CN116070908A - 超高压电网隐患区段的分析方法、装置和计算机设备 - Google Patents
超高压电网隐患区段的分析方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN116070908A CN116070908A CN202310018028.7A CN202310018028A CN116070908A CN 116070908 A CN116070908 A CN 116070908A CN 202310018028 A CN202310018028 A CN 202310018028A CN 116070908 A CN116070908 A CN 116070908A
- Authority
- CN
- China
- Prior art keywords
- data
- regional
- hidden danger
- detected
- detection model
- 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 56
- 238000001514 detection method Methods 0.000 claims abstract description 104
- 238000012544 monitoring process Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 43
- 238000012806 monitoring device Methods 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 19
- 230000001629 suppression Effects 0.000 claims description 16
- 238000007689 inspection Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Multimedia (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种超高压电网隐患区段的分析方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取超高压电网各区域的监测设备上报的区域电数据,其中,预先按照不同的线路架设阶段对超高压电网进行分区域,对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段,获取隐患的位置的环境数据和设备的使用情况,将时间段的各多发位置的区域电数据、环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域,将重点巡视区域发送至巡检人员终端。该方法通过检测设备和目标检测模型,得到预测的重点巡视区域,使得巡视人员能够有目的地对重点巡视区域进行巡视,有效缩短巡视时间。
Description
技术领域
本申请涉及电网隐患区段分析技术领域,特别是涉及一种超高压电网隐患区段的分析方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
超高压输电是指使用500千伏——1000千伏电压等级输送电能。若以220千伏输电指标为100%,超高压输电每公里的相对投资、每千瓦时电输送百公里的相对成本以及金属材料消耗量等,均有大幅度降低,线路走廊利用率则有明显提高。
电力事业面向千家万户,服务各行各业,事关经济社会发展全局,电网既是电力市场的载体,又是国家安全和社会稳定的基础设施。电网的安全稳定运行直接关系到国民经济的发展和人民生活的安定,做好电网隐患排查工作,是确保电网安全运行的重要手段。
定期进行电网的排查能够减少在日常使用过程中所出现的电网断电损坏的情况,能够事先做好防护,做到预防的目的。现有的排查方式大多为人工进行多次巡查,通过无人机来监测巡视,对电缆、绝缘子等构件的使用情况,进行预防观测,存在人工巡查时间长的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够缩短巡视时间的超高压电网隐患区段的分析方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种超高压电网隐患区段的分析方法。所述方法包括:
获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
获取所述隐患的位置的环境数据和设备的使用情况;
将所述时间段的各所述多发位置的区域电数据、所述环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
将所述重点巡视区域发送至巡检人员终端。
在其中一个实施例中,所述方法还包括:
获取训练数据集,所述训练数据集包括区域电数据、环境数据、使用情况以及隐患标签;
将所述训练数据集输入待训练的目标检测模型,通过非极大值抑制算法确定发生隐患的目标待检框,得到所述目标检测模型预测的隐患位置;
