CN114062997B - 电能表的校验方法、系统以及装置 - Google Patents
电能表的校验方法、系统以及装置 Download PDFInfo
- Publication number
- CN114062997B CN114062997B CN202111303779.0A CN202111303779A CN114062997B CN 114062997 B CN114062997 B CN 114062997B CN 202111303779 A CN202111303779 A CN 202111303779A CN 114062997 B CN114062997 B CN 114062997B
- Authority
- CN
- China
- Prior art keywords
- pulse lamp
- electric energy
- image
- pulse
- convolution
- 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.)
- Active
Links
- 238000012795 verification Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims description 67
- 238000010606 normalization Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000005540 biological transmission Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本申请涉及一种电能表的校验方法、系统以及装置。该方法包括:获取待校验电能表的脉冲灯图像集合;脉冲灯图像集合包括预设时间内所采集到的连续多帧脉冲灯图像;将脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合;将图像特征集合输入极限梯度模型,以确定预设时间内的脉冲灯闪烁信息;极限梯度模型用于根据各帧脉冲灯图像的图像特征确定脉冲灯图像是否出现脉冲灯闪烁,脉冲灯闪烁信息包括脉冲灯闪烁次数和脉冲灯闪烁间隔;根据脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息,并根据电能表的标准电能信息对待校验电能信息进行校验。该方法实现了电能表脉冲灯的计数手段的智能化和自动化,降低了校验人员的工作量,提高了校验效率。
Description
技术领域
本申请涉及电力计量技术领域,特别是涉及一种电能表的校验方法、系统以及装置。
背景技术
电能计量系统作为电能费用结算的主要依据,电能计量装置计量的准确性同时影响着发、输、变、用电计各方面的利益。因此,为了保证电能表计量的准确性,运检人员都需要对电能表进行定期的校验。
传统技术中的电能表的校验方法存在着需要人工辅助并且校验效率和精度较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够自动、快速、准确地完成电能表检验的电能表的校验方法、系统以及装置。
一方面,本发明实施例提供一种电能表的校验方法,包括:获取待校验电能表的脉冲灯图像集合;脉冲灯图像集合包括预设时间内所采集到的连续多帧脉冲灯图像;将脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合;卷积编解码模型包括依次连接的卷积编码机和卷积解码机,图像特征集合包括脉冲灯图像集合中各帧脉冲灯图像的图像特征;将图像特征集合输入极限梯度模型,以确定预设时间内的脉冲灯闪烁信息;极限梯度模型用于根据各帧脉冲灯图像的图像特征确定脉冲灯图像是否出现脉冲灯闪烁,脉冲灯闪烁信息包括脉冲灯闪烁次数和脉冲灯闪烁间隔;根据脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息,并根据电能表的标准电能信息对待校验电能信息进行校验。
在其中一个实施例中,将图像特征集合输入极限梯度模型,以确定预设时间内的脉冲灯闪烁信息的步骤前还包括:获取脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合;分别将脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合输入卷积编解码模型,以得到脉冲灯训练图像特征集合、脉冲灯测试图像特征集合以及脉冲灯验证图像特征集合;利用脉冲灯训练图像特征集合训练初始极限梯度模型,以训练初始极限梯度模型中的参数;利用脉冲灯测试图像特征集合对经过训练的初始极限梯度模型进行参数优化;将脉冲灯验证图像特征集合输入经过优化的初始极限梯度模型,若经过优化的初始极限梯度模型输出的预测脉冲灯闪烁信息与脉冲灯验证图像特征集合对应的实际脉冲灯闪烁信息之间的误差满足预设条件,则确定经过优化的初始极限梯度模型为极限梯度模型。
在其中一个实施例中,利用脉冲灯训练图像特征集合训练初始极限梯度模型,以训练初始极限梯度模型中的参数的步骤包括:根据初始极限梯度模型的目标函数的值调整初始极限梯度模型的参数,以使得初始极限梯度模型的目标函数的值最小化后完成训练初始极限梯度模型中的参数;
其中,初始极限梯度模型的目标函数为:
式中,表示损失函数,yi是脉冲灯训练图像特征集合中第i帧脉冲灯训练图像对应的实际脉冲灯闪烁结果,/>是脉冲灯训练图像特征集合中第i帧脉冲灯训练图像对应的预测脉冲灯闪烁结果,N是脉冲灯训练图像特征集合对应的脉冲灯训练图像集合中的脉冲灯训练图像总数,Ω(fk)表示模型的正则项,fk表示初始极限梯度模型中的第k棵决策树,K表述初始极限梯度模型中决策树的总数量。
