CN114295883B - 一种提高光纤电流传感器测量精度的多维度标定方法 - Google Patents
一种提高光纤电流传感器测量精度的多维度标定方法 Download PDFInfo
- Publication number
- CN114295883B CN114295883B CN202210007949.9A CN202210007949A CN114295883B CN 114295883 B CN114295883 B CN 114295883B CN 202210007949 A CN202210007949 A CN 202210007949A CN 114295883 B CN114295883 B CN 114295883B
- Authority
- CN
- China
- Prior art keywords
- current
- optical fiber
- model
- sensor
- calibration
- 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
Landscapes
- Measuring Instrument Details And Bridges, And Automatic Balancing Devices (AREA)
Abstract
本发明公开了一种提高光纤电流传感器测量精度的多维度标定方法,使用多维运行参数来进行精度校准;选取传感器运行参数组成特征向量,获取测量电流与标准对照电流的百分误差作为数据标签;选择合适的机器学习回归模型,通过输入实时监测到的特征向量至该模型,获取标准电流与测量值的百分误差,最终得到标准电流;本发明利用多个参数来进行标定,结合机器学习算法就可以实现标定精度的提升,使光纤电流传感器有更好的测量准确度和稳定性。
Description
技术领域
本发明涉及光纤电流传感器技术领域,主要涉及一种提高光纤电流传感器测量精度的标定方法。
背景技术
光纤电流传感器(Fiber Optical Current Sensor,FOCS),尤其是反射式光纤电流传感器是一种广泛运用于电网系统中检测电流的传感器。由于其具有良好的测量精度和抗电磁干扰性、广泛的测量范围,逐渐在高压电测量中取代传统的电磁式电流互感器。
光纤电流传感器测量原理基于法拉第磁光效应,通过宽带光的干涉来实现精确的电流测量。更具体的工作原理是利用Sagnac结构,通过干涉技术测量出磁光效应产生的相位差,这样根据相位差大小即可推断出电流大小。所以,光纤电流传感器主要包括宽带的光源,它是测量的载体;包括传感光纤,它是通过快速旋转保偏光纤而形成的光纤,用于传感电流大小;包括四分之一波片,将线偏振转换成圆偏振的器件;包括相位调制器,其作用是为了实现磁光相位的精确解调;包括长距离的延时光纤等。光纤电流传感器的测试精度会受到外界的温度或振动的影响,尤其是温度影响。温度的变化,不仅会改变传感光纤的磁光系数和光纤结构参数,而且还会影响到光纤四分之一波片的特性,进而造成传感光的偏振会偏离理想的偏振态,造成测量的误差。另外,光纤的振动或挤压会导致传感光的偏振或功率的变化,造成测量的误差。
现有的光纤电流互感器的精度校准方法是选取特定的温度点进行实验,将真实值与测试值进行对比,从而获得温度校准系数。然而,温度对系统的影响比较复杂,会与工作环境、工作时长、光纤状态等都有关联,可能会导致温度校准系数不精确。
温度、振动和挤压对光纤电流传感器的影响可以表现在多个传感器运行参数方面,例如光源的驱动电流、探测光的信号及其频谱大小,调制器的驱动电压等。这些参数或是器件的工作参数,或是可计算的参数,都可以实时的获取。这些参数都包含有光纤电流传感器的光路偏振与调制信息,可以用来描述传感器的工作状态。理论上来讲,包括温度在内,所有这些传感器运行参数,无论是单个参数,还是多个参数,都可以作为测试精度的校准参数。
发明内容
发明目的:针对上述背景技术中存在的问题,本发明提供了一种提高光纤电流传感器测量精度的多维度标定方法,通过选取测量电流与标准对照电流的百分误差值为数据标签,选取一系列传感器运行参数作为特征值组成特征变量,使用XGBoost、神经网络等机器学习方法对回归模型做训练,最后利用训练好的回归模型对测量电流与标准对照电流的百分误差值进行预测,实现对光纤电流传感器的多维度标定。
技术方案:为实现上述目的,本发明采用的技术方案为:
1、一种提高光纤电流传感器测量精度的多维度标定方法,其特征在于,包括以下步骤:
步骤S1、将待标定的光纤电流传感器放置于T1温度的稳定环境下,设定标准对照电流为It1,获取光纤传感器的电流测量值Im1,获取标准对照电流和测量值的百分误差值Y1=(Im1-It1)/It1;分别获取T1温度下光纤电流传感器与测量精度有关的运行参数作为特征值。依次记为x1、x2…xn,将T1温度状态下的各特征值组成特征向量A1=[x1,x2…xn]1;
