一种物联网电能表的在线检定方法与流程

1.本发明属于涉及物联网电能表检定技术领域，具体是一种物联网电能表的在线检定方法。


背景技术：

2.随着能源消耗和环境保护的重要性日益凸显，对电能的测量和管理变得越来越重要。公共机构、工商业场所以及住宅区域等都需要对电能的使用情况进行监测和管理，以便进行能源优化和费用计算。传统的电能表通常只提供基本的电能测量功能，无法提供实时数据监测和分析，也无法满足精细化的能源管理需求。
3.然而，随着物联网技术的快速发展，物联网电能表作为一种新型的智能电能测量设备，能够通过与互联网连接和数据分析，提供更加智能化和精确的能耗监测和管理。它具备实时数据采集、远程监控、异常检测和自动调节等功能，为公共机构和用户提供了更加灵活和高效的电能管理方案；
4.目前分析物联网电能表是否需要检定的方式往往是定量的，即在电能表数字达到某个固定阈值后，判定为需要检定，这种方法容易造成误判和漏判；且进一步的，因为物联网电能表是通过有线网络或无线网络与电力系统后台连接的，在传输数据过程中，往往需要占据一定的带宽，而目前的通信方式往往是固定周期或实时的，而并未考虑不同状态的物联网电能表在通信周期上的灵活性，浪费了大量的网络带宽；
5.为此，本发明提出一种物联网电能表的在线检定方法。


技术实现要素：

6.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，本发明提出一种物联网电能表的在线检定方法，通过多重监测，灵活的提高了监测效率，并兼顾检定成本，提高检定准确性。
7.为实现上述目的，根据本发明的第一方面的实施例提出一种物联网电能表的在线检定方法，包括以下步骤：
8.步骤一：收集所有物联网电能表的电能表信息；
9.步骤二：收集所有物联网电能表的历史训练数据；
10.步骤三：基于历史训练数据训练出预测物联网电能表实时检测出的电压的第一神经网络模型和预测物联网电能表功率的第二神经网络模型；
11.步骤四：对于每个物联网电能表，设置异常次数权重，收集周期电压数据和周期功率数据，基于周期电压数据和周期功率数据，计算电压周期异常度和功率周期异常度，并更新异常次数权重；
12.基于预设的周期调整序列和异常次数权重，调整物联网电能表的监测周期，循环执行步骤四，直至监测周期达到0时，转至步骤五；
13.步骤五：使用第一神经网络模型和第二神经网络模型输出未来若干时长内，物联
网电能表的预测的电压序列和功率序列，并基于电压序列和功率序列，判断物联网电能表是否需要进行检定；
14.其中，所述电能表信息包括每台物联网电能表的电能表位置、监测类型以及监测周期；
15.其中，所述电能表位置为每台电能表所在位置的经纬度坐标；
16.其中，所述监测类型为预先在物联网电能表安装时收集的每台物联网电能表监测目标的功能类型；
17.其中，所述监测周期为周期调整序列中的一个值，所述周期调整序列为预先设置的一组监测时长所组成的时长序列，在周期调整序列中，监测周期按从大到小的顺序进行排列；每台物联网电能表每隔监测周期的时长，向电力系统后台发送监测到的电压数据和功率数据；
18.所述历史训练数据包括每台物联网电能表的历史实时电压序列和历史实时功率序列；
19.其中，所述历史实时电压序列为每台物联网电能表在历史监测过程中，随时间变化收集的电压序列；
20.其中，所述历史实时功率序列为每台物联网电能表在历史监测过程中，随时间变化收集的功率序列；
21.训练出预测物联网电能表实时检测出的电压的第一神经网络模型的方式为：
22.根据预设的预测时间步长、第一滑动步长以及滑动窗口长度；将历史实时电压序列使用滑动窗口方法转化为若干个第一训练样本，将每组第一训练样本作为第一神经网络模型的输入，第一神经网络模型以未来的预测时间步长的历史实时电压序列作为输出，每个第一训练样本后续预测时间步长内，在历史实时电压序列的后续预测时间步长内的历史实时电压序列作为预测目标，对第一神经网络模型进行训练；生成预测实时电压的第一神经网络模型；所述第一神经网络模型为循环神经网络模型；
