CN116402227A - 一种基于云计算的风电大数据分析方法及系统 - Google Patents
一种基于云计算的风电大数据分析方法及系统 Download PDFInfo
- Publication number
- CN116402227A CN116402227A CN202310394795.8A CN202310394795A CN116402227A CN 116402227 A CN116402227 A CN 116402227A CN 202310394795 A CN202310394795 A CN 202310394795A CN 116402227 A CN116402227 A CN 116402227A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- equipment
- layer
- analysis
- 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
- 238000007405 data analysis Methods 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 172
- 238000012544 monitoring process Methods 0.000 claims abstract description 153
- 230000005856 abnormality Effects 0.000 claims abstract description 44
- 238000007418 data mining Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 77
- 230000009467 reduction Effects 0.000 claims description 68
- 230000007613 environmental effect Effects 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 58
- 238000009529 body temperature measurement Methods 0.000 claims description 51
- 238000012216 screening Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000013433 optimization analysis Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 14
- 238000010248 power generation Methods 0.000 abstract 1
- 210000002569 neuron Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013210 evaluation model Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于云计算的风电大数据分析方法及系统,涉及大数据分析领域,其中,所述方法包括:基于云计算平台对实时监测数据库进行分类整合,获得整合监测数据;基于风电大数据分析记录进行数据挖掘,生成多维状态分析模型;将整合监测数据输入多维状态分析模型,获得多维设备状态分析结果;判断多维设备状态分析结果是否满足多维设备状态预警约束条件,如果多维设备状态分析结果满足多维设备状态预警约束条件,生成设备异常预警信号;通过云计算平台将设备异常预警信号发送至目标风电场的管理人员。解决了现有技术中针对风电场的设备监测预警精准性不足、时效性低,进而造成风电场的设备监测预警效果不佳的技术问题。
Description
技术领域
本发明属于大数据分析技术领域,具体涉及一种基于云计算的风电大数据分析方法及系统。
背景技术
大数据分析已广泛应用于许多领域。随着风电装机容量的不断上升,风电在电力系统中发挥着越来越重要的作用。与此同时,风电场的数据急剧增加。将风电场与大数据分析相结合,研究设计一种针对风电场的大数据分析方法,具有重要的现实意义。
现有技术中,存在针对风电场的设备监测预警精准性不足、时效性低,进而造成风电场的设备监测预警效果不佳的技术问题。
发明内容
本申请提供了一种基于云计算的风电大数据分析方法及系统。解决了现有技术中针对风电场的设备监测预警精准性不足、时效性低,进而造成风电场的设备监测预警效果不佳的技术问题。达到了提高风电场的设备监测预警精准性、时效性,提升风电场的设备监测预警质量,为风电场的安全运行奠定基础的技术效果。
鉴于上述问题,本申请提供了一种基于云计算的风电大数据分析方法及系统。
第一方面,本申请提供了一种基于云计算的风电大数据分析方法,其中,所述方法应用于一种基于云计算的风电大数据分析系统,所述系统包括云计算平台,所述方法包括:基于目标风电场进行实时监测,获得所述目标风电场的实时监测数据库;基于所述云计算平台对所述实时监测数据库进行分类整合,获得整合监测数据,其中,所述整合监测数据包括一次高压设备实时运行数据、二次保护装置实时运行数据和重要节点设备测温数据;连接所述云计算平台,获得风电大数据分析记录,其中,所述风电大数据分析记录包括高压设备数据分析记录、保护装置数据分析记录和设备测温数据分析记录;基于所述风电大数据分析记录进行数据挖掘,生成多维状态分析模型,并将所述多维状态分析模型嵌入至所述云计算平台,其中,所述多维状态分析模型包括输入层、高压设备状态分析层、保护装置状态分析层、设备测温数据分析层和输出层;将所述整合监测数据输入所述多维状态分析模型,获得多维设备状态分析结果;基于所述目标风电场,获得多维设备状态预警约束条件;判断所述多维设备状态分析结果是否满足所述多维设备状态预警约束条件,如果所述多维设备状态分析结果满足所述多维设备状态预警约束条件,生成设备异常预警信号;通过所述云计算平台将所述设备异常预警信号发送至所述目标风电场的管理人员。
