CN110084158B - 一种基于智能算法的用电设备识别方法 - Google Patents
一种基于智能算法的用电设备识别方法 Download PDFInfo
- Publication number
- CN110084158B CN110084158B CN201910299801.5A CN201910299801A CN110084158B CN 110084158 B CN110084158 B CN 110084158B CN 201910299801 A CN201910299801 A CN 201910299801A CN 110084158 B CN110084158 B CN 110084158B
- Authority
- CN
- China
- Prior art keywords
- electric equipment
- current
- neural network
- training
- time
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于智能算法的用电设备识别方法，采集流经若干用电设备的电流为训练样本，构建并预处理不同用电设备训练用的电流‑时间坐标图后分别输入神经网络训练，训练完成后以流经任一用电设备的电流作为待测样本，同样构建并预处理当前待测样本的电流‑时间坐标图，输入训练好的神经网络后根据输出结果进行用电设备识别。本发明采集电流波形并对波形进行分析识别，实现对线路内用电设备的识别，增加智能终端对用电设备的安全性管理，使线路内各用电设备及其使用情况可以被直接识别，无需人工配置、监管，可以有效掌握家庭用电情况，并在发生疑似危险的情况时具备给出危险警报的能力，节省人力和物力，效率高，反馈迅速。
Description
技术领域
本发明涉及计算；推算；计数的技术领域，特别涉及一种基于智能算法的用电设备识别方法。
背景技术
随着科技的发展，越来越多种类的用电设备深入各个家庭、公司、企业，随着智能化的进程，用电设备的种类更是越来越多，而每个用电设备的工作状态也存在不同，甚至会随着环境、时间的变化不间断切换。
在这个过程中，一些用电设备没有被安全关闭，将导致其由于持续处于通电状态而发热，无形中增加了火灾的风险，同时也降低了用电设备及线缆的使用寿命。
现有技术中，虽然可以采集用电设备在不同的工作状态下的功率以识别当前用电设备的功耗状态，当识别出用电设备处于无人使用且没有关闭的状态时对其进行强制休眠或者关闭等操作，但是对于不同的用电设备来说，能耗千差万别，采用此技术将耗费大量人力和物力，效率低下，反馈时间长。
还有一种情况是，现有的用电设备开始智能化发展，其可以被、已经被应用于双向多种费率计量等智能化的功能环境，这代表着未来节能型智能电网最终将向用户智能化终端进行发展，然而现有的问题在于，在安装了双向多种费率计量的模块后，需要手动选择用电设备的类型并进行配置，一则用户在后续的使用中无法灵活调节用电设备，二则需要派出专门的运营维护人员进行安装调试并进行预安装，人员成本提升的同时也增加了监管成本。
发明内容
本发明解决了现有技术中，对于不同的用电设备来说，能耗千差万别，采集用电设备在不同的工作状态下的功率以识别当前用电设备的功耗状态将耗费大量人力和物力，效率低下，反馈时间长，而现有的智能化发展的用电设备并不具备智能识别的能力，用户在后续使用中无法灵活调节用电设备，人员成本提升的同时还增加了监管成本的问题，提供了一种优化的基于智能算法的用电设备识别方法。
本发明所采用的技术方案是，一种基于智能算法的用电设备识别方法，所述方法包括以下步骤：
步骤1：采集流经若干用电设备的电流，分别作为训练样本；
步骤2：分别以时间为X轴、电流为Y轴，构建不同用电设备训练用的电流-时间坐标图；
步骤3：预处理不同用电设备训练用的电流-时间坐标图；
步骤4：将预处理后的不同用电设备训练用的电流-时间坐标图分别输入神经网络进行训练，直至训练完成；
步骤5：实时采集流经任一用电设备的电流，作为待测样本；
步骤6：分别以时间为X轴、电流为Y轴，构建当前待测样本的电流-时间坐标图，以步骤3的方式进行预处理；
步骤7：将预处理后的待测样本的电流-时间坐标图输入训练好的神经网络；
步骤8：根据输出结果进行用电设备识别；
步骤9：返回步骤5或结束。
优选地，所述步骤1中，以10K的采样频率进行采样，单次采样时间为至少一个工频周期。
优选地，所述步骤3包括以下步骤：
