_PATH_IMAGE013
Figure 347349DEST_PATH_IMAGE014
代表第
Figure 263614DEST_PATH_IMAGE007
种划分方案下的状态向量，为预测工期时长输出值；
Figure 799638DEST_PATH_IMAGE015
代表第
Figure 299889DEST_PATH_IMAGE016
种划分方案下的状态向量；
Figure 48403DEST_PATH_IMAGE017
代表卡尔曼增益；
所述卡尔曼增益计算包括：
根据传统贝叶斯融合，利用先验状态忽略高斯噪声时构建公式：
Figure 550666DEST_PATH_IMAGE018
其中，
Figure 726432DEST_PATH_IMAGE019
代表先验状态下忽略高斯噪声时的第
Figure 979559DEST_PATH_IMAGE020
种划分方案下的状态向量；
Figure 605DEST_PATH_IMAGE021
代表后验状态下的第
Figure 157042DEST_PATH_IMAGE016
种划分方案下的状态向量，即第
Figure 503709DEST_PATH_IMAGE016
种划分方案下的各独立施工区域的预测工期时长输出值；
Figure 775291DEST_PATH_IMAGE022
Figure 928641DEST_PATH_IMAGE023
表示忽略测量噪声根据当前先验状态得到的无噪声测量值；
其中，
Figure 172540DEST_PATH_IMAGE024
代表运动测量值，为独立施工区域的划分方式；
Figure 690109DEST_PATH_IMAGE025
代表状态转换矩阵，代表从第
Figure 652249DEST_PATH_IMAGE016
种划分方案的状态转换至第
Figure 375617DEST_PATH_IMAGE020
种划分方案的状态；
Figure 474023DEST_PATH_IMAGE026
代表控制输入矩阵，将运动测量值
Figure 457766DEST_PATH_IMAGE024
的作用映射到状态向量上；
Figure 907202DEST_PATH_IMAGE027
代表当前状态下预测工期时长预测值到预测工期时长输出值的转换矩阵；
计算噪声变量，并构建后验状态下的第
Figure 699839DEST_PATH_IMAGE020
种划分方案下的状态向量：
Figure 183910DEST_PATH_IMAGE028
其中，
Figure 574440DEST_PATH_IMAGE029
代表后验状态下的第
Figure 609042DEST_PATH_IMAGE020
种划分方案下的状态向量，
Figure 110431DEST_PATH_IMAGE030
代表卡尔曼增益；
若
Figure 684894DEST_PATH_IMAGE029
的状态最优，则后验状态下的误差协方差矩阵应最小，计算在后验状态下的误差协方差矩阵最小时的卡尔曼增益
Figure 449587DEST_PATH_IMAGE030
：
定义先验状态与后验状态下的误差协方差矩阵分别为
Figure 404774DEST_PATH_IMAGE031
：
Figure 208389DEST_PATH_IMAGE032
Figure 401473DEST_PATH_IMAGE033
其中，
Figure 337067DEST_PATH_IMAGE034
代表第
Figure 15436DEST_PATH_IMAGE035
种划分方案时先验状态下的误差协方差矩阵；
Figure 327468DEST_PATH_IMAGE036
代表状态转换矩阵的转置矩阵；
计算得出卡尔曼增益
Figure 171797DEST_PATH_IMAGE037
：
Figure 543872DEST_PATH_IMAGE038
其中，
Figure 638430DEST_PATH_IMAGE039
代表当前状态下预测工期时长估计值到预测工期时长输出值的转换矩阵的转置矩阵；
Figure 754154DEST_PATH_IMAGE040
代表预测的高斯噪声的协方差矩阵；
Figure 656251DEST_PATH_IMAGE041
代表测量噪声的协方差矩阵，为测量机器带来的误差；
输出最优状态下的
Figure 497430DEST_PATH_IMAGE042
，代表第
Figure 117767DEST_PATH_IMAGE043
种划分方案下的最优状态向量，对应有各独立区域位置与数量信息、环境地貌信息；此时
Figure 506023DEST_PATH_IMAGE044
选取最优状态下的
Figure 528206DEST_PATH_IMAGE042
作为第
Figure 537357DEST_PATH_IMAGE043
种划分方案下的各独立施工区域的预测工期时长输出值。
根据上述技术方案，所述时间管理模型包括：
S4-1、获取第
Figure 379411DEST_PATH_IMAGE043
种划分方案下的各独立施工区域的预测工期时长输出值，对预测工期时长进行排序；
S4-2、取预测工期时长最短的独立施工区域，生成可调配数据，所述可调配数据包括可调配工人数据、可调配资源数据；
S4-3、将可调配数据分配至预测工期时长最长的独立施工区域，并计算补偿工期：