在其中一个实施例中,将脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合的步骤前还包括:对脉冲灯图像集合做信道分离处理,以将脉冲灯图像集合中各帧脉冲灯图像分离为多个子脉冲灯图像。
在其中一个实施例中,卷积编码机由依次连接的三个编码卷积层、三个池化层、三个编码归一化层以及三个编码激活层组成;卷积解码机由依次连接的四个解码卷积层、三个上采样层、四个批样本归一化层以及四个解码激活层组成。
在其中一个实施例中,三个编码卷积层的编码卷积核的通道数依次为64、32、16,编码卷积核的尺寸为3*3,编码卷积层用于对输入编码卷积层的图像按下式进行滑动卷积运算:
式中,Yn,m为编码卷积层输出的图像中n行、m列的像素点的像素值,wv,u为v行、u列卷积核的权重,V和U分别为卷积核的宽度和高度,i为卷积核在输入编码卷积层的图像的行数,j为卷积核在输入编码卷积层的图像的列数,xi+v,j+u为输入编码卷积层的图像中i+v行、j+u列的像素点的像素值。
在其中一个实施例中,编码归一化层用于基于下式对输入编码归一化层的图像进行归一化处理:
式中,xi为输入编码归一化层的图像第i个像素点的像素值,μ为输入编码归一化层的图像所有像素点的像素值均值,σ为输入编码归一化层的图像所有像素点的像素值标准差,输入编码归一化层的图像第i个像素点的经过归一化处理后的像素值。
在其中一个实施例中,四个解码卷积层的解码卷积核通道数依次为16、32、64、64,解码卷积核的尺寸为3*3。
又一方面,本发明实施例还提供一种电能表的校验系统,包括:电流采集装置,用于采集待检验电能表的电流信号;电压采集装置,用于采集待检验电能表的电压信号;控制器,与电流采集装置以及电压采集装置通信连接,控制器包括存储器与处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现用于根据电压信号和电流信号得到待检验电能表的标准电能信息的步骤,以及用于实现如上述任一项的电能表的校验方法的步骤。
另一方面,本发明实施例还提供一种电能表的校验装置,包括:图像获取模块,用于获取待校验电能表的脉冲灯图像集合;脉冲灯图像集合包括预设时间内所采集到的连续多帧脉冲灯图像;特征提取模块,用于将脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合;卷积编解码模型包括依次连接的卷积编码机和卷积解码机,图像特征集合包括脉冲灯图像集合中各帧脉冲灯图像的图像特征;闪烁识别模块,用于将图像特征集合输入极限梯度模型,以确定预设时间内的脉冲灯闪烁信息;极限梯度模型用于根据各帧脉冲灯图像的图像特征确定脉冲灯图像是否出现脉冲灯闪烁;校验模块,用于根据脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息,并根据电能表的标准电能信息对待校验电能信息进行校验。
基于上述任一实施例,通过基于神经网络的卷积编解码模型对待校验电能表的脉冲灯图像集合进行特征提取,得到图像特征集合,再利用极限梯度模型从图像特征集合识别出脉冲灯闪烁信息,最后利用脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息并根据待校验电能信息和标准电能信息之间的误差对待校验电能表进行校验。该方法实现了电能表脉冲灯的计数手段的智能化和自动化,且有较高的准确率,降低了校验人员的工作量,提高了校验效率。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中电能表的校验方法的流程示意图;
图2为一个实施例中训练极限梯度模型的流程示意图;
图3为一个实施例中电能表的校验系统的结构示意图;
图4为一个实施例中电能表的校验装置的结构图。
具体实施方式
为了便于理解本申请,下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是,本申请可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
空间关系术语例如“在...下”、“在...下面”、“下面的”、“在...之下”、“在...之上”、“上面的”等,在这里可以用于描述图中所示的一个元件或特征与其它元件或特征的关系。应当明白,除了图中所示的取向以外,空间关系术语还包括使用和操作中的器件的不同取向。例如,如果附图中的器件翻转,描述为“在其它元件下面”或“在其之下”或“在其下”元件或特征将取向为在其它元件或特征“上”。因此,示例性术语“在...下面”和“在...下”可包括上和下两个取向。此外,器件也可以包括另外地取向(譬如,旋转90度或其它取向),并且在此使用的空间描述语相应地被解释。
需要说明的是,当一个元件被认为是“连接”另一个元件时,它可以是直接连接到另一个元件,或者通过居中元件连接另一个元件。此外,以下实施例中的“连接”,如果被连接的对象之间具有电信号或数据的传递,则应理解为“电连接”、“通信连接”等。
在此使用时,单数形式的“一”、“一个”和“/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时,在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
正如背景技术所述,现有技术中的电能表一般有感应式电能表和电子式电能表两种,目前,广泛应用的电能表为电子式电能表。电子式电能表通过对电压、电流进行采样之后,然后送至数字乘法器,乘法器将电压和电流瞬时值相乘,输出一个与平均功率成正比的数字量,然后利用转换器将数字量转化成对应的脉冲信号,一路送单片机进行计数处理,一路由分频计数器供检定使用。
对于目前的的电能表校验弊端主要有:1、需要装设电流测试线,由此可能导致CT二次回路开路产生过电压危及设备及人身安全;2、需要装设电压测试线,装设过程中有可能导致二次电压回路产生短路,导致产生大电流损坏设备及危及人身安全;架设光耦接收器,利用支架或人手固定光耦接收器难以采集电能表脉冲信号,电能表校验效率低。
