CN115034471A - 一种储能故障预测方法及其装置 - Google Patents
一种储能故障预测方法及其装置 Download PDFInfo
- Publication number
- CN115034471A CN115034471A CN202210644223.6A CN202210644223A CN115034471A CN 115034471 A CN115034471 A CN 115034471A CN 202210644223 A CN202210644223 A CN 202210644223A CN 115034471 A CN115034471 A CN 115034471A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample data
- algorithm
- data
- energy storage
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种储能故障预测方法及装置,该方法包括:将样本数据分为正样本数据和负样本数据;对所述正样本数据进行分类,采用OVO‑SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器;采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器;将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率。本申请通过正负样本双向建模,提高了预测未来一段时间内系统运行的故障率和预测未来一段时间内系统运行的故障类型和其对应的发生概率的准确率。
Description
技术领域
本申请请求保护一种数据处理技术,尤其涉及一种储能故障预测方法。本申请还涉及一种储能故障预测装置。
背景技术
储能技术作为电网智能化的一个重要方面,它的安全、可靠运行关系到电网调峰、调频能力,同时也是电池储能设备自身安全的前提。
现有技术中,通常以下列方式实现对储能电站的安全监测:
1、在储能电站的内部设置多种火灾或者烟感传感器来监控储能电站的运行情况;
2、对储能系统的异常监测通过电池管理系统(BMS)、双向储能变流器(PCS)。
但是,储能电站的安全监测系统功能单一,仅具有故障告警和监控功能,难以捕捉到检测变量在未来一段时间内的变化异常,不能提前预判故障的发生,不能保证第一时间发现故障,使得储能电站在运行过程中仍有极大的安全隐患。
因此,针对以上问题,急需提出一种储能故障预测的方法,实现对储能电站运行状态进行预估,将储能系统安全隐患扼杀在萌芽状态。
发明内容
为了解决上述背景技术中指出的一个或者多个问题,本申请提出一种储能故障预测方法。本申请还涉及一种储能故障预测装置。
本申请提供一种储能故障预测方法,包括:
获取样本数据,将所述样本数据分为正样本数据和负样本数据;
对所述正样本数据进行分类,采用OVO-SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器;
采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器;
将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率。
可选的,所述采用OVO-SVM分类决策将任意两个类别两两组合,所述两个类别的分类函数如下:
可选的,所述故障种类分类器训练陷入局部收敛后,通过仿生智能算法优化,所述仿生智能算法包括:粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于上述算法的改进算法。
可选的,所述正样本数具有多个特征集,每个特征集包括:电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率和负载频率。
可选的,所述输出预测故障类型和预测故障概率的步骤包括:
统计正样本特征数量后计算故障率;
统计负样本特征类型数量后计算每个类型的故障概率,基于每个类型的标签获取故障类型。
本申请提供一种储能故障预测装置,包括:
分割模块,用于获取样本数据,将所述样本数据分为正样本数据和负样本数据;
第一训练模块,对所述正样本数据进行分类,采用OVO-SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器;
第二训练模块,用于采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器;
执行模块,用于将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率。
可选的,所述采用OVO-SVM分类决策将任意两个类别两两组合,所述两个类别的分类函数如下:
可选的,所述故障种类分类器训练陷入局部收敛后,通过仿生智能算法优化,所述仿生智能算法包括:粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于上述算法的改进算法。
可选的,所述正样本数具有多个特征集,每个特征集包括:电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率和负载频率。
可选的,所述执行模块还包括:
第一统计单元,统计正样本特征数量后计算故障率;
第二统计单元,统计负样本特征类型数量后计算每个类型的故障概率,基于每个类型的标签获取故障类型。
本申请相较于现有技术的优点是:
本申请提供一种储能故障预测方法,包括:获取样本数据,将所述样本数据分为正样本数据和负样本数据;对所述正样本数据进行分类,采用OVO-SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器;采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器;将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率。本申请通过正负样本双向建模,从而提高了正向分类器用于预测未来一段时间内系统运行的故障率,负向分类器用于预测未来一段时间内系统运行的故障类型和其对应的发生概率。
附图说明
图1是本申请中储能故障预测流程图。
图2是本申请中故障预测系统图。
图3是本申请中负样本训练流程图。
图4是本申请中储能故障预测装置示意图。
具体实施方式
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例,但是本申请还可以采用不同于此的描述的其他方式实施,本领域技术人员可以在本申请构思的指引下,采用不同的技术手段实现本申请,因此本申请不受下面具体实施例的限制。
本申请提供一种储能故障预测方法,包括:获取样本数据,将所述样本数据分为正样本数据和负样本数据;对所述正样本数据进行分类,采用OVO-SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器;采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器;将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率。本申请通过正负样本双向建模,从而提高了正向分类器用于预测未来一段时间内系统运行的故障率,负向分类器用于预测未来一段时间内系统运行的故障类型和其对应的发生概率。
图1是本申请中储能故障预测流程图。
请参照图1所示,S101获取样本数据,将所述样本数据分为正样本数据和负样本数据。
所示样本数据是指储能系统的运行数据,具体包括:BMS(管理系统)的电池总电压、电池总电流、SOC(系统参数)、压差、温差,PCS(过程控制)的三相电压、三相电流、三相负载率、直流电压、直流电流、直流功率、电网频率和负载频率。
获取所述样本数据,将所述样本数据分为正样本数据和负样本数据。
图2是本申请中故障预测系统图。
请参照图2所示,在储能系统开始时,采集样本数据并将所述样本数据存存储起来。在系统初始化时,对样本进行预处理,包括:通过数据库建立样本数据表,其中正样本表定义为Pos-sample,正样本库定义为Positive,负样本表定义为Neg-sample,负样本库定义为Negative,测试样本定义为Sample。
在储能系统开始运行,进行与PCS、BMS、MPPT(功率跟踪系统)、风机控制器、环控设备等通信,完成数据的采集以及处理。系统实时监视告警标志位的变化情况,当告警标志位为0,此时系统无告警时,样本以10min/次的频率存储到Pos-sample表格中;当告警标志位为1,此时系统有告警时,样本以10s/次的频率存储到Neg-sample的表格中,且表格的第二列为告警详情。
统计Neg-sample表中不同告警信息第一次发生告警的时间,形成时间数组;将时间数组作为筛选条件筛选Pos-sample表中每次发生告警前2个小时的数据。
其中不同告警间隔时间大于6个小时,那么将删除Pos-sample表中筛选出来的2个小时的数据且将这些数据插入到Neg-sample中;如果间隔时间小于2个小时,那么直接筛选出来复制插入到Neg-sample此条告警时间前且不用删除Pos-sample中的数据。
将Neg-sample所有数据复制到Negative中,将Pos-sample所有数据复制到Positive,然后清空Neg-sample和Pos-sample,回到初始化状态。Positive中为正样本库,Negative中为负样本库。
请参照图1以及图2所示,S102对所述正样本数据进行分类,采用OVO-SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器。
本申请中,对于正样本库中的数据,抽取出来后进行分类处理,优选所述分类的类别为:放电、充电和静置三个类别。
以所述正样本特征集中的数据作为样本数据训练SVM(向量机)模型,其中每个特征集中包含BMS的电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率、负载频率等数据的20个值作为备选特征。
本申请中,所述训练SVM过程中,采用OVO-SVM分类决策对数据关联性进行描述,包括:
将每两个所述类别进行组合,其中的组合次数,即最终形成的组合个数的表达式如下:
其中,所述C表示组合次数或者个数,所述S表示类别。同时,所述C也是所述OVO-SVM分类决策的分类器个数。
训练SVM模型的过程如下:
步骤1,将两个分类器的关联函数表达如下:
在本申请中,所述训练过程中可能出现的问题包括局部收敛,当局部收敛出现时,优选的,采用粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于以上算法的改进优化算法对所述关联函数优化。
请参照图1以及图2所示,S103采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器。
本申请中,对于负样本库的处理中,首先采用数据库语言对Negative表进行统计发送故障的类型,并根据所述类型生成故障标签。
其次,根据所述类型或者标签对负样本库中的数据进行优化,删除重复冗余的数据,最后基于优化后的负样本库进行模型训练。
图3是本申请中负样本训练流程图。
请参照图3所示,将负样本集(故障特征样本集)组成训练样本集,并进行如下步骤:
步骤5,统计得票最高的输出。
请参照图1以及图2所示,S104将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率。
在本申请中,优选的,将所述预设数量设置为:提取Sample表格中近1000条数据,然后随机抽取60%作为测试集。
本申请还提供一种储能故障预测装置,包括:分割模块301、第一训练模块302、第二训练模块303、执行模块304。
图4是本申请中储能故障预测装置示意图。
请参照图4所示,分割模块401,用于获取样本数据,将所述样本数据分为正样本数据和负样本数据。
所示样本数据是指储能系统的运行数据,具体包括:BMS(管理系统)的电池总电压、电池总电流、SOC(系统参数)、压差、温差,PCS(过程控制)的三相电压、三相电流、三相负载率、直流电压、直流电流、直流功率、电网频率和负载频率。
获取所述样本数据,将所述样本数据分为正样本数据和负样本数据。
请参照图2所示,在储能系统开始时,采集样本数据并将所述样本数据存存储起来。在系统初始化时,对样本进行预处理,包括:通过数据库建立样本数据表,其中正样本表定义为Pos-sample,正样本库定义为Positive,负样本表定义为Neg-sample,负样本库定义为Negative,测试样本定义为Sample。