Figure 836937DEST_PATH_IMAGE045
其中，
Figure 448047DEST_PATH_IMAGE046
代表补偿工期；
Figure 834291DEST_PATH_IMAGE047
代表补偿系数；
Figure 960379DEST_PATH_IMAGE048
代表可调配数据；
Figure 424859DEST_PATH_IMAGE049
代表被补偿的独立施工区域；
在预测工期时长最长的独立施工区域的预测工期时长中减去补偿工期，生成新的预测工期时长；
S4-4、不断重复步骤S4-2、S4-3，直至预测工期时长的极值差值小于阈值T时停止，T代表补偿停止阈值；
S4-5、获取每种划分方案下的独立施工区域中最大的预测工期时长，作为划分方案的预测工期时长，利用计算机大数据获取智能挑选出预测工期时长最小的划分方案，输出至管理员端口。
一种基于三维数据的电网工程大数据智能分析系统，该系统包括：遥感信息处理模块、区域划分模块、第一预测分析模块、校正模块、时间管理模块；
所述遥感信息处理模块用于获取电网工程施工区域，利用无人机遥感获取三维数据，对遥感信息进行处理，构建电网工程施工区域的数字线划矢量图DLG、数字高程模型DEM，建立数字正射影像图DOM，生成电网工程施工区域的三维模型；所述区域划分模块用于在三维模型中将电网工程施工区域随机划分成N个独立施工区域，每一种划分记为一种划分方案，获取各独立施工区域的工作总量，获取各独立施工区域的环境地貌，其中，N为常数值；所述第一预测分析模块用于构建线性回归预测模型，基于预测模型分析环境地貌对工效的影响，计算得出各独立施工区域的预测工期；所述校正模块用于对各独立施工区域的预测工期进行校正，利用卡尔曼滤波结合贝叶斯进行处理；所述时间管理模块用于构建时间管理模型，生成可调配数据，对可调配数据进行分配，生成新的预测工期，利用计算机大数据智能挑选出预测工期最小的方案，输出至管理员端口；
所述遥感信息处理模块的输出端与所述区域划分模块的输入端相连接；所述区域划分模块的输出端与所述第一预测分析模块的输入端相连接；所述第一预测分析模块的输出端与所述校正模块的输入端相连接；所述校正模块的输出端与所述时间管理模块的输入端相连接。
根据上述技术方案，所述遥感信息处理模块包括遥感信息数据测绘子模块、遥感信息数据处理子模块；
所述遥感信息数据测绘子模块利用无人机遥感获取遥感信息；所述遥感信息数据处理子模块对获取到的遥感信息进行处理，构建电网工程施工区域的数字线划矢量图DLG、数字高程模型DEM，建立数字正射影像图DOM，生成电网工程施工区域的三维模型；
所述遥感信息数据测绘子模块的输出端与所述遥感信息数据处理子模块的输入端相连接；所述遥感信息数据处理子模块的输出端与所述区域划分模块的输入端相连接。
根据上述技术方案，所述区域划分模块包括区域划分子模块、区域采集子模块；
所述区域划分子模块用于在三维模型中将电网工程施工区域随机划分成N个独立施工区域，每一种划分记为一种划分方案；所述区域采集子模块用于获取各独立施工区域的工作总量，获取各独立施工区域的环境地貌；
所述区域划分子模块的输出端与所述区域采集子模块的输入端相连接；所述区域采集子模块的输出端与所述第一预测分析模块的输入端相连接。
根据上述技术方案，所述第一预测分析模块包括初始预测分析子模块、预测工期输出子模块；
所述初始预测分析子模块用于构建线性回归预测模型进行初始预测，以任一施工区域工作人员工效变化率为因变量，以天气、地貌、交通为自变量，生成各独立施工区域的预测工期；所述预测工期输出子模块用于将预测工期时长写成矩阵，输出至校正模块；
所述初始预测分析子模块的输出端与所述预测工期输出子模块的输入端相连接；所述预测工期输出子模块的输出端与所述校正模块的输入端相连接。
根据上述技术方案，所述校正模块包括模型搭建子模块、校正处理子模块；
所述模型搭建子模块用于构建卡尔曼滤波模型，对各独立施工区域的预测工期进行校正；所述校正处理子模块用于根据模型搭建子模块构建的模型对预测工期处理后，输出新的预测工期时长；
所述模型搭建子模块的输出端与所述校正处理子模块的输入端相连接；所述校正处理子模块的输出端与所述时间管理模块的输入端相连接。
根据上述技术方案，所述时间管理模块包括可调配数据管理子模块、智能分析处理子模块；
所述可调配数据管理子模块用于构建时间管理模型，生成可调配数据，对可调配数据进行分配，生成新的预测工期；所述智能分析处理子模块利用计算机大数据智能挑选出预测工期最小的方案，输出至管理员端口。
与现有技术相比，本发明所达到的有益效果是：
本发明能够利用所述遥感信息处理模块获取电网工程施工区域，利用无人机遥感获取三维数据，对遥感信息进行处理，构建电网工程施工区域的数字线划矢量图DLG、数字高程模型DEM，建立数字正射影像图DOM，生成电网工程施工区域的三维模型；利用区域划分模块在三维模型中将电网工程施工区域随机划分成N个独立施工区域，每一种划分记为一种划分方案，获取各独立施工区域的工作总量，获取各独立施工区域的环境地貌；利用第一预测分析模块构建线性回归预测模型，基于预测模型分析环境地貌对工效的影响，计算得出各独立施工区域的预测工期；利用校正模块对各独立施工区域的预测工期进行校正，利用卡尔曼滤波结合贝叶斯进行处理；利用时间管理模块构建时间管理模型，生成可调配数据，对可调配数据进行分配，生成新的预测工期，利用计算机大数据智能挑选出预测工期最小的方案，输出至管理员端口；本发明能够在电网工程规划过程中，在不同的划分方案下，能够基于环境地貌具体分析，提出最佳工期预测方案，因而得出最适应的划分方案，具备精度高、可实施性强的优点，满足电力领域需要。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于三维数据的电网工程大数据智能分析系统及方法的流程示意图；
