CN114900126A - 太阳能电池组件的接地测试设备及其接地测试方法 - Google Patents
太阳能电池组件的接地测试设备及其接地测试方法 Download PDFInfo
- Publication number
- CN114900126A CN114900126A CN202210817982.8A CN202210817982A CN114900126A CN 114900126 A CN114900126 A CN 114900126A CN 202210817982 A CN202210817982 A CN 202210817982A CN 114900126 A CN114900126 A CN 114900126A
- Authority
- CN
- China
- Prior art keywords
- matrix
- feature
- characteristic
- responsiveness
- grounding
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 151
- 238000010998 test method Methods 0.000 title claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 259
- 238000005259 measurement Methods 0.000 claims abstract description 104
- 230000004043 responsiveness Effects 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 113
- 239000002689 soil Substances 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 229940050561 matrix product Drugs 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 8
- 230000004044 response Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000004020 conductor Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
- G01R27/02—Measuring real or complex resistance, reactance, impedance, or other two-pole characteristics derived therefrom, e.g. time constant
- G01R27/20—Measuring earth resistance; Measuring contact resistance, e.g. of earth connections, e.g. plates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/26—Testing of individual semiconductor devices
- G01R31/2601—Apparatus or methods therefor
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Individual Semiconductor Devices (AREA)
- Photovoltaic Devices (AREA)
Abstract
本申请涉及太阳能电池技术领域,其具体地公开了一种太阳能电池组件的接地测试设备及其接地测试方法,其通过卷积神经网络分别对接地测试设备在对太阳能电池组件进行接地测试过程中所采集的电流信号和电压信号进行特征提取并计算两者之间的响应性特征矩阵,同时,考虑到太阳能电池组的接地测量还有测量参数的影响,因此,使用上下文编码器对接地测试时的测量参数进行高维语义编码以得到参数特征矩阵,并将所述参数特征矩阵的特征信息映射到所述响应性特征矩阵的高维空间以得到包含电流和电压波动特征和测量参数信息的解码特征矩阵,最终,使用解码器对所述解码特征矩阵进行解码回归以得到用于表示接地电阻的解码值,通过这样的方式,提高接地测量的精准度。
Description
技术领域
本申请涉及太阳能电池技术领域,且更为具体地,涉及一种太阳能电池组件的接地测试设备及其接地测试方法。
背景技术
光伏发电系统的接地,作用很重要,对接地的要求也很高,如果接地不可靠,有可能造成逆变器等电气设备被雷击。电压测量不准确,易受外界干扰,将造成逆变器工作不正常。因此在安装完成之后,要通过接地测试设备来进行接地测试以确保接地电阻满足预设要求。
电压法是常用的太阳能电池组件的接地测试方法,其包括两线法、三线法和四线法。在采用电压法进行接地测试时,理想情况下是恒流源但实际上电流会产生波动会带来干扰,并且不同性质的土壤、各个电极的插入深度、各个电机之间的距离都会产生影响。
因此,期待一种优化的用于太阳能电池组件的接地测试设备,其能够提高接地测量的精准度。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种太阳能电池组件的接地测试设备及其接地测试方法,其通过卷积神经网络分别对接地测试设备在对太阳能电池组件进行接地测试过程中所采集的电流信号和电压信号进行特征提取并计算两者之间的响应性特征矩阵,同时,考虑到太阳能电池组的接地测量还有测量参数的影响,因此,使用上下文编码器对接地测试时的测量参数进行高维语义编码以得到参数特征矩阵,并将所述参数特征矩阵的特征信息映射到所述响应性特征矩阵的高维空间以得到包含电流和电压波动特征和测量参数信息的解码特征矩阵,最终,使用解码器对所述解码特征矩阵进行解码回归以得到用于表示接地电阻的解码值,通过这样的方式,提高接地测量的精准度。
