CN117439687B - 一种基于hplc和hrf的双模通信方法、***及装置 - Google Patents
一种基于hplc和hrf的双模通信方法、***及装置 Download PDFInfo
- Publication number
- CN117439687B CN117439687B CN202311754282.XA CN202311754282A CN117439687B CN 117439687 B CN117439687 B CN 117439687B CN 202311754282 A CN202311754282 A CN 202311754282A CN 117439687 B CN117439687 B CN 117439687B
- Authority
- CN
- China
- Prior art keywords
- communication
- communication module
- coefficient
- data
- state
- 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 473
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004128 high performance liquid chromatography Methods 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 claims abstract description 12
- 230000000875 corresponding effect Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000003111 delayed effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process 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
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/54—Systems for transmission via power distribution lines
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于HPLC和HRF的双模通信方法、***及装置，涉及电网通信技术领域，检测通信模块当前的通信状态并构建通信状态集合，由通信状态集合生成通信状态系数，依据通信状态系数与临界阈值的关系，对通信模块内的HPLC信道与HRF信道做切换；对通信模块的通信模式作调整后，构建回归方程，并由相应的回归系数生成影响系数，依据影响系数与影响阈值的关系，对通信模块做出适应性处理；使用训练后的通信模块运行模型对通信模块的运行状态进行预测，并依据预测结果对通信模块做针对性优化，若优化结果未达到预期，发出报警指令。使通信模块在不同的通信条件下均具有一定的适应性，从而提高通信模块的可用性。
Description
技术领域
本发明涉及电网通信技术领域，具体为一种基于HPLC和HRF的双模通信方法、***及装置。
背景技术
在电表向外部通信时，需要用到通信模块，其中较为常见有HPLC通信模块及HRF通信模块，也即HPLC信道及HRF信道。HPLC通信模块是一种电力线载波通信模块，其优点包括高速率、高可靠性、高抗干扰能力、通信距离远以及极强的保密性。该模块采用HPLC高速载波芯片，内部集成32位处理器，采用BPSK数字调制解调方式传输，内置耦合电路及PA功率放大器。HRF通信模块在智能电网、工业自动化、安防监控、物流追踪等领域有广泛的应用。
通过使用HRF通信模块，可以实现设备之间的无线连接和数据传输，提高工作效率和便捷性。同时，HRF通信模块还可以与其他通信模块进行互联互通，构建更为庞大和复杂的通信***。
在申请公布号CN116527430A中公开了一种HPLC和HRF双模通信网络接入方法，包括以下步骤：获取电表信息，并将所述电表信息导入主站；***上电，选择电表内双模模块信道：双模模块向集中器发送网络接入请求，集中器将发送网络接入请求的双模模块的信息以及集中器自身序列号上报至主站：通过主站进行电表内双模模块的入网决策，从而完成入网。
以上申请解决了如何准确且有效的对电表节点的网络接入进行统一管理的技术问题；但是，在电表的通信模块在经过长期使用后，各项性能都会存在一定的下降，这种条件下，在通信模块与外部进行数据交换时，数据的丢失和延迟可能均较为严重，在此基础上再对数据作处理时，电能表上数据的显示也会存在一定的失真和延迟，从而对电能表或者类似的电表、三相表等的使用，带来一定的干扰和影响。
在现有的方法中，这种问题通常是通过不断的切换通信模式更换信道来解决，但频繁切换通信信道虽然能够提高数据通信质量，但通信模块和实际的使用场景间的适应性仍然会存在一定的不足，通信模块的运行风险也较高。