基于上述现有技术中的弊端本发明实施例提供一种电能表的校验方法,如图1所示,方法包括步骤S102至步骤S108。
S102,获取待校验电能表的脉冲灯图像集合。脉冲灯图像集合包括预设时间内所采集到的连续多帧脉冲灯图像。
可以理解,电能表的脉冲灯在电能表记录了一定电能后会闪烁一次,所以根据电能表的脉冲灯闪烁信息可以确定电能表所记录的电能数量。为了对待校验电能表进行校验,通过图像采集装置对校验电能表的脉冲灯进行预设时间的图像采集并进行帧数读取得到脉冲灯图像集合。例如,利用摄像头、移动终端等对电能表的脉冲灯进行视频录制,再将得到的视频通过Matlab中的VideoReader函数进行逐帧读取并存储到指定的文件夹,得到脉冲灯图像集合。
S104,将脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合。卷积编解码模型包括依次连接的卷积编码机和卷积解码机,图像特征集合包括脉冲灯图像集合中各帧脉冲灯图像的图像特征。
可以理解,一张图片中包含许多对判断脉冲灯是否闪烁无关的信息,本实施例通过卷积编解码模型对脉冲灯图像集合进行逐帧图像特征提取,将脉冲灯图像集合的各帧脉冲灯图像有关脉冲灯闪烁的图像特征提取出来以形成图像特征集合。具体而言,一帧脉冲灯图像输入卷积编解码模型后会先经过卷积编码机,卷积编码机用于基于卷积神经网络对这一帧脉冲灯图像进行编码,编码可以降低计算机设备的运算量、显存的占用以及增加卷积核的感受野。卷积编码机将处理结果输入到卷积编码机,卷积编码机用于基于卷积神经网络对经过编码的图像进行解码,由于编码会将图像压缩,经过解码后可以将被压缩的图像重新放大回输入卷积编码机时的大小。
S106,将图像特征集合输入极限梯度模型,以确定预设时间内的脉冲灯闪烁信息。
极限梯度模型用于根据各帧脉冲灯图像的图像特征确定脉冲灯图像是否出现脉冲灯闪烁,脉冲灯闪烁信息包括脉冲灯闪烁次数和脉冲灯闪烁间隔。极限梯度模型对图像特征集合对应的各帧脉冲灯图像进行脉冲灯是否出现闪烁的判断,根据极限梯度模型输出的判断结果可以统计预设时间内脉冲灯闪烁次数以及统计前后两次脉冲灯闪烁间隔。例如可以记录前一次脉冲灯闪烁对应的脉冲灯图像的序号和后一次脉冲灯闪烁对应的脉冲灯图像的序号,根据这两个图像之间的序号差和图像采集装置的拍摄帧数可确定脉冲灯闪烁间隔。
S108,根据脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息,并根据电能表的标准电能信息对待校验电能信息进行校验。
具体而言,待校验电能信息指的是经过本方法中的多个模型得到的用来对电能表进行校验的待校验值。待校验电能信息包括待校验有功功率信息和待校验无功功率信息。功率脉冲常数包括有功功率脉冲常数和无功功率脉冲常数。标准电能信息包括标准有功功率信息和标注无功功率信息,标准电能信息是根据精确测量出的电能表的电流和电压所计算出来的标准值。根据脉冲灯的工作原理有其中,T为脉冲灯的闪烁间隔,NP为有功功率脉冲常数(指的是1kW·h电能时实际脉冲灯闪烁次数),P为电能表的有功功率。对该公式进行简单的变形即可根据脉冲灯闪烁间隔和功率脉冲常数得到待校验有功功率信息。同理通过无功功率的脉冲常数NQ可以出当前时刻的待校验无功功率信息。利用待校验有功功率信息和待校验无功功率信息可以和电能表测出的标准有功功率或标准无功功率比较,实现电能表功率计量功能的校验。也可以对待校验有功功率信息进行积分,求得待校验电能值,利用待校验电能值和电能表的标准电能值比较,实现电能表电能计量功能的校验。还可以通过统计标准有功功率信息达到预设功率所花的第一时间,再通过上述方法统计第一时间内脉冲灯的闪烁次数,根据第一时间内脉冲灯的闪烁次数和预设功率之间的比值求得待校验有功功率脉冲常数,通过比较待校验有功功率脉冲常数与NP对电能表实现校验。
基于本实施例中的电能表的校验方法,通过基于神经网络的卷积编解码模型对待校验电能表的脉冲灯图像集合进行特征提取,得到图像特征集合,再利用极限梯度模型从图像特征集合识别出脉冲灯闪烁信息,最后利用脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息并根据待校验电能信息和标准电能信息之间的误差对待校验电能表进行校验。该方法实现了电能表脉冲灯的计数手段的智能化和自动化,且有较高的准确率,降低了校验人员的工作量,提高了校验效率。
在一个实施例中,如图2所示,步骤S108前还需要对极限梯度模型进行训练,具体包括步骤S202至步骤S210。
S202,获取脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合。
为了得到精确的极限梯度模型,需要基于深度学习的思想对极限梯度模型进行训练。可以通过图像采集装置采集一段用于训练的视频,将该视频拆分为脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合,各集合中的帧数比例为预设比例,例如60:20:20。
S204,分别将脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合输入卷积编解码模型,以得到脉冲灯训练图像特征集合、脉冲灯测试图像特征集合以及脉冲灯验证图像特征集合。
对脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合进行图像特征提取的说明可参照步骤S104中的说明。
S206,利用脉冲灯训练图像特征集合训练初始极限梯度模型,以训练初始极限梯度模型中的参数。
脉冲灯训练图像特征集合是对应图像帧数最多的集合,可以对初始极限梯度模型进行训练,逐渐调整初始极限梯度模型中的参数,初始极限梯度模型可以很好地预测脉冲灯训练图像特征集合对应的各帧图像是否出现脉冲灯闪烁后可认为初始极限梯度模型中的参数已完成初步训练。
