CN114252103B - 融合电站运行故障预测方法 - Google Patents
融合电站运行故障预测方法 Download PDFInfo
- Publication number
- CN114252103B CN114252103B CN202111288138.2A CN202111288138A CN114252103B CN 114252103 B CN114252103 B CN 114252103B CN 202111288138 A CN202111288138 A CN 202111288138A CN 114252103 B CN114252103 B CN 114252103B
- Authority
- CN
- China
- Prior art keywords
- power station
- risk
- energy storage
- battery
- storage power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007637 random forest analysis Methods 0.000 claims abstract description 15
- 238000012502 risk assessment Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000012423 maintenance Methods 0.000 claims abstract description 3
- 238000004146 energy storage Methods 0.000 claims description 40
- 238000003066 decision tree Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种融合电站运行故障预测方法。首先根据传感器系统实时测量数据,经过数据清洗和拓展卡尔曼滤波算法对数据进行预处理,得到各运行参数的最优值;然后计算出每个运行参数的风险值,最后建立了融合电站的风险评估模型,利用随机森林回归预测算法预测出总体风险因子,依据总体风险因子的大小来进行风险评估,进行安全预警,为后期的运维工作提供参考,提升了融合电站运行的安全性。
Description
技术领域:
本发明涉及电池储能技术领域,具体涉及一种融合电站运行故障预测方法。
背景技术:
随着5G基站等新型电力负荷的建成落地,电力系统的负荷又一次增长。由于目前大部分配电变压器均为过去建成的变压器,其负载能力逐渐落后,不能满足当前负荷增长带来的运行压力。为避免其过载运行导致烧毁事件发生,在变电站低压侧加装储能装置,以缓解负荷高峰期变电站压力,变电站和储能电站的有机融合一方面能够资源共享,实现共赢,另一方面将传统变电站升级为信息能源枢纽,可以更好地支撑信息通信技术及新能源发电技术在配电网领域的发展。但随着越来越多的变电站通过加装储能电站来优化整体运行效果,使得融合电站运行工况变得更加复杂,无法提前预知系统异常运行状态进行安全预警,并针对某些异常运行参数及时做出相应调整。因此如何建立一套精确有效的融合电站运行风险评估模型及其重要。
发明内容:
本发明所要解决的技术问题在于提供融合电站的运行风险评估模型,旨在解决前面所述的现有技术所存在的问题,提高融合电站的运行安全可靠性问题。本发明的技术方案具体如下:
融合电站运行故障预测方法,包括下列步骤:
步骤1:构建融合电站风险评估指标体系,共8个指标,分别为:储能电站电池运行端电压U、储能电站电池充放电电流I、储能电站电池荷电状态SOC、储能电站电池簇温度T1、储能电站电池内阻R、变压器油温度T2、变压器油位高度h、变压器释放的气体浓度;
步骤2:由传感器按照固定频率采样;
步骤3:数据清洗;
步骤4:拓展卡尔曼滤波算法对符合条件的储能电站电池的SOC、储能电站电池簇温度T1、变压器油温度T2、变压器油位高度h进行数据调整;
步骤5:依据融合电站各运行参数正常运行时的数据建立参数上限阈值和下限阈值,作为融合电站实时运行中各运行参数是否越限的参考值;
步骤6,确定1秒以内各运行参数的风险概率;1秒内中共有N个样本点,依据根据步骤3和步骤4预处理后的数据和步骤5中的数据库进行对比,依次计算8个风险因子越限的风险概率P(P1,P2,...,P8),
风险概率P=出现越限的次数/总有效观测点数;
步骤7:确定各风险因子权重系数W;电池簇温度T1、电池内阻R和变压器油温度T2均为0.5;电池荷电状态SOC、变压器油位高度h和各种气体传感器监测气体浓度C风险因子权重系数均为0.3;电池运行端电压U、电池充放电电流I风险因子权重系数均为0.2;
步骤8:计算公式计算各运行参数1秒内的风险值R(R1,R2,...,R8),
风险值=风险概率×各风险因子权重系数,即Rn=Pn×Wn;
步骤9:采用随机森林回归预测法对融合电站中储能电站风险因子R1pre和变压器的风险因子R2pre进行预测;
