CN117880162B - 一种智能物联电能表的通信性能测试方法 - Google Patents
一种智能物联电能表的通信性能测试方法 Download PDFInfo
- Publication number
- CN117880162B CN117880162B CN202410276390.9A CN202410276390A CN117880162B CN 117880162 B CN117880162 B CN 117880162B CN 202410276390 A CN202410276390 A CN 202410276390A CN 117880162 B CN117880162 B CN 117880162B
- Authority
- CN
- China
- Prior art keywords
- communication
- data
- time
- test
- tested
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 411
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011056 performance test Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 154
- 230000002159 abnormal effect Effects 0.000 claims abstract description 65
- 230000015654 memory Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种智能物联电能表的通信性能测试方法，涉及智能电能表通信测试技术领域，通过预先收集待测试通信节点数据和各个待测试通信节点之间的历史通信特征数据以及历史测试结果数据，训练判断通信性能是否异常的通信状态预测模型，设置通信测试周期数据，收集待测试通信节点之间的实时通信特征数据以及计时数据，并基于通信状态的预测值，筛选出异常通信节点集合，基于异常通信节点集合中，计算出对异常通信节点集合中异常通信节点的下一次通信测试时间；在保证智能电能表的通信性能安全的基础上，降低了测试成本。
Description
技术领域
本发明涉及智能电能表通信测试技术领域，具体是一种智能物联电能表的通信性能测试方法。
背景技术
智能电能表作为智能电网的重要组成部分，其通信性能直接影响到电力公司的运营效率和用户的用电体验。随着电力市场的竞争日益激烈，电力公司需要不断提高服务质量，降低运营成本，以满足用户的需求和期望。在这个过程中，智能电能表的通信性能起着至关重要的作用。
智能电能表的通信性能决定了电力公司获取用户用电信息的速度和准确性。如果通信性能不佳，可能会导致电力公司在获取用户用电信息时出现延迟或错误，这不仅会影响电力公司的运营效率，还可能导致用户的不满和投诉。
因此，为了确保电力公司的运营效率和用户的用电体验，以及防范可能的电力安全风险，智能电能表的通信性能需要定期进行测试和维护。
而由于网络拓扑结构的复杂性以及待测试通信节点的数量众多，为了节约人力成本、测试成本以及时间成本，一般采取的是对待测试通信节点进行统一测试，而不是每次单独对一个或若干个待测试通信节点进行测试，因此，一般设置一个定期的测试周期，进行所有待测试通信节点的通信性能测试；
然而这种固定周期的测试方式因其固定性，导致其存在难以解决的弊端：
若固定周期过长，难以及时的发现已经发生通信性能异常的通信设备，只有到达固定的时间节点才能发现，可能造成通信事故；
若固定周期过短，可能存在测试成本、人力成本和时间成本的浪费；
鉴于此，需要一种能够灵活调整测试周期的智能调控方法；
为此，本发明提出一种智能物联电能表的通信性能测试方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种智能物联电能表的通信性能测试方法，在保证智能电能表的通信性能安全的基础上，降低了测试成本。
为实现上述目的，根据本发明的实施例1提出一种智能物联电能表的通信性能测试方法，包括以下步骤：
步骤一：预先收集待测试通信节点数据；
步骤二：基于待测试通信节点数据，收集各个待测试通信节点之间的历史通信特征数据以及历史测试结果数据；
步骤三：基于历史通信特征数据以及历史测试结果数据，训练判断通信性能是否异常的通信状态预测模型；
步骤四：在每次通信性能测试后，设置通信测试周期数据，收集待测试通信节点之间的实时通信特征数据以及计时数据；
步骤五：基于实时通信特征数据和通信状态预测模型，获得各个待测试通信节点的通信状态的预测值，并基于通信状态的预测值，筛选出异常通信节点集合；
步骤六：基于异常通信节点集合中，各个异常通信节点的实时通信特征数据、通信测试周期数据以及计时数据，计算出对异常通信节点集合中异常通信节点的下一次通信测试时间；
所述预先收集待测试通信节点数据的方式为：
