УСТРОЙСТВО КОМПЛЕКСНОГО АНАЛИЗА ЭНЕРГОПОТРЕБЛЕНИЯ В ЭЛЕКТРИЧЕСКИХ СЕТЯХ НИЗКОГО НАПРЯЖЕНИЯ Российский патент 2025 года по МПК G01R19/25 G06Q50/06 G06N20/00 

ОБЛАСТЬ ТЕХНИКИ

Заявленное техническое решение, в общем, относится к области вычислительной техники, а, в частности, к устройству комплексного анализа энергопотребления в электрических сетях низкого напряжения, которое позволяет определять потребление электроэнергии в электрических сетях низкого напряжения с декомпозицией этого потребления по отдельным типам потребителей электроэнергии, находящихся за границей балансовой принадлежности.

УРОВЕНЬ ТЕХНИКИ

Из уровня техники известен патент на изобретение RU2731744С1 «Система управления устройствами в IoT сетях с помощью самообучающихся моделей машинного обучения», Акционерное общество "ПКК Миландр", опубл. 08.09.2020.

В данном патенте описана система управления устройствами в IоТ сетях с помощью самообучающихся моделей машинного обучения, которая включает в себя такие компоненты, как соединенные в сеть IоТ устройства, центральный сервер, блок управления данными и блок управления моделями машинного обучения, являющиеся инструментами анализа данных и принятия решений, а также блок управления, определяющий качество работы моделей по различным параметрам, используя результаты работы блока управления данными и в автоматическом режиме принимающий решение о необходимости дообучить модели на новых данных или полностью переработать, отличающаяся использованием моделей анализа данных и принятия решений на конечных устройствах, результатами обработки входящего потока данных с устройств и в то же время обучение на нем, которые в виде команд используются для управления устройствами, подключенными к сети и использующими специализированные методы машинного обучения, способные работать на конечных устройствах и обучаться на новых поступающих данных.

Кроме того, из уровня техники известно решение, описанное в патенте на изобретение US9612286B2 «Systems and methods for improving the accuracy of appliance level disaggregation in non-intrusive appliance load monitoring techniques», BIDGELY INC, опубл. 04.04.2017. В данном решении описан подход создания сигнатур приборов на основе сигнала совокупной нагрузки дома. Способ включает в себя такие этапы, как: идентификация примитивных элементов сигналов, включая элементы переходных и устойчивых процессов; группирование примитивных элементов по нескольким измерениям для формирования импульсов; объединение импульсов в пучки; объединение пучков друг с другом или импульсами с образованием сложных пучков; и определение конкретных сигнатур устройств, которые, по существу, соответствуют сложным пучкам.

Из уровня техники известна также заявка на патент US20180348711A1 «Energy Disaggregation Techniques for Low Resolution Whole-House Energy Consumption Data», GUPTA ABHAY et al, опубл. 15.06.2021. Данная заявка на изобретение описывает способ дезагрегирования энергии всего дома с измерениями низкой частоты дискретизации, а именно, одно измерение осуществляют за 15-60 мин. Способ включает этапы на которых: получают профиль нагрузки всего дома; осуществляют выборочную связь с базой данных, включающей в себя неэлектрическую информацию; осуществляют выборочный обмен данными с другой базой данных, включающей в себя обучающие данные; и определяют профили нагрузки отдельных приборов на основе профиля всего дома, неэлектрической информации и обучающих данных. Результатом для потребителей является детализированный счет за электроэнергию с предложениями по оптимизации энергопотребления.

Из уровня техники известно решение, описанное в патенте на изобретение RU2804048C1 «Способ дезагрегации сигнала совокупного энергопотребления», Автономная некоммерческая образовательная организация высшего образования "Сколковский институт науки и технологий", опубл. 26.09.2023.