步骤10:将种两个风险因子进行加和得到最终的融合电站风险值;即:Rtotal=R1pre+R2pre。
本发明的优点在于:
本发明风险评估模型主要包括两部分,数据预处理和预测模型。在数据预处理方面,主要是解决由系统中各种各样的传感器自身的测量误差而引起的数据不精确问题。融合电站中实时监测设备运行的主要数据采集单元有电压传感器、电流传感器、温度传感器、压力传感器、液体密度传感器和气体传感器等。利用这些传感器可以获得各种运行参数的实数数据。但测量传感器一般带有测量误差,并且随着电站的运行,这种误差将会不断累积。若直接采用传感器采样得到的数据,并未对数据进行预处理,将造成送入预测模型的训练样本不准确,从而间接影响预测结果的准确性。针对这一问题,本发明专利先对由测量传感器直接采样得到的所有运行参数原始数据进行数据清洗,剔除空白和明显异常数据,然后对有线性关系符合卡尔曼滤波条件的运行参数采用拓展卡尔曼滤波算法对清洗后的数据进行状态估计,修正参数,得到所有经过修正的运行参数值。
在预测模型方面,预测模型的选取是否合适将直接影响预测结果的准确性。本发明提出了一种随机森林回归预测法。该方法较其他预测模型具有以下优势:(一)由于训练时树与树之间是相互独立的,所以可以并行处理,加快了训练速度;(二)由于样本随机和特征随机两个随机量的引入使得随机森林抗过拟合能力比较强;(三)对异常值和噪声具有很好的容忍度;(四)它能处理很高维度的数据,并且不用做特征选择,对数据集的适应能力强,既能处理连续型数据,也能处理离散型数据,数据集无需规范化;(五)由于有袋外数据,可以在模型生成中取得真实误差的无偏估计。该风险评估模型中建立的风险评估指标体系,评估指标种类众多,特征维度高,因此更适合采用随机森林回归预测法。
附图说明:
图1为本发明所述融合电站运行风险评估指标体系图;
图2为本发明实施例所述随机森林算法回归预测原理图;
图3为本发明实施例所述随机森林算法回归预测流程图。
具体实施方式:
实施例:
融合电站运行故障预测方法,包括下列步骤:
步骤1:构建融合电站风险评估指标体系,共8个指标,分别为:储能电站电池运行端电压U、储能电站电池充放电电流I、储能电站电池荷电状态SOC、储能电站电池簇温度T1、储能电站电池内阻R、变压器油温度T2、变压器油位高度h、变压器释放的气体浓度;
步骤2:由传感器按照固定频率采样;设置数据样本的测量时间为1h,即3600s,采样频率为50HZ,即0.02s采集一次,因此共计3600÷0.02=180000个数据点;
步骤3:数据清洗;主要是将一些异常数据进行清洗;例如:对空值类数据,采取填充或删除的方式处理;对格式错乱的数据,统一表示方式;对明显异常的噪声数据采取删除数据或平滑处理的方式;
步骤4:拓展卡尔曼滤波算法对符合条件的储能电站电池的SOC、储能电站电池簇温度T1、变压器油温度T2、变压器油位高度h进行数据调整;具体过程如下:
步骤4.1:建立的系统运行状态方程和测量方程为:
其中,xk代表在离散时间第k时刻系统的真实状态,wk-1表示过程噪声,zk-1是观测值,vk-1表示测量噪声,f(xk-1)和h(xk-1)表示储能电站电池的SOC、储能电站电池簇温度T1、变压器油温度T2、变压器油位高度h所决定的函数;
步骤4.2:将离散变量进行一阶泰勒展开,进行线性化;即:
状态方程和测量方程变为:
其中,A和B是系统的参数矩阵,u(k)是k时刻对系统的控制量;
步骤4.3:对第k步的系统运行状态进行估计,x(k-1|k-1)是上一状态最优结果,/>代表第k-1时刻对第k时刻的状态变量的预测估计值;
步骤4.4:计算对应的误差协方差矩阵P(k|k-1),公式如下:
P(k|k-1)=AP(k-1||k-1)AT+Q,
其中AT表示A的转置矩阵,Q为噪声协方差矩阵;
步骤4.5:在该实施例中,在确定所述下一步的状态估计值的表达式及相应协方差的表达式过程中,假设所述过程噪声wk和测量噪声vk均为高斯白噪声,其协方差不随控制系统状态的变化而变化;
步骤4.6:更新卡尔曼增益矩阵Kk,公式如下:
K(k)=P(k|k-1)HT[HP(k|k-1)HT+R]-1;
步骤4.7:计算第k时刻的最优线性估计值公式如下:
步骤4.8:更新对应的的误差协方差矩阵P(k|k),公式如下:
P(k|k)=P(k|k-1)-K(k-1)HP(k|k-1);
步骤4.9:重复步骤4.1-4.8,直至达到设置的迭代次数,输出储能电站电池的SOC、储能电站电池簇温度T1、变压器油温度T2、变压器油位高度h调整后的数值;
步骤5:依据融合电站各运行参数正常运行时的数据建立参数上限阈值和下限阈值,作为融合电站实时运行中各运行参数是否越限的参考值;
步骤6,确定1秒以内各运行参数的风险概率;1秒内中共有N个样本点,依据根据步骤3和步骤4预处理后的数据和步骤5中的数据库进行对比,依次计算8个风险因子越限的风险概率P(P1,P2,...,P8),
风险概率P=出现越限的次数/总有效观测点数;
