CN117039911B - 基于人工智能算法的电力设备管理系统及方法 - Google Patents
基于人工智能算法的电力设备管理系统及方法 Download PDFInfo
- Publication number
- CN117039911B CN117039911B CN202311304647.9A CN202311304647A CN117039911B CN 117039911 B CN117039911 B CN 117039911B CN 202311304647 A CN202311304647 A CN 202311304647A CN 117039911 B CN117039911 B CN 117039911B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- set city
- city
- data acquisition
- lighting
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims description 39
- 230000005611 electricity Effects 0.000 claims abstract description 56
- 238000007726 management method Methods 0.000 claims abstract description 49
- 238000005286 illumination Methods 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 239000013589 supplement Substances 0.000 claims abstract description 14
- 230000000875 corresponding effect Effects 0.000 claims description 89
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 238000004891 communication Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Astronomy & Astrophysics (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明涉及一种基于人工智能算法的电力设备管理系统,属于人工智能领域,所述系统包括:动态调配器件,用于在采用人工智能算法估测的在夜晚的数据采集时刻设定城市的照明设备用电总量超过预配用电总量时,确定需要调入的差额电量以补充过度消耗电量;输电线路机构,用于从附近水力发电站调入差额电量。本发明还涉及一种基于人工智能算法的电力设备管理方法。通过本发明,针对城市电力设备整体管理效率低下且缺乏动态用电平衡控制的技术问题,采用人工智能算法仅仅通过一帧遥感画面即可以智能估测设定时刻城市照明消耗电量的具体数值,并在具体数值超过预配用电总量时,采用输电线路机构调入差额电量,从而解决了上述技术问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于人工智能算法的电力设备管理系统及方法。
背景技术
对于每一座城市来说,尤其是大中型城市,其每一时刻每一种电力的消费量是预先分配好的,例如,在某一时刻城市的各个照明设备的照明消耗电量是在所述某一时刻之前已经分配好的电力能源,如果在某一时刻实际消耗的电力能源超过分配的电力能源,则需要使用例如输电线路的电力设备从城市周边的火力发电站或者水力发电站紧急调入差额电量以弥补城市各个照明设备在某一时刻过度消耗的电力能源,从而实现整个城市不同用电领域的动态用电平衡。
示例地,中国实用新型专利公开文本CN204154772U提出的一种城市照明能效系统集中式检测表箱,所述集中式检测表箱包括表箱前板、表箱背板、表箱底板、表箱侧板和表箱盖板,其依次连接在一起,所述表箱前板上设有表计安装位,在所述表箱前板正面与表计安装位的对应位置设有透明视窗;所述表箱背板的内表面通过安装孔固定有安装板,安装板上设有导轨、端子排和线槽;所述表箱底板上开有进线孔。该实用新型在表箱内部设置了导轨、端子排和线槽,在表箱安装时省去了人工布线环节,安装效率高,降低箱体内短路、触电等安全隐患;另外,本表箱在日常检修维护以及抄表时不用打开表箱前板,直接通过透明视窗观察电表的运行情况,该城市照明能效系统集中式检测表箱具有设计科学、外观整洁美观、线路排查方便等优点。
示例地,中国实用新型专利公开文本CN201967184U提出的一种绿色照明智能管理系统,所述系统包括监控中心的装有智能管理软件的上位机,实现对城市公共照明设施的远程监控管理、路灯监控的电子地图图上作业与管理、路灯相关设施资源的图上直观呈现和方便定位、以及生产管理、仓库管理、人工智能等功能;所述系统还包括智能监控终端,实现对路灯电参数的测量、采集,照明回路、支路的控制,连接智能服务器,与上位机通过运营商公网(GPRS、CDMA)通信;所述系统还包括智能服务器,连接智能监控终端,通过具有自动中继的电力线载波方式与单灯控制器通信,传递控制命令,接收单灯状态数据和报警数据;所述系统还包括单灯节能控制器,接收智能服务器的指令,实现对单灯的开关、降功率和调光等控制,采集单灯电参数和状态、告警等数据。
然而,上述现有技术仅仅涉及城市照明设备的简单的硬件设计或者状态管理,并没有从整体上对城市的各个照明设备的照明消耗电量进行统计,导致无法确定每一时刻城市照明消耗电量的具体数值,无法对整个城市的照明消耗电量进行统筹和规划,容易产生城市照明消耗电量超出配置电量的现象进而引起后续电量供应不足,另外,专门设计各个照明设备的分时电量检测器件以及整个城市各个照明设备的电量累计器件滞后且浪费了大量的硬件空间和资源。由此可见,现有技术存在城市电力设备整体管理效率低下且缺乏动态用电平衡控制的技术问题。
