一种基于NFC的用电设备电源控制系统

    公开(公告)号:CN112770004A

    公开(公告)日:2021-05-07

    申请号:CN202011442362.8

    申请日:2020-12-08

    摘要: 本发明公开了一种基于NFC的用电设备电源控制系统,此种基于NFC的用电设备电源控制系统包括用电设备、电源管理模块和NFC通信模块,用电设备均连接电源,电源管理模块安装在用电设备和电源之间,电源管理模块用于控制用电设备与电源的通断,NFC通信模块安装在用电设备和电源之间,NFC通信模块包括NFC移动终端和NFC控制端,NFC控制端连接电源管理模块,NFC控制端用于读取NFC移动终端的匹配信息从而启动电源管理模块,实现用电设备与电源的连通,本发明通过NFC通信模块实现用电设备的电源控制管理,NFC通信模块实现了整个电源控制的保障,NFC的无线通信也更为便捷,并且NFC的信息匹配才能开启电源的方式也更为安全。

    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。

    基于多时间尺度的台区电能表误差在线检测方法和系统

    公开(公告)号:CN111948596A

    公开(公告)日:2020-11-17

    申请号:CN202010857564.2

    申请日:2020-08-24

    IPC分类号: G01R35/04

    摘要: 本发明公开了基于多时间尺度的台区电能表误差在线检测方法和系统,涉及电能计量设备检测技术领域,解决了拆回检定导致的换表停电损失与优质供电服务影响的问题。本发明包括数据周期性采集、数据有效性判断与数据的线损计算、构建误差模型、导出计算结果等步骤,对待核查台区的台区总表、台区下所有分表的用电信息数据进行周期性采集,对周期性采集到的数据进行有效性判断,如不合格执行补采操作,数据的有效性合格构建线损模型进行线损计算;本发明基于台区总电量等于各分表电能量及线损之和的能量守恒模型,通过构建不同尺度的采样周期,实现线损的有效估计,提升台区下各分表误差计算的准确性。

    基于多时间尺度的台区电能表误差在线检测方法和系统

    公开(公告)号:CN111948596B

    公开(公告)日:2023-03-14

    申请号:CN202010857564.2

    申请日:2020-08-24

    IPC分类号: G01R35/04

    摘要: 本发明公开了基于多时间尺度的台区电能表误差在线检测方法和系统,涉及电能计量设备检测技术领域,解决了拆回检定导致的换表停电损失与优质供电服务影响的问题。本发明包括数据周期性采集、数据有效性判断与数据的线损计算、构建误差模型、导出计算结果等步骤,对待核查台区的台区总表、台区下所有分表的用电信息数据进行周期性采集,对周期性采集到的数据进行有效性判断,如不合格执行补采操作,数据的有效性合格构建线损模型进行线损计算;本发明基于台区总电量等于各分表电能量及线损之和的能量守恒模型,通过构建不同尺度的采样周期,实现线损的有效估计,提升台区下各分表误差计算的准确性。

    一种基于深度学习的配网电气拓扑识别方法

    公开(公告)号:CN112381667B

    公开(公告)日:2023-02-03

    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。