CN115314406B - 一种基于图像分析的输电线路的智能缺陷检测方法 - Google Patents
一种基于图像分析的输电线路的智能缺陷检测方法 Download PDFInfo
- Publication number
- CN115314406B CN115314406B CN202210885379.3A CN202210885379A CN115314406B CN 115314406 B CN115314406 B CN 115314406B CN 202210885379 A CN202210885379 A CN 202210885379A CN 115314406 B CN115314406 B CN 115314406B
- Authority
- CN
- China
- Prior art keywords
- transmission line
- positions
- image information
- power transmission
- detection
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/022—Capturing of monitoring data by sampling
- H04L43/024—Capturing of monitoring data by sampling by adaptive sampling
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种基于图像分析的输电线路的智能缺陷检测方法,该方法通过对输电线路所处环境以及具体位置进行分组,获得相似因素较多的若干组图像信息采集点,在同一组范围内,对其对应输电线路位置在正常环境以及异常环境下检测到的缺陷数量进行统计,获取异常环境对缺陷发生概率的影响,并发现由于施工质量或者产品质量或者安装位置的特殊性导致的异常位置,进而对采样时间间隔进行调整,保证异常发生概率高的位置以及重要的位置能够得到更高频率的图片信息采样,异常发生概率较低以及不那么重要的位置分配到较低频率的图片信息采样,在资源有限的情况下,保证缺陷监控的及时性,充分利用了系统的数据处理能力与数据传输能力。
Description
技术领域
本发明属于电力巡检技术领域,具体的,涉及一种基于图像分析的输电线路的智能缺陷检测方法。
背景技术
电力建设中,输电线路由于其跨度大,运行环境复杂,因此通过人工进行巡检效率低、危险性高,巡视周期较长,难以及时的发现的潜在的风险和已经发生的问题,为了解决这一问题,通过应用图像监测技术,能够在恶劣环境以及人力难以到达的位置上对输电线路进行实时的监控,从而显著的提升了输电线路的安全稳定运行能力;
现有技术中应用图像监测技术来进行输电线路的缺陷检测时,遇到的一个问题就是数据处理量大,因此有通过每隔预设时间图像采集装置采集一次图像信息在将其传输至控制器进行数据处理的方式,但是一方面输电线路上由于使用环境、施工质量和产品质量的不同,即便是同一类监控位置对应的输电线路,其出现故障的概率也不相同,因此均匀设定采样时间会导致采样资源不能被合理的利用,容易出现缺陷的输电线路在出现缺陷问题时也不能被及时的发现,为了解决上述问题,充分利用现有的数据处理能力与数据传输能力,本发明提供了以下技术方案。
发明内容
本发明的目的在于提供一种基于图像分析的输电线路的智能缺陷检测方法,解决现有技术中输电线路缺陷检测系统中数据处理能力与数据传输能力不能被充分利用的问题。
本发明的目的可以通过以下技术方案实现:
一种基于图像分析的输电线路的智能缺陷检测方法,包括如下步骤:
第一步,将输电线路上的图像信息采集单元按照采集位置不同分为若干组,然后再将同一组的图像信息采集单元分成n个检测段;
第二步,以一个检测段内同一组的图像信息采集单元对应的输电线路检测位置为例,假设该输电线路检测位置数量为m,获取各输电线路检测位置在过去一个周期内正常环境下的缺陷次数,将其依次标记为G1、G2、……、Gm,根据公式计算这一组数据的分散值S,将S与预设值S1进行对比,若S≥S1,则按照|Gi-Gp|从大到小的顺序依次删除对应Gi值,直至S<S1;
若最终S值对应的Gi值数量u满足u/m≥β,则将最终S值对应的u个Gi值的平均值标记为Gp1,若u/m<β,则将G1至Gm之和的平均值标记为Gp1;
按照第二步中方法,获取各输电线路检测位置在一个周期内异常环境下的缺陷次数,依次计算得到Gp2至Gpk,k-1为参与讨论的异常环境的种类数量;
β为预设值,1≤i≤m,Gp为参与计算S值时对应的Gi值的平均值;
第三步,根据公式F=α1+(1-Gp1/Gpy)+(Gp1-Gpj)/Gpy+α2计算得到图像信息采集模块对图像信息的采集修正系数F,然后根据F*T计算得到更新后的图像信息采集间隔时间;其中α1为根据对应输电线路检测位置的重要性预先设定的系数值,α2为根据对应位置相较于相似位置出现缺陷的频率设定的系数值,2≤j≤k,Gpy为预设值;