根据本申请的一个方面,提供了一种太阳能电池组件的接地测试设备,其包括:测量参数采集模块,用于获取接地测试设备在接地测试时的测量参数,其中,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率;测量参数编码模块,用于将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量;电信号采集模块,用于获取所述接地测试设备在接地测试时所采集的电流信号和电压信号;电信号编码模块,用于将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络以得到电压特征矩阵和电流特征矩阵;响应性估计模块,用于计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵;特征融合模块,用于将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以将所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到解码特征向量;以及解码模块,用于将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。
在上述太阳能电池组件的接地测试设备中,所述测量参数编码模块,包括:嵌入单元,用于使用所述上下文编码器的嵌入层分别将所述接地测试设备在接地测试时的测量参数中的各项参数转化为嵌入向量以得到嵌入向量的序列;上下文语义编码单元,用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;以及向量级联单元,用于将所述多个特征向量进行级联以得到所述参数特征向量。
根据本申请的另一方面,提供了一种太阳能电池组件的接地测试方法,其包括:获取接地测试设备在接地测试时的测量参数,其中,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率;将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量;获取所述接地测试设备在接地测试时所采集的电流信号和电压信号;将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络以得到电压特征矩阵和电流特征矩阵;计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵;将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以将所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到解码特征向量;以及将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的太阳能电池组件的接地测试方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的太阳能电池组件的接地测试方法。
与现有技术相比,本申请提供的一种太阳能电池组件的接地测试设备及其接地测试方法,其通过卷积神经网络分别对接地测试设备在对太阳能电池组件进行接地测试过程中所采集的电流信号和电压信号进行特征提取并计算两者之间的响应性特征矩阵,同时,考虑到太阳能电池组的接地测量还有测量参数的影响,因此,使用上下文编码器对接地测试时的测量参数进行高维语义编码以得到参数特征矩阵,并将所述参数特征矩阵的特征信息映射到所述响应性特征矩阵的高维空间以得到包含电流和电压波动特征和测量参数信息的解码特征矩阵,最终,使用解码器对所述解码特征矩阵进行解码回归以得到用于表示接地电阻的解码值,通过这样的方式,提高接地测量的精准度。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的太阳能电池组件的接地测试设备的应用场景图。
图2图示了根据本申请实施例的太阳能电池组件的接地测试设备的框图示意图。
图3图示了根据本申请实施例的太阳能电池组件的接地测试设备中测量参数编码模块的框图。
图4图示了根据本申请实施例的太阳能电池组件的接地测试设备中响应性估计模块的框图。
图5图示了根据本申请实施例的太阳能电池组件的接地测试方法的流程图。
图6图示了根据本申请实施例的太阳能电池组件的接地测试方法的系统架构的示意图。
图7图示了根据本申请实施例的太阳能电池组件的接地测试方法中,将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量的流程图。
图8图示了根据本申请实施例的太阳能电池组件的接地测试方法中,计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵的流程图。
图9图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
光伏发电系统的接地,作用很重要,对接地的要求也很高,如果接地不可靠,有可能造成逆变器等电气设备被雷击。电压测量不准确,易受外界干扰,将造成逆变器工作不正常。因此在安装完成之后,要通过接地测试设备来进行接地测试以确保接地电阻满足预设要求。
电压法是常用的太阳能电池组件的接地测试方法,其包括两线法、三线法和四线法。在采用电压法进行接地测试时,理想情况下是恒流源但实际上电流会产生波动会带来干扰,并且不同性质的土壤、各个电极的插入深度、各个电机之间的距离都会产生影响。
因此,期待一种优化的用于太阳能电池组件的接地测试设备,其能够提高接地测量的精准度。