第二方面,本申请还提供了一种基于云计算的风电大数据分析系统,其中,所述系统包括云计算平台,所述系统包括:实时监测模块,所述实时监测模块用于基于目标风电场进行实时监测,获得所述目标风电场的实时监测数据库;分类整合模块,所述分类整合模块用于基于所述云计算平台对所述实时监测数据库进行分类整合,获得整合监测数据,其中,所述整合监测数据包括一次高压设备实时运行数据、二次保护装置实时运行数据和重要节点设备测温数据;分析记录获得模块,所述分析记录获得模块用于连接所述云计算平台,获得风电大数据分析记录,其中,所述风电大数据分析记录包括高压设备数据分析记录、保护装置数据分析记录和设备测温数据分析记录;数据挖掘模块,所述数据挖掘模块用于基于所述风电大数据分析记录进行数据挖掘,生成多维状态分析模型,并将所述多维状态分析模型嵌入至所述云计算平台,其中,所述多维状态分析模型包括输入层、高压设备状态分析层、保护装置状态分析层、设备测温数据分析层和输出层;状态分析模块,所述状态分析模块用于将所述整合监测数据输入所述多维状态分析模型,获得多维设备状态分析结果;预警约束条件获得模块,所述预警约束条件获得模块用于基于所述目标风电场,获得多维设备状态预警约束条件;判断模块,所述判断模块用于判断所述多维设备状态分析结果是否满足所述多维设备状态预警约束条件,如果所述多维设备状态分析结果满足所述多维设备状态预警约束条件,生成设备异常预警信号;预警信号发送模块,所述预警信号发送模块用于通过所述云计算平台将所述设备异常预警信号发送至所述目标风电场的管理人员。
第三方面,本申请还提供了一种电子设备,包括:存储器,用于存储可执行指令;处理器,用于执行所述存储器中存储的可执行指令时,实现本申请提供的一种基于云计算的风电大数据分析方法。
第四方面,本申请还提供了一种计算机可读存储介质,存储有计算机程序,该程序被处理器执行时,实现本申请提供的一种基于云计算的风电大数据分析方法。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过对目标风电场进行实时监测,获得目标风电场的实时监测数据库;通过云计算平台对实时监测数据库进行分类整合,获得整合监测数据;通过对风电大数据分析记录进行数据挖掘,生成多维状态分析模型;将整合监测数据输入多维状态分析模型,获得多维设备状态分析结果;判断多维设备状态分析结果是否满足多维设备状态预警约束条件,如果多维设备状态分析结果满足多维设备状态预警约束条件,生成设备异常预警信号;通过云计算平台将设备异常预警信号发送至目标风电场的管理人员。达到了提高风电场的设备监测预警精准性、时效性,提升风电场的设备监测预警质量,为风电场的安全运行奠定基础的技术效果。
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
附图用来提供对本发明进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本申请一种基于云计算的风电大数据分析方法的流程示意图;
图2为本申请一种基于云计算的风电大数据分析方法中对整合监测数据进行优化更新的流程示意图;
图3为本申请一种基于云计算的风电大数据分析系统的结构示意图;
图4为本申请示例性电子设备的结构示意图。
附图标记说明:实时监测模块11,分类整合模块12,分析记录获得模块13,数据挖掘模块14,状态分析模块15,预警约束条件获得模块16,判断模块17,预警信号发送模块18,处理器31,存储器32,输入装置33,输出装置34。
具体实施方式
本申请通过提供一种基于云计算的风电大数据分析方法及系统。解决了现有技术中针对风电场的设备监测预警精准性不足、时效性低,进而造成风电场的设备监测预警效果不佳的技术问题。达到了提高风电场的设备监测预警精准性、时效性,提升风电场的设备监测预警质量,为风电场的安全运行奠定基础的技术效果。
实施例一
请参阅附图1,本申请提供一种基于云计算的风电大数据分析方法,其中,所述方法应用于一种基于云计算的风电大数据分析系统,所述系统包括云计算平台,所述方法具体包括如下步骤:
步骤S100:基于目标风电场进行实时监测,获得所述目标风电场的实时监测数据库;
步骤S200:基于所述云计算平台对所述实时监测数据库进行分类整合,获得整合监测数据,其中,所述整合监测数据包括一次高压设备实时运行数据、二次保护装置实时运行数据和重要节点设备测温数据;
具体而言,所述一种基于云计算的风电大数据分析系统包括传感监测模块。连接传感监测模块,通过传感监测模块对目标风电场进行实时监测,获得目标风电场的实时监测数据库。将实时监测数据库上传至云计算平台,由云计算平台对实时监测数据库进行分类整合,获得整合监测数据。
其中,所述传感监测模块包括多个传感监测单元。每个传感监测单元与目标风电场内的设备通信连接,用于对该设备进行监测。每个传感监测单元包括电压传感器、电流传感器、温度传感器、动作信号传感器、开关传感器中的一个或多个。所述目标风电场可以为使用所述一种基于云计算的风电大数据分析系统进行智能化设备监测预警的任意风电场。所述实时监测数据库包括目标风电场的一次高压设备、二次保护装置、重要节点对应的多个实时监测信息。所述云计算平台与所述一种基于云计算的风电大数据分析系统通信连接。所述云计算平台为现有技术中具有数据存储、数据处理功能的综合云计算平台。所述整合监测数据包括一次高压设备实时运行数据、二次保护装置实时运行数据和重要节点设备测温数据。所述一次高压设备实时运行数据包括目标风电场的风电机组、变压器、汇集线路、电流互感器、电压互感器对应的实时电压参数、实时电流参数,以及各集电线路开关位置信号、母线分段开关位置信号、变压器开关位置信号等多个实时监测信息。所述二次保护装置实时运行数据包括目标风电场的集电母线保护装置实时动作信号、变压器保护装置实时动作信号等多个实时监测信息。所述重要节点设备测温数据包括变压器、各电压等级出线连接点、各段集电母线、集电线路与各风电机组连接点对应的实时测温信息。达到了通过云计算平台对实时监测数据库进行分类整合,获得可靠的整合监测数据,从而提高对目标风电场进行大数据分析的效率的技术效果。