根据所述目标检测模型预测的隐患位置和对应的隐患标签,调整所述目标检测模型的参数,直到模型收敛,得到训练好的目标检测模型。
在其中一个实施例中,其特征在于,将所述训练数据集输入待预测的目标检测模型,通过非极大值抑制确定发生隐患的目标待检框,得到所述目标检测模型预测的隐患位置,包括:
将所述训练数据集输入至待训练的目标检测模型,生成多个待检框;
选出其中得分最高及其对应的最优目标待检框;
遍历除所述最优目标待检框之外的所述目标待检框,若与最优目标待检框的重叠面积小于设定阈值,则保存对应的目标待检框,若与最优目标待检框的重叠面积大于或等于设定阈值,则删除所述目标待检框;
预测每个所述目标待检框作为隐患位置的概率;
将所述目标待检框对应的隐患位置确定为重点巡视区域。
在其中一个实施例中,所述监测设备包括电流监测设备和电压监测设备,所述区域电数据包括区域电流数据和区域电压数据。在其中一个实施例中,
在其中一个实施例中,所述电流监测设备还将采集的当前时间的区域电流数据与相近时间的区域历史电流数据进行比较,再根据比较结果确定所述区域电流数据稳定时,向所述区域分析服务器上报所述区域电流数据;
所述电压监测设备还将采集的当前时间的区域电压数据与相近时间的区域历史电压数据进行比较,再根据比较结果确定所述区域电压数据稳定时,向所述区域分析服务器上报所述区域电压数据。
在其中一个实施例中,所述对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段,包括:
根据各区域的一段时间的区域电流数据进行曲线拟合,得到区域电流曲线;
根据各区域的一段时间的区域电压数据进行曲线拟合,得到区域电压曲线;
根据所述区域电流曲线和所述区域电压曲线的拐点,确定所述区域电数据的波动情况;
根据所述区域电数据的波动情况,确定多次发生区域电数据波动的隐患位置,得到隐患的多发位置和时间段。
第二方面,本申请还提供了一种超高压电网隐患区段的分析装置。所述装置包括:
区域电数据获取模块,用于获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
隐患的多发位置和时间段确定模块,用于对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
环境数据获取模块,用于获取所述隐患的位置的环境数据和设备的使用情况。
重点巡视区域模块,用于将所述时间段的各所述多发位置的区域电数据、所述环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
巡检人员终端模块,用于将所述重点巡视区域发送至巡检人员终端。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
获取所述隐患的位置的环境数据和设备的使用情况;
将所述时间段的各所述多发位置的区域电数据、所述环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
将所述重点巡视区域发送至巡检人员终端。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
获取所述隐患的位置的环境数据和设备的使用情况;
将所述时间段的各所述多发位置的区域电数据、所述环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
将所述重点巡视区域发送至巡检人员终端。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
获取所述隐患的位置的环境数据和设备的使用情况;
将所述时间段的各所述多发位置的区域电数据、所述环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
将所述重点巡视区域发送至巡检人员终端。
上述超高压电网隐患区段的分析方法、装置、计算机设备、存储介质和计算机程序产品,按照不同的线路架设阶段对超高压电网进行分区,通过各区的检测设备获取超高压电网各区域的监测设备上报的区域电数据,各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段,根据各区域的电数据、环境数据、使用情况和目标检测模型,得到预测的重点巡视区域,使得巡视人员能够根据预测的重点巡视区域,有目的地对巡视区域进行巡视,有效缩短巡视时间。
附图说明
图1为一个实施例中超高压电网隐患区段的分析方法的应用环境图;
图2为一个实施例中超高压电网隐患区段的分析方法的流程示意图;
图3为一个实施例中目标检测模型的流程示意图;
图4为另一个实施例中目标检测模型形成的示意图;
图5为另一个实施例中超高压电网隐患区段的分析方法的流程示意图;
图6为一个实施例中隐患的多发位置和时间段的流程示意图;
图7为一个实施例中超高压电网隐患区段的分析系统的示意图;
