一种电能表及一种非介入负荷识别的芯片架构

摘要

本申请公开了一种非介入负荷识别的芯片架构，包括：模数转换单元，用于将采样的电流和电压进行模数转换；计量单元，用于根据模数转换单元的输出数据进行电能分析，得到电能分析结果；AI加速器，用于基于预设的AI推理算法，对电能分析结果进行推理运算，得出电能负荷辨识结果；存储单元，用于存储AI推理算法的参数模型，推理运算产生的过程数据以及电能负荷辨识结果；处理器，用于配置AI加速器以及计量单元；其中，模数转换单元，计量单元，AI加速器，存储单元以及处理器均集成在单个SOC芯片中。应用本申请的方案，可以提高负荷识别的速度和精度，降低数据网络传输及数据中心的负担，计算效率高，体积和功耗低。

说明书

技术领域

本发明涉及电力分析技术领域，特别是涉及一种电能表及一种非介入负荷识别的芯片架构。

背景技术

随着国民经济的快速发展，社会对电能的需求日益增加，对电能质量的要求也越来越高。改善电能质量对于电网及电气设备的安全运行、保障产品质量以及提高人们的生活水平都具有重要的意义。电能负荷的分解及分类识别有助于了解电力系统的负荷组成，从而有利于掌握电能负荷的变化规律以及发展趋势，也有利于对电能负荷进行科学管理。

目前在进行电能负荷的识别时，主要采用通用的传统识别模式，识别率比较难以提高，还有的方案会利用电能表的计量芯片得到计量数据，再发送到远程的数据中心进行进一步地分析，这样虽然能够提高识别率，但是增大了数据中心的负担，特别是随着电网系统越来越复杂，数据中心需要处理的数据越来越多。此外，这样的方式也增大了网络传输的负担。

综上所述，如何提高负荷识别的精度，且降低数据网络传输以及数据中心的负担，是目前本领域技术人员急需解决的技术问题。

发明内容

本发明的目的是提供一种电能表及一种非介入负荷识别的芯片架构，以提高负荷识别的精度，且降低数据网络传输以及数据中心的负担。

为解决上述技术问题，本发明提供如下技术方案：

一种非介入负荷识别的芯片架构，包括：

模数转换单元，用于将采样的电流和电压进行模数转换；

与所述模数转换单元连接的计量单元，用于根据所述模数转换单元的输出数据进行电能分析，得到电能分析结果；

与所述计量单元连接的AI加速器，用于基于预设的AI推理算法，对所述电能分析结果进行推理运算，得出电能负荷辨识结果；

通过通信总线与所述AI加速器连接的存储单元，用于存储AI推理算法的参数模型，推理运算产生的过程数据以及所述电能负荷辨识结果；

通过通信总线与所述AI加速器以及所述计量单元连接的处理器，用于配置所述AI加速器以及所述计量单元；

其中，所述模数转换单元，所述计量单元，所述AI加速器，所述存储单元以及所述处理器均集成在单个SOC芯片中。

优选的，所述模数转换单元为基于高精度架构的模数转换单元。

优选的，所述计量单元，具体用于：

根据所述模数转换单元的输出数据进行电能分析，得到电能分析结果，且所述电能分析结果包括：基波瞬时有功功率，基波瞬时无功功率，全波瞬时有功功率，全波瞬时无功功率，基波平均有功功率，基波平均无功功率，全波平均有功功率，全波平均无功功率，基波瞬时电压有效值，基波瞬时电流有效值，全波瞬时电压有效值，全波瞬时电流有效值，基波平均电压有效值，基波平均电流有效值，全波平均电压有效值，全波平均电流有效值，电压直流分量，电流直流分量，电能波形数据。

优选的，所述计量单元，还用于：

根据所述模数转换单元的输出数据进行电能分析，得到动态功率差值，动态电压差值以及动态电流差值。

优选的，还包括：

通过通信总线与所述AI加速器连接的协处理器，用于执行所述AI推理算法中的设定项目的逻辑运算。

优选的，还包括：

设置在所述SOC芯片中的一个或多个内嵌Flash单元；

且所述SOC芯片还包括一个或多个用于连接外部Flash的存储接口。

优选的，所述SOC芯片还包括高速外设接口以及低速外设接口。

优选的，还包括：

用于实现数据传输的DMA单元。

优选的，所述处理器还用于：

通过无线通信或者电力载波通信发送所述电能负荷辨识结果。

一种电能表，包括上述任一项所述的非介入负荷识别的芯片架构。

本申请的方案中，考虑到利用人工智能算法可以提高电力负荷识别的精度，因此，本申请在利用计量单元得到了电能分析结果之后，通过AI加速器，基于预设的AI推理算法，对电能分析结果进行推理运算，从而可以得出精度很高的电能负荷辨识结果，且AI推理算法可以提高推理运算在端侧的执行效率。并且，本申请并不需要将计量单元得到的电能分析结果发送到远程的数据中心来实现电力负荷的辨识，因此，本申请的方案能够降低数据网络传输以及数据中心的负担。此外，本申请的方案中并不是双芯架构，而是单芯架构，即本申请并不是设置一个计量芯片以及一个用于进行AI运算的AI加速芯片，而是将模数转换单元，计量单元，AI加速器，存储单元以及处理器均集成在单个SOC芯片中，由于是单芯架构，因此有利于降低芯片体积和功耗，并且可以更快速地得到电力负荷的辨识结果。并且，本申请由处理器配置AI加速器以及计量单元，在配置完毕之后的运行过程中，减少处理器的频繁干预操作，基于计量单元和AI加速器便可以得到电力负荷的辨识结果，有利于提高效率。综上所述，本申请方案可以在降低主频、降低功耗的条件下有效地提高负荷识别的速度和精度，且AI推理算法可以提高推理运算在端侧的执行效率，此外，还降低了数据网络传输以及数据中心的负担，并且计算效率高，方案的体积和功耗也较低。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中一种非介入负荷识别的芯片架构的结构示意图；

图2为本发明一种具体实施方式中的AI加速器的结构示意图；

图3为本发明一种具体实施方式中的非介入负荷识别的芯片架构的结构示意图。

具体实施方式

本发明的核心是提供一种非介入负荷识别的芯片架构，可以在降低主频、降低功耗的条件下有效地提高负荷识别的速度和精度，且AI推理算法可以提高推理运算在端侧的执行效率，此外，还降低了数据网络传输以及数据中心的负担，并且计算效率高，方案的体积和功耗也较低。

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明中一种非介入负荷识别的芯片架构的结构示意图，该非介入负荷识别的芯片架构可以包括：

模数转换单元10，用于将采样的电流和电压进行模数转换；

与模数转换单元10连接的计量单元20，用于根据模数转换单元10的输出数据进行电能分析，得到电能分析结果；

与计量单元20连接的AI加速器30，用于基于预设的AI推理算法，对电能分析结果进行推理运算，得出电能负荷辨识结果；

通过通信总线与AI加速器30连接的存储单元40，用于存储AI推理算法的参数模型，推理运算产生的过程数据以及电能负荷辨识结果；

通过通信总线与AI加速器30以及计量单元20连接的处理器50，用于配置AI加速器30以及计量单元20；

其中，模数转换单元10，计量单元20，AI加速器30，存储单元40以及处理器50均集成在单个SOC芯片中。

具体的，本申请的非介入负荷识别的芯片架构通常可以设置在电能表中，模数转换单元10可以将采样的电流和电压进行模数转换，模数转换单元10具体的类型可以根据实际需要进行设定和选取，用于采样电流和电压的具体的电路结构也可以根据实际需要进行设定和调整。在本发明的一种具体实施方式中，考虑到模数转换单元10的精度会影响本申请方案的电能负荷辨识的精度，因此，模数转换单元10可以选用为基于高精度Σ/Δ架构的模数转换单元10。

计量单元20与模数转换单元10连接，可以根据模数转换单元10的输出数据进行电能分析，得到电能分析结果。通常，计量单元20可以根据模数转换单元10的输出数据得到对应的波形，进而再进行电能分析。并且，计量单元20支持进行波形的缓存，此外，部分AI推理算法需要利用AD采样得到的电能波形数据，因此，计量单元20得到的电能分析结果中，也支持包括电能波形数据，从而发送给AI加速器30以及其他器件，即计量单元20得到的电能分析结果中也可以包括电能波形数据。

