CN117630476B - 一种适用于动物实验室的用电负荷实时监测方法及系统 - Google Patents
一种适用于动物实验室的用电负荷实时监测方法及系统 Download PDFInfo
- Publication number
- CN117630476B CN117630476B CN202410107606.9A CN202410107606A CN117630476B CN 117630476 B CN117630476 B CN 117630476B CN 202410107606 A CN202410107606 A CN 202410107606A CN 117630476 B CN117630476 B CN 117630476B
- Authority
- CN
- China
- Prior art keywords
- period
- value
- load
- power
- jth
- 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 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000005611 electricity Effects 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Landscapes
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明涉及电性能测试技术领域，具体涉及一种适用于动物实验室的用电负荷实时监测方法及系统，该方法包括：采集动物实验室在各周期内每个时刻的电流数据和电压数据；根据电流数据和电压数据计算每个周期的电流有效值和电压有效值；根据电流数据、相邻周期的电流有效值和电压有效值获得每个周期的负荷显著值和有效功率，计算各周期的用电负荷连续特征值；根据各周期的有效功率的差异获得功率差分梯度；根据各周期的功率差分梯度、负荷显著值以及用电负荷连续特征值获得各周期的连续负荷显著值；根据连续负荷显著值对动物实验室的用电负荷进行实时监测，从而提高了检测精度。
Description
技术领域
本发明涉及电性能测试技术领域，具体涉及一种适用于动物实验室的用电负荷实时监测方法及系统。
背景技术
动物实验室中设有多种用电设备，以维持实验室正常运作。包括但不限于动物饲养设备、环境控制系统、照明设备，以及各类生化实验仪器、分析仪器和电脑设备。各种用电设备的顺利运行对于实验的正常进行至关重要，为科研人员在生物科学领域的技术发展提供了可靠的基础。
用电负荷是指用电设备在某一时刻向电力系统取用的电功率总和，实时监测有助于优化电力系统的运作，使其能够迅速、准确地调整发电量，以满足实验室的动态用电需求，从而保证用电的稳定性。同时，还能够及时发现和解决潜在的电力系统问题，提高系统的可靠性和稳定性。常见的用电负荷监测技术包括侵入式负荷监测和非侵入式负荷监测。非侵入式负荷监测是指通过在电表添加传感器，依赖有效的算法来监测实时负荷。
在非侵入式的负荷识别研究中，通常使用事件检测、特征提取以及负荷识别的步骤来处理。在进行事件检测的研究算法中，大部分算法研究都是基于极值点的事件监测，不仅容易受到噪声干扰且对于功率连续变化的负荷难以准确检测，导致对动物实验室的用电负荷的检测精度较低。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种适用于动物实验室的用电负荷实时监测方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种适用于动物实验室的用电负荷实时监测方法，该方法包括以下步骤：
采集动物实验室在各周期内每个时刻的电流和电压并进行去噪，获得去噪后的各周期内每个时刻的电流数据和电压数据；
根据周期内每个时刻的电流数据和电压数据计算每个周期的电流有效值和电压有效值；根据电流数据、相邻周期的电流有效值和电压有效值获得每个周期的负荷显著值；根据每个周期的电流有效值和电压有效值计算有效功率；根据各周期与相邻周期之间的有效功率以及负荷显著值计算各周期的用电负荷连续特征值；根据各周期与相邻周期的有效功率的差异获得各周期的功率差分梯度；根据各周期的功率差分梯度、负荷显著值以及用电负荷连续特征值获得各周期的连续负荷显著值；
对所有周期的连续负荷显著值进行异常检测，获得异常值；根据异常值对动物实验室的用电负荷进行实时监测；
对于第j个周期，将周期内每个时刻的电流数据的平方记为每个时刻的电流平方，计算周期内所有时刻的电流平方的均值，将所述均值的平方根记为周期的电流有效值；对于周期内每个时刻的电压数据，采用与电流有效值相同的计算方法，获得周期的电压有效值；
将周期的电流有效值与电压有效值的归一化值之间的比值记为第j个周期的用电负荷，计算第j个周期的用电负荷与第j-1个周期的用电负荷之间的差值，将所述差值的平方记为第j个周期的用电负荷差异；
将第一个周期到第j个周期之间包含的所有时刻的电流数据组成的序列记为第j个周期的历史电流数据，获取对第j个周期的历史电流数据进行傅里叶变换的一次谐波的振幅，记为第j个周期的特征频率；
