CN116777088B - 用于保障生命安全的供电应急抢修环境监测方法及系统 - Google Patents
用于保障生命安全的供电应急抢修环境监测方法及系统 Download PDFInfo
- Publication number
- CN116777088B CN116777088B CN202311073207.7A CN202311073207A CN116777088B CN 116777088 B CN116777088 B CN 116777088B CN 202311073207 A CN202311073207 A CN 202311073207A CN 116777088 B CN116777088 B CN 116777088B
- Authority
- CN
- China
- Prior art keywords
- environment
- environmental
- drop
- monitoring
- time window
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000008439 repair process Effects 0.000 title claims description 44
- 239000007789 gas Substances 0.000 claims abstract description 36
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 35
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 30
- 239000001301 oxygen Substances 0.000 claims abstract description 30
- 230000011218 segmentation Effects 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 183
- 239000013598 vector Substances 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 9
- 230000003287 optical effect Effects 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011550 data transformation method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Alarm Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及电力抢修环境监测的技术领域，特别是涉及一种用于保障生命安全的供电应急抢修环境监测方法及系统，其保障抢修人员的安全并提高抢修效率；所述方法包括：获取电缆隧道故障节点位置信息；根据电缆隧道故障节点位置信息，调取距离故障节点最近的环境监测传感器，并通过环境监测传感器实时获取故障节点环境信息；对所述故障节点环境信息进行要素提取，获得环境要因数据集，所述环境要因数据集中的元素包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度；将故障发生后设定时间段进行窗口分割，获得连续且相同的若干个时间窗口，每个所述时间窗口内均包含有各元素至少三次的监测结果。
Description
技术领域
本发明涉及电力抢修环境监测的技术领域，特别是涉及一种用于保障生命安全的供电应急抢修环境监测方法及系统。
背景技术
电缆隧道是为了通行和保护电缆而建造的地下或地下水道结构；它们通常用于布置输电电缆、通信电缆、数据电缆和控制电缆等各种类型的电缆，以便在城市、工业区域或其他需要电力和通信服务的地方传输电力和信息。
当电缆隧道内发生电缆短路、过载等设备故障时，会发生过热或高温，甚至引发火灾；电缆的高温燃烧会产生大量的有害气体，并且消耗大量的氧气，虽然电缆隧道大多配置有自动灭火装置，但在明火消除之后，电缆隧道故障发生节点仍存在有害气体残留等危害生命安全的各种因素，致使抢修人员无法第一时间进入隧道进行抢修。因此，亟需一种用于保障生命安全的供电应急抢修环境监测方法，能够精准预测故障发生节点周围环境对生命安全无影响的时间节点。
发明内容
为解决上述技术问题，本发明提供一种保障抢修人员的安全并提高抢修效率的用于保障生命安全的供电应急抢修环境监测方法。
第一方面，本发明提供了用于保障生命安全的供电应急抢修环境监测方法，所述方法包括：
获取电缆隧道故障节点位置信息；
根据电缆隧道故障节点位置信息，调取距离故障节点最近的环境监测传感器，并通过环境监测传感器实时获取故障节点环境信息；
对所述故障节点环境信息进行要素提取，获得环境要因数据集，所述环境要因数据集中的元素包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度；
将故障发生后设定时间段进行窗口分割，获得连续且相同的若干个时间窗口，每个所述时间窗口内均包含有各元素至少三次的监测结果；
计算每个时间窗口内环境要因数据集中各元素相邻两次监测结果的跌幅平均值，获得每个时间窗口的环境要素跌幅数据向量；
将若干个环境要素跌幅数据向量按时间顺序依次排列，获得隧道环境跌幅矩阵；
构建电缆隧道环境预测分析模型，将隧道环境跌幅矩阵输入至电缆隧道环境预测分析模型中，获得故障节点周围环境对生命安全无影响的时间节点。
另一方面，本申请还提供了用于保障生命安全的供电应急抢修环境监测系统，所述系统包括：
故障节点位置确认模块，用于获取电缆隧道故障节点的位置信息，并发送；