为此，本发明提供了一种基于HPLC和HRF的双模通信方法、***及装置。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于HPLC和HRF的双模通信方法、***及装置，检测通信模块当前的通信状态并构建通信状态集合，由通信状态集合生成通信状态系数，依据通信状态系数与临界阈值的关系，对通信模块内的HPLC信道与HRF信道做切换；对通信模块的通信模式作调整后，构建回归方程，并由相应的回归系数生成影响系数，依据影响系数与影响阈值的关系，对通信模块做出适应性处理；使用训练后的通信模块运行模型对通信模块的运行状态进行预测，并依据预测结果对通信模块做针对性优化，若优化结果未达到预期，发出报警指令。使通信模块在不同的通信条件下均具有一定的适应性，从而提高通信模块的可用性，从而解决了背景技术中提出的技术问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种基于HPLC和HRF的双模通信方法，包括，由通信模块的通信条件数据构建通信条件集合，进而由通信条件集合生成通信条件系数，若所获取的通信条件系数超过条件阈值，向外部发出预警指令；
接收到预警指令后，检测通信模块当前的通信状态并构建通信状态集合，由通信状态集合生成通信状态系数，依据通信状态系数/>与临界阈值的关系，对通信模块内的HPLC信道与HRF信道做切换；其中，通信条件系数/>的生成方式如下：将数据丢失量To及数据延迟量Lo做线性归一化处理，并将相应的数据值映射至区间/> 内，再依据如下方式：/>
其中，n为工作周期的个数，为大于1的正整数，；权重系数：，/>，且/>，所述/>为数据丢失量的合格标准值，/>为数据延迟量的合格标准值；
对通信模块的通信模式作调整后，由多重回归分析构建回归方程，并由相应的回归系数生成影响系数，依据影响系数/>与影响阈值的关系，对通信模块做出适应性处理；
使用训练后的通信模块运行模型对通信模块的运行状态进行预测，并依据预测结果对通信模块做针对性优化，若优化结果未达到预期，发出报警指令。
进一步，在工作周期内，获取通信模块与外部交换数据时的数据丢失量To；在工作周期内产生数据通信时，若接收到数据时存在的通信延迟，则生成数据延迟量Lo；将连续的若干个数据丢失量To及数据延迟量Lo汇总，生成通信模块的通信条件集合。
进一步，连续获取若干检测周期内的信号稳定度Qn及速率稳定度Qu，汇总后构建通信模块的通信状态集合；其中，通信状态系数的获取方法如下：对信号稳定度Qn及速率稳定度Qu做线性归一化处理，并将相应的数据值映射至区间/>内，再依据如下方式：
其中，为大于1的正整数，/>，其为检测周期的个数；权重系数：，/>且/>，所述/>为信号稳定度的平均值，/>为速率稳定度的平均值。
进一步，从预先构建的通信协议库内为HPLC信道及HRF信道匹配对应的通信协议；依据通信状态系数的分布，对两种通信模式之间进行切换，具体方式如下：
若所述获取的通信状态系数低于临界阈值，使HPLC信道进入通信状态，若不高于，则使HRF信道进入通信状态；其中，所述通信状态的维持时长和通信状态系数与临界阈值间的差值呈正相关；在选定通信模式后，并对待发送数据进行封装及发送。
进一步，在HPLC信道与HRF信道间经过若干次切换后，以获取的数据丢失量To及数据延迟量Lo作为自变量，以通信状态系数作因变量，做多重线性回归分析，生成目标回归方程；从目标回归方程内确定出自变量的回归系数，由回归系数获取通信条件对通信状态系数/>的影响系数/>，其具体方式如下：以回归系数作为影响因子，分别获取数据丢失量To及数据延迟量Lo的影响因子/>及/>，依照如下公式：
权重系数：，/>，其具体值由用户调整设置。
进一步，若影响系数低于预先设置的影响阈值，对通信模块进行散热，若影响系数/>不低于预先设置的影响阈值，使用目标回归方程对通信状态系数/>做预测，获取使通信状态系数/>达到状态预期的通信条件；对通信模块当前的通信条件做对应性调整，调整后的通信条件作为目标通信条件。
进一步，使用Bp神经网络构建初始模型，对初始模型进行训练和测试后，以训练后的初始模型作为通信模块运行模型，以目标通信条件作为测试条件，使用训练后的通信模块运行模型对通信模块的运行做预测分析，预测获取通信模块的运行数据，对预测数据做特征识别，以识别获取的特征参数作为优化特征，将若干个优化特征汇总，构建优化特征集合。
进一步，以通信模块优化作为目标词，构建通信模块的优化知识图谱；依据优化特征与优化方案间的对应性，从通信模块的优化知识图谱内匹配出对应的优化方案，由通信模块执行所述优化方案；
经过多个观察周期后，将连续获取的多个通信状态系数沿着时间轴做有序排列，获取通信状态数据列；对通信状态数据列做趋势分析并获取相应相对强弱指数，若相对强弱指数未落入预设范围内，则发出报警指令。
一种基于HPLC和HRF的双模通信***，包括：
预警单元，由通信模块的通信条件数据构建通信条件集合，进而由通信条件集合生成通信条件系数，若所获取的通信条件系数超过条件阈值，向外部发出预警指令；
切换单元，接收到预警指令后，检测通信模块当前的通信状态并构建通信状态集合，由通信状态集合生成通信状态系数，依据通信状态系数与临界阈值的关系，对通信模块内的HPLC信道与HRF信道做切换；
分析单元，对通信模块的通信模式作调整后，构建回归方程，并由相应的回归系数生成影响系数，依据影响系数与影响阈值的关系，对通信模块做出适应性处理；
优化单元，使用训练后的通信模块运行模型对通信模块的运行状态进行预测，并依据预测结果对通信模块做针对性优化，若优化结果未达到预期，发出报警指令。
一种基于HPLC和HRF的双模通信装置，至少包括收发单元、处理单元、存储单元及数据接口，用于执行双模通信方法。
