CN116937807B - 一种电流电压功率的监测方法 - Google Patents
一种电流电压功率的监测方法 Download PDFInfo
- Publication number
- CN116937807B CN116937807B CN202310902788.4A CN202310902788A CN116937807B CN 116937807 B CN116937807 B CN 116937807B CN 202310902788 A CN202310902788 A CN 202310902788A CN 116937807 B CN116937807 B CN 116937807B
- Authority
- CN
- China
- Prior art keywords
- power generation
- generation device
- vibration
- power
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 353
- 239000000126 substance Substances 0.000 claims abstract description 103
- 230000001133 acceleration Effects 0.000 claims abstract description 78
- 230000002159 abnormal effect Effects 0.000 claims abstract description 37
- 230000005358 geomagnetic field Effects 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000002513 implantation Methods 0.000 claims description 28
- JVTAAEKCZFNVCJ-UHFFFAOYSA-N lactic acid Chemical compound CC(O)C(O)=O JVTAAEKCZFNVCJ-UHFFFAOYSA-N 0.000 claims description 28
- 239000002551 biofuel Substances 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 15
- 210000004243 sweat Anatomy 0.000 claims description 15
- 235000014655 lactic acid Nutrition 0.000 claims description 14
- 239000004310 lactic acid Substances 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 239000000017 hydrogel Substances 0.000 claims description 10
- 102000004190 Enzymes Human genes 0.000 claims description 9
- 108090000790 Enzymes Proteins 0.000 claims description 9
- 239000006185 dispersion Substances 0.000 claims description 9
- 230000037081 physical activity Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000005674 electromagnetic induction Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 18
- 230000005611 electricity Effects 0.000 description 7
- 238000012790 confirmation Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 239000012535 impurity Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002906 microbiologic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种电流电压功率的监测方法,包括:在人体上设置振动发电装置和化学能发电装置,并使用自供电式振动检测系统检测振动发电装置振动加速度;根据输出功率和振动加速度选择振动发电装置或化学能发电装置进行发电;结合温度场和地磁场对TMR电流传感器采集到的电流数据进行校正;发送TMR电流传感器获取的电流数据到服务器,判断其是否为异常数据,并对异常数据进行警报;通过用电装置发电装置匹配度调整储蓄电池容量。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种电流电压功率的监测方法。
背景技术
在物联网时代,任何事物都可以变成集成芯片和需要电能的物品,比如心脏病人植入的健康监护设备、可植入的身份识别组件,这些低功耗设备通常使用电池供电,但电池的更换不便捷,忘记及时补充电能会造成麻烦,振动发电能够提供持续的发电能力,能够为这些低功耗设备供电。已授权的发明专利CN201010105579.X一种能与人体结合的微生物燃料电池,由复旦大学研究而成,证明了生物发电的可能性。CN202111550470.1一种具有稳定自发电能量供给的自适应微电网控制方法与装置,电子科技大学的这篇授权专利,也证明了人体上电能供給的可能性。CN202110417948.7一种柔性可穿戴复合式能量收集器件及其制作方法与应用。也让穿戴设备中进行供电变得更加容易实现。本发明并不是想针对如何实现振动发电装置和化学能发电装置进行具体实施,而是通过前面授权的专利举例来证明,认为这些人体上的振动和化学发电装置都是已经可以实现的现有技术。但问题在于我们认为这种振动发电的电能是较不稳定的,进行睡觉或者其他活动较小的的动作时,会导致振动的发电的电流或者电压不足,可能导致物联网设备无法正常工作。在休息等活动频率低的时候可以通过化学能协同发电对振动发电进行补充。身上的电流电压检测设备易受外部环境影响,需要对错误电流进行识别并剔除。电流电压数据反映了发电装置和用电装置的工作状态,通过无线传输设备实时传输电流电压数据到服务器,及时发现处于异常状态的发电装置和用电装置。本发明对振动发电设备的电流电压进行监测,预测功率的改变并使用电池的使用方案,能够很好的解决电能和功率问题。