环境信息获取模块，用于接收电缆隧道故障节点位置信息，并根据故障节点位置信息，读取距离故障节点最近的环境监测传感器实时采集的环境信息，并发送；
环境要因提取模块，用于接收环境信息，并环境信息进行要因提取，所述要因包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度，将所述要因组成环境要因数据集，并发送；
环境变化率计算模块，用于接收环境要因数据集，将故障发生后设定时间划分为若干个连续且相同的时间窗口，其中每个时间窗口内至少包含各元素三次的监测结果，对每个时间窗口内的环境要因数据集中各元素相邻的两次监测结果计算跌幅平均值，得到每个时间窗口的环境要素跌幅数据向量，并发送；
环境安全时间节点预测模块，用于接收环境要素跌幅数据向量，并将若干个环境要素跌幅数据向量按时间顺序依次排列，生成隧道环境跌幅矩阵，将隧道环境跌幅矩阵输入至预先存储的电缆隧道环境预测分析模型中，输出故障节点周围环境对生命安全无影响的时间节点。
第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面，本申请还提供了一种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上述任意一项所述方法中的步骤。
进一步地，获取电缆隧道故障节点位置信息的方法，包括：
获取电缆隧道内每组环境监测传感器采集的实时环境监测数据；
对每组实时环境监测数据中的各个元素进行加权计算，获得环境危害评价参数；
对若干个环境危害评价参数按数值由大到小进行排序，并提取环境危害评价参数排行前三的环境监测传感器的安装信息以及实时环境监测数据；
计算三组环境监测传感器每个所述时间窗口内的平均环境要因数据集；所述平均环境要因数据集是指同一窗口内环境要因数据集中各元素的平均值；
确定第二环境监测传感器的平均环境要因数据集的峰值时间窗口；确定第三环境监测传感器的平均环境要因数据集的峰值时间窗口；
根据峰值时间窗口与环境监测传感器的安装信息，计算得到电缆隧道故障节点的位置，计算公式如下：
其中，d表示故障节点与第一环境监测传感器之间的距离；d1表示第一环境监测传感器与第二环境监测传感器之间的距离；d2表示第一环境监测传感器与第三环境监测传感器之间的距离；t1表示第二环境监测传感器的平均环境要因数据集的峰值时间窗口；t2表示第三环境监测传感器的平均环境要因数据集的峰值时间窗口。
进一步地，获得环境危害评价参数的计算方法包括：
E = wT * Ti + wH * Hi + wG * Gi + wO * Oi + wV * Vi
其中，E表示环境危害评价参数；Ti表示环境要因数据集中的温度；Hi表示环境要因数据集中的湿度；Gi表示环境要因数据集中的有害气体浓度；Oi表示环境要因数据集中的氧气浓度；Vi表示环境要因数据集中的环境能见度；wT, wH, wG, wO, wV分别表示温度、湿度、有害气体浓度、氧气浓度和环境能见度的权重系数，并且wT, wH, wG, wO, wV的和为1。
进一步地，所述环境要因数据集中元素的跌幅平均值计算公式如下：
其中，表示其中一种元素在第i个时间窗口内的跌幅平均值；S1表示在第i个时间窗口内环境要因数据集中其中一种元素的第1次检测结果数值；Sn在第i个时间窗口内环境要因数据集中该元素的第n次检测结果数值，n表示该元素在第i个时间窗口内的检测次数，/>。
进一步地，所述环境要素跌幅数据向量格式为：
；
所述隧道环境跌幅矩阵格式为：
其中，表示第i个时间窗口内温度的跌幅平均值；/>表示第i个时间窗口内湿度的跌幅平均值；/>表示第i表示第个时间窗口内有害气体浓度的跌幅平均值；/>表示第i个时间窗口内氧气浓度的跌幅平均值；/>表示第i个时间窗口内环境能见度的跌幅平均值；
进一步地，所述电缆隧道环境预测分析模型采用循环神经网络模型作为核心模型，所述隧道环境跌幅矩阵为输入数据，所述故障节点周围环境对生命安全无影响的时间节点为输出数据。
进一步地，所述环境监测传感器由温湿度传感器、气体传感器阵列和光学传感器组成
与现有技术相比本发明的有益效果为：
精准获取环境信息：本发明通过调取距离故障节点最近的环境监测传感器实时获取故障节点周围的环境信息，这样可以确保所获得的数据真实可靠，能够准确反映故障节点周围的环境状况。
综合考虑多种环境要因：本发明提取的环境要因数据集包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度多个要素，能够全面了解故障节点周围的环境状态，不仅可以监测温度和气体浓度的异常变化，还可以检测烟雾和能见度等对生命安全产生影响的因素。
时间窗口分析：通过将故障发生后设定的时间段进行窗口分割，可以获得连续且相同的若干个时间窗口，每个时间窗口内包含了各元素至少三次的监测结果，这种时间窗口分析的方法通过考虑环境信息的时序性，更好地分析和预测环境的变化趋势。
环境要素跌幅数据向量分析：通过计算每个时间窗口内环境要因数据集中各元素相邻两次监测结果的跌幅平均值，获得每个时间窗口的环境要素跌幅数据向量，从而进一步减少误差和噪声对结果的影响，提高数据分析的准确性。
隧道环境预测分析模型：通过构建电缆隧道环境预测分析模型，并将隧道环境跌幅矩阵输入模型中，可以得到故障节点周围环境对生命安全无影响的时间节点，通过基于历史数据和环境要因的跌幅趋势进行分析和预测，提供有关环境安全的决策支持。
综上所述，供电应急抢修环境监测方法通过结合实时监测数据和历史趋势分析，能够精确预测故障节点周围环境对生命安全无影响的时间节点，提供更好的决策依据，保障抢修人员的安全并提高抢修效率。
附图说明
图1是本发明的流程图；
图2是获取电缆隧道故障节点位置信息的流程图；
图3是用于保障生命安全的供电应急抢修环境监测系统的结构图。
具体实施方式
在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图2所示，本发明的用于保障生命安全的供电应急抢修环境监测方法，具体包括以下步骤：
