[0001] 本实用新型属于深度学习与电力负荷预测应用设备技术领域，尤其涉及一种基于海思3559A的电力负荷预测指纹图像构造装置。

[0002] 作为电力系统调度中的一项重要内容，电力负荷预测是电力部门的重要工作。准确的负荷预测可以合理地安排电网内部发电机组的启停，保持电网运行的安全稳定性，有效地降低发电成本，提高经济效益和社会效益。

[0003] 目前，电力系统负荷预测方法可分为统计学习法和机器学习法两种，其中统计学习法包括多元线性回归法、卡尔曼滤波法等；机器学习方法包括支持向量机、决策树、贝叶斯分类器等。统计学习方法虽然在处理稳定序列时表现优异，但因无法解决非线性问题，导致该方法不适用于现阶段的负荷预测研究。机器学习方法能很好地解决非线性问题，因此在预测领域应用较为广泛。支持向量机（SVM）是机器学习中一种广泛使用的方法，它是一种监督学习对数据进行二元分类的广义分类器，但是随着SVM方面的研究越来越深入，SVM在回归、离散值分析以及排序等方面也得到广泛的应用，可将电力负荷数据进行预处理后作为训练集输入到SVM中，进行特征提取，并进行逐层学习与参数调试。贝叶斯分类是利用知识表达类型的模型，相对于其他模型来说贝叶斯分类模型的推理能力更加灵活，根据配电网的表征对各类变量进行分类。采用实例数据进行分类器的学习和训练，根据分布式数据的处理原理，将数据分割成若干数据块，分割后的数据采用数据块列表的方式进行储存，从而对电网系统短期负荷进行精准预测。

[0004] 然而经典的机器学习算法通常比较适合处理小样本数据，当样本数据量显著增大时通常会出现性能下降。近年来，随着深度学习的发展和广泛运用，深度学习算法被运用到电力负荷预测当中。卷积神经网络(CNN)是一类经典的深度学习算法，该算法是一种模仿人脑的前馈神经网络，具有局部感知和权值共享的特点。该网络由输入层、卷积层、激活函数、池化层和全连接层组成。

[0005] CNN对于二维图像的处理具有得天得厚的优势，因此要提高基于CNN的负荷预测性能，加强对电力负荷训练数据指纹的图像化研究就显得尤其重要。但是，现有的电力负荷测量数据指纹都是向量，一维数据对目前深度学习网络的输入要求不具有通用性。检索发现，CN100361137C公开了一种指纹图像构造装置，该装置构造的指纹整体图像清晰，难以发生失真，但是不适用于电力负荷预测中指纹图像的构造。因此，需要提供一种能够将一维的训练数据指纹构造成图像格式的电力负荷预测中指纹图像生成装置。

[0006] 另外，目前常见的无线信号发送与接收技术可分为远距离无线传输技术和近距离无线传输技术，其中近距离无线传输技术有：Zig‑Bee、蓝牙(Bluetooth)、无线宽带(Wi‑Fi)、超宽带(UWB)和近场通信(NFC)。他们的特点都是通信双方通过无线电波传输数据，并且传输距离在较近的范围内。其中，Zig‑Bee是基于IEEE802.15.4标准而建立的一种短距离、低功耗的无线通信技术，Zig‑Bee来源于蜜蜂群的通信方式，由于蜜蜂(Bee)是靠飞翔和‘嗡嗡’(Zig)地抖动翅膀的来与同伴确定食物源的方向、位置和距离等信息，从而构成了蜂群的通信网络，其特点是距离近，其通常传输距离是10‑100m，低功耗，在低耗电待机模式下，2节5号干电池可支持1个终端工作6‑24个月，甚至更长且芯片价格便宜、低速率。检索发现，CN211924252U提供了一种基于Zig‑Bee的无线通信网络。

[0007] 蓝牙(Bluetooth)技术能够在10米的半径范围内实现点对点或一点对多点的无线数据和声音传输，其数据传输带宽可达1Mbps通讯介质为频率在2.402GHz到2.480GHz之间的电磁波，其目前存在的主要问题是芯片大小和价格较高，抗干扰能力较弱。CN101109954A提供一种基于蓝牙通讯的电子装置。

[0008] 与近距离无线传输技术对应的是远距离无线传输技术，主要包括：GPRS/CDMA、数传电台、扩频微波、无线网桥及卫星通信、短波通信技术等。其中，GPRS(通用无线分组业务)是由中国移动开发运营的一种基于GSM通信系统的无线分组交换技术，是介于第二代和第三代之间的技术，通常称为2.5G。它是利用包交换概念发展的一种无线传输方式，包交换就是将数据封装成许多独立的包，再将这些包一个一个传送出去，形式上有点类似寄包裹，其优势在于有资料需要传送时才会占用频宽，而且是以资料量计价，有效的提高网络的利用率。GPRS网络同时支持电路型数据和分组交换数据，从而GPRS网络能够方便的和因特网互相连接，相比原来的GSM网络的电路交换数据传送方式，GRRS的分组交换技术具有实时在线"按量计费"高速传输等优点。CN1314770A提供一种基于GPRS的传送方法。

[0009] 数传电台是数字式无线数据传输电台的简称，它是采用数字信号处理、数字调制解调、具有前向纠错、均衡软判决等功能的一种无线数据传输电台。数传电台的工作频率大多使用220‑‑240MHz或400‑‑470MHz频段，具有数话兼容、数据传输实时性好、专用数据传输通道、一次投资、没有运行使用费、适用于恶劣环境、稳定性好等优点。数传电台的有效覆盖半径约有几十公里，可以覆盖一个城市或一定的区域。数传电台通常提供标准的RS‑232数据接口，可直接与计算机、数据采集器、RTU、PLC、数据终端、GPS接收机、数码相机等连接。已经在各行业取得广泛的应用，在航空航天、铁路、电力、石油、气象、地震等各个行业均有应用，在遥控、遥测、摇信、遥感等SCADA领域也取得了长足的进步和发展。CN203722979U提供一种数传电台。

[0010] AI芯片也被称为AI加速器或计算卡，即专门用于处理人工智能应用中的大量计算任务的模块（其他非计算任务仍由CPU负责）。AI 计算既不脱离传统计算，也具有新的计算特质，如处理的内容往往是非结构化数据（视频、图片等）。处理的过程通常需要很大的计算量，基本的计算主要是线性代数运算（如张量处理），而控制流程则相对简单，处理的过程参数量大。AI 系统通常涉及训练（Training）和推断（Inference）过程。简单来说，训练过程是指在已有数据中学习，获得某些能力的过程；而推断过程则是指对新的数据，使用这些能力完成特定任务（比如分类、识别等）。CN108304341A公开一种AI芯片高速传输架构。当前，AI 芯片主要包括以下三类：一是经过软硬件优化可以高效支持AI 应用的通用芯片，例如GPU，FPGA；二是专门为特定的 AI 产品或者服务而设计的芯片，称之为ASIC（Application‑Specific Integrated Circuit），主要是侧重加速机器学习（尤其是神经网络、深度学习），这也是目前AI 芯片中最多的形式；三是受生物脑启发设计的神经形态计算芯片，这类芯片不采用经典的冯·诺依曼架构，而是基于神经形态架构设计，以 IBM Truenorth为代表。实用新型内容

[0011] 本实用新型所要解决的技术问题是，克服现有技术的缺点，提供一种基于海思3559A的电力负荷预测指纹图像构造装置，该装置能将一维数据生成指纹图像，从而满足深度学习算法的移植和实际应用需求，拓宽深度学习在电力负荷领域的应用。

[0012] 为了解决以上技术问题，本实用新型提供一种基于海思3559A的电力负荷预测指纹图像构造装置，包括气象数据测量模块、无线传输模块和深度学习开发模块，所述深度学习开发模块为海思3559A深度学习开发硬件平台，所述气象数据测量模块通过无线传输模块与海思3559A深度学习开发硬件平台连接，所述气象数据测量模块包括温度传感器、湿度传感器、风速传感器和气压传感器。

[0013] 本实用新型主要利用气象数据测量模块，无线传输模块和深度学习开发模块构建训练数据指纹，形成指纹图像，便于深度学习的实际应用。

[0014] 进一步的，所述温度传感器、湿度传感器、风速传感器、气压传感器分别通过无线传输模块连接海思3559A深度学习开发硬件平台。

[0015] 进一步的，所述温度传感器为HMP45D温度传感器，所述湿度传感器为HMP45D湿度传感器，所述风速传感器为EL15‑1/1A风速传感器，所述气压传感器为PTB220气压传感器。

[0016] 进一步的，所述无线传输模块由无线发送模块和无线接收模块组成，所述无线发送模块包括数据传输平台和RS422串口，所述无线接收模块包括数据传输平台，所述无线发送模块的RS422串口的一端分别连接温度传感器、湿度传感器、风速传感器、气压传感器，另一端连接无线发送模块的数据传输平台，所述无线发送模块的数据传输平台与无线接收模块的数据传输平台通信连接，所述无线接收模块的数据传输平台通过无线接收模块的RS422串口或以太网口与海思3559A深度学习开发硬件平台连接。

[0017] 上述无线传输模块基于RS422 实现气象数据测量模块与接收模块机之间的通信。信号在到达接收模块端后，可通过转换器与RS422接口建立连接。其中，无线发送模块的主控制单元将数据输送至CF卡进行存储或者通过无线发送模块传输到上位控制的气象指纹构造模块中。通信模块支持的扩展传感器通过RS422串口通信连接到数传平台，30km以内lora透传，30km以外物联网卡传输。无线接收模块的无线接收通过RS422串口通信从数传平台接收数据，同时可通过串口或以太网口与硬件开发平台建立通信连接。

[0018] 进一步的，所述RS422串口采用型号为MAX3076E的RS422收发器芯片。

[0019] 进一步的，所述气象数据测量模块还包括MSP430F149 和 EPM570T100C5N 芯片，所述MSP430F149芯片的接收端分别连接风速传感器和气压传感器，所述EPM570T100C5N芯片的接收端分别连接温度传感器和湿度传感器，输出端连接MSP430F149芯片，所述MSP430F149的输出端连接无线发送模块的RS422串口。利用  MSP430F149  和 EPM570T100C5N 设计一种高准确度、多通道、兼容性强的气象数据采集系统。本实用新型将硬件电路各功能模块化；采集接口采用通用性设计，可以适合各种模拟信号输入。数字信号与模拟信号分别用 EPM570T100C5与MSP430F149 采集；为降低系统功耗，将MSP430F149作为主控制器。

[0020] 进一步的，所述MSP430F149分别连接电源、A/D转换电路，所述A/D转换电路连接模拟开关，所述模拟开关通过信号调理电路连接温度传感器、湿度传感器、气压传感器，所述CPLD EPM570T100C5N 芯片直接连接风速传感器。

[0021] 对于模拟信号，通过信号调理电路、模拟开关和 A/D 转换电路处理，由 MSP430F149 单片机完成采集；数字信号经 EPM570T100C5N 采集后将数据发送至 MSP430F149，由 MSP430F149 进一步处理。气压传感器输出的 RS232 信号可以直接由 MSP430F149 采集。上述的气象数据测量模块，是一个基于MSP430F149 和 EPM570T100C5N 芯片的气象数据多通道采集、处理、传输的智能系统。数字信号与模拟信号分别用 EPM570T100C5N 与 MSP430F149 采集；为降低系统功耗，将MSP430F149作为主控制器。最后系统将处理后的气象数据通过无线传出模块进行传输。

[0022] 本实用新型的优点是能够为基于深度学习的电力负荷提供满足要求的训练样本，拓宽深度学习的移植，具有操作简单，应用范围广，估计精度高的特点。

[0027] 实施例1

[0028] 本实施例提供的一种基于海思3559A的电力负荷预测指纹图像构造装置，如图2所示，该装置包括：

[0029] 气象数据测量模块，用于收集与负荷相关联的气象数据；

[0030] 无线传输模块，用于将采集的气象数据用过无线的方式送入深度学习开发模块；

[0031] 深度学习开发模块，利用深度学习开发硬件平台对气象数据进行处理，得到数据指纹图像。其中，深度学习开发模块为海思3559A深度学习开发硬件平台，气象数据测量模块通过无线传输模块与海思3559A深度学习开发硬件平台连接。气象数据测量模块包括温度传感器、湿度传感器、风速传感器和气压传感器，即温度传感器、湿度传感器、风速传感器、气压传感器分别通过无线传输模块连接海思3559A深度学习开发硬件平台。温度传感器为HMP45D温度传感器，湿度传感器为HMP45D湿度传感器，风速传感器为EL15‑1/1A风速传感器，气压传感器为PTB220气压传感器，见表1。气象数据测量模块通过处理气象传感器输出的电信号来完成温度、湿度、气压、风速的测量。

[0032] 表1气象要素 传感器型号 电信号 输出范围 电信号与气象量转换
温度 HMP45D 电阻 ‑40～60 ℃（84.27～123.24 Ω） 查 PT100 阻值和温度数据表湿度 HMP45D 电压 0.8%～100%RH（8～1 000 mV） 湿度（RH）= 电压（mV）/1000 ×100%风速 EL15‑1/1A 脉冲 0.3～60 m/s（1～1 221 Hz） 分段函数
气压 PTB220 电压 50～110 kPa（0～5 V） 气压（kPa）=120×电压（V）+500

[0033] 温度传感器使用HMP45D，将铂电阻温度传感器与湿敏电容湿度传感器制作成为一体的温湿度传感器。它是一种将铂电阻温度传感器与湿敏电容湿度传感器制作成为一体的温湿度传感器。HMP45D温湿度传感器的测湿元件是HUMICIP180高分子薄膜型湿敏电容，湿敏电容具有感湿特性的电介质，其介电常数随相对湿度的变化而变化，从而完成对湿度的测量。湿敏电容主要由湿敏电容和转换电路两部分组成。它由上电极（upper electrode）、湿敏材料即高分子薄膜（thin‑film polymer）、下电极（lower electrode）、玻璃衬底（glass substrate）几部分组成。

[0034] 气压传感器采用智能型、全补偿式数字气压传感器 PTB220。该传感器具有较宽的工作温度和气压测量范围，可以输出并行或串行数据信号，可直接通过串行接口和单片机通信。

[0035] 风速传感器采用EL15‑1/1A杯式风速传感器。它是用三杯旋转架、一个多齿转盘和光电藕合器件作为感应元件，用来将风杯转速转换成与风速成正比的频率信号。该传感器广泛应用于气象台站、船舶、机场、石油平台、环境保护等方面。它的使用环境在‑40℃～60℃，工作电压在DC 12V～15V；测量范围为0.3 m/s～60m/s。风速传感器输出的是脉冲信号，不需进行 A/D 转换，经过CPLD信号调理电路后直接进入单片机进行计数和处理。

[0036] 如图3所示，气象数据测量模块还包括MSP430F149 和 EPM570T100C5N芯片（即CPLD器件），MSP430F149芯片的接收端分别连接风速传感器和气压传感器，EPM570T100C5N芯片的接收端分别连接温度传感器和湿度传感器，输出端连接MSP430F149芯片。MSP430F149分别连接无线发送模块的RS422串口、电源、A/D转换电路和CPLD，A/D转换电路连接模拟开关，模拟开关通过信号调理电路连接温度传感器、湿度传感器、气压传感器，CPLD直接连接风速传感器。本实施例的采集系统利用MSP430F149 和 EPM570T100C5N 设计一种高准确度、多通道、兼容性强的气象数据采集系统，将硬件电路各功能模块化，采集接口采用通用性设计，可以适合各种模拟信号输入。数字信号与模拟信号分别用 EPM570T100C5N与MSP430F149采集；为降低系统功耗，将 MSP430F149 作为主控制器。气象数据采集系统的A/D转换电路采用24位高准确度 AD 芯片 AD7793，AD7793 的通道1（AIN+，AIN‑）、通道3（REFIN+， REFIN‑）用于测量温度，通道2（AIN2+，AIN2‑）用于测量其他模拟信号。各模拟信号由 CD4051模拟开关控制分时 A/D 转换。

[0037] 如图4所示，无线传输模块由无线发送模块和无线接收模块组成，无线发送模块包括数据传输平台和RS422串口，无线接收模块包括数据传输平台，无线发送模块的RS422串口的一端分别连接温度传感器、湿度传感器、风速传感器、气压传感器，另一端连接无线发送模块的数据传输平台，无线发送模块的数据传输平台与无线接收模块的数据传输平台通信连接，无线接收模块的数据传输平台通过无线接收模块的RS422串口或以太网口与海思3559A深度学习开发硬件平台连接。RS422串口采用型号为MAX3076E的RS422收发器芯片。对于无线发送模块，主控制单元将数据输送到CF卡进行存储或者通过无线发送模块传输到无线接收模块，经无线接收模块传送至上位控制的气象指纹构造模块中。即通信模块支持的扩展传感器通过RS422串口通信连接到数据传输平台，该平台藻30km以内采用lora透传，
30km以外采用物联网卡传输。对于无线接收模块，无线接收通过RS422或串口通信从数据传输平台接收数据，并且上位机可通过串口或以太网口与测控系统建立通信连接。

[0038] 深度学习开发模块利用海思3559硬件平台进行气象指纹构造。Hi3559A是专业的8K Ultra HD Mobile CameraSOC，它提供了8K30/4K120广播级图像质量的数字视频录制，支持H.265编码输出或影视级的RAW数据输出，并集成高性能ISP处理。支持业界领先的多路
4K Sensor输入，多路ISP图像处理，支持HDR10高动态范围技术标准，并支持多路全景硬件拼接，是多路拼接的超广角相机、3D/全景VR相机的最佳方案。Hi3559A集成了海思独有的SVP平台，提供了高效且丰富的计算资源，支撑客户开发各种计算机视觉应用，如无人机、机器人等消费类应用和行业类应用。Hi3559A集成了双核A73和双核A53，独创性的大小核架构和双操作系统，使得功耗和启动时间达到均衡。Hi3559A支持8KP30+1080P30 或者4KP120+
1080P30，H.265编码；支持2x4KP60或4x4KP30 或 6x1080P30，支持机内硬化拼接；支持USB3.0或者PCIe2.0高速接口，支持4K HDMI输出；还拥有集成海思智能SVP平台来支持丰富的智能应用。3519A里面有一个硬件NNIE（Neural Network Inference Egine），是海思媒体 SoC 中专门针对神经网络特别是深度学习卷积神经网络进行加速处理的硬件单元，支持现有大部分的公开网络，如 Alexnet、VGG16、Googlenet、Resnet18、Resnet50 等分类网络，Faster R‑ CNN、YOLO、SSD、RFCN 等检测网络，以及 SegNet、FCN 等场景分割网络等。

[0039] 工作时，温湿度、风速、气压等气象传感器通过无线传输的方式将采集的数据上传至深度学习硬件开发平台，深度学习硬件开发平台对气象数据进行处理得到指纹图像，并将指纹图像显示在与平台连接的显示器上（见图1）。

[0040] 除上述实施例外，本实用新型还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本实用新型要求的保护范围。