图2是本发明一种基于三维数据的电网工程大数据智能分析方法的步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
请参阅图1-图2，在本实施例中：
获取一电网工程项目；
构建电网工程施工区域，利用无人机遥感获取三维数据，生成电网工程施工区域的三维模型；
在三维模型中将电网工程施工区域随机划分成N个独立施工区域，每一种划分记为一种划分方案，获取各独立施工区域的工作总量，获取各独立施工区域的环境地貌；
获取历史施工数据，构建线性回归预测模型进行初始预测：
所述环境地貌包括天气、地貌、交通；
以任一施工区域工作人员工效变化率为因变量，以天气、地貌、交通为自变量，构建回归方程：
Figure 156054DEST_PATH_IMAGE050
其中，
Figure 512867DEST_PATH_IMAGE051
为回归方程的回归系数，
Figure 532776DEST_PATH_IMAGE052
为误差因子；
Figure 597684DEST_PATH_IMAGE053
代表天气、地貌、交通的归一化数据；
Figure 183386DEST_PATH_IMAGE054
代表任一施工区域工作人员工效变化率；
获取第
Figure 911433DEST_PATH_IMAGE055
种划分方案下的各独立施工区域的工作总量，
Figure 215375DEST_PATH_IMAGE055
代表常数值；
计算得出第
Figure 83974DEST_PATH_IMAGE055
种划分方案下各独立施工区域的工期时长预测值：
Figure 524182DEST_PATH_IMAGE056
其中，
Figure 685780DEST_PATH_IMAGE057
代表第
Figure 211439DEST_PATH_IMAGE058
个独立施工区域的工期时长预测值；
Figure 618150DEST_PATH_IMAGE059
代表第
Figure 912865DEST_PATH_IMAGE058
个独立施工区域的工作总量；
Figure 248294DEST_PATH_IMAGE060
代表设置的标准工效；
对第
Figure 261249DEST_PATH_IMAGE055
种划分方案下各独立施工区域的工期时长预测值进行计算，写成矩阵A；
构建卡尔曼状态方程对第
Figure 206071DEST_PATH_IMAGE055
种划分方案下各独立施工区域的工期时长预测值进行优化：
Figure 620872DEST_PATH_IMAGE061
Figure 141851DEST_PATH_IMAGE062
代表第
Figure 642102DEST_PATH_IMAGE055
种划分方案下的状态向量，为预测工期时长输出值；
Figure 390615DEST_PATH_IMAGE063
代表第
Figure 394343DEST_PATH_IMAGE064
种划分方案下的状态向量；
Figure 337154DEST_PATH_IMAGE065
代表卡尔曼增益；
在上述技术方案中，根据卡尔曼滤波的思路，若要估计当前系统的状态，需要有两个已知量，分别为上一个状态的估计值以及当前状态的预测值，这两个都有一定的噪声，基于卡尔曼滤波的思想，对这两部分的噪声进行融合处理，从而提高系统模型精度，生成当前状态下的输出值；
所述卡尔曼增益计算包括：
根据传统贝叶斯融合，利用先验状态忽略高斯噪声时构建公式：
Figure 59122DEST_PATH_IMAGE066
其中，
Figure 611326DEST_PATH_IMAGE067
代表先验状态下忽略高斯噪声时的第
Figure 719DEST_PATH_IMAGE055
种划分方案下的状态向量；
Figure 314764DEST_PATH_IMAGE068
代表后验状态下的第
Figure 789607DEST_PATH_IMAGE064
种划分方案下的状态向量，即第
Figure 145502DEST_PATH_IMAGE064
种划分方案下的各独立施工区域的预测工期时长输出值；
Figure 389402DEST_PATH_IMAGE069
Figure 408436DEST_PATH_IMAGE070
表示忽略测量噪声根据当前先验状态得到的无噪声测量值；
其中，
Figure 839417DEST_PATH_IMAGE071
代表运动测量值，为独立施工区域的划分方式；
Figure 467844DEST_PATH_IMAGE072
代表状态转换矩阵，代表从第
Figure 831830DEST_PATH_IMAGE064
种划分方案的状态转换至第
Figure 24695DEST_PATH_IMAGE055
种划分方案的状态；
Figure 5289DEST_PATH_IMAGE073
代表控制输入矩阵，将运动测量值