第四步,按照第二步至第三步中的方法依次获取各个检测段内各组的图像信息采集单元对应输电线路检测位置更新后的图像信息采集间隔时间。
作为本发明的进一步方案,所述图像信息采集单元采集的图像信息首先传输至前端分析模块,通过前端分析模块对图像采集模块采集的图像信息进行初步分析,然后将疑似有问题的图像信息通过信号传输模块传输至后端分析模块,然后通过后端分析模块对上传的图像信息做进一步处理,若判断输电线路的对应位置存在缺陷,则通过报警模块发出报警信息。
作为本发明的进一步方案,所述一个周期为180天。
作为本发明的进一步方案,异常环境包括高温天气、低温天气与大风天气;
作为本发明的进一步方案,高温天气位气温高于30℃的天气,低温天气为温度低于0℃的天气,大风天气是指环境风速大于80%设计风速的天气。
作为本发明的进一步方案,第二步中,按照|Gi-Gp|从大到小的顺序依次删除对应Gi值,直至S<S1后,将删除的Gi值标记为第一集合;
按照第一集合的计算方法,获取各输电线路检测位置在一个周期内异常环境下的缺陷次数,进而计算获得第二集合至第k集合。
对第一集合、第二集合至第k集合中的数据进行对比,将同时存在于第一集合至第k集合中的缺陷次数数据对应的输电线路检测位置标记为一级异常位置,将同时存在于其中k-1个集合中的缺陷次数数据对应的输电线路检测位置标记为二级异常位置,按照上述方法,依次获得三级异常位置至k级异常位置。
第三步中α2根据对应输电线路检测位置是属于一级异常位置至k级异常位置中的哪一类而对应设定的系数值。
本发明的有益效果:
(1)本发明通过对输电线路所处环境以及具体位置进行分组,获得相似因素较多的若干组图像信息采集点,在同一组范围内,对其对应输电线路位置在正常环境以及异常环境下检测到的缺陷数量进行统计,在对数据进行一定处理后,获取异常环境对缺陷发生概率的影响,并发现由于施工质量或者产品质量或者安装位置的特殊性导致的异常位置,并据此进行系数分配,进而对采样时间间隔进行调整,保证异常发生概率高的位置以及重要的位置能够得到更高频率的图片信息采样,异常发生概率较低以及不那么重要的位置分配到较低频率的图片信息采样,在资源有限的情况下,保证缺陷监控的及时性与质量;
(2)本发明通过低能耗的前端分析模块对原始数据进行初次的筛选,从而减少数据传输量,能够在不影响工作效果的前提下,有效降低信号传输模块的供能需求以及对信号传输模块的信号传输速度的要求,同时降低后端分析模块的数据处理量。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明所述的一种基于图像分析的输电线路的智能缺陷检测系统的框架结构示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种基于图像分析的输电线路的智能缺陷检测方法,包括如下步骤:
第一步,将输电线路上的图像信息采集单元按照采集位置不同分为若干组,然后再将同一组的图像信息采集单元分成n个检测段,一个检测段内的图像信息采集单元对应的目标对象所处环境相似,且建设投入运行时间相近,具体的划分根据实际情况进行,从而减少同一检测段内的误差生成因素;
获取对应图像信息采集单元的图像采集策略以及采集图像的分析处理策略,图像信息采集单元按照对应图像采集策略通过图像信息采集单元对输电线路的监控点位置图像信息进行采集,
图像采集策略包括图像采集位置与图像采集间隔时间,在该缺陷检测方法投入运行开始时,图像采集策略中的图像采集间隔时间为根据后端分析模块的工作能力设定的预设值;
第二步,通过前端分析模块对图像采集模块采集的图像信息进行初步分析,然后将疑似有问题的图像信息通过信号传输模块传输至后端分析模块,然后通过后端分析模块对前端分析模块上传的图像信息做进一步的处理,若判定输电线路的对应位置存在缺陷,则通过报警模块发出报警信息;
由于采样量较大,会导致后端分析模块的信号处理量较大,信号传输模块的数据传输量较大,前者会导致对于后端分析模块的建设要求提升,后者则对信号传输模块的供能要求提升,而在偏远地区,这种智能缺陷检测系统的供能主要靠太阳能与电池来实现,受环境影响较大,难以实现稳定的供能,因此通过低能耗的前端分析模块对原始数据进行初次的筛选,从而减少数据传输量,能够在不影响工作效果的前提下,有效降低信号传输模块的供能需求,同时降低后端分析模块的数据处理量;
第三步,以一个检测段内同一组的图像信息采集单元对应的输电线路检测位置为例,假设该输电线路检测位置数量为m,获取各输电线路检测位置在过去一个周期内正常环境下的缺陷次数,将其依次标记为G1、G2、……、Gm,根据公式计算这一组数据的分散值S,将S与预设值S1进行对比,若S≥S1,则按照|Gi-Gp|从大到小的顺序依次删除对应Gi值,直至S<S1,将删除的Gi值标记为第一集合;若最终S值对应的Gi值数量u满足u/m≥β,则将最终S值对应的u个Gi值的平均值标记为Gp1,反之,若u/m<β,则将G1至Gm的平均值标记为Gp1;
