CN117131926A - 一种基于数据存储的电能计量误差分析方法 - Google Patents
一种基于数据存储的电能计量误差分析方法 Download PDFInfo
- Publication number
- CN117131926A CN117131926A CN202311377553.4A CN202311377553A CN117131926A CN 117131926 A CN117131926 A CN 117131926A CN 202311377553 A CN202311377553 A CN 202311377553A CN 117131926 A CN117131926 A CN 117131926A
- Authority
- CN
- China
- Prior art keywords
- data
- error
- parameter
- electric energy
- model
- 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
- 238000013500 data storage Methods 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 6
- 238000000547 structure data Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004164 analytical calibration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 238000013136 deep learning model Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于数据存储的电能计量误差分析方法,包括S1数据采集;S2数据处理和校正;S3建立误差分析模型:将独立存储单元中的单一参数作为独立训练的样本,采用卷积神经网络对所述单一参数进行训练,构建CNN模型,CNN模型输入层为单一参数,输出层为对应的误差参数;S4对误差分析模型进行训练:使用对比数据对CNN模型进行训练;通过优化算法来更新网络的权重和偏置;S5误差参数估计:S6优化误差参数。本发明利用大量的电力数据,通过建立深度学习模型,可以更加精准的得到误差参数;减少了人工处理的工作量,提高了效率,并且可以实现及时监控和报警,及时发现计量问题。
Description
技术领域
本发明涉及电力行业的校准技术领域,具体为一种基于数据存储的电能计量误差分析方法。
背景技术
随着电力行业的不断创新和发展,目前智能化电能表逐渐成为主流;而电能计量意义重大,电能计量的准确性事关各项电力技术经济指标的正确计算以及电力结算的准确性、公正性。
电能计量时仍然会因为各种各样的原因产生误差,而目前对于误差的分析还不够成熟,大多还是根据少量数据和检测数据来评估误差值,并根据误差参数进行电能计量的校准;在评估误差值时,仍然需要依靠实验人员的经验判断;随着电力数据的积累,需要一种新的方法,减少人为参与,提高误差分析准确度的方法,因此针对目前的电能计量方面,提出一种基于数据存储的电能计量误差分析方法是非常迫切的。
发明内容
本发明在于提供一种基于数据存储的电能计量误差分析方法,其目的是为了解决上述背景技术中所提出的问题。
为解决上述问题,提供一种基于数据存储的电能计量误差分析方法,
具体方法包括:
S1数据采集:通过智能电能表采集电力数据包,通过有线或者无线网络将电力数据包存储于服务器中;
S2数据处理和校正:读取服务器中的电力数据包,将电力数据包进行分解成单一参数并建立独立存储单元;将每一个独立存储单元内的单一参数分别进行时间戳处理;然后将处理后的数据进行校正,计算标准差和相对误差;
S3建立误差分析模型:将独立存储单元中的单一参数作为独立训练的样本,采用卷积神经网络对所述单一参数进行训练,构建CNN模型,CNN模型输入层为单一参数,输出层为对应的误差参数;
S4对误差分析模型进行训练:使用对比数据对CNN模型进行训练;通过优化算法来更新网络的权重和偏置;
S5误差参数估计:根据采集的电力数据包和对比数据,通过CNN模型的计算得到仪表的误差参数;将该误差参数用于仪表校准,将校准后的电力数据包与校准仪器获得的真实值进行对比,用来评估误差参数的准确性;
S6优化误差参数:重复S1-S5,通过累计的电力数据包叠加训练,得到多个CNN模型,选择更为稳定的模型作为误差参数预估模型。
进一步说明:S1中采集的数据包括智能电能表采集的电力数据包,以及电力校准设备采集的真实的电力数据。
进一步说明:电力数据包包含以下参数:电流、电压、电能消耗量、功率因数。
进一步说明:S2中服务器设定采样频率为Fs,在服务器创建一个数据存储结构Data[],设定一个计数器变量count,初始值为0,则计算采样时间点tn=count/Fs,将电力数据包存储于Data[tn]中,服务器将电力数据包分解后存储于数据存储结构Data[tn]m中,m为正整数。
进一步说明:服务器读取Data[tn]m中的数据记为y_i,其中i表示数据的索引,计算数据y_i的时间间隔,记为Δt_i,即Δt_i = t_i - t_{i-1},其中t_i和t_{i-1}分别表示第i个数据和前一个数据的时间戳;根据时间戳将采集的数据划分为训练集、验证集和测试集。
进一步说明:S3中,服务器读取Data[tn]m中的数据y_i,进行数据归一化处理得到y_n,y_n=(y_i - min) / (max - min),min和max是Data[tn]m中的最小值和最大值。
进一步说明:CNN模型包括3个卷积层、2个池化层、2个全连接层、1个输出层。
