CN115565055A - Co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统 - Google Patents
Co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统 Download PDFInfo
- Publication number
- CN115565055A CN115565055A CN202211293740.XA CN202211293740A CN115565055A CN 115565055 A CN115565055 A CN 115565055A CN 202211293740 A CN202211293740 A CN 202211293740A CN 115565055 A CN115565055 A CN 115565055A
- Authority
- CN
- China
- Prior art keywords
- laser
- deicing
- transformer substation
- pca
- meabp
- 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 36
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000003331 infrared imaging Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims 1
- 239000012212 insulator Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010009 beating Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001107 psychogenic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- 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
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于激光清障术领域,公开了一种CO2激光器融合PCA‑MEABP覆冰预测模型的变电站激光除冰方法及系统,包括以下步骤:1)获得变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取一部分影响因素数据,通过PCA方法分析比较排序,获得新主成分变量数据集;2)通过从新主成分变量数据集中随机抽取500组为训练组数据,50组为测试组数据,训练获得PCA‑MEABP覆冰预测模型,随机在PCA‑MEABP覆盖预测模型中输入当天变电站的特征向量,获得目标覆冰厚度;3)根据激光除冰作业距离,调整激光光斑大小和激光输出功率,输出激光开始除冰工作;整个除冰工作不需要依靠人工,且无需停电,实现对电气设备部位的覆冰厚度进行精准测量。
Description
技术领域
本发明属于激光清障技术领域,具体涉及一种CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法及系统。
背景技术
变电站最为严重的自然灾害之一就是输电线路覆冰,由于各处变电站自然环境复杂多样,受大风、下雪等外界因素的影响,变电站电气设备极其容易出现各种故障甚至发生停电事故。
目前,针对变电站中输电线路的除冰方式主要有机械敲打法、直流融冰法。一般而言,机械敲打法存在工作人员安全无保障、特殊位置条件下操作困难等情况;直流融冰法需停电作业,而且能量消耗大。
现有技术中,激光技术应用于变电站已成为新的运维模式。移动小车搭载CO2激光器用于变电站激光除冰已然成为一种高效方式。
同时激光器除冰时,目前都是依靠人工进行逐个设备部位的覆冰厚度判断,如果无法判断覆冰厚度,作业过程很大可能会损失设备,市场上暂无精准测量设备,无法满足变电站自主智能巡检和精益化管理要求。
发明内容
本发明提供一种CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法及系统,通过获得变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取一部分影响因素数据,通过PCA方法分析比较排序,获得新主成分变量数据集,通过从新主成分变量数据集中随机抽取500组为训练组数据,50组为测试组数据,训练获得PCA-MEABP覆冰预测模型,随机在PCA-MEABP覆盖预测模型中输入当天变电站的特征向量,获得目标覆冰厚度,根据激光除冰作业距离,调整激光光斑大小和激光输出功率,输出激光开始除冰工作。解决了现有除冰操作中,无法对覆冰厚度进行准确判断,从而导致无法满足变电站自主智能巡检的技术问题。
本发明通过下述技术方案实现:
一种CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法及系统,所述方法包括以下步骤:
1)获得变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取一部分影响因素数据,通过PCA方法分析比较排序,获得新主成分变量数据集;
2)通过从新主成分变量数据集中随机抽取500组为训练组数据,50组为测试组数据,训练获得PCA-MEABP覆冰预测模型,随机在PCA-MEABP覆盖预测模型中输入当天变电站的特征向量,获得目标覆冰厚度;
3)根据激光除冰作业距离,调整激光光斑大小和激光输出功率,输出激光开始除冰工作;
4)获得电子设备覆冰表面红外成像温度图像以及激光除冰时温度实时变化数据,直至完成激光除冰工作。
可选地,步骤1)中获得新成分变量数据集的方法为:预先收集好目标变电站电气设备覆冰相关的550个数据集为变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取温度、湿度、风向、风速、降雨量、降雪量、气压、海拔影响因素数据,通过不同影响因素之间的关联性进行分析,最终获得新主成分变量数据集,即
Mi=mi1N1+mi2N2+…+mi8N8+Xi(i=1,…,4) (1)
其中,N1…N8为选取的不同影响因素,Xi为Mi相对误差,mij为Ni与Mi的相关度系数,M表示新成分变量,m表示相关度系数,j为影响因素序号,i为影响因素个数。
可选地,步骤2)设置参数
(1)选取拓扑结构为4-10-1神经网络;
(2)选取训练集的均方误差的倒数作为个体与总体的得分函数;
(3)训练集与测试集数据均来自激光除冰作业变电站数据;
(4)心理进化算法的参数设置;
其中,心理进化算法的种群规模为100;获胜者和临时子组数为5;最大迭代次数为10次,作业当天输入变电站特征向量,得到最终输出目标厚度结果。
可选地,步骤3)中,根据激光除冰作业距离,调整激光光斑大小和激光输出功率,其中激光光斑直径R的计算公式为:
其中,r为激光原始光斑半径;N为扩束镜倍数;L为实际作业距离;θ为发散角。
可选地,步骤4)中,获得激光除冰时温度实时变化数据,需要实时检测红外成像温度图像,如果出现温度跳变,可调整激光器激光方向,进行下一处的激光除冰操作。
本发明还提供一种CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰系统,所述系统包括CO2激光器、扩束系统、红外成像模块、数据处理与控制模块;
CO2激光器,用于输出激光并调整激光功率,进行激光除冰操作;
扩束系统,用于调整激光光斑大小,并控制远距离激光除冰工作激光光斑的安全范围;
红外成像模块,用于获得变电站电气设备覆冰表面的红外温度图像;
数据处理与控制模块,用于接收红外成像模块传输的红外温度图像,并调节温度图像的增益,并根据红外图像的处理结果,实时检测激光除冰时温度变化数据。
可选地,数据处理与控制模块包括图像处理模块和控制调节模块;
图像处理模块,用于接收红外成像模块传输的红外温度图像;
控制调节模块,用于调节红外温度图像的增益。
可选地,扩束系统包括扩束镜,所述扩束镜为5×倍数的扩束镜。
本发明与现有技术相比,具有如下的优点和有益效果:
本技术方案中,通过获得变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取一部分影响因素数据,通过PCA方法分析比较排序,获得新主成分变量数据集,通过从新主成分变量数据集中随机抽取500组为训练组数据,50组为测试组数据,训练获得PCA-MEABP覆冰预测模型,随机在PCA-MEABP覆盖预测模型中输入当天变电站的特征向量,获得目标覆冰厚度,根据激光除冰作业距离,调整激光光斑大小和激光输出功率,输出激光开始除冰工作。整个激光除冰工作,不需要依靠人工,即可实现对变电站电气设备部位的覆冰厚度进行精准测量,能够基于覆冰厚度的判断,来调整CO2激光器的激光光斑大小和激光输出功率,确保CO2激光器的正常工作。
附图说明
图1为本发明CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰系统的工作流程图;
图2为本发明CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法中步骤2)的工作流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:
如图1所示,一种CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法,所述方法包括以下步骤:
1)获得变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取一部分影响因素数据,通过PCA方法分析比较排序,获得新主成分变量数据集;
步骤1)中获得新成分变量数据集的方法为:预先收集好目标变电站电气设备覆冰相关的550个数据集为变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取温度、湿度、风向、风速、降雨量、降雪量、气压、海拔影响因素数据,通过不同影响因素之间的关联性进行分析,最终获得新主成分变量数据集,即
Mi=mi1N1+mi2N2+…+mi8N8+Xi(i=1,…,4) (3)
其中,N1…N8为选取的不同影响因素,Xi为Mi相对误差,mij为Ni与Mi的相关度系数,M表示新成分变量,m表示相关度系数,j为影响因素序号,i为影响因素个数。
