CN114996182B - 一种用于负荷识别模型训练的稳态数据流输出装置 - Google Patents
一种用于负荷识别模型训练的稳态数据流输出装置 Download PDFInfo
- Publication number
- CN114996182B CN114996182B CN202210559878.3A CN202210559878A CN114996182B CN 114996182 B CN114996182 B CN 114996182B CN 202210559878 A CN202210559878 A CN 202210559878A CN 114996182 B CN114996182 B CN 114996182B
- Authority
- CN
- China
- Prior art keywords
- data
- steady
- state
- microprocessor
- event
- 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
- 238000012549 training Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000011161 development Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 6
- 230000005611 electricity Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 208000033182 PLCG2-associated antibody deficiency and immune dysregulation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/38—Information transfer, e.g. on bus
- G06F13/382—Information transfer, e.g. on bus using universal interface adapter
- G06F13/385—Information transfer, e.g. on bus using universal interface adapter for adaptation of a particular data processing system to different peripheral devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/38—Information transfer, e.g. on bus
- G06F13/42—Bus transfer protocol, e.g. handshake; Synchronisation
- G06F13/4282—Bus transfer protocol, e.g. handshake; Synchronisation on a serial bus, e.g. I2C bus, SPI bus
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2213/00—Indexing scheme relating to interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F2213/0042—Universal serial bus [USB]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Selective Calling Equipment (AREA)
Abstract
针对利用神经网络和深度学习开发的非侵入式负荷识别算法在模型训练和模型验证过程中存在的缺乏模拟智能电表实时提供样本数据的问题,本发明提供了一种可用于负荷识别模型训练的稳态数据流输出装置和方法。该装置设有自行采集实验电器数据和利用公开数据集输出稳态数据流两种工作模式,将原始数据通过自定义通讯传输至微处理器,再由一种基于双滑动窗口的数据预处理、事件检测和稳态判断方法识别并提取稳态数据,最终实时输出可靠有效的稳态数据,以供负荷识别算法芯片接收这些数据并且用于非侵入式负荷识别算法模型的在线训练和实时性验证,为实现在线负荷识别算法模型开发提供了数据流基础。
Description
技术领域
