CN111445143A - 智能插座使用方法、智能插座、智能终端、存储介质 - Google Patents

智能插座使用方法、智能插座、智能终端、存储介质 Download PDF

Info

Publication number
CN111445143A
CN111445143A CN202010226796.8A CN202010226796A CN111445143A CN 111445143 A CN111445143 A CN 111445143A CN 202010226796 A CN202010226796 A CN 202010226796A CN 111445143 A CN111445143 A CN 111445143A
Authority
CN
China
Prior art keywords
data
index
intelligent socket
algorithm
processing result
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
Application number
CN202010226796.8A
Other languages
English (en)
Inventor
靳文星
崔荣成
蒋明喆
张胜楠
陈红任
陈昱吉
罗岩
谢荣
孙瑞
靳海军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jinsu Internet Of Things Technology Co ltd
Original Assignee
Shanghai Jinsu Internet Of Things Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Jinsu Internet Of Things Technology Co ltd filed Critical Shanghai Jinsu Internet Of Things Technology Co ltd
Priority to CN202010226796.8A priority Critical patent/CN111445143A/zh
Publication of CN111445143A publication Critical patent/CN111445143A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01R—ELECTRICALLY-CONDUCTIVE CONNECTIONS; STRUCTURAL ASSOCIATIONS OF A PLURALITY OF MUTUALLY-INSULATED ELECTRICAL CONNECTING ELEMENTS; COUPLING DEVICES; CURRENT COLLECTORS
    • H01R13/00—Details of coupling devices of the kinds covered by groups H01R12/70 or H01R24/00 - H01R33/00
    • H01R13/66—Structural association with built-in electrical component
    • H01R13/665—Structural association with built-in electrical component with built-in electronic circuit
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01R—ELECTRICALLY-CONDUCTIVE CONNECTIONS; STRUCTURAL ASSOCIATIONS OF A PLURALITY OF MUTUALLY-INSULATED ELECTRICAL CONNECTING ELEMENTS; COUPLING DEVICES; CURRENT COLLECTORS
    • H01R13/00—Details of coupling devices of the kinds covered by groups H01R12/70 or H01R24/00 - H01R33/00
    • H01R13/66—Structural association with built-in electrical component
    • H01R13/665—Structural association with built-in electrical component with built-in electronic circuit
    • H01R13/6683—Structural association with built-in electrical component with built-in electronic circuit with built-in sensor
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01R—ELECTRICALLY-CONDUCTIVE CONNECTIONS; STRUCTURAL ASSOCIATIONS OF A PLURALITY OF MUTUALLY-INSULATED ELECTRICAL CONNECTING ELEMENTS; COUPLING DEVICES; CURRENT COLLECTORS
    • H01R13/00—Details of coupling devices of the kinds covered by groups H01R12/70 or H01R24/00 - H01R33/00
    • H01R13/66—Structural association with built-in electrical component
    • H01R13/665—Structural association with built-in electrical component with built-in electronic circuit
    • H01R13/6691—Structural association with built-in electrical component with built-in electronic circuit with built-in signalling means

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种智能插座使用方法、智能插座、智能终端、存储介质，属于智能插座的技术领域，其包括步骤100：收集使用智能插座的各类型指标数据；步骤200：建立数据处理平台，数据处理平台根据对应的指标类型对各类型指标数据进行处理，形成每个指标类型对应的处理结果；数据处理平台获取固定时刻的处理结果，与对应的预设指标结果集进行匹配，如果与结果集某种记录情况一致，则反馈对应的电气操作信号，将该电气操作信号通过智能插座的数据收集与传输通道传输到智能插座中；如果不一致，则发出报警提示。在进行多种算法运行之后，运用VELM算法，选择参数值最高的值作为最优参数值，最优参数值对应的算法即为，在此样本条件下的最优算法。