具体的,在本申请的技术方案中,考虑到在接地测量时恒流源可能产生波动,因此,相较于现有的接地测量设备取恒定电流值,采集在接地测试过程中的电流信号和电压信号。也就是,在本申请的技术方案中,以接地测试的过程时序数据来做接地测试。并且,考虑到接地测量时还会受测量参数的影响,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值。特别地,在本申请的技术方案中,所述土壤性质参数为土壤电阻率。
相应地,充分利用上述信息并挖掘上述信息对接地测量的影响就可以提高接地测量的精准度,但是,上述信息对接地测量真实值的影响是非线性的且其中存在诸多噪声和干扰信号,难以用传统的基于统计的数据分析方法来获得具有相对较高精准度的接地电阻。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展,为太阳能电池组件的接地测试的数据处理与分析提供了新的思路和方案。
针对上述问题,在本申请的技术方案中,考虑到所述测量参数中各项参数之间存在关联,因此,使用包含嵌入层的上下文编码器对所述测量参数进行编码。具体地,首先使用所述上下文编码器的嵌入层将所述测量参数中的各项参数分别转化为嵌入向量。所述嵌入层的作用在于数据转化并嵌入编码以将所述测量参数中的各项参数映射到嵌入向量空间中以得到嵌入向量的序列。进一步地,在本申请的技术方案中,使用基于转换器的Bert模型对所述嵌入向量的序列进行基于上下文的全局高维语义编码以提取所述嵌入向量的序列中各个嵌入向量相对于所述嵌入向量的序列的全局的高维关联隐含特征以得到对应于所述嵌入向量的序列的多个特征向量。并进一步地将所述多个特征向量进行级联以得到所述参数特征向量,也就是,将所述测量参数中各项参数的高维特征分布表示在高维空间进行级联以得到用于表示所述测量参数的整体的所述参数特征向量。
为了捕捉到所述电流信号和所述电压信号中的波动特征,在本申请的技术方案中,以在图像特征提取领域具有优异表现的卷积神经网络模型对所述电流信号和所述电压信号的波形图进行处理以得到电压特征矩阵和电流特征矩阵。进一步地计算所述电压特征矩阵相对于所述电流特征矩阵的响应性估计以得到用于表示太阳能电池组件的接地性能的特征表示。
在计算电压特征矩阵相对于电流特征矩阵的响应性特征时,优选地,进一步期望两者在特征提取的参数化模型方面也具有特征之间存在的响应性的表达。也就是,由于第一特征矩阵和第二特征矩阵均由各自对应的参数化模型(卷积神经网络)映射到高维特征空间,因此需要高维空间内的高空间复杂性的基础上获得平滑的响应过渡信息。
响应性特征矩阵表示为:
也就是,当以用于电流特征矩阵的特征提取的参数化模型的高维特征分布作为先验时,来获得用于电压特征矩阵的特征提取的参数化模型的高维特征分布作为后验的隐特征表达。这样,当融合特征矩阵作为响应性特征矩阵,也就是模型的目标响应函数时,就可以获得响应的源矩阵和目标矩阵之间的基于参数化模型的平滑的响应过渡信息,以获得更优化的响应性特征矩阵。
进一步地,通过矩阵相乘的方式将包含测量参数信息的所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到包含测量参数特征信息和电压相对于电流的响应特征的解码特征向量。接着,使用解码器对所述解码特征向量进行解码回归以得到用于表示接地电阻的解码值。
基于此,本申请提供了一种太阳能电池组件的接地测试设备,其包括:测量参数采集模块,用于获取接地测试设备在接地测试时的测量参数,其中,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率;测量参数编码模块,用于将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量;电信号采集模块,用于获取所述接地测试设备在接地测试时所采集的电流信号和电压信号;电信号编码模块,用于将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络以得到电压特征矩阵和电流特征矩阵;响应性估计模块,用于计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵;特征融合模块,用于将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以将所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到解码特征向量;以及,解码模块,用于将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。
图1图示了根据本申请实施例的太阳能电池组件的接地测试设备的应用场景图。如图1所示,在该应用场景中,首先,通过接地参数采集组件(例如,图1中所示意的M)采集接地测试设备(例如,如图1中所示意的D)在对太阳能电池组件(例如,如图1中所示意的B)进行接地测试时的测量参数,其中,所述接地参数采集组件包括土壤电阻率测试仪、深度计和测距仪,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率。同时,通过部署于所述接地测试设备的电流电压组合采集模块(例如,图1中所示意的V)采集所述接地测试设备在接地测试时所采集的电流信号和电压信号。然后,将获取的所述测量参数、所述电流信号和所述电压信号输入至部署有太阳能电池组件的接地测试算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够以太阳能电池组件的接地测试算法对所述测量参数、所述电流信号和所述电压信号进行处理,以生成接地电阻。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性装置