发明内容
为了解决现有技术中的技术问题,本发明提供了一种基于人工智能算法的电力设备管理系统及方法,能够采用人工智能算法仅仅通过一帧遥感画面即可以智能估测设定时刻城市照明消耗电量的具体数值,并在智能估测的具体数值超过所述设定时刻为所述城市照明设备预配的用电总量时,采用输电线路机构为所述城市调入差额电量以补充所述城市的照明设备在所述设定时刻的过度消耗电量,从而提升了整个城市电力设备管理的效率,保证了整个城市的各个分项用电的动态平衡。
根据本发明的第一方面,提供了一种基于人工智能算法的电力设备管理系统,所述系统包括:
遥感收发器件,用于在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
信息提取器件,与所述遥感收发器件连接,用于获取构成所述区域遥感画面的各个像素点分别对应的各个亮度值以获得所述区域遥感画面对应的亮度信息,同时获取所述区域遥感画面占据的像素点的总数以作为参考像素总数输出;
数据解析器件,用于获取所述设定城市中各种用电照明设备分别对应的各份照明数据,所述设定城市中每一种用电照明设备对应的照明数据为在所述设定城市中该种用电照明设备的存在数量以及额定照明功率;
耗电估测器件,分别与所述遥感收发器件、所述信息提取器件以及所述数据解析器件连接,用于基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量;
动态调配器件,与所述耗电估测器件连接,用于在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量;
输电线路机构,与所述动态调配器件连接,用于从所述设定城市附近的水力发电站为所述设定城市调入差额电量;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量包括:采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系。
根据本发明的第二方面,提供了一种基于人工智能算法的电力设备管理方法,所述方法包括以下步骤:
在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
获取构成所述区域遥感画面的各个像素点分别对应的各个亮度值以获得所述区域遥感画面对应的亮度信息,同时获取所述区域遥感画面占据的像素点的总数以作为参考像素总数输出;
获取所述设定城市中各种用电照明设备分别对应的各份照明数据,所述设定城市中每一种用电照明设备对应的照明数据为在所述设定城市中该种用电照明设备的存在数量以及额定照明功率;
基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量;
在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量;
采用输电线路机构用于从所述设定城市附近的水力发电站为所述设定城市调入差额电量;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量包括:采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系。
由此可见,本发明至少具备以下四处实质性的技术进步:
(1):针对所述设定城市,基于每一夜晚时刻的城市遥感画面的亮度信息、所述夜晚时刻的具体数值、所述城市遥感画面占据的像素点总数以及所述设定城市中各种用电照明设备分别对应的各份存在数量以及各份额定照明功率采用人工智能算法智能估测在所述夜晚时刻所述设定城市的照明设备用电总量,从而为后续的输电线路机构的电量管理提供关键数据;
(2):在智能估测的夜晚时刻所述设定城市的照明设备用电总量超过在所述夜晚时刻为所述设定城市的照明设备预配的用电总量时,采用输电线路机构为所述设定城市调入差额电量以补充所述设定城市的照明设备在所述夜晚时刻的过度消耗电量,从而保证了整个设定城市的用电平衡;
(3):采用完成多次学习后的深度神经网络实现执行智能估测的人工智能算法,为保证智能估测结果的可靠性和稳定性,对所述完成多次学习后的深度神经网络采取了以下两项构建措施:所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比;在对所述深度神经网络执行的每一次学习中,将过往某一数据采集时刻已知的所述设定城市的照明设备用电总量作为完成多次学习后的深度神经网络的输出内容,将过往某一数据采集时刻的具体数值、过往某一数据采集时刻的区域遥感画面对应的参考像素总数、过往某一数据采集时刻的区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据作为完成多次学习后的深度神经网络的逐份输入内容,从而保证了每一次学习的效果;
(4):采取的深度神经网络包括单个输入层、单个输出层以及介于所述单个输入层和所述单个输出层之间的多个隐藏层,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量与设定城市的实际占地面积正向关联,从而实现了人工智能算法基于不同城市的不同定制。
附图说明
以下将结合附图对本发明的实施例进行描述,其中:
图1为根据本发明的基于人工智能算法的电力设备管理系统及方法的技术流程图。
图2为根据本发明的实施例一示出的基于人工智能算法的电力设备管理系统的结构示意图。
图3为根据本发明的实施例二示出的基于人工智能算法的电力设备管理系统的结构示意图。
图4为根据本发明的实施例三示出的基于人工智能算法的电力设备管理系统的结构示意图。
图5为根据本发明的实施例四示出的基于人工智能算法的电力设备管理系统的结构示意图。
