CN115830813A - 一种基于ai技术的自然灾害监测预警系统 - Google Patents
一种基于ai技术的自然灾害监测预警系统 Download PDFInfo
- Publication number
- CN115830813A CN115830813A CN202310113144.7A CN202310113144A CN115830813A CN 115830813 A CN115830813 A CN 115830813A CN 202310113144 A CN202310113144 A CN 202310113144A CN 115830813 A CN115830813 A CN 115830813A
- Authority
- CN
- China
- Prior art keywords
- disaster
- early warning
- data
- preset
- module
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 46
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 6
- 238000004043 dyeing Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000010485 coping Effects 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 11
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Landscapes
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明涉及图片处理技术领域，公开了一种基于AI技术的自然灾害监测预警系统，包括环境监测模块、数据库、环境评估模块、数据处理模块、灾害分析模块、综合分析模块，可通过数据对比的方式根据预设灾情数据组合来获得当前环境参数所代表的可能灾害场景，并查表获得相应的第一估计概率，然后利于基于AI技术的灾害分析模块对经过处理的采集数据进行识别判断，得到第二估计概率，最后综合输出各类灾害的最终预警概率，完成对风涝、台风、高温、雷电等自然灾害的准确高效预警，保障电网运行，提升灾害应对能力。
Description
技术领域
本发明涉及图片处理技术领域，具体涉及一种基于AI技术的自然灾害监测预警系统。
背景技术
配电网设备种类多、数量大，目前国内已建成了多个配电网的业务管理系统，在电力设备运行现场，除遭受各种气候条件的侵袭外，还受有其它的外力破坏，如工程机械撞击杆塔，风筝等物体悬挂在导线上造成相间短路等，可能随时对电力设备的安全运行构成威胁。为了保证电力设备的安全运行，必须加强基建现场违章的巡视和检查，预见可能对电力施工产生威胁的人或物，及时发现影响电力施工的违章缺陷和危及电力设备安全运行的因素，以便快速停止违章操作或远程违章预警。
配电网所处地理位置多样，自然灾害频繁发生，特别是台风、雷电、冰雹、雨雪、强对流天气等极端天气给配电网安全稳定运行造成巨大危害，容易引发大规模停电事故，而配电网处于电力系统末端，承担着直接向用户供电的任务，在灾害发生时，若配电网受灾害影响导致停电，会对用户造成重大损失。配电网运行受环境因素影响大，特别是台风、雷电、洪涝、覆冰等灾害天气给配电网安全稳定运行造成巨大危害，同时，在配电网管理决策、防灾决策等缺乏有效的信息化手段支撑，造成管理制度难以有效落地执行、风险预警评估不科学、大量数据分散碎片化、抢修决策滞后等问题。因此，需开展关于配电网管理决策及防灾预警与生产决策支持关键技术研究及应用，提升配电网防灾及灾害处置能力。
发明内容
本发明的目的在于提供一种基于AI技术的自然灾害监测预警系统，解决以下技术问题：
如何提供更加准确的自然灾害监测预警。
本发明的目的可以通过以下技术方案实现：
一种基于AI技术的自然灾害监测预警系统，包括：
环境监测模块，用于实时获取环境参数；
数据库，用于储存代表灾情发生的相关环境参数范围值的预设灾情数据组合；
环境评估模块，与所述环境监测模块和所述数据库连接，用于周期性的将所述环境参数与所述预设灾情数据组合进行对比，输出对应的可能灾害场景和第一估计概率；
