CN116345677A - 一种基于人工智能的低功耗电源监控方法及*** - Google Patents
一种基于人工智能的低功耗电源监控方法及*** Download PDFInfo
- Publication number
- CN116345677A CN116345677A CN202310134775.7A CN202310134775A CN116345677A CN 116345677 A CN116345677 A CN 116345677A CN 202310134775 A CN202310134775 A CN 202310134775A CN 116345677 A CN116345677 A CN 116345677A
- Authority
- CN
- China
- Prior art keywords
- power supply
- storage battery
- self
- model
- parameter set
- 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.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种基于人工智能的低功耗电源监控,包括步骤S1:获取电源电路传感器数据形成端口参数集合X;步骤S2:将分段线性插值函数嵌入卷积神经网络结构中;步骤S3:对历史端口参数集合X及对应历史解决方案进行训练,得到电源自调节模型,所述电源自调节模型中包括与蓄电池单体数量相同多个深度神经网络;步骤S4:通过训练确定不同蓄电池单***置的权重,得到最终电源自调节模型;步骤S5:电源自调节模型根据电路实时参数实时通过通信电路传输至显示屏,显示异常位置并给出解决方案。本发明电源自调节模型包括与蓄电池单体数量相同多个深度神经网络的设置,大大增强了电源监控的准确性,增强用户体验。
Description
技术领域
本发明涉及电源监控技术领域,具体地涉及一种基于人工智能的低功耗电源监控方法及***。
背景技术
目前,在现代社会经济发展过程中,离不开电能的随时提供电力,从中不难看出电源的重要性。反过来亦是如此,社会经济、科学技术的发展也为电源应用的发展提供了经济资源和技术资源的支撑,因此电源应用与社会经济二者之间是互相促进、协同发展的。目前,在社会发展环境下,对于电源提出了崭新且更高的要求,需要重视电源监控***在电源中的应用,确保电源行业得以健康、稳定、持续发展。从宏观角度上来说,这一点对于社会经济的发展也具有重要现实意义和价值。
现有技术中,虽然存在较多电源监控***及方法,但随着新能源汽车等电源需求的旺盛增长以及电源应用多场景的变化,现有电源监控***数据准确度较低,数据传输速率较慢,且不能够实现与历史数据的匹配,尤其是现有新能源汽车的电池数据需要实时监控,对于多种蓄电池锂电池铅酸电池的监控如何实现自动化监控有着较高的要求,对现有的对电源数据及时更新训练的大量需求并不匹配。如何能够让电源监控更加智能化,人性化,提高其运行效率及准确度,增强用户可读性成为新的研究课题,且现有电源监控传感器数据传输准确性以及效率较低;且主要是针对现有电源的处理,没有涉及通过历史电源监控数据预测现在及未来电源数据的方式,因此,一种能够增加电源监控智能化程度的电源监控技术成为了迫切需求,从而改善用户的体验。
发明内容
为解决上述技术问题,本发明提供一种基于人工智能的低功耗电源监控***方法及***,本发明的基于人工智能的低功耗电源监控***方法及***显著了提高电源监控的数据准确度以及传输效率,在准确率方面大大增强,增强用户体验;采用以下技术方案实现:一种基于人工智能的低功耗电源监控方法,包括步骤S1:获取电源电路传感器数据,包括蓄电池总电压、蓄电池单体电压、蓄电池单体温度、直流配电分路电压、直流配电分路电流、整流器三相输入电压、整流器三相输入电流、交流配电三相电压、交流配电三相电流形成端口参数集合X;步骤S2:将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型;步骤S3:对历史端口参数集合X及对应历史解决方案进行训练,得到电源自调节模型,所述电源自调节模型中包括与蓄电池单体数量相同多个深度神经网络;步骤S4:通过训练确定不同蓄电池单***置的权重,得到最终电源自调节模型;步骤S5:电源自调节模型根据电路实时参数实时通过通信电路传输至显示屏,显示异常位置并给出解决方案,进而对不同蓄电池单体采集数据进行实时调节;
