CN111310644A - 一种针对电器类型及其工作状态的智能识别方法及装置 - Google Patents
一种针对电器类型及其工作状态的智能识别方法及装置 Download PDFInfo
- Publication number
- CN111310644A CN111310644A CN202010089128.5A CN202010089128A CN111310644A CN 111310644 A CN111310644 A CN 111310644A CN 202010089128 A CN202010089128 A CN 202010089128A CN 111310644 A CN111310644 A CN 111310644A
- Authority
- CN
- China
- Prior art keywords
- time
- dimensional image
- neural network
- power consumption
- power
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种针对电器类型及其工作状态的智能识别方法及装置，方法包括：根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间‑用电功率二维图像；根据所述时间‑用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态。本发明实施例先根据电器随时间变化的用电功率曲线，确定电器的时间‑用电功率二维图像；再根据时间‑用电功率二维图像和预置的卷积神经网络，识别电器的类型及其工作状态。这种利用深度学习智能识别电器的类型及其工作状态的方法，无需人工参与，节省了大量人力成本，减少了用电事故发生。
Description
技术领域
本发明涉及计算机技术领域，具体涉及一种针对电器类型及其工作状态的智能识别方法及装置。
背景技术
随着人们生活水平的提高，电器已经走进了人们的日常生活，给人们的日常生活带来了诸多便利，也日益改变着人们的生活习惯。电器的使用给人们带来了健康的生活和工作环境。
然而，近些年来，随着电器的普及使用，用电安全问题越来越突出，例如，人为触电、电器火灾等。用电安全问题受到了人们越来越多的关注。现有技术不能够对接入电路的电器进行精细识别，也不能对电器进行高性能监测，导致用电事故常有发生，并且现有的对电器进行识别的方案已经固定，不能对电器进行智能地识别。
因此，如何对电器进行智能地识别成为亟待解决的技术问题。
发明内容
由于现有方法存在上述问题，本发明实施例提出一种针对电器类型及其工作状态的智能识别方法及装置。
第一方面，本发明实施例提出一种针对电器类型及其工作状态的智能识别方法，包括：
根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像；
根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态。
可选地，所述根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像，包括：
将所述目标电器随时间变化的用电功率曲线按预设时间间隔进行等分；其中，每一预设时间间隔内的最大用电功率值作为该预设时间间隔的功率值；
根据所述预设时间间隔和所述每一预设时间间隔的功率值，确定所述目标电器的时间-用电功率二维图像。
可选地，所述根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态，包括：
所述预置的卷积神经网络的输入层中的卷积层对所述时间-用电功率二维图像进行卷积处理，得到卷积处理后的时间-用电功率二维图像；
根据所述卷积处理后的时间-用电功率二维图像，确定所述目标电器的类型及其工作状态。
可选地，所述预置的卷积神经网络是以各种电器的时间-用电功率二维图像作为训练样本对卷积神经网络进行训练得到；
其中，在训练所述卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练所述卷积神经网络的初始参数。
第二方面，本发明实施例还提出一种针对电器类型及其工作状态的智能识别装置，包括：确定模块和识别模块；
所述确定模块，用于根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像；
所述识别模块，用于根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态。
可选地，所述确定模块，具体用于：
将所述目标电器随时间变化的用电功率曲线按预设时间间隔进行等分；其中，每一预设时间间隔内的最大用电功率值作为该预设时间间隔的功率值；
根据所述预设时间间隔和所述每一预设时间间隔的功率值，确定所述目标电器的时间-用电功率二维图像。
可选地，所述识别模块，具体用于：
所述预置的卷积神经网络的输入层中的卷积层对所述时间-用电功率二维图像进行卷积处理，得到卷积处理后的时间-用电功率二维图像；
