JPH09159771A - 着雪量予測方法及びその装置 - Google Patents
着雪量予測方法及びその装置Info
- Publication number
- JPH09159771A JPH09159771A JP32176895A JP32176895A JPH09159771A JP H09159771 A JPH09159771 A JP H09159771A JP 32176895 A JP32176895 A JP 32176895A JP 32176895 A JP32176895 A JP 32176895A JP H09159771 A JPH09159771 A JP H09159771A
- Authority
- JP
- Japan
- Prior art keywords
- snow
- amount
- snow accretion
- meteorological data
- accretion
- 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
Landscapes
- Electric Cable Installation (AREA)
Abstract
(57)【要約】
【課題】 送電線に付着する着雪量を精度良く予測し、
送電線の断線、鉄塔損害を未然に防止する。 【解決手段】 配信された気象データに基づいて送電線
への着雪量を予測する着雪量予測装置において、教師信
号の気象データによって得られる過去の送電線への着雪
の有無から、現在の気象データに対する送電線への着雪
の有無を着雪可能性有無予測用ニューラルネットワーク
１０で予測し、着雪の可能性が有る場合にのみ、着雪量
予測用ニューラルネットワーク１１が、教師信号の気象
データに対応した過去の送電線への着雪量から、現在の
気象データに対する送電線への着雪量を予測する。
送電線の断線、鉄塔損害を未然に防止する。 【解決手段】 配信された気象データに基づいて送電線
への着雪量を予測する着雪量予測装置において、教師信
号の気象データによって得られる過去の送電線への着雪
の有無から、現在の気象データに対する送電線への着雪
の有無を着雪可能性有無予測用ニューラルネットワーク
１０で予測し、着雪の可能性が有る場合にのみ、着雪量
予測用ニューラルネットワーク１１が、教師信号の気象
データに対応した過去の送電線への着雪量から、現在の
気象データに対する送電線への着雪量を予測する。
Description
【０００１】
【発明の属する技術分野】本発明は、不規則な気象条件
下においても送電線に付着する着雪量を予測する着雪量
予測方法及びその装置に関する。
下においても送電線に付着する着雪量を予測する着雪量
予測方法及びその装置に関する。
【０００２】
【関連する背景技術】従来、この種の着雪量予測の技術
には、例えば財団法人日本気象協会による文献（「気象
庁配信データを用いた送電線着雪監視・予測方式につい
て」に添付された資料１、平成５年７月発行）に記載さ
れている統計的予測、類似検索予測、数値計算による予
測、ファジー測度による回帰予測及びエキスパートシス
テム等の手法があり、気象庁から配信される気象データ
を用いて送電線への着雪状況を予測し、着雪による送電
線本体及び付設設備の損害を未然に防ぐものがあった。
には、例えば財団法人日本気象協会による文献（「気象
庁配信データを用いた送電線着雪監視・予測方式につい
て」に添付された資料１、平成５年７月発行）に記載さ
れている統計的予測、類似検索予測、数値計算による予
測、ファジー測度による回帰予測及びエキスパートシス
テム等の手法があり、気象庁から配信される気象データ
を用いて送電線への着雪状況を予測し、着雪による送電
線本体及び付設設備の損害を未然に防ぐものがあった。
【０００３】
【発明が解決しようとする課題】ところが、上記各手法
では、気象条件から着雪量との関係について種々の関係
式を案出して着雪予測を行うが、実際の気象現象が複雑
な過程を経ていること、検証を行うためのデータが乏し
いこと等のため、着雪量を予測できない現状にあり、精
度の良い着雪量の予測値が算出されないという問題点が
あった。
では、気象条件から着雪量との関係について種々の関係
式を案出して着雪予測を行うが、実際の気象現象が複雑
な過程を経ていること、検証を行うためのデータが乏し
いこと等のため、着雪量を予測できない現状にあり、精
度の良い着雪量の予測値が算出されないという問題点が
あった。
【０００４】また、特開平６−１０５４２８号公報に記
載されているように、ニューラルネットワークを使用し
て事故予測と事故の可能性の警報を得ることによって、
送電線の雪害事故を予測するものもあるが、着雪量を予
測することはできないという問題点があった。そこで、
本発明では、送電線に付着する着雪量を精度良く予測
し、送電線の断線、鉄塔損害を未然に防止する着雪量予
測方法及びその装置を提供することを目的とする。
載されているように、ニューラルネットワークを使用し
