CN116225102A - 一种移动式的储能通信温升自动监控系统及装置 - Google Patents

一种移动式的储能通信温升自动监控系统及装置 Download PDF

Info

Publication number
CN116225102A
CN116225102A CN202310497668.0A CN202310497668A CN116225102A CN 116225102 A CN116225102 A CN 116225102A CN 202310497668 A CN202310497668 A CN 202310497668A CN 116225102 A CN116225102 A CN 116225102A
Authority
CN
China
Prior art keywords
data
temperature rise
catboost
neural network
convolutional neural
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
Application number
CN202310497668.0A
Other languages
English (en)
Other versions
CN116225102B (zh
Inventor
黄观金
周华旭
王苗庚
邵志成
龚卿
叶萌
徐立坤
陈创波
蓝炜莹
张振南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Energy Storage Co ltd Information And Communication Branch
Original Assignee
Information Communication Branch of Peak Regulation and Frequency Modulation Power Generation of China Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Information Communication Branch of Peak Regulation and Frequency Modulation Power Generation of China Southern Power Grid Co Ltd filed Critical Information Communication Branch of Peak Regulation and Frequency Modulation Power Generation of China Southern Power Grid Co Ltd
Priority to CN202310497668.0A priority Critical patent/CN116225102B/zh
Publication of CN116225102A publication Critical patent/CN116225102A/zh
Application granted granted Critical
Publication of CN116225102B publication Critical patent/CN116225102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/20009—Modifications to facilitate cooling, ventilating, or heating using a gaseous coolant in electronic enclosures
    • H05K7/20209—Thermal management, e.g. fan control
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Biomedical Technology (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Selective Calling Equipment (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

一种移动式的储能通信温升自动监控系统及装置，包括：数据采集模块，数据预处理模块，对数据采集模块采集的数据进行预处理；数据计算模块，将第一向量矩阵以及第二向量矩阵输入至训练好的CatBoost‑卷积神经网络模型系统进行计算得到未来
Figure ZY_1
时刻的最终温升预测值T_final；自动调节模块，当最终温升预测值T_final超过预设的阈值P时，系统自动发出报警信号，根据温升结果调整储能通信系统的充放电功率。本发明创造性的采用温升管理参数将CatBoost‑卷积神经网络模型级联，以及训练数据的选择加工大大提升了温升判断的准确率以及速度，从而改善用户体验。

Description

一种移动式的储能通信温升自动监控系统及装置
技术领域
本发明涉及自动控制技术领域，具体地涉及一种移动式的储能通信温升自动监控系统及装置。
背景技术
目前，储能通信系统在电力、交通、通信等领域得到广泛应用。然而，储能通信系统在运行过程中会产生大量的热量，导致温升现象，严重影响系统性能和寿命。因此，如何实时监控储能通信系统的温升状态，采取有效的控制策略，对于提高系统的可靠性和安全性具有重要意义。
目前，一些现有的温升监控方法主要依赖于人工判断和经验，存在判断不准确、效率低下等问题。同时，传统的温度传感器数据采集方式和处理方法受限于传感器数量和位置，不能全面、准确地监控储能通信系统的温升情况。因此，需要一种高效、准确的自动监控方法和系统来实现对储能通信系统温升状态的实时监测和控制。
且现有技术中，虽然存在采用神经网络或采用其它机器学习算法进行温度温升提前预测控制的应用，但是其在计算中间过程中并没有考虑到温升数据的特征，准确度和数据处理效率方面效果不明显；并没有结合温升的具体因素进行判断这一关键，导致数据准确率大大降低。而现有技术中鲜有通过级连并改进人工智能算法适用于温升自动控制预测的技术，如何能够让温升控制更加智能化，人性化，提高其运行准确率和效率，增强用户实用性成为新的研究课题，且现有的算法在历史数据使用及向量构建方面较为单一，没有考虑到数据与算法选择的匹配性导致准确性以及效率较低；因此，一种能够增提高温升智能化程度的移动式的储能通信温升自动监控技术成为了迫切需求，从而改善用户的体验。
发明内容
为解决上述技术问题，本发明提供一种移动式的储能通信温升自动监控系统及装置，本发明创造性的提出CatBoost-卷积神经网络模型系统，通过考虑到数据采集模块采集的数据与算法匹配性显著提供了温升预测效率，且在准确率方面大大增强，增强用户体验；
一种移动式的储能通信温升自动监控系统，包括：数据采集模块，包括铂电阻温度传感器采集设备温度数据、红外热成像仪采集热成像图像、以及采集公共特征数据，数据采集模块采集频率为
Figure SMS_1
；
数据预处理模块，对数据采集模块采集的数据进行预处理，将数据预处理后的铂电阻温度传感器采集的温度特征数据与采集公共特征数据相连形成铂电阻一维特征向量
Figure SMS_2
，连续k个采集时刻的铂电阻一维向量组成第一向量矩阵/>
Figure SMS_3
；将红外热成像仪采集的热成像图像特征数据与采集公共特征数据相连形成热成像一维特征向量/>
Figure SMS_4
，连续k个采集时刻的热成像一维向量组成第二向量矩阵/>
Figure SMS_5
；
数据计算模块，将第一向量矩阵以及第二向量矩阵输入至训练好的CatBoost-卷积神经网络模型系统进行计算得到未来
Figure SMS_6
时刻的最终温升预测值T_final，即将第一向量矩阵/>
Figure SMS_7
输入至CatBoost模型，将第二向量矩阵/>
Figure SMS_8
输入至卷积神经网络模型，分别得到第一温升值T_catboost及第二温升值T_cnn，
Figure SMS_9
其中，w_catboost 和 w_cnn 分别为CatBoost模型和卷积神经网络模型的权重，k为选择的采集时间点个数；
自动调节模块，当最终温升预测值T_final超过预设的阈值P时，系统自动发出报警信号，根据温升结果调整储能通信系统的充放电功率，以降低温升情况；同时，系统自动控制通风、散热设备，以有效降低系统温度，保护储能通信系统的正常运行。
优选地，所述对数据采集模块采集的数据进行预处理，包括数据清洗、去噪和归一化，数据清洗具体为采用箱线图进行异常值检测，并将检测到的异常值进行修复或者剔除；去噪具体为采用中值滤波对热成像图像数据进行去噪；归一化具体为对采集到的公共特征数据，使用最小-最大值归一化方法将数据映射到[0， 1]范围内。
优选地，所述红外热成像仪为X384红外热像仪，用于获取设备的热成像图像。
优选地，所述采集公共特征数据包括无线温度传感器采集环境温度数据、湿度传感器采集湿度信息、气压传感器采集气压数据，设备状态运行传感器获取设备运行参数包括获取设备工作电压、工作电流、有功功率。
优选地，所述训练好的CatBoost-卷积神经网络模型为将CatBoost模型与卷积神经网络模型级联，CatBoost模型为采用改进CatBoost算法对历史铂电阻温度传感器数据与历史公共特征数据进行训练得到；卷积神经网络模型为采用改进卷积神经网络算法对历史热成像图像特征数据与历史公共特征数据进行训练得到。
优选地，所述CatBoost模型为采用改进CatBoost算法对历史铂电阻温度传感器数据与历史公共特征数据进行训练得到，改进CatBoost算法采用的损失函数
Figure SMS_10
表示如下：
Figure SMS_11
其中，
Figure SMS_12
为历史设备样本数据/>
Figure SMS_13
的真实标签，/>
Figure SMS_14
是样本/>
Figure SMS_15
的预测标签，/>
Figure SMS_16
为模型参数，k为选择的采集时间点个数，/>
Figure SMS_17
为数据采集模块采集频率。
优选地，所述卷积神经网络模型为采用改进卷积神经网络算法对历史热成像图像特征数据与历史公共特征数据进行训练得到，改进卷积神经网络算法采用的激活函数为：
Figure SMS_18
其中，
Figure SMS_19
为输入数据，k为选择的采集时间点个数，/>
Figure SMS_20
为数据采集模块采集频率，e为自然对数的底数。
本发明还包括一种移动式的储能通信温升自动监控装置，其特征在于，包括：微控制器、铂电阻温度传感器、红外热成像仪、无线温度传感器、湿度传感器、气压传感器、设备状态运行传感器、存储器、调试和下载接口、供电单元、无线通信单元、操作系统；其中，微控制器、铂电阻温度传感器、红外热成像仪、无线温度传感器、湿度传感器、气压传感器、设备状态运行传感器、无线通信单元分别连接微控制器和供电单元，存储器、调试和下载接口连接微控制器，所述微控制器包括数据预处理模块，对数据采集模块采集的数据进行预处理；所述微控制器包括数据计算模块，将第一向量矩阵以及第二向量矩阵输入至训练好的CatBoost-卷积神经网络模型系统进行计算得到未来
Figure SMS_21
时刻的最终温升预测值T_final；所述微控制器包括自动调节模块，当最终温升预测值T_final超过预设的阈值P时，系统自动发出报警信号，根据温升结果调整储能通信系统的充放电功率。
与现有技术相比，本发明的技术方案具有以下有益效果：
本发明解决了传统技术中温升预测不准确、效率低下的问题；本发明创造性的提出CatBoost-卷积神经网络模型系统，通过将改进的CatBoost算法训练的模型与改进的卷积神经网络算法训练的模型级联，实现温升的准确预测；且在模型级联过程中将采集频率
Figure SMS_22
和采集点个数因素加入到考虑因素中，实现了模型级联的权重再调整，大大增强了温升预测准确性。
本申请根据采集温升数据的特点分别采用不同的模型进行训练，再根据训练预测结果实现结合综合判断，本申请的改进CatBoost算法针对传感器数据，实现改进损失函数减少了对很多超参数调优的需求，并降低了过度拟合的机会，这也使得模型变得更加具有准确性；本申请针对热成像图像数据特征采用卷积神经网络算法进行处理，实现了处理效率和准确率的大大提升；通过将数据预处理后的铂电阻温度传感器采集的温度特征数据与采集公共特征数据相连形成铂电阻一维特征向量
Figure SMS_23
，连续k个采集时刻的铂电阻一维向量组成第一向量矩阵/>
Figure SMS_24
；将红外热成像仪采集的热成像图像特征数据与采集公共特征数据相连形成热成像一维特征向量/>
Figure SMS_25
，连续k个采集时刻的热成像一维向量组成第二向量矩阵
Figure SMS_26
，实现不同数据类型特点和算法的结合。
本申请采用改进CatBoost算法采用的损失函数
Figure SMS_27
，采用k选择的采集时间点个数、/>
Figure SMS_28
数据采集模块采集频率，加入到损失函数的计算过程中，实现温升数据的影响因素的更加全面，提升判断准确率；且本申请的卷积神经网络的激活函数也加入k选择的采集时间点个数，/>
Figure SMS_29
数据采集模块采集频率，实现模型输出更加准确，大大增强温升预测的准确性，从而改善用户的体验。
本申请通过温度传感器、热成像图像以及环境数据综合判断设备温度大大增强了判断准确度。
附图说明
图1是本发明一种移动式的储能通信温升自动监控系统图；
图2是本发明一种移动式的储能通信温升红外温度传感器示意图。
具体实施方式
本领域技术人员理解，如背景技术所言，传统的设备温升预测的准确性以及效率较低；且在历史数据使用及向量构建方面较为单一，没有考虑到数据与算法选择的匹配性导致准确性以及效率较低，没有将人工智能算法中间计算过程中加入温升特征数据，导致预测结果不理想。因此，一种移动式的储能通信温升自动监控智能化系统成为了迫切需求，从而改善用户的体验。为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
实施例1：
如图1所示一种移动式的储能通信温升自动监控系统流程图，包括：数据采集模块，包括铂电阻温度传感器采集设备温度数据、红外热成像仪采集热成像图像（红外温度传感器）、以及采集公共特征数据，数据采集模块采集频率为
Figure SMS_30
；在一些实施例中采用蓝牙通信，无线通信系统还包括射频模块；
数据预处理模块，对数据采集模块采集的数据进行预处理，将数据预处理后的铂电阻温度传感器采集的温度特征数据与采集公共特征数据相连形成铂电阻一维特征向量
Figure SMS_31
,连续k个采集时刻的铂电阻一维向量组成第一向量矩阵/>
Figure SMS_32
；将红外热成像仪采集的热成像图像特征数据与采集公共特征数据相连形成热成像一维特征向量/>
Figure SMS_33
，连续k个采集时刻的热成像一维向量组成第二向量矩阵/>
Figure SMS_34
；
数据计算模块，将第一向量矩阵以及第二向量矩阵输入至训练好的CatBoost-卷积神经网络模型系统进行计算得到未来
Figure SMS_35
时刻的最终温升预测值T_final，即将第一向量矩阵/>
Figure SMS_36
输入至CatBoost模型，将第二向量矩阵/>
Figure SMS_37
输入至卷积神经网络模型，分别得到第一温升值T_catboost及第二温升值T_cnn，
Figure SMS_38
其中，w_catboost 和 w_cnn 分别为CatBoost模型和卷积神经网络模型的权重，k为选择的采集时间点个数；
自动调节模块，当最终温升预测值T_final超过预设的阈值P时，系统自动发出报警信号，根据温升结果调整储能通信系统的充放电功率，以降低温升情况；同时，系统自动控制通风、散热设备，以有效降低系统温度，保护储能通信系统的正常运行。
在一些实施例中采用一些步骤流程如下：
步骤1：采集温度传感器数据、无线温度传感器、热成像数据；
步骤2：对采集的数据进行预处理，包括数据清洗、去噪和归一化等；
步骤3：将预处理后的数据输入CatBoost算法和卷积神经网络算法进行计算；
步骤4：通过CatBoost算法和卷积神经网络算法相结合，计算得到温升结果，温升结果 = CatBoost算法(温度传感器数据) + 卷积神经网络算法(无线温度传感器数据, 热成像数据)
其中，CatBoost算法通过对温度传感器数据进行训练，建立预测模型，用于预测温升情况；卷积神经网络算法通过对无线温度传感器数据和热成像数据进行训练，建立模型，用于提取特征和识别温升模式。两种算法相结合，能够充分利用多源数据，提高温升预测的准确性和稳定性。
步骤5：根据温升结果采取一定的策略，包括但不限于报警、调整系统参数、自动控制等。例如，当温升结果超过预设的阈值时，系统可以自动发出报警信号，提醒操作人员采取相应的措施。或者系统可以根据温升结果调整储能通信系统的参数，如降低充放电功率，以降低温升情况。同时，系统还可以自动控制通风、散热等设备，以有效降低系统温度，保护储能通信系统的正常运行。
采用了CatBoost算法与卷积神经网络算法相结合的方式，充分利用多源数据，提高了温升预测的准确性和稳定性；
通过预处理、去噪和归一化等步骤，对采集的数据进行了有效处理，减少了噪声和误差对温升结果的影响；
根据温升结果采取一定的策略，实现了对储能通信系统的自动监控和控制，提高了系统的可靠性和安全性；
在一些实施例中，所述对数据采集模块采集的数据进行预处理，包括数据清洗、去噪和归一化，数据清洗具体为采用箱线图进行异常值检测，并将检测到的异常值进行修复或者剔除；去噪具体为采用中值滤波对热成像图像数据进行去噪；归一化具体为对采集到的公共特征数据，使用最小-最大值归一化方法将数据映射到[0, 1]范围内。在数据预处理步骤中，对采集到的温度传感器数据、无线温度传感器数据和热成像数据进行处理，包括数据清洗、缺失值处理和数据标准化等操作，以保证数据的质量和一致性。以下是具体举例说明预处理采用的方法步骤：
数据清洗：对于采集到的数据，可能存在异常值、错误值或者噪声数据，需要进行数据清洗来去除这些干扰项。例如，可以使用统计方法如箱线图、分位数、均值、标准差等进行异常值检测，并将检测到的异常值进行修复或者剔除。
缺失值处理：在实际数据采集过程中，可能会存在部分数据缺失的情况，需要采用合适的方法进行缺失值处理。例如，可以使用插值方法如线性插值、多项式插值、均值插值等来填补缺失值，或者根据业务需求选择删除含有缺失值的样本或者特征。
数据标准化：由于不同传感器数据可能处于不同的尺度或者单位，为了使得数据在模型训练过程中具有一致的权重，需要进行数据标准化。例如，可以使用Z-score标准化、最小-最大值归一化等方法将数据转化为均值为0、标准差为1或者在特定范围内的数值。
在一些实施例中，所述红外热成像仪为X384红外热像仪，用于获取设备的热成像图像。
在一些实施例中，所述采集公共特征数据包括无线温度传感器采集环境温度数据、湿度传感器采集湿度信息、气压传感器采集气压数据，设备状态运行传感器获取设备运行参数包括获取设备工作电压、工作电流、有功功率。
在一些实施例中，所述训练好的CatBoost-卷积神经网络模型为将CatBoost模型与卷积神经网络模型级联，CatBoost模型为采用改进CatBoost算法对历史铂电阻温度传感器数据与历史公共特征数据进行训练得到；卷积神经网络模型为采用改进卷积神经网络算法对历史热成像图像特征数据与历史公共特征数据进行训练得到。
在一些实施例中，所述CatBoost模型为采用改进CatBoost算法对历史铂电阻温度传感器数据与历史公共特征数据进行训练得到，改进CatBoost算法采用的损失函数
Figure SMS_39
表示如下：/>
Figure SMS_40
其中，
Figure SMS_41
为历史设备样本数据/>
Figure SMS_42
的真实标签，/>
Figure SMS_43
是样本/>
Figure SMS_44
的预测标签，/>
Figure SMS_45
为模型参数，k为选择的采集时间点个数，/>
Figure SMS_46
为数据采集模块采集频率。
在一些实施例中，改进CatBoost算法主要包括如下步骤：
计算每个样本的初始预测值
Figure SMS_47
；
Figure SMS_48
Figure SMS_49
表示第0轮迭代样本/>
Figure SMS_50
的初始预测值，/>
Figure SMS_51
表示训练样本数目，/>
Figure SMS_52
表示样本目标值。
进行迭代，更新模型的预测值和残差；
Figure SMS_53
Figure SMS_54
表示第m轮迭代样本/>
Figure SMS_55
的初始预测值，/>
Figure SMS_56
表示第z棵树对样本/>
Figure SMS_57
的预测值。
计算残差的负梯度作为新的目标值；
Figure SMS_58
Figure SMS_59
表示第m轮迭代时样本/>
Figure SMS_60
的残差，/>
Figure SMS_61
为损失函数，用于度量模型的预测值与目标值之间的差异。
在每一轮迭代中，根据负梯度的分布情况，构建一棵新的回归树；
Figure SMS_62
Figure SMS_63
表示第z棵树对样本/>
Figure SMS_64
的预测值，/>
Figure SMS_65
是学习率，/>
Figure SMS_66
为负梯度符号，/>
Figure SMS_67
表示第z棵树的预测值。
通过优化目标函数，寻找最优回归树；
Figure SMS_68
其中
Figure SMS_69
（/>
Figure SMS_70
）为回归树的正则化项，用于防止过拟合。
根据得到的最优回归树，更新模型的预测值和残差；
Figure SMS_71
重复步骤3-6，直到达到预定的迭代此时或收敛停止。
在一些实施例中，所述卷积神经网络模型为采用改进卷积神经网络算法对历史热成像图像特征数据与历史公共特征数据进行训练得到，改进卷积神经网络算法采用的激活函数为：
Figure SMS_72
其中，
Figure SMS_73
为输入数据，k为选择的采集时间点个数，/>
Figure SMS_74
为数据采集模块采集频率，e为自然对数的底数。
卷积神经网络计算过程中，首先计算卷积层，然后计算池化层，计算全连接层、选择激活函数，损失函数计算本申请一般采用交叉熵损失函数。
实施例2：
在一些实施例中本发明提供一种移动式的储能通信温升自动监控系统及装置，包括温度传感器、数据采集模块、通信模块、控制模块和监控中心。
温度传感器用于实时采集储能系统内部或外部的温度数据，可以通过多个传感器分布在储能系统的不同位置，以获得更全面的温度信息。
数据采集模块与温度传感器连接，用于将采集到的温度数据进行处理和存储，包括温度数据的采样、滤波和校准等，确保数据的准确性和可靠性。
通信模块与数据采集模块连接，用于将处理后的温度数据通过无线通信方式传输至监控中心。通信模块可以采用多种通信技术，例如蜂窝网络、无线局域网（Wi-Fi）或蓝牙等，以适应不同的应用场景和通信需求。
控制模块与数据采集模块和通信模块连接，用于控制数据采集和通信的时序和方式。控制模块可以根据预设的参数和算法，对数据采集和通信进行调度和控制，以实现高效的温升监控。移动式的设计：本发明采用了移动式的设计，使得储能系统不受固定位置限制，可以实现对移动式储能系统的温升监控，适用于各种移动式能源存储设备，如电动汽车、移动式储能车辆等。
多传感器的布置：本发明通过在储能系统的不同位置布置多个温度传感器，可以获得更全面的温度信息，提高了温升监控的准确性和可靠性。
高效的数据处理和通信：本发明通过数据采集模块和通信模块的联合工作，实现了对温度数据的高效处理和无线传输，可以避免数据传输延迟和不稳定性的问题，提高了温升监控的实时性和稳定性。
预设的算法和监控中心：本发明在控制模块和监控中心中设置了预设的算法，可以对采集到的温度数据进行实时分析和判断，生成温升报告和预警信息，提供了更智能化的温升监控方案。
监控中心连接于通信模块，接收并处理从储能系统传输的温度数据。监控中心可以是位于远程服务器的云端平台，也可以是位于本地的监控设备。监控中心通过接收到的温度数据，可以实时监测储能系统的温升情况，并根据预设的算法进行分析和判断，生成温升报告和预警信息。
在一些实施例中装置包括：微控制器、铂电阻温度传感器、红外热成像仪、无线温度传感器、湿度传感器、气压传感器、设备状态运行传感器、存储器、调试和下载接口、供电单元、无线通信单元、操作系统；其中，微控制器、铂电阻温度传感器、红外热成像仪、无线温度传感器、湿度传感器、气压传感器、设备状态运行传感器、无线通信单元分别连接微控制器和供电单元，存储器、调试和下载接口连接微控制器，所述微控制器包括数据预处理模块，对数据采集模块采集的数据进行预处理；所述微控制器包括数据计算模块，将第一向量矩阵以及第二向量矩阵输入至训练好的CatBoost-卷积神经网络模型系统进行计算得到未来
Figure SMS_75
时刻的最终温升预测值T_final；所述微控制器包括自动调节模块，当最终温升预测值T_final超过预设的阈值P时，系统自动发出报警信号，根据温升结果调整储能通信系统的充放电功率。
在一些实施例中，在模型训练步骤中，采用CatBoost算法和卷积神经网络算法进行模型训练。CatBoost算法是一种基于梯度提升树的机器学习算法，具有处理类别特征和缺失值的优势，适用于本发明中的多源数据情况。卷积神经网络算法是一种深度学习算法，具有较强的特征提取和模式识别能力，适用于处理热成像数据。通过将这两种算法相结合进行模型训练，可以充分利用多源数据的信息，提高温升结果的准确性和稳定性。
在一些实施例中温升计算：
在温升计算步骤中，利用经过训练的CatBoost模型和卷积神经网络模型对预处理后的数据进行输入，通过模型的推理过程得到温升结果。具体而言，CatBoost模型可以用于处理温度传感器数据和无线温度传感器数据，通过对系统的实时温度数据进行特征提取和模式识别，得到温升预测值。卷积神经网络模型可以用于处理热成像数据，通过对热成像数据进行卷积和池化操作，提取温升相关的特征信息，得到温升预测值。最终，将两个模型的预测值结合起来，得到综合的温升结果。
在一些实施例中，策略执行：
根据温升结果，系统可以执行一定的策略来控制储能通信系统的运行状态。例如，如果温升结果超过预设阈值，系统可以自动发出报警信号，并通知操作人员进行相应的处理措施，如降低充放电功率或增加通风散热设备的运行。系统还可以根据温升趋势图进行长期的运行策略优化，以保护储能通信系统的正常运行并延长其使用寿命。
本发明解决了传统技术中温升预测不准确、效率地下的问题；本发明创造性的提出CatBoost-卷积神经网络模型系统，通过将改进的CatBoost算法训练的模型与改进的卷积神经网络算法训练的模型级联，实现温升的准确预测；且在模型级联过程中将采集频率
Figure SMS_76
和采集点个数因素加入到考虑因素中，实现了模型级联的权重再调整，大大增强了温升预测准确性。相结合进行计算，提供了一种高效准确的温升监控方案。该发明在数据预处理、模型训练和温升计算等方面具有较高的创新性，通过多源数据的综合利用和先进的机器学习算法，能够对储能通信系统的温升状态进行实时监控和预测，有助于避免温升过高导致的安全风险，并采取相应的控制策略，从而保障系统的稳定运行。此外，该发明的方法和系统还具有较好的适用性和灵活性，可广泛应用于不同类型的储能通信系统，具有广阔的应用前景。
本申请根据采集温升数据的特点分别采用不同的模型进行训练，再根据训练预测结果实现结合综合判断，本申请的改进CatBoost算法针对传感器数据，实现改进损失函数减少了对很多超参数调优的需求，并降低了过度拟合的机会，这也使得模型变得更加具有准确性；本申请针对热成像图像数据特征采用卷积神经网络算法进行处理，实现了处理效率和准确率的大大提升；通过将数据预处理后的铂电阻温度传感器采集的温度特征数据与采集公共特征数据相连形成铂电阻一维特征向量
Figure SMS_77
,连续k个采集时刻的铂电阻一维向量组成第一向量矩阵/>
Figure SMS_78
；将红外热成像仪采集的热成像图像特征数据与采集公共特征数据相连形成热成像一维特征向量/>
Figure SMS_79
,连续k个采集时刻的热成像一维向量组成第二向量矩阵
Figure SMS_80
，实现不同数据类型特点和算法的结合。
本申请采用改进CatBoost算法采用的损失函数
Figure SMS_81
，采用k选择的采集时间点个数、/>
Figure SMS_82
数据采集模块采集频率，加入到损失函数的计算过程中，实现温升数据的影响因素的更加全面，提升判断准确率；且本申请的卷积神经网络的激活函数也加入k选择的采集时间点个数,/>
Figure SMS_83
数据采集模块采集频率，实现模型输出更加准确，大大增强温升预测的准确性，从而改善用户的体验。
本领域技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品，因此本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (8)

