城市信息模型的电力载波智能监测方法及其系统与流程

本发明涉及一种城市电力载波的智能检测方法，尤其涉及城市模型的电力载波智能监测方法及其系统,属于智能电力检测领域。

背景技术：

数字孪生城市中涉及到六个方面的研究问题，第一是数字城市的数字建模，第二是数字阴影提供在线验证的模型，第三是数字诊断，第四是智能预测，第五是自主学习，第六是自动优化。而城市电力天然具备自动化检测的技术固有属性。因此如何将电力的这种固有属性架构到数字孪生城市中，实现城市电力智能管理是数字孪生城市实现智能电力管理的一大壳体。作为新的电力监测技术电力载波（plc）技术提供了在电力线上利用电磁波将设备的电力运行状态进行实时监控的方案，其优点在于无需架设专用线路，施工便捷，性价比高，且与调度管理的分布基本一致。

然而plc技术缺陷在于：配电变压器对电力载波信号有阻隔作用，传播信号空间范围有限；此外，电磁波信号在几十米量级范围内即会衰减。无线通讯技术是一种解决上述两个方面缺陷的方法，即不需要配电变压器，并且只需要在几十米范围内配备电力载波信号的无线信号转换设备，即可避免电力线上信号衰减的问题。但对于城市的室内室外两个区域来说，信号所需要的传播的距离不同，在室内一个楼层中传播一般在几十米范围内，而室外到室内的传播则在百米级甚至上千米。

如果为了实现电力情况分布的可视化，协调不同距离的信号传输要求，考虑带有地理定位装置无人机飞行实时发送室外的数据，或者依靠室内机器人采集数据，对于小型的园区来说虽然可行，但在城市级别上则一来增加成本，二来无人机和室内机器人也不可能做到无时无刻都在执行巡检任务。对于城市每一处的电力设备进行无线数据的采集，庞大的城市体系使得基于无人机或机器人的城市电力巡检的显得尤其不现实。

无线技术又一次成为解决上述问题的一个可靠方案。使用电力线载波接入集中器，从而将载波信号转化为无线信号，于是实现了本地无损的信号传送过程。然而该技术仅停留在远程抄表技术上（cn103743448a）。

增强现实技术（ar）是解决现场电力运营空间分布的可行方案之一，通过ar技术虽然能够实现现场的可视化现场设备运作状态监控（cn109947052a），但由于实施的范围局限在工厂(cn111966068a)或家庭（cn111505953a）,因而难以给出整个城市的电力运行的智能监测方案。

电力运营的监测基础数据获取中，在电力载波异常信号检测方面，现有技术使用卷积神经网络给出了对电信号的智能识别方案，但也局限在非可视化的低压电力方面（cn112364753a）。对于城市庞大的电信号随时间变化的数据流，难以将这些庞大的电学参数形成实时快速的处理，因而仅仅局限在企业单位的小范围内。

技术实现要素：

本发明为解决上述诸多问题，考虑一种城市模型的可视化技术用于建立机器学习的智能电力监测,并且该模型可以是3d模型或语义模型的模型实物。为此需要考虑三个方面的技术难点：第一，电力运营状态在城市模型中如何实现物理可视化分布，第二，如何表征城市电力运营状态的时空分布；第三提供电力载波的智能监测所依靠的改进的算法。

为此，本发明提供了一种城市模型的电力载波智能监测方法，其特征在于包括如下步骤：

s1基于人工智能网络的城市道路和建筑的二维模型建立；

s2根据步骤s1的二维模型制作城市模型实物，并在模型实物的道路和建筑中存在电力设备或电器的位置设置发光装置；

s3构建城市电力载波信号传输系统，建立城市电力载波智能监测模型；

s4根据步骤s3建立的模型实时监测城市的电力运营状态。

关于s1

s1具体包括:

s1-1人工智能网络的城市道路网模型建立；

s1-2人工智能网络的城市建筑网模型的建立；

s1-3将步骤s1-1和s1-2建立的模型融合，形成城市道路和建筑的二维模型。

其中，步骤s1-1具体包括：s1-1-1建立城市地理坐标系e，xoy平面代表地面，基于城市遥感图像，利用rnn循环神经网络算法，通过包括编码器以及解码器的节点生成器生成道路连续节点，并在生成过程中连接生成前后的两个节点，将新的生成节点输入节点生成器不断产生新的节点，而继续连接产生的新节点，如此循环而连接成道路网；

s1-1-2将道路网中的所有线条按照预设的宽度w进行扩宽，形成具有一定宽度的道路宽线条，从而获得城市道路网模型，其中w按照所述遥感图像中对应的道路宽度进行扩宽，优选地，w为所述遥感图像中所有道路宽度平均值的0.5-1.5倍，更优先地，对于机动车道路、非机动车道路为0.5-1倍、人行道路为1-1.5倍。可以理解的是，人行道路应当包括城市中的街道、非机动车道旁的步行道、小区或厂房企业等建筑群区域内部的可以供人或路面交通工具或作业任务工具(如轮式机械车、消防车、救护车、警车等)行走的路。

在一个实施例中，扩宽是以生成路网的线条为中轴线向两边扩宽。

步骤s1-2具体包括：

s1-2-1基于步骤s1-1中的城市遥感图像，使用无添加层的vgg-16算法作为cnn主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2-1/10，优选为1/8；

同时，通过图像金字塔算法fpn利用cnn主干网络不同层来构建特征金字塔，并预测多个建筑的边框，

s1-2-2对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用roialign算法获得建筑的本地特征图f；

s1-2-2对于每个建筑的所述本地特征图f采用卷积层处理形成多边形边界罩m，再利用卷积层处理形成边界罩m的多个预测顶点p；其中多边形边界罩m具体是指描述建筑在e中的xoy平面的垂直投影；

s1-2-3选取p中概率最大的点作为起始点，利用卷积长短期记忆convlstm的多层rnn算法进行多步预测，得到多个预测点（t为步序数）封闭的建筑边界多边形，形成城市建筑网模型；

步骤s1-3具体包括在城市地理坐标系e下，按照所述遥感图像中建筑和道路的相对坐标位置，将步骤s1-1和s1-2建立的模型融合，形成城市道路和建筑的二维模型。

关于s2

s2具体包括：

s2-1在所述城市道路和建筑的二维模型中的每一个多边形边界中最长和次长的对角线交点代表该建筑的标引点，并以该标引点为圆心r为半径形成建筑标引圆，并且在二维模型中的道路中存在电力设备（如变电器等）或电器（如路灯，交通信号灯等）的位置处形成道路标引圆，从而获得具有建筑和道路标引圆的城市道路和建筑的二维模型；还可以对所述具有建筑和道路标引圆的城市道路和建筑的二维模型进行具有建筑和道路标引圆的城市道路和建筑的语义化识别，形成相应的二维语义模型。

应当理解的是，所述在二维模型中的道路中，其中的道路包括了前述的人行道路，而不仅仅是机动车或非机动车道路。

s2-2预设二维模型中多边形边界在e下的z坐标h，形成具有建筑和道路标引圆的城市道路和建筑的三维模型，将模型数据导入3d打印设备，将打印出具有建筑和道路标引圆孔的打印城市模型，其中，，或者将数据导入2d打印设备打印出模型。

应当理解的是，当选择模型时可以将语义模型打印出城市图纸，并将其制作成具有一定高度h的图纸板。

s2-3在或模型中的各标引圆孔中设置发光装置；所述发光装置为led，优选为oled，更优选为amoled其中，r根据建筑中的电力设备或电器的电路线路数，以及发光装置的尺寸而确定。例如当某一建筑中存在弱电和强电设备两组线路，则在该建筑对应的建筑标引圆半径r则应当考虑能够至少容纳两个所述发光装置。