て事故予測と事故の可能性の警報を得ることによって、
送電線の雪害事故を予測するものもあるが、着雪量を予
測することはできないという問題点があった。そこで、
本発明では、送電線に付着する着雪量を精度良く予測
し、送電線の断線、鉄塔損害を未然に防止する着雪量予
測方法及びその装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】上記目的を達成するた
め、本発明では、気象データに基づいて送電線への着雪
量を予測する着雪量予測方法において、教師信号の気象
データによって得られる過去の前記送電線への着雪の有
無から、入力する気象データに対する該送電線への着雪
の有無を予測し、該着雪予測に応じて、教師信号の気象
データに対応した過去の前記送電線への着雪量から、前
記入力する気象データに対する該送電線への着雪量を予
測する着雪量予測方法が提供されており、現在の気象デ
ータに類似する過去の気象データから送電線への着雪量
を予測し、送電線の断線、鉄塔損害を未然に防止する。
め、本発明では、気象データに基づいて送電線への着雪
量を予測する着雪量予測方法において、教師信号の気象
データによって得られる過去の前記送電線への着雪の有
無から、入力する気象データに対する該送電線への着雪
の有無を予測し、該着雪予測に応じて、教師信号の気象
データに対応した過去の前記送電線への着雪量から、前
記入力する気象データに対する該送電線への着雪量を予
測する着雪量予測方法が提供されており、現在の気象デ
ータに類似する過去の気象データから送電線への着雪量
を予測し、送電線の断線、鉄塔損害を未然に防止する。
【０００６】請求項２では、気象データに基づいて送電
線への着雪量を予測する着雪量予測装置において、過去
の前記気象データによる前記送電線への着雪の有無予測
用のニューラルネットワークを構成し、入力する気象デ
ータに対して該送電線への着雪の有無を予測する着雪予
測手段と、前記過去の気象データによる前記送電線の着
雪量予測用のニューラルネットワークを構成し、前記着
雪予測手段での着雪予測に応じて、前記入力する気象デ
ータに対して該送電線の着雪量を予測する着雪量予測手
段とを備えることによって、ニューラルネットワークを
２段構成とし、入力する現在気象データから着雪有無予
測用ニューラルネットワークが着雪有りと予測された場
合にのみ、入力する現在気象データから着雪量予測用ニ
ューラルネットワークが着雪量を予測する。
線への着雪量を予測する着雪量予測装置において、過去
の前記気象データによる前記送電線への着雪の有無予測
用のニューラルネットワークを構成し、入力する気象デ
ータに対して該送電線への着雪の有無を予測する着雪予
測手段と、前記過去の気象データによる前記送電線の着
雪量予測用のニューラルネットワークを構成し、前記着
雪予測手段での着雪予測に応じて、前記入力する気象デ
ータに対して該送電線の着雪量を予測する着雪量予測手
段とを備えることによって、ニューラルネットワークを
２段構成とし、入力する現在気象データから着雪有無予
測用ニューラルネットワークが着雪有りと予測された場
合にのみ、入力する現在気象データから着雪量予測用ニ
ューラルネットワークが着雪量を予測する。
【０００７】
【発明の実施の形態】本発明に係る着雪量予測方法及び
その装置を図１乃至図３の図面に基づいて説明する。図
１は、本発明に係る着雪量予測方法を用いた着雪量予測
装置の構成の一実施例を示すブロック図である。図にお
いて、本実施例の着雪量予測装置は、気象データが入力
する着雪可能性有無予測用ニューラルネットワーク１０
と、上記気象データが入力するとともにニューラルネッ
トワーク１０と接続される着雪量予測用ニューラルネッ
トワーク１１とからなる２段のニューラルネットワーク
から構成されている。なお、上記着雪量予測装置に入力
する気象データは、その時々に測定されて気象庁から配
信された、例えば平均温度、風速、気温、温度、雨量、
日射量及び気圧の７要素のデータから構成されており、
本実施例では、例えば過去４．５時間前から現時点まで
の３０分毎に入力する１０組の気象データからなるもの
とする。
その装置を図１乃至図３の図面に基づいて説明する。図
１は、本発明に係る着雪量予測方法を用いた着雪量予測
装置の構成の一実施例を示すブロック図である。図にお
いて、本実施例の着雪量予測装置は、気象データが入力
する着雪可能性有無予測用ニューラルネットワーク１０
と、上記気象データが入力するとともにニューラルネッ
トワーク１０と接続される着雪量予測用ニューラルネッ
トワーク１１とからなる２段のニューラルネットワーク
から構成されている。なお、上記着雪量予測装置に入力
する気象データは、その時々に測定されて気象庁から配
信された、例えば平均温度、風速、気温、温度、雨量、
日射量及び気圧の７要素のデータから構成されており、
本実施例では、例えば過去４．５時間前から現時点まで
の３０分毎に入力する１０組の気象データからなるもの
とする。
【０００８】これらニューラルネットワーク１０，１１
