CN113420195A - 智能电表故障类型确定方法及系统 - Google Patents
智能电表故障类型确定方法及系统 Download PDFInfo
- Publication number
- CN113420195A CN113420195A CN202110595130.4A CN202110595130A CN113420195A CN 113420195 A CN113420195 A CN 113420195A CN 202110595130 A CN202110595130 A CN 202110595130A CN 113420195 A CN113420195 A CN 113420195A
- Authority
- CN
- China
- Prior art keywords
- local
- fault
- fault type
- fault detection
- determining
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明适用于故障检测技术领域,公开了一种智能电表故障类型确定方法及系统,上述方法包括:采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地模型参数传输至区块链网络,以使服务器从区块链网络中获取多个本地模型参数,对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;向区块链网络发送全局模型参数请求,以使区块链网络查询得到最新的全局模型参数,并将该参数发送至本地设备;根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。本发明能提高智能电表故障检测的效率和准确性。
Description
技术领域
本发明属于故障检测技术领域,尤其涉及一种智能电表故障类型确定方法及系统。
背景技术
智能电表是智能电网,特别是智能配电网,数据采集的基本设备之一,承担着原始电能数据采集、计量和传输的任务,是实现信息集成、分析优化和信息展现的基础。
目前,智能电表发生故障时,通常需要维修人员上门维修,维修人员需根据个人经验确定智能电表的故障类型,这种方法工作效率较低,且受个人工作经验限制,可能无法准确确定智能电表的故障类型。
发明内容
有鉴于此,本发明实施例提供了一种智能电表故障类型确定方法及系统,以解决现有技术工作效率较低,且受个人工作经验限制,可能无法准确确定智能电表的故障类型的问题。
本发明实施例的第一方面提供了一种智能电表故障类型确定方法,适用于包括本地设备、区块链网络和服务器的系统;上述方法应用于本地设备,包括:
采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地模型参数传输至区块链网络,以使服务器从区块链网络中获取多个本地模型参数,根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;
每隔预设时间,向区块链网络发送全局模型参数请求,以使区块链网络查询得到最新的全局模型参数,并将该参数发送至本地设备;
根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
本发明实施例的第二方面提供了一种智能电表故障类型确定方法,适用于包括本地设备、区块链网络和服务器的系统;上述方法应用于区块链网络,包括:
接收各个本地设备发送的本地模型参数,并将各个本地模型参数存储至各个本地设备对应的节点;其中,本地模型参数为对应的本地设备采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练得到的;
接收服务器发送的本地模型参数请求,并根据本地模型参数请求将对应的本地模型参数发送至服务器,以使服务器根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;
接收服务器发送的全局模型参数,并将全局模型参数存储至服务器对应的节点;
接收本地设备发送的全局模型参数请求,并根据全局模型参数请求查询得到最新的全局模型参数,并将最新的全局模型参数发送至该本地设备,以使该本地设备根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
本发明实施例的第三方面提供了一种本地设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如第一方面所述的智能电表故障类型确定方法的步骤。
本发明实施例的第四方面提供了一种区块链网络,用于执行如第二方面所述的智能电表故障类型确定方法的步骤。
本发明实施例的第五方面提供了一种智能电表故障类型确定系统,包括服务器、多个如第三方面所述的本地设备和如第四方面所述的区块链网络;
服务器和本地设备均与区块链网络连接。
本发明实施例的第六方面提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被一个或多个处理器执行时实现如第一方面所述的智能电表故障类型确定方法,或,如第二方面所述的智能电表故障类型确定方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:本发明实施例通过采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地模型参数传输至区块链网络,以使服务器从区块链网络中获取多个本地模型参数,根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;每隔预设时间,向区块链网络发送全局模型参数请求,以使区块链网络查询得到最新的全局模型参数,并将该参数发送至本地设备;根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型,可以无需人工参与,不受个人工作经验限制,提高智能电表故障检测的效率和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的智能电表故障类型确定系统的示意图;