图6为根据本发明的实施例五示出的基于人工智能算法的电力设备管理系统的结构示意图。
图7为根据本发明的实施例六示出的基于人工智能算法的电力设备管理方法的步骤流程图。
具体实施方式
如图1所示,给出了根据本发明示出的基于人工智能算法的电力设备管理系统及方法的技术流程图。
如图1所示,本发明的具体的技术流程如下:
技术流程一:建立用于智能估测每一时刻设定城市照明设备用电总量的人工智能算法,所述人工智能算法为完成多次学习后的深度神经网络;
具体地,为了保证智能估测结果的可靠性和稳定性,对所述完成多次学习后的深度神经网络采取了以下两项构建措施:
第一项:多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比,实现了不同城市的人工智能算法的不同定制;
第二项:在对所述深度神经网络执行的每一次学习中,将过往某一数据采集时刻已知的所述设定城市的照明设备用电总量作为完成多次学习后的深度神经网络的输出内容,将过往某一数据采集时刻的具体数值、过往某一数据采集时刻的区域遥感画面对应的参考像素总数、过往某一数据采集时刻的区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据作为完成多次学习后的深度神经网络的逐份输入内容,从而保证了每一次学习的效果;
技术流程二:从遥感通信卫星处获取每一夜晚时刻的城市遥感画面,进而获取所述城市遥感画面的亮度信息以及所述城市遥感画面占据的像素点总数;
具体地,通过设定城市的定位数据对从遥感通信卫星处获取的遥感图像进行分割,以获得只包括所述设定城市占据的地理区域的城市遥感画面;
示例地,所述城市遥感画面的亮度信息为所述城市遥感画面占据的各个像素点分别对应的各个亮度值;
技术流程三:获取设定城市的各项配置数据,包括所述设定城市中各种用电照明设备分别对应的各份存在数量以及各份额定照明功率,同时获取城市遥感画面采集时刻即夜晚时刻的具体数值;
示例地,城市遥感画面采集时刻即夜晚时刻的具体数值为所述夜晚时刻距离当天零点的具体秒数;
技术流程四:采用技术流程一建立的人工智能算法,基于技术流程二获取的所述城市遥感画面的亮度信息以及所述城市遥感画面占据的像素点总数,同时基于技术流程三获取的所述设定城市中各种用电照明设备分别对应的各份存在数量以及各份额定照明功率以及所述夜晚时刻的具体数值,智能估测在所述夜晚时刻所述设定城市的照明设备用电总量;
技术流程五:在智能估测的照明设备用电总量超过在所述夜晚时刻为所述设定城市的照明设备预配的用电总量时,采用输电线路机构为所述设定城市调入差额电量以补充所述设定城市的照明设备在所述夜晚时刻的过度消耗电量,从而保证了整个设定城市的用电平衡。
本发明的关键点在于:不同城市的人工智能算法的不同定制、执行智能估测的各项基础数据的针对性筛选以及采用输电线路机构的基于差额电量的动态补充。
下面,将对本发明的基于人工智能算法的电力设备管理系统及方法以实施例的方式进行具体说明。
实施例
图2为根据本发明的实施例一示出的基于人工智能算法的电力设备管理系统的结构示意图。
如图2所示,所述基于人工智能算法的电力设备管理系统包括以下部件:
遥感收发器件,用于在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
示例地,所述遥感收发器件包括遥感接收单元和遥感发送单元,所述遥感发送单元用于向遥感通信卫星发送遥感画面的获取请求;
以及所述遥感接收单元用于获取所述遥感通信卫星无线发送的遥感画面;
信息提取器件,与所述遥感收发器件连接,用于获取构成所述区域遥感画面的各个像素点分别对应的各个亮度值以获得所述区域遥感画面对应的亮度信息,同时获取所述区域遥感画面占据的像素点的总数以作为参考像素总数输出;
示例地,所述区域遥感画面可能是不规则的几何形状,其具体形状取决于设定城市的边缘构成的几何形状;
数据解析器件,用于获取所述设定城市中各种用电照明设备分别对应的各份照明数据,所述设定城市中每一种用电照明设备对应的照明数据为在所述设定城市中该种用电照明设备的存在数量以及额定照明功率;
例如,可以采用各个数据解析单元用于分别获取所述设定城市中各种用电照明设备分别对应的各份照明数据;
耗电估测器件,分别与所述遥感收发器件、所述信息提取器件以及所述数据解析器件连接,用于基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量;
例如,可以选择采用数值仿真模式来实现基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量的仿真处理;
动态调配器件,与所述耗电估测器件连接,用于在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量;
示例地,可以采用可编程逻辑器件来实现在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量的数据处理过程;
输电线路机构,与所述动态调配器件连接,用于从所述设定城市附近的水力发电站为所述设定城市调入差额电量;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量包括:采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比;
例如,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:所述设定城市中用电照明设备的种类数量为50,所述多次学习的学习次数为100,所述设定城市中用电照明设备的种类数量为60,所述多次学习的学习次数为120,以及所述设定城市中用电照明设备的种类数量为80,所述多次学习的学习次数为160;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系;
