CN114693110A - 一种储能系统的异常监测方法、系统及存储介质 - Google Patents
一种储能系统的异常监测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114693110A CN114693110A CN202210318186.XA CN202210318186A CN114693110A CN 114693110 A CN114693110 A CN 114693110A CN 202210318186 A CN202210318186 A CN 202210318186A CN 114693110 A CN114693110 A CN 114693110A
- Authority
- CN
- China
- Prior art keywords
- segment
- data
- temporary data
- characteristic
- segments
- 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.)
- Granted
Links
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及数据监测的技术领域,特别涉及一种储能系统的异常监测方法、系统及存储介质,采用如下的技术方案:获取历史数据流;将历史数据流按照采集时间的先后分割成多个分割段;赋予分割段与其所存储的采集数据的数量相对应的权重,并计算出每个分割段的加权值;将统计特征进行随机组合以获取多个不同的特征组合;将每个特征组合所对应的加权值进行拟合,并获取相应的全局拟合误差;以全局拟合误差从小到大的顺序选取若干对应的特征组合并输出。根据分割段的数据长度的不同赋予不同的权重,从而在计算全局拟合误差时,使得数据长度能够影响到结果,将数据的状态是否长期稳定通过数值进行体现,使得异常监测的结果更加准确。
Description
技术领域
本申请涉及数据监测的技术领域,特别涉及一种储能系统的异常监测方法、系统及存储介质。
背景技术
储能系统的常规异常监测方法是选取关键特征值,对每个关键特征值设定一个固定阈值,若关键特征值所对应的当前监测数据超过该固定阈值,
则储能系统就会触发报警。但是,这种固定阈值的监测方式在发现异常时,通常是表明储能系统中相应设备出现了比较严重的问题,留给工作人员用于处理问题的时间裕度很小。
而储能系统的很多异常的发生是有阶段性的,常常在问题的早期就会有一些征兆。如果能捕捉到这些早期征兆,对于问题的早发现早解决非常有利。
传统的历史数据趋势分析是基于对数据的线性或多项式拟合来实现的,但储能系统的工况随着充放电的进行会在不断变化,简单的趋势识别算法无法准确分析出储能系统的历史数据趋势。
发明内容
为了对储能系统中的异常进行准确的监测,本申请提供一种储能系统的异常监测方法、系统及存储介质。
本申请提供的一种储能系统的异常监测方法,采用如下的技术方案:
一种储能系统的异常监测方法,包括以下步骤:
获取历史数据流,所述历史数据流包括多个按采集时间的先后排序的采集数据;
将历史数据流按照采集时间的先后分割成多个分割段,其中,每个分割段均对应一个拟合线和一个偏差值,所述偏差值用于表征对应分割段所存储的采集数据与相应拟合线之间的偏差程度,且所述分割段所存储的采集数据的数量超过或等于预设数量,
当分割段所存储的采集数据的数量等于预设数量,该分割段所对应的偏差值超过预设阈值;当分割段所存储的采集数据的数量超过预设数量,该分割段所对应的偏差值小于或等于预设阈值;
赋予分割段与其所存储的采集数据的数量相对应的权重;
依次计算出每个分割段的统计特征以获取多个特征值,其中,所述统计特征包括均值、方差、偏态系数,同一统计特征下的所有特征值归集为该统计特征的特征集;
将统计特征进行随机组合以获取多个不同的特征组合;
根据同一分割段所对应的特征值与权重计算出加权值;
将每个特征组合所对应的加权值进行拟合,并获取相应的全局拟合误差;
将所有特征组合的全局拟合误差按大小进行排序,以全局拟合误差从小到大的顺序选取若干对应的特征组合并输出。
通过采用上述技术方案,通过偏差值来限定分割段的数据长度,使得数据长度长的分割段的偏差值处在预设阈值内,并根据分割段的数据长度的不同赋予不同的权重,从而在计算全局拟合误差时,使得数据长度能够影响到结果,将数据的状态是否长期稳定通过数值进行体现,使得异常监测的结果更加准确。
可选的:将统计特征进行随机组合以获取多个不同的特征组合之前,还包括以下步骤:
依次判断特征集中的特征值是否存在趋势性,