图8为一个实施例中超高压电网隐患区段的分析装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的超高压电网隐患区段的分析方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;获取隐患的位置的环境数据和设备的使用情况;将时间段的各多发位置的区域电数据、环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;将重点巡视区域发送至巡检人员终端。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种超高压电网隐患区段的分析方法,该方法应用于图1中的计算机设备,包括以下步骤:
步骤202,获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域。
其中,区域电数据包括区域电压数据和区域电流数据。
具体地,预先按照不同的线路架设阶段对超高压电网进行分区域,得到多个超高压电网区域。超高压电网各区域中有多个监测单元,监测单元分为电压监测单元和电流检测单元,电压监测单元设置有电压监测设备,电流检测单元中设置有电流检测设备。各区域中的电压检测设备用于进行实时电压检测和上报监测到的电压数据,各区域中的电流检测设备用于进行实时电流检测和上报监测到的电流数据。
步骤204,对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段。
具体地,各区域中与电流检测单元和电压监测单元电连接的记录单元,将上报的区域电数据进行记录,区域电数据包括电压数据和电流数据。分析单元对各区域的区域电数据的进行统计,根据电数据的波动情况进行隐患位置的判断,确定隐患的多发位置和时间段。
步骤206,获取隐患的位置的环境数据和设备的使用情况。
其中,环境数据包括温度、湿度、降雨量、日照时数、风速等
具体地,环境数据由各区域的检测单元获取,设备的使用情况根据无人机的摄像图确定。可以通过各区域的检测单元获取隐患位置的环境数据和设备的使用情况。
步骤208,将时间段的各多发位置的区域电数据、环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域。
其中,目标检测模型由Faster RCNN算法训练形成的。
具体地,将各区域电数据、环境数据和设备的使用情况输入由Faster RCNN算法训练形成的目标检测模型,得到预测的重点巡视区域。
步骤210,将重点巡视区域发送至巡检人员终端。
具体地,将预测的重点巡视区域发送至巡检人员终端,巡检人员根据预测的重点巡视区域进行人工巡视。
本实施例中,按照不同的线路架设阶段对超高压电网进行分区,通过各区的检测设备获取区域的电数据,根据各区域的电数据、环境数据、使用情况和目标检测模型,得到预测的重点巡视区域,使得巡视人员能够根据预测的重点巡视区域,有目的地对巡视区域进行巡视,有效缩短巡视时间。
在一个实施例中,如图3和图4所示,超高压电网隐患区段的分析方法还包括:
步骤302,获取训练数据集,训练数据集包括区域电数据、环境数据、使用情况以及隐患标签。
具体地,根据监测单元中的监测设备获取各区域的电数据,根据检测单元获取环境数据,根据无人机的巡视获取设备的使用情况,隐患标签对应于不同类型的隐患。区域电数据、环境数据、使用情况以及隐患标签构成数据集,并将数据集划分为训练数据集和测试数据集。
步骤304,将训练数据集输入待训练的目标检测模型,通过非极大值抑制算法确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置。
具体地,利用训练数据集和Faster RCNN算法,对待训练的目标检测模型进行训练,通过非极大值抑制算法,筛选出合适的目标待检框,确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置。
步骤306,根据目标检测模型预测的隐患位置和对应的隐患标签,调整目标检测模型的参数,直到模型收敛,得到训练好的目标检测模型。
具体地,根据目标检测模型得到预测的隐患位置,通过目标检测模型预测的隐患位置和隐患对应的隐患标签,对目标检测模型的参数进行调整,直至模型收敛,得到训练好的目标检测模型。
在本实施例中,通过数据训练集和Faster RCNN算法对目标检测模型进行训练,并根据得到的目标检测模型预测的隐患位置和隐患标签,对目标检测模型的参数进行调整,得到训练好的目标检测模型。
在一个实施例中,如图5所示,将训练数据集输入待预测的目标检测模型,通过非极大值抑制确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置,包括以下步骤:
步骤502,将训练数据集输入至待训练的目标检测模型,生成多个待检框。
利用Faster RCNN算法和训练数据集对目标检测模型进行训练,输入训练数据集至目标检测模型后,电网隐患区段的目标检测会生成多个待检测框。
步骤504,选出其中得分最高及其对应的最优目标待检框。
利用非极大值抑制算法,从多个待检测框中筛选出合适的目标待检框,计算所有目标待检框的得分,并根据得分对目标待检框进行排序,选出其中得最高分及其对应的最优目标待检框。