具体地,采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系包括:在所述数值映射公式中,所述设定城市中用电照明设备的种类数量为所述数值映射公式的输入参数,所述多次学习的学习次数为所述数值映射公式的输出参数;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:在对所述深度神经网络执行的每一次学习中,将过往某一数据采集时刻已知的所述设定城市的照明设备用电总量作为完成多次学习后的深度神经网络的输出内容,将过往某一数据采集时刻的具体数值、过往某一数据采集时刻的区域遥感画面对应的参考像素总数、过往某一数据采集时刻的区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据作为完成多次学习后的深度神经网络的逐份输入内容;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比还包括:所述深度神经网络包括单个输入层、单个输出层以及介于所述单个输入层和所述单个输出层之间的多个隐藏层;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比还包括:所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量与设定城市的实际占地面积正向关联;
例如,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量与设定城市的实际占地面积正向关联包括:设定城市的实际占地面积为20平方公里,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量为3,设定城市的实际占地面积为30平方公里,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量为5,设定城市的实际占地面积为40平方公里,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量为7,设定城市的实际占地面积为50平方公里,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量为9。
实施例
图3为根据本发明的实施例二示出的基于人工智能算法的电力设备管理系统的结构示意图。
如图3所示,与图2中的实施例不同,所述基于人工智能算法的电力设备管理系统还包括以下部件:
定位执行器件,与所述遥感收发器件连接,用于为所述遥感收发器件提供定位服务;
例如,所述定位执行器件可以基于北斗星导航机制、GPS导航机制或者伽利略导航机制。
实施例
图4为根据本发明的实施例三示出的基于人工智能算法的电力设备管理系统的结构示意图。
如图4所示,与图2中的实施例不同,所述基于人工智能算法的电力设备管理系统还包括以下部件:
遥感通信卫星,与所述遥感收发器件建立双向的无线数据链路,所述双向的无线数据链路为遥感通信链路;
示例地,所述遥感通信卫星具有上行数据通道以及下行数据通道,用于与所述无线数据链路进行衔接。
实施例
图5为根据本发明的实施例四示出的基于人工智能算法的电力设备管理系统的结构示意图。
如图5所示,与图2中的实施例不同,所述基于人工智能算法的电力设备管理系统还包括以下部件:
内容存储器件,与所述耗电估测器件连接,用于存储所述人工智能算法并为所述耗电估测器件提供所述人工智能算法;
例如,可以选择采用TF存储器件、CF存储器件、MMC存储器件或者FLASH存储器件来实现所述内容存储器件。
实施例
图6为根据本发明的实施例五示出的基于人工智能算法的电力设备管理系统的结构示意图。
如图6所示,与图2中的实施例不同,所述基于人工智能算法的电力设备管理系统还包括以下部件:
画面显示器件,设置在所述设定城市的智慧城市控制室内,与所述耗电估测器件连接,用于以巨屏显示模式显示在夜晚的数据采集时刻接收的来自遥感通信卫星的、设定城市的区域遥感画面;
例如,可以选择采用LED显示阵列、LCD显示阵列或者液晶显示阵列来实现所述画面显示器件;
其中,所述画面显示器件还与所述动态调配器件连接,用于接收并显示差额电量的具体数值,并对所述差额电量的具体数值进行数据采集时刻的时间标记。
接着,继续对本发明的各个实施例进行详细的描述。
在根据本发明各个实施例的基于人工智能算法的电力设备管理系统中:
在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量包括:所述差额电量为接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量减去在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量所获得的差值数据;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量包括:数据采集时刻的具体数值为所述数据采集时刻距离当天零点时刻的秒数。
以及在根据本发明各个实施例的基于人工智能算法的电力设备管理系统中:
在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面包括:通过遥感通信链路在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
其中,通过遥感通信链路在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面包括:基于设定城市的定位数据从接收到的遥感图像中分割出设定城市的区域遥感画面;
示例地,基于设定城市的定位数据从接收到的遥感图像中分割出设定城市的区域遥感画面包括:所述设定城市的定位数据为北斗星定位数据、GPS定位数据或者伽利略定位数据;
