Evaluation Model of Operation State Based on Deep Learning for Smart Meter

The operation state detection of numerous smart meters is a significant problem caused by manual on-site testing. This paper addresses the problem of improving the malfunction detection efficiency of smart meters using deep learning and proposes a novel evaluation model of operation state for smart meter. This evaluation model adopts recurrent neural networks (RNN) to predict power consumption. According to the prediction residual between predicted power consumption and the observed power consumption, the malfunctioning smart meter is detected. The training efficiency for the prediction model is improved by using transfer learning (TL). This evaluation uses an accumulator algorithm and threshold setting with flexibility for abnormal detection. In the simulation experiment, the detection principle is demonstrated to improve efficient replacement and extend the average using time of smart meters. The effectiveness of the evaluation model was verified on the actual station dataset. It has accurately detected the operation state of smart meters.

Towards the Spectrochrom automation with ADC & omics-oriented DSP analysis

Ускорившийся прогресс инструментальной базы спектрохроматографии последних десятилетий обусловлен, по большей части, не изменением принципов детектирования аналитического сигнала, а внедрением многоканальных компьютеризованных систем, с использованием которых реализуется цифровая обработка данных / сигнала (DSP) [ , ]. С 1960-х по начало 1980-х гг. инструментальный прогресс в данной области относился, преимущественно, к оптическому тракту и флюидике спектрохроматографов (примером чего является оптимизация кюветного отделения и дизайна проточных кювет [ ]). Затем был осуществлён переход к позиционно-чувствительному анализу сигнала (в сечениях, отражающих гетерогенность фракционирования аналитов или к двумерному варианту в тонкослойной {спектро}хроматографии), обеспечивавшемуся использованием диодных матриц [ , ], в частности – ПЗС-матриц, с использованием регрессионного анализа (PLS – Partial Least Square), в частности – PRESS (Prediction {Residual} Error Sum of Squares), позволяющего в ходе PLS-калибровки эффективно разрешать перекрывающиеся пики, используя трёхмерные (A,λ,t) матрицы данных, включающие в себя время, длины волн, коэффициенты поглощения / экстинкции данной зоны или фракции. Хемометрикой, обеспечивавшей объективный количественный анализ, был подготовлен плацдарм для перехода к автоматизированной идентификации (фингерпринтинга либо футпринтинга) целевых веществ, в том числе – в сложных смесях и нативных аналитах; так, например, для фотосинтетических пигментов фотоавтотрофов спектрохроматографический метод фингерпринтинга был апробирован и внедрён ещё в начале 1990-х (наиболее полная, с концептуальных позиций, первичная публикация – 1996 г. [ ]). Для проточных вариантов дизайна кювет с капиллярными (микрофлюидными / мезофлюидными) потоками можно практически пренебречь пространственной гетерогенностью в поперечном сечении, так как при стационарном детекторе сам факт протекания жидкости является в физическом смысле «сканированием» по единственной допустимой оси. Поэтому, при сохранении и развитии математико-алгоритмических принципов хемометрического анализа, которые, как было указано выше, были имплементированы ещё в 1990-х гг., применение любых, независимо от модели, спектральных / спектрофотометрических детекторов, в которых обеспечивается ламинарное протекание жидкости в капилляре, может быть оправдано, а модель с трёхмерной матрицей данных (исключая её многомерное пространственное расширение, возникающее при работе с сечениями), включающей в себя время, длины волн и коэффициенты поглощения / экстинкции, может быть легко экстраполирована на такие случаи.