CN116861340A - 一种储能设备的状态监测方法、系统、电子设备及存储介质 - Google Patents
一种储能设备的状态监测方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116861340A CN116861340A CN202310727797.4A CN202310727797A CN116861340A CN 116861340 A CN116861340 A CN 116861340A CN 202310727797 A CN202310727797 A CN 202310727797A CN 116861340 A CN116861340 A CN 116861340A
- Authority
- CN
- China
- Prior art keywords
- data set
- energy storage
- index
- decision tree
- storage device
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 91
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 46
- 238000003066 decision tree Methods 0.000 claims abstract description 45
- 230000003287 optical effect Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 239000013618 particulate matter Substances 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 10
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明提供一种储能设备的状态监测方法，方法包括：基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；基于ID3算法对采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；基于分类决策树对采样数据集进行分类，得到分类结果；基于分类结果对储能设备内部的状态进行监测。本发明通过光学检测设备对储能设备内部的监测数据进行采集，并基于ID3算法对采集到的采样数据构建决策树，并基于决策树对采样数据进行分类，得到分类结果，从而完善了储能设备的状态监测，提升了对储能设备故障的诊断效率，提高了对储能设备故障诊断的准确性。
Description
技术领域
本发明涉及数据监测技术领域，更具体地，涉及一种储能设备的状态监测方法、系统、电子设备及存储介质。
背景技术
储能设备简单说就是能量存储装置，由能量转换系统、能量存储系统、能量管理系统以及安全系统等重要部件组成。储能机能够存储多余电量，在用电高峰期时使用，在断电或户外没电的环境临时使用，或者运往能量紧缺的地方使用。可以在时间、空间方面满足人们的用电需求，让电能更加合理高效的使用。储能设备分为户用储能、工商业储能、大型储能，生活中常见的有移动电源、储能电池、家用储能机等。
随着储能设备的快速发展，储能设备的安全性也被列为重点关注方向。但是储能设备在出现异常的影响因素太多，工作人员通常情况下都无法提前发现储能设备的异常，从而及时避免危险事故的发生，因此，如何进一步完善对储能设备的状态监测提升储能设备故障的诊断效率是亟待解决的问题。
发明内容
本发明针对现有技术中存在的技术问题，提供一种储能设备的状态监测方法、系统、电子设备及存储介质，用以解决如何进一步完善对储能设备的状态监测提升储能设备故障的诊断效率的问题。
本发明的第一方面，提供了一种储能设备的状态监测方法，包括：
基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；
基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；
基于所述分类决策树对所述采样数据集进行分类，得到分类结果；
基于所述分类结果对所述储能设备内部的状态进行监测。
在上述技术方案的基础上，本发明还可以作出如下改进。
优选的，所述基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树的步骤，包括：
将所述采样数据集按照预设比例划分成训练数据集和验证数据集；
基于ID3算法对所述训练数据集，计算所述预设评估指标中各个指标的信息熵和信息增益；
基于所述信息熵和信息增益，对所述验证数据集进行计算，确定根节点和中间节点，并构建分类决策树。
优选的，所述预设评估指标包括颗粒物、CO、CO2、CH4、H2、温度、湿度和压力。
优选的，所述基于ID3算法对所述采样数据集进行各个指标的信息熵的步骤，包括：
基于所述预设评估指标中的一个指标C，指标C具有m个可能的取值C＝{C1，C1，…，Cm},所述训练数据集S中Ci出现的频率为pi(i＝1,2,…,m)，所述训练数据集S的信息熵为：
优选的，所述基于ID3算法对所述采样数据集进行各个指标的信息增益的步骤，包括：
基于所述预设评估指标中的一个指标B作为根节点，基于所述指标B将所述训练数据集S划分为训练子集Sj(j＝1,2,…,k),所述指标B划分训练数据集S的信息增益为：
Gain(S,B)＝Entropy(S)-EntropyB(S)；
其中，所述训练子集Sj的信息熵为：
其中，|Si|为训练子集Sj中包含的样本数，|S|为训练数据集S中包含的样本数。
优选的，所述构建分类决策树的步骤，还包括：
基于所述各个指标的信息增益的大小，将最大的信息增益对应的指标作为最优划分特征。
优选的，所述基于所述分类结果对所述储能设备内部的状态进行监测的步骤，包括：
基于所述分类结果确定故障等级，并基于所述故障等级进行故障预警。
本发明的第二方面，提供一种储能设备的状态监测系统，包括：