图2图示了根据本申请实施例的太阳能电池组件的接地测试设备的框图示意图。如图2所示,根据本申请实施例的所述接地测试设备100,包括:测量参数采集模块110,用于获取接地测试设备在接地测试时的测量参数,其中,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率;测量参数编码模块120,用于将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量;电信号采集模块130,用于获取所述接地测试设备在接地测试时所采集的电流信号和电压信号;电信号编码模块140,用于将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络以得到电压特征矩阵和电流特征矩阵;响应性估计模块150,用于计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵;特征融合模块160,用于将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以将所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到解码特征向量;以及,解码模块170,用于将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。
在本申请实施例中,所述测量参数采集模块110的作用为获取接地测试设备在接地测试时的测量参数,其中,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率。应可以理解,考虑到接地测量时会受测量参数的影响,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值。特别地,在本申请的技术方案中,所述土壤性质参数为土壤电阻率。在本申请的一个实施例中,通过土壤电阻率测试仪获取接地测试时的土壤电阻率,通过深度计获取各个电极插入土壤的深度值,通过测距仪获取相邻两个电极之间的距离值。
在本申请实施例中,所述测量参数编码模块120的作用为将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量。应可以理解,考虑到所述测量参数中各项参数之间存在关联,因此,使用包含嵌入层的上下文编码器对所述测量参数进行全局特征信息提取,以得到用于表示所述测量参数的整体的所述参数特征向量。具体地,首先使用所述上下文编码器的嵌入层将所述测量参数中的各项参数分别转化为嵌入向量。所述嵌入层的作用在于数据转化并嵌入编码以将所述测量参数中的各项参数映射到嵌入向量空间中以得到嵌入向量的序列。进一步地,在本申请的技术方案中,使用基于转换器的Bert模型对所述嵌入向量的序列进行基于上下文的全局高维语义编码以提取所述嵌入向量的序列中各个嵌入向量相对于所述嵌入向量的序列的全局的高维关联隐含特征以得到对应于所述嵌入向量的序列的多个特征向量。并进一步地将所述多个特征向量进行级联以得到所述参数特征向量,也就是,将所述测量参数中各项参数的高维特征分布表示在高维空间进行级联以得到用于表示所述测量参数的整体的所述参数特征向量。
在本申请的一个实施例中,图3图示了根据本申请实施例的太阳能电池组件的接地测试设备中测量参数编码模块的框图。如图3所示,所述测量参数编码模块120,包括:嵌入单元121,用于使用所述上下文编码器的嵌入层分别将所述接地测试设备在接地测试时的测量参数中的各项参数转化为嵌入向量以得到嵌入向量的序列;上下文语义编码单元122,用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;以及,向量级联单元123,用于将所述多个特征向量进行级联以得到所述参数特征向量。
在本申请实施例中,所述电信号采集模块130的作用为获取所述接地测试设备在接地测试时所采集的电流信号和电压信号。应可以理解,考虑到在接地测量时恒流源可能产生波动,因此,相较于现有的接地测量设备取恒定电流值,采集在接地测试过程中的电流信号和电压信号。也就是,在本申请的技术方案中,以接地测试的过程时序数据来做接地测试。在本申请的一个实施例中,通过电流电压组合采集模块采集在接地测试过程中的电流信号和电压信号。
在本申请实施例中,所述电信号编码模块140的作用为将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络以得到电压特征矩阵和电流特征矩阵。应可以理解,为了捕捉到所述电流信号和所述电压信号中的波动特征,在本申请的技术方案中,以在图像特征提取领域具有优异表现的卷积神经网络模型对所述电流信号和所述电压信号的波形图进行处理以得到电压特征矩阵和电流特征矩阵。也就是,将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络进行处理,以分别提取所述电流信号的波形图和所述电压信号的波形图的局部特征在高维空间的特征分布表示,从而获得电压特征矩阵和电流特征矩阵。
在本申请的一个实施例中,所述电信号编码模块140,进一步用于使用所述作为特征提取器的卷积神经网络的各层在层的正向传递过程中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络的最后一层输出所述电压特征矩阵或所述电流特征矩阵。
在本申请实施例中,所述响应性估计模块150的作用为计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵。应可以理解,根据欧姆定律可知,在同一电路中,通过某段导体的电流跟这段导体两端的电压成正比,跟这段导体的电阻成反比,即在电阻一定时,电压与电流成正比。因此,在本申请的技术方案中,进一步地计算所述电压特征矩阵相对于所述电流特征矩阵的响应性估计以得到用于表示太阳能电池组件的接地性能的特征表示。
在本申请的技术方案中,在计算电压特征矩阵相对于电流特征矩阵的响应性特征时,优选地,进一步期望两者在特征提取的参数化模型方面也具有特征之间存在的响应性的表达。也就是,由于第一特征矩阵和第二特征矩阵均由各自对应的参数化模型(卷积神经网络)映射到高维特征空间,因此需要高维空间内的高空间复杂性的基础上获得平滑的响应过渡信息。