发明内容
本发明提供了一种电流电压功率的监测方法,主要包括:
在人体上设置振动发电装置和化学能发电装置,并使用自供电式振动检测系统检测振动发电装置振动加速度;根据输出功率和振动加速度选择振动发电装置或化学能发电装置进行发电;结合温度场和地磁场对TMR电流传感器采集到的电流数据进行校正;发送TMR电流传感器获取的电流数据到服务器,判断其是否为异常数据,并对异常数据进行警报;通过用电装置发电装置匹配度调整储蓄电池容量。
进一步可选地,所述在人体上设置振动发电装置和化学能发电装置,并使用自供电式振动检测系统检测振动发电装置振动加速度,包括:
在人体活动较多的部位安装振动发电装置,该装置主要由永磁体和线圈构成,当人体活动时,永磁体在线圈中发生位移,通过电磁感应定律获取电流;在适合的人体部位安装生物燃料电池,主要包括水凝胶和酶电极,其中,水凝胶用于收集汗液,酶电极则利用乳酸酶将乳酸分解产生电流;振动发电装置和化学能发电装置产生的电能为ICP加速度传感器提供电源;ICP加速度传感器利用压电效应将振动发电装置产生的振动信号转化为电信号;然后将电信号输入测振仪,在时间历程的基础上进行数据分析,计算并记录振动加速度。
进一步可选地,所述根据输出功率和振动加速度选择振动发电装置或化学能发电装置进行发电,包括:
获取振动发电装置和化学能发电装置各自独立工作时输出的电流和电压,得到振动发电的功率-时间曲线、化学能发电的功率-时间曲线,将二者的功率-时间曲线输入LSTM网络,学习得到发电方式切换时间点;对振动加速度进行实时监测,比较LSTM网络预测出的发电方式切换时间点的振动加速度,验证是否落在振动发电和化学能发电的正常工作范围内;使用LSTM网络网络提取出振动发电装置或化学能发电装置输出的功率的特征,预测下一时刻振动发电装置或化学能发电装置输出的功率,若预测振动发电装置输出功率高,则使用振动发电,若预测化学能发电装置输出功率高,则使用化学能发电装置;将预测的振动发电装置与化学能发电装置发电功率相等的时间点设置为功率相等点,判断功率相等点是否符合正常工作范围;将工作范围设置为振动发电能正常工作的振动加速度范围和化学能协同发电装置正常工作的振动加速度范围;符合正常工作范围,设置为输出发电方式切换点;不符合正常工作范围,输出结果排除该功率相等点,输出符合切换发电模式时间点;还包括:根据振动加速度选择振动发电装置进行振动发电;根据振动加速度使用生物燃料发电装置切换为化学能发电。
所述根据振动加速度选择振动发电装置进行振动发电,具体包括:
检测到的振动加速度低于预设的振动加速度阈值,系统将进一步检查振动发电装置的实时功率。如果振动发电装置的功率高于预设的功率阈值,系统就会选择振动发电装置作为主要的发电方式。当系统测量到的振动加速度超过预设的振动加速度阈值时,系统通过电磁锁定装置固定振动发电装置的永磁体,避免永磁体在线圈中的过度运动,保护发电装置免受损伤,同时,系统停止振动发电,防止在过大的振动强度下产生不稳定的电力输出。
所述根据振动加速度使用生物燃料发电装置切换为化学能发电,具体包括:
检测到振动加速度高于预设振动加速度且化学能发电的功率高于预设功率,切换为化学能发电;在人体安装生物燃料发电装置,使用水凝胶收集汗液,将收集的汗液经过生物酶分解杂质后,输入生物燃料发电装置。生物燃料发电装置与汗液中的乳酸发生化学反应,分解乳酸获得电流,输入电流传感器获取电流和电压,得到功率-时间曲线。
进一步可选地,所述结合温度场和地磁场对TMR电流传感器采集到的电流数据进行校正,包括:
将TMR电流传感器采集到的电流数据输入贝叶斯传感器,使用贝叶斯先验理论结合信息熵理论识别并剔除错误电流;将正确电流输入DNB网络,获取TMR电流传感器的温度和位置,计算出温度场和地磁场;结合温度场和地磁场对TMR电流传感器采集到的正确电流数据进行校正,并输出校正后的电流数据;还包括:基于贝叶斯先验结合信息熵理论,识别并剔除错误电流;对TMR电流传感器输出的电流值进行校正。
所述基于贝叶斯先验结合信息熵理论,识别并剔除错误电流,具体包括:
获取TMR电流传感器采集的k次电流,将k-1次的贝叶斯计算结果作为第k次的先验信息,以电流值输出的频率代替先验概率,计算k-1次的信息熵;对第k次电流进行测量求得后验概率,计算k次的信息熵;纳入第k次电流后,若信息熵增大,则第k次为异常电流数据,剔除该异常电流数据,并使用拉格朗日插值法对剔除数据填充;若信息熵减小,则第k次电流为正确电流数据,保留该正确电流数据信息熵减小,第k次电流为正确电流数据,保留。
所述对TMR电流传感器输出的电流值进行校正,具体包括:
TMR电流传感器输出的正确电流数据,电流传感器的温度,电流传感器的位置;根据电流传感器的位置计算出地磁场,根据温度计算出温度场,根据温度场数据查询温度导致的温度偏移值;将电流值,地磁场,温度偏移值输入DBN网络参数进行训练,得到温度场、地磁场及电流值对电流测量输出的影响。获取到TMR电流传感器输出的正确电流数据,将输出值输入DNB网络,对电流值进行校正,输出校正后的电流。
进一步可选地,所述发送TMR电流传感器获取的电流数据到服务器,判断其是否为异常数据,并对异常数据进行警报,包括:
使用电压表获取发电装置产生的电压,如达到无线信号发射器正常工作范围内的电压,将振动发电装置或化学能发电装置产生的电压作为电源输入无线信号发射器;如果电压没有达到无线信号发射器的正常工作范围,则输入倍压器增大电压,直到达到无线信号发射器正常工作范围内的电压;服务器接收电流数据后,使用深度神经网络提取电流数据的特征,判断其是否为异常数据,并对异常数据进行警报;还包括:判断电压是否达到预设电压,将未达到预设电压进行增压达到预设电压,输入无线传输设备作为电源;基于深度卷积神经网络,判断电流数据是否异常,并对电流异常的服务器进行预警。
所述判断电压是否达到预设电压,将未达到预设电压进行增压达到预设电压,输入无线传输设备作为电源,具体包括:
监测振动发电装置和化学能发电装置输出的电压是否达到预设电压,达到则输入无线传输设备作为电源;如果监测到的电压未达到预设电压,则输入倍压器增大电压。将经过倍压器处理的电压再次进行检测和判断,确保其已经达到无线传输设备所需要的电压。若确认电压已达到预设值,将其输入无线传输设备作为电源。
所述基于深度卷积神经网络,判断电流数据是否异常,并对电流异常的服务器进行预警,具体包括:
获取振动发电装置和化学能发电装置正常工作范围输出的电流数据,输入深度卷积神经网络提取电流的特征,以提取特征的值为向量,定位在电流数据在三维空间坐标的位置;将服务器接收到的振动发电装置和化学能发电装置产生的电流数据输入深度卷积神经网络,提取特征后得到某时刻电流数据在三维空间坐标的位置;计算以某时刻电流数据为球心,预设半径内电流数据点的数量;电流数据点的数量大于预设数量,该时刻电流为正常数据,服务器不需要预警;电流数据点的数量小于预设数量,则该时刻电流为异常数据,服务器进行预警。
进一步可选地,所述通过用电装置发电装置匹配度调整储蓄电池容量,包括:
使用无线信号发射器将发电装置的电流数据和电压数据发送到服务器;服务器通过电流电压计算出发电装置的输出功率;将发电装置输出功率随时间变化的数值输入RNN网络,学习发电装置输出功率的变化规律,预测下一时刻的发电装置输出功率是否大于身体植入设备用电功率;在人体植入储蓄电池,在用电功率小于储存振动发电装置和化学能发电装置输出功率时,将多余的电能输入储蓄电池,在用电功率大于储存振动发电装置和化学能发电装置输出功率时,将储蓄电池能源输入用电装置;获取用电装置的电流频率,计算发电装置和用电装置的匹配度,匹配度低于预设匹配度,将发电装置功率和用电装置功率再次输入RNN网络进行反馈,调整储蓄电池的容量;还包括:计算发电装置和用电装置的匹配度;储存发电装置多余电能并在发电功率不足时输出。
所述计算发电装置和用电装置的匹配度,具体包括:
获取发电功率和用电功率相同时用电装置回路的频率作为预设频率a;使用TMR电流传感器获取用电装置回路的电流频率b,将用电装置电流频率b与预设频率a进行对比;用电装置电流频率高于预设频率,发电装置产生的功率大于用电装置所需功率;用电装置电流频率小于预设频率,发电装置产生的功率小于用电装置所需功率;并根据公式,匹配度=1-|a-b|/a计算发电装置和用电装置的匹配度。
所述储存发电装置多余电能并在发电功率不足时输出,具体包括:
获取振动发电装置或化学能发电装置的输出功率曲线,获取身体植入设备用电功率;发电功率高于预设身体植入设备的用电功率值,振动发电装置或化学能发电装置将预设身体植入设备的用电功率值电能输入身体植入设备,高于预设身体植入设备的用电功率值的电输入蓄电池组进行充电。发电功率小于预设身体植入设备的用电功率值,将储蓄电池的电能输入身体植入设备;检测储蓄电池的电量,并将储蓄电量发送至服务器,高于预设安全使用电量停止充电,低于预设安全使用电量,服务器发出警报,提醒佩戴者进行充电。
进一步可选地,所述根据数值的离散程度在振动发电时间段内的变化规律,调整检测周期,包括:
首先,将振动发电装置输出的电流数据发送到服务器,在服务器端,利用统计学中的标准差或方差的方法计算每一个振动发电的时间段内,电流数值的离散程度;统计电流数值的离散程度在振动发电时间段内的变化规律,若离散程度小于预设阈值,则在振动发电时间段降低无线信号发射器发送电流数据的频率;若离散程度大于于预设值,服务端发送数据到发电装置,提高无线信号发射器发送电流数据的频率。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种在人体上设置振动发电装置和化学能发电装置的技术。该技术利用自供电式振动检测系统对振动发电装置的振动加速度进行检测,并根据输出功率和振动加速度选择振动发电装置或化学能发电装置进行发电。同时,结合温度场和地磁场对TMR电流传感器采集到的电流数据进行校正,并将校正后的数据发送到服务器进行分析,判断是否为异常数据并进行警报。此外,根据用电装置发电装置匹配度调整储蓄电池容量,并根据数值的离散程度调整检测周期。通过融合以上技术,本发明实现了对振动发电设备电流电压的监测,提高了监测的准确性和可靠性。
附图说明
图1为本发明的一种电流电压功率的监测方法的流程图。
图2为本发明的一种电流电压功率的监测方法的示意图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本实施例一种电流电压功率的监测方法具体可以包括:
步骤101,在人体上设置振动发电装置和化学能发电装置,并使用自供电式振动检测系统检测振动发电装置振动加速度。
在人体活动较多的部位安装振动发电装置,该装置主要由永磁体和线圈构成,当人体活动时,永磁体在线圈中发生位移,通过电磁感应定律获取电流。在适合的人体部位安装生物燃料电池,主要包括水凝胶和酶电极,其中,水凝胶用于收集汗液,酶电极则利用乳酸酶将乳酸分解产生电流。振动发电装置和化学能发电装置产生的电能为ICP加速度传感器提供电源。ICP加速度传感器利用压电效应将振动发电装置产生的振动信号转化为电信号。然后将电信号输入测振仪,在时间历程的基础上进行数据分析,计算并记录振动加速度。例如,在人体腕部安装了振动发电装置和生物燃料电池,并使用ICP加速度传感器和测振仪进行振动测量。假设振动发电装置在振动过程中,永磁体的位移为0.5毫米,线圈的匝数为1000匝;生物燃料电池中水凝胶能够收集到10毫升的汗液,乳酸酶能够将乳酸分解产生2毫安培的电流;振动发电装置能够将振动信号转化为电信号的效率为80%,振动发电装置在振动过程中产生的电信号为1毫伏。振动信号的采样频率为1000Hz,每次振动过程的时间历程为10秒。通过测振仪对电信号进行处理和分析,计算得到振动加速度的峰值为5mm/s2。
步骤102,根据输出功率和振动加速度选择振动发电装置或化学能发电装置进行发电。
获取振动发电装置和化学能发电装置各自独立工作时输出的电流和电压,得到振动发电的功率-时间曲线、化学能发电的功率-时间曲线,将二者的功率-时间曲线输入LSTM网络,学习得到发电方式切换时间点;对振动加速度进行实时监测,比较LSTM网络预测出的发电方式切换时间点的振动加速度,验证是否落在振动发电和化学能发电的正常工作范围内;使用LSTM网络网络提取出振动发电装置或化学能发电装置输出的功率的特征,预测下一时刻振动发电装置或化学能发电装置输出的功率,若预测振动发电装置输出功率高,则使用振动发电,若预测化学能发电装置输出功率高,则使用化学能发电装置;将预测的振动发电装置与化学能发电装置发电功率相等的时间点设置为功率相等点,判断功率相等点是否符合正常工作范围;将工作范围设置为振动发电能正常工作的振动加速度范围和化学能协同发电装置正常工作的振动加速度范围;符合正常工作范围,设置为输出发电方式切换点;不符合正常工作范围,输出结果排除该功率相等点,输出符合切换发电模式时间点。例如,振动发电装置在独立工作时输出电流为5A,电压为2V,化学能发电装置在独立工作时输出电流为1A,电压为1V。根据振动发电和化学能发电的输出电流和电压,可以计算出振动发电的功率曲线和化学能发电的输出功率曲线。