图2是本发明一实施例提供的智能电表故障类型确定方法的实现流程示意图;
图3是本发明又一实施例提供的智能电表故障类型确定方法的实现流程示意图;
图4是本发明一实施例提供的智能电表故障类型确定装置的示意框图;
图5是本发明又一实施例提供的智能电表故障类型确定装置的示意框图;
图6是本发明一实施例提供的本地设备的示意框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1是本发明一实施例提供的智能电表故障类型确定系统的示意图,为了便于说明,仅示出了与本发明实施例相关的部分。如图1所示,上述智能电表故障类型确定系统包括服务器11、多个本地设备60和区块链网络12,服务器11和本地设备60均与区块链网络12连接,具体是通信连接。
在本发明实施例中,每个智能电表对应一个本地设备60,本地设备60可以是一个小型的计算设备。在智能电表的软件和硬件环境允许的情况下,本地设备60可以是智能电表本身。若智能电表的软件和硬件环境不允许的情况下,可以为每一个智能电表配置一个本地设备60,此时,本地设备60与智能电表通信连接。
服务器11和各个本地设备60在区块链网络12中均有对应的节点,可以用来存储对应本地设备60或服务器11对模型训练的模型参数。节点之间可以通信,例如可以广播消息进行通信,获取其他节点存储的信息。其中,服务器11对应的节点可以获取本地设备60对应的节点所存储的信息,但是本地设备60对应的节点之间不可以互通信息,本地设备60对应的节点可以获取服务器11对应的节点所存储的信息,从而可以保护各个本地设备60的数据隐私安全。
本地设备60可以实时采集对应的智能电表的运行数据,根据采集的运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地故障检测模型的本地模型参数传输至区块链网络12对应的节点进行存储。历史数据可以包括历史运行数据以及历史故障时的运行数据与最终确定的故障类型的对应关系信息。其中,本地设备60可以每隔预设时间对本地故障检测模型进行一次训练,其对应的节点可以按时间顺序存储各次训练后的本地模型参数。
服务器11可以从区块链网络12中获取多个本地设备60上传的本地模型参数,并采用现有方法根据获取的多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局故障检测模型的全局模型参数传输至区块链网络12对应的节点进行存储。其中,服务器11也可以每个预设时间对全局故障检测模型进行一次训练,其对应的节点可以按时间顺序存储各次训练后的全局模型参数。
服务器11在训练时,可以选取在当前时刻之前的预设时间内存储的本地模型参数进行全局训练。
本地设备60可以每隔预设时间对对应的智能电表进行一次故障检测。进行故障检测时,向区块链网络12发送全局模型参数请求,该请求包括该本地设备60的标识和向服务器11请求全局模型参数的请求信息,等。区块链网络12在接收到全局模型参数请求时,查询服务器11对应的节点是否在当前时刻之前的预设时间内存储有全局模型参数,若有,则将该全局模型参数发送至本地设备60,若没有,则发送全局训练信息给服务器11,使服务器11进行全局训练,并将该次全局训练后的全局模型参数发送至本地设备60。
本地设备60在接收到全局模型参数后,根据该参数更新本地故障检测模型,并根据更新后的本地故障检测模型和当前运行数据对对应的智能电表进行故障检测,得到故障类型。其中,若智能电表正常,则故障类型为正常,表示不存在故障。
其中,预设时间可以根据实际需求进行设置,在此不做具体限制。例如,可以是1小时,半天,1天,半个月,1个月,等等。
图2是本发明一实施例提供的智能电表故障类型确定方法的实现流程示意图,为了便于说明,仅示出了与本发明实施例相关的部分。本发明实施例的执行主体可以是本地设备。
上述智能电表故障类型确定方法适用于包括本地设备、区块链网络和服务器的系统,该系统可以是上述智能电表故障类型确定系统。上述智能电表故障类型确定方法应用于本地设备。
参见图2,上述智能电表故障类型确定方法可以包括以下步骤:
S201:采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地模型参数传输至区块链网络,以使服务器从区块链网络中获取多个本地模型参数,根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络。
S202:每隔预设时间,向区块链网络发送全局模型参数请求,以使区块链网络查询得到最新的全局模型参数,并将该参数发送至本地设备。
S203:根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
上述S201-S203的具体过程可以参照上述智能电表故障类型确定系统中的描述,不再赘述。
由上述描述可知,本发明实施例通过采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地模型参数传输至区块链网络,以使服务器从区块链网络中获取多个本地模型参数,根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;每隔预设时间,向区块链网络发送全局模型参数请求,以使区块链网络查询得到最新的全局模型参数,并将该参数发送至本地设备;根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型,可以无需人工参与,不受个人工作经验限制,提高智能电表故障检测的效率和准确性。
