CN114493919A - 储能电站运行监测模型的训练方法及储能电站的监控系统 - Google Patents
储能电站运行监测模型的训练方法及储能电站的监控系统 Download PDFInfo
- Publication number
- CN114493919A CN114493919A CN202210056959.1A CN202210056959A CN114493919A CN 114493919 A CN114493919 A CN 114493919A CN 202210056959 A CN202210056959 A CN 202210056959A CN 114493919 A CN114493919 A CN 114493919A
- Authority
- CN
- China
- Prior art keywords
- power station
- energy storage
- storage power
- data
- station operation
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 225
- 238000012544 monitoring process Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims description 43
- 230000005540 biological transmission Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及储能电站的技术领域，尤其是涉及储能电站运行监测模型的训练方法及储能电站的监控系统，其包括总服务器和储能电站，总服务器获取由各储能电站按需上报的典型电站运行数据以及故障数据；总服务器根据各储能电站的电站运行数据训练电站运行监测模型，得到电站运行监测模型的模型参数，其中，电站运行监测模型用于根据电站运行数据获取储能电站的运行状态；总服务器将模型参数下发至各储能电站，以供各储能电站基于模型参数对预置的电站运行监测模型进行配置，并基于配置得到的电站运行监测模型进行运行状态的监测。本申请具有减少储能电站的占用存储和计算资源量，同时减少储能电站与总服务器间的数据流量的效果。
Description
技术领域
本申请涉及储能电站的技术领域，尤其是涉及储能电站运行监测模型的训练方法及储能电站的监控系统。
背景技术
进斜面，以风能、太阳能等为代表的可再生能源发电技术在全球得到迅猛发展，然而随着应用范围不断扩大，可再生能源发电的随机性、波动性问题逐渐凸显，严重影响了可再生能源发电技术的大规模应用。随着经济日益发展，人们对电力资源的安全性和多样性要求越来越高，这些给电网经济安全运行提出了更高的要求。
相关技术中，电力集团拥有众多储能电站，电力集团与储能电站之间会涉及许多的监测数据的传输，而众多的储能电站的数据都由电力集团中的公有云进行接收，当电力集团下的储能电站数量达到一定量后，众多储能电站的所有数据经过无差别的传输，会使得电力集团的公有云端的工作压力变大，且需要不断增加公有云服务的资源和费用，导致费用不可控。
发明内容
为了减少储能电站的占用资源量，同时减少总服务器的工作负荷，本申请提供储能电站运行监测模型的训练方法及储能电站的监控系统。
第一方面，本申请提供的储能电站运行监测模型的训练方法，采用如下的技术方案：
储能电站运行监测模型的训练方法，包括以下步骤：
总服务器获取由各储能电站上报的电站运行数据；
所述总服务器根据各所述储能电站的电站运行数据训练电站运行监测模型，得到所述电站运行监测模型的模型参数，其中，所述电站运行监测模型用于根据电站运行数据获取储能电站的运行状态；
所述总服务器将所述模型参数下发至各所述储能电站，以供各所述储能电站基于所述模型参数对预置的电站运行监测模型进行配置，并基于配置得到的电站运行监测模型进行运行状态的监测。
在其中的一些实施例中，在所述总服务器将所述模型参数下发至各所述储能电站之后，所述方法还包括：
所述储能电站根据所述电站运行监测模型判断储能电站内的设备的状态；
在判断到所述储能电站内的设备为异常状态的情况下，则所述储能电站将故障数据发送至所述总服务器，其中，所述故障数据包括当前异常的异常类型及与当前异常相关的所有设备的电站运行数据。
在其中的一些实施例中，所述方法还包括：
在判断到所述储能电站内的设备为正常状态的情况下，则所述储能电站将所述储能电站内的设备的状态数据发送至所述总服务器。
在其中的一些实施例中，所述储能电站设置有数据缓存单元，所述储能电站将故障数据发送至所述总服务器包括：
所述储能电站将所述故障数据和/或状态数据存储于所述数据缓存单元，并监测所述储能电站与所述总服务器之间的数据连接状态；
在所述储能电站与所述总服务器数据传输正常的情况下，所述储能电站将所述数据缓存单元中的所述故障数据和/或状态数据发送给所述总服务器；