假设振动发电装置的振动加速度为2mm/s2,化学能发电装置的振动加速度为5mm/s2。根据振动加速度的变化,可以检测出发电方式切换的时间点。使用LSTM网络,将振动发电和化学能发电的功率输出曲线作为输入,学习得到发电方式切换时间点。假设LSTM网络学习得到的发电方式切换时间点为10秒。使用振动发电装置检测振动加速度,如果发电方式切换点的振动加速度在振动发电的正常工作范围1mm/s2至3mm/s2内,则认为切换点符合正常工作范围。使用LSTM网络提取振动发电装置或化学能发电装置输出功率的特征,预测下一时刻的输出功率。如果预测振动发电装置的输出功率高,则选择使用振动发电装置;如果预测化学能发电装置的输出功率高,则选择使用化学能发电装置。假设预测的振动发电装置与化学能发电装置功率相等的时间点为15秒,判断功率相等点的振动加速度是否在振动发电和化学能发电的正常工作范围内。如果功率相等点的振动加速度在正常工作范围内,则将该时间点设置为发电方式切换点。如果功率相等点的振动加速度不在正常工作范围内,则排除该功率相等点,输出符合切换发电模式的时间点。
根据振动加速度选择振动发电装置进行振动发电。
检测到的振动加速度低于预设的振动加速度阈值,系统将进一步检查振动发电装置的实时功率。如果振动发电装置的功率高于预设的功率阈值,系统就会选择振动发电装置作为主要的发电方式。当系统测量到的振动加速度超过预设的振动加速度阈值时,系统通过电磁锁定装置固定振动发电装置的永磁体,避免永磁体在线圈中的过度运动,保护发电装置免受损伤,同时,系统停止振动发电,防止在过大的振动强度下产生不稳定的电力输出。例如,预设的振动加速度阈值为2mm/s2。系统检测到的振动加速度为5mm/s2,低于预设的阈值。系统进一步检查振动发电装置的实时功率,发现实时功率为300W,高于预设的功率阈值200W。系统因此选择振动发电装置作为主要的发电方式。另一方面,如果系统测量到的振动加速度为3mm/s2,超过预设的振动加速度阈值,系统将通过特定的控制机制固定振动发电装置的永磁体,避免永磁体在线圈中的过度运动,保护发电装置免受损伤。同时,系统停止振动发电,以防止在过大的振动强度下产生不稳定的电力输出。例如,系统评估了过去一周内测得的振动加速度数据,并发现平均振动加速度为5mm/s2,超过了预设的阈值2mm/s2。系统对此进行分析,并统计了振动发电装置在不同振动强度下的电力输出数据。根据统计结果,得到当振动加速度超过5mm/s2时,振动发电装置的电力输出将变得不稳定。因此,在此情况下,系统会停止振动发电,选择其他的发电方式,以确保电力供应的连续性和稳定性。
根据振动加速度使用生物燃料发电装置切换为化学能发电。
检测到振动加速度高于预设振动加速度且化学能发电的功率高于预设功率,切换为化学能发电;在人体安装生物燃料发电装置,使用水凝胶收集汗液,将收集的汗液经过生物酶分解杂质后,输入生物燃料发电装置。生物燃料发电装置与汗液中的乳酸发生化学反应,分解乳酸获得电流,输入电流传感器获取电流和电压,得到功率-时间曲线。例如,预设振动加速度为10mm/s2,实际检测到的振动加速度为15mm/s2,预设功率为100W,实际化学能发电的功率为150W。在此情况下,根据检测到的振动加速度高于预设振动加速度,并且化学能发电的功率高于预设功率,会切换为化学能发电。另外,假设安装了生物燃料发电装置在人体上,并使用水凝胶收集汗液,假设收集了100mL的汗液,并经过生物酶分解杂质后,输入到生物燃料发电装置。假设汗液中的乳酸浓度为10mmol/L,生物燃料发电装置能够将乳酸分解产生的电流转化为电压。此时,电流传感器检测到的电流为1A,电压为10V。根据电流和电压的值,可以计算出功率为1A*10V=10W。因此,根据收集到的汗液和生物燃料发电装置的电流和电压值,得到了一个功率-时间曲线,其中在特定时间点上的功率为10W。
步骤103,结合温度场和地磁场对TMR电流传感器采集到的电流数据进行校正。
将TMR电流传感器采集到的电流数据输入贝叶斯传感器,使用贝叶斯先验理论结合信息熵理论识别并剔除错误电流;将正确电流输入DNB网络,获取TMR电流传感器的温度和位置,计算出温度场和地磁场;结合温度场和地磁场对TMR电流传感器采集到的正确电流数据进行校正,并输出校正后的电流数据。例如,物质系统内各个点上温度的集合称为温度场,地球内部存在的天然磁性现象为地磁场,TMR电流传感器精度较高,输出结果会被温度场和地磁场影响;TMR电流传感器中存在的温度漂移以及空间地磁场对其高精度测量的影响,可使用DNB网络学习温度场地磁场对电流的影响,并对电流数据进行修正;假设获取到56次电流数据,获取到第56次电流数据为3A,输入贝叶斯传感器,判断第56次电流为正确电流,输入DNB网络,根据获取到的电流传感器温度,电流传感器位置对第56次电流进行修正,输出修正的电流数据3.1A。
基于贝叶斯先验结合信息熵理论,识别并剔除错误电流。
获取TMR电流传感器采集的k次电流,将k-1次的贝叶斯计算结果作为第k次的先验信息,以电流值输出的频率代替先验概率,计算k-1次的信息熵;对第k次电流进行测量求得后验概率,计算k次的信息熵;纳入第k次电流后,若信息熵增大,则第k次为异常电流数据,剔除该异常电流数据,并使用拉格朗日插值法对剔除数据填充;若信息熵减小,则第k次电流为正确电流数据,保留该正确电流数据信息熵减小,第k次电流为正确电流数据,保留。例如,有一个TMR电流传感器,用于采集电流数据。每次采集的电流值用一个整数表示。要进行异常检测,判断每次采集的电流是否为异常值。进行了5次TMR电流传感器的电流测量,现在我们将根据先前的测量结果进行贝叶斯计算并计算信息熵。假设前4次电流测量结果为:第1次电流测量:I1=10A第2次电流测量:I2=12A第3次电流测量:I3=11A第4次电流测量:I4=9A根据前4次电流测量结果进行贝叶斯计算:先验概率为前4次电流值出现的频率。P(I1)=1/4=0.25P(I2)=1/4=0.25P(I3)=1/4=0.25P(I4)=1/4=0.25计算前4次电流测量的信息熵:H4=-
(P(I1)*log2(P(I1))+P(I2)*log2(P(I2))+P(I3)*log2(P(I3))+P(I4)*log2(P(I4)))=-
(0.25*log2(0.25)+0.25*log2(0.25)+0.25*log2(0.25)+0.25*log2(0.25))≈2进行第5次电流测量,得到测量结果:第5次电流测量:I5=13A计算第5次电流测量的后验概率:后验概率为第5次电流值出现的频率。P(I5)=1/1=1计算第5次电流测量的信息熵:H5=-P(I5)*log2(P(I5))=-1*log2(1)=0比较信息熵的变化:由于H5<H4,信息熵减小,说明第5次电流测量结果为正确电流数据,保留。
对TMR电流传感器输出的电流值进行校正。
TMR电流传感器输出的正确电流数据,电流传感器的温度,电流传感器的位置;根据电流传感器的位置计算出地磁场,根据温度计算出温度场,根据温度场数据查询温度导致的温度偏移值;将电流值,地磁场,温度偏移值输入DBN网络参数进行训练,得到温度场、地磁场及电流值对电流测量输出的影响。获取到TMR电流传感器输出的正确电流数据,将输出值输入DNB网络,对电流值进行校正,输出校正后的电流。例如,TMR电流传感器最初读取到的电流数据是2.5A。传感器的温度被测量为30℃,传感器的位置被确定为(45.234,-112.125)。基于传感器位置,查询到当地的地磁场强度为50μT,查阅相关数据,找出温度偏移值,假设为-0.05A。将电流值2.5A,地磁场50μT,温度偏移值-0.05A,输入预训练的DBN网络。DBN网络将输出一个校正因子,比如,输出校正因子为0.1A。将校正因子0.1A应用于原始电流值2.5A进行校正。得到校正后的电流值为:2.5A+0.1A=2.6A。
步骤104,发送TMR电流传感器获取的电流数据到服务器,判断其是否为异常数据,并对异常数据进行警报。
使用电压表获取发电装置产生的电压,如达到无线信号发射器正常工作范围内的电压,将振动发电装置或化学能发电装置产生的电压作为电源输入无线信号发射器;如果电压没有达到无线信号发射器的正常工作范围,则输入倍压器增大电压,直到达到无线信号发射器正常工作范围内的电压;服务器接收电流数据后,使用深度神经网络提取电流数据的特征,判断其是否为异常数据,并对异常数据进行警报。例如,发电装置产生的电压为2V,而无线信号发射器的正常工作范围是在3V至5V之间。根据电压表测量结果,发现电压未达到正常工作范围内的电压,则使用倍压器来增大电压,假设倍压器的倍数为2倍,将2V的电压通过倍压器放大后,得到4V的电压,处于无线信号发射器的正常工作范围内。服务器接收到电流数据后,使用深度神经网络来提取数据的特征。假设神经网络经过训练,经过分析统计得知,正常电流数据的特征值范围为0至10。如果接收到的电流数据特征值超出了这个范围,说明数据异常。如果服务器接收到的电流数据特征值为12,超出了正常范围,则系统会发出警报,提示异常情况。
判断电压是否达到预设电压,将未达到预设电压进行增压达到预设电压,输入无线传输设备作为电源。
监测振动发电装置和化学能发电装置输出的电压是否达到预设电压,达到则输入无线传输设备作为电源;如果监测到的电压未达到预设电压,则输入倍压器增大电压。将经过倍压器处理的电压再次进行检测和判断,确保其已经达到无线传输设备所需要的电压。若确认电压已达到预设值,将其输入无线传输设备作为电源。例如,振动发电装置输出电压为2V,化学能发电装置输出电压为1.5V,无线传输设备所需的预设电压为3V。则振动发电装置输出电压2V没有达到预设电压3V,不满足条件。化学能发电装置输出电压1.5V没有达到预设电压3V,不满足条件。假设倍压器可以将输入电压增大2倍,振动发电装置经过倍压器处理后的输出电压为4V,化学能发电装置经过倍压器处理后的输出电压为3V;因此振动发电装置经过倍压器处理后的输出电压4V达到预设电压4V,达到条件。化学能发电装置经过倍压器处理后的输出电压3V达到预设电压4V,达到条件。若确认电压已达到预设值,则将其输入无线传输设备作为电源。
基于深度卷积神经网络,判断电流数据是否异常,并对电流异常的服务器进行预警。
获取振动发电装置和化学能发电装置正常工作范围输出的电流数据,输入深度卷积神经网络提取电流的特征,以提取特征的值为向量,定位在电流数据在三维空间坐标的位置;将服务器接收到的振动发电装置和化学能发电装置产生的电流数据输入深度卷积神经网络,提取特征后得到某时刻电流数据在三维空间坐标的位置;计算以某时刻电流数据为球心,预设半径内电流数据点的数量;电流数据点的数量大于预设数量,该时刻电流为正常数据,服务器不需要预警;电流数据点的数量小于预设数量,则该时刻电流为异常数据,服务器进行预警。例如,假设振动发电装置和化学能发电装置正常工作时,输出的电流范围为1A到10A。将电流数据输入深度卷积神经网络提取电流的特征,得到特征向量。假设在某时刻,服务器接收到的振动发电装置产生的电流数据为[2A,5A,8A,7A,3A,9A,6A,2A,8A];化学能发电装置产生的电流数据为[5A,2A,5A,9A,7A,1A,4A,6A,13A]。将这些电流数据输入深度卷积神经网络,提取出特征后得到某时刻电流数据在三维空间坐标的位置。假设深度卷积神经网络提取的特征向量为[2,5,8],表示该时刻电流数据在三维空间坐标中的位置为(2,5,8)。接下来,计算以某时刻电流数据为球心,预设半径内电流数据点的数量。假设预设半径为1,以特征向量(2,5,8)为球心,计算该球内的电流数据点数量。在振动发电装置的电流数据中,有3个数据点的位置在以(2,5,8)为球心、半径为1的球内,分别为[2A,5A,8A]。在化学能发电装置的电流数据中,有2个数据点的位置在以(2,5,8)为球心、半径为1的球内,分别为[5A,2A]。因此,在该时刻电流数据为球心、预设半径为1的球内共有5个电流数据点。如果预设数量为4,电流数据点的数量大于预设数量,即5大于4,说明该时刻的电流数据为正常数据,服务器不需要进行预警。如果预设数量为7,电流数据点的数量小于预设数量,即5小于7,说明该时刻的电流数据为异常数据,服务器需要进行预警。
步骤105,通过用电装置发电装置匹配度调整储蓄电池容量。
使用无线信号发射器将发电装置的电流数据和电压数据发送到服务器;服务器通过电流电压计算出发电装置的输出功率;将发电装置输出功率随时间变化的数值输入RNN网络,学习发电装置输出功率的变化规律,预测下一时刻的发电装置输出功率是否大于身体植入设备用电功率;在人体植入储蓄电池,在用电功率小于储存振动发电装置和化学能发电装置输出功率时,将多余的电能输入储蓄电池,在用电功率大于储存振动发电装置和化学能发电装置输出功率时,将储蓄电池能源输入用电装置;获取用电装置的电流频率,计算发电装置和用电装置的匹配度,匹配度低于预设匹配度,将发电装置功率和用电装置功率再次输入RNN网络进行反馈,调整储蓄电池的容量。例如,发电装置的电流数据为[3A,5A,4A,6A,3A],电压数据为[220V,220V,220V,220V,220V],服务器通过计算得出发电装置的输出功率为
