CN116707141A - 一种电力运行数据分析方法及系统 - Google Patents
一种电力运行数据分析方法及系统 Download PDFInfo
- Publication number
- CN116707141A CN116707141A CN202310943698.XA CN202310943698A CN116707141A CN 116707141 A CN116707141 A CN 116707141A CN 202310943698 A CN202310943698 A CN 202310943698A CN 116707141 A CN116707141 A CN 116707141A
- Authority
- CN
- China
- Prior art keywords
- electric equipment
- equipment
- information
- state
- electric
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000007405 data analysis Methods 0.000 title claims description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 70
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000010365 information processing Effects 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 12
- 239000013598 vector Substances 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013440 design planning Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000006148 magnetic separator Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明提供一种电力运行数据分析方法及系统,属于电力系统技术领域,用电设备监控服务器获取目标用电设备的设备状态信息;用电设备监控服务器对设备状态信息进行用电信息特征解析处理,得到目标用电设备的用电设备特征;将用电设备特征输入至已训练的设备状态分析模型,输出目标用电设备在各个预设运行周期下的预测运行状态值;用电设备监控服务器分析各预测运行状态值,以确定目标用电设备的设备状态信息,筛选出运行状态信息中涉及的超阈值状态,确定超阈值状态用电设备的地址信息,并进行报警提示。本发明能够对设备状态信息进行汇总,及时发现在用电设备的用电隐患并进行预警,从而实现用电全过程监督、管理和控制的及时性和科学性。
Description
技术领域
本发明属于电力系统技术领域,尤其涉及一种电力运行数据分析方法及系统。
背景技术
用电设备主要是涉及工业,企业以及家用用到的装置,需要消耗电网输送的电能,满足使用要求。工业用电设备,包括电动机、泵类、风机、工业电炉、电焊机、制碱和制铝电解槽、电镀槽、照明电器、制冷与空调等。
为了能够满足用电设备的稳定运行,通常会对大型用电设备配置相应的供电设备,来满足用电设备的电流,电压以及电能的需要。一般情况下,根据实际需要会把用电量较大的工业企业聚集到一个生产区域,或者在一个预设的范围进行建设厂房,来实现集中供电,满足供电的要求,同时也为供电设备的集中安装使用带来了便利条件。
为了保证电网稳定运行,通常会对用电设备进行有效的监控,比如申请号为CN202210850130.9公开了一种用电设备的监控方法,包括如下步骤:获取用电设备的用电信息和用电设备连接的插座的上限功率;对用电信息进行傅里叶变换以得出用电设备的基波参数,并根据基波参数判断用电设备的类型;若用电设备为电感型,则当用电设备的功率超过上限功率时报警并停止向用电设备供电;若用电设备为电阻型,则当用电设备的功率超过上限功率时报警并停止向用电设备供电,且当用电设备使用的时间超过设定阈值时报警。该文件虽然解决了对单个用电设备监控困难的问题,可以通过获取用电设备的类型和状态,以对其进行监控,从而保证用电设备正常工作。但是该文件无法对一个区域内的多个用电设备进行有效的调控,无法综合多个用电设备的用电状态进行有机的调节,如果出现多个用电设备同时作业,形成了用电高峰将对电力系统的稳定性造成影响,对各个用电户也造成了影响。
发明内容
本发明提供一种电力运行数据分析方法,可以对多个用电设备进行有效的监控,并可以调节用电设备的运行状态,保证电力系统稳定运行。
方法包括:
S101:获取目标用电设备的设备状态信息;
