CN115183884A - 电热协同系统的红外测温补偿方法及装置 - Google Patents
电热协同系统的红外测温补偿方法及装置 Download PDFInfo
- Publication number
- CN115183884A CN115183884A CN202210789471.XA CN202210789471A CN115183884A CN 115183884 A CN115183884 A CN 115183884A CN 202210789471 A CN202210789471 A CN 202210789471A CN 115183884 A CN115183884 A CN 115183884A
- Authority
- CN
- China
- Prior art keywords
- temperature data
- historical
- compensation model
- temperature measurement
- infrared
- 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.)
- Pending
Links
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 247
- 238000005485 electric heating Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims description 69
- 230000007613 environmental effect Effects 0.000 claims description 25
- 239000002245 particle Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000002195 synergetic effect Effects 0.000 claims description 12
- 238000004861 thermometry Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/70—Passive compensation of pyrometer measurements, e.g. using ambient temperature sensing or sensing of temperature within housing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种电热协同系统的红外测温补偿方法及装置。其中，该方法包括：获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；获取预先构建的第一红外测温补偿模型；基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值。本发明解决了相关技术中存在的红外测温准确性低，电热协同系统运行安全性差的技术问题。
Description
技术领域
本发明涉及新能源及节能技术领域，具体而言，涉及一种电热协同系统的红外测温补偿方法及装置。
背景技术
随着新能源占比的增加以及电热网络的强耦合，区域清洁供能系统安全、优质、经济运行对先进传感技术提出了高要求。在电热协同系统中，常采用红外测温传感器对温度进行监测，以满足日益增大的电热协同系统中热网管理需求。然而红外测温受目标物体发热率、测温距离、环境温度等因素的影响，导致红外测温精度的降低，进而造成电热协同系统运行安全性差。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电热协同系统的红外测温补偿方法及装置，以至少解决相关技术中存在的红外测温准确性低，电热协同系统运行安全性差的技术问题。
根据本发明实施例的一个方面，提供了一种电热协同系统的红外测温补偿方法，包括：获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；获取预先构建的第一红外测温补偿模型；基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值。
可选的，上述历史测量温度数据包括第一历史测量温度数据和第二历史测量温度数据，上述历史环境温度数据包括第一历史环境温度数据和第二历史环境温度数据，上述历史实际温度数据包括第一历史实际温度数据和第二历史实际温度数据，上述基于上述温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型，包括：采用上述第一历史测量温度数据、上述第一历史环境温度数据和上述第一历史实际温度数据对上述第一红外测温补偿模型进行训练，得到第二红外测温补偿模型；采用上述第二历史测量温度数据、上述第二历史环境温度数据和上述第二历史实际温度数据对上述第二红外测温补偿模型进行测试，得到测试结果；若测试结果指示上述第二红外测温补偿模型测试通过，则将上述第二红外测温补偿模型作为上述目标红外测温补偿模型。
可选的，上述方法还包括：若测试结果指示上述第二红外测温补偿模型测试未通过，则更新上述历史温度数据，基于更新后的历史温度数据循环执行以下操作，直至更新后的第二红外测温补偿模型测试通过：采用更新后的第一历史测量温度数据、更新后的第一历史环境温度数据和更新后的第一历史实际温度数据对上述第一红外测温补偿模型进行训练，得到更新后的第二红外测温补偿模型；采用更新后的第二历史测量温度数据、更新后的第二历史环境温度数据和更新后的第二历史实际温度数据对更新后的第二红外测温补偿模型进行测试，得到更新后的测试结果；在上述更新后的测试结果指示上述更新后的第二红外测温补偿模型测试通过后，将上述更新后的第二红外测温补偿模型作为上述目标红外测温补偿模型。