Данное решение описывает способ, в котором выделяют естественные классы приборов, хранящихся в базе данных, не содержащие одинаковых или схожих сигналов в полученных классах, путем выполнения метода кластеризации каждого отдельного класса приборов, в котором выбирают параметры, при которых метод кластеризации определяет границы классов таким образом, что достигается их минимальное количество пересечений; генерируют базу данных сигналов совокупного энергопотребления из сигналов энергопотребления отдельными приборами, хранящихся в базе данных, с присвоенными метками естественных классов приборов; обучают модель машинного обучения на основе базы данных, сгенерированной на предыдущем этапе, где входные данные - это сигналы совокупного энергопотребления, а выходные данные - это сигналы энергопотребления и/или доли участия и/или индикатор присутствия в совокупном энергопотреблении для меток естественных классов приборов; получают сигнал совокупного энергопотребления из распределительной сети и выполняют его дезагрегацию при помощи обученной модели машинного обучения; причем дополнительно выполняют постобработку полученных на выходе модели машинного обучения меток естественных классов приборов путем их сопоставления с соответствующими данными о приборах из базы данных сигналов энергопотребления отдельными приборами и меток, а также путем сравнения результата дезагрегации в данный момент времени с историей дезагрегации до данного момента времени и определение на основании постобработки результата дезагрегации режимов работы отдельных приборов.

Наиболее близким аналогом заявленного технического решения является устройство обработки данных, способ обработки данных и программа по патенту на изобретение RU146951С2, СОНИ КОРПОРЕЙШН, опубл. 27.09.2016.

В данном патенте описывается устройство, которое содержит модуль получения данных, выполненный с возможностью получения данных, представляющих смешанный сигнал двух или более последовательных по времени сигналов; модуль оценки состояния, выполненный с возможностью оценки параметра для моделирования сигнала, последовательного по времени, с факториальной скрытой моделью Маркова (FHMM); при этом модуль оценки состояния выполнен с возможностью оценки параметра при определенном ограничении посредством вычисления вариации данных, представляющих смешанный сигнал двух или более сигналов временной последовательности; и использования вычисленной вариации, в качестве параметра FHMM.

Недостатками известных решений в данной области техники является следующее: устройствами, с которых собираются данные, могут являться различные детекторы, счетчики и т.д. и их количество в сети может варьироваться от сотен до десятков тысяч. Из чего следует, что период сбора данных об энергопотреблении велик, а частота дискретизации этих данных мала для решения задач распознавания количества и типов потребителей электроэнергии, включенных в электрическую сеть низкого напряжения в текущий момент времени. Это обстоятельство не позволяет точно определять и классифицировать данные события, а именно определять потребление электроэнергии отдельными типами потребителей электроэнергии.

Кроме того, в наиболее близком аналоге недостатком является то, что определение потребления электроэнергии отдельными электрическими бытовыми приборами осуществляется с помощью алгоритма на основе факториальной скрытой модели Маркова (FHMM). Такой подход не позволяет работать с большим числом отдельных потребителей электроэнергии вследствие высокой временной сложности алгоритма. Данных подход также не позволяет точно определять потребление электроэнергии отдельными потребителями, имеющими похожее потребление.

Предлагаемое к рассмотрению техническое решение направлено на устранение недостатков современного уровня техники.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

Технической задачей, на решение которой направлено заявленное техническое решение, является создание устройства комплексного анализа энергопотребления в электрических сетях низкого напряжения. Данное устройство предназначено для определения потребления электроэнергии отдельными типами потребителей электроэнергии, подключенных в электрическую сеть низкого напряжения в рамках одного сегмента инфраструктуры, например: квартиры, офиса, дома и т.п., путем обработки данных с одного или нескольких датчиков тока, установленных на границе балансовой принадлежности (на каждую фазу).

Технический результат заключается в повышении эффективности определения потребления электроэнергии отдельными типами потребителей электроэнергии, подключенных в электрическую сеть низкого напряжения.

Дополнительным техническим результатом является анализ энергопотребления.