在所述储能电站与所述总服务器数据传输异常的情况下，所述储能电站切换与所述总服务器进行数据传输的数据传输协议和/或数据传输链路。
在其中的一些实施例中，所述总服务器设置有故障案例库，所述故障案例库包括由存在异常的电站运行数据以及相应的异常类型；
在总服务器获取由各储能电站上报的电站运行数据之后，所述方法还包括：所述总服务器获取所述电站运行数据中存在异常的电站运行数据以及相应的异常类型，并存储至所述故障案例库；
所述总服务器根据各所述储能电站的电站运行数据训练电站运行监测模型，得到所述电站运行监测模型的模型参数包括：
所述总服务器根据所述故障案例库中存储的异常的电站运行数据以及相应的异常类型训练电站运行监测模型，得到所述电站运行监测模型的模型参数。
在其中的一些实施例中，各所述储能电站的电站运行监测模型的模型参数由各所述储能电站自身上报的电站运行数据分别训练而来。
在其中的一些实施例中，各所述储能电站的电站运行监测模型的模型参数由所有的储能电站上报的电站运行数据共同训练而来。
第二方面，本申请提供的一种储能电站的监控系统，采用如下的技术方案：
一种储能电站的监控系统，包括总服务器和储能电站，其中，
所述总服务器，用于获取储能电站上报的电站运行数据，并根据各所述储能电站的电站运行数据训练电站运行监测模型，得到所述电站运行监测模型的模型参数，其中，所述电站运行监测模型用于根据电站运行数据获取储能电站的运行状态；
所述总服务器，还用于所述模型参数下发至各所述储能电站；
所述储能电站，用于基于所述模型参数对预置的电站运行监测模型进行配置，并基于配置得到的电站运行监测模型进行运行状态的监测。
第三方面，本申请提供的一种总服务器，采用如下的技术方案：
一种总服务器，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述的一种储能电站运行监测模型的训练方法。
第四方面，本申请提供的一种计算机可读存储介质，采用如下的技术方案：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行上述的一种储能电站运行监测模型的训练方法。
通过本申请实施例提供的储能电站运行监测模型的训练方法及储能电站的监控系统，当总服务器接收到各储能电站上报的电站运行数据后根据电站运行数据训练电站运行监测模型，以得到电站运行监测模型的模型参数，并将电站运行监测模型的模型参数下发至各储能电站，各储能电站接受到电站运行监测模型的模型参数后对预置的电站运行模型进行配置，并对电站运行监测模型进行运行状态的监测，这些电站运行监测模型的模型参数都在总服务器端训练好，训练好后各储能电站直接将电站运行数据带入到电站运行监测模型的模型参数内运算即可，不再需要不断的将数据无差别的发送至总服务器内进行运算，减少各储能电站的占用资源量，也减少了总服务器因反复接受各储能电站的电站运行数据而导致的工作负荷。
附图说明
图1是本申请实施例中储能电站运行监测模型的训练方法的流程图；
图2是本申请实施例中判断各储能电站的设备的状态的流程图；
图3是本申请实施例中储能电站和总服务器之间连接状态正常或异常时的流程图。
具体实施方式
为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。然而，本领域的普通技术人员应该明白，可以在没有这些细节的情况下实施本申请。在一些情形下，为了避免不必要的描述使本申请的各方面变得晦涩难懂，对已经在较高的层次上描述了众所周知的方法、过程、系统、组件和/或电路将不作过多赘述。对于本领域的普通技术人员来说，显然可以对本申请所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此，本申请不限于所示的实施例，而是符合与本申请所要求保护的范围一致的最广泛范围。
除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。本申请所使用的术语仅出于描述特定实施例的目的，而不旨在于对本申请的限制。如本申请所使用的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。
在本申请中所涉及的“多个”是指两个或两个以上。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。
本申请所涉及的术语“系统”、“引擎”、“单元”、“模块”和/或“块”是一种用于按级别区分不同级别的不同组件、元件、零件、部件、装配件、或功能的一种方法。这些术语可以被其他能够达到相同目的的表达替换。通常，本申请涉及的“模块”、“单元”或“块”是指硬件或者固件中体现的逻辑或软件指令的集合。本申请描述的“模块”、“单元”或“块”可以作为软件和/或硬件实现，并且在作为软件实现的情形下，他们可以被存储在任何类型的非易失性计算机可读存储介质或存储设备中。