计算第j个周期的特征频率与第j-1个周期的特征频率之间的差值绝对值，将所述差值绝对值与第j个周期的用电负荷差异的和值记为第j个周期的负荷显著值；
对于第j个周期，将第j个周期之前的2m个周期记为第j个周期的影响周期，计算第j个周期的有效功率与第j+2m个周期的有效功率之间的差值绝对值；
计算第j个周期的所有影响周期的负荷显著值的方差，获取所述方差与预设倍率因子的乘积，将所述乘积与1的和值记为第j个周期的负荷差异；
计算所述差值绝对值与第j个周期的负荷差异之间的比值，将以自然常数为底数，所述比值为指数的指数函数的计算结果记为第j个周期的用电负荷连续特征值；
对于第j个周期，获取第j、j-1、j-2个周期的功率差分梯度中的最小值，计算所述最小值与第j个周期的负荷显著值的比值，将所述比值与第j个周期的用电负荷连续特征值的和值记为第j个周期的连续负荷显著值。进一步，所述根据每个周期的电流有效值和电压有效值计算有效功率，包括：
对于各周期，将周期的电流有效值与电压有效值的乘积记为周期的有效功率。
进一步，所述根据各周期与相邻周期的有效功率的差异获得各周期的功率差分梯度，包括：
对于各周期，将周期的有效功率与其前一个周期的有效功率之间的差值绝对值记为周期的功率差分梯度。
进一步，所述对所有周期的连续负荷显著值进行异常检测，获得异常值，具体包括：
对所有周期的连续负荷显著值使用LOF异常检测算法进行异常检测，获得每个连续负荷显著值的LOF离群因子，将LOF离群因子大于1的连续负荷显著值作为异常值。
进一步，所述根据异常值对动物实验室的用电负荷进行实时监测，包括：
对所有异常值使用k-means聚类算法进行聚类，获得两个聚类簇及两个聚类簇的簇心，将两个聚类簇中簇心最大的聚类簇记为功率连续变化簇，将两个聚类簇中簇心最小的聚类簇记为功率突变簇；
动物实验室中的生物设备在功率连续变化簇中所有异常值对应的周期发生状态切换，常规设备在功率突变簇中所有异常值对应的周期发生状态切换；
其中，生物设备为功率连续变化的用电设备，常规设备为功率非连续变化的用电设备；状态切换包括开启、关闭。
第二方面，本发明实施例还提供了一种适用于动物实验室的用电负荷实时监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明首先通过分析电流数据和电压数据的瞬时变化特征，根据电流有效值和电压有效值构建负荷显著值，能有效检测负荷的显著变化，从而判断动物实验室中事件的发生；为了区分生物用电设备和其他常规用电设备，根据各周期的有效功率和负荷显著值构建连续负荷显著值，连续负荷显著值通过生物用电设备和其他常规用电设备的电流变化和功率变化不同的特点进行区分，量化不同用电设备的特征；进而根据不同用电设备的连续负荷显著值处于不同的数值范围的因素对动物实验室的用电负荷进行实时监测，提高了检测精度。
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和优点，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的介绍，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，还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种适用于动物实验室的用电负荷实时监测方法的步骤流程图；
图2为生物用电设备的功率变化示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种适用于动物实验室的用电负荷实时监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种适用于动物实验室的用电负荷实时监测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种适用于动物实验室的用电负荷实时监测方法的步骤流程图，该方法包括以下步骤：
步骤S001，在供电入口安装传感器采集动物实验室的电流和电压数据。
在动物实验室供电入口处安装电流传感器，电压传感器来监测动物实验室中的电压，电流。在本实施例中，事件指用电负荷发生的变化，如由于设备故障或者实验仪器的突然开机导致的用电负荷突然增大或者减小的情况都称作事件。
在我国电力系统通常采用220V，50Hz的交流电。在动物实验室中当有新用电设备加入时，在供电入口处检测到的电流会呈现增加的趋势，电压会减小，用电功率增加。分别使用字母表示动物实验室在过去一小时内采集的电流和电压。其中，采样频率为以0.02秒为一个周期，将每周期平均划分为/>个采样时刻，/>的经验取值为20。采样时保证电流，电压处于稳定状态，即不存在任何用电设备的开启和关闭。
至此，获得动物实验室的电流和电压数据。
步骤S002，根据电流数据和电压数据计算每个周期的电流有效值和电压有效值；根据电流数据、相邻周期的电流有效值和电压有效值获得负荷显著值和有效功率，计算各周期的用电负荷连续特征值；根据各周期与相邻周期的有效功率的差异获得功率差分梯度；根据各周期的功率差分梯度、负荷显著值以及用电负荷连续特征值获得各周期的连续负荷显著值。
大多数用电设备启动时，在整个动物实验室的供电入口处会监测到电流的瞬时变化。将采集得到的实验室电流和电压作为卡尔曼滤波算法的输入，将去噪后的结果分别记为电流数据和电压数据/>，使用卡尔曼滤波算法进行去噪的具体实施过程为公知技术，不再赘述。
将第一个周期到第j个周期之间包含的所有时刻的电流数据组成的序列记为第j个周期的历史电流数据，根据电流数据和电压数据计算每个周期的电流有效值和电压有效值，进而获得每个周期的负荷显著值，计算公式为：
；
式中，表示一个周期内的采样时刻数量；/>表示第j个周期的电流有效值；表示第j个周期内第u个时刻的电流数据；/>表示第/>个周期的电流有效值；表示线性归一化函数；/>分别表示了第j个周期和第j-1个周期的电压有效值，其中电压有效值和电流有效值的计算方法是相同的；/>分别表示对第j个周期历史电流数据/>和第j-1个周期的历史电流数据/>进行傅里叶变换的一次谐波的振幅；/>表示第j个周期的负荷显著值。
通过上式可以计算得到动物实验室中第j个周期的负荷显著值，当动物实验室中某个用电设备启动时，动物实验室供电入口处的电流增加，电压略微减少，即电流有效值增加，电压有效值减小，为防止量纲差异对计算结果的影响，对电压有效值进行归一化处理，使得同周期内的电流有效值比电压有效值增加，两者的比值相比于前一周期明显增大，且当周期的电流历史数据的离散傅里叶变换的一次谐波的振幅差异增加时，说明该周期对应着动物实验室内某个用电设备的开启，导致电流的瞬时增加，与前一周期相比负荷增加，则该周期的负荷显著值增加。同样的，当第j周期内某个用电设备关闭时，电流有效值减小，电压有效值略微增大，两者的比值相比于前一周期明显减小，使得负荷显著值增加。负荷显著值/>越大，表示在该周期内越可能发生用电设备状态的改变。
大部分用电设备开启或关闭时，均能使得负荷显著值发生明显的变化，但在动物实验室中还存在生物电刺激设备等功率连续变化的生物用电设备，其功率变化如图2所示，横轴为时间t，纵轴为设备功率w，用电设备由于各种电路元件的作用，在设备开机时电流会缓慢增加，而不存在电流瞬时突变的情况，使得负荷显著值的瞬时变化并不明显。为了准确检测上述生物用电设备的用电情况，计算动物实验室中的有效功率，其中有效功率的计算公式为：
；
式中，表示第j个周期的电流有效值，/>表示第j个周期的电压有效值，/>表示第j个周期的有效功率。
通过该式计算了动物实验室中的有效功率，有功功率的计算公式为有效功率功率因子，功率因子是电流与电压之间相位差的余弦值，在每个周期的有功功率的计算中，功率因子为定值，因此有效功率即反映了动物实验室中有功功率的大小。但仅通过功率并不能准确检测生物电刺激设备等功率连续变化的用电设备的事件。将第j个周期之后的2m个周期记为第j个周期的影响周期，m的经验取值为20，实施者可根据具体情况进行设置。进一步，根据各周期的有效功率构建用电负荷连续特征值：
；
式中，表示第/>个周期的用电负荷连续特征值，/>表示第/>个周期的有效功率，表示第/>个周期的有效功率，/>是倍率因子，经验取值为1.6，/>表示第j个周期的2m个影响周期的负荷显著值的方差；/>用来防止当方差为0时，造成的分母为零的现象；/>为以自然常数为底数的指数函数。
当动物实验室中的用电设备的开启或关闭时，功率变化增加，此时无论是功率突变还是功率连续变化的用电设备的第个周期与第/>个周期之间的有效功率的差值相差不大；但在第/>周期内功率非连续变化的用电设备的开启或关闭时，会造成电流瞬时上升或下降，此时该周期的负荷显著值突变之后变得平稳，则该周期的影响周期的负荷显著值的方差较小，用电负荷连续特征值较小；当动物实验室中，开启或关闭生物电极等功率连续变化的用电设备时，随着生物电极等功率连续变化的设备的启动或关闭，电流逐渐变大或变小，不存在电流的突变，其负荷显著值逐渐增加，该周期的影响周期的负荷显著值的方差相比于功率非连续变化的用电设备较大，用电负荷连续特征值较大。
生物电极等功率连续变化的用电设备运行时，用电负荷连续特征值在一段时间内连续变化，在实时性上存在缺陷。为了加强检测的实时性。进而构建连续负荷显著值：
；
上式中，为第j个周期的连续负荷显著值，/>分别是第j、j-1、j-2个周期的功率差分梯度，/>表示第j个周期的有效功率，/>表示第j-1个周期的有效功率，/>为选择中间值函数，/>表示取/>三个功率差分梯度的中间值。/>表示以自然常数为底的指数函数。/>表示第j个周期的负荷显著值，/>表示第/>个周期的用电负荷连续特征值。
当第j个周期内存在功率非连续变化的用电设备开启获关闭时，会导致电流和功率瞬时变化，使得该周期功率差分梯度较大，因此选择第j、j-1、j-2个周期中功率差分梯度的最小值作为稳定状态下的功率梯度，由于负荷显著值反应用电设备的状态变化，此时负荷显著值增加，整个减小，此时由于功率和负荷显著值的作用，用电负荷连续特征值/>较小，整体连续负荷显著值/>较小。当在周期/>内开启或关闭功率连续变化的用电设备，存在电流和功率的连续增加，使得第j、j-1、j-2个周期中功率差分梯度均较小但大于稳定状态下的功率梯度，整个/>增加，此时用电负荷连续特征值较大，整体的连续负荷显著值较大；当周期内不存在设备状态切换时，为稳定状态，第j、j-1、j-2个周期中功率差分梯度大致相等，且处于稳定状态的周期的电流和功率也保持稳定，即负荷显著值和用电负荷连续特征大致相等，则处于稳定状态的不同周期的连续负荷显著值大致相等。
步骤S003，对所有周期的连续负荷显著值进行异常检测，根据异常检测结果对动物实验室的用电负荷进行实时监测。
基于上述分析，通过连续负荷显著值的大小能够判断用电设备的类型和用电状态，当连续负荷显著值较小，对应功率非连续变化的用电设备的状态切换，即开启或关闭；当连续负荷显著值较大，对应功率连续变化的用电设备的状态切换，即开启或关闭；当连续负荷显著值为较为稳定的值时，对应用电负荷处于稳定状态，即不存在用电设备的开启或关闭。
因此，本实施例对于所有周期的连续负荷显著值使用LOF异常检测算法进行异常检测，获得每个周期的连续负荷显著值的LOF离群因子，将LOF离群因子大于1的连续负荷显著值作为异常值。其中LOF异常检测算法的具体实施过程为公知技术，不再赘述。在本实施例中，异常值对应的周期为用电设备的状态发生切换。为方便说明，将功率非连续变化的用电设备称为常规设备，功率连续变化的用电设备称为生物设备。
为进一步区分常规设备和生物设备的状态切换，对所有异常值使用k-means聚类算法进行聚类，其中聚类簇的个数k=2，获得两个聚类簇及两个聚类簇的簇心，将两个聚类簇中簇心的值最大的聚类簇记为功率连续变化簇，将两个聚类簇中簇心的值最小的聚类簇记为功率突变簇。功率连续变化簇中的异常值对应的周期代表生物设备在该周期发生状态切换；功率突变簇中的异常值对应的周期代表常规设备在该周期发生状态切换。
至此，完成对动物实验室的用电负荷的实时监测。
基于与上述方法相同的发明构思，本发明实施例还提供了一种适用于动物实验室的用电负荷实时监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种适用于动物实验室的用电负荷实时监测方法中任意一项所述方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种适用于动物实验室的用电负荷实时监测方法，其特征在于，该方法包括以下步骤：
采集动物实验室在各周期内每个时刻的电流和电压并进行去噪，获得去噪后的各周期内每个时刻的电流数据和电压数据；
根据周期内每个时刻的电流数据和电压数据计算每个周期的电流有效值和电压有效值；根据电流数据、相邻周期的电流有效值和电压有效值获得每个周期的负荷显著值；根据每个周期的电流有效值和电压有效值计算有效功率；根据各周期与相邻周期之间的有效功率以及负荷显著值计算各周期的用电负荷连续特征值；根据各周期与相邻周期的有效功率的差异获得各周期的功率差分梯度；根据各周期的功率差分梯度、负荷显著值以及用电负荷连续特征值获得各周期的连续负荷显著值；
对所有周期的连续负荷显著值进行异常检测，获得异常值；根据异常值对动物实验室的用电负荷进行实时监测；
对于第j个周期，将周期内每个时刻的电流数据的平方记为每个时刻的电流平方，计算周期内所有时刻的电流平方的均值，将所述均值的平方根记为周期的电流有效值；对于周期内每个时刻的电压数据，采用与电流有效值相同的计算方法，获得周期的电压有效值；
将周期的电流有效值与电压有效值的归一化值之间的比值记为第j个周期的用电负荷，计算第j个周期的用电负荷与第j-1个周期的用电负荷之间的差值，将所述差值的平方记为第j个周期的用电负荷差异；
将第一个周期到第j个周期之间包含的所有时刻的电流数据组成的序列记为第j个周期的历史电流数据，获取对第j个周期的历史电流数据进行傅里叶变换的一次谐波的振幅，记为第j个周期的特征频率；
计算第j个周期的特征频率与第j-1个周期的特征频率之间的差值绝对值，将所述差值绝对值与第j个周期的用电负荷差异的和值记为第j个周期的负荷显著值；
对于第j个周期，将第j个周期之前的2m个周期记为第j个周期的影响周期，计算第j个周期的有效功率与第j+2m个周期的有效功率之间的差值绝对值；
计算第j个周期的所有影响周期的负荷显著值的方差，获取所述方差与预设倍率因子的乘积，将所述乘积与1的和值记为第j个周期的负荷差异；
计算所述差值绝对值与第j个周期的负荷差异之间的比值，将以自然常数为底数，所述比值为指数的指数函数的计算结果记为第j个周期的用电负荷连续特征值；
对于第j个周期，获取第j、j-1、j-2个周期的功率差分梯度中的最小值，计算所述最小值与第j个周期的负荷显著值的比值，将所述比值与第j个周期的用电负荷连续特征值的和值记为第j个周期的连续负荷显著值。
2.如权利要求1所述的一种适用于动物实验室的用电负荷实时监测方法，其特征在于，所述根据每个周期的电流有效值和电压有效值计算有效功率，包括：
对于各周期，将周期的电流有效值与电压有效值的乘积记为周期的有效功率。
3.如权利要求1所述的一种适用于动物实验室的用电负荷实时监测方法，其特征在于，所述根据各周期与相邻周期的有效功率的差异获得各周期的功率差分梯度，包括：
对于各周期，将周期的有效功率与其前一个周期的有效功率之间的差值绝对值记为周期的功率差分梯度。
4.如权利要求1所述的一种适用于动物实验室的用电负荷实时监测方法，其特征在于，所述对所有周期的连续负荷显著值进行异常检测，获得异常值，具体包括：
对所有周期的连续负荷显著值使用LOF异常检测算法进行异常检测，获得每个连续负荷显著值的LOF离群因子，将LOF离群因子大于1的连续负荷显著值作为异常值。
5.如权利要求1所述的一种适用于动物实验室的用电负荷实时监测方法，其特征在于，所述根据异常值对动物实验室的用电负荷进行实时监测，包括：
对所有异常值使用k-means聚类算法进行聚类，获得两个聚类簇及两个聚类簇的簇心，将两个聚类簇中簇心最大的聚类簇记为功率连续变化簇，将两个聚类簇中簇心最小的聚类簇记为功率突变簇；
动物实验室中的生物设备在功率连续变化簇中所有异常值对应的周期发生状态切换，常规设备在功率突变簇中所有异常值对应的周期发生状态切换；
其中，生物设备为功率连续变化的用电设备，常规设备为功率非连续变化的用电设备；状态切换包括开启、关闭。
6.一种适用于动物实验室的用电负荷实时监测系统，包括存储器、处理器以及存储在所述存储器中并在所述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计算机程序时实现如权利要求1-5任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410107606.9A CN117630476B (zh) | 2024-01-26 | 2024-01-26 | 一种适用于动物实验室的用电负荷实时监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410107606.9A CN117630476B (zh) | 2024-01-26 | 2024-01-26 | 一种适用于动物实验室的用电负荷实时监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117630476A CN117630476A (zh) | 2024-03-01 |
| CN117630476B true CN117630476B (zh) | 2024-03-26 |
Family
ID=90036294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410107606.9A Active CN117630476B (zh) | 2024-01-26 | 2024-01-26 | 一种适用于动物实验室的用电负荷实时监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117630476B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301475A (zh) * | 2017-06-21 | 2017-10-27 | 南京信息工程大学 | 基于连续功率谱分析的电力负荷预测优化方法 |
| CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
| CN113572149A (zh) * | 2021-04-28 | 2021-10-29 | 湖北工业大学 | 一种基于非侵入式电力负荷监测的超负荷设备预警系统 |
| CN114252682A (zh) * | 2021-12-21 | 2022-03-29 | 上海中和软件有限公司 | 基于非侵入式负荷监测的大型楼宇异常负荷控制方法 |
| CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
| CN116628620A (zh) * | 2023-03-13 | 2023-08-22 | 杭州电子科技大学 | 一种非侵入式负荷识别计算方法 |
| CN117239746A (zh) * | 2023-11-16 | 2023-12-15 | 国网湖北省电力有限公司武汉供电公司 | 一种基于机器学习的电力负荷预测方法及系统 |
-
2024
- 2024-01-26 CN CN202410107606.9A patent/CN117630476B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107301475A (zh) * | 2017-06-21 | 2017-10-27 | 南京信息工程大学 | 基于连续功率谱分析的电力负荷预测优化方法 |
| CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
| CN113572149A (zh) * | 2021-04-28 | 2021-10-29 | 湖北工业大学 | 一种基于非侵入式电力负荷监测的超负荷设备预警系统 |
| CN114252682A (zh) * | 2021-12-21 | 2022-03-29 | 上海中和软件有限公司 | 基于非侵入式负荷监测的大型楼宇异常负荷控制方法 |
| CN116628620A (zh) * | 2023-03-13 | 2023-08-22 | 杭州电子科技大学 | 一种非侵入式负荷识别计算方法 |