设备状态信息包括地址信息、运行时间信息以及设备属性信息;对地址信息中的用电设备地址信息进行解析,对运行时间信息和设备属性信息进行用电信息特征解析处理,得到每个运行周期的运行时长,在运行时长内消耗的电量;以及在每个运行周期内,分配给用电设备的运行的有效时长以及分配的电量信息作为用电设备特征作为用电设备特征;以及对设备属性信息进行用电信息特征解析处理,得到产品类型信息作为用电设备特征;
S102:对获取的设备状态信息进行用电信息特征解析处理,得到目标用电设备的用电设备特征;
S103:将用电设备特征输入至已训练的设备状态分析模型,输出目标用电设备在各个预设运行周期下的预测运行状态值;
方法中,将N个用电设备特征输入至已训练的设备状态分析模型之后,各个用电设备特征可以按照预设顺序经过输入层、全链接层、dropout层、融合层、规范化层以及输出层,得到特征内部的差异信息和相关信息,作为用电设备状态内部关联数据;
还将矩阵相乘得到的综合特征经过带sigmoid函数的全链接层,设备状态分析模型将输出目标用电设备在各个预设运行周期下的预测运行状态值;
通过获取用电设备状态内部关联数据对应的内部特征矩阵,及用电设备之间状态关联数据对应的设备间特征矩阵;将内部特征矩阵与设备间特征矩阵进行矩阵相乘,得到综合特征;通过携带有sigmoid函数的目标全链接层,对综合特征进行特征分类,得到目标用电设备在各个预设运行周期下的预测运行状态值;
S104:用电设备监控服务器分析各预测运行状态值,以确定目标用电设备的设备状态信息,筛选出运行状态信息中涉及的超阈值状态,确定超阈值状态用电设备的地址信息,并进行报警提示。
本发明还提供一种电力运行数据分析系统,包括:用电设备监控服务器和多个用电设备;用电设备监控服务器分别与每个用电设备通信连接;
用电设备监控服务器获取目标用电设备的设备状态信息;
用电设备监控服务器对获取的设备状态信息进行用电信息特征解析处理,得到目标用电设备的用电设备特征;
将用电设备特征输入至已训练的设备状态分析模型,输出目标用电设备在各个预设运行周期下的预测运行状态值;
用电设备监控服务器分析各预测运行状态值,以确定目标用电设备的设备状态信息,筛选出运行状态信息中涉及的超阈值状态,确定超阈值状态用电设备的地址信息,并进行报警提示。
优选地,设备状态信息包括地址信息、运行时间信息以及设备属性信息;
地址信息包括用电设备地址信息、用电设备的IP地址信息;
时间信息包括每天的运行时长、每周的运行时长、每个月的运行时长、每个时间段内的历史能耗、运行过程中的电流、电压信息;
设备属性信息包括用电设备的用途、设备的参数、在每个运行周期内,分配给用电设备的运行的有效时长以及分配的电量信息。
优选地,每个用电设备上配置有信息处理终端;
用电设备监控服务器与信息处理终端通信连接,获取目标用电设备的设备状态信息。
优选地,用电设备监控服务器配置能够通信连接的信息处理终端作为中间信息处理终端,用电设备监控服务器通过中间信息处理终端连接,与用电设备监控服务器未直接通信连接的信息处理终端,获取用电设备的设备状态信息。
优选地,用电设备监控服务器解析的用电信息特征是把获取的设备状态信息转变为模型训练用电设备数据,进而获得训练用电设备数据特征,使得机器训练模型逼近设置的用电数据上限。
从以上技术方案可以看出,本发明具有以下优点:
本发明涉及的用电设备监控服务器通过获取目标用电设备的设备状态信息,并对设备状态信息进行用电信息特征解析处理,可得到目标用电设备的用电设备特征,进而将用电设备特征输入至已训练的设备状态分析模型,即可输出得到目标用电设备在各个预设运行周期下的运行状态,以此分析各运行状态是否满足要求,可确定目标用电设备的设备状态信息是否出现超阈值。由此,对目标用电设备进行有效有针对性的状态分析,避免影响电力系统的稳定运行,保障系统分析预测的准确性。
本发明的方法能够对设备状态信息进行汇总,方便用户和监控人员进行查阅,有效的提升对用电设备的监控效率。还能够对设备状态信息高效率地收集、存储,并进行处理,可以基于用电设备的状态实现过程监控,使用多维空间描述整个用电过程,及时发现在用电设备的用电隐患并进行预警,控制用电过程对电力系统造成的风险,从而实现用电全过程监督、管理和控制的及时性和科学性。
附图说明
为了更清楚地说明本发明的技术方案,下面将对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为电力运行数据分析系统示意图;
图2为电力运行数据分析方法流程图。
具体实施方式
本发明提供的电力运行数据分析系统可以包括多个用电设备,网络和用电设备监控服务器。网络是用以在用电设备和用电设备监控服务器之间提供通信链路的介质。网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(VirtualPrivateNetwork,VPN)等。