HPLC通信模块的优势包括以下几点：
通信速率高：HPLC通信模块采用高速载波芯片，具有高速率的特点，能够实现高速数据传输。
通信可靠：该模块采用数字调制解调方式传输，具有抗干扰能力强、通信可靠的优势，能够在恶劣环境下保持稳定的通信。
通信距离远：HPLC通信模块内置功率放大器，能够增强信号传输距离，实现远距离通信。
保密性强：该模块采用加密技术，具有极强的保密性，能够保证通信数据的安全性。
此外，HPLC通信模块还具有串口波特率可配置、可用性强、兼容支持多种通信协议、通信方式多样化以及支持FEC和CRC功能等特点。
然而，HPLC通信模块也存在一些缺点，例如价格较高、需要专业人员进行安装和维护等。因此，在选择使用HPLC通信模块时，需要综合考虑其优缺点以及实际需求等因素。
HRF通信模块是一种无线通信模块，优势包括以下几点：
高速数据传输：HRF通信模块采用高效的通信协议和技术，能够实现高速的数据传输，适用于需要快速响应和实时性要求高的应用场景。
远距离通信能力：HRF通信模块具有较强的信号传输能力，能够实现远距离的通信，适用于广阔的地理范围或需要覆盖较大区域的应用场景。
高可靠性和稳定性：HRF通信模块采用先进的错误处理技术和稳定的通信协议，能够有效地抵抗干扰和噪声，保证数据传输的准确性和可靠性。
灵活性：HRF通信模块支持多种通信接口和协议，可以与其他设备进行无缝连接和集成，实现灵活的通信***构建。
然而，HRF通信模块也存在一些缺点，例如成本较高、能耗较高、安装和维护复杂以及可能存在的干扰问题。因此，在选择使用HRF通信模块时，需要综合考虑其优缺点以及实际需求等因素。
（三）有益效果
本发明提供了一种基于HPLC和HRF的双模通信方法、***及装置，具备以下有益效果：
1、通信状态系数对通信模块与外部的通信状态进行评估和判断，可以确定通信模块当前的通信状态；依据判断结果，对通信模块做适应性处理，以便于能够降低通信模块的能耗，提高数据通信质量。
2、从HPLC信道及HRF信道间作选择，通过对两种通信模式间切换，并依据通信状态系数确定切换节点和切换时长，能够使模式切换更为有序化和明确化，在通信模块的通信质量及能耗间做出相对平衡时，使通信模块适应不同的使用场景，改善通信模块的可用性。
3、通过做多重线性回归分析，判断当前选定的环境条件对通信模块的影响程度，如不存在影响，则再从其他的角度对通信模块做出调整和应对。结合获取的回归方程在选定的通信条件做预测，确定出目标通信条件，对通信模块当前的通信条件进行调整，使调整过程更具有针对性，在切换通信模式之外，对通信模块的通信质量进行调整和改善；使通信模块和实际的使用场景更具有适应性。
4、使用构建的通信模块运行模型对调整后的效果进行分析及预测，并在特征识别的基础上，分析获取若干个优化特征，从而在需要对通信模块做出优化时，能够更有针对性，使优化后的通信模块在使用时，和实际的应用场景更加契合；
5、通过构建通信模块的优化知识图谱，依据优化特征与优化方案间的对应性，从通信模块的优化知识图谱内匹配出对应的优化方案，在做优化前快速的获取优化方案，能够节省选择或者制定优化方案的时间，而通过对通信模块自动优化，使通信模块在不同的通信条件下均具有一定的适应性，从而提高通信模块的可用性；
6、通过做趋势分析并获取相应的相对强弱指数，以相对强弱指数对优化方案的执行效果 进行评价，若是当前优化并未达到预期的效果，则向外部发出报警，此时，通信模块使用状态不佳时，便于及时的做出处理，可以降低通信模块的运行风险。
附图说明
图1为本发明双模通信方法流程示意图；
图2为本发明双模通信***结构示意图；
图3为本发明双模通信装置结构示意图。
具体实施方式
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，都属于本发明保护的范围。
请参阅图1，本发明提供一种基于HPLC和HRF的双模通信方法，包括如下步骤：
步骤一、由通信模块的通信条件数据构建通信条件集合，进而由通信条件集合生成通信条件系数，若所获取的通信条件系数/>超过条件阈值，向外部发出预警指令；
所述步骤一包括如下内容：
步骤101、当通信模块在电表内处于运行状态时，设置工作周期，例如，以30分钟或者1小时为一个工作周期，在所述工作周期内，获取通信模块与外部交换数据时的数据丢失量To；在工作周期内产生数据通信时，若接收到数据时存在的通信延迟，则生成数据延迟量Lo；经过若干个工作周期后，将连续的若干个数据丢失量To及数据延迟量Lo汇总，生成通信模块的通信条件集合；
步骤102、由通信条件集合生成通信条件系数，其具体方式如下：将数据丢失量To及数据延迟量Lo做线性归一化处理，并将相应的数据值映射至区间/> 内，再依据如下方式：
其中，n为工作周期的个数，为大于1的正整数，；权重系数：，/>，且/>，权重系数的获取可参考层次分析法，所述/>为数据丢失量的合格标准值，/>为数据延迟量的合格标准值；需要补充说明的是：/>为数据丢失量在i位置上的值；/>为数据延迟量在i位置上的值；
结合历史数据及对通信模块通信质量的管理预期，预先设置条件阈值，若所获取的通信条件系数超过条件阈值，此时，说明通信模块当前运行时存在较大的负荷，在与外部进行通信时，通信的距离及数据量均较大，若不对通信模式进行调整，通信模块当前产生的能耗可能会高于预期，且自身工作寿命也会受到一定的影响，此时，向外部发出预警指令，以便于及时做出后续的调整；