S1、获取电缆隧道故障节点位置信息；
具体的，电缆隧道故障节点位置信息包括以下信息：
故障节点的精确位置：这是指电缆隧道中发生故障的具体节点位置；
节点所属的电缆类型或系统：确定电缆隧道中发生故障节点所属的电缆类型或系统，例如输电电缆、通信电缆、数据电缆等；
电缆隧道的标识或编号：电缆隧道通常会进行标识或编号，以便在维护和抢修过程中能清楚地确定故障节点所在的具体隧道段落；
隧道的几何信息：包括隧道的长度、宽度、高度等几何参数，这些信息有助于准确定位故障节点。
S1步骤的目的是准确地定位到电缆隧道内发生故障的节点，以便后续的环境监测和分析；具体获取电缆隧道故障节点位置信息包括以下方法：
故障报警系统：电缆隧道通常装备有故障报警系统，可以检测到电缆短路、过载等故障情况；当故障发生时，故障报警系统会触发报警，并标识出具体的故障节点位置；从而提供准确的故障节点位置信息，供后续处理使用；
远程监控系统：一些电缆隧道会使用远程监测系统，通过传感器实时监测电缆状态；这些传感器可以安装在电缆线路上，能够检测电流、温度等指标，并提供与设备位置相关的信息；通过远程监测系统，可以获取到故障节点的位置信息；
巡检和记录：定期对电缆隧道进行巡检，并记录可能存在故障的位置；通过巡检和记录，可以获得一些故障可能发生的节点位置信息；在实际发生故障时，可以结合巡检记录来初步确定故障节点位置，并进行进一步的定位；
时间域反射法：基于时域反射原理，它通过在电缆的一侧发送一个短脉冲电压信号，并利用测试仪器接收并分析由故障点反射回来的信号波形；故障点会引起信号的反射，反射波的特征将反映电缆中的故障位置；
以上方法可以辅助获取电缆隧道故障节点位置信息；具体选择使用哪种方法，需要根据电缆隧道的实际情况和配置来决定。
进一步地，还可以通过分析环境因素传播速率的方法获取电缆隧道故障节点位置信息，具体步骤包括：
S11、获取电缆隧道内每组环境监测传感器采集的实时环境监测数据；
S12、对每组实时环境监测数据中的各个元素进行加权计算，获得环境危害评价参数；具体的加权计算可以使用加权平均的方法，其中每个元素的权重可以根据其在评价中的重要性进行设定；
环境要因数据集中的元素为温度T、湿度H、有害气体浓度G、氧气浓度O和环境能见度V，它们分别对应的实时环境监测数据为Ti, Hi, Gi, Oi, Vi；设定元素的权重分别为wT,wH, wG, wO, wV；权重值可以根据具体情况进行设定，需要保证它们的和等于1，则加权平均的环境危害评价参数(E)的计算公式如下：
E = wT * Ti + wH * Hi + wG * Gi + wO * Oi + wV * Vi
例如，假设温度对评价的重要性最高，可以设定wT = 0.4，湿度的重要性次之，可以设定wH = 0.3，其他元素的重要性相对较低，可以设定wG = wO = wV = 0.1；则加权平均的环境危害评价参数的计算公式为：
E = 0.4 * Ti + 0.3 * Hi + 0.1 * Gi + 0.1 * Oi + 0.1 * Vi
通过这样的加权计算，可以将不同环境要因的数据按照其重要性进行综合，得到综合评价参数，从而进行环境危害的评估；注意，权重的设定应根据实际情况进行调整，以确保对各个要因的评价符合实际环境和安全需求。
S13、对若干个环境危害评价参数按数值由大到小进行排序，并提取环境危害评价参数排行前三的环境监测传感器的安装信息以及实时环境监测数据；
S14、计算三组环境监测传感器每个所述时间窗口内的平均环境要因数据集；所述平均环境要因数据集是指同一窗口内环境要因数据集中各元素的平均值；
S15、确定第二环境监测传感器的平均环境要因数据集的峰值时间窗口；确定第三环境监测传感器的平均环境要因数据集的峰值时间窗口；
S16、根据峰值时间窗口与环境监测传感器的安装信息，计算得到电缆隧道故障节点的位置，计算公式如下：
其中，d表示故障节点与第一环境监测传感器之间的距离；d1表示第一环境监测传感器与第二环境监测传感器之间的距离；d2表示第一环境监测传感器与第三环境监测传感器之间的距离；t1表示第二环境监测传感器的平均环境要因数据集的峰值时间窗口；t2表示第三环境监测传感器的平均环境要因数据集的峰值时间窗口；
上述通过分析环境因素传播速率的方法获取电缆隧道故障节点位置信息，不需要对电缆隧道进行物理干预或修改，不会产生额外的干扰或损坏；通过分析多个环境因素的传播速率，可以较准确地确定故障节点位置信息，从而更好地指导后续的检修和修复工作。
S2、根据电缆隧道故障节点位置信息，调取距离故障节点最近的环境监测传感器，并通过环境监测传感器实时获取故障节点环境信息；
在步骤S2中，根据故障节点位置信息，需要调取距离最近的已经安装在电缆隧道中的环境监测传感器，并获取环境监测传感器实时监测到的故障节点环境信息，具体包括以下步骤：
S21、通过S1中介绍的方法，确定故障节点位置；
S22、根据故障节点位置，确定距离故障节点最近的环境监测传感器，这些传感器是在电缆隧道建设时就已经安装和部署好的，用于监测和记录电缆隧道的环境参数；
S23、通过调取距离故障节点最近的环境监测传感器，实时获取故障节点周围的环境信息；这些环境信息可能包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度等参数；传感器中的数据记录和传输系统将提供实时的环境监测数据；
其中所用到的环境监测传感器采用多传感器组合形式，包括：
温湿度传感器：温湿度传感器用于测量环境的温度和湿度；一些高级型号的温湿度传感器还可以集成其他传感器元件，例如有害气体浓度传感器和氧气浓度传感器；
气体传感器阵列：这些传感器阵列集成了多个气体传感器，可以同时检测多种有害气体浓度，并提供准确的气体分析结果；一些类型的气体传感器阵列也可能包括温度、湿度和氧气浓度的测量功能；