Figure 437407DEST_PATH_IMAGE071
的作用映射到状态向量上；
Figure 157364DEST_PATH_IMAGE074
代表当前状态下预测工期时长预测值到预测工期时长输出值的转换矩阵；
Figure 16735DEST_PATH_IMAGE071
作为一个可选的控制输入，在本实施例中，不考虑运动测量值；
计算噪声变量，并构建后验状态下的第
Figure 687888DEST_PATH_IMAGE055
种划分方案下的状态向量：
Figure 658118DEST_PATH_IMAGE075
其中，
Figure 934379DEST_PATH_IMAGE076
代表后验状态下的第
Figure 463187DEST_PATH_IMAGE055
种划分方案下的状态向量，
Figure 621636DEST_PATH_IMAGE077
代表卡尔曼增益；
若
Figure 395557DEST_PATH_IMAGE076
的状态最优，则后验状态下的误差协方差矩阵应最小，计算在后验状态下的误差协方差矩阵最小时的卡尔曼增益
Figure 323061DEST_PATH_IMAGE077
：
定义先验状态与后验状态下的误差协方差矩阵分别为
Figure 25700DEST_PATH_IMAGE078
：
Figure 671445DEST_PATH_IMAGE079
其中，
Figure 249057DEST_PATH_IMAGE080
代表第
Figure 31069DEST_PATH_IMAGE064
种划分方案时先验状态下的误差协方差矩阵；
Figure 895820DEST_PATH_IMAGE081
代表状态转换矩阵的转置矩阵；
计算得出卡尔曼增益
Figure 28861DEST_PATH_IMAGE077
：
Figure 410164DEST_PATH_IMAGE082
其中，
Figure 312261DEST_PATH_IMAGE083
代表当前状态下预测工期时长估计值到预测工期时长输出值的转换矩阵的转置矩阵；
Figure 356702DEST_PATH_IMAGE084
代表预测的高斯噪声的协方差矩阵；
Figure 977039DEST_PATH_IMAGE085
代表测量噪声的协方差矩阵，为测量机器带来的误差；
其中高斯噪声和测量噪声是相互独立的，在离散的状态上是没有关系的且服从高斯分布；
输出最优状态下的
Figure 630875DEST_PATH_IMAGE086
，代表第
Figure 387478DEST_PATH_IMAGE087
种划分方案下的最优状态向量，对应有各独立区域位置与数量信息、环境地貌信息；此时
Figure 865471DEST_PATH_IMAGE088
选取最优状态下的
Figure 707525DEST_PATH_IMAGE086
作为第
Figure 165051DEST_PATH_IMAGE087
种划分方案下的各独立施工区域的预测工期时长输出值。
获取第
Figure 41740DEST_PATH_IMAGE087
种划分方案下的各独立施工区域的预测工期时长输出值，对预测工期时长进行排序；
取预测工期时长最短的独立施工区域，生成可调配数据，所述可调配数据包括可调配工人数据、可调配资源数据；
将可调配数据分配至预测工期时长最长的独立施工区域，并计算补偿工期：
Figure 427984DEST_PATH_IMAGE089
其中，
Figure 757334DEST_PATH_IMAGE090
代表补偿工期；
Figure 18551DEST_PATH_IMAGE091
代表补偿系数；
Figure 484168DEST_PATH_IMAGE092
代表可调配数据；
Figure 840981DEST_PATH_IMAGE093
代表被补偿的独立施工区域；
在预测工期时长最长的独立施工区域的预测工期时长中减去补偿工期，生成新的预测工期时长；
不断重复上述两个步骤，直至预测工期时长的极值差值小于阈值T时停止，T代表补偿停止阈值；
获取每种划分方案下的独立施工区域中最大的预测工期时长，作为划分方案的预测工期时长，利用计算机大数据获取智能挑选出预测工期时长最小的划分方案，输出至管理员端口。
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。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于三维数据的电网工程大数据智能分析方法，其特征在于：该方法包括以下步骤：
S1、获取电网工程施工区域，利用无人机遥感获取遥感数据，构建电网工程施工区域的数字线划矢量图DLG、数字高程模型DEM，建立数字正射影像图DOM，生成电网工程施工区域的三维模型；
S2、在三维模型中将电网工程施工区域随机划分成N个独立施工区域，每一种划分记为一种划分方案，获取各独立施工区域的工作总量，获取各独立施工区域的环境地貌，其中，N为常数值；
S3、获取工作人员工效信息数据，构建预测模型，基于预测模型分析环境地貌对工效的影响，计算得出各独立施工区域的预测工期，并进行校正；
S4、基于预测工期构建时间管理模型，生成可调配数据，对可调配数据进行分配，生成新的预测工期，利用计算机大数据智能挑选出预测工期最小的方案，输出至管理员端口。