23.训练出预测物联网电能表实时检测出的功率的第二神经网络模型的方式为：
24.根据预设的预测时间步长、第二滑动步长以及滑动窗口长度；将历史实时功率序列使用滑动窗口方法将其转化为若干个第二训练样本，将每组第二训练样本作为第二神经网络模型的输入，第二神经网络模型以未来的预测时间步长的历史实时功率序列作为输出，每个第二训练样本后续预测时间步长内，在历史实时功率序列的后续预测时间步长内的历史实时功率序列作为预测目标，对第二神经网络模型进行训练；生成预测实时功率的第二神经网络模型；所述第二神经网络模型为循环神经网络模型；
25.所述周期电压数据为每台物联网电能表在每个监测周期中生成的电压序列；
26.所述周期功率数据为每台物联网电能表在每个监测周中监测的总功率；
27.基于周期电压和周期功率，计算电压周期异常度和功率周期异常度，并更新异常次数权重的方式为：
28.将每台物联网电能表的编号标记为i，对于第i台物联网电能表，计算周期电压数据的电压平均值和电压标准差，并将第i台物联网电能表的电压平均值标记为vi，将电压标准差标记为si，将平均周期功率标记为ri；所述平均周期功率为周期功率数据除以第i台物联网电能表的监测周期；
29.基于第i台物联网电能表的电能表位置，统计第i台物联网电能表的所有周边电能表的电压平均值的平均值vn、电压标准差的平均值sn以及平均周期功率的平均值rn；
30.统计城市范围内所有与第i台物联网电能表具有相同监测类型的物联网电能表的电压平均值的平均值vc、电压标准差的平均值sc以及平均周期功率的平均值rc；
31.计算第i台物联网电能表的电压周期异常度vyi和功率周期异常度syi；
32.所述电压周期异常度vyi＝b1*(a1*|vi-vn|+a2*|si-sn|)+b2*(a1*|vi-vc|+a2*|si-sc|)；其中，a1、a2、b1和b2分别为预设大于0的比例系数；
33.所述功率周期异常度syi＝b3*|ri-rn|+b4*|si-sc|；
34.将第i个物联网电能表的异常次数权重标记为wi，wi初始值为0；wi的更新方式为将wi更新为wi+d1*(vyi-vyi1)+d2*(syi-syi1)：其中，vyi1和syi1分别为上一个监测周期中，第i个物联网电能表的电压周期异常度和功率周期异常度；d1和d2分别为预设的比例系数；
35.基于预设的周期调整序列，调整物联网电能表的监测周期的方式为：
36.为周期调整序列中的每个监测周期设置异常次数权重阈值；将周期调整序列中的监测周期标记为j，将第j个监测周期的异常次数权重阈值标记为wj，其中wj》w(j-1)，则第j个监测周期的异常次数权重的范围是wj与w(j+1)之间；
37.查找wi所在的异常次数权重的范围，并检索出周期调整序列中对应的监测周期，将第i个物联网电能表的监测周期调整为检索的监测周期；
38.输出未来若干时长内，物联网电能表的预测的电压序列和功率序列的方式为：
39.将物联网电能表的过去滑动窗口长度的电压序列作为第一神经网络模型的输入，获得第一神经网络模型输出的对未来预测时间步长内的预测电压序列；
40.将物联网电能表的过去滑动窗口长度的功率序列作为第二神经网络模型的输入，获得第二神经网络模型输出的对未来预测时间步长内的预测功率序列；
41.判断物联网电能表是否需要进行检定的方式为：
42.在未来的预测时间步长内，电力系统后台实时收集物联网电能表的实际电压序列和实际功率序列；
43.电力系统后台计算在未来的预测时间步长内，预测电压序列和实际电压序列的电压总差值zv以及预测功率序列和实际功率序列的功率总差值zr；
44.若电压总差值zv大于预设的检定电压阈值，或功率总差值zr大于预设的检定功率阈值，则判断为需要重新检定；
45.否认，判断为不需要重新检定。
46.与现有技术相比，本发明的有益效果是：