在一些实施例中，软件模块/单元/块可以被编译并被链接到可执行程序中。将意识到，软件模块可以是可从其他模块/单元/块或从其自身调用的，和/或可以响应于检测到的事件或中断而被调用。配置为在计算设备上执行的软件模块/单元/块可以设置在计算机可读存储介质上，例如光盘、数字视频盘、闪存驱动器、磁盘、或任何其他有形媒体，或作为数字下载（并且可以最初以压缩或可安装的格式存储，该格式需要在执行之前进行安装、解压或解密）。这样的软件代码可以部分地或全部地存储在正在执行的计算设备的存储设备上，并应用在计算设备的操作之中。软件指令可以被嵌入到固件，例如EPROM中。还将意识到，硬件模块/单元/块可以被包括在连接的逻辑组件中，例如门和触发器，和/或可以被包括在可编程单元中，例如可编程门阵列或处理器。本文描述的模块/单元/块或计算设备功能可以被实现为软件模块/单元/块，还可以以硬件或固件来表示。通常，本文描述的模块/单元/块，它们可以与其他模块/单元/块组合，或者尽管它们是物理组织或存储的，但也可以被划分为子模块/子单元/子块。该描述可以适用于系统、引擎或其一部分。
将理解的是，当单元、引擎、模块或块被称为在另一单元、引擎、模块或块“上”、“连接”或“耦合至”另一单元、引擎、模块或块时，其可以直接在其它单元、引擎、模块或块上，与其连接或耦合或与之通信，或者可以存在中间单元、引擎、模块或块，除非上下文另有明确说明。在本申请中，术语“和/或”可包括任何一个或以上相关所列条目或其组合。
以下结合附图1至附图3对本申请作进一步详细说明。
本申请实施例公开储能电站运行监测模型的训练方法。
如图1所示，储能电站运行监测模型的训练方法包括以下步骤：
S100，总服务器获取由各储能电站上报的电站运行数据。
S200，总服务器根据各储能电站的电站运行数据训练电站运行监测模型，得到电站运行监测模型的模型参数。
S300，总服务器将模型参数下发至各储能电站，以供储能电站基于模型参数对预置的电站运行监测模型进行配置，并基于配置得到的电站运行监测模型进行运行状态的监测。
其中，电站运行监测模型用于根据电站运行数据获取储能电站的运行状态。
总服务器为电力集团中可以对若干储能电站的参数进行处理，同时可以对所有接入储能电站的数据和健康状态进行在线监测、展示，根据储能电站的电站运行数据训练监测模型，故障诊断，模型训练完毕的下发至各相关储能电站等功能的高度运算端。
相关技术中，电力集团拥有众多的储能电站，众多的储能电站的监测数据都将无差别的发送至总服务器上，使得数据传播过程中的流量费用大大增加；同时，加重了总服务器的工作压力，需要不断的增加总服务器的资源，非用不可控。
而本申请实施例中的方法，当总服务器接收到各储能电站上报的电站运行数据后根据电站运行数据训练电站运行监测模型，以得到电站运行监测模型的模型参数，并将电站运行监测模型的模型参数下发至各储能电站，各储能电站接受到电站运行监测模型的模型参数后对预置的电站运行模型进行配置，并对电站运行监测模型进行运行状态的监测，这些电站运行监测模型的模型参数都在总服务器端训练好，训练好后各储能电站直接将电站运行数据带入到电站运行监测模型的模型参数内运算即可，不再需要不断的将数据无差别的发送至总服务器内进行运算，减少各储能电站的占用资源量，也减少了总服务器因反复接受各储能电站的电站运行数据而导致的工作负荷。
如图2所示，进一步的，在总服务器将模型参数下发至各储能电站之后，还包括以下方法：
S400，储能电站根据电站运行监测模型判断各储能电站内的设备的状态。
S500，在判断到储能电站内的设备为异常状态下的情况下，则储能电站将故障数据发送至总服务器。
故障数据包括当前异常的异常类型及与当前异常相关的所有设备的电站进行数据。
储能电站发生异常会出现多种情况，如电压异常、温度异常、电池系统异常导致的储能系统工作不正常、电池管理系统故障、模拟量测量功能失效、电池管理系统报警功能失效、电池管理系统保护功能失效、本地运行状态显示功能失效等，不同的异常当运行完电站运行监测模型后都会有不同的参数数据，储能电站则将根据运行电站运行监测模型后设备内不同的参数对储能电站是否产生异常进行对比判断。
而故障数据内的当前异常的异常类型则是经过总服务器根据储能电站的电站运行数据训练电站运行监测模型时就已经训练出并进行存储的。因总服务器原则上有所有接入电站的故障数据。
方法还包括以下步骤：
S510，在判断到储能电站内的设备为正常情况下时，则储能电站将储能电站内的设备的状态数据发送至总服务器。
当储能电站根据电站运行监测模型后设备内不同的参数判断出储能电站内的设备为正常情况下时，储能电站还将电站内的设备的状态数据发送至总服务器，而无需将当前所牵涉的所有时序数据（也就是当前状态相关的所有设备的电站进行数据）进行上传，减少了总服务器的运算工作量与存储负荷。
如图3所示，进一步的，储能电站内设置有数据缓存单元，当储能电站将故障数据发送至总服务器时，包括以下步骤：
S501，储能电站将故障数据和/或状态数据存储于数据缓存单元，并监测储能电站与总服务器之间的数据连接状态。
S502，在储能电站与总服务器数据传输正常的情况下，储能电站将数据缓存单元中的故障数据和/或状态数据发送给总服务器。
S503，在储能电站与总服务器数据传输异常的情况下，储能电站切换与总服务器进行数据传输的数据传输协议和/或数据传输链路。
总服务器与储能电站之间的通讯连接方式包括有线通讯连接和无线通讯连接，其中有线通讯连接包括RS485有线通讯、RS232有线通讯、modbusTCP、IEC61850等，而无线通讯连接包括低频无线通讯系统、ZigBee通讯系统、WIFI通讯系统、蓝牙通讯系统、3G通讯系统、4G通讯系统、5G通讯系统等。而处于野外的储能电站因地理位置原因，有时就出现与总服务器断开连接而导致数据传输异常的情况。
通过上述方法，在储能电站的层面上设置一个用于对数据进行缓冲的区域，用于临时缓冲因储能电站与总服务器连接不稳定而发送失败的关键数据，而一旦连接通过切换储能电站与总服务器进行数据传输的数据传输协议和/或数据传输链路，则重新恢复上传数据。
以此解决处于野外的储能电站通讯网络连接不稳定而引起的数据丢失，保证连接与数据传输的可靠性。
总服务器设置有故障案例库，故障案例库包括由存在异常的电站运行数据以及相关的异常类型。当总服务器获取电站运行数据中存在异常的电站运行数据后，方法还包括以下步骤：
S600，总服务器获取电站运行数据中存在异常的电站运行数据以及相应的异常类型，并存储至故障案例库。
总服务器根据各储能电站的电站运行数据训练电站运行监测模型，得到电站运行监测模型的模型参数包括以下步骤：
S700，总服务器根据故障案例库中存储的异常的电站运行数据以及相应的异常类型训练电站运行监测模型，得到电站运行监测模型的模型参数。
理论上在总服务器上应存储有最完整的故障案例库，以对后续的模型进行训练，并对储能电站的故障进行诊断分析。
在本申请实施例中，储能电站发生异常时，储能电站将异常的电站运行数据和相应的异常类型皆发送至总服务器，总服务器再将这些数据存储至故障案例库。
当储能电站出现不同的故障时，其发出的电站运行数据和相应的异常类型都不同，这些存储在故障案例库可以对故障案例库内的案例进行补充，当案例类型数量达到一定后，电站运行监测模型的适用性提高，且当案例类型数量饱满到一定程度后，在后续对储能电站的监测过程中就无需对发生异常的储能电站进行反复的训练。
例如，当储能电站发生A故障时，总服务器获取异常的电站运行数据A1及相应的故障类型A2，另一个储能电站发生B故障时，总服务器获取异常的电站运行数据B1及相应的故障类型B2，以此类推，故障案例库内便存储有故障案例A、故障案例B、故障案例C等，当总服务器根据这些异常的电站运行数据及相应的故障类型对电站运行监测模型进行训练后，得出电站运行监测模型的模型参数，后续当某一储能电站再次出现B故障时，储能电站故障时的异常的电站运行数据B1输入至电站运行模型后，便能得到相应的故障类型B2，以此快速对储能电站的故障进行监测。
在其中一个实施例中，各储能电站的电站运行监测模型的模型参数由各储能电站自身上报的电站运行数据分别训练而来。
这种方法中，每个储能电站将自己的电站运行数据上报至总服务器后，储能电站将每个储能电站的电站运行数据分别单独训练，并训练出单独的电站运行监测模型的模型参数，并将单独的电站运行监测模型的模型参数下发至其对应的储能电站内。
例如，总服务器分别接收到储能电站A、储能电站B、储能电站C的电站运行数据，并将这些电站运行数据单独进行训练得到电站运行监测模型的模型参数A1、电站运行监测模型的模型参数A2和电站运行监测模型的模型参数A3，并分别将电站运行监测模型的模型参数A1下发至储能电站A，电站运行监测模型的模型参数A2下发至储能电站B，将电站运行监测模型的模型参数A3下发至储能电站C。
这种方法使得储能电站和总服务器内的电站运行监测模型的匹配性更强，针对性更高，监测准确性更强。
在另一个实施例中，各储能电站的电站运行监测模型的模型参数由所有的储能电站上报的电站运行数据共同训练而来。
这种方法中，每个储能电站将自己的电站运行模型上报至总服务器上后，将这些电站运行数据共同进行训练，并将共同训练得到的模型分别下发至各储能电站上。
例如，总服务器分别接收储能电站A、储能电站B、储能电站C的电站运行数据，并将这些电站运行数据共同进行训练，得到电站运行监测模型的模型参数D，其中，电站运行监测模型的模型参数D中分别存在有通过储能电站A、储能电站B、储能电站C的电站运行数据训练出的电站运行监测模型的模型参数，并将电站运行监测模型的模型参数D下发至储能电站A、储能电站B和储能电站C中。
本实施例中的方法，总服务器将多个储能电站的电站运行数据共同进行训练，这种方法能减少单独训练所带来的多次训练的训练量，当储能电站再出现异常时，只需在一个电站运行监测模型中进行训练即可，不再需要反复将每个储能电站的数据进行单独训练。
本申请实施例还公开了一种储能电站的监控系统，包括总服务器和储能电站。
总服务器用于获取储能电站上报的电站运行数据，并根据储能电站的电站运行数据训练电站运行监测模型，得到电站运行监测模型的模型参数，其中，电站运行监测模型用于根据电站运行数据获取储能电站的运行状态。
总服务器还用于将模型参数下发至各储能电站。
