通过倾斜摄影技术勾勒精准数据模型，多维动态展示电厂外景，高频次刷新设备实时数据，支持接入多源异构数据。一站式呈现全厂运营态势，智能预测趋势，快速响应突发状况。
创新互联建站坚持“要么做到，要么别承诺”的工作理念，服务领域包括：成都网站设计、成都网站制作、企业官网、英文网站、手机端网站、网站推广等服务，满足客户于互联网时代的南明网站设计、移动媒体设计的需求，帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴！
对于智慧电厂而言，仿真建模展示远不能满足需求。利用结合 GIS 进行人员、车辆、设备的定位、监控管理，分析各类监控点位的布控合理性，全面监控厂区的生产状态，才是厂区智能化转型的重点。
户外巡视机器人的智能巡检系统代替人工巡视，实现变电站的自主监测、监控预警和数据远程集控管理，使得巡检更安全、更精益且更及时。
通过智能的巡检系统，根据报警设备发出报警信息，第一时间到达目标位置，能够实时查看巡检视频及报警信息，工作人员可及时知晓并作出相应的处理。智能巡检的运用，不仅提高了工作效率，减轻运维人员劳动强度，降低运维成本，同时，有效提高了无人值守变电站的安全监控管理。
人员定位之作业安全预警
实时跟踪人员的位置，根据后台传回的位置信息，在三维场景中进行标识，实现对工作人员位置的监控。依据系统中的安全操作区域，结合工作人员的定位信息，判断其是否在安全区内工作，若超出安全区则向作业人员发出安全告警。结合三维实景中预设的电子防护栏，当人员误入设定的危险区域时，可进行相应的告警。
通过三维虚拟仿真的变压器组装动画，介绍变压器设备的工作原理以及装配过程，直观展示变压器主要部件的构成及安装位置，配以文字说明介绍其主要特性，逼真且具有科技感带入。
采用创新的 3D 可视化建模技术，搭建隔离开关设备可交互式环境，提供全方位与实操式的培训体验，较好地解决了专业的大型复杂设备在员工培训上面临的诸多困难和问题。Hightopo通过控制隔离开关操作机构的操作面板、主刀闸、左侧地刀、右侧地刀等部件，让用户直观操作设备，了解其动作原理，真正地实现三维交互仿真演示培训。
每一种传感器根据实际安装位置分布点位，将 GIS 等一次设备的在线监测点一一标识出来，每个点位的传感器状态都具有相应的展示效果，如告警以红色标注、异常以红色闪烁的形式展现。当鼠标滑到传感器点位上，展示其实时状态信息面板，点击传感器点位时，进入其详情列表，查看该传感器的历史数据及趋势曲线。同时，可以方便的根据传感器菜单切换查询其他位置的传感器历史数据及趋势曲线。
火电厂电力巡检人员需要对运行的机器、工艺设备、管道、仪器仪表等进行规范的检查，去发现和专业识别隐患，处理隐患，上报隐患，让设备的故障消失在萌芽状态。通过巡检模拟人或者巡检车巡检的过程，经过设备时可以停留查看设备信息。漫游巡检功能根据增设的多类型巡检内容和多条巡检路径，可选用第一人称视角漫游或者无人机视角漫游进行全时段自动巡视，巡视速度可自由选择。
实际应用中，用户可根据自身需求选择合适的方式，也可以两者相结合实现。
3.1.6.1 原理与方法
模型设计思路的正确与否是决定地质灾害预警预报效果的一个关键环节。滑坡灾害的孕育与发生由多种因素组合而成，虽然滑坡灾害尤其是由降雨诱发的滑坡灾害看起来似乎简单，但其内在的各种因素之间的相互作用是非常复杂的，对于这样的复杂系统目前还难以用几个确定的参数进行解析表达。因此，如何寻找一种能在已有的资料和观测条件下，可以自动学习和调整系统各因子之间的作用参数并且合理地利用已有数据资源的方法就成为提高群发性滑坡灾害预警预报能力的一个可行途径，因而成为人们关注的一个重要课题。
人工神经网络（Artificial Neural Network），简称ANN，是近年来迅速发展的一种模拟人脑机理和功能的新型计算机和人工智能技术，是当前国际上一个非常活跃的边缘学科。它与传统的专家系统、模糊理论等人工智能技术相比具有很多突出的优点①由于ANN采用自适应算法，使其较之专家系统固定的推理方式及传统计算机的指令程序更能适应环境的变化；②具有自组织、自学习功能及归纳能力；③在数据处理中可以避免数据分析和建模中的困难，采用拟人化的方法进行处理，特别适合不确定性和非结构化信息的处理；④具有较强的容错能力。ANN具有的这些显而易见的优点，使其在群发性滑坡灾害的预报评价中具有很大的应用前景。