其中β为预设值,1≤i≤m,Gp为参与计算S值时对应的Gi值的平均值;
在本发明的一个实施例中,所述一个周期为180天;
按照第一集合的计算方法,获取各输电线路检测位置在一个周期内异常环境下的缺陷次数,进而计算获得第二集合至第k集合,并依次计算得到Gp2至Gpk,k-1为参与讨论的异常环境的种类数量;
对第一集合、第二集合至第k集合中的数据进行对比,将同时存在于第一集合至第k集合中的缺陷次数数据对应的输电线路检测位置标记为一级异常位置,将同时存在于其中k-1个集合中的缺陷次数数据对应的输电线路检测位置标记为二级异常位置,按照上述方法,依次获得三级异常位置至k级异常位置;
异常环境包括高温天气、低温天气与大风天气;
在本发明的一个实施例中,高温天气是指气温高于30℃的天气、低温天气是指温度低于0℃的天气,大风天气是指环境风速大于80%设计风速的天气;
第四步,根据公式F=α1+(1-Gp1/Gpy)+(Gp1-Gpj)/Gpy+α2计算得到图像信息采集模块对图像信息的采集修正系数F,然后根据F*T计算得到更新后的图像信息采集间隔时间;其中α1为根据对应输电线路检测位置的重要性预先设定的系数值,越重要的位置对应的α1值越小,α2为根据对应输电线路检测位置是属于一级异常位置至k级异常位置中的哪一类而对应设定的系数值,一级异常位置对应的α2值最小,2≤j≤k,Gpy为预设值,其表示根据输电线路设计以及运行位置设定的图像信息采集间隔时间T对应的缺陷发生平均值;
第五步,按照第三步至第四步中的方法依次获取各个检测段内各组的图像信息采集单元对应的输电线路检测位置更新后的图像信息采集间隔时间。
本发明通过对输电线路所处环境以及具体位置进行分组,获得相似因素较多的若干组图像信息采集点,在同一组范围内,对其对应输电线路位置在正常环境以及异常环境下检测到的缺陷数量进行统计,在对数据进行一定处理后,获取异常环境对缺陷发生概率的影响,并发现由于施工质量或者产品质量或者安装位置的特殊性导致的异常位置,并据此进行系数分配,进而对采样时间间隔进行调整,保证异常发生概率高的位置以及重要的位置能够得到更高频率的图片信息采样,异常发生概率较低以及不那么重要的位置分配到较低频率的图片信息采样,在资源有限的情况下,保证缺陷监控的及时性与质量。
上述的一种基于图像分析的输电线路的智能缺陷检测方法是通过一种基于图像分析的输电线路的智能缺陷检测系统进行的,该智能缺陷检测系统包括:
图像信息采集模块,包括若干个图像信息采集单元,图像信息采集单元沿输电线路铺设路径进行铺设,用于每隔预设时间对输电线路的监控点位置图像信息进行采集,并将其传输至前端分析模块,同时,通过控制器对各输电线路采集位置的缺陷次数进行统计分析后,并根据分析结果控制图像信息采集模块修改对对应位置的图像信息采集间隔时间;
前端分析模块,用于对图像信息采集模块采集的图像信息进行初步分析,所述前端处理模块采用低功耗且具有较强算力的芯片,用于对图片采集模块采集的图片与历史图片进行对比,选取相似度低于预设值的图片作为疑似有问题的图像信息,并将其传输至后端分析模块;
信号传输模块,用于将前端分析模块处理后的数据远程传输至后端分析模块;
后端分析模块,用于对前端分析模块上传的图像信息做进一步的处理,判断输电线路的对应位置是否存在缺陷;在本发明的一个实施例中,所述后端分析模块则基于卷积神经网络的图像识别算法对接收的图像信息做进一步的缺陷检测;
报警模块,用于发出报警信息,提醒工作人员对后端分析模块判断为存在缺陷的输电线路对应位置进行进一步判断。
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (6)
1.一种基于图像分析的输电线路的智能缺陷检测方法,其特征在于,包括如下步骤:
第一步,将输电线路上的图像信息采集单元按照采集位置不同分为若干组,然后再将同一组的图像信息采集单元分成n个检测段;
第二步,以一个检测段内同一组的图像信息采集单元对应的输电线路检测位置为例,假设该输电线路检测位置数量为m,获取各输电线路检测位置在过去一个周期内正常环境下的缺陷次数,将其依次标记为G1、G2、……、Gm,根据公式计算这一组数据的分散值S,将S与预设值S1进行对比,若S≥S1,则按照|Gi-Gp|从大到小的顺序依次删除对应Gi值,直至S<S1;
若最终S值对应的Gi值数量u满足u/m≥β,则将最终S值对应的u个Gi值的平均值标记为Gp1,若u/m<β,则将G1至Gm之和的平均值标记为Gp1;
按照第二步中方法,获取各输电线路检测位置在一个周期内异常环境下的缺陷次数,依次计算得到Gp2至Gpk,k-1为参与讨论的异常环境的种类数量;
β为预设值,1≤i≤m,Gp为参与计算S值时对应的Gi值的平均值;
第三步,根据公式F=α1+(1-Gp1/Gpy)+(Gp1-Gpj)/Gpy+α2计算得到图像信息采集模块对图像信息的采集修正系数F,然后根据F*T计算得到更新后的图像信息采集间隔时间;其中α1为根据对应输电线路检测位置的重要性预先设定的系数值,α2为根据对应位置相较于相似位置出现缺陷的频率设定的系数值,2≤j≤k,Gpy为预设值;