1.一种移动式的储能通信温升自动监控系统，其特征在于，包括：
数据采集模块，包括铂电阻温度传感器采集设备温度数据、红外热成像仪采集热成像图像、以及采集公共特征数据，数据采集模块采集频率为
Figure QLYQS_1
；
数据预处理模块，对数据采集模块采集的数据进行预处理，将数据预处理后的铂电阻温度传感器采集的温度特征数据与采集公共特征数据相连形成铂电阻一维特征向量
Figure QLYQS_2
，连续k个采集时刻的铂电阻一维向量组成第一向量矩阵/>
Figure QLYQS_3
；将红外热成像仪采集的热成像图像特征数据与采集公共特征数据相连形成热成像一维特征向量/>
Figure QLYQS_4
，连续k个采集时刻的热成像一维向量组成第二向量矩阵/>
Figure QLYQS_5
；
数据计算模块，将第一向量矩阵以及第二向量矩阵输入至训练好的CatBoost-卷积神经网络模型系统进行计算得到未来
Figure QLYQS_6
时刻的最终温升预测值T_final，即将第一向量矩阵/>
Figure QLYQS_7
输入至CatBoost模型，将第二向量矩阵/>
Figure QLYQS_8
输入至卷积神经网络模型，分别得到第一温升值T_catboost及第二温升值T_cnn，
Figure QLYQS_9
；
其中，w_catboost 和 w_cnn 分别为CatBoost模型和卷积神经网络模型的权重，k为选择的采集时间点个数；
自动调节模块，当最终温升预测值T_final超过预设的阈值P时，系统自动发出报警信号，根据温升结果调整储能通信系统的充放电功率，以降低温升情况；同时，系统自动控制通风、散热设备，以有效降低系统温度，保护储能通信系统的正常运行。
2.根据权利要求1所述的一种移动式的储能通信温升自动监控系统，其特征在于，所述对数据采集模块采集的数据进行预处理，包括数据清洗、去噪和归一化，数据清洗具体为采用箱线图进行异常值检测，并将检测到的异常值进行修复或者剔除；去噪具体为采用中值滤波对热成像图像数据进行去噪；归一化具体为对采集到的公共特征数据，使用最小-最大值归一化方法将数据映射到[0，1]范围内。
3.根据权利要求1所述的一种移动式的储能通信温升自动监控系统，其特征在于，所述红外热成像仪为X384红外热像仪，用于获取设备的热成像图像。
4.根据权利要求1所述的一种移动式的储能通信温升自动监控系统，其特征在于，所述采集公共特征数据包括无线温度传感器采集环境温度数据、湿度传感器采集湿度信息、气压传感器采集气压数据，设备状态运行传感器获取设备运行参数包括获取设备工作电压、工作电流、有功功率。
5.根据权利要求1所述的一种移动式的储能通信温升自动监控系统，其特征在于，所述训练好的CatBoost-卷积神经网络模型为将CatBoost模型与卷积神经网络模型级联，CatBoost模型为采用改进CatBoost算法对历史铂电阻温度传感器数据与历史公共特征数据进行训练得到；卷积神经网络模型为采用改进卷积神经网络算法对历史热成像图像特征数据与历史公共特征数据进行训练得到。
6.根据权利要求5所述的一种移动式的储能通信温升自动监控系统，其特征在于，所述CatBoost模型为采用改进CatBoost算法对历史铂电阻温度传感器数据与历史公共特征数据进行训练得到，改进CatBoost算法采用的损失函数
Figure QLYQS_10
表示如下：
Figure QLYQS_11
；
其中，
Figure QLYQS_12
为历史设备样本数据/>
Figure QLYQS_13
的真实标签，/>
Figure QLYQS_14
是样本/>
Figure QLYQS_15
的预测标签，/>
Figure QLYQS_16
为模型参数，k为选择的采集时间点个数，/>
Figure QLYQS_17
为数据采集模块采集频率。
7.根据权利要求5所述的一种移动式的储能通信温升自动监控系统，其特征在于，所述卷积神经网络模型为采用改进卷积神经网络算法对历史热成像图像特征数据与历史公共特征数据进行训练得到，改进卷积神经网络算法采用的激活函数为：
Figure QLYQS_18
；
其中，
Figure QLYQS_19
为输入数据，k为选择的采集时间点个数，/>
Figure QLYQS_20
为数据采集模块采集频率，e为自然对数的底数。
8.一种移动式的储能通信温升自动监控装置，其特征在于，包括：微控制器、铂电阻温度传感器、红外热成像仪、无线温度传感器、湿度传感器、气压传感器、设备状态运行传感器、存储器、调试和下载接口、供电单元、无线通信单元、操作系统；其中，微控制器、铂电阻温度传感器、红外热成像仪、无线温度传感器、湿度传感器、气压传感器、设备状态运行传感器、无线通信单元分别连接微控制器和供电单元，存储器、调试和下载接口连接微控制器，所述微控制器包括数据预处理模块，对数据采集模块采集的数据进行预处理；所述微控制器包括数据计算模块，将第一向量矩阵以及第二向量矩阵输入至训练好的CatBoost-卷积神经网络模型系统进行计算得到未来
Figure QLYQS_21
时刻的最终温升预测值T_final；所述微控制器包括自动调节模块，当最终温升预测值T_final超过预设的阈值P时，系统自动发出报警信号，根据温升结果调整储能通信系统的充放电功率。/>
CN202310497668.0A 2023-05-06 2023-05-06 一种移动式的储能通信温升自动监控系统及装置 Active CN116225102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310497668.0A CN116225102B (zh) 2023-05-06 2023-05-06 一种移动式的储能通信温升自动监控系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310497668.0A CN116225102B (zh) 2023-05-06 2023-05-06 一种移动式的储能通信温升自动监控系统及装置