步骤3.1：基于用电设备的特征剔除离群点，并将离群点对应的时间、电流和训练用的用电设备进行预警；
步骤3.2：以直线连接坐标图上相邻采样时间的采样点，以N个采样点为单位，若N个采样点均符合线性回归特征且误差不超过阈值H1，则进行步骤3.4，否则，进行步骤3.3；
步骤3.3：去除步骤3.2的直线，取2N个采样点，每M个采样点进行曲线拟合，直至将2N个采样点拟合至完整的曲线；
步骤3.4：将步骤3.2或步骤3.3的坐标图依时间顺序分割为若干个等高且等宽的图像并编号，任一图像非空。
优选地，3≤N≤10。
优选地，1≤M≤5。
优选地，所述步骤4包括以下步骤：
步骤4.1：初始化神经网络参数，设置最小损失函数；
步骤4.2：将预处理后的不同用电设备训练用的电流-时间坐标图分别输入神经网络；
步骤4.3：以若干卷积层和池化层对图像的特征进行提取；
步骤4.4：以输出层的结果判断是否满足最小损失函数，若否，调整神经网络参数，返回步骤4.3，否则，进行步骤5。
优选地，所述步骤4.3中，以7层结构的卷积神经网络对图像的特征进行提取，所述7层结构的卷积神经网络包括3个卷积层、3个池化层和1个全连接层。
优选地，所述步骤5中，实时采集流经任一用电设备的电流后，将电流进行差分处理，差分处理的电流作为待测样本。
优选地，所述步骤8中，若存在无法识别的用电设备，则报告工作人员进行人工判定，并记录当前用电设备的电流-时间坐标图。
优选地，所述方法还包括神经网络更新；
若未出现无法识别的用电设备，则每隔时间T抽取若干待测样本的电流-时间坐标图并设置标签，顺次输入神经网络，计算实际输出结果与期待输出结果间的偏离值，对神经网络的参数进行校正；
若出现无法识别的用电设备时，将数据库中所有的电流-时间坐标图重新输入神经网络进行训练，得到更新后的神经网络。
本发明提供了一种优化的基于智能算法的用电设备识别方法，通过采集流经若干用电设备的电流作为训练样本，构建并预处理不同用电设备训练用的电流-时间坐标图后，分别输入神经网络进行训练，直至训练完成，以流经任一用电设备的电流作为待测样本，同样构建并预处理当前待测样本的电流-时间坐标图，输入训练好的神经网络后根据输出结果进行用电设备识别。
本发明采集电流波形并通过智能算法对波形进行分析识别，实现对线路内用电设备的识别，通过增加对用电设备的用电行为的识别，增加了智能终端对用电设备的安全性管理，使线路内各用电设备及其使用情况可以被直接识别，无需人工配置、监管，可以有效掌握家庭用电情况，并在发生疑似危险的情况时具备给出危险警报的能力，节省人力和物力，效率高，反馈迅速。
具体实施方式
下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。
本发明涉及一种基于智能算法的用电设备识别方法，通过内置采集器以采集电流波形，通过处理器以智能算法对波形进行分析识别，实现对线路内用电器的识别和监管。
所述方法包括以下步骤。
步骤1：采集流经若干用电设备的电流，分别作为训练样本。
所述步骤1中，以10K的采样频率进行采样，单次采样时间为至少一个工频周期。
本发明中，一般情况下，以10K采样频率进行电流采样，一个工频周期为20ms。
步骤2：分别以时间为X轴、电流为Y轴，构建不同用电设备训练用的电流-时间坐标图。
本发明中，横轴为采样点的时间次序，取值范围为0到999，本实施例中，一个周期存在200个采样点，以每5个单位对应1个采样点，纵轴为电流值，取值范围为0到999，每个单位对应0.1A。
本发明中，电流的取值范围为-50A到50A，一般情况下，常用的家用电器不会超过此范围。
步骤3：预处理不同用电设备训练用的电流-时间坐标图。
所述步骤3包括以下步骤：
步骤3.1：基于用电设备的特征剔除离群点，并将离群点对应的时间、电流和训练用的用电设备进行预警；
步骤3.2：以直线连接坐标图上相邻采样时间的采样点，以N个采样点为单位，若N个采样点均符合线性回归特征且误差不超过阈值H1，则进行步骤3.4，否则，进行步骤3.3；
3≤N≤10。
步骤3.3：去除步骤3.2的直线，取2N个采样点，每M个采样点进行曲线拟合，直至将2N个采样点拟合至完整的曲线；
1≤M≤5。
步骤3.4：将步骤3.2或步骤3.3的坐标图依时间顺序分割为若干个等高且等宽的图像并编号，任一图像非空。
本发明中，为了避免出现无效数据或错误数据，需要对电流-时间坐标图进行预处理。