数据处理模块，与所述环境评估模块和所述环境监测模块连接，用于根据所述可能灾害场景对所述环境参数进行处理，得到预设时段内的相应的采集数据；
灾害分析模块，与所述数据处理模块连接，用于根据所述采集数据得到第二预估概率；
综合分析模块，用于按照预设统计规则结合所述第二预估概率输出各类灾害的最终预警概率；
其中，所述环境参数包括风力数据、降雨量数据、温度数据、雷电频率和雷电幅值数据，灾害分析模块为经过训练的神经网络模型。
通过上述技术方案，可通过数据对比的方式根据预设灾情数据组合来获得当前环境参数所代表的可能灾害场景，并查表获得相应的第一估计概率，然后利于基于AI技术的灾害分析模块对经过处理的采集数据进行识别判断，得到第二估计概率，最后综合输出各类灾害的最终预警概率，完成对风涝、台风、高温、雷电等自然灾害的准确高效预警，保障电网运行，提升灾害应对能力。
作为本发明进一步的方案：所述数据处理模块包括：
生成单元，用于生成与所述环境参数对应的随时间变化的变化曲线；
加载单元，与所述生成单元连接，用于将所述变化曲线按照预设顺序加载在预设尺寸的空白图片上的多个坐标系中；
加标单元，与所述加载单元连接，用于在与所述可能灾害场景关联度最高的所述变化曲线的极点处分别设置幅值标记；
其中，所述坐标系的数量与所述变化曲线种类数量相同；所述幅值标记为设置在是极点处的竖直线段；所述竖直线段的长度与所述极点的纵坐标正比例相关；所述竖直线段颜色统一，不同所述变化曲线的颜色不相同。
通过上述技术方案，可将预设时段设置为1分钟，如此生成单元可生成1分钟内的环境参数所对应的变化曲线，该变化曲线可从上到下依次排布设置在空白图片上的多个坐标系中；由于本发明中灾害分析模块为神经网络模型，经过训练后能够根据代表不同类型环境参数的变化曲线的走势来对灾害发生的概率进行预测，另外考虑到变化曲线的走势不一定能够准确的反应变化曲线的具体时间对应的纵值，且在训练阶段，灾害分析模块的训练样本与采集数据的生成方式相同，因此本实施例中还考虑在极点处设置竖直线段，来对极点的纵值进行量化，以实现对灾害分析模块的识别判断精准度的提升。
作为本发明进一步的方案：当所述竖直线段设置在极小点上，所述竖直线段的起点为所述极小点，延伸方向向下；
当所述竖直线段设置在极大点上，所述竖直线段的起点为所述极大点，延伸方向向上。
通过上述技术方案，通过对数值线段进行延伸方向的限定，一方面可以提升区分度，有助于增加相似数据在图片形势表现上的差异化程度，二方面可以方便工作人员进行审查。
作为本发明进一步的方案：所述加载单元还用于：
将所述变化曲线中低于对应预设阈值的部分切除；
将切除后的变化曲线的曲线段按照时间顺序进行合并；
将相邻切断点之间采用指定色彩的直线线段进行连接；
其中，所述指定色彩的色深与相邻切断点之间的时间间隔相关。
通过上述技术方案，以风力数据举例，可将对应变化曲线中低于预设风力值的曲线进行切除，重新合并后的变化曲线可在相同大小的空白图片中加载更多的数据；同样的，由于神经网络模型对于图片中的时间戳无法进行区分，比如若在横轴上设置刻度，神经网络模型是无法对刻度所代表的的时间进行确定的，因此需要借用指定色彩的直线线段对切除部分所占用的时间长度进行量化显示，能够充分降低训练所需要的训练样本以及难度，从而侧面提升灾害预估的精准度。
作为本发明进一步的方案：所述加载单元还用于：
对与所述可能灾害场景关联度最高的所述变化曲线所对应的坐标系纵轴进行渐变染色处理；
所述渐变染色处理包括：
从所述坐标系纵轴的零点开始设置预设色彩的起始色温；
根据所述变化曲线的最大值设置色温变化速度为
；
其中，
为相邻色深改变值，
为相邻度，所述相邻度的单位为像素个数；所述最大值越大，所述色温变化速度越大。
通过上述技术方案，若无特殊标记，神经网络模型无法对横轴的时间进行量化确认，同理，变化曲线中每个点的纵轴数值也无法被神经网络模型所量化，因此将坐标系纵轴从下到上，以照像素单位，以色深变化作为对变化曲线的纵轴数值表示，从而进一步降低训练所需要的训练样本以及难度，从而侧面提升灾害预估的精准度。
作为本发明进一步的方案：所述预设统计规则包括：
确定权重系数
和
；
其中，
为所述最终预警概率，
为第一预估概率，
为所述第二预估概率。
通过上述技术方案，考虑到查表获取的第一预估概率所依赖的标准较为死板，基于AI技术所获取的第二预估概率能够随着训练样本的增加而不断提升精准度，因此可将