进一步说明:S4中所述优化算法为随机梯度下降算法,参数更新公式:
θ_new = θ_old - α * ΔJ(θ_old),
其中:
θ_old 是当前参数的值,
θ_new 是更新后的参数值,
α 是学习率,用于控制每次参数更新的步长,
ΔJ(θ_old) 是损失函数 J 对参数θ_old 的梯度。
进一步说明:S5中,对CNN模型得到的误差参数进行评估,采用均方误差模型MSE进行评估,MSE的计算公式如下:
MSE = (1/n) * Σ(y_pred - y_true)^2
其中:MSE:均方误差;n:样本数量,用于计算MSE的样本数量;y_pred:模型的预测值,y_true:真实值。
具有以下有益效果:本发明利用大量的电力数据,通过建立深度学习模型,可以更加精准的得到误差参数;并且通过存储大量的电能计量数据,并对其进行分析,可以全面地评估电能计量系统的误差情况,减少了人工处理的工作量,提高了效率,并且可以实现及时监控和报警,及时发现计量问题;存储的电能计量数据可以提供详细的历史记录,使得误差分析具有可追溯性。
附图说明
图1为本发明中一种基于数据存储的电能计量误差分析方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于数据存储的电能计量误差分析方法,包括以下内容:
S1数据采集:通过智能电能表采集电力数据包,通过有线或者无线网络将电力数据包存储于服务器中。
服务器向智能电能表发出采集数据的指令,智能电能表接到指令后将电力数据以及该电力数据对应的时间一并发送给服务器;此时数据具有时间戳,时间戳可以用于后续的数据处理和误差分析,用于分析读数的时序特征、检测数据异常或漂移等问题。
电力数据包包含以下参数:电流、电压、电能消耗量、功率因数。
S2数据处理和校正:读取服务器中的电力数据包,将电力数据包进行分解成单一参数并建立独立存储单元;将每一个独立存储单元内的单一参数分别进行时间戳处理;然后将处理后的数据进行校正,计算标准差和相对误差。
服务器设定采样频率为Fs,在服务器创建一个数据存储结构Data[],设定一个计数器变量count,初始值为0,则计算采样时间点tn=count/Fs,将电力数据包存储于Data[tn]中,服务器将电力数据包分解后存储于数据存储结构Data[tn]m中,m为正整数。
例如,时间点t1时采集的数据包括电流数据m=1,电压数据m=2、电能消耗量数据m=3、功率因数数据m=4;因此分别建立Data[t1]项下的数据存储结构Data[t1]1 用于存储电流数据,Data[t1]2 用于存储电压数据,以此类推。
服务器读取Data[tn]m中的数据记为y_i,其中i表示数据的索引,i指向Data[]数据集;计算数据y_i的时间间隔,记为Δt_i,即Δt_i = t_i - t_{i-1},其中t_i和t_{i-1}分别表示第i个数据和前一个数据的时间戳;根据时间戳将采集的数据划分为训练集、验证集和测试集,设定70%的训练集、15%的验证集和15%的测试集。
例如进行电流数据训练时,读取电流数据,则y_i表述电流的数据;当进行电压数据训练时,读取电流数据,则y_i表述电压的数据,以此类推。
在进行训练前,需要对数据y_i进行数据清洗、异常值处理和缺失值填充等处理,通过S2中对数据的标准差和相对误差来对数据y_i进行处理。
S3建立误差分析模型:将独立存储单元中的单一参数作为独立训练的样本,采用卷积神经网络对所述单一参数进行训练,构建CNN模型,CNN模型输入层为单一参数,输出层为对应的误差参数。
服务器读取Data[tn]m中的数据y_i,进行数据归一化处理得到y_n,y_n=(y_i -min) / (max - min),min和max是Data[tn]m中的最小值和最大值。
CNN模型包括3个卷积层、2个池化层、2个全连接层、1个输出层。
S4对误差分析模型进行训练:使用对比数据对CNN模型进行训练;通过优化算法来更新网络的权重和偏置;可以使用训练集进行多个epochs的迭代训练。
优化算法为随机梯度下降算法,参数更新公式:
θ_new = θ_old - α * ΔJ(θ_old),
其中:
θ_old 是当前参数的值,
θ_new 是更新后的参数值,
α 是学习率,用于控制每次参数更新的步长,
ΔJ(θ_old) 是损失函数 J 对参数θ_old 的梯度。
其中,J= (1/N) * Σ|y_pred - y_true|; N 是样本数量,y_pred 是模型的预测值,y_true 是真实值。
S5误差参数估计:根据采集的电力数据包和对比数据,通过CNN模型的计算得到仪表的误差参数;将该误差参数用于仪表校准,将校准后的电力数据包与校准仪器获得的真实值进行对比,用来评估误差参数的准确性;
对CNN模型得到的误差参数进行评估,采用均方误差模型进行评估,MSE的计算公式如下:
MSE = (1/n) * Σ(y_pred - y_true)^2
其中:MSE:均方误差;n:样本数量,用于计算MSE的样本数量;y_pred:模型的预测值,y_true:真实值。
MSE的值越小,表示模型的预测结果与真实值的差异越小,模型的拟合效果越好。
S6优化误差参数:重复S1-S5,通过累计的电力数据包叠加训练,得到多个CNN模型,选择更为稳定的模型作为误差参数预估模型。
进一步说明:S1中采集的数据包括智能电能表采集的电力数据包,以及电力校准设备采集的真实的电力数据。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于数据存储的电能计量误差分析方法,其特征在于,包括以下步骤:
S1数据采集:通过智能电能表采集电力数据包,通过有线或者无线网络将电力数据包存储于服务器中;
S2数据处理和校正:读取服务器中的电力数据包,将电力数据包进行分解成单一参数并建立独立存储单元;将每一个独立存储单元内的单一参数分别进行时间戳处理;然后将处理后的数据进行校正,计算标准差和相对误差;
S3建立误差分析模型:将独立存储单元中的单一参数作为独立训练的样本,采用卷积神经网络对所述单一参数进行训练,构建CNN模型,CNN模型输入层为单一参数,输出层为对应的误差参数;
S4对误差分析模型进行训练:使用对比数据对CNN模型进行训练;通过优化算法来更新网络的权重和偏置;
S5误差参数估计:根据采集的电力数据包和对比数据,通过CNN模型的计算得到仪表的误差参数;将该误差参数用于仪表校准,将校准后的电力数据包与校准仪器获得的真实值进行对比,用来评估误差参数的准确性;
S6优化误差参数:重复S1-S5,通过累计的电力数据包叠加训练,得到多个CNN模型,选择更为稳定的模型作为误差参数预估模型。
2.根据权利要求1所述的一种基于数据存储的电能计量误差分析方法,其特征在于,S1中采集的数据包括智能电能表采集的电力数据包,以及电力校准设备采集的真实的电力数据。
3.根据权利要求1所述的一种基于数据存储的电能计量误差分析方法,其特征在于,电力数据包包含以下参数:电流、电压、电能消耗量、功率因数。
4.根据权利要求3所述的一种基于数据存储的电能计量误差分析方法,其特征在于,S2中服务器设定采样频率为Fs,在服务器创建一个数据存储结构Data[],设定一个计数器变量count,初始值为0,则计算采样时间点tn=count/Fs,将电力数据包存储于Data[tn]中,服务器将电力数据包分解后存储于数据存储结构Data[tn]m中,m为正整数。
5.根据权利要求4所述的一种基于数据存储的电能计量误差分析方法,其特征在于,服务器读取Data[tn]m中的数据记为y_i,其中i表示数据的索引,计算数据y_i的时间间隔,记为Δt_i,即Δt_i = t_i - t_{i-1},其中t_i和t_{i-1}分别表示第i个数据和前一个数据的时间戳;根据时间戳将采集的数据划分为训练集、验证集和测试集。
6.根据权利要求4所述的一种基于数据存储的电能计量误差分析方法,其特征在于,S3中,服务器读取Data[tn]m中的数据y_i,进行数据归一化处理得到y_n,y_n=(y_i - min) /(max - min),min和max是Data[tn]m中的最小值和最大值。
7.根据权利要求1所述的一种基于数据存储的电能计量误差分析方法,其特征在于,CNN模型包括3个卷积层、2个池化层、2个全连接层、1个输出层。
8.根据权利要求1所述的一种基于数据存储的电能计量误差分析方法,其特征在于,S4中所述优化算法为随机梯度下降算法,参数更新公式:
θ_new = θ_old - α * ΔJ(θ_old),
其中:
θ_old 是当前参数的值,
θ_new 是更新后的参数值,
α 是学习率,用于控制每次参数更新的步长,
ΔJ(θ_old) 是损失函数 J 对参数θ_old 的梯度。
9. 根据权利要求4所述的一种基于数据存储的电能计量误差分析方法,其特征在于,S5中,对CNN模型得到的误差参数进行评估,采用均方误差模型MSE进行评估,MSE的计算公式如下:
MSE = (1/n) * Σ(y_pred - y_true)^2
其中:MSE:均方误差;n:样本数量,用于计算MSE的样本数量;y_pred:模型的预测值,y_true:真实值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311377553.4A CN117131926A (zh) | 2023-10-24 | 2023-10-24 | 一种基于数据存储的电能计量误差分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311377553.4A CN117131926A (zh) | 2023-10-24 | 2023-10-24 | 一种基于数据存储的电能计量误差分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117131926A true CN117131926A (zh) | 2023-11-28 |
Family
ID=88858451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311377553.4A Pending CN117131926A (zh) | 2023-10-24 | 2023-10-24 | 一种基于数据存储的电能计量误差分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131926A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN109376926A (zh) * | 2018-10-23 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 电能计量器具的误差预测方法、装置、设备及存储介质 |
CN113281697A (zh) * | 2021-05-20 | 2021-08-20 | 国网河南省电力公司营销服务中心 | 一种运行误差在线分析方法及系统 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN114166318A (zh) * | 2022-02-14 | 2022-03-11 | 青岛鼎信通讯股份有限公司 | 一种基于深度学习的超声波水表流量数据校准方法 |
CN114282714A (zh) * | 2021-12-02 | 2022-04-05 | 国网山西省电力公司晋中供电公司 | 一种基于广义回归神经网络的电能表状态分析评价方法 |