若任意一个特征集中的特征值存在趋势性,则将统计特征进行随机组合以获取多个不同的特征组合;
若所有特征集中的特征值均不存在趋势性,则不进行随机组合。
可选的:将历史数据流按照采集时间的先后分割成多个分割段,包括以下步骤:
长度为第一数值的窗口从历史数据流的起始点以长度为第二数值的步长滑动并依次截取出临时数据段,其中,第一数值和第二数值均为预设数量;
每当生成一个临时数据段,对该临时数据段进行拟合以获取对应的拟合曲线,并计算该临时数据段中所有采集数据与对应拟合曲线之间的偏差值,判断偏差值是否超过预设的阈值;
若偏差值小于或等于预设的阈值,则获取当前临时数据段相邻且下一个的临时数据段,并将两个临时数据段组合成新的临时数据段;
若偏差值超过预设的阈值,则判断当前临时数据段所存储的采集数据的数量是否为预设数量;
若当前临时数据段所存储的采集数据的数量为预设数量,则将该数据段作为分割段;
若当前临时数据段所存储的采集数据的数量超过预设数量,则去除当前数据段中最后一次添加的数据段,再将当前数据段作为分割段。
可选的:每当生成一个临时数据段,还包括以下步骤:
判断临时数据段所存储的采集数据的数量是否小于预设数量,
若临时数据段所存储的采集数据的数量小于预设数量,则删除该临时数据段;
若临时数据段所存储的采集数据的数量超过或等于预设数量,则对该临时数据段进行拟合以获取对应的拟合曲线。
可选的:每当获取临时数据段,且在对该临时数据段进行拟合以获取对应的拟合曲线之前,包括以下步骤:
判断当前的临时数据段的个数是否唯一,
若当前的临时数据段的个数唯一,则执行后续对该临时数据段进行拟合以获取对应的拟合曲线这一步骤。
若当前的临时数据段的个数超过一个,则将两个临时数据段组合成新的临时数据段。
可选的:将历史数据流按照采集时间的先后分割成多个分割段,包括以下步骤:
按预设数量为单位长度对历史数据流中的采集数据依次进行拆分,并形成多个临时数据段;
对相邻的临时数据段进行组合以形成若干分割段。
可选的:赋予分割段与其所存储的采集数据的数量相对应的权重,包括以下步骤:计算出当前分割段的采集数据占全部分割段的采集数据之和的比例,用1与该比例相减所得的差即为当前分割段所对应的权重,并将权重赋予对应的分割段。
可选的:赋予分割段与其所存储的采集数据的数量相对应的权重,包括以下步骤:根据采集数据的数量从数据库中预设的对照表匹配出对应的权重,并将权重赋予对应的分割段。
本申请提供的一种储能系统的异常监测系统,采用如下的技术方案:
一种储能系统的异常监测系统,包括:
数据获取模块,用于获取历史数据流;
数据分割模块,将历史数据流按照采集时间的先后分割成多个分割段,
赋权模块,用于赋予分割段与其所存储的采集数据的数量相对应的权重;
特征计算模块,用于依次计算出每个分割段的统计特征以获取多个特征值;
趋势判断模块,用于依次判断特征集中的特征值之间是否存在趋势性,若任意一个特征集中的特征值存在趋势性,则将统计特征进行随机组合以获取多个不同的特征组合;
加权模块,用于根据同一分割段所对应的特征值与权重计算出加权值;
拟合模块,用于将每个特征组合所对应的加权值进行拟合,并获取相应的全局拟合误差;
输出模块,用于将所有特征组合的全局拟合误差按大小进行排序,以全局拟合误差从小到大的顺序选取若干对应的特征组合并输出。
本申请提供一种计算机可读存储介质,存储有能够被处理器加载并执行上述储能系统的异常监测方法的计算机程序。
综上所述,本申请具有以下有益效果:通过偏差值来限定分割段的数据长度,使得数据长度长的分割段的偏差值处在预设阈值内,并根据分割段的数据长度的不同赋予不同的权重,从而在计算全局拟合误差时,使得数据长度能够影响到结果,将数据的状态是否长期稳定通过数值进行体现,使得异常监测的结果更加准确。
附图说明
图1是实施例的步骤流程图;
图2是一个实施例的步骤S200的流程图;
图3是另一个实施例的步骤S200的流程图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
一种储能系统的异常监测方法,参见图1,包括以下步骤:
S100、获取历史数据流,所述历史数据流包括多个按采集时间的先后排序的采集数据。
历史数据流是指储能系统中需要监测异常的设备在工作时在预设时间内所采集的数据的集合。并且为了研究数据的趋势性,要求历史数据流中所存储的采集数据按照采集时间的先后顺序进行排序。
储能系统中的设备种类众多,在对不同的设备进行监测时,采集数据的类型不同,所需采集的预设时间不同,甚至是数据采集的频率也不同。例如,当需监测的设备为电池组时,采集数据的类型包电芯电压、电芯温度,电池组所对应的预设时间至少需要一个月,采集的频率以若干小时一次。而当需监测的设备为风机时,采集数据的类型包括供电电压、风机转速,所对应的预设时间至少要一年,采集的频率为一周一次。在本实施例中,以需监测的设备为电池组,采集的数据为电芯温度为例,进行后续介绍。