在一个实施例中，将安装有发光装置的模型进行封装形成显示屏。

其中所述的模型或模型与现实城市比例尺为1:10000-1:100000。若要分辨出城市打印模型中电力设备或电器，以城市半径15-60km计算，考虑到现有技术打印机的分辨率（尤其是3d打印机分辨率）以及发光装置所形成的像素分辨率匹配，所述显示屏大尺寸大致在数十厘米到十米的范围内。可以根据需要而选择在室内或室外进行电力运营状况的监控展示。

应当理解的是，可以根据需要将城市遥感图像网格化处理，对于每个格点g进行步骤s2-1-s2-3的模型制作。当h=0时，模型即转化为二维打印模型。为便于理解，此处命名为二维打印模型，而实际上3d打印结果还是具有一个e坐标系z轴向的微小高度的严格意义上的三维模型。而对于模型则制作成一定高度h的图纸板，也形成语义化的3d模型实物。

关于s3

s3具体包括:

所述构建城市电力载波信号传输系统包括：

s3-1对于城市的道路和建筑的电力线装接plc电路，用于形成plc信号，并按照城市电力使用预定的区划规定，在每个划区设置集中器，用于接收plc信号并通过集中器中的无线传输模块将其转化为无线信号a；其中，所述无线信号a中包含对应道路和/或建筑中标引圆心在e下的坐标信息以及plc中调制信号类型信息，所述调制信号类型包括fsk，ssb，psk，bpsk，qpsk，pam，16qam中的至少一种。

例如，无线信号a如果是由一个标引圆心（其中i为圆心序号）在e下坐标为(x，y，h)的建筑b中的电力设备和/或电器的使用或不使用而产生的，则无线信号a中包含了坐标(x，y，h)这样的坐标信息，借以表示无线信号a来自于标引圆心坐标为(x，y，h)的建筑。由此，将电力运行状态通过坐标信号的一并无线发送实现了空间的分布识别。

可以理解的是，城市网格的格点g的划分可以是按照所述区划规定而划分，则格点g即表示了唯一一个划区；当然也可以不按照所述区划规定而划分，此时，格点g中即包括至少一个划区。由此可以理解为格点g不一定是矩形的网格格点。

s3-2设置服务器，用于接收所述集中器发出的包含有所述坐标信息以及plc中调制信号类型信息的无线信号a；

所述建立城市电力载波智能监测模型包括：

s3-3服务器将建立所述包含有所述坐标信息以及plc中调制信号类型信息的无线信号a中包含的电力参数与发光装置的发光参数之间的对应关系，将发光参数与伪彩化或灰度化，所述电力参数包括电压、和电流中至少一种，所述发光参数包括发光波长或灰阶wl，发光光强；

在一个实施例中，s3-3具体包括：

s3-3-1定义fsk，ssb，psk，bpsk，qpsk，pam，16qam七个不同的可见光波段，当即为标准白光在三棱镜分色下产生的红橙黄绿蓝靛紫七个光谱波段的每个波段中间波长（j为调制信号种类序号）的可见光作为调制信号类型信息，每个波段范围为都不同；当为灰度阶范围时，则以255阶灰度分为7份，从最小灰度阶0开始分为0-34，221-255，以及剩余五个等分的灰度阶范围，每一份最靠中间的灰度阶对应为相应调制信号类型信息，灰度范围为。其中最靠中间的灰度阶理解为当灰度阶为奇数时，正好为中间灰度阶；当为偶数时，为中间两个灰度阶中任选一个。比如0,1,2三个灰度阶范围取1，而0,1,2,3四个灰度阶范围取1或2。

s3-3-2对于每一个，一天内其电压或电流参数代表的电力参数标准峰值为，则电力参数与发光光强之间建立关系为,其中为常数，其绝对值表征亮度参数，为实测电学参数值，时刻预测值，时刻的实测值，为随时间变化的分段函数，且对于每天，是以当地时间正午12点为分界的双正态分布函数，即，其中分别为相应时间区段内的电压和电流参数的标准差以及数学期望；