本发明涉及电气数据采集装置,具体涉及一种可用于负荷识别模型训练的稳态数据流输出装置。
背景技术
负荷识别方法分为侵入式和非侵入式负荷识别两大类,侵入式负荷识别方法对用户内部各个电器安装传感器,从而得到负荷的用电信息,而非侵入式负荷识别一般是将负荷识别算法嵌入到位于用户用电入口处的智能电表中,实现对用户负荷用电信息的监测,该方法因其成本小、实用性强、易推广的优势成为负荷监测方向的发展趋势。由于智能电表信息储存能力有限,故希望有负荷投切事件发生时进行事件判断,无事件发生时则不进行数据存储,对有投切事件发生时需要进行用电数据的实时处理,并供负荷识别算法使用。目前神经网络和深度学习快速发展,在学习上它们比传统统计方法更具优势,因而大量神经网络和深度学习模型被应用到非侵入式负荷识别算法中。用户用电样本数据是神经网络和深度学习模型训练和模型验证的重要基础,良好的样本数据不仅能提升模型的识别效果,还能保证模型的稳定性。然而用户用电样本数据种类繁多、数量大、价值密度低、速度快,而且随家用电器类型和品牌的不同会出现各种独特的数据特征。智能电表获得的用户用电数据主要分为暂态和稳态两种样本数据,稳态数据是负荷识别算法中用得最多的一类数据,而样本数据可以通过自行采集实验电器数据得到,也可以从公开数据集得到,这些样本数据往往是离线的数据集。在神经网络和深度学习的算法模型开发、模型训练和模型验证时,最好能模拟智能电表实时提供样本数据,即将离线的自行采集的实验电器数据集或公开数据集转化成智能电表的实时输出的用电数据流。本发明给出了一种可用于模型在线训练的稳态数据流输出装置,该装置主要由多孔插座、单相智能电表、计算机、USB转SPI模块、微处理器和数据输出模块组成,它提供了数据预处理、事件检测和稳态判断方法,能够提取并实时输出可靠的稳态用电数据流,解决了公开数据集等离线数据集存在的数据类型有限、缺乏灵活性、特征样本无法应用到实际应用中的问题,为实现在线负荷识别算法模型开发提供了数据流基础,同时也为自行采集实验数据提供了一种可靠和方便的方案。
发明内容
针对利用神经网络和深度学习开发的非侵入式负荷识别算法在模型训练和模型验证过程中存在的缺乏模拟智能电表实时提供样本数据的问题,本发明提供了一种可用于非侵入式负荷识别算法模型训练的稳态数据流输出装置,该装置为非侵入式负荷识别算法模型的在线训练和实时性验证提供一种方便的工具。
本发明所述的一种用于负荷识别模型训练的稳态数据流输出装置由多孔插座、单相智能电表、计算机、USB转SPI模块、微处理器和数据输出模块组成,其中,多孔插座用来接入单个或多个电器,单相智能电表测量多孔插座所接入的电器负载,单相智能电表通过SPI接口与微处理器的第一SPI接口通讯,计算机通过USB转SPI模块与微处理器的第二SPI接口通讯,微处理器通过第三SPI接口输出稳态数据流。
本发明所述的一种用于负荷识别模型训练的稳态数据流输出装置的工作模式分为通过自行采集实验电器数据后输出稳态数据流和利用公开数据集输出稳态数据流两种。在通过自行采集实验数据后输出稳态数据流的工作模式下,先将单个或多个待识别电器接入多孔插座,并对每个电器进行接通和关断操作,然后通过单相智能电表测量多孔插座所接入的电器负载的用电情况,单相智能电表通过SPI接口输出每周期32对或128对电压和电流的采样数据,该采样数据通过微处理器的第一SPI接口送入微处理器;在利用公开数据集输出稳态数据流的工作模式下,先将公开数据集存入计算机,然后编写程序通过USB转SPI模块将储存在计算机里的公开数据集数据经微处理器的第二SPI接口送入微处理器;微处理器得到自行采集实验电器数据或公开数据集数据后,在微处理器内通过基于双滑动窗口的算法对数据进行预处理、事件检测和稳态运行判断。双滑动窗口设为一基于电压电流序列滑动的大步长滑动窗口和一基于实时功率序列滑动的小步长滑动窗口,在大步长滑动窗口内对数据进行缺失值和异常值判断和处理,在小步长滑动窗口内基于累计超界值的事件检测算法对电器接通或关断事件进行检测,在检测到事件发生点时继续滑动小步长窗口并根据累计超界值阈值进行稳态运行判断,然后以电器接通并已稳态运行(或电器关断)的事件标志信号触发(或关断)微处理器的第三SPI接口的通讯,最终将电器运行稳态数据流及事件标志信号通过微处理器的第三SPI接口实时输出,以供负荷识别算法芯片接收这些数据并用于非侵入式负荷识别算法模型的训练和验证。