は、例えばバックプロパーゲーション則を用いたバック
プロパーゲーション型ニューラルネットワークで構成さ
れ、図２の原理図に示す入力層２２、中間層２３及び出
力層２４の３層構造からなり、時系列に入力する気象デ
ータをマトリックス構成のメモリ（以下、「マトリック
スメモリ」という）２１に記憶している。
は、例えばバックプロパーゲーション則を用いたバック
プロパーゲーション型ニューラルネットワークで構成さ
れ、図２の原理図に示す入力層２２、中間層２３及び出
力層２４の３層構造からなり、時系列に入力する気象デ
ータをマトリックス構成のメモリ（以下、「マトリック
スメモリ」という）２１に記憶している。
【０００９】ニューラルネットワーク１０における入力
マトリックスは、例えば過去４．５時間前から現時点ま
での気象データのうち、任意の気象データＰ＝Ｒ＊Ｑで
ある。ここで、Ｒ＝Ｍ＊７で、Ｍは過去４．５時間まで
遡った時間点数（実施例では３０分刻みの場合で、Ｍ＝
１０）を示し、Ｑは入力気象データ・パターンのレコー
ド数（実施例では気象データの要素７）を表している。
この気象データに対して着雪有りの場合には、ニューラ
ルネットワーク１０に着雪有りの教師信号を与えて学習
させ、着雪無しの場合には、ニューラルネットワーク１
０に着雪無しの教師信号を与えて学習させる。
マトリックスは、例えば過去４．５時間前から現時点ま
での気象データのうち、任意の気象データＰ＝Ｒ＊Ｑで
ある。ここで、Ｒ＝Ｍ＊７で、Ｍは過去４．５時間まで
遡った時間点数（実施例では３０分刻みの場合で、Ｍ＝
１０）を示し、Ｑは入力気象データ・パターンのレコー
ド数（実施例では気象データの要素７）を表している。
この気象データに対して着雪有りの場合には、ニューラ
ルネットワーク１０に着雪有りの教師信号を与えて学習
させ、着雪無しの場合には、ニューラルネットワーク１
０に着雪無しの教師信号を与えて学習させる。
【００１０】この際に、入力層２２では、出力マトリッ
クスＡ1は、Ｆ1（Ｗ1＊Ｐ，Ｂ1）から求められる。中間
層２３では、出力マトリックスＡ2は、Ｆ2（Ｗ2＊Ａ1，
Ｂ2）から求められる。また、出力層２４では、出力マ
トリックスＡ3は、Ｆ3（Ｗ3＊Ａ2，Ｂ3）＝Ｆ3（Ｗ3＊
Ｆ2（Ｗ2＊Ｆ1（Ｗ1＊Ｐ，Ｂ1），Ｂ2），Ｂ3）から求
められる。ここで、Ｆ1〜Ｆ3、Ｗ1〜Ｗ3、Ｂ1〜Ｂ3は、
それぞれニューロン関数、重み、バイアスを示してい
る。
クスＡ1は、Ｆ1（Ｗ1＊Ｐ，Ｂ1）から求められる。中間
層２３では、出力マトリックスＡ2は、Ｆ2（Ｗ2＊Ａ1，
Ｂ2）から求められる。また、出力層２４では、出力マ
トリックスＡ3は、Ｆ3（Ｗ3＊Ａ2，Ｂ3）＝Ｆ3（Ｗ3＊
Ｆ2（Ｗ2＊Ｆ1（Ｗ1＊Ｐ，Ｂ1），Ｂ2），Ｂ3）から求
められる。ここで、Ｆ1〜Ｆ3、Ｗ1〜Ｗ3、Ｂ1〜Ｂ3は、
それぞれニューロン関数、重み、バイアスを示してい
る。
【００１１】これにより、ニューラルネットワーク１０
は、不確定な要素を持った気象データの中から着雪有り
の場合の気象データを選別できるものとなる。この結
果、ニューラルネットワーク１０は、入力する現時点の
気象データを重み付けして任意の出力マトリックスに変
換し、着雪可能性の有無を示す信号をニューラルネット
ワーク１１に出力することができる。
は、不確定な要素を持った気象データの中から着雪有り
の場合の気象データを選別できるものとなる。この結
果、ニューラルネットワーク１０は、入力する現時点の
気象データを重み付けして任意の出力マトリックスに変
換し、着雪可能性の有無を示す信号をニューラルネット
ワーク１１に出力することができる。
【００１２】ニューラルネットワーク１１における入力
マトリックスは、例えば過去の気象データのうち、着雪
のあった場合の気象データであり、ニューラルネットワ
ーク１１にこの気象データに対する実際の着雪量を教師
信号を与えて学習させる。なお、上記入力マトリックス
としては、例えば過去４．５時間前から現時点までの気
象データのうち、実際に着雪のあった気象データを用い
るのが好ましい。この結果、ニューラルネットワーク１
１は、ニューラルネットワーク１０から着雪可能性有り
を示す信号が入力すると、入力する現時点の気象データ
を重み付けして任意の出力マトリックスに変換し、例え
ば１時間後の着雪量予測値を出力する。
マトリックスは、例えば過去の気象データのうち、着雪
のあった場合の気象データであり、ニューラルネットワ
ーク１１にこの気象データに対する実際の着雪量を教師
信号を与えて学習させる。なお、上記入力マトリックス
としては、例えば過去４．５時間前から現時点までの気
象データのうち、実際に着雪のあった気象データを用い
るのが好ましい。この結果、ニューラルネットワーク１
１は、ニューラルネットワーク１０から着雪可能性有り
を示す信号が入力すると、入力する現時点の気象データ
を重み付けして任意の出力マトリックスに変換し、例え
ば１時間後の着雪量予測値を出力する。
【００１３】また、本実施例の着雪予測に使用された現
