CN116384020A - 一种融合多维语义信息的数字孪生变电站空间布局方法 - Google Patents
一种融合多维语义信息的数字孪生变电站空间布局方法 Download PDFInfo
- Publication number
- CN116384020A CN116384020A CN202310189065.4A CN202310189065A CN116384020A CN 116384020 A CN116384020 A CN 116384020A CN 202310189065 A CN202310189065 A CN 202310189065A CN 116384020 A CN116384020 A CN 116384020A
- Authority
- CN
- China
- Prior art keywords
- substation
- equipment
- digital twin
- topology
- station
- 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 61
- 238000013461 design Methods 0.000 claims abstract description 83
- 238000010276 construction Methods 0.000 claims abstract description 49
- 238000013499 data model Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000005295 random walk Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004141 dimensional analysis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052792 caesium Inorganic materials 0.000 description 1
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Computer Graphics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种融合多维语义信息的数字孪生变电站空间布局方法，该方法包括：获取变电站的站内拓扑数据和基建阶段设计图纸；识别站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库；解析基建阶段设计图纸，构建变电站内设备模型相对坐标库；将电气网络拓扑节点数据库和变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局。通过实施本发明，通过二维和三维数据融合的方式构建变电站空间布局，实现电气了拓扑关系和设备布局坐标的有机结合。同时将二维平面站内拓扑、设计图设备布局坐标与数字孪生体数据模型进行融合关联及转化，低成本快速生成自动布局后的数字孪生变电站模型。
Description
技术领域
本发明涉及电力系统智能化技术领域，具体涉及一种融合多维语义信息的数字孪生变电站空间布局方法。
背景技术
近年来，我国政府高度重视数字基础建设。数字化解决方案为企业带来巨大价值，达到互联智能技术出现前无法企及的水平，数字孪生(Digital Twin)实现物理实体或流程的准实时数字化镜像，是近期的热门概念。它是密歇根大学教授Michael Grieves于2002年首次提出，在虚拟(信息)空间构建一个可以表征该物理设备的虚拟实体和子系统，并且这种联系不是单向和静态的，而是和整个产品的生命周期都联系在一起。利用数字孪生，企业能够自设计和开发阶段起，以数字化的形式完整记录整个产品生命周期，不仅可以了解产品设计，还能了解产品的生产系统和实际应用情况。创建数字孪生有助于企业加快产品上市速度，优化经营，改善不足，开发新的经营模式，进而提高收益。数字孪生让企业更加快捷地监测和解决实际问题，提高预测精准度，设计和生产出更加优质的产品，并最终更好地服务客户。
正因为数字孪生体拥有构建现实世界物理系统的虚拟数字镜像，贯穿于物理系统的全生命周期，并随着物理系统动态演化等特性，将数字孪生技术深度嵌入数字化业务应用，相较传统电力系统建模分析可以进一步增强感知、增强认知、增强智能与增强控制。在电网领域数字孪生技术已在电网运维检修、监测管控、线路管理等场景开展了一些创新应用探索，例如配网孪生方面，冀北张家口公司开展了配网数字孪生全景仿真模型建设，河北雄安公司开展了配网台区、高铁站屋顶光伏数字孪生示范；变电孪生监测方面，山东公司、上海公司、浙江公司开展了全景感知变电站系统试点建设，支撑了智能运检全息感知信息融合体系建设。
目前，数字化变电站由智能化一次设备和网络化二次设备分层构建，基于IEC61850规范实现站内信息共享和互操作，是实体变电站的单向数字化映射。随着新型电力系统建设深入，传统电力系统向以新能源为主体的新型电力系统转变，网架结构日益复杂，运行方式愈发灵活多变，变电站保证安全平稳运行难度大，存在实时掌握设备状态能力不足、数据共享集成能力不足、系统间融合协同不足、缺乏面向立体空间精准位置映射分析等问题。