2.根据权利要求1所述的一种基于三维数据的电网工程大数据智能分析方法，其特征在于：所述生成电网工程施工区域的三维模型包括：
获取无人机遥感图像，去除周期性噪声和尖锐性噪声； 去除遥感图像中的坏线，所述坏线指遥感图像中出现的扫描方向平行的
条带和与辐射信号无关的条带噪声；
对遥感图像进行薄云处理、阴影处理；
对遥感影像进行几何精纠正；所述几何精纠正包括图像对图像的纠正、图像对地图的纠正、图像对已知坐标点的纠正、正射纠正；
对遥感图像进行图像增强，包括彩色合成、直方图变换、密度分割、灰度颠倒、图像间运算、邻域增强、主成分分析、K-T变换、图像融合；
根据处理后的遥感影像，建立数字正射影像图DOM，生成电网工程施工区域的三维模型。
3.根据权利要求1所述的一种基于三维数据的电网工程大数据智能分析方法，其特征在于：所述预测模型包括：
获取历史施工数据，构建线性回归预测模型进行初始预测：
所述环境地貌包括天气、地貌、交通；
以任一施工区域工作人员工效变化率为因变量，以天气、地貌、交通为自变量，构建回归方程：
Figure 633364DEST_PATH_IMAGE001
其中，
Figure 866506DEST_PATH_IMAGE002
为回归方程的回归系数，
Figure 36587DEST_PATH_IMAGE003
为误差因子；
Figure 339393DEST_PATH_IMAGE004
Figure 211402DEST_PATH_IMAGE004
代表天气、地貌、交通的归一化数据；
Figure 625066DEST_PATH_IMAGE005
代表任一施工区域工作人员工效变化率；
获取第
Figure 649654DEST_PATH_IMAGE006
种划分方案下的各独立施工区域的工作总量，
Figure 749459DEST_PATH_IMAGE006
代表常数值；
计算得出第
Figure 718552DEST_PATH_IMAGE006
种划分方案下各独立施工区域的工期时长预测值：
Figure 545694DEST_PATH_IMAGE007
其中，
Figure 815001DEST_PATH_IMAGE008
代表第
Figure 584243DEST_PATH_IMAGE009
个独立施工区域的工期时长预测值；
Figure 40632DEST_PATH_IMAGE010
代表第
Figure 937044DEST_PATH_IMAGE009
个独立施工区域的工作总量；
Figure 147009DEST_PATH_IMAGE011
代表设置的标准工效；
对第
Figure 228098DEST_PATH_IMAGE006
种划分方案下各独立施工区域的工期时长预测值进行计算，写成矩阵A；
构建卡尔曼状态方程对第
Figure 47149DEST_PATH_IMAGE006
种划分方案下各独立施工区域的工期时长预测值进行优化：
Figure 606306DEST_PATH_IMAGE012
Figure 443681DEST_PATH_IMAGE013
代表第
Figure 305458DEST_PATH_IMAGE006
种划分方案下的状态向量，为预测工期时长输出值；
Figure 736439DEST_PATH_IMAGE014
代表第
Figure 725386DEST_PATH_IMAGE015
种划分方案下的状态向量；
Figure 558213DEST_PATH_IMAGE016
代表卡尔曼增益；
所述卡尔曼增益计算包括：
根据传统贝叶斯融合，利用先验状态忽略高斯噪声时构建公式：
Figure 325312DEST_PATH_IMAGE017
其中，
Figure 633802DEST_PATH_IMAGE018
代表先验状态下忽略高斯噪声时的第
Figure 534762DEST_PATH_IMAGE006
种划分方案下的状态向量；
Figure 831882DEST_PATH_IMAGE019
代表后验状态下的第
Figure 160096DEST_PATH_IMAGE020
种划分方案下的状态向量，即第
Figure 188838DEST_PATH_IMAGE020
种划分方案下的各独立施工区域的预测工期时长输出值；
Figure 893489DEST_PATH_IMAGE021
Figure 310695DEST_PATH_IMAGE022
表示忽略测量噪声根据当前先验状态得到的无噪声测量值；
其中，
Figure 200022DEST_PATH_IMAGE023
代表运动测量值，为独立施工区域的划分方式；
Figure 827313DEST_PATH_IMAGE024
代表状态转换矩阵，代表从第
Figure 211021DEST_PATH_IMAGE020
种划分方案的状态转换至第
Figure 607367DEST_PATH_IMAGE006
种划分方案的状态；
Figure 903481DEST_PATH_IMAGE025
代表控制输入矩阵，将运动测量值
Figure 18068DEST_PATH_IMAGE026
的作用映射到状态向量上；
Figure 939888DEST_PATH_IMAGE027
代表当前状态下预测工期时长预测值到预测工期时长输出值的转换矩阵；
计算噪声变量，并构建后验状态下的第
Figure 580953DEST_PATH_IMAGE006