Description

智能插座使用方法、智能插座、智能终端、存储介质
技术领域
本发明涉及智能插座的技术领域，尤其是涉及一种智能插座使用方法、智能插座、智能终端、存储介质。
背景技术
目前在用电消耗端的许多电气产品中，以智能插座为代表的基础电气产品最具有广泛的应用场景和实际价值。而在智能插座基础上的其他各类电气产品的长期运行中，对于用电安全监测以及用电数据统计却存在着高成本、低效率的问题。
智能插座由于承受不同的电气产品使用要求，对应的电气特性往往不同，因此对其承受不同产品的特性要求较高。如果针对性设计具体的智能插座产品成本很高没有实用性，而设计适应性的插座设备往往有安全性隐患。常见的智能插座安全监测方法是：单纯的监测插座的电压电流等固定指标，设定安全指标范围，判断监测的指标数值是否在安全范围内，从而确定插座的安全性。这种方式存在以下缺陷：首先，没有考虑到智能插座的独特性，对于不同电气设备的特性不同，指标数值也不同。其次，监测行为是单向的，没有反馈或者没有改动的，实际效益性不高。
插座使用过程中会产生各种各样的使用数据，而这些产生的数据十分分散，没有逻辑。如果不建立系统完备的数据处理平台这些数据将毫无意义。而即便有系统的数据处理平台，也没有涉及数据的高效处理与数据的分析反馈，造成数据的价值浪费与流失。系统设计与升级更新涉及开发人员编写升级脚本，而数据的高效处理虽然依靠计算机进行，但是得到的处理结果反馈到实际的插座应用还需要工程人员的参与。采用这种方式存在数据价值浪费与数据利用效率低下的问题。
发明内容
本发明目的一是提供一种智能插座数据管理方法，具有提高智能插座的数据利用效率的特点。
本发明的上述发明目的一是通过以下技术方案得以实现的：
一种智能插座数据管理方法，其特征在于，具体步骤如下：
步骤100：收集使用智能插座的各类型指标数据；
步骤200：建立数据处理平台，数据处理平台根据对应的指标类型对各类型指标数据进行处理，形成每个指标类型对应的处理结果，确保处理结果可以用衡量指标的安全性；
数据处理平台获取固定时刻的处理结果，与对应的预设指标结果集进行匹配，如果与结果集某种记录情况一致，则反馈对应的电气操作信号，将该电气操作信号通过智能插座的数据收集与传输通道传输到智能插座中；如果不一致，则发出报警提示。
步骤300：智能插座得到相应的电气操作信号，执行对应的电气操作，对存在安全隐患的指标数据进行更正处理，同时获得每次操作信号，形成操作结果集。
通过采用上述技术方案，可以自动收集智能插座使用指标数据，进行高效数据处理与指标评估反馈，根据处理结果反馈安全执行对应的电气操作，实时实现数据的传输、处理与反馈闭环，并据此产生大量插座综合数据报告，减少智能插座的安全监测的单一性、提高插座使用数据的高效处理与数据反馈，在降低智能插座的安全监测成本的同时提高智能插座的数据使用价值。
本发明在一较佳示例中可以进一步配置为：所述衡量指标的安全性是指处理的过程中将该指标类型与对应的安全阈值范围进行比较，如果在安全阈值范围内则认为是暂时安全的，否则评价为不安全。
本发明在一较佳示例中可以进一步配置为：所述指标数据类型包括电流和/或电压和/ 或电量和/或温度。
本发明在一较佳示例中可以进一步配置为：在步骤200中，对各类型指标数据进行处理的具体步骤如下：
步骤201：建立数据处理平台，数据处理平台通过智能插座进行数据采集，并通过数据传输通道采集得到指标数据；
步骤202：通过特征工程对指标数据特征提取与分类，将所有数据进行特征选择，设定对应指标数据的安全阈值范围，形成相应的指标数据集。
步骤203：进行安全性判断，将所得特征数值与设定的安全阈值范围进行比较，若不在安全阈值范围之内，则进行对应报警提示，如在安全阈值范围之内，则考虑进行参数的优化；