传统电网二维拓扑结构针对设备、设施开展高精度的三维空间关系分析有一定的局限性，难以在二维复杂网络基础上针对设备、设施进一步开展三维空间分析推演；三维数字孪生变电站虽然可以实现精确的空间分析计算，但由于其高昂的建模成本，导致难以大规模进行推广应用。
发明内容
有鉴于此，本发明实施例提供了涉及一种融合多维语义信息的数字孪生变电站空间布局方法，以解决现有技术中传统电网二维拓扑结构在三维分析上有一定局限且三维数字孪生变电站建模成本高的技术问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种融合多维语义信息的数字孪生变电站空间布局方法，包括：获取变电站的站内拓扑数据和基建阶段设计图纸；识别所述站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库；解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库；将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局。
可选地，该融合多维语义信息的数字孪生变电站空间布局方法还包括：构建设备电气拓扑约束规则库；采用所述设备电气拓扑约束规则库中的规则对所述变电站空间布局优化，得到优化后的变电站空间布局。
可选地，所述设备电气拓扑约束规则库中的规则包括：电力设备间隔安全距离、架线高度以及电力设备尺寸；采用所述设备电气拓扑约束规则库中的规则对所述变电站空间布局优化，得到优化后的变电站空间布局，包括：采用所述设备电气拓扑约束规则库中的规则对变电站空间布局中不满足规则的每个电力设备的参数进行调整，标记电力设备的电压等级和电力设备的带电状态，得到优化后的变电站空间布局。
可选地，所述站内拓扑数据包括站内拓扑SVG格式的接线图；识别所述站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库，包括：对站内拓扑SVG格式的接线图按照SVG格式轮询站内拓扑节点的电力设备数据，构建电气网络拓扑节点数据库。
可选地，解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库，包括：基于深度学习算法构建电力设备设计图形特征库；采用深度学习算法结合所述电力设备设计图形特征库对所述基建阶段设计图纸识别，确定所述基建阶段设计图纸中的电力设备，获取电力设备在设计图纸中的相对平面坐标；将所述相对平面坐标转换为相对大地坐标；基于相对大地坐标和电力设备ID、电力设备名称构建变电站内设备模型相对坐标库。
可选地，将所述相对平面坐标转换为相对大地坐标之前，包括：对于无法采用所述电力设备设计图形特征库识别或者识别失败的电力设备，基于对应的电力设备名称识别该电力设备，并计算该电力设备在设计图纸中的相对平面坐标。
可选地，将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局，包括：解析所述电气网络拓扑节点数据库，获取第一个节点的电力设备名称；根据所述电力设备数据获取所述变电站内设备模型相对坐标库中的对应坐标，结合相应的数字孪生体数据模型，构建第一节点的数字孪生体，所述变电站内设备模型相对坐标库中包括电力设备和坐标的对应关系；遍历所述电气网络拓扑节点数据库中的所有节点，重复获取节点的电力设备数据以及构建节点的数字孪生体的步骤，构建所有节点的数字孪生体，形成变电站空间布局。
本发明实施例第二方面提供一种融合多维语义信息的数字孪生变电站空间布局装置，包括：数据获取模块，用于获取变电站的站内拓扑数据和基建阶段设计图纸；数据库构建模块，用于识别所述站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库；坐标库构建模块，用于解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库；空间布局模块，用于将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局。
可选地，该融合多维语义信息的数字孪生变电站空间布局装置还包括：优化模块，具体用于构建设备电气拓扑约束规则库；采用所述设备电气拓扑约束规则库中的规则对所述变电站空间布局优化，得到优化后的变电站空间布局。
可选地，所述设备电气拓扑约束规则库中的规则包括：电力设备间隔安全距离、架线高度以及电力设备尺寸；优化模块具体用于：采用所述设备电气拓扑约束规则库中的规则对变电站空间布局中不满足规则的每个电力设备的参数进行调整，标记电力设备的电压等级和电力设备的带电状态，得到优化后的变电站空间布局。
可选地，所述站内拓扑数据包括站内拓扑SVG格式的接线图；数据库构建模块具体用于对站内拓扑SVG格式的接线图按照SVG格式轮询站内拓扑节点的电力设备数据，构建电气网络拓扑节点数据库。
