CN116257761A - 杆塔故障概率预测模型的训练方法及系统 - Google Patents
杆塔故障概率预测模型的训练方法及系统 Download PDFInfo
- Publication number
- CN116257761A CN116257761A CN202310539029.6A CN202310539029A CN116257761A CN 116257761 A CN116257761 A CN 116257761A CN 202310539029 A CN202310539029 A CN 202310539029A CN 116257761 A CN116257761 A CN 116257761A
- Authority
- CN
- China
- Prior art keywords
- tower
- training
- data set
- data
- random forest
- 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
- 238000012549 training Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007637 random forest analysis Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010061274 Malocclusion Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种杆塔故障概率预测模型的训练方法及系统,属于杆塔技术领域,该杆塔故障概率预测模型的训练方法,包括以下步骤:获取若干个杆塔的历史故障数据以及各采集点的姿态数据和气象数据,构建原始数据集,其中,每个杆塔上设有若干采集点;对每个杆塔的各采集点的姿态数据和气象数据分级,并根据每个杆塔的历史故障数据获取杆塔的故障概率,将所有杆塔各采集点的姿态数据的级别、气象数据的级别和杆塔的故障概率作为样本数据集;输入训练数据集训练随机森林模型,然后向随机森林模型输入测试数据集。通过使用杆塔各层的数据和对应的故障概率训练随机森林模型,以进行杆塔故障概率的预测,更进一步提高预测准确率、运算效率。
Description
技术领域
本发明涉及杆塔技术领域,特别涉及一种杆塔故障概率预测模型的训练方法及系统。
背景技术
随着输配电杆塔、风能发电杆塔、山顶监测杆塔和信号杆塔等各种类型的杆塔的大规模应用,对于杆塔的机械结构的稳定性要求变得越来越高。作用在杆塔上的载荷是多元化的,除了导线、风速发电机、监控设备等自身载荷之外还会因为所处环境的不同而面临风载、冰雪载荷、地震载荷、不明飞行物撞击等各种非自身载荷。
大多数杆塔故障的判断方法往往只采集的杆塔的局部荷载数据直接进行分析,直接采集的局部数据离散程度大,无法反映杆塔整体的状态,且用局部数据直接进行故障预测的方法,准确率低。
发明内容
本发明的目的在于提供一种杆塔故障概率预测模型的训练方法,以解决预测方法准确率低的问题。
为解决上述技术问题,本发明提供一种杆塔故障概率预测模型的训练方法,包括以下步骤:
获取若干个杆塔的历史故障数据以及各采集点的姿态数据和气象数据,构建原始数据集,其中,每个杆塔上设有若干采集点;
对每个杆塔的各采集点的姿态数据和气象数据分级,并根据每个杆塔的历史故障数据获取杆塔的故障概率,将所有杆塔各采集点的姿态数据的级别、气象数据的级别和杆塔的故障概率作为样本数据集;
将所述样本数据集随机分成训练数据集和测试数据集;
输入所述训练数据集训练随机森林模型,然后向所述随机森林模型输入所述测试数据集,评估随机森林模型的准确率。
优选地,所述姿态数据包括杆塔的滚转角、俯仰角和偏航角的角度,以及杆塔在所述滚转角、所述俯仰角和所述偏航角方向上的角速度。
优选地,所述气象数据包括风速。
优选地,每个杆塔设有三个采集点,依次位于杆塔的底端、1/2高度处和顶端。
优选地,所述样本数据集通过Scikit-Learn库的数据划分功能,将所述样本数据集划分为所述训练数据集和所述测试数据集。
优选地,在划分形成所述训练数据集和所述测试数据集后,还对所述训练数据集和所述测试数据集进行特征缩放。
优选地,通过Scikit-Learn库的特征缩放功能对所述训练数据集和所述测试数据集进行特征缩放。