步骤204：结合特征工程得到的特征数值建立多目标评估模型；
步骤205：将经过步骤202处理的指标数据作为输入，对该时刻的每一类指标数据进行高效分析处理，而在参数优化的时候使用多种智能群优化算法进行特征参数优化，每运行一种算法可以得到一种系统的参数值，在进行多种算法运行之后，运用VELM算法，选择参数值最高的值作为最优参数值，最优参数值对应的算法即为，在此样本条件下的最优算法；
步骤206：将输出结果与安全阈值范围进行比较，判断指标数据的安全性信息与带操作的数据信息，得到最终的数据处理结果。
本发明在一较佳示例中可以进一步配置为：在步骤202中，采用数据分箱技术对数据进行预处理技术，然后采用独热编码技术，把类别数据变成长度相同的特征，再通过特征缩放和标准化操作，将数据特征在不同尺度上测量的值调整到概念上的共同尺度，标准化独立变量或数据特征范围。
本发明在一较佳示例中可以进一步配置为：在步骤205中的多种算法包括依次使用的退火算法、鱼群算法、烟花算法、鲸鱼算法。
本发明在一较佳示例中可以进一步配置为：在步骤300中，基于智能插座数据传输的结果反馈过程具体步骤如下：
步骤301：获取指标数据经过高效处理之后得到的最终的处理结果，该处理结果包含了对应指标数据的安全性信息与待执行的操作信息；
步骤302：将处理结果信息与指标操作集信息进行匹配，由指标数据处理结果通过匹配指标操作集得到待执行的电气操作的具体信息，得到对应电气操作信号；
步骤303：将电气操作信号信息通过数据传输与反馈通道传输反馈给智能插座内部的控制模块，使控制模块接收到实际的电气操作指令。
通过采用上述技术方案，结合采集的指标数据值进行比较，与对应的指标反馈集数据进行匹配，得到相应需要执行的电气操作信号。将电气信号反馈给对应的处理模块，通过信号指令控制模块执行电气操作，最终实现整个电气设备的安全控制与高效运转。
本发明目的二是提供一种智能插座，具有可满足不同的电气产品的使用要求的特点。
本发明的上述发明目的二是通过以下技术方案得以实现的：
一种智能插座，包括传感模块、通讯模块和控制模块，
传感模块，用于检测使用该智能插座的电气产品的各类型指标数据；
通讯模块，与传感模块通讯连接；
控制模块，与通讯模块通讯连接，并控制智能插座进行相应的电气操作。
本发明目的三是提供一种智能终端，具有增强智能插座对于各种电气产品的适配性的特点。
本发明的上述发明目的三是通过以下技术方案得以实现的：
一种智能终端，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述智能插座数据管理方法的计算机程序。
本发明目的四是提供一种计算机存储介质，能够存储相应的程序，具有便于实现对智能插座采集的数据进行高效处理的特点。
本发明的上述发明目的四是通过以下技术方案得以实现的：
一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种智能插座数据管理方法的计算机程序。
综上所述，本发明包括以下至少一种有益技术效果：本发明可以自动收集插座使用指标数据，进行高效数据处理与指标评估反馈，根据处理结果反馈安全执行对应的电气操作，实时实现数据的传输、处理与反馈闭环，并据此产生大量插座综合数据报告，采用本发明可以减少智能插座的安全监测的单一性、提高插座使用数据的高效处理与数据反馈，在降低智能插座的安全监测成本的同时提高智能插座的数据使用价值。
附图说明
图1是本发明其中一实施例的数据高效处理与结果反馈流程图。
图2是本发明其中一实施例的数据高效处理过程流程图。
图3是本发明其中一实施例的处理结果反馈过程流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。
实施例1：本发明实施例1提供一种智能插座数据管理方法，具体步骤如下：