收集智能电能表和电力管理公司之间存在的网络拓扑关系中，需要定期进行网络通信性能测试的通信节点作为待测试通信节点，所有待测试通信节点组成待测试通信节点数据；
所述收集各个待测试通信节点之间的历史通信特征数据以及历史测试结果数据的方式为：
预设数据采集时长；
对于每个待测试通信节点：
在每次测试人员对该待测试通信节点进行通信性能测试时，收集该待测试通信节点在测试前的数据采集时长内，每一单位时间的通信性能指标数据，并将每次采集到的数据采集时长内的各个通信性能指标数据按时间顺序组成对应的性能指标时间序列，将每一次通信性能测试前采集的所有性能指标时间序列组成一组历史通信特征集合，所有性能测试前收集的历史通信特征集合组成历史通信特征数据；
将每次测试人员对通信性能测试的测试结果标签组成历史测试结果数据；其中，所述测试结果标签包括正常和异常的判断；
所述训练判断通信性能是否异常的通信状态预测模型的方式为：
将历史通信特征数据，每组历史通信特征集合作为通信状态预测模型的输入，所述通信状态预测模型以对每组历史通信特征集合对应的测试结果的预测值作为输出，所述测试结果的预测值为0或1，分别对应正常的测试结果标签和异常的测试结果标签；以历史测试结果数据中，每组历史通信特征集合对应的通信性能测试时，对应的待测试通信节点的测试结果作为预测目标，以测试结果的预测值和测试结果标签之间的差值作为预测误差，以最小化预测误差之和作为训练目标；对通信状态预测模型进行训练，直至预测误差之和达到收敛时停止训练；
所述在每次通信性能测试后，设置通信测试周期数据的方式为：
预先设置预期测试周期T；
将每次对所有的待测试通信节点全部进行通信性能测试的时间节点作为一次测试终点；
将最近一次测试终点对应的时间标记为r；
将时间r+T作为下一次预期测试时间；
所述下一次预期测试时间即为通信测试周期数据；
所述收集各个待测试通信节点的实时通信特征数据以及计时数据的方式为：
对于每个待测试通信节点，每隔数据采集时长作为一次数据采集周期；
收集每个数据采集周期内，每个待测试通信节点的各个通信性能指标数据按时间顺序组成的实时性能指标时间序列，并将各条实时性能指标时间序列组成实时通信特征数据；
所述计时数据为统计的当前数据采集周期的时间与上一次进行通信性能测试的时长间隔；将计时数据使用h进行标记；
所述获得各个待测试通信节点的通信状态的预测值的方式为：
在每个数据采集周期结束时，将各个待测试通信节点的实时通信特征数据输入至通信状态预测模型，获得通信状态预测模型输出的对各个实时通信特征数据的测试结果的预测值；
所述筛选出异常通信节点集合的方式为：
从所有待测试通信节点的测试结果的预测值中，筛选出测试结果的预测值为1的待测试通信节点组成异常通信节点集合；
所述计算出对异常通信节点集合中异常通信节点的下一次通信测试时间的方式为：
计算测试剩余时长S=T-h；
将异常通信节点集合中的待测试通信节点的编号标记为i，计算第i个待测试通信节点的实时通信特征数据中的各个通信性能指标数据的平均值；
将各个通信性能指标的编号标记为j；将第i个待测试通信节点的第j个通信性能指标的平均值标记为Zij；
计算下一次通信测试时间X，则下一次通信测试时间X的计算公式为：；其中，e为自然常数，aj为预设的第j个通信性能指标的权重系数。
根据本发明的实施例2提出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的基于增强现实技术的智能物联电能表的通信性能测试方法。
根据本发明的实施例3提出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的基于增强现实技术的智能物联电能表的通信性能测试方法。
与现有技术相比，本发明的有益效果是：
本发明通过预先收集待测试通信节点数据，基于待测试通信节点数据，收集各个待测试通信节点之间的历史通信特征数据以及历史测试结果数据，基于历史通信特征数据以及历史测试结果数据，训练判断通信性能是否异常的通信状态预测模型，在每次通信性能测试后，设置通信测试周期数据，收集待测试通信节点之间的实时通信特征数据以及计时数据，基于实时通信特征数据和通信状态预测模型，获得各个待测试通信节点的通信状态的预测值，并基于通信状态的预测值，筛选出异常通信节点集合，：基于异常通信节点集合中，各个异常通信节点的实时通信特征数据、通信测试周期数据以及计时数据，计算出对异常通信节点集合中异常通信节点的下一次通信测试时间；通过对异常的智能电能表的测试时间进行自适应调控，在保证智能电能表的通信性能安全的基础上，降低了测试成本。
附图说明
图1为本发明的实施例1中智能物联电能表的通信性能测试方法的额流程图；
图2为本发明实施例2中的电子设备结构示意图；
图3为本发明实施例3中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。
如图1所示，一种智能物联电能表的通信性能测试方法，包括以下步骤：
步骤一：预先收集待测试通信节点数据；
步骤二：基于待测试通信节点数据，收集各个待测试通信节点的历史通信特征数据以及历史测试结果数据；