在本申请的一个实施例中,图4图示了根据本申请实施例的太阳能电池组件的接地测试设备中响应性估计模块的框图。如图4所示,所述响应性估计模块150,包括:初始响应性估计矩阵计算单元151,用于计算所述电压特征矩阵与所述电流特征矩阵的逆矩阵之间的矩阵乘积以得到初始响应性矩阵;后验参数调整单元152,用于以预设超参数作为权重对所述初始响应性矩阵进行加权以得到校正初始响应性矩阵;第一矩阵指数运算单元153,用于计算以所述校正初始响应性矩阵中各个位置的特征值为幂的自然指数函数值以得到指数校正初始响应性矩阵;差分矩阵生成单元154,用于计算所述电压特征矩阵与所述电流特征矩阵之间的按位置差值以得到差分特征矩阵;第二矩阵指数运算单元155,用于计算以所述差分特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数差分特征矩阵;以及,过渡融合单元156,计算所述指数校正初始响应性矩阵和所述指数差分特征矩阵之间的按位置加和以得到所述响应性特征矩阵。
所述响应性估计模块150,进一步用于以如下公式来计算所述电压特征矩阵相对于所述电流特征矩阵的所述响应性特征矩阵;其中,所述公式为:
也就是,当以用于电流特征矩阵的特征提取的参数化模型的高维特征分布作为先验时,来获得用于电压特征矩阵的特征提取的参数化模型的高维特征分布作为后验的隐特征表达。这样,当融合特征矩阵作为响应性特征矩阵,也就是模型的目标响应函数时,就可以获得响应的源矩阵和目标矩阵之间的基于参数化模型的平滑的响应过渡信息,以获得更优化的响应性特征矩阵。
在本申请实施例中,所述特征融合模块160和所述解码模块170,用于将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以将所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到解码特征向量,并将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。也就是,通过矩阵相乘的方式将包含测量参数信息的所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到包含测量参数特征信息和电压相对于电流的响应特征的解码特征向量,然后将所述解码特征向量导入解码器进行解码回归以得到解码值,也就是接地电阻。
综上,基于本申请实施例的所述太阳能电池组件的接地测试设备,其通过卷积神经网络分别对接地测试设备在对太阳能电池组件进行接地测试过程中所采集的电流信号和电压信号进行特征提取并计算两者之间的响应性特征矩阵,同时,考虑到太阳能电池组的接地测量还有测量参数的影响,因此,使用上下文编码器对接地测试时的测量参数进行高维语义编码以得到参数特征矩阵,并将所述参数特征矩阵的特征信息映射到所述响应性特征矩阵的高维空间以得到包含电流和电压波动特征和测量参数信息的解码特征矩阵,最终,使用解码器对所述解码特征矩阵进行解码回归以得到用于表示接地电阻的解码值,通过这样的方式,提高接地测量的精准度。
如上所述,根据本申请实施例的所述太阳能电池组件的接地测试设备100可以实现在各种终端设备中,例如具有太阳能电池组件的接地测试算法的服务器等。在一个示例中,根据太阳能电池组件的接地测试设备100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该太阳能电池组件的接地测试设备100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该太阳能电池组件的接地测试设备100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该太阳能电池组件的接地测试设备100与该终端设备也可以是分立的设备,并且太阳能电池组件的接地测试设备100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图5图示了根据本申请实施例的太阳能电池组件的接地测试方法的流程图。如图5所示,根据本申请实施例的太阳能电池组件的接地测试方法,其包括:S110,获取接地测试设备在接地测试时的测量参数,其中,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率;S120,将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量;S130,获取所述接地测试设备在接地测试时所采集的电流信号和电压信号;S140,将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络以得到电压特征矩阵和电流特征矩阵;S150,计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵;S160,将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以将所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到解码特征向量;以及,S170,将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。
图6图示了根据本申请实施例的太阳能电池组件的接地测试方法的系统架构的示意图。在本申请实施例的系统架构中,首先,将获取的接地测试设备在接地测试时的测量参数输入包含嵌入层的上下文编码器以得到参数特征向量。同时,将获取的所述接地测试设备在接地测试时所采集的电流信号和电压信号分别输入卷积神经网络以得到电压特征矩阵和电流特征矩阵。然后,计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征以得到响应性特征矩阵。接着,将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以得到解码特征向量。最后,将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。