光学传感器：光学传感器用于测量环境的能见度；通过测量环境中光线的散射和透过能力来评估环境的能见度水平。
需要注意的是，为确保监测数据的准确性和实时性，应确保电缆隧道在建设过程中选择和布置足够数量的环境监测传感器，以覆盖整个隧道系统，并确保其分布均匀和合理；这样可以更好地监测整个电缆隧道的环境状况，并及时获得与故障节点相邻区域的环境信息。
通过调取距离故障节点最近的环境监测传感器，可以实时获取故障节点周围的环境信息；这样可以提供准确的环境数据，帮助了解故障节点所处环境的实际情况，从而更好地分析和解决问题；由于环境监测传感器已经在电缆隧道建设时就安装好，避免了在故障发生后再进行传感器的安装和配置的额外工作和成本；环境监测传感器通过数据记录和传输系统提供实时环境数据，无需人工干预；这样可以保证数据的连续性和自动化监测的高效性。
总体而言，通过调取距离故障节点最近的环境监测传感器，实时获取故障节点周围的环境信息，可以提供准确、及时的环境数据，并节约成本同时保证数据完整性；有助于更好地监测电缆隧道环境状况，帮助解决故障和预防潜在问题。
S3、对所述故障节点环境信息进行要素提取，获得环境要因数据集，所述环境要因数据集中的元素包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度；
在S3步骤中，通过环境监测传感器获取的故障节点周围环境信息主要包括以下元素，其目的是评估这些元素是否对抢修人员的生命安全产生影响：
温度：温度是指环境中的热量水平；在电缆隧道故障的情况下，电缆可能会发生过热，导致高温环境产生；监测温度可以评估周围环境的热量是否达到危险水平，以及是否存在再次引发火灾等高温相关风险；
湿度：湿度是指环境中水分的含量；在电缆隧道故障的情况下，水分可能与电缆故障相关的火灾控制冷却工作有关；如果湿度过高，可能增加火灾的危险性；
有害气体浓度：故障时，电缆燃烧会释放出大量有害气体，如一氧化碳、二氧化碳、硫化氢等；监测有害气体浓度可以帮助判断是否存在有害气体积聚，是否会导致中毒或窒息等危害；
氧气浓度：电缆故障会消耗氧气，导致环境中氧气浓度降低；监测氧气浓度可以判断是否存在缺氧的情况，以及是否对人员进行有效供氧；
环境能见度：环境能见度表示空气中可见物体的范围；电缆隧道故障时，烟雾、灰尘等因素可能导致能见度降低，影响人员的视觉观察、行动和判断；
通过对这些环境要素的监测和分析，可以评估故障节点周围环境是否对抢修人员的生命安全产生潜在影响，并帮助确定合适的时间节点，允许抢修人员进入隧道进行维修工作，以确保其安全性。
S4、将故障发生后设定时间段进行窗口分割，获得连续且相同的若干个时间窗口，每个所述时间窗口内均包含有各元素至少三次的监测结果；
在步骤S4中，根据设定的时间段，将故障发生后的时间划分为多个连续且相同长度的时间窗口；这种窗口分割的目的是为了对环境要因数据集进行进一步的分析和处理；对于每个时间窗口，确保窗口的时间长度足够包含每个环境要因数据集中的各个元素至少三次的监测结果；这是为了获得足够的监测数据以准确分析环境要素的变化趋势；
例如，假设故障发生后的时间段为1小时，每个时间窗口的长度为10分钟；那么根据窗口分割，将整个时间段分割为6个长度相同的时间窗口；每个时间窗口内至少包含温度、湿度、有害气体浓度、氧气浓度以及环境能见度这些环境要因的监测结果，而且每个要因的监测结果至少有三次，即环境监测传感器要在10分钟的时间窗口内至少检测三次；
这样做的目的是为了确保环境要素的监测数据具有一定的时序性和可比性；通过对连续时间窗口内的监测数据进行分析，可以确定环境要素的变化趋势，从而为后续的环境预测和分析提供依据；
需要注意的是，在确定时间窗口长度时，需要考虑监测数据的采样频率和稳定性；较短的时间窗口可以提供更频繁的数据更新，但同时可能导致数据的噪音较多；较长的时间窗口可以平滑数据，但可能会导致变化的细节丢失；因此，在确定时间窗口长度时需要权衡这些因素并进行适当的选择；总之，步骤S4中的窗口分割操作旨在将故障发生后的时间段划分为相同长度的时间窗口，并确保每个窗口内含有各元素至少三次的环境要因监测结果；这将为后续的环境预测和分析提供可靠和具有时序性的数据基础。
S5、计算每个时间窗口内环境要因数据集中各元素相邻两次监测结果的跌幅平均值，获得每个时间窗口的环境要素跌幅数据向量；
S5是供电应急抢修环境监测方法中的一个步骤，用于计算每个时间窗口内环境要因数据集中各元素相邻两次监测结果的跌幅平均值，从而获得每个时间窗口的环境要素跌幅数据向量。在该步骤中，首先将故障发生后设定的时间段进行窗口分割，窗口的长度可以根据需要进行设置。每个时间窗口内都包含有各元素至少三次的监测结果，这样可以确保数据的准确性和稳定性。具体的其中一种元素的跌幅平均值计算公式如下：
其中，表示其中一种元素在第i个时间窗口内的跌幅平均值；S1表示在第i个时间窗口内环境要因数据集中某一元素的第1次检测结果数值；/>在第i个时间窗口内环境要因数据集中该元素的第n次检测结果数值，n 表示该元素在第i个时间窗口内的检测次数，/>;
对于每个环境要因数据集中的元素：温度、湿度、有害气体浓度、氧气浓度以及环境能见度，通过上述公式计算其相邻两次监测结果的跌幅平均值。这样就得到了每个时间窗口的环境要素跌幅数据向量，向量中的每个元素对应着一个环境要因。举例说明，时间窗口长度为10分钟，并且在某个时间窗口内测得的环境要素跌幅平均值数据如下：
温度跌幅：0.2；
湿度跌幅：-0.3；
有害气体浓度跌幅：0.1；
氧气浓度跌幅：-0.2；
环境能见度跌幅：-0.4；
那么，相应的环境要素跌幅数据向量可以表示为一个一维数组或列表：[0.2,-0.3,0.1,-0.2,-0.4]；
在此示例中，该向量包含了温度、湿度、有害气体浓度、氧气浓度和环境能见度的跌幅平均值，按照给定顺序排列。这样，针对每个时间窗口，都可以得到一个类似的环境要素跌幅数据向量，其中每个元素对应着一个环境要因的跌幅平均值。