在储能系统开始运行,进行与PCS、BMS、MPPT(功率跟踪系统)、风机控制器、环控设备等通信,完成数据的采集以及处理。系统实时监视告警标志位的变化情况,当告警标志位为0,此时系统无告警时,样本以10min/次的频率存储到Pos-sample表格中;当告警标志位为1,此时系统有告警时,样本以10s/次的频率存储到Neg-sample的表格中,且表格的第二列为告警详情。
统计Neg-sample表中不同告警信息第一次发生告警的时间,形成时间数组;将时间数组作为筛选条件筛选Pos-sample表中每次发生告警前2个小时的数据。
其中不同告警间隔时间大于6个小时,那么将删除Pos-sample表中筛选出来的2个小时的数据且将这些数据插入到Neg-sample中;如果间隔时间小于2个小时,那么直接筛选出来复制插入到Neg-sample此条告警时间前且不用删除Pos-sample中的数据。
将Neg-sample所有数据复制到Negative中,将Pos-sample所有数据复制到Positive,然后清空Neg-sample和Pos-sample,回到初始化状态。Positive中为正样本库,Negative中为负样本库。
请参照图4所示,第一训练模块402,对所述正样本数据进行分类,采用OVO-SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器。
本申请中,对于正样本库中的数据,抽取出来后进行分类处理,优选所述分类的类别为:放电、充电和静置三个类别。
以所述正样本特征集中的数据作为样本数据训练SVM(向量机)模型,其中每个特征集中包含BMS的电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率、负载频率等数据的20个值作为备选特征。
本申请中,所述训练SVM过程中,采用OVO-SVM分类决策对数据关联性进行描述,包括:
将每两个所述类别进行组合,其中的组合次数,即最终形成的组合个数的表达式如下:
其中,所述C表示组合次数或者个数,所述S表示类别。同时,所述C也是所述OVO-SVM分类决策的分类器个数。
训练SVM模型的过程如下:
步骤1,将两个分类器的关联函数表达如下:
在本申请中,所述训练过程中可能出现的问题包括局部收敛,当局部收敛出现时,优选的,采用粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于以上算法的改进优化算法对所述关联函数优化。
请参照图4所示,第二训练模块403,用于采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器。
本申请中,对于负样本库的处理中,首先采用数据库语言对Negative表进行统计发送故障的类型,并根据所述类型生成故障标签。
其次,根据所述类型或者标签对负样本库中的数据进行优化,删除重复冗余的数据,最后基于优化后的负样本库进行模型训练。
图3是本申请中负样本训练流程图。
请参照图3所示,将负样本集(故障特征样本集)组成训练样本集,并进行如下步骤:
步骤5,统计得票最高的输出。
请参照图4所示,执行模块404,用于将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率。
在本申请中,优选的,将所述预设数量设置为:提取Sample表格中近1000条数据,然后随机抽取60%作为测试集。
Claims (10)
1.一种储能故障预测方法,其特征在于,包括:
获取样本数据,将所述样本数据分为正样本数据和负样本数据;
对所述正样本数据进行分类,采用OVO-SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器;
采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器;
将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率;
其中,所述样本数据是指储能系统的运行数据,具体包括:BMS(管理系统)的电池总电压、电池总电流、SOC(系统参数)、压差、温差,PCS(过程控制)的三相电压、三相电流、三相负载率、直流电压、直流电流、直流功率、电网频率和负载频率。
3.根据权利要求2所述储能故障预测方法,其特征在于,所述故障种类分类器训练陷入局部收敛后,通过仿生智能算法优化,所述仿生智能算法包括:粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于上述算法的改进算法。
4.根据权利要求1所述储能故障预测方法,其特征在于,所述正样本数具有多个特征集,每个特征集包括:电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率和负载频率。
5.根据权利要求1所述储能故障预测方法,其特征在于,所述输出预测故障类型和预测故障概率的步骤包括:
统计正样本特征数量后计算故障率;
统计负样本特征类型数量后计算每个类型的故障概率,基于每个类型的标签获取故障类型。
6.一种储能故障预测装置,其特征在于,包括:
分割模块,用于获取样本数据,将所述样本数据分为正样本数据和负样本数据;
第一训练模块,对所述正样本数据进行分类,采用OVO-SVM分类决策将任意两个类别两两组合,然后输入所述正样本数据训练SVM模型,生成故障概率分类器;
第二训练模块,用于采用数据库语言对所述负样本数据统计获得故障种类,基于所述故障种类对数据进行过滤后,利用随机森林算法进行所述负样本数据的训练,生成故障种类分类器;
执行模块,用于将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器,输出预测故障类型和预测故障概率。
8.根据权利要求7所述储能故障预测装置,其特征在于,所述故障种类分类器训练陷入局部收敛后,通过仿生智能算法优化,所述仿生智能算法包括:粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于上述算法的改进算法。
9.根据权利要求6所述储能故障预测装置,其特征在于,所述正样本数具有多个特征集,每个特征集包括:电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率和负载频率。
10.根据权利要求6所述储能故障预测装置,其特征在于,所述执行模块还包括:
第一统计单元,统计正样本特征数量后计算故障率;
