Wspomaganie inwentaryzacji sieci elektroenergetycznych

Współpracę modułów identyfikacyjnych w przypadku rozpozna­wania małych obiektów pokazano na rys. 8, a dla przypadku rozpo­znawania dużych obiektów - na rys. 9.

Rys. 9. Współpraca modułów identyfikacyjnych (duże obiekty)

Podsumowanie

Pełna wersja systemu EDS będzie charakteryzowała się rozwią­zaniami, które otworzą nowe obszary' badawcze w zakresie iden­tyfikacji obiektów sieci elektroenergetycznej i znajdą praktyczne zastosowanie w biznesie. Aktualny stan wiedzy pozwala na stwier­dzenie uniwersalności sztucznych sieci neuronowych, co sprawia, iż mogą one być stosowane do klasyfikacji każdego rodzaju obrazów. Sztuczne sieci neuronowe określane są jako metoda niepara­metryczna, ponieważ nie wymagają wyznaczenia kategorycznych reguł statystycznych determinujących klasyfikację obrazu (co jest podstawą klasycznych metod klasyfikacji parametrycznych). Przy ich zastosowaniu istnieje możliwość implementacji w procesie kla­syfikacji informacji o sąsiedztwie i współwystępowaniu obiektów, co pozwala na łatwiejsze przygotowania wzorców dla odpowied­nich klas oraz ogranicza możliwość błędnej klasyfikacji obiektów.

Projekt System EDS wspomagania inwentaryzacji sieci elektro­energetycznych został dofinansowany przez Narodowe Centrum Badań i Rozwoju ze środków publicznych w ramach programu IN NOT ECH w ścieżce programowej HI-TECH.

LITERATURA:

[1] Helt P.: Wdrażanie systemów obliczeń technicznych w spółkach dystrybucyjnych [w:] Systemy informatyczne-Zastosowanie i wdrożenia 2002. T. 11. WNT, Warsza­wa - Szczyrk 2002

[2] Helt R, Baczyński D.: System GIS jako hurtownia danych technicznych w spółce dystrybucyjnej [w:] Informatyka. Strategie i zarządzanie wiedzą. PTI, Katowice 2005

[3] Kujszczyk S., Helt P., Wasilewski J.: Odwzorowanie sieci elektroenergetycznych w systemach GIS. Przegląd Elektrotechniczny 2008 nr 9

[4] An Introduction to IEC 61970-301 &61968-11: The Common Information Model, Dr Alan W. McMorran, University of Strathclyde, Glasgow, UK 2007

[5] Introduction to C1M, GM University 2010

[6] The Common Information Model for Distribution: An Introduction to the CIM for Integrating Distribution Applications and Systems. EPRI, Pało Alto, CA: 2008. 101605 8, http://cimug.ucaiug.org

[7] Petrou M., Bosdogianni P.: Image Processing. The Fundamentals. John Wilcy&Sons, Chichester 1999

[8] Bow S.-T.: Patiem Recognition and Image Preprocessing. Marcel Dckkcr, New York 2002

[9] Helt P., Parol M., Piotrowski P.: Metody sztucznej inteligencji. Przykłady zastoso­wań w elektroenergetyce. Oficyna Wydawnicza Politechniki Warszawskiej, War­szawa 2012