使用时，结合步骤101及102中的内容：
在通信模块处于运行状态时，以数据丢失及数据延迟作为参考点，由通信条件集合生成通信条件系数，以此对通信模块当前的通信条件进行评估，由于是将多组数据综合在一起，因此，在对通信模块的运行状态作出判断时，综合性更好，与实际情景的偏差相对较小，误差较小；而在现有技术中：
电表内的通信模块在经过长期使用后，各项性能都会存在一定的下降，这种条件下，在通信模块与外部进行数据交换时，数据的丢失和延迟可能均较为严重，在此基础上再对数据作处理时，电能表上数据的显示也会存在一定的失真和延迟，从而对电能表或者类似的电表、三相表等的使用，带来一定的干扰和影响，在现有的方法中，这种问题通常是通过不断的切换通信模式来解决，但频繁切换通信模式虽然能够提高数据通信质量，但通信模块和实际的使用场景间的适应性仍然会存在一定的不足，通信模块的运行风险也较高。
步骤二、接收到预警指令后，检测通信模块当前的通信状态并构建通信状态集合，由通信状态集合生成通信状态系数，依据通信状态系数/>与临界阈值的关系，对通信模块内的HPLC信道与HRF信道做切换；
所述步骤二包括如下内容：
步骤201、在接收到预警指令后，对通信模块当前的与外部的通信状态进行检测，构建通信状态集合，其具体方式如下：
获取信号稳定度Qn：设置检测周期，例如10分钟或20分钟，在检测周期内设置若干个等间隔的检测节点，在通信模块处于通信状态时，检测通信模块在各个检测节点上的信号强度Q；通过各个节点上的信号强度Q计算信号稳定度Qn，其方式如下：依据生成时间，将各个信号强度沿着时间轴做有序排列，依据如下公式：
其中，，此处，n为检测节点的个数，/>、/>及/>分别为各个节点上的信号强度的均值、最大值及最小值，/>为检测节点i上的信号强度；
再参考以上方法，以同样的方式计算获取速率稳定度Qu；
连续获取若干检测周期内的信号稳定度Qn及速率稳定度Qu，汇总后构建通信模块的通信状态集合；
步骤202、由通信状态集合生成通信状态系数，其具体方式如下：对信号稳定度Qn及速率稳定度Qu做线性归一化处理，并将相应的数据值映射至区间/>内，再依据如下方式：
其中，为大于1的正整数，/>，其为检测周期的个数；
权重系数：，/>且/>，权重系数的获取方式可以参考层次分析法；所述/>为信号稳定度的平均值，/>为速率稳定度的平均值；
需要补充说明的是：为信号稳定度在i位置上的值；/>为速率稳定度在i位置上的值；
在对通信模块的运行状态检测时，通过计算获取信号稳定度Qn及速率稳定度Qu，进而再由两者生成通信状态系数，以通信模块的信号稳定性与数据传输速率作为参考点，以通信状态系数/>对通信模块与外部的通信状态进行评估和判断，可以确定通信模块当前的通信状态；依据判断结果，可以对通信模块做适应性处理，以便于能够降低通信模块的能耗，提高数据通信质量。
步骤203、从预先构建的通信协议库内为HPLC信道及HRF信道匹配对应的通信协议；依据通信状态系数的分布，对两种通信模式之间进行切换，具体方式如下：
依据历史数据及对通信模块管理的预期，为两种通信模式之间的切换设置临界阈值；
若所述获取的通信状态系数低于临界阈值，则使HPLC信道进入通信状态，也即使用HPLC信道进行通信，若不高于，则使HRF信道进入通信状态，也即使用HRF信道进行通信；其中，所述通信状态的维持时长和通信状态系数/>与临界阈值间的差值呈正相关；
在选定通信模式后，并对待发送数据进行封装及发送。
使用时，结合步骤201至203中的内容：
在需要对通信模块做处理时，从HPLC信道及HRF信道间作选择，通过对两种通信模式间切换，并依据通信状态系数确定切换节点和切换时长，能够使模式切换更为有序化和明确化，不会出现因为某一参数变化则展开模式切换，进而降低模式切换的频率；而且，通过对通信模式进行切换，在通信模块的通信质量及能耗间做出相对平衡时，也可使当前的通信模块适应不同的使用场景，改善通信模块的可用性。
步骤三、对通信模块的通信模式作调整后，由多重回归分析构建回归方程，并由相应的回归系数生成影响系数，依据影响系数/>与影响阈值的关系，对通信模块做出适应性处理；
所述步骤三包括如下内容：
步骤301、在HPLC信道与HRF信道间经过若干次切换后，以获取的数据丢失量To及数据延迟量Lo作为自变量，以通信状态系数作因变量，做多重线性回归分析，经过训练和修正后，生成相应的回归方程将其标记为目标回归方程；
通过获取的目标回归方程，判断数据的丢失及延迟对通信状态系数的影响程度，此时，从目标回归方程内确定出自变量的回归系数，由回归系数获取通信条件对通信状态系数/>的影响系数/>，其具体方式如下：
以回归系数作为影响因子，分别获取数据丢失量To及数据延迟量Lo的影响因子及/>，依照如下公式：
权重系数：，/>，其具体值由用户调整设置；
在对通信模块的通信模式做过若干次切换和使用后，通过做多重线性回归分析，判断当前选定的环境条件对通信模块的影响程度，如不存在影响，则再从其他的角度对通信模块做出调整和应对。
步骤302、结合历史数据及对通信质量管理的预期，预先设置影响阈值；若影响系数低于预先设置的影响阈值，则说明通信条件对通信状态系数/>的影响度超过预期，此时，对通信模块进行散热，降低其所处的环境温度；
如果影响系数不低于预先设置的影响阈值，使用目标回归方程对通信状态系数/>做预测，在设置状态预期后，获取使通信状态系数/>达到状态预期的通信条件；对通信模块当前的通信条件做对应性调整，调整后的通信条件作为目标通信条件；