根据所述卷积处理后的时间-用电功率二维图像，确定所述目标电器的类型及其工作状态。
可选地，所述预置的卷积神经网络是以各种电器的时间-用电功率二维图像作为训练样本对卷积神经网络进行训练得到；
其中，在训练所述卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练所述卷积神经网络的初始参数。
第三方面，本发明实施例还提出一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方法。
第四方面，本发明实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述方法。
由上述技术方案可知，本发明实施例先根据电器随时间变化的用电功率曲线，确定电器的时间-用电功率二维图像；再根据时间-用电功率二维图像和预置的卷积神经网络，识别电器的类型及其工作状态。这种利用深度学习智能识别电器的类型及其工作状态的方法，无需人工参与，节省了大量人力成本，减少了用电事故发生。在训练卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练卷积神经网络的初始参数。提高了卷积神经网络的训练速度，并且提高了该网络结构的可移植性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种针对电器类型及其工作状态的智能识别方法的流程示意图；
图2为本发明一实施例提供的将电器的用电功率随时间变化的曲线转化为电器的时间-用电功率二维图像的示意图；
图3为本发明一实施例提供的针对电器类型及其工作状态的智能识别示意图；
图4为本发明一实施例提供的一种针对电器类型及其工作状态的智能识别装置的结构示意图；
图5为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本实施例提供的一种针对电器类型及其工作状态的智能识别方法的流程示意图，包括：
S101，根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像。
在本发明实施例中，所述目标电器为待进行类型及其工作状态识别的电器。所述目标电器在运行时会产生随时间变化的用电功率曲线，如图2左侧。根据所述随时间变化的用电功率曲线可以确定出所述目标电器的时间-用电功率二维图像，如图2右侧。
S102，根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态。
在本发明实施例中，所述预置的卷积神经网络是以各种电器的时间-用电功率二维图像作为训练样本对卷积神经网络进行训练得到。根据所述时间-用电功率二维图像和预置的卷积神经网络，可以识别出所述目标电器的类型及其工作状态。具体地，将所述时间-用电功率二维图像输入预置的卷积神经网络，即可识别出所述目标电器的类型及其工作状态。所述目标电器的包括但不限于空调、冰箱或电视机等。所述目标电器的工作状态，以所述目标电器的类型是空调为例，则所述空调的工作状态可以为以下任意一种：制冷、制热、待机或除湿。
本发明实施例先根据电器随时间变化的用电功率曲线，确定电器的时间-用电功率二维图像；再根据时间-用电功率二维图像和预置的卷积神经网络，识别电器的类型及其工作状态。这种利用深度学习智能识别电器的类型及其工作状态的方法，无需人工参与，节省了大量人力成本，减少了用电事故发生。
进一步地，在上述方法实施例的基础上，所述根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像，包括：
将所述目标电器随时间变化的用电功率曲线按预设时间间隔进行等分；其中，每一预设时间间隔内的最大用电功率值作为该预设时间间隔的功率值；
根据所述预设时间间隔和所述每一预设时间间隔的功率值，确定所述目标电器的时间-用电功率二维图像。
在本发明实施例中，所述目标电器在运行时会产生随时间变化的用电功率曲线，如图2左侧。将所述随时间变化的用电功率曲线按预设时间间隔进行等分。将每一预设时间间隔内的最大用电功率值作为该预设时间间隔的功率值。根据所述预设时间间隔和所述每一预设时间间隔的功率值，确定所述目标电器的时间-用电功率二维图像，如图2右侧。
在本发明实施例中，在所述时间-用电功率二维图像上画4×4网格，即用4×4的矩阵表示所述时间-用电功率二维图像。若网格中存在阴影，则将阴影部分的像素值确定为1，其余部分确定为0。在本发明实施例中，所述时间-用电功率二维图像的矩阵表示如下：
本发明实施例根据电器随时间变化的用电功率曲线，确定电器的时间-用电功率二维图像，有利于对电器的类型及其工作状态进行智能识别。
进一步地，在上述方法实施例的基础上，所述根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态，包括：
所述预置的卷积神经网络的输入层中的卷积层对所述时间-用电功率二维图像进行卷积处理，得到卷积处理后的时间-用电功率二维图像；
根据所述卷积处理后的时间-用电功率二维图像，确定所述目标电器的类型及其工作状态。