步骤506,遍历除最优目标待检框之外的目标待检框,若与最优目标待检框的重叠面积小于设定阈值,则保存对应的目标待检框,若与最优目标待检框的重叠面积大于或等于设定阈值,则删除目标待检框。
其中,设定阈值为预先设定的一个值,可以为0.3。
具体地,计算除最优目标待检框之外的目标待检框与最优目标待检框的重叠面积,若目标待检框与最优目标待检框的重叠面积小于设定阈值,则保留对应的目标待检框,若目标待检框与最优目标待检框的重叠面积大于或者等于设定阈值,则删除对应的目标待检框。
步骤508,预测每个目标待检框作为隐患位置的概率。
对保留的目标待检框进行计算,预测每个目标待检框的隐患发生概率。
步骤510,将目标待检框对应的隐患位置确定为重点巡视区域。
将目标待检框对应的隐患位置确定为重点巡视区域,并按计算得到的目标待检框作为隐患位置的概率进行排序,根据排序后的隐患位置进行重点巡视。
在本实施例中,通过非极大值抑制算法,筛选出目标待检框,通过计算最优目标待检框和目标待检框的重叠面积,得到保留下的目标待检框对应的隐患位置,从而确定重点巡视区域。
在一个实施例中,监测设备包括电流监测设备和电压监测设备,区域电数据包括区域电流数据和区域电压数据。
具体地,电流监测设备对电流数据进行实时监测,电压监测设备对电压数据进行实时监测。
在本实施例中,通过电压监测设备实时得到电压数据,通过电流检测设备实时得到电流数据,为超高压电网隐患区段的分析提供数据。
在一个实施例中,电流监测设备还将采集的当前时间的区域电流数据与相近时间的区域历史电流数据进行比较,再根据比较结果确定区域电流数据稳定时,向区域分析服务器上报区域电流数据;电压监测设备还将采集的当前时间的区域电压数据与相近时间的区域历史电压数据进行比较,再根据比较结果确定区域电压数据稳定时,向区域分析服务器上报区域电压数据。
具体地,电流监测设备将采集的当前时间区域的电流数据与相近时间的区域历史电流数据进行比较和分析,根据比较结果判断当前时间区域的电流数据是否稳定。若当前时间区域的电流数据稳定,对电流数据加密后,向区域分析服务器上报所在区域的电流数据。电压监测设备将采集的当前时间区域的电压数据与相近时间的区域历史电压数据进行比较和分析,根据比较结果判断当前时间区域的电压数据是否稳定。若当前时间区域的电压数据稳定,信号加密单元对电压数据加密后,向区域分析服务器上报所在区域的电压数据。
在本实施例中,通过比较当前时间区域的电流数据与相近时间的区域历史电流数据,比较当前时间区域的电压数据与相近时间的区域历史电压数据,向区域分析服务器上报电压数据和电流数据。
在一个实施例中,如图6所示,对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段,包括以下步骤:
步骤602,根据各区域的一段时间的区域电流数据进行曲线拟合,得到区域电流曲线。
具体地,根据记录单元记录的各区域电流数据,对各区域电流数据进行曲线拟合,得到各区域的电流曲线。
步骤604,根据各区域的一段时间的区域电压数据进行曲线拟合,得到区域电压曲线。
具体地,根据记录单元记录的各区域电压数据,对各区域电压数据进行曲线拟合,得到各区域的电压曲线。
步骤606,根据区域电流曲线和区域电压曲线的拐点,确定区域电数据的波动情况。
对各区域的电流曲线和电压曲线进行分析,得到区域电流曲线和区域电压曲线的拐点,根据区域电流曲线和区域电压曲线的拐点,确定区域电数据的波动情况。
步骤608,根据区域电数据的波动情况,确定多次发生区域电数据波动的隐患位置,得到隐患的多发位置和时间段。
根据区域电数据的波动情况,对隐患多发的位置进行相应的判断,得到隐患的多发位置和时间段。
在本实施例中,通过对各区域的区域电数据进行曲线拟合,得到各区域的区域电数据的波动情况,根据各区域的区域电数据的波动情况确定隐患的多发位置和时间段。
本申请提供一种超高压电网隐患区段的分析方法,该方法应用于如图7所示的超高压电网隐患区段的分析系统,该分析系统包括数据库1、区段服务器2以及环境检测的检测单元3。区段服务器2下端设置分析单元,分析单元包括:电压监测单元11,用于进行实时电压监测;电流监测单元12,用于进行实时电流监测;记录单元14,电性连通电压监测单元11与电流监测单元12;类比模块16,设置于记录单元14内部,用于对所记录的数据进行类比;分析模块17,电性连接该类比模块16,用于对数据进行分析;信号加密单元13,电性连接该分析模块17,该信号加密模块13电性连接发射单元15。分析单元通过电压设备和电流设备获取区域电数据,并对区域电数据进行分析。
预测单元包括:接收单元27,用于接收数据;统计单元21,电性连接接收单元27,用于对数据进行统计;分类单元23,电性连接统计单元21,用于对统计的数据进行分类;对比单元24,电性连接分类单元23,用于对数据进行对比;计算单元25,电性连接对比单元24,对数据进行计算,该计算单元25电性连接预测模块26;加密单元22,电性连接预测模块26。储存单元包括:分区模块31,电性连接加密单元22;传输模块32,电性连接分区模块31,用于进行数据的传输;加密模块33,电性连接传输模块32,用于对储存的数据进行再次加密;集中模块34,电性连接加密模块33,用于对数据进行集中储存。预测单元各区域的电数据、环境数据、使用情况和目标检测模型,得到预测的重点巡视区域。