储能电站用于基于模型参数对预置的电站运行监测模型进行配置，并基于配置得到的电站运行监测模型进行运行状态的监测。
进一步的，在总服务器中还包括有一个统一的注册管理中心，注册管理中心可以用于数采频率设置、数据协议配置、加密密钥配置、数据缓冲配置、电站连接心跳监测、算法模型下发、数据上传规则配置等。
数采频率配置：更换储能电站数采程序从BMS和EMS抽取时序数据的频率。
数据协议配置：可以更换数据的发送协议（在总服务器和储能电站的连接不稳定时有用）。
加密密钥配置：储能电站向总服务器传输数据的时候，密钥可以由总服务器下发，更换，提高动态安全性。
数据缓冲配置：调整储能电站对数据的保存时间。
电站连接心跳监测：实时监测各储能电站到服务端的网络连接状态。
算法模型下发：总服务器通过大数据训练完的模型下发至储能电站进行更新（热部署）。
数据上传规则配置：总服务器可以调整需要上传的数据的条件规则。
其中，BMS（电池管理系统）俗称之为电池保姆或电池管家，主要就是为了智能化管理及维护各个电池单元，防止电池出现过充电和过放电，延长电池的使用寿命，监控电池的状态。BMS可以用于电池端电压的测量、单体电池间的能量均衡、电池组总电压测量、电池组总电流测量、SOC计算、动态监测动力电池组的工作状态、实时数据显示、数据记录及分析、通讯组网功能等功能。
EMS(能量管理系统)，大体包含了数据采集、网络监控、能量调度和网络数据分析四大类。主要用于微电网内部能量控制，维持微电网功率平衡，保证微电网正常运行；需求和应用场景多种多样、软件系统的工作量极大；可满足中小型商用级储能系统的现场能量调度需求；大型储能系统会涉及到电网侧的调度。
本申请实施例还公开了一种总服务器，总服务器包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述所述的训练方法。
本申请实施例中还公开了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器运行时执行上述的训练方法。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.储能电站运行监测模型的训练方法，其特征在于：包括以下步骤：
总服务器获取由各储能电站上报的电站典型运行数据以及故障数据；
所述总服务器根据各所述储能电站的电站运行数据训练电站运行监测模型，得到所述电站运行监测模型的模型参数，其中，所述电站运行监测模型用于根据电站运行数据获取储能电站的运行状态；
所述总服务器将所述模型参数下发至各所述储能电站，以供各所述储能电站基于所述模型参数对预置的电站运行监测模型进行配置，并基于配置得到的电站运行监测模型进行运行状态的监测。
2.根据权利要求1所述的储能电站运行监测模型的训练方法，其特征在于，在所述总服务器将所述模型参数下发至各所述储能电站之后，所述方法还包括：
所述储能电站根据所述电站运行监测模型判断储能电站内的设备的状态；
在判断到所述储能电站内的设备为异常状态的情况下，则所述储能电站将故障数据发送至所述总服务器，其中，所述故障数据包括当前异常的异常类型及与当前异常相关的所有设备的电站运行数据。
3.根据权利要求2所述的储能电站运行监测模型的训练方法，其特征在于，所述方法还包括：
在判断到所述储能电站内的设备为正常状态的情况下，则所述储能电站将所述储能电站内的设备的状态数据发送至所述总服务器。
4.根据权利要求3所述的储能电站运行监测模型的训练方法，其特征在于，所述储能电站设置有数据缓存单元，所述储能电站将故障数据发送至所述总服务器包括：
所述储能电站将所述故障数据和/或状态数据存储于所述数据缓存单元，并监测所述储能电站与所述总服务器之间的数据连接状态；
在所述储能电站与所述总服务器数据传输正常的情况下，所述储能电站将所述数据缓存单元中的所述故障数据和/或状态数据发送给所述总服务器；
在所述储能电站与所述总服务器数据传输异常的情况下，所述储能电站切换与所述总服务器进行数据传输的数据传输协议和/或数据传输链路。
5.根据权利要求2所述的储能电站运行监测模型的训练方法，其特征在于，所述总服务器设置有故障案例库，所述故障案例库包括存在异常的电站运行数据以及相应的异常类型；
在总服务器获取由各储能电站上报的电站运行数据之后，所述方法还包括：所述总服务器获取所述电站运行数据中存在异常的电站运行数据以及相应的异常类型，并存储至所述故障案例库；
所述总服务器根据各所述储能电站的电站运行数据训练电站运行监测模型，得到所述电站运行监测模型的模型参数包括：
所述总服务器根据所述故障案例库中存储的异常的电站运行数据以及相应的异常类型训练电站运行监测模型，得到所述电站运行监测模型的模型参数。
6.根据权利要求1所述的储能电站运行监测模型的训练方法，其特征在于，各所述储能电站的电站运行监测模型的模型参数由各所述储能电站自身上报的电站运行数据分别训练而来。
7.根据权利要求1所述的储能电站运行监测模型的训练方法，其特征在于，各所述储能电站的电站运行监测模型的模型参数由所有的储能电站上报的电站运行数据共同训练而来。