47.本发明通过预先收集所有物联网电能表的电能表信息，以及所有物联网电能表的历史训练数据，并基于历史训练数据训练出预测物联网电能表实时检测出的电压的第一神经网络模型和预测物联网电能表功率的第二神经网络模型，对于每个物联网电能表，设置异常次数权重，收集周期电压数据和周期功率数据，基于周期电压数据和周期功率数据，计算电压周期异常度和功率周期异常度，并更新异常次数权重，基于预设的周期调整序列、电压周期异常度和功率周期异常度，调整物联网电能表的监测周期，直至监测周期达到0时，使用第一神经网络模型和第二神经网络模型输出未来若干时长内，物联网电能表的预测的
电压序列和功率序列，并基于电压序列和功率序列，判断物联网电能表是否需要进行检定；通过智能调节物联网电能表的监测周期，在物联网电能表存在异常时，缩短监测周期，并在异常状态达到监测阈值时，进一步的通过历史数据来做重新检定的决策，通过多重监测，灵活的提高了监测效率，并兼顾检定成本，提高检定准确性；
附图说明
48.图1为本发明的物联网电能表的检定方法的流程图。
具体实施方式
49.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。
50.如图1所示，一种物联网电能表的在线检定方法，用于电力系统后台中，包括以下步骤：
51.步骤一：收集所有物联网电能表的电能表信息；
52.步骤二：收集所有物联网电能表的历史训练数据；
53.步骤三：基于历史训练数据训练出预测物联网电能表实时检测出的电压的第一神经网络模型和预测物联网电能表功率的第二神经网络模型；
54.步骤四：对于每个物联网电能表，设置异常次数权重，收集周期电压数据和周期功率数据，基于周期电压数据和周期功率数据，计算电压周期异常度和功率周期异常度，并更新异常次数权重；
55.基于预设的周期调整序列和异常次数权重，调整物联网电能表的监测周期，循环执行步骤四，直至监测周期达到0时，转至步骤五；
56.步骤五：使用第一神经网络模型和第二神经网络模型输出未来若干时长内，物联网电能表的预测的电压序列和功率序列，并基于电压序列和功率序列，判断物联网电能表是否需要进行检定；
57.其中，所述电能表信息包括每台物联网电能表的电能表位置、监测类型以及监测周期；
58.其中，所述电能表位置为每台电能表所在位置的经纬度坐标；
59.其中，所述监测类型为预先在物联网电能表安装时收集的每台物联网电能表监测目标的功能类型，例如，居民住宅、企业办公或工厂施工等；
60.其中，所述监测周期为周期调整序列中的一个值，所述周期调整序列为预先设置的一组监测时长所组成的时长序列，在周期调整序列中，监测周期按从大到小的顺序进行排列；优选的，每个物联网电能表的初始的监测周期为周期调整序列中的最大监测周期，且周期调整序列中最小的监测周期为0；每台物联网电能表每隔监测周期的时长，向电力系统后台发送监测到的电压数据和功率数据；需要说明的是，电压数据是在每段监测周期中电压的波动序列，而功率数据是在每段监测周期中的总功率值；
61.所述历史训练数据包括每台物联网电能表的历史实时电压序列和历史实时功率
序列；
62.其中，所述历史实时电压序列为每台物联网电能表在历史监测过程中，随时间变化收集的电压序列；
63.其中，所述历史实时功率序列为每台物联网电能表在历史监测过程中，随时间变化收集的功率序列；
64.训练出预测物联网电能表实时检测出的电压的第一神经网络模型的方式为：
65.根据预设的预测时间步长、第一滑动步长以及滑动窗口长度；将历史实时电压序列使用滑动窗口方法转化为若干个第一训练样本，将每组第一训练样本作为第一神经网络模型的输入，第一神经网络模型以未来的预测时间步长的历史实时电压序列作为输出，每个第一训练样本后续预测时间步长内，在历史实时电压序列的后续预测时间步长内的历史实时电压序列作为预测目标，对第一神经网络模型进行训练；生成预测实时电压的第一神经网络模型；所述第一神经网络模型为循环神经网络模型；
66.训练出预测物联网电能表实时检测出的功率的第二神经网络模型的方式为：
67.根据预设的预测时间步长、第二滑动步长以及滑动窗口长度；将历史实时功率序列使用滑动窗口方法将其转化为若干个第二训练样本，将每组第二训练样本作为第二神经网络模型的输入，第二神经网络模型以未来的预测时间步长的历史实时功率序列作为输出，每个第二训练样本后续预测时间步长内，在历史实时功率序列的后续预测时间步长内的历史实时功率序列作为预测目标，对第二神经网络模型进行训练；生成预测实时功率的第二神经网络模型；所述第二神经网络模型为循环神经网络模型；