可选地，坐标库构建模块具体用于：基于深度学习算法构建电力设备设计图形特征库；采用深度学习算法结合所述电力设备设计图形特征库对所述基建阶段设计图纸识别，确定所述基建阶段设计图纸中的电力设备，获取电力设备在设计图纸中的相对平面坐标；将所述相对平面坐标转换为相对大地坐标；基于相对大地坐标和电力设备ID、电力设备名称构建变电站内设备模型相对坐标库。
可选地，该融合多维语义信息的数字孪生变电站空间布局装置还包括：坐标库构建子模块，具体用于对于无法采用所述电力设备设计图形特征库识别或者识别失败的电力设备，基于对应的电力设备名称识别该电力设备，并计算该电力设备在设计图纸中的相对平面坐标。
可选地，空间布局模块具体用于：解析所述电气网络拓扑节点数据库，获取第一个节点的电力设备数据；根据所述电力设备数据获取所述变电站内设备模型相对坐标库中的对应坐标，结合相应的数字孪生体数据模型，构建第一节点的数字孪生体，所述变电站内设备模型相对坐标库中包括电力设备和坐标的对应关系；遍历所述电气网络拓扑节点数据库中的所有节点，重复获取节点的电力设备数据以及构建节点的数字孪生体的步骤，构建所有节点的数字孪生体，形成变电站空间布局。
本发明实施例第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的融合多维语义信息的数字孪生变电站空间布局方法。
本发明实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的融合多维语义信息的数字孪生变电站空间布局方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的融合多维语义信息的数字孪生变电站空间布局方法，结合变电站的站内拓扑数据和基建阶段设计图纸，构建电气网络拓扑节点数据库和变电站内设备模型相对坐标库；通过二维和三维数据融合的方式构建变电站空间布局，实现电气了拓扑关系和设备布局坐标的有机结合。同时将二维平面站内拓扑、设计图设备布局坐标与数字孪生体数据模型进行融合关联及转化，低成本快速生成自动布局后的数字孪生变电站模型。
本发明实施例提供的融合多维语义信息的数字孪生变电站空间布局方法，采用基于规约约束的变电站数字孪生体空间布局构建与拓扑识别技术，针对站内拓扑数据进行识别分析，构建电气网络拓扑节点数据库；基于人工智能深度学习算法，解析设备基建阶段CAD设计图纸，构建设备模型相对坐标库；并依赖设备电气拓扑约束规则对设备布局进行优化修正，实现电气拓扑数据驱动的变电站数字孪生体智能空间布局，通过二三维融合的高精度数字孪生空间数据联动分析，实现了低成本、智能化、高效率的数字孪生体快速构建，为数字孪生变电站大规模推广建设奠定了技术基础。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的融合多维语义信息的数字孪生变电站空间布局方法的流程图；
图2是根据本发明实施例的融合多维语义信息的数字孪生变电站空间布局方法中设备模型相对坐标库的构建流程图；
图3是根据本发明实施例的融合多维语义信息的数字孪生变电站空间布局方法中大地坐标系与平面空间直角坐标系的转换关系图；
图4是根据本发明实施例的融合多维语义信息的数字孪生变电站空间布局方法中空间布局算法流程图；
图5是根据本发明实施例的融合多维语义信息的数字孪生变电站空间布局装置的结构框图；
图6是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图7是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如在背景技术中所述，传统电网二维拓扑结构在三维分析上有一定局限。传统电网二维拓扑是对电路图的再次抽象，可以将电网复杂的设备、元器件及线路抽象为符号连接的图形，以进行各种分析、计算，极大的简化了设备间复杂的连接关系，便于电力专业人员进行电气连接关系分析判断，是分析电网整体运行状态和连接关系最普遍常用的表达方式。但传统电网拓扑结构由于其表达过程中进行了抽象简化，无法让人直观地掌握二维图元符号对应的实体设备空间位置及周边距离等信息，在表达二维图元符号对应的实体设备空间、环境等信息有一定的局限性，难以在二维复杂网络结构基础上针对设备、设施进一步开展三维空间分析推演，难以直观地解决设备安全距离超限、故障隐患定位不精确等问题。
而三维数字孪生变电站存在建模成本高的问题。例如当采用传统的计算机建模或点云扫描建模方式构建的数字孪生三维变电站虽然可以直观反映实体设备位置关系并开展空间分析计算，但由于变电站三维建模成本高、耗时长，需要花费大量人力和时间进行变电站孪生体的精确建模，正因为其存在建模难、成本高等问题至今仍难以大规模推广应用。
本发明实施例提供的融合多维语义信息的数字孪生变电站空间布局方法，通过结合变电站的站内拓扑数据和基建阶段设计图纸，构建电气网络拓扑节点数据库和变电站内设备模型相对坐标库；实现了二维和三维数据融合的方式构建变电站空间布局，解决了现有技术中传统电网二维拓扑结构在三维分析上有一定局限且三维数字孪生变电站建模成本高的技术问题。
