基于1D-CNN模型的非侵入式负荷识别

非侵入式负荷识别技术对电网系统的电力调度、风险估计等具有重要意义.现阶段非侵入式负荷识别的数据质量差,算法识别准确度低且只能处理低频或高频数据.针对非侵入式负荷识别数据质量差的问题,提出了数据修复、数据扩展等数据增强方法;针对非线性扰动降低准确度的问题,提出了一种基于1D-CNN的深度学习模型,该模型既可提取低频数据的稳态特征,也可提取高频数据的暂态特征.使用数据增强后的数据集在1D-CNN模型上训练和测试,并与现有算法进行对比发现,该模型在低频、高频数据集上均获得了95%以上的准确度,与现有算法相比具有明显优势.     

基于改进YOLOv5s的非侵入式负荷识别

负荷识别是非侵入式负荷监测的关键环节.针对原始电压电流轨迹特征选择有限、识别准确度低的问题，提出一种基于改进YOLOv5s(YOLOv5s是YOLOv5(you only look once的第5个版本)系列中预训练结构最小的模型)的非侵入式负荷识别算法.将坐标注意力(coordinate attention,简称CA)模块添加至YOLOv5s的主干网络，用双向特征金字塔网络(bi-directional feature pyramid network,简称BiFPN)取代YOLOv5s的常规特征提取网络.实验结果表明：相对于其他3种算法，该文算法有更高的负荷识别准确度.因此，该文算法具有有效性.     

基于CNN与K-means聚类的非侵入式电器负荷识别方法

针对目前非侵入式负荷监测仅能识别单个家用电器、多种家用电器同时运行识别率低的问题,提出一种基于卷积神经网络（CNN）与K-means聚类结合的非侵入式家用电器识别方法。首先,通过改进的CUSUM边沿检测算法对获取的用户用电数据进行时间检测,提取负荷发生投切事件的功率波形;其次,通过高斯滤波法对提取的功率波形进行滤波处理,并将处理后的波形转化为像素图作为负荷特征库,一部分作为训练集用来训练K-means算法改进后的CNN模型,一部分作为测试集测试模型识别的精度;最后,利用搭建的实验平台进行实际测试分析。实验结果表明,所用模型对7种家用电器的识别率均为100%,验证了模型的有效性。通过K-means算法对卷积神经网络进行改进,增大相似特性负荷特征之间的区别,提高负荷辨识的准确率,为非侵入式负荷检测技术开发提供了参考。     

基于Zigbee技术的RFID读卡系统设计

将Zigbee技术与RFID无线射频识别技术相结合,设计了一种基于STM32单片机的RFID读卡系统。RFID读卡器节点采用Zigbee技术以单跳或者多跳的形式灵活组网,延长了RFID读卡模块的读写距离。详细阐述了读卡集成芯片MFRC522,Zigbee网络处理模块SPZB260和主控芯片STM32单片机的外围电路设计,以及整个系统的硬件架构和软件架构,并通过实验结果验证了该系统的可行性和有效性。     

基于ARM的漏电火灾报警系统的研制

漏电火灾报警系统是避免电气火灾的关键部分.设计以ST公司的ARM芯片STM32为控制器,通过剩余电流式传感器,红外测温传感器以及离子式感烟传感器在线监测漏电情况、温度及烟雾浓度等参数并实时显示.一旦发生漏电立刻报警,并将时间、地点等信息保存到SD卡中,同时通过CAN总线将报警信息发送到监控终端.     

基于STM32和FPGA联合构建的特种设备行业高精度数据采集系统

在特种设备的控制和检测中,经常要对设备中连续时间变换运行参数进行实时采集。针对传统数据采集系统在采集精度与采集速率方面存在精度差,采集速率低,不能很好的采集高频信号、反映特种设备高速运行部件的准确信息,制约了特种设备安全风险管控和隐患排查治理的问题。本文利用STM32与FPGA芯片特性,设计了一种基于STM32和FPGA架构的高速采集系统,本系统采用高精度、大动态范围的AD9238芯片为核心进行AD转换保证了采样精度,通过FPGA的并行结构特性保证了采样速度,STM32进行逻辑控制与后级系统输出.阐述了系统整体结构,对关键硬件模块进行了设计,分析了关键数据流量处理过程,包括FPGA数据读取控制,FSMC总线数据传输,STM32数据传输控制等,最终对采集系统进行测试,测试表明本采集系统具备高采集精度与采集速率,能够很好的应用于特种设备的控制和检测中高频信号的采集.     

一种无接触温度测量与身份识别装置的设计

针对目前温度测量装置的缺点,以STM32F407单片机为主控芯片,设计了一款无接触温度测量与身份识别装置.该装置通过无接触体温测量模块和身份识别模块分别提取目标温度和人脸图片,再利用基于遗传算法的BP神经网络算法、卷积神经网络和联合稀疏表示分别对读取的温度和人脸图片进行处理,进而实现温度测量和身份识别,一旦温度有异常则...     

基于图像编码与深度学习的非侵入式负荷识别方法

非侵入式负荷识别(non-intrusive load monitoring,NILM)是一种不依赖用户内部装置,仅凭借外部分析工具和手段即可实现用户用电行为自动感知的方法.提高非侵入式负荷识别的精度,对于开展用能监测服务、实现节能降损具有重要意义.提出了一种基于彩色图像编码与深度学习的电力负荷识别方法.该方法首先在传统电压-电流(V-I)灰色轨迹法的基础上,利用双线性插值技术有效解决了像素点不连续的问题;然后考虑了特征之间的互补性,通过构造电流(R)、电压(G)和相位(B)3个通道,将数值特征嵌入灰色V-I轨迹中,从而得到了蕴含丰富电气特征的彩色V-I图像;最后,采用AlexNet深度学习算法对彩色V-I图像和对应设备标签进行有监督的学习,从而实现了不同类别电器设备的有效辨识.算例测试结果表明,提出的负荷识别方法的准确率高达97.7％.该结果充分验证了上述方法的有效性.     

基于LoRa技术的STM32处理器无线程序升级系统设计

设计并实现了一款基于LoRa 技术对STM32F767 系列处理器通过无线方式升级程序的系统. 该系统的硬件结构包括:无线发送端、无线接收端及待升级程序的STM32F767 处理器端3 个部分. 发送端将程序的数据文件通过LoRa 技术传递给接收端,接收端通过串口将程序最终传递给STM32F767 处理器,STM32F767 处理器对收到的程序数据进行校验并最终烧录到芯片自身Flash 的指定区域,进而完成程序升级的功能. 实测结果表明系统运行稳定,可以通过无线的方式实现对处理器中固化的程序进行升级.     

基于STM32的TSC型无功补偿控制系统的研究

针对在电力系统网络中,大量电机负荷及大功率设备的投入,出现的功率因数较低、电压波动较大等问题,本文在详细分析无功补偿的相关理论和算法的基础上,研究一种基于STM32的晶闸管投切电容器(TSC)无功补偿控制系统,包括补偿方案、控制算法以及控制器的硬件设计和软件设计等。该系统主控芯片采用STM32芯片,执行模块采用CF6G-3型可控硅触发控制器,信号的采集采用功率测量芯片CS5463,并在控制策略上对常规的九区图做了改进,避免设备的误动作与投切振荡现象的发生,对无功功率进行实时动态补偿。实验结果表明,所设计的无功补偿控制器能够控制电容器准确快捷投切,测量数据精确,补偿效果明显,有效地改善了电网电压供电水平,提高了功率因数,并实现系统在无人值守下的安全高效运行。