在本发明实施例中，所述预置的卷积神经网络的输入层中的卷积层对所述时间-用电功率二维图像进行卷积处理，得到卷积处理后的时间-用电功率二维图像。具体地，所述预置的卷积神经网络的输入层中的卷积层具有两个卷积核，是2×2矩阵，分别为：
利用上述两个卷积核对X进行卷积处理后，得到
在本发明实施例中，根据所述卷积处理后的时间-用电功率二维图像，确定所述目标电器的类型及其工作状态。具体地，所述预置的卷积神经网络还包括隐藏层。所述隐藏层包括一个卷积层，一个池化层和一个全连接层。其中，隐藏层中的卷积层包含一个卷积核，也是2×2矩阵，为：
C3与XC1和XC2分别卷积得到
在本发明实施例中，池化层对输入的数据进行矩阵简化，降低矩阵维度。具体地，XC1C3和XC2C3经过池化层的尺寸为2×2的窗口进行均匀池化，可以得到
XC1C3_CH＝1.5，XC2C3_CH＝1.75
在本发明实施例中，XC1C3_CH和XC2C3_CH经过全连接层，进行变换，可以得到Y＝1.5，1.75，其中，1.5为所述目标电器的类型得分，1.75为所述目标电器的工作状态得分。在本发明实施例中，预设空调类型阈值范围为大于1且小于或等于1.6，预设空调工作状态制热阈值范围为大于1.5且小于或等于1.8；预设冰箱类型阈值范围为大于1.6，且小于或等于2.2，预设冰箱工作状态制冷阈值范围为大于1.8，且小于或等于2.4；预设电视机类型阈值范围为大于0.4且小于或等于1，预设电视机工作状态待机阈值范围为大于0.9且小于或等于1.5。在本发明实施例中，所述预置的卷积神经网络还包括输出层，用于输出所述目标电器的类型及其工作状态。由上述目标电器的类型得分为1.5可以判断出1.5在所述预设空调类型阈值范围内，因此可以确定出所述目标电器的类型是空调，如图3所示；由上述目标电器的工作状态得分为1.75可以判断出1.75在所述预设空调工作状态制热阈值范围内，因此可以确定出所述空调的工作状态是制热，如图3所示。
本发明实施例根据时间-用电功率二维图像和预置的卷积神经网络，识别电器的类型及其工作状态。这种利用深度学习智能识别电器的类型及其工作状态的方法，无需人工参与，节省了大量人力成本，减少了用电事故发生。
进一步地，在上述方法实施例的基础上，所述预置的卷积神经网络是以各种电器的时间-用电功率二维图像作为训练样本对卷积神经网络进行训练得到；
其中，在训练所述卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练所述卷积神经网络的初始参数。
在本发明实施例中，采集各种电器的时间-用电功率二维图像作为训练样本。为提高训练卷积神经网络的速度以及提高该网络结构的可移植性，采用参数共享的方式，在训练所述卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练所述卷积神经网络的初始参数。利用所述训练样本对所述卷积神经网络进行训练，得到预置的卷积神经网络。
本发明实施例在训练卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练卷积神经网络的初始参数。提高了卷积神经网络的训练速度，并且提高了该网络结构的可移植性。
在此需要说明的是，若需要识别所述电器的型号、所述电器是否处于异常状态以及所述电器是否处于短路状态，可以对所述卷积神经网络进行训练，使训练后的卷积神经网络的输出为所述电器的型号、所述电器是否处于异常状态以及所述电器是否处于短路状态。具体地，根据实际需要识别的电器的参数，对所述卷积神经网络进行训练。
图4示出了本实施例提供的一种针对电器类型及其工作状态的智能识别装置的结构示意图，所述装置包括：确定模块401和识别模块402；
所述确定模块401，用于根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像；
所述识别模块402，用于根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态。
进一步地，在上述装置实施例的基础上，所述确定模块401，具体用于：
将所述目标电器随时间变化的用电功率曲线按预设时间间隔进行等分；其中，每一预设时间间隔内的最大用电功率值作为该预设时间间隔的功率值；
根据所述预设时间间隔和所述每一预设时间间隔的功率值，确定所述目标电器的时间-用电功率二维图像。
进一步地，在上述装置实施例的基础上，所述识别模块402，具体用于：
所述预置的卷积神经网络的输入层中的卷积层对所述时间-用电功率二维图像进行卷积处理，得到卷积处理后的时间-用电功率二维图像；
根据所述卷积处理后的时间-用电功率二维图像，确定所述目标电器的类型及其工作状态。
进一步地，在上述装置实施例的基础上，所述预置的卷积神经网络是以各种电器的时间-用电功率二维图像作为训练样本对卷积神经网络进行训练得到；
其中，在训练所述卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练所述卷积神经网络的初始参数。
本实施例所述的针对电器类型及其工作状态的智能识别装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