本发明中，可以以LoF算法发现坐标中明显的离群点，对于出现的离群点数据，除了剔除外，应及时预警报告，工作人员应当查明离群点出现的原因，一则方式训练神经网络出错，二则防止出现电气故障。
本发明中，大部分的坐标图中，采样点符合线性回归的特征，包括一元线性回归和多元线性回归，以直线连接采样点后进行线性拟合，若偏离的误差值不超过阈值时则认为符合，一般情况下，H1的值不大于5A。
本发明中，一般情况下，为了保证拟合的准确性，N取5。
本发明中，若发现采样点明显不符合线性回归的特征，则考虑电路中存在电容，故去除直线，取2倍数量的采样点，尽可能保证存在可能位置重复的采样点，缩小拟合用的采样点个数，一般情况下，M取3，可以在连接相邻的采样点的同时拟合出采样点间的曲线趋势，并以前后重复的曲线进行相互印证。
本发明中，将拟合完的电流图按照时间分割成若干图像，以时间序列的顺序输入后续的神经网络中进行特征提取和网络训练，每个图像均不为空，保证特征提取的顺利。
步骤4：将预处理后的不同用电设备训练用的电流-时间坐标图分别输入神经网络进行训练，直至训练完成。
所述步骤4包括以下步骤：
步骤4.1：初始化神经网络参数，设置最小损失函数；
步骤4.2：将预处理后的不同用电设备训练用的电流-时间坐标图分别输入神经网络；
步骤4.3：以若干卷积层和池化层对图像的特征进行提取；
所述步骤4.3中，以7层结构的卷积神经网络对图像的特征进行提取，所述7层结构的卷积神经网络包括3个卷积层、3个池化层和1个全连接层。
步骤4.4：以输出层的结果判断是否满足最小损失函数，若否，调整神经网络参数，返回步骤4.3，否则，进行步骤5。
本发明中，神经网络为7层结构的卷积神经网络，包括步长为10的卷积层C1、步长为2的池化层P2、步长为1的卷积层C3、步长为2的池化层P4、步长为1的卷积层C5、步长为1的池化层P6和全连接层F7，图片输入后先经过C1，获得一个特征，复制后，一份进入P2，一份继续经过C3，以此类推，最终通过全连接层输出。
本发明中，采用reLu为激活函数，Batch size大小为128，初始学习率 为0.95，当输出的结果满足最小损失函数时，则网络训练完成。
步骤5：实时采集流经任一用电设备的电流，作为待测样本。
所述步骤5中，实时采集流经任一用电设备的电流后，将电流进行差分处理，差分处理的电流作为待测样本。
本发明中，将采集到的电流进行差分处理，去除干扰因素，保证待测样本的准确，事实上，在步骤2中亦可以采用同样的处理方式。
步骤6：分别以时间为X轴、电流为Y轴，构建当前待测样本的电流-时间坐标图，以步骤3的方式进行预处理。
步骤7：将预处理后的待测样本的电流-时间坐标图输入训练好的神经网络。
步骤8：根据输出结果进行用电设备识别。
所述步骤8中，若存在无法识别的用电设备，则报告工作人员进行人工判定，并记录当前用电设备的电流-时间坐标图。
所述方法还包括神经网络更新；
若未出现无法识别的用电设备，则每隔时间T抽取若干待测样本的电流-时间坐标图并设置标签，顺次输入神经网络，计算实际输出结果与期待输出结果间的偏离值，对神经网络的参数进行校正；
若出现无法识别的用电设备时，将数据库中所有的电流-时间坐标图重新输入神经网络进行训练，得到更新后的神经网络。
本发明中，当使用可以完成用电设备识别时，一则表示神经网络的普适性比较强，二则可能存在误认的问题，故需要以时间T为界，对神经网络的检测工作进行复查。一般情况下，可以取新的待测样本的电流-时间坐标图，也可以以已经检测过的待测样本的电流-时间坐标图进行再检测，比较实际输出结果与期待输出结果间的偏离值，据此进行神经网络的参数的校正；校正为本领域技术人员容易理解的内容。
本发明中，当出现无法识别的用电设备时，则需要以数据库中所有的电流-时间坐标图重新输入神经网络，并进行特征的标识，用于后续的检测工作。
步骤9：返回步骤5或结束。
本发明中，以采样端配合差分电路完成电路采样，以控制器对采样数据进行分析，完成用电行为的识别，进一步增加对用电安全的管理。
本发明通过采集流经若干用电设备的电流作为训练样本，构建并预处理不同用电设备训练用的电流-时间坐标图后，分别输入神经网络进行训练，直至训练完成，以流经任一用电设备的电流作为待测样本，同样构建并预处理当前待测样本的电流-时间坐标图，输入训练好的神经网络后根据输出结果进行用电设备识别。
本发明采集电流波形并通过智能算法对波形进行分析识别，实现对线路内用电设备的识别，通过增加对用电设备的用电行为的识别，增加了智能终端对用电设备的安全性管理，使线路内各用电设备及其使用情况可以被直接识别，无需人工配置、监管，可以有效掌握家庭用电情况，并在发生疑似危险的情况时具备给出危险警报的能力，节省人力和物力，效率高，反馈迅速。