68.具体的，滑动窗口方法的一个简单例子如下：假设我们要用历史数据[1,2,3,4,5,6]来训练一个时间预测模型，预测未来1个时间步的值，可以使用长度为6的滑动窗口以及长度为1的第一滑动步长，生成[1,2,3]、[2,3,4]以及[3,4,5]作为训练数据，以[4]、[5]以及[6]分别作为预测目标；
[0069]
所述周期电压数据为每台物联网电能表在每个监测周期中生成的电压序列；
[0070]
所述周期功率数据为每台物联网电能表在每个监测周中监测的总功率；
[0071]
基于周期电压和周期功率，计算电压周期异常度和功率周期异常度，并更新异常次数权重的方式为：
[0072]
将每台物联网电能表的编号标记为i，对于第i台物联网电能表，计算周期电压数据的电压平均值和电压标准差，并将第i台物联网电能表的电压平均值标记为vi，将电压标准差标记为si，将平均周期功率标记为ri；所述平均周期功率为周期功率数据除以第i台物联网电能表的监测周期；
[0073]
基于第i台物联网电能表的电能表位置，统计第i台物联网电能表的所有周边电能表的电压平均值的平均值vn、电压标准差的平均值sn以及平均周期功率的平均值rn；所述周边电能表为与第i台物联网电能表的距离小于预设的周边距离阈值，且与第i台物联网电能表属于相同监测类型的物联网电能表；
[0074]
统计城市范围内所有与第i台物联网电能表具有相同监测类型的物联网电能表的电压平均值的平均值vc、电压标准差的平均值sc以及平均周期功率的平均值rc；
[0075]
计算第i台物联网电能表的电压周期异常度vyi和功率周期异常度syi；
[0076]
所述电压周期异常度vyi＝b1*(a1*|vi-vn|+a2*|si-sn|)+b2*(a1*|vi-vc|+a2*|
si-sc|)；其中，a1、a2、b1和b2分别为预设大于0的比例系数；且可以理解的是，周边的同类型物联网电能表的耗电模式更贴近，因此，b1》b2；
[0077]
所述功率周期异常度syi＝b3*|ri-rn|+b4*|si-sc|；
[0078]
将第i个物联网电能表的异常次数权重标记为wi，wi初始值为0；wi的更新方式为将wi更新为wi+d1*(vyi-vyi1)+d2*(syi-syi1)：其中，vyi1和syi1分别为上一个监测周期中，第i个物联网电能表的电压周期异常度和功率周期异常度；d1和d2分别为预设的比例系数；可以理解的是，当当前周期的电压周期异常度和功率周期异常度小于上一个周期的电压周期异常度和功率周期异常度时，wi值会减小，代表第i个物联网电能表的异常状态有所减缓；
[0079]
基于预设的周期调整序列，调整物联网电能表的监测周期的方式为：
[0080]
为周期调整序列中的每个监测周期设置异常次数权重阈值；将周期调整序列中的监测周期标记为j，将第j个监测周期的异常次数权重阈值标记为wj，其中wj》w(j-1)，则第j个监测周期的异常次数权重的范围是wj与w(j+1)之间；
[0081]
查找wi所在的异常次数权重的范围，并检索出周期调整序列中对应的监测周期，将第i个物联网电能表的监测周期调整为检索的监测周期；
[0082]
进一步的，需要说明的是，当监测周期达到0时，表示的是物联网电能表需要与电力系统后台进行实时通信；
[0083]
输出未来若干时长内，物联网电能表的预测的电压序列和功率序列的方式为：
[0084]
将物联网电能表的过去滑动窗口长度的电压序列作为第一神经网络模型的输入，获得第一神经网络模型输出的对未来预测时间步长内的预测电压序列；
[0085]
将物联网电能表的过去滑动窗口长度的功率序列作为第二神经网络模型的输入，获得第二神经网络模型输出的对未来预测时间步长内的预测功率序列；
[0086]
判断物联网电能表是否需要进行检定的方式为：
[0087]