使用时，结合步骤301及302中的内容：
在确定调整预期后，结合获取的回归方程在选定的通信条件做预测，确定出目标通信条件，从而能够依据目标条件对通信模块当前的通信条件进行调整，使调整过程更具有针对性，在切换通信模式之外，对通信模块的通信质量进行调整和改善；使通信模块和实际的使用场景更具有适应性。
步骤四、使用训练后的通信模块运行模型对通信模块的运行状态进行预测，并依据预测结果对通信模块做针对性优化，若优化结果未达到预期，发出报警指令；
所述步骤四包括如下内容：
步骤401、构建通信模块运行模型，其具体方式如下：
采集通信模块的属性数据，包括，通信模块的性能及规格数据，例如，能耗及带宽；工作环境，例如，工作时的温度、湿度等；通信状态数据，例如，通信频率、通信时长等等；对采集的数据做特征识别后，获取相应的特征数据，在汇总后构建特征数据集合；
使用Bp神经网络，在选择网络架构后构建初始模型，从特征数据集合内抽取部分数据，分别作为训练集和测试集，对初始模型进行训练和测试后，获取训练后的初始模型，以训练后的初始模型作为通信模块运行模型；
步骤402、以目标通信条件作为测试条件，使用训练后的通信模块运行模型对通信模块的运行做预测分析，在经过一个分析周期后，预测获取通信模块的运行数据，在设置标准参考值及异常标准后，对预测数据做特征识别，以识别获取的特征参数作为优化特征，将若干个优化特征汇总，构建优化特征集合；
在对通信模块做出相应调整后，使用构建的通信模块运行模型对调整后的效果进行分析及预测，并在特征识别的基础上，分析获取若干个优化特征，从而在需要对通信模块做出优化时，能够更有针对性，使优化后的通信模块在使用时，和实际的应用场景更加契合；
步骤403、以通信模块优化作为目标词，收集相关的数据集，可能包括文献、报告、新闻、数据库等；对收集的数据做清洗，剔除无关信息，进行数据标准化；对完成清洗的数据文本，使用自然语言处理的方法将数据文本数据分词，提取关键词和短语；
使用深度学习模型，如基于Bert的NER模型，来识别数据文本中的关键实体，例如通信模块的运行环境、通信状态、优化特征及优化方案等；将以上数据汇总后，构建知识图谱数据集合；
结合循环神经网络模型，使用关系抽取模型来确定知识图谱数据集合内实体之间的关系，合并知识图谱中相同或相似的实体，并利用逻辑推理模型或机器学习模型来发现隐含的知识关系；使用RDF数据模型将数据转化为知识图谱的表示形式，包括标识核心实体、定义实体之间的关系和属性，并且使用统一的表示方式；
构建初始知识图谱，包括建立图谱中的实体节点和它们之间的关系边，选择图数据库或图谱存储***，并将数据加载到其中；在验证和评估的基础上，对初始的知识图谱做迭代和优化调整，扩充图谱的范围和深度，增加数据的丰富性和准确性；
获取训练和优化后的初始知识图谱，将其作为通信模块的优化知识图谱；
在需要对通信模块做优化时，使用训练后的匹配模型，依据优化特征与优化方案间的对应性，从通信模块的优化知识图谱内匹配出对应的优化方案，由通信模块执行所述优化方案；
步骤404、设置观察周期，例如，使观察周期与检测周期等长，经过多个观察周期后，将连续获取的多个通信状态系数沿着时间轴做有序排列，获取通信状态数据列；对通信状态数据列做趋势分析并获取相应相对强弱指数，若相对强弱指数未落入预设范围内，则发出报警指令；
其中，相对强弱指数是一种用于描述时间序列数据中趋势性变化的指标，用于量化趋势的变化速度和方向，相对强弱指数可以帮助我们了解数据的趋势特征，包括趋势的增长速度、变化幅度以及趋势的方向。
趋势检验是一种统计学方法，用于确定时间序列数据中是否存在明显的趋势性变化。趋势检验可以帮助我们了解数据是否呈现出稳定的趋势，以及趋势的变化方向和显著性。
使用时，结合步骤401至404中的内容：
在需要对通信模块的运行做优化时，通过构建通信模块的优化知识图谱，依据优化特征与优化方案间的对应性，从通信模块的优化知识图谱内匹配出对应的优化方案，在做优化前快速的获取优化方案，能够节省选择或者制定优化方案的时间，而通过对通信模块自动优化，使通信模块在不同的通信条件下均具有一定的适应性，从而提高通信模块的可用性；
进一步的，通过做趋势分析并获取相应的相对强弱指数，以相对强弱指数对优化方案的执行效果 进行评价，若是当前优化并未达到预期的效果，则向外部发出报警，此时，通信模块使用状态不佳时，便于及时的做出处理，可以降低通信模块的运行风险。
需要说明的是：层次分析法是一种定性和定量相结合的分析方法，它可以将复杂的问题分解为多个层次，通过比较各层次因素的重要性，可以帮助决策者对复杂问题进行决策，确定最终的决策方案，在这个过程中，层次分析法可以用来确定这些指标的权重系数；层次分析法的步骤如下：
明确问题：首先需要明确决策问题，确定决策的目标和备选方案；
建立层次结构模型：根据问题的性质和决策目标，将问题分解为不同的层次，通常包括目标层、准则层和方案层；目标层是决策问题的总目标，准则层是用于评估备选方案的准则，方案层是备选方案；
构造判断矩阵：通过两两比较同一层次中的元素相对于上一层中某一元素的重要性，构造判断矩阵。判断矩阵中的元素表示两个元素相对重要性的比值；
层次单排序：根据判断矩阵，计算同一层次中元素相对于上一层中某一元素的相对重要性排序权重。这一过程称为层次单排序；
一致性检验：检验判断矩阵的一致性，即检验判断矩阵是否满足一致性条件。如果满足一致性条件，则认为层次单排序结果是合理的；