种划分方案下的状态向量：
Figure 421870DEST_PATH_IMAGE028
其中，
Figure 899119DEST_PATH_IMAGE029
代表后验状态下的第
Figure 749264DEST_PATH_IMAGE006
种划分方案下的状态向量，
Figure 749230DEST_PATH_IMAGE030
代表卡尔曼增益；
若
Figure 761049DEST_PATH_IMAGE029
的状态最优，则后验状态下的误差协方差矩阵应最小，计算在后验状态下的误差协方差矩阵最小时的卡尔曼增益
Figure 460014DEST_PATH_IMAGE030
：
定义先验状态与后验状态下的误差协方差矩阵分别为
Figure 848270DEST_PATH_IMAGE031
：
Figure 463928DEST_PATH_IMAGE032
其中，
Figure 522014DEST_PATH_IMAGE033
代表第
Figure 98489DEST_PATH_IMAGE034
种划分方案时先验状态下的误差协方差矩阵；
Figure 916535DEST_PATH_IMAGE035
代表状态转换矩阵的转置矩阵；
计算得出卡尔曼增益
Figure 996486DEST_PATH_IMAGE036
：
Figure 491053DEST_PATH_IMAGE037
其中，
Figure 679457DEST_PATH_IMAGE038
代表当前状态下预测工期时长估计值到预测工期时长输出值的转换矩阵的转置矩阵；
Figure 409516DEST_PATH_IMAGE039
代表预测的高斯噪声的协方差矩阵；
Figure 219340DEST_PATH_IMAGE040
代表测量噪声的协方差矩阵，为测量机器带来的误差；
输出最优状态下的
Figure 9441DEST_PATH_IMAGE041
，代表第
Figure 183677DEST_PATH_IMAGE042
种划分方案下的最优状态向量，对应有各独立区域位置与数量信息、环境地貌信息；此时
Figure 451848DEST_PATH_IMAGE043
选取最优状态下的
Figure 381758DEST_PATH_IMAGE041
作为第
Figure 732973DEST_PATH_IMAGE042
种划分方案下的各独立施工区域的预测工期时长输出值。
4.根据权利要求3所述的一种基于三维数据的电网工程大数据智能分析方法，其特征在于：所述时间管理模型包括：
S4-1、获取第
Figure 240178DEST_PATH_IMAGE042
种划分方案下的各独立施工区域的预测工期时长输出值，对预测工期时长进行排序；
S4-2、取预测工期时长最短的独立施工区域，生成可调配数据，所述可调配数据包括可调配工人数据、可调配资源数据；
S4-3、将可调配数据分配至预测工期时长最长的独立施工区域，并计算补偿工期：
Figure 187406DEST_PATH_IMAGE044
其中，
Figure 627614DEST_PATH_IMAGE045
代表补偿工期；
Figure 120038DEST_PATH_IMAGE046
代表补偿系数；
Figure 380118DEST_PATH_IMAGE047
代表可调配数据；
Figure 131036DEST_PATH_IMAGE048
代表被补偿的独立施工区域；
在预测工期时长最长的独立施工区域的预测工期时长中减去补偿工期，生成新的预测工期时长；
S4-4、不断重复步骤S4-2、S4-3，直至预测工期时长的极值差值小于阈值T时停止，T代表补偿停止阈值；
S4-5、获取每种划分方案下的独立施工区域中最大的预测工期时长，作为划分方案的预测工期时长，利用计算机大数据获取智能挑选出预测工期时长最小的划分方案，输出至管理员端口。
5.一种基于三维数据的电网工程大数据智能分析系统，其特征在于：该系统包括：遥感信息处理模块、区域划分模块、第一预测分析模块、校正模块、时间管理模块；
所述遥感信息处理模块用于获取电网工程施工区域，利用无人机遥感获取三维数据，对遥感信息进行处理，构建电网工程施工区域的数字线划矢量图DLG、数字高程模型DEM，建立数字正射影像图DOM，生成电网工程施工区域的三维模型；所述区域划分模块用于在三维模型中将电网工程施工区域随机划分成N个独立施工区域，每一种划分记为一种划分方案，获取各独立施工区域的工作总量，获取各独立施工区域的环境地貌，其中，N为常数值；所述第一预测分析模块用于构建线性回归预测模型，基于预测模型分析环境地貌对工效的影响，计算得出各独立施工区域的预测工期；所述校正模块用于对各独立施工区域的预测工期进行校正，利用卡尔曼滤波结合贝叶斯进行处理；所述时间管理模块用于构建时间管理模型，生成可调配数据，对可调配数据进行分配，生成新的预测工期，利用计算机大数据智能挑选出预测工期最小的方案，输出至管理员端口；
所述遥感信息处理模块的输出端与所述区域划分模块的输入端相连接；所述区域划分模块的输出端与所述第一预测分析模块的输入端相连接；所述第一预测分析模块的输出端与所述校正模块的输入端相连接；所述校正模块的输出端与所述时间管理模块的输入端相连接。
6.根据权利要求5所述的一种基于三维数据的电网工程大数据智能分析系统，其特征在于：所述遥感信息处理模块包括遥感信息数据测绘子模块、遥感信息数据处理子模块；