其中,基于设定城市的定位数据从接收到的遥感图像中分割出设定城市的区域遥感画面包括:获得构成所述设定城市的边缘的各个边缘位置分别对应的各个定位信息,基于所述各个定位信息从接收到的遥感图像中分割出设定城市的区域遥感画面;
其中,获得构成所述设定城市的边缘的各个边缘位置分别对应的各个定位信息,基于所述各个定位信息从接收到的遥感图像中分割出设定城市的区域遥感画面包括:在接收到的遥感图像中确定所述各个定位信息分别所在的各个视觉位置,将所述各个视觉位置围设的区域作为设定城市的区域遥感画面;
其中,在接收到的遥感图像中确定所述各个定位信息分别所在的各个视觉位置,将所述各个视觉位置围设的区域作为设定城市的区域遥感画面包括:每一个定位信息所在的视觉位置为所述遥感图像中的所述定位信息对应的一个以上像素点。
实施例
图7为根据本发明的实施例六示出的基于人工智能算法的电力设备管理方法的步骤流程图。
如图7所示,根据本发明的实施例六示出的基于人工智能算法的电力设备管理方法具体包括以下步骤:
在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
示例地,可以选择采用遥感收发器件,用于在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
具体地,所述遥感收发器件包括遥感接收单元和遥感发送单元,所述遥感发送单元用于向遥感通信卫星发送遥感画面的获取请求;
以及所述遥感接收单元用于获取所述遥感通信卫星无线发送的遥感画面;
获取构成所述区域遥感画面的各个像素点分别对应的各个亮度值以获得所述区域遥感画面对应的亮度信息,同时获取所述区域遥感画面占据的像素点的总数以作为参考像素总数输出;
示例地,所述区域遥感画面可能是不规则的几何形状,其具体形状取决于设定城市的边缘构成的几何形状;
获取所述设定城市中各种用电照明设备分别对应的各份照明数据,所述设定城市中每一种用电照明设备对应的照明数据为在所述设定城市中该种用电照明设备的存在数量以及额定照明功率;
例如,可以采用各个数据解析单元用于分别获取所述设定城市中各种用电照明设备分别对应的各份照明数据;
基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量;
例如,可以选择采用数值仿真模式来实现基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量的仿真处理;
在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量;
示例地,可以采用可编程逻辑器件来实现在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量的数据处理过程;
采用输电线路机构用于从所述设定城市附近的水力发电站为所述设定城市调入差额电量;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量包括:采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比;
例如,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:所述设定城市中用电照明设备的种类数量为50,所述多次学习的学习次数为100,所述设定城市中用电照明设备的种类数量为60,所述多次学习的学习次数为120,以及所述设定城市中用电照明设备的种类数量为80,所述多次学习的学习次数为160;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系;
具体地,采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系包括:在所述数值映射公式中,所述设定城市中用电照明设备的种类数量为所述数值映射公式的输入参数,所述多次学习的学习次数为所述数值映射公式的输出参数;
具体地,采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系包括:在所述数值映射公式中,所述设定城市中用电照明设备的种类数量为所述数值映射公式的输入参数,所述多次学习的学习次数为所述数值映射公式的输出参数;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:在对所述深度神经网络执行的每一次学习中,将过往某一数据采集时刻已知的所述设定城市的照明设备用电总量作为完成多次学习后的深度神经网络的输出内容,将过往某一数据采集时刻的具体数值、过往某一数据采集时刻的区域遥感画面对应的参考像素总数、过往某一数据采集时刻的区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据作为完成多次学习后的深度神经网络的逐份输入内容;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比还包括:所述深度神经网络包括单个输入层、单个输出层以及介于所述单个输入层和所述单个输出层之间的多个隐藏层;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比还包括:所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量与设定城市的实际占地面积正向关联;
例如,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量与设定城市的实际占地面积正向关联包括:设定城市的实际占地面积为20平方公里,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量为3,设定城市的实际占地面积为30平方公里,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量为5,设定城市的实际占地面积为40平方公里,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量为7,设定城市的实际占地面积为50平方公里,所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量为9。