设置为大于
的系数，从而保证最终预警概率的精准度。
作为本发明进一步的方案：所述预设统计规则还包括：
获取所述加载单元对变化曲线的处理复杂度；
根据所述处理复杂度确定权重系数
和
；
其中，所述处理复杂度越高，
值越高。
本发明的有益效果：本发明可通过数据对比的方式根据预设灾情数据组合来获得当前环境参数所代表的可能灾害场景，并查表获得相应的第一估计概率，然后利于基于AI技术的灾害分析模块对经过处理的采集数据进行识别判断，得到第二估计概率，最后综合输出各类灾害的最终预警概率，完成对风涝、台风、高温、雷电等自然灾害的准确高效预警，保障电网运行，提升灾害应对能力。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明中自然灾害监测预警系统的模块连接示意图。
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。
请参阅图1所示，本发明为一种基于AI技术的自然灾害监测预警系统，包括：
环境监测模块，用于实时获取环境参数；
数据库，用于储存代表灾情发生的相关环境参数范围值的预设灾情数据组合；
环境评估模块，与环境监测模块和数据库连接，用于周期性的将环境参数与预设灾情数据组合进行对比，输出对应的可能灾害场景和第一估计概率；
数据处理模块，与环境评估模块和环境监测模块连接，用于根据可能灾害场景对环境参数进行处理，得到预设时段内的相应的采集数据；
灾害分析模块，与数据处理模块连接，用于根据采集数据得到第二预估概率；
综合分析模块，用于按照预设统计规则结合第二预估概率输出各类灾害的最终预警概率；
其中，环境参数可包括风力数据、降雨量数据、温度数据、雷电频率和雷电幅值数据，灾害分析模块为经过训练的神经网络模型。
在本发明的本实施例中，可通过数据对比的方式根据预设灾情数据组合来获得当前环境参数所代表的可能灾害场景，预设灾情数据组合为根据历史灾情数据所设置的阈值组合，代表目前阶段各类灾情下的可疑数据范围，并对应设置有概率估计值，如此可根据当前环境参数与预设灾情数据组合进行比较后查表获得相应的第一估计概率，然后利于基于AI技术的灾害分析模块对经过处理的采集数据进行识别判断，得到第二估计概率，最后综合输出各类灾害的最终预警概率，完成对风涝、台风、高温、雷电等自然灾害的准确高效预警，保障电网运行，提升灾害应对能力。
在本发明的本实施例中，数据处理模块包括：
生成单元，用于生成与环境参数对应的随时间变化的变化曲线；
加载单元，与生成单元连接，用于将变化曲线按照预设顺序加载在预设尺寸的空白图片上的多个坐标系中；
加标单元，与加载单元连接，用于在与可能灾害场景关联度最高的变化曲线的极点处分别设置幅值标记；
其中，坐标系的数量与变化曲线种类数量相同；幅值标记为设置在是极点处的竖直线段；竖直线段的长度与极点的纵坐标正比例相关；竖直线段颜色统一，不同变化曲线的颜色不相同。
如此，加载单元对变化曲线的处理复杂度为一级，可将预设时段设置为1分钟，如此生成单元可生成1分钟内的环境参数所对应的变化曲线，该变化曲线可从上到下依次排布设置在空白图片上的多个坐标系中；由于本发明中灾害分析模块为神经网络模型，经过训练后能够根据代表不同类型环境参数的变化曲线的走势来对灾害发生的概率进行预测，另外考虑到变化曲线的走势不一定能够准确的反应变化曲线的具体时间对应的纵值，且在训练阶段，灾害分析模块的训练样本与采集数据的生成方式相同，因此本实施例中还考虑在极点处设置竖直线段，来对极点的纵值进行量化，以实现对灾害分析模块的识别判断精准度的提升。
另外，本实施例在设置竖直线段时，当竖直线段设置在极小点上，竖直线段的起点为极小点，延伸方向向下；
当竖直线段设置在极大点上，竖直线段的起点为极大点，延伸方向向上。
通过上述技术方案，通过对数值线段进行延伸方向的限定，一方面可以提升区分度，有助于增加相似数据在图片形势表现上的差异化程度，二方面可以方便工作人员进行审查。
在另一实施例中：加载单元还用于：
将变化曲线中低于对应预设阈值的部分切除；
将切除后的变化曲线的曲线段按照时间顺序进行合并；
将相邻切断点之间采用指定色彩的直线线段进行连接；
其中，指定色彩的色深与相邻切断点之间的时间间隔相关。