s3-3-3建立与伪彩化或灰度化关系和，其中分别为预测值和实测值对应发光波长或灰度值。

在一个实施例中，坐标信息表示的是划区或格点中以任选的一处标引圆坐标信息作为该划区或格点的标引的坐标信息，而此时步骤s3-3-2中的参数，，其中

为该划区或格点的所有标引圆处对应的参数的平均值，所述平均值为算术平均值或加权平均值。

应理解是，当电力线中存在两种以上的调制信号，则以相应的波段可见光的混合光的波段为发光波段。并非一尘不变，应当以过往固定长时期内的某一固定时段或季节中的数据统计得到，短期来看与季节相关，长期来看与当地的经济发展相关。建议依据最近的3-5年数据而每隔1-3年重新更新一次。

s3-4采集城市电力线中电力参数获得伪彩化或灰度化结果，并根据坐标信息控制对应模型或模型中的发光装置，或者获得相应的，并根据坐标信息，将相应的转换为rgb值，与一并控制对应模型或模型中的发光装置，从而实现相应波段的伪彩或灰度显示，获得城市电力分布检测图；所述采集为在预设固定时间间隔t内进行，t为1s-1h之间，并基于所述电力分布检测图采集到检测图像pic，将检测图像pic分为训练集和验证集，且两者比例为5:1-1:1；同时获得基于标准图。标准图是指根据城市通常正常电力运营情况下的电力参数获得的检测图像。

在一个实施例中，还采集了设置发光装置的模型或模型（各发光装置都没有发光工作时）的图像作为背底，在检测图像pic中予以扣除。

可以理解的是，获得的伪彩或灰度显示与坐标信息一一对应，类似于相机采集的实时场景画面，并在显示屏中予以显示，因而近似于视频信号的传送过程，但又不同于现有技术的逐行或隔行显示，因为很显然，类似于现有技术显示屏的模型或模型中的无线信号a所对应标引圆坐标往往不是按照矩阵形式规整排列的。由于需要精确表示坐标，从而无法基于同尺寸显示像素而实现从无线信号a得到的伪彩值或灰度值的精确位置描述。

所述电力分布检测图是被伪彩化或灰度化或根据和转换为rgb值与控制而发光的模型或模型，而检测图像则是对该发光模型进行图像采集而获得的电力分布检测图在时刻的现场视频图像。尤其是采用图像采集装置对电力分布检测图进行实时拍摄而获取。

s3-5采用人工智能模型ai，以采集到的检测图像pic和/或电力参数为输入端进行训练，得到电力监测结果中间模型，并不断利用验证集代入中间模型与标准图得到的结果差值，当差值在预设阈值范围内时停止训练，即得到城市电力载波智能监测模型，其中，表示输入端。

所述人工智能模型ai包括cnn，gan，dnn，svm中任一种或其组合，所述检测图像pic采集使用成像光谱仪或相机，将成像光谱仪或相机对准设置有发光装置的模型或模型进行图像采集；所述的电力监测结果包括电力得分，即根据当前时刻坐标信息对应的检测图中的伪彩值或灰度值与标准图得到的伪彩值或灰度值误差而设定，当误差为0-10%为正常值，当10-50%为可疑值，50%以上为异常值，分别以0，-1，1表示。

在一个实施例中，以cnn为人工智能模型，通过检测图像pic为输入端，电力得分为输出端，建立城市电力载波智能监测模型；

在一个实施例中，以gan-cnn模型实现电力监测结果获取，通过随机从历史电力参数中生成参数组，并通过生成器g生成随机图像一并输入判别器d判别真伪，并通过验证集代入判别器所得结果与标准图得到的结果作比较，并不断微调训练生成器g和判别器d，形成gan模型，此时输入实测电力参数即可获得检测图像pic；然后将得到的检测图像pic为cnn输入端，电力得分为输出端进行训练得到城市电力载波智能监测模型，gan-cnn模型（gc），即。

可以理解的是，根据前述由于并非一尘不变，人工智能模型ai模型也需要不断训练，以更精确地获得更为精确的模型。并且所选的输入端数据形式以及模型算法特点决定了所适用的人工智能模型ai。