另外,本发明还可以引用以下几处技术内容以进一步显现本发明的突出的实质性特点:
基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量还包括:将数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据作为完成多次学习后的深度神经网络的逐份输入内容;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量还包括:执行所述完成多次学习后的深度神经网络以获得所述完成多次学习后的深度神经网络输出的在夜晚的数据采集时刻所述设定城市的照明设备用电总量。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的实施方式的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本说明书的描述中,参考术语“一个实施方式”、“某些实施方式”、“示意性实施方式”、“示例”、“具体示例”或“一些示例”等的描述意指结合所述实施方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于人工智能算法的电力设备管理系统,其特征在于,所述系统包括:
遥感收发器件,用于在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
信息提取器件,与所述遥感收发器件连接,用于获取构成所述区域遥感画面的各个像素点分别对应的各个亮度值以获得所述区域遥感画面对应的亮度信息,同时获取所述区域遥感画面占据的像素点的总数以作为参考像素总数输出;
数据解析器件,用于获取所述设定城市中各种用电照明设备分别对应的各份照明数据,所述设定城市中每一种用电照明设备对应的照明数据为在所述设定城市中该种用电照明设备的存在数量以及额定照明功率;
耗电估测器件,分别与所述遥感收发器件、所述信息提取器件以及所述数据解析器件连接,用于基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量;
动态调配器件,与所述耗电估测器件连接,用于在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量;
输电线路机构,与所述动态调配器件连接,用于从所述设定城市附近的水力发电站为所述设定城市调入差额电量;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量包括:采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系。
2.如权利要求1所述的基于人工智能算法的电力设备管理系统,其特征在于:
采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:在对所述深度神经网络执行的每一次学习中,将过往某一数据采集时刻已知的所述设定城市的照明设备用电总量作为完成多次学习后的深度神经网络的输出内容,将过往某一数据采集时刻的具体数值、过往某一数据采集时刻的区域遥感画面对应的参考像素总数、过往某一数据采集时刻的区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据作为完成多次学习后的深度神经网络的逐份输入内容;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比还包括:所述深度神经网络包括单个输入层、单个输出层以及介于所述单个输入层和所述单个输出层之间的多个隐藏层;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比还包括:所述介于所述单个输入层和所述单个输出层之间的多个隐藏层的数量与设定城市的实际占地面积正向关联。
3.如权利要求2所述的基于人工智能算法的电力设备管理系统,其特征在于,所述系统还包括:
定位执行器件,与所述遥感收发器件连接,用于为所述遥感收发器件提供定位服务。
4.如权利要求2所述的基于人工智能算法的电力设备管理系统,其特征在于,所述系统还包括:
遥感通信卫星,与所述遥感收发器件建立双向的无线数据链路,所述双向的无线数据链路为遥感通信链路。
5.如权利要求2所述的基于人工智能算法的电力设备管理系统,其特征在于,所述系统还包括:
内容存储器件,与所述耗电估测器件连接,用于存储所述人工智能算法并为所述耗电估测器件提供所述人工智能算法。
6.如权利要求2所述的基于人工智能算法的电力设备管理系统,其特征在于,所述系统还包括:
画面显示器件,设置在所述设定城市的智慧城市控制室内,与所述耗电估测器件连接,用于以巨屏显示模式显示在夜晚的数据采集时刻接收的来自遥感通信卫星的、设定城市的区域遥感画面;
其中,所述画面显示器件还与所述动态调配器件连接,用于接收并显示差额电量的具体数值,并对所述差额电量的具体数值进行数据采集时刻的时间标记。
7.如权利要求2-6任一所述的基于人工智能算法的电力设备管理系统,其特征在于:
在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量包括:所述差额电量为接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量减去在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量所获得的差值数据;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量包括:数据采集时刻的具体数值为所述数据采集时刻距离当天零点时刻的秒数。
