多相电能计量IC ADE7854/58/68/78中文资料:高精度与功能特性概览

需积分: 10 4 下载量 191 浏览量 更新于2024-07-15 收藏 1.4MB PDF 举报
本文档介绍了Analog Devices公司的多相多功能电能计量集成电路系列,包括ADE7854、ADE7858、ADE7868和ADE7878。这些器件专为电能计量系统设计,提供了高精度测量性能,满足EN50470系列和IEC62053-21/22/23等多个国际标准。 1. **产品特性**: - 高精度:所有器件都能提供高准确度的有功、无功和视在功率测量,如在25°C下,动态范围内功率误差非常小(0.1%或0.2%)。 - 多种连接选项:兼容三相三线、三相四线(星形或三角形)等不同连接方式。 - 功能多样性:不同型号支持不同的特性和功能,如防窃电检测、低功耗模式、零线电流测量(仅限ADE7868和ADE7878)、波形采样和独立配置的空载阈值。 2. **测量能力**: - 内置精密模数转换器、数字积分器和信号处理电路,能够测量各相及系统总功率,包括基波和谐波。 - 对于电压和电流,它们能够在1000:1动态范围内提供小于0.1%的有效值误差。 3. **保护与智能功能**: - ADE7868和ADE7878具备低功耗电池模式,通过监测相电流来防止窃电。 - 支持电池供电,能在全失压情况下工作,确保持续监测。 - 提供相位角测量,典型误差值为0.3°。 4. **电气规格**: - 工作电压范围广泛,从2.4V到3.7V,具有稳定的1.2V基准电压源。 - 单电源设计,适用于3.3V系统,采用40引脚LFCSP封装,工作温度范围为-40°C至+85°C。 - 支持多种串行接口,如I2C、SPI和HSDC,便于系统集成和通信。 5. **应用领域**: 主要应用于电能计量系统,特别是那些需要精确、可靠和多功能测量的场合,如住宅、商业和工业电力管理。 总结来说,ADE7854_7858_7868_7878是一系列用于电能计量的高性能IC,它们结合了精密的测量技术、灵活的接口和多种安全功能,为能源管理提供了一体化的解决方案。选择哪个型号取决于特定应用的需求,比如是否需要零线电流测量或低功耗防窃电特性。

import pyntcloud from scipy.spatial import cKDTree import numpy as np def pass_through(cloud, limit_min=-10, limit_max=10, filter_value_name="z"): """ 直通滤波 :param cloud:输入点云 :param limit_min: 滤波条件的最小值 :param limit_max: 滤波条件的最大值 :param filter_value_name: 滤波字段(x or y or z) :return: 位于[limit_min,limit_max]范围的点云 """ points = np.asarray(cloud.points) if filter_value_name == "x": ind = np.where((points[:, 0] >= limit_min) & (points[:, 0] <= limit_max))[0] x_cloud = pcd.select_by_index(ind) return x_cloud elif filter_value_name == "y": ind = np.where((points[:, 1] >= limit_min) & (points[:, 1] <= limit_max))[0] y_cloud = cloud.select_by_index(ind) return y_cloud elif filter_value_name == "z": ind = np.where((points[:, 2] >= limit_min) & (points[:, 2] <= limit_max))[0] z_cloud = pcd.select_by_index(ind) return z_cloud # -------------------读取点云数据并可视化------------------------ # 读取原始点云数据 cloud_before=pyntcloud.PyntCloud.from_file("./data/pcd/000000.pcd") # 进行点云下采样/滤波操作 # 假设得到了处理后的点云(下采样或滤波后) pcd = o3d.io.read_point_cloud("./data/pcd/000000.pcd") filtered_cloud = pass_through(pcd, limit_min=-10, limit_max=10, filter_value_name="x") # 获得原始点云和处理后的点云的坐标值 points_before = cloud_before.points.values points_after = filtered_cloud.points.values # 使用KD-Tree将两组点云数据匹配对应,求解最近邻距离 kdtree_before = cKDTree(points_before) distances, _ = kdtree_before.query(points_after) # 计算平均距离误差 ade = np.mean(distances) print("滤波前后的点云平均距离误差为:", ade) o3d.visualization.draw_geometries([filtered_cloud], window_name="直通滤波", width=1024, height=768, left=50, top=50, mesh_show_back_face=False) # 创建一个窗口,设置窗口大小为800x600 vis = o3d.visualization.Visualizer() vis.create_window(width=800, height=600) # 设置视角点 ctr = vis.get_view_control() ctr.set_lookat([0, 0, 0]) ctr.set_up([0, 0, 1]) ctr.set_front([1, 0, 0])这段程序有什么问题吗

2023-06-10 上传