步骤100：收集使用智能插座的电压、电流、电量和温度等指标数据，形成相应的指标数据集。
步骤200：建立数据处理平台，数据处理平台根据对应的指标类型对各类型指标数据进行处理，形成每个指标类型对应的处理结果，确保处理结果可以用衡量指标的安全性。
衡量指标的安全性是指处理的过程中将该指标类型与对应的安全阈值范围进行比较，如果在安全阈值范围内则认为是暂时安全的，否则评价为不安全。衡量指标的安全性一方面可以通过数据处理平台获得，数据处理平台对大数据进行处理，选取衡量电气产品和智能插座正常工作的安全阈值范围。
另外，智能插座内部也会预设衡量指标，智能插座内部模块一般搜集的指标参数有电压、电流、电量及温度等，针对电压、电流等指标参数要求其符合基本安全使用范围，温度和电量指标参数则要求在确保安全的条件下选择最优的参数值使得设备运行稳定的同时还能实现节能效果。因此针对电压、电流等指标参数需要为其设定指标安全阈值，安全阈值会根据不同类型的电气产品安全运行数据的采集，通过采集该数据选择安全运行的数据划定安全阈值的范围，智能插座与相应的电气产品配合使用后，获取电气产品的型号，从而匹配相应的安全阈值，这样智能插座对于不同的电气产品匹配性也更好，安全性更高。而温度和电量等指标参数，需要采取合适的算法进行最优化参数求解，得到满足高效又能够节能的参数值，而要更正为合适的参数值，需要定义对应更正的电气操作信号。通过信号指令控制模块电气的电气操作，进行参数值的更正。
数据处理平台对获取的各项数据进行多种算法的处理，最后运用VELM算法，选取最优参数，数据处理平台获取固定时刻的处理结果，与对应的预设指标结果集进行匹配，如果与结果集某种记录情况一致，则反馈对应的电气操作信号，将该电气操作信号通过智能插座的数据收集与传输通道传输到智能插座中；如果不一致，则发出报警提示。
步骤300：智能插座得到相应的电气操作信号，执行对应的电气操作，对存在安全隐患的指标数据进行更正处理，同时获得每次操作信号，形成操作结果集。
在步骤200中，数据处理平台对各类型指标数据进行处理的具体步骤如下：
步骤201：建立数据处理平台，数据处理平台通过智能插座进行数据采集，并通过数据传输通道采集得到指标数据。
步骤202：通过特征工程对指标数据特征提取与分类，将所有数据进行特征选择，设定对应指标数据的安全阈值范围，形成相应的指标数据集。
数据处理平台将智能插座等电气设备采集到的所有数据进行汇总，其中包括电压、电流、电量、温度等指标参数。因为收集到的数据是类别不同，各式各样的，因此需要先进行特征工程，将所有数据进行特征选择，首先采用数据分箱技术对数据进行预处理技术，用于减少轻微观察错误的影响。接着采用独热编码技术，把类别数据变成长度相同的特征。通过特征缩放和标准化操作，将数据特征在不同尺度上测量的值调整到概念上的共同尺度，标准化独立变量或数据特征范围。
步骤203：进行安全性判断，将所得特征数值与设定的安全阈值范围进行比较，若不在安全阈值范围之内，则进行对应报警提示，如在安全阈值范围之内，则考虑进行参数的优化。
步骤204：结合特征工程得到的特征数值建立多目标评估模型，该模型是结合电压、电流、电量、温度及其对应的变化率等指标的多目标评估模型，建立一个基于Pareto最优解的多目标评估模型，NSGA-Ⅱ算法模型，即带有精英保留策略的快速非支配多目标评估模型，用来评估整体系统运行的使用效率与质量。
步骤205：将经过步骤202处理的指标数据作为输入，对该时刻的每一类指标数据进行高效分析处理，而在参数优化的时候则需要使用则依次考虑利用退火算法、鱼群算法、烟花算法等多种智能群优化算法进行特征参数优化。每运行一种算法可以得到一种系统的参数值，在进行多种算法运行之后，运用VELM算法，选择参数值最高的值作为最优参数值，最优参数值对应的算法即为，在此样本条件下的最优算法。