通过计算环境要素跌幅数据向量，可以分析和了解每个时间窗口内的环境要素变化趋势。这些变化趋势可以用于后续的环境预测分析，以判断故障节点周围环境对生命安全无影响的时间节点。需要注意的是，具体的计算方式和跌幅平均值的方法可以根据实际情况进行调整和优化，以适应具体的环境监测系统和数据特点。
S6、将若干个环境要素跌幅数据向量按时间顺序依次排列，获得隧道环境跌幅矩阵；
在步骤S6中，将每个时间窗口内计算得到的环境要素跌幅数据向量按照时间顺序依次排列，以形成隧道环境跌幅矩阵。这个矩阵将具有以下特点：
1.结构：矩阵的行数与时间窗口的数量相同，列数取决于环境要素的数量，即每个时间窗口内监测的环境要素个数。
2.数据排列：矩阵中每一行代表一个时间窗口内的环境要素跌幅数据向量，按照时间顺序排列。例如，第一行表示第一个时间窗口内的跌幅数据向量，第二行表示第二个时间窗口内的跌幅数据向量，依次类推。
3.数值：矩阵中的每个元素对应着一个特定时间窗口内某个环境要素的跌幅值。根据之前的举例，每个跌幅数据向量包含了温度、湿度、有害气体浓度、氧气浓度和环境能见度的跌幅值，那么矩阵中的每一列对应一个环境要素。
举例说明，假设有5个时间窗口，每个时间窗口包含的环境要因数据向量如下所示：
时间窗口1：[0.2, -0.3, 0.1, -0.2, -0.4]
时间窗口2：[-0.1, 0.5, 0.3, -0.1, -0.2]
时间窗口3：[0.3, -0.2, -0.4, 0.2, 0.1]
时间窗口4：[-0.4, -0.1, -0.3, 0.4, 0.2]
时间窗口5：[0.1, -0.4, 0.2, -0.3, -0.5]
将这些向量按照时间顺序依次排列，可以得到如下所示的隧道环境跌幅矩阵：
这样，通过排列得到的隧道环境跌幅矩阵可以作为输入数据，用于构建电缆隧道环境预测分析模型，从而预测故障节点周围环境对生命安全无影响的时间节点；需要说明的是，上述数值仅仅是为了举例说明，并不具有指引借鉴作用。
在本步骤中，将环境要素跌幅数据按时间顺序排列后，能够保留时序关系的信息，隧道环境受多种因素影响，这些因素随时间变化，通过按时间顺序排列数据，可以更好地捕捉到环境变化的趋势；将各个时间窗口内的环境要素跌幅数据向量合并到矩阵中，简化了数据的存储和处理，矩阵结构有利于后续对数据进行分析和建模，提高了数据的可用性和处理效率；隧道环境跌幅矩阵可以作为特征矩阵，作为输入用于构建环境预测分析模型，通过对矩阵中的数据进行分析和建模，可以更好地理解环境要素之间的相互关系，从而预测故障节点周围环境对生命安全无影响的时间节点；
综上所述，通过步骤S6将环境要素跌幅数据向量按时间顺序排列成隧道环境跌幅矩阵，能够有效整合环境数据，保留数据的时序关系，并为后续的环境预测分析提供了有效的输入。
S7、构建电缆隧道环境预测分析模型，将隧道环境跌幅矩阵输入至电缆隧道环境预测分析模型中，获得故障节点周围环境对生命安全无影响的时间节点；
步骤S7旨在构建电缆隧道环境预测分析模型，该模型可以利用隧道环境跌幅矩阵来预测故障节点周围环境对生命安全无影响的时间节点；所述电缆隧道环境预测分析模型采用循环神经网络模型作为核心模型，电缆隧道环境预测分析模型具体的构建方法如下：
S71、数据准备：首先，将步骤S6中得到的隧道环境跌幅矩阵作为输入数据；这个矩阵包含了隧道环境要素的序列，按时间顺序记录了每个时间窗口的环境要素跌幅数据；
S72、数据预处理：在输入数据之前，需要进行一些数据预处理步骤，如归一化、标准化或其他数据变换方法，以确保数据在模型训练过程中具有相似的尺度和分布；
S73、构建电缆隧道环境预测分析模型：在这一步骤中使用循环神经网络作为核心模型；循环神经网络模型是一种适用于序列数据的深度学习模型，它可以捕捉时间上的依赖关系，具体的：
a.定义模型结构：选择合适的循环神经网络架构，如长短期记忆网络或门控循环单元；这些架构能够有效地处理长期依赖问题；
b.设置模型的层数和神经元数量：根据实际需求和数据复杂度，设置适当的层数和神经元数量来搭建网络结构；
c.添加层与连接方式：根据需要，添加附加的全连接层、Dropout层或其他规范化层，以增加模型的表达能力和防止过拟合问题；
S74、模型训练：使用步骤S73中构建的电缆隧道环境预测分析模型对准备好的数据进行训练，具体的：
a.划分训练集和验证集：将数据划分为训练集和验证集，用于模型的训练和验证；
b.定义损失函数：选择适当的损失函数，如均方误差或交叉熵损失函数，以衡量模型预测结果与实际结果之间的差异；
c.选择优化算法：选择适当的优化算法，如随机梯度下降或Adam优化算法，以迭代地更新模型参数；
d.进行模型训练：将训练数据输入模型进行训练，并通过迭代优化算法不断更新模型参数，以最小化损失函数；
e.监控验证集性能：在训练过程中，监控验证集上的性能指标，如损失函数或准确率，以评估模型的泛化能力和避免过拟合；
S75、模型评估与调优：完成模型训练后，对模型进行评估和调优，具体的：
a.使用测试集评估模型：将保留的测试集输入到训练好的模型中，评估模型在未见过的数据上的表现；
b.调整模型超参数：根据评估结果，调整模型的超参数，如层数、神经元数量、学习率等，以提高模型的性能和泛化能力；
c.重复训练与评估：根据需要，多次重复步骤S74和步骤S75，直到获得满意的模型性能；
S76、使用模型进行环境预测：使用经过训练和调优的模型，将新的隧道环境跌幅矩阵输入到模型中，预测故障节点周围环境对生命安全无影响的时间节点；
通过以上步骤，S7中的电缆隧道环境预测分析模型能够将输入的隧道环境跌幅矩阵进行分析，并输出预测结果，即故障节点周围环境对生命安全无影响的时间节点；这样的预测结果将帮助抢修人员在合适的时间内判断隧道的安全性，确保他们能够安全地进入隧道进行抢修工作。