Заявленный технический результат достигается за счет устройства комплексного анализа энергопотребления в электрических сетях низкого напряжения, содержащего:

модуль сбора и обработки данных, внутри которого расположены:

• коммутатор (К) и аналого-цифровой преобразователь (АЦП), связанные между собой по линиям GPIO;

• модуль первичной обработки, выполненный с возможностью осуществлять сбор показаний потребляемого тока с датчика тока и вычислять действующее значение тока в сети низкого напряжения, в которой он установлен;

• блок быстрого преобразования Фурье, выполненный с возможностью разложения входного сигнала на гармоники путем быстрого преобразования Фурье, детерминирования интервалов, кратных частоте сети 50 Гц, и вычисления среднеквадратических (СКЗ) и пиковых значений (ПИК) каждого из интервалов;

• модуль передачи данных, выполненный с возможностью пересылать полученные значения в модуле первичной обработки и блоке быстрого преобразования Фурье на центральный сервер;

центральный сервер, который включает:

• модуль обслуживания подключений, выполненный с возможностью получать обработанные данные с модуля сбора и обработки данных, установленного у конечного потребителя, и осуществления передачи действующих значений тока и интервалов идентифицированного модуля сбора и обработки данных в модуль алгоритма машинного обучения, а также обслуживания подключения клиентов;

• модуль алгоритма машинного обучения, выполненный с возможностью получения данных из модуля обслуживания подключений, осуществления классификации типа подключенной нагрузки по переданным в модуль значений СКЗ и ПИК интервалов и передачи распознанных типов подключенной нагрузки и действующего значения тока в модуль хранения данных;

• модуль хранения данных, выполненный с возможностью получения данных из модуля обслуживания подключений, агрегирования собранных статистических данных по распознанным типам подключенной нагрузки, а также хранения и доступа к этим данным и данным клиентов для получения сводной статистической информации по энергопотреблению;

• модуль определения неизвестной нагрузки в случае невозможности классификации типа подключенной нагрузки, создает в модуле хранения данных новый тип нагрузки и записывает значения интервалов с модуля сбора и обработки данных, отправившего запрос;

• модуль дообучения, выполненный с возможностью управления модулем алгоритма машинного обучения, в части запуска процесса обучения в случае получения в модуле определения неизвестной нагрузки значения интервалов нового типа нагрузки;

блок визуализации (БВ).

ОПИСАНИЕ ЧЕРТЕЖЕЙ

Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:

Фиг. 1 иллюстрирует структурную схему устройства комплексного анализа энергопотребления в электрических сетях низкого напряжения.

ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ

В приведенном ниже подробном описании реализации изобретения приведены многочисленные детали реализации, призванные обеспечить отчетливое понимание настоящего изобретения. Однако, квалифицированному в предметной области специалисту будет очевидно, каким образом можно использовать настоящее изобретение как с данными деталями реализации, так и без них. В других случаях хорошо известные методы, процедуры и компоненты не были описаны подробно, чтобы не затруднять понимание особенностей настоящего изобретения.

Кроме того, из приведенного изложения будет ясно, что изобретение не ограничивается приведенной реализацией. Многочисленные возможные модификации, изменения, вариации и замены, сохраняющие суть и форму настоящего изобретения, будут очевидными для квалифицированных в предметной области специалистов.

В заявленном техническом решении предлагается устройство комплексного анализа энергопотребления в электрических сетях низкого напряжения с использованием нейронной сети.

На фиг. 1 приведена структурная схема устройства комплексного анализа энергопотребления в электрических сетях низкого напряжения (1), которое состоит из следующих элементов:

2 – модуля сбора и обработки данных в состав, которого входят: 5 – коммутатор и аналого-цифровой преобразователь, на вход которого поступают данные с одного или нескольких датчиков тока, 6 – модуль первичной обработки, 7 – блок быстрого преобразования Фурье, 8 – модуль передачи данных на центральный сервер (3);

3 – центрального сервера в состав которого входят: 9 – модуль обслуживания подключений, 10 – модуль алгоритма машинного обучения, 11 – модуль хранения данных, 12 – модуль определения неизвестной нагрузки, 13 – модуль дообучения;

БВ – блока визуализации (4), выполненного в виде веб-интерфейса, и связанного с модулем сбора, и обработки данных (2) с использованием Next.js и Fetch API через REST API. БВ (4) включает асинхронную передачу данных между клиентской частью на Next.js и центральным сервером (3) через HTTP-запросы к REST API. Next.js обеспечивает серверный рендеринг (SSR) и статическую генерацию страниц (SSG), а безопасность обеспечивается HTTPS и токенами аутентификации.