应该理解,图1中的用电设备、网络和用电设备监控服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的用电设备、网络和用电设备监控服务器。比如用电设备监控服务器可以是单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
用户可以使用终端设备通过网络与用电设备监控服务器交互,来获取系统用电设备状态信息。终端设备可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机、数字电影放映机等等。
对于本发明的电力运行数据分析系统来讲,可以基于人工智能技术对关联的数据进行获取和处理。电力运行数据分析系统中具有机器学习功能,其中本发明方法中的机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。通过利用传感器监控、数据传输等技术,实现用电设备和用电设备监控服务器之间的实时交互通信,进而反映用电设备的设备状态信息,可以有效地监控用电设备的实时状态。还可以对用电设备的使用时间段进行有效调节,进一步有效解决了如果出现多个用电设备同时作业,形成了用电高峰将对电力系统的稳定性造成影响的问题。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1所示,本发明提供的电力运行数据分析系统包括:用电设备监控服务器和用电设备。
用电设备监控服务器获取目标用电设备的设备状态信息。目标用电设备可以为选用于用户所用的耗电量较大的设备,比如工业厂矿的大型电动机、化工厂的流化床设备,干式磁选机、砂浆磨矿设备、破碎机、洗沙机等等。该类用电设备能耗高,而且对电网冲击较大,也是工业企业的重要生产设备。需要说明的是,本申请实施例提出采用目标用电设备进行用电设备状态分析,本意在于不区分用电领域中的用电设备类型,即不区分具体应用的领域以及应用场景,均以用电设备指代供配电领域中运行的用电设备。
其中,设备状态信息可以包括地址信息、运行时间信息以及设备属性信息,地址信息可以包括用电设备地址信息、用电设备的IP地址信息等;时间信息可以包括每天的运行时长、每周的运行时长、每个月的运行时长、每个时间段内的历史能耗、运行过程中的电流、电压等信息;设备属性信息可以包括用电设备的用途,设备的参数,在每个运行周期内,分配给用电设备的运行的有效时长以及分配的电量信息等。
本实施例的具体实现中,为了提升对用电设备运行期间的能耗预测准确率,可首先获取待预测的目标用电设备的设备状态信息,而针对于设备状态信息的获取方式,用电设备监控服务器通过与安装在用电设备上的信息处理终端进行通信连接,获取用电设备的设备状态信息;当然还可以在建立的无线通信网络中,用电设备监控服务器可从与目标用电设备上安装的信息处理终端具有关联关系,且具有通信连接的中间信息处理终端连接,获取目标用电设备的设备状态信息。
这里是基于用电设备监控服务器未与所有的信息处理终端进行通信连接,为了能够监控到监控区域内所有的用电设备,可以配置一个或多个中间信息处理终端,由信息处理终端连接其他用电设备的信息处理终端,进而实现了对未直接连接信息处理终端的监控。这样也构成了树状结构通信网络,用电设备监控服务器可从中间信息处理终端发送控制指令得到相应用电设备的设备状态信息,或是在树状结构通信网络中配置具有直接通信方式的第一层中间信息处理终端,与第一层中间信息处理终端通信连接的第二层中间信息处理终端以此类推,实现所有的信息处理终端可以与用电设备监控服务器通信连接。对于用电设备监控服务器的访问获取设备状态信息的方式可以采用轮询得到。
除此之外,用电设备监控服务器还可获取各个用电设备的地址信息、运行时间信息以及设备属性信息,进而整合以及提取得到目标用电设备的设备状态信息。还可以基于同一类型的用电设备中的信息处理终端将各个用电设备地址信息、运行时间信息以及设备属性信息统一上传至用电设备监控服务器。
在一个示例性实施例中,用电设备监控服务器对获取的设备状态信息进行用电信息特征解析处理,得到目标用电设备的用电设备特征。用电信息特征解析指的是把获取的设备状态信息转变为模型训练用电设备数据的过程,解析可以获取更好的训练用电设备数据特征,使得机器训练模型逼近设置的用电数据上限。用电数据上限可以理解为用电设备在被使用时间段内的最大已用电量。
用电信息特征解析能使得监控的性能得到提升。用电信息特征解析在机器训练中执行相应的进程,可以包括特征构建、特征提取、特征选择。
具体实现中,用电设备监控服务器执行对设备状态信息的用电信息特征执行解析处理操作,本申请实施例中的特征设计将突出用电设备运行时间段和用电量信息,去掉训练集与测试集之间由于日期差异对模型的影响,提升模型的泛化能力。
