一种计量采集设备信息流监控系统

    公开(公告)号:CN112858778A

    公开(公告)日:2021-05-28

    申请号:CN202110049149.9

    申请日:2021-01-14

    IPC分类号: G01R22/06

    摘要: 本发明公开了计量采集设备信息监控技术领域的一种计量采集设备信息流监控系统,包括两组结构相同的采集设备,两组所述采集设备均电性输出连接中央处理器,所述中央处理器分别电性输出连接显示模块、电能数据处理模块和数据监测模块,所述电能数据处理模块双向电性连接查询模块,所述数据监测模块分别电性输出连接报警模块、异常存储模块和通信模块,通过数据监测模块对接收到的电量进行检测,若电能表的运行状况存在错误,则报警模块发出警报,并通过通信模块将信息传送给维修师傅的移动终端上,通过定位模块使得采集设备传来的信息带有该电能表的位置信息,从而便于维修师傅及时定位到损坏的电能表位置进行维修。

    一种基于密度空间聚类的信息流异常数据监测方法及装置

    公开(公告)号:CN112464848A

    公开(公告)日:2021-03-09

    申请号:CN202011418335.7

    申请日:2020-12-07

    摘要: 本发明公开了一种基于密度空间聚类的信息流异常数据监测方法及装置,包括:S1、实时采集电能信息交互设备上传主站电能量测数据,将电能测量数据分组为幅值量测数据和相角量测数据;S2、利用长短期记忆LSTM方法计算电能信息交互测量数据幅值特征分量;S3、利用斜率特征量计算电能信息数据相角特征分量;S4、采用基于密度空间聚类DBSC监测模型,将所述幅值特征分量、相角特征分量分别输入基于密度空间聚类DBSC监测模型,并进行聚类分析以监测电能信息交互设备量测值中的幅值或相角异常数据,并输出监测结果。本发明大大提高了动态条件下监测和筛选异常数据的精度,满足现场实际应用的大部分需求。

    基于电能数据感知的平顶窗函数同步相量测量方法及装置

    公开(公告)号:CN112485522B

    公开(公告)日:2023-05-16

    申请号:CN202011428603.3

    申请日:2020-12-09

    IPC分类号: G01R23/16

    摘要: 本发明公开的基于电能数据感知的平顶窗函数同步相量测量方法及装置,先对连续信号采样获得离散电力信号并对离散电力信号做FFT分析得到粗估频率值,结合改进的平顶窗函数得到基于改进平顶窗的DFT模型,最后求解出基波、谐波和间谐波相量值;本发明对平顶窗的基波、谐波和间谐波相量测量方法进行改进,利用改进的平顶窗函数与离散傅里叶变换方法结合,不仅能够同时测量基波、谐波与间谐波信号,而且能够减小信号间频谱干扰带来的不利影响,有效提高在谐波和间谐波干扰情况下的基波测量精度,能够满足测量精度要求。

    一种基于全息感知和边缘计算的新型电能信息交互系统

    公开(公告)号:CN112866376A

    公开(公告)日:2021-05-28

    申请号:CN202110049154.X

    申请日:2021-01-14

    IPC分类号: H04L29/08

    摘要: 本发明公开了电能信息交互技术领域的一种基于全息感知和边缘计算的新型电能信息交互系统,包括信息感知设备,所述无线传输模块电性输出连接智能终端,所述智能终端双向电性连接移动端,所述中央处理器电性输出连接储存模块,所述储存模块双向电性连接数据库,所述数据库电性输入连接对比模块,且对比模块双向电性连接中央处理器,本发明中通过信息感知设备对电能信息进行采集,由中央处理器控制计算模块与对比模块对数据信息进行处理后,再通过无线传输模块传输到智能终端上,从而在信息采集的本地就可以对数据信息进行处理,使数据信息处理更快,并且减小智能终端的负载。

    一种基于深度学习的配网电气拓扑识别方法

    公开(公告)号:CN112381667A

    公开(公告)日:2021-02-19

    申请号:CN202011259811.5

    申请日:2020-11-12

    摘要: 本发明公开了一种基于深度学习的配网电气拓扑识别方法,包括:S1:选取预设数量的台区,将每个台区内一定数量的用户作为数据采集对象,采集各用户对应的低压侧用电数据,作为配网拓扑识别数据集;S2:构建双通道一维卷积神经网络模型,包括特征提取模块、特征融合模块,其中特征提取模块中的两个通道各包括至少两个1DCNN+BN+ReLU结构的卷积层,多层叠加的结构可以更好地提取数据特征;特征融合模块包括一个1DCNN+BN+ReLU结构的卷积层,实现特征的深度融合;S3:使用双通道一维卷积神经网络模型对所述配网拓扑识别数据集进行训练,得到训练后的双通道一维卷积神经网络模型;S4:利用训练后的双通道一维卷积神经网络模型对配网拓扑识别数据集进行配网电气拓扑识别。