所述遥感信息数据测绘子模块利用无人机遥感获取遥感信息；所述遥感信息数据处理子模块对获取到的遥感信息进行处理，构建电网工程施工区域的数字线划矢量图DLG、数字高程模型DEM，建立数字正射影像图DOM，生成电网工程施工区域的三维模型；
所述遥感信息数据测绘子模块的输出端与所述遥感信息数据处理子模块的输入端相连接；所述遥感信息数据处理子模块的输出端与所述区域划分模块的输入端相连接。
7.根据权利要求5所述的一种基于三维数据的电网工程大数据智能分析系统，其特征在于：所述区域划分模块包括区域划分子模块、区域采集子模块；
所述区域划分子模块用于在三维模型中将电网工程施工区域随机划分成N个独立施工区域，每一种划分记为一种划分方案；所述区域采集子模块用于获取各独立施工区域的工作总量，获取各独立施工区域的环境地貌；
所述区域划分子模块的输出端与所述区域采集子模块的输入端相连接；所述区域采集子模块的输出端与所述第一预测分析模块的输入端相连接。
8.根据权利要求5所述的一种基于三维数据的电网工程大数据智能分析系统，其特征在于：所述第一预测分析模块包括初始预测分析子模块、预测工期输出子模块；
所述初始预测分析子模块用于构建线性回归预测模型进行初始预测，以任一施工区域工作人员工效变化率为因变量，以天气、地貌、交通为自变量，生成各独立施工区域的预测工期；所述预测工期输出子模块用于将预测工期时长写成矩阵，输出至校正模块；
所述初始预测分析子模块的输出端与所述预测工期输出子模块的输入端相连接；所述预测工期输出子模块的输出端与所述校正模块的输入端相连接。
9.根据权利要求5所述的一种基于三维数据的电网工程大数据智能分析系统，其特征在于：所述校正模块包括模型搭建子模块、校正处理子模块；
所述模型搭建子模块用于构建卡尔曼滤波模型，对各独立施工区域的预测工期进行校正；所述校正处理子模块用于根据模型搭建子模块构建的模型对预测工期处理后，输出新的预测工期时长；
所述模型搭建子模块的输出端与所述校正处理子模块的输入端相连接；所述校正处理子模块的输出端与所述时间管理模块的输入端相连接。
10.根据权利要求5所述的一种基于三维数据的电网工程大数据智能分析系统，其特征在于：所述时间管理模块包括可调配数据管理子模块、智能分析处理子模块；
所述可调配数据管理子模块用于构建时间管理模型，生成可调配数据，对可调配数据进行分配，生成新的预测工期；所述智能分析处理子模块利用计算机大数据智能挑选出预测工期最小的方案，输出至管理员端口。
CN202210364966.8A 2022-04-08 2022-04-08 一种基于三维数据的电网工程大数据智能分析系统及方法 Pending CN114882169A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210364966.8A CN114882169A (zh) 2022-04-08 2022-04-08 一种基于三维数据的电网工程大数据智能分析系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210364966.8A CN114882169A (zh) 2022-04-08 2022-04-08 一种基于三维数据的电网工程大数据智能分析系统及方法

Publications (1)

Publication Number Publication Date
CN114882169A true CN114882169A (zh) 2022-08-09

Family

ID=82670447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210364966.8A Pending CN114882169A (zh) 2022-04-08 2022-04-08 一种基于三维数据的电网工程大数据智能分析系统及方法

Country Status (1)

Country Link
CN (1) CN114882169A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745247A (zh) * 2024-02-21 2024-03-22 中国有色金属工业昆明勘察设计研究院有限公司 一种岩土施工智慧工地系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137446A1 (en) * 2015-06-23 2018-05-17 Komatsu Ltd. Construction management system and construction management method
CN110490415A (zh) * 2019-07-15 2019-11-22 同济大学 一种多无人机视觉协同的建筑进度评估方法
KR102170748B1 (ko) * 2020-01-07 2020-10-27 (주)영신디엔씨 ＩｏＴ 기반 스마트 건설을 위한 3차원 공간정보 현장 관리 플랫폼 시스템