Модуль сбора и обработки данных (2) подключается к центральному серверу (3) по локальной сети или через Internet с использованием технологии Wi-Fi на основе стандартов IEEE 802.11 и протокола MQTT.

Заявленное устройство комплексного анализа энергопотребления в электрических сетях низкого напряжения (1) производит сбор данных с датчика тока, установленного на границе балансовой принадлежности и/или в составе вводно-распределительного устройства., осуществляет обработку этих данных и отправку их на центральный сервер (3).

Центральный сервер (3) принимает данные, осуществляет наполнение модуля хранения данных (11), а также принятие решений о типе подключенной нагрузки или дообучения.

Модуль сбора и обработки данных (2) получает сигнал от датчика тока, не входящего в состав данного устройства, производит разложение этого сигнала на гармоники (путем быстрого преобразования Фурье), кратные 50Гц, и пересылает значения интервалов, содержащих эти гармоники при помощи модуль передачи данных (8) в центральный сервер (3). Результатом работы центрального сервера (3) является представление в формализованном виде в блоке визуализации (4) решения о типе отдельной электрической нагрузки, а также времени его работы.

Модуль алгоритма машинного обучения (10) представлен в виде нейросетевого классификатора.

Модуль дообучения (13) управляет модулем алгоритма машинного обучения, в части запуска процесса обучения в случае получения в модуле определения неизвестной нагрузки (12) значения интервалов нового типа нагрузки

На основании этого, отличительными признаками заявленного решения является введение в центральный сервер (3) модуля дообучения (13), а также значительное уменьшение количества передаваемых данных модулем сбора и обработки данных (2) за счет введения в него модуля первичной обработки (6) и блока быстрого преобразования Фурье (7) в центральный сервер (4) без потери точности распознавания.

Модель определения типа электрической нагрузки представляется в виде клиент-серверной архитектуры, которая разделена на модули, отвечающие за выполнение отдельных функций.

Должны выполняться следующие требования к функциональному обеспечению:

1. Возможность запроса статистических данных об энергопотреблении за определенный период времени.

2. Возможность отображения текущей потребляемой мощности (на основании последних полученных данных от модуля сбора и обработки данных).

3. Определение и отображение типа электрической нагрузки, включенной в сеть.

4. Хранение и вывод данных об энергопотреблении каждого типа электрической нагрузки за определенный период времени.

5. Отслеживание «аномального» энергопотребления, исходя из статистических данных об энергопотреблении.

Блок хранения данных должен иметь следующий функционал:

1. Получение данных от блока сбора и первичной обработки данных.

2. Обработка и классификация данных с помощью модуля алгоритма машинного обучения, необходимого для распознавания типов электрических нагрузок в энергосистеме.

3. Хранение полученных данных с модуля сбора и обработки данных в модуле хранения данных, а также данных о текущих пользователях и типов электрической нагрузки, данных об энергопотреблении каждого типа электрической нагрузки, данных об установленных регистраторах (модулей сбора и обработки данных) и данных о действующем тарифе на энергопотребление.

4. Обслуживание запросов статистических данных энергопотребления за определенный период времени, запросов на регистрацию и авторизацию от блока визуализации, запросов на получение информации об установленном регистраторе (модуле сбора и обработки данных) и действующем тарифе на энергопотребление.

Программное обеспечение модуля хранения данных разработано в виде базы данных на основе свободной объектно-реляционной системы управления базами данных PostgreSQL. Оно обладает следующими функциональными особенностями:

1. Хранение и обслуживание данных клиентов в виде потребителей электроэнергии, поддержка запросов статистических данных энергопотребления за определенный период времени.

2. Хранение и обслуживание данных клиентов: авторизационные данные, информация о действующем тарифе на энергопотребление, подключенные регистраторы (модули сбора и обработки данных).

3. Хранение и обслуживание данных подключенных регистраторов в системе, а также принадлежность их к сетевым или сбытовым компаниям.