第四步,按照第二步至第三步中的方法依次获取各个检测段内各组的图像信息采集单元对应输电线路检测位置更新后的图像信息采集间隔时间。
2.根据权利要求1所述的一种基于图像分析的输电线路的智能缺陷检测方法,其特征在于,所述图像信息采集单元采集的图像信息首先传输至前端分析模块,通过前端分析模块对图像采集模块采集的图像信息进行初步分析,然后将疑似有问题的图像信息通过信号传输模块传输至后端分析模块,然后通过后端分析模块对上传的图像信息做进一步处理,若判断输电线路的对应位置存在缺陷,则通过报警模块发出报警信息。
3.根据权利要求1所述的一种基于图像分析的输电线路的智能缺陷检测方法,其特征在于,所述一个周期为180天。
4.根据权利要求1所述的一种基于图像分析的输电线路的智能缺陷检测方法,其特征在于,异常环境包括高温天气、低温天气与大风天气。
5.根据权利要求4所述的一种基于图像分析的输电线路的智能缺陷检测方法,其特征在于,高温天气位气温高于30℃的天气,低温天气为温度低于0℃的天气,大风天气是指环境风速大于80%设计风速的天气。
6.根据权利要求1所述的一种基于图像分析的输电线路的智能缺陷检测方法,其特征在于,第二步中,按照|Gi-Gp|从大到小的顺序依次删除对应Gi值,直至S<S1后,将删除的Gi值标记为第一集合;
按照第一集合的计算方法,获取各输电线路检测位置在一个周期内异常环境下的缺陷次数,进而计算获得第二集合至第k集合;
对第一集合、第二集合至第k集合中的数据进行对比,将同时存在于第一集合至第k集合中的缺陷次数数据对应的输电线路检测位置标记为一级异常位置,将同时存在于其中k-1个集合中的缺陷次数数据对应的输电线路检测位置标记为二级异常位置,按照上述方法,依次获得三级异常位置至k级异常位置;
第三步中α2根据对应输电线路检测位置是属于一级异常位置至k级异常位置中的哪一类而对应设定的系数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885379.3A CN115314406B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像分析的输电线路的智能缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210885379.3A CN115314406B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像分析的输电线路的智能缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115314406A CN115314406A (zh) | 2022-11-08 |
CN115314406B true CN115314406B (zh) | 2023-10-03 |
Family
ID=83858766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210885379.3A Active CN115314406B (zh) | 2022-07-26 | 2022-07-26 | 一种基于图像分析的输电线路的智能缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115314406B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115839788B (zh) * | 2022-12-22 | 2024-02-27 | 南通恒联通讯设备有限公司 | 一种基于应力测量的馈线卡具的固定状态检测系统 |
CN116881530B (zh) * | 2023-06-20 | 2024-02-02 | 南京晓庄学院 | 一种基于深度学习的器件表面缺陷检测系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100777209B1 (ko) * | 2006-08-22 | 2007-11-16 | 주식회사 동명전력 | 고장 장소 확인을 위한 데이터 수집 및 배선전로 고장구간의 자동 분리 시스템 |
CN106646137A (zh) * | 2016-12-28 | 2017-05-10 | 国网通用航空有限公司 | 检测输电线路的缺陷的方法、缺陷检测设备及系统 |
CN114216915A (zh) * | 2021-12-15 | 2022-03-22 | 江门市浩远科技有限公司 | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 |