[660W,1100W,880W,1320W,660W]。将发电装置输出功率随时间变化的数值输入RNN网络,学习发电装置输出功率的变化规律,预测下一时刻的发电装置输出功率是否大于身体植入设备的用电功率。如果发电装置的输出功率大于身体植入设备用电功率,则不需要使用储蓄电池,可以直接将发电装置的电能供给身体植入设备。反之,如果发电装置的输出功率小于身体植入设备用电功率,则需要使用储蓄电池来储存多余的电能供给身体植入设备,假设储蓄电池的容量为1000W时,振动发电装置和化学能发电装置的输出功率分别为800W和600W。假设身体植入设备的用电功率为500W时,此时用电功率小于储存振动发电装置和化学能发电装置的输出功率,即用电功率500W小于800W和600W,则将振动发电装置和化学能发电装置的多余的电能输入储蓄电池,储存电能。假设身体植入设备的用电功率为1000W时,此时用电功率大于储存振动发电装置和化学能发电装置的输出功率,即用电功率1000W大于800W和600W,则将储蓄电池能源输入用电装置。为了评估发电装置和用电装置的匹配度,可以根据用电装置的电流频率和发电装置的电流频率进行比较。假设用电装置的电流频率为50Hz,发电装置的电流频率为60Hz。如果发电装置和用电装置的电流频率匹配度低于预设匹配度,例如低于80%,则需要调整储蓄电池的容量。将发电装置功率和用电装置功率再次输入RNN网络进行反馈,调整储蓄电池的容量。
计算发电装置和用电装置的匹配度。
获取发电功率和用电功率相同时用电装置回路的频率作为预设频率a;使用TMR电流传感器获取用电装置回路的电流频率b,将用电装置电流频率b与预设频率a进行对比;用电装置电流频率高于预设频率,发电装置产生的功率大于用电装置所需功率;用电装置电流频率小于预设频率,发电装置产生的功率小于用电装置所需功率;并根据公式,匹配度=1-|a-b|/a计算发电装置和用电装置的匹配度;例如,预设频率a为50Hz,用电装置回路的电流频率b为49Hz。根据公式,匹配度=1-|a-b|/a。匹配度=1-|50-49|/50=1-2%=98%,因此,用电装置的电流频率与预设频率相比,匹配度为98%,说明用电装置的电流频率接近预设频率。当匹配度为1时,表示用电装置的电流频率完全与预设频率一致,发电装置产生的功率与用电装置所需功率相匹配。当匹配度小于1时,表示用电装置的电流频率与预设频率存在一定偏差。匹配度越大,偏差越小,发电装置产生的功率与用电装置所需功率越匹配。当匹配度为0时,表示用电装置的电流频率与预设频率完全不匹配。这可能是由于故障或其他问题导致的,需要进行检修或调整。通过统计不同用电装置回路的电流频率与预设频率的匹配度,可以对用电装置的使用情况进行分析和优化,确保发电装置产生的功率与用电装置所需功率相匹配。
储存发电装置多余电能并在发电功率不足时输出。
获取振动发电装置或化学能发电装置的输出功率曲线,获取身体植入设备用电功率;发电功率高于预设身体植入设备的用电功率值,振动发电装置或化学能发电装置将预设身体植入设备的用电功率值电能输入身体植入设备,高于预设身体植入设备的用电功率值的电输入蓄电池组进行充电。发电功率小于预设身体植入设备的用电功率值,将储蓄电池的电能输入身体植入设备;检测储蓄电池的电量,并将储蓄电量发送至服务器,高于预设安全使用电量停止充电,低于预设安全使用电量,服务器发出警报,提醒佩戴者进行充电。例如,根据振动发电装置或化学能发电装置的输出功率曲线,得到时间点1输出功率为10W,时间点2输出功率为12W,时间点3输出功率为9W,时间点4输出功率为11W,身体植入设备的预设用电功率值为8W;获取振动发电装置或化学能发电装置的输出功率曲线和身体植入设备的用电功率值。对于每个时间点的发电功率和预设用电功率进行比较,则时间点1的发电功率高于预设用电功率,时间点2的发电功率高于预设用电功率,时间点3的发电功率小于预设用电功率,时间点4的发电功率高于预设用电功率。因此,当发电功率高于预设用电功率时,振动发电装置或化学能发电装置将预设用电功率值的电能输入身体植入设备,满足用电需求。如果发电功率高于预设用电功率值,多余的电能输入蓄电池组进行充电,以储存能量。当发电功率小于预设用电功率时,将储蓄电池的电能输入身体植入设备,以满足用电需求。监测储蓄电池组的电量,并将电量数据发送至服务器进行监控和分析。根据储蓄电量与预设安全使用电量进行比较,如果储蓄电量高于预设安全使用电量,停止充电,保持电池状态在安全范围内。如果储蓄电量低于预设安全使用电量,服务器发出警报,提醒佩戴者进行充电。
步骤106,根据数值的离散程度在振动发电时间段内的变化规律,调整检测周期。
首先,将振动发电装置输出的电流数据发送到服务器,在服务器端,利用统计学中的标准差或方差的方法计算每一个振动发电的时间段内,电流数值的离散程度。统计电流数值的离散程度在振动发电时间段内的变化规律,若离散程度小于预设阈值,则在振动发电时间段降低无线信号发射器发送电流数据的频率;若离散程度大于于预设值,服务端发送数据到发电装置,提高无线信号发射器发送电流数据的频率。例如,振动发电装置输出的电流数据,其中时间段1的电流数据为[2.5A,2.4A,2.6A,2.5A,2.4A],时间段2的电流数据为
[2.3A,2.5A,2.2A,2.4A,2.6A],假设预设阈值为0.1A,将振动发电装置输出的电流数据发送到服务器。在服务器端,针对每个时间段的电流数据,计算电流数值的离散程度,可以使用标准差或方差进行计算。假设时间段1的离散程度,即标准差=0.05A,时间段2的离散程度,即标准差=0.15A;当离散程度小于预设阈值0.1A时,降低无线信号发射器发送电流数据的频率,以减少数据传输量。当离散程度大于预设阈值0.1A时,服务器发送数据到发电装置,提高无线信号发射器发送电流数据的频率,以增加数据传输量。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (6)
1.一种电流电压功率的监测方法,其特征在于,所述方法包括:
在人体上设置振动发电装置和化学能发电装置,并使用自供电式振动检测系统检测振动发电装置振动加速度;根据输出功率和振动加速度选择振动发电装置或化学能发电装置进行发电;结合温度场和地磁场对TMR电流传感器采集到的电流数据进行校正;发送TMR电流传感器获取的电流数据到服务器,判断其是否为异常数据,并对异常数据进行警报;通过用电装置发电装置匹配度调整储蓄电池容量;
所述根据输出功率和振动加速度选择振动发电装置或化学能发电装置进行发电,包括:获取振动发电装置和化学能发电装置各自独立工作时输出的电流和电压,得到振动发电的功率-时间曲线、化学能发电的功率-时间曲线,将二者的功率-时间曲线输入LSTM网络,学习得到发电方式切换时间点;对振动加速度进行实时监测,比较LSTM网络预测出的发电方式切换时间点的振动加速度,验证是否落在振动发电和化学能发电的正常工作范围内;使用LSTM网络网络提取出振动发电装置或化学能发电装置输出的功率的特征,预测下一时刻振动发电装置或化学能发电装置输出的功率,若预测振动发电装置输出功率高,则使用振动发电,若预测化学能发电装置输出功率高,则使用化学能发电装置;将预测的振动发电装置与化学能发电装置发电功率相等的时间点设置为功率相等点,判断功率相等点是否符合正常工作范围;将工作范围设置为振动发电能正常工作的振动加速度范围和化学能协同发电装置正常工作的振动加速度范围;符合正常工作范围,设置为输出发电方式切换点;不符合正常工作范围,输出结果排除该功率相等点,输出符合切换发电模式时间点;还包括:根据振动加速度选择振动发电装置进行振动发电;根据振动加速度使用生物燃料发电装置切换为化学能发电。
2.根据权利要求1所述的方法,其中,所述在人体上设置振动发电装置和化学能发电装置,并使用自供电式振动检测系统检测振动发电装置振动加速度,包括:
在人体活动较多的部位安装振动发电装置,该装置主要由永磁体和线圈构成,当人体活动时,永磁体在线圈中发生位移,通过电磁感应定律获取电流;在适合的人体部位安装生物燃料电池,主要包括水凝胶和酶电极,其中,水凝胶用于收集汗液,酶电极则利用乳酸酶将乳酸分解产生电流;振动发电装置和化学能发电装置产生的电能为ICP加速度传感器提供电源;ICP加速度传感器利用压电效应将振动发电装置产生的振动信号转化为电信号;然后将电信号输入测振仪,在时间历程的基础上进行数据分析,计算并记录振动加速度。
3.根据权利要求1所述的方法,其中,所述结合温度场和地磁场对TMR电流传感器采集到的电流数据进行校正,包括:
将TMR电流传感器采集到的电流数据输入贝叶斯传感器,使用贝叶斯先验理论结合信息熵理论识别并剔除错误电流;将正确电流输入DNB网络,获取TMR电流传感器的温度和位置,计算出温度场和地磁场;结合温度场和地磁场对TMR电流传感器采集到的正确电流数据进行校正,并输出校正后的电流数据;还包括:基于贝叶斯先验结合信息熵理论,识别并剔除错误电流;对TMR电流传感器输出的电流值进行校正。
4.根据权利要求1所述的方法,其中,所述发送TMR电流传感器获取的电流数据到服务器,判断其是否为异常数据,并对异常数据进行警报,包括:
使用电压表获取发电装置产生的电压,如达到无线信号发射器正常工作范围内的电压,将振动发电装置或化学能发电装置产生的电压作为电源输入无线信号发射器;如果电压没有达到无线信号发射器的正常工作范围,则输入倍压器增大电压,直到达到无线信号发射器正常工作范围内的电压;服务器接收电流数据后,使用深度神经网络提取电流数据的特征,判断其是否为异常数据,并对异常数据进行警报;还包括:判断电压是否达到预设电压,将未达到预设电压进行增压达到预设电压,输入无线传输设备作为电源;基于深度卷积神经网络,判断电流数据是否异常,并对电流异常的服务器进行预警。
5.根据权利要求1所述的方法,其中,所述通过用电装置发电装置匹配度调整储蓄电池容量,包括:
使用无线信号发射器将发电装置的电流数据和电压数据发送到服务器;服务器通过电流电压计算出发电装置的输出功率;将发电装置输出功率随时间变化的数值输入RNN网络,学习发电装置输出功率的变化规律,预测下一时刻的发电装置输出功率是否大于身体植入设备用电功率;在人体植入储蓄电池,在用电功率小于储存振动发电装置和化学能发电装置输出功率时,将多余的电能输入储蓄电池,在用电功率大于储存振动发电装置和化学能发电装置输出功率时,将储蓄电池能源输入用电装置;获取用电装置的电流频率,计算发电装置和用电装置的匹配度,匹配度低于预设匹配度,将发电装置功率和用电装置功率再次输入RNN网络进行反馈,调整储蓄电池的容量;还包括:计算发电装置和用电装置的匹配度;储存发电装置多余电能并在发电功率不足时输出。
6.根据权利要求1所述的方法,其中,所述根据数值的离散程度在振动发电时间段内的变化规律,调整检测周期,包括:
首先,将振动发电装置输出的电流数据发送到服务器,在服务器端,利用统计学中的标准差或方差的方法计算每一个振动发电的时间段内,电流数值的离散程度;统计电流数值的离散程度在振动发电时间段内的变化规律,若离散程度小于预设阈值,则在振动发电时间段降低无线信号发射器发送电流数据的频率;若离散程度大于于预设值,服务端发送数据到发电装置,提高无线信号发射器发送电流数据的频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902788.4A CN116937807B (zh) | 2023-07-21 | 2023-07-21 | 一种电流电压功率的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310902788.4A CN116937807B (zh) | 2023-07-21 | 2023-07-21 | 一种电流电压功率的监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116937807A CN116937807A (zh) | 2023-10-24 |
CN116937807B true CN116937807B (zh) | 2024-01-30 |
Family
ID=88387396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310902788.4A Active CN116937807B (zh) | 2023-07-21 | 2023-07-21 | 一种电流电压功率的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116937807B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777660A (zh) * | 2010-02-04 | 2010-07-14 | 复旦大学 | 一种能与人体结合的微生物燃料电池 |
CN106712243A (zh) * | 2017-01-06 | 2017-05-24 | 北京微能高芯科技有限公司 | 一种可穿戴设备自供电系统 |
WO2019189960A1 (ko) * | 2018-03-26 | 2019-10-03 | 한국철도기술연구원 | 에너지 하비스터 및 이를 이용한 엔진 모니터링 시스템 |
CN112363099A (zh) * | 2020-10-30 | 2021-02-12 | 天津大学 | 一种tmr电流传感器温漂与地磁场校正装置及方法 |