超高压电网隐患区段的分析方法按照不同的线路架设阶段进行分区域管理,能够根据所储存的数据和训练的目标检测模型,进行重点巡视区域的预测,使得能够将针对重点巡视区域进行精准巡视,有效缩短巡视时间。。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的超高压电网隐患区段的分析方法的超高压电网隐患区段的分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个超高压电网隐患区段的分析装置实施例中的具体限定可以参见上文中对于超高压电网隐患区段的分析方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种超高压电网隐患区段的分析装置,包括:区域电数据获取模块802、隐患的多发位置和时间段确定模块804、环境数据获取模块806、重点巡视区域模块808和巡检人员终端模块810,其中:
区域电数据获取模块802,用于获取超高压电网各区域的监测设备上报的区域电数据。其中,预先按照不同的线路架设阶段对超高压电网进行分区域。
隐患的多发位置和时间段确定模块804,用于对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段。
环境数据获取模块806,用于获取隐患的位置的环境数据和设备的使用情况。
重点巡视区域模块808,用于将时间段的各多发位置的区域电数据、环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域。
巡检人员终端模块810,用于将重点巡视区域发送至巡检人员终端。
在一个实施例中,超高压电网隐患区段的分析方法还包括:目标检测模型获取模块,用于获取训练数据集,训练数据集包括区域电数据、环境数据、使用情况以及隐患标签;将训练数据集输入待训练的目标检测模型,通过非极大值抑制算法确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置;根据目标检测模型预测的隐患位置和对应的隐患标签,调整目标检测模型的参数,直到模型收敛,得到训练好的目标检测模型。
在一个实施例中,目标检测模型获取模块,用于将训练数据集输入至待训练的目标检测模型,生成多个待检框;选出其中得分最高及其对应的最优目标待检框;遍历除最优目标待检框之外的目标待检框,若与最优目标待检框的重叠面积小于设定阈值,则保存对应的目标待检框,若与最优目标待检框的重叠面积大于或等于设定阈值,则删除目标待检框;预测每个目标待检框作为隐患位置的概率;将目标待检框对应的隐患位置确定为重点巡视区域。
在一个实施例中,监测设备包括电流监测设备和电压监测设备,区域电数据包括区域电流数据和区域电压数据。
在一个实施例中,超高压电网隐患区段的分析方法还包括:电数据上报模块,用于电流监测设备还将采集的当前时间的区域电流数据与相近时间的区域历史电流数据进行比较,再根据比较结果确定区域电流数据稳定时,向区域分析服务器上报区域电流数据;
电压监测设备还将采集的当前时间的区域电压数据与相近时间的区域历史电压数据进行比较,再根据比较结果确定区域电压数据稳定时,向区域分析服务器上报区域电压数据。
在一个实施例中,隐患的多发位置和时间段确定模块,用于根据各区域的一段时间的区域电流数据进行曲线拟合,得到区域电流曲线;根据各区域的一段时间的区域电压数据进行曲线拟合,得到区域电压曲线;根据区域电流曲线和区域电压曲线的拐点,确定区域电数据的波动情况;根据区域电数据的波动情况,确定多次发生区域电数据波动的隐患位置,得到隐患的多发位置和时间段。
上述超高压电网隐患区段的分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储区域电数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种超高压电网隐患区段的分析方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
获取隐患的位置的环境数据和设备的使用情况;
将时间段的各多发位置的区域电数据、环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
将重点巡视区域发送至巡检人员终端。
在一个实施例中,超高压电网隐患区段的分析方法还包括:获取训练数据集,训练数据集包括区域电数据、环境数据、使用情况以及隐患标签;将训练数据集输入待训练的目标检测模型,通过非极大值抑制算法确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置;根据目标检测模型预测的隐患位置和对应的隐患标签,调整目标检测模型的参数,直到模型收敛,得到训练好的目标检测模型。