在本申请的一个实施例中,图7图示了根据本申请实施例的太阳能电池组件的接地测试方法中,将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量的流程图。如图7所示,将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量,包括:S210,使用所述上下文编码器的嵌入层分别将所述接地测试设备在接地测试时的测量参数中的各项参数转化为嵌入向量以得到嵌入向量的序列;S220,使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;S230,将所述多个特征向量进行级联以得到所述参数特征向量。
在本申请的一个实施例中,图8图示了根据本申请实施例的太阳能电池组件的接地测试方法中,计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵的流程图。如图8所示,S310,计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵,包括:计算所述电压特征矩阵与所述电流特征矩阵的逆矩阵之间的矩阵乘积以得到初始响应性矩阵;S320,以预设超参数作为权重对所述初始响应性矩阵进行加权以得到校正初始响应性矩阵;S330,计算以所述校正初始响应性矩阵中各个位置的特征值为幂的自然指数函数值以得到指数校正初始响应性矩阵;S340,计算所述电压特征矩阵与所述电流特征矩阵之间的按位置差值以得到差分特征矩阵;S350,计算以所述差分特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数差分特征矩阵;以及,S360,计算所述指数校正初始响应性矩阵和所述指数差分特征矩阵之间的按位置加和以得到所述响应性特征矩阵。
在本申请的一个实施例中,计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵,进一步用于以如下公式来计算所述电压特征矩阵相对于所述电流特征矩阵的所述响应性特征矩阵;其中,所述公式为:
这里,本领域技术人员可以理解,上述太阳能电池组件的接地测试方法中的各个步骤的具体操作已经在上面参考图1到图4的太阳能电池组件的接地测试设备的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的太阳能电池组件的接地测试以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如电流信号、电压信号等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括电阻值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的太阳能电池组件的接地测试方法的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的太阳能电池组件的接地测试方法的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种太阳能电池组件的接地测试设备,其特征在于,包括:测量参数采集模块,用于获取接地测试设备在接地测试时的测量参数,其中,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率;测量参数编码模块,用于将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量;电信号采集模块,用于获取所述接地测试设备在接地测试时所采集的电流信号和电压信号;电信号编码模块,用于将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络以得到电压特征矩阵和电流特征矩阵;响应性估计模块,用于计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵;特征融合模块,用于将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以将所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到解码特征向量;以及解码模块,用于将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。
2.根据权利要求1所述的太阳能电池组件的接地测试设备,其中,所述测量参数编码模块,包括:嵌入单元,用于使用所述上下文编码器的嵌入层分别将所述接地测试设备在接地测试时的测量参数中的各项参数转化为嵌入向量以得到嵌入向量的序列;上下文语义编码单元,用于使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;以及向量级联单元,用于将所述多个特征向量进行级联以得到所述参数特征向量。
3.根据权利要求2所述的太阳能电池组件的接地测试设备,其中,所述电信号编码模块,进一步用于使用所述作为特征提取器的卷积神经网络的各层在层的正向传递过程中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络的最后一层输出所述电压特征矩阵或所述电流特征矩阵。