步骤S2、保持标准对照电流不变,改变温度环境为T2,测量步骤S1所述各特征值,获取T2温度下的特征向量A2=[x1,x2…xn]2,计算百分误差值Y2;继续改变温度环境,获取若干组在标准对照电流It1下的特征向量及百分误差值;
步骤S3、改变标准对照电流为It2,重复步骤S2,获取若干组在标准电流It2下的特征向量及百分误差值;
步骤S4、重复步骤S1-S3,直至样本数量超过预设阈值;将每次测量的百分误差值Yn作为对应样本特征向量An的标签;
步骤S5、随机划分训练集和测试集,将训练集放入机器学习回归模型进行模型预训练,并将测试集放入预训练后的模型,获取测试输出;迭代回归模型,直至模型在测试集的输出误差结果小于误差阈值,则将所述机器学习回归模型作为光纤电流传感器的标定模型;
步骤S6、基于训练好的标定模型,获取步骤S1中所述的实时传感器运行参数:环境温度、二次谐波,组成特征向量A,将特征向量A输入标定模型,获取特征向量A对应的标签Y,即测量电流和真实电流的百分误差值,则真实电流It满足It=Im/(Y+1),实现精准标定。
进一步地,所述传感器运行参数包括电源驱动电流、谐波分量、电流测量值、驱动电压大小、传感器环境温度。
进一步地,所述步骤S5中采用XGBoost或神经网络中的任一种机器学习模型进行回归拟合。
有益效果:
本发明提供了一种提升光纤电流传感器标定精度的多维度标定方法。改变原有标定方法在温度循环下简单的单变量标定方式,仅需使用FOCS监测模块提取实时传感器运行参数与电流测量误差有关的传感器运行参数作为特征值进行多变量标定。使用XGBoost、神经网络等机器学习模型进行回归拟合,让模型学习包括测量温度与真实环境温度的误差关系,以及由于温度变化、不可避免的环境微弱振动和spun光纤缠绕时可能出现的挤压等造成的传感器测量误差与标定曲线的关系。本发明采用多维度的标定方式,在不增加额外器件的情况下,仅通过结合机器学习算法就可以实现多维度标定,使光纤电流传感器有更好的测量准确度和稳定性。
附图说明
图1是本发明提供的提高光纤电流传感器测量精度的多维度标定方法流程图;
图2是本发明提供的另一个提高光纤电流传感器测量精度的多维度标定方法流程图;
图3是实施例1中训练模型在测试集上的预测效果;
图4是实施例1中测试集标定前后测量误差绝对值的对比图;
图5是实施例2中训练模型在测试集上的预测效果;
图6是实施例2中测试集标定前后测量误差绝对值的对比图。
具体实施方式
下面结合附图对本发明作更进一步的说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的提高光纤电流传感器测量精度的多维度标定方法如图1-2所示。光纤电流传感器本质上是基于法拉第磁光效应,通过宽带光的干涉,外加例如pzt的相位调制器进行相位调制,最后通过锁相放大器对输出信号的一次谐波、二次谐波、四次谐波进行解调从而得到电流的大小的一种高精度传感器。光纤电流传感器在工作时,由于极端的昼夜温差、器件老化、光纤受到震动、挤压等影响均会导致光纤电流传感器测量存在误差,原有的出厂标定曲线准确性也因为上述原因变得不再准确。温度、振动和挤压对光纤电流传感器的影响可以表现在多个传感器运行参数方面,例如光源的驱动电流、探测光的信号及其频谱大小,调制器的驱动电压等。这些参数或是器件的工作参数,或是可计算的参数,都可以实时的获取。这些参数都包含有光纤电流传感器的光路偏振与调制信息,可以用来描述传感器的工作状态。理论上来讲,包括温度在内,所有这些传感器运行参数,无论是单个参数,还是多个参数,都可以作为测试精度的校准参数。
因此本发明提供了一种可以根据不同工作环境对光纤电流传感器进行精准标定的方法,使得标定不仅仅依赖单变量温度,而是通过诸多与测量精度相关的传感器运行参数进行多维度标定。实施例1的具体步骤包括:
步骤S1、本实施例采用典型的反射式Sagnac干涉型电流互感器作为待标定光纤电流传感器。将待标定的光纤电流传感器放置于T1温度的稳定环境下,设定标准对照电流为It1,获取光纤传感器的电流测量值Im1,获取标准对照电流和测量值的百分误差值Y1=(Im1-It1)/It1。获取T1温度下光纤电流传感器的环境温度、二次谐波作为特征值,依次记为x1、x2,将T1温度状态下的各特征值组成特征向量A1=[x1,x2]1。
步骤S2、保持标准对照电流不变,改变温度环境为T2,测量步骤S1各特征值,获取T2温度下的特征向量A2=[x1,x2]2,计算百分误差值Y2。继续改变温度环境,获取若干组在标准对照电流It1下的特征向量及百分误差值。
步骤S3、改变标准对照电流为It2,重复步骤S2,获取若干组在标准电流It2下的特征向量及百分误差值。
步骤S4、重复步骤S1-S3,直至样本数量超过预设阈值。将每次测量的百分误差值Yn作为对应样本特征向量An的标签。上述预设阈值可以先根据经验设置为10000等较大的值,之后可根据后续步骤S5的训练结果进行反馈调整。