本发明所述的一种用于负荷识别模型训练的稳态数据流输出装置的微处理器为STM32F407ZG核心开发板,在微处理器内通过一种基于双滑动窗口的事件检测算法进行数据预处理、电器事件检测、稳态运行判断。其具体方法为:在大步长窗口Wl内进行数据缺失值和异常值的判断和处理,在小步长滑动窗口Ws内进行事件检测和稳态运行判断。若检测到事件发生,事件发生标志点置1,继续滑动小步长窗口并根据连续超界值判断是否进入稳态运行状态,稳态运行标志点置1。若检测到有事件发生并判断为已进入稳态运行状态,则触发第三SPI接口以输出稳态数据流;若检测到电器关断,则停止输出稳态数据流。这样采用双重检测的方法以排除小电流干扰和电压误动的不可抗干扰因素,最终输出有效可靠的稳态数。若小步长滑动窗口在当前大步长滑动窗口中滑动结束一直没有触发第三SPI接口输出稳态数据流,则将该大步长窗口中的数据及时丢包,释放该部分数据暂存储空间,该方式不仅减小了电表存储的压力,也不会丢失重要电气特征样本数据。
附图说明
图1是本发明一种可用于负荷识别模型训练的稳态数据流输出方法流程图;
图2是本发明一种可用于负荷识别模型训练的稳态数据流输出装置的系统示意图;
图3是所述A/D信号采集程序的流程示意图;
图4是事件检测算法流程示意图;
图5是某品牌白炽灯的事件检测结果示意图。
具体实施方法
本发明涉及一种用于负荷识别模型训练的稳态数据流输出装置,为方便进一步理解本发明的装置和方法,下面结合附图对本发明作进一步的详细说明。
参见图1,为本发明一种用于负荷识别模型训练的稳态数据流输出方法流程图。参见图2,为本发明一种用于负荷识别模型训练的稳态数据流输出装置的系统示意图,该系统装置涉及多孔插座(101)、单相智能电表(102)、计算机(103)、USB转SPI模块(104)、微处理器(105)和数据输出模块(106)。微处理器包括数据解码模块(107)、数据平滑处理模块(108)、事件检测模块(109)和稳态运行判断模块(110)。本发明的一种用于负荷识别模型训练的稳态数据流输出装置有两种工作模式:①通过自行采集实验电器数据后输出稳态数据流,涉及多孔插座(101)和单相智能电表(102);②利用公开数据集输出稳态数据流,涉及计算机(103)和USB转SPI模块(104)。微处理器(105)和数据输出模块(106)为两种工作模式公用模块。下面根据两种工作模式依次对装置各模块进行描述。
多孔插座(101):所述并联式多孔插座,其特征在于,在自行采集电器数据时即可接入单电器,也可同时接入多个多种电器,且由于其并联特性可保证各电器之间切换开关状态、多状态电器挡位切换运行时互不干扰。故使得该装置可收集单电器稳态运行数据、多电器组合稳态运行数据、多状态组合电器稳态运行数据。
单相智能电表(102):所述单相智能电表包括电压和电流传感器、A/D转换模块、自定义通讯编码单元和信号传输单元。A/D转换模块采用PCF8951芯片,参见图3,为A/D信号采集程序流程示意图,其程序涉及初始化芯片、采样频率设定、采样通道和输入方式的选择,具体为设置串口通信工作于模式2状态,采用定时器1的定时方式2,同时令SMOD=1使串口的波特率加倍,最终设定的波特率为19200bps。自定义通讯编码单元包含帧头标识符(FFFF FF)、帧尾(EE EE)标识符、校验位(CS)、定长数据区(32*3个或128*3个字节),其中定长数据区内包含一个采集周期内的固定个数的电压值和电流值,其格式为时间点1电压值、时间点1电流值、时间点2电压值、时间点2电流值,…,时间点n电压值,时间点n电流值,其中n为32或128。字段类型均为存放十六进制数据编码,类型为unsigned char。信号传输单元选择SPI_DMA模式进行编码数据的大量无错传输,每帧数据发送的步骤为:发送帧头标识符(FF FF FF);发送定长数据区中的n个时间点的电压、电流值(电压值1、电流值1、电压值2、电流值2,…,电压值n,电流值n),其中n为32或128;发送校验位CS;发送帧尾标识符(EEEE)。
多孔插座和单相智能电表用于自采样电器数据工作模式,其步骤为:
步骤一、将单个或多个待识别电器接入多孔插座,对电器进行接通和关断动作。
步骤二、由电压、电流传感器采集到接入电器的相关电压、电流信号;通过A/D转换模块将电压、电流模拟信号转换为数字信号;再由自定义通讯编码单元对该数字信号进行数据帧通讯格式编码;最终由信号传输单元将已编码完成的数据帧以数据流形式通过微处理器的第一SPI接口传入微处理器。
计算机(103):所述计算机主要是对公开数据集的编码,由计算机作为上位机发送已编码好的公开数据集的数据流。已编码完成的可用公开数据集包括REDD、UK-DALE、PLAID等多个常用公开数据集。其编码规则同上述自定义编码。
USB转SPI模块(104):所述USB转SPI模块用于连接上位机和微处理器,其接收上位机发送的自定义通讯编码数据,并通过微处理器的第二SPI接口将数据传至微处理器内。