如此，加载单元对变化曲线的处理复杂度为二级，以风力数据举例，可将对应变化曲线中低于预设风力值的曲线进行切除，重新合并后的变化曲线可在相同大小的空白图片中加载更多的数据；同样的，由于神经网络模型对于图片中的时间戳无法进行区分，比如若在横轴上设置刻度，神经网络模型是无法对刻度所代表的的时间进行确定的，因此需要借用指定色彩的直线线段对切除部分所占用的时间长度进行量化显示，能够充分降低训练所需要的训练样本以及难度，从而侧面提升灾害预估的精准度。
在另一实施例中：加载单元还用于：
对与可能灾害场景关联度最高的变化曲线所对应的坐标系纵轴进行渐变染色处理；
渐变染色处理包括：
从坐标系纵轴的零点开始设置预设色彩的起始色温；
根据变化曲线的最大值设置色温变化速度为
；
其中，
为相邻色深改变值，
为相邻度，相邻度的单位为像素个数；最大值越大，色温变化速度越大。
如此，加载单元对变化曲线的处理复杂度为三级；若无特殊标记，神经网络模型无法对横轴的时间进行较为准确的量化确认，同理，变化曲线中每个点的纵轴数值也无法被神经网络模型所量化，因此将坐标系纵轴从下到上，以照像素单位，以色深变化作为对变化曲线的纵轴数值表示，从而进一步降低训练所需要的训练样本以及难度，从而侧面提升灾害预估的精准度。
作为本发明进一步的方案：预设统计规则包括：
确定权重系数
和
；
其中，
为最终预警概率，
为第一预估概率，
为第二预估概率。
通过上述技术方案，考虑到查表获取的第一预估概率所依赖的标准较为死板，基于AI技术所获取的第二预估概率能够随着训练样本的增加而不断提升精准度，因此可将
设置为大于
的系数，从而保证最终预警概率的精准度。
作为本发明进一步的方案：预设统计规则还包括：
获取加载单元对变化曲线的处理复杂度；
根据处理复杂度确定权重系数
和
；
其中，处理复杂度的级别越高，
值越高，处理复杂度的级别按照一级、二级、三级递增。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.一种基于AI技术的自然灾害监测预警系统，其特征在于，包括：
环境监测模块，用于实时获取环境参数；
数据库，用于储存代表灾情发生的相关环境参数范围值的预设灾情数据组合；
环境评估模块，与所述环境监测模块和所述数据库连接，用于周期性的将所述环境参数与所述预设灾情数据组合进行对比，输出对应的可能灾害场景和第一估计概率；
数据处理模块，与所述环境评估模块和所述环境监测模块连接，用于根据所述可能灾害场景对所述环境参数进行处理，得到预设时段内的相应的采集数据；
灾害分析模块，与所述数据处理模块连接，用于根据所述采集数据得到第二预估概率；
综合分析模块，与所述灾害分析模块和所述环境评估模块连接，用于按照预设统计规则结合所述第二预估概率输出各类灾害的最终预警概率；
其中，所述环境参数包括风力数据、降雨量数据、温度数据、雷电频率和雷电幅值数据，灾害分析模块为经过训练的神经网络模型；
所述数据处理模块包括：
生成单元，用于生成与所述环境参数对应的随时间变化的变化曲线；
加载单元，与所述生成单元连接，用于将所述变化曲线按照预设顺序加载在预设尺寸的空白图片上的多个坐标系中；
加标单元，与所述加载单元连接，用于在与所述可能灾害场景关联度最高的所述变化曲线的极点处分别设置幅值标记；
其中，所述坐标系的数量与所述变化曲线种类数量相同；所述幅值标记为设置在是极点处的竖直线段；所述竖直线段的长度与所述极点的纵坐标正比例相关；所述竖直线段颜色统一，不同所述变化曲线的颜色不相同。
2.根据权利要求1所述的基于AI技术的自然灾害监测预警系统，其特征在于，当所述竖直线段设置在极小点上，所述竖直线段的起点为所述极小点，延伸方向向下；
当所述竖直线段设置在极大点上，所述竖直线段的起点为所述极大点，延伸方向向上。
3.根据权利要求1所述的基于AI技术的自然灾害监测预警系统，其特征在于，所述加载单元还用于：
将所述变化曲线中低于对应预设阈值的部分切除；
将切除后的变化曲线的曲线段按照时间顺序进行合并；
将相邻切断点之间采用指定色彩的直线线段进行连接；
其中，所述指定色彩的色深与相邻切断点之间的时间间隔相关。
4.根据权利要求3所述的基于AI技术的自然灾害监测预警系统，其特征在于，所述加载单元还用于：
对与所述可能灾害场景关联度最高的所述变化曲线所对应的坐标系纵轴进行渐变染色处理；
所述渐变染色处理包括：
从所述坐标系纵轴的零点开始设置预设色彩的起始色温；