计量单元20在进行电能分析，得到电能分析结果时，电能分析结果中具体包括的项目内容可以根据实际需要进行设定和调整，例如可以包括有功/无功功率的计算，电压/电流的有效值以及平均值的计算等。

在本发明的一种具体实施方式中，计量单元20可以具体用于：

根据模数转换单元10的输出数据进行电能分析，得到电能分析结果，且电能分析结果包括：基波瞬时有功功率，基波瞬时无功功率，全波瞬时有功功率，全波瞬时无功功率，基波平均有功功率，基波平均无功功率，全波平均有功功率，全波平均无功功率，基波瞬时电压有效值，基波瞬时电流有效值，全波瞬时电压有效值，全波瞬时电流有效值，基波平均电压有效值，基波平均电流有效值，全波平均电压有效值，全波平均电流有效值，电压直流分量，电流直流分量，电能波形数据。

该种实施方式中，利用计量单元20进行了较为全面的电能分析，得到了较为全面的电能分析结果，同时支持AD采样的电能波形数据的缓存，进而有利于后续可以得出更为准确的电能负荷辨识结果。

进一步的，在本发明的一种具体实施方式中，计量单元20还可以用于：

根据模数转换单元10的输出数据进行电能分析，得到动态功率差值，动态电压差值以及动态电流差值。

该种实施方式中，是考虑到本申请的方案可以基于AI加速器30进行电力负荷的辨识，可以理解的是，用于进行电力负荷的辨识的电能分析结果的内容越多，则电力负荷的辨识就越复杂，因为自变量的维度变多了，但是，AI推理算法可以很好地支持这种多维度变量的情况，因此，该种实施方式考虑到了本申请的方案是基于AI加速器30进行电力负荷的辨识，根据模数转换单元10的输出数据进行电能分析之后，得到的电能分析结果中还包括了动态功率差值，动态电压差值以及动态电流差值，这些参数更方便实现电能负荷辨识的推理运算，从而有利于本申请的方案更快，更便捷地得到精度更高的电能负荷辨识结果。

AI加速器30可以基于预设的AI推理算法，对电能分析结果进行推理运算，得出电能负荷辨识结果。

预设的AI推理算法的具体形式可以根据实际需要进行设定和调整，只要能够得出满足精度要求的电能负荷辨识结果即可。可以理解的是，设置了AI推理算法之后，需要先利用训练样本对其进行训练，训练完毕之后便可以应用。

AI加速器30的具体构成也可以根据实际情况进行设定和调整，通常，可以根据实际应用中具体选取的AI推理算法进行AI加速器30的选取。例如图2为一种具体实施方式中较为通用的AI加速器30的结构示意图，图2的AI加速器30中的数据缓存区设立了双缓存机制，即缓存区A和缓存区B，分别用于存储输入数据以及参数数据，便于为卷积运算的源数据和算子数据进行准备，即方便了卷积运算。数据缓存部件中的数据可以通过控制部件进入运算部件，具体的，可以执行向量比较、向量加法、点乘、激活等操作。运算部件的运算结果可以依据AI推理算法的流程的控制需求，回到数据缓存中或者是运算部件中，即运算部件中也可以设置有运算缓存。

此外，AI加速器30支持卷积向量乘法，可以支持3*3，5*5，7*7等结构，同时，也可以支持1*3，1*5，1*7等乘法算子结构，乘法可以支持8bit，16bit等乘法。激活函数可以支持sigmod，tanh，Relu等激活函数。AI加速器30也支持例如求向量最大值、最小值、平均值等基本的运算。

在本发明的一种具体实施方式中，可参阅图3，还可以包括：

通过通信总线与AI加速器30连接的协处理器60，用于执行AI推理算法中的设定项目的逻辑运算。

具体的，可以利用协处理器60协助AI加速器30的工作，此外，在部分场合中，当处理器50支持DSP运算时，也可以利用处理器50来协助AI加速器30的工作而无需再额外设置协处理器60。即处理器50除了可以用来配置AI加速器30以及计量单元20之外，处理器50也可以支持执行数据搬移、数据运算，从而协助AI推理算法的运行。