根据本发明实施例，提供了一种融合多维语义信息的数字孪生变电站空间布局方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种融合多维语义信息的数字孪生变电站空间布局方法，可用于电子设备，如电脑、手机、平板电脑等，图1是根据本发明实施例融合多维语义信息的数字孪生变电站空间布局方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101：获取变电站的站内拓扑数据和基建阶段设计图纸。具体地，变电站的站内拓扑数据包括变电站的站内拓扑接线图，该接线图中体现了变电站内各个设备的连接关系。同时，接线图中还包括每个设备的设备ID、设备名称、设备台账、父节点ID以及子节点ID等主要属性字段。基建阶段设计图纸包括变电站基建节点CAD设计图纸，该图纸中体现了各个设备之间的位置关系。其中站内拓扑数据可以通过对接数据中台获取。
步骤S102：识别所述站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库。具体地，为了便于获取拓扑结构中的各个拓扑节点即各个电力设备，获取SVG(ScalableVector Graphics，可缩放的矢量图形)格式的接线图，按照SVG格式轮询站内拓扑节点的电力设备数据如设备名称或者设备ID等，构建电气网络拓扑节点数据库。其中，轮询站内拓扑节点时，通过遍历子节点和父节点的方式，即遍历每个电力设备的所连接的电力设备，确定站内设备的拓扑关系并存储，从而形成拓扑节点数据库。
步骤S103：解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库；其中，构建相对坐标库时，可以通过深度学习技术进行特征提取的方式识别设计图纸中的设备，确定设备坐标，从而构建坐标库。
步骤S104：将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局。具体地，形成空间布局时，可以从电气网络拓扑节点数据库中遍历各个节点，结合变电站内设备模型相对坐标库中各个设备的相对坐标以及每个设备对应的数字孪生体数据模型，从而实现变电站三维模型的自动成图。
本发明实施例提供的融合多维语义信息的数字孪生变电站空间布局方法，结合变电站的站内拓扑数据和基建阶段设计图纸，构建电气网络拓扑节点数据库和变电站内设备模型相对坐标库；通过二维和三维数据融合的方式构建变电站空间布局，实现电气了拓扑关系和设备布局坐标的有机结合。同时将二维平面站内拓扑、设计图设备布局坐标与数字孪生体数据模型进行融合关联及转化，低成本快速生成自动布局后的数字孪生变电站模型。
在一实施方式中，如图2所示，解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库，包括如下步骤：
步骤S201：基于深度学习算法构建电力设备设计图形特征库。具体地，在构建电力设备设计图形特征库时，采用具有分类标签的存量电力系统一次设备CAD设计图纸作为样本，采用深度学习算法对CAD设计图纸中的典型设备如主变、刀闸、开关、避雷器、电容器等，提取图像特征作为基本图元，将提取结果存入电力设备设计图形特征库。其中，提取之前，可以先对深度学习算法进行训练，采用训练好的深度学习算法进行各类典型电力设备的特征提取，形成特征库。
步骤S202：采用深度学习算法结合所述电力设备设计图形特征库对所述基建阶段设计图纸识别，确定所述基建阶段设计图纸中的电力设备，获取电力设备在设计图纸中的相对平面坐标；具体地，为了提高识别结果的准确性，可以针对特征明显的设计图纸设备采用深度学习算法进行识别。在进行识别时，可以采用深度学习算法提取设计图纸中的图像特征，将提取的图像特征与电力设备设计图形特征库中的基本图元进行对比分析，实现电力设备的识别。
在该实施例中，该深度学习算法可以采用基于DeepWalk的随机游走算法，也可以采用其他深度学习算法。以采用基于DeepWalk的随机游走算法为例，对该识别过程进行说明：采用基于DeepWalk的随机游走模型遍历并识别设计图中各主要设备，设一条随机游走序列S＝(v1，v2，……，vlen)，序列长度为len，采样窗口大小为w，则目标节点、的上下文邻居集合为N(v)＝(vi-w,…，vi-1，vi+1,…，vi+w)。DeepWalk的目标为最大化中心节点和其上下文节点共同出现的概率，
根据节点嵌入表示之间条件独立和嵌入空间的对称效应，目标函数又可表示为：
通过以上机器学习DeepWalk的随机游走模型可以遍历并识别设计图中所有主要典型电力设备，得到对应设备在设计图中的相对平面坐标(xn0，yn0，zn0)。
步骤S203：对于无法采用所述电力设备设计图形特征库识别或者识别失败的电力设备，基于电力设备名称识别电力设备，计算电力设备在设计图纸中的相对平面坐标。具体地，设计图纸中可能存在特征不明显的设备，或者采用上述算法识别失败的电力设备，这类电力设备可以采用识别设备名称的方法进行设备的识别以及坐标的获取。
其中，在变电站CAD设计图上均清晰地标明了设备对应的设备名称，针对某些设备图形复杂采用深度学习方法难以识别的情况下，采用直接识别设备名称的方法，求得设备名称在CAD设计图中的相对近似的平面坐标(xn0，yn0，zn0)，由于设计图名称和图形相距不远，因此用直接识别名称坐标的方法求得的设备坐标误差不会很大。