根据所述变化曲线的最大值设置色温变化速度为 
；
其中，
为相邻色深改变值，
为相邻度，所述相邻度的单位为像素个数；所述最大值越大，所述色温变化速度越大。
5.根据权利要求2所述的基于AI技术的自然灾害监测预警系统，其特征在于，所述预设统计规则包括：
确定权重系数
和
；
其中，
为所述最终预警概率，
为第一预估概率，
为所述第二预估概率。
6.根据权利要求3所述的基于AI技术的自然灾害监测预警系统，其特征在于，所述预设统计规则还包括：
获取所述加载单元对变化曲线的处理复杂度；
根据所述处理复杂度确定权重系数
和
；
其中，所述处理复杂度越高，
值越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310113144.7A CN115830813B (zh) | 2023-02-15 | 2023-02-15 | 一种基于ai技术的自然灾害监测预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310113144.7A CN115830813B (zh) | 2023-02-15 | 2023-02-15 | 一种基于ai技术的自然灾害监测预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115830813A true CN115830813A (zh) | 2023-03-21 |
| CN115830813B CN115830813B (zh) | 2023-05-16 |
Family
ID=85521394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310113144.7A Active CN115830813B (zh) | 2023-02-15 | 2023-02-15 | 一种基于ai技术的自然灾害监测预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115830813B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005327214A (ja) * | 2004-05-17 | 2005-11-24 | Mitsui Sumitomo Insurance Co Ltd | 災害発生頻度推定装置、方法、ソフトウェア、記録媒体及び災害事象発生頻度推定システム |
| CN103150630A (zh) * | 2013-03-11 | 2013-06-12 | 贵州电网公司电网规划研究中心 | 基于多方位信息的电网灾害预警辅助系统 |
| CN104574835A (zh) * | 2015-01-30 | 2015-04-29 | 国网河南省电力公司郑州供电公司 | 一种基于gis的电网灾害监测及预警系统和方法 |
| CN105719053A (zh) * | 2016-01-13 | 2016-06-29 | 天津中科智能识别产业技术研究院有限公司 | 基于多终端的灾害预警及信息发布系统 |
| WO2017047061A1 (ja) * | 2015-09-14 | 2017-03-23 | 日本電気株式会社 | 災害予測システム、水分量予測装置、災害予測方法およびプログラム記録媒体 |
| CN108898258A (zh) * | 2018-07-06 | 2018-11-27 | 广州供电局有限公司 | 雷电灾害天气下电力系统连锁故障风险的分析方法与系统 |
| CN109034588A (zh) * | 2018-07-18 | 2018-12-18 | 湖北思高科技发展有限公司 | 一种基于互联网的地质灾害分析方法 |
| CN109118035A (zh) * | 2018-06-25 | 2019-01-01 | 南瑞集团有限公司 | 基于网格化预警信息的台风风涝灾害配电网风险评估方法 |
| CN110264672A (zh) * | 2019-06-25 | 2019-09-20 | 广州市城市规划勘测设计研究院 | 一种地质灾害的预警系统 |
| CN111445670A (zh) * | 2020-03-16 | 2020-07-24 | 深圳市城市公共安全技术研究院有限公司 | 地质灾害预警系统及方法 |