不同蓄电池单***置的权重通过下面步骤获得:蓄电池单体单独工作或所有蓄电池单体同时工作时对电源参与的影响值进行训练,设置影响值矩阵S,S(i,j)表示蓄电池单体i与蓄电池j同等变化下电源测量数据Xi与Xj之间的差别值,差别值表示为S(i,j)=-||Xi-Xj||2,则S为a×a的矩阵,S(d,d)表示同一单体,在不同电源环境下的差别值;最大迭代次数Kmax,得出蓄电池单***置的权重,为δ=[δ1,δ2,...,δa]。
优选地,所述将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,同时删除残差网络的全局池化层,将最后一层全连接层修改为卷积核大小为3*3、通道数为D的卷积层,将分段线性插值函数的输出连接全局池化层,生成自调节模型;所述分段线性插值函数用于对传感器参数进行自校准。
优选地,还包括端口参数集合X数据归一化处理模块,用于对获取电源电路传感器数据提取的卷积特征进行归一化处理。
优选地,所述端口参数集合X包括信息的滤波去噪,特征提取,以及对电池方位信息的确定。
优选地,所述通信电路采用剔除特定直流分量和部分交流低频分量的载波信号进行传输,即:
一种基于人工智能的低功耗电源监控***,其特征在于,包括ADuC812、电压检测传感器、电流检测传感器、显示电路、RS-232、驱动电路、LCD显示屏,其中ADuC812包括自调节模型计算模块,具体计算方式如下:参数获取模块用于获取电源电路传感器数据,包括蓄电池总电压、蓄电池单体电压、蓄电池单体温度、直流配电分路电压、直流配电分路电流、整流器三相输入电压、整流器三相输入电流、交流配电三相电压、交流配电三相电流形成端口参数集合X;自调节模型生成模块将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,对历史端口参数集合X及对应历史解决方案进行训练,得到电源自调节模型,所述电源自调节模型中包括与蓄电池单体数量相同多个深度神经网络;权重获取模块,通过训练确定不同蓄电池单***置的权重,得到最终电源自调节模型;实时显示模块,电源自调节模型根据电路实时参数实时通过通信电路传输至显示屏,显示异常位置并给出解决方案,进而对不同蓄电池单体采集数据进行实时调节;不同蓄电池单***置的权重通过下面步骤获得:蓄电池单体单独工作或所有蓄电池单体同时工作时对电源参与的影响值进行训练,设置影响值矩阵S,S(i,j)表示蓄电池单体i与蓄电池j同等变化下电源测量数据Xi与Xj之间的差别值,差别值表示为S(i,j)=-||Xi-Xj||2,则S为a×a的矩阵,S(d,d)表示同一单体,在不同电源环境下的差别值;设置最大迭代次数Kmax,得出蓄电池单***置的权重,为
δ=[δ1,δ2,...,δa]。
优选地,所述将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,删除残差网络的全局池化层,将最后一层全连接层修改为卷积核大小为3*3、通道数为D的卷积层,将分段线性插值函数的输出连接全局池化层,生成自调节模型;所述分段线性插值函数用于对传感器参数进行自校准。
优选地,还包括端口参数集合X数据归一化处理模块,用于对获取电源电路传感器数据提取的卷积特征进行归一化处理。
优选地,所述端口参数集合X包括信息的滤波去噪,特征提取,以及对电池方位信息的确定。
优选地,所述通信电路采用剔除特定直流分量和部分交流低频分量的载波信号进行传输,即:
与现有技术相比,本发明的技术方案具有以下有益效果:
解决了传统技术中电源监控没有和历史测绘数据相关联,本申请的电源监控方法能够实现实时对历史监控数据进行更新并对目前数据进行分析找出异常点;通过将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,后得到具有不同权重尺度的电池单体计算方法,解决了现有技术中数据预测单一,准确率低的缺点;通信电路采用剔除特定直流分量和部分交流低频分量的载波信号进行传输,设置为提高信号值范围值,实现了低值信号的滤除以及保留高值信号,提升电源监控准确度;通过匹配过程的设置,大大增加了数据准确性以及与历史电源监控数据的比较;通过电源自调节模型中包括与蓄电池单体数量相同多个深度神经网络的设置,大大增强了电源监控的准确性,提高电源监控准确度以及传输效率,增强用户体验。
附图说明
图1是本发明一种基于人工智能的低功耗电源监控***图;
具体实施方式