优选地,将进行特征缩放之后的训练数据集用于随机森林模型的训练,使用Scikit-Learn库的随机森林训练功能训练随机森林模型。
优选地,向所述随机森林模型输入所述测试数据集,评估随机森林模型的准确率的步骤包括:向所述随机森林模型中输入所述测试数据集中杆塔的姿态数据和气象数据,所述随机森林模型输出对应的故障概率;
根据输出的故障概率和所述测试数据集中对应杆塔的故障概率,获取两组数据之间的平均绝对误差、均方误差、均方根误差,评估所述随机森林模型的准确率。
一种用于处理杆塔故障概率预测模型的训练方法的系统,包括处理器及存储器,所述存储器中存储有用以执行上述任一项所述的杆塔故障概率预测模型的训练方法的逻辑指令,处理器在运行时执行存储器中存储的逻辑指令。
在本发明提供的杆塔故障概率预测模型的训练方法中,通过采集杆塔各层的角度、角速度和风速并对采集之后的数据进行分级处理,能够更加全面的分析各种因素对于杆塔稳定性的影响,再加上根据各层数据的分级处理来建立预测故障概率的模型,更加精准的预测杆塔的故障概率,对于全面评估杆塔风险,降低维护成本具有十分重要的意义。
附图说明
图1是杆塔故障概率预测模型的训练过程的流程图;
图2是杆塔故障概率预测模型的预测过程的流程图。
具体实施方式
以下结合附图和具体实施例对本发明提出的杆塔故障概率预测模型的训练方法及系统作进一步详细说明。根据下面说明,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
发明人研究发现由于杆塔的载荷来源不同,各种载荷作用在杆塔上的位置不同,因此仅采集杆塔上局部范围的数据无法良好反映杆塔的整体状态,基于局部数据对杆塔故障概率进行预测的准确率低。
基于此,本发明实的核心思想在于,通过采集杆塔上各层的XYZ三轴的角度、角速度数据和风速数据,建立杆塔的故障预测模型,不仅能够更加全面的分析各种因素对于杆塔稳定性的影响,还能够更加精准的预测杆塔的故障概率,对于全面评估杆塔故障风险,降低杆塔维护成本具有十分重要的意义。
具体的,请参考图1,其为本发明实施例的流程图。如图1所示,一种杆塔故障概率预测模型的训练方法,包括以下步骤:
获取若干个杆塔的历史故障数据以及各采集点的姿态数据和气象数据,构建原始数据集,其中,每个杆塔上设有若干采集点;
对每个杆塔的各采集点的姿态数据和气象数据分级,并根据每个杆塔的历史故障数据获取杆塔的故障概率,将所有杆塔各采集点的姿态数据的级别、气象数据的级别和杆塔的故障概率作为样本数据集;
将所述样本数据集随机分成训练数据集和测试数据集;
输入所述训练数据集训练随机森林模型,然后向所述随机森林模型输入所述测试数据集,评估随机森林模型的准确率。
通过获得的多个杆塔上各采集点的姿态数据和气象数据及对应的历史故障数据,建立随机森林模型作为故障概率预测的模型,利用随机森林算法结合杆塔各层的历史角度、风速、故障数据进行杆塔故障概率的预测,这种分层数据的引入能够更好的考虑到杆塔各位置的数据,数据分级的处理更进一步提高预测准确率,相对于其它故障概率预测模型,随机森林模型能够处理高维度的数据,且不用降维,对于多种姿态数据和气象数据的引入不会增加大量运算,提高了运算效率。
在一种实施方式中,每个杆塔设有三个采集点,依次位于杆塔的底端、1/2高度处和顶端。这里将杆塔的底端、1/2高度处和顶端分别记为底层、中层和顶层。还可以根据杆塔的高度和形状设置多个采集点。
具体的,所述姿态数据包括杆塔的滚转角、俯仰角和偏航角的角度,以及杆塔在所述滚转角、所述俯仰角和所述偏航角方向上的角速度。
这里将杆塔的采集点处等效为一空中飞行件,并将飞行件的滚转角、俯仰角和偏航角概念引入。其中,将滚转角方向作为X轴方向,将俯仰角方向视为Y轴方向,将偏航角方向视为Z轴方向。
对于上述的XYZ轴坐标系也即以杆塔在当前采集点处的质心为原点O建立杆塔坐标系,X轴在杆塔的对称平面内并平行于杆塔的设计轴线指向杆塔顶端方向,Y轴垂直于杆塔的对称平面指向杆塔右方,Z轴在杆塔的对称平面内并与X轴和Y轴垂直;在地面上选一点Og建立地面坐标系,使Xg轴在水平面内并指向某一方向,Zg轴垂直于地面并指向地心,Yg轴在水平面内垂直于Xg轴和Zg。滚转角是所述杆塔坐标系OZ轴与通过杆塔OX轴的铅垂面间的夹角,所述俯仰角是所述OX轴与水平面之间的夹角,所述偏航角是所述OX轴在水平面上投影与地面坐标系的Xg轴之间的夹角。
