CN116743180A - 一种储能电源数据智能存储方法 - Google Patents

一种储能电源数据智能存储方法 Download PDF

Info

Publication number
CN116743180A
CN116743180A CN202310988471.7A CN202310988471A CN116743180A CN 116743180 A CN116743180 A CN 116743180A CN 202310988471 A CN202310988471 A CN 202310988471A CN 116743180 A CN116743180 A CN 116743180A
Authority
CN
China
Prior art keywords
data
sequence
subsequence
power supply
energy storage
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
CN202310988471.7A
Other languages
English (en)
Other versions
CN116743180B (zh
Inventor
阮芳瑜
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.)
Dongguan Opaqi Electronic Technology Co ltd
Original Assignee
Dongguan Opaqi Electronic Technology 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 Dongguan Opaqi Electronic Technology Co ltd filed Critical Dongguan Opaqi Electronic Technology Co ltd
Priority to CN202310988471.7A priority Critical patent/CN116743180B/zh
Publication of CN116743180A publication Critical patent/CN116743180A/zh
Application granted granted Critical
Publication of CN116743180B publication Critical patent/CN116743180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0628—Interfaces specially adapted for storage systems making use of a particular technique
    • G06F3/0646—Horizontal data movement in storage systems, i.e. moving data in between storage devices or systems
    • G06F3/0652—Erasing, e.g. deleting, data cleaning, moving of data to a wastebasket

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种储能电源数据智能存储方法，包括：获取储能电源数据的若干子序列，获取每个子序列的数据变化趋势与数据噪声程度；并获取每个子序列的数据加权变化趋势，获取每个子序列与每个合并子序列之间的可合并性；根据子序列间的可合并性获取储能电源时序数据子序列段，根据储能电源时序数据子序列段的数据加权变化趋势获取储能电源时序数据子序列段的指数平滑因子，根据储能电源时序数据子序列段的指数平滑因子对储能电源时序数据子序列段进行平滑处理并进行压缩，本发明通过对储能电源数据进行不同程度的平滑，令字符串的冗余程度尽可能大，从而达到高效压缩的目的。