在本发明的实施例中,提取设备状态信息包括地址信息、运行时间信息以及设备属性信息;对地址信息中的用电设备地址信息进行解析,对运行时间信息和设备属性信息进行用电信息特征解析处理,得到每个运行周期的运行时长,在运行时长内消耗的电量;以及在每个运行周期内,分配给用电设备的运行的有效时长以及分配的电量信息作为用电设备特征作为用电设备特征;以及对设备属性信息进行用电信息特征解析处理,得到产品类型信息作为用电设备特征。
具体来讲,用电设备监控服务器可对用电设备IP进行用电信息特征解析处理,得到用电设备地址信息,用电设备所处的区域,用电设备上级变电站的地址信息,与用电设备相互关联的用电设备的地址信息等相关信息均可作为用电设备特征。
比如,待分析的目标用电设备处于一个工业厂区,工业厂区内部具有根据生产需要进行间隔开启的大型用电设备,本实施例中,将用电设备分为一级设备、二级设备、三级设备等,一级设备、二级设备、三级设备是按照次序运行,具有先后次序。定义每级设备在运行周期内的运行时长以及所需要的用电量。
也就是说,在每个运行周期内,对每台用电设备进行运行时长的配置,以及用电量的配置。用电设备的运行时长和用电量可以基于用电设备用户预先报备,进而实现对用电设备运行的统一设计规划,降低对电网的冲击,满足各个用电设备的合理运行。
进一步地,用电设备监控服务器可对设备状态信息进行用电信息特征解析处理,得到用电设备数据特征,比如可以将以小时计算的时长,或以天计算的时长,或者以分钟计算的时长,均转换为12小时制的预设格式,并匹配到相应的预设用电量信息。
在一个示例性实施例中,将用电设备特征输入至已训练的设备状态分析模型,输出目标用电设备在各个预设运行周期下的预测运行状态值。其中,已训练的设备状态分析模型是包括:输入层、全链接层、dropout层、融合层、规范化层以及输出层。
需要说明的是,预设运行周期可以是由时间范围构成的用电设备运行时间,例如,可以设置一级设备在预设运行周期第一天的9点至13点运行,二级设备在预设运行周期第一天的17点至24点运行,三级设备在预设运行周期第二天的8点至11点运行依次类推。可以理解的是,具体的时间范围可依据实际使用环境需求设定,本发明不做具体限定。
具体实现中,用电设备监控服务器分析获取到用电设备特征之后,可调用已训练的设备状态分析模型,进而将用电设备特征输入至已训练的设备状态分析模型中进行特征分析,以使已训练的设备状态分析模型输出目标用电设备在各个预设运行周期下的预测运行状态值。
除此之外,用电设备监控服务器调用已训练的设备状态分析模型之前,可对设备状态分析模型进行模型训练,本实施例可以调取预设数量历史设备状态信息作为训练样本,分别配置成测试集和训练集,基于深度神经网络模型对设备状态分析模型进行训练以最大优化模型性能。
这样,模型预测目标可以根据用电设备当前已运行的设备状态信息以及具有相互关联用电设备的设备状态信息进行分析处理,预设运行周期下推断用电设备的整体耗时及耗电量,即无需分阶段计算并叠加每段耗时,避免了多环节调度相互依赖分析的缺陷,提升了用电设备状态信息分析预测的准确率。
本实施例中还对的设备状态分析模型进行训练,具体训练方式可以涉及如下步骤:将用电设备特征进行特征合并,得到合并后的用电设备特征;将用电设备特征输入至已训练的设备状态分析模型,输出特征内部的用电设备状态内部关联数据;以及将合并后的用电设备特征输入至已训练的设备状态分析模型,输出特征之间的用电设备之间状态关联数据;分析用电设备状态内部关联数据和用电设备之间状态关联数据,得到目标用电设备在各个预设运行周期下的预测运行状态值。
具体来讲,将用电设备特征输入至由输入层、全链接层、dropout层、融合层、规范化层以及输出层构成的训练层中,实现对用电设备特征进行抽象化,还能够自动训练到用电设备特征不同维度的差异系数。
需要说明的是,用电设备监控服务器将N个用电设备特征输入至已训练的设备状态分析模型之后,各个用电设备特征可以按照预设顺序经过输入层、全链接层、dropout层、融合层、规范化层以及输出层,得到特征内部的差异信息和相关信息,作为用电设备状态内部关联数据。
可见,设备状态分析模型不仅可应用于N个独立的用电设备特征,也可应用于合并之后的总用电设备特征。也即是说,用电设备监控服务器可将用电设备特征进行特征合并,得到合并后的用电设备特征作为总用电设备特征,进而将总用电设备特征输入至已训练的设备状态分析模型进行分析,同样顺序经过输入层、全链接层、dropout层、融合层、规范化层以及输出层,即可得到特征之间的差异信息和相关信息,作为用电设备之间状态关联数据。最终,分析用电设备状态内部关联数据和用电设备之间状态关联数据,即可得到目标用电设备在各个预设运行周期下的预测运行状态值。
在一个实施例中,将用电设备特征输入至已训练的设备状态分析模型,输出特征内部的用电设备状态内部关联数据,包括:将用电设备特征输入至已训练的设备状态分析模型,通过全链接层和dropout层对用电设备特征进行特征分类,得到初始用电设备特征向量之间差异化系数;通过融合层对初始用电设备特征向量和差异化系数进行融合,得到具有有差异化系数的目标用电设备特征向量;通过规范化层对目标用电设备特征向量进行归一化处理,得到用电设备特征内部的用电设备状态内部关联数据。