计算机和USB转SPI模块用于公开数据集输出数据流工作模式,其步骤为:由计算机对公开数据集按帧进行自定义通讯编码,通过USB转SPI模块,由微处理器的第二SPI接口传入微处理器。
微处理器(105):选择STM32F407ZG核心开发板,其程序内包括数据解码模块(107)、数据平滑处理模块(108)、事件检测模块(109)和稳态运行判断模块(110)。首先由数据解码模块接收从第一SPI接口传入的自采集数据流或第二SPI接口传入的现有公开数据集的数据流,按指定长度存至环形缓冲区,进行帧头帧尾判断,判断正确则按照编码规则进行一个周期内电压数据和电流数据的解码计算。当一帧数据解码结束,环形缓冲区数据丢出,释放缓冲区空间。最终可解码得到带正负号的浮点型数值,存储为电压值序列、电流值序列和实时功率序列。然后给定一大步长滑动窗口Wl和一小步长滑动窗口Ws,以基于双滑动窗口的方法对数据进行预处理、事件检测和稳态运行判断,当有事件发生并判断为进入稳态运行状态,则通过微处理器的第三SPI接口输出稳态数据流,第三SPI接口波特率设置为115200bps。
其中,一种基于双滑动窗口的数据预处理、事件检测和稳态运行判断算法具体为:
数据平滑处理模块中给定一基于电压值序列和电流值序列滑动的大步长滑动窗口Wl,以该滑动窗口为处理单元,以数据采集频率和时间长度计算某时间段内应采集的数据个数,判断该时间段内是否有电压和电流数据的缺失值;另给定允许阈值h1判断该时间段内是否出现异常值。若出现缺失值和异常值,则以前一数据和后一数据的平均值进行填补和处理。
事件检测模块和稳态运行判断模块中给定一基于实时功率序列滑动的小步长滑动窗口Ws。参见图4,为该事件检测和稳态判断算法示意图。具体步骤为:以小步长滑动窗口Ws为处理单元,对目前时刻Ws窗口中m个功率数据按从小到大的顺序进行排序,并计算出前n个功率的均值nmean和该窗口内总共m个数据的均值mmean;将nmean和mmean的差值绝对值与设定窗口高度hw进行比较,当前者大于后者,计数器count加1;在时间序列按设定步长L进入下一时刻窗口,当累计计数器大于给定占比次数时判断为有事件发生,事件发生标志位Event_flag置1;检测到事件发生点后,给定的小步长滑动窗口Ws继续在该功率序列上滑动,继续将nmean和mmean的差值绝对值与设定窗口高度hw进行比较,当前者在给定占比次数内连续小于后者,则判断进入稳态运行状态,返回稳态运行时间点,稳态运行标志点Steady置1。否则,若前者在给定占比次数内没有连续小于后者,则认为发生小电流干扰或发生误动,稳态运行标志点Steady置0;最后将事件发生标志位Event_flag和稳态运行标志位Steady作与运算,运算结果Output_flag返回为1时,触发微处理器第三SPI接口输出稳态数据。当检测到事件关闭点时,关闭第三SPI接口停止输出稳态数据。采用事件检测和稳态运行双重判断的方式可以提高误扰动的容错度,保证输出为可靠有效的电器稳态运行数据。参见图5,为某品牌白炽灯的事件检测结果和稳态运行检测结果示意图。
Claims (4)
1.一种用于负荷识别模型训练的稳态数据流输出装置,其由多孔插座、单相智能电表、计算机、USB转SPI模块、微处理器和数据输出模块组成;其特征在于,多孔插座用于接入单个或多个电器,单相智能电表与多孔插座相连,用于测量多孔插座所接入的电器负载,单相智能电表通过SPI接口与微处理器的第一SPI接口通讯;计算机通过USB转SPI模块与微处理器的第二SPI接口通讯;最后微处理器通过第三SPI接口输出稳态数据流;
先由基于STM32F407ZG核心开发板的微处理器接收自行采集实验电器数据或公开数据集数据;在微处理器先按照自定义通讯编码进行数据解码,自定义通讯编码包含帧头标识符、帧尾标识符、校验位、定长数据区,其中定长数据区内包含一个采集周期内32个或64个固定个数的电压值和电流值;然后在微处理器内通过基于双滑动窗口的算法对数据进行预处理、事件检测和稳态运行判断,最终输出有效可靠的稳态数据流;
在微处理器中首先识别帧头、帧尾,当判断数据为完整一帧时,对数据按帧解码,得到可用的电压、电流浮点值,并在微处理器上存为电压值序列、电流值序列、功率序列暂存区;然后根据解码后的电压和电流值序列,在电压值和电流值序列上滑动的设定一大步长滑动窗口Wl,以该滑动窗口为处理单元,按频率和时间长度计算为参考判断是否有缺失值,按给定允许波动阈值h1为参考判断是否存在异常值,进行数据异常值、缺失值处理;在功率的时间序列上设定一小步长滑动窗口Ws,进行事件检测算法计算,由该事件检测算法可判断出是否有事件发生及是否进入稳态运行状态,当判断为有事件发生,继续滑动窗口判断是否进入稳态,若判断为稳态运行则触发微处理器的第三SPI接口进行稳态数据输出;