进一步的,本申请步骤S200还包括:
步骤S210:所述云计算平台包括AHP特征约简模型,其中,所述AHP特征约简模型包括约简目标层、约简决策层和约简执行层;
步骤S220:根据所述约简目标层,获得约简响应目标;
步骤S230:将所述约简响应目标和所述实时监测数据库输入所述约简决策层,获得多级约简维度;
步骤S240:所述约简执行层根据所述多级约简维度对所述实时监测数据库进行预处理。
具体而言,云计算平台包括AHP特征约简模型。AHP特征约简模型包括约简目标层、约简决策层和约简执行层。将实时监测数据库输入约简目标层,获得约简响应目标。将约简响应目标和实时监测数据库输入约简决策层,约简决策层按照约简响应目标对实时监测数据库进行约简指标匹配,获得多级约简维度。约简执行层按照多级约简维度对实时监测数据库进行预处理,获得预处理之后的实时监测数据库。通过云计算平台对预处理之后的实时监测数据库进行分类整合,获得整合监测数据。其中,AHP特征约简模型是一个由约简目标层、约简决策层、约简执行层构成的层次分析模型。所述约简响应目标包括通过层次分析法对输入的实时监测数据库进行降维处理。所述多级约简维度包括数据价值度约简、数据完整度约简等多个约简指标。示例性地,在约简执行层按照多级约简维度对实时监测数据库进行预处理时,对实时监测数据库中的多个实时监测信息进行重要性评估,获得多个数据重要性参数。将不满足数据重要性阈值的多个数据重要性参数对应的多个实时监测信息进行删除,获得多个优选实时监测信息,并将多个优选实时监测信息添加至预处理之后的实时监测数据库。达到了通过AHP特征约简模型对实时监测数据库进行降维处理,从而降低实时监测数据库的信息冗杂性,提高对实时监测数据库进行分类的效率的技术效果。
进一步的,如附图2所示,本申请步骤S240之后,还包括:
步骤S250:获得所述目标风电场的多个实时环境参数;
步骤S260:基于所述多个实时环境参数进行环境影响度评估,获得多个环境干扰指数;
步骤S270:基于环境影响约束条件对所述多个环境干扰指数进行筛选,获得满足环境影响约束条件的筛选环境干扰指数;
具体而言,获得实时监测数据库对应的多个实时环境参数,并对多个实时环境参数进行环境影响度评估,获得多个环境干扰指数。每个实时环境参数包括实时监测数据库中的每个实时监测信息对应的实时环境温度、实时环境湿度等多个环境指标。每个环境干扰指数包括每个实时环境参数中的多个环境指标对应的多个环境指标干扰值。环境指标干扰值越大,对应的环境指标对实时监测信息的准确性干扰程度越大。继而,环境影响约束条件包括预先设置确定的环境指标干扰阈值。分别判断每个环境干扰指数中的每个环境指标干扰值是否满足环境影响约束条件。当环境指标干扰值满足环境影响约束条件时,将该环境指标干扰值添加至筛选环境干扰指数。所述筛选环境干扰指数包括多个环境筛选干扰指数。每个环境筛选干扰指数包括满足环境影响约束条件的一个/多个环境指标干扰值。
示例性地,在对多个实时环境参数进行环境影响度评估时,基于多个实时环境参数进行历史数据查询,获得多个历史环境参数、多个历史环境干扰指数。将多个历史环境参数、多个历史环境干扰指数进行不断的自我训练学习至收敛状态,即可获得环境影响度评估模型。将多个实时环境参数输入环境影响度评估模型,通过环境影响度评估模型对多个实时环境参数进行环境指标干扰值匹配,获得多个环境干扰指数。环境影响度评估模型包括输入层、隐含层、输出层。达到了通过对多个实时环境参数进行环境影响度评估、筛选,获得满足环境影响约束条件的筛选环境干扰指数,从而提高对整合监测数据进行优化更新的准确性的技术效果。
步骤S280:基于所述筛选环境干扰指数对所述整合监测数据进行优化更新。
进一步的,本申请步骤S280还包括:
步骤S281:当存在所述筛选环境干扰指数时,判断所述筛选环境干扰指数是否为单一数据;
步骤S282:若所述筛选环境干扰指数不为单一数据,对所述筛选环境干扰指数进行加权融合,获得融合环境干扰指数;
步骤S283:基于所述融合环境干扰指数对所述整合监测数据进行优化更新。
具体而言,当存在筛选环境干扰指数时,分别对筛选环境干扰指数中的多个环境筛选干扰指数是否为单一数据进行判断。当环境筛选干扰指数不为一个环境指标干扰值时,该环境筛选干扰指数不为单一数据,对该环境筛选干扰指数进行加权融合,获得融合环境干扰指数,并根据融合环境干扰指数对整合监测数据进行优化更新。示例性地,当环境筛选干扰指数包括满足环境影响约束条件的两个环境指标干扰值时,该环境筛选干扰指数不为单一数据。按照预先设置确定的环境指标权重约束对这两个环境指标干扰值进行加权计算,获得融合环境干扰指数。将融合环境干扰指数与对应的实时监测信息进行乘法计算,获得调整监测信息,并按照调整监测信息对整合监测数据进行数据更新,从而提高整合监测数据的精准性。环境指标权重约束包括预先设置确定的多个环境指标对应的多个指标干扰权重值。达到了通过筛选环境干扰指数对整合监测数据进行优化更新,提高整合监测数据的精确度,从而提高风电场的设备状态分析的准确性的技术效果。
步骤S300:连接所述云计算平台,获得风电大数据分析记录,其中,所述风电大数据分析记录包括高压设备数据分析记录、保护装置数据分析记录和设备测温数据分析记录;
具体而言,连接云计算平台,对云计算平台进行风电大数据分析信息查询,获得风电大数据分析记录。其中,所述风电大数据分析记录包括高压设备数据分析记录、保护装置数据分析记录和设备测温数据分析记录。所述高压设备数据分析记录包括多个高压设备数据分析序列。每个高压设备数据分析序列包括一次高压设备历史运行数据,以及一次高压设备历史运行数据对应的一次高压设备异常运行数据。一次高压设备异常运行数据包括一次高压设备历史运行数据对应的历史异常类型、历史异常原因、历史异常影响、历史异常风险系数。所述保护装置数据分析记录包括多个保护装置数据分析序列。每个保护装置数据分析序列包括二次保护装置历史运行数据,以及二次保护装置历史运行数据对应的二次保护装置异常运行数据。所述设备测温数据分析记录包括多个设备测温数据分析记录。每个设备测温数据分析记录包括重要节点设备历史测温数据,以及重要节点设备历史测温数据对应的重要节点设备测温异常数据。
步骤S400:基于所述风电大数据分析记录进行数据挖掘,生成多维状态分析模型,并将所述多维状态分析模型嵌入至所述云计算平台,其中,所述多维状态分析模型包括输入层、高压设备状态分析层、保护装置状态分析层、设备测温数据分析层和输出层;
进一步的,本申请步骤S400还包括:
步骤S410:基于BP神经网络,获得所述多维状态分析模型的基础网络结构,其中,所述基础网络结构包括输入层、多个隐含层和输出层;
具体而言,BP神经网络是一种按照误差逆向传播算法进行训练的多层前馈神经网络。BP神经网络包括输入层、多层神经元、输出层。BP神经网络可以进行正向计算、反向计算。正向计算时,输入信息从输入层经过多层神经元逐层处理,转向输出层,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入反向计算,将误差信号沿原来的连接通路返回,通过修改各神经元的权值,使得误差信号最小。将BP神经网络作为多维状态分析模型的基础网络结构,即,所述基础网络结构包括输入层、多个隐含层和输出层。达到了构建多维状态分析模型的基础网络结构,为后续生成多维状态分析模型奠定基础的技术效果。
步骤S420:基于所述高压设备数据分析记录进行数据挖掘,生成所述高压设备状态分析层;
进一步的,本申请步骤S420还包括:
步骤S421:基于所述高压设备数据分析记录进行异常记录提取,获得多个高压设备异常分析记录;
步骤S422:遍历所述多个高压设备异常分析记录进行异常指标提取,获得多个异常指标;
步骤S423:遍历所述多个异常指标进行异常因子、异常影响解析,获得多个异常特征因子;
步骤S424:基于所述多个异常指标和所述多个异常特征因子,构建异常特征关系;
步骤S425:基于所述异常特征关系,获得构建数据集;
步骤S426:基于BP神经网络和所述构建数据集,训练所述高压设备状态分析层,获取训练损失数据集,其中,所述训练损失数据集为输出准确率不满足预设准确率的构建数据集;
步骤S427:基于所述训练损失数据集,获得训练损失数据量;
步骤S428:判断所述训练损失数据量是否小于训练损失数据量阈值;
步骤S429:当所述训练损失数据量小于所述训练损失数据量阈值时,获得收敛的所述高压设备状态分析层。
具体而言,遍历高压设备数据分析记录进行异常记录提取,获得多个高压设备异常分析记录。对多个高压设备异常分析记录进行异常指标提取,获得多个异常指标。继而,基于多个高压设备异常分析记录,对多个异常指标进行异常因子、异常影响提取,获得多个异常特征因子。基于多个异常指标和多个异常特征因子,构建异常特征关系。其中,多个高压设备异常分析记录包括高压设备数据分析记录中的多个一次高压设备异常运行数据。每个异常指标包括每个一次高压设备异常运行数据对应的历史异常类型。每个异常特征因子包括每个异常指标对应的历史异常原因、历史异常影响、历史异常风险系数。异常特征关系包括多个异常指标、多个异常特征因子,以及多个异常指标、多个异常特征因子之间的对应关系。
进一步,基于异常特征关系进行历史数据采集,获得构建数据集。基于BP神经网络,将构建数据集进行不断的自我训练学习,获得高压设备状态分析层和训练损失数据集。继而,对训练损失数据集进行数据量统计,获得训练损失数据量。对训练损失数据量是否小于训练损失数据量阈值进行判断,当训练损失数据量小于训练损失数据量阈值时,获得收敛的高压设备状态分析层。其中,所述构建数据集包括多组构建数据。每组构建数据包括满足异常特征关系的高压设备历史运行信息,以及高压设备历史运行信息对应的历史异常类型信息、历史异常原因信息、历史异常影响信息、历史异常风险系数信息。所述训练损失数据集包括输出准确率不满足预设准确率的构建数据集。所述预设准确率包括预先设置确定的高压设备状态分析层的输出准确率阈值。所述训练损失数据量包括训练损失数据集对应的数据量。所述训练损失数据量阈值包括预先设置确定的训练损失数据量对应的阈值信息。达到了通过对高压设备数据分析记录进行数据挖掘,生成收敛、可靠的高压设备状态分析层,从而提高风电场的设备监测预警的准确度的技术效果。
进一步的,本申请步骤S429之后,还包括:
步骤S4210:当所述训练损失数据量不小于所述训练损失数据量阈值时,基于所述训练损失数据集对所述高压设备状态分析层进行增量学习,获得优化分析层;
步骤S4211:基于所述优化分析层对所述高压设备状态分析层进行更新。
具体而言,在对训练损失数据量是否小于训练损失数据量阈值进行判断时,如果训练损失数据量大于/等于训练损失数据量阈值,则,根据训练损失数据集对高压设备状态分析层进行增量学习,获得优化分析层,并根据优化分析层对高压设备状态分析层进行更新。其中,增量学习是指一个学习系统能不断地从新样本中学习新的知识,并能保存大部分以前已经学习到的知识。增量学习非常类似于人类自身的学习模式。高压设备状态分析层是多个神经元相互连接组成的神经网络,因此,通过训练损失数据集的训练使得优化分析层保留了高压设备状态分析层的基本功能,并维持高压设备状态分析层不断更新的性能,从而提高了高压设备状态分析层的精度。
步骤S430:基于所述保护装置数据分析记录进行数据挖掘,生成所述保护装置状态分析层;
步骤S440:基于所述设备测温数据分析记录进行数据挖掘,生成所述设备测温数据分析层;
步骤S450:将所述高压设备状态分析层、所述保护装置状态分析层和所述设备测温数据分析层标记为所述多个隐含层;