具体实现中,用电设备监控服务器还可将用电设备特征输入至已训练的设备状态分析模型,以使各个用电设备特征顺序经过具有ReLu激活函数的dense全链接层、dropout层、多维的dense全链接层,得到多维用电设备特征向量作为初始用电设备特征向量。若初始用电设备特征向量再经过带sigmoid函数的全链接层,则将计算出各个初始用电设备特征向量的差异化系数。
本发明的实施例中,可以利用N个用电设备特征计算得出的初始用电设备特征向量,以及基于dropout层计算得出的差异化系数经过点乘之后,就得到了带有差异化系数的目标用电设备特征向量,基于归一化技术计算M个目标特征向量相同维度元素的均值和方差,并进行归一化处理,即可得到均值,方差的分布,同时训练到用电设备特征内部的差异和关联信息,作为用电设备状态内部关联数据。用电设备状态内部关联数据是基于用电设备自身的设备状态信息。
在本发明的实施例中,分析用电设备状态内部关联数据和用电设备之间状态关联数据,得到目标用电设备在各个预设运行周期下用电设备的预测运行状态值,这里可以通过获取用电设备状态内部关联数据对应的内部特征矩阵,及用电设备之间状态关联数据对应的设备间特征矩阵;将内部特征矩阵与设备间特征矩阵进行矩阵相乘,得到综合特征;通过携带有sigmoid函数的目标全链接层,对综合特征进行特征分类,得到目标用电设备在各个预设运行周期下的预测运行状态值。
本发明的实施例中,用电设备状态内部关联数据表示为M个用电设备特征的内部抽象信息,实际经由设备状态分析模型输出的是“N*M”的内部特征矩阵。本发明中将用电设备之间状态关联数据表示为M个用电设备特征的外部抽象信息,经由设备状态分析模型输出的是N*1的内部特征矩阵。
用电设备监控服务器可将内部特征矩阵进行解析,以使得矩阵维度为M*N,再经过矩阵乘法与设备间特征矩阵进行矩阵相乘,即可实现各个用电设备特征的交叉融合。
本发明还将矩阵相乘得到的综合特征经过带sigmoid函数的全链接层,设备状态分析模型将输出目标用电设备在各个预设运行周期下的预测运行状态值。基于上述处理,提高对模型训练使用的精度,满足对设备状态信息分析预测的要求,提升了模型的鲁棒性。
在一个示例性实施例中,用电设备监控服务器分析各预测运行状态值,以确定目标用电设备的设备状态信息。
本发明的实施例中,用电设备监控服务器可以分析得到目标用电设备在各个预设运行周期下的运行状态信息之后,可以确定所述目标用电设备的设备状态信息,当然还可以分析比较各个用电设备涉及设备状态信息的大小,并与预设阈值进行比对,判断用电设备是否出现异常。
在一个实施例中,用电设备监控服务器还可以筛选出运行状态信息中涉及的超阈值状态,确定超阈值状态用电设备的地址信息,并进行报警提示。
本发明涉及的用电设备监控服务器通过获取目标用电设备的设备状态信息,并对设备状态信息进行用电信息特征解析处理,可得到目标用电设备的用电设备特征,进而将用电设备特征输入至已训练的设备状态分析模型,即可输出得到目标用电设备在各个预设运行周期下的运行状态,以此分析各运行状态是否满足要求,可确定目标用电设备的设备状态信息是否出现超阈值。由此,对目标用电设备进行有效有针对性的状态分析,避免影响电力系统的稳定运行,保障系统分析预测的准确性。
以下是本公开实施例提供的电力运行数据分析方法的实施例,该方法与上述各实施例的电力运行数据分析系统属于同一个发明构思,在电力运行数据分析方法的实施例中未详尽描述的细节内容,可以参考上述电力运行数据分析系统的实施例。
如图2所示,方法包括:
S101:获取目标用电设备的设备状态信息;
S102:对获取的设备状态信息进行用电信息特征解析处理,得到目标用电设备的用电设备特征;
S103:将用电设备特征输入至已训练的设备状态分析模型,输出目标用电设备在各个预设运行周期下的预测运行状态值;
S104:用电设备监控服务器分析各预测运行状态值,以确定目标用电设备的设备状态信息,筛选出运行状态信息中涉及的超阈值状态,确定超阈值状态用电设备的地址信息,并进行报警提示。
本发明的方法能够对设备状态信息进行汇总,方便用户和监控人员进行查阅,有效的提升对用电设备的监控效率。还能够对设备状态信息高效率地收集、存储,并进行处理,可以基于用电设备的状态实现过程监控,使用多维空间描述整个用电过程,及时发现在用电设备的用电隐患并进行预警,控制用电过程对电力系统造成的风险,从而实现用电全过程监督、管理和控制的及时性和科学性。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
附图中的流程图和框图,图示了按照本公开各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。示例性的讲,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种电力运行数据分析方法,其特征在于,方法包括:
S101:获取目标用电设备的设备状态信息;
设备状态信息包括地址信息、运行时间信息以及设备属性信息;对地址信息中的用电设备地址信息进行解析,对运行时间信息和设备属性信息进行用电信息特征解析处理,得到每个运行周期的运行时长,在运行时长内消耗的电量;以及在每个运行周期内,分配给用电设备的运行的有效时长以及分配的电量信息作为用电设备特征作为用电设备特征;以及对设备属性信息进行用电信息特征解析处理,得到产品类型信息作为用电设备特征;
S102:对获取的设备状态信息进行用电信息特征解析处理,得到目标用电设备的用电设备特征;
S103:将用电设备特征输入至已训练的设备状态分析模型,输出目标用电设备在各个预设运行周期下的预测运行状态值;
方法中,将N个用电设备特征输入至已训练的设备状态分析模型之后,各个用电设备特征可以按照预设顺序经过输入层、全链接层、dropout层、融合层、规范化层以及输出层,得到特征内部的差异信息和相关信息,作为用电设备状态内部关联数据;
还将矩阵相乘得到的综合特征经过带sigmoid函数的全链接层,设备状态分析模型将输出目标用电设备在各个预设运行周期下的预测运行状态值;
通过获取用电设备状态内部关联数据对应的内部特征矩阵,及用电设备之间状态关联数据对应的设备间特征矩阵;将内部特征矩阵与设备间特征矩阵进行矩阵相乘,得到综合特征;通过携带有sigmoid函数的目标全链接层,对综合特征进行特征分类,得到目标用电设备在各个预设运行周期下的预测运行状态值;
S104:用电设备监控服务器分析各预测运行状态值,以确定目标用电设备的设备状态信息,筛选出运行状态信息中涉及的超阈值状态,确定超阈值状态用电设备的地址信息,并进行报警提示。
2.一种电力运行数据分析系统,其特征在于,系统采用如权利要求1所述的电力运行数据分析方法;
系统包括:用电设备监控服务器和多个用电设备;用电设备监控服务器分别与每个用电设备通信连接;
用电设备监控服务器获取目标用电设备的设备状态信息;
用电设备监控服务器对获取的设备状态信息进行用电信息特征解析处理,得到目标用电设备的用电设备特征;
将用电设备特征输入至已训练的设备状态分析模型,输出目标用电设备在各个预设运行周期下的预测运行状态值;
用电设备监控服务器分析各预测运行状态值,以确定目标用电设备的设备状态信息,筛选出运行状态信息中涉及的超阈值状态,确定超阈值状态用电设备的地址信息,并进行报警提示。
3.根据权利要求2所述的电力运行数据分析系统,其特征在于,
设备状态信息包括地址信息、运行时间信息以及设备属性信息;
地址信息包括用电设备地址信息、用电设备的IP地址信息;
时间信息包括每天的运行时长、每周的运行时长、每个月的运行时长、每个时间段内的历史能耗、运行过程中的电流、电压信息;
设备属性信息包括用电设备的用途、设备的参数、在每个运行周期内,分配给用电设备的运行的有效时长以及分配的电量信息。
4.根据权利要求2所述的电力运行数据分析系统,其特征在于,
每个用电设备上配置有信息处理终端;
用电设备监控服务器与信息处理终端通信连接,获取目标用电设备的设备状态信息。
5.根据权利要求4所述的电力运行数据分析系统,其特征在于,用电设备监控服务器配置能够通信连接的信息处理终端作为中间信息处理终端,用电设备监控服务器通过中间信息处理终端连接,与用电设备监控服务器未直接通信连接的信息处理终端,获取用电设备的设备状态信息。
6.根据权利要求2所述的电力运行数据分析系统,其特征在于,
用电设备监控服务器解析的用电信息特征是把获取的设备状态信息转变为模型训练用电设备数据,进而获得训练用电设备数据特征,使得机器训练模型逼近设置的用电数据上限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943698.XA CN116707141B (zh) | 2023-07-31 | 2023-07-31 | 一种电力运行数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310943698.XA CN116707141B (zh) | 2023-07-31 | 2023-07-31 | 一种电力运行数据分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116707141A true CN116707141A (zh) | 2023-09-05 |
CN116707141B CN116707141B (zh) | 2023-11-17 |
Family