步骤S204：将所述相对平面坐标转换为相对大地坐标。具体地，在识别完所有设计图中的设备并获取设备在设计图中相对平面坐标(xn0，yn0，zn0)后，需要将平面坐标转换为相对大地坐标才能在地图上进行精确的设备模型布局。其中，如图3所示，在同一坐标系下平面坐标(xn0，yn0，zn0)和相对大地坐标(xn，yn，zn)之间的转换公式如下：
其中e为第一偏心率，已知的地球第一偏心率e2WGS－84椭球为0.0066943799013，
且通常取变电站大地坐标高度zn＝0，可得出公式简化为：
步骤S205：基于相对大地坐标和电力设备ID、电力设备名称构建变电站内设备模型相对坐标库。具体地，转换得到相对坐标后，根据设备相对大地坐标建立设备模型相对坐标库，存储各电力设备的相对大地坐标，主要包括设备ID、设备名称、设备经度xn、设备纬度yn、设备高度zn等数据。
在一实施方式中，将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局，包括如下步骤：
步骤S301：解析所述电气网络拓扑节点数据库，获取第一个节点的电力设备数据；具体地，该电力设备数据包括第一个节点的电力设备名称以及电力设备ID等数据，同时为了后续数字孪生变电站的构建，还可以获取电力设备ID对应的设备台账、巡检记录以及实时运行状态等数据。
步骤S302：根据所述电力设备数据获取所述变电站内设备模型相对坐标库中的对应坐标，结合相应的数字孪生体数据模型，构建第一节点的数字孪生体，所述变电站内设备模型相对坐标库中包括电力设备和坐标的对应关系。具体地，基于电力设备数据中的电力设备ID查询相对坐标库，获取该设备对应的相对大地坐标值(x1，y1，z1)。另外，在形成空间布局时，需要先确定原点，再计算相应的绝地坐标值，例如，确定变电站原点即中心点精确定位坐标值(x0，y0，z0)，则根据设备相对大地坐标计算得到设备精确的绝对坐标值为(x1+x0，y1+y0，z1+z0)。并且，形成三维模型还需要设备的三维模型文件，该文件中具体包括索引文件、数据文件以及属性文件，另外还需要三维模型对应的关联数据，如组织结构、部件信息、包围盒以及属性等信息，该三维模型文件以及对应的关联数据共同构成数字孪生体数据模型。
步骤S303：遍历所述电器网络拓扑节点数据库中的所有节点，重复获取节点的电力设备数据以及构建节点的数字孪生体的步骤，构建所有节点的数字孪生体，形成变电站空间布局。
在一实施方式中，融合多维语义信息的数字孪生变电站空间布局方法还包括如下步骤：
步骤S401：构建设备电气拓扑约束规则库；具体地，构建规则库时，基于变电站设计规范、站内拓扑等信息，根据变电站站内电气设备不同类型，参照变电站设计标准规范，建立变电站站内设备电气拓扑约束规则库。所述设备电气拓扑约束规则库中的规则包括：电力设备间隔安全距离、架线高度、电力设备偏转角以及电力设备尺寸等约束规则。
步骤S402：采用所述设备电气拓扑约束规则库中的规则对所述变电站空间布局优化，得到优化后的变电站空间布局。具体地，优化过程具体包括：采用所述设备电气拓扑约束规则库中的规则对变电站空间布局中不满足规则的每个电力设备的参数进行调整，标记电力设备的电压等级和电力设备的带电状态，得到优化后的变电站空间布局。
在一实施方式中，如图4所示，该形成融合多维语义信息的数字孪生变电站空间布局具体采用如下流程实现：
Setp1：解析电气网络拓扑节点数据库，获取数据库第一个节点的电力设备数据，主要包括电力设备名称、ID等数据，同时对接数据中心和实时量测中心数据库，获取该电力设备ID对应的设备台账、巡检记录、实时运行状态等数据，依据电力设备ID查询构建的设备模型相对坐标库，获取对应电力设备在设备模型相对坐标库中的相对大地坐标值(x1，y1，z1)。
Setp2：读取变电站站内设备电气拓扑约束规则库，通过电力设备ID获取该节点约束条件，主要包括电力设备间隔安全距离、架线高度、电力设备尺寸等数据内容。
Setp3：根据电力设备ID查询变电站数字孪生体数据模型，获取索引文件、数据文件以及属性文件，请求获取ID对应模型的组织结构、部件信息、包围盒、属性等信息。
Setp4：开展变电站数字孪生体空间布局，首先获取变电站中心点精确定位坐标值(x0，y0，z0)，其次根据设备相对大地坐标计算设备精确的绝对坐标值(x1+x0，y1+y0，z1+z0)。
Setp5：在三维可视化引擎(如Cesium等)上加载对应节点设备的三维模型数据即数字孪生体数据模型，并将渲染出的三维模型移动至Setp4计算出的设备绝对坐标值上，同时叠加对应的设备属性信息(包括设备台账、巡检记录、实时运行状态等数据)，同时根据Setp2中的设备电气拓扑约束规则，对不满足安全间隔及架线高度的设备进行自动微调，增减对应的坐标值，使之满足约束规则，并通过颜色标记电力设备的不同电压等级设备和电力设备的带电状态，实现基于电气拓扑的变电站数字孪生体的空间布局和快速构建，支撑变电站设备与拓扑网络的联动交互；
Setp6：重复以上步骤，直至电气网络拓扑节点数据库中的所有电力设备均被遍历处理。最终可形成完整的变电站站内空间拓扑孪生体。