关于s4

步骤s4具体包括：

s4-1服务器实时接受城市中电力无线信号a’，获得电力参数，根据步骤s3-3获得伪彩化或灰度化结果,或根据步骤s3-3-1-s3-3-3获得相应的，根据步骤s3-4获得实时检测图像pic’；

s4-2根据所述电力参数和/或实时检测图像pic’代入城市电力载波智能监测模型获得电力运营状态时空分布结果，当结果为正常，可疑，或异常，则使得相应的发光装置常亮，慢速闪烁，或快速闪烁，和/或在电力分布检测图上对于每一个都有对应的电力得分，以及闪烁状态。

本发明还提供一种实现上述城市模型的电力载波智能监测方法的系统，其特征在于，包括：城市电力载波信号传输系统，检测图像采集装置，监控中心，3d打印设备或2d打印设备，其中，

所述城市电力载波信号传输系统包括plc电路，集中器，以及服务器；

所述服务器用于接收城市电力载波信号传输系统发送的无线信号a，并建立城市电力载波智能监测模型，并与监控中心通讯；

所述检测图像采集装置用于对设置发光装置的城市模型实物进行检测图pic'的采集；优先地，所述检测图像采集装置为成像光谱仪或相机；

所述监控中心用于建立基于人工智能网络的城市道路和建筑的二维模型；并控制3d打印设备或2d打印设备打印城市模型，还用于调用服务器建立的城市电力载波智能监测模型，以及，

用于接受服务器发送的城市中实时电力无线信号a形成电力分布检测图，并控制检测图像采集装置采集检测图像并获取所采集的检测图像，根据所述城市电力载波智能监测模型得到实时监测城市的电力运营状态时空分布结果。

本发明还提供一种计算机可读非暂时性存储介质，其中存储有可由所述服务器和监控中心运行而实现上述城市模型的电力载波智能监测方法的程序。

有益效果：(1)利用设置发光装置的城市模型实现了电力运营状态的实时可视化监测，（2）智能模型所基于的数据获得和处理简单，仅仅需要将远程接收的描述电力载波信号的无线信号转化为发光信号，即可在城市模型中表征电力线中的电参数的时空变化，（3）通过实现上述城市模型的电力载波智能监测方法的系统能够实现城市电力运营的状态智能化监控。

附图说明

图13d打印城市模型的电力载波智能监测方法流程图，

图2（a）对城市路网提取的rnn循环神经网络算法流程以及城市路网生成过程示意图，

图2（b）为图2（a）中生成好的城市路网圆圈范围内的局部路网扩宽示意图，

图3基于cnn主干网络的卷积长短期记忆convlstm的多层rnn建筑边界以及建筑标引圆的提取流程图，

图4根据图3的算法在城市遥感图像中建立的城市局部网格化以及电力区划内部建筑群二维模型mod2d，

图5基于3d打印城市模型的电力载波智能监测系统以实现的3d打印城市模型的电力载波智能监测的流程示意图，

其中附图标记，1.服务器，2.监控中心，3.成像光谱仪，4.3d打印设备。

具体实施方式

实施例1

如图1为3d打印城市模型的电力载波智能监测方法,包括s1基于人工智能网络的城市道路和建筑的二维模型建立；s2根据步骤s1的二维模型制作3d打印城市模型，并在模型的道路和建筑中存在电力设备或电器的位置设置发光装置amoled；s3构建城市电力载波信号传输系统，建立城市电力载波智能监测模型；s4根据步骤s3建立的模型实时监测城市的电力运营状态。

s1具体包括：

s1-1人工智能网络的城市道路网模型建立，具体包括：建立城市地理坐标系e（如图4所示），xoy平面代表地面（x向为北），基于城市遥感图像，利用rnn循环神经网络算法，定义步长l（根据道路总长而在1-5m中选择）以及矢量方向r作为属性矢量v，将每个起始节点以及k条入射路经方向的点作为输入点（k个点与对应的起始点之间对应了k个初始属性矢量），将k+1个输入点以及属性矢量v输入编码器，由解码器生成新节点；具体是对于每一个起始点的每一个方向的输入点对应了在e下的坐标，属性矢量v对应于坐标增量，其中t表示当前输入点的序号（对于起始点为0，对于第一个新的输入点为1)，将该坐标和属性矢量v输入编码器，解码器将出射在e下生成的新节点，其中，。图2（a）中示例性地给出了每隔20次节点生成循环下，总共100次节点生成循环的路网生成过程；