S208,利用脉冲灯测试图像特征集合对经过训练的初始极限梯度模型进行参数优化。
由于仅基于脉冲灯训练图像特征集合进行训练得的初始极限梯度模型可能只对脉冲灯训练图像特征集合这一特定集合有较优结果。因此利用脉冲灯测试图像特征集合对经过训练的初始极限梯度模型进行测试,检验经过训练的初始极限梯度模型是否可以很好地对脉冲灯训练图像特征集合以外的图像进行预测。如果经过训练的初始极限梯度模型在对脉冲灯测试图像特征集合进行预测时难以得到较优结果,则可以继续对经过训练的初始极限梯度模型中的参数做进一步优化,直至经过优化后的初始极限梯度模型可以很好地预测脉冲灯训练图像特征集合对应的各帧图像是否出现脉冲灯闪烁后可认为初始极限梯度模型中的参数已完成优化。
S210,将脉冲灯验证图像特征集合输入经过优化的初始极限梯度模型,若经过优化的初始极限梯度模型输出的预测脉冲灯闪烁信息与脉冲灯验证图像特征集合对应的实际脉冲灯闪烁信息之间的误差满足预设条件,则确定经过优化的初始极限梯度模型为极限梯度模型。
经过优化的初始极限梯度模型输出的预测脉冲灯闪烁信息与脉冲灯验证图像特征集合对应的实际脉冲灯闪烁信息之间的误差满足预设条件时,可认为经过优化的初始极限梯度模型对各种图像特征集合都可以有较好的预测能力,因此确定经过优化的初始极限梯度模型为极限梯度模型。
在一个实施例中,利用脉冲灯训练图像特征集合训练初始极限梯度模型,以训练初始极限梯度模型中的参数的步骤包括:根据初始极限梯度模型的目标函数的值调整初始极限梯度模型的参数,以使得初始极限梯度模型的目标函数的值最小化后完成训练初始极限梯度模型中的参数。
其中,初始极限梯度模型的目标函数为:
式中,表示损失函数,yi是脉冲灯训练图像特征集合中第i帧脉冲灯训练图像对应的实际脉冲灯闪烁结果,/>是脉冲灯训练图像特征集合中第i帧脉冲灯训练图像对应的预测脉冲灯闪烁结果,N是脉冲灯训练图像特征集合对应的脉冲灯训练图像集合中的脉冲灯训练图像总数,Ω(fk)表示模型的正则项,fk表示初始极限梯度模型中的第k棵决策树,K表述初始极限梯度模型中决策树的总数量。
在一个实施例中,初始极限梯度模型的目标函数采用二值交叉熵损失函数,通过增量训练完成模型的优化目标,在模型迭代收敛到t个决策树时,目标函数可以表示为:
其中,gi和hi可以表示为:
在一个实施例中,将脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合的步骤前还包括:对脉冲灯图像集合做信道分离处理,以将脉冲灯图像集合中各帧脉冲灯图像分离为多个子脉冲灯图像。具体而言,将每张图片分为RGB(红、绿、蓝三种颜色)3个信道,每个通道图片的像素点为256*256,分别对每个信道子脉冲灯图像进行特征提取。
在一个实施例中,卷积编码机由依次连接的三个编码卷积层、三个池化层、三个编码归一化层以及三个编码激活层组成。卷积解码机由依次连接的四个解码卷积层、三个上采样层、四个批样本归一化层以及四个解码激活层组成。本实施例中各层的数量仅是一种较优的实施例,也可以采用其他组合。
在一个实施例中,三个编码卷积层的编码卷积核的通道数依次为64、32、16,编码卷积核的尺寸为3*3,编码卷积层用于对输入编码卷积层的图像按下式进行滑动卷积运算:
式中,Yn,m为编码卷积层输出的图像中n行、m列的像素点的像素值,wv,u为v行、u列卷积核的权重,V和U分别为卷积核的宽度和高度,i为卷积核在输入编码卷积层的图像的行数,j为卷积核在输入编码卷积层的图像的列数,xi+v,j+u为输入编码卷积层的图像中i+v行、j+u列的像素点的像素值。在一个具体实施例中,为进一步降低图像的维度,同时也为了更好提取图像特征以及能够还原图像细节,对卷积后的特征图的区域保留该区域的最大像素值。
在一个实施例中,编码归一化层用于基于下式对输入编码归一化层的图像进行归一化处理:
式中,xi为输入编码归一化层的图像第i个像素点的像素值,μ为输入编码归一化层的图像所有像素点的像素值均值,σ为输入编码归一化层的图像所有像素点的像素值标准差,输入编码归一化层的图像第i个像素点的经过归一化处理后的像素值。具体而言,归一化处理可以使得模型中的数据分布在一个归一化标准之内,确保神经元输入值使得激活函数非饱和状态以避免梯度消失。
在一个实施例中,四个解码卷积层的解码卷积核通道数依次为16、32、64、64,解码卷积核的尺寸为3*3。
在一个实施例中,编码激活层可用于提高模型的拟合能力,利用激活函数对输入神经元非线性映射到输出神经元,本实施例采用目前最常用激活函数ReLU(RectifiedLinear Unit)函数,将非正数的神经元转化为零值,神经元值为正输出该值本身,以提高网络的稀疏性,具体为:
在一个具体实施例中,四个解码激活层前三层激活层采用线性整流函数激活,最后一层采用Sigmoid函数激活,保证输出图像在0到1之间。
在一个实施例中,步骤S108前还包括获取待检验电能表的标准电能信息。具体包括:获取待检验电能表的电流信号和电压信号;根据待检验电能表的电流信号和电压信号得到待检验电能表的标准电能信息。为了避免接线所带来的麻烦,可以通过带有无线传输功能的电流采集装置以电压采集装置分别采集待检验电能表的电流信号和电压信号。待检验电能表的电流信号和电压信号会经过模数转换变为数字信号。通过鉴相器对数字电流信号I[n]和数字电压信号U[n]进行鉴相处理,即鉴相器的输出UC[n+1]在I[n-1]为0,而I[n]为1时置为0,以及在U[n-1]为0,而U[n]为1时置为1。根据鉴相器的输出按下式计算出电压信号与电流信号之间的相位差:
从而根据电流信号、电压信号以及相位差可计算出标准有功功率信息和标准无功功率信息。