本发明实施例提供的融合多维语义信息的数字孪生变电站空间布局方法，采用基于规约约束的变电站数字孪生体空间布局构建与拓扑识别技术，针对站内拓扑数据进行识别分析，构建电气网络拓扑节点数据库；基于人工智能深度学习算法，解析设备基建阶段CAD设计图纸，构建设备模型相对坐标库；并依赖设备电气拓扑约束规则对设备布局进行优化修正，实现电气拓扑数据驱动的变电站数字孪生体智能空间布局，通过二三维融合的高精度数字孪生空间数据联动分析，实现了低成本、智能化、高效率的数字孪生体快速构建，为数字孪生变电站大规模推广建设奠定了技术基础。
本发明实施例还提供一种融合多维语义信息的数字孪生变电站空间布局装置，如图5所示，该装置包括：
数据获取模块，用于获取变电站的站内拓扑数据和基建阶段设计图纸；具体内容参见上述方法实施例对应部分，在此不再赘述。
数据库构建模块，用于识别所述站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库；具体内容参见上述方法实施例对应部分，在此不再赘述。
坐标库构建模块，用于解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库；具体内容参见上述方法实施例对应部分，在此不再赘述。
空间布局模块，用于将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局。具体内容参见上述方法实施例对应部分，在此不再赘述。
本发明实施例提供的融合多维语义信息的数字孪生变电站空间布局装置，结合变电站的站内拓扑数据和基建阶段设计图纸，构建电气网络拓扑节点数据库和变电站内设备模型相对坐标库；通过二维和三维数据融合的方式构建变电站空间布局，实现电气了拓扑关系和设备布局坐标的有机结合。同时将二维平面站内拓扑、设计图设备布局坐标与数字孪生体数据模型进行融合关联及转化，低成本快速生成自动布局后的数字孪生变电站模型。
本发明实施例提供的融合多维语义信息的数字孪生变电站空间布局装置的功能描述详细参见上述实施例中融合多维语义信息的数字孪生变电站空间布局方法描述。
可选地，该融合多维语义信息的数字孪生变电站空间布局装置还包括：优化模块，具体用于构建设备电气拓扑约束规则库；采用所述设备电气拓扑约束规则库中的规则对所述变电站空间布局优化，得到优化后的变电站空间布局。
可选地，所述设备电气拓扑约束规则库中的规则包括：电力设备间隔安全距离、架线高度以及电力设备尺寸；优化模块具体用于：采用所述设备电气拓扑约束规则库中的规则对变电站空间布局中不满足规则的每个电力设备的参数进行调整，标记电力设备的电压等级和电力设备的带电状态，得到优化后的变电站空间布局。
可选地，所述站内拓扑数据包括站内拓扑SVG格式的接线图；数据库构建模块具体用于对站内拓扑SVG格式的接线图按照SVG格式轮询站内拓扑节点的电力设备数据，构建电气网络拓扑节点数据库。
可选地，坐标库构建模块具体用于：基于深度学习算法构建电力设备设计图形特征库；采用深度学习算法结合所述电力设备设计图形特征库对所述基建阶段设计图纸识别，确定所述基建阶段设计图纸中的电力设备，获取电力设备在设计图纸中的相对平面坐标；将所述相对平面坐标转换为相对大地坐标；基于相对大地坐标和电力设备ID、电力设备名称构建变电站内设备模型相对坐标库。
可选地，该融合多维语义信息的数字孪生变电站空间布局装置还包括：坐标库构建子模块，具体用于对于无法采用所述电力设备设计图形特征库识别或者识别失败的电力设备，基于对应的电力设备名称识别该电力设备，并计算该电力设备在设计图纸中的相对平面坐标。
可选地，空间布局模块具体用于：解析所述电气网络拓扑节点数据库，获取第一个节点的电力设备数据；根据所述电力设备数据获取所述变电站内设备模型相对坐标库中的对应坐标，结合相应的数字孪生体数据模型，构建第一节点的数字孪生体，所述变电站内设备模型相对坐标库中包括电力设备和坐标的对应关系；遍历所述电气网络拓扑节点数据库中的所有节点，重复获取节点的电力设备数据以及构建节点的数字孪生体的步骤，构建所有节点的数字孪生体，形成变电站空间布局。
本发明实施例还提供一种存储介质，如图6所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中融合多维语义信息的数字孪生变电站空间布局方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图7所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图7中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的融合多维语义信息的数字孪生变电站空间布局方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1－4所示实施例中的融合多维语义信息的数字孪生变电站空间布局方法。
上述电子设备具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种融合多维语义信息的数字孪生变电站空间布局方法，其特征在于，包括：