Claims (9)
1.一种基于智能算法的用电设备识别方法，其特征在于：所述方法包括以下步骤：
步骤1：采集流经若干用电设备的电流，分别作为训练样本；
步骤2：分别以时间为X轴、电流为Y轴，构建不同用电设备训练用的电流-时间坐标图；
步骤3：预处理不同用电设备训练用的电流-时间坐标图；
所述步骤3包括以下步骤：
步骤3.1：基于用电设备的特征剔除离群点，并将离群点对应的时间、电流和训练用的用电设备进行预警；
步骤3.2：以直线连接坐标图上相邻采样时间的采样点，以N个采样点为单位，若N个采样点均符合线性回归特征且误差不超过阈值H1，则进行步骤3.4，否则，进行步骤3.3；
步骤3.3：去除步骤3.2的直线，取2N个采样点，每M个采样点进行曲线拟合，直至将2N个采样点拟合至完整的曲线；
步骤3.4：将步骤3.2或步骤3.3的坐标图依时间顺序分割为若干个等高且等宽的图像并编号，任一图像非空；
步骤4：将预处理后的不同用电设备训练用的电流-时间坐标图分别输入神经网络进行训练，直至训练完成；
步骤5：实时采集流经任一用电设备的电流，作为待测样本；
步骤6：分别以时间为X轴、电流为Y轴，构建当前待测样本的电流-时间坐标图，以步骤3的方式进行预处理；
步骤7：将预处理后的待测样本的电流-时间坐标图输入训练好的神经网络；
步骤8：根据输出结果进行用电设备识别；
步骤9：返回步骤5或结束。
2.根据权利要求1所述的一种基于智能算法的用电设备识别方法，其特征在于：所述步骤1中，以10K的采样频率进行采样，单次采样时间为至少一个工频周期。
3.根据权利要求1所述的一种基于智能算法的用电设备识别方法，其特征在于：3≤N≤10。
4.根据权利要求3所述的一种基于智能算法的用电设备识别方法，其特征在于：1≤M≤5。
5.根据权利要求1所述的一种基于智能算法的用电设备识别方法，其特征在于：所述步骤4包括以下步骤：
步骤4.1：初始化神经网络参数，设置最小损失函数；
步骤4.2：将预处理后的不同用电设备训练用的电流-时间坐标图分别输入神经网络；
步骤4.3：以若干卷积层和池化层对图像的特征进行提取；
步骤4.4：以输出层的结果判断是否满足最小损失函数，若否，调整神经网络参数，返回步骤4.3，否则，进行步骤5。
6.根据权利要求5所述的一种基于智能算法的用电设备识别方法，其特征在于：所述步骤4.3中，以7层结构的卷积神经网络对图像的特征进行提取，所述7层结构的卷积神经网络包括3个卷积层、3个池化层和1个全连接层。
7.根据权利要求1所述的一种基于智能算法的用电设备识别方法，其特征在于：所述步骤5中，实时采集流经任一用电设备的电流后，将电流进行差分处理，差分处理的电流作为待测样本。
8.根据权利要求1所述的一种基于智能算法的用电设备识别方法，其特征在于：所述步骤8中，若存在无法识别的用电设备，则报告工作人员进行人工判定，并记录当前用电设备的电流-时间坐标图。
9.根据权利要求8所述的一种基于智能算法的用电设备识别方法，其特征在于：所述方法还包括神经网络更新；
若未出现无法识别的用电设备，则每隔时间T抽取若干待测样本的电流-时间坐标图并设置标签，顺次输入神经网络，计算实际输出结果与期待输出结果间的偏离值，对神经网络的参数进行校正；
若出现无法识别的用电设备时，将数据库中所有的电流-时间坐标图重新输入神经网络进行训练，得到更新后的神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910299801.5A CN110084158B (zh) | 2019-04-15 | 2019-04-15 | 一种基于智能算法的用电设备识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910299801.5A CN110084158B (zh) | 2019-04-15 | 2019-04-15 | 一种基于智能算法的用电设备识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084158A CN110084158A (zh) | 2019-08-02 |
| CN110084158B true CN110084158B (zh) | 2021-01-29 |
Family