步骤7:确定各风险因子权重系数W;电池簇温度T1、电池内阻R和变压器油温度T2均为0.5;电池荷电状态SOC、变压器油位高度h和各种气体传感器监测气体浓度C风险因子权重系数均为0.3;电池运行端电压U、电池充放电电流I风险因子权重系数均为0.2;此处的风险因子权重系数的设定存在一定的主观性,并不唯一,可根据偏好进行设定,对整体融合电站正常运行造成的影响程度越大,系数设定地就越大,反之亦然;
步骤8:计算公式计算各运行参数1秒内的风险值R(R1,R2,...,R8),
风险值=风险概率×各风险因子权重系数,即Rn=Pn×Wn;
步骤9:采用随机森林回归预测法对融合电站中储能电站风险因子R1pre和变压器的风险因子R2pre进行预测;具体过程如下:
步骤9.1:样本数据的区间为1小时,即3600秒,经步骤8可知1s对应一个风险因子,因此8类运行参数每类对应的样本个数为3600;
步骤9.2:进行储能电站随机森林回归预测;具体过程如下:
步骤9.2.1:按照70%和30%划分训练集和测试集;
步骤9.2.2:抽取样本,采取自展法Bootstrap从训练样本中有放回的随机抽样,形成n个子数据集S(S1,R2,...,Sn);
步骤9.2.3:构建特征向量,不同输入特征参数的数据集个数记为N,N={(U),(U,I),...,(U,I,...,SOC)};
步骤9.2.4:形成决策树,针对每一个子训练集生成一个决策树,Ttree(T1,T2,...,Tn)每棵决策树对子训练集进行回归分析,得到每一个子训练集的预测结果;
步骤9.2.5:节点分裂,在决策树每个节点分裂时,随机在N个属性中选取K个特征作为当前节点的分裂特征集,通过采用分类回归树CART方法,在分裂子集中根据“平方误差最小准则”,以这K个特征中最好的分裂方式对该节点进行分裂,需满足K<<N,直到决策树不可再分裂;在分裂过程中不进行剪枝,且K值保持不变;
步骤9.2.6:生成随机森林,分裂结束后的各个决策树组合在一起,构成随机森林;
步骤:9.2.7:输出预测结果,将所有决策树得到的预测结果相加取算术平均值,得到储能电站的风险因子R1pre;
步骤9.3:重复步骤9.2.1-9.2.7,得到变电站的风险因子R2pre;
步骤10:将种两个风险因子进行加和得到最终的融合电站风险值;即:Rtotal=R1pre+R2pre;
步骤11:根据步骤10中得到的融合电站总体运行风险值的大小判断是否对系统做出安全预警;若系统安全,则继续运行,若风险值过大,对系统进行安全预警,并根据步骤9得到的所有运行参数对应的风险值,判断故障类型,及时安排专业人员进行检修,恢复电站稳定运行。
模型预测精准度分析:在回归分析中,通常有以下四种评价标准可以用来评估模型的预测准确度,如平均绝对误差MAE、均方误差MSE、正则化均方误差NMSE和均方根误差RMSE。MAE,MSE,NMSE和RMSE的值越小,模型的预测值与实际值的拟合程度越高,预测的准确度越高。
4种评价标准计算如下:
平均绝对误差MAE的具体计算公式为:
均方误差MSE的具体计算公式为:
正则化均方误差(NMSE)的具体计算公式为:
平均绝对误差RMSE的具体计算公式为:
Claims (4)
1.融合电站运行故障预测方法,其特征在于,包括下列步骤:
步骤1:构建融合电站风险评估指标体系,共8个指标,分别为:储能电站电池运行端电压U、储能电站电池充放电电流I、储能电站电池荷电状态SOC、储能电站电池簇温度T1、储能电站电池内阻R、变压器油温度T2、变压器油位高度h、变压器释放的气体浓度;
步骤2:由传感器按照固定频率采样;
步骤3:数据清洗;
步骤4:拓展卡尔曼滤波算法对符合条件的储能电站电池的SOC、储能电站电池簇温度T1、变压器油温度T2、变压器油位高度h进行数据调整;
步骤5:依据融合电站各运行参数正常运行时的数据建立参数上限阈值和下限阈值,作为融合电站实时运行中各运行参数是否越限的参考值;
步骤6,确定1秒以内各运行参数的风险概率;1秒内中共有N个样本点,依据根据步骤3和步骤4预处理后的数据和步骤5中的数据库进行对比,依次计算8个风险因子越限的风险概率P(P1,P2,...,P8),
风险概率P=出现越限的次数/总有效观测点数;
步骤7:确定各风险因子权重系数W;电池簇温度T1、电池内阻R和变压器油温度T2均为0.5;电池荷电状态SOC、变压器油位高度h和各种气体传感器监测气体浓度C风险因子权重系数均为0.3;电池运行端电压U、电池充放电电流I风险因子权重系数均为0.2;
步骤8:计算公式计算各运行参数1秒内的风险值R(R1,R2,...,R8),
风险值=风险概率×各风险因子权重系数,即Rn=Pn×Wn;
步骤9:采用随机森林回归预测法对融合电站中储能电站风险因子R1pre和变压器的风险因子R2pre进行预测;
步骤10:将种两个风险因子进行加和得到最终的融合电站风险值;即:Rtotal=R1pre+R2pre。
2.根据权利要求1所述融合电站运行故障预测方法,其特征在于,所述步骤4具体过程如下:
步骤4.1:建立的系统运行状态方程和测量方程为:
其中,xk代表在离散时间第k时刻系统的真实状态,wk-1表示过程噪声,zk-1是观测值,vk-1表示测量噪声,f(xk-1)和h(xk-1)表示储能电站电池的SOC、储能电站电池簇温度T1、变压器油温度T2、变压器油位高度h所决定的函数;