4. Хранения и обслуживание данных о генерации электроэнергии, подключенных к системе, если таковые используются (например, солнечные панели).

Модуль сбора и обработки данных:

Основная задача – сбор показаний потребляемого тока, например, с неинвазивного датчика тока и передача данных на АЦП модуля сбора и обработки данных.

Модуль первичной обработки данных:

Модуль первичной обработки данных отвечает за анализ результатов, полученных с датчика тока (одного или нескольких) через коммутатор и аналого-цифровой преобразователь, и вычисляет действующее значение тока в сети низкого напряжения, в которой он установлен.

Блок быстрого преобразования Фурье, выполненный с возможностью разложения входного сигнала на гармоники путем быстрого преобразования Фурье, детерминирования интервалов, кратных частоте сети 50 Гц, и вычисления среднеквадратических (СКЗ) и пиковых значений (ПИК) каждого из интервалов.

Модуль передачи данных на центральный сервер отвечает за обмен данными с центральным сервером.

Модуль обслуживания подключений на сервере отвечает за прием данных от модуля передачи данных на центральный сервер, т. е. обработанных гармоник тока. Также модуль обслуживает подключения клиентов для получения сводных статистических данных по потреблению электрических нагрузок в сети, принимает данные с модуля сбора и обработки данных, установленного у конечного потребителя, и осуществляет передачу действующих значений тока и интервалов идентифицированного модуля сбора и обработки данных в модуль алгоритма машинного обучения.

Модуль хранения данных отвечает за агрегирование собранных статистических данных по распознанным типам электрической нагрузки, а также за хранение и доступ к этим данным и данным клиентов (конечных пользователей).

Модуль определения неизвестной нагрузки в случае невозможности классификации типа подключенной нагрузки, создает в модуле хранения данных новый тип нагрузки и записывает значения интервалов с модуля сбора и обработки данных, отправившего запрос.

Модуль алгоритма машинного обучения получает данные из модуля вторичной обработки данных, осуществляет классификацию типа подключенной нагрузки по переданным в модуль значений СКЗ и ПИК интервалов и передает распознанные типы подключенной нагрузки и действующего значения тока в модуль хранения данных.

Модуль дообучения выполнен с возможностью управления модулем алгоритма машинного обучения, в части запуска процесса обучения в случае получения в модуле определения неизвестной нагрузки значения интервалов нового типа нагрузки. Данный модуль запускает процесс обучения заново.

С помощью блока визуализации выводят информацию о статистике энергопотребления в электрических сетях низкого напряжения.

Описание модуля алгоритма машинного обучения

В настоящее время становится необходимым применение в системах неинвазивного мониторинга высокопроизводительных вычислительных систем и методов машинного обучения.

Таким образом, перспективными направлениями развития средств неинтрузивного мониторинга электрической нагрузки являются методы машинного обучения, основанные на нечеткой логике, экспертных системах, нейронных сетях и классических моделях машинного обучения. Методы нечеткой логики позволяют значительно упростить описание модели объектов контроля, а также являются более простыми для аппаратной реализации. Нейронные сети используют для идентификации объектов, распознавания и прогнозирования состояния объекта. Преимущества классификатора, построенного на основе нейронных сетей, перед традиционными оценочными методами заключается в таких факторах, как независимость от шумов, самообучаемость, возможность параллельной обработки. Модели машинного обучения, основанные на технологии бустинга, показывают лучшие результаты на данных во многих областях. Их преимуществами являются: небольшой набор данных, необходимых для обучения, контроль переобучения и высокая точность предсказаний.

В работах [1] и [2] описаны решения, позволяющие производить высокоскоростной сбор данных с последующей обработкой и принятием решений при помощи нейронной сети.

​​В заявленном решении предлагается решение задачи повышения эффективности процесса классификации нагрузки при помощи интеллектуального блока принятия решений на основе алгоритма градиентного бустинга с деревьями решений.

Выше отмечено применение градиентного бустинга как одного из перспективных направлений развития неинструзивного мониторинга электрической нагрузки.