步骤三：基于历史通信特征数据以及历史测试结果数据，训练判断通信性能是否异常的通信状态预测模型；
步骤四：在每次通信性能测试后，设置通信测试周期数据，收集各个待测试通信节点的实时通信特征数据以及计时数据；
步骤五：基于实时通信特征数据和通信状态预测模型，获得各个待测试通信节点的通信状态的预测值，并基于通信状态的预测值，筛选出异常通信节点集合；
步骤六：基于异常通信节点集合中，各个异常通信节点的实时通信特征数据、通信测试周期数据以及计时数据，计算出对异常通信节点集合中异常通信节点的下一次通信测试时间；
其中，所述预先收集待测试通信节点数据的方式为：
收集智能电能表和电力管理公司之间存在的网络拓扑关系中，需要定期进行网络通信性能测试的通信节点作为待测试通信节点，所有待测试通信节点组成待测试通信节点数据；
可以理解的是，智能电能表需要与集中器进行通信，以将电能表读数发送至集中器，而集中器通过使用GPRS将数据传输到电力管理公司，因此，在智能电能表和电力管理公司之间存在一个完整的网络拓扑关系，在所述网络拓扑关系的运行过程中，需要定期的对其中的部分关键通信节点进行通信性能测试，以保证整个网络拓扑关系的稳定；例如，网络拓扑关系中的部分作为多条网络路由的中间节点的集中器；
进一步的，所述基于待测试通信节点数据，收集各个待测试通信节点的历史通信特征数据以及历史测试结果数据的方式为：
预设数据采集时长；所述数据采集时长为单位时间的若干倍，所述单位时间可以是秒、分钟或时长等，具体的时长可以根据实际经验或需要进行设置；
对于每个待测试通信节点：
在每次测试人员对该待测试通信节点进行通信性能测试时，收集该待测试通信节点在测试前的数据采集时长内，每一单位时间的通信性能指标数据；所述通信性能指标数据包括丢包率、通信延迟、误码率以及功耗，并将每次采集到的数据采集时长内的各个通信性能指标数据按时间顺序组成对应的性能指标时间序列，例如，丢包率时间序列、通信延迟时间序列等；将每一次通信性能测试前采集的所有性能指标时间序列组成一组历史通信特征集合，所有性能测试前收集的历史通信特征集合组成历史通信特征数据；
可以理解的是，丢包率、通信延迟以及误码率均可通过网络连接测试功率实时获得，而功耗可以通过功耗测量仪器实时获得，而丢包率、通信延迟、误码率越大表示网络通信越差，则通信性能越差；而功耗越大，说明网络能源可能存在信号连接不稳定的问题，从而需要不断寻找网络信号，导致额外的功耗产生，因此，也表示通信性能较差，需要进一步的测试修复；
将每次测试人员对通信性能测试的测试结果标签组成历史测试结果数据；其中，所述测试结果标签包括正常和异常的判断；
可以理解的是，在测试人员判断出需要对待测试节点进行维护或修复时，测试结果标签即为异常；而判断为异常的依据是在进行通信性能测试时，各个通信性能指标的表现，显然在通信性能测试前的数据采集时长内的各个通信性能指标的表现是最为接近的参考对象；
进一步的，所述基于历史通信特征数据以及历史测试结果数据，训练判断通信性能是否异常的通信状态预测模型的方式为：
将历史通信特征数据，每组历史通信特征集合作为通信状态预测模型的输入，所述通信状态预测模型以对每组历史通信特征集合对应的测试结果的预测值作为输出，所述测试结果的预测值为0或1，分别对应正常的测试结果标签和异常的测试结果标签；以历史测试结果数据中，每组历史通信特征集合对应的通信性能测试时，对应的待测试通信节点的测试结果作为预测目标，以测试结果的预测值和测试结果标签之间的差值作为预测误差，以最小化预测误差之和作为训练目标；对通信状态预测模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据数据采集时长内，各个通信性能指标的波动情况，输出预测测试结果是否为异常的通信状态预测模型；所述通信状态预测模型是时间序列分类模型中的任意一个；所述通信状态预测模型可以是RNN网络模型或LSTM网络模型；所述预测误差之和可以是均方误差或交叉熵；
进一步的，所述在每次通信性能测试后，设置通信测试周期数据的方式为：
预先设置预期测试周期T；可以理解的是，由于网络拓扑结构的复杂性以及待测试通信节点的数量众多，为了节约人力成本、测试成本以及时间成本，一般采取的是对待测试通信节点进行统一测试，而不是每次单独对一个或若干个待测试通信节点进行测试，因此，一般设置一个定期的测试周期，进行所有待测试通信节点的通信性能测试；
将每次对所有的待测试通信节点全部进行通信性能测试的时间节点作为一次测试终点；
将最近一次测试终点对应的时间标记为r；
将时间r+T作为下一次预期测试时间；
所述下一次预期测试时间即为通信测试周期数据；可以理解的是，下一次预期测试时间即为预期的下一次通信性能测试的结束时间；
进一步的，所述收集各个待测试通信节点的实时通信特征数据以及计时数据的方式为：
对于每个待测试通信节点，每隔数据采集时长作为一次数据采集周期；
收集每个数据采集周期内，每个待测试通信节点的各个通信性能指标数据按时间顺序组成的实时性能指标时间序列，并将各条实时性能指标时间序列组成实时通信特征数据；
所述计时数据为统计的当前数据采集周期的时间与上一次进行通信性能测试的时长间隔；将计时数据使用h进行标记；
进一步的，所述基于实时通信特征数据和通信状态预测模型，获得各个待测试通信节点的通信状态的预测值的方式为：
在每个数据采集周期结束时，将各个待测试通信节点的实时通信特征数据输入至通信状态预测模型，获得通信状态预测模型输出的对各个实时通信特征数据的测试结果的预测值；
进一步的，所述基于通信状态的预测值，筛选出异常通信节点集合的方式为：
从所有待测试通信节点的测试结果的预测值中，筛选出测试结果的预测值为1的待测试通信节点组成异常通信节点集合；
进一步的，所述基于异常通信节点集合中，各个异常通信节点的实时通信特征数据、通信测试周期数据以及计时数据，计算出对异常通信节点集合中异常通信节点的下一次通信测试时间的方式为：
计算测试剩余时长S=T-h；可以理解的是，所述测试剩余时长是指距离下一次预期测试时间还剩余的时长；
将异常通信节点集合中的待测试通信节点的编号标记为i，计算第i个待测试通信节点的实时通信特征数据中的各个通信性能指标数据的平均值；
将各个通信性能指标的编号标记为j；将第i个待测试通信节点的第j个通信性能指标的平均值标记为Zij；
计算下一次通信测试时间X，则下一次通信测试时间X的计算公式为：；其中，e为自然常数，aj为预设的第j个通信性能指标的权重系数；可以理解的是，当存在任意一个待测试通信节点的通信性能指标的平均值较大时，因为指数函数，因此会对/>产生较大的影响，从而导致/>值更小，进一步的导致下一次通信测试时间X进一步降低，从而需要提前对异常通信节点集合中的待测试通信节点进行测试；
进一步的，测试人员根据下一次通信测试时间X来对异常通信节点集合中的待测试通信节点进行测试和维护，而无需对所有的待测试通信节点测试，剩余的待测试通信节点可以按照正常的预设的预期测试周期进行测试，通过对异常的智能电能表的测试时间进行自适应调控，在保证智能电能表的通信性能安全的基础上，降低了测试成本。
实施例2
图2是本申请一个实施例提供的电子设备结构示意图。如图2所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的智能物联电能表的通信性能测试方法。
根据本申请实施方式的方法或系统也可以借助于图2所示的电子设备的架构来实现。如图2所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的智能物联电能表的通信性能测试方法。智能物联电能表的通信性能测试方法可例如包括以下步骤：步骤一：预先收集待测试通信节点数据；步骤二：基于待测试通信节点数据，收集各个待测试通信节点之间的历史通信特征数据以及历史测试结果数据；步骤三：基于历史通信特征数据以及历史测试结果数据，训练判断通信性能是否异常的通信状态预测模型；步骤四：在每次通信性能测试后，设置通信测试周期数据，收集待测试通信节点之间的实时通信特征数据以及计时数据；步骤五：基于实时通信特征数据和通信状态预测模型，获得各个待测试通信节点的通信状态的预测值，并基于通信状态的预测值，筛选出异常通信节点集合；步骤六：基于异常通信节点集合中，各个异常通信节点的实时通信特征数据、通信测试周期数据以及计时数据，计算出对异常通信节点集合中异常通信节点的下一次通信测试时间。
进一步地，电子设备100还可包括用户界面108。当然，图2所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图2示出的电子设备中的一个或多个组件。
实施例
图3是本申请一个实施例提供的计算机可读存储介质结构示意图。如图3所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的智能物联电能表的通信性能测试方法。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (7)
1.一种智能物联电能表的通信性能测试方法，其特征在于，包括以下步骤：
步骤一：预先收集待测试通信节点数据；
步骤二：基于待测试通信节点数据，收集各个待测试通信节点之间的历史通信特征数据以及历史测试结果数据；
步骤三：基于历史通信特征数据以及历史测试结果数据，训练判断通信性能是否异常的通信状态预测模型；
步骤四：在每次通信性能测试后，设置通信测试周期数据，收集待测试通信节点之间的实时通信特征数据以及计时数据；
步骤五：基于实时通信特征数据和通信状态预测模型，获得各个待测试通信节点的通信状态的预测值，并基于通信状态的预测值，筛选出异常通信节点集合；
步骤六：基于异常通信节点集合中，各个异常通信节点的实时通信特征数据、通信测试周期数据以及计时数据，计算出对异常通信节点集合中异常通信节点的下一次通信测试时间；
所述在每次通信性能测试后，设置通信测试周期数据的方式为：
预先设置预期测试周期T；
将每次对所有的待测试通信节点全部进行通信性能测试的时间节点作为一次测试终点；
将最近一次测试终点对应的时间标记为r；
将时间r+T作为下一次预期测试时间；
所述下一次预期测试时间即为通信测试周期数据；
所述收集各个待测试通信节点的实时通信特征数据以及计时数据的方式为：
对于每个待测试通信节点，每隔数据采集时长作为一次数据采集周期；
收集每个数据采集周期内，每个待测试通信节点的各个通信性能指标数据按时间顺序组成的实时性能指标时间序列，并将各条实时性能指标时间序列组成实时通信特征数据；
所述计时数据为统计的当前数据采集周期的时间与上一次进行通信性能测试的时长间隔；将计时数据使用h进行标记；
所述计算出对异常通信节点集合中异常通信节点的下一次通信测试时间的方式为：
计算测试剩余时长S=T-h；
将异常通信节点集合中的待测试通信节点的编号标记为i，计算第i个待测试通信节点的实时通信特征数据中的各个通信性能指标数据的平均值；
将各个通信性能指标的编号标记为j；将第i个待测试通信节点的第j个通信性能指标的平均值标记为Zij；
计算下一次通信测试时间X，则下一次通信测试时间X的计算公式为：
；其中，e为自然常数，aj为预设的第j个通信性能指标的权重系数。
2.根据权利要求1所述的一种智能物联电能表的通信性能测试方法，其特征在于，所述预先收集待测试通信节点数据的方式为：
收集智能电能表和电力管理公司之间存在的网络拓扑关系中，需要定期进行网络通信性能测试的通信节点作为待测试通信节点，所有待测试通信节点组成待测试通信节点数据。
3.根据权利要求2所述的一种智能物联电能表的通信性能测试方法，其特征在于，所述收集各个待测试通信节点之间的历史通信特征数据以及历史测试结果数据的方式为：
预设数据采集时长；
对于每个待测试通信节点：
在每次测试人员对该待测试通信节点进行通信性能测试时，收集该待测试通信节点在测试前的数据采集时长内，每一单位时间的通信性能指标数据，并将每次采集到的数据采集时长内的各个通信性能指标数据按时间顺序组成对应的性能指标时间序列，将每一次通信性能测试前采集的所有性能指标时间序列组成一组历史通信特征集合，所有性能测试前收集的历史通信特征集合组成历史通信特征数据；
将每次测试人员对通信性能测试的测试结果标签组成历史测试结果数据；其中，所述测试结果标签包括正常和异常的判断。
4.根据权利要求3所述的一种智能物联电能表的通信性能测试方法，其特征在于，所述训练判断通信性能是否异常的通信状态预测模型的方式为：
将历史通信特征数据，每组历史通信特征集合作为通信状态预测模型的输入，所述通信状态预测模型以对每组历史通信特征集合对应的测试结果的预测值作为输出，所述测试结果的预测值为0或1，分别对应正常的测试结果标签和异常的测试结果标签；以历史测试结果数据中，每组历史通信特征集合对应的通信性能测试时，对应的待测试通信节点的测试结果作为预测目标，以测试结果的预测值和测试结果标签之间的差值作为预测误差，以最小化预测误差之和作为训练目标；对通信状态预测模型进行训练，直至预测误差之和达到收敛时停止训练。
5.根据权利要求4所述的一种智能物联电能表的通信性能测试方法，其特征在于，所述获得各个待测试通信节点的通信状态的预测值的方式为：
在每个数据采集周期结束时，将各个待测试通信节点的实时通信特征数据输入至通信状态预测模型，获得通信状态预测模型输出的对各个实时通信特征数据的测试结果的预测值。
6.一种电子设备，其特征在于，包括：处理器和存储器，其中：
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求1-5中任意一项所述的智能物联电能表的通信性能测试方法。
7.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备在后台中执行权利要求1-5中任意一项所述的智能物联电能表的通信性能测试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410276390.9A CN117880162B (zh) | 2024-03-12 | 2024-03-12 | 一种智能物联电能表的通信性能测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410276390.9A CN117880162B (zh) | 2024-03-12 | 2024-03-12 | 一种智能物联电能表的通信性能测试方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117880162A CN117880162A (zh) | 2024-04-12 |
| CN117880162B true CN117880162B (zh) | 2024-05-10 |
Family
ID=90579724
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410276390.9A Active CN117880162B (zh) | 2024-03-12 | 2024-03-12 | 一种智能物联电能表的通信性能测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117880162B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106059813A (zh) * | 2016-06-14 | 2016-10-26 | 西安电子科技大学 | 一种基于动态时间间隔的综合探测方法 |