8.如权利要求2-6任一所述的基于人工智能算法的电力设备管理系统,其特征在于:
在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面包括:通过遥感通信链路在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
其中,通过遥感通信链路在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面包括:基于设定城市的定位数据从接收到的遥感图像中分割出设定城市的区域遥感画面;
其中,基于设定城市的定位数据从接收到的遥感图像中分割出设定城市的区域遥感画面包括:获得构成所述设定城市的边缘的各个边缘位置分别对应的各个定位信息,基于所述各个定位信息从接收到的遥感图像中分割出设定城市的区域遥感画面。
9.如权利要求8所述的基于人工智能算法的电力设备管理系统,其特征在于:
获得构成所述设定城市的边缘的各个边缘位置分别对应的各个定位信息,基于所述各个定位信息从接收到的遥感图像中分割出设定城市的区域遥感画面包括:在接收到的遥感图像中确定所述各个定位信息分别所在的各个视觉位置,将所述各个视觉位置围设的区域作为设定城市的区域遥感画面;
其中,在接收到的遥感图像中确定所述各个定位信息分别所在的各个视觉位置,将所述各个视觉位置围设的区域作为设定城市的区域遥感画面包括:每一个定位信息所在的视觉位置为所述遥感图像中的所述定位信息对应的一个以上像素点。
10.一种基于人工智能算法的电力设备管理方法,其特征在于,所述方法包括:
在夜晚的数据采集时刻接收来自遥感通信卫星的、设定城市的区域遥感画面;
获取构成所述区域遥感画面的各个像素点分别对应的各个亮度值以获得所述区域遥感画面对应的亮度信息,同时获取所述区域遥感画面占据的像素点的总数以作为参考像素总数输出;
获取所述设定城市中各种用电照明设备分别对应的各份照明数据,所述设定城市中每一种用电照明设备对应的照明数据为在所述设定城市中该种用电照明设备的存在数量以及额定照明功率;
基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量;
在接收到的在夜晚的数据采集时刻所述设定城市的照明设备用电总量超过在夜晚的数据采集时刻为所述设定城市的照明设备预配的用电总量时,确定需要为所述设定城市调入的差额电量以补充所述设定城市的照明设备在夜晚的数据采集时刻的过度消耗电量;
采用输电线路机构用于从所述设定城市附近的水力发电站为所述设定城市调入差额电量;
其中,基于数据采集时刻的具体数值、参考像素总数、所述区域遥感画面对应的亮度信息以及所述设定城市中各种用电照明设备分别对应的各份照明数据采用人工智能算法智能估测在夜晚的数据采集时刻所述设定城市的照明设备用电总量包括:采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比;
其中,采用完成多次学习后的深度神经网络实现所述人工智能算法以执行所述智能估测,所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比包括:采用数值映射公式表示所述多次学习的学习次数与所述设定城市中用电照明设备的种类数量成正比的数值对应关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311304647.9A CN117039911B (zh) | 2023-10-10 | 2023-10-10 | 基于人工智能算法的电力设备管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311304647.9A CN117039911B (zh) | 2023-10-10 | 2023-10-10 | 基于人工智能算法的电力设备管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117039911A CN117039911A (zh) | 2023-11-10 |
CN117039911B true CN117039911B (zh) | 2023-12-08 |
Family
ID=88634114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311304647.9A Active CN117039911B (zh) | 2023-10-10 | 2023-10-10 | 基于人工智能算法的电力设备管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117039911B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201967184U (zh) * | 2010-10-29 | 2011-09-07 | 山东泰华电讯有限责任公司 | 绿色照明智能管理系统 |
CN104662580A (zh) * | 2012-09-20 | 2015-05-27 | 三菱电机株式会社 | 电力控制系统、健康管理仪器、家电仪器以及电力指令装置 |
CN112533319A (zh) * | 2018-12-29 | 2021-03-19 | 中国计量大学 | 场景式教室智能照明控制装置 |
CN114139994A (zh) * | 2021-12-06 | 2022-03-04 | 浙江中新电力工程建设有限公司 | 一种基于需求侧响应深度学习的高弹性电网控制算法 |