步骤S460:将所述输入层、所述多个隐含层和所述输出层进行连接,生成所述多维状态分析模型。
具体而言,通过对保护装置数据分析记录进行数据挖掘,生成保护装置状态分析层。通过对设备测温数据分析记录进行数据挖掘,生成设备测温数据分析层。将高压设备状态分析层、保护装置状态分析层和设备测温数据分析层标记为多个隐含层。将输入层、多个隐含层和输出层进行连接,生成多维状态分析模型,并将多维状态分析模型嵌入至云计算平台。其中,保护装置状态分析层、设备测温数据分析层与高压设备状态分析层的获得方式相同,为了说明书的简洁,在此不再赘述。所述多个隐含层包括高压设备状态分析层、保护装置状态分析层和设备测温数据分析层。所述多维状态分析模型包括输入层、高压设备状态分析层、保护装置状态分析层、设备测温数据分析层和输出层。达到了通过对风电大数据分析记录进行数据挖掘,构建全面、准确的多维状态分析模型,从而提高对整合监测数据进行数据分析的可靠性的技术效果。
步骤S500:将所述整合监测数据输入所述多维状态分析模型,获得多维设备状态分析结果;
步骤S600:基于所述目标风电场,获得多维设备状态预警约束条件;
步骤S700:判断所述多维设备状态分析结果是否满足所述多维设备状态预警约束条件,如果所述多维设备状态分析结果满足所述多维设备状态预警约束条件,生成设备异常预警信号;
步骤S800:通过所述云计算平台将所述设备异常预警信号发送至所述目标风电场的管理人员。
具体而言,将整合监测数据中的一次高压设备实时运行数据、二次保护装置实时运行数据和重要节点设备测温数据输入多维状态分析模型,由多维状态分析模型中的高压设备状态分析层、保护装置状态分析层、设备测温数据分析层分别对一次高压设备实时运行数据、二次保护装置实时运行数据、重要节点设备测温数据进行智能化分析及异常风险系数匹配,获得多维设备状态分析结果。多维设备状态分析结果包括一次高压设备实时运行数据、二次保护装置实时运行数据、重要节点设备测温数据对应的高压设备异常风险系数、保护装置异常风险系数、设备测温异常风险系数。
进一步,多维设备状态预警约束条件包括预先设置确定的高压设备异常风险系数阈值、保护装置异常风险系数阈值、设备测温异常风险系数阈值。分别判断多维设备状态分析结果中的高压设备异常风险系数、保护装置异常风险系数、设备测温异常风险系数是否满足对应的高压设备异常风险系数阈值、保护装置异常风险系数阈值、设备测温异常风险系数阈值。当多维设备状态分析结果中的任意一个异常风险系数满足对应的多维设备状态预警约束条件时,生成设备异常预警信号,并通过云计算平台将设备异常预警信号发送至目标风电场的管理人员。所述设备异常预警信号是用于表征存在满足多维设备状态预警约束条件的多维设备状态分析结果,需要对该多维设备状态分析结果对应的设备进行状态预警的信号。达到了通过多维状态分析模型对整合监测数据进行智能化分析及异常风险系数匹配,获得准确的多维设备状态分析结果,并结合多维设备状态预警约束条件适应性地生成设备异常预警信号,从而提高风电场的设备监测预警质量的技术效果。
综上所述,本申请所提供的一种基于云计算的风电大数据分析方法具有如下技术效果:
1.通过对目标风电场进行实时监测,获得目标风电场的实时监测数据库;通过云计算平台对实时监测数据库进行分类整合,获得整合监测数据;通过对风电大数据分析记录进行数据挖掘,生成多维状态分析模型;将整合监测数据输入多维状态分析模型,获得多维设备状态分析结果;判断多维设备状态分析结果是否满足多维设备状态预警约束条件,如果多维设备状态分析结果满足多维设备状态预警约束条件,生成设备异常预警信号;通过云计算平台将设备异常预警信号发送至目标风电场的管理人员。达到了提高风电场的设备监测预警精准性、时效性,提升风电场的设备监测预警质量,为风电场的安全运行奠定基础的技术效果。
2.通过筛选环境干扰指数对整合监测数据进行优化更新,提高整合监测数据的精确度,从而提高风电场的设备状态分析的准确性。
3.通过对高压设备数据分析记录进行数据挖掘,生成收敛、可靠的高压设备状态分析层,从而提高风电场的设备监测预警的准确度。
实施例二
基于与前述实施例中一种基于云计算的风电大数据分析方法,同样发明构思,本发明还提供了一种基于云计算的风电大数据分析系统,请参阅附图3,所述系统包括云计算平台,所述系统包括:
实时监测模块11,所述实时监测模块11用于基于目标风电场进行实时监测,获得所述目标风电场的实时监测数据库;
分类整合模块12,所述分类整合模块12用于基于所述云计算平台对所述实时监测数据库进行分类整合,获得整合监测数据,其中,所述整合监测数据包括一次高压设备实时运行数据、二次保护装置实时运行数据和重要节点设备测温数据;
分析记录获得模块13,所述分析记录获得模块13用于连接所述云计算平台,获得风电大数据分析记录,其中,所述风电大数据分析记录包括高压设备数据分析记录、保护装置数据分析记录和设备测温数据分析记录;
数据挖掘模块14,所述数据挖掘模块14用于基于所述风电大数据分析记录进行数据挖掘,生成多维状态分析模型,并将所述多维状态分析模型嵌入至所述云计算平台,其中,所述多维状态分析模型包括输入层、高压设备状态分析层、保护装置状态分析层、设备测温数据分析层和输出层;
状态分析模块15,所述状态分析模块15用于将所述整合监测数据输入所述多维状态分析模型,获得多维设备状态分析结果;
预警约束条件获得模块16,所述预警约束条件获得模块16用于基于所述目标风电场,获得多维设备状态预警约束条件;
判断模块17,所述判断模块17用于判断所述多维设备状态分析结果是否满足所述多维设备状态预警约束条件,如果所述多维设备状态分析结果满足所述多维设备状态预警约束条件,生成设备异常预警信号;
预警信号发送模块18,所述预警信号发送模块18用于通过所述云计算平台将所述设备异常预警信号发送至所述目标风电场的管理人员。
进一步的,所述系统还包括:
第一执行模块,所述第一执行模块用于所述云计算平台包括AHP特征约简模型,其中,所述AHP特征约简模型包括约简目标层、约简决策层和约简执行层;