S200、将历史数据流按照采集时间的先后分割成多个分割段。
其中,每个分割段均对应一个拟合线和一个偏差值,且分割段所存储的采集数据的数量超过或等于预设数量。偏差值用于表征对应分割段所存储的采集数据与相应拟合线之间的偏差程度。偏差值越大,则表明分割段所存储的采集数据之间的变化趋势越不稳定。
预设阈值是用于表征一组离散数据之间的数据变化趋势介于稳定状态和不稳定状态之间的临界值,一般是工作人员根据实际工作经验针对具体的设备设置的。当偏差值超过预设阈值,则说明该偏差值所对应的分割段中存储的采集数据之间是不稳定关系;当偏差值小于或等于预设阈值,则说明该偏差值所对应的分割段中存储的采集数据之间是稳定关系。
传统数据趋势分析往往将历史数据流等量进行分割,但是在储能系统中由于存在充放电频繁切换的情况,等量分割难以将单次放电或者单次充电的数据截取出来,更容易分割出充电和放电混合在一起的分割段,导致该分割段所对应的偏差值过大,而实际上该设备可能在充电阶段和放电阶段均是正常工作的,这也正是传统数据分析的劣势之一。
在本实施例中,当分割段所存储的采集数据的数量等于预设数量,该分割段所对应的偏差值超过预设阈值;当分割段所存储的采集数据的数量超过预设数量,该分割段所对应的偏差值小于或等于预设阈值。
将预设数量作为分割段的最小数据长度。当分割段所对应的偏差值控制在预设阈值内时,继续增长该分割段的数据长度。在分割段所对应的偏差值超过预设阈值前,分割段的数据长度越长,则表明分割段所存储的采集数据之间的变化趋势是稳定的。
一旦分割段在新增数据后,其对应的偏差值由小于或等于预设阈值变成超过预设阈值,那么就说明新增数据与分割段的原先数据之间的变化巨大,新增数据并不适合加入到该分割段中,而是应该作为新的分割段。假如新的分割段同样无法与其他数据组合,即组合后的分割段所对应的偏差值超过预设阈值,那么该分割段就以最小数据长度被保留下来。
具体的,将历史数据流按照采集时间的先后分割成多个分割段,参见图2,包括以下步骤:
S210、长度为第一数值的窗口从历史数据流的起始点以长度为第二数值的步长滑动并依次截取出临时数据段,其中,第一数值和第二数值均为预设数量。
窗口的长度和窗口滑动的步长一致,能够使得从历史数据流中截取出来的每段临时数据段之间不存在重叠部分,且相邻临时数据段之间也不存在遗漏的数据。
S220、每当生成一个临时数据段,对该临时数据段进行拟合以获取对应的拟合曲线,并计算该临时数据段中所有采集数据与对应拟合曲线之间的偏差值,判断偏差值是否超过预设的阈值。
对临时数据段进行拟合的方式是采用最小二乘法,所得到的拟合曲线是线性的直线。偏差值是临时数据段所存储的各个采集数据到拟合曲线的误差平方之和。
另外,临时数据段的生成并不单单是从历史数据流中截取出来这一种情况,后续步骤S230中根据两个临时数据段组合成一个新的临时数据段同样也属于生成一个临时数据段,因此步骤S230结束后会再次执行步骤S220。
理论上,历史数据流所存储的采集数据数量与预设数量是整数倍关系,也就是说历史数据流能够正好通过窗口滑动的方式分成多个临时数据段,但由于历史数据流在采集过程中存在数据丢失的情况,从而导致历史数据流所存储的采集数据的数量与预设数量并不是整数倍关系,导致最后一个临时数据段中的数据数量小于预设数量,那么该临时数据段可直接抛弃。
在一个实施例中,每当生成一个临时数据段,还包括以下步骤:
判断临时数据段所存储的采集数据的数量是否小于预设数量,
若临时数据段所存储的采集数据的数量小于预设数量,则删除该临时数据段。
若临时数据段所存储的采集数据的数量超过或等于预设数量,则执行对该临时数据段进行拟合以获取对应的拟合曲线这一步骤。
S230、若偏差值小于或等于预设的阈值,则获取当前临时数据段相邻且下一个的临时数据段,并将两个临时数据段组合成新的临时数据段。
将两个临时数据段组合成新的临时数据段是按照采集数据在历史数据流中的存储顺序,将两个临时数据段内所存储的采集数据重新存储到一起。
在一个实施例中,在执行步骤S230中所获取的当前临时数据段相邻且下一个临时数据段将被标记为特殊数据段,使得该特殊数据段无需再次执行步骤S220,以避免流程出错。
在另一个实施例中,每当获取临时数据段,且在对该临时数据段进行拟合以获取对应的拟合曲线之前,包括以下步骤:
判断当前的临时数据段的个数是否唯一,
若当前的临时数据段的个数唯一,则执行后续对该临时数据段进行拟合以获取对应的拟合曲线这一步骤。