数据采集模块，用于基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；
决策树构建模块，用于基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；
数据分类模块，用于基于所述分类决策树对所述采样数据集进行分类，得到分类结果；
状态监测模块，用于基于所述分类结果对所述储能设备内部的状态进行监测。
本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现上述第一方面中任一储能设备的状态监测方法的步骤。
本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现上述第一方面中任一储能设备的状态监测方法的步骤。
本发明提供的一种储能设备的状态监测方法、系统、电子设备及存储介质，方法包括：基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；基于ID3算法对上述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；基于上述分类决策树对上述采样数据集进行分类，得到分类结果；基于上述分类结果对上述储能设备内部的状态进行监测。本发明通过预设光学检测设备对储能设备内部的监测数据进行采集，并基于ID3算法对采集到的采样数据构建决策树，并基于上述决策树对采样数据进行分类，得到分类结果，从而进一步完善了储能设备的状态监测，提升了对储能设备故障的诊断效率，进一步提高了对储能设备故障诊断的准确性。
附图说明
图1为本发明提供的一种储能设备的状态监测方法流程图；
图2为本发明提供的一种储能设备的状态监测系统结构示意图；
图3为本发明提供的一种可能的电子设备的硬件结构示意图；
图4为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明提供的一种储能设备的状态监测方法流程图，如图1所示，方法包括：
步骤S100：基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；
需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信及程序运行功能的计算机终端设备，例如：电脑、平板电脑等；也可以是具有相同相似功能的服务器设备，还可以是具有相似功能的云服务器，本实施例对此不做限制。为了便于理解，本实施例及下述各实施例将以服务器设备为例进行说明。
可以理解的是，上述预设光学检测设备可以是一种安装在上述储能设备内部的光学检测设备，其采用激光、红外光学技术及长光程核心专利技术，实现颗粒物、气体等参量的高精度检测。上述预设光学检测设备可以通过有线或无线方式将采集到的数据上传至服务器，上述有线或无线的方式包括但不限于CAN/RS485/RS232/4G/5G。
应理解的是，上述预设评估指标包括但不限于颗粒物、CO、CO2、CH4、H2、温度、湿度和压力。
进一步的，上述预设光学检测设备的技术指标，参见表1，表1如下：
表1、光学检测设备技术指标
进一步的，上述光学检测设备用于置于上述储能设备的内部环境中，用于对储能设备在密闭环境下的安全进行监测。
步骤S200：基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；
可以理解的是，上述ID3算法是通过计算系统的信息熵是H(X)，分别计算每个特征的条件熵H(Y|X)，然后得到每个条件的信息增益IG(X)＝H(Y)-H(Y|X)。通过判断每个特征的的IG(X)大小来决定特征的重要度。所以ID3算法是基于信息增益，信息增益大，则越适合用来分类。在具体的特征分裂的时候，每个条件的分裂是遍历了所有的可能(离散值有多少个就有多少个可能)，这是一种贪心算法。
进一步的，所述基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树的步骤，包括：
步骤S201：将所述采样数据集按照预设比例划分成训练数据集和验证数据集；
可以理解的是，上述预设比例可以是按照1:2的比例，对采样数据集进行划分，从而得到训练数据集和验证数据集。
步骤S202：基于ID3算法对所述训练数据集，计算所述预设评估指标中各个指标的信息熵和信息增益；
进一步的，所述基于ID3算法对所述采样数据集进行各个指标的信息熵的步骤，包括：基于所述预设评估指标中的一个指标C，指标C具有m个可能的取值C＝{C1，C1，…，Cm},所述训练数据集S中Ci出现的频率为pi(i＝1,2,…,m)，所述训练数据集S的信息熵为：
进一步的，所述基于ID3算法对所述采样数据集进行各个指标的信息增益的步骤，包括：
基于所述预设评估指标中的一个指标B作为根节点，基于所述指标B将所述训练数据集S划分为训练子集Sj(j＝1,2,…,k),所述指标B划分训练数据集S的信息增益为：
Gain(S,B)＝Entropy(S)-EntropyB(S)；
其中，所述训练子集Sj的信息熵为：
其中，|Si|为训练子集Sj中包含的样本数，|S|为训练数据集S中包含的样本数。
步骤S203：基于所述信息熵和信息增益，对所述验证数据集进行计算，确定根节点和中间节点，并构建分类决策树。
进一步的，所述构建分类决策树的步骤，还包括：
步骤S2031：基于所述各个指标的信息增益的大小，将最大的信息增益对应的指标作为最优划分特征。
进一步的，由于D3算法是基于信息增益，信息增益越大，则越适合用来分类，因此最大的信息增益对应的指标也越适合用来分来，因此这里将最大的信息增益对应的指标作为最优划分特征。
步骤S300：基于所述分类决策树对所述采样数据集进行分类，得到分类结果；
步骤S400：基于所述分类结果对所述储能设备内部的状态进行监测。
进一步的，所述基于所述分类结果对所述储能设备内部的状态进行监测的步骤，包括：基于所述分类结果确定故障等级，并基于所述故障等级进行故障预警。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种储能设备的状态监测方法。方法包括：基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；基于ID3算法对上述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；基于上述分类决策树对上述采样数据集进行分类，得到分类结果；基于上述分类结果对上述储能设备内部的状态进行监测。本发明通过预设光学检测设备对储能设备内部的监测数据进行采集，并基于ID3算法对采集到的采样数据构建决策树，并基于上述决策树对采样数据进行分类，得到分类结果，从而进一步完善了储能设备的状态监测，提升了对储能设备故障的诊断效率，进一步提高了对储能设备故障诊断的准确性。
请参阅图2，图2为本发明实施例提供的一种储能设备的状态监测系统结构图示意图，如图2所示，一种储能设备的状态监测系统，包括数据采集模块100、决策树构建模块200、数据分类模块300和状态监测模块400，其中：
数据采集模块100，用于基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；决策树构建模块200，用于基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；数据分类模块300，用于基于所述分类决策树对所述采样数据集进行分类，得到分类结果；状态监测模块400，用于基于所述分类结果对所述储能设备内部的状态进行监测。
可以理解的是，本发明提供的一种储能设备的状态监测系统与前述各实施例提供的储能设备的状态监测方法相对应，储能设备的状态监测系统的相关技术特征可参考储能设备的状态监测方法的相关技术特征，在此不再赘述。
请参阅图3，图3为本发明实施例提供的电子设备的实施例示意图。如图3所示，本发明实施例提供了一种电子设备，包括存储器1310、处理器1320及存储在存储器1310上并可在处理器1320上运行的计算机程序1311，处理器1320执行计算机程序1311时实现以下步骤：
基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；基于ID3算法对上述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；基于上述分类决策树对上述采样数据集进行分类，得到分类结果；基于上述分类结果对上述储能设备内部的状态进行监测。
请参阅图4，图4为本发明提供的一种计算机可读存储介质的实施例示意图。如图4所示，本实施例提供了一种计算机可读存储介质1400，其上存储有计算机程序1411，该计算机程序1411被处理器执行时实现如下步骤：
基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；基于ID3算法对上述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；基于上述分类决策树对上述采样数据集进行分类，得到分类结果；基于上述分类结果对上述储能设备内部的状态进行监测。
本发明实施例提供的一种储能设备的状态监测方法、系统及存储介质，方法包括：基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；基于ID3算法对上述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；基于上述分类决策树对上述采样数据集进行分类，得到分类结果；基于上述分类结果对上述储能设备内部的状态进行监测。本发明通过预设光学检测设备对储能设备内部的监测数据进行采集，并基于ID3算法对采集到的采样数据构建决策树，并基于上述决策树对采样数据进行分类，得到分类结果，从而进一步完善了储能设备的状态监测，提升了对储能设备故障的诊断效率，进一步提高了对储能设备故障诊断的准确性。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种储能设备的状态监测方法，其特征在于，所述方法包括：
基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；
基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；
基于所述分类决策树对所述采样数据集进行分类，得到分类结果；
基于所述分类结果对所述储能设备内部的状态进行监测。
2.根据权利要求1所述的储能设备的状态监测方法，其特征在于，所述基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树的步骤，包括：
将所述采样数据集按照预设比例划分成训练数据集和验证数据集；
基于ID3算法对所述训练数据集，计算所述预设评估指标中各个指标的信息熵和信息增益；
基于所述信息熵和信息增益，对所述验证数据集进行计算，确定根节点和中间节点，并构建分类决策树。
3.根据权利要求1或2任一所述的储能设备的状态监测方法，其特征在于，所述预设评估指标包括颗粒物、CO、CO2、CH4、H2、温度、湿度和压力。
4.根据权利要求2所述的储能设备的状态监测方法，其特征在于，所述基于ID3算法对所述采样数据集进行各个指标的信息熵的步骤，包括：
基于所述预设评估指标中的一个指标C，指标C具有m个可能的取值C＝{C1，C1，…，Cm},所述训练数据集S中Ci出现的频率为pi(i＝1,2,…,m)，所述训练数据集S的信息熵为：
5.根据权利要求4所述的储能设备的状态监测方法，其特征在于，所述基于ID3算法对所述采样数据集进行各个指标的信息增益的步骤，包括：
基于所述预设评估指标中的一个指标B作为根节点，基于所述指标B将所述训练数据集S划分为训练子集Sj(j＝1,2,…,k),所述指标B划分训练数据集S的信息增益为：
Gain(S,B)＝Entropy(S)-EntropyB(S)；
其中，所述训练子集Sj的信息熵为：
其中，|Si|为训练子集Sj中包含的样本数，|S|为训练数据集S中包含的样本数。
6.根据权利要求1所述的储能设备的状态监测方法，其特征在于，所述构建分类决策树的步骤，还包括：
基于所述各个指标的信息增益的大小，将最大的信息增益对应的指标作为最优划分特征。
7.根据权利要求1所述的储能设备的状态监测方法，其特征在于，所述基于所述分类结果对所述储能设备内部的状态进行监测的步骤，包括：
基于所述分类结果确定故障等级，并基于所述故障等级进行故障预警。
8.一种储能设备的状态监测系统，其特征在于，包括：
数据采集模块，用于基于预设光学检测设备使用激光、红外光和长光程技术和预设评估指标，对储能设备内的环境进行实时数据采集，得到采样数据集；
决策树构建模块，用于基于ID3算法对所述采样数据集进行各个指标的信息熵和信息增益计算，确定根节点和中间节点，并构建分类决策树；
数据分类模块，用于基于所述分类决策树对所述采样数据集进行分类，得到分类结果；
状态监测模块，用于基于所述分类结果对所述储能设备内部的状态进行监测。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的储能设备的状态监测方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的储能设备的状态监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310727797.4A CN116861340A (zh) | 2023-06-18 | 2023-06-18 | 一种储能设备的状态监测方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310727797.4A CN116861340A (zh) | 2023-06-18 | 2023-06-18 | 一种储能设备的状态监测方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116861340A true CN116861340A (zh) | 2023-10-10 |
Family
ID=88218177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310727797.4A Pending CN116861340A (zh) | 2023-06-18 | 2023-06-18 | 一种储能设备的状态监测方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116861340A (zh) |
-
2023
- 2023-06-18 CN CN202310727797.4A patent/CN116861340A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110570012B (zh) | 一种基于Storm的电厂生产设备故障预警方法及系统 | |
| CN111614491A (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
| CN104732276A (zh) | 一种计量生产设施故障在线诊断方法 | |
| CN111027615A (zh) | 基于机器学习的中间件故障预警方法和系统 | |
| CN115423373A (zh) | 一种园区的碳排放评价方法、系统、电子设备及存储介质 | |
| CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、系统和介质 | |
| CN109299552A (zh) | 一种电池能量状态的评估方法及其评估系统 | |
| US20230034061A1 (en) | Method for managing proper operation of base station and system applying the method | |
| CN114487856A (zh) | 换电站电池的热失控预警方法及系统 | |
| CN116186624A (zh) | 一种基于人工智能的锅炉评估方法及系统 | |
| CN113887749A (zh) | 基于云边协同的电力物联网多维度监控处置方法、设备及平台 | |
| CN118095975B (zh) | 基于bim和ai大模型的工程质量智能管理方法及系统 | |
| CN110493176B (zh) | 一种基于非监督机器学习的用户可疑行为分析方法及系统 | |
| CN111597510A (zh) | 一种输变电运检数据质量评估方法及系统 | |
| CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 | |
| CN117390015B (zh) | 电池护照的存储方法、设备及存储介质 | |
| CN117094688B (zh) | 一种供电所数字化管控方法及系统 | |
| CN111026624B (zh) | 电网信息系统的故障预测方法、装置 | |
| CN116861340A (zh) | 一种储能设备的状态监测方法、系统、电子设备及存储介质 | |
| CN117250449A (zh) | 变压器绝缘状态评估方法、装置、电子设备及存储介质 | |
| CN113408210B (zh) | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 | |
| CN110298585B (zh) | 一种变电站设备监控信息分层分级自动审核方法 | |
| CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
| CN116415385A (zh) | 风机联调仿真方法、装置、服务器及计算机存储介质 | |
| CN201717634U (zh) | 用于多层电网的事故集处理系统 |
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 |