约简响应目标获得模块,所述约简响应目标获得模块用于根据所述约简目标层,获得约简响应目标;
约简维度获得模块,所述约简维度获得模块用于将所述约简响应目标和所述实时监测数据库输入所述约简决策层,获得多级约简维度;
预处理模块,所述预处理模块用于所述约简执行层根据所述多级约简维度对所述实时监测数据库进行预处理。
进一步的,所述系统还包括:
实时环境参数获得模块,所述实时环境参数获得模块用于获得所述目标风电场的多个实时环境参数;
环境影响度评估模块,所述环境影响度评估模块用于基于所述多个实时环境参数进行环境影响度评估,获得多个环境干扰指数;
指数筛选模块,所述指数筛选模块用于基于环境影响约束条件对所述多个环境干扰指数进行筛选,获得满足环境影响约束条件的筛选环境干扰指数;
数据更新模块,所述数据更新模块用于基于所述筛选环境干扰指数对所述整合监测数据进行优化更新。
进一步的,所述系统还包括:
第二执行模块,所述第二执行模块用于当存在所述筛选环境干扰指数时,判断所述筛选环境干扰指数是否为单一数据;
数据融合模块,所述数据融合模块用于若所述筛选环境干扰指数不为单一数据,对所述筛选环境干扰指数进行加权融合,获得融合环境干扰指数;
第三执行模块,所述第三执行模块用于基于所述融合环境干扰指数对所述整合监测数据进行优化更新。
进一步的,所述系统还包括:
基础网络结构获得模块,所述基础网络结构获得模块用于基于BP神经网络,获得所述多维状态分析模型的基础网络结构,其中,所述基础网络结构包括输入层、多个隐含层和输出层;
第四执行模块,所述第四执行模块用于基于所述高压设备数据分析记录进行数据挖掘,生成所述高压设备状态分析层;
第五执行模块,所述第五执行模块用于基于所述保护装置数据分析记录进行数据挖掘,生成所述保护装置状态分析层;
第六执行模块,所述第六执行模块用于基于所述设备测温数据分析记录进行数据挖掘,生成所述设备测温数据分析层;
第七执行模块,所述第七执行模块用于将所述高压设备状态分析层、所述保护装置状态分析层和所述设备测温数据分析层标记为所述多个隐含层;
连接模块,所述连接模块用于将所述输入层、所述多个隐含层和所述输出层进行连接,生成所述多维状态分析模型。
进一步的,所述系统还包括:
异常记录提取模块,所述异常记录提取模块用于基于所述高压设备数据分析记录进行异常记录提取,获得多个高压设备异常分析记录;
异常指标提取模块,所述异常指标提取模块用于遍历所述多个高压设备异常分析记录进行异常指标提取,获得多个异常指标;
异常特征因子确定模块,所述异常特征因子确定模块用于遍历所述多个异常指标进行异常因子、异常影响解析,获得多个异常特征因子;
异常特征关系构建模块,所述异常特征关系构建模块用于基于所述多个异常指标和所述多个异常特征因子,构建异常特征关系;
第八执行模块,所述第八执行模块用于基于所述异常特征关系,获得构建数据集;
训练模块,所述训练模块用于基于BP神经网络和所述构建数据集,训练所述高压设备状态分析层,获取训练损失数据集,其中,所述训练损失数据集为输出准确率不满足预设准确率的构建数据集;
损失数据量获得模块,所述损失数据量获得模块用于基于所述训练损失数据集,获得训练损失数据量;
第九执行模块,所述第九执行模块用于判断所述训练损失数据量是否小于训练损失数据量阈值;
第十执行模块,所述第十执行模块用于当所述训练损失数据量小于所述训练损失数据量阈值时,获得收敛的所述高压设备状态分析层。
进一步的,所述系统还包括:
增量学习模块,所述增量学习模块用于当所述训练损失数据量不小于所述训练损失数据量阈值时,基于所述训练损失数据集对所述高压设备状态分析层进行增量学习,获得优化分析层;
分析层更新模块,所述分析层更新模块用于基于所述优化分析层对所述高压设备状态分析层进行更新。
本发明实施例所提供的一种基于云计算的风电大数据分析系统可执行本发明任意实施例所提供的一种基于云计算的风电大数据方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例三
图4为本发明实施例三提供的电子设备的结构示意图,示出了适于用来实现本发明实施方式的示例性电子设备的框图。图4显示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图4所示,该电子设备包括处理器31、存储器32、输入装置33及输出装置34;电子设备中处理器31的数量可以是一个或多个,图4中以一个处理器31为例,电子设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接,图4中以通过总线连接为例。
存储器32作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种基于云计算的风电大数据分析方法对应的程序指令/模块。处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述一种基于云计算的风电大数据分析方法。
本申请提供了一种基于云计算的风电大数据分析方法,其中,所述方法应用于一种基于云计算的风电大数据分析系统,所述系统包括云计算平台,所述方法包括:通过对目标风电场进行实时监测,获得目标风电场的实时监测数据库;通过云计算平台对实时监测数据库进行分类整合,获得整合监测数据;通过对风电大数据分析记录进行数据挖掘,生成多维状态分析模型;将整合监测数据输入多维状态分析模型,获得多维设备状态分析结果;判断多维设备状态分析结果是否满足多维设备状态预警约束条件,如果多维设备状态分析结果满足多维设备状态预警约束条件,生成设备异常预警信号;通过云计算平台将设备异常预警信号发送至目标风电场的管理人员。解决了现有技术中针对风电场的设备监测预警精准性不足、时效性低,进而造成风电场的设备监测预警效果不佳的技术问题。达到了提高风电场的设备监测预警精准性、时效性,提升风电场的设备监测预警质量,为风电场的安全运行奠定基础的技术效果。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于云计算的风电大数据分析方法,其特征在于,所述方法应用于一种基于云计算的风电大数据分析系统,所述系统包括云计算平台,所述方法包括:
基于目标风电场进行实时监测,获得所述目标风电场的实时监测数据库;
基于所述云计算平台对所述实时监测数据库进行分类整合,获得整合监测数据,其中,所述整合监测数据包括一次高压设备实时运行数据、二次保护装置实时运行数据和重要节点设备测温数据;
连接所述云计算平台,获得风电大数据分析记录,其中,所述风电大数据分析记录包括高压设备数据分析记录、保护装置数据分析记录和设备测温数据分析记录;
基于所述风电大数据分析记录进行数据挖掘,生成多维状态分析模型,并将所述多维状态分析模型嵌入至所述云计算平台,其中,所述多维状态分析模型包括输入层、高压设备状态分析层、保护装置状态分析层、设备测温数据分析层和输出层;
将所述整合监测数据输入所述多维状态分析模型,获得多维设备状态分析结果;
基于所述目标风电场,获得多维设备状态预警约束条件;
判断所述多维设备状态分析结果是否满足所述多维设备状态预警约束条件,如果所述多维设备状态分析结果满足所述多维设备状态预警约束条件,生成设备异常预警信号;
通过所述云计算平台将所述设备异常预警信号发送至所述目标风电场的管理人员。
2.如权利要求1所述的方法,其特征在于,基于所述云计算平台对所述实时监测数据库进行分类整合之前,包括:
所述云计算平台包括AHP特征约简模型,其中,所述AHP特征约简模型包括约简目标层、约简决策层和约简执行层;
根据所述约简目标层,获得约简响应目标;
将所述约简响应目标和所述实时监测数据库输入所述约简决策层,获得多级约简维度;
所述约简执行层根据所述多级约简维度对所述实时监测数据库进行预处理。
3.如权利要求1所述的方法,其特征在于,获得整合监测数据之后,包括:
获得所述目标风电场的多个实时环境参数;
基于所述多个实时环境参数进行环境影响度评估,获得多个环境干扰指数;
基于环境影响约束条件对所述多个环境干扰指数进行筛选,获得满足环境影响约束条件的筛选环境干扰指数;
基于所述筛选环境干扰指数对所述整合监测数据进行优化更新。
4.如权利要求3所述的方法,其特征在于,所述方法包括:
当存在所述筛选环境干扰指数时,判断所述筛选环境干扰指数是否为单一数据;
若所述筛选环境干扰指数不为单一数据,对所述筛选环境干扰指数进行加权融合,获得融合环境干扰指数;
基于所述融合环境干扰指数对所述整合监测数据进行优化更新。
5.如权利要求1所述的方法,其特征在于,所述方法包括:
基于BP神经网络,获得所述多维状态分析模型的基础网络结构,其中,所述基础网络结构包括输入层、多个隐含层和输出层;
基于所述高压设备数据分析记录进行数据挖掘,生成所述高压设备状态分析层;
基于所述保护装置数据分析记录进行数据挖掘,生成所述保护装置状态分析层;
基于所述设备测温数据分析记录进行数据挖掘,生成所述设备测温数据分析层;
将所述高压设备状态分析层、所述保护装置状态分析层和所述设备测温数据分析层标记为所述多个隐含层;
将所述输入层、所述多个隐含层和所述输出层进行连接,生成所述多维状态分析模型。
6.如权利要求5所述的方法,其特征在于,基于所述高压设备数据分析记录进行数据挖掘,生成所述高压设备状态分析层,包括:
基于所述高压设备数据分析记录进行异常记录提取,获得多个高压设备异常分析记录;
遍历所述多个高压设备异常分析记录进行异常指标提取,获得多个异常指标;
遍历所述多个异常指标进行异常因子、异常影响解析,获得多个异常特征因子;
基于所述多个异常指标和所述多个异常特征因子,构建异常特征关系;
基于所述异常特征关系,获得构建数据集;
基于BP神经网络和所述构建数据集,训练所述高压设备状态分析层,获取训练损失数据集,其中,所述训练损失数据集为输出准确率不满足预设准确率的构建数据集;
基于所述训练损失数据集,获得训练损失数据量;
判断所述训练损失数据量是否小于训练损失数据量阈值;
当所述训练损失数据量小于所述训练损失数据量阈值时,获得收敛的所述高压设备状态分析层。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
当所述训练损失数据量不小于所述训练损失数据量阈值时,基于所述训练损失数据集对所述高压设备状态分析层进行增量学习,获得优化分析层;
基于所述优化分析层对所述高压设备状态分析层进行更新。
8.一种基于云计算的风电大数据分析系统,其特征在于,所述系统包括云计算平台,所述系统还包括:
实时监测模块,所述实时监测模块用于基于目标风电场进行实时监测,获得所述目标风电场的实时监测数据库;
分类整合模块,所述分类整合模块用于基于所述云计算平台对所述实时监测数据库进行分类整合,获得整合监测数据,其中,所述整合监测数据包括一次高压设备实时运行数据、二次保护装置实时运行数据和重要节点设备测温数据;
分析记录获得模块,所述分析记录获得模块用于连接所述云计算平台,获得风电大数据分析记录,其中,所述风电大数据分析记录包括高压设备数据分析记录、保护装置数据分析记录和设备测温数据分析记录;
数据挖掘模块,所述数据挖掘模块用于基于所述风电大数据分析记录进行数据挖掘,生成多维状态分析模型,并将所述多维状态分析模型嵌入至所述云计算平台,其中,所述多维状态分析模型包括输入层、高压设备状态分析层、保护装置状态分析层、设备测温数据分析层和输出层;
状态分析模块,所述状态分析模块用于将所述整合监测数据输入所述多维状态分析模型,获得多维设备状态分析结果;
预警约束条件获得模块,所述预警约束条件获得模块用于基于所述目标风电场,获得多维设备状态预警约束条件;
判断模块,所述判断模块用于判断所述多维设备状态分析结果是否满足所述多维设备状态预警约束条件,如果所述多维设备状态分析结果满足所述多维设备状态预警约束条件,生成设备异常预警信号;