若当前的临时数据段的个数超过一个,则将两个临时数据段组合成新的临时数据段。
新组成的临时数据段在生成后会再次执行判断当前的临时数据段的个数是否唯一这一步骤。
S240、若偏差值超过预设的阈值,则判断当前临时数据段所存储的采集数据的数量是否为预设数量。
当偏差值超过预设的阈值时,表明该偏差值所对应得临时数据段中的采集数据的趋势不稳定,因此对当前临时数据段所存储的采集数据的数量是否为预设数量进行判断,以判断当前临时数据段是否进行过组合,从而判断当前临时数据段是否能够进行拆分,进而判断能否将偏差值恢复到小于或等于预设的阈值。
S250、若当前临时数据段所存储的采集数据的数量为预设数量,则将该数据段作为分割段。
当前临时数据段所存储的采集数据的数量为预设数量,则表明判断当前临时数据段没有进行过组合,即当前临时数据段为最小长度的数据段,其无法通过拆分的方式还原出之前偏差值小于预设阈值时所对应的临时数据段。因此只能将该临时数据段直接作为分割段。
S260、若当前临时数据段所存储的采集数据的数量超过预设数量,则去除当前数据段中最后一次添加的数据段,再将当前数据段作为分割段。
若当前临时数据段所存储的采集数据的数量超过预设数量,说明当前临时数据段是经过组合,并且在组合前的临时数据段所对应的偏差值是小于或等于预设阈值的。
将组合后的临时数据段还原成组合前的临时数据段后,将该临时数据段作为分割段。而去除当前数据段中最后一次添加的数据段的方式就是从当前数据段从后往前删除预设数量的采集数据即可。
当然,对于分割段的生成方法并不只局限于上述的方法,还可以采用其他方式。
具体的,将历史数据流按照采集时间的先后分割成多个分割段,参见图3,包括以下步骤:
S210、按预设数量为单位长度对历史数据流中的采集数据依次进行拆分,并形成多个临时数据段。
当前步骤是一次性将整个历史数据流中的采集数据全部拆分成多个临时数据段,每个临时数据段中的采集数据的数量均为预设数量。拆分顺序同样是按照从历史数据流的起始点开始向后依次进行拆分,且若最后一个拆分出的临时数据段所存储的采集数据的数量小于预设数量,则删除最后一个临时数据段。
S220、对相邻的临时数据段进行组合以形成若干分割段。
当前步骤中的组合方法是按照各个临时数据段在历史数据流中的位置先后依次进行组合。并且当相邻的临时数据段组合成功时,组合后的临时数据段还可以再继续和其他相邻临时数据段进行组合。组合失败的两个临时数据段中,位置在前的临时数据段直接作为一个分割段,而位置在后的临时数据段则可继续参与后续临时数据段的组合。
判断是否需要组合以及组合是否成功,都是依据临时数据段对应的偏差值是否超过预设阈值来决定的。
临时数据段所对应的偏差值超过预设阈值时,不能继续组合,且若临时数据段本身是组合过的,则认为该临时数据段的组合是失败的。临时数据段所对应的偏差值小于或等于预设阈值的,则继续与相邻且位置在后的临时数据段进行组合。
S300、赋予分割段与其所存储的采集数据的数量相对应的权重。
权重的取值在0至1之间。分割段所存储的采集数据越多,所对应的权重越接近0;分割段所存储的采集数据越少,所对应的权重越接近1。
按照分割段所存储的采集数据的多少来决定相应分割段所分配的权重的大小,而具体确定权重的方式有多种。其中一种是运用公式进行计算,先计算出当前分割段的采集数据占全部分割段的采集数据之和的比例,然后再用1减去该比例所得的差即为当前分割段所对应的权重。例如,现有分割段A、B、C,分别对应的采集数据的数量为N1、N2、N3,那么分割段A的权重为1-N1/(N1+N2+N3)。
确定权重的方法还可以是根据采集数据的数量来匹配出权重,具体的,建立数据库,并在数据库中预先存储采集数据数量与权重之间的对照表,之后根据当前分段的采集数据的数量即可通过对照表匹配出相应的权重。例如,对照表中采集数据的数量N对应权重0.9,采集数据的数量2*N对应权重0.8,其中,N为预设数量。
S400、依次计算出每个分割段的统计特征以获取多个特征值,其中,所述统计特征包括均值、方差、偏态系数,同一统计特征下的所有特征值归集为该统计特征的特征集。
针对不同类型的统计特征,均预设有相应的计算公式,将分割段中的采集数据依次代入到计算公式中即可获得相应的统计特征。
S500、将统计特征进行随机组合以获取多个不同的特征组合。
将统计特征进行随机组合以获取多个不同的特征组合,是遍历统计特征的所有组合形式以获取到多个特征组合。例如,统计特征有A、B、C三种,那么组合出的特征组合有ABC、AB、BC、AC这四种。
在一个实施例中,将统计特征进行随机组合以获取多个不同的特征组合之前,还包括以下步骤:
依次判断特征集中的特征值是否存在趋势性,若任意一个特征集中的特征值存在趋势性,则将统计特征进行随机组合以获取多个不同的特征组合。
若所有特征集中的特征值均不存在趋势性,则认为数据平稳无趋势,反馈无异常征兆,且不再执行后续步骤。
另外,步骤S300可以放置到步骤S500后执行,一旦所有特征集均不存在趋势性,那么也可以不再匹配权重,进一步减少运算量。
至于如何判断特征集是否存在趋势性,则是通过Mann-Kendall趋势检验法来实现的。
例如,若通过Mann-Kendall趋势检验法先对平均数这一统计特征所对应的特征集中的所有特征值进行检验,若结果是认为具有趋势性,那么无需再检验方差、偏态系数等其他统计特征所对应的特征值是否具有趋势性,直接可执行步骤S500。
S600、根据同一分割段所对应的特征值与权重计算出加权值。
假设在步骤S400中计算出的特征值为N,权重为W,那么加权值为N*W。
S700、将每个特征组合所对应的加权值进行拟合,并获取相应的全局拟合误差。
拟合方式是通过使用网格搜索算法将步骤S500中的特征组合所对应的加权值依次代入到GAMLSS模型的线性变量中计算GAMLSS模型的误差,并将该误差作为全局拟合误差。
S800、将所有特征组合的全局拟合误差按大小进行排序,以全局拟合误差从小到大的顺序选取若干对应的特征组合并输出。
依据AIC准则,全局拟合误差越小,则对应的特征组合所表征的长周期数据趋势异常越明显,因此将全局拟合误差从小到大进行排序后,将对应排名靠前的特征组合输出,即可提示工作人员提前对相应的设备进行维护,降低明显异常的发生。
本申请还提供一种储能系统的异常监测系统,包括:
数据获取模块,用于获取历史数据流。
数据分割模块,将历史数据流按照采集时间的先后分割成多个分割段,。
赋权模块,用于赋予分割段与其所存储的采集数据的数量相对应的权重。
特征计算模块,用于依次计算出每个分割段的统计特征以获取多个特征值。
趋势判断模块,用于依次判断特征集是否存在趋势性,若任意一个特征集存在趋势性,则将统计特征进行随机组合以获取多个不同的特征组合。
加权模块,用于根据同一分割段所对应的特征值与权重计算出加权值;。
拟合模块,用于将每个特征组合所对应的加权值进行拟合,并获取相应的全局拟合误差。
输出模块,用于将所有特征组合的全局拟合误差按大小进行排序,以全局拟合误差从小到大的顺序选取若干对应的特征组合并输出。
本申请还提供一种计算机可读存储介质,存储有能够被处理器加载并执行上述储能系统的异常监测方法的计算机程序。
本具体实施方式的实施例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)
1.一种储能系统的异常监测方法,其特征是,包括以下步骤:
获取历史数据流,所述历史数据流包括多个按采集时间的先后排序的采集数据;
将历史数据流按照采集时间的先后分割成多个分割段,其中,每个分割段均对应一个拟合线和一个偏差值,所述偏差值用于表征对应分割段所存储的采集数据与相应拟合线之间的偏差程度,且所述分割段所存储的采集数据的数量超过或等于预设数量,
当分割段所存储的采集数据的数量等于预设数量,该分割段所对应的偏差值超过预设阈值;当分割段所存储的采集数据的数量超过预设数量,该分割段所对应的偏差值小于或等于预设阈值;
赋予分割段与其所存储的采集数据的数量相对应的权重;
依次计算出每个分割段的统计特征以获取多个特征值,其中,所述统计特征包括均值、方差、偏态系数,同一统计特征下的所有特征值归集为该统计特征的特征集;
将统计特征进行随机组合以获取多个不同的特征组合;
根据同一分割段所对应的特征值与权重计算出加权值;
将每个特征组合所对应的加权值进行拟合,并获取相应的全局拟合误差;
将所有特征组合的全局拟合误差按大小进行排序,以全局拟合误差从小到大的顺序选取若干对应的特征组合并输出。
2.根据权利要求1所述的储能系统的异常监测方法,其特征是,将统计特征进行随机组合以获取多个不同的特征组合之前,还包括以下步骤:
判断各个特征集中的特征值是否存在趋势性,
若任意一个特征集中的特征值存在趋势性,则将统计特征进行随机组合以获取多个不同的特征组合;
若所有特征集中的特征值均不存在趋势性,则不进行随机组合。
3.根据权利要求1所述的储能系统的异常监测方法,其特征是,将历史数据流按照采集时间的先后分割成多个分割段,包括以下步骤:
长度为第一数值的窗口从历史数据流的起始点以长度为第二数值的步长滑动并依次截取出临时数据段,其中,第一数值和第二数值均为预设数量;
每当生成一个临时数据段,对该临时数据段进行拟合以获取对应的拟合曲线,并计算该临时数据段中所有采集数据与对应拟合曲线之间的偏差值,判断偏差值是否超过预设的阈值;