| CN107197241A (zh) * | 2017-05-08 | 2017-09-22 | 聚好看科技股份有限公司 | 电视应用测试中超时时间动态设置方法和装置 |
| CN108449234A (zh) * | 2018-04-04 | 2018-08-24 | 国家计算机网络与信息安全管理中心 | 一种基于动态分析的智能模糊测试方法 |
-
2024
- 2024-03-12 CN CN202410276390.9A patent/CN117880162B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106059813A (zh) * | 2016-06-14 | 2016-10-26 | 西安电子科技大学 | 一种基于动态时间间隔的综合探测方法 |
| CN107197241A (zh) * | 2017-05-08 | 2017-09-22 | 聚好看科技股份有限公司 | 电视应用测试中超时时间动态设置方法和装置 |
| CN108449234A (zh) * | 2018-04-04 | 2018-08-24 | 国家计算机网络与信息安全管理中心 | 一种基于动态分析的智能模糊测试方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于智能分析的自适应数据采集关键技术研究及应用;吕顺利;吴德胜;朱鹏宇;;电力信息与通信技术;20180615(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117880162A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
| CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
| CN104794206A (zh) | 一种变电站数据质量评价系统及方法 | |
| CN112731260A (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
| CN114897331A (zh) | 一种基于三参数区间灰数决策的电力变压器风险评估方法 | |
| CN115564310A (zh) | 一种基于卷积神经网络的新能源电力系统可靠性评估方法 | |
| CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
| CN115508770A (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
| CN117878979B (zh) | 基于电储能的功率平衡及动态补偿系统 | |
| US20220243347A1 (en) | Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water | |
| CN115758151A (zh) | 联合诊断模型建立方法、光伏组件故障诊断方法 | |
| CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
| CN117880162B (zh) | 一种智能物联电能表的通信性能测试方法 | |
| CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
| CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
| CN111026624A (zh) | 电网信息系统的故障预测方法、装置 | |
| CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
| CN113468729B (zh) | 无标定方式的电力厂站计量装置运行误差测算方法及系统 | |
| CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
| CN105260789A (zh) | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 | |
| CN112001073A (zh) | 一种牵引供电系统的可靠性分析研究方法 | |
| CN106855841B (zh) | 一种系统内存分析方法和装置 | |
| CN113872200B (zh) | 一种中压配网停电事件诊断识别方法、系统及存储介质 |
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 |