ID=67415024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910299801.5A Active CN110084158B (zh) | 2019-04-15 | 2019-04-15 | 一种基于智能算法的用电设备识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084158B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112711963A (zh) * | 2019-10-24 | 2021-04-27 | 富泰华工业（深圳）有限公司 | 用户终端故障检测方法、装置、计算机装置及存储介质 |
| CN111310644A (zh) * | 2020-02-12 | 2020-06-19 | 李斌 | 一种针对电器类型及其工作状态的智能识别方法及装置 |
| CN112255480A (zh) * | 2020-10-12 | 2021-01-22 | 浙江长元科技有限公司 | 基于霍尔效应的电器特征识别方法及其安全预警系统 |
| CN115092794A (zh) * | 2022-08-24 | 2022-09-23 | 康力电梯股份有限公司 | 一种用于升降机的防夹控制方法及系统 |
| CN117633611B (zh) * | 2023-10-23 | 2024-05-24 | 北京航天常兴科技发展股份有限公司 | 一种危险用电器及用电行为识别方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107423561A (zh) * | 2017-07-11 | 2017-12-01 | 云南瀚哲科技有限公司 | 一种土壤属性插值的估算方法 |
| CN109508820A (zh) * | 2018-11-01 | 2019-03-22 | 上海理工大学 | 基于差异化建模的校园用电量预测建模方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101290659B (zh) * | 2008-05-29 | 2011-06-01 | 宁波新然电子信息科技发展有限公司 | 基于组合分类器的手写识别方法 |
| CN103002164A (zh) * | 2012-11-21 | 2013-03-27 | 江苏省电力公司电力科学研究院 | 电力呼叫中心话务量预测方法 |
| CN105654238B (zh) * | 2015-12-30 | 2021-02-02 | 中国建筑科学研究院 | 一种公共机构能耗监测平台数据管理方法及装置 |
| CN106599138A (zh) * | 2016-12-05 | 2017-04-26 | 南京信息工程大学 | 一种用电器种类识别方法 |
| CN106908668B (zh) * | 2017-01-20 | 2021-03-26 | 中国电力科学研究院 | 一种实测地面合成电场数据的处理方法及系统 |
| CN108776831A (zh) * | 2018-05-15 | 2018-11-09 | 中南大学 | 一种基于动态卷积神经网络的复杂工业过程数据建模方法 |
| CN108548976A (zh) * | 2018-05-25 | 2018-09-18 | 杭州拓深科技有限公司 | 基于卷积神经网络的非入侵式家用用电设备类型检测方法 |
| CN109214422B (zh) * | 2018-08-02 | 2020-05-22 | 深圳先进技术研究院 | 基于dcgan的停车数据修补方法、装置、设备及存储介质 |
| CN109298225B (zh) * | 2018-09-29 | 2020-10-09 | 国网四川省电力公司电力科学研究院 | 一种电压量测数据异常状态自动识别模型系统及方法 |
| CN109270384B (zh) * | 2018-11-13 | 2019-06-11 | 中南民族大学 | 一种用于识别用电设备电弧的方法和系统 |
-
2019
- 2019-04-15 CN CN201910299801.5A patent/CN110084158B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107423561A (zh) * | 2017-07-11 | 2017-12-01 | 云南瀚哲科技有限公司 | 一种土壤属性插值的估算方法 |
| CN109508820A (zh) * | 2018-11-01 | 2019-03-22 | 上海理工大学 | 基于差异化建模的校园用电量预测建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084158A (zh) | 2019-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084158B (zh) | 一种基于智能算法的用电设备识别方法 | |
| CN111047082A (zh) | 设备的预警方法及装置、存储介质和电子装置 | |
| CN111864896B (zh) | 一种电力负荷监测方法及系统 | |
| CN107677903B (zh) | 一种变压器状态监测数据的聚类分析方法 | |
| CN109977535A (zh) | 一种线损异常诊断方法、装置、设备及可读存储介质 | |
| CN117474357B (zh) | 基于深度学习的配电房运维管理方法及系统 | |
| CN114298175A (zh) | 基于边缘计算的电力设备状态监测与故障预警方法及系统 | |
| CN117406026A (zh) | 一种适用于分布式电源的配电网故障检测方法 | |
| CN106228280A (zh) | 电网运行监控信息辨识分类系统 | |
| CN116125204A (zh) | 一种基于电网数字化的故障预测系统 | |
| CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
| CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
| CN118138428A (zh) | 一种基于智能感知的物联网设备故障诊断方法及系统 | |
| CN113740666A (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
| CN116652988B (zh) | 智能光纤配线机器人及其控制方法 | |
| CN112907911A (zh) | 一种基于设备工艺数据的智能异常识别与报警算法 | |
| CN115343558A (zh) | 一种低压电器的故障分析检测系统 | |
| CN117150415B (zh) | 一种基于人工智能的通讯设备状态监测方法及系统 | |
| CN117478511B (zh) | 一种继电保护业务管理系统及方法 | |
| CN117890825B (zh) | 充电枪的泄露电流测试方法、装置、设备及存储介质 | |
| CN117575153A (zh) | 一种基于物联网的配电终端设备性能监管方法和系统 | |
| CN117640342B (zh) | 一种电力监控系统主体异常检测方法、装置、设备和介质 | |
| CN117493129B (zh) | 一种计算机控制设备的运行功率监测系统 | |
| CN212875855U (zh) | 检测设备及基于信息物理数据的电网设备状态识别装置 | |
| Yao et al. | Explainable AI and Statistical Learning for Enhanced Abnormal Detection in O-RAN Networks |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: An intelligent algorithm based identification method for electrical equipment Effective date of registration: 20221127 Granted publication date: 20210129 Pledgee: Bank of Hangzhou Limited by Share Ltd. science and Technology Branch Pledgor: HANGZHOU TPSON TECHNOLOGY Co.,Ltd. Registration number: Y2022980023685 |