步骤4.2:将离散变量进行一阶泰勒展开,进行线性化;即:
状态方程和测量方程变为:
其中,A和B是系统的参数矩阵,u(k)是k时刻对系统的控制量;
步骤4.3:对第k步的系统运行状态进行估计,x(k-1|k-1)是上一状态最优结果,/>代表第k-1时刻对第k时刻的状态变量的预测估计值;
步骤4.4:计算对应的误差协方差矩阵P(k|k-1),公式如下:
P(k|k-1)=AP(k-1|k-1)AT+Q,
其中AT表示A的转置矩阵,Q为噪声协方差矩阵;
步骤4.5:在确定步骤4.1中下一步的状态估计值的表达式及相应协方差的表达式过程中,假设所述过程噪声wk和测量噪声vk均为高斯白噪声,其协方差不随控制系统状态的变化而变化;
步骤4.6:更新卡尔曼增益矩阵Kk,公式如下:
K(k)=P(k|k-1)HT[HP(k|k-1)HT+R]-1;
步骤4.7:计算第k时刻的最优线性估计值公式如下:
步骤4.8:更新对应的的误差协方差矩阵P(k|k),公式如下:
P(k|k)=P(k|k-1)-K(k-1)HP(k|k-1);
步骤4.9:重复步骤4.1-4.8,直至达到设置的迭代次数,输出储能电站电池的SOC、储能电站电池簇温度T1、变压器油温度T2、变压器油位高度h调整后的数值。
3.根据权利要求1或2所述融合电站运行故障预测方法,其特征在于,所述步骤9具体过程如下:
步骤9.1:样本数据的区间为1小时,即3600秒,经步骤8可知1s对应一个风险因子,因此8类运行参数每类对应的样本个数为3600;
步骤9.2:进行储能电站随机森林回归预测;具体过程如下:
步骤9.2.1:按照70%和30%划分训练集和测试集;
步骤9.2.2:抽取样本,采取自展法Bootstrap从训练样本中有放回的随机抽样,形成n个子数据集S(S1,R2,...,Sn);
步骤9.2.3:构建特征向量,不同输入特征参数的数据集个数记为N,N={(U),(U,I),...,(U,I,...,SOC)};
步骤9.2.4:形成决策树,针对每一个子训练集生成一个决策树,Ttree(T1,T2,...,Tn)每棵决策树对子训练集进行回归分析,得到每一个子训练集的预测结果;
步骤9.2.5:节点分裂,在决策树每个节点分裂时,随机在N个属性中选取K个特征作为当前节点的分裂特征集,通过采用分类回归树CART方法,在分裂子集中根据“平方误差最小准则”,以这K个特征中最好的分裂方式对该节点进行分裂,需满足K<<N,直到决策树不可再分裂;在分裂过程中不进行剪枝,且K值保持不变;
步骤9.2.6:生成随机森林,分裂结束后的各个决策树组合在一起,构成随机森林;
步骤:9.2.7:输出预测结果,将所有决策树得到的预测结果相加取算术平均值,得到储能电站的风险因子R1pre;
步骤9.3:重复步骤9.2.1-9.2.7,得到变电站的风险因子R2pre。
4.根据权利要求1所述融合电站运行故障预测方法,其特征在于,还包括:
步骤11:根据步骤10中得到的融合电站总体运行风险值的大小判断是否对系统做出安全预警;若系统安全,则继续运行,若风险值过大,对系统进行安全预警,并根据步骤9得到的所有运行参数对应的风险值,判断故障类型,及时安排专业人员进行检修,恢复电站稳定运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111288138.2A CN114252103B (zh) | 2021-11-02 | 2021-11-02 | 融合电站运行故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111288138.2A CN114252103B (zh) | 2021-11-02 | 2021-11-02 | 融合电站运行故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114252103A CN114252103A (zh) | 2022-03-29 |
CN114252103B true CN114252103B (zh) | 2023-12-22 |
Family
ID=80790440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111288138.2A Active CN114252103B (zh) | 2021-11-02 | 2021-11-02 | 融合电站运行故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114252103B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754967A (zh) * | 2023-04-24 | 2023-09-15 | 中广核新能源安徽有限公司固镇分公司 | 用于储能电站电化学电池在线评估的方法和系统 |
