CN117834455B - 一种电力物联网数据传输仿真方法和系统 - Google Patents
一种电力物联网数据传输仿真方法和系统 Download PDFInfo
- Publication number
- CN117834455B CN117834455B CN202410253304.2A CN202410253304A CN117834455B CN 117834455 B CN117834455 B CN 117834455B CN 202410253304 A CN202410253304 A CN 202410253304A CN 117834455 B CN117834455 B CN 117834455B
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- electric power
- things
- power internet
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004088 simulation Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000007781 pre-processing Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 17
- 230000006854 communication Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 6
- 238000013144 data compression Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 51
- 238000010586 diagram Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电力物联网数据传输仿真方法和系统,方法包括:采集电力物联网数据;将电力物联网数据进行预处理,得到预处理后的电力物联网数据;将预处理后的电力物联网数据转换为多个数据点,对多个数据点进行聚类以得到聚类结果以及聚类代价;构建综合目标函数;对综合目标函数进行优化,并根据优化后的综合目标函数,确定数据传输策略;根据聚类代价和综合目标函数,计算传输电力物联网数据的传输成本;根据传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据更新的聚类结果和更新的聚类代价优化数据传输策略,得到优化后的数据传输策略;利用仿真环境,使用优化后的数据传输策略对电力物联网数据进行模拟传输。
Description
技术领域
本发明涉及物联网通信技术领域,尤其涉及一种电力物联网数据传输仿真方法、系统、电子设备和非暂态计算机可读存储介质。
背景技术
通过在电力系统的关键位置部署传感器和数据采集设备,实现对电力的实时采集和监测,后续可以对电力数据采用物联网技术进行传输,形成电力物联网数据。
然而,对海量电力物联网数据传输时并未做任何处理或制定相关传输策略,同时传输过多数据时会导致服务端高并发和数据处理压力巨大,进而出现传输效率低或服务器宕机的情况。此外,数据上传不及时会在缓存中积累,缓存中积累大量数据同样会导致传输效率低和服务器宕机的情况,从而无法满足电力系统高效传输的需求。
因此,现有对电力物联网数据传输时缺乏数据处理和制定传输策略,导致数据传输的效率和稳定性较低。
发明内容
本发明针对现有技术中存在的技术问题,提供一种能够提升电力物联网数据传输效率和稳定性的电力物联网数据传输仿真方法、系统、电子设备和非暂态计算机可读存储介质。
本发明解决上述技术问题的技术方案如下:
本发明提供一种电力物联网数据传输仿真方法,方法包括:
通过部署在电力系统的传感器和数据采集设备采集电力物联网数据;
将采集到的电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据;
将预处理后的电力物联网数据转换为多个数据点,对多个数据点进行聚类以得到包括多个簇的聚类结果,以及聚类结果对应的聚类代价;聚类代价用于表征数据点到簇的簇中心的距离、多个簇之间的关联性;
根据初始设置的数据传输效率,以及对聚类结果进行分析得到的聚类紧凑性、数据点关联性和聚类稳定性,构建综合目标函数;
对综合目标函数进行优化,并根据优化后的综合目标函数,确定传输电力物联网数据的数据传输策略;
根据聚类代价和综合目标函数,计算传输电力物联网数据的传输成本;
根据传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据更新的聚类结果和更新的聚类代价优化数据传输策略,得到优化后的数据传输策略;
利用仿真环境,使用优化后的数据传输策略对电力物联网数据进行模拟传输。
可选的,将预处理后的电力物联网数据转换为多个数据点,对多个数据点进行聚类以得到包括多个簇的聚类结果,以及聚类结果对应的聚类代价,包括:
将每个预处理后的电力物联网数据转换为一个对应的特征向量作为数据点;
对特征向量进行标准化或归一化处理,得到处理后的数据点;
确定待执行的聚类算法;若确定出的聚类算法为指定簇数量的算法,则确定对应的簇数量;
应用选定的聚类算法,对处理后的数据点进行聚类得到聚类结果;
计算每个处理后的数据点到其所属簇中心的距离后,代入聚类代价公式计算聚类代价。
可选的,计算每个处理后的数据点到其所属簇中心的距离后,代入聚类代价公式计算聚类代价,包括:
聚类代价公式表示为:
CC=(/>‖/>‖²+/>‖/>‖²);
其中,k表示聚类的簇的数量,表示第i个簇中包含的数据点的数量,/>为第一权重,/>表示数据点/>到簇中心/>的距离,T表示数据点/>和簇中心/>在时间序列上的维度,α为调整项,/>为簇之间关联性的第二权重,j和l均为聚类的簇的索引,t为时间序列的维度。
可选的,综合目标函数表示为:
OF=+/>×CC1+/>×DPA+/>×CS;
其中,OF为综合目标函数,DTE为数据传输效率,是聚类紧凑性的第三权重,CC1为聚类紧凑性,/>是数据点关联性的第四权重,DPA为数据点关联性,/>是聚类稳定性的第五权重,CS为聚类稳定性。
可选的,对综合目标函数进行优化,包括:
根据传输场景和传输需求,权衡综合目标函数各参数的重要性;
根据重要性,确定第三权重、第四权重和第五权重三者之间的大小关系;
根据大小关系,结合优化算法调整第三权重、第四权重和第五权重的值,得到优化后的综合目标函数。
可选的,根据优化后的综合目标函数,确定传输电力物联网数据的数据传输策略,包括:
根据优化后的综合目标函数,确定数据传输周期;
根据数据传输周期,确定对应的传输通信方式;
根据传输通信方式,确定对应的优化数据压缩算法。
可选的,传输成本表示为:
TC=CC+λOF;
其中,TC为传输成本,CC为聚类代价,OF为综合目标函数,λ为第六权重。
可选的,根据更新的聚类结果和更新的聚类代价优化数据传输策略,得到优化后的数据传输策略,包括:
根据更新的聚类结果,得到更新后的聚类紧凑性、更新后的聚类稳定性、更新后的数据点关联性,并分析以上更新数据与原数据之间的差异,得到第一分析结果;
分析更新的聚类代价对传输成本的影响,得到第二分析结果;
根据第一分析结果和第二分析结果调整数据传输策略,得到优化后的数据传输策略。
可选的,将采集到的电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据,包括:
对电力物联网数据进行去噪处理,得到去噪数据;
对去噪数据进行异常检测,删除去噪数据中的异常数据;
对更新后的所述去噪数据进行归一化处理,得到归一化去噪数据,并对归一化去噪数据进行进阶预处理,得到预处理后的电力物联网数据;进阶预处理包括数据转换、数据平滑、数据格式转化、缺值填补、实时性处理中的至少一个。
本发明还提供一种电力物联网数据传输仿真系统,系统包括:
此外,为实现上述目的,本发明还提出一种电子设备,包括:存储器,用于存储计算机软件程序;处理器,用于读取并执行计算机软件程序,进而实现如上文的电力物联网数据传输仿真方法。
此外,为实现上述目的,本发明还提出一种非暂态计算机可读存储介质,存储介质中存储有计算机软件程序,计算机软件程序被处理器执行时实现如上文的电力物联网数据传输仿真方法。
本发明的有益效果是:
(1)本发明通过综合考虑聚类质量和传输效率,采用优化后的数据传输策略,有效提高了电力物联网数据的传输效率,确保实时性要求得到满足;
(2)本发明通过对预处理后的数据进行聚类分析,优化综合目标函数,并根据传输成本进行调整,实现了对数据传输策略的优化,有助于提高数据传输的质量和准确性;
(3)本发明通过权衡综合目标函数中各参数的重要性,并利用优化算法调整权重值,使得本方案更具灵活性,能够适应不同的传输场景和需求,提高了系统的适应性;
(4)本发明引入聚类代价和综合目标函数,对聚类结果和传输成本进行综合考虑,有助于实现对数据的智能处理,可以避免传统物联网通信过程中未经处理的海量数据给服务端带来的高并发和处理压力;
(5)本发明通过对数据传输策略的优化,结合传输成本的计算,本方案可以有效降低数据传输的成本,有助于提高电力物联网系统的经济效益。
附图说明
图1为本发明提供的一种电力物联网数据传输仿真方法的场景图;
图2为本发明提供的一种电力物联网数据传输仿真方法的流程图;
图3为本发明提供的一种电力物联网数据传输仿真系统的结构示意图;
图4为本发明提供的一种可能的电子设备的硬件结构示意图;
图5为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
在本申请的描述中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请的描述中,术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
请参阅图1,图1为本发明提供的一种电力物联网数据传输仿真方法的场景图。如图1所示,终端与服务器之间通过网络连接,比如,通过有线或无线网络连接等。其中,终端可以包括但不局限于安装有各位网络平台应用的手机、平板等便携终端,以及电脑、查询机、广告机等固定终端。其中,服务器为用户提供各种业务服务,包括服务推送服务器、用户推荐服务器等。
其中,终端可以用于:
通过部署在电力系统的传感器和数据采集设备采集电力物联网数据;
将采集到的电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据;
将预处理后的电力物联网数据转换为多个数据点,对多个数据点进行聚类以得到包括多个簇的聚类结果,以及聚类结果对应的聚类代价;聚类代价用于表征数据点到簇的簇中心的距离、多个簇之间的关联性;
根据初始设置的数据传输效率,以及对聚类结果进行分析得到的聚类紧凑性、数据点关联性和聚类稳定性,构建综合目标函数;
对综合目标函数进行优化,并根据优化后的综合目标函数,确定传输电力物联网数据的数据传输策略;
根据聚类代价和综合目标函数,计算传输电力物联网数据的传输成本;
根据传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据更新的聚类结果和更新的聚类代价优化数据传输策略,得到优化后的数据传输策略;
利用仿真环境,使用优化后的数据传输策略对电力物联网数据进行模拟传输。
请参阅图2,提供了本发明的一种电力物联网数据传输仿真方法的流程图,包括以下步骤:
步骤201、通过部署在电力系统的传感器和数据采集设备采集电力物联网数据。
其中,电力物联网数据指的是通过在电力系统中部署传感器和数据采集设备,采集和监测与电力相关的各种信息,并通过物联网技术进行连接和交互的数据,数据涵盖了电力系统中多个方面的信息,旨在实现对电力设备、电网状态和能源利用等的全面感知、监控和管理。例如可以包括电力设备参数、能耗数据、电力质量参数、设备运行状态、电网状态和拓扑信息、故障和警报数据、实时负荷数据、能源生产和分布数据等。
在一些实施例中,可以通过部署在电力系统的传感器和数据采集设备采集电力物联网数据,可以在电力系统的关键位置安装各种传感器和专门设计的数据采集设备,以上传感器和设备的任务是实时监测电力系统中的各种参数和数据,以获取有关电力设备、电网运行状态等方面的信息。从而可以在于从电力系统中获取准确、实时的数据,为后续的数据处理和分析提供基础。
具体实现中,以上传感器可以包括用于测量电流、电压、温度、湿度等物理量的传感器,以及其他专门用于采集电力系统运行状态的设备。通过设备的布置,系统能够不断地收集与电力相关的多种数据,形成一个实时的数据流,以上数据将成为后续预处理、聚类分析和优化的基础,以支持电力物联网系统的智能化运行和管理。整个过程有助于建立起对电力系统实时状态的全面监测和感知能力,从而为系统的智能化决策提供必要的信息。
步骤202、将采集到的电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据。
可选的,步骤202可以包括以下步骤:
对电力物联网数据进行去噪处理,得到去噪数据;
对去噪数据进行异常检测,删除去噪数据中的异常数据;
对更新后的所述去噪数据进行归一化处理,得到归一化去噪数据,并对归一化去噪数据进行进阶预处理,得到预处理后的电力物联网数据;进阶预处理包括数据转换、数据平滑、数据格式转化、缺值填补、实时性处理中的至少一个。
可以理解,采集到的电力物联网数据可能受到传感器误差、环境干扰或其他随机波动的影响,产生噪声。为了提高数据的质量,首先对采集到的数据进行去噪处理。去噪的目标是消除噪声,使得数据更加平滑和可靠。
在一些实施例中,在去噪后的数据基础上,进行异常检测。异常数据可能是由于设备故障、系统错误或其他异常情况引起的。对于检测到的异常数据,采取删除的策略,确保后续的分析和处理不受异常值的影响,提高数据的准确性和稳定性。
不同传感器采集的数据可能具有不同的量纲和范围,为了进行有效的比较和分析,需要对数据进行归一化处理。通过归一化,将数据映射到相同的尺度上,消除了由于数据差异引起的偏差,有助于统一数据的表达形式。
在一些实施例中,根据实际需求和应用场景选择其中至少一个进行进阶预处理:数据转换可以将数据进行转换,例如从原始数据中提取特定的特征或进行数学变换,以便更好地反映数据的特性。数据平滑可以对数据进行平滑处理,降低数据的噪声和波动,使得数据更具可读性。数据格式转化可以将数据的格式进行转化,以满足后续分析或传输的需要。缺值填补可以处理数据中可能存在的缺失值,采取适当的填补策略,确保数据的完整性。实时性处理可以针对需要实时处理的场景,对数据进行相应的实时性处理,以保证及时性和实时性要求。
通过以上方式,得到的预处理后的电力物联网数据具有更高的质量和适用性,为后续的聚类分析和数据传输策略提供了可靠的基础。
步骤203、将预处理后的电力物联网数据转换为多个数据点,对多个数据点进行聚类以得到包括多个簇的聚类结果,以及聚类结果对应的聚类代价。
其中,聚类代价用于表征数据点到簇的簇中心的距离、多个簇之间的关联性。预处理后的电力物联网数据可能是一个多维的数据集,每个数据样本包含多个特征。在一些实施例中,可以将每个数据样本转换为一个数据点,其中每个数据点可以表示为一个特征向量。如此,整个数据集就被表示为多个数据点的集合。
在一些实施例中,可以将转换后的数据点进行聚类,将相似的数据点归为同一簇,形成聚类结果。聚类是根据数据点之间的相似性将它们分组的过程,旨在发现数据中的潜在结构。
在一些实施例中,聚类分析完成后,数据点被划分为不同的簇,每个簇代表一组相似的数据点。簇的形成是基于数据点之间的相似性,簇的数量取决于聚类算法和预设的参数。
聚类代价可以用于度量聚类的效果,包括两个主要方面:一是数据点到簇中心的距离:对于每个数据点,计算它到所属簇中心的距离。该距离可以用来表示数据点在簇内的分散程度,距离越小表示聚类效果越好。二是多个簇之间的关联性:考虑不同簇之间的关联性,即簇与簇之间的距离或相似性,有助于评估整体聚类的紧凑性和分离度。
通过聚类代价的计算,可以综合考虑簇内点的紧凑性和簇间关联性,为后续的综合目标函数和数据传输策略的优化提供了依据。
可选的,步骤203可以包括以下步骤:
将每个预处理后的电力物联网数据转换为一个对应的特征向量作为数据点;
对特征向量进行标准化或归一化处理,得到处理后的数据点;
确定待执行的聚类算法;若确定出的聚类算法为指定簇数量的算法,则确定对应的簇数量;
应用选定的聚类算法,对处理后的数据点进行聚类得到聚类结果;
计算每个处理后的数据点到其所属簇中心的距离后,代入聚类代价公式计算聚类代价。
在一些实施例中,聚类代价公式可以表示为:
CC=(/>‖/>‖²+/>‖/>‖²);
其中,CC表示聚类代价Cluster Cost,k表示聚类的簇的数量,表示第i个簇中包含的数据点的数量,/>为第一权重,/>表示数据点/>到簇中心/>的距离,T表示数据点和簇中心/>在时间序列上的维度,α为调整项,/>为簇之间关联性的第二权重,j和l均为聚类的簇的索引,t为时间序列的维度。
具体的,k是聚类算法中一个重要的参数,决定将数据划分为多少个簇。即每个簇内的数据点个数。/>用于调整数据点/>到簇中心/>的距离的影响,权重可以根据具体情况进行调整,以更好地反映数据点对聚类效果的贡献。/>是聚类算法中的一个重要度量,反映了数据点与簇中心的相对位置。T即时间步数。α用于平衡数据点到簇中心的距离项和簇之间关联性的项,通过调整α的大小,可以影响聚类过程中对以上两方面的重视程度。用于调整不同簇之间的关联性对整体聚类效果的影响。/>‖/>‖²的部分表示数据点/>与簇中心/>在时间序列上的维度(t维)上的距离的平方的总和,t表示时间序列的维度。/>‖/>‖²这部分是用于衡量不同簇之间关联性的第二权重,其中是一个调整项,/>是簇之间关联性的第二权重,此部分的意义是对于每对簇i和簇l,通过簇中心之间的距离来度量两者之间的关联性。
在一些实施例中,可以针对每个预处理后的电力物联网数据点,将其转换为一个特征向量。特征向量由数据点的各个特征组成,可以理解为一个包含了数据点重要属性的数值向量。可以对得到的特征向量进行标准化或归一化处理,旨在消除不同特征之间的尺度差异,确保它们在相似度计算中具有相同的权重。
在一些实施例中,可以选择适用于该任务的聚类算法,如K均值聚类、层次聚类、DBSCAN等,算法的选择依赖于数据的性质和聚类的目标。如果所选聚类算法需要指定簇的数量,需要在此步骤中确定合适的簇数量,可以通过一些启发式方法,如肘部法则,或者业务需求来进行。
仅作为示例,使用KMeans聚类算法的伪代码可以表示为:
“from sklearn.cluster import KMeans
import numpy as np
# 假设data是包含电流、电压、功率等指标的监测数据
data = np.array([[current1, voltage1, power1],
[current2, voltage2, power2],
...
[current_n, voltage_n, power_n]])
# 选择簇的数量(k值)
k = 3
# 选择用于聚类的特征
features = data[:, [0, 1, 2]] # 假设使用电流、电压、功率三个指标进行聚类
# 应用K均值聚类
kmeans = KMeans(n_clusters=k)
kmeans.fit(features)
# 获取聚类结果
labels = kmeans.labels_
# 打印每个数据点所属的簇
print("Cluster labels:", labels)”;
在一些实施例中,可以将标准化后的数据点应用于选定的聚类算法,执行聚类操作。聚类的结果是将数据点分组成不同簇的分布。可以使用聚类代价公式对聚类结果进行评估。公式中包含了多个因素,如簇内点到簇中心的距离、簇间关联性等,以上因素综合反映了聚类的质量和效果。
簇内点到簇中心的距离(/>‖/>‖²)用于衡量簇内数据点的紧凑性,距离越小表示簇内数据点越相似。簇间关联性/>‖/>‖²表征不同簇之间的关系,考虑了簇与簇之间的相对位置和关联性。最终得到每个数据点的聚类代价,将为后续的综合目标函数和数据传输策略的优化提供基础。
步骤204、根据初始设置的数据传输效率,以及对聚类结果进行分析得到的聚类紧凑性、数据点关联性和聚类稳定性,构建综合目标函数。
在一些实施例中,综合目标函数可以表示为:
OF=+/>×CC1+/>×DPA+/>×CS;
其中,OF为综合目标函数,DTE为数据传输效率,是聚类紧凑性的第三权重,CC1为聚类紧凑性,/>是数据点关联性的第四权重,DPA为数据点关联性,/>是聚类稳定性的第五权重,CS为聚类稳定性。
具体的,OF是综合目标函数,是对整个系统性能的综合评估。DTE表示数据传输效率(Data Transmission Efficiency),代表了数据传输的效率,因此表示数据传输效率的反比。/>是关于聚类紧凑性(Cluster Compactness,通常用 CC1 表示)的权重因子。用于调整在优化过程中对聚类紧凑性的重视程度。CC1表示聚类紧凑性,是聚类效果的一种度量,反映了簇内数据点之间的距离紧凑度。/>是关于数据点关联性(Data PointAssociation,通常用 DPA 表示)的权重因子。用于调整在优化过程中对数据点关联性的重视程度。DPA表示数据点关联性,是聚类效果的另一种度量,反映了同一簇内数据点之间的关联性。/>是关于聚类稳定性(Cluster Stability,通常用 CSCS 表示)的权重因子。用于调整在优化过程中对聚类稳定性的重视程度。CS表示聚类稳定性,是聚类效果的另一种度量,反映了聚类结果对于数据波动的稳定性。
步骤205、对综合目标函数进行优化,并根据优化后的综合目标函数,确定传输电力物联网数据的数据传输策略。
可选的,步骤205可以包括以下步骤:
根据优化后的综合目标函数,确定数据传输周期;
根据数据传输周期,确定对应的传输通信方式;
根据传输通信方式,确定对应的优化数据压缩算法。
在一些实施例中,可以通过对综合目标函数进行优化,系统能够找到一组参数配置,使得数据传输的综合性能最优。例如可以包括权衡数据传输效率、聚类紧凑性、数据点关联性和聚类稳定性等方面的因素。
在一些实施例中,可以通过优化后的综合目标函数,系统能够确定最适合的数据传输周期,周期的选择需要考虑电力物联网数据的实时性要求、系统资源的利用情况以及传输效率等因素。
在一些实施例中,可以基于确定的数据传输周期,系统可以进一步确定适当的传输通信方式,具体涉及选择无线传输、有线传输等不同的通信方式,以满足特定应用场景下的需求。
在一些实施例中,可以根据确定的传输通信方式,系统可以选择相应的优化数据压缩算法,需要考虑压缩算法的实时性、数据还原精度以及在传输过程中降低数据量的效果。
通过以上方式,系统可以得到一个综合优化的数据传输策略,以适应不同的应用场景和需求,数据传输策略通过考虑多个因素,使得电力物联网数据的传输更加高效、可靠和适应性强。
步骤206、根据聚类代价和综合目标函数,计算传输电力物联网数据的传输成本。
在一些实施例中,传输成本表示为:
TC=CC+λOF;
其中,TC为传输成本,CC为聚类代价,OF为综合目标函数,λ为第六权重。
具体的,TC是总体成本,是一个综合评估系统性能和优化目标的指标。CC是聚类代价(Cluster Cost),是考虑数据点到簇中心的距离、簇之间关联性等因素的聚类代价。通常包括了聚类过程中的各项成本,如聚类紧凑性、数据点关联性、聚类稳定性等。λ是一个权衡因子,用于调整聚类代价和综合目标函数OF在总体成本中的权重。通过调整λ的大小,可以影响对聚类质量和数据传输效率的重视程度。OF是综合目标函数,是对多个因素的综合考虑,包括数据传输效率、聚类紧凑性、数据点关联性和聚类稳定性等。
可以理解,系统能够综合考虑聚类质量和数据传输效果,得到一个总体的传输成本指标,该指标可以用于评估系统性能,并在优化过程中进行反馈,以进一步调整参数和提高系统的效率。
步骤207、根据传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据更新的聚类结果和更新的聚类代价优化数据传输策略,得到优化后的数据传输策略。
可选的,步骤207可以包括以下步骤:
根据更新的聚类结果,得到更新后的聚类紧凑性、更新后的聚类稳定性、更新后的数据点关联性,并分析以上更新数据与原数据之间的差异,得到第一分析结果;
分析更新的聚类代价对传输成本的影响,得到第二分析结果;
根据第一分析结果和第二分析结果调整数据传输策略,得到优化后的数据传输策略。
在一些实施例中,可以利用传输成本作为反馈信号,系统对当前聚类算法的参数进行调整。通过此调整得到适应性更强的聚类算法,以提高聚类效果在调整了参数后,执行聚类算法,得到更新后的聚类结果和相应的聚类代价,该过程包括考虑数据点到簇中心的距离、簇之间的关联性等多个因素。
在一些实施例中,可以基于更新的聚类结果和聚类代价,系统进行数据传输策略的优化。通过综合考虑传输成本、聚类效果等因素,得到更为有效和经济的数据传输方案。对更新后的聚类结果进行分析,比较其与原始数据的差异。以上分析有助于理解优化后的聚类效果对系统整体性能的影响。
在一些实施例中,可以对更新的聚类代价进行分析,特别关注其对传输成本的影响,有助于理解聚类质量对系统成本的贡献程度。根据以上分析结果,对数据传输策略进行进一步调整。通过不断优化,系统能够适应变化的数据特性和传输需求,实现更为灵活和高效的数据传输方案。
通过以上方式,以上循环的过程使得系统能够动态调整参数和策略,以适应电力物联网数据的变化,提高系统的性能和稳定性。
步骤208、利用仿真环境,使用优化后的数据传输策略对电力物联网数据进行模拟传输。
在仿真环境中,可以模拟电力物联网数据传输的场景,例如可以包括模拟传感器的数据生成、电力系统的拓扑结构、实际传输网络的特性等。可以通过优化后的数据传输策略,对模拟环境中的电力物联网数据进行传输,例如涉及数据的压缩、分组、传输路径选择等方面的操作。
在一些实施例中,通过模拟传输过程,可以收集和分析传输性能的相关指标,例如可以包括传输效率、传输时延、聚类效果、数据点关联性等方面的性能参数。可以将仿真结果与原始数据和优化前的传输策略的结果进行对比,验证优化后的数据传输策略是否能够在仿真环境中达到预期的性能提升。
需要说明的是,如果仿真结果不符合预期,还可以根据实验结果进行调整和改进,例如可以包括进一步优化数据传输策略的参数或者重新调整整个系统的配置。
通过以上方式,在仿真环境中进行模拟传输,系统能够在不影响真实电力系统的情况下测试和验证所提出的数据传输方案,为系统的实际应用提供了一定的保证,并帮助优化方案以适应不同的电力物联网数据传输场景。
请参阅图3,图3为本发明提供的一种电力物联网数据传输仿真系统的结构示意图。
如图3所示,本发明实施例提出的电力物联网数据传输仿真系统包括:
数据采集模块301,用于通过部署在电力系统的传感器和数据采集设备采集电力物联网数据;
数据处理模块302,用于将采集到的电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据;
数据聚类模块303,用于将预处理后的电力物联网数据转换为多个数据点,对多个数据点进行聚类以得到包括多个簇的聚类结果,以及聚类结果对应的聚类代价;聚类代价用于表征数据点到簇的簇中心的距离、多个簇之间的关联性;
函数构建模块304,用于根据初始设置的数据传输效率,以及对聚类结果进行分析得到的聚类紧凑性、数据点关联性和聚类稳定性,构建综合目标函数;
策略确定模块305,用于对综合目标函数进行优化,并根据优化后的综合目标函数,确定传输电力物联网数据的数据传输策略;
成本计算模块306,用于根据聚类代价和综合目标函数,计算传输电力物联网数据的传输成本;
策略优化模块307,用于根据传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据更新的聚类结果和更新的聚类代价优化数据传输策略,得到优化后的数据传输策略;
仿真传输模块308,用于利用仿真环境,使用优化后的数据传输策略对电力物联网数据进行模拟传输。
请参阅图4,图4为本发明实施例提供的电子设备的实施例示意图。如图4所示,本发明实施例提了一种电子设备400,包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411,处理器420执行计算机程序411时实现以下步骤:
通过部署在电力系统的传感器和数据采集设备采集电力物联网数据;
将采集到的电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据;
将预处理后的电力物联网数据转换为多个数据点,对多个数据点进行聚类以得到包括多个簇的聚类结果,以及聚类结果对应的聚类代价;聚类代价用于表征数据点到簇的簇中心的距离、多个簇之间的关联性;
根据初始设置的数据传输效率,以及对聚类结果进行分析得到的聚类紧凑性、数据点关联性和聚类稳定性,构建综合目标函数;
对综合目标函数进行优化,并根据优化后的综合目标函数,确定传输电力物联网数据的数据传输策略;
根据聚类代价和综合目标函数,计算传输电力物联网数据的传输成本;
根据传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据更新的聚类结果和更新的聚类代价优化数据传输策略,得到优化后的数据传输策略;
利用仿真环境,使用优化后的数据传输策略对电力物联网数据进行模拟传输。
请参阅图5,图5为本发明实施例提供的一种计算机可读存储介质的实施例示意图。如图5所示,本实施例提供了一种计算机可读存储介质500,其上存储有计算机程序511,该计算机程序511被处理器执行时实现如下步骤:
通过部署在电力系统的传感器和数据采集设备采集电力物联网数据;
将采集到的电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据;
将预处理后的电力物联网数据转换为多个数据点,对多个数据点进行聚类以得到包括多个簇的聚类结果,以及聚类结果对应的聚类代价;聚类代价用于表征数据点到簇的簇中心的距离、多个簇之间的关联性;
根据初始设置的数据传输效率,以及对聚类结果进行分析得到的聚类紧凑性、数据点关联性和聚类稳定性,构建综合目标函数;
对综合目标函数进行优化,并根据优化后的综合目标函数,确定传输电力物联网数据的数据传输策略;
根据聚类代价和综合目标函数,计算传输电力物联网数据的传输成本;
根据传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据更新的聚类结果和更新的聚类代价优化数据传输策略,得到优化后的数据传输策略;
利用仿真环境,使用优化后的数据传输策略对电力物联网数据进行模拟传输。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种电力物联网数据传输仿真方法,其特征在于,所述方法包括:
通过部署在电力系统的传感器和数据采集设备采集电力物联网数据;
将采集到的所述电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据,包括:对所述电力物联网数据进行去噪处理,得到去噪数据;对所述去噪数据进行异常检测,删除所述去噪数据中的异常数据;对更新后的所述去噪数据进行归一化处理,得到归一化去噪数据,并对所述归一化去噪数据进行进阶预处理,得到预处理后的电力物联网数据;所述进阶预处理包括数据转换、数据平滑、数据格式转化、缺值填补、实时性处理中的至少一个;
将所述预处理后的电力物联网数据转换为多个数据点,对所述多个数据点进行聚类以得到包括多个簇的聚类结果,以及所述聚类结果对应的聚类代价;所述聚类代价用于表征所述数据点到所述簇的簇中心的距离、所述多个簇之间的关联性;
根据初始设置的数据传输效率,以及对所述聚类结果进行分析得到的聚类紧凑性、数据点关联性和聚类稳定性,构建综合目标函数;
对所述综合目标函数进行优化,并根据优化后的所述综合目标函数,确定传输所述电力物联网数据的数据传输策略;
根据所述聚类代价和所述综合目标函数,计算传输所述电力物联网数据的传输成本;
根据所述传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据所述更新的聚类结果和所述更新的聚类代价优化所述数据传输策略,得到优化后的数据传输策略;
利用仿真环境,使用所述优化后的数据传输策略对电力物联网数据进行模拟传输。
2.根据权利要求1所述的电力物联网数据传输仿真方法,其特征在于,所述将所述预处理后的电力物联网数据转换为多个数据点,对所述多个数据点进行聚类以得到包括多个簇的聚类结果,以及所述聚类结果对应的聚类代价,包括:
将每个所述预处理后的电力物联网数据转换为一个对应的特征向量作为所述数据点;
对所述特征向量进行标准化或归一化处理,得到处理后的数据点;
确定待执行的聚类算法;若确定出的所述聚类算法为指定簇数量的算法,则确定对应的簇数量;
应用选定的所述聚类算法,对所述处理后的数据点进行聚类得到聚类结果;
计算每个所述处理后的数据点到其所属簇中心的距离后,代入聚类代价公式计算所述聚类代价。
3.根据权利要求2所述的电力物联网数据传输仿真方法,其特征在于,所述计算每个所述处理后的数据点到其所属簇中心的距离后,代入聚类代价公式计算所述聚类代价,包括:
聚类代价公式表示为:
其中,k表示聚类的簇的数量,ni表示第i个簇中包含的数据点的数量,ωij为第一权重,dij表示数据点到簇中心/>的距离,T表示数据点/>和簇中心/>在时间序列上的维度,α为调整项,βil为簇之间关联性的第二权重,j和l均为聚类的簇的索引,t为时间序列的维度。
4.根据权利要求3所述的电力物联网数据传输仿真方法,其特征在于,所述综合目标函数表示为:
其中,OF为综合目标函数,DTE为数据传输效率,β1是聚类紧凑性的第三权重,CC1为聚类紧凑性,β2是数据点关联性的第四权重,DPA为数据点关联性,β3是聚类稳定性的第五权重,CS为聚类稳定性。
5.根据权利要求4所述的电力物联网数据传输仿真方法,其特征在于,所述对所述综合目标函数进行优化,包括:
根据传输场景和传输需求,权衡所述综合目标函数各参数的重要性;
根据所述重要性,确定所述第三权重、所述第四权重和所述第五权重三者之间的大小关系;
根据所述大小关系,结合优化算法调整所述第三权重、所述第四权重和所述第五权重的值,得到所述优化后的综合目标函数。
6.根据权利要求5所述的电力物联网数据传输仿真方法,其特征在于,所述根据优化后的所述综合目标函数,确定传输所述电力物联网数据的数据传输策略,包括:
根据优化后的所述综合目标函数,确定数据传输周期;
根据所述数据传输周期,确定对应的传输通信方式;
根据所述传输通信方式,确定对应的优化数据压缩算法。
7.根据权利要求6所述的电力物联网数据传输仿真方法,其特征在于,所述传输成本表示为:
TC=CC+λOF;
其中,TC为传输成本,CC为聚类代价,OF为综合目标函数,λ为第六权重。
8.根据权利要求6所述的电力物联网数据传输仿真方法,其特征在于,所述根据所述更新的聚类结果和所述更新的聚类代价优化所述数据传输策略,得到优化后的数据传输策略,包括:
根据所述更新的聚类结果,得到更新后的聚类紧凑性、更新后的聚类稳定性、更新后的数据点关联性,并分析以上更新数据与原数据之间的差异,得到第一分析结果;
分析所述更新的聚类代价对所述传输成本的影响,得到第二分析结果;
根据所述第一分析结果和所述第二分析结果调整所述数据传输策略,得到所述优化后的数据传输策略。
9.一种电力物联网数据传输仿真系统,其特征在于,所述系统包括:
数据采集模块,用于通过部署在电力系统的传感器和数据采集设备采集电力物联网数据;
数据处理模块,用于将采集到的所述电力物联网数据通过预处理传感器进行预处理,得到预处理后的电力物联网数据,还用于:对所述电力物联网数据进行去噪处理,得到去噪数据;对所述去噪数据进行异常检测,删除所述去噪数据中的异常数据;对更新后的所述去噪数据进行归一化处理,得到归一化去噪数据,并对所述归一化去噪数据进行进阶预处理,得到预处理后的电力物联网数据;所述进阶预处理包括数据转换、数据平滑、数据格式转化、缺值填补、实时性处理中的至少一个;
数据聚类模块,用于将所述预处理后的电力物联网数据转换为多个数据点,对所述多个数据点进行聚类以得到包括多个簇的聚类结果,以及所述聚类结果对应的聚类代价;所述聚类代价用于表征所述数据点到所述簇的簇中心的距离、所述多个簇之间的关联性;
函数构建模块,用于根据初始设置的数据传输效率,以及对所述聚类结果进行分析得到的聚类紧凑性、数据点关联性和聚类稳定性,构建综合目标函数;
策略确定模块,用于对所述综合目标函数进行优化,并根据优化后的所述综合目标函数,确定传输所述电力物联网数据的数据传输策略;
成本计算模块,用于根据所述聚类代价和所述综合目标函数,计算传输所述电力物联网数据的传输成本;
策略优化模块,用于根据所述传输成本,调整聚类算法的参数得到更新的聚类结果和更新的聚类代价,并根据所述更新的聚类结果和所述更新的聚类代价优化所述数据传输策略,得到优化后的数据传输策略;
仿真传输模块,用于利用仿真环境,使用优化后的数据传输策略对电力物联网数据进行模拟传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410253304.2A CN117834455B (zh) | 2024-03-06 | 2024-03-06 | 一种电力物联网数据传输仿真方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410253304.2A CN117834455B (zh) | 2024-03-06 | 2024-03-06 | 一种电力物联网数据传输仿真方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117834455A CN117834455A (zh) | 2024-04-05 |
CN117834455B true CN117834455B (zh) | 2024-05-10 |
Family
ID=90517642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410253304.2A Active CN117834455B (zh) | 2024-03-06 | 2024-03-06 | 一种电力物联网数据传输仿真方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117834455B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114340003A (zh) * | 2020-11-29 | 2022-04-12 | 赣南师范大学 | 一种基于博弈竞价机制的无线网络分簇异构优化系统 |
CN115915327A (zh) * | 2022-11-30 | 2023-04-04 | 昆明理工大学 | 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法 |
CN116523240A (zh) * | 2023-05-04 | 2023-08-01 | 国网甘肃省电力公司陇南供电公司 | 一种基于mcmc方法预测的微电网评价反馈调度方法 |
CN116600316A (zh) * | 2023-05-08 | 2023-08-15 | 南京航空航天大学 | 一种基于深度双q网络和联邦学习的空地一体化物联网联合资源分配方法 |
-
2024
- 2024-03-06 CN CN202410253304.2A patent/CN117834455B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114340003A (zh) * | 2020-11-29 | 2022-04-12 | 赣南师范大学 | 一种基于博弈竞价机制的无线网络分簇异构优化系统 |
CN115915327A (zh) * | 2022-11-30 | 2023-04-04 | 昆明理工大学 | 一种基于优化聚类分簇的双簇首WSNs自适应中继路由方法 |
CN116523240A (zh) * | 2023-05-04 | 2023-08-01 | 国网甘肃省电力公司陇南供电公司 | 一种基于mcmc方法预测的微电网评价反馈调度方法 |
CN116600316A (zh) * | 2023-05-08 | 2023-08-15 | 南京航空航天大学 | 一种基于深度双q网络和联邦学习的空地一体化物联网联合资源分配方法 |
Non-Patent Citations (2)
Title |
---|
Fast and stable clustering analysis based on Grid-mapping K-means algorithm and new clustering validity index;Zhu, Erzhou;ELSEVIER;20190917;全文 * |
一种结合K-means均匀分簇和数据回归的WSN能量均衡策略;叶继华;万叶晶;刘长红;王仕民;;小型微型计算机系统;20170815(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117834455A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734355B (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 | |
CN108376982B (zh) | 负载相序的识别方法及装置 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
CN116431975B (zh) | 一种数据中心的环境监测方法及系统 | |
AU2022204116A1 (en) | Verification method for electrical grid measurement data | |
CN113286315B (zh) | 负载均衡判断方法、装置、设备及存储介质 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN111612275A (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN115081795A (zh) | 多维场景下企业能耗异常成因分析方法及系统 | |
CN114995964A (zh) | 一种组合服务重构方法、装置、设备和计算机可读介质 | |
CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN117834455B (zh) | 一种电力物联网数据传输仿真方法和系统 | |
CN117453398A (zh) | 一种提高供电可靠性的算力调度的智能优化方法及系统 | |
CN116541128A (zh) | 一种负载调节方法、装置、计算设备、及存储介质 | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
JP2017162046A (ja) | センサーデータ処理装置、センサーデータ処理システム、センサーデータ処理方法、及び、センサーデータ処理プログラム | |
CN111476316B (zh) | 一种基于云计算下电力负荷特征数据均值聚类的方法及系统 | |
Yang et al. | On‐Line Fault Diagnosis Model of Distribution Transformer Based on Parallel Big Data Stream and Transfer Learning | |
CN114793200B (zh) | 一种基于电力物联网网络结构的重要物联节点识别方法 | |
CN117081088B (zh) | 电网负荷调度控制方法、装置、计算机设备及存储介质 | |
CN117896384B (zh) | 物联网通信方法、装置、设备及存储介质 | |
CN115329814B (zh) | 一种基于图像信号处理的低压用户链路识别方法及装置 |
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 |