具体的,所述气象数据包括风速。这里的风速数据即广义的风速,是指空气相对于地球某一固定地点的运动速率。
基于上述每个杆塔的各采集点的角度数据、角速度数据和风速数据进行级别划分,角度数据即杆塔的滚转角、俯仰角和偏航角的角度,角速度数据即杆塔在滚转角方向上、俯仰角方向上和偏航角方向上的角速度。还根据杆塔的历史数据和故障事件获得杆塔的故障损坏程度评估出杆塔的故障概率0%~100%,然后将所有杆塔各层的角度级别、角速度级别、风速级别和故障概率作为原始数据集。
可参见如下表1的风速分级表对于风速级别的划分获取风速的级别:
表1 风速分级表
可参见如下表2和表3的角度分级表对于X、Y、Z轴角度级别的划分获取各采集点角度的级别:
表2 Y轴角度分级表
表3 X、Z轴分级表
可参见下表4的X、Y、Z轴角速度分级表对角速度进行分级:
表4 X、Y、Z轴角速度分级表
然后,所述样本数据集通过Scikit-Learn库的数据划分功能,将所述样本数据集划分为所述训练数据集和所述测试数据集。在划分形成所述训练数据集和所述测试数据集后,还对所述训练数据集和所述测试数据集进行特征缩放。通过Scikit-Learn库的特征缩放功能对所述训练数据集和所述测试数据集进行特征缩放。
Scikit-learn(以前称为scikits.learn,也称为sklearn)是针对Python 编程语言的免费软件机器学习库。它具有各种分类、回归和聚类算法,包括支持向量机、随机森林、梯度提升、k均值和DBSCAN等算法。
在一种实施方式中,将样本数据集通过Scikit-Learn库的train_test_split函数将数据划分为训练数据集和测试数据集。其中,测试数据集占样本数据集总数据的20%,训练数据集占样本数据集总数据的80%,训练数据集的数据量大于测试数据集的数据量。其次,对于划分好的数据集,通过Scikit-Learn库的特征缩放功能(Standard Scaler)对数据集进行特征缩放。
随机森林是集群分类模型中的一种,随机森林是用随机的方式建立一个森林,森林由很多的决策树组成,且每一棵决策树之间是没有关联的。得到随机森林模型后,当新样本进入时随机森林中的每一棵决策树分别进行判断,bagging(装袋法)集合策略比较简单,对于分类问题通常使用投票法,得到最多票数类别或者类别之一为最终模型输出。
在一种实施方式中,将进行特征缩放之后的训练数据集用于随机森林模型的训练,使用Scikit-Learn库的随机森林训练功能训练随机森林模型。将特征缩放之后的训练数据集用于随机森林回归模型的训练,使用Scikit-Learn库的随机森林训练功能(RandomForest Regressor)。利用随机森林算法结合杆塔各层的历史角度、角速度、风速和故障数据进行杆塔故障概率的预测,将若干个杆塔各层的历史角度、角速度、风速和杆塔故障概率分成训练数据集和测试数据集,输入训练数据集训练随机森林模型,然后使用测试数据集评估随机森林模型的准确率,形成的随机森林模型能够用于杆塔故障概率的预测,这种分层数据的引入能够更好的考虑到杆塔各位置的数据,对采集的数据进行分级处理能更进一步提高预测准确率。
最后,使用训练好的随机森林归回模型对测试数据集中的杆塔故障结果进行预测,向所述随机森林模型输入所述测试数据集,评估随机森林模型的准确率的步骤包括:向所述随机森林模型中输入所述测试数据集中杆塔的姿态数据和气象数据,所述随机森林模型输出对应的故障概率;
根据输出的故障概率和所述测试数据集中对应杆塔的故障概率,获取两组数据之间的平均绝对误差、均方误差、均方根误差,评估所述随机森林模型的准确率。
在一种实施方式中,还需要根据输出结果的平均绝对误差、均方误差、均方根误差对预测的结果进行评估,评估预测的准确度,在故障概率预测时根据预测的准确度综合评定模型输出故障概率的准确度。
可以通过在杆塔上安装姿态传感器和气象传感器来采集各层的数据,并在采样时间内评估杆塔的故障概率,然后将数据导入随机森林模型进行训练,然后使用训练和评估后的随机森林模型,将之后采集的各项数据输入,然后经过如图2所示的随机森林模型预测故障概率。
基于同一技术构思,本发明还提供了一种用于处理杆塔故障概率预测模型的训练方法的系统,包括处理器及存储器,所述存储器中存储有用以执行如上述任一项所述的杆塔故障概率预测模型的训练方法的逻辑指令,处理器在运行时执行存储器中存储的逻辑指令。