4.根据权利要求3所述的太阳能电池组件的接地测试设备,其中,所述响应性估计模块,包括:初始响应性估计矩阵计算单元,用于计算所述电压特征矩阵与所述电流特征矩阵的逆矩阵之间的矩阵乘积以得到初始响应性矩阵;后验参数调整单元,用于以预设超参数作为权重对所述初始响应性矩阵进行加权以得到校正初始响应性矩阵;第一矩阵指数运算单元,用于计算以所述校正初始响应性矩阵中各个位置的特征值为幂的自然指数函数值以得到指数校正初始响应性矩阵;差分矩阵生成单元,用于计算所述电压特征矩阵与所述电流特征矩阵之间的按位置差值以得到差分特征矩阵;第二矩阵指数运算单元,用于计算以所述差分特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数差分特征矩阵;以及过渡融合单元,计算所述指数校正初始响应性矩阵和所述指数差分特征矩阵之间的按位置加和以得到所述响应性特征矩阵。
7.一种太阳能电池组件的接地测试方法,其特征在于,包括:获取接地测试设备在接地测试时的测量参数,其中,所述测量参数包括土壤性质参数、各个电极插入土壤的深度值以及相邻两个电极之间的距离值,所述土壤性质参数为土壤电阻率;将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量;获取所述接地测试设备在接地测试时所采集的电流信号和电压信号;将所述电流信号的波形图和所述电压信号的波形图通过作为特征提取器的卷积神经网络以得到电压特征矩阵和电流特征矩阵;计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵;将所述参数特征向量与所述响应性特征矩阵进行矩阵相乘以将所述参数特征向量映射到所述响应性特征矩阵的高维特征空间中以得到解码特征向量;以及将所述解码特征向量通过解码器以得到解码值,所述解码值为接地电阻。
8.根据权利要求7所述的太阳能电池组件的接地测试方法,其中,将所述接地测试设备在接地测试时的测量参数通过包含嵌入层的上下文编码器以得到参数特征向量,包括:使用所述上下文编码器的嵌入层分别将所述接地测试设备在接地测试时的测量参数中的各项参数转化为嵌入向量以得到嵌入向量的序列;使用所述上下文编码器的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;以及将所述多个特征向量进行级联以得到所述参数特征向量。
9.根据权利要求8所述的太阳能电池组件的接地测试方法,其中,计算所述电压特征矩阵相对于所述电流特征矩阵的响应性特征矩阵,包括:计算所述电压特征矩阵与所述电流特征矩阵的逆矩阵之间的矩阵乘积以得到初始响应性矩阵;以预设超参数作为权重对所述初始响应性矩阵进行加权以得到校正初始响应性矩阵;计算以所述校正初始响应性矩阵中各个位置的特征值为幂的自然指数函数值以得到指数校正初始响应性矩阵;计算所述电压特征矩阵与所述电流特征矩阵之间的按位置差值以得到差分特征矩阵;计算以所述差分特征矩阵中各个位置的特征值为幂的自然指数函数值以得到指数差分特征矩阵;以及计算所述指数校正初始响应性矩阵和所述指数差分特征矩阵之间的按位置加和以得到所述响应性特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817982.8A CN114900126B (zh) | 2022-07-13 | 2022-07-13 | 太阳能电池组件的接地测试设备及其接地测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817982.8A CN114900126B (zh) | 2022-07-13 | 2022-07-13 | 太阳能电池组件的接地测试设备及其接地测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114900126A true CN114900126A (zh) | 2022-08-12 |
CN114900126B CN114900126B (zh) | 2022-11-04 |
Family
ID=82729999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817982.8A Active CN114900126B (zh) | 2022-07-13 | 2022-07-13 | 太阳能电池组件的接地测试设备及其接地测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114900126B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410004A (zh) * | 2022-09-22 | 2022-11-29 | 安吉县科声磁性器材有限公司 | 铁粉智能筛分系统及其方法 |
CN115738747A (zh) * | 2022-11-29 | 2023-03-07 | 浙江致远环境科技股份有限公司 | 用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法 |
CN116125133A (zh) * | 2023-02-16 | 2023-05-16 | 南京博纳威电子科技有限公司 | 非接触式电流电压一体化测量在线监测方法及系统 |
CN117250521A (zh) * | 2023-11-17 | 2023-12-19 | 江西驴宝宝通卡科技有限公司 | 充电桩电池容量监测系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010127851A (ja) * | 2008-11-28 | 2010-06-10 | Korea Electric Power Corp | 3電極を用いた配電用大地固有抵抗測定装置およびその方法 |
CN104375007A (zh) * | 2014-11-21 | 2015-02-25 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于相位识别的土壤电阻率测量方法及装置 |