此处以退火算法为例分析数据高效处理的过程。
模拟退火算法简介：
模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e(-ΔE/(kT))，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为多目标评估模型的目标函数值f，温度T演化成控制参数时刻t，即得到解组合优化问题的模拟退火算法：由初始解各项指标参数i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解。
模拟退火算法的模型
模拟退火算法可以分解为解空间(待优化参数的取值范围)、目标函数(多目标优化模型的评估函数)和初始解(特征工程之后的数据参数)三部分。
模拟退火的基本思想:
(1)初始化：初始待优化参数T(充分大)，初始解状态S(是算法迭代的起点)，每个T值的迭代次数L
(2)对k＝1,…,L做第(3)至第6步：
(3)产生新解S′
(4)计算增量ΔT＝C(S′)-C(S)，其中C(S)为多目标优化评估函数
(5)若ΔT<0则接受S′作为新的当前解，否则以概率exp(-ΔT/T)接受S′作为新的当前解.
(6)如果满足终止条件则输出当前解作为最优解，结束程序。
终止条件通常取为连续若干个新解都没有被接受时终止算法。
(7)T逐渐减少，且T->0，然后转第2步。
模拟退火算法的步骤：
模拟退火算法新解的产生和接受可分为如下四个步骤：
第一步是由一个产生函数从当前解产生一个位于解空间的新解。即由当前的待优化参数 (如电流I0)的值通过简单变换之后产生新的待优化参数值(新电流值I1)，为便于后续的计算和接受，减少算法耗时，选择由当前新解经过简单地变换即可产生新解的方法。
第二步是计算与新解所对应的目标函数差。即计算待优化参数(电流I1)对应的多目标优化模型的评估函数值S’,因为目标函数差仅由变换部分产生，所以目标函数差的计算按增量计算ΔT＝C(S′)-C(S)。
第三步是判断新解是否被接受。判断的依据是一个接受准则，此处的接受准则是Metropolis准则:若ΔT<0则接受S′作为新的当前解S，否则以概率exp(-ΔT/T)接受S′作为新的当前解S。
第四步是当新解被确定接受时，用新解代替当前解。即将新的参数值(电流I1)认为是当前最优的参数值(电流值)，这只需将当前解中对应于产生新解时的变换部分予以实现，同时修正目标函数值即可。此时，当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。最终实验结束得到全局最优的参数值(电流值)。
模拟退火算法与初始值无关，算法求得的解与初始解状态S(是算法迭代的起点)无关；模拟退火算法具有渐近收敛性。由于模拟退火算法具有并行性，因此可以对电流、电压、电量、温度及其对应的变化率等特征参数进行模拟优化，得到对应的最优值。
基于投票机制的极限学习器(VELM)的不同算法比较
使用基于投票机制的极限学习机对所有数据进行分类,继而使用不同的优化算法进行试验,并将该算法与其他使用基本手段的算法进行比较。
ELM概要
极限学习机是一种针对单隐含层前馈神经网络(Single- hiddenLayerFeedforwardNeuralNetwork,SLFN)的新算法。相对于传统前馈神经网络训练速度慢，容易陷入局部极小值点，学习率的选择敏感等缺点，ELM算法随机产生输入层与隐含层的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需要设置隐含层神经元的个数，便可以获得唯一的最优解。与之前的传统训练方法相比，ELM方法具有学习速度快，泛化性能好等优点。