時点の気象データは、次の３０分後の気象データによる
着雪予測に使用するため、ニューラルネットワーク１
０，１１のマトリックスメモリに記憶され、上記学習の
対象となる。すなわち、ニューラルネットワーク１０
は、新たな気象データが入力すると、そのたびに上記気
象データと過去の気象データとの類似を判定し、その判
定結果として着雪可能性有り又は無しを示す信号を、ニ
ューラルネットワーク１１に出力する。
時点の気象データは、次の３０分後の気象データによる
着雪予測に使用するため、ニューラルネットワーク１
０，１１のマトリックスメモリに記憶され、上記学習の
対象となる。すなわち、ニューラルネットワーク１０
は、新たな気象データが入力すると、そのたびに上記気
象データと過去の気象データとの類似を判定し、その判
定結果として着雪可能性有り又は無しを示す信号を、ニ
ューラルネットワーク１１に出力する。
【００１４】ニューラルネットワーク１１では、着雪可
能性の有りを示す信号が入力すると、入力する気象デー
タと過去の気象データとの類似を判定し、その判定結果
として１時間後の着雪量予測値を出力する。この結果得
られる１時間後の着雪量予測値は、図３に示すよう一点
鎖線になった。なお、図３において、横軸は時間を示
し、縦軸は着雪量を示している。上記一点鎖線は、本実
施例の着雪量予測装置によって横軸に記載されている時
間のそれぞれ１時間前に予測された予測値であり、これ
を上記横軸の時間に実際に計測された着雪量の実測値と
比較しても、誤差が非常に少ないことが確認された。
能性の有りを示す信号が入力すると、入力する気象デー
タと過去の気象データとの類似を判定し、その判定結果
として１時間後の着雪量予測値を出力する。この結果得
られる１時間後の着雪量予測値は、図３に示すよう一点
鎖線になった。なお、図３において、横軸は時間を示
し、縦軸は着雪量を示している。上記一点鎖線は、本実
施例の着雪量予測装置によって横軸に記載されている時
間のそれぞれ１時間前に予測された予測値であり、これ
を上記横軸の時間に実際に計測された着雪量の実測値と
比較しても、誤差が非常に少ないことが確認された。
【００１５】従って、本実施例では、ニューラルネット
ワークを２段で構成し、気象庁から配信される現時点の
気象データに対して着雪の可能性が有る場合に、この現
時点の気象データと過去の気象データとから着雪量を予
想するので、無条件に気象データを与えて学習させた場
合に比べて、予測精度が向上し、１時間後の着雪量を正
確に予測することができる。これにより、本実施例で
は、送電線本体や付帯設備の着雪による損害を未然に防
ぐことができる。
ワークを２段で構成し、気象庁から配信される現時点の
気象データに対して着雪の可能性が有る場合に、この現
時点の気象データと過去の気象データとから着雪量を予
想するので、無条件に気象データを与えて学習させた場
合に比べて、予測精度が向上し、１時間後の着雪量を正
確に予測することができる。これにより、本実施例で
は、送電線本体や付帯設備の着雪による損害を未然に防
ぐことができる。
【００１６】また、本実施例では、特定のエキスパート
がいなくても損害予測が可能となるので、送電線の監視
業務の省人化を図ることができる。なお、本実施例で
は、バックプロパーゲーション則を用いたニューラルネ
ットワークで構成した場合について説明したが、本発明
はこれに限らず、例えばパーセプトロン型や統計手法を
用いたニューラルネットワークで構成することも可能で
ある。
がいなくても損害予測が可能となるので、送電線の監視
業務の省人化を図ることができる。なお、本実施例で
は、バックプロパーゲーション則を用いたニューラルネ
ットワークで構成した場合について説明したが、本発明
はこれに限らず、例えばパーセプトロン型や統計手法を
用いたニューラルネットワークで構成することも可能で
ある。
【００１７】また、本発明では、気象データとともに、
送電線の径や抵抗等からなる送電線パラメータのデータ
を入力マトリックスとして与え、送電線の種類に応じた
着雪量を予測するように構成させることも可能である。
送電線の径や抵抗等からなる送電線パラメータのデータ
を入力マトリックスとして与え、送電線の種類に応じた
着雪量を予測するように構成させることも可能である。
【００１８】
【発明の効果】以上説明したように、本発明では、気象
データに基づいて送電線への着雪量を予測する着雪量予
測方法において、教師信号の気象データによって得られ
る過去の前記送電線への着雪の有無から、入力する気象
データに対する該送電線への着雪の有無を予測し、該着
雪予測に応じて、教師信号の気象データに対応した過去
の前記送電線への着雪量から、前記入力する気象データ
に対する該送電線への着雪量を予測するので、送電線に
付着する着雪量を精度良く予測し、送電線の断線、鉄塔
損害を未然に防止できる。
データに基づいて送電線への着雪量を予測する着雪量予
測方法において、教師信号の気象データによって得られ
る過去の前記送電線への着雪の有無から、入力する気象