预警信号发送模块,所述预警信号发送模块用于通过所述云计算平台将所述设备异常预警信号发送至所述目标风电场的管理人员。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现权利要求1至7任一项所述的一种基于云计算的风电大数据分析方法。
10.一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,该程序被处理器执行时实现如权利要求1至7中任一项所述的一种基于云计算的风电大数据分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310394795.8A CN116402227A (zh) | 2023-04-13 | 2023-04-13 | 一种基于云计算的风电大数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310394795.8A CN116402227A (zh) | 2023-04-13 | 2023-04-13 | 一种基于云计算的风电大数据分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116402227A true CN116402227A (zh) | 2023-07-07 |
Family
ID=87012082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310394795.8A Pending CN116402227A (zh) | 2023-04-13 | 2023-04-13 | 一种基于云计算的风电大数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116402227A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644438A (zh) * | 2023-07-19 | 2023-08-25 | 江苏华存电子科技有限公司 | 一种基于移动存储设备的数据安全管理方法及系统 |
-
2023
- 2023-04-13 CN CN202310394795.8A patent/CN116402227A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116644438A (zh) * | 2023-07-19 | 2023-08-25 | 江苏华存电子科技有限公司 | 一种基于移动存储设备的数据安全管理方法及系统 |
CN116644438B (zh) * | 2023-07-19 | 2023-11-14 | 江苏华存电子科技有限公司 | 一种基于移动存储设备的数据安全管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308571B (zh) | 配电线路线变关系检测方法 | |
CN116505665B (zh) | 一种电网配电线路的故障监测方法及系统 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
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 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
CN116402227A (zh) | 一种基于云计算的风电大数据分析方法及系统 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及系统 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
Shao et al. | An advanced weighted system based on swarm intelligence optimization for wind speed prediction | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN116152016A (zh) | 一种配电网故障定位方法、装置、设备及存储介质 | |
CN116559590A (zh) | 一种基于粒子群混合灰狼算法的高渗透率分布式光伏配电网分层故障区段定位方法 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN115859701B (zh) | 一种基于电缆检测数据的增设分析方法及系统 | |
CN116129356B (zh) | 一种监控数据分析方法及系统 | |
CN117331017A (zh) | 一种三相四线电能表错接线研判方法及系统 | |
CN116826728A (zh) | 一种少测量样本条件下的配电网状态结构估计方法及系统 | |
Li et al. | Predicting Software Quality by Optimized BP Network Based on PSO. | |
CN116577653A (zh) | 一种储能电机的故障检测方法及系统 | |
CN116049156A (zh) | 一种基于大数据技术的电量数据采集优化方法及系统 | |
CN114662989A (zh) | 电力系统的暂态稳定自适应评估方法及装置 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
Sicheng et al. | Abnormal line loss data detection and correction method |
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 |