综上可见,在本发明实施例提供的杆塔故障概率预测模型的训练方法中,通过使用杆塔各层的角度、角速度、风速和对应的故障数据训练随机森林模型,使用训练后的随机森林模型进行杆塔故障概率的预测,分布的各采集点引入杆塔的各层高度数据能够更好的考虑到杆塔各位置的数据,对杆塔各层的气象数据和姿态数据进行分级的处理更进一步提高预测准确率,由于随机森林模型能够处理高维度的数据且不用降维,对于多种姿态数据和气象数据的引入不会增加大量运算,运算效率高。
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种杆塔故障概率预测模型的训练方法,其特征在于,包括以下步骤:
获取若干个杆塔的历史故障数据以及各采集点的姿态数据和气象数据,构建原始数据集,其中,每个杆塔上设有若干采集点;
对每个杆塔的各采集点的姿态数据和气象数据分级,并根据每个杆塔的历史故障数据获取杆塔的故障概率,将所有杆塔各采集点的姿态数据的级别、气象数据的级别和杆塔的故障概率作为样本数据集;
将所述样本数据集随机分成训练数据集和测试数据集;
输入所述训练数据集训练随机森林模型,然后向所述随机森林模型输入所述测试数据集,评估随机森林模型的准确率。
2.如权利要求1所述的杆塔故障概率预测模型的训练方法,其特征在于,所述姿态数据包括杆塔的滚转角、俯仰角和偏航角的角度,以及杆塔在所述滚转角、所述俯仰角和所述偏航角方向上的角速度。
3.如权利要求1所述的杆塔故障概率预测模型的训练方法,其特征在于,所述气象数据包括风速。
4.如权利要求1所述的杆塔故障概率预测模型的训练方法,其特征在于,每个杆塔设有三个采集点,依次位于杆塔的底端、1/2高度处和顶端。
5.如权利要求1所述的杆塔故障概率预测模型的训练方法,其特征在于,所述样本数据集通过Scikit-Learn库的数据划分功能,将所述样本数据集划分为所述训练数据集和所述测试数据集。
6.如权利要求1所述的杆塔故障概率预测模型的训练方法,其特征在于,在划分形成所述训练数据集和所述测试数据集后,还对所述训练数据集和所述测试数据集进行特征缩放。
7.如权利要求6所述的杆塔故障概率预测模型的训练方法,其特征在于,通过Scikit-Learn库的特征缩放功能对所述训练数据集和所述测试数据集进行特征缩放。
8.如权利要求6所述的杆塔故障概率预测模型的训练方法,其特征在于,将进行特征缩放之后的训练数据集用于随机森林模型的训练,使用Scikit-Learn库的随机森林训练功能训练随机森林模型。
9.如权利要求1所述的杆塔故障概率预测模型的训练方法,其特征在于,向所述随机森林模型输入所述测试数据集,评估随机森林模型的准确率的步骤包括:向所述随机森林模型中输入所述测试数据集中杆塔的姿态数据和气象数据,所述随机森林模型输出对应的故障概率;
根据输出的故障概率和所述测试数据集中对应杆塔的故障概率,获取两组数据之间的平均绝对误差、均方误差、均方根误差,评估所述随机森林模型的准确率。
10.一种用于处理杆塔故障概率预测模型的训练方法的系统,其特征在于,包括处理器及存储器,所述存储器中存储有用以执行如权利要求1-9任一项所述的杆塔故障概率预测模型的训练方法的逻辑指令,所述处理器在运行时执行所述存储器中存储的逻辑指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539029.6A CN116257761A (zh) | 2023-05-15 | 2023-05-15 | 杆塔故障概率预测模型的训练方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310539029.6A CN116257761A (zh) | 2023-05-15 | 2023-05-15 | 杆塔故障概率预测模型的训练方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116257761A true CN116257761A (zh) | 2023-06-13 |
Family