8.一种储能电站的监控系统，其特征在于：包括总服务器和储能电站，其中，
所述总服务器，用于获取储能电站上报的电站运行数据，并根据各所述储能电站的电站运行数据训练电站运行监测模型，得到所述电站运行监测模型的模型参数，其中，所述电站运行监测模型用于根据电站运行数据获取储能电站的运行状态；
所述总服务器，还用于所述模型参数下发至各所述储能电站；
所述储能电站，用于基于所述模型参数对预置的电站运行监测模型进行配置，并基于配置得到的电站运行监测模型进行运行状态的监测。
9.一种总服务器，其特征在于：包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1、5至7中任一项所述的一种储能电站运行监测模型的训练方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1、5至7中任一项所述的一种储能电站运行监测模型的训练方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210056959.1A CN114493919A (zh) | 2022-01-18 | 2022-01-18 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
| CN202210909519.6A CN115131171A (zh) | 2022-01-18 | 2022-07-29 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210056959.1A CN114493919A (zh) | 2022-01-18 | 2022-01-18 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114493919A true CN114493919A (zh) | 2022-05-13 |
Family
ID=81473076
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210056959.1A Pending CN114493919A (zh) | 2022-01-18 | 2022-01-18 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
| CN202210909519.6A Pending CN115131171A (zh) | 2022-01-18 | 2022-07-29 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210909519.6A Pending CN115131171A (zh) | 2022-01-18 | 2022-07-29 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN114493919A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116738865A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市金威源科技股份有限公司 | 一种基于物联网的储能电源评估方法及系统 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115941717B (zh) * | 2022-10-10 | 2024-04-19 | 浙江南都能源科技有限公司 | 一种储能电站数据采集传输的方法及系统 |
| CN117310506B (zh) * | 2023-11-23 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 监测储能电站的方法、装置和计算机可读存储介质 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103812219B (zh) * | 2014-02-14 | 2016-04-20 | 国家电网公司 | 一种多储能电站联合远程监控系统 |
| CN111753997B (zh) * | 2020-06-28 | 2021-08-27 | 北京百度网讯科技有限公司 | 分布式训练方法、系统、设备及存储介质 |
| CN111934332B (zh) * | 2020-07-01 | 2023-05-30 | 浙江华云信息科技有限公司 | 一种基于云边协同的储能电站系统 |
| CN113420195B (zh) * | 2021-05-28 | 2023-01-24 | 国网河北省电力有限公司营销服务中心 | 智能电表故障类型确定方法及系统 |
| CN113902122A (zh) * | 2021-08-26 | 2022-01-07 | 杭州城市大脑有限公司 | 联邦模型协同训练方法、装置、计算机设备及存储介质 |