步骤S5、按照一定比例的随机划分训练集和测试集,本实施例选择8:2,将训练集放入机器学习回归模型进行模型预训练,并将测试集放入预训练后的模型,获取测试输出。由于初始回归模型本身拟合精度不足,存在与实际情况误差较大的问题,通过更改模型参数,在不断迭代自更新后,标定模型通过自学习,不断缩小误差,本发明比较测试数据集中各个样本特征向量的预测结果与样本标签,通过计算测试集输出结果的均方误差MSE或者平均绝对百分比误差MAPE等方式进行衡量,若测试集的输出结果误差不高于误差阈值,则将该回归模型确定为标定模型。
上述误差阈值可以依据相应的检测精度进行设置,例如设置均方误差MSE为0.005,则意味着当标定模型某一时刻测试集输出结果的均方误差MSE不高于0.005时,该标定模型符合预期,可以用作最终标定模型。
上述初始回归模型可以包括XGBoost、神经网络、SVR等基学习器或组装起来使用VotingRegressor进行进一步集成学习以提高准确率和稳定性。
该步骤将步骤S4获取数据集按比例划分为训练数据集和测试数据集,分别用于训练模型和测试模型拟合效果。先选择一种或几种机器学习的回归模型,例如XGBoost、神经网络、SVR等,作为待训练的模型,将训练数据集中的样本特征向量和样本标签依次输入至待训练模型,不断尝试更换模型和调整模型参数以优化拟合效果,得到已训练的模型,此为训练过程。之后,将测试数据集中的样本特征向量依次输入至已训练的模型中,得到输出结果并与样本标签比较,计算得到模型误差(或者拟合准确率),此为测试过程。根据模型的测试误差和时间消耗情况来确定效果较好的回归模型,要求测试误差小、时间消耗少,并保存已训练好的回归模型作为标定模型用于实际电流测量场景。
步骤S6、基于训练好的标定模型,获取光纤电流传感器的测量电流Im、二次谐波组成特征向量A,将特征向量A输入标定模型,获取特征向量A对应的标签Y,即测量电流和真实电流的百分误差值,则真实电流It满足It=Im/(Y+1),实现精准标定。
如图3所示是实施例1中训练模型在测试集上的预测效果。该实施例采用一个光纤电流传感器出厂标定时所测的真实数据,按照如上建模步骤。最终模型在测试集上的表现效果为:均方误差MSE为0.0006。
如图4所示是实施例1中测试集标定前后测量误差绝对值的对比图。在本实施例中,测试集样本电流测量值为Im,标定前测量误差为样本标签Y,机器学习模型预测的测量误差为Yp,则标定后认为的电流真实值为Ita=Im/(Yp+1),由于实际电流真实值为It=Im/(Y+1),则可求传感器标定后电流测量误差为(Ita-It)/It=(Y-Yp)/(1+Yp)。在本实施例中,标定前的平均测量误差是0.0317%,标定后的平均测量误差降低为0.0162%。
选取为特征值的光纤电流传感器运行参数,在实际应用中可以根据模型拟合情况做灵活修改或适当补充,一般来说,适当的扩充特征可以有更好的拟合效果。在实施例2中将特征值扩充为6个,分别为:传感器环境温度、光源驱动电流、测量电流、调制器电压、二次谐波、四次谐波。数据标签仍为标准对照电流和测量值的百分误差值。且其他步骤均保持不变。
如图5所示是实施例2中训练模型在测试集上的预测效果。最终模型在测试集上的表现效果为:均方误差MSE为0.0002。
如图6所示是实施例2中测试集标定前后测量误差绝对值的对比图。在本实施例中,标定前的平均测量误差是0.0317%,标定后的平均测量误差降低为0.0085%。效果好于仅选取2个特征值的实施例。
为了方便对照,采用绝对值测量误差进行画图对比。可以明显看出,本发明采用新的多维度标定方法可以有效提升光纤传感器测量精度,由于结合了机器学习原理,在仅改变算法的情况下有效提升了电流测量精度,并不会增加系统负担,具有良好的应用前景。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种提高光纤电流传感器测量精度的多维度标定方法,其特征在于,包括以下步骤:步骤S1、将待标定的光纤电流传感器放置于T1温度的稳定环境下,设定标准对照电流为It1,获取光纤传感器的电流测量值Im1,获取标准对照电流和测量值的百分误差值Y1=(Im1-It1)/ It1;分别获取T1温度下光纤电流传感器与测量精度有关的若干个运行参数作为特征值;依次记为x1、x2…xn,将T1温度状态下的各特征值组成特征向量A1=[x1 ,x2…xn ]1;
步骤S2、保持标准对照电流不变,改变温度环境为T2,测量步骤S1所述各特征值,获取T2温度下的特征向量A2=[x1 ,x2…xn ]2,计算百分误差值Y2;继续改变温度环境,获取若干组在 标准对照电流It1下的特征向量及百分误差值;
步骤S3、改变标准对照电流为It2,重复步骤S2,获取若干组在标准电流It2下的特征向量及百分误差值;
步骤S4、重复步骤S1-S3,直至样本数量超过预设阈值;将每次测量的百分误差值Yn作为对应样本特征向量An的标签;