ID=86684695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310539029.6A Pending CN116257761A (zh) | 2023-05-15 | 2023-05-15 | 杆塔故障概率预测模型的训练方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116257761A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107036654A (zh) * | 2017-05-03 | 2017-08-11 | 中国南方电网有限责任公司电网技术研究中心 | 架空输电导线风偏特性监测系统、测试方法和装置 |
CN109299208A (zh) * | 2018-10-30 | 2019-02-01 | 武汉理工大学 | 一种台风灾害下输电杆塔智能可视化风险评估方法 |
CN110084785A (zh) * | 2019-04-01 | 2019-08-02 | 南京工程学院 | 一种基于航拍图像的输电线垂弧测量方法及系统 |
CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
CN110908401A (zh) * | 2019-12-06 | 2020-03-24 | 电子科技大学 | 一种针对未知杆塔结构的无人机自主巡检方法 |
CN111191832A (zh) * | 2019-12-25 | 2020-05-22 | 国电南瑞科技股份有限公司 | 一种台风灾害配电网杆塔故障预测方法及系统 |
CN112465747A (zh) * | 2020-11-09 | 2021-03-09 | 南京土星信息科技有限公司 | 一种输电杆塔金具锈蚀的智能识别方法 |
CN113469457A (zh) * | 2021-07-22 | 2021-10-01 | 中国电力科学研究院有限公司 | 融合注意力机制的输电线路故障概率预测方法 |
CN114088092A (zh) * | 2021-11-08 | 2022-02-25 | 广州吉欧电子科技有限公司 | 一种基于双gnss天线和mems的杆塔倾斜监测设备和方法 |
CN114111552A (zh) * | 2021-11-29 | 2022-03-01 | 广州吉欧电子科技有限公司 | 一种基于gnss天线和mems的滑坡位移监测方法及设备 |
CN114281100A (zh) * | 2021-12-03 | 2022-04-05 | 国网智能科技股份有限公司 | 一种不悬停无人机巡检系统及其方法 |
-
2023
- 2023-05-15 CN CN202310539029.6A patent/CN116257761A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107036654A (zh) * | 2017-05-03 | 2017-08-11 | 中国南方电网有限责任公司电网技术研究中心 | 架空输电导线风偏特性监测系统、测试方法和装置 |
CN109299208A (zh) * | 2018-10-30 | 2019-02-01 | 武汉理工大学 | 一种台风灾害下输电杆塔智能可视化风险评估方法 |
CN110084785A (zh) * | 2019-04-01 | 2019-08-02 | 南京工程学院 | 一种基于航拍图像的输电线垂弧测量方法及系统 |
CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
CN110908401A (zh) * | 2019-12-06 | 2020-03-24 | 电子科技大学 | 一种针对未知杆塔结构的无人机自主巡检方法 |
CN111191832A (zh) * | 2019-12-25 | 2020-05-22 | 国电南瑞科技股份有限公司 | 一种台风灾害配电网杆塔故障预测方法及系统 |
CN112465747A (zh) * | 2020-11-09 | 2021-03-09 | 南京土星信息科技有限公司 | 一种输电杆塔金具锈蚀的智能识别方法 |
CN113469457A (zh) * | 2021-07-22 | 2021-10-01 | 中国电力科学研究院有限公司 | 融合注意力机制的输电线路故障概率预测方法 |