获取变电站的站内拓扑数据和基建阶段设计图纸；
识别所述站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库；
解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库；
将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局。
2.根据权利要求1所述的融合多维语义信息的数字孪生变电站空间布局方法，其特征在于，还包括：
构建设备电气拓扑约束规则库；
采用所述设备电气拓扑约束规则库中的规则对所述变电站空间布局优化，得到优化后的变电站空间布局。
3.根据权利要求2所述的融合多维语义信息的数字孪生变电站空间布局方法，其特征在于，所述设备电气拓扑约束规则库中的规则包括：电力设备间隔安全距离、架线高度以及电力设备尺寸；
采用所述设备电气拓扑约束规则库中的规则对所述变电站空间布局优化，得到优化后的变电站空间布局，包括：
采用所述设备电气拓扑约束规则库中的规则对变电站空间布局中不满足规则的每个电力设备的参数进行调整，标记电力设备的电压等级和电力设备的带电状态，得到优化后的变电站空间布局。
4.根据权利要求1所述的融合多维语义信息的数字孪生变电站空间布局方法，其特征在于，所述站内拓扑数据包括站内拓扑SVG格式的接线图；
识别所述站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库，包括：对站内拓扑SVG格式的接线图按照SVG格式轮询站内拓扑节点的电力设备数据，构建电气网络拓扑节点数据库。
5.根据权利要求1所述的融合多维语义信息的数字孪生变电站空间布局方法，其特征在于，解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库，包括：
基于深度学习算法构建电力设备设计图形特征库；
采用深度学习算法结合所述电力设备设计图形特征库对所述基建阶段设计图纸识别，确定所述基建阶段设计图纸中的电力设备，获取电力设备在设计图纸中的相对平面坐标；
将所述相对平面坐标转换为相对大地坐标；
基于相对大地坐标和电力设备ID、电力设备名称构建变电站内设备模型相对坐标库。
6.根据权利要求5所述的融合多维语义信息的数字孪生变电站空间布局方法，其特征在于，将所述相对平面坐标转换为相对大地坐标之前，包括：
对于无法采用所述电力设备设计图形特征库识别或者识别失败的电力设备，基于对应的电力设备名称识别该电力设备，并计算该电力设备在设计图纸中的相对平面坐标。
7.根据权利要求4所述的融合多维语义信息的数字孪生变电站空间布局方法，其特征在于，将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局，包括：
解析所述电气网络拓扑节点数据库，获取第一个节点的电力设备数据；
根据所述电力设备数据获取所述变电站内设备模型相对坐标库中的对应坐标，结合相应的数字孪生体数据模型，构建第一节点的数字孪生体，所述变电站内设备模型相对坐标库中包括电力设备和坐标的对应关系；
遍历所述电气网络拓扑节点数据库中的所有节点，重复获取节点的电力设备数据以及构建节点的数字孪生体的步骤，构建所有节点的数字孪生体，形成变电站空间布局。
8.一种融合多维语义信息的数字孪生变电站空间布局装置，其特征在于，包括：
数据获取模块，用于获取变电站的站内拓扑数据和基建阶段设计图纸；
数据库构建模块，用于识别所述站内拓扑数据的站内拓扑节点，构建电气网络拓扑节点数据库；
坐标库构建模块，用于解析所述基建阶段设计图纸，构建变电站内设备模型相对坐标库；
空间布局模块，用于将所述电气网络拓扑节点数据库和所述变电站内设备模型相对坐标库关联，结合数字孪生体数据模型，形成变电站空间布局。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1－7任一项所述的融合多维语义信息的数字孪生变电站空间布局方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1－7任一项所述的融合多维语义信息的数字孪生变电站空间布局方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310189065.4A CN116384020A (zh) | 2023-02-22 | 2023-02-22 | 一种融合多维语义信息的数字孪生变电站空间布局方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310189065.4A CN116384020A (zh) | 2023-02-22 | 2023-02-22 | 一种融合多维语义信息的数字孪生变电站空间布局方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116384020A true CN116384020A (zh) | 2023-07-04 |
Family