Основными достоинствами градиентного бустинга на основе деревьев решений являются:

1. Сравнительно с другими алгоритмами машинного обучения, градиентный бустинг требует меньших усилий по подготовке данных на стадии предобработки.

2. Данный алгоритм не требует нормализации и масштабирования данных.

3. Алгоритм способен продолжать работать с возможными пропущенными данными.

Таким образом, в настоящих материалах заявки используется алгоритм градиентного бустинга на основе деревьев решений. Существует большое количество реализованных библиотек с открытым исходным кодом для данного алгоритма. В таблице 1 изображено сравнение значений функции потерь алгоритмов, построенных на основе популярных библиотек, на обучении по различным наборам данных.

Таблица 1 – Значение функции потерь для алгоритма бустинга из различных библиотек, обученных на разных наборах данных [3]

Библиотека Набор данных Amazon Набор данных Appet Набор данных Kdd98 Набор данных Kick Набор данных Upsel CatBoost 0.137720 0.071511 0.194668 0.284793 0.166128 LightGBM 0.163600 0.071795 0.195759 0.295660 0.166818 XGBoost 0.163271 0.071760 0.195677 0.294647 0.166322 H2O 0.162641 0.072457 0.195395 0.294814 0.168241

Полученная статистика показывает, что в большом спектре наборов данных алгоритмы, основанные на библиотеке CatBoost, имеют меньшее значение функции потерь, а значит, и больший процент верных ответов. Таким образом, для решения задач распознавания типов электрических нагрузок используется алгоритм градиентного бустинга с решающими деревьями на основе библиотеки с открытым исходным кодов CatBoost, распространяемой под лицензией Apache-2.0 Licence.

Обучение, тестирование и валидация выбранной модели проводилась на основе собранных данных с прототипа блока сбора и первичной обработки данных. Обучающая выборка включала в себя следующих потребителей: зарядное устройство телефона, зарядное устройство ноутбука, чайник, нагревательный элемент мощностью 400 Вт, нагревательный элемент мощностью 600 Вт, нагревательный элемент мощностью 800 Вт, нагревательный элемент мощностью 1000 Вт, лампа накаливания мощностью 200 Вт, лампа мощностью 250 Вт, обогреватель мощностью 1 кВт, обогреватель мощностью 1,7 кВт, обогреватель мощностью 2 кВт. Для каждого потребителя был снят набор из 5000 серий по 11 интервалов в каждой. Интервал между снятиями показаний составил 100 мс. Из собранного набора 80% данных использовалось для обучения модели, 10% – для валидации, 10% – для тестирования. При такой выборке произведено обучение градиентного бустинга решающих деревьев. Параметры модели обучения приведены в таблице 2.

Таблица 2 – Параметры обучения модели

Параметр Значение Функция потерь функция потерь логистической регрессии Скорость обучения 0.1 Число решающих деревьев 100 Критерий разделения для деревьев среднеквадратичная ошибка Фридмана Максимальная глубина решающих деревьев 5 Всего верных предсказаний на тестовой выборке 5070 Всего неверных предсказаний на тестовой выборке 930 Процент верных предсказаний, % 84.5 Результирующая функция потерь после обучения 0,054

Из полученных результатов видно, что данная модель показывает при обучении хорошие результаты для классификации типов нагрузок. Процент верных предсказаний для отдельных комбинаций на тестовой выборке представлен в таблице 3.

Таблица 3 – Результаты на тестовой выборке

Комбинация Всего верных предсказаний Всего неверных предсказаний Процент верных предсказаний, % Зарядное устройство телефона 401 99 80.2 Зарядное устройство ноутбука 403 97 80.6 Нагревательный элемент 400 Вт 424 76 84.8 Нагревательный элемент 600 Вт 428 72 85.6 Нагревательный элемент 800 Вт 432 68 86.4 Нагревательный элемент 1000 Вт 435 65 87.0 Лампа 200 Вт 419 81 83.8 Лампа 250 Вт 430 70 86.0 Обогреватель 1 кВт 421 79 84.2 Обогреватель 1.7 кВт 427 73 85.4 Обогреватель 2 кВт 430 70 86.0 Чайник 420 80 84.0

Таким образом, средняя точность предсказания составила 84,5%. Данный результат можно считать приемлемым для такого числа распознаваемых типов электрических нагрузок.