应用ANN技术必须要有数据源。应用GIS对与滑坡形成有关的各种信息进行操作获得的各种结果，可以作为ANN的输入和训练条件，同时ANN的输出又可以作为GIS的资源来管理和进行新的操作。因此在滑坡等突发性地质灾害预警预报系统中联结GIS和ANN，可以使这两种新技术相得益彰，获得更好的应用效果。GIS与ANN两者之间的关系可以用图3.16表示。
图3.16 滑坡灾害预报中ANN与GIS的关系示意图
图3.17 SPV-ANN示意图
P—预测向量，m—模型向量（隐含层向量），i—输入变量的下标，o—输出变量的下标，N—模型向量的数量，M—输入变量的个数
SPV-ANN模型（李长江等，1999）是一种与邻域法相似，但属于自组织系统与概率型及平行向量法结合的神经网络，它与反馈型神经网络不同，其结构设计如图3.17所示。
采用基于GIS的SPV-ANN系统进行突发性地质灾害预警预报，具有以下几个特点：①具有动态性、自适应性和自学习功能。该模型不是固定不变的，而是可以随着有关数据的精度和质量的改善与实时更新，不断提高系统预测的准确程度；②具有客观性。预测过程和预测结果都不是人为决定和由人工随意改变的，一旦输入数据确定后，所获得的结果不会因人而异；③具有现时性。当系统通过网络与气象、水文地面观测站相连通后，系统可以根据实时的降雨预报和雨量观测数据，对预报区域范围内滑坡灾害发生的概率进行快速评价，对已知的滑坡灾害危险点进行逐点搜索评价，自动编制和输出滑坡灾害发生概率分布图，实现对滑坡灾害发生的空间范围、强度及其分布概率的临灾预警预报，通过该系统，可以同时实现在互联网上发布滑坡灾害预报信息。
3.1.6.2 数据源
根据对目前已有资料的分析，可以将导致滑坡发生的主要因素概括为7个方面：①第四纪松散堆积层的类型、厚度、组成及结构构造；②第四纪松散堆积层下覆基岩的岩石类型、矿物组成、结构构造、产状；③断裂；④地形（坡角、坡向等）；⑤植被；⑥人类工程活动；⑦降雨量（降雨强度）和降雨持续时间等。其中，对与人类工程活动有关的情况，目前还难以获得比较系统的资料。但是土地利用现状从一个侧面反映了人类活动的影响，因此，通过对土地利用类型与滑坡分布关系的分析可以在一定程度上揭示人类工程活动对滑坡发生的影响。
在上述7类影响因素中，任一给定点的地形坡度、坡向，断裂构造，土壤类型及其下覆基岩的岩石类型、矿物组成、结构构造、产状以及植被等因素相对于滑坡孕育时间的变化很小，因此在系统中把这些因素作为“常量”处理是合理的。这样，使用经过学习训练的SPV-ANN/GIS进行滑坡灾害的预报处理时，主要的变量就是降雨量（降雨强度）和降雨持续时间。换言之，在SPV-ANN/GIS系统中通过样本训练，由系统自动确定各个输入变量的权重值，设定除降雨之外的其他变量对于待评估地区（或评估单元）是稳定的，则可以以降雨量（或降雨强度）及降雨持续时间作为该点惟一的变化信息，求取在对应降雨条件（降雨量、降雨强度、降雨持续时间）下待评估地区（单元）的灾害发生概率，即确定在给定降雨状态下主要滑坡灾害可能发生的区域与概率。预报结果以灾害发生的空间分布概率（0～1）表示。上述的基于GIS和ANN的滑坡灾害概率预报（警）系统（landslidehazard probability prediction system based on GIS and ANN），简称LAPS，其模式如图3.18所示，图3.19是LAPS的部分程序界面。
图3.18 群发性滑坡灾害概率预报（警）模式
图3.19 群发性滑坡灾害概率预报（警）系统（LAPS）
预警是指在灾害或灾难以及其他需要提防的危险发生之前，根据以往的总结的规律或观测得到的可能性前兆，向相关部门发出紧急信号，报告危险情况，以避免危害在不知情或准备不足的的情况下发生，从而最大程度的减轻危害所造成的损失的行为。