层次总排序：计算各层元素对***目标的合成权重，进行总排序，以确定递阶结构图中最底层各个元素的总排序权重；
通过层次分析法，决策者可以将复杂的决策问题分解为不同的层次，并基于定性和定量的分析进行决策；这种方法能够提高决策的准确性和有效性，特别适用于那些难以用定量方法解决的复杂问题。
请参阅图2，本发明提供一种基于HPLC和HRF的双模通信***，包括：
预警单元，由通信模块的通信条件数据构建通信条件集合，进而由通信条件集合生成通信条件系数，若所获取的通信条件系数超过条件阈值，向外部发出预警指令；
切换单元，接收到预警指令后，检测通信模块当前的通信状态并构建通信状态集合，由通信状态集合生成通信状态系数，依据通信状态系数与临界阈值的关系，对通信模块内的HPLC信道与HRF信道做切换；
分析单元，对通信模块的通信模式作调整后，构建回归方程，并由相应的回归系数生成影响系数，依据影响系数与影响阈值的关系，对通信模块做出适应性处理；
优化单元，使用训练后的通信模块运行模型对通信模块的运行状态进行预测，并依据预测结果对通信模块做针对性优化，若优化结果未达到预期，发出报警指令。
请参阅图3，本发明提供一种基于HPLC和HRF的双模通信装置，至少收发单元、处理单元、存储单元及数据接口等。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种航道水下地形变化分析***及方法逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元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存储介质中。基于这样的理解，本申请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存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (6)
1.一种基于HPLC和HRF的双模通信方法，其特征在于：包括，
由通信模块的通信条件数据构建通信条件集合，进而由通信条件集合生成通信条件系数Ts(o,o)，若所获取的通信条件系数Ts(o,o)超过条件阈值，向外部发出预警指令；
接收到预警指令后，检测通信模块当前的通信状态并构建通信状态集合，由通信状态集合生成通信状态系数Qo(u,n)，依据通信状态系数Qo(u,n)与临界阈值的关系，对通信模块内的HPLC信道与HRF信道做切换；其中，通信条件系数Ts(o,o)的生成方式如下：将数据丢失量To及数据延迟量Lo做线性归一化处理，并将相应的数据值映射至区间[0，1]内，再依据如下方式：
其中，n为工作周期的个数，为大于1的正整数，i＝1，2，…，n；权重系数：0≤ζ≤1，0≤χ≤1，且ζ+χ＝1，所述为数据丢失量的合格标准值，/>为数据延迟量的合格标准值；
对通信模块的通信模式作调整后，由多重回归分析构建回归方程，并由相应的回归系数生成影响系数依据影响系数/>与影响阈值的关系，对通信模块做出适应性处理；
使用训练后的通信模块运行模型对通信模块的运行状态进行预测，并依据预测结果对通信模块做针对性优化，若优化结果未达到预期，发出报警指令；
在工作周期内，获取通信模块与外部交换数据时的数据丢失量To；在工作周期内产生数据通信时，若接收到数据时存在的通信延迟，则生成数据延迟量Lo；将连续的若干个数据丢失量To及数据延迟量Lo汇总，生成通信模块的通信条件集合；
连续获取若干检测周期内的信号稳定度Qn及速率稳定度Qu，汇总后构建通信模块的通信状态集合；其中，通信状态系数Qo(u,n)的获取方法如下：对信号稳定度Qn及速率稳定度Qu做线性归一化处理，并将相应的数据值映射至区间[0，1]内，再依据如下方式：
其中，m为大于1的正整数，i＝1，2，…，m，其为检测周期的个数；权重系数：0≤F1≤1，0≤F2≤1且F2+F1＝1，所述Qnavg为信号稳定度的平均值，Quavg为速率稳定度的平均值；
从预先构建的通信协议库内为HPLC信道及HRF信道匹配对应的通信协议；依据通信状态系数Qo(u,n)的分布，对两种通信模式之间进行切换，具体方式如下：
若所述获取的通信状态系数Qo(u,n)低于临界阈值，使HPLC信道进入通信状态，若不低于，则使HRF信道进入通信状态；其中，所述通信状态的维持时长和通信状态系数Qo(u,n)与临界阈值间的差值呈正相关；在选定通信模式后，并对待发送数据进行封装及发送；
在HPLC信道与HRF信道间经过若干次切换后，以获取的数据丢失量To及数据延迟量Lo作为自变量，以通信状态系数Qo(u,n)作因变量，做多重线性回归分析，生成目标回归方程；从目标回归方程内确定出自变量的回归系数，由回归系数获取通信条件对通信状态系数Qo(u,n)的影响系数其具体方式如下：以回归系数作为影响因子，分别获取数据丢失量To及数据延迟量Lo的影响因子ψT及ψL，依照如下公式：
权重系数：其具体值由用户调整设置。
2.根据权利要求1所述的一种基于HPLC和HRF的双模通信方法，其特征在于：
若影响系数低于预先设置的影响阈值，对通信模块进行散热，若影响系数/>不低于预先设置的影响阈值，使用目标回归方程对通信状态系数Qo(u,n)做预测，获取使通信状态系数Qo(u,n)达到状态预期的通信条件；对通信模块当前的通信条件做对应性调整，调整后的通信条件作为目标通信条件。