可选的，上述基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值，包括：获取上述电热协同系统的当前温度数据，其中，上述当前温度数据至少包括：当前测量温度数据、当前环境温度数据以及当前实际温度数据；基于上述当前测量温度数据、上述当前环境温度数据以及上述当前实际温度数据，采用上述目标红外测温补偿模型，确定上述当前补偿温度值。
可选的，在上述获取预先构建的第一红外测温补偿模型之前，上述方法还包括：设定上述第一红外测温补偿模型的参量，其中，将测量温度设定为上述第一红外测温补偿模型的输出参量；将实际温度设定为上述第一红外测温补偿模型的输入参量；将环境温度设定为上述第一红外测温补偿模型的模型参量。
可选的，在上述获取预先构建的第一红外测温补偿模型之前，上述方法还包括：基于粒子群算法和误差反向传播算法构建上述第一红外测温补偿模型。
可选的，上述获取电热协同系统的历史温度数据，包括：获取上述电热协同系统中与上述历史温度数据对应的原始温度数据；对上述原始温度数据进行预处理，得到上述历史温度数据，其中，上述预处理操作包括以下至少之一：对上述原始温度数据进行数据筛选处理；对上述原始温度数据进行数据填充处理；对上述原始温度数据进行数据格式转换处理。
根据本发明实施例的另一方面，还提供了一种电热协同系统的红外测温补偿装置，包括：第一获取模块，用于获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；第二获取模块，用于获取预先构建的第一红外测温补偿模型；第一确定模块，用于基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；第二确定模块，用于基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值。
可选的，上述历史测量温度数据包括第一历史测量温度数据和第二历史测量温度数据，上述历史环境温度数据包括第一历史环境温度数据和第二历史环境温度数据，上述历史实际温度数据包括第一历史实际温度数据和第二历史实际温度数据，上述第一确定模块，包括：第一获取单元，用于采用上述第一历史测量温度数据、上述第一历史环境温度数据和上述第一历史实际温度数据对上述第一红外测温补偿模型进行训练，得到第二红外测温补偿模型；第一测试单元，用于采用上述第二历史测量温度数据、上述第二历史环境温度数据和上述第二历史实际温度数据对上述第二红外测温补偿模型进行测试，得到测试结果；第二获取单元，用于若测试结果指示上述第二红外测温补偿模型测试通过，则将上述第二红外测温补偿模型作为上述目标红外测温补偿模型。
可选的，上述第二确定模块，包括：第三获取单元，用于获取上述电热协同系统的当前温度数据，其中，上述当前温度数据至少包括：当前测量温度数据、当前环境温度数据以及当前实际温度数据；第一确定单元，用于基于上述当前测量温度数据、上述当前环境温度数据以及上述当前实际温度数据，采用上述目标红外测温补偿模型，确定上述当前补偿温度值。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的电热协同系统的红外测温补偿方法。
根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，上述存储器用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现任意一项上述的电热协同系统的红外测温补偿方法。
在本发明实施例中，采用电热协同系统的红外测温补偿的方式，通过获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；获取预先构建的第一红外测温补偿模型；基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值，达到了综合考虑电热协同系统的测量温度、环境温度以及实际温度，通过构建好的红外测温补偿模型准确计算红外测温补偿值的目的，从而实现了提高红外测温准确性，有效保障电热协同系统运行安全的技术效果，进而解决了相关技术中存在的红外测温准确性低，电热协同系统运行安全性差的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的电热协同系统的红外测温补偿方法的流程图；
图2是根据本发明实施例的一种可选的电热协同系统的红外测温补偿方法的流程图；
图3是根据本发明实施例的一种可选的PSO-BP温度补偿模型对应的具体算法流程示意图；
图4是根据本发明实施例的一种电热协同系统的红外测温补偿装置的结构示意图；
图5是根据本发明实施例的一种电子设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：
粒子群优化算法(PSO，Particle Swarm Optimization)是以模拟鸟的群集智能为特征，以求解连续变量优化问题为背景的一种优化算法。PSO算法中每个粒子就是所要优化的问题的每一个潜在解，所有的粒子都有一个被目标函数决定的适应值，算法根据适应值来确定是否达到寻优目标。PSO算法需要初始化一群随机粒子，然后通过迭代来找到最优解，在迭代的过程中，每个粒子都能知道自己目前为止发现的最好解，称为个体极值(pbest)，同时，还知道到目前为止整个群体中所有粒子发现的最好解，称为全局极值(gbest)。
反响传播算法(BP，Back Propagation)，即BP神经网络算法，适用于多种神经元网络的一种学习算法，它建立在梯度下降法的基础上。
PSO算法和BP算法分别具有很强的全局寻优能力和局部寻优能力，用PSO算法优化BP神经网络的目的就是通过PSO算法得到更好的BP网络初始权值和阈值，初始化随机产生N个微粒群，粒子群的位置向量实质上就代表神经网络的全部初始权值和阈值。PSO算法通过迭代寻优寻找全局最优位置向量，也即最优的BP神经网络初始权值和阈值，同时也使下式均方误差最小，在此基础上，BP算法再对得到的权值和阈值作进一步优化，直至二者达到最优为止。
式中，N是训练集样本数；
是第i个样本的第j个网络输出节点的理想输出值；yj,i是第i个样本的第j个网络输出节点的实际输出值；c是网络输出神经元的个数。
由于红外测温是靠前端红外探测器接受目标物体的热辐射来测量物体温度的，并且是属于非接触式测温，所以它所测量的温度不能够真实的反映目标的真实温度，测温结果存在误差，其测温精度受被测目标物体的发射率、环境温度、大气温度、大气衰减、背景辐射、测温距离等因素的影响，这些因素的影响都会导致红外测温精度的降低。为了满足高精度测温的需求，对电热协同系统中温度的实时精确监控并进自行补偿具有重要意义。
消除该温度误差的方法主要可以从硬件方面和软件方面来考虑。针对硬件补偿，增加补偿电路会使得仪器内部电路复杂化，并且硬件电路一般不能在较大的温度范围内实现良好的补偿效果，也增加了成本；采用软件补偿的方法，也即编写补偿算法程序加载到测温系统的微处理器中，对测温系统特性曲线的非线性进行修正，与硬件补偿方法相比，软件补偿的效果更好，补偿的精度更高，是提高测温精度的一项有效措施。软件补偿方法主要包含查表法、线性插值法、多项式拟合法等。随着计算机技术的普及和发展，人工神经网络为解决不确定非线性系统的建模提供了一条新的思路。
基于以上原因，本发明实施例提供了一种电热协同系统的红外测温补偿的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的电热协同系统的红外测温补偿方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；
步骤S104，获取预先构建的第一红外测温补偿模型；
步骤S106，基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；
步骤S108，基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值。
通过上述步骤，可以实现达到综合考虑电热协同系统的测量温度、环境温度以及实际温度，通过构建好的红外测温补偿模型准确计算红外测温补偿值的目的，从而实现了提高红外测温准确性，有效保障电热协同系统运行安全的技术效果，进而解决了相关技术中存在的红外测温准确性低，电热协同系统运行安全性差的技术问题。
可选的，上述历史测量温度数据是通过无接触的红外测温传感器获取到的，历史实际温度数据是通过除红外测温传感器之外的其他温度测量设备获取到的，该温度设备与上述电热协同系统之间可以是有接触的。
可选的，在构建上述第一红外测温补偿模型之前，设定上述第一红外测温补偿模型的参量(如输入参量、输出参量以及其他参量，等等)，之后基于粒子群算法和误差反向传播算法构建得到上述第一红外测温补偿模型。
可选的，上述历史温度数据可以分为历史训练温度数据和历史测试温度数据，首先通过历史训练温度数据对上述第一红外测温补偿模型进行训练，并采用上述历史测试温度数据对训练后的上述第一红外测温补偿模型进行测试，在训练后的上述第一红外测温补偿模型测试通过的情况下，将测试通过的上述第一红外测温补偿模型测试作为上述目标红外测温补偿模型。
需要说明的是，由于红外测温传感器在对上述电热协同系统进行温度测试时主要采取无接触的测试方式，在此过程中可能会受到环境温度等外部因素的影响，但现有技术中红外测温传感器在进行温度测量时并未将环境温度等外部因素考虑其中，对电热协同系统的温度测量存在一定的偏差。本发明实施例提供的电热协同系统的红外测温补偿方法，充分考虑了环境温度等因素对红外测温结果的影响，能够提高红外测温准确性，进而有效保障电热协同系统运行安全。
在一种可选的实施例中，上述历史测量温度数据包括第一历史测量温度数据和第二历史测量温度数据，上述历史环境温度数据包括第一历史环境温度数据和第二历史环境温度数据，上述历史实际温度数据包括第一历史实际温度数据和第二历史实际温度数据，上述基于上述温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型，包括：
采用上述第一历史测量温度数据、上述第一历史环境温度数据和上述第一历史实际温度数据对上述第一红外测温补偿模型进行训练，得到第二红外测温补偿模型；
采用上述第二历史测量温度数据、上述第二历史环境温度数据和上述第二历史实际温度数据对上述第二红外测温补偿模型进行测试，得到测试结果；
若测试结果指示上述第二红外测温补偿模型测试通过，则将上述第二红外测温补偿模型作为上述目标红外测温补偿模型。
可选的，上述第一红外测温补偿模型可以为粒子群算法和误差反向传播算法构建得到的PSO-BP温度补偿模型。通过上述PSO-BP温度补偿模型训练得到上述目标红外测温补偿模型的具体实现过程可以但不限于为：首先将采集到的上述第一历史测量温度数据、上述第一历史环境温度数据和上述第一历史实际温度数据输入至上述PSO-BP温度补偿模型中的BP神经网络得到预测温度，将该预测温度与期望输出进行比较，通过反向传播，修改各神经元之间的连接参数，当网络实际输出与期望输出之间的误差达到最小，则网络的连接参数就达到最优，整个网络也就随之确定。在此基础上，利用PSO算法得到更好的BP神经网络的初始值，方便模型可以更快地收敛，最终得到上述目标红外测温补偿模型。
在一种可选的实施例中，上述方法还包括：
若测试结果指示上述第二红外测温补偿模型测试未通过，则更新上述历史温度数据，基于更新后的历史温度数据循环执行以下操作，直至更新后的第二红外测温补偿模型测试通过：采用更新后的第一历史测量温度数据、更新后的第一历史环境温度数据和更新后的第一历史实际温度数据对上述第一红外测温补偿模型进行训练，得到更新后的第二红外测温补偿模型；采用更新后的第二历史测量温度数据、更新后的第二历史环境温度数据和更新后的第二历史实际温度数据对更新后的第二红外测温补偿模型进行测试，得到更新后的测试结果；
在上述更新后的测试结果指示上述更新后的第二红外测温补偿模型测试通过后，将上述更新后的第二红外测温补偿模型作为上述目标红外测温补偿模型。
可选的，在确定训练后的上述第一红外测温补偿模型(即上述第二红外测温补偿模型)测试未通过的情况下，需要通过输入参数更新的方式对上述第二红外测温补偿模型进行优化，直至更新后的第二红外测温补偿模型测试通过，此时将更新后的第二红外测温补偿模型测试作为上述目标红外测温补偿模型。
在一种可选的实施例中，上述基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值，包括：
获取上述电热协同系统的当前温度数据，其中，上述当前温度数据至少包括：当前测量温度数据、当前环境温度数据以及当前实际温度数据；
基于上述当前测量温度数据、上述当前环境温度数据以及上述当前实际温度数据，采用上述目标红外测温补偿模型，确定上述当前补偿温度值。
可选的，在确定得到上述目标红外测温补偿模型之后，获取上述电热协同系统对应的当前测量温度数据、当前环境温度数据以及当前实际温度数据，将上述当前测量温度数据、上述当前环境温度数据以及上述当前实际温度数据输入至上述目标红外测温补偿模型，最终输出得到上述电热协同系统对应的当前补偿温度值。
在一种可选的实施例中，在上述获取预先构建的第一红外测温补偿模型之前，上述方法还包括：
基于粒子群算法和误差反向传播算法构建上述第一红外测温补偿模型。
需要说明的是，PSO算法和BP算法分别具有很强的全局寻优能力和局部寻优能力，基于粒子群算法和误差反向传播算法构建得到的第一红外测温补偿模型可以使得后续获取到的模型训练结果具有更高的精度，进而有效提升红外测温补偿准确性。
在一种可选的实施例中，在上述获取预先构建的第一红外测温补偿模型之前，上述方法还包括：设定上述第一红外测温补偿模型的参量，其中，
将测量温度设定为上述第一红外测温补偿模型的输出参量；
将实际温度设定为上述第一红外测温补偿模型的输入参量；
将环境温度设定为上述第一红外测温补偿模型的模型参量。
可选的，上述测量温度为红外测温传感器采集到的电热协同系统对应的温度；上述实际温度为采用其他温度采集设备获取到上述电热协同系统对应的温度；上述环境温度为上述电热协同系统当前所处环境内的温度。
可选的，将上述第一红外测温补偿模型(即红外测温传感器的响应模型)设定为：
y＝f(x,t1,t2…tk)
式中：x为实际温度，用于作为上述第一红外测温补偿模型的输入参量，t1,t2…tk为环境温度，用于作为上述第一红外测温补偿模型的模型参量(即非目标参量)；y为测量温度，用于作为上述第一红外测温补偿模型的输出参量。
红外测温精度的补偿是将输入与输出关系对换进行建模，得到它的逆模型，即：
x＝f-1(y,t1,t2…tk)
为补偿环境温度的影响，达到测温高精度的目的，基于粒子群算法和误差反向传播算法构建上述第一红外测温补偿模型，即建立PSO-BP温度补偿模型，通过该模型对红外测量的数据处理，输出对被测目标温度的补偿值，基于PSO-BP算法的电热协同系统红外测温补偿模型图如图2所示。BP神经网络模型通过对训练样本集的学习，在传感器的测量温度y、环境温度t与实际温度x之间建立一种非线性映射。通过PSO-BP算法的优化可使该映射达到较高的精度，即PSO-BP温度补偿模型的输出p较好的逼近实际温度x，这样就能达到对红外测温数据的补偿效果，让数据更接近被测目标的真实温度值。
在一种可选的实施例中，上述获取电热协同系统的历史温度数据，包括：
获取上述电热协同系统中与上述历史温度数据对应的原始温度数据；
对上述原始温度数据进行预处理，得到上述历史温度数据，其中，上述预处理操作包括以下至少之一：
对上述原始温度数据进行数据筛选处理；
对上述原始温度数据进行数据填充处理；
对上述原始温度数据进行数据格式转换处理。
可选的，在得到上述历史温度数据之前，需要首先获取到与上述历史温度数据对应的原始温度数据，并对上述原始温度数据进行预处理，将处理后的上述原始温度数据作为上述历史温度数据。例如，需要对上述原始温度数据进行数据筛选处理，剔除上述原始温度数据中存在的错误数据；上述原始温度数据可能存在局部数据缺失的情况，需要采用一定的数据填充方法(如插值法)对上述原始温度数据进行数据填充处理；上述原始数据中可能存在数据显示格式不一致的情况，此时需要对上述原始数据进行格式转换处理，以确保数据格式的一致性，等等。
基于上述实施例和可选实施例，本发明提出一种可选实施方式，图2是根据本发明实施例的一种可选的电热协同系统的红外测温补偿方法的流程图，在该方法中，上述第一红外测温补偿模型基于为粒子群算法和误差反向传播算法构建得到的PSO-BP温度补偿模型，如图2所示，该方法包括：将电热协同系统对应的历史温度数据(如红外传感器的历史测量温度数据y、历史环境温度数据t，历史实际温度数据x)收集至测温系统中；收集到的历史温度数据进行筛选，从而排除错误数据，将筛选后的历史温度数据划分为历史训练温度数据和历史测试温度数据；利用上述历史训练温度数据对上述PSO-BP温度补偿模型进行训练，并在此基础上对训练后的PSO-BP温度补偿模型进行测试，若模型测试通过则将该模型作为目标红外测温补偿模型。此时获取上述电热协同系统对应的当前测量温度数据、当前环境温度数据以及当前实际温度数据，将上述当前测量温度数据、上述当前环境温度数据以及上述当前实际温度数据输入至上述目标红外测温补偿模型，最终输出得到上述电热协同系统对应的当前补偿温度值p。
可选的，在本发明实施例中，上述PSO-BP温度补偿模型对应的具体算法流程如图3所示，首先构建BP神经网络模型，并随机初始化上述BP神经网络模型的网络参数。其次初始化上述PSO-BP温度补偿模型中PSO算法参数，主要包括该PSO算法对应的粒子适应度值，确定个体极值及全局极值；更新粒子速度和位置，迭代直至满足终止条件。之后将上述PSO算法输出的全局最优粒子作为上述BP神经网络的初始权值和阈值代替随机初始化的参数。最后利用反向传播算法训练上述BP神经网络模型。
在本实施例中还提供了一种电热协同系统的红外测温补偿装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例，还提供了一种用于实施上述电热协同系统的红外测温补偿方法的装置实施例，图4是根据本发明实施例的一种电热协同系统的红外测温补偿装置的结构示意图，如图4所示，上述电热协同系统的红外测温补偿装置，包括：第一获取模块400、第二获取模块402、第一确定模块404、第二确定模块406，其中：
上述第一获取模块400，用于获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；
上述第二获取模块402，连接于上述第一获取模块400，用于获取预先构建的第一红外测温补偿模型；
上述第一确定模块404，连接于上述第二获取模块402，用于基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；
上述第二确定模块406，连接于上述第一确定模块404，用于基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值。
在本发明实施例中，通过设置上述第一获取模块400，用于获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；上述第二获取模块402，连接于上述第一获取模块400，用于获取预先构建的第一红外测温补偿模型；上述第一确定模块404，连接于上述第二获取模块402，用于基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；上述第二确定模块406，连接于上述第一确定模块404，用于基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值，达到了综合考虑电热协同系统的测量温度、环境温度以及实际温度，通过构建好的红外测温补偿模型准确计算红外测温补偿值的目的，从而实现了提高红外测温准确性，有效保障电热协同系统运行安全的技术效果，进而解决了相关技术中存在的红外测温准确性低，电热协同系统运行安全性差的技术问题。
可选的，上述历史测量温度数据包括第一历史测量温度数据和第二历史测量温度数据，上述历史环境温度数据包括第一历史环境温度数据和第二历史环境温度数据，上述历史实际温度数据包括第一历史实际温度数据和第二历史实际温度数据，上述第一确定模块，包括：第一获取单元，用于采用上述第一历史测量温度数据、上述第一历史环境温度数据和上述第一历史实际温度数据对上述第一红外测温补偿模型进行训练，得到第二红外测温补偿模型；第一测试单元，用于采用上述第二历史测量温度数据、上述第二历史环境温度数据和上述第二历史实际温度数据对上述第二红外测温补偿模型进行测试，得到测试结果；第二获取单元，用于若测试结果指示上述第二红外测温补偿模型测试通过，则将上述第二红外测温补偿模型作为上述目标红外测温补偿模型。
可选的，上述第二确定模块，包括：第三获取单元，用于获取上述电热协同系统的当前温度数据，其中，上述当前温度数据至少包括：当前测量温度数据、当前环境温度数据以及当前实际温度数据；第一确定单元，用于基于上述当前测量温度数据、上述当前环境温度数据以及上述当前实际温度数据，采用上述目标红外测温补偿模型，确定上述当前补偿温度值。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是，上述第一获取模块400、第二获取模块402、第一确定模块404、第二确定模块406对应于实施例中的步骤S102至步骤S108，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例中的相关描述，此处不再赘述。
上述的电热协同系统的红外测温补偿装置还可以包括处理器和存储器，上述第一获取模块400、第二获取模块402、第一确定模块404、第二确定模块406等均作为程序模块存储在存储器中，由处理器执行存储在存储器中的上述程序模块来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序模块，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本申请实施例，还提供了一种非易失性存储介质的实施例。可选的，在本实施例中，上述非易失性存储介质包括存储的程序，其中，在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种电热协同系统的红外测温补偿方法。
可选的，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述非易失性存储介质包括存储的程序。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；获取预先构建的第一红外测温补偿模型；基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：采用上述第一历史测量温度数据、上述第一历史环境温度数据和上述第一历史实际温度数据对上述第一红外测温补偿模型进行训练，得到第二红外测温补偿模型；采用上述第二历史测量温度数据、上述第二历史环境温度数据和上述第二历史实际温度数据对上述第二红外测温补偿模型进行测试，得到测试结果；若测试结果指示上述第二红外测温补偿模型测试通过，则将上述第二红外测温补偿模型作为上述目标红外测温补偿模型。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：若测试结果指示上述第二红外测温补偿模型测试未通过，则更新上述历史温度数据，基于更新后的历史温度数据循环执行以下操作，直至更新后的第二红外测温补偿模型测试通过：采用更新后的第一历史测量温度数据、更新后的第一历史环境温度数据和更新后的第一历史实际温度数据对上述第一红外测温补偿模型进行训练，得到更新后的第二红外测温补偿模型；采用更新后的第二历史测量温度数据、更新后的第二历史环境温度数据和更新后的第二历史实际温度数据对更新后的第二红外测温补偿模型进行测试，得到更新后的测试结果；在上述更新后的测试结果指示上述更新后的第二红外测温补偿模型测试通过后，将上述更新后的第二红外测温补偿模型作为上述目标红外测温补偿模型。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取上述电热协同系统的当前温度数据，其中，上述当前温度数据至少包括：当前测量温度数据、当前环境温度数据以及当前实际温度数据；基于上述当前测量温度数据、上述当前环境温度数据以及上述当前实际温度数据，采用上述目标红外测温补偿模型，确定上述当前补偿温度值。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：设定上述第一红外测温补偿模型的参量，其中，将测量温度设定为上述第一红外测温补偿模型的输出参量；将实际温度设定为上述第一红外测温补偿模型的输入参量；将环境温度设定为上述第一红外测温补偿模型的模型参量。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：基于粒子群算法和误差反向传播算法构建上述第一红外测温补偿模型。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取上述电热协同系统中与上述历史温度数据对应的原始温度数据；对上述原始温度数据进行预处理，得到上述历史温度数据，其中，上述预处理操作包括以下至少之一：对上述原始温度数据进行数据筛选处理；对上述原始温度数据进行数据填充处理；对上述原始温度数据进行数据格式转换处理。
根据本申请实施例，还提供了一种处理器的实施例。可选的，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种电热协同系统的红外测温补偿方法。
根据本申请实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种的电热协同系统的红外测温补偿方法步骤的程序。
可选的，上述计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；获取预先构建的第一红外测温补偿模型；基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值。
如图3所示，本发明实施例提供了一种电子设备，该电子设备10包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取电热协同系统的历史温度数据，其中，上述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；获取预先构建的第一红外测温补偿模型；基于上述历史温度数据，采用上述第一红外测温补偿模型，确定目标红外测温补偿模型；基于上述目标红外测温补偿模型确定上述电热协同系统的当前补偿温度值。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述模块的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块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信连接可以是通过一些接口，模块或模块的间接耦合或通信连接，可以是电性或其它的形式。
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
上述集成的模块如果以软件功能模块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非易失性存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个非易失性存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的非易失性存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上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 (12)
1.一种电热协同系统的红外测温补偿方法，其特征在于，包括：
获取电热协同系统的历史温度数据，其中，所述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；
获取预先构建的第一红外测温补偿模型；
基于所述历史温度数据，采用所述第一红外测温补偿模型，确定目标红外测温补偿模型；
基于所述目标红外测温补偿模型确定所述电热协同系统的当前补偿温度值。
2.根据权利要求1所述的方法，其特征在于，所述历史测量温度数据包括第一历史测量温度数据和第二历史测量温度数据，所述历史环境温度数据包括第一历史环境温度数据和第二历史环境温度数据，所述历史实际温度数据包括第一历史实际温度数据和第二历史实际温度数据，所述基于所述温度数据，采用所述第一红外测温补偿模型，确定目标红外测温补偿模型，包括：
采用所述第一历史测量温度数据、所述第一历史环境温度数据和所述第一历史实际温度数据对所述第一红外测温补偿模型进行训练，得到第二红外测温补偿模型；
采用所述第二历史测量温度数据、所述第二历史环境温度数据和所述第二历史实际温度数据对所述第二红外测温补偿模型进行测试，得到测试结果；
若测试结果指示所述第二红外测温补偿模型测试通过，则将所述第二红外测温补偿模型作为所述目标红外测温补偿模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
若测试结果指示所述第二红外测温补偿模型测试未通过，则更新所述历史温度数据，基于更新后的历史温度数据循环执行以下操作，直至更新后的第二红外测温补偿模型测试通过：采用更新后的第一历史测量温度数据、更新后的第一历史环境温度数据和更新后的第一历史实际温度数据对所述第一红外测温补偿模型进行训练，得到更新后的第二红外测温补偿模型；采用更新后的第二历史测量温度数据、更新后的第二历史环境温度数据和更新后的第二历史实际温度数据对更新后的第二红外测温补偿模型进行测试，得到更新后的测试结果；
在所述更新后的测试结果指示所述更新后的第二红外测温补偿模型测试通过后，将所述更新后的第二红外测温补偿模型作为所述目标红外测温补偿模型。
4.根据权利要求1所述的方法，其特征在于，所述基于所述目标红外测温补偿模型确定所述电热协同系统的当前补偿温度值，包括：
获取所述电热协同系统的当前温度数据，其中，所述当前温度数据至少包括：当前测量温度数据、当前环境温度数据以及当前实际温度数据；
基于所述当前测量温度数据、所述当前环境温度数据以及所述当前实际温度数据，采用所述目标红外测温补偿模型，确定所述当前补偿温度值。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，在所述获取预先构建的第一红外测温补偿模型之前，所述方法还包括：设定所述第一红外测温补偿模型的参量，其中，
将测量温度设定为所述第一红外测温补偿模型的输出参量；
将实际温度设定为所述第一红外测温补偿模型的输入参量；
将环境温度设定为所述第一红外测温补偿模型的模型参量。
6.根据权利要求1至4中任意一项所述的方法，其特征在于，在所述获取预先构建的第一红外测温补偿模型之前，所述方法还包括：
基于粒子群算法和误差反向传播算法构建所述第一红外测温补偿模型。
7.根据权利要求1至4中任意一项所述的方法，其特征在于，所述获取电热协同系统的历史温度数据，包括：
获取所述电热协同系统中与所述历史温度数据对应的原始温度数据；
对所述原始温度数据进行预处理，得到所述历史温度数据，其中，所述预处理操作包括以下至少之一：
对所述原始温度数据进行数据筛选处理；
对所述原始温度数据进行数据填充处理；
对所述原始温度数据进行数据格式转换处理。
8.一种电热协同系统的红外测温补偿装置，其特征在于，包括：
第一获取模块，用于获取电热协同系统的历史温度数据，其中，所述历史温度数据至少包括：历史测量温度数据、历史环境温度数据以及历史实际温度数据；
第二获取模块，用于获取预先构建的第一红外测温补偿模型；
第一确定模块，用于基于所述历史温度数据，采用所述第一红外测温补偿模型，确定目标红外测温补偿模型；
第二确定模块，用于基于所述目标红外测温补偿模型确定所述电热协同系统的当前补偿温度值。
9.根据权利要求8所述的装置，其特征在于，所述历史测量温度数据包括第一历史测量温度数据和第二历史测量温度数据，所述历史环境温度数据包括第一历史环境温度数据和第二历史环境温度数据，所述历史实际温度数据包括第一历史实际温度数据和第二历史实际温度数据，所述第一确定模块，包括：
第一获取单元，用于采用所述第一历史测量温度数据、所述第一历史环境温度数据和所述第一历史实际温度数据对所述第一红外测温补偿模型进行训练，得到第二红外测温补偿模型；
第一测试单元，用于采用所述第二历史测量温度数据、所述第二历史环境温度数据和所述第二历史实际温度数据对所述第二红外测温补偿模型进行测试，得到测试结果；
第二获取单元，用于若测试结果指示所述第二红外测温补偿模型测试通过，则将所述第二红外测温补偿模型作为所述目标红外测温补偿模型。
10.根据权利要求8所述的装置，其特征在于，所述第二确定模块，包括：
第三获取单元，用于获取所述电热协同系统的当前温度数据，其中，所述当前温度数据至少包括：当前测量温度数据、当前环境温度数据以及当前实际温度数据；
第一确定单元，用于基于所述当前测量温度数据、所述当前环境温度数据以及所述当前实际温度数据，采用所述目标红外测温补偿模型，确定所述当前补偿温度值。
11.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至7中任意一项所述的电热协同系统的红外测温补偿方法。
12.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至7中任意一项所述的电热协同系统的红外测温补偿方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210789471.XA CN115183884A (zh) | 2022-07-06 | 2022-07-06 | 电热协同系统的红外测温补偿方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210789471.XA CN115183884A (zh) | 2022-07-06 | 2022-07-06 | 电热协同系统的红外测温补偿方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115183884A true CN115183884A (zh) | 2022-10-14 |
Family
ID=83518267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210789471.XA Pending CN115183884A (zh) | 2022-07-06 | 2022-07-06 | 电热协同系统的红外测温补偿方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115183884A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117073856A (zh) * | 2023-08-16 | 2023-11-17 | 深圳大学 | 一种温度测量方法、装置、计算机设备及存储介质 |
-
2022
- 2022-07-06 CN CN202210789471.XA patent/CN115183884A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117073856A (zh) * | 2023-08-16 | 2023-11-17 | 深圳大学 | 一种温度测量方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109342989B (zh) | 一种电能表的误差分析方法及装置 | |
| CN107966638B (zh) | 校正误差的方法和装置、存储介质及处理器 | |
| CN108900622B (zh) | 基于物联网的数据融合方法、装置与计算机可读存储介质 | |
| Wei et al. | Lithium-ion battery modeling and state of charge estimation | |
| CN113190969B (zh) | 一种基于信息评估机制的锂电池模型参数辨识方法 | |
| CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
| CN115183884A (zh) | 电热协同系统的红外测温补偿方法及装置 | |
| CN112883522A (zh) | 一种基于gru循环神经网络的微电网动态等效建模方法 | |
| CN113255181A (zh) | 基于深度学习的传热学反问题识别方法及装置 | |
| CN110298570B (zh) | 配电网系统拓扑状态辨识方法、装置、存储介质及设备 | |
| CN114512982A (zh) | 配电网拓扑辨识方法、装置和终端设备 | |
| CN115859882A (zh) | 一种基于剪裁神经网络的温度补偿设计方法及温度补偿方法 | |
| CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
| CN110146855A (zh) | 雷达间断干扰抑制门限计算方法及装置 | |
| CN114239796A (zh) | 一种基于扩展卡尔曼滤波的电力系统状态估计方法 | |
| CN109638811B (zh) | 基于模型等值的配电网电压功率灵敏度鲁棒估计方法 | |
| CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| CN115878963B (zh) | 电容式电压互感器计量误差预测方法、系统、终端及介质 | |
| CN114372036B (zh) | 电力系统的状态估计方法、装置、设备和计算机存储介质 | |
| CN112565180B (zh) | 基于移动目标防御的电网防御方法、系统、设备及介质 | |
| CN112098782A (zh) | 一种基于神经网络的moa绝缘状态检测方法及系统 | |
| CN103258144B (zh) | 基于故障录波器数据的在线静态负荷建模方法 | |
| CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
| CN113009107A (zh) | 一种冻土未冻水含量检测方法 | |
| Dongare et al. | Power system state estimation considering real-time equivalents of the external networks |
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 |