CN107991873A (zh) * | 2017-12-11 | 2018-05-04 | 中国矿业大学 | 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法 |
-
2022
- 2022-07-13 CN CN202210817982.8A patent/CN114900126B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010127851A (ja) * | 2008-11-28 | 2010-06-10 | Korea Electric Power Corp | 3電極を用いた配電用大地固有抵抗測定装置およびその方法 |
CN104375007A (zh) * | 2014-11-21 | 2015-02-25 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于相位识别的土壤电阻率测量方法及装置 |
CN107991873A (zh) * | 2017-12-11 | 2018-05-04 | 中国矿业大学 | 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115410004A (zh) * | 2022-09-22 | 2022-11-29 | 安吉县科声磁性器材有限公司 | 铁粉智能筛分系统及其方法 |
CN115738747A (zh) * | 2022-11-29 | 2023-03-07 | 浙江致远环境科技股份有限公司 | 用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法 |
CN115738747B (zh) * | 2022-11-29 | 2024-01-23 | 浙江致远环境科技股份有限公司 | 用于脱硫脱硝去除二噁英的陶瓷复合纤维催化滤管及其制备方法 |
CN116125133A (zh) * | 2023-02-16 | 2023-05-16 | 南京博纳威电子科技有限公司 | 非接触式电流电压一体化测量在线监测方法及系统 |
CN116125133B (zh) * | 2023-02-16 | 2023-10-20 | 南京博纳威电子科技有限公司 | 非接触式电流电压一体化测量在线监测方法及系统 |
CN117250521A (zh) * | 2023-11-17 | 2023-12-19 | 江西驴宝宝通卡科技有限公司 | 充电桩电池容量监测系统及方法 |
CN117250521B (zh) * | 2023-11-17 | 2024-02-20 | 江西驴充充物联网科技有限公司 | 充电桩电池容量监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114900126B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114900126B (zh) | 太阳能电池组件的接地测试设备及其接地测试方法 | |
CN109063741B (zh) | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 | |
CN105827250A (zh) | 一种基于自适应字典学习的电能质量数据压缩重构方法 | |
CN115186774B (zh) | 智能电缆剥线设备及其方法 | |
JP4918564B2 (ja) | 電気設備の良否診断システム | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
CN115324843A (zh) | 基于监测数据的风力发电机组的故障诊断系统及其方法 | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN116055293B (zh) | 路由器的远程故障监控方法及路由器 | |
CN115219845A (zh) | 电网故障诊断系统及其方法 | |
CN114912533A (zh) | 一种应用于变压器的状态监测系统及监测方法 | |
CN115144312A (zh) | 基于物联网的室内空气细颗粒测量方法及其系统 | |
CN115754107A (zh) | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 | |
CN115374822A (zh) | 基于多级特征融合的故障诊断方法及其系统 | |
CN115146676A (zh) | 电路故障检测方法及其系统 | |
CN116579618A (zh) | 基于风险管理的数据处理方法、装置、设备及存储介质 | |
CN109557434B (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN112766810A (zh) | 用于智能综合性整体质量评价的神经网络的训练方法 | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
CN114839466B (zh) | 用于水泵的emc电磁兼容性测试系统及其测试方法 | |
CN116467485A (zh) | 一种视频图像检索构建系统及其方法 | |
CN115932140A (zh) | 一种电子级六氟丁二烯的质检系统及其方法 | |
CN115456259A (zh) | 基于中尺度数据的风电场选址优化系统及其方法 | |
CN115788793A (zh) | 全局监控预警方法及其系统 |
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 |