在一个实施例中,将训练数据集输入待预测的目标检测模型,通过非极大值抑制确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置,包括:将训练数据集输入至待训练的目标检测模型,生成多个待检框;选出其中得分最高及其对应的最优目标待检框;遍历除最优目标待检框之外的目标待检框,若与最优目标待检框的重叠面积小于设定阈值,则保存对应的目标待检框,若与最优目标待检框的重叠面积大于或等于设定阈值,则删除目标待检框;预测每个目标待检框作为隐患位置的概率;将目标待检框对应的隐患位置确定为重点巡视区域。
在一个实施例中,监测设备包括电流监测设备和电压监测设备,区域电数据包括区域电流数据和区域电压数据。
在一个实施例中,电流监测设备还将采集的当前时间的区域电流数据与相近时间的区域历史电流数据进行比较,再根据比较结果确定区域电流数据稳定时,向区域分析服务器上报区域电流数据;电压监测设备还将采集的当前时间的区域电压数据与相近时间的区域历史电压数据进行比较,再根据比较结果确定区域电压数据稳定时,向区域分析服务器上报区域电压数据。
在一个实施例中,对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段,包括:根据各区域的一段时间的区域电流数据进行曲线拟合,得到区域电流曲线;根据各区域的一段时间的区域电压数据进行曲线拟合,得到区域电压曲线;根据区域电流曲线和区域电压曲线的拐点,确定区域电数据的波动情况;根据区域电数据的波动情况,确定多次发生区域电数据波动的隐患位置,得到隐患的多发位置和时间段。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
获取隐患的位置的环境数据和设备的使用情况;
将时间段的各多发位置的区域电数据、环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
将重点巡视区域发送至巡检人员终端。
在一个实施例中,超高压电网隐患区段的分析方法还包括:获取训练数据集,训练数据集包括区域电数据、环境数据、使用情况以及隐患标签;将训练数据集输入待训练的目标检测模型,通过非极大值抑制算法确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置;根据目标检测模型预测的隐患位置和对应的隐患标签,调整目标检测模型的参数,直到模型收敛,得到训练好的目标检测模型。
在一个实施例中,将训练数据集输入待预测的目标检测模型,通过非极大值抑制确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置,包括:将训练数据集输入至待训练的目标检测模型,生成多个待检框;选出其中得分最高及其对应的最优目标待检框;遍历除最优目标待检框之外的目标待检框,若与最优目标待检框的重叠面积小于设定阈值,则保存对应的目标待检框,若与最优目标待检框的重叠面积大于或等于设定阈值,则删除目标待检框;预测每个目标待检框作为隐患位置的概率;将目标待检框对应的隐患位置确定为重点巡视区域。
在一个实施例中,监测设备包括电流监测设备和电压监测设备,区域电数据包括区域电流数据和区域电压数据。
在一个实施例中,电流监测设备还将采集的当前时间的区域电流数据与相近时间的区域历史电流数据进行比较,再根据比较结果确定区域电流数据稳定时,向区域分析服务器上报区域电流数据;电压监测设备还将采集的当前时间的区域电压数据与相近时间的区域历史电压数据进行比较,再根据比较结果确定区域电压数据稳定时,向区域分析服务器上报区域电压数据。
在一个实施例中,对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段,包括:根据各区域的一段时间的区域电流数据进行曲线拟合,得到区域电流曲线;根据各区域的一段时间的区域电压数据进行曲线拟合,得到区域电压曲线;根据区域电流曲线和区域电压曲线的拐点,确定区域电数据的波动情况;根据区域电数据的波动情况,确定多次发生区域电数据波动的隐患位置,得到隐患的多发位置和时间段。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
获取隐患的位置的环境数据和设备的使用情况;
将时间段的各多发位置的区域电数据、环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
将重点巡视区域发送至巡检人员终端。
在一个实施例中,超高压电网隐患区段的分析方法还包括:获取训练数据集,训练数据集包括区域电数据、环境数据、使用情况以及隐患标签;将训练数据集输入待训练的目标检测模型,通过非极大值抑制算法确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置;根据目标检测模型预测的隐患位置和对应的隐患标签,调整目标检测模型的参数,直到模型收敛,得到训练好的目标检测模型。