データに対する該送電線への着雪の有無を予測し、該着
雪予測に応じて、教師信号の気象データに対応した過去
の前記送電線への着雪量から、前記入力する気象データ
に対する該送電線への着雪量を予測するので、送電線に
付着する着雪量を精度良く予測し、送電線の断線、鉄塔
損害を未然に防止できる。
【００１９】請求項２では、気象データに基づいて送電
線への着雪量を予測する着雪量予測装置において、過去
の前記気象データによる前記送電線への着雪の有無予測
用のニューラルネットワークを構成し、入力する気象デ
ータに対して該送電線への着雪の有無を予測する着雪予
測手段と、前記過去の気象データによる前記送電線の着
雪量予測用のニューラルネットワークを構成し、前記着
雪予測手段での着雪予測に応じて、前記入力する気象デ
ータに対して該送電線の着雪量を予測する着雪量予測手
段とを備えたので、２段構成のニューラルネットワーク
によって着雪有りと予測された場合にのみ、着雪量を予
測できて、着雪量の予測精度を向上できる。
線への着雪量を予測する着雪量予測装置において、過去
の前記気象データによる前記送電線への着雪の有無予測
用のニューラルネットワークを構成し、入力する気象デ
ータに対して該送電線への着雪の有無を予測する着雪予
測手段と、前記過去の気象データによる前記送電線の着
雪量予測用のニューラルネットワークを構成し、前記着
雪予測手段での着雪予測に応じて、前記入力する気象デ
ータに対して該送電線の着雪量を予測する着雪量予測手
段とを備えたので、２段構成のニューラルネットワーク
によって着雪有りと予測された場合にのみ、着雪量を予
測できて、着雪量の予測精度を向上できる。
【図１】本発明に係る着雪量予測方法を用いた着雪量予
測装置の構成の一実施例を示すブロック図である。
測装置の構成の一実施例を示すブロック図である。
【図２】図１に示した着雪可能性有無予測用ニューラル
ネットワークの原理を示す原理図である。
ネットワークの原理を示す原理図である。
【図３】着雪量の実測値と図１に示した着雪量予測装置
による予測値との関係を示す関係図である。
による予測値との関係を示す関係図である。
１０ 着雪可能性有無予測用ニューラルネットワーク １１ 着雪量予測用ニューラルネットワーク ２１ マトリックスメモリ ２２ 入力層 ２３ 中間層 ２４ 出力層
───────────────────────────────────────────────────── フロントページの続き (72)発明者 中山 郁男 東京都千代田区丸の内２丁目６番１号 古 河電気工業株式会社内
Claims (2)
- 【請求項１】 気象データに基づいて送電線への着雪量
を予測する着雪量予測方法において、 教師信号の気象データによって得られる過去の前記送電
線への着雪の有無から、入力する気象データに対する該
送電線への着雪の有無を予測し、 該着雪予測に応じて、教師信号の気象データに対応した
過去の前記送電線への着雪量から、前記入力する気象デ
ータに対する該送電線への着雪量を予測することを特徴
とした着雪量予測方法。 - 【請求項２】 気象データに基づいて送電線への着雪量
を予測する着雪量予測装置において、 過去の前記気象データによる前記送電線への着雪の有無
予測用のニューラルネットワークを構成し、入力する気
象データに対して該送電線への着雪の有無を予測する着
雪予測手段と、 前記過去の気象データによる前記送電線の着雪量予測用
のニューラルネットワークを構成し、前記着雪予測手段
での着雪予測に応じて、前記入力する気象データに対し
て該送電線の着雪量を予測する着雪量予測手段とを備え
たことを特徴とする着雪量予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32176895A JPH09159771A (ja) | 1995-12-11 | 1995-12-11 | 着雪量予測方法及びその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32176895A JPH09159771A (ja) | 1995-12-11 | 1995-12-11 | 着雪量予測方法及びその装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09159771A true JPH09159771A (ja) | 1997-06-20 |
Family
ID=18136225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP32176895A Pending JPH09159771A (ja) | 1995-12-11 | 1995-12-11 | 着雪量予測方法及びその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09159771A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014006708A1 (ja) * | 2012-07-04 | 2014-01-09 | 中国電力株式会社 | 送電設備における雪害事故発生リスクの評価方法及び情報処理装置 |