若偏差值小于或等于预设的阈值,则获取当前临时数据段相邻且下一个的临时数据段,并将两个临时数据段组合成新的临时数据段;
若偏差值超过预设的阈值,则判断当前临时数据段所存储的采集数据的数量是否为预设数量;
若当前临时数据段所存储的采集数据的数量为预设数量,则将该数据段作为分割段;
若当前临时数据段所存储的采集数据的数量超过预设数量,则去除当前数据段中最后一次添加的数据段,再将当前数据段作为分割段。
4.根据权利要求3所述的储能系统的异常监测方法,其特征是,每当生成一个临时数据段,还包括以下步骤:
判断临时数据段所存储的采集数据的数量是否小于预设数量,
若临时数据段所存储的采集数据的数量小于预设数量,则删除该临时数据段;
若临时数据段所存储的采集数据的数量超过或等于预设数量,则对该临时数据段进行拟合以获取对应的拟合曲线。
5.根据权利要求3所述的储能系统的异常监测方法,其特征是,每当获取临时数据段,且在对该临时数据段进行拟合以获取对应的拟合曲线之前,包括以下步骤:
判断当前的临时数据段的个数是否唯一,
若当前的临时数据段的个数唯一,则执行后续对该临时数据段进行拟合以获取对应的拟合曲线这一步骤;
若当前的临时数据段的个数超过一个,则将两个临时数据段组合成新的临时数据段。
6.根据权利要求1所述的储能系统的异常监测方法,其特征是,将历史数据流按照采集时间的先后分割成多个分割段,包括以下步骤:
按预设数量为单位长度对历史数据流中的采集数据依次进行拆分,并形成多个临时数据段;
对相邻的临时数据段进行组合以形成若干分割段。
7.根据权利要求1所述的储能系统的异常监测方法,其特征是,赋予分割段与其所存储的采集数据的数量相对应的权重,包括以下步骤:计算出当前分割段的采集数据占全部分割段的采集数据之和的比例,用1与该比例相减所得的差即为当前分割段所对应的权重,并将权重赋予对应的分割段。
8.根据权利要求1所述的储能系统的异常监测方法,其特征是,赋予分割段与其所存储的采集数据的数量相对应的权重,包括以下步骤:根据采集数据的数量从数据库中预设的对照表匹配出对应的权重,并将权重赋予对应的分割段。
9.一种储能系统的异常监测系统,其特征是,包括:
数据获取模块,用于获取历史数据流;
数据分割模块,将历史数据流按照采集时间的先后分割成多个分割段,
赋权模块,用于赋予分割段与其所存储的采集数据的数量相对应的权重;
特征计算模块,用于依次计算出每个分割段的统计特征以获取多个特征值;
趋势判断模块,用于依次判断特征集中的特征值之间是否存在趋势性,若任意一个特征集中的特征值存在趋势性,则将统计特征进行随机组合以获取多个不同的特征组合;
加权模块,用于根据同一分割段所对应的特征值与权重计算出加权值;
拟合模块,用于将每个特征组合所对应的加权值进行拟合,并获取相应的全局拟合误差;
输出模块,用于将所有特征组合的全局拟合误差按大小进行排序,以全局拟合误差从小到大的顺序选取若干对应的特征组合并输出。
10.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至8中任一种方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210318186.XA CN114693110B (zh) | 2022-03-29 | 2022-03-29 | 一种储能系统的异常监测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210318186.XA CN114693110B (zh) | 2022-03-29 | 2022-03-29 | 一种储能系统的异常监测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693110A true CN114693110A (zh) | 2022-07-01 |
CN114693110B CN114693110B (zh) | 2023-07-04 |
Family
ID=82141854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210318186.XA Active CN114693110B (zh) | 2022-03-29 | 2022-03-29 | 一种储能系统的异常监测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693110B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115219067A (zh) * | 2022-09-20 | 2022-10-21 | 金乡县成启仓储服务有限公司 | 一种用于大蒜仓储实时状态监测方法 |