2)通过从新主成分变量数据集中随机抽取500组为训练组数据,50组为测试组数据,训练获得PCA-MEABP覆冰预测模型,随机在PCA-MEABP覆盖预测模型中输入当天变电站的特征向量,获得目标覆冰厚度;
步骤2)设置参数具体方法为:
(1)选取拓扑结构为4-10-1神经网络;
(2)选取训练集的均方误差的倒数作为个体与总体的得分函数;
(3)训练集与测试集数据均来自激光除冰作业变电站数据;
(4)心理进化算法的参数设置;
其中,心理进化算法的种群规模为100;获胜者和临时子组数为5;最大迭代次数为10次,作业当天输入变电站特征向量,得到最终输出目标厚度结果。
3)根据激光除冰作业距离,调整激光光斑大小和激光输出功率,输出激光开始除冰工作;
步骤3)中,根据激光除冰作业距离,调整激光光斑大小和激光输出功率,其中激光光斑直径R的计算公式为:
其中,r为激光原始光斑直径;N为扩束镜倍数;L为实际作业距离;θ为发散角。
4)获得电子设备覆冰表面红外成像温度图像以及激光除冰时温度实时变化数据,直至完成激光除冰工作。
其中,步骤4)中,获得激光除冰时温度实时变化数据,需要实时检测红外成像温度图像,如果出现温度跳变,可调整激光器激光方向,进行下一处的激光除冰操作,避免在激光除冰操作中对电气设备产生损伤。
实施例2:
本实施例是以宜昌运维部分所辖变电站绝缘子除冰情况为例。
本实施例使用的CO2激光器型号为synrad Ti60;内置光束直径2.2mm;波长为10.6μm。
步骤一:检查CO2激光器synrad Ti60与其余模块连接是否正常、电量是否充沛;若检查无异常,开始对宜昌运维分部所辖变电站进行绝缘子除冰任务;
步骤二:收集当日变电站所需数据集,通过PCA-MEABP覆冰预测模型得到目标覆冰厚度;
当日变电站温度为-3℃、相对湿度82.4%、风向为东南风、风速3.7m/s、降雨量为0、降雪量为0、气压100.7kPa、海拔67m,通过PCA-MEABP覆冰预测模型计算得到绝缘子覆冰厚度为23.6mm。
步骤三:测量除冰作业距离,调整扩束镜倍数以及激光功率,选择合适的光斑大小以及输出工作功率;
用激光测距仪,测量CO2激光器的出光口到目标绝缘子之间的距离,测量结果L为6.43m,CO2激光器的出光口装载上5倍扩束镜以及红外指示;
通过式(2)计算可得实际光斑直径R为20mm,满足激光作业光斑25mm以内范围,装载完毕后,将PWM控制器占空比调整为0,连接激光器,开启激光器供电,将占空比调至80%,即激光器输出功率为60W,一切准备工作完毕后,按下PWM控制器开启按钮,激光器输出激光。
步骤四:数据处理与控制模块接收红外成像温度图像,实时检测激光除冰温度变化,以防损伤电气设备,同时保证激光除冰正常工作。以温度变化情况为准,及时调整激光输出轨迹。
实施例3:
本实施例提供一种CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰系统,所述系统包括CO2激光器、扩束系统、红外成像模块、数据处理与控制模块;
CO2激光器,用于输出激光并调整激光功率,进行激光除冰操作;
扩束系统,用于调整激光光斑大小,并控制远距离激光除冰工作激光光斑的安全范围;
红外成像模块,用于获得变电站电气设备覆冰表面的红外温度图像;
数据处理与控制模块,用于接收红外成像模块传输的红外温度图像,并调节温度图像的增益,并根据红外图像的处理结果,实时检测激光除冰时温度变化数据。
其中,数据处理与控制模块包括图像处理模块和控制调节模块;
图像处理模块,用于接收红外成像模块传输的红外温度图像;
控制调节模块,用于调节红外温度图像的增益。
红外成像模块具体可为红外成像仪,能够获取电气设备覆冰表面的红外温度图像。
其中,扩束系统包括扩束镜,所述扩束镜为5×倍数的扩束镜。5×倍数的扩束镜的选择,既能保证CO2激光器的光斑不宜过大,且能够确保CO2激光器的激光作业效率。
本实施例中通过获得变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取一部分影响因素数据,通过PCA方法分析比较排序,获得新主成分变量数据集,通过从新主成分变量数据集中随机抽取500组为训练组数据,50组为测试组数据,训练获得PCA-MEABP覆冰预测模型,随机在PCA-MEABP覆盖预测模型中输入当天变电站的特征向量,获得目标覆冰厚度,根据激光除冰作业距离,调整激光光斑大小和激光输出功率,输出激光开始除冰工作。整个激光除冰工作,相对于现有技术中,采用人工的机械敲打法,或直流融冰法,不需要依靠人工,即可实现对变电站电气设备部位的覆冰厚度进行精准测量,能够基于覆冰厚度的判断,来调整CO2激光器的激光光斑大小和激光输出功率,确保CO2激光器的正常工作。
本实施例所述CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法,是一种全新的运维模式,完全不需要依靠人工,即可实现对电气设备部位的覆冰厚度进行测量,且在作业过程中减少甚至避免对设备的损伤,满足变电站自主智能巡检和精益化管理的要求。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法,其特征在于:所述方法包括以下步骤:
1)获得变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取一部分影响因素数据,通过PCA方法分析比较排序,获得新主成分变量数据集;
2)通过从新主成分变量数据集中随机抽取500组作为训练组数据,50组作为测试组数据,训练获得PCA-MEABP覆冰预测模型,随机在PCA-MEABP覆盖预测模型中输入当天变电站的特征向量,获得目标覆冰厚度;
3)根据激光除冰作业距离,调整激光光斑大小和激光输出功率,输出激光开始除冰工作;
4)获得变电站的电子设备覆冰表面红外成像温度图像以及激光除冰时温度实时变化数据,直至完成激光除冰工作。
2.根据权利要求1所述的CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法,其特征在于:步骤1)中获得新主成分变量数据集的方法为:预先收集好目标变电站的电气设备覆冰相关的550个数据集为变电站激光除冰影响因素数据集,从变电站激光除冰影响因素数据集中选取温度、湿度、风向、风速、降雨量、降雪量、气压、海拔影响因素数据,通过不同影响因素之间的关联性进行分析,最终获得新主成分变量数据集,即
Mi=mi1N1+mi2N2+…+mi8N8+Xi (i=1,…,4) (1)
其中,N1…N8为选取的不同影响因素,Xi为Mi相对误差,mij为Ni与Mi的相关度系数,M表示新成分变量,m表示相关度系数,j为影响因素序号,i为影响因素个数。
3.根据权利要求1所述的CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法,其特征在于:步骤2)设置参数
(1)选取拓扑结构为4-10-1神经网络;
(2)选取训练集的均方误差的倒数作为个体与总体的得分函数;
(3)训练集与测试集数据均来自激光除冰作业变电站数据;
(4)进化算法的参数设置;
其中,进化算法的种群规模为100,获胜者和临时子组数为5,最大迭代次数为10次,作业当天输入变电站特征向量,得到最终输出目标厚度结果。
5.根据权利要求1所述的CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法,其特征在于:步骤4)中,获得激光除冰时温度实时变化数据,需要实时检测红外成像温度图像,如果出现温度跳变,可调整激光器激光方向,进行下一处的激光除冰操作。
6.一种CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰系统,其特征在于:所述系统包括CO2激光器、扩束系统、红外成像模块、数据处理与控制模块;
CO2激光器,用于输出激光并调整激光功率,进行激光除冰操作;
扩束系统,用于调整激光光斑大小,并控制远距离激光除冰工作激光光斑的安全范围;
红外成像模块,用于获得变电站电气设备覆冰表面的红外温度图像;
数据处理与控制模块,用于接收红外成像模块传输的红外温度图像,并调节温度图像的增益,并根据红外图像的处理结果,实时检测激光除冰时温度变化数据。
7.根据权利要求6所述的CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰系统,其特征在于:数据处理与控制模块包括图像处理模块和控制调节模块;
图像处理模块,用于接收红外成像模块传输的红外温度图像;
控制调节模块,用于调节红外温度图像的增益。
8.根据权利要求6所述的CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰系统,其特征在于:扩束系统包括扩束镜,所述扩束镜为5×倍数的扩束镜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293740.XA CN115565055A (zh) | 2022-10-21 | 2022-10-21 | Co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293740.XA CN115565055A (zh) | 2022-10-21 | 2022-10-21 | Co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115565055A true CN115565055A (zh) | 2023-01-03 |
Family
ID=84767646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211293740.XA Pending CN115565055A (zh) | 2022-10-21 | 2022-10-21 | Co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115565055A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150345906A1 (en) * | 2013-12-24 | 2015-12-03 | Deepak Varshneya | Electro-optic system for crosswind measurement |