协处理器60可以用来执行AI推理算法中的设定项目的逻辑运算，设定项目通常可以具体为sin，cos，tan，开根号这样的运算量较大的项目。

本申请的处理器50可以通过通信总线配置AI加速器30以及计量单元20，并且可以理解的是，在运行过程中，本申请的方案降低处理器50的干预，AI加速器30以及计量单元20便可以工作，从而提高了AI推理算法的效率，也有利于降低能耗，平衡芯片的功耗和面积。处理器50可以采用ARM-M系列内核，或者是RISC-V内核等轻量级的内核。

存储单元40可以存储AI推理算法的参数模型，推理运算产生的过程数据以及电能负荷辨识结果。存储单元40可以作为程序空间或者数据空间使用。通常，存储单元40可以包括1个或者多个rom，并且可以包括1个或者多个ram。例如图3的实施方式中，便是设置了1个rom和n个ram。此外，当内部的ram资源不够用的时候，本申请的方案还可以支持外扩PSRAM。

在本发明的一种具体实施方式中，还可以包括：

设置在SOC芯片中的一个或多个内嵌Flash单元。例如图3的实施方式中，便在SOC芯片中设置了一个内嵌Flash单元70，可以根据实际需要选用内嵌Flash单元70进行数据的存储。

进一步的，SOC芯片中还可以包括一个或多个用于连接外部Flash的存储接口。在内部Flash存储资源不够使用的时候，可以利用外部Flash实现存储资源的扩充。

Flash可以存储程序和AI推理算法的网络参数模型等数据。例如图3的实施方式中，设置了外接存储接口1用于连接外部Flash，设置了外接存储接口2用于连接外部ram存储器。

在本发明的一种具体实施方式中，SOC芯片还可以包括高速外设接口以及低速外设接口，从而满足常用的外设连接的需求。例如图3的实施方式中设置了高速外设接口，并且通过二级总线矩阵设置了多个低速外设接口，例如具体可以为UART、SPI、I2C等低速外设接口，用于连接各种低速外设。

在本发明的一种具体实施方式中，还可以包括：

用于实现数据传输的DMA单元80。DMA(Direct Memory Access，直接存储器访问)单元80可以允许不同速度的硬件装置间进行数据交互，而不需要依赖于CPU。DMA单元80可以支持存储到存储，存储到外设，外设到存储，外设到外设之间的数据传输。

在本发明的一种具体实施方式中，处理器50还可以用于：通过无线通信或者电力载波通信发送电能负荷辨识结果。通过无线通信或者电力载波通信进行电能负荷辨识结果的发送，可以使得接收端方便、及时地得到电能负荷辨识结果。

本申请的方案中，考虑到利用人工智能算法可以提高电力负荷识别的精度，因此，本申请在利用计量单元20得到了电能分析结果之后，通过AI加速器30，基于预设的AI推理算法，对电能分析结果进行推理运算，从而可以得出精度很高的电能负荷辨识结果，且AI推理算法可以提高推理运算在端侧的执行效率。并且，本申请并不需要将计量单元20得到的电能分析结果发送到远程的数据中心来实现电力负荷的辨识，因此，本申请的方案能够降低数据网络传输以及数据中心的负担。此外，本申请的方案中并不是双芯架构，而是单芯架构，即本申请并不是设置一个计量芯片以及一个用于进行AI运算的AI加速芯片，而是将模数转换单元10，计量单元20，AI加速器30，存储单元40以及处理器50均集成在单个SOC芯片中，由于是单芯架构，因此有利于降低芯片体积和功耗，并且可以更快速地得到电力负荷的辨识结果。并且，本申请由处理器50配置AI加速器30以及计量单元20，在配置完毕之后的运行过程中，减少处理器50的频繁干预操作，基于计量单元20和AI加速器30便可以得到电力负荷的辨识结果，有利于提高效率。综上所述，本申请方案可以在降低主频、降低功耗的条件下有效地提高负荷识别的速度和精度，且AI推理算法可以提高推理运算在端侧的执行效率，此外，还降低了数据网络传输以及数据中心的负担，并且计算效率高，方案的体积和功耗也较低。

相应于上述的非介入负荷识别的芯片架构，本申请还提供了一种电能表，该电能表中可以包括上述任一实施例中的非介入负荷识别的芯片架构，此处不再重复说明。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。