Description

一种储能电源数据智能存储方法
技术领域
本发明涉及数据处理技术领域，具体涉及一种储能电源数据智能存储方法。
背景技术
储能电源设备是一种将电能储存起来，以备不时之需的设备。在储能电源设备的运行过程中，由于各种因素的影响，储能电源输出的电能会存在一定的波动，这会影响到储能电源的稳定性和可靠性，也会对其应用产生不利影响。因此，需要对储能电源数据进行平滑处理，以提高储能电源的稳定性和可靠性。
指数平均法考虑到历史数据的权重，根据历史数据预测未来的趋势，可以一定程度上降低数据的波动性，使数据更加平滑。但是指数平均法对于突发事件的影响可能无法及时反应，即当储能电源从放电状态转入充电状态时，数据波动曲线会发生突变，此时数据对历史数据的预测与实际会有较大的偏差，影响系统对平滑结果的判断。
本发明根据数据的局部波动对数据进行自适应分组，使组内数据的局部突变较小，便于组内数据利用指数平均法对数据进行平滑处理，令平滑后的储能电源数据冗余程度较大，便于更好的进行压缩处理。
发明内容
本发明提供一种储能电源数据智能存储方法，以解决现有的问题。
本发明的一种储能电源数据智能存储方法采用如下技术方案：
本发明一个实施例提供了一种储能电源数据智能存储方法，该方法包括以下步骤：
获取储能电源数据波动变化曲线，所述储能电源数据包括电压、电流和温度；
对储能电源数据进行分组得到若干子序列，根据储能电源数据中每个子序列的波动程度与每个子序列中相邻序列数据间的差异的平均值获取储能电源数据中每个子序列的数据变化趋势；
根据任意一个子序列中每个数据与任意一个子序列中所有数据均值差异的平均值获取储能电源数据中任意一个子序列的数据噪声程度；
根据储能电源数据中每个子序列的数据变化趋势与储能电源数据中每个子序列的数据噪声程度获取每个子序列的数据加权变化趋势，在储能电源数据中，将每个子序列与每个子序列后一个子序列进行合并，将合并后的子序列记为合并子序列， 根据每个子序列与每个合并子序列的数据加权变化趋势之间的差异性，获取每个子序列与每个合并子序列之间的可合并性；
根据子序列间的可合并性获取储能电源时序数据子序列段；
根据储能电源时序数据子序列段的数据加权变化趋势获取储能电源时序数据子序列段的指数平滑因子，根据储能电源时序数据子序列段的指数平滑因子对储能电源时序数据子序列段进行平滑处理；
对平滑后的储能电源时序数据序列进行压缩，得到压缩后的数据，将压缩后的数据进行存储。
优选的，所述根据任意一个子序列中每个数据与任意一个子序列中所有数据均值差异的平均值获取储能电源数据中任意一个子序列的数据噪声程度，包括的具体步骤如下：
第子序列的数据噪声程度为：
式中，表示第/>子序列的数据噪声程度；/>表示第/>子序列中的数据总数；/>表示第/>子序列中的第/>个数据的数据值；/>表示第/>子序列中所有数据的数据均值；/>表示双曲正切函数。
优选的，所述对储能电源数据进行分组得到若干子序列，根据储能电源数据中每个子序列的波动程度与每个子序列中相邻序列数据间的差异的平均值获取储能电源数据中每个子序列的数据变化趋势，包括的具体步骤如下：
第子序列的数据变化趋势为：
式中，表示储能电源数据中第/>子序列的变化趋势；/>表示储能电源数据中第/>子序列的数据变化趋势影响参数；/>表示储能电源数据中第/>子序列中的第/>个数据；/>表示第/>子序列中第/>个数据的数据值；/>表示第/>子序列中所有数据值的数据均值；/>表示第/>子序列中的数据总数；对所有子序列的数据变化趋势影响参数进行线性归一化，其中第/>子序列的数据变化趋势影响参数的归一化结果记为/>。
优选的，所述根据储能电源数据中每个子序列的数据变化趋势与储能电源数据中每个子序列的数据噪声程度获取每个子序列的数据加权变化趋势，包括的具体步骤如下：
第x子序列的数据加权变化趋势为：
式中表示第x子序列的数据加权变化趋势，/>表示第/>序列的数据变化趋势，/>表示第/>子序列的数据噪声程度。
优选的，所述根据每个子序列与每个合并子序列的数据加权变化趋势之间的差异性，获取每个子序列与每个合并子序列之间的可合并性，包括的具体步骤如下：
可合并性的获取方法为：
式中，表示第x子序列与第x+1子序列之间的可合并性；/>表示第x子序列的数据加权变化趋势；/>表示将第x子序列和第x+1子序列进行合并之后的数据加权变化趋势。
优选的，所述根据子序列间的可合并性获取储能电源时序数据子序列段，包括的具体步骤如下：
对储能电源时序数据序列进行自适应合并处理的方法如下；
从储能电源时序数据序列中的第一个子序列开始，若第一个子序列与第二个子序列的可合并性满足可合并性阈值要求，则将第一个子序列与第二个子序列进行合并，记为第一合并子序列；继续判断第一合并子序列与第三个子序列的可合并性是否满足可合并性阈值要求，若第一合并子序列与第三个子序列的可合并性满足可合并性阈值要求，则将第一合并子序列与第三个子序列进行合并，记为第二合并子序列；继续判断第二合并子序列与第四个子序列的可合并性是否满足可合并性阈值要求，若第二合并子序列与第四个子序列的可合并性满足可合并性阈值要求，则将第二合并子序列与第四个子序列进行合并，记为第三合并子序列；继续判断第三合并子序列与第五个子序列的可合并性是否满足可合并性阈值要求，若第三合并子序列与第五个子序列的可合并性满足可合并性阈值要求，则将第三合并子序列与第五个子序列进行合并，记为第四合并子序列；以此类推，直至第i合并子序列与第i+2个子序列不满足可合并性阈值要求时停止判断，此时将第i合并子序列记为第一储能电源时序数据子序列段；将第一储能电源时序数据子序列段从储能电源时序数据序列中去除，将剩余的储能电源时序数据序列继续进行所述自适应合并处理，直至将储能电源时序数据序列中所有字符判断完成后停止，由此得到多个储能电源时序数据子序列段。
优选的，所述根据储能电源时序数据子序列段的数据加权变化趋势获取储能电源时序数据子序列段的指数平滑因子，根据储能电源时序数据子序列段的指数平滑因子对储能电源时序数据子序列段进行平滑处理，包括的具体步骤如下：
平滑过程为：
式中，表示当前储能电源时序数据子序列段中第/>个数据的平滑值；/>表示当前储能电源时序数据子序列段中第t个数据的实际值；/>表示当前储能电源时序数据子序列段中第t-1个数据的平滑值；/>表示平滑因子，其取值范围为(0,1)；/>为超参数， />表示当前储能电源时序数据子序列段中所合并的子序列总数；/>表示当前储能电源时序数据子序列段中第/>个子序列的加权变化趋势。
本发明的技术方案的有益效果是：通过对储能电源数据进行分组，获取每组储能电源数据的数据变化趋势与数据噪声程度，通过将数据变化趋势与数据噪声程度相似的组进行合并，令变化趋势相似或相同的数据位于同一组，以便于在进行数据平滑时尽可能大的去除干扰项，尽可能小的损失储能电源数据的精度；根据不同组内加权变化趋势获取储能电源时序数据子序列段的指数平滑因子，对不同组的储能电源进行不同程度的平滑处理，在保证数据精度的同时尽可能大的增大数据的冗余程度，使其达到较好的压缩效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种储能电源数据智能存储方法的步骤流程图；
图2为本发明的存在噪声的波动图；
图3为本发明的不存在噪声的波动图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种储能电源数据智能存储方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种储能电源数据智能存储方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种储能电源数据智能存储方法的步骤流程图，该方法包括以下步骤：
S001．利用传感器采集储能电源数据。
利用部署在储能电源上的电压传感器、电流传感器、温度传感器等，采集储能电源运行时的电压、电流、温度等数据，作为储能电源数据。
需要说明的是：储能电源数据是指储能电源在运行过程中产生的实时相关参数以及性能数据，包括但不限于储能电源的电压、电流、温度等。这些数据对于储能电源的使用、维护和管理都十分重要。通过对储能电源数据的监测和分析，可以及时发现电池的健康状态、故障和异常情况，提高储能电源的可靠性和安全性。
S002．根据数据时序变化构建数据波动变化曲线。
需要说明的是：由于储能电源数据为电流、电压等数据，容易受到外界环境因素例如温度等方面的干扰，所以在采集数据的过程中会出现持续小波动情况，在对这些数据进行压缩时，冗余度较小，因此需要对这些数据进行平滑操作，增大重复项的数量，从而加大冗余度；在对数据进行平滑操作的过程中，由于储能电源的充、放电的状态变化会导致数据突变，但是此时的数据突变属于设备正常状态转换而导致的数据突变，属于正常数据。在此时对数据利用指数平均分法对数据进行平滑操作时，平滑后的值会与实际值偏差较大，使后续系统对平滑值的分析造成影响。因此，需要根据数据的波动情况对数据进行分组，使不同波动情况的数据分开，避免对数据进行平滑操作时，平滑值与实际值偏差较大，造成系统误判。
采集得到的储能电源数据为时序数据序列，以时间变化为横轴，以电能数据为纵轴建立数据波动变化曲线。
需要说明的是：储能电源数据中，不同位置的数据局部变化趋势不同。在充电状态下，数据呈现波动较小的上升状态；在未使用状态下，数据呈现波动较小的持平状态；在放电状态下，数据呈现波动较小的下降状态。
S003．对数据进行初始分组，根据数据波动变化曲线计算每一组数据的变化趋势与数据的噪声程度。
需要说明的是：数据整体都存在一定的波动性，再利用指数平滑方法对数据进行平滑时，在储能电源充、放电状态转换时所导致的数据整体变化趋势的改变，此时对数据进行平滑操作时，理论值会与实际值偏差较大。因此，需要计算数据的波动特性来对数据进行分段，使该分段内的数据整体变化趋势相同。
将所采集到的储能电源时序数据序列进行初始分组，每100组数据分为1组，由于储能电源数据的采集频率较高，储能电源数据量较大，因此将初始分组按预设阈值进行分组，本实施例以/>为例进行叙述，具体实施时可设置其他值，本实施例不进行具体限定，以每100个数据为1组进行分组，在最后一个分组中，分组中的数据量不足100时，剩余多少就按多少计算，由此完成储能电源时序数据序列的初始分组，将第/>组储能电源时序数据序列记为第/>子序列。
需要说明的是：储能电源在运行过程中，由于储能电源内部存在一定的电阻，充放电过程中，电池内阻会随着电池的充放电状态而变化，导致电压和电流的波动；同时储能电源在充放电过程中，能量的转化存在一定的损耗，如电池内部化学反应的不完全转化、电阻产生的热量等，这些损耗会导致电压、电流和温度的波动；环境也会对电压、电流和温度的稳定性产生影响：温度变化、湿度变化等环境因素会对储能电源的性能产生影响，导致电压、电流和温度的波动；电压、电流和温度的波动会导致储能电源数据的冗余程度低，在对储能电源数据进行压缩时难以达到较好压缩效果，因此需要获取储能电源数据中每个子序列的数据变化趋势，将存在相同或相似数据变化趋势的子序列进行合并并进行平滑处理，在尽可能小的损失储能电源数据的精度的同时尽可能大的增大储能电源数据的冗余程度，以便于在保证储能电源数据的精度的同时尽可能达到较好压缩效果。
根据第子序列的波动程度与第/>子序列中相邻序列数据间的差异的平均值获取第子序列的数据变化趋势，即第/>子序列的数据变化趋势为：
式中，表示储能电源数据中第/>子序列的变化趋势；/>表示储能电源数据中第/>子序列的数据变化趋势影响参数；/>表示储能电源数据中第/>子序列中的第/>个数据；/>表示第/>子序列中第/>个数据的数据值；/>表示第/>子序列中所有数据值的数据均值；/>表示第/>子序列中的数据总数；对所有子序列的数据变化趋势影响参数进行线性归一化，其中第/>子序列的数据变化趋势影响参数的归一化结果记为/>；其中，/>表示第/>子序列的储能电源数据变化趋势影响参数，其取值范围为[0,1]，波动变化越大，则影响参数越大，表示对数据趋势的影响越大，波动变化越小，则影响参数越小，表示对数据趋势的影响越小；为第/>子序列的整体趋势变化情况，其取值范围为/>，该值越接近0，则表明第/>子序列的整体趋势越平，即数据大小几乎不变；该值小于0，则表明第/>子序列的趋势处于下降状态，且该值越小，则下降的趋势越明显；该值大于0，则表明第/>子序列的趋势处于上升状态，且该值越大，则数据的上升趋势越明显。
需要说明的是：充放电过程中，电池内阻会随着电池的充放电状态而变化，导致电压和电流的波动；同时储能电源在充放电过程中，能量的转化存在一定的损耗，如电池内部化学反应的不完全转化、电阻产生的热量等，这些损耗会导致电压、电流和温度的波动，由于储能电源本身的物理性质造成的波动为微小的波动，此类波动属于正常的波动；而由温度变化、湿度变化等环境因素会对储能电源的性能产生影响，导致电压、电流和温度的波动，这些波动是由于外界干扰引起的，属于噪声数据，噪声数据会导致对数据进行平滑时的平滑结果不够准确，使平滑后的结果与实际结果严重不符；因此，需要对噪声数据采用更大的平滑因子来抑制噪声数据带来的影响；平滑因子越大，则平滑过程中，对历史数据的关注程度就越高，减少对噪声点的关注情况，从而减少噪声数据对平滑数据所带来的影响。因此，需要获取每个子序列的数据噪声程度。
根据第子序列中每个数据与第/>子序列中所有数据均值差异的平均值获取第/>子序列的数据噪声程度，即第/>子序列的数据噪声程度为：
式中，表示第/>子序列的数据噪声程度；/>表示第/>子序列中的数据总数；/>表示第/>子序列中的第/>个数据的数据值；/>表示第/>子序列中所有数据的数据均值；/>表示双曲正切函数。
其中，第子序列中的数据与第/>子序列中所有数据均值的差异之和越大，则该组数据的噪声程度越大；第/>子序列中的数据与第/>子序列中所有数据均值的差异之和越小，则该组数据的噪声程度越小。
需要说明的是：通过计算每个子序列的噪声程度，即可以反应出每个子序列属于噪声数据的概率，噪声程度越大，则该子序列属于噪声数据的概率越大，噪声程度越小，则该子序列属于噪声数据的概率越小。然后根据每个子序列数据属于噪声数据的概率以及每个子序列数据的变化趋势对数据进行分类。即通过每个子序列数据属于噪声数据的概率对每个子序列数据变化趋势进行加权处理，使属于噪声子序列数据的概率较大的数据权值较大，属于噪声数据的概率较小的子序列数据的权值较小。
当子序列数据中不存在噪声数据时，该子序列内的数据波动变化相似，此时的数据均值处于该子序列数据中的中间部分；当子序列数据中存在噪声数据时，局部数据的大小会与大部分数据的差异较大，此时整个子序列中的数据均会偏向于数据量较大的那部分数据。因此，通过求子序列中的各个数据与该子序列内的数据均值的差异之和，求解该子序列内的噪声程度。所述情况，以电压数据为例，请参阅图2，其示出了存在噪声的波动图，图2中横坐标表示电压数据的时序采集频次，纵坐标表示电压数据大小；请参阅图3，其示出了不存在噪声的波动图，图3中横坐标表示电压数据的时序采集频次，纵坐标表示电压数据大小。其中，时序采集频次是指，按照时序依次采集数据的次数，例如横坐标为1表示按照时序第一次采集电压数据，每相邻两次采集的数据之间的时间间隔是相同的，实施者可根据具体实施场景进行设置，例如5秒。同时，储能电源的电压波动范围可以在额定电压的正负5%之内。例如，如果储能电源的额定电压为48V，那么电压波动范围可以在45.6V到50.4V之间。
S004．根据数据的变化趋势与数据的噪声程度获取初始分组间的可合并性，根据数据的可合并性获取储能电源数据的数据子段。
根据第x子序列的数据变化趋势与第子序列的数据噪声程度获取第x子序列的数据加权变化趋势，根据第x子序列与第x子序列和第x+1子序列进行合并之后的数据加权变化趋势之间的差异性获取第x子序列与第x+1子序列之间的可合并性，其中第x子序列的数据加权变化趋势为：
式中表示第x子序列的数据加权变化趋势，/>表示第/>序列的数据变化趋势，/>表示第/>子序列的数据噪声程度。
需要说明的是：表示第/>子序列的数据变化趋势，第/>子序列的数据的变化趋势越大，则说明该组数据的波动情况越大，在对该分组数据进行平滑时，所需要的平滑因子就越大。通过不同分组的数据波动情况，可将数据波动情况接近的数据进行合并；/>表示第/>子序列的数据噪声程度，该分组数据属于噪声数据的程度较大时，则表示该分组内的噪声数据较多，在对噪声程度较大的数据进行平滑时，可令其使用较大的平滑因子进行平滑，从而减少分组数据中存在噪声数据给平滑后的数据带来的误差。故通过分组数据的噪声程度对数据的变化趋势进行加权，得到加权变化趋势，使数据噪声程度较大、数据差异较大的分组数据的平滑因子更大；使数据噪声程度较小、数据差异较小的分组数据的平滑因子更小。
第x子序列与第x+1子序列之间的可合并性的获取方法为：
式中，表示第x子序列与第x+1子序列之间的可合并性；/>表示第x子序列的数据加权变化趋势；/>表示将第x子序列和第x+1子序列进行合并之后的数据加权变化趋势。
需要说明的是：数据初始分组间的可合并性是指将数据进行合并时，合并之后的数据与合并之前的数据加权趋势的相关系数，根据相关系数判断数据是否进行合并；若相关系数较大，则说明分组前后的差异较小，可以进行合并；若相关系数较小，则说明分组前后的差异较小，不进行合并表示分组合并前后的数据变化趋势的差异性，若分组合并前后的数据变化趋势越小，则/>越小，则说明差异性越小，可合并性越大；/>表示数据的可合并性，/>越大，则说明数据分组前后的相关性越高，分组的可合并性越高。
本实施例以为例进行叙述，将其记为可合并性阈值，具体实施时可设置其他值，若/>，则说明第x子序列与第x+1子序列间的数据的相关性较高，则根据第x子序列与第x+1子序列间的数据的相关性对储能电源时序数据序列进行自适应合并处理，具体对储能电源时序数据序列进行自适应合并处理的方法如下；
从储能电源时序数据序列中的第一个子序列开始，若第一个子序列与第二个子序列的可合并性满足可合并性阈值要求，则将第一个子序列与第二个子序列进行合并，记为第一合并子序列；继续判断第一合并子序列与第三个子序列的可合并性是否满足可合并性阈值要求，若第一合并子序列与第三个子序列的可合并性满足可合并性阈值要求，则将第一合并子序列与第三个子序列进行合并，记为第二合并子序列；继续判断第二合并子序列与第四个子序列的可合并性是否满足可合并性阈值要求，若第二合并子序列与第四个子序列的可合并性满足可合并性阈值要求，则将第二合并子序列与第四个子序列进行合并，记为第三合并子序列；继续判断第三合并子序列与第五个子序列的可合并性是否满足可合并性阈值要求，若第三合并子序列与第五个子序列的可合并性满足可合并性阈值要求，则将第三合并子序列与第五个子序列进行合并，记为第四合并子序列；以此类推，直至第i合并子序列与第i+2个子序列不满足可合并性阈值要求时停止判断，此时将第i合并子序列记为第一储能电源时序数据子序列段；将第一储能电源时序数据子序列段从储能电源时序数据序列中去除，将剩余的储能电源时序数据序列继续进行所述自适应合并处理，直至将储能电源时序数据序列中所有字符判断完成后停止，由此得到多个储能电源时序数据子序列段。
S005．对储能电源时序数据子序列段进行平滑，对平滑后的数据进行压缩，得到压缩后的数据。
根据储能电源时序数据子序列段的数据加权变化趋势获取该储能电源时序数据子序列段的指数平滑因子，根据储能电源时序数据子序列段的指数平滑因子对储能电源时序数据子序列段进行平滑处理，平滑过程为：
式中，表示当前储能电源时序数据子序列段中第/>个数据的平滑值；/>表示当前储能电源时序数据子序列段中第t个数据的实际值；/>表示当前储能电源时序数据子序列段中第t-1个数据的平滑值；/>表示平滑因子，其取值范围为(0,1)；/>为超参数，本实施例以为例进行叙述；/>表示当前储能电源时序数据子序列段中所合并的子序列总数；表示当前储能电源时序数据子序列段中第/>个子序列的加权变化趋势；其中储能电源时序数据子序列段中各个子序列的加权变化趋势的均值越大，则该分段的平滑因子越大。
通过上述方法对第一储能电源时序数据子序列段进行平滑，同理对所有储能电源时序数据子序列段进行平滑，所有储能电源时序数据子序列段平滑完成后，得到平滑后的储能电源时序数据序列。
利用霍夫曼编码对平滑后的储能电源时序数据序列进行压缩，得到压缩后的数据，并对数据进行存储，其中霍夫曼编码为现有技术，本实施例不再进行赘述。
通过以上步骤，完成了一种储能电源数据智能存储方法。
本发明实施例通过一种储能电源数据智能存储方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种储能电源数据智能存储方法，其特征在于，该方法包括以下步骤：
获取储能电源数据波动变化曲线，所述储能电源数据包括电压、电流和温度；
对储能电源数据进行分组得到若干子序列，根据储能电源数据中每个子序列的波动程度与每个子序列中相邻序列数据间的差异的平均值获取储能电源数据中每个子序列的数据变化趋势；
根据任意一个子序列中每个数据与任意一个子序列中所有数据均值差异的平均值获取储能电源数据中任意一个子序列的数据噪声程度；
根据储能电源数据中每个子序列的数据变化趋势与储能电源数据中每个子序列的数据噪声程度获取每个子序列的数据加权变化趋势，在储能电源数据中，将每个子序列与每个子序列后一个子序列进行合并，将合并后的子序列记为合并子序列， 根据每个子序列与每个合并子序列的数据加权变化趋势之间的差异性，获取每个子序列与每个合并子序列之间的可合并性；
根据子序列间的可合并性获取储能电源时序数据子序列段；
根据储能电源时序数据子序列段的数据加权变化趋势获取储能电源时序数据子序列段的指数平滑因子，根据储能电源时序数据子序列段的指数平滑因子对储能电源时序数据子序列段进行平滑处理；
对平滑后的储能电源时序数据序列进行压缩，得到压缩后的数据，将压缩后的数据进行存储。
2.根据权利要求1所述的一种储能电源数据智能存储方法，其特征在于，所述根据任意一个子序列中每个数据与任意一个子序列中所有数据均值差异的平均值获取储能电源数据中任意一个子序列的数据噪声程度，包括的具体步骤如下：
第子序列的数据噪声程度为：
式中，表示第/>子序列的数据噪声程度；/>表示第/>子序列中的数据总数；/>表示第/>子序列中的第/>个数据的数据值；/>表示第/>子序列中所有数据的数据均值；/>表示双曲正切函数。