在本步骤中，使用循环神经网络作为核心模型，能够捕捉时间上的依赖关系；这对于电缆隧道环境的预测非常重要，因为隧道环境的演变通常具有时间序列的特征，例如环境要素的变化趋势或周期性的波动；模型旨在预测故障节点周围环境对生命安全无影响的时间节点；这对于抢修人员来说至关重要，他们需要在安全的时间内进入隧道进行维修工作；S7中构建的电缆隧道环境预测分析模型具有适应序列数据、考虑时间序列依赖关系，可预测环境对生命安全的影响等优点，为抢修人员提供了重要的参考依据，确保他们能够在合适的时间内进行安全的抢修工作。
实施例二
如图3所示，本发明的用于保障生命安全的供电应急抢修环境监测系统，具体包括以下模块；
故障节点位置确认模块，用于获取电缆隧道故障节点的位置信息，并发送；
环境信息获取模块，用于接收电缆隧道故障节点位置信息，并根据故障节点位置信息，读取距离故障节点最近的环境监测传感器实时采集的环境信息，并发送；
环境要因提取模块，用于接收环境信息，并环境信息进行要因提取，所述要因包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度，将所述要因组成环境要因数据集，并发送；
环境变化率计算模块，用于接收环境要因数据集，将故障发生后设定时间划分为若干个连续且相同的时间窗口，其中每个时间窗口内至少包含各元素三次的监测结果，对每个时间窗口内的环境要因数据集中各元素相邻的两次监测结果计算跌幅平均值，得到每个时间窗口的环境要素跌幅数据向量，并发送；
环境安全时间节点预测模块，用于接收环境要素跌幅数据向量，并将若干个环境要素跌幅数据向量按时间顺序依次排列，生成隧道环境跌幅矩阵，将隧道环境跌幅矩阵输入至预先存储的电缆隧道环境预测分析模型中，输出故障节点周围环境对生命安全无影响的时间节点。
在本实施例中，系统通过环境信息获取模块实时获取距离故障节点最近的环境监测传感器采集的环境信息；该信息包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度等要素，提供了全面的环境状态评估数据；
系统中的环境要因提取模块能够对环境信息进行要因提取，将关键要素提取出来，并组成环境要因数据集；这有助于进一步分析和判断环境的安全状况；
时间窗口分析：系统中的环境变化率计算模块将故障发生后设定时间划分为连续且相同的时间窗口，并计算每个时间窗口内环境要因数据集中各元素相邻的两次监测结果的跌幅平均值；通过时间窗口的分析，可以更好地了解环境的变化趋势和稳定性；
环境安全时间节点预测模块利用预先存储的电缆隧道环境预测分析模型，输入隧道环境跌幅矩阵，可以更准确地预测故障节点周围环境对生命安全无影响的时间节点；这有助于抢修人员安全高效地进行维修工作；
综上所述，该供电应急抢修环境监测系统具备定位故障、全面获取环境信息、精准提取要因、分析变化率和预测时间节点等优点，能够有效保障生命安全并提高抢修工作的效率和准确性。
前述实施例一中的用于保障生命安全的供电应急抢修环境监测方法的各种变化方式和具体实施例同样适用于本实施例的用于保障生命安全的供电应急抢修环境监测系统,通过前述对用于保障生命安全的供电应急抢修环境监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中用于保障生命安全的供电应急抢修环境监测系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种用于保障生命安全的供电应急抢修环境监测方法，其特征在于，所述方法包括：
获取电缆隧道故障节点位置信息；
根据电缆隧道故障节点位置信息，调取距离故障节点最近的环境监测传感器，并通过环境监测传感器实时获取故障节点环境信息；
对所述故障节点环境信息进行要素提取，获得环境要因数据集，所述环境要因数据集中的元素包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度；
将故障发生后设定时间段进行窗口分割，获得连续且相同的若干个时间窗口，每个所述时间窗口内均包含有各元素至少三次的监测结果；
计算每个时间窗口内环境要因数据集中各元素相邻两次监测结果的跌幅平均值，获得每个时间窗口的环境要素跌幅数据向量；
将若干个环境要素跌幅数据向量按时间顺序依次排列，获得隧道环境跌幅矩阵；
构建电缆隧道环境预测分析模型，将隧道环境跌幅矩阵输入至电缆隧道环境预测分析模型中，获得故障节点周围环境对生命安全无影响的时间节点。
2.如权利要求1所述的用于保障生命安全的供电应急抢修环境监测方法，其特征在于，获取电缆隧道故障节点位置信息的方法，包括：
获取电缆隧道内每组环境监测传感器采集的实时环境监测数据；
对每组实时环境监测数据中的各个元素进行加权计算，获得环境危害评价参数；
对若干个环境危害评价参数按数值由大到小进行排序，并提取环境危害评价参数排行前三的环境监测传感器的安装信息以及实时环境监测数据；
计算三组环境监测传感器每个所述时间窗口内的平均环境要因数据集；所述平均环境要因数据集是指同一窗口内环境要因数据集中各元素的平均值；
确定第二环境监测传感器的平均环境要因数据集的峰值时间窗口；确定第三环境监测传感器的平均环境要因数据集的峰值时间窗口；
根据峰值时间窗口与环境监测传感器的安装信息，计算得到电缆隧道故障节点的位置，计算公式如下：
其中d表示故障节点与第一环境监测传感器之间的距离；d1表示第一环境监测传感器与第二环境监测传感器之间的距离；d2表示第一环境监测传感器与第三环境监测传感器之间的距离；t1表示第二环境监测传感器的平均环境要因数据集的峰值时间窗口；t2表示第三环境监测传感器的平均环境要因数据集的峰值时间窗口。
3.如权利要求2所述的用于保障生命安全的供电应急抢修环境监测方法，其特征在于，获得环境危害评价参数的计算方法包括：
E = wT * Ti + wH * Hi + wG * Gi + wO * Oi + wV * Vi