本领域技术人员理解,如背景技术所言,传统的电源监控准确度较低,数据传输速率较慢,且不能够实现与历史数据的匹配,虽然存在较多电源监控***及方法,但随着新能源汽车等电源需求的旺盛增长以及电源应用多场景的变化,现有电源监控***数据准确度较低,数据传输速率较慢,且不能够实现与历史数据的匹配,尤其是现有新能源汽车的电池数据需要实时监控,对于多种蓄电池锂电池铅酸电池的监控如何实现自动化监控有着较高的要求,对现有的对电源数据及时更新训练的大量需求并不匹配。如何能够让电源监控更加智能化,人性化,提高其运行效率及准确度,增强用户可读性成为新的研究课题,且现有电源监控传感器数据传输准确性以及效率较低;且主要是针对现有电源的处理,没有涉及通过历史电源监控数据预测现在及未来电源数据的方式,因此,一种能够增加电源监控智能化程度的电源监控技术成为了迫切需求,从而改善用户的体验。如何能够让电源监控更加智能化,人性化,提高其运行效率及准确度,增强用户可读性成为新的研究课题。为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
实施例1:
图1示出了本申请的一种基于人工智能的低功耗电源监控方法***图,包括步骤S1:获取电源电路传感器数据,包括蓄电池总电压、蓄电池单体电压、蓄电池单体温度、直流配电分路电压、直流配电分路电流、整流器三相输入电压、整流器三相输入电流、交流配电三相电压、交流配电三相电流形成端口参数集合X;
步骤S2:将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型;步骤S3:对历史端口参数集合X及对应历史解决方案进行训练,得到电源自调节模型,所述电源自调节模型中包括与蓄电池单体数量相同多个深度神经网络;步骤S4:通过训练确定不同蓄电池单***置的权重,得到最终电源自调节模型;步骤S5:电源自调节模型根据电路实时参数实时通过通信电路传输至显示屏,显示异常位置并给出解决方案,进而对不同蓄电池单体采集数据进行实时调节;
在一些实施例中通过一些方式检测①电压和电流在线检测:电压测量范围为0V~1000V,精度为1V;电流测量范围为OA~50A,精度为10mA;②电压和电流在线显示:显示当前电压和电流值;设定电压和电流阀值:可通过键盘或串口设定电压和电流的报警阀值;④过(欠)压过(欠)流保护和报警:当电压或电流超过(或低于)设定的阀值时,***通过声光报警,并自动切断电源,直至故障排除;⑤通信功能:具有主从机通信和LCD以及PC通信等功能;⑥抗干扰功能:具有良好的抗干扰能力,能应用于大多数场合。
A/D转换是将被测量的模拟量转换成数字量的器件,该器件的转换精度直接影响***测量精度,ADuc812单片机内集成的12位高性能ADC转换精度为0.0006V;
不同蓄电池单***置的权重通过下面步骤获得:蓄电池单体单独工作或所有蓄电池单体同时工作时对电源参与的影响值进行训练,设置影响值矩阵S,S(i,j)表示蓄电池单体i与蓄电池j同等变化下电源测量数据Xi与Xj之间的差别值,差别值表示为S(i,j)=-||Xi-Xj||2,则S为a×a的矩阵,S(d,d)表示同一单体,在不同电源环境下的差别值;最大迭代次数Kmax,得出蓄电池单***置的权重,为δ=[δ1,δ2,...,δa]。
在一些实施例中,Kmax为根据经验值人为设定或当个权重值经训练后与历史经验值平方差小于设定阈值时的计算迭代次数;
在一些实施例中,蓄电池单体单独工作或所有蓄电池单体同时工作时对电源参与的影响值进行训练,包括采用卷积神经网络进行训练,其中卷积神经网络的输入为历史各个状态下的蓄电池单体的参数及其变化,输出为优化的权重值。
将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型tongguo PLC编程软件选用STEP 7-Micro/WIN SMART,通过简明的程序设计,完成对***的实时监控。RMP电源监控***设计了主程序和相应的子程序,在进行控制时可以调用所需要的子程序,RMP电源的PLC主程序流程。程序的运行之前包括临时故障检测如下:先初始化封锁脉冲,判断电源是否有缺相故障,判断设定值是否为零,然后进行高压合闸判断,检测到高压合闸后就解封锁脉冲,按给定输入调节电流的大小,并检测实际电流电压,判断是否有故障信号,若存在故障信号则调用故障检测子程序,检测相应的故障,故障子程序,进行故障报警并封锁脉冲;若不存在故障信号,则检测后再判断有无停机信息,若有停机信息,则进行封锁脉冲。
在一些实施例中,所述将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,删除残差网络的全局池化层,将最后一层全连接层修改为卷积核大小为3*3、通道数为D的卷积层,将分段线性插值函数的输出连接全局池化层,生成自调节模型;所述分段线性插值函数用于对传感器参数进行自校准。