3.根据权利要求2所述的一种储能电源数据智能存储方法，其特征在于，所述对储能电源数据进行分组得到若干子序列，根据储能电源数据中每个子序列的波动程度与每个子序列中相邻序列数据间的差异的平均值获取储能电源数据中每个子序列的数据变化趋势，包括的具体步骤如下：
第子序列的数据变化趋势为：
式中，表示储能电源数据中第/>子序列的变化趋势；/>表示储能电源数据中第/>子序列的数据变化趋势影响参数；/>表示储能电源数据中第/>子序列中的第/>个数据；/>表示第/>子序列中第/>个数据的数据值；/>表示第/>子序列中所有数据值的数据均值；/>表示第/>子序列中的数据总数；对所有子序列的数据变化趋势影响参数进行线性归一化，其中第/>子序列的数据变化趋势影响参数的归一化结果记为/>。
4.根据权利要求3所述的一种储能电源数据智能存储方法，其特征在于，所述根据储能电源数据中每个子序列的数据变化趋势与储能电源数据中每个子序列的数据噪声程度获取每个子序列的数据加权变化趋势，包括的具体步骤如下：
第x子序列的数据加权变化趋势为：
式中表示第x子序列的数据加权变化趋势，/>表示第/>序列的数据变化趋势，/>表示第/>子序列的数据噪声程度。
5.根据权利要求4所述的一种储能电源数据智能存储方法，其特征在于，所述根据每个子序列与每个合并子序列的数据加权变化趋势之间的差异性，获取每个子序列与每个合并子序列之间的可合并性，包括的具体步骤如下：
可合并性的获取方法为：
式中，表示第x子序列与第x+1子序列之间的可合并性；/>表示第x子序列的数据加权变化趋势；/>表示将第x子序列和第x+1子序列进行合并之后的数据加权变化趋势。
6.根据权利要求1所述的一种储能电源数据智能存储方法，其特征在于，所述根据子序列间的可合并性获取储能电源时序数据子序列段，包括的具体步骤如下：
对储能电源时序数据序列进行自适应合并处理的方法如下；
从储能电源时序数据序列中的第一个子序列开始，若第一个子序列与第二个子序列的可合并性满足可合并性阈值要求，则将第一个子序列与第二个子序列进行合并，记为第一合并子序列；继续判断第一合并子序列与第三个子序列的可合并性是否满足可合并性阈值要求，若第一合并子序列与第三个子序列的可合并性满足可合并性阈值要求，则将第一合并子序列与第三个子序列进行合并，记为第二合并子序列；继续判断第二合并子序列与第四个子序列的可合并性是否满足可合并性阈值要求，若第二合并子序列与第四个子序列的可合并性满足可合并性阈值要求，则将第二合并子序列与第四个子序列进行合并，记为第三合并子序列；继续判断第三合并子序列与第五个子序列的可合并性是否满足可合并性阈值要求，若第三合并子序列与第五个子序列的可合并性满足可合并性阈值要求，则将第三合并子序列与第五个子序列进行合并，记为第四合并子序列；以此类推，直至第i合并子序列与第i+2个子序列不满足可合并性阈值要求时停止判断，此时将第i合并子序列记为第一储能电源时序数据子序列段；将第一储能电源时序数据子序列段从储能电源时序数据序列中去除，将剩余的储能电源时序数据序列继续进行所述自适应合并处理，直至将储能电源时序数据序列中所有字符判断完成后停止，由此得到多个储能电源时序数据子序列段。
7.根据权利要求4所述的一种储能电源数据智能存储方法，其特征在于，所述根据储能电源时序数据子序列段的数据加权变化趋势获取储能电源时序数据子序列段的指数平滑因子，根据储能电源时序数据子序列段的指数平滑因子对储能电源时序数据子序列段进行平滑处理，包括的具体步骤如下：
平滑过程为：
式中，表示当前储能电源时序数据子序列段中第/>个数据的平滑值；/>表示当前储能电源时序数据子序列段中第t个数据的实际值；/>表示当前储能电源时序数据子序列段中第t-1个数据的平滑值；/>表示平滑因子；/>为超参数，/>表示当前储能电源时序数据子序列段中所合并的子序列总数；/>表示当前储能电源时序数据子序列段中第/>个子序列的加权变化趋势。
CN202310988471.7A 2023-08-08 2023-08-08 一种储能电源数据智能存储方法 Active CN116743180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310988471.7A CN116743180B (zh) 2023-08-08 2023-08-08 一种储能电源数据智能存储方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310988471.7A CN116743180B (zh) 2023-08-08 2023-08-08 一种储能电源数据智能存储方法

Publications (2)

Publication Number Publication Date
CN116743180A true CN116743180A (zh) 2023-09-12
CN116743180B CN116743180B (zh) 2024-02-13

Family

ID=87906270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310988471.7A Active CN116743180B (zh) 2023-08-08 2023-08-08 一种储能电源数据智能存储方法

Country Status (1)

Country Link
CN (1) CN116743180B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117353751A (zh) * 2023-12-06 2024-01-05 山东万辉新能源科技有限公司 基于大数据的无人充电桩交易数据智能管理系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810849A (zh) * 2012-11-15 2014-05-21 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
WO2020087830A1 (zh) * 2018-11-02 2020-05-07 深圳壹账通智能科技有限公司 数据分析方法、装置、服务器及存储介质
CN113492724A (zh) * 2021-07-28 2021-10-12 合肥国轩高科动力能源有限公司 基于赫斯特指数的动力电池sop预测方法、存储介质及设备
US20230099405A1 (en) * 2020-03-30 2023-03-30 Sony Interactive Entertainment Inc. Image data transfer apparatus, image display system, and image data transfer method
CN116418882A (zh) * 2023-06-09 2023-07-11 北京国旺盛源智能终端科技有限公司 基于hplc双模载波通信的存储器数据压缩方法
WO2023130776A1 (zh) * 2022-01-07 2023-07-13 国网浙江省电力有限公司电力科学研究院 储能电站电池工况健康状态预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810849A (zh) * 2012-11-15 2014-05-21 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
WO2020087830A1 (zh) * 2018-11-02 2020-05-07 深圳壹账通智能科技有限公司 数据分析方法、装置、服务器及存储介质
US20230099405A1 (en) * 2020-03-30 2023-03-30 Sony Interactive Entertainment Inc. Image data transfer apparatus, image display system, and image data transfer method
CN113492724A (zh) * 2021-07-28 2021-10-12 合肥国轩高科动力能源有限公司 基于赫斯特指数的动力电池sop预测方法、存储介质及设备
WO2023130776A1 (zh) * 2022-01-07 2023-07-13 国网浙江省电力有限公司电力科学研究院 储能电站电池工况健康状态预测方法及系统
CN116418882A (zh) * 2023-06-09 2023-07-11 北京国旺盛源智能终端科技有限公司 基于hplc双模载波通信的存储器数据压缩方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贺宁 等: "压缩感知结合高斯过程回归的锂电池SOH估计", 《控制工程》, vol. 30, no. 4, pages 637 - 648 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117353751A (zh) * 2023-12-06 2024-01-05 山东万辉新能源科技有限公司 基于大数据的无人充电桩交易数据智能管理系统
CN117353751B (zh) * 2023-12-06 2024-02-23 山东万辉新能源科技有限公司 基于大数据的无人充电桩交易数据智能管理系统

Also Published As

Publication number Publication date
CN116743180B (zh) 2024-02-13

Similar Documents

Publication Publication Date Title
CN117148171B (zh) 一种储能电池数据处理方法及系统
CN117368744B (zh) 一种户用储能电池在线评估方法
CN113406521B (zh) 一种基于特征分析的锂电池健康状态在线估计方法
CN116743180B (zh) 一种储能电源数据智能存储方法
CN115902647B (zh) 一种电池状态智能监测方法
CN116828070B (zh) 一种智慧电网数据优化传输方法
CN112433907B (zh) 不间断电源的主机运行参量数据的处理方法、装置和电子装置
CN115511013B (zh) 一种大规模储能电站异常电池识别方法、设备及存储介质
CN117235557B (zh) 基于大数据分析的电气设备故障快速诊断方法
CN116307944B (zh) 基于人工智能与物联网的配电箱远程监测系统
CN117741450B (zh) 一种电参数分析的储能电池检测方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN116794516A (zh) 一种基于算法融合的锂离子电池剩余使用寿命预测方法
CN111931354A (zh) 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法
CN116953547A (zh) 一种储能电池健康度评估方法、系统、设备及存储介质
CN117828408B (zh) 一种储能容量数据处理方法及系统
CN116842464A (zh) 一种电池系统soc估计方法
CN115219907A (zh) 一种锂电池soc估计方法、系统、介质、设备及终端
CN118211092B (zh) 一种电机控制器数据存储方法及系统
CN118091325B (zh) 一种电缆智能检测方法及系统
CN118584363B (zh) 基于融合特征的锂离子电池剩余使用寿命预测方法
CN117554824B (zh) 一种锌锰电池的异常数据检测方法
CN117706377B (zh) 一种基于自适应聚类的电池不一致性辨识方法和装置
CN118625027A (zh) 一种电容器的电容性能测试方法及测试系统
CN118448775A (zh) 一种基于电池管理的目标加热电池组加热方法

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