| CN113835962A (zh) * | 2021-09-24 | 2021-12-24 | 超越科技股份有限公司 | 一种服务器故障检测方法、装置、计算机设备及存储介质 |
| CN113609791A (zh) * | 2021-10-11 | 2021-11-05 | 武汉云侦科技有限公司 | 锂离子电池储能电站主动式安全监测与预警方法及系统 |
-
2022
- 2022-01-18 CN CN202210056959.1A patent/CN114493919A/zh active Pending
- 2022-07-29 CN CN202210909519.6A patent/CN115131171A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116738865A (zh) * | 2023-08-11 | 2023-09-12 | 深圳市金威源科技股份有限公司 | 一种基于物联网的储能电源评估方法及系统 |
| CN116738865B (zh) * | 2023-08-11 | 2023-12-19 | 深圳市金威源科技股份有限公司 | 一种基于物联网的储能电源评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115131171A (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110401262B (zh) | 基于边缘计算技术的gis设备状态智能监控系统及方法 | |
| CN114493919A (zh) | 储能电站运行监测模型的训练方法及储能电站的监控系统 | |
| CN112069247A (zh) | 基于数字孪生技术的电力系统运行数据可视化系统及方法 | |
| US9020800B2 (en) | Method and apparatus for controlling energy services based on market data | |
| CN103852744A (zh) | 电能计量装置分布式在线监测系统及其方法 | |
| CN103283208A (zh) | 基于云计算的远程实时监控系统 | |
| CN110988559A (zh) | 基于物联网的变电站直流系统全生命周期的在线监测方法 | |
| CN113159598A (zh) | 台区故障抢修与调度方法、装置及终端设备 | |
| CN109884473A (zh) | 一种电力检修系统及方法 | |
| CN115767462A (zh) | 基于边缘计算的供配电信息化系统和方法 | |
| CN110659180A (zh) | 基于集群技术的数据中心基础设施管理系统 | |
| Pan et al. | Edge-cloud computing application, architecture, and challenges in ubiquitous power Internet of Things demand response | |
| CN111835083A (zh) | 电源信息监控系统、方法、装置、计算机设备和存储介质 | |
| CN111509857A (zh) | 一种低压配变免停电快捷监测系统及方法 | |
| CN109581115B (zh) | 一种配电网低电压诊断系统和诊断方法 | |
| CN113269435B (zh) | 一种新能源场站运行状态耦合监测评估系统 | |
| CN112947364B (zh) | 一种基于大数据预警配电站设备故障的系统及方法 | |
| Taylor et al. | Recent developments towards novel high performance computing and communications solutions for smart distribution network operation | |
| CN105548873A (zh) | 用于在线监测装置实现开关设备健康诊断的方法及系统 | |
| CN117439263A (zh) | 一种可远程监测的10kv开关柜及其监测方法 | |
| CN108539740B (zh) | 一种电网事故预想模拟系统及其方法 | |
| CN117039173A (zh) | 基于边缘计算终端的锂电池生产设备监控方法及系统 | |
| CN113590368A (zh) | 一种基于边边协同的异常设备诊断方法及系统 | |
| CN113468472A (zh) | 配电网故障定位方法及系统 | |
| CN219304859U (zh) | 一种云边结合的电池管理系统及储能系统 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220513 |