在一些实施例中,还包括端口参数集合X数据归一化处理模块,用于对获取电源电路传感器数据提取的卷积特征进行归一化处理。
在一些实施例中,所述端口参数集合X包括信息的滤波去噪,特征提取,以及对电池方位信息的确定。
在一些实施例中,所述通信电路采用剔除特定直流分量和部分交流低频分量的载波信号进行传输,即:
实施例2:
一种基于人工智能的低功耗电源监控***,包括ADuC812、电压检测传感器、电流检测传感器、显示电路、RS-232、驱动电路、LCD显示屏,其中ADuC812包括自调节模型计算模块,具体计算方式如下:参数获取模块用于获取电源电路传感器数据,包括蓄电池总电压、蓄电池单体电压、蓄电池单体温度、直流配电分路电压、直流配电分路电流、整流器三相输入电压、整流器三相输入电流、交流配电三相电压、交流配电三相电流形成端口参数集合X;自调节模型生成模块将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,对历史端口参数集合X及对应历史解决方案进行训练,得到电源自调节模型,所述电源自调节模型中包括与蓄电池单体数量相同多个深度神经网络;权重获取模块,通过训练确定不同蓄电池单***置的权重,得到最终电源自调节模型;实时显示模块,电源自调节模型根据电路实时参数实时通过通信电路传输至显示屏,显示异常位置并给出解决方案,进而对不同蓄电池单体采集数据进行实时调节;不同蓄电池单***置的权重通过下面步骤获得:蓄电池单体单独工作或所有蓄电池单体同时工作时对电源参与的影响值进行训练,设置影响值矩阵S,S(i,j)表示蓄电池单体i与蓄电池j同等变化下电源测量数据Xi与Xj之间的差别值,差别值表示为S(i,j)=-||Xi-Xj||2,则S为a×a的矩阵,S(d,d)表示同一单体,在不同电源环境下的差别值;最大迭代次数Kmax,得出蓄电池单***置的权重,为δ=[δ1,δ2,...,δa]。
在一些实施例中,所述将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,删除残差网络的全局池化层,将最后一层全连接层修改为卷积核大小为3*3、通道数为D的卷积层,将分段线性插值函数的输出连接全局池化层,生成自调节模型;所述分段线性插值函数用于对传感器参数进行自校准。
在一些实施例中,还包括端口参数集合X数据归一化处理模块,用于对获取电源电路传感器数据提取的卷积特征进行归一化处理。
在一些实施例中,所述端口参数集合X包括信息的滤波去噪,特征提取,以及对电池方位信息的确定。
在一些实施例中,所述通信电路采用剔除特定直流分量和部分交流低频分量的载波信号进行传输,即:
本发明的方法及***解决了传统技术中电源监控没有和历史测绘数据相关联,本申请的电源监控方法能够实现实时对历史监控数据进行更新并对目前数据进行分析找出异常点;通过将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,后得到具有不同权重尺度的电池单体计算方法,解决了现有技术中数据预测单一,准确率低的缺点;通信电路采用剔除特定直流分量和部分交流低频分量的载波信号进行传输,设置为提高信号值范围值,实现了低值信号的滤除以及保留高值信号,提升电源监控准确度;通过匹配过程的设置,大大增加了数据准确性以及与历史电源监控数据的比较,本发明的基于微处理器的的电源监控方法及***显著了提高电源监控准确度以及传输效率,在准确率方面大大增强,增强用户体验。
本领域技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品,因此本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (10)
1.一种基于人工智能的低功耗电源监控方法,其特征在于,包括步骤S1:获取电源电路传感器数据,包括蓄电池总电压、蓄电池单体电压、蓄电池单体温度、直流配电分路电压、直流配电分路电流、整流器三相输入电压、整流器三相输入电流、交流配电三相电压、交流配电三相电流形成端口参数集合X;步骤S2:将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型;步骤S3:对历史端口参数集合X及对应历史解决方案进行训练,得到电源自调节模型,所述电源自调节模型中包括与蓄电池单体数量相同多个深度神经网络;步骤S4:通过训练确定不同蓄电池单***置的权重,得到最终电源自调节模型;步骤S5:电源自调节模型根据电路实时参数实时通过通信电路传输至显示屏,显示异常位置并给出解决方案,进而对不同蓄电池单体采集数据进行实时调节;