WO2022060940A1 (en) * | 2020-09-20 | 2022-03-24 | Dirtsat, Inc. | Systems and methods of urban rooftop agriculture with smart city data integration |
CN115936672A (zh) * | 2022-12-06 | 2023-04-07 | 南京孟荆琏信息技术有限公司 | 一种智慧电网在线安全运维管理方法和系统 |
CN116470639A (zh) * | 2023-03-16 | 2023-07-21 | 福建工程学院 | 基于夜间灯光卫星遥感数据的灾后电网停复电监控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023097022A1 (en) * | 2021-11-23 | 2023-06-01 | Strong Force Ee Portfolio 2022, Llc | Ai-based energy edge platform, systems, and methods |
-
2023
- 2023-10-10 CN CN202311304647.9A patent/CN117039911B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201967184U (zh) * | 2010-10-29 | 2011-09-07 | 山东泰华电讯有限责任公司 | 绿色照明智能管理系统 |
CN104662580A (zh) * | 2012-09-20 | 2015-05-27 | 三菱电机株式会社 | 电力控制系统、健康管理仪器、家电仪器以及电力指令装置 |
CN112533319A (zh) * | 2018-12-29 | 2021-03-19 | 中国计量大学 | 场景式教室智能照明控制装置 |
WO2022060940A1 (en) * | 2020-09-20 | 2022-03-24 | Dirtsat, Inc. | Systems and methods of urban rooftop agriculture with smart city data integration |
CN114139994A (zh) * | 2021-12-06 | 2022-03-04 | 浙江中新电力工程建设有限公司 | 一种基于需求侧响应深度学习的高弹性电网控制算法 |
CN115936672A (zh) * | 2022-12-06 | 2023-04-07 | 南京孟荆琏信息技术有限公司 | 一种智慧电网在线安全运维管理方法和系统 |
CN116470639A (zh) * | 2023-03-16 | 2023-07-21 | 福建工程学院 | 基于夜间灯光卫星遥感数据的灾后电网停复电监控方法 |
Non-Patent Citations (1)
Title |
---|
建筑照明技术与节能措施和建议;谢振明;《建筑节能》(第01期);第23-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117039911A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN206923110U (zh) | 一种智能路灯及其管理系统 | |
CN103957629B (zh) | 一种基于zigbee的云控智能照明系统 | |
CN206771167U (zh) | 一种智能物联路灯 | |
CN103260322B (zh) | 道路照明控制系统和方法 | |
CN205305194U (zh) | 路灯自动化监控系统 | |
CN105844802A (zh) | 一种智能充换电管控方法及系统 | |
CN106371038A (zh) | 照明设备健康状态确定方法、装置及照明设备 | |
CN109493775A (zh) | 显示故障的检测方法、装置及终端设备 | |
CN113970627B (zh) | 一种水质监测及预警方法、系统 | |
CN105929716A (zh) | 一种基于公共照明控制系统的智慧园区及建设方法 | |
CN106375012A (zh) | 基于智慧灯杆的城市信息基础网络的处理系统 | |
CN113825289A (zh) | 一种智慧照明灯具的综合控制系统以及控制方法 | |
CN104333947A (zh) | 一种基于物联网的路灯智慧节能控制系统和方法 | |
CN104768276B (zh) | 一种3d照明监控方法、装置及系统 | |
CN106102222A (zh) | 一种自动调节电灯灯光的方法和系统 | |
CN117039911B (zh) | 基于人工智能算法的电力设备管理系统及方法 | |
CN104627752A (zh) | 一种基于手机的大楼电梯智能控制系统 | |
CN105610228A (zh) | 一种智能充换电控制设备 | |
CN105656146A (zh) | 一种智能充换电控制设备的控制电路 | |
CN102254078B (zh) | 一种多功能碳足迹计算终端及其实现方法 | |
CN207505192U (zh) | 照明系统的控制系统 | |
CN115689171A (zh) | 一种基于窄带物联网的综合能源运行场地智能管控平台 | |
CN110300485A (zh) | 一种智慧城市照明管理装置 | |
CN109302782B (zh) | 基于智慧路灯的信息处理方法及装置 | |
CN106879144A (zh) | 一种智能路灯控制器 |
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 |