参照图5，所述电子设备，包括：处理器(processor)501、存储器(memory)502和总线503；
其中，
所述处理器501和存储器502通过所述总线503完成相互间的通信；
所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种针对电器类型及其工作状态的智能识别方法，其特征在于，包括：
根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像；
根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态。
2.根据权利要求1所述的针对电器类型及其工作状态的智能识别方法，其特征在于，所述根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像，包括：
将所述目标电器随时间变化的用电功率曲线按预设时间间隔进行等分；其中，每一预设时间间隔内的最大用电功率值作为该预设时间间隔的功率值；
根据所述预设时间间隔和所述每一预设时间间隔的功率值，确定所述目标电器的时间-用电功率二维图像。
3.根据权利要求1所述的针对电器类型及其工作状态的智能识别方法，其特征在于，所述根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态，包括：
所述预置的卷积神经网络的输入层中的卷积层对所述时间-用电功率二维图像进行卷积处理，得到卷积处理后的时间-用电功率二维图像；
根据所述卷积处理后的时间-用电功率二维图像，确定所述目标电器的类型及其工作状态。
4.根据权利要求1所述的针对电器类型及其工作状态的智能识别方法，其特征在于，所述预置的卷积神经网络是以各种电器的时间-用电功率二维图像作为训练样本对卷积神经网络进行训练得到；
其中，在训练所述卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练所述卷积神经网络的初始参数。
5.一种针对电器类型及其工作状态的智能识别装置，其特征在于，包括：确定模块和识别模块；
所述确定模块，用于根据目标电器随时间变化的用电功率曲线，确定所述目标电器的时间-用电功率二维图像；
所述识别模块，用于根据所述时间-用电功率二维图像和预置的卷积神经网络，识别所述目标电器的类型及其工作状态。
6.根据权利要求5所述的针对电器类型及其工作状态的智能识别装置，其特征在于，所述确定模块，具体用于：
将所述目标电器随时间变化的用电功率曲线按预设时间间隔进行等分；其中，每一预设时间间隔内的最大用电功率值作为该预设时间间隔的功率值；
根据所述预设时间间隔和所述每一预设时间间隔的功率值，确定所述目标电器的时间-用电功率二维图像。
7.根据权利要求5所述的针对电器类型及其工作状态的智能识别装置，其特征在于，所述识别模块，具体用于：
所述预置的卷积神经网络的输入层中的卷积层对所述时间-用电功率二维图像进行卷积处理，得到卷积处理后的时间-用电功率二维图像；
根据所述卷积处理后的时间-用电功率二维图像，确定所述目标电器的类型及其工作状态。
8.根据权利要求5所述的针对电器类型及其工作状态的智能识别装置，其特征在于，所述预置的卷积神经网络是以各种电器的时间-用电功率二维图像作为训练样本对卷积神经网络进行训练得到；
其中，在训练所述卷积神经网络的过程中，采用已经训练好的最优离线参数作为训练所述卷积神经网络的初始参数。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一所述的针对电器类型及其工作状态的智能识别方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一所述的针对电器类型及其工作状态的智能识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010089128.5A CN111310644A (zh) | 2020-02-12 | 2020-02-12 | 一种针对电器类型及其工作状态的智能识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010089128.5A CN111310644A (zh) | 2020-02-12 | 2020-02-12 | 一种针对电器类型及其工作状态的智能识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111310644A true CN111310644A (zh) | 2020-06-19 |
Family
