CN116187773B - 一种用于电厂储存电能的损失分析方法及系统 - Google Patents
一种用于电厂储存电能的损失分析方法及系统 Download PDFInfo
- Publication number
- CN116187773B CN116187773B CN202211539877.9A CN202211539877A CN116187773B CN 116187773 B CN116187773 B CN 116187773B CN 202211539877 A CN202211539877 A CN 202211539877A CN 116187773 B CN116187773 B CN 116187773B
- Authority
- CN
- China
- Prior art keywords
- loss
- target
- electric
- electric energy
- factor
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 238000004146 energy storage Methods 0.000 claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007689 inspection Methods 0.000 claims description 106
- 238000010586 diagram Methods 0.000 claims description 56
- 230000005611 electricity Effects 0.000 claims description 41
- 238000012216 screening Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000638 solvent extraction Methods 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 238000011897 real-time detection Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000013215 result calculation Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 35
- 230000000694 effects Effects 0.000 abstract description 6
- 230000004044 response Effects 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012106 screening analysis Methods 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及供电技术领域，提供一种用于电厂储存电能的损失分析方法及系统。通过预设标签方案对多个目标因素参数进行标记得到目标标签结果，获得多个电损数据通过结合目标标签结果进行训练得到电损预估模型；通过对目标电厂实时检测得到多个目标实时参数，将多个目标实时参数输入电损预估模型，得到输出信息以进行目标电厂的储能损失分析。采用本方法能够解决现有技术中存在对于电能存储设备的电能异常损失现象的处理优化依赖于运维人员逐一遍历电能异常损失类别确定电损故障原因，导致电损故障消除响应效率较低的技术问题，实现了降低电能异常损失处理优化的人工依赖性，提高电损故障消除响应效率和故障处理针对性的技术效果。
Description
技术领域
本申请涉及供电技术领域，特别是涉及一种用于电厂储存电能的损失分析方法及系统。
背景技术
电能存储是调节电能供需关系以及改善电能质量，保障电力稳定输出的重要手段，而电能在存储备用过程中，受电能存储设备本身的原因和/或存储环境原因影响，存在存储电能异常损失现象发生，电能存储异常损失间接导致发电经济成本上升。
因而如何规避电能存储过程中的异常电能损失，提高存储电能的利用率，成为当前储能技术叩待解决的重要问题。
综上所述，现有技术中存在对于电能存储设备的电能异常损失现象的处理优化依赖于运维人员逐一遍历电能异常损失类别确定电损故障原因，导致电损故障消除响应效率较低的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种实现降低电能异常损失处理优化的人工依赖性，提高电损故障消除响应效率和故障处理针对性的一种用于电厂储存电能的损失分析方法及系统。
一种用于电厂储存电能的损失分析方法，方法包括：获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析。
一种用于电厂储存电能的损失分析系统，所述系统包括：损失记录提取模块，用于获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；损失因素筛选模块，用于利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；目标标签获得模块，用于依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；预估模型构建模块，用于获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；目标电厂检测模块，用于获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；预估模型处理模块，用于将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；储能损失分析模块，用于基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；
利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；
依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；
获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；
获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；
将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；
基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析。
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执行时实现以下步骤：
获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；
利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；
依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；
获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；
获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；
将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；
基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析。
上述一种用于电厂储存电能的损失分析方法及系统，解决了现有技术中存在对于电能存储设备的电能异常损失现象的处理优化依赖于运维人员逐一遍历电能异常损失类别确定电损故障原因，导致电损故障消除响应效率较低的技术问题，达到了降低电能异常损失处理优化的人工依赖性，提高电损故障消除响应效率和故障处理针对性的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种用于电厂储存电能的损失分析方法的流程示意图；
图2为一个实施例中一种用于电厂储存电能的损失分析方法中获得历史储存电能损失记录的流程示意图；
图3为一个实施例中一种用于电厂储存电能的损失分析系统的结构框图；
图4为一个实施例中计算机设备的内部结构图。
附图标记说明：损失记录提取模块1，损失因素筛选模块2，目标标签获得模块3，预估模型构建模块4，目标电厂检测模块5，预估模型处理模块6，储能损失分析模块7。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，本申请提供了一种用于电厂储存电能的损失分析方法，包括：
S100:获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；
在一个实施例中，如图2所示，所述获得历史储存电能损失记录，本申请提供的方法步骤S100还包括：
S110:获得第一电能量，其中，所述第一电能量具备第一时间标识；
S120:基于所述第一时间标识获得预设巡检方案；
S130:根据所述预设巡检方案，依次得到第一巡检数据集、第二巡检数据集；
S140:其中，所述第一巡检数据集包括第一因素参数、第一巡检电能量，所述第二巡检数据集包括第二因素参数、第二巡检电能量；
S150:基于所述第一电能量与所述第一巡检电能量，计算得到第一电损信息，并将所述第一电损数据添加至所述第一巡检数据集；
S160:基于所述第一巡检电能量与所述第二巡检电能量，计算得到第二电损信息，并将所述第二电损数据添加至所述第二巡检数据集；
S170:根据所述第一巡检数据集、所述第二巡检数据集，得到所述历史储存电能损失记录。
具体而言，应理解的，由于电能存储设备本身的原因和/或存储环境原因导致电厂生产的电能在存储备用过程中存在异常损失现象。
在本实施例中，所述历史储存电能损失记录为间隔周期进行电能存储设备的电能余量采集以及存储环境数据、存储设备运行参数采集组成的记录数据集合。所述电能损失因素集为与电能异常损失具有相关性的存储设备自身因素及存储环境因素集合。
本实施例通过获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建所述电能损失因素集。所述历史储存电能损失记录的优选获得方法为，获得反映电能存储设备初始存储电量以及电能存储时间的所述第一电能量，所述第一电能量具备第一时间标识，所述第一时间标识即为电厂将生产所获电能存储进电能存储设备的时间，例如2022/10/27-9:00am。
基于所述第一时间标识与计划进行电能异常损失分析开始时间的跨度设置巡检时间，基于巡检时间结合点能异常损失与电能存储设备本身以及存储环境相关的特性构建所述预设巡检方案，所述预设巡检方案由巡检记录因素集合以及巡检周期构成，间隔每一巡检周期，按照巡检记录因素集合进行巡检记录获得所述巡检数据集和反映电能存储余量的所述巡检电能量，所述巡检数据为与电能异常损失具有相关性的多个因素的因素参数，例如温度因素参数(℃)、环境湿度因素参数(％rh)、多种存储设备运行因素参数(例如电机运行因素参数r)。
根据所述预设巡检方案，以所述第一时间标识进行巡检时间计算，依次得到第一巡检数据集、第二巡检数据集。所述第一巡检数据集包括第一因素参数、第一巡检电能量，所述第二巡检数据集包括第二因素参数、第二巡检电能量。
基于所述第一电能量与所述第一巡检电能量，计算得到第一电损信息，例如所述第一电能量为电能存储余量100％，第一巡检电能量为电能存储余量98％，则计算得到的所述第一电损信息为电损2％，将所述第一电损数据添加至所述第一巡检数据集。
采用第一电损信息相同的计算方法，基于所述第一巡检电能量与所述第二巡检电能量，计算得到第二电损信息，并将所述第二电损数据添加至所述第二巡检数据集，所述第一巡检数据集、所述第二巡检数据集构成所述历史储存电能损失记录。从所述历史存储电能损失记录中进行因素提取，获得与电能存储设备电能异常损失可能存在相关性的所述电能损失因素集，所述电能损失因素集中包括温度因素、环境湿度因素、多种存储设备运行因素(例如电机运行因素)。所述电能损失因素集为后续分析筛选获得与电能异常损失实际存在相关性的所述目标电损因素提供数据筛选分析参考。
本实施例通过构建巡检方案科学记录电能存储设备的设备运行数据以及设备运行环境数据，并提取数据指标生成电能损失因素集，达到了为后续分析确定实际与电能异常损失存在关联性的目标电损因素提供数据分析参考的技术效果。
S200:利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；
具体而言，应理解的，本实施例的所述电能损失因素集中，各个因素对于电能异常损失的影响程度存在差异性，如若对各个电能损失因素都执行调节优化，则存在损失因素调节优化成本与减少的电能损失经济价值失衡，得不偿失。因而本实施例基于最大信息系数原理分析所述电能损失因素集中各个因素与电能异常损失之间的相关性大小，从而进行因素筛选获得与电能存储设备的发生电能异常损失关联度较大的多个目标电损因素，将多个与电能异常损失关联度较大的目标电损因素组成所述目标电损因素集，所述目标电损因素集用于为进行电能异常损失问题的优化解决提供优化方向。
本实施例在后续说明书中详细阐述利用最大信息系数原理对所述电能损失因素集进行筛选的最优实施例。
S300:依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；
在一个实施例中，所述基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果，本申请提供的方法步骤S300还包括：
S310:提取所述多个目标因素参数中的第一目标因素参数；
S320:判断所述第一目标因素参数是否符合第一电损参数阈值；
S330:若是，获得第一标记指令；
S340:根据所述第一标记指令，结合所述预设标签方案对所述第一目标因素参数进行有损标记；
S350:若否，获得第二标记指令；
S360:根据所述第二标记指令，结合所述预设标签方案对所述第一目标因素参数进行无损标记。
具体而言，在本实施例中，所述预设标签方案中的标签包括无损标记标签以及有损标记标签两种，用于区分数据类型，使用所述预设标签方案的目的在于对所述目标因素参数进行标准化处理。
具体的，在所述多个目标因素参数中随机提取任一目标因素参数作为的第一目标因素参数，判断所述第一目标因素参数是否符合第一电损参数阈值，即所述第一目标因素参数的数值是否符合影响电能存储设备储能性能，导致电能存储设备发生电能异常损失的参数阈值要求，若是，获得第一标记指令，根据所述第一标记指令，结合所述预设标签方案对所述第一目标因素参数进行有损标记。若否，获得第二标记指令，根据所述第二标记指令，结合所述预设标签方案对所述第一目标因素参数进行无损标记，依次进行所述目标因素参数的判断标记处理，获得所述目标标签结果。
本实施例通过预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果，实现了对于目标因素参数的二维化标准处理，为后续所述目标因素参数作为模型训练数据进行例如电能存储设备电能损失异常分析模型的模型训练数据提供模型训练数据的技术效果。
S400:获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；
具体而言，所述电损数据为目标电损因素的因素参数，获得所述目标电损因素集中各个因素参数组成所述多个电损数据，所述目标电损因素的因素参数是否有损对于电能异常损耗的影响不同，因而在本实施例中，基于BP神经网络构建所述电损预估模型，所述多个电损数据作为所述电损预估模型输入数据，所述目标标签结果作为所述电损预估模型输出数据，基于所述多个电损数据作以及具有映射关系的目标标签结果进行数据标识划分，获得训练集、测试集以及验证集，优选按照7:2:1进行测试数据量划分，基于训练集、测试集、验证集进行所述电损预估模型的模型训练验证和测试，在所述电损预估模型输出准确率满足预设要求时，停止模型训练，获得所述电损预估模型。
所述电损预估模型可基于实时采集获得的电能存储设备的目标因素参数预估电能存储设备中目标因素哪些存在异常，以指导进行异常因素优化，以实现减少电能存储中的电能损失。
所述电损预估模型在实际应用中的模型输入数据为电能存储设备的实时因素参数，输出结果为电损预估结果，包括但不限于预估环境温度缺陷、预估设备运行缺陷、预估环境湿度缺陷。
S500:获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；
S600:将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；
具体而言，在本实施例中，对所述目标电厂待进行电能异常损失的电能存储设备，按照目标电损因素集的因素项进行实时检测得到目标实时数据，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数。
将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，所述输出信息为目标实时电损预估结果，所述目标实时电损预估结果包括目标实时电损率预估结果、目标实时电损量预估结果以及各项目标电损因素异常或正常的预估结果。
S700:基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析。
在一个实施例中，本申请提供的方法步骤还包括：
S710:获得预设电损阈值，其中，所述预设电损阈值包括预设电损率阈值、预设电损量阈值；
S720:依次提取所述目标实时电损预估结果中的目标实时电损率预估结果、目标实时电损量预估结果；
S730:判断所述目标实时电损率预估结果是否满足所述预设电损率阈值；
S740:若是，获得判断指令，并基于所述判断指令，判断所述目标实时电损量预估结果是否满足所述预设电损量阈值；
S750:若否，获得优化指令；
S760:基于所述优化指令对所述目标电厂进行优化管理。
在一个实施例中，所述基于所述优化指令对所述目标电厂进行优化管理，本申请提供的方法步骤S760还包括：
S761:基于所述优化指令，对所述目标标签结果进行遍历，得到目标有损标记集；
S762:对所述目标有损标记集中各有损标记参数对应的因素依次进行优化管理。
具体而言，在本实施例中，基于电能存储设备电能损失优化成本和电能损失经济成本计算平衡值生成所述预设电损阈值，所述预设电损阈值包括预设电损率阈值、预设电损量阈值，当所述目标实时电损率预估结果、目标实时电损量预估结果满足所述预设电损阈值时，表面当前执行电厂内电能存储设备的优化管理成本高于继续使用造成的电能损失，反之优化设备产生的经济效益高于电能损失。
依次提取所述目标实时电损预估结果中的目标实时电损率预估结果、目标实时电损量预估结果，判断所述目标实时电损率预估结果是否满足所述预设电损率阈值，若否，获得优化指令，基于所述优化指令，对所述目标标签结果进行遍历，得到各项目标电损因素异常或正常的预估结果中的目标有损标记集，对所述目标有损标记集中各有损标记参数对应的因素依次进行优化管理，例如提升/降低环境温度，调节设备某项运行参数，通过针对性优化，实现提高优化效率。
若是，获得判断指令，并基于所述判断指令，判断所述目标实时电损量预估结果是否满足所述预设电损量阈值，若所述目标实时电损量预估结果不满足所述预设电损量阈值，则生成优化指令，采用步骤S761～S762相同方法进行优化管理，即只要预设电损率阈值、预设电损量阈值任一存在不满足预设电损阈值，都需要进行优化管理，以提升电能存储设备的电能存储性能。
本实施例通过预设电损阈值实现判断电能存储设备是否存在可提升储电性能的优化项，并基于目标有损标记集进行针对性优化，实现了针对性较强且高效的电能存储设备性能优化的技术效果。
在一个实施例中，在所述根据所述第一巡检数据集、所述第二巡检数据集，得到所述历史储存电能损失记录之后，本申请提供的方法步骤S170还包括：
S171:基于所述第一因素参数、所述第二因素参数，分析得到所述电能损失因素集；
S172:基于所述第一电损信息、所述第二电损信息，分析得到电能损失结果集；
S173:将所述电能损失因素集作为自变量，将所述电能损失结果集作为因变量，得到电损散点图；
S174:基于所述电损散点图，得到所述电能损失因素集中各因素的散点图，并组成目标散点图集合；
S175:对所述目标散点图集合依次进行分析，得到多个目标最大信息系数；
S176:将所述多个目标最大信息系数进行降序排列，并反向匹配得到因素序列；
S177:提取所述因素序列中预设排名阈值的因素，组成所述目标电损因素集。
在一个实施例中，所述对所述目标散点图集合依次进行分析，得到多个目标最大信息系数，本申请提供的方法步骤还包括：
S175-1:提取所述目标散点图集合中任意一个目标散点图；
S175-2:组建网格化方案集，其中，所述网格化方案集包括多个网格化方案；
S175-3:依次基于所述多个网格化方案对所述任意一个目标散点图进行分区，得到多个分区结果；
S175-4:对所述多个分区结果依次进行分析计算，得到多个最大互信息值；
S175-5:对所述多个最大互信息值依次进行归一化处理，得到多个目标最大互信息值；
S175-6:对比所述多个目标最大互信息值，并筛选得到目标最大信息系数。
具体而言，本实施例是采用最大信息系数原理对所述电能损失因素集进行筛选的最优实施例。应理解的，所述第一因素参数和所述第二因素参数皆为基于预设巡检方案的巡检周期以及巡检记录因素集合进行巡检记录获得，因而本实施例对所述第一因素参数、所述第二因素参数基于巡检记录因素进行因素参数的提取，得到所述电能损失因素集，所述电能损失记录集为多组因素-因素参数构成的数据集合。基于所述第一电损信息和所述第二电损信息进行电损数值提取，得到所述电能损失结果集。应注意的，对因素参数以及电损信息的数值提取不影响两者原有的数据对应关系。
基于散点图绘制软件进行散点图制作，具体的，将所述电能损失因素集作为自变量，将所述电能损失结果集作为因变量，得到电损散点图，所述电损散点图由多个因素参数-电损信息散点图重叠组成。基于所述电损散点图，拆解获得所述电能损失因素集中各因素的目标散点图，各因素散点图称为所述目标散点图集合。
对电损散点图进行x行y列网格化，x和y的取值与样本量有关。通过不断调整x和y的值来获得不同分区结果，生成由多个网格化方案构成的网格化方案集合，所述网格化方案集合用于后续计算每次分区后的最大互信息值。
在所述目标散点图集合中提取任意一个因素的目标散点图，依次基于所述多个网格化方案对提取的目标散点图进行分区，得到多个分区结果，对所述多个分区结果依次进行分析计算，得到多个最大互信息值，对所述多个最大互信息值依次进行归一化处理以消除维度影响，例如将得到的互信息值同除以log(min{X,Y})，以使互信息值都处于[0,1]之间，经由归一化处理得到多个目标最大互信息值，对比所述多个目标最大互信息值，并筛选得到最大值作为提取对象因素的目标最大信息系数。
对所述目标散点图集合采用步骤S175-1～S175-6的目标最大信息数获得方法，依次进行分析，得到多个目标最大信息系数。根据目标最大信息系数的数值，对所述多个目标最大信息系数进行降序排列，并根据目标最大信息数与电能损失因素集中各因素的对应关系反向匹配得到因素序列，提取所述因素序列中预设排名阈值的因素，例如提取降序排列前7个因素，组成所述目标电损因素集。
本实施例通过引入最大信息系数计算获得多个电能损失因素与电能存储设备的异常电能损失之间的相关性，从而提取获得与电能存储设备的异常电能损失之间相关性较高的电能损失因素，达到了为进行电能异常损失问题的优化解决提供优化方向的技术效果。
在一个实施例中，如图3所示，提供了一种用于电厂储存电能的损失分析系统，包括：损失记录提取模块1，损失因素筛选模块2，目标标签获得模块3，预估模型构建模块4，目标电厂检测模块5，预估模型处理模块6，储能损失分析模块7，其中：
损失记录提取模块1，用于获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；
损失因素筛选模块2，用于利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；
目标标签获得模块3，用于依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；
预估模型构建模块4，用于获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；
目标电厂检测模块5，用于获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；
预估模型处理模块6，用于将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；
储能损失分析模块7，用于基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析。
在一个实施例中，所述损失记录提取模块1还包括：
电能信息获得单元，用于获得第一电能量，其中，所述第一电能量具备第一时间标识；
巡检方案获得单元，用于基于所述第一时间标识获得预设巡检方案；
巡检数据获得单元，用于根据所述预设巡检方案，依次得到第一巡检数据集、第二巡检数据集；
巡检数据组成单元，用于其中，所述第一巡检数据集包括第一因素参数、第一巡检电能量，所述第二巡检数据集包括第二因素参数、第二巡检电能量；
电损信息计算单元，用于基于所述第一电能量与所述第一巡检电能量，计算得到第一电损信息，并将所述第一电损数据添加至所述第一巡检数据集；
电损信息获得单元，用于基于所述第一巡检电能量与所述第二巡检电能量，计算得到第二电损信息，并将所述第二电损数据添加至所述第二巡检数据集；
电损记录获得单元，用于根据所述第一巡检数据集、所述第二巡检数据集，得到所述历史储存电能损失记录。
在一个实施例中，所述损失记录提取模块1还包括：
因素参数分析单元，用于基于所述第一因素参数、所述第二因素参数，分析得到所述电能损失因素集；
损失结果获得单元，用于基于所述第一电损信息、所述第二电损信息，分析得到电能损失结果集；
散点图生成单元，用于将所述电能损失因素集作为自变量，将所述电能损失结果集作为因变量，得到电损散点图；
散点图集合生成单元，用于基于所述电损散点图，得到所述电能损失因素集中各因素的散点图，并组成目标散点图集合；
散点图分析单元，用于对所述目标散点图集合依次进行分析，得到多个目标最大信息系数；
因素序列匹配单元，用于将所述多个目标最大信息系数进行降序排列，并反向匹配得到因素序列；
因素序列提取单元，用于提取所述因素序列中预设排名阈值的因素，组成所述目标电损因素集。
在一个实施例中，所述散点图分析单元还包括：
散点图提取单元，用于提取所述目标散点图集合中任意一个目标散点图；
网格化方案获得单元，用于组建网格化方案集，其中，所述网格化方案集包括多个网格化方案；
散点图分区单元，用于依次基于所述多个网格化方案对所述任意一个目标散点图进行分区，得到多个分区结果；
分区结果计算单元，用于对所述多个分区结果依次进行分析计算，得到多个最大互信息值；
归一化处理单元，用于对所述多个最大互信息值依次进行归一化处理，得到多个目标最大互信息值；
信息系数筛选单元，用于对比所述多个目标最大互信息值，并筛选得到目标最大信息系数。
在一个实施例中，所述目标标签获得模块3还包括：
因素参数提取单元，用于提取所述多个目标因素参数中的第一目标因素参数；
参数阈值判断单元，用于判断所述第一目标因素参数是否符合第一电损参数阈值；
标记指令获得单元，用于若是，获得第一标记指令；
有损标记执行单元，用于根据所述第一标记指令，结合所述预设标签方案对所述第一目标因素参数进行有损标记；
标记指令获取单元，用于若否，获得第二标记指令；
无损标记执行单元，用于根据所述第二标记指令，结合所述预设标签方案对所述第一目标因素参数进行无损标记。
在一个实施例中，所述储能损失分析模块7还包括：
电损阈值获得单元，用于获得预设电损阈值，其中，所述预设电损阈值包括预设电损率阈值、预设电损量阈值；
预估结果提取单元，用于依次提取所述目标实时电损预估结果中的目标实时电损率预估结果、目标实时电损量预估结果；
电损阈值比对单元，用于判断所述目标实时电损率预估结果是否满足所述预设电损率阈值；
判断结果处理单元，用于若是，获得判断指令，并基于所述判断指令，判断所述目标实时电损量预估结果是否满足所述预设电损量阈值；
优化指令生成单元，用于若否，获得优化指令；
优化管理执行单元，用于基于所述优化指令对所述目标电厂进行优化管理。
在一个实施例中，所述优化管理执行单元还包括：
优化指令执行单元，用于基于所述优化指令，对所述目标标签结果进行遍历，得到目标有损标记集；
优化管理执行单元，用于对所述目标有损标记集中各有损标记参数对应的因素依次进行优化管理。
关于一种用于电厂储存电能的损失分析系统的具体实施例可以参见上文中对于一种用于电厂储存电能的损失分析方法的实施例，在此不再赘述。上述一种用于电厂储存电能的损失分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于电厂储存电能的损失分析方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种用于电厂储存电能的损失分析方法，其特征在于，包括：
获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；
利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；
依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；
获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；
获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；
将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；
基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析；
其中，所述获得历史储存电能损失记录，包括：
获得第一电能量，其中，所述第一电能量具备第一时间标识；
基于所述第一时间标识获得预设巡检方案；
根据所述预设巡检方案，依次得到第一巡检数据集、第二巡检数据集；
其中，所述第一巡检数据集包括第一因素参数、第一巡检电能量，所述第二巡检数据集包括第二因素参数、第二巡检电能量；
基于所述第一电能量与所述第一巡检电能量，计算得到第一电损信息，并将所述第一电损数据添加至所述第一巡检数据集；
基于所述第一巡检电能量与所述第二巡检电能量，计算得到第二电损信息，并将所述第二电损数据添加至所述第二巡检数据集；
根据所述第一巡检数据集、所述第二巡检数据集，得到所述历史储存电能损失记录；
其中，所述的损失分析方法在所述根据所述第一巡检数据集、所述第二巡检数据集，得到所述历史储存电能损失记录之后，还包括：
基于所述第一因素参数、所述第二因素参数，分析得到所述电能损失因素集；
基于所述第一电损信息、所述第二电损信息，分析得到电能损失结果集；
将所述电能损失因素集作为自变量，将所述电能损失结果集作为因变量，得到电损散点图；
基于所述电损散点图，得到所述电能损失因素集中各因素的散点图，并组成目标散点图集合；
对所述目标散点图集合依次进行分析，得到多个目标最大信息系数；
将所述多个目标最大信息系数进行降序排列，并反向匹配得到因素序列；
提取所述因素序列中预设排名阈值的因素，组成所述目标电损因素集；
其中，所述对所述目标散点图集合依次进行分析，得到多个目标最大信息系数，包括：
提取所述目标散点图集合中任意一个目标散点图；
组建网格化方案集，其中，所述网格化方案集包括多个网格化方案；
依次基于所述多个网格化方案对所述任意一个目标散点图进行分区，得到多个分区结果；
对所述多个分区结果依次进行分析计算，得到多个最大互信息值；
对所述多个最大互信息值依次进行归一化处理，得到多个目标最大互信息值；
对比所述多个目标最大互信息值，并筛选得到目标最大信息系数；
其中，所述基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果，包括：
提取所述多个目标因素参数中的第一目标因素参数；
判断所述第一目标因素参数是否符合第一电损参数阈值；
若是，获得第一标记指令；
根据所述第一标记指令，结合所述预设标签方案对所述第一目标因素参数进行有损标记；
若否，获得第二标记指令；
根据所述第二标记指令，结合所述预设标签方案对所述第一目标因素参数进行无损标记；
其中，所述的损失分析方法还包括：
获得预设电损阈值，其中，所述预设电损阈值包括预设电损率阈值、预设电损量阈值；
依次提取所述目标实时电损预估结果中的目标实时电损率预估结果、目标实时电损量预估结果；
判断所述目标实时电损率预估结果是否满足所述预设电损率阈值；
若是，获得判断指令，并基于所述判断指令，判断所述目标实时电损量预估结果是否满足所述预设电损量阈值；
若否，获得优化指令；
基于所述优化指令对所述目标电厂进行优化管理；
其中，所述基于所述优化指令对所述目标电厂进行优化管理，包括：
基于所述优化指令，对所述目标标签结果进行遍历，得到目标有损标记集；
对所述目标有损标记集中各有损标记参数对应的因素依次进行优化管理。
2.一种用于电厂储存电能的损失分析系统，其特征在于，所述系统包括：
损失记录提取模块，用于获得历史储存电能损失记录，并基于所述历史储存电能损失记录组建电能损失因素集；
损失因素筛选模块，用于利用最大信息系数原理对所述电能损失因素集进行筛选，并根据筛选结果组建目标电损因素集，其中，所述目标电损因素集包括多个目标电损因素；
目标标签获得模块，用于依次匹配所述多个目标电损因素的多个目标因素参数，并基于预设标签方案对所述多个目标因素参数进行标记，得到目标标签结果；
预估模型构建模块，用于获得多个电损数据，并结合所述目标标签结果进行训练得到电损预估模型；
目标电厂检测模块，用于获得目标电厂，并对所述目标电厂进行实时检测得到目标实时数据，其中，所述目标实时数据包括所述多个目标电损因素的多个目标实时参数；
预估模型处理模块，用于将所述多个目标实时参数作为所述电损预估模型的输入信息，得到输出信息，其中，所述输出信息包括目标实时电损预估结果；
储能损失分析模块，用于基于所述目标实时电损预估结果对所述目标电厂的储能损失进行分析；
所述损失记录提取模块还包括：
电能信息获得单元，用于获得第一电能量，其中，所述第一电能量具备第一时间标识；
巡检方案获得单元，用于基于所述第一时间标识获得预设巡检方案；
巡检数据获得单元，用于根据所述预设巡检方案，依次得到第一巡检数据集、第二巡检数据集；
巡检数据组成单元，用于其中，所述第一巡检数据集包括第一因素参数、第一巡检电能量，所述第二巡检数据集包括第二因素参数、第二巡检电能量；
电损信息计算单元，用于基于所述第一电能量与所述第一巡检电能量，计算得到第一电损信息，并将所述第一电损数据添加至所述第一巡检数据集；
电损信息获得单元，用于基于所述第一巡检电能量与所述第二巡检电能量，计算得到第二电损信息，并将所述第二电损数据添加至所述第二巡检数据集；
电损记录获得单元，用于根据所述第一巡检数据集、所述第二巡检数据集，得到所述历史储存电能损失记录；
所述损失记录提取模块还包括：
因素参数分析单元，用于基于所述第一因素参数、所述第二因素参数，分析得到所述电能损失因素集；
损失结果获得单元，用于基于所述第一电损信息、所述第二电损信息，分析得到电能损失结果集；
散点图生成单元，用于将所述电能损失因素集作为自变量，将所述电能损失结果集作为因变量，得到电损散点图；
散点图集合生成单元，用于基于所述电损散点图，得到所述电能损失因素集中各因素的散点图，并组成目标散点图集合；
散点图分析单元，用于对所述目标散点图集合依次进行分析，得到多个目标最大信息系数；
因素序列匹配单元，用于将所述多个目标最大信息系数进行降序排列，并反向匹配得到因素序列；
因素序列提取单元，用于提取所述因素序列中预设排名阈值的因素，组成所述目标电损因素集；
所述散点图分析单元还包括：
散点图提取单元，用于提取所述目标散点图集合中任意一个目标散点图；
网格化方案获得单元，用于组建网格化方案集，其中，所述网格化方案集包括多个网格化方案；
散点图分区单元，用于依次基于所述多个网格化方案对所述任意一个目标散点图进行分区，得到多个分区结果；
分区结果计算单元，用于对所述多个分区结果依次进行分析计算，得到多个最大互信息值；
归一化处理单元，用于对所述多个最大互信息值依次进行归一化处理，得到多个目标最大互信息值；
信息系数筛选单元，用于对比所述多个目标最大互信息值，并筛选得到目标最大信息系数；
所述目标标签获得模块还包括：
因素参数提取单元，用于提取所述多个目标因素参数中的第一目标因素参数；
参数阈值判断单元，用于判断所述第一目标因素参数是否符合第一电损参数阈值；
标记指令获得单元，用于若是，获得第一标记指令；
有损标记执行单元，用于根据所述第一标记指令，结合所述预设标签方案对所述第一目标因素参数进行有损标记；
标记指令获取单元，用于若否，获得第二标记指令；
无损标记执行单元，用于根据所述第二标记指令，结合所述预设标签方案对所述第一目标因素参数进行无损标记；
所述储能损失分析模块还包括：
电损阈值获得单元，用于获得预设电损阈值，其中，所述预设电损阈值包括预设电损率阈值、预设电损量阈值；
预估结果提取单元，用于依次提取所述目标实时电损预估结果中的目标实时电损率预估结果、目标实时电损量预估结果；
电损阈值比对单元，用于判断所述目标实时电损率预估结果是否满足所述预设电损率阈值；
判断结果处理单元，用于若是，获得判断指令，并基于所述判断指令，判断所述目标实时电损量预估结果是否满足所述预设电损量阈值；
优化指令生成单元，用于若否，获得优化指令；
优化管理执行单元，用于基于所述优化指令对所述目标电厂进行优化管理；
所述优化管理执行单元还包括：
优化指令执行单元，用于基于所述优化指令，对所述目标标签结果进行遍历，得到目标有损标记集；
优化管理执行单元，用于对所述目标有损标记集中各有损标记参数对应的因素依次进行优化管理。
3.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1所述的方法的步骤。
4.一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执行时实现权利要求1所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211539877.9A CN116187773B (zh) | 2022-12-02 | 2022-12-02 | 一种用于电厂储存电能的损失分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211539877.9A CN116187773B (zh) | 2022-12-02 | 2022-12-02 | 一种用于电厂储存电能的损失分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187773A CN116187773A (zh) | 2023-05-30 |
| CN116187773B true CN116187773B (zh) | 2023-10-03 |
Family
ID=86431515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211539877.9A Active CN116187773B (zh) | 2022-12-02 | 2022-12-02 | 一种用于电厂储存电能的损失分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187773B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116526480B (zh) * | 2023-07-05 | 2023-10-13 | 北京中芯标准科技有限公司 | 基于智慧能源管理平台的分布式供电系统及方法 |
| CN116703246B (zh) * | 2023-08-02 | 2023-10-31 | 北京松岛菱电电力工程有限公司 | 一种电力配电系统的智能管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688408A (zh) * | 2021-08-03 | 2021-11-23 | 华东师范大学 | 一种基于安全多方计算的最大信息系数方法 |
| CN113821931A (zh) * | 2021-09-26 | 2021-12-21 | 上海海事大学 | 风机输出功率预测方法和系统 |
| CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108664990B (zh) * | 2018-03-29 | 2020-09-18 | 清华大学 | 综合熵方法和密度聚类方法的窃电检测方法及装置 |
-
2022
- 2022-12-02 CN CN202211539877.9A patent/CN116187773B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113688408A (zh) * | 2021-08-03 | 2021-11-23 | 华东师范大学 | 一种基于安全多方计算的最大信息系数方法 |
| CN113821931A (zh) * | 2021-09-26 | 2021-12-21 | 上海海事大学 | 风机输出功率预测方法和系统 |
| CN115276006A (zh) * | 2022-09-26 | 2022-11-01 | 江苏永鼎股份有限公司 | 一种用于电力集成系统的负荷预测的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187773A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116187773B (zh) | 一种用于电厂储存电能的损失分析方法及系统 | |
| Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
| CN115170000B (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN111062620B (zh) | 基于混合计费数据的电力计费公平性智能分析系统及方法 | |
| CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
| CN115166625A (zh) | 智能电表误差估计方法及装置 | |
| CN114202179A (zh) | 目标企业的识别方法以及装置 | |
| CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
| CN115907033A (zh) | 一种基于机器学习算法预测每小时用电量的方法及系统 | |
| CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN113033414A (zh) | 用电数据异常检测方法、装置、计算机设备和存储介质 | |
| CN113962508A (zh) | 用电对象的识别方法及识别装置、电子设备 | |
| CN111626586B (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
| CN116150666B (zh) | 储能系统故障检测方法、装置及智能终端 | |
| CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
| CN118246695B (zh) | 一种光伏新能源运维调度系统 | |
| CN118316036B (zh) | 电力系统的负荷预测方法、装置与设备 | |
| CN117828413A (zh) | 一种基于lstm神经网络的变压器油温预测方法和系统 | |
| CN118133668A (zh) | 电厂设备寿命评估方法 | |
| CN116760033A (zh) | 一种基于人工智能的实时电力需求预测系统 | |
| CN118505036A (zh) | 一种面向台区拓扑更动识别的数据质量评估方法及系统 | |
| CN118313960A (zh) | 一种基于分布式感知和聚类分析的用电数据预测方法 | |
| CN118017502A (zh) | 基于数字孪生的配电算力预测方法、系统及介质 |
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 |