不同蓄电池单***置的权重通过下面步骤获得:蓄电池单体单独工作或所有蓄电池单体同时工作时对电源参与的影响值进行训练,设置影响值矩阵S,S(i,j)表示蓄电池单体i与蓄电池j同等变化下电源测量数据Xi与Xj之间的差别值,差别值表示为S(i,j)=-||Xi-Xj||2,则S为a×a的矩阵,S(d,d)表示同一单体,在不同电源环境下的差别值;最大迭代次数Kmax,得出蓄电池单***置的权重,为δ=[δ1,δ2,...,δa]。
2.根据权利要求1所述的一种基于人工智能的低功耗电源监控方法,其特征在于,所述将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,同时删除残差网络的全局池化层,将最后一层全连接层修改为卷积核大小为3*3、通道数为D的卷积层,将分段线性插值函数的输出连接全局池化层,生成自调节模型;所述分段线性插值函数用于对传感器参数进行自校准。
3.根据权利要求2所述的一种基于人工智能的低功耗电源监控方法,其特征在于,还包括端口参数集合X数据归一化处理模块,用于对获取电源电路传感器数据提取的卷积特征进行归一化处理。
4.根据权利要求1所述的一种基于人工智能的低功耗电源监控方法,其特征在于,所述端口参数集合X包括信息的滤波去噪,特征提取,以及对电池方位信息的确定。
6.一种基于人工智能的低功耗电源监控***,其特征在于,包括ADuC812、电压检测传感器、电流检测传感器、显示电路、RS-232、驱动电路、LCD显示屏,其中ADuC812包括自调节模型计算模块,具体计算方式如下:参数获取模块用于获取电源电路传感器数据,包括蓄电池总电压、蓄电池单体电压、蓄电池单体温度、直流配电分路电压、直流配电分路电流、整流器三相输入电压、整流器三相输入电流、交流配电三相电压、交流配电三相电流形成端口参数集合X;自调节模型生成模块将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,对历史端口参数集合X及对应历史解决方案进行训练,得到电源自调节模型,所述电源自调节模型中包括与蓄电池单体数量相同多个深度神经网络;权重获取模块,通过训练确定不同蓄电池单***置的权重,得到最终电源自调节模型;实时显示模块,电源自调节模型根据电路实时参数实时通过通信电路传输至显示屏,显示异常位置并给出解决方案,进而对不同蓄电池单体采集数据进行实时调节;不同蓄电池单***置的权重通过下面步骤获得:蓄电池单体单独工作或所有蓄电池单体同时工作时对电源参与的影响值进行训练,设置影响值矩阵S,S(i,j)表示蓄电池单体i与蓄电池j同等变化下电源测量数据Xi与Xj之间的差别值,差别值表示为S(i,j)=-||Xi-Xj||2,则S为a×a的矩阵,S(d,d)表示同一单体,在不同电源环境下的差别值;最大迭代次数Kmax,得出蓄电池单***置的权重,为δ=[δ1,δ2,...,δa]。
7.根据权利要求6所述的一种基于人工智能的低功耗电源监控***,其特征在于,所述将分段线性插值函数嵌入卷积神经网络结构中生成自调节模型,删除残差网络的全局池化层,将最后一层全连接层修改为卷积核大小为3*3、通道数为D的卷积层,将分段线性插值函数的输出连接全局池化层,生成自调节模型;所述分段线性插值函数用于对传感器参数进行自校准。
8.根据权利要求6所述的一种基于人工智能的低功耗电源监控***,其特征在于,还包括端口参数集合X数据归一化处理模块,用于对获取电源电路传感器数据提取的卷积特征进行归一化处理。
9.根据权利要求6所述的一种基于人工智能的低功耗电源监控***,其特征在于,所述端口参数集合X包括信息的滤波去噪,特征提取,以及对电池方位信息的确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310134775.7A CN116345677A (zh) | 2023-02-20 | 2023-02-20 | 一种基于人工智能的低功耗电源监控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310134775.7A CN116345677A (zh) | 2023-02-20 | 2023-02-20 | 一种基于人工智能的低功耗电源监控方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116345677A true CN116345677A (zh) | 2023-06-27 |