第二统计单元,统计负样本特征类型数量后计算每个类型的故障概率,基于每个类型的标签获取故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210644223.6A CN115034471A (zh) | 2022-06-09 | 2022-06-09 | 一种储能故障预测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210644223.6A CN115034471A (zh) | 2022-06-09 | 2022-06-09 | 一种储能故障预测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034471A true CN115034471A (zh) | 2022-09-09 |
Family
ID=83123548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210644223.6A Pending CN115034471A (zh) | 2022-06-09 | 2022-06-09 | 一种储能故障预测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115034471A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024073932A1 (zh) * | 2022-10-08 | 2024-04-11 | 深圳先进技术研究院 | 储能系统故障检测方法、装置及智能终端 |
-
2022
- 2022-06-09 CN CN202210644223.6A patent/CN115034471A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024073932A1 (zh) * | 2022-10-08 | 2024-04-11 | 深圳先进技术研究院 | 储能系统故障检测方法、装置及智能终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Eads et al. | Genetic algorithms and support vector machines for time series classification | |
CN108734402B (zh) | 基于虚拟案例的非常规突发事件应急管理决策方法及系统 | |
CN104050361A (zh) | 一种监狱服刑人员危险性倾向的智能分析预警方法 | |
CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
Anil et al. | A hybrid method based on genetic algorithm, self-organised feature map, and support vector machine for better network anomaly detection | |
CN112710956B (zh) | 一种基于专家系统的电池管理系统故障检测系统及方法 | |
Catal et al. | Software fault prediction with object-oriented metrics based artificial immune recognition system | |
CN115034471A (zh) | 一种储能故障预测方法及其装置 | |
CN115372828A (zh) | 基于充电片段数据和无监督算法的电芯一致性评估方法 | |
Promper et al. | Anomaly detection in smart grids with imbalanced data methods | |
CN111881159A (zh) | 一种基于代价敏感极端随机森林的故障检测方法及装置 | |
CN116112283A (zh) | 一种基于cnn-lstm的电力系统网络安全态势预测方法及系统 | |
CN116956148A (zh) | 一种电力系统数据交互安全威胁信息分析方法 | |
CN116865994A (zh) | 一种基于大数据的网络数据安全预测方法 | |
CN115688097A (zh) | 一种基于改进遗传算法特征选择的工控系统入侵检测方法 | |
Kaur et al. | Multidimensional attacks classification based on genetic algorithm and SVM | |
CN115508713A (zh) | 一种电池系统安全预警方法、装置、存储介质及设备 | |
Nagolu et al. | Real-Time Forest Fire Detection Using IoT and Smart Sensors | |
Zhou et al. | Application of support vector machine and genetic algorithm to network intrusion detection | |
Norwawi et al. | Recognition decision-making model using temporal data mining technique | |
Rawat et al. | Boosting classifiers for intrusion detection | |
Arivardhini et al. | A Hybrid Classifier Approach for Network Intrusion Detection | |
Mughaid et al. | Enhancing cybersecurity in scada iot systems: A novel machine learning-based approach for man-in-the-middle attack detection | |
CN117523499B (zh) | 基于北斗定位与感知的森林防火监测方法及系统 |
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 |