在本发明的一些实施例中,上述S203中的“根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型”,可以包括以下步骤:
获取对应的智能电表的当前运行数据;
将当前运行数据输入更新后的本地故障检测模型,得到第一输出结果和第二输出结果;
根据第一输出结果和第二输出结果确定对应的智能电表的故障类型。
在本发明的一些实施例中,第一输出结果包括预设数量的包含置信度的第一故障类型;第二输出结果包含一个第二故障类型;
根据第一输出结果和第二输出结果确定对应的智能电表的故障类型,包括:
若预设数量的第一故障类型中置信度最高的第一故障类型与第二故障类型相同,则确定对应的智能电表的故障类型为第二故障类型;
若置信度最高的第一故障类型与第二故障类型不同,则判断置信度最高的第一故障类型的置信度是否大于预设阈值;
若置信度最高的第一故障类型的置信度大于预设阈值,则确定对应的智能电表的故障类型为置信度最高的第一故障类型;
若置信度最高的第一故障类型的置信度不大于预设阈值,则确定预设数量的第一故障类型中是否包含第二故障类型;
若预设数量的第一故障类型中包含第二故障类型,则确定对应的智能电表的故障类型为第二故障类型;
若预设数量的第一故障类型中不包含第二故障类型,则确定对应的智能电表的故障类型为置信度最高的第一故障类型。
在本发明的一些实施例中,本地故障检测模型包括两个输出分支,其中一个输出分支采用softmax逻辑回归方法进行故障检测,另一个输出分支采用线性回归方法进行故障检测;
全局故障检测模型与本地故障检测模型的结构相同。
在本发明实施例中,全局故障检测模型与本地故障检测模型的结构是相同的,只是训练的方式不同,本地故障检测模型采用本地采集的运行数据和历史数据进行训练,全局故障检测模型采用多个本地模型参数进行融合训练。
本地故障检测模型包括两个输出分支,其中一个输出分支采用softmax逻辑回归方法进行故障检测,可以输出预设数量的第一故障类型,每个第一故障类型对应一个置信度,表示其可信程度;另一个输出分支采用线性回归方法进行故障检测,输出一个第二故障类型。其中,第一故障类型和第二故障类型均为故障类型,可能相同,也可能不同,只是为了区分不同输出分支输出的所以采用第一和第二进行区分。
若置信度最高的第一故障类型和第二故障类型相同,则确定故障类型为第二故障类型;否则,判断置信度最高的第一故障类型的置信度是否大于预设阈值,其中,预设阈值是一个比较高的数值,可以根据实际需求进行设置,例如,90%、95%,等等。
若置信度最高的第一故障类型的置信度大于预设阈值,则确定故障类型为该置信度最高的第一故障类型;否则,判断预设数量的第一故障类型中是否包含第二故障类型,若包含,则确定故障类型为第二故障类型;若不包含,则确定故障类型为置信度最高的第一故障类型。
在本发明实施例中,通过两种方法对智能电表进行故障检测,并根据两种方法的输出结果进行综合分析处理,确定最终的故障类型,可以提高故障检测的准确度。
图3是本发明又一实施例提供的智能电表故障类型确定方法的实现流程示意图,为了便于说明,仅示出了与本发明实施例相关的部分。本发明实施例的执行主体可以是区块链网络。
上述智能电表故障类型确定方法适用于包括本地设备、区块链网络和服务器的系统,该系统可以是上述智能电表故障类型确定系统。上述智能电表故障类型确定方法应用于区块链网络。
参见图3,上述智能电表故障类型确定方法可以包括以下步骤:
S301:接收各个本地设备发送的本地模型参数,并将各个本地模型参数存储至各个本地设备对应的节点;其中,本地模型参数为对应的本地设备采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练得到的。
S302:接收服务器发送的本地模型参数请求,并根据本地模型参数请求将对应的本地模型参数发送至服务器,以使服务器根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络。
S303:接收服务器发送的全局模型参数,并将全局模型参数存储至服务器对应的节点。
S304:接收本地设备发送的全局模型参数请求,并根据全局模型参数请求查询得到最新的全局模型参数,并将最新的全局模型参数发送至该本地设备,以使该本地设备根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
其中,本地模型参数请求可以包括服务器标识以及对本地模型参数的要求,等。对本地模型参数的要求可以包括时间要求,例如,是当前时刻之前的预设时间内上传的本地模型参数,地域要求,例如,是某栋楼或某个小区或某个地域等,以及多个本地设备标识,等要求中的一种或多种。区块链网络可以根据该请求返回符合其要求的本地模型参数,供服务器进行全局训练。
图3所示的实施例与图2所示的实施例是从不同的角度对智能电表故障类型确定方法进行描述,图2所示的实施例是以本地设备作为执行主体进行描述,图3所示的实施例是以区块链网络作为执行主体进行描述,可以参照图2所示实施例中的具体描述内容。
作为本发明又一实施例,上述S302中的“接收服务器发送的本地模型参数请求,并根据本地模型参数请求将对应的本地模型参数发送至服务器”,可以包括:
通过第一节点接收服务器发送的本地模型参数请求,并向各个第二节点广播本地模型参数请求,以使目标第二节点根据本地模型参数请求广播已存储消息;已存储信息用于表示对应的目标第二节点存储有第一节点请求的最新的本地模型参数;
通过第一节点接收多个目标第二节点的已存储消息,并向多个目标第二节点发送接受消息,以使目标第二节点根据接受消息发送最新参数信息;接受消息用于表示第一节点接受目标第二节点所存储的参数;最新参数信息包括采用第一节点的公钥对目标第二节点的最新的本地模型参数进行加密后的加密参数和采用目标第二节点的私钥对加密参数进行签名后的信息;
