CN115955251B - 一种基于大数据应用的可再生能源智慧管理方法及系统 - Google Patents
一种基于大数据应用的可再生能源智慧管理方法及系统 Download PDFInfo
- Publication number
- CN115955251B CN115955251B CN202310243636.8A CN202310243636A CN115955251B CN 115955251 B CN115955251 B CN 115955251B CN 202310243636 A CN202310243636 A CN 202310243636A CN 115955251 B CN115955251 B CN 115955251B
- Authority
- CN
- China
- Prior art keywords
- turning
- curve
- points
- data
- turning point
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 23
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 230000001932 seasonal effect Effects 0.000 claims description 45
- 238000007906 compression Methods 0.000 claims description 26
- 230000006835 compression Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 25
- 230000000737 periodic effect Effects 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000013144 data compression Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 abstract description 16
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000000354 decomposition reaction Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据传输领域,具体涉及一种基于大数据应用的可再生能源智慧管理方法及系统,包括:得到能源电数据曲线的第一趋势曲线和周期曲线,依次获得一级转折点及其一级转折点的转折率、二级转折点及其二级转折点的转折率、三级转折点及其三级转折点的转折率;进一步获得所有转折点的重要性,根据所有转折点的重要性进行采样获得最终转折点,根据最终转折点对能源电数据曲线进行压缩传输。本发明通过最大限度的保留数据的整体变化趋势和局部变化趋势,保证压缩后的数据不会损失重要特征,有助于后续的分析决策。
Description
技术领域
本发明涉及数据传输领域,具体涉及一种基于大数据应用的可再生能源智慧管理方法及系统。
背景技术
现有的可再生能源的大数据进行传输压缩时,由于数据量过大,常规压缩方法难以得到较好的压缩效率,而转折点压缩可以保持数据的趋势性,但压缩率太小,传输时间过长。基于此,本专利提出了一种基于大数据应用的可再生能源智慧管理方法及系统,通过对传统的转折点压缩算法进行改进,计算每个转折点的重要性,根据重要性对每个转折点附近的数据进行不同程度的采样,压缩后的数据可以最大程度的保持原本数据的变化趋势的同时,大大提高了压缩效率,有助于后续的决策分析。
发明内容
本发明提供一种基于大数据应用的可再生能源智慧管理方法及系统,以解决现有的问题。
本发明的一种基于大数据应用的可再生能源智慧管理方法及系统采用如下技术方案:
一方面,本发明实施例提供了一种基于大数据应用的可再生能源智慧管理方法,该方法包括以下步骤:
采集若干时刻的能源电数据得到能源电数据曲线,对能源电数据曲线进行分解获得第一趋势曲线和周期曲线;
对第一趋势曲线进行转折点提取操作,获得一级转折点以及一级转折点的转折率,包括:
将第一趋势曲线的最终拟合直线的斜率作为趋势值,获得第一趋势曲线上所有原始转折点,根据趋势值计算相邻原始转折点的差值率,根据所有相邻原始转折点的差值率得到所有一级转折点以及一级转折点的转折率;
获得周期曲线的划分长度,利用划分长度将周期曲线划分成多个曲线段;根据相邻曲线段的相关性得到多个季节周期曲线;
对每个季节周期曲线进行分解得到第二趋势曲线,对第二趋势曲线进行转折点提取操作获得所有二级转折点以及二级转折点的转折率,对每个曲线段进行分解得到第三趋势曲线,对第三趋势曲线进行转折点提取操作获得所有三级转折点以及三级转折点的转折率;
设置一级转折点的初始权重,根据季节周期曲线上数据点的数量获得二级转折点的初始权重,根据曲线段上数据点的数量获得三级转折点的初始权重,根据各级转折点的初始权重与各个转折点的转折率获得各个转折点的重要性;
根据每个转折点的重要性获得每个转折点的采样结果,所有转折点的采样结果作为最终转折点,根据最终转折点对能源电数据曲线进行压缩传输。
进一步地,所述第一趋势曲线的最终拟合直线的获取方法为:
A.在第一趋势曲线上随机选取两个数据点作为一个数据点对,根据数据点对确定直线方程;
B.分别计算第一趋势曲线上所有数据点到直线的距离,所有距离的和记为所述直线的第一距离;
C.重复A和B,直到所有数据点对被选择过,选取最小第一距离对应的直线为最终拟合的直线。
进一步地,所述根据趋势值计算相邻原始转折点的差值率,具体方法包括:
其中,a表示相邻原始转折点所在直线的斜率,k1表示趋势值,c表示相邻原始转折点的差值率,表示取最大值函数。
进一步地,所述根据所有相邻原始转折点的差值率得到所有一级转折点以及一级转折点的转折率,具体方法包括:
将差值率小于第一预设阈值的相邻原始转折点进行保留,将保留的所有相邻原始转折点称为一级转折点,将差值率作为保留的每对相邻原始转折点中每个原始转折点的转折率。
进一步地,所述获得周期曲线的划分长度,具体方法包括:
将周期曲线通过傅里叶变换转换到频率域得到频谱数据,所述频谱数据表示每个频率下对应信号的幅值,计算最大幅值对应频率的倒数作为周期,将周期值作为划分长度。
进一步地,所述根据季节周期曲线上数据点的数量获得二级转折点的初始权重,根据曲线段上数据点的数量获得三级转折点的初始权重,具体方法包括:
计算季节周期曲线上数据点的数据量与能源电数据曲线中数据点的数量比值,将比值作为每个季节周期的权重,将每个季节周期的权重作为季节周期曲线中每个二级转折点的初始权重;计算每个曲线段上数据点的数据量与能源电数据曲线中数据点的数量的比值,将比值作为每个曲线段的权重,将曲线段的权重作为曲线段上对应的每个三级转折点的初始权重。
进一步地,所述根据每个转折点的重要性获得每个转折点的采样结果,具体方法包括:
设置一个基础的采样点数量值n,将每个转折点的采样数量N设置为n与每个转折点的重要性的乘积,获取与每个转折点最接近的N个转折点,作为每个转折点的采样结果。
另一方面,提供一种基于大数据应用的可再生能源智慧管理系统,该系统包括:
数据采集模块,用于采集若干时刻的能源电数据得到能源电数据曲线,对能源电数据曲线进行分解获得第一趋势曲线和周期曲线;
转折点提取模块,用于对第一趋势曲线进行转折点提取操作,获得一级转折点以及一级转折点的转折率,包括:
将第一趋势曲线的最终拟合直线的斜率作为趋势值,获得第一趋势曲线上所有原始转折点,根据趋势值计算相邻原始转折点的差值率,根据所有相邻原始转折点的差值率得到所有一级转折点以及一级转折点的转折率;
获得周期曲线的划分长度,利用划分长度将周期曲线划分成多个曲线段;根据相邻曲线段的相关性得到多个季节周期曲线;
对每个季节周期曲线进行分解得到第二趋势曲线,对第二趋势曲线进行转折点提取操作获得所有二级转折点以及二级转折点的转折率,对每个曲线段进行分解得到第三趋势曲线,对第三趋势曲线进行转折点提取操作获得所有三级转折点以及三级转折点的转折率;
数据压缩传输模块,用于设置一级转折点的初始权重,根据季节周期曲线上数据点的数量获得二级转折点的初始权重,根据曲线段上数据点的数量获得三级转折点的初始权重,根据各级转折点的初始权重与各个转折点的转折率获得各个转折点的重要性;根据每个转折点的重要性获得每个转折点的采样结果,所有转折点的采样结果作为最终转折点,根据最终转折点对能源电数据曲线进行压缩传输;
所述转折点提取模块,具体用于将差值率小于第一预设阈值的相邻原始转折点进行保留,将保留的所有相邻原始转折点称为一级转折点,将差值率作为保留的每对相邻原始转折点中每个原始转折点的转折率;
将周期曲线通过傅里叶变换转换到频率域得到频谱数据,所述频谱数据表示每个频率下对应信号的幅值,计算最大幅值对应频率的倒数作为周期,将周期值作为划分长度;
所述数据压缩传输模块,具体用于设置一个基础的采样点数量值n,将每个转折点的采样数量N设置为n与每个转折点的重要性的乘积,获取与每个转折点最接近的N个转折点,作为每个转折点的采样结果。
本发明上述技术方案至少具有如下有益效果:
通过对数据进行STL分解,将原始的转折点算法得到的转折点根据表示范围的不同划分为不同的等级,在划分等级过程中筛掉了大量的对数据的变化趋势不敏感的转折点,根据保留的转折点进行压缩,大大增加了压缩率;对不同等级赋予不同的初始权重,不同等级的转折点可以表示不同范围数据的趋势,一级转折点表示的是整体数据趋势,二级转折点表示的数据趋势范围较小,三级转折点表示的数据趋势范围最小,根据不同级别转折点,赋予不同的初始权重,结合每个转折点的转折率,即趋势表示性,得到每个转折点的重要性,通过重要性对转折点进行不同程度的采样,采样后数据可以最大限度的保留数据的整体变化趋势和局部变化趋势,保证压缩后的数据不会损失重要特征,有助于后续的分析决策。
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为本发明的一种基于大数据应用的可再生能源智慧管理方法的步骤流程图;
图2为能源电数据曲线以及第一趋势曲线和周期曲线。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于大数据应用的可再生能源智慧管理方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图1具体的说明本发明所提供的一种基于大数据应用的可再生能源智慧管理方法及系统的具体方案。
本发明提供实施例一,具体实施方法如下:
步骤S101、对可再生能源转化为的电数据进行采集得到能源电数据曲线。
可再生能源企业,例如太阳能发电企业、风能发电企业、海洋发电企业等,为了实现提高对可再生能源利用效果和可再生能源的生产与管理,需要建立一个数字化的管理系统,该系统的一个重要部分就是采集可再生能源实时的生成或转化数据,用于分析能源的转化效率和可再生能源的管理。
本实施例以采集太阳能的发电数据为例进行叙述,即在每个区域的太阳能电池组上通过功率传感器采集电池组每秒产生的电功率,即能源电数据。采集到的能源电数据需要通往网络传输到企业的数据管理系统或数据管理平台上,但是每个时刻的数据量非常大,因此在每个区域采集得到数据后需要通过压缩进行传输。本实施例的能源电数据也可采集于风能发电机组、海洋潮汐发电机组,本实施例以每一个小时内采集的能源电数据的时序序列,即能源电数据曲线进行压缩传输为例进行叙述。
步骤S102、根据能源电数据曲线进行分解获得第一趋势曲线和周期曲线,并根据第一趋势曲线获得一级转折点以及一级转折点的转折率。
需要说明的是,转折点压缩方法由于可以体现前后数据的变化趋势关系在需要对压缩后的数据进行分析决策方面常常被用到,但传统的转折点压缩方法只能实现2倍压缩,为了增大压缩率,常规的想法是对每次的压缩数据再次通过转折点压缩方法进行压缩,但该方法很容易导致一些能体现数据较大范围变化趋势的点成为被压缩的点,即该点被磨平,导致无法真实体现前后数据的变化趋势关系,基于此实施例提出了一种通过在传统的转折点的基础上,对不同的转折点进行选取,将最能表示数据变化趋势的转折点保留,根据不同转折点的重要性进行转折点压缩,一方面可以大大提高压缩效率,另一方面压缩前后数据的整体趋势不会被破坏,有助于后续的分析决策。
考虑到常见的可再生能源数据,例如:太阳能、风能、海洋能等都有一定的周期性,以太阳能为例:不同季节的太阳能强度不同,导致转化得到的电能不同,不同月份的太阳能强度也存在差异;而时间序列分解算法(STL)一方面可以计算数据趋势同时可以计算数据周期性,因此首先通过STL对数据进行分解,然后进行后续计算。
对采集得到的能源电数据曲线进行STL分解,得到趋势曲线和周期曲线,将得到的趋势曲线记为第一趋势曲线;
对第一趋势曲线进行转折点提取操作获得一级转折点以及一级转折点的转折率,具体过程为:
(1)对第一趋势曲线计算得到趋势值的过程如下:
A.在第一趋势曲线上随机选取数据中的两个数据点作为一个数据点对,根据这个数据点对确定直线方程;
B.分别计算第一趋势曲线上所有数据点到直线的距离,所有距离的和记为该直线的第一距离;
C.重复A和B,直到所有数据点对被选择过,选取最小第一距离对应的直线为最终拟合的直线;将最终拟合直线的斜率作为趋势值;
(2)利用现有的转折点压缩算法获得第一趋势曲线上的所有转折点,记为原始转折点。
对所有原始转折点,计算相邻原始转折点中,后一个原始转折点与前一个原始转折点的直线方程的斜率,将斜率与趋势值的差值率小于预设阈值th1的原始转折点进行保留,所述差值率的计算公式如下:
其中,a表示相邻两个转折点的斜率,k1表示趋势值,c表示差值率,表示取最大值函数。
差值率越小,说明相邻原始转折点所在直线斜率与趋势值越相近,即这些原始转折点可以表示数据趋势,越需要保留来体现数据的趋势性;
(3)将差值率小于th1的原始转折点进行保留,由于两个原始转折点得到一个差值率,因此满足要求的两个原始转折点都需要保留,将保留的原始转折点称之为一级转折点,将差值率作为这两个原始转折点的转折率;
本实施例以th1=0.2为例进行叙述,实施者可以根据需要自行设置。
至此,对第一趋势曲线进行转折点提取操作获得一级转折点以及一级转折点的转折率。
步骤S103、根据周期曲线获得季节周期曲线,根据季节周期曲线获得二级转折点、三级级转折点以及二级转折点的转折率、三级级转折点的转折率。
需要说明的是,以太阳能为例,以年为单位,存在年周期性,以季度为单位,也存在季度周期性,即每个季度的变化相近,这种周期关系对应到STL分解结果中的周期曲线如图2所示,第一条曲线为周期曲线,即本实施例的能源电数据曲线,第二条曲线为经过STL分解得到的第一趋势曲线,第三条曲线为STL分解得到的周期曲线,如图2中第三条曲线的所示,每个周期并非完全相同。相似的周期称之为季节周期(这里的季节周期并不是说只有四个周期类别),曲线中往往存在多个季节周期,每个季节周期表示一种变化规律。对每种变化规律的转折点进行计算得到二级转折点,二级转折点与一级转折点相比,趋势表示范围较小,一级转折点表示整体数据的趋势,二级转折点表示的是该周期规律中的数据趋势。
对周期曲线执行周期划分操作获得若干季节周期曲线,具体方法为:
将得到的周期曲线通过傅里叶变换转换到频率域得到频谱数据,频谱数据表示的是每个频率下对应信号的幅值,计算最大幅值对应频率的倒数作为周期,将该周期值作为划分长度,对周期曲线进行均等划分,得到多个长度相等的曲线段,如果周期曲线不够均等划分,那么将长度小于划分长度的曲线段删除掉;计算相邻曲线段的皮尔逊相关系数,将大于预设阈值th2的相邻曲线段作为该周期值的一个季节周期曲线,通过计算可以得到多个季节周期曲线,即一个季节周期曲线包含的所有曲线段中。任意一对相邻曲线段的皮尔逊相关系数都大于th2。如图2中第三条曲线的所示,大致可以得到两个季节周期曲线。本实施例以th2=0.8为例进行叙述。
对每个季节周期曲线通过STL分解,得到趋势线,记为第二趋势曲线,根据步骤102中方法同理,对第二趋势曲线进行转折点提取操作获得二级转折点以及二级转折点的转折率。
对于所有的季节周期曲线,得到所有的二级转折点的转折率。
需要说明的是,每个季节周期曲线中有多个相似的小周期,即上述的每个曲线段,每个小周期,如图2中第三条曲线的所示,并非完全相同,因此每个小周期的趋势也不同,为了对每个小周期的趋势进行保留,通过相同方法计算得到三级转折点,表示每个小周期的趋势。
对曲线段每个曲线段进行STL分解,得到趋势曲线,记为第三趋势曲线,对第三趋势曲线进行转折点提取操作获得三级转折点以及三级转折点的转折率,与步骤S102同理。
对于所有的曲线段,得到所有的三级转折点的转折率。
步骤S104、根据所有等级的转折点以及转折率获得每个转折点的重要性,并根据所有转折点的重要性获得最终转折点。
需要说明的是,某个转折点可能同时是两个等级转折点或三个等级转折点,例如:某个转折点同时是一级转折点和二级转折点;转折点的转折率越强,应该对该转折点周围的点进行越多的采样,使得压缩后的越重要的点,即越能表示数据趋势的点越得到更好的保留,即转折率越大,该点越大邻域范围内的点应该被保留,体现数据的趋势性。
由于存在一级转折点、二级转折点、三级转折点,且每个转折点都有转折率,由于一级转折点表示的是整体数据趋势,二级转折点表示的是季节周期的趋势,三级转折点表示的是每个小周期的趋势,因此首先赋予不同等级转折点不同的初始权重,一级转折点、二级转折点、三级转折点的初始权重的计算方法为:
由于一级转折点表示的是整体数据的趋势,因此赋予初始权重1,每个二级转折点对应一个季节周期,计算该季节周期曲线上数据点的数据量与能源电数据曲线中包含的数据点的数量比值,将比值作为每个季节周期的权重,将每个季节周期的权重作为季节周期曲线中每个二级转折点的初始权重;每个三级转折点对应一个小周期,即对应上述的一个曲线段,计算每个曲线段上数据点的数据量与能源电数据曲线中包含的数据点的数量的比值,将比值作为每个曲线段的权重,将曲线段的权重作为曲线段上对应的每个三级转折点的初始权重。当某个转折点同时是多个等级的转折点时,对应多个初始权重,将其中最大的初始权重作为该转折点的初始权重,其给转折点的等级就是最大的初始权重所对应的等级。将每个转折点的初始权重与转折率的乘积作为每个转折点的重要性。对所有转折点的重要性进行softmax归一化,保证所有转折点的重要性之和等于1。
设置一个基础的采样点数量值n,本实施例以n=200为例进行叙述,将每个转折点的采样数量N设置为n与每个转折点的重要性的乘积。获取与每个转折点最接近的N个转折点,作为每个转折点的采样结果,获得所有转折点的采样结果,将所有转折点的采样结果所包含的转折点称为最终转折点。
需要说明的是,不同转折点的采样结果之间可能包含相同的转折点,那么这些相同的转折点在最终转折点中只视为一个看待。
上述通过重要性对转折点进行不同程度的采样,采样后数据可以最大限度的保留数据的整体变化趋势和局部变化趋势,保证压缩后的数据不会损失重要特征。
步骤S105、根据最终转折点对能源电数据曲线进行压缩和传输。
现有的转折点压缩算法能够在已知转折点的情况下对数据序列进行压缩,因此本实施例根据上述获得的所有最终转折点利用转折点压缩算法对能源电数据曲线进行压缩,获得压缩后书数据,将压缩后的数据传输到可再生能源企业的数字管理系统上,数字管理系统接收到数据后进行数据分析,例如计算电能转换效率,或者根据不同区域的电数据的可用电量的变化趋势和用电量总量,结合每个区域的需求电量,进行电能的分配,例如:某个区域的可用电量在逐年下降,但需求电量在逐年上升,则需要从其它区域调用电量来满足该区域的需要,实现可再生能源的数字化管理。
本实施例提供一种基于大数据应用的可再生能源智慧管理系统,该系统包括:
数据采集模块,用于采集若干时刻的能源电数据得到能源电数据曲线,对能源电数据曲线进行分解获得第一趋势曲线和周期曲线;
转折点提取模块,用于对第一趋势曲线进行转折点提取操作,获得一级转折点以及一级转折点的转折率,包括:
将第一趋势曲线的最终拟合直线的斜率作为趋势值,获得第一趋势曲线上所有原始转折点,根据趋势值计算相邻原始转折点的差值率,根据所有相邻原始转折点的差值率得到所有一级转折点以及一级转折点的转折率;
获得周期曲线的划分长度,利用划分长度将周期曲线划分成多个曲线段;根据相邻曲线段的相关性得到多个季节周期曲线;
对每个季节周期曲线进行分解得到第二趋势曲线,对第二趋势曲线进行转折点提取操作获得所有二级转折点以及二级转折点的转折率,对每个曲线段进行分解得到第三趋势曲线,对第三趋势曲线进行转折点提取操作获得所有三级转折点以及三级转折点的转折率;
数据压缩传输模块,用于设置一级转折点的初始权重,根据季节周期曲线上数据点的数量获得二级转折点的初始权重,根据曲线段上数据点的数量获得三级转折点的初始权重,根据各级转折点的初始权重与各个转折点的转折率获得各个转折点的重要性;根据每个转折点的重要性获得每个转折点的采样结果,所有转折点的采样结果作为最终转折点,根据最终转折点对能源电数据曲线进行压缩传输;
所述转折点提取模块,具体用于将差值率小于第一预设阈值的相邻原始转折点进行保留,将保留的所有相邻原始转折点称为一级转折点,将差值率作为保留的每对相邻原始转折点中每个原始转折点的转折率;
将周期曲线通过傅里叶变换转换到频率域得到频谱数据,所述频谱数据表示每个频率下对应信号的幅值,计算最大幅值对应频率的倒数作为周期,将周期值作为划分长度;
所述数据压缩传输模块,具体用于设置一个基础的采样点数量值n,将每个转折点的采样数量N设置为n与每个转折点的重要性的乘积,获取与每个转折点最接近的N个转折点,作为每个转折点的采样结果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于大数据应用的可再生能源智慧管理方法,其特征在于,该方法包括以下步骤:
采集若干时刻的能源电数据得到能源电数据曲线,对能源电数据曲线进行分解获得第一趋势曲线和周期曲线;
对第一趋势曲线进行转折点提取操作,获得一级转折点以及一级转折点的转折率,包括:
将第一趋势曲线的最终拟合直线的斜率作为趋势值,获得第一趋势曲线上所有原始转折点,根据趋势值计算相邻原始转折点的差值率,根据所有相邻原始转折点的差值率得到所有一级转折点以及一级转折点的转折率;
获得周期曲线的划分长度,利用划分长度将周期曲线划分成多个曲线段;根据相邻曲线段的相关性得到多个季节周期曲线;
对每个季节周期曲线进行分解得到第二趋势曲线,对第二趋势曲线进行转折点提取操作获得所有二级转折点以及二级转折点的转折率,对每个曲线段进行分解得到第三趋势曲线,对第三趋势曲线进行转折点提取操作获得所有三级转折点以及三级转折点的转折率;
设置一级转折点的初始权重,根据季节周期曲线上数据点的数量获得二级转折点的初始权重,根据曲线段上数据点的数量获得三级转折点的初始权重,根据各级转折点的初始权重与各个转折点的转折率获得各个转折点的重要性;
根据每个转折点的重要性获得每个转折点的采样结果,所有转折点的采样结果作为最终转折点,根据最终转折点对能源电数据曲线进行压缩传输;
所述根据所有相邻原始转折点的差值率得到所有一级转折点以及一级转折点的转折率,具体方法包括:
将差值率小于第一预设阈值的相邻原始转折点进行保留,将保留的所有相邻原始转折点称为一级转折点,将差值率作为保留的每对相邻原始转折点中每个原始转折点的转折率;
所述获得周期曲线的划分长度,具体方法包括:
将周期曲线通过傅里叶变换转换到频率域得到频谱数据,所述频谱数据表示每个频率下对应信号的幅值,计算最大幅值对应频率的倒数作为周期,将周期值作为划分长度;
所述根据每个转折点的重要性获得每个转折点的采样结果,具体方法包括:
设置一个基础的采样点数量值n,将每个转折点的采样数量N设置为n与每个转折点的重要性的乘积,获取与每个转折点最接近的N个转折点,作为每个转折点的采样结果。
2.根据权利要求1所述的一种基于大数据应用的可再生能源智慧管理方法,其特征在于,所述第一趋势曲线的最终拟合直线的获取方法为:
A.在第一趋势曲线上随机选取两个数据点作为一个数据点对,根据数据点对确定直线方程;
B.分别计算第一趋势曲线上所有数据点到直线的距离,所有距离的和记为所述直线的第一距离;
C.重复A和B,直到所有数据点对被选择过,选取最小第一距离对应的直线为最终拟合的直线。
3.根据权利要求1所述的一种基于大数据应用的可再生能源智慧管理方法,其特征在于,所述根据趋势值计算相邻原始转折点的差值率,具体方法包括:
其中,a表示相邻原始转折点所在直线的斜率,k1表示趋势值,c表示相邻原始转折点的差值率,表示取最大值函数。
4.根据权利要求1所述的一种基于大数据应用的可再生能源智慧管理方法,其特征在于,所述根据季节周期曲线上数据点的数量获得二级转折点的初始权重,根据曲线段上数据点的数量获得三级转折点的初始权重,具体方法包括:
计算季节周期曲线上数据点的数据量与能源电数据曲线中数据点的数量比值,将比值作为每个季节周期的权重,将每个季节周期的权重作为季节周期曲线中每个二级转折点的初始权重;计算每个曲线段上数据点的数据量与能源电数据曲线中数据点的数量的比值,将比值作为每个曲线段的权重,将曲线段的权重作为曲线段上对应的每个三级转折点的初始权重。
5.一种基于大数据应用的可再生能源智慧管理系统,其特征在于,该系统包括:
数据采集模块,用于采集若干时刻的能源电数据得到能源电数据曲线,对能源电数据曲线进行分解获得第一趋势曲线和周期曲线;
转折点提取模块,用于对第一趋势曲线进行转折点提取操作,获得一级转折点以及一级转折点的转折率,包括:
将第一趋势曲线的最终拟合直线的斜率作为趋势值,获得第一趋势曲线上所有原始转折点,根据趋势值计算相邻原始转折点的差值率,根据所有相邻原始转折点的差值率得到所有一级转折点以及一级转折点的转折率;
获得周期曲线的划分长度,利用划分长度将周期曲线划分成多个曲线段;根据相邻曲线段的相关性得到多个季节周期曲线;
对每个季节周期曲线进行分解得到第二趋势曲线,对第二趋势曲线进行转折点提取操作获得所有二级转折点以及二级转折点的转折率,对每个曲线段进行分解得到第三趋势曲线,对第三趋势曲线进行转折点提取操作获得所有三级转折点以及三级转折点的转折率;
数据压缩传输模块,用于设置一级转折点的初始权重,根据季节周期曲线上数据点的数量获得二级转折点的初始权重,根据曲线段上数据点的数量获得三级转折点的初始权重,根据各级转折点的初始权重与各个转折点的转折率获得各个转折点的重要性;
根据每个转折点的重要性获得每个转折点的采样结果,所有转折点的采样结果作为最终转折点,根据最终转折点对能源电数据曲线进行压缩传输;
所述转折点提取模块,具体用于将差值率小于第一预设阈值的相邻原始转折点进行保留,将保留的所有相邻原始转折点称为一级转折点,将差值率作为保留的每对相邻原始转折点中每个原始转折点的转折率;
将周期曲线通过傅里叶变换转换到频率域得到频谱数据,所述频谱数据表示每个频率下对应信号的幅值,计算最大幅值对应频率的倒数作为周期,将周期值作为划分长度;
所述数据压缩传输模块,具体用于设置一个基础的采样点数量值n,将每个转折点的采样数量N设置为n与每个转折点的重要性的乘积,获取与每个转折点最接近的N个转折点,作为每个转折点的采样结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310243636.8A CN115955251B (zh) | 2023-03-15 | 2023-03-15 | 一种基于大数据应用的可再生能源智慧管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310243636.8A CN115955251B (zh) | 2023-03-15 | 2023-03-15 | 一种基于大数据应用的可再生能源智慧管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115955251A CN115955251A (zh) | 2023-04-11 |
CN115955251B true CN115955251B (zh) | 2023-07-25 |
Family
ID=85891413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310243636.8A Active CN115955251B (zh) | 2023-03-15 | 2023-03-15 | 一种基于大数据应用的可再生能源智慧管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115955251B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07250103A (ja) * | 1994-03-11 | 1995-09-26 | N T T Data Tsushin Kk | 時系列情報の通信システム |
CN115329682A (zh) * | 2022-10-14 | 2022-11-11 | 南京国电南自轨道交通工程有限公司 | 一种基于多周期特征的lstm-svr地铁车站温度预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108804731B (zh) * | 2017-09-12 | 2021-08-13 | 中南大学 | 基于重要点双重评价因子时间序列趋势特征提取方法 |
CN109241129A (zh) * | 2018-07-27 | 2019-01-18 | 山东大学 | 一种基于特征分段的时间序列流数据降维与简化表示方法 |
CN114968999A (zh) * | 2022-05-23 | 2022-08-30 | 中国长江三峡集团有限公司 | 一种基于时序匹配和双向四分位算法的异常数据清洗方法 |
CN114817651B (zh) * | 2022-06-24 | 2022-09-13 | 北京百度网讯科技有限公司 | 数据存储方法、数据查询方法、装置和设备 |
CN115659070B (zh) * | 2022-12-28 | 2023-03-14 | 鸿基骏业环保科技有限公司 | 一种基于nb-iot智能水表的水流量数据传输方法 |
CN115733498B (zh) * | 2023-01-10 | 2023-06-16 | 北京四维纵横数据技术有限公司 | 时序数据的压缩方法、装置、计算机设备及介质 |
-
2023
- 2023-03-15 CN CN202310243636.8A patent/CN115955251B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07250103A (ja) * | 1994-03-11 | 1995-09-26 | N T T Data Tsushin Kk | 時系列情報の通信システム |
CN115329682A (zh) * | 2022-10-14 | 2022-11-11 | 南京国电南自轨道交通工程有限公司 | 一种基于多周期特征的lstm-svr地铁车站温度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115955251A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524993B (zh) | 用于中长期优化调度的风电光伏典型周出力场景生成方法 | |