CN115328724A (zh) * | 2022-07-18 | 2022-11-11 | 华中科技大学同济医学院附属协和医院 | 一种基于大数据平台的监测方法和系统 |
CN116204939A (zh) * | 2023-05-05 | 2023-06-02 | 无锡锡简科技有限公司 | 一种工业设计流程的生成方法、系统及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
CN107742053A (zh) * | 2017-11-28 | 2018-02-27 | 国华(河北)新能源有限公司 | 风电机组异常识别方法及装置 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN110298767A (zh) * | 2019-05-29 | 2019-10-01 | 山东科技大学 | 一种火力发电厂时间序列变量异常监测方法及系统 |
CN110728458A (zh) * | 2019-10-18 | 2020-01-24 | 支付宝(杭州)信息技术有限公司 | 一种目标对象的风险监测方法、装置及电子设备 |
CN111797889A (zh) * | 2020-05-18 | 2020-10-20 | 山东科技大学 | 基于分段线性表示的单变量报警系统性能评价方法及系统 |
CN112766556A (zh) * | 2021-01-13 | 2021-05-07 | 北京交通大学 | 基于贝叶斯信息准则的铁路轨道历史维修自动识别方法 |
CN112800686A (zh) * | 2021-03-29 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种变压器dga在线监测数据异常模式判定方法 |
US11157348B1 (en) * | 2020-04-30 | 2021-10-26 | International Business Machines Corporation | Cognitive control of runtime resource monitoring scope |
CN113570000A (zh) * | 2021-09-08 | 2021-10-29 | 南开大学 | 一种基于多模型融合的海洋单要素观测质量控制方法 |
-
2022
- 2022-03-29 CN CN202210318186.XA patent/CN114693110B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631596A (zh) * | 2015-12-29 | 2016-06-01 | 山东鲁能软件技术有限公司 | 一种基于多维分段拟合的设备故障诊断方法 |
CN107742053A (zh) * | 2017-11-28 | 2018-02-27 | 国华(河北)新能源有限公司 | 风电机组异常识别方法及装置 |
CN109614576A (zh) * | 2018-12-11 | 2019-04-12 | 福建工程学院 | 基于多维高斯分布与趋势分段的变压器异常检测方法 |
CN110298767A (zh) * | 2019-05-29 | 2019-10-01 | 山东科技大学 | 一种火力发电厂时间序列变量异常监测方法及系统 |
CN110728458A (zh) * | 2019-10-18 | 2020-01-24 | 支付宝(杭州)信息技术有限公司 | 一种目标对象的风险监测方法、装置及电子设备 |
US11157348B1 (en) * | 2020-04-30 | 2021-10-26 | International Business Machines Corporation | Cognitive control of runtime resource monitoring scope |
CN111797889A (zh) * | 2020-05-18 | 2020-10-20 | 山东科技大学 | 基于分段线性表示的单变量报警系统性能评价方法及系统 |
CN112766556A (zh) * | 2021-01-13 | 2021-05-07 | 北京交通大学 | 基于贝叶斯信息准则的铁路轨道历史维修自动识别方法 |