步骤S5、随机划分训练集和测试集,将训练集放入机器学习回归模型进行模型预训练,并将测试集放入预训练后的模型,获取测试输出;迭代回归模型,直至模型在测试集的输出误差结果小于误差阈值,则将所述机器学习回归模型作为光纤电流传感器的标定模型;
步骤S6、基于训练好的标定模型,获取步骤S1中所述的光纤电流传感器实时电流传感器运行参数,组成特征向量A,将特征向量A输入标定模型,获取特征向量A对应的标签Y,即测量电流和真实电流的百分误差值,则真实电流为It满足为It=Im /(Y+1),实现精准标定;
所述传感器运行参数包括电源驱动电流、谐波分量、电流测量值、驱动电压大小、传感器环境温度。
2.根据权利要求1所述的一种提高光纤电流传感器测量精度的多维度标定方法,其特征在于,所述步骤S5中采用XGBoost或神经网络机器学习模型进行回归拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210007949.9A CN114295883B (zh) | 2022-01-06 | 2022-01-06 | 一种提高光纤电流传感器测量精度的多维度标定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210007949.9A CN114295883B (zh) | 2022-01-06 | 2022-01-06 | 一种提高光纤电流传感器测量精度的多维度标定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114295883A CN114295883A (zh) | 2022-04-08 |
CN114295883B true CN114295883B (zh) | 2023-08-22 |
Family
ID=80975397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210007949.9A Active CN114295883B (zh) | 2022-01-06 | 2022-01-06 | 一种提高光纤电流传感器测量精度的多维度标定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114295883B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327206B (zh) * | 2022-10-13 | 2023-03-24 | 北京世维通光智能科技有限公司 | 基于光纤电流传感器的电流获取方法、装置及设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0854354A1 (de) * | 1997-01-16 | 1998-07-22 | Abb Research Ltd. | Verfahren zur Temperaturkompensation von Messsignalen eines faseroptischen Sensors |
WO2001069191A1 (en) * | 2000-03-13 | 2001-09-20 | Autoline, Inc. | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
WO2003096088A1 (en) * | 2002-12-05 | 2003-11-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Fusion temperature calibration |
CN101644752A (zh) * | 2009-08-14 | 2010-02-10 | 河南电力试验研究院 | 一种电流互感器在线精度检测方法和系统 |
EP2333498A1 (en) * | 2009-12-10 | 2011-06-15 | Kabushiki Kaisha Toshiba | Sagnac interferometer-type fiber-optic current sensor |
CN103292931A (zh) * | 2013-05-31 | 2013-09-11 | 国家电网公司 | 一种电力电缆光纤测温基准数据测量装置 |
CN104198869A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 基于rtds的全光纤电流互感器实时数字仿真模型 |
CN105301348A (zh) * | 2014-05-27 | 2016-02-03 | 深圳市方隅光电科技有限公司 | 全光纤电流互感器的温度特性测试系统及方法 |
CN107767722A (zh) * | 2017-11-14 | 2018-03-06 | 国网浙江省电力公司培训中心 | 一种多功能数字化电能计量培训仿真系统 |