| CN111930049A (zh) * | 2020-08-21 | 2020-11-13 | 广州立信电子科技有限公司 | 一种基于物联网的林业森林防火安全智能监测管理系统 |
| CN112861746A (zh) * | 2021-02-22 | 2021-05-28 | 国网安徽省电力有限公司 | 考虑环境灾害的密集输电通道关键视频截取方法及装置 |
| CN113324584A (zh) * | 2021-05-27 | 2021-08-31 | 云南电网有限责任公司西双版纳供电局 | 一种电网防灾应急全景监视系统及预警方法 |
| CN113869621A (zh) * | 2020-06-30 | 2021-12-31 | 宁夏新气象科技服务有限公司 | 一种葡萄晚霜冻气象灾害评估方法及系统 |
| CN114783149A (zh) * | 2022-03-31 | 2022-07-22 | 北京智想北斗技术有限公司 | 一种基于大数据和图像识别的地质灾害监测预警方法 |
| CN115662070A (zh) * | 2022-10-18 | 2023-01-31 | 四川欢喜豆儿机电设备有限公司 | 一种提升设备安全监测预警系统 |
| CN115691055A (zh) * | 2022-11-01 | 2023-02-03 | 云南电网有限责任公司电力科学研究院 | 一种电网灾害管理平台 |
-
2023
- 2023-02-15 CN CN202310113144.7A patent/CN115830813B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005327214A (ja) * | 2004-05-17 | 2005-11-24 | Mitsui Sumitomo Insurance Co Ltd | 災害発生頻度推定装置、方法、ソフトウェア、記録媒体及び災害事象発生頻度推定システム |
| CN103150630A (zh) * | 2013-03-11 | 2013-06-12 | 贵州电网公司电网规划研究中心 | 基于多方位信息的电网灾害预警辅助系统 |
| CN104574835A (zh) * | 2015-01-30 | 2015-04-29 | 国网河南省电力公司郑州供电公司 | 一种基于gis的电网灾害监测及预警系统和方法 |
| WO2017047061A1 (ja) * | 2015-09-14 | 2017-03-23 | 日本電気株式会社 | 災害予測システム、水分量予測装置、災害予測方法およびプログラム記録媒体 |
| CN105719053A (zh) * | 2016-01-13 | 2016-06-29 | 天津中科智能识别产业技术研究院有限公司 | 基于多终端的灾害预警及信息发布系统 |
| CN109118035A (zh) * | 2018-06-25 | 2019-01-01 | 南瑞集团有限公司 | 基于网格化预警信息的台风风涝灾害配电网风险评估方法 |
| CN108898258A (zh) * | 2018-07-06 | 2018-11-27 | 广州供电局有限公司 | 雷电灾害天气下电力系统连锁故障风险的分析方法与系统 |
| CN109034588A (zh) * | 2018-07-18 | 2018-12-18 | 湖北思高科技发展有限公司 | 一种基于互联网的地质灾害分析方法 |
| CN110264672A (zh) * | 2019-06-25 | 2019-09-20 | 广州市城市规划勘测设计研究院 | 一种地质灾害的预警系统 |
| CN111445670A (zh) * | 2020-03-16 | 2020-07-24 | 深圳市城市公共安全技术研究院有限公司 | 地质灾害预警系统及方法 |
| CN113869621A (zh) * | 2020-06-30 | 2021-12-31 | 宁夏新气象科技服务有限公司 | 一种葡萄晚霜冻气象灾害评估方法及系统 |
| CN111930049A (zh) * | 2020-08-21 | 2020-11-13 | 广州立信电子科技有限公司 | 一种基于物联网的林业森林防火安全智能监测管理系统 |