CN102930358B (zh) | 一种光伏电站发电功率的神经网络预测方法 | |
CN112613641B (zh) | 一种基于特征分解的短期电负荷组合预测方法 | |
CN105719029B (zh) | 一种基于风速波动特征提取的风电功率组合预测方法 | |
CN110797896A (zh) | 一种微网风光储系统中混合储能容量优化配置方法 | |
CN102542133A (zh) | 风电场短时风速预测方法及系统 | |
CN109038675B (zh) | 基于风电波动多尺度分解的建模方法 | |
CN113141008A (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
Kaloi et al. | Wind Energy Potential at Badin and Pasni Costal Line of Pakistan. | |
CN115955251B (zh) | 一种基于大数据应用的可再生能源智慧管理方法及系统 | |
CN115065078A (zh) | 微网环境下储能容量配置方法及系统 | |
Zhao et al. | Modeling and simulation of large-scale wind power base output considering the clustering characteristics and correlation of wind farms | |
CN114301089A (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
CN112803491B (zh) | 一种耦合弃电风险的风光水多能互补短期优化调度方法 | |
CN111898812A (zh) | 一种分布式光伏数据虚拟采集方法 | |
CN115456440A (zh) | 分布式光伏电站发电特性的评估方法、装置及系统 | |
CN112803403B (zh) | 基于时频特征的海上风电集群效应多层级评估方法 | |
CN110210755B (zh) | 一种基于K_means聚类算法的用户需求响应能力评估方法 | |
CN114036845A (zh) | 一种风电场群模型构建方法 | |
CN113437800A (zh) | 一种新能源发电监测平台 | |
CN112035783A (zh) | 一种基于时频分析的风电功率特征评价方法 | |
Said et al. | On the complementarity of wave, tidal, wind and solar resources in Ireland | |
CN117879118A (zh) | 一种自适应光储充系统的运行策略方法 | |
Jamdade et al. | Extreme value distribution model for analysis of wind speed data for four locations in Ireland | |
Xu et al. | Study on the Spatiotemporal Distribution Characteristics of Offshore Wind Power Output in East China |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231212 Address after: No. 546, Luoyu Road, Hongshan District, Wuhan, Hubei Province, 430000 Patentee after: HUBEI CENTRAL CHINA TECHNOLOGY DEVELOPMENT OF ELECTRIC POWER Co.,Ltd. Address before: 1119-2, 10th Floor, Building 4, Yard 2, Boxing 9th Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100000 Patentee before: Beijing Zhiyi Yangfan Technology Co.,Ltd. |