CN116488352B (zh) * | 2023-06-20 | 2023-09-12 | 北京航能绿电科技有限公司 | 用于储能电站的电路安全监测预警方法 |
CN117350548B (zh) * | 2023-12-04 | 2024-04-16 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018096953A (ja) * | 2016-12-16 | 2018-06-21 | 三菱自動車工業株式会社 | 電池状態推定装置 |
DE102017215525A1 (de) * | 2017-09-05 | 2019-03-07 | Robert Bosch Gmbh | Sensoreinrichtung zur Integration in eine Industrieanlage, Messeinrichtungsergänzungseinheit, Industrieanlage und Verfahren |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN113124929A (zh) * | 2021-04-13 | 2021-07-16 | 国网陕西省电力公司铜川供电公司 | 一种变电站多参数信号采集综合分析系统和方法 |
-
2021
- 2021-11-02 CN CN202111288138.2A patent/CN114252103B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018096953A (ja) * | 2016-12-16 | 2018-06-21 | 三菱自動車工業株式会社 | 電池状態推定装置 |
DE102017215525A1 (de) * | 2017-09-05 | 2019-03-07 | Robert Bosch Gmbh | Sensoreinrichtung zur Integration in eine Industrieanlage, Messeinrichtungsergänzungseinheit, Industrieanlage und Verfahren |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN113124929A (zh) * | 2021-04-13 | 2021-07-16 | 国网陕西省电力公司铜川供电公司 | 一种变电站多参数信号采集综合分析系统和方法 |
Non-Patent Citations (1)
Title |
---|
时亚军 ; 顾洁 ; 李楠 ; 王春义 ; 牟宏 ; 崔国柱 ; .基于多源数据融合的恶劣气象下10 kV配变实时状态评估.高电压技术.(第02期),87-89. * |
Also Published As
Publication number | Publication date |
---|---|
CN114252103A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114252103B (zh) | 融合电站运行故障预测方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN112883634B (zh) | 基于多维度分析的直流测量系统状态预测方法及系统 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN108847679B (zh) | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
CN111797365A (zh) | 一种换流变压器温度异常判断方法及系统 | |
CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN117787915A (zh) | 一种配电网数字孪生智慧大脑构建方法 | |
CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN116070140B (zh) | 一种配电变电站安全运行状态监测系统及方法 | |
CN112766598A (zh) | 一种基于lstm神经网络的电能质量稳态指标预测与预警方法 | |
CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN116451608A (zh) | 一种复杂地形的混合风功率预测方法及装置 | |
CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 | |
Ren et al. | Research on wind power prediction | |
CN114548845B (zh) | 一种配网管理方法、装置及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |