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 PDFInfo
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 217
- 238000012937 correction Methods 0.000 claims abstract description 37
- 238000007726 management method Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 230000010365 information processing Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 32
- 238000000638 solvent extraction Methods 0.000 claims description 26
- 239000000126 substance Substances 0.000 claims description 23
- 238000005192 partition Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013506 data mapping Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000013523 data management Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 238000013439 planning Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
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:。
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:
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:
其中,代表运动测量值,为独立施工区域的划分方式;代表状态转换矩阵,代表从第种划分方案的状态转换至第种划分方案的状态;代表控制输入矩阵,将运动测量值的作用映射到状态向量上;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;
根据上述技术方案,所述时间管理模型包括:
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:
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:
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:
其中,代表运动测量值,为独立施工区域的划分方式;代表状态转换矩阵,代表从第种划分方案的状态转换至第种划分方案的状态;代表控制输入矩阵,将运动测量值的作用映射到状态向量上;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;
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;
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:
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:
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:
其中,代表运动测量值,为独立施工区域的划分方式;代表状态转换矩阵,代表从第种划分方案的状态转换至第种划分方案的状态;代表控制输入矩阵,将运动测量值的作用映射到状态向量上;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;
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:
S4-2、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:
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。
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)
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)
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 |
-
2022
- 2022-04-08 CN CN202210364966.8A patent/CN114882169A/zh active Pending
Patent Citations (4)
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)
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)
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 |