所述在微处理器内通过基于双滑动窗口的算法对数据进行预处理、事件检测和稳态运行判断,最终输出有效可靠的稳态数据流,包括:
首先,对目前时刻小步长滑动窗口Ws中的m个功率数据按从小到大的顺序进行排序,并计算前n个功率的均值nmean、该窗口m个数据的均值mmean;
然后,比较nmean-mmean的绝对值和窗口高度hw的大小,当前者大于后者,计数器count加1,按时间序列滑动进入下一窗口,当count大于给定值,判断为有事件发生,返回事件发生点,事件发生标志位Event_flag置1;
接着,检测到事件发生后,窗口继续滑动,继续比较nmean-mmean的绝对值和窗口高度hw的大小,当前者在给定比例次数内连续小于后者,则判断进入稳态运行状态,返回稳态运行事件点,稳态运行标志点Steady置1;当前者未在连续比例次数内小于后者时,则认为发生小电流干扰或发生误动,事件发生标志位重置为0;
最后,将事件发生标志位Event_flag和稳态运行标志位Steady作与运算,当运算结果Output_flag返回为1时,允许输出稳态数据。
2.根据权利要求1所述的一种用于负荷识别模型训练的稳态数据流输出装置,其工作模式分为通过自行采集实验电器数据后输出稳态数据流和利用公开数据集输出稳态数据流两种;在通过自行采集实验数据后输出稳态数据流的工作模式下,先将单个或多个待识别电器接入多孔插座,并对每个电器进行接通和关断操作,然后通过单相智能电表测量多孔插座所接入的电器负载的用电情况,单相智能电表通过SPI接口输出每周期32对或128对电压和电流的采样数据,该采样数据通过微处理器的第一SPI接口送入微处理器;在利用公开数据集输出稳态数据流的工作模式下,先将公开数据集存入计算机,然后编写程序通过USB转SPI模块将储存在计算机里的公开数据集数据经微处理器的第二SPI接口送入微处理器。
3.根据权利要求1所述的一种用于负荷识别模型训练的稳态数据流输出装置,其特征在于:小步长滑动窗口Ws在大步长滑动窗口Wl内滑动,基于小步长滑动窗口进行事件检测和稳态判断;当小步长滑动窗口在大步长窗口Wl内滑动结束仍无稳态数据输出,则进行数据丢包,释放暂存区数据空间。
4.根据权利要求2所述的一种用于负荷识别模型训练的稳态数据流输出装置,其特征在于:该装置获得电器稳态运行电气数据,该数据的用途包括:对基于神经网络和深度学习的非侵入式负荷识别模型的电气数据采样、在线训练以及电气信息特征库的建立。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559878.3A CN114996182B (zh) | 2022-05-23 | 2022-05-23 | 一种用于负荷识别模型训练的稳态数据流输出装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559878.3A CN114996182B (zh) | 2022-05-23 | 2022-05-23 | 一种用于负荷识别模型训练的稳态数据流输出装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114996182A CN114996182A (zh) | 2022-09-02 |
CN114996182B true CN114996182B (zh) | 2024-04-26 |
Family
ID=83028003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210559878.3A Active CN114996182B (zh) | 2022-05-23 | 2022-05-23 | 一种用于负荷识别模型训练的稳态数据流输出装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114996182B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105011923A (zh) * | 2015-08-05 | 2015-11-04 | 哈尔滨工业大学 | 一种基于移动窗口积分的反射式心率监控方法 |
CN108196998A (zh) * | 2018-01-02 | 2018-06-22 | 联想(北京)有限公司 | 一种状态识别方法、移动设备及服务器 |
CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
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 |
CN110336289A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种用电负荷的监测识别方法、装置、设备及存储介质 |
CN110956220A (zh) * | 2019-12-11 | 2020-04-03 | 深圳市活力天汇科技股份有限公司 | 一种非侵入式家用电器负荷识别方法 |
CN111160798A (zh) * | 2019-12-31 | 2020-05-15 | 华南理工大学 | 一种基于蜂群算法的非侵入式家电负荷识别方法 |
CN111289942A (zh) * | 2020-01-21 | 2020-06-16 | 北京市腾河电子技术有限公司 | 基于单一负荷跳变进行测量域误差分析的方法及系统、存储介质 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
CN113177299A (zh) * | 2021-04-12 | 2021-07-27 | 航天科工深圳(集团)有限公司 | 非侵入式电力负荷分解方法、装置、设备及介质 |
CN113626305A (zh) * | 2021-06-23 | 2021-11-09 | 国网浙江省电力有限公司营销服务中心 | 一种非侵入式负荷识别算法的调试方法和调试系统 |
CN113704698A (zh) * | 2021-10-29 | 2021-11-26 | 中国电力科学研究院有限公司 | 一种非介入式负荷辨识的事件检测方法及系统 |
CN114444539A (zh) * | 2021-12-28 | 2022-05-06 | 深圳供电局有限公司 | 电力负荷识别方法、装置、设备、介质和程序产品 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103001230B (zh) * | 2012-11-16 | 2014-10-15 | 天津大学 | 非侵入式电力负荷监测与分解的电流模式匹配方法 |
US20140207398A1 (en) * | 2013-01-23 | 2014-07-24 | Samsung Electronics Co., Ltd | Transient Normalization for Appliance Classification, Disaggregation, and Power Estimation in Non-Intrusive Load Monitoring |
-
2022
- 2022-05-23 CN CN202210559878.3A patent/CN114996182B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105011923A (zh) * | 2015-08-05 | 2015-11-04 | 哈尔滨工业大学 | 一种基于移动窗口积分的反射式心率监控方法 |
CN108196998A (zh) * | 2018-01-02 | 2018-06-22 | 联想(北京)有限公司 | 一种状态识别方法、移动设备及服务器 |
CN109387712A (zh) * | 2018-10-09 | 2019-02-26 | 厦门理工学院 | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 |
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 |
CN110336289A (zh) * | 2019-07-11 | 2019-10-15 | 广东工业大学 | 一种用电负荷的监测识别方法、装置、设备及存储介质 |
CN110956220A (zh) * | 2019-12-11 | 2020-04-03 | 深圳市活力天汇科技股份有限公司 | 一种非侵入式家用电器负荷识别方法 |
CN111160798A (zh) * | 2019-12-31 | 2020-05-15 | 华南理工大学 | 一种基于蜂群算法的非侵入式家电负荷识别方法 |