| CN112861746A (zh) * | 2021-02-22 | 2021-05-28 | 国网安徽省电力有限公司 | 考虑环境灾害的密集输电通道关键视频截取方法及装置 |
| CN113324584A (zh) * | 2021-05-27 | 2021-08-31 | 云南电网有限责任公司西双版纳供电局 | 一种电网防灾应急全景监视系统及预警方法 |
| CN114783149A (zh) * | 2022-03-31 | 2022-07-22 | 北京智想北斗技术有限公司 | 一种基于大数据和图像识别的地质灾害监测预警方法 |
| CN115662070A (zh) * | 2022-10-18 | 2023-01-31 | 四川欢喜豆儿机电设备有限公司 | 一种提升设备安全监测预警系统 |
| CN115691055A (zh) * | 2022-11-01 | 2023-02-03 | 云南电网有限责任公司电力科学研究院 | 一种电网灾害管理平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115830813B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106680285B (zh) | 基于红外图像辅助的可见光图像识别绝缘子污秽状态方法 | |
| CN108734689B (zh) | 一种基于区域生长的导线散股检测方法 | |
| CN114611966B (zh) | 一种智慧电网电力系统输变电运行安全量化智能评估方法 | |
| CN114966467A (zh) | 一种基于数字孪生的输电线路状态评估方法 | |
| CN102446390A (zh) | 一种对输电线路附近监控区域进行安全检测、预警的方法和系统 | |
| CN108520170B (zh) | 一种断线倒塔概率模型的计算方法及装置 | |
| CN107958312B (zh) | 基于反演算法的输电线路舞动预测方法、系统及存储介质 | |
| CN110853089A (zh) | 一种基于多因素的模拟导线覆冰厚度算法 | |
| CN111695506A (zh) | 一种输电线路风致异物短路故障预警方法及系统 | |
| CN114386674A (zh) | 一种输电线路树木倒伏动态风险预警方法和系统 | |
| CN111738617A (zh) | 一种强降雨天气下变电站风险评估方法与预警系统 | |
| CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
| CN114912355A (zh) | 输电线路短期覆冰预测方法、装置和存储介质 | |
| CN114594532A (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
| CN116170283B (zh) | 基于网络通信故障体系的处理方法 | |
| CN115830813A (zh) | 一种基于ai技术的自然灾害监测预警系统 | |
| JP2003090887A (ja) | 落雷による瞬時電圧低下予測システムおよび予測方法 | |
| CN112016641A (zh) | 一种异物导致线路短路故障告警方法及装置 | |
| CN112070783A (zh) | 一种输电线路绝缘子串的风偏检测方法及装置 | |
| CN116304798A (zh) | 一种局部放电类型识别方法、装置、设备及介质 | |
| CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
| CN113989209A (zh) | 基于Faster R-CNN的电力线异物检测方法 | |
| CN114626669A (zh) | 基于多元数据的光缆巡检优先级判断方法及装置 | |
| CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
| CN117744908B (zh) | 一种基于机器视觉的城市排水设施巡检方法及系统 |
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 |