| CN111445103A (zh) * | 2020-02-25 | 2020-07-24 | 国网河南省电力公司电力科学研究院 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
-
1995
- 1995-12-11 JP JP32176895A patent/JPH09159771A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014006708A1 (ja) * | 2012-07-04 | 2014-01-09 | 中国電力株式会社 | 送電設備における雪害事故発生リスクの評価方法及び情報処理装置 |
| CN111445103A (zh) * | 2020-02-25 | 2020-07-24 | 国网河南省电力公司电力科学研究院 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
| CN111445103B (zh) * | 2020-02-25 | 2023-01-31 | 国网河南省电力公司电力科学研究院 | 一种基于工业互联网的输电线缆生产质量管理反馈系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11247580B2 (en) | Apparatus and method for predicting failure of electric car charger | |
| CN109492823B (zh) | 一种对输电线路覆冰厚度的预测方法 | |
| CN115096373A (zh) | 一种基于传感器的桥梁工程健康检测系统 | |
| CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
| CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
| CN112085621B (zh) | 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法 | |
| CN110764474A (zh) | 监测设备运行状态的方法和系统 | |
| CN110570013A (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
| US5848073A (en) | Method and apparatus for predicting transmission system errors and failures | |
| CN116913088A (zh) | 一种用于高速公路的智能流量预测方法 | |
| CN114548601A (zh) | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 | |
| Zhang et al. | Towards universal freeway incident detection algorithms | |
| JPH09159771A (ja) | 着雪量予測方法及びその装置 | |
| JP2955413B2 (ja) | ニューラルネットワーク応用雨水流入量予測装置 | |
| CN107292431A (zh) | 基于动态贝叶斯网络的电力通信网业务可靠性预测方法 | |
| CN111489027A (zh) | 一种水电机组波形数据趋势预测方法及其系统 | |
| JP3220606B2 (ja) | 送電線雪害警報システム | |
| CN115660141A (zh) | 基于循环神经网络集成的超声波燃气表故障预测方法 | |
| CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
| van Lint | Confidence intervals for real-time freeway travel | |
| CN116721517B (zh) | 基于天镜的气象数据监测预警方法及装置 | |
| CN117058888B (zh) | 一种交通大数据处理方法及其系统 | |
| CN117422438B (zh) | 一种输电线路加固方案的确定方法及装置 | |
| US20230409003A1 (en) | Intelligent edge interrogator, server, and control method of integrated facility safety control system including the intelligent edge interrogator and the server | |
| CN116131444A (zh) | 光伏电站智能分析系统 |