应该理解的是,虽然图1-图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-图2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如图3所示,本发明实施例还提供一种电能表的校验系统,包括电流采集装置10、电压采集装置30以及控制器50。电流采集装置10用于采集待检验电能表70的电流信号。具体而言,电流采集装置10包括电流传感器以及第一无线传输单元,电流传感器采集待检验电能表70的电流信号后通过第一无线传输单元的模数转换变为数字电流信号传输到控制器50。可选地,第一无线传输单元可以为采样点高达3.3×106点的LBCA2HNZYZ-711蓝牙模块,将电流传感器的输出端口接到该蓝牙模块,该蓝牙模块将电流信号由模拟量转换为数字量,然后通过蓝牙通道将采集的转换后的电流信号利用蓝牙传输到控制器50。
电压采集装置30用于采集所述待检验电能表70的电压信号。具体而言,电压采集装置30包括电压传感器和第二无线传输单元。可选地,电压传感器为交流电压互感器、第二无线传输单元为LBCA2HNZYZ-711蓝牙模块。交流电压互感器是一种将限流电阻内置,将其连接到电能表的ABC三相电压端子,通过检测电阻流过的电流,将交流电压互感器输出端连接至蓝牙模块,参照上述电流采集装置10的类似处理方式将电压信号由模拟量转换为数字量再传输至控制器50。
控制器50与电流采集装置10以及电压采集装置30通信连接,控制器50包括存储器与处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现用于根据电压信号和电流信号得到待检验电能表的标准电能信息的步骤,以及用于实现如上述任一实施例中的电能表的校验方法的步骤。
如图4所示,本发明实施例还提供一种电能表的校验装置,电能表的校验装置包括图像获取模块110、特征提取模块130、闪烁识别模块150以及校验模块170。图像获取模块110用于获取待校验电能表的脉冲灯图像集合。脉冲灯图像集合包括预设时间内所采集到的连续多帧脉冲灯图像。特征提取模块130用于将脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合.卷积编解码模型包括依次连接的卷积编码机和卷积解码机,图像特征集合包括脉冲灯图像集合中各帧脉冲灯图像的图像特征。闪烁识别模块150用于将图像特征集合输入极限梯度模型,以确定预设时间内的脉冲灯闪烁信息。极限梯度模型用于根据各帧脉冲灯图像的图像特征确定脉冲灯图像是否出现脉冲灯闪烁。校验模块170用于根据脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息,并根据电能表的标准电能信息对待校验电能信息进行校验。
在一个实施例中,电能表的校验装置还包括极限梯度模型训练模块,电能表的校验装置用于获取脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合;分别将脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合输入卷积编解码模型,以得到脉冲灯训练图像特征集合、脉冲灯测试图像特征集合以及脉冲灯验证图像特征集合;利用脉冲灯训练图像特征集合训练初始极限梯度模型,以训练初始极限梯度模型中的参数;利用脉冲灯测试图像特征集合对经过训练的初始极限梯度模型进行参数优化;将脉冲灯验证图像特征集合输入经过优化的初始极限梯度模型,若经过优化的初始极限梯度模型输出的预测脉冲灯闪烁信息与脉冲灯验证图像特征集合对应的实际脉冲灯闪烁信息之间的误差满足预设条件,则确定经过优化的初始极限梯度模型为极限梯度模型。
在一个实施例中,电能表的校验装置还包括标准电能信息获取模块,标准电能信息获取模块用于获取待检验电能表的电流信号和电压信号;根据待检验电能表的电流信号和电压信号得到待检验电能表的标准电能信息。
关于电能表的校验装置的具体限定可以参见上文中对于电能表的校验方法的限定,在此不再赘述。上述电能表的校验装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。需要说明的是,本申请实施例中对模块的划分是示意性的,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。
又一方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例中的电能表的校验方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
在本说明书的描述中,参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性描述不一定指的是相同的实施例或示例。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电能表的校验方法,其特征在于,包括:
获取待校验电能表的脉冲灯图像集合;所述脉冲灯图像集合包括预设时间内所采集到的连续多帧脉冲灯图像;
将所述脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合;所述卷积编解码模型包括依次连接的卷积编码机和卷积解码机,所述图像特征集合包括所述脉冲灯图像集合中各帧脉冲灯图像的图像特征;
将所述图像特征集合输入极限梯度模型,以确定所述预设时间内的脉冲灯闪烁信息;所述极限梯度模型用于根据所述各帧脉冲灯图像的图像特征确定所述脉冲灯图像是否出现脉冲灯闪烁,所述脉冲灯闪烁信息包括脉冲灯闪烁次数和脉冲灯闪烁间隔;
根据所述脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息;
对所述待校验电能表的电流信号与电压信号进行模数转换,得到数字电流信号和数字电压信号;
对所述数字电流信号和所述数字电压信号进行鉴相处理,得到所述电流信号与所述电压信号之间的相位差;
根据所述电流信号、所述电压信号和所述相位差,得到标准有功功率信息和标准无功功率信息,并将所述标准有功功率信息和所述标准无功功率信息作为所述待校验电能表的标准电能信息;
根据所述待校验电能表的标准电能信息对所述待校验电能信息进行校验。
2.根据权利要求1所述的电能表的校验方法,其特征在于,所述将所述图像特征集合输入极限梯度模型,以确定预设时间内的脉冲灯闪烁信息的步骤前还包括:
获取脉冲灯训练图像集合、脉冲灯测试图像集合以及脉冲灯验证图像集合;
分别将所述脉冲灯训练图像集合、所述脉冲灯测试图像集合以及所述脉冲灯验证图像集合输入所述卷积编解码模型,以得到脉冲灯训练图像特征集合、脉冲灯测试图像特征集合以及脉冲灯验证图像特征集合;
利用所述脉冲灯训练图像特征集合训练初始极限梯度模型,以训练所述初始极限梯度模型中的参数;
利用所述脉冲灯测试图像特征集合对经过训练的所述初始极限梯度模型进行参数优化;
将脉冲灯验证图像特征集合输入经过优化的所述初始极限梯度模型,若所述经过优化的所述初始极限梯度模型输出的预测脉冲灯闪烁信息与所述脉冲灯验证图像特征集合对应的实际脉冲灯闪烁信息之间的误差满足预设条件,则确定经过优化的所述初始极限梯度模型为所述极限梯度模型。
3.根据权利要求2所述的电能表的校验方法,其特征在于,利用所述脉冲灯训练图像特征集合训练初始极限梯度模型,以训练所述初始极限梯度模型中的参数的步骤包括:
根据所述初始极限梯度模型的目标函数的值调整所述初始极限梯度模型的参数,以使得所述初始极限梯度模型的目标函数的值最小化后完成训练所述初始极限梯度模型中的参数;
其中,所述初始极限梯度模型的目标函数为:
式中,表示损失函数,yi是所述脉冲灯训练图像特征集合中第i帧所述脉冲灯训练图像对应的实际脉冲灯闪烁结果,/>是所述脉冲灯训练图像特征集合中第i帧所述脉冲灯训练图像对应的预测脉冲灯闪烁结果,N是所述脉冲灯训练图像特征集合对应的所述脉冲灯训练图像集合中的脉冲灯训练图像总数,Ω(fk)表示模型的正则项,fk表示所述初始极限梯度模型中的第k棵决策树,K表述所述初始极限梯度模型中决策树的总数量。
4.根据权利要求1所述的电能表的校验方法,其特征在于,所述将所述脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合的步骤前还包括:
对所述脉冲灯图像集合做信道分离处理,以将所述脉冲灯图像集合中各帧所述脉冲灯图像分离为多个子脉冲灯图像。
5.根据权利要求4所述的电能表的校验方法,其特征在于,所述卷积编码机由依次连接的三个编码卷积层、三个池化层、三个编码归一化层以及三个编码激活层组成;所述卷积解码机由依次连接的四个解码卷积层、三个上采样层、四个批样本归一化层以及四个解码激活层组成。
6.根据权利要求5所述的电能表的校验方法,其特征在于,所述三个编码卷积层的编码卷积核的通道数依次为64、32、16,所述编码卷积核的尺寸为3*3,所述编码卷积层用于对输入所述编码卷积层的图像按下式进行滑动卷积运算:
式中,Yn,m为所述编码卷积层输出的图像中n行、m列的像素点的像素值,wv,u为v行、u列卷积核的权重,V和U分别为卷积核的宽度和高度,i为卷积核在所述输入所述编码卷积层的图像的行数,j为卷积核在所述输入所述编码卷积层的图像的列数,xi+v,j+u为所述输入所述编码卷积层的图像中i+v行、j+u列的像素点的像素值。
7.根据权利要求5所述的电能表的校验方法,其特征在于,所述编码归一化层用于基于下式对输入所述编码归一化层的图像进行归一化处理:
式中,xi为所述输入所述编码归一化层的图像第i个像素点的像素值,μ为所述输入所述编码归一化层的图像所有像素点的像素值均值,σ为所述输入所述编码归一化层的图像所有像素点的像素值标准差,所述输入所述编码归一化层的图像第i个像素点的经过所述归一化处理后的像素值。
8.根据权利要求5所述的电能表的校验方法,其特征在于,所述四个解码卷积层的解码卷积核通道数依次为16、32、64、64,所述解码卷积核的尺寸为3*3。
9.一种电能表的校验系统,其特征在于,包括:
电流采集装置,用于采集待检验电能表的电流信号;
电压采集装置,用于采集所述待检验电能表的电压信号;
控制器,与所述电流采集装置以及所述电压采集装置通信连接,所述控制器包括存储器与处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现用于根据所述电压信号和所述电流信号得到所述待检验电能表的标准电能信息的步骤,以及用于实现如权利要求1-8任一项所述的电能表的校验方法的步骤。
10.一种电能表的校验装置,其特征在于,包括:
图像获取模块,用于获取待校验电能表的脉冲灯图像集合;所述脉冲灯图像集合包括预设时间内所采集到的连续多帧脉冲灯图像;
特征提取模块,用于将所述脉冲灯图像集合输入卷积编解码模型,以得到图像特征集合;所述卷积编解码模型包括依次连接的卷积编码机和卷积解码机,所述图像特征集合包括所述脉冲灯图像集合中各帧脉冲灯图像的图像特征;
闪烁识别模块,用于将所述图像特征集合输入极限梯度模型,以确定所述预设时间内的脉冲灯闪烁信息;所述极限梯度模型用于根据所述各帧脉冲灯图像的图像特征确定所述脉冲灯图像是否出现脉冲灯闪烁;
校验模块,用于根据脉冲灯闪烁信息和功率脉冲常数得到待校验电能信息;
对所述待校验电能表的电流信号与电压信号进行模数转换,得到数字电流信号和数字电压信号;对所述数字电流信号和所述数字电压信号进行鉴相处理,得到所述电流信号与所述电压信号之间的相位差;根据所述电流信号、所述电压信号和所述相位差,得到标准有功功率信息和标准无功功率信息,并将所述标准有功功率信息和所述标准无功功率信息作为所述待校验电能表的标准电能信息;根据所述待校验电能信息的标准电能信息对所述待校验电能信息进行校验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111303779.0A CN114062997B (zh) | 2021-11-05 | 2021-11-05 | 电能表的校验方法、系统以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111303779.0A CN114062997B (zh) | 2021-11-05 | 2021-11-05 | 电能表的校验方法、系统以及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114062997A CN114062997A (zh) | 2022-02-18 |
CN114062997B true CN114062997B (zh) | 2024-03-19 |
Family
ID=80274299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111303779.0A Active CN114062997B (zh) | 2021-11-05 | 2021-11-05 | 电能表的校验方法、系统以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114062997B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932711B (zh) * | 2023-03-10 | 2023-07-07 | 杭州炬华科技股份有限公司 | 一种电能表计量可信度的数据处理方法、装置及介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323565A (zh) * | 2011-08-09 | 2012-01-18 | 华立仪表集团股份有限公司 | 一种电能计量仪表 |
WO2014027318A1 (en) * | 2012-08-17 | 2014-02-20 | Reliance Infrastructure Ltd. | Meter testing device |
CN103675752A (zh) * | 2012-11-30 | 2014-03-26 | 国网电力科学研究院 | 一种电能表快速检测装置和方法 |
CN106370898A (zh) * | 2016-08-15 | 2017-02-01 | 国网北京市电力公司 | 检测窃电的方法和装置及移动终端 |
CN207502709U (zh) * | 2017-12-13 | 2018-06-15 | 国网安徽省电力公司淮南供电公司 | 一种无线电能表校验仪 |
CN108593989A (zh) * | 2018-05-23 | 2018-09-28 | 国网天津市电力公司 | 利用电表脉冲闪烁间隔推算10kV变压器功率和电流方法 |
CN109063712A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统 |
CN110018436A (zh) * | 2019-03-26 | 2019-07-16 | 国家电网有限公司 | 基于图像识别技术的功率测试仪及功率测试方法 |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN110399849A (zh) * | 2019-07-30 | 2019-11-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、处理器、电子设备及存储介质 |
CN110579734A (zh) * | 2019-07-29 | 2019-12-17 | 广西电网有限责任公司 | 一种单相电能表电能质量分析的方法及单相电能表 |
CN111507210A (zh) * | 2020-03-31 | 2020-08-07 | 华为技术有限公司 | 交通信号灯的识别方法、系统、计算设备和智能车 |
CN112540224A (zh) * | 2020-12-02 | 2021-03-23 | 广东电网有限责任公司 | 一种抄表机及电表数据的检测方法 |
CN112595918A (zh) * | 2020-12-26 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压集抄故障的检测方法及装置 |
CN112686329A (zh) * | 2021-01-06 | 2021-04-20 | 西安邮电大学 | 基于双核卷积特征提取的电子喉镜图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9747790B1 (en) * | 2016-02-12 | 2017-08-29 | King Fahd University Of Petroleum And Minerals | Method, device, and computer-readable medium for correcting at least one error in readings of electricity meters |
-
2021
- 2021-11-05 CN CN202111303779.0A patent/CN114062997B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323565A (zh) * | 2011-08-09 | 2012-01-18 | 华立仪表集团股份有限公司 | 一种电能计量仪表 |
WO2014027318A1 (en) * | 2012-08-17 | 2014-02-20 | Reliance Infrastructure Ltd. | Meter testing device |