如图2（b）为图2（a）中圆圈范围内的局部路网扩宽示意图。将图2（b）的局部路网按照预设的宽度w以生成路网的线条为中轴线向两边进行扩宽，形成具有一定宽度的道路宽线条，从而获得城市道路网模型，其中w为所述遥感图像中所有道路宽度平均值的1-1.1倍。

参见图3，步骤s1-2人工智能网络的城市建筑网模型的建立，具体包括：

s1-2-1基于步骤s1-1中的城市遥感图像，使用无添加层的vgg-16算法作为cnn主干网络提取一系列不同卷积层获得的特征图，特征图是输入图像尺寸的1/2-1/10，优选为1/8；

同时，通过图像金字塔算法fpn利用cnn主干网络不同层来构建特征金字塔，并预测多个建筑的边框，

s1-2-2对于多个建筑中的每一建筑，都对所述一系列不同卷积层获得的特征图和对应的建筑的边框利用roialign算法获得建筑的本地特征图f；

s1-2-2对于每个建筑的所述本地特征图f采用卷积层处理形成六边形边界罩m，再利用卷积层处理形成边界罩m的6个预测顶点p；其中六边形边界罩m具体是指描述建筑在e中的xoy平面的垂直投影；

s1-2-3选取p中概率最大的点作为起始点，利用卷积长短期记忆convlstm的多层rnn算法进行6步预测，得到6个预测点封闭的建筑边界多边形，形成城市建筑网模型（如图4）；

按照电力区划规定，图4中的白色代表的机动车道路曲线以东和以西两个电力划区，与按照城市网格化划分（图4的四等分）不同。其中右上为感兴趣的格点g包含了两个电力划区。

如图5所述步骤s1-3具体包括在城市地理坐标系e下，按照所述遥感图像中建筑和道路的相对坐标位置，将步骤s1-1和s1-2建立的模型融合，形成城市道路（未示出）和建筑的二维模型。

实施例2

本实施例为实施例1的延续步骤。如图3和图5以城市建筑为例，s2具体包括：

s2-1在所述城市建筑的二维模型中的每一个多边形边界中最长和次长的对角线交点代表该建筑的标引点，并以该标引点为圆心r（尺寸能够容纳10个以上amoled像素元）为半径形成建筑标引圆（图3），从而获得具有建筑标引圆的城市道路和建筑的二维模型。

s2-2预设二维模型中多边形边界在e下的z坐标h=w，形成具有建筑标引圆的城市建筑的三维模型，将模型数据导入3d打印设备，打印出具有建筑和道路标引圆孔的3d打印城市模型（图5）；

s2-3在模型中的各标引圆孔中设置amoled并进行封装形成显示屏。所述的模型与现实城市比例尺为1:100000。

实施例3

s3具体包括:

所述构建城市电力载波信号传输系统包括：

s3-1对于城市的道路和建筑的电力线装接plc电路，用于形成plc信号，并按照城市电力使用预定的区划规定，在每个划区设置集中器(存在于图5格点g的建筑中)，用于接收plc信号并通过集中器中的无线传输模块将其转化为无线信号a；其中，所述无线信号a中包含对应道路建筑中标引圆心在e下的坐标信息以及plc中调制信号类型信息，所述调制信号类型包括fsk，ssb，psk，bpsk，qpsk，pam，16qam。

s3-2设置服务器1，用于接收所述集中器发出的包含有所述坐标信息以及plc中调制信号类型信息的无线信号a；

所述建立城市电力载波智能监测模型包括：

s3-3服务器1将建立所述包含有所述坐标信息以及plc中调制信号类型信息的无线信号a中包含的电力参数与发光装置的发光参数之间的对应关系；具体包括：

s3-3-1分别定义fsk，ssb，psk，bpsk，qpsk，pam，16qam七个不同的可见光波段683nm，600nm，578nm，535nm，453nm，430nm，400nm每个波段范围为都不同（以标准红橙黄绿蓝锭紫计）。

s3-3-2对于每一个，一天内其电流参数代表的电力参数标准峰值为，则电力参数与发光光强之间建立关系为，为实测电流参数值，处时刻预测值，随时间变化的分段函数，且对于每天，是以当地时间正午12点为分界的双正态分布函数，即；即0时，以及11.5和13时为用电量分别为一天中最小和最大。s3-3-3建立与伪彩化关系和分别为预测值和实测值对应发光波长。

s3-4采集城市电力线中电力参数获得相应的和，并根据坐标信息，将相应的和转换为rgb值，与120一并控制对应模型中的发光装置，实现以相应波段的伪彩或灰度显示，获得城市电力分布检测图；所述采集为在预设固定时间间隔t内进行，t为1s，并基于所述电力分布检测图采集到检测图像pic，将检测图像pic分为训练集和验证集，且两者比例为2:1；同时获得基于标准图picst。

采集各发光装置都没有发光工作时的模型的图像作为背底，在所述采集的检测图像pic中予以扣除。

s3-5以gan-cnn模型实现电力监测结果获取，通过随机从历史电力参数中生成参数组，并通过生成器g生成随机图像picrd和历史检测图像pichis一并输入判别器d判别真伪，并通过验证集代入判别器所得结果与标准图picst得到的结果作比较，并不断微调训练生成器g和判别器d，形成gan模型，此时输入实测电力参数即可获得检测图像pic；然后将得到的检测图像pic为cnn输入端，电力得分为输出端进行训练得到城市电力载波智能监测模型，gan-cnn模型（gc），即。

所述检测图像pic采集使用成像光谱仪，将成像光谱仪对准设置有发光装置的模型进行图像采集；所述的电力监测结果包括电力得分，即根据当前时刻坐标信息对应的检测图中的伪彩值与标准图得到的伪彩值或灰度值误差而设定，当误差为0-10%为正常值，当10-50%为可疑值，50%以上为异常值，分别以0，-1，1表示。

实施例4

步骤s4具体包括：

如图5所示，s4-1服务器1实时接受城市中电力无线信号a’，获得电流参数，根据步骤s3-3-1-s3-3-3获得相应的和，根据步骤s3-4获得实时检测图像pic’。

s4-2根据所述电力参数和/或实时检测图像pic’代入城市电力载波智能监测模型获得电力运营状态时空分布结果，当结果为正常，可疑，或异常，则使得相应的发光装置常亮，慢速闪烁，或快速闪烁。在电力分布检测图上对于每一个都有对应的电力得分，以及闪烁状态。

实施例5

如图5所示，一种实现实施例1-4中方法的3d打印城市模型的电力载波智能监测方法的系统，包括城市电力载波信号传输系统（存在于图5的建筑中），监控中心2，成像光谱仪3，3d打印设备4，其中，

城市电力载波信号传输系统包括plc电路，集中器，以及服务器1；

所述服务器1用于接收城市电力载波信号传输系统发送的无线信号a，并建立城市电力载波智能监测模型，并与监控中心2通讯；

所述成像光谱仪3用于对设置发光装置的3d打印城市模型进行检测图pic'的采集；

所述监控中心2用于建立基于人工智能网络的城市道路和建筑的二维模型；并控制3d打印设备4打印3d城市模型，还用于调用服务器1建立的城市电力载波智能监测模型，以及，

用于接受服务器1发送的城市中实时电力无线信号a形成电力分布检测图，并控制成像光谱仪3采集检测图像并获取所采集的采集检测图像，根据所述城市电力载波智能监测模型得到实时监测城市的电力运营状态时空分布结果。

实施例6

本实施例与实施例2-5的区别仅仅在于城市模型是制作成一定高度h的图纸板，形成语义化的3d模型实物，即模型。