CN108594153A (zh) * | 2018-04-08 | 2018-09-28 | 哈尔滨工业大学 | 一种光纤电流互感器温度与标度因数非线性分区间综合补偿方法 |
CN108680889A (zh) * | 2018-06-11 | 2018-10-19 | 中国电力科学研究院有限公司 | 一种低温电磁干扰下全光纤电流互感器准确度的方法及系统 |
CN108918940A (zh) * | 2018-06-29 | 2018-11-30 | 北京四方继保自动化股份有限公司 | 带有温度补偿的全光纤电流互感系统及方法 |
CN109696577A (zh) * | 2019-01-02 | 2019-04-30 | 国网江苏省电力有限公司 | 一种集成温度监测的光纤电流传感器及其测量方法 |
CN112883634A (zh) * | 2021-01-18 | 2021-06-01 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维度分析的直流测量系统状态预测方法及系统 |
CN113251942A (zh) * | 2021-07-14 | 2021-08-13 | 四川大学 | 基于应变和声波传感的发电机定子故障监测的方法和装置 |
CN113297797A (zh) * | 2021-06-02 | 2021-08-24 | 东南大学 | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6680809B2 (ja) * | 2018-01-09 | 2020-04-15 | ファナック株式会社 | ファイバレーザ装置及び機械学習装置 |
-
2022
- 2022-01-06 CN CN202210007949.9A patent/CN114295883B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0854354A1 (de) * | 1997-01-16 | 1998-07-22 | Abb Research Ltd. | Verfahren zur Temperaturkompensation von Messsignalen eines faseroptischen Sensors |
WO2001069191A1 (en) * | 2000-03-13 | 2001-09-20 | Autoline, Inc. | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
WO2003096088A1 (en) * | 2002-12-05 | 2003-11-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Fusion temperature calibration |
CN101644752A (zh) * | 2009-08-14 | 2010-02-10 | 河南电力试验研究院 | 一种电流互感器在线精度检测方法和系统 |
EP2333498A1 (en) * | 2009-12-10 | 2011-06-15 | Kabushiki Kaisha Toshiba | Sagnac interferometer-type fiber-optic current sensor |
CN103292931A (zh) * | 2013-05-31 | 2013-09-11 | 国家电网公司 | 一种电力电缆光纤测温基准数据测量装置 |
CN105301348A (zh) * | 2014-05-27 | 2016-02-03 | 深圳市方隅光电科技有限公司 | 全光纤电流互感器的温度特性测试系统及方法 |
CN104198869A (zh) * | 2014-09-25 | 2014-12-10 | 国家电网公司 | 基于rtds的全光纤电流互感器实时数字仿真模型 |
CN107767722A (zh) * | 2017-11-14 | 2018-03-06 | 国网浙江省电力公司培训中心 | 一种多功能数字化电能计量培训仿真系统 |
CN108594153A (zh) * | 2018-04-08 | 2018-09-28 | 哈尔滨工业大学 | 一种光纤电流互感器温度与标度因数非线性分区间综合补偿方法 |
CN108680889A (zh) * | 2018-06-11 | 2018-10-19 | 中国电力科学研究院有限公司 | 一种低温电磁干扰下全光纤电流互感器准确度的方法及系统 |
CN108918940A (zh) * | 2018-06-29 | 2018-11-30 | 北京四方继保自动化股份有限公司 | 带有温度补偿的全光纤电流互感系统及方法 |