CN112800686A (zh) * | 2021-03-29 | 2021-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种变压器dga在线监测数据异常模式判定方法 |
CN113570000A (zh) * | 2021-09-08 | 2021-10-29 | 南开大学 | 一种基于多模型融合的海洋单要素观测质量控制方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115328724A (zh) * | 2022-07-18 | 2022-11-11 | 华中科技大学同济医学院附属协和医院 | 一种基于大数据平台的监测方法和系统 |
CN115219067A (zh) * | 2022-09-20 | 2022-10-21 | 金乡县成启仓储服务有限公司 | 一种用于大蒜仓储实时状态监测方法 |
CN115219067B (zh) * | 2022-09-20 | 2023-01-03 | 金乡县成启仓储服务有限公司 | 一种用于大蒜仓储实时状态监测方法 |
CN116204939A (zh) * | 2023-05-05 | 2023-06-02 | 无锡锡简科技有限公司 | 一种工业设计流程的生成方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114693110B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114693110A (zh) | 一种储能系统的异常监测方法、系统及存储介质 | |
US20040216004A1 (en) | Fault diagnosis | |
CN108241790B (zh) | 基于恒加试验数据的Weibull型产品可靠性估计方法 | |
JP2009080612A (ja) | 分布の評価方法、製品の製造方法、分布の評価プログラム及び分布の評価システム | |
EP1338936B1 (en) | Fault diagnosis | |
CN111025041A (zh) | 电动汽车充电桩监测方法及其系统、计算机设备、介质 | |
CN116167749B (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
JP2016537702A (ja) | システムから取得される測定値を評価する方法及びシステム | |
CN110928265B (zh) | 数据处理方法、装置与系统、以及计算器可读取记录介质 | |
CN117849700B (zh) | 可控制测量的模块化电能计量系统 | |
CN114356900A (zh) | 一种电力数据异常检测方法、装置、设备及介质 | |
CN117909864A (zh) | 一种电力故障预测系统及方法 | |
CN116886329A (zh) | 一种面向工控系统安全的量化指标优化方法 | |
CN115422263B (zh) | 一种电力现场多功能通用型故障分析方法及系统 | |
JP7188950B2 (ja) | データ処理方法およびデータ処理プログラム | |
JP6625839B2 (ja) | 負荷実績データ判別装置、負荷予測装置、負荷実績データ判別方法及び負荷予測方法 | |
CN113434823B (zh) | 数据采集任务异常预警方法、装置、计算机设备和介质 | |
CN114386510A (zh) | 一种电力系统量测错误辨识方法及系统 | |
CN109960778B (zh) | 计算风电场理论功率的方法和装置 | |
KR20000046433A (ko) | 항공기의 기체 수명 관리를 위한 비행 데이터분석방법 | |
CN114416410A (zh) | 一种异常分析方法、设备和计算机可读存储介质 | |
Booysen et al. | A practical methodology for the systematic identification of outliers | |
CN110633810B (zh) | 一种确定装备维修间隔时间的方法、系统及电子设备 | |
CN113887990A (zh) | 电气设备维修决策优化方法 | |
CN110472872B (zh) | 考虑风险临界性的关键质量特性解耦分析方法 |
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 |