ID=71147029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010089128.5A Pending CN111310644A (zh) | 2020-02-12 | 2020-02-12 | 一种针对电器类型及其工作状态的智能识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111310644A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115601603A (zh) * | 2022-11-29 | 2023-01-13 | 北京志翔科技股份有限公司（Cn） | 模型训练和用电器类别识别方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109813978A (zh) * | 2018-12-25 | 2019-05-28 | 武汉中原电子信息有限公司 | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 |
| CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
-
2020
- 2020-02-12 CN CN202010089128.5A patent/CN111310644A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109813978A (zh) * | 2018-12-25 | 2019-05-28 | 武汉中原电子信息有限公司 | 一种综合暂态特征和稳态间的变化特征的非侵入负荷式识别方法 |
| CN110084158A (zh) * | 2019-04-15 | 2019-08-02 | 杭州拓深科技有限公司 | 一种基于智能算法的用电设备识别方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115601603A (zh) * | 2022-11-29 | 2023-01-13 | 北京志翔科技股份有限公司（Cn） | 模型训练和用电器类别识别方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263921B (zh) | 一种联邦学习模型的训练方法及装置 | |
| CN109766949A (zh) | 卷积神经网络轻量化方法、装置及电子设备 | |
| CN114442794A (zh) | 服务器功耗控制方法、系统、终端及存储介质 | |
| CN111179108A (zh) | 用电能耗的预测方法和装置 | |
| CN111310644A (zh) | 一种针对电器类型及其工作状态的智能识别方法及装置 | |
| CN113591900A (zh) | 一种高需求响应潜力用户的识别方法、装置及终端设备 | |
| CN113434034B (zh) | 利用深度学习调整计算任务cpu频率的大型集群节能方法 | |
| CN115099153A (zh) | 风功率预测模型训练方法、风功率预测方法、装置及介质 | |
| EP4311074A1 (en) | Charging method and apparatus for energy storage power source, and device and medium | |
| CN104915559B (zh) | 一种用电设备确定方法及系统 | |
| CN115601603B (zh) | 模型训练和用电器类别识别方法、设备及存储介质 | |
| CN116488149A (zh) | 微电网发电策略确定方法、装置以及微电网 | |
| CN114240035B (zh) | 一种基于业务感知的转接设备低功耗控制方法及转接装置 | |
| CN115459255A (zh) | 一种低压用电需求响应系统 | |
| CN109359650A (zh) | 目标检测方法及装置、嵌入式设备 | |
| CN114819095A (zh) | 业务数据处理模型的生成方法、装置及电子设备 | |
| CN114742316A (zh) | 超速预测方法、装置、存储介质及电子装置 | |
| CN111866924B (zh) | 性能指标监控方法、装置、计算设备及计算机存储介质 | |
| CN113792435A (zh) | 数据模型建立方法和装置、服务器 | |
| CN113222401A (zh) | 非侵入式负荷类型的智能识别方法、装置、服务器及系统 | |
| CN111340648A (zh) | 一种基于物联网的能源管控方法及系统 | |
| CN118539511B (zh) | 风电并网的电网控制方法、装置 | |
| CN117236522B (zh) | 一种电力能耗管理方法、系统、电子设备及介质 | |
| CN111047023B (zh) | 一种计算装置及相关产品 | |
| CN106354244A (zh) | 屏幕亮度调节方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200619 |
|
| RJ01 | Rejection of invention patent application after publication |