在一个实施例中,将训练数据集输入待预测的目标检测模型,通过非极大值抑制确定发生隐患的目标待检框,得到目标检测模型预测的隐患位置,包括:将训练数据集输入至待训练的目标检测模型,生成多个待检框;选出其中得分最高及其对应的最优目标待检框;遍历除最优目标待检框之外的目标待检框,若与最优目标待检框的重叠面积小于设定阈值,则保存对应的目标待检框,若与最优目标待检框的重叠面积大于或等于设定阈值,则删除目标待检框;预测每个目标待检框作为隐患位置的概率;将目标待检框对应的隐患位置确定为重点巡视区域。
在一个实施例中,监测设备包括电流监测设备和电压监测设备,区域电数据包括区域电流数据和区域电压数据。
在一个实施例中,电流监测设备还将采集的当前时间的区域电流数据与相近时间的区域历史电流数据进行比较,再根据比较结果确定区域电流数据稳定时,向区域分析服务器上报区域电流数据;电压监测设备还将采集的当前时间的区域电压数据与相近时间的区域历史电压数据进行比较,再根据比较结果确定区域电压数据稳定时,向区域分析服务器上报区域电压数据。
在一个实施例中,对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段,包括:根据各区域的一段时间的区域电流数据进行曲线拟合,得到区域电流曲线;根据各区域的一段时间的区域电压数据进行曲线拟合,得到区域电压曲线;根据区域电流曲线和区域电压曲线的拐点,确定区域电数据的波动情况;根据区域电数据的波动情况,确定多次发生区域电数据波动的隐患位置,得到隐患的多发位置和时间段。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种超高压电网隐患区段的分析方法,应用于区域分析服务器,其特征在于,所述方法包括:
获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
获取所述隐患的位置的环境数据和设备的使用情况;
将所述时间段的各所述多发位置的区域电数据、所述环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
将所述重点巡视区域发送至巡检人员终端。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取训练数据集,所述训练数据集包括区域电数据、环境数据、使用情况以及隐患标签;
将所述训练数据集输入待训练的目标检测模型,通过非极大值抑制算法确定发生隐患的目标待检框,得到所述目标检测模型预测的隐患位置;
根据所述目标检测模型预测的隐患位置和对应的隐患标签,调整所述目标检测模型的参数,直到模型收敛,得到训练好的目标检测模型。
3.根据权利要求2所述的方法,其特征在于,将所述训练数据集输入待预测的目标检测模型,通过非极大值抑制确定发生隐患的目标待检框,得到所述目标检测模型预测的隐患位置,包括:
将所述训练数据集输入至待训练的目标检测模型,生成多个待检框;
选出其中得分最高及其对应的最优目标待检框;
遍历除所述最优目标待检框之外的所述目标待检框,若与最优目标待检框的重叠面积小于设定阈值,则保存对应的目标待检框,若与最优目标待检框的重叠面积大于或等于设定阈值,则删除所述目标待检框;
预测每个所述目标待检框作为隐患位置的概率;
将所述目标待检框对应的隐患位置确定为重点巡视区域。
4.根据权利要求1所述的方法,其特征在于,所述监测设备包括电流监测设备和电压监测设备,所述区域电数据包括区域电流数据和区域电压数据。
5.根据权利要求4所述的方法,其特征在于,所述电流监测设备还将采集的当前时间的区域电流数据与相近时间的区域历史电流数据进行比较,再根据比较结果确定所述区域电流数据稳定时,向所述区域分析服务器上报所述区域电流数据;
所述电压监测设备还将采集的当前时间的区域电压数据与相近时间的区域历史电压数据进行比较,再根据比较结果确定所述区域电压数据稳定时,向所述区域分析服务器上报所述区域电压数据。
6.根据权利要求1所述的方法,其特征在于,所述对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段,包括:
根据各区域的一段时间的区域电流数据进行曲线拟合,得到区域电流曲线;
根据各区域的一段时间的区域电压数据进行曲线拟合,得到区域电压曲线;
根据所述区域电流曲线和所述区域电压曲线的拐点,确定所述区域电数据的波动情况;
根据所述区域电数据的波动情况,确定多次发生区域电数据波动的隐患位置,得到隐患的多发位置和时间段。
7.一种超高压电网隐患区段的分析装置,其特征在于,所述装置包括:
区域电数据获取模块,用于获取超高压电网各区域的监测设备上报的区域电数据;其中,预先按照不同的线路架设阶段对超高压电网进行分区域;
隐患的多发位置和时间段确定模块,用于对各区域的区域电数据的波动情况进行统计,确定隐患的多发位置和时间段;
环境数据获取模块,用于获取所述隐患的位置的环境数据和设备的使用情况;
重点巡视区域模块,用于将所述时间段的各所述多发位置的区域电数据、所述环境数据和使用情况、输入至训练好的目标检测模型,得到预测的重点巡视区域;