CN114421803A (zh) * | 2021-12-17 | 2022-04-29 | 电子科技大学 | 一种具有稳定自发电能量供给的自适应微电网控制方法与装置 |
-
2023
- 2023-07-21 CN CN202310902788.4A patent/CN116937807B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777660A (zh) * | 2010-02-04 | 2010-07-14 | 复旦大学 | 一种能与人体结合的微生物燃料电池 |
CN106712243A (zh) * | 2017-01-06 | 2017-05-24 | 北京微能高芯科技有限公司 | 一种可穿戴设备自供电系统 |
WO2019189960A1 (ko) * | 2018-03-26 | 2019-10-03 | 한국철도기술연구원 | 에너지 하비스터 및 이를 이용한 엔진 모니터링 시스템 |
CN112363099A (zh) * | 2020-10-30 | 2021-02-12 | 天津大学 | 一种tmr电流传感器温漂与地磁场校正装置及方法 |
CN114421803A (zh) * | 2021-12-17 | 2022-04-29 | 电子科技大学 | 一种具有稳定自发电能量供给的自适应微电网控制方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116937807A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5874055B2 (ja) | 電力制御装置、電力制御方法、及び電力供給システム | |
CN108736556B (zh) | 一种微弱能量采集的方法、装置及智能穿戴设备 | |
CN105075052A (zh) | 电池控制装置、电池控制支持装置、电池控制系统、电池控制方法、电池控制支持方法和记录介质 | |
AU2005202309A1 (en) | Systems and methods used to reserve a constant battery capacity | |
CN102612675B (zh) | 信号处理任务的执行 | |
TW200707823A (en) | Apparatus and method for testing state of charge in battery | |
CN105075053A (zh) | 电池控制设备、电池控制系统、电池控制方法和记录介质 | |
JP2021092404A (ja) | 劣化推定装置、劣化推定システム、劣化推定方法、及びコンピュータプログラム | |
CN105765394B (zh) | 电池类型的确定 | |
CN116937807B (zh) | 一种电流电压功率的监测方法 | |
CN106817912B (zh) | 电源系统 | |
Adamo et al. | Comparison of current sensors for power consumption assessment of wireless sensors network nodes | |
Savargaonkar et al. | A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells | |
CN107465219A (zh) | 电力使用模式收集器和充电控制器 | |
US7151378B2 (en) | Implantable energy management system and method | |
Bokstaller et al. | Estimating SoC, SoH, or RuL of Rechargeable Batteries via IoT: A Review | |
KR20190057716A (ko) | 태양광 발전 연계형 전기 에너지 저장 시스템, 및 그 충/방전 제어 방법 | |
Dos Santos et al. | Thermoelectric energy harvesting on rotation machines for wireless sensor network in industry 4.0 | |
Xu et al. | Fault Prognosis Method for Solid Oxide Fuel Cells Based on Mechanism Degradation Process Model and Particle Filtering | |
CN115696090A (zh) | 传感器数据收集装置、传感器数据收集系统及方法 | |
KR101508064B1 (ko) | 건강관리장치 | |
KR101110676B1 (ko) | 리튬 1차 전지의 배터리 측정 방법 및 그 장치 | |
Sinha et al. | ithing: Designing next-generation things with battery health self-monitoring capabilities for sustainable iot in smart cities | |
Jabez et al. | Design and Implementation of Artificial Intelligence Based Power Management System for industrial Application | |
Kumar et al. | Grid Integration of Renewable Energy Sources With IoT System |
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 |
Denomination of invention: A monitoring method for current, voltage, and power Granted publication date: 20240130 Pledgee: Guangdong Provincial Bank of Communications Co.,Ltd. Pledgor: Guangdong Yuexue Technology Co.,Ltd. Registration number: Y2024980024593 |