通过第一节点接收目标第二节点发送的最新参数信息,并将接收到的最新参数信息发送至服务器。
在本发明实施例中,第一节点为服务器对应节点,第二节点为本地设备对应的节点。
第一节点接收服务器发送的本地模型参数请求,并在区块链网络中广播该请求,以使各个第二节点均接收到该请求。各个第二节点检测自身所存储的本地模型参数是否满足本地模型参数请求的要求,将满足该要求的第二节点称为目标第二节点。
目标第二节点可以广播已存储消息,用于表示自身存储有第一节点所需的参数。其中,已存储消息中携带有第一节点对应的服务器标识和目标第二节点自身对应的本地设备标识。
第一节点接收各个目标第二节点的已存储信息,并广播接受消息,表示第一节点接受目标第二节点所存储的最新的本地模型参数。接受消息中携带有第一节点对应的服务器标识和第一节点接受的目标第二节点对应的本地设备标识。目标第二节点接收到接受消息后,检测其中是否包含自身标识,若包含,则广播最新参数信息。最新参数信息携带有自身对应的本地设备标识和服务器标识。第一节点接收多个目标第二节点信息广播的最新参数信息后,得到多个本地模型参数,发送至服务器,供服务器进行全局训练。
最新参数信息还可以包括采用第一节点的公钥对目标第二节点的最新的本地模型参数进行加密后的加密参数和采用目标第二节点的私钥对加密参数进行签名后的信息,可以保证数据安全。
作为一种可能的实现方式,通过第一节点可以计算本地模型参数请求的哈希值,并向各个第二节点广播本地模型参数请求和该哈希值。
其中,第一节点广播的本地模型参数请求可以携带有广播该请求时的本地的时间戳。
目标第二节点在根据本地模型参数请求广播已存储消息之前,可以计算接收到本地模型参数请求时的时间戳和上述第一节点广播本地模型参数请求时的本地的时间戳的时间差;若该时间差处于预设范围,则根据本地模型参数请求广播已存储消息,否则,不广播已存储消息。
同理,通过第一节点向多个目标第二节点发送接受消息之前,可以计算接收到目标第二节点广播的已存储消息的时间戳和该目标第二节点广播该已存储消息时的时间戳的差值,若该差值处于预设范围,则接受信息中携带有该目标第二节点对应的本地设备标识,否则,接受信息中部携带该目标第二节点对应的本地设备标识。
在本发明实施例中,接收本地设备发送的全局模型参数请求,并根据全局模型参数请求查询得到最新的全局模型参数的具体过程与接收服务器发送的本地模型参数请求,并根据本地模型参数请求将对应的本地模型参数发送至服务器的具体过程类似,不再赘述。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
对应于图2所示实施例提供的智能电表故障类型确定方法,本发明一实施例还提供了一种智能电表故障类型确定装置,具有与上述智能电表故障类型确定方法同样的有益效果。图4是本发明一实施例提供的智能电表故障类型确定装置的示意框图,为了便于说明,仅示出与本发明实施例相关的部分。
在本发明实施例中,智能电表故障类型确定装置40适用于包括本地设备、区块链网络和服务器的系统;装置应用于本地设备。上述智能电表故障类型确定装置40可以包括本地训练模块401、参数请求模块402和故障检测模块403。
其中,本地训练模块401,用于采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地模型参数传输至区块链网络,以使服务器从区块链网络中获取多个本地模型参数,根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;
参数请求模块402,用于每隔预设时间,向区块链网络发送全局模型参数请求,以使区块链网络查询得到最新的全局模型参数,并将该参数发送至本地设备;
故障检测模块403,用于根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
在一种可能的实现方式中,故障检测模块403还可以用于:
获取对应的智能电表的当前运行数据;
将当前运行数据输入更新后的本地故障检测模型,得到第一输出结果和第二输出结果;
根据第一输出结果和第二输出结果确定对应的智能电表的故障类型。
在一种可能的实现方式中,第一输出结果包括预设数量的包含置信度的第一故障类型;第二输出结果包含一个第二故障类型;故障检测模块403还可以用于:
若预设数量的第一故障类型中置信度最高的第一故障类型与第二故障类型相同,则确定对应的智能电表的故障类型为第二故障类型;
若置信度最高的第一故障类型与第二故障类型不同,则判断置信度最高的第一故障类型的置信度是否大于预设阈值;
若置信度最高的第一故障类型的置信度大于预设阈值,则确定对应的智能电表的故障类型为置信度最高的第一故障类型;
若置信度最高的第一故障类型的置信度不大于预设阈值,则确定预设数量的第一故障类型中是否包含第二故障类型;
若预设数量的第一故障类型中包含第二故障类型,则确定对应的智能电表的故障类型为第二故障类型;
若预设数量的第一故障类型中不包含第二故障类型,则确定对应的智能电表的故障类型为置信度最高的第一故障类型。
在一种可能的实现方式中,本地故障检测模型包括两个输出分支,其中一个输出分支采用softmax逻辑回归方法进行故障检测,另一个输出分支采用线性回归方法进行故障检测;
全局故障检测模型与本地故障检测模型的结构相同。
对应于图3所示实施例提供的智能电表故障类型确定方法,本发明一实施例还提供了一种智能电表故障类型确定装置,具有与上述智能电表故障类型确定方法同样的有益效果。图5是本发明一实施例提供的智能电表故障类型确定装置的示意框图,为了便于说明,仅示出与本发明实施例相关的部分。
在本发明实施例中,智能电表故障类型确定装置50适用于包括本地设备、区块链网络和服务器的系统;装置应用于区块链网络。上述智能电表故障类型确定装置50可以包括第一存储模块501、本地参数发送模块502、第二存储模块503和全局参数发送模块504。