其中，E表示环境危害评价参数；Ti表示环境要因数据集中的温度；Hi表示环境要因数据集中的湿度；Gi表示环境要因数据集中的有害气体浓度；Oi表示环境要因数据集中的氧气浓度；Vi表示环境要因数据集中的环境能见度；wT, wH, wG, wO, wV分别表示温度、湿度、有害气体浓度、氧气浓度和环境能见度的权重系数，并且wT, wH, wG, wO, wV的和为1。
4.如权利要求1所述的用于保障生命安全的供电应急抢修环境监测方法，其特征在于，所述环境要因数据集中元素的跌幅平均值计算公式如下：
其中/>表示其中一种元素在第i个时间窗口内的跌幅平均值；S1表示在第个时间窗口内环境要因数据集中其中一种元素的第1次检测结果数值；/>在第i个时间窗口内环境要因数据集中该元素的第n次检测结果数值，n表示该元素在第i个时间窗口内的检测次数，/>。
5.如权利要求4所述的用于保障生命安全的供电应急抢修环境监测方法，其特征在于，所述环境要素跌幅数据向量格式为：
；
所述隧道环境跌幅矩阵格式为：
；
其中表示第i个时间窗口内温度的跌幅平均值；/>表示第i个时间窗口内湿度的跌幅平均值；/>表示第i个时间窗口内有害气体浓度的跌幅平均值；/>表示第i个时间窗口内氧气浓度的跌幅平均值；/>表示第i个时间窗口内环境能见度的跌幅平均值。
6.如权利要求1所述的用于保障生命安全的供电应急抢修环境监测方法，其特征在于，所述电缆隧道环境预测分析模型采用循环神经网络模型作为核心模型，所述隧道环境跌幅矩阵为输入数据，所述故障节点周围环境对生命安全无影响的时间节点为输出数据。
7.如权利要求1所述的用于保障生命安全的供电应急抢修环境监测方法，其特征在于，所述环境监测传感器由温湿度传感器、气体传感器阵列和光学传感器组成。
8.一种用于保障生命安全的供电应急抢修环境监测系统，其特征在于，所述系统包括：
故障节点位置确认模块，用于获取电缆隧道故障节点的位置信息，并发送；
环境信息获取模块，用于接收电缆隧道故障节点位置信息，并根据故障节点位置信息，读取距离故障节点最近的环境监测传感器实时采集的环境信息，并发送；
环境要因提取模块，用于接收环境信息，并环境信息进行要因提取，所述要因包括温度、湿度、有害气体浓度、氧气浓度以及环境能见度，将所述要因组成环境要因数据集，并发送；
环境变化率计算模块，用于接收环境要因数据集，将故障发生后设定时间划分为若干个连续且相同的时间窗口，其中每个时间窗口内至少包含各元素三次的监测结果，对每个时间窗口内的环境要因数据集中各元素相邻的两次监测结果计算跌幅平均值，得到每个时间窗口的环境要素跌幅数据向量，并发送；
环境安全时间节点预测模块，用于接收环境要素跌幅数据向量，并将若干个环境要素跌幅数据向量按时间顺序依次排列，生成隧道环境跌幅矩阵，将隧道环境跌幅矩阵输入至预先存储的电缆隧道环境预测分析模型中，输出故障节点周围环境对生命安全无影响的时间节点。
9.一种用于保障生命安全的供电应急抢修环境监测电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一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如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311073207.7A CN116777088B (zh) | 2023-08-24 | 2023-08-24 | 用于保障生命安全的供电应急抢修环境监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311073207.7A CN116777088B (zh) | 2023-08-24 | 2023-08-24 | 用于保障生命安全的供电应急抢修环境监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116777088A CN116777088A (zh) | 2023-09-19 |
| CN116777088B true CN116777088B (zh) | 2023-11-14 |
Family
ID=87986414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311073207.7A Active CN116777088B (zh) | 2023-08-24 | 2023-08-24 | 用于保障生命安全的供电应急抢修环境监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777088B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391459B (zh) * | 2023-12-13 | 2024-03-05 | 国网山西省电力公司太原供电公司 | 基于深度学习的电力运行风险预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106017560A (zh) * | 2016-06-14 | 2016-10-12 | 上海君世电气科技有限公司 | 电缆井状态综合监测及预警系统 |
| CN113408878A (zh) * | 2021-06-07 | 2021-09-17 | 山东电工电气集团有限公司 | 基于多源信息的电缆隧道运行状态评价方法及区域控制系统 |
| CN115248873A (zh) * | 2022-09-22 | 2022-10-28 | 国网山西省电力公司太原供电公司 | 一种基于数据融合的电缆隧道安全监测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019213324A1 (en) * | 2018-05-01 | 2019-11-07 | Tunnel Radio Of America, Inc. | Remotely-controlled distributed antenna system for railroad tunnels employing software defined amplifiers |