CN114399032A (zh) * | 2022-03-23 | 2022-04-26 | 武汉格蓝若智能技术有限公司 | 一种电能表计量误差预测方法及系统 |
CN114964429A (zh) * | 2022-05-27 | 2022-08-30 | 安徽领水科技有限公司 | 一种超声波水表检定方法 |
CN116485049A (zh) * | 2023-06-25 | 2023-07-25 | 佛山市龙生光启科技有限公司 | 一种基于人工智能的电能计量误差预测与优化系统 |
CN116699501A (zh) * | 2023-06-06 | 2023-09-05 | 国网内蒙古东部电力有限公司信息通信分公司 | 智能电能表运行误差监测上报系统 |
-
2023
- 2023-10-24 CN CN202311377553.4A patent/CN117131926A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN109376926A (zh) * | 2018-10-23 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 电能计量器具的误差预测方法、装置、设备及存储介质 |
CN113281697A (zh) * | 2021-05-20 | 2021-08-20 | 国网河南省电力公司营销服务中心 | 一种运行误差在线分析方法及系统 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN114282714A (zh) * | 2021-12-02 | 2022-04-05 | 国网山西省电力公司晋中供电公司 | 一种基于广义回归神经网络的电能表状态分析评价方法 |
CN114166318A (zh) * | 2022-02-14 | 2022-03-11 | 青岛鼎信通讯股份有限公司 | 一种基于深度学习的超声波水表流量数据校准方法 |
CN114399032A (zh) * | 2022-03-23 | 2022-04-26 | 武汉格蓝若智能技术有限公司 | 一种电能表计量误差预测方法及系统 |
CN114964429A (zh) * | 2022-05-27 | 2022-08-30 | 安徽领水科技有限公司 | 一种超声波水表检定方法 |
CN116699501A (zh) * | 2023-06-06 | 2023-09-05 | 国网内蒙古东部电力有限公司信息通信分公司 | 智能电能表运行误差监测上报系统 |
CN116485049A (zh) * | 2023-06-25 | 2023-07-25 | 佛山市龙生光启科技有限公司 | 一种基于人工智能的电能计量误差预测与优化系统 |
Non-Patent Citations (1)
Title |
---|
吉安卡洛.扎克尼 等著: "TensorFlow深度学习(原书第2版)", 东南大学出版社, pages: 102 - 104 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN106059661B (zh) | 一种基于时序分析的光传输网络趋势预测方法 | |
CN112381476B (zh) | 用于确定状态异常的电能表的方法及装置 | |
CN109781934A (zh) | 环境传感器检测数据的处理装置、处理方法、计算机可读存储介质、以及环境传感器系统 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN113126019B (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
CN115508770B (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
CN112904266B (zh) | 一种电能表寿命预测方法及装置 | |
CN112713881B (zh) | 一种基于边缘计算的同步时钟维持系统与方法 | |
CN116341796A (zh) | 能耗监测与评估系统及方法 | |
CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN114265001B (zh) | 一种智能电表计量误差评估方法 | |
CN116720622A (zh) | 一种电流互感器计量误差值预测方法 | |
CN117606578A (zh) | 一种智能的气体流量监测方法 | |
CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 | |
CN113723541B (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
CN108491439B (zh) | 一种基于历史数据统计特性的遥测缓变参数自动判读方法 | |
CN114202141A (zh) | 一种基于边云协同的计量设备检定线运行状态评估方法 | |
CN117131926A (zh) | 一种基于数据存储的电能计量误差分析方法 | |
CN117473253A (zh) | 一种电力采集数据质量评估方法 | |
CN114459523B (zh) | 一种在线质量检测仪器的标定预警方法 | |
CN115203905A (zh) | 一种融合专家经验及智能算法的设备健康评估方法 | |
CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 |
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 |