ID=87839460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310943698.XA Active CN116707141B (zh) | 2023-07-31 | 2023-07-31 | 一种电力运行数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116707141B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013222423A (ja) * | 2012-04-19 | 2013-10-28 | Hitachi Power Solutions Co Ltd | 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム |
CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
CN112510819A (zh) * | 2020-11-05 | 2021-03-16 | 国网山东省电力公司阳信县供电公司 | 一种电力网络运行数据监控系统 |
CN112713650A (zh) * | 2020-11-10 | 2021-04-27 | 国网山东省电力公司无棣县供电公司 | 一种电力监控数据处理系统 |
CN112884008A (zh) * | 2021-01-25 | 2021-06-01 | 国电南瑞科技股份有限公司 | 一种电力信息采集系统运行状态的预测评估方法及装置 |
CN114004155A (zh) * | 2021-11-01 | 2022-02-01 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
US20220308573A1 (en) * | 2021-03-29 | 2022-09-29 | Bharadwaj Ranganathan Sathyanarayana | System and method for predicting failure in a power system in real-time |
CN115545345A (zh) * | 2022-11-08 | 2022-12-30 | 国网重庆市电力公司电力科学研究院 | 一种基于gru-tcn模型的电网负荷预测方法 |
CN115642706A (zh) * | 2022-11-16 | 2023-01-24 | 国网山东省电力公司胶州市供电公司 | 一种电网内配电负荷监控系统 |
CN116506474A (zh) * | 2023-06-29 | 2023-07-28 | 国网江苏省电力有限公司信息通信分公司 | 一种基于云边协同的电力微服务分层系统 |
-
2023
- 2023-07-31 CN CN202310943698.XA patent/CN116707141B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013222423A (ja) * | 2012-04-19 | 2013-10-28 | Hitachi Power Solutions Co Ltd | 発電量予測方法及びそのシステム並びに風力発電設備の健康管理方法及びそのシステム |
CN110719210A (zh) * | 2019-12-05 | 2020-01-21 | 赣江新区智慧物联研究院有限公司 | 一种基于云边协同的工业设备预测性维护方法 |
CN112510819A (zh) * | 2020-11-05 | 2021-03-16 | 国网山东省电力公司阳信县供电公司 | 一种电力网络运行数据监控系统 |
CN112713650A (zh) * | 2020-11-10 | 2021-04-27 | 国网山东省电力公司无棣县供电公司 | 一种电力监控数据处理系统 |
CN112884008A (zh) * | 2021-01-25 | 2021-06-01 | 国电南瑞科技股份有限公司 | 一种电力信息采集系统运行状态的预测评估方法及装置 |
US20220308573A1 (en) * | 2021-03-29 | 2022-09-29 | Bharadwaj Ranganathan Sathyanarayana | System and method for predicting failure in a power system in real-time |
CN114004155A (zh) * | 2021-11-01 | 2022-02-01 | 清华大学 | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 |
CN115545345A (zh) * | 2022-11-08 | 2022-12-30 | 国网重庆市电力公司电力科学研究院 | 一种基于gru-tcn模型的电网负荷预测方法 |