Family
ID=86876566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310134775.7A Pending CN116345677A (zh) | 2023-02-20 | 2023-02-20 | 一种基于人工智能的低功耗电源监控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116345677A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275435A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市安立信电子有限公司 | 一种医用显示屏的节能模式管理***及其控制方法 |
-
2023
- 2023-02-20 CN CN202310134775.7A patent/CN116345677A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275435A (zh) * | 2023-11-20 | 2023-12-22 | 深圳市安立信电子有限公司 | 一种医用显示屏的节能模式管理***及其控制方法 |
CN117275435B (zh) * | 2023-11-20 | 2024-02-13 | 深圳市安立信电子有限公司 | 一种医用显示屏的节能模式管理***及其控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700032A (zh) | 一种用于低压直流配用电***的故障预测***及方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN113190693B (zh) | 储能***的数据处理方法、装置、电子设备及存储介质 | |
CN116345677A (zh) | 一种基于人工智能的低功耗电源监控方法及*** | |
CN116632838B (zh) | 应用于发电企业的电能供给分析的方法及装置 | |
CN117746588A (zh) | 节能电力设备的标准数字化故障预警方法、装置及*** | |
CN110570628B (zh) | 一种输电线路杆塔地质灾害监测预警分析***及使用方法 | |
CN116131340A (zh) | 发电站与负荷区域匹配的方法、装置、设备及存储介质 | |
CN117236638B (zh) | 基于多模态网络的运河微电网分布式能量管理*** | |
CN117294019B (zh) | 一种基于物联网的绿色建筑能耗监测方法及*** | |
CN117394535A (zh) | 交直流混合配电网数字孪生*** | |
CN115207421B (zh) | 电池***供能方法、装置、电子设备及存储介质 | |
CN116937645A (zh) | 充电站集群调控潜力评估方法、装置、设备及介质 | |
CN116488578A (zh) | 一种基于ai视觉辅助的光伏设备分析方法 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN115112182A (zh) | 一种输电线路状态监测***及方法 | |
CN118100233B (zh) | 微网群储能容量配置方法、装置、电子设备和存储介质 | |
Kumar et al. | Battery Management System with IoT for Enhancement of Battery Life | |
CN117411006B (zh) | 一种自动电压控制平台及其方法 | |
CN110265999B (zh) | 一种高度网状的二次配电网负载估计方法 | |
CN118091431B (zh) | 应用于智能摄像机使用下的电量测量方法及*** | |
CN115996503B (zh) | 一种自优化楼宇照明传感器节能控制*** | |
CN117318291A (zh) | 一种分布式光伏场站智能化管理***及方法 | |
CN118040650A (zh) | 微电网的频率安全评估方法、装置、设备及存储介质 | |
CN114186494A (zh) | 负荷确定方法、模型训练方法、装置以及电子设备 |
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 |