大数据分析及可视化技术在电网公司的应用分析

本文主要探究电网公司大数据分析及可视化技术应用措施。研究过程中,以电网公司大数据研究概况为切入点,通过分析技术路线、完善系统架构,实现电网公司大数据可视化系统构建为研究基础,从大数据技术与可视化技术这两方面出发,探究电网公司应用措施,以期为相关工作者提供有益借鉴。

交换机端口安全策略在智能变电站中的应用研究

为了保证智能变电站通讯网络运行的稳定性和安全性,提出了智能变电站通讯网络端口接入控制的安全策略。介绍了智能变电站的通讯方式和网络结构,分析了智能变电站存在的安全隐患和交换机的端口安全接入控制需求。解释了基于静态MAC地址的端口安全的工作原理和技术特点,阐述了基于IEEE802.1X协议的端口安全的组网方式、工作原理、认证过程和技术特点,总结了现阶段智能变电站端口安全策略的具体应用模式和实施方案。最后得出结论,现阶段采用静态MAC地址和IEEE802.1X相结合的方式进行交换机的端口安全接入控制可以兼顾有效性和可行性,具有实用价值。

智能变电站IEEE1588以太网交换机故障案例复现测试及分析

为解决和预防智能变电站IEEE1588交换机在特定网络环境下运行可能会带来的潜在风险,针对智能变电站IEEE1588交换机运行的网络拓扑结构,给出了一种逐级隔离的故障分析方法。通过某智能变电站IEEE1588交换机的具体应用故障案例,对故障现象进行离线的复现与分析,总结出了故障产生原因并给出了整改建议。案例分析表明,通过逐级隔离的分析方法,可以快速地进行故障分析和定位,通过对故障现象的复现,可有效地进行故障原因分析,从而得出相应的解决方案。

基于深度学习网络的输电线路异物入侵监测和识别方法

为解决输电线路异物入侵在线监测图像样本量较小的问题,针对异物图像特点,提出了一种基于深度学习的输电线路异物入侵监测和识别方法。首先选取典型正常运行输电线路图像和目标异物图像,采用条件生成对抗网络算法对有异物入侵的输电线路图像进行样本扩充。然后将Dense-net网络替代YOLOv_(3)网络中倒数第二层网络,建立Dense-YOLOv_(3)深度学习网络模型。使用实际图像样本和扩充图像样本数据训练和测试深度学习网络,实现输电线路异物入侵监测和识别。该型深度学习网络算法可以对风筝、鸟巢、垃圾、机械施工类异物入侵情况进行有效识别,识别准确率分别达到98%、96%、90%和100%。

基于Retinex理论的低照度下输电线路图像增强方法及应用

为提高低照度环境下输电线路图像视频在线监测设备分析的准确性,提出一种基于Retinex理论的低照度图像增强方法。首先采用改进型同态滤波算法增强低照度图像的RGB分量,然后将图像转换至HSV色彩空间中。对多尺度Retinex算法增强图像进行改进,采用双边滤波函数替代Gaussian函数作为Retinex算法的环绕函数,引入色彩恢复函数进行图像色彩恢复,入射分量采用幂律变换校正,反射分量采用Sigmoid函数处理。最后将图像再转换至RGB空间得到增强后的输电线路图像。对实拍低照度输电线路图片进行仿真处理,结果表明该方法可以有效提高低照度图像的对比度、清晰度和信息熵,并在覆冰预警和异物识别中实现较好的应用。

基于直方图均衡算法的低照度巡检图像增强方法

输电线路图像在线监测是近年采用的一种新型巡检手段,可以直观、形象地发现输电通道隐患,方便工作人员及时进行检修。基于对巡检图像中预处理的部分图像图形在低照度情况下的增强效果问题,提出输电线图像图形的直方均衡算法。实验验证,这种算法是一种将空间领域和频率域相结合的图像清晰度增强的算法。

基于3D GIS技术的电力输电线路缺陷信息管理系统设计

设计一种基于3D GIS技术的电力输电线路缺陷信息管理系统。阐述硬件结构、信息数据处理功能、信息分类存储功能以及信息查询功能,从而实现对输电线路缺陷信息的系统化管理。

基于计算机技术的自动化系统在电力工程中的应用探讨

由于时代发展迅猛,计算机技术作用的领域也越来越广,这篇文章就简单讲述了计算机技术的自动化系统在电力工程中的应用,首先分析了计算技术促进电力体系的发展过程,接着分析了电力系统自动化,最后概述了电力系统中计算机技术的具体应用。

基于CIM的输变电设备低温条件下全天候运行状态监测

根据输变电设备运行状态监测需求,提出了一种基于CIM的输变电设备低温条件下全天候运行状态监测方法。该方法首先建立输变电设备低温条件下运行状态评估函数,然后利用AHP确定权重系数,选出具有代表性的状态变量,并将其带入评估函数中,将计算结果以CIM格式进行展示及传输,以此实现基于CIM的输变电设备低温条件下全天候运行状态监测。通过对比实验,证明了该方法比传统方法检测效率更高,更具实用性。

基于深度学习的复杂环境下车型精确识别方法

目前在输电线路通道监控中车辆的识别主要是依据车型信息来进行的,这就需要提取大量的特征信息,针对这一复杂问题,提出了深度学习的方法来实现复杂情况下车型的识别方法.该种方法主要是基于卷积神经网路的深度学习,通过实验验证了DCNN网络结构模型在识别车型上的准确率达到96.8%,同时还验证了神经网络中卷积核的大小、神经网络的层数以及特征空间的维数在识别过程中对其性能和分辨能力的影响程度.

基于边缘计算的通讯数据缓存模型时延特性优化

提出了基于边缘计算的通讯数据缓存模型时延特性优化。引用了新型数学方法边缘计算,通过建立时延特性目标函数、优化目标函数来完成通讯数据时延特性的优化问题,为通讯设备的发展提供了理论基础。