CN114088092A (zh) * | 2021-11-08 | 2022-02-25 | 广州吉欧电子科技有限公司 | 一种基于双gnss天线和mems的杆塔倾斜监测设备和方法 |
CN114111552A (zh) * | 2021-11-29 | 2022-03-01 | 广州吉欧电子科技有限公司 | 一种基于gnss天线和mems的滑坡位移监测方法及设备 |
CN114281100A (zh) * | 2021-12-03 | 2022-04-05 | 国网智能科技股份有限公司 | 一种不悬停无人机巡检系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592822B (zh) | 一种电力巡检图像的绝缘子缺陷定位方法 | |
CN109636171A (zh) | 一种区域植被恢复的综合诊断与风险评价方法 | |
CN107909212B (zh) | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 | |
CN112633632A (zh) | 一种基于信号分解技术的集成短期风电集群功率预测方法 | |
CN109190845A (zh) | 一种两阶段动态优化短期风电功率预测方法 | |
Kim et al. | Massive scale deep learning for detecting extreme climate events | |
Özer et al. | An approach based on deep learning methods to detect the condition of solar panels in solar power plants | |
LU503778B1 (en) | The method for wind speed downscaling of wind farms based on super-resolution reconstruction technology | |
CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 | |
CN113933542A (zh) | 风速仪故障检测方法、装置、设备及存储介质 | |
CN113344252A (zh) | 一种基于虚拟气象技术的风功率预测方法 | |
CN110717623B (zh) | 融合多种天气状况的光伏发电功率预测方法及装置、设备 | |
CN117371949A (zh) | 基于三维可视化模型的输电线路施工安全监测方法及系统 | |
CN116257761A (zh) | 杆塔故障概率预测模型的训练方法及系统 | |
CN117233866A (zh) | 基于cnop的气象集合预报系统、方法与存储介质 | |
CN116415724A (zh) | 一种光伏电站运维检修时间的预测方法及装置 | |
Tseng et al. | OPTIMIZATION OF WIND TURBINE PLACEMENT LAYOUT ON NON-FLAT TERRAINS. | |
CN107679478B (zh) | 输电线路空间负荷状态的提取方法和系统 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN111696330B (zh) | 一种用于输电线路风灾的分类方法和系统 | |
CN110413656B (zh) | 一种基于高空间分辨率数值模式的急流轴自动识别方法 | |
CN113516160A (zh) | 一种基于支持向量机的输电杆塔姿态的预测方法及系统 | |
CN114418194B (zh) | 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 | |
CN117893030B (zh) | 基于大数据的电力系统风险预警方法 | |
CN113378766B (zh) | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230613 |
|
RJ01 | Rejection of invention patent application after publication |