ID=86979659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310189065.4A Pending CN116384020A (zh) | 2023-02-22 | 2023-02-22 | 一种融合多维语义信息的数字孪生变电站空间布局方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384020A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117369307A (zh) * | 2023-11-17 | 2024-01-09 | 南京千智电气科技有限公司 | 一种光伏电站暂态建模仿真系统 |
| CN117458699A (zh) * | 2023-10-07 | 2024-01-26 | 国网江苏省电力有限公司南通供电分公司 | 一种自适应场景的电力参数控制方法及系统 |
-
2023
- 2023-02-22 CN CN202310189065.4A patent/CN116384020A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117458699A (zh) * | 2023-10-07 | 2024-01-26 | 国网江苏省电力有限公司南通供电分公司 | 一种自适应场景的电力参数控制方法及系统 |
| CN117458699B (zh) * | 2023-10-07 | 2024-06-11 | 国网江苏省电力有限公司南通供电分公司 | 一种自适应场景的电力参数控制方法及系统 |
| CN117369307A (zh) * | 2023-11-17 | 2024-01-09 | 南京千智电气科技有限公司 | 一种光伏电站暂态建模仿真系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065000B (zh) | 一种基于地理实体的多源异构数据融合方法 | |
| CN116384020A (zh) | 一种融合多维语义信息的数字孪生变电站空间布局方法 | |
| CN111985161B (zh) | 一种变电站三维模型重构方法 | |
| CN109580004A (zh) | 一种温度检测方法及装置 | |
| CN106849353B (zh) | 输变电工程环保监测与敏感区域预测系统及方法 | |
| CN104361586A (zh) | 基于全景图的电力杆塔维护与预警系统 | |
| CN116229019A (zh) | 面向数字孪生的大场景融合三维重建方法及系统 | |
| CN110532341A (zh) | 空间信息时空大数据约束表达方法 | |
| CN108491649A (zh) | 一种风电场数字化平台的设计方法以及处理设备 | |
| CN110347764A (zh) | 一种生态空间数据整合方法 | |
| CN112580428A (zh) | 一种配电网设计方法及装置 | |
| CN110660125A (zh) | 用于电力配网系统的三维建模装置 | |
| CN114661744B (zh) | 一种基于深度学习的地形数据库更新方法及系统 | |
| CN113284144A (zh) | 一种基于无人机的隧道检测方法及装置 | |
| CN116308185A (zh) | 一种建筑工程可视化进度录入及预警方法 | |
| CN112396831B (zh) | 一种交通标识的三维信息生成方法和装置 | |
| ZHANG et al. | Logical and Innovative Construction of Digital Twin City. | |
| CN117371949B (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 | |
| CN115098603A (zh) | 基于多尺度建模的数字孪生方法及终端 | |
| CN117216341A (zh) | 一种电网分布式时空数据的可视化方法及系统 | |
| CN116486089A (zh) | 基于知识蒸馏的点云分割网络轻量化方法、装置及设备 | |
| CN115272864A (zh) | 一种基于无人机航空摄影的实景三维建筑物智能提取方法 | |
| CN108132992B (zh) | 一种人员信息基础地址编码方法、系统及电子设备 | |
| Wang et al. | Map matching navigation method based on scene information fusion | |
| Xue | Information Fusion and Intelligent Management of Industrial Internet of Things under the Background of Big Data |
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 |