Publications (2)

Publication Number Publication Date
CN116225102A true CN116225102A (zh) 2023-06-06
CN116225102B CN116225102B (zh) 2023-08-01

Family

ID=86589490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310497668.0A Active CN116225102B (zh) 2023-05-06 2023-05-06 一种移动式的储能通信温升自动监控系统及装置

Country Status (1)

Country Link
CN (1) CN116225102B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116494493A (zh) * 2023-06-25 2023-07-28 天津市全福车业有限公司 一种注塑集中供料系统智能监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114156916A (zh) * 2021-11-02 2022-03-08 华中科技大学 一种基于磁体状态预测的超导储能系统控制方法及装置
CN115099519A (zh) * 2022-07-13 2022-09-23 西南石油大学 一种基于多机器学习模型融合的油井产量预测方法
CN115344074A (zh) * 2022-10-18 2022-11-15 杭州科工电子科技有限公司 一种基于大数据的锂电池恒温控制系统
CN115498627A (zh) * 2022-08-25 2022-12-20 国网河北省电力有限公司经济技术研究院 一种融合序列分解和特征选择的组合负荷预测方法
CN115841201A (zh) * 2022-09-16 2023-03-24 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种考虑高寒地区热网特性的热网损耗预测方法和系统
CN116027830A (zh) * 2022-12-08 2023-04-28 广东电网有限责任公司 一种超导磁体安全运行控制方法、装置、设备和介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114156916A (zh) * 2021-11-02 2022-03-08 华中科技大学 一种基于磁体状态预测的超导储能系统控制方法及装置
CN115099519A (zh) * 2022-07-13 2022-09-23 西南石油大学 一种基于多机器学习模型融合的油井产量预测方法
CN115498627A (zh) * 2022-08-25 2022-12-20 国网河北省电力有限公司经济技术研究院 一种融合序列分解和特征选择的组合负荷预测方法
CN115841201A (zh) * 2022-09-16 2023-03-24 呼伦贝尔安泰热电有限责任公司海拉尔热电厂 一种考虑高寒地区热网特性的热网损耗预测方法和系统
CN115344074A (zh) * 2022-10-18 2022-11-15 杭州科工电子科技有限公司 一种基于大数据的锂电池恒温控制系统
CN116027830A (zh) * 2022-12-08 2023-04-28 广东电网有限责任公司 一种超导磁体安全运行控制方法、装置、设备和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116494493A (zh) * 2023-06-25 2023-07-28 天津市全福车业有限公司 一种注塑集中供料系统智能监测方法
CN116494493B (zh) * 2023-06-25 2023-08-22 天津市全福车业有限公司 一种注塑集中供料系统智能监测方法

Also Published As

Publication number Publication date
CN116225102B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN114372417A (zh) 基于充电网的电动汽车电池健康状态和剩余寿命评估方法
CN116225102B (zh) 一种移动式的储能通信温升自动监控系统及装置
CN117176560B (zh) 一种基于物联网的监测设备监管系统及其方法
CN117113729B (zh) 一种基于数字孪生的电力设备在线状态监测系统
CN116683588B (zh) 锂离子电池充放电控制方法及系统
CN113240184B (zh) 一种基于联邦学习的楼宇空间单元冷负荷预测方法及系统
CN111525587B (zh) 一种基于无功负荷态势的电网无功电压控制方法及系统
CN109459626B (zh) 用于电动汽车的充电机器人的监测系统和监测方法
CN116227637A (zh) 一种面向有源配电网的精细化负荷预测方法和系统
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN115617606A (zh) 设备监测方法和系统、电子设备、存储介质
CN113326585B (zh) 燃气锅炉的能效异常预警方法、装置和计算机设备
CN116125204A (zh) 一种基于电网数字化的故障预测系统
CN117273402B (zh) 基于物联网技术的玻璃深加工生产线节能管理系统及方法
CN114579659A (zh) 一种梯次利用动力电池利用潜力评估及分选系统和方法
CN117318249A (zh) 一种电池充电云监测方法及系统
CN115481815A (zh) 基于神经网络的火电厂负荷分配系统及方法
CN113688973A (zh) 一种基于深度神经网络的供水泵站调度方法
CN114734845A (zh) 超级充电枪温度控制方法、系统和基于其的超级充电枪
CN114254798A (zh) 输电线路的监控方法、装置、计算机设备和存储介质
CN113212244A (zh) 一种新能源车辆动力电池寿命预测方法及系统
CN116367108B (zh) 一种基于云计算的车间安全监控系统
CN117575291B (zh) 基于边缘参数熵的联邦学习的数据协同管理方法
CN114065898B (zh) 基于决策技术的空调机能量使用测控方法及系统
CN117713688B (zh) 光伏组件在多朝向及倾角下的低效识别与电量提升方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20230606

Assignee: Guangzhou zhongdiantong Technology Co.,Ltd.

Assignor: China Southern power grid peak shaving and frequency modulation (Guangdong) energy storage technology Co.,Ltd.

Contract record no.: X2024980000129

Denomination of invention: A mobile energy storage communication temperature rise automatic monitoring system and device

Granted publication date: 20230801

License type: Common License

Record date: 20240105

EE01 Entry into force of recordation of patent licensing contract
TR01 Transfer of patent right

Effective date of registration: 20240313

Address after: Room 1503, No. 858, Lianhua Avenue West, Donghuan Street, Panyu District, Guangzhou, Guangdong 510000

Patentee after: Southern Power Grid Energy Storage Co.,Ltd. Information and Communication Branch

Country or region after: China

Address before: Room 1503, No. 858 Lianhua Avenue West, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province, 511492

Patentee before: INFORMATION COMMUNICATION BRANCH, SOUTHERN POWER GRID PEAKING FM POWER GENERATION Co.,Ltd.

Country or region before: China

TR01 Transfer of patent right