3.根据权利要求2所述的一种基于HPLC和HRF的双模通信方法，其特征在于：
使用Bp神经网络构建初始模型，对初始模型进行训练和测试后，以训练后的初始模型作为通信模块运行模型，以目标通信条件作为测试条件，使用训练后的通信模块运行模型对通信模块的运行做预测分析，预测获取通信模块的运行数据，对预测数据做特征识别，以识别获取的特征参数作为优化特征，将若干个优化特征汇总，构建优化特征集合。
4.根据权利要求3所述的一种基于HPLC和HRF的双模通信方法，其特征在于：
以通信模块优化作为目标词，构建通信模块的优化知识图谱；依据优化特征与优化方案间的对应性，从通信模块的优化知识图谱内匹配出对应的优化方案，由通信模块执行所述优化方案；
经过多个观察周期后，将连续获取的多个通信状态系数Qo(u,n)沿着时间轴做有序排列，获取通信状态数据列；对通信状态数据列做趋势分析并获取相应相对强弱指数，若相对强弱指数未落入预设范围内，则发出报警指令。
5.一种基于HPLC和HRF的双模通信***，应用有权利要求1-4中任一种所述方法，其特征在于：包括：
预警单元，由通信模块的通信条件数据构建通信条件集合，进而由通信条件集合生成通信条件系数，若所获取的通信条件系数超过条件阈值，向外部发出预警指令；
切换单元，接收到预警指令后，检测通信模块当前的通信状态并构建通信状态集合，由通信状态集合生成通信状态系数，依据通信状态系数与临界阈值的关系，对通信模块内的HPLC信道与HRF信道做切换；
分析单元，对通信模块的通信模式作调整后，构建回归方程，并由相应的回归系数生成影响系数，依据影响系数与影响阈值的关系，对通信模块做出适应性处理；
优化单元，使用训练后的通信模块运行模型对通信模块的运行状态进行预测，并依据预测结果对通信模块做针对性优化，若优化结果未达到预期，发出报警指令。
6.一种基于HPLC和HRF的双模通信装置，用于执行如权利要求1-4中任一种所述方法，其特征在于：至少包括收发单元、处理单元、存储单元及数据接口。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311754282.XA CN117439687B (zh) | 2023-12-20 | 2023-12-20 | 一种基于hplc和hrf的双模通信方法、***及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311754282.XA CN117439687B (zh) | 2023-12-20 | 2023-12-20 | 一种基于hplc和hrf的双模通信方法、***及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117439687A CN117439687A (zh) | 2024-01-23 |
| CN117439687B true CN117439687B (zh) | 2024-03-29 |
Family
ID=89553824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311754282.XA Active CN117439687B (zh) | 2023-12-20 | 2023-12-20 | 一种基于hplc和hrf的双模通信方法、***及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117439687B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117996966B (zh) * | 2024-04-03 | 2024-06-07 | 江门市赛为电力科技有限公司 | 一种基于优化算法的电力屏柜的智慧管理方法及*** |
| CN118070199A (zh) * | 2024-04-18 | 2024-05-24 | 云南钧衡电力检测技术有限公司 | 一种电力设备检测方法及检测*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116527430A (zh) * | 2023-05-10 | 2023-08-01 | 湖南腾发微电子有限公司 | 一种hplc和hrf双模通信网络接入方法 |
| CN116881096A (zh) * | 2023-09-07 | 2023-10-13 | 贵州正易科技有限公司 | 一种计算机故障报警方法及报警*** |
| CN117078017A (zh) * | 2023-09-15 | 2023-11-17 | 国网浙江省电力有限公司金华供电公司 | 一种用于电力电网设备监控智能化决策分析*** |
| CN117153336A (zh) * | 2023-10-26 | 2023-12-01 | 中国人民解放军总医院第二医学中心 | 一种基于血液透析机的血液透析监测***及其方法 |
| CN117200827A (zh) * | 2023-09-11 | 2023-12-08 | 甘肃同兴智能科技发展有限责任公司 | 一种用于智能电网的hplc和hrf双模通信单元 |
-
2023