В настоящих материалах заявки было представлено предпочтительное осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.

Литература:

1. Stepanov, P., and Yu. Nikitin, “Diagnostics of Mechatronic Systems on the Basis of Neural Networks with High-Performance Data Collection,” Mechatronics 2013: Recent Technological and Scientific Advances. Springer International Publishing, Swizerland, pp. 433-440, 2014.

2. Степанов, П.И. Разработка и тестирование блока принятия решений для системы контроля технического состояния электромеханического оборудования / П.И. Степанов // Южно-Сибирский научный вестник. – 2020. – № 1. – С. 108-113.

3. Библиотека с открытым исходным кодом Catboost / [Электронный ресурс]. – Режим доступа URL: https://github.com/catboost/benchmarks/tree/master/quality_benchmarks

Изобретение относится к области вычислительной техники и может быть использовано для анализа энергопотребления в электрических сетях низкого напряжения. Техническим результатом является повышение эффективности определения потребления электроэнергии отдельными типами потребителей электроэнергии, подключенных в электрическую сеть низкого напряжения. Устройство содержит модуль сбора и обработки данных, содержащий коммутатор и аналого-цифровой преобразователь, связанные между собой по линиям GPIO, модуль первичной обработки, блок быстрого преобразования Фурье и модуль передачи данных; центральный сервер, содержащий: модуль обслуживания подключений, модуль алгоритма машинного обучения, модуль хранения данных, модуль определения неизвестной нагрузки в случае невозможности классификации типа подключенной нагрузки и модуль дообучения; блок визуализации. 1 ил., 3 табл.

Устройство комплексного анализа энергопотребления в электрических сетях низкого напряжения, содержащее:

модуль сбора и обработки данных, внутри которого расположены:

• коммутатор (К) и аналого-цифровой преобразователь (АЦП), связанные между собой по линиям GPIO;

• модуль первичной обработки, выполненный с возможностью осуществлять сбор показаний потребляемого тока с датчика тока и вычислять действующее значение тока в сети низкого напряжения, в которой он установлен;

• блок быстрого преобразования Фурье, выполненный с возможностью разложения входного сигнала на гармоники путем быстрого преобразования Фурье, детерминирования интервалов, кратных частоте сети 50 Гц, и вычисления среднеквадратических (СКЗ) и пиковых значений (ПИК) каждого из интервалов;

• модуль передачи данных, выполненный с возможностью пересылать полученные значения в модуле первичной обработки и блоке быстрого преобразования Фурье на центральный сервер;

центральный сервер, который включает:

• модуль обслуживания подключений, выполненный с возможностью получать обработанные данные с модуля сбора и обработки данных, установленного у конечного потребителя, и осуществления передачи действующих значений тока и интервалов идентифицированного модуля сбора и обработки данных в модуль алгоритма машинного обучения, а также обслуживания подключения клиентов;

• модуль алгоритма машинного обучения, выполненный с возможностью получения данных из модуля обслуживания подключений, осуществления классификации типа подключенной нагрузки по переданным в модуль значений СКЗ и ПИК интервалов и передачи распознанных типов подключенной нагрузки и действующего значения тока в модуль хранения данных;

• модуль хранения данных, выполненный с возможностью получения данных из модуля обслуживания подключений, агрегирования собранных статистических данных по распознанным типам подключенной нагрузки, а также хранения и доступа к этим данным и данным клиентов для получения сводной статистической информации по энергопотреблению;

• модуль определения неизвестной нагрузки в случае невозможности классификации типа подключенной нагрузки, создает в модуле хранения данных новый тип нагрузки и записывает значения интервалов с модуля сбора и обработки данных, отправившего запрос;

• модуль дообучения, выполненный с возможностью управления модулем алгоритма машинного обучения, в части запуска процесса обучения в случае получения в модуле определения неизвестной нагрузки значения интервалов нового типа нагрузки;

блок визуализации (БВ).