其中,第一存储模块501,用于接收各个本地设备发送的本地模型参数,并将各个本地模型参数存储至各个本地设备对应的节点;其中,本地模型参数为对应的本地设备采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练得到的;
本地参数发送模块502,用于接收服务器发送的本地模型参数请求,并根据本地模型参数请求将对应的本地模型参数发送至服务器,以使服务器根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;
第二存储模块503,用于接收服务器发送的全局模型参数,并将全局模型参数存储至服务器对应的节点;
全局参数发送模块504,用于接收本地设备发送的全局模型参数请求,并根据全局模型参数请求查询得到最新的全局模型参数,并将最新的全局模型参数发送至该本地设备,以使该本地设备根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
在一种可能的实现方式中,本地参数发送模块502还可以用于:
通过第一节点接收服务器发送的本地模型参数请求,并向各个第二节点广播本地模型参数请求,以使目标第二节点根据本地模型参数请求广播已存储消息;已存储信息用于表示对应的目标第二节点存储有第一节点请求的最新的本地模型参数;
通过第一节点接收多个目标第二节点的已存储消息,并向多个目标第二节点发送接受消息,以使目标第二节点根据接受消息发送最新参数信息;接受消息用于表示第一节点接受目标第二节点所存储的参数;最新参数信息包括采用第一节点的公钥对目标第二节点的最新的本地模型参数进行加密后的加密参数和采用目标第二节点的私钥对加密参数进行签名后的信息;
通过第一节点接收目标第二节点发送的最新参数信息,并将接收到的最新参数信息发送至服务器。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述智能电表故障类型确定装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图6是本发明一实施例提供的本地设备的示意框图。如图6所示,该实施例的本地设备60包括:一个或多个处理器601、存储器602以及存储在所述存储器602中并可在所述处理器601上运行的计算机程序603。所述处理器601执行所述计算机程序603时实现上述各个智能电表故障类型确定方法实施例中的步骤,例如图2所示的步骤S201至S203。或者,所述处理器601执行所述计算机程序603时实现上述智能电表故障类型确定装置实施例中各模块/单元的功能,例如图4所示模块401至403的功能。
示例性地,所述计算机程序603可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器602中,并由所述处理器601执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序603在所述本地设备60中的执行过程。例如,所述计算机程序603可以被分割成本地训练模块、参数请求模块和故障检测模块,各模块具体功能如下:
本地训练模块,用于采集对应的智能电表的运行数据,根据运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地模型参数传输至区块链网络,以使服务器从区块链网络中获取多个本地模型参数,根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;
参数请求模块,用于每隔预设时间,向区块链网络发送全局模型参数请求,以使区块链网络查询得到最新的全局模型参数,并将该参数发送至本地设备;
故障检测模块,用于根据接收到的全局模型参数更新本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
其它模块或者单元可参照图4所示的实施例中的描述,在此不再赘述。
所述本地设备60可以是智能电表本身,也可以是小型计算设备等。所述本地设备60包括但不仅限于处理器601、存储器602。本领域技术人员可以理解,图6仅仅是本地设备60的一个示例,并不构成对本地设备60的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述本地设备60还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器601可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器602可以是所述本地设备60的内部存储单元,例如本地设备60的硬盘或内存。所述存储器602也可以是所述本地设备60的外部存储设备,例如所述本地设备60上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器602还可以既包括本地设备60的内部存储单元也包括外部存储设备。所述存储器602用于存储所述计算机程序603以及所述本地设备60所需的其他程序和数据。所述存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种区块链网络,用于执行图3所示实施例的智能电表故障类型确定方法的步骤。
本发明实施例还提供了一种智能电表故障类型确定系统,参见图1,包括服务器11、多个如上所述本地设备60和如上所述区块链网络12;
服务器11和本地设备60均与区块链网络12连接。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的智能电表故障类型确定装置和方法,可以通过其它的方式实现。例如,以上所描述的智能电表故障类型确定装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种智能电表故障类型确定方法,其特征在于,适用于包括本地设备、区块链网络和服务器的系统;所述方法应用于所述本地设备,包括:
采集对应的智能电表的运行数据,根据所述运行数据和历史数据对本地故障检测模型进行训练,并将训练后的本地模型参数传输至区块链网络,以使所述服务器从区块链网络中获取多个本地模型参数,根据所述多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;
每隔预设时间,向所述区块链网络发送全局模型参数请求,以使所述区块链网络查询得到最新的全局模型参数,并将该参数发送至所述本地设备;
根据接收到的全局模型参数更新所述本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
2.根据权利要求1所述的智能电表故障类型确定方法,其特征在于,所述根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型,包括:
获取对应的智能电表的当前运行数据;
将所述当前运行数据输入所述更新后的本地故障检测模型,得到第一输出结果和第二输出结果;
根据所述第一输出结果和所述第二输出结果确定对应的智能电表的故障类型。
3.根据权利要求2所述的智能电表故障类型确定方法,其特征在于,所述第一输出结果包括预设数量的包含置信度的第一故障类型;所述第二输出结果包含一个第二故障类型;
所述根据所述第一输出结果和所述第二输出结果确定对应的智能电表的故障类型,包括:
若所述预设数量的第一故障类型中置信度最高的第一故障类型与所述第二故障类型相同,则确定对应的智能电表的故障类型为所述第二故障类型;
若所述置信度最高的第一故障类型与所述第二故障类型不同,则判断所述置信度最高的第一故障类型的置信度是否大于预设阈值;
若所述置信度最高的第一故障类型的置信度大于所述预设阈值,则确定对应的智能电表的故障类型为所述置信度最高的第一故障类型;
若所述置信度最高的第一故障类型的置信度不大于所述预设阈值,则确定所述预设数量的第一故障类型中是否包含所述第二故障类型;
若所述预设数量的第一故障类型中包含所述第二故障类型,则确定对应的智能电表的故障类型为所述第二故障类型;
若所述预设数量的第一故障类型中不包含所述第二故障类型,则确定对应的智能电表的故障类型为所述置信度最高的第一故障类型。
4.根据权利要求1至3任一项所述的智能电表故障类型确定方法,其特征在于,所述本地故障检测模型包括两个输出分支,其中一个输出分支采用softmax逻辑回归方法进行故障检测,另一个输出分支采用线性回归方法进行故障检测;
所述全局故障检测模型与所述本地故障检测模型的结构相同。
5.一种智能电表故障类型确定方法,其特征在于,适用于包括本地设备、区块链网络和服务器的系统;所述方法应用于所述区块链网络,包括:
接收各个本地设备发送的本地模型参数,并将各个本地模型参数存储至各个本地设备对应的节点;其中,所述本地模型参数为对应的本地设备采集对应的智能电表的运行数据,根据所述运行数据和历史数据对本地故障检测模型进行训练得到的;
接收所述服务器发送的本地模型参数请求,并根据所述本地模型参数请求将对应的本地模型参数发送至所述服务器,以使所述服务器根据多个本地模型参数对全局故障检测模型进行训练,并将训练后的全局模型参数传输至区块链网络;
接收所述服务器发送的全局模型参数,并将所述全局模型参数存储至所述服务器对应的节点;
接收本地设备发送的全局模型参数请求,并根据所述全局模型参数请求查询得到最新的全局模型参数,并将所述最新的全局模型参数发送至该本地设备,以使该本地设备根据接收到的全局模型参数更新所述本地故障检测模型,并根据更新后的本地故障检测模型对对应的智能电表进行故障检测,得到故障类型。
6.根据权利要求5所述的智能电表故障类型确定方法,其特征在于,所述接收所述服务器发送的本地模型参数请求,并根据所述本地模型参数请求将对应的本地模型参数发送至所述服务器,包括:
通过第一节点接收所述服务器发送的本地模型参数请求,并向各个第二节点广播所述本地模型参数请求,以使目标第二节点根据所述本地模型参数请求广播已存储消息;所述已存储信息用于表示对应的目标第二节点存储有所述第一节点请求的最新的本地模型参数;
通过所述第一节点接收多个目标第二节点的已存储消息,并向所述多个目标第二节点发送接受消息,以使所述目标第二节点根据所述接受消息发送最新参数信息;所述接受消息用于表示所述第一节点接受所述目标第二节点所存储的参数;所述最新参数信息包括采用所述第一节点的公钥对目标第二节点的最新的本地模型参数进行加密后的加密参数和采用目标第二节点的私钥对所述加密参数进行签名后的信息;
通过所述第一节点接收目标第二节点发送的最新参数信息,并将接收到的最新参数信息发送至所述服务器。
7.一种本地设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的智能电表故障类型确定方法的步骤。
8.一种区块链网络,其特征在于,用于执行如权利要求5或6所述的智能电表故障类型确定方法的步骤。
9.一种智能电表故障类型确定系统,其特征在于,包括服务器、多个如权利要求7所述的本地设备和如权利要求8所述的区块链网络;
所述服务器和所述本地设备均与所述区块链网络连接。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现如权利要求1至4任一项所述的智能电表故障类型确定方法,或,如权利要求5或6所述的智能电表故障类型确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110595130.4A CN113420195B (zh) | 2021-05-28 | 2021-05-28 | 智能电表故障类型确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110595130.4A CN113420195B (zh) | 2021-05-28 | 2021-05-28 | 智能电表故障类型确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113420195A true CN113420195A (zh) | 2021-09-21 |