在未来的预测时间步长内，电力系统后台实时收集物联网电能表的实际电压序列和实际功率序列；
[0088]
电力系统后台计算在未来的预测时间步长内，预测电压序列和实际电压序列的电压总差值zv以及预测功率序列和实际功率序列的功率总差值zr；
[0089]
若电压总差值zv大于预设的检定电压阈值，或功率总差值zr大于预设的检定功率阈值，则判断为需要重新检定；
[0090]
否认，判断为不需要重新检定；
[0091]
所述电压总差值为预测电压序列中每个电压值减去实际电压序列对应位置的电压值的和；
[0092]
所述功率总差值为预测功率序列中每个功率值减去实际功率序列对应位置的功率值的和。
[0093]
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。
[0094]
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。

技术特征：
1.一种物联网电能表的在线检定方法，其特征在于，包括以下步骤：步骤一：收集所有物联网电能表的电能表信息；步骤二：收集所有物联网电能表的历史训练数据；步骤三：基于历史训练数据训练出预测物联网电能表实时检测出的电压的第一神经网络模型和预测物联网电能表功率的第二神经网络模型；步骤四：对于每个物联网电能表，设置异常次数权重，收集周期电压数据和周期功率数据，基于周期电压数据和周期功率数据，计算电压周期异常度和功率周期异常度，并更新异常次数权重；基于预设的周期调整序列和异常次数权重，调整物联网电能表的监测周期，循环执行步骤四，直至监测周期达到0时，转至步骤五；步骤五：使用第一神经网络模型和第二神经网络模型输出未来若干时长内，物联网电能表的预测的电压序列和功率序列，并基于电压序列和功率序列，判断物联网电能表是否需要进行检定。2.根据权利要求1所述的一种物联网电能表的在线检定方法，其特征在于，其中，所述电能表信息包括每台物联网电能表的电能表位置、监测类型以及监测周期；其中，所述电能表位置为每台电能表所在位置的经纬度坐标；其中，所述监测类型为预先在物联网电能表安装时收集的每台物联网电能表监测目标的功能类型；其中，所述监测周期为周期调整序列中的一个值，所述周期调整序列为预先设置的一组监测时长所组成的时长序列，在周期调整序列中，监测周期按从大到小的顺序进行排列；每台物联网电能表每隔监测周期的时长，向电力系统后台发送监测到的电压数据和功率数据。3.根据权利要求2所述的一种物联网电能表的在线检定方法，其特征在于，所述历史训练数据包括每台物联网电能表的历史实时电压序列和历史实时功率序列；所述历史实时电压序列为每台物联网电能表在历史监测过程中，随时间变化收集的电压序列；所述历史实时功率序列为每台物联网电能表在历史监测过程中，随时间变化收集的功率序列。4.根据权利要求3所述的一种物联网电能表的在线检定方法，其特征在于，训练出预测物联网电能表实时检测出的电压的第一神经网络模型的方式为：根据预设的预测时间步长、第一滑动步长以及滑动窗口长度；将历史实时电压序列使用滑动窗口方法转化为若干个第一训练样本，将每组第一训练样本作为第一神经网络模型的输入，第一神经网络模型以未来的预测时间步长的历史实时电压序列作为输出，每个第一训练样本后续预测时间步长内，在历史实时电压序列的后续预测时间步长内的历史实时电压序列作为预测目标，对第一神经网络模型进行训练；生成预测实时电压的第一神经网络模型；所述第一神经网络模型为循环神经网络模型。5.根据权利要求4所述的一种物联网电能表的在线检定方法，其特征在于，训练出预测物联网电能表实时检测出的功率的第二神经网络模型的方式为：根据预设的预测时间步长、第二滑动步长以及滑动窗口长度；将历史实时功率序列使