| CN116628529A (zh) * | 2023-07-21 | 2023-08-22 | 山东科华电力技术有限公司 | 一种用于用户侧智能负荷控制系统的数据异常检测方法 |
| CN117239746A (zh) * | 2023-11-16 | 2023-12-15 | 国网湖北省电力有限公司武汉供电公司 | 一种基于机器学习的电力负荷预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117630476A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Logesparan et al. | Optimal features for online seizure detection | |
| Leite et al. | Heartbeat classification with low computational cost using Hjorth parameters | |
| Ali et al. | Evaluation of electrocardiogram signals classification using CNN, SVM, and LSTM algorithm: A review | |
| US9936889B2 (en) | Apparatus and method of controlling threshold for detecting peaks of physiological signals | |
| CN117238507B (zh) | 基于物联网的重症护理监测系统 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN116955895A (zh) | 一种变压器运行异常监测方法及系统 | |
| CN111932051A (zh) | 一种基于非侵入式电力终端时序监测的恶意行为检测方法 | |
| CN116392085A (zh) | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 | |
| CN117807551B (zh) | 基于智能戒指的心率异常捕获方法及系统 | |
| CN109009004A (zh) | 一种基于中医脉象分析的体质检测方法 | |
| CN116369866A (zh) | 基于小波变换的睡眠趋稳性量化及调节方法、系统和装置 | |
| Lian et al. | Spatial enhanced pattern through graph convolutional neural network for epileptic EEG identification | |
| CN117630476B (zh) | 一种适用于动物实验室的用电负荷实时监测方法及系统 | |
| Saleheen et al. | An efficient embedded hardware for high accuracy detection of epileptic seizures | |
| CN115969330B (zh) | 一种睡眠情绪活跃水平检测量化的方法、系统和装置 | |
| Gupta et al. | Nonlinear technique-based ECG signal analysis for improved healthcare systems | |
| CN113413135B (zh) | 一种基于脉搏采集分析的方法、系统、装置及存储介质 | |
| Sujan et al. | Performance analysis for the Feature Extraction algorithm of an ECG signal | |
| CN111938594B (zh) | 基于层次图模型的癫痫脑电信号异常监测系统及设备 | |
| Sá et al. | Heart disease detection architecture for lead I off-the-person ECG monitoring devices | |
| An et al. | A novel EEG sleep staging method for wearable devices based on amplitude-time mapping | |
| Kim et al. | Seizure detection methods using a cascade architecture for real-time implantable devices | |
| CN113188231B (zh) | 空调的压缩机带液特征提取方法、装置、存储介质及空调 | |
| CN111638649B (zh) | 电器运行安全监测方法及装置 |
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 |