CN114331997A (zh) * | 2021-12-24 | 2022-04-12 | 徐工汉云技术股份有限公司 | 一种基于图像识别的导线缺陷监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553476B (zh) * | 2020-04-30 | 2023-12-01 | 上海个元科技有限公司 | 基于记忆分值的神经网络训练方法、装置及存储介质 |
-
2022
- 2022-07-26 CN CN202210885379.3A patent/CN115314406B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100777209B1 (ko) * | 2006-08-22 | 2007-11-16 | 주식회사 동명전력 | 고장 장소 확인을 위한 데이터 수집 및 배선전로 고장구간의 자동 분리 시스템 |
CN106646137A (zh) * | 2016-12-28 | 2017-05-10 | 国网通用航空有限公司 | 检测输电线路的缺陷的方法、缺陷检测设备及系统 |
CN114216915A (zh) * | 2021-12-15 | 2022-03-22 | 江门市浩远科技有限公司 | 一种基于线路板污渍和缺陷类型类别级别检测分类的方法 |
CN114331997A (zh) * | 2021-12-24 | 2022-04-12 | 徐工汉云技术股份有限公司 | 一种基于图像识别的导线缺陷监测方法 |
Non-Patent Citations (1)
Title |
---|
基于机器学习的输电线路设备细微缺陷智能检测方法;宁柏锋;董召杰;;自动化与仪器仪表(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115314406A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115314406B (zh) | 一种基于图像分析的输电线路的智能缺陷检测方法 | |
CN110533331B (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
CN108627720B (zh) | 一种基于贝叶斯算法的电力设备状态监测方法 | |
CN111008641B (zh) | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
CN110334926B (zh) | 一种智能场景大数据分析系统 | |
CN113533906B (zh) | 一种智能架空输电线路故障类型诊断方法及系统 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN111291032A (zh) | 一种组合型风电场数据清洗方法 | |
AU2020103480A4 (en) | Method for estimating and inverting precipitation in plateau areas by using satellite cloud images | |
CN116108402A (zh) | 基于电力多源异构数据融合分析的方法、设备及存储介质 | |
CN116839656A (zh) | 一种用于工业互联网的工业现场监测系统及检测方法 | |
CN114861985A (zh) | 基于开放神经网络交换算法的冰害预警方法、系统和介质 | |
CN109460923A (zh) | 一种输电线覆冰概率预测方法 | |
CN115095797A (zh) | 一种截污治污管网运行异常快速筛查方法及终端 | |
CN114154567A (zh) | 一种基于机器学习的风电场站运行数据异常识别方法 | |
CN113781259B (zh) | 一种风电场测风塔数据插补方法及系统 | |
CN115239187A (zh) | 基于历史数据和环境指标的光伏输出数据重建方法 | |
CN112990701B (zh) | 一种基于eof的自动站温度资料质量控制方法 | |
CN115434878B (zh) | 风力发电机组温度集群管控方法、装置、设备及介质 | |
Liangzhi et al. | Research on fault prediction and diagnosis of power equipment based on big data | |
CN112632047B (zh) | 一种基于变窗口模式识别的时间序列数据处理方法 | |
CN116523310B (zh) | 用于城市地下管网的危险源识别系统及方法 | |
CN117787698A (zh) | 基于供电范围最大化的微网风险评估方法及系统 | |
CN113704558B (zh) | 一种以差分序列为基础的自动气象站自动集群方法及系统 |
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 |