ELM概述
传统的典型单隐含层前馈神经网络结构如图1所示，由输入层，隐含层和输出层组成，输入层与隐含层，隐含层与输出层神经元间全连接。其中，输入层有n个神经元，对应n个输入变量；隐含层有l个神经元；输出层有m个神经元，对应m个输出变量。
ELM可以作为一种学习策略(例如对BP框架的改进)，也可作为一类神经网络构筑进行论述。对于后者，标准的ELM使用单层前馈神经网络(Single Layer Feedforwardneuron Network,SLFN)的结构。具体地，SLFN的组成包括输入层、隐含层和输出层，其中隐含层的输出函数具有如下定义：
Figure RE-GDA0002506703870000081
这里x为神经网络的输入、β为输出权重，ｈ(x)被称为特征映射或激励函数(activation function)，其作用是将输入层的数据由其原本的空间映射到ELM的特征空间：
h(x)＝G(ai，bi，x)
式中ai和bi是特征映射的参数，在ELM研究中也被称为节点参数(nodeparameter)，其中ai为输入权重(input weights)。
VELM算法
VELM中有K个独立ELM,隐节点均设为L,激活函数相同,随机初始化学习参数,利用所有的训练样本对每个ELM进行训练,得出输出权值；对于一个测试样本,用每个训练过的ELM进行测试,得出K个预测结果,相同的结果累计记录,最后将投票最多的类标签视为该测试样本的分类结果。
依次采用烟花算法、鱼群算法、鲸鱼算法等优化算法运用VELM的手段进行测试，利用所有的训练样本对每个ELM进行训练，得出输出权值。再对于一个新的测试样本，用将其分成K份，分别对应用每个训练过的ELM进行测试,得出K个预测结果,相同的结果累计记录,最后相同结果的数量作为该算法下的参数值，通过不同算法的参数值比较，得到参数值最高的算法，这一结果即为最优参数值，最优参数值对应的算法即为当前测试样本数据下的最优算法。
步骤206：将输出结果与安全阈值范围进行比较，判断指标数据的安全性信息与带操作的数据信息，得到最终的数据处理结果。
在步骤300中，基于智能插座数据传输的结果反馈过程具体步骤如下：
步骤301：获取指标数据经过高效处理之后得到的最终的处理结果，该处理结果包含了对应指标数据的安全性信息与待执行的操作信息。
步骤302：将处理结果信息与指标操作集信息进行匹配，由指标数据处理结果通过匹配指标操作集得到待执行的电气操作的具体信息，得到对应电气操作信号。
步骤303：将电气操作信号信息通过数据传输与反馈通道传输反馈给智能插座内部的控制模块，使控制模块接收到实际的电气操作指令。
在经过多种算法评估得到最优参数之后，将参数值通过神经网络逆向传播反馈给输入层，得到最优系统参数值需要的最优输入，进而得到对应所需要的电压、电流、电量以及温度等指标的数据。结合之前采集的这些指标数据值进行比较，与对应的指标反馈集数据进行匹配，得到相应需要执行的电气操作信号。将电气信号反馈给对应的处理模块，通过信号指令控制模块执行电气操作，最终实现整个电气设备的安全控制与高效运转。
实施例2：本发明实施例2提供一种智能插座，包括传感模块、通讯模块和控制模块，传感模块用于智能插座在对应不同电气产品使用过程中的电压、电流、电量、温度等相关数据。通讯模块与传感模块通讯连接并将传感模块采集到的数据发送至具有计算功能的上位机中，通过上位机计算后再反馈至控制模块，控制模块控制智能插座执行相关的电气操作。
实施例3：本发明实施例3提供一种智能终端，包括存储器和处理器，存储器上存储有能够被处理器加载并执行上述智能插座数据管理方法的计算机程序。
实施例4：一种计算机可读存储介质，存储有能够被处理器加载并执行上述智能插座数据管理方法的计算机程序。

Claims (10)

1.一种智能插座数据管理方法，其特征在于，具体步骤如下：
步骤100：收集使用智能插座的各类型指标数据；
步骤200：建立数据处理平台，数据处理平台根据对应的指标类型对各类型指标数据进行处理，形成每个指标类型对应的处理结果，确保处理结果可以用衡量指标的安全性；
数据处理平台获取固定时刻的处理结果，与对应的预设指标结果集进行匹配，如果与结果集某种记录情况一致，则反馈对应的电气操作信号，将该电气操作信号通过智能插座的数据收集与传输通道传输到智能插座中；如果不一致，则发出报警提示；
步骤300：智能插座得到相应的电气操作信号，执行对应的电气操作，对存在安全隐患的指标数据进行更正处理，同时获得每次操作信号，形成操作结果集。
2.根据权利要求1所述的智能插座数据管理方法，其特征在于，在步骤200中，所述衡量指标的安全性是指处理的过程中将该指标类型与对应的安全阈值范围进行比较，如果在安全阈值范围内则认为是暂时安全的，否则评价为不安全。
3.根据权利要求1所述的智能插座数据管理方法，其特征在于，所述指标数据类型包括电流和/或电压和/或电量和/或温度。
4.根据权利要求1所述的智能插座数据管理方法，其特征在于，在步骤200中，对各类型指标数据进行处理的具体步骤如下：
步骤201：建立数据处理平台，数据处理平台通过智能插座进行数据采集，并通过数据传输通道采集得到指标数据；
步骤202：通过特征工程对指标数据特征提取与分类，将所有数据进行特征选择，设定对应指标数据的安全阈值范围，形成相应的指标数据集。
步骤203：进行安全性判断，将所得特征数值与设定的安全阈值范围进行比较，若不在安全阈值范围之内，则进行对应报警提示，如在安全阈值范围之内，则考虑进行参数的优化；
步骤204：结合特征工程得到的特征数值建立多目标评估模型；
步骤205：将经过步骤202处理的指标数据作为输入，对该时刻的每一类指标数据进行高效分析处理，而在参数优化的时候使用多种智能群优化算法进行特征参数优化，每运行一种算法可以得到一种系统的参数值，在进行多种算法运行之后，运用VELM算法，选择参数值最高的值作为最优参数值，最优参数值对应的算法即为，在此样本条件下的最优算法；
步骤206：将输出结果与安全阈值范围进行比较，判断指标数据的安全性信息与带操作的数据信息，得到最终的数据处理结果。
5.根据权利要求4所述的智能插座数据管理方法，其特征在于，在步骤202中，采用数据分箱技术对数据进行预处理技术，然后采用独热编码技术，把类别数据变成长度相同的特征，再通过特征缩放和标准化操作，将数据特征在不同尺度上测量的值调整到概念上的共同尺度，标准化独立变量或数据特征范围。
6.根据权利要求4所述的智能插座数据管理方法，其特征在于，在步骤205中的多种算法包括依次使用的退火算法、鱼群算法、烟花算法、鲸鱼算法。
7.根据权利要求1所述的智能插座数据管理方法，其特征在于，在步骤300中，基于智能插座数据传输的结果反馈过程具体步骤如下：
步骤301：获取指标数据经过高效处理之后得到的最终的处理结果，该处理结果包含了对应指标数据的安全性信息与待执行的操作信息；
步骤302：将处理结果信息与指标操作集信息进行匹配，由指标数据处理结果通过匹配指标操作集得到待执行的电气操作的具体信息，得到对应电气操作信号；
步骤303：将电气操作信号信息通过数据传输与反馈通道传输反馈给智能插座内部的控制模块，使控制模块接收到实际的电气操作指令。
8.一种智能插座，其特征在于，包括传感模块、通讯模块和控制模块，
传感模块，用于检测使用该智能插座的电气产品的各类型指标数据；
通讯模块，与传感模块通讯连接；
控制模块，与通讯模块通讯连接，并控制智能插座进行相应的电气操作。
9.一种智能终端，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
CN202010226796.8A 2020-03-27 2020-03-27 智能插座使用方法、智能插座、智能终端、存储介质 Pending CN111445143A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010226796.8A CN111445143A (zh) 2020-03-27 2020-03-27 智能插座使用方法、智能插座、智能终端、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010226796.8A CN111445143A (zh) 2020-03-27 2020-03-27 智能插座使用方法、智能插座、智能终端、存储介质

Publications (1)

Publication Number Publication Date
CN111445143A true CN111445143A (zh) 2020-07-24

Family

ID=71649190

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010226796.8A Pending CN111445143A (zh) 2020-03-27 2020-03-27 智能插座使用方法、智能插座、智能终端、存储介质

Country Status (1)

Country Link
CN (1) CN111445143A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102801208A (zh) * 2012-08-31 2012-11-28 安徽工业大学 多路供电智能调度管理器及其控制方法
CN105223837A (zh) * 2014-07-01 2016-01-06 青岛海尔洗衣机有限公司 一种家电检测保护方法、用于家电的智能插座及洗衣机
CN106569030A (zh) * 2016-11-11 2017-04-19 广东电网有限责任公司电力科学研究院 一种电能计量异常诊断中的告警阈值寻优方法及装置
CN206322955U (zh) * 2016-12-21 2017-07-11 上海建坤信息技术有限责任公司 家电的智能通断电插座
CN108134456A (zh) * 2018-01-26 2018-06-08 江南大学 一种智能共享插座系统及控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102801208A (zh) * 2012-08-31 2012-11-28 安徽工业大学 多路供电智能调度管理器及其控制方法
CN105223837A (zh) * 2014-07-01 2016-01-06 青岛海尔洗衣机有限公司 一种家电检测保护方法、用于家电的智能插座及洗衣机
CN106569030A (zh) * 2016-11-11 2017-04-19 广东电网有限责任公司电力科学研究院 一种电能计量异常诊断中的告警阈值寻优方法及装置
CN206322955U (zh) * 2016-12-21 2017-07-11 上海建坤信息技术有限责任公司 家电的智能通断电插座
CN108134456A (zh) * 2018-01-26 2018-06-08 江南大学 一种智能共享插座系统及控制方法

Similar Documents

Publication Publication Date Title
Wei et al. Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression
CN112946484B (zh) 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质
CN112633421A (zh) 一种用户异常用电行为检测方法及装置
CN110544177A (zh) 基于电力指纹的负荷识别方法及计算机可读存储介质
CN109992921A (zh) 一种燃煤电厂锅炉热效率的在线软测量方法及系统
CN113671394A (zh) 一种锂离子电池期望寿命预测方法及系统
CN106295877B (zh) 一种智能电网电能使用量预测方法
CN118151020B (zh) 一种电池安全性能的检测方法及系统
CN113759709A (zh) 策略模型的训练方法、装置、电子设备和存储介质
CN116794547A (zh) 一种基于afsa-gru的锂离子电池剩余使用寿命预测方法
CN115409317A (zh) 基于特征选择和机器学习的台区线损检测方法及装置
CN116415732A (zh) 一种基于改进arnn的用户侧电力负荷数据处理方法
Liu et al. State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network
Cai et al. Prediction of lithium-ion battery remaining useful life based on hybrid data-driven method with optimized parameter
CN118469507A (zh) 一种基于神经网络模型的电网物料采购流程优化方法
CN114814707A (zh) 一种智能电表应力误差分析方法、设备、终端及可读介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN113408622A (zh) 计及特征量信息表达差异的非侵入式负荷辨识方法及系统
CN111445143A (zh) 智能插座使用方法、智能插座、智能终端、存储介质
CN114565051B (zh) 基于神经元影响程度的产品分类模型的测试方法
CN113487080B (zh) 一种基于风速分类的风速动态场景生成方法、系统及终端
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
Li et al. Hybrid model for wind power estimation based on BIGRU network and error discrimination‐correction
CN115980607A (zh) 基于增量容量曲线特征点的电池健康状态soh估算方法
CN112508239A (zh) 一种基于vae-cgan的储能出力预测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200724