-
2023
- 2023-08-24 CN CN202311073207.7A patent/CN116777088B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106017560A (zh) * | 2016-06-14 | 2016-10-12 | 上海君世电气科技有限公司 | 电缆井状态综合监测及预警系统 |
| CN113408878A (zh) * | 2021-06-07 | 2021-09-17 | 山东电工电气集团有限公司 | 基于多源信息的电缆隧道运行状态评价方法及区域控制系统 |
| CN115248873A (zh) * | 2022-09-22 | 2022-10-28 | 国网山西省电力公司太原供电公司 | 一种基于数据融合的电缆隧道安全监测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| "Research on Multi-sensor Wireless Network Based on Complex Tunnel Engineering and Its Data Pushing Method";L. Chen 等;《2019 Photonics & Electromagnetics Research Symposium – Fall》;第2601-2606页 * |
| "电力电缆隧道机械通风防护技术分析";张倩;《南方农机》;第50卷(第11期);第255、262页 * |
| 城区电缆接头故障在线监测与预警系统;王立军 等;《中国电业(技术版)》(第1期);第23-26页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116777088A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105551549A (zh) | 一种核电设备运行状况在线监测方法及系统 | |
| CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
| CN110793616A (zh) | 一种全光纤分布式的电缆安全与可靠性监测系统 | |
| CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
| CN114994460A (zh) | 一种电缆绝缘性能预测装置及方法 | |
| CN117150445B (zh) | 一种区间隧道近距离下穿河流的沉降监测和评价方法 | |
| CN116754022B (zh) | 电缆隧道的在线检测应急预警方法及系统 | |
| CN117375147B (zh) | 一种储能电站的安全监测预警与运行管理方法及系统 | |
| CN104317778A (zh) | 基于海量监测数据的变电设备故障诊断方法 | |
| Li et al. | Meteorological radar fault diagnosis based on deep learning | |
| EP2956751B1 (en) | Method and monitoring device for monitoring a structure | |
| Sun et al. | A data-driven framework for tunnel infrastructure maintenance | |
| CN114091322A (zh) | 一种基于数字模型的高压开关柜状态预测方法 | |
| JP2890815B2 (ja) | プラントの異常診断装置 | |
| CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及系统 | |
| CN116304846B (zh) | 一种基于自监督学习的cvt内部绝缘异常在线评估方法 | |
| CN117824756B (zh) | 一种建筑结构监测方法、设备及存储介质 | |
| CN117937768B (zh) | 智能电气柜远程监控系统 | |
| Xu et al. | Prediction Method for Internal Overheating Defects of GIS Isolation Switch Based on Multi-Parameter Correlation and Deep Learning Network | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
| Aizpurua et al. | Towards a data analytics framework for medium voltage power cable lifetime mangement | |
| CN116744317B (zh) | 一种电力隧道传感器网络配置方法和系统 | |
| CN117405167A (zh) | 基于光纤光栅传感器的变压器健康状态预测方法及系统 | |
| CN114924171A (zh) | 一种电缆绝缘性能故障预警装置及方法 | |
| CN118259224A (zh) | 电压互感器的故障监测系统、方法、存储介质及电子设备 |
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 |