CN109696577A (zh) * | 2019-01-02 | 2019-04-30 | 国网江苏省电力有限公司 | 一种集成温度监测的光纤电流传感器及其测量方法 |
CN112883634A (zh) * | 2021-01-18 | 2021-06-01 | 中国南方电网有限责任公司超高压输电公司广州局 | 基于多维度分析的直流测量系统状态预测方法及系统 |
CN113297797A (zh) * | 2021-06-02 | 2021-08-24 | 东南大学 | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 |
CN113251942A (zh) * | 2021-07-14 | 2021-08-13 | 四川大学 | 基于应变和声波传感的发电机定子故障监测的方法和装置 |
Non-Patent Citations (1)
Title |
---|
PSO-BPNN的光纤传感器测量误差补偿研究;钱新杰;胡桂香;;激光杂志(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114295883A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114295883B (zh) | 一种提高光纤电流传感器测量精度的多维度标定方法 | |
CN108693496A (zh) | 一种基于参量退化方程的智能电能表误差预估方法 | |
CN110412472B (zh) | 一种基于正态伽马滤波的电池荷电状态估计方法 | |
CN114459525B (zh) | 适用于霍尔传感器的校准方法、装置及存储介质 | |
CN112363099A (zh) | 一种tmr电流传感器温漂与地磁场校正装置及方法 | |
CN112345813A (zh) | 动态测量精度的动态补偿方法 | |
CN113536662B (zh) | 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 | |
US20210097417A1 (en) | Model structure selection apparatus, method, disaggregation system and program | |
CN117054958A (zh) | 一种基于大数据的电能表初始固有误差优化偏移范围的方法 | |
WO2017090428A1 (ja) | 電力系統監視装置および電力系統監視方法 | |
CN115344621A (zh) | 基于解缠绕网络的多变量时间序列异常检测方法及系统 | |
KR20220117311A (ko) | 가스 센서의 작동을 위한 방법 및 장치 | |
CN117066301B (zh) | 结合生产质量监测的钛带卷加工调控方法及系统 | |
CN109979033A (zh) | 一种基于宽度学习算法的工业生产产量监测方法 | |
CN117970978B (zh) | 一种适用于实验的恒温恒湿实验箱自动调控系统 | |
CN117907918A (zh) | 一种电流传感器的校准方法及系统 | |
TWI690697B (zh) | 溫度感測器的評估方法 | |
CN110460376B (zh) | 评估垂直腔面发射激光器l-i故障诊断模型的优化方法 | |
CN114742006B (zh) | 基于fw-esn的石英晶振动态温频特性建模方法 | |
CN115660398A (zh) | 一种基于环境试验的全流程监督评估方法 | |
Zhao et al. | Research on Calibration of Steam Thermometers in Cigarette Factory Based on LSTM Neural Network | |
Roger et al. | Validation of the procedure: Quantification of the degradation index of Photovoltaic Grid Connection Systems | |
Dhahad | A cognitive neural linearization model design for temperature measurement system based on optimization algorithm | |
Zippelius et al. | Comparing prediction methods for LED failure measured with Transient Thermal Analysis | |
CN112230532A (zh) | 一种新的原子钟信号预测方法、装置及系统 |
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 |