CN112783131A (zh) * 2021-01-08 2021-05-11 上海景事科技有限公司 一种基于大数据的智慧工地物联网系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137446A1 (en) * 2015-06-23 2018-05-17 Komatsu Ltd. Construction management system and construction management method
CN110490415A (zh) * 2019-07-15 2019-11-22 同济大学 一种多无人机视觉协同的建筑进度评估方法
KR102170748B1 (ko) * 2020-01-07 2020-10-27 (주)영신디엔씨 ＩｏＴ 기반 스마트 건설을 위한 3차원 공간정보 현장 관리 플랫폼 시스템
CN112783131A (zh) * 2021-01-08 2021-05-11 上海景事科技有限公司 一种基于大数据的智慧工地物联网系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
高美金等: "含逆变型分布式电源配电网的中性点接地电阻选取", 《浙江电力》, vol. 41, no. 03, 25 March 2022 (2022-03-25), pages 11 - 19 *
魏启智;李瑶;黄龙杰;宋婷;曾慧玉;: "BIM技术在施工全过程管理中的应用研究――以某综合实训大楼为例", 现代信息科技, no. 05, 10 March 2020 (2020-03-10), pages 1 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117745247A (zh) * 2024-02-21 2024-03-22 中国有色金属工业昆明勘察设计研究院有限公司 一种岩土施工智慧工地系统
CN117745247B (zh) * 2024-02-21 2024-06-11 中国有色金属工业昆明勘察设计研究院有限公司 一种岩土施工智慧工地系统

Similar Documents

Publication Publication Date Title
CN108573276B (zh) 一种基于高分辨率遥感影像的变化检测方法
CN106384081B (zh) 一种基于高分辨率遥感影像的坡耕地提取方法和系统
CN101604018B (zh) 高分辨率遥感影像数据处理方法及其系统
CN109840553B (zh) 耕地作物类型的提取方法及系统、存储介质、电子设备
KR100678395B1 (ko) 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법
CN114092835B (zh) 基于不同时空分辨率的归一化植被指数数据时空融合方法
CN111881801B (zh) 基于不变检测策略的新增建设用地遥感监测方法及设备
CN112733596A (zh) 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用
CN114241326B (zh) 一种渐进式遥感影像地物要素智能生产方法及系统
CN109100719A (zh) 基于星载sar影像与光学影像的地形图联合测图方法
CN104182757A (zh) 获取被测目标实际覆盖面积的方法及装置
CN112686086A (zh) 一种基于光学-sar协同响应的作物分类方法
CN116561509A (zh) 顾及植被类型的城市植被地上生物量精确反演方法及系统
Liu et al. Robust radiometric normalization of multitemporal satellite images via block adjustment without master images
CN114882169A (zh) 一种基于三维数据的电网工程大数据智能分析系统及方法
CN115311556A (zh) 一种用于自然资源管理的遥感影像处理方法及系统
Domik et al. Multiple incidence angle SIR-B experiment over Argentina: generation of secondary image products
Cui et al. Combined Model Color-Correction Method Utilizing External Low-Frequency Reference Signals for Large-Scale Optical Satellite Image Mosaics.
CN117451012A (zh) 一种无人机航摄测量方法及系统
CN116994012A (zh) 一种基于生态修复的图斑匹配系统及匹配方法
CN116863357A (zh) 一种无人机遥感堤坝影像定标与智能分割变化检测方法
CN111523451A (zh) 一种构建高时空分辨率ndvi数据的方法
CN108985154B (zh) 基于影像聚集度的小尺寸地物亚像元定位方法和系统
Roy et al. Sky modeling from digital imagery
CN112364289B (zh) 一种通过数据融合提取水体信息的方法

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