用滑动窗口方法将其转化为若干个第二训练样本，将每组第二训练样本作为第二神经网络模型的输入，第二神经网络模型以未来的预测时间步长的历史实时功率序列作为输出，每个第二训练样本后续预测时间步长内，在历史实时功率序列的后续预测时间步长内的历史实时功率序列作为预测目标，对第二神经网络模型进行训练；生成预测实时功率的第二神经网络模型；所述第二神经网络模型为循环神经网络模型。6.根据权利要求5所述的一种物联网电能表的在线检定方法，其特征在于，基于周期电压和周期功率，计算电压周期异常度和功率周期异常度，并更新异常次数权重的方式为：将每台物联网电能表的编号标记为i，对于第i台物联网电能表，计算周期电压数据的电压平均值和电压标准差，并将第i台物联网电能表的电压平均值标记为vi，将电压标准差标记为si，将平均周期功率标记为ri；所述平均周期功率为周期功率数据除以第i台物联网电能表的监测周期；基于第i台物联网电能表的电能表位置，统计第i台物联网电能表的所有周边电能表的电压平均值的平均值vn、电压标准差的平均值sn以及平均周期功率的平均值rn；统计城市范围内所有与第i台物联网电能表具有相同监测类型的物联网电能表的电压平均值的平均值vc、电压标准差的平均值sc以及平均周期功率的平均值rc；计算第i台物联网电能表的电压周期异常度vyi和功率周期异常度syi；所述电压周期异常度vyi＝b1*(a1*|vi-vn|+a2*|si-sn|)+b2*(a1*|vi-vc|+a2*|si-sc|)；其中，a1、a2、b1和b2分别为预设大于0的比例系数；所述功率周期异常度syi＝b3*|ri-rn|+b4*|si-sc|；将第i个物联网电能表的异常次数权重标记为wi，wi初始值为0；wi的更新方式为将wi更新为wi+d1*(vyi-vyi1)+d2*(syi-syi1)：其中，vyi1和syi1分别为上一个监测周期中，第i个物联网电能表的电压周期异常度和功率周期异常度；d1和d2分别为预设的比例系数。7.根据权利要求6所述的一种物联网电能表的在线检定方法，其特征在于，基于预设的周期调整序列，调整物联网电能表的监测周期的方式为：为周期调整序列中的每个监测周期设置异常次数权重阈值；将周期调整序列中的监测周期标记为j，将第j个监测周期的异常次数权重阈值标记为wj，其中wj>w(j-1)，则第j个监测周期的异常次数权重的范围是wj与w(j+1)之间；查找wi所在的异常次数权重的范围，并检索出周期调整序列中对应的监测周期，将第i个物联网电能表的监测周期调整为检索的监测周期。8.根据权利要求7所述的一种物联网电能表的在线检定方法，其特征在于，输出未来若干时长内，物联网电能表的预测的电压序列和功率序列的方式为：将物联网电能表的过去滑动窗口长度的电压序列作为第一神经网络模型的输入，获得第一神经网络模型输出的对未来预测时间步长内的预测电压序列；将物联网电能表的过去滑动窗口长度的功率序列作为第二神经网络模型的输入，获得第二神经网络模型输出的对未来预测时间步长内的预测功率序列。9.根据权利要求8所述的一种物联网电能表的在线检定方法，其特征在于，判断物联网电能表是否需要进行检定的方式为：在未来的预测时间步长内，电力系统后台实时收集物联网电能表的实际电压序列和实际功率序列；
电力系统后台计算在未来的预测时间步长内，预测电压序列和实际电压序列的电压总差值zv以及预测功率序列和实际功率序列的功率总差值zr；若电压总差值zv大于预设的检定电压阈值，或功率总差值zr大于预设的检定功率阈值，则判断为需要重新检定；否认，判断为不需要重新检定。

技术总结
本发明公开了一种物联网电能表的在线检定方法，涉及物联网电能表检定技术领域，通过收集所有物联网电能表的电能表信息以及所有物联网电能表的历史训练数据，基于历史训练数据训练预测实时电压的第一神经网络模型和预测实时功率的第二神经网络模型，基于周期电压数据和周期功率数据更新异常次数权重，并调整物联网电能表的监测周期，直至监测周期达到0时，使用第一神经网络模型和第二神经网络模型输出未来若干时长内，物联网电能表的预测的电压序列和功率序列，并基于电压序列和功率序列，判断物联网电能表是否需要进行检定；通过多重监测，灵活的提高了监测效率，并兼顾检定成本，提高检定准确性。提高检定准确性。提高检定准确性。


技术研发人员：苏立文
受保护的技术使用者：安徽习承科技有限公司
技术研发日：2023.07.11
技术公布日：2023/10/19