CN108180120A (zh) * | 2017-12-26 | 2018-06-19 | 湖北三江航天红阳机电有限公司 | 一种激光去除风机叶片表面覆冰的方法和装置 |
CN108194283A (zh) * | 2017-12-28 | 2018-06-22 | 湖北三江航天红阳机电有限公司 | 一种激光去除风机叶片表面覆冰的方法和装置 |
CN111310549A (zh) * | 2019-12-06 | 2020-06-19 | 国网湖南省电力有限公司 | 基于图像模式的激光除冰安全处置方法及系统 |
-
2022
- 2022-10-21 CN CN202211293740.XA patent/CN115565055A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150345906A1 (en) * | 2013-12-24 | 2015-12-03 | Deepak Varshneya | Electro-optic system for crosswind measurement |
CN108180120A (zh) * | 2017-12-26 | 2018-06-19 | 湖北三江航天红阳机电有限公司 | 一种激光去除风机叶片表面覆冰的方法和装置 |
CN108194283A (zh) * | 2017-12-28 | 2018-06-22 | 湖北三江航天红阳机电有限公司 | 一种激光去除风机叶片表面覆冰的方法和装置 |
CN111310549A (zh) * | 2019-12-06 | 2020-06-19 | 国网湖南省电力有限公司 | 基于图像模式的激光除冰安全处置方法及系统 |
Non-Patent Citations (3)
Title |
---|
李桂冬;杨照辉;: "输电线路的覆冰研究与分析" * |
袁和金等: "MEABP神经网络输电线路覆冰厚度短期预测方法" * |
陈勇等: "基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型" * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884931B (zh) | 一种用于变电站的无人机巡检方法及系统 | |
CN108956640B (zh) | 适用于配电线路巡检的车载检测装置及检测方法 | |
CN109743019B (zh) | 基于气象因素的热斑温度预测及热斑定位的系统和方法 | |
JP6454579B2 (ja) | 空撮画像処理システム及び空撮画像処理方法 | |
CN104412473A (zh) | 使用紫色或蓝色激光二极管来剥开电缆的设备 | |
JP6671798B2 (ja) | 太陽電池検査装置 | |
CN112455676A (zh) | 一种光伏板健康状态智能监测分析系统及方法 | |
CN110750107A (zh) | 一种基于光学标识的光伏电站无人机巡检方法 | |
CN113406107A (zh) | 风机叶片缺陷检测系统 | |
CN116794751A (zh) | 应用于果园的气象灾害动态监测数据感知系统 | |
CN115565055A (zh) | Co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统 | |
CN115908049B (zh) | 一种基于智能识别的风机叶片悬停位置动态识别系统 | |
CN110231365A (zh) | 一种基于红外热波的风力发电机组叶片无损检测系统 | |
CN112326039A (zh) | 一种光伏电站巡检辅助系统 | |
CN116952950A (zh) | 基于巡检机器人的输电线路缺陷的全方位多层次探测方法 | |
CN114442658B (zh) | 输配电线路无人机自动巡检系统及其运行方法 | |
CN114935941A (zh) | 基于激光点云的无人机自主巡检系统 | |
Che et al. | Inspection of Electric Transmission Line Fault Based on UAV Lidar. | |
CN210572071U (zh) | 一种基于红外热波的风力发电机组叶片无损检测系统 | |
CN114648510A (zh) | 光伏组件的状态检测方法及装置、存储介质及电子设备 | |
CN117873128B (zh) | 一种适用于桥梁检测的无人机巡检系统 | |
CN111208165A (zh) | 一种基于红外成像技术探测风机叶片损伤的装置及方法 | |
CN116485160B (zh) | 一种输电线路巡检处理系统和方法 | |
JP4235074B2 (ja) | 良否判定装置、良否判定プログラム及び良否判定方法 | |
CN115188198B (zh) | 一种自动驾驶运营线路风险评估系统及评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230103 |
|
RJ01 | Rejection of invention patent application after publication |