巡检人员终端模块,用于将所述重点巡视区域发送至巡检人员终端。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310018028.7A CN116070908A (zh) | 2023-01-06 | 2023-01-06 | 超高压电网隐患区段的分析方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310018028.7A CN116070908A (zh) | 2023-01-06 | 2023-01-06 | 超高压电网隐患区段的分析方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070908A true CN116070908A (zh) | 2023-05-05 |
Family
ID=86172765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310018028.7A Pending CN116070908A (zh) | 2023-01-06 | 2023-01-06 | 超高压电网隐患区段的分析方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070908A (zh) |
-
2023
- 2023-01-06 CN CN202310018028.7A patent/CN116070908A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2019413432B2 (en) | Scalable system and engine for forecasting wind turbine failure | |
WO2020259421A1 (zh) | 一种业务系统的监控方法及装置 | |
CN111212038B (zh) | 基于大数据人工智能的开放数据api网关系统 | |
CN108123849B (zh) | 检测网络流量的阈值的确定方法、装置、设备及存储介质 | |
Pavlovski et al. | Hierarchical convolutional neural networks for event classification on PMU measurements | |
CN114254879B (zh) | 多传感器信息融合的电力设备安全诊断方法和装置 | |
KR20170060031A (ko) | 머신 러닝을 이용한 비-기술적인 손실의 식별 | |
Hai et al. | Transfer learning for event detection from PMU measurements with scarce labels | |
CN117761444B (zh) | 一种电涌保护器的寿命监测方法及系统 | |
CN114446019A (zh) | 告警信息处理方法、装置、设备、存储介质和产品 | |
CN114254864A (zh) | 用电数据处理方法、装置、计算机设备、存储介质 | |
KR20200108199A (ko) | 이상 감지를 이용한 모니터링 자동화 방법 및 장치 | |
CN115495274B (zh) | 基于时序数据的异常处理方法、网络设备和可读存储介质 | |
CN116070908A (zh) | 超高压电网隐患区段的分析方法、装置和计算机设备 | |
CN116071864A (zh) | 预警处理方法、装置、设备、存储介质和计算机程序产品 | |
CN116843314A (zh) | 监控终端运维管理方法、系统、设备及存储介质 | |
CN116032012A (zh) | 输电线预警方法、装置、计算机设备和存储介质 | |
CN116956174B (zh) | 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法 | |
Ardebili et al. | Prediction of thermal hazards in a real datacenter room using temporal convolutional networks | |
CN114839554A (zh) | 一种电池告警方法、装置、电子设备及存储介质 | |
Wang et al. | Robust deep Gaussian process-based trustworthy fog-haze-caused pollution flashover prediction approach for overhead contact lines | |
CN115408197B (zh) | 基于流式处理及多源数据交叉校验的负荷数据校验方法 | |
CN118353761A (zh) | 物联网通信设备的告警数据处理方法、装置、设备和介质 | |
CN117629304A (zh) | 架空输电线路导线覆冰的监测方法、装置、设备和介质 | |
CN116311795A (zh) | 地质灾害预警方法、装置、设备及存储介质 |
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 |