CN113420195B CN113420195B (zh) | 2023-01-24 |
Family
ID=77713351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110595130.4A Active CN113420195B (zh) | 2021-05-28 | 2021-05-28 | 智能电表故障类型确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113420195B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114236448A (zh) * | 2021-11-23 | 2022-03-25 | 国网山东省电力公司日照供电公司 | 一种基于大数据的计量装置故障检修系统 |
CN115131171A (zh) * | 2022-01-18 | 2022-09-30 | 杭州安脉盛智能技术有限公司 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
CN115473127A (zh) * | 2022-07-29 | 2022-12-13 | 科华数据股份有限公司 | 电气模块更换后的绕组组号识别方法、上位机及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160444A (zh) * | 2015-10-22 | 2015-12-16 | 广东电网有限责任公司电力调度控制中心 | 电力设备故障率确定方法及系统 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN110517768A (zh) * | 2019-08-28 | 2019-11-29 | 泰康保险集团股份有限公司 | 异常预测方法、异常预测装置、电子设备及存储介质 |
CN110569909A (zh) * | 2019-09-10 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 基于区块链的故障预警方法、装置、设备及存储介质 |
CN110619317A (zh) * | 2019-09-26 | 2019-12-27 | 联想(北京)有限公司 | 模型训练方法、模型训练装置和电子设备 |
CN111369088A (zh) * | 2018-12-25 | 2020-07-03 | 中国电力科学研究院有限公司 | 一种面向电网调度系统的区块链控制系统及控制方法 |
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
CN111597247A (zh) * | 2020-06-05 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 一种数据异常分析方法、装置及存储介质 |
CN112418474A (zh) * | 2019-08-20 | 2021-02-26 | 北京国双科技有限公司 | 一种故障处理期限的预测方法及装置 |
US20210133670A1 (en) * | 2019-11-05 | 2021-05-06 | Strong Force Vcn Portfolio 2019, Llc | Control tower and enterprise management platform with a machine learning/artificial intelligence managing sensor and the camera feeds into digital twin |
-
2021
- 2021-05-28 CN CN202110595130.4A patent/CN113420195B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160444A (zh) * | 2015-10-22 | 2015-12-16 | 广东电网有限责任公司电力调度控制中心 | 电力设备故障率确定方法及系统 |
CN106682814A (zh) * | 2016-11-28 | 2017-05-17 | 华北电力大学 | 一种基于故障知识库的风电机组故障智能诊断方法 |
CN111369088A (zh) * | 2018-12-25 | 2020-07-03 | 中国电力科学研究院有限公司 | 一种面向电网调度系统的区块链控制系统及控制方法 |
CN112418474A (zh) * | 2019-08-20 | 2021-02-26 | 北京国双科技有限公司 | 一种故障处理期限的预测方法及装置 |
CN110517768A (zh) * | 2019-08-28 | 2019-11-29 | 泰康保险集团股份有限公司 | 异常预测方法、异常预测装置、电子设备及存储介质 |
CN110569909A (zh) * | 2019-09-10 | 2019-12-13 | 腾讯科技(深圳)有限公司 | 基于区块链的故障预警方法、装置、设备及存储介质 |
CN110619317A (zh) * | 2019-09-26 | 2019-12-27 | 联想(北京)有限公司 | 模型训练方法、模型训练装置和电子设备 |