- 2023-12-20 CN CN202311754282.XA patent/CN117439687B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116527430A (zh) * | 2023-05-10 | 2023-08-01 | 湖南腾发微电子有限公司 | 一种hplc和hrf双模通信网络接入方法 |
| CN116881096A (zh) * | 2023-09-07 | 2023-10-13 | 贵州正易科技有限公司 | 一种计算机故障报警方法及报警*** |
| CN117200827A (zh) * | 2023-09-11 | 2023-12-08 | 甘肃同兴智能科技发展有限责任公司 | 一种用于智能电网的hplc和hrf双模通信单元 |
| CN117078017A (zh) * | 2023-09-15 | 2023-11-17 | 国网浙江省电力有限公司金华供电公司 | 一种用于电力电网设备监控智能化决策分析*** |
| CN117153336A (zh) * | 2023-10-26 | 2023-12-01 | 中国人民解放军总医院第二医学中心 | 一种基于血液透析机的血液透析监测***及其方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117439687A (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117439687B (zh) | 一种基于hplc和hrf的双模通信方法、***及装置 | |
| EP2601482B1 (en) | System and method for the automatic identification of electric devices/appliances | |
| CA2760862C (en) | System and method for power utility usage, monitoring and management | |
| CN104930660B (zh) | 空气状态监测方法和监测装置 | |
| CN106557546B (zh) | 一种对特高压在线监测数据进行挖掘并评价的方法及*** | |
| CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
| CN113554361B (zh) | 一种综合能源***数据处理计算方法及处理*** | |
| CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
| CN113676534A (zh) | 基于边缘计算的ai算法流程以及服务一体机 | |
| CN108072858B (zh) | 电能表质量管理方法、***及终端设备 | |
| CN114970667B (zh) | 一种多源异构能源数据融合方法 | |
| CN105139157A (zh) | 一种基于能源数据的企业管理方法和*** | |
| CN117692940B (zh) | 一种基于微波链路的微波***性能检测方法 | |
| CN111968356A (zh) | 一种智能化建筑能耗监测***及方法 | |
| Mutiara et al. | WSN nodes power consumption using multihop routing protocol for illegal cutting forest | |
| CN115951123B (zh) | 一种基于无线通信的电能计量方法及*** | |
| CN116681186A (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
| CN111460027A (zh) | 一种适用于能源互联网的智能动态监测方法及*** | |
| CN115297190B (zh) | 一种电力计量检测试验设备自适应信息交互***和方法 | |
| Kelati et al. | IoT based appliances identification techniques with fog computing for e-health | |
| Mei et al. | Online chatter monitor system based on rapid detection method and wireless communication | |
| Zhu et al. | Design and experiment of smart fire electric power monitoring system based on the cyber-physical model | |
| CN115473343B (zh) | 一种智能网关多主站并行接入测试方法 | |
| Zhu et al. | An Energy-efficient Routing Protocol for Wireless Sensor Networks through Estimating Single Linkage Hierarchical Clustering | |
| CN118036978A (zh) | 一种发电厂热力性能分析与优化*** |
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 |