CN115642706A (zh) * | 2022-11-16 | 2023-01-24 | 国网山东省电力公司胶州市供电公司 | 一种电网内配电负荷监控系统 |
CN116506474A (zh) * | 2023-06-29 | 2023-07-28 | 国网江苏省电力有限公司信息通信分公司 | 一种基于云边协同的电力微服务分层系统 |
Non-Patent Citations (1)
Title |
---|
姜丹等: "基于大数据分析的电力运行数据异常检测示警方法", 《中国测试》 * |
Also Published As
Publication number | Publication date |
---|---|
CN116707141B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11605036B2 (en) | System and methods for power system forecasting using deep neural networks | |
Laayati et al. | Smart energy management: Energy consumption metering, monitoring and prediction for mining industry | |
CN112700032A (zh) | 一种用于低压直流配用电系统的故障预测系统及方法 | |
CN105629864B (zh) | 一种能耗监控应用系统及能耗监控的方法 | |
CN103984316A (zh) | 能源管理设备和系统 | |
KR20190088581A (ko) | Fbd 머신러닝 기반의 동적 모니터링 시스템 및 그 방법 | |
Vlasov et al. | Technological platform for innovative social infrastructure development on basis of smart machines and principles of internet of things | |
CN103440726A (zh) | 电气火灾预警信息处理方法和系统 | |
CN111208384B (zh) | 一种智能电网管理系统 | |
Chaudhari et al. | Automated IOT based system for home automation and prediction of electricity usage and comparative analysis of various electricity providers: SmartPlug | |
Chou et al. | Big data analytics and cloud computing for sustainable building energy efficiency | |
CN113837479A (zh) | 一种监测目标设备运行状态的预警方法和系统 | |
CN114169570A (zh) | 一种基于物联网与云计算技术的智慧能源管理平台 | |
KR20210074587A (ko) | 디지털 트윈 기술을 기반으로 한 스마트그리드 시스템의 최적화 관리장치 및 방법 | |
CN113379196A (zh) | 一种基于数字孪生技术的变电设备管理评价系统 | |
CN115511656A (zh) | 一种基于挖掘电网数据价值的需求规划辅助决策系统 | |
Rao et al. | Demand response for renewable generation in an IOT based intelligent smart energy management system | |
CN103019159A (zh) | 基于云计算的电梯设备管理控制系统及方法 | |
CN116707141B (zh) | 一种电力运行数据分析方法及系统 | |
CN112907911A (zh) | 一种基于设备工艺数据的智能异常识别与报警算法 | |
CN102497135A (zh) | 一种基于规则引擎的光伏电站监控方法 | |
CN109695976A (zh) | 一种供能设备管理的方法、系统及终端设备 | |
CN106600144A (zh) | 一种单一异常分析防窃电预警分析方法 | |
Sanya et al. | Real-Time Data Analytics for Monitoring Electricity Consumption Using IoT Technology | |
CN105929777B (zh) | 设备能耗定额管理预警方法和装置 |
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 |