US20210133670A1 (en) * | 2019-11-05 | 2021-05-06 | Strong Force Vcn Portfolio 2019, Llc | Control tower and enterprise management platform with a machine learning/artificial intelligence managing sensor and the camera feeds into digital twin |
US20210133669A1 (en) * | 2019-11-05 | 2021-05-06 | Strong Force Vcn Portfolio 2019, Llc | Control tower and enterprise management platform with robotic process automation layer to automate actions for subset of applications benefitting value chain network entities |
CN111597247A (zh) * | 2020-06-05 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 一种数据异常分析方法、装置及存储介质 |
CN111537945A (zh) * | 2020-06-28 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 基于联邦学习的智能电表故障诊断方法及设备 |
Non-Patent Citations (1)
Title |
---|
张中丹: "基于区块链技术的电网灾害预警决策系统", 《现代电力》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114236448A (zh) * | 2021-11-23 | 2022-03-25 | 国网山东省电力公司日照供电公司 | 一种基于大数据的计量装置故障检修系统 |
CN115131171A (zh) * | 2022-01-18 | 2022-09-30 | 杭州安脉盛智能技术有限公司 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
CN115473127A (zh) * | 2022-07-29 | 2022-12-13 | 科华数据股份有限公司 | 电气模块更换后的绕组组号识别方法、上位机及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113420195B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113420195B (zh) | 智能电表故障类型确定方法及系统 | |
CN108501980B (zh) | 轨道电路设备的监测方法及终端设备 | |
Jia et al. | Design of a dynamic key management plan for intelligent building energy management system based on wireless sensor network and blockchain technology | |
CN111125737A (zh) | 基于区块链的环境监测系统 | |
CN109413178B (zh) | 一种基于物联网的区块链数据收录方法及数据收录系统 | |
CN108156222A (zh) | 一种基于养殖物联网的网关系统及方法 | |
CN109033143A (zh) | 基于区块链的分布式、分域电网数据处理系统及其方法 | |
CN115395657A (zh) | 一种基于云计算的智慧城市监视方法 | |
CN113255953A (zh) | Rru欠压风险预测方法、装置、系统、设备及介质 | |
CN112069520A (zh) | 基于联盟区块链和北斗的电力杆塔监测数据加密方法及装置 | |
CN112769916B (zh) | 一种智慧社区的高同步并发群控方法、系统及存储介质 | |
CN115085921B (zh) | 模型训练方法、节点检测方法、装置、设备及介质 | |
CN102438040A (zh) | 省地一体化多源实时数据校验方法 | |
CN113238911B (zh) | 告警处理方法及装置 | |
Nita et al. | Fuel monitoring system based on IoT: overview and device authentication | |
CN111597156A (zh) | 民航数据处理方法、装置、电子设备及存储介质 | |
CN116431748B (zh) | 一种社区基层数据的综合管理方法及系统 | |
CN109040282A (zh) | 一种基于无线网的远程交互控制系统 | |
CN108346272A (zh) | 一种基于调度数据网的可再生能源监测信息采集方法 | |
CN114915022B (zh) | 一种智能配电网无线通信方法及系统 | |
CN215344633U (zh) | 污水治理智能化管理平台 | |
CN111897655B (zh) | 一种输变电云端智能控制器 | |
CN115276218A (zh) | 一种智能低压配电箱的自动化管理方法及系统 | |
CN115314769A (zh) | 一种远程抄表方法、装置、计算机设备及介质 | |
CN114445553A (zh) | 多地区地下电缆的关联建模方法 |
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 |