CN111289942A (zh) * | 2020-01-21 | 2020-06-16 | 北京市腾河电子技术有限公司 | 基于单一负荷跳变进行测量域误差分析的方法及系统、存储介质 |
CN112180193A (zh) * | 2020-09-28 | 2021-01-05 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
CN113177299A (zh) * | 2021-04-12 | 2021-07-27 | 航天科工深圳(集团)有限公司 | 非侵入式电力负荷分解方法、装置、设备及介质 |
CN113626305A (zh) * | 2021-06-23 | 2021-11-09 | 国网浙江省电力有限公司营销服务中心 | 一种非侵入式负荷识别算法的调试方法和调试系统 |
CN113704698A (zh) * | 2021-10-29 | 2021-11-26 | 中国电力科学研究院有限公司 | 一种非介入式负荷辨识的事件检测方法及系统 |
CN114444539A (zh) * | 2021-12-28 | 2022-05-06 | 深圳供电局有限公司 | 电力负荷识别方法、装置、设备、介质和程序产品 |
Non-Patent Citations (2)
Title |
---|
家用非侵入式电力负荷监测与识别算法研究;殷波;张帅;;中国海洋大学学报(自然科学版)(第06期);149-156页 * |
智能电表用非入户负荷监测模块设计;吴天海;中国优秀硕士学位论文全文数据库 工程科技II辑(第05期);1.2.2节、2.2.3节、3.1-3.2节、4.1-4.3节、5.1节、5.2.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN114996182A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104008078B (zh) | 一种基于fpga的数据传输板之间进行高速传输的方法 | |
CN110456234B (zh) | 故障电弧的检测方法、装置和系统 | |
CN109257367A (zh) | 一种用于工业物联网终端的数据通信协议及实现方法 | |
CN108469561A (zh) | 一种智能变电站继电保护调试方法 | |
CN113691322B (zh) | 一种应用于低压漏电定位仪的通信系统及其通信方法 | |
CN107329033A (zh) | 电能表进户线检测系统及其检测方法 | |
CN102116810A (zh) | 电源智能记录系统及方法 | |
CN114996182B (zh) | 一种用于负荷识别模型训练的稳态数据流输出装置 | |
CN207148254U (zh) | 电能表进户线检测设备 | |
CN104867317B (zh) | 一种低压用户采集运维督巡终端 | |
CN112055027B (zh) | 一种基于协议接口适配的用户用电信息采集系统 | |
CN102156207A (zh) | 一种分布式智能电能记录系统及其检测方法 | |
CN104579358A (zh) | 一种故障录波数据压缩方法 | |
CN109743353B (zh) | 一种基于物联网的数据转换方法 | |
CN115695564B (zh) | 一种物联网数据的高效传输方法 | |
CN106370979A (zh) | 高压输电线路接地故障在线监测装置及其方法 | |
CN115622566A (zh) | 高效率的电力实时数据动态无损压缩传输方法 | |
CN109521942A (zh) | 一种基于高分辨率示波器的can总线协议分析系统及方法 | |
CN107463480A (zh) | 基于设备电流id的设备类型快速辨识方法 | |
CN107505518A (zh) | 基于设备电流id的用电设备老化评估方法 | |
CN109309682B (zh) | 一种用于数字化计量的ft3到iec61850-9-2协议转换方法及系统 | |
CN113938765A (zh) | 一种电能计量数据上传处理方法及系统 | |
CN114069853B (zh) | 基于分段符号表示的多能源荷数据在线压缩与重构方法 | |
CN111092486A (zh) | 一种非侵入式负荷采集系统及方法、存储介质 | |
CN118094109A (zh) | 一种基于电力数据的电力系统状态监测方法及终端 |
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 |