CN103675752A (zh) * | 2012-11-30 | 2014-03-26 | 国网电力科学研究院 | 一种电能表快速检测装置和方法 |
CN106370898A (zh) * | 2016-08-15 | 2017-02-01 | 国网北京市电力公司 | 检测窃电的方法和装置及移动终端 |
CN207502709U (zh) * | 2017-12-13 | 2018-06-15 | 国网安徽省电力公司淮南供电公司 | 一种无线电能表校验仪 |
CN108593989A (zh) * | 2018-05-23 | 2018-09-28 | 国网天津市电力公司 | 利用电表脉冲闪烁间隔推算10kV变压器功率和电流方法 |
CN109063712A (zh) * | 2018-06-22 | 2018-12-21 | 哈尔滨工业大学 | 一种基于超声图像的多模型肝脏弥漫性疾病智能诊断方法及系统 |
CN110018436A (zh) * | 2019-03-26 | 2019-07-16 | 国家电网有限公司 | 基于图像识别技术的功率测试仪及功率测试方法 |
CN110579734A (zh) * | 2019-07-29 | 2019-12-17 | 广西电网有限责任公司 | 一种单相电能表电能质量分析的方法及单相电能表 |
CN110399849A (zh) * | 2019-07-30 | 2019-11-01 | 北京市商汤科技开发有限公司 | 图像处理方法及装置、处理器、电子设备及存储介质 |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN111507210A (zh) * | 2020-03-31 | 2020-08-07 | 华为技术有限公司 | 交通信号灯的识别方法、系统、计算设备和智能车 |
CN112540224A (zh) * | 2020-12-02 | 2021-03-23 | 广东电网有限责任公司 | 一种抄表机及电表数据的检测方法 |
CN112595918A (zh) * | 2020-12-26 | 2021-04-02 | 广东电网有限责任公司广州供电局 | 一种低压集抄故障的检测方法及装置 |
CN112686329A (zh) * | 2021-01-06 | 2021-04-20 | 西安邮电大学 | 基于双核卷积特征提取的电子喉镜图像分类方法 |
Non-Patent Citations (1)
Title |
---|
基于SOPC的手持式电能表现场校验仪设计;陈成;电测与仪表;第49卷(第S1期);第161-164页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114062997A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109034127B (zh) | 一种频谱异常检测方法、装置和电子设备 | |
CN111754026B (zh) | 光伏电站群功率预测方法、装置、计算机设备及存储介质 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN111444615B (zh) | 一种基于k近邻和iv曲线的光伏阵列故障诊断方法 | |
CN110579734B (zh) | 一种单相电能表电能质量分析的方法及单相电能表 | |
CN102792671B (zh) | 用于图像采集和转换的方法和装置 | |
CN110490799B (zh) | 基于自融合卷积神经网络的高光谱遥感影像超分辨率方法 | |
CN114062997B (zh) | 电能表的校验方法、系统以及装置 | |
CN106779086A (zh) | 一种基于主动学习和模型剪枝的集成学习方法及装置 | |
CN109815959A (zh) | 一种冬小麦产量预测方法及装置 | |
CN110849821B (zh) | 基于贝叶斯定理的黑臭水体遥感识别方法 | |
Lubana et al. | Minimalistic image signal processing for deep learning applications | |
CN116050595A (zh) | 一种注意力机制与分解机制耦合的径流量预测方法 | |
CN116612103A (zh) | 一种基于机器视觉的建筑结构裂缝智能检测方法及其系统 | |
US20210004661A1 (en) | Convolutional neural network for estimating a solar energy production indicator | |
CN112990107B (zh) | 高光谱遥感图像水下目标检测方法、装置及计算机设备 | |
CN113256733A (zh) | 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法 | |
CN114066819A (zh) | 基于卷积神经网络深度学习的环境腐蚀严酷度识别方法 | |
CN113947643A (zh) | Rgb图像重建为高光谱图像的方法、装置、设备及存储介质 | |
CN113936200A (zh) | 一种基于移动终端的电表箱图像质量检测方法 | |
CN117630611B (zh) | 全带宽高频局放prpd谱图捕获生成方法及系统 | |
CN113743355B (zh) | 开关装置状态校核方法、装置、系统和计算机设备 | |
CN105842495A (zh) | 基于图像处理的电能表 | |
CN116908518B (zh) | 一种带剩余电流检测的采集终端 |
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 |