CN117150419A - 基于数据分析的储能电源运行环境检测系统 - Google Patents
基于数据分析的储能电源运行环境检测系统 Download PDFInfo
- Publication number
- CN117150419A CN117150419A CN202311422414.9A CN202311422414A CN117150419A CN 117150419 A CN117150419 A CN 117150419A CN 202311422414 A CN202311422414 A CN 202311422414A CN 117150419 A CN117150419 A CN 117150419A
- Authority
- CN
- China
- Prior art keywords
- power data
- fluctuation
- degree
- interval
- abnormal
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000007405 data analysis Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 144
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000005856 abnormality Effects 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 230000001052 transient effect Effects 0.000 description 7
- 238000009776 industrial production Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及基于数据分析的储能电源运行环境检测系统,包括:采集负载系统的功率数据;获得波动起始点和波动终止点得到可能异常区间;获得每个可能异常区间的所有时刻功率数据的抵消程度;获得每个可能异常区间中每个时刻功率数据的叠加贡献程度;根据叠加贡献程度获得每个可能异常区间为异常负载区间的可能程度;根据异常负载区间的可能程度获得所有负载异常区间功率数据;使用负载异常区间功率数据结合负载系统完成对储能电源的调控。本发明旨在通过分析异常负载的波动特征解决储能电源介入受到无关因素影响的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于数据分析的储能电源运行环境检测系统。
背景技术
在工业生产中,电动机的突然启动或制动使得负载系统的功率在短时间内瞬间升高或降低,产生突切负载或突投负载;突切负载使其在持续时间内达到功率峰值,超过正常运行的负载需求,造成负载系统的稳定性问题和质量下降,因此需要使用储能电源提供额外的电力以满足高功率需求;突投负载在瞬时内从有功转变为无功,造成电力能源的浪费或用电设备的过载,因此需要将负载系统的电力输入储能电源以降低无效损耗。
现有技术监测负载系统的突切负载和突投负载主要通过检测和分析负载系统中的各种参数和信号变化判断异常负载的出现,并触发储能系统的介入,通过输出电力应对高负载和输入电力降低无功消耗,达到保护负载系统的目的。但现有技术主要依据功率的瞬时变化触发储能系统的介入,容易受到天气、用电量变化、调度、控制策略等无关因素的影响,造成储能系统的无效介入。
发明内容
本发明提供基于数据分析的储能电源运行环境检测系统,以解决现有技术依据功率的瞬时变化触发储能系统的介入时,容易受到天气、用电量变化、调度、控制策略等无关因素的影响,造成储能系统的无效介入的问题。
本发明的基于数据分析的储能电源运行环境检测系统采用如下技术方案:
本发明一个实施例提供了基于数据分析的储能电源运行环境检测系统,该系统包括以下模块:
数据采集模块,用于采集储能电源的负载系统的所有时刻的功率数据;
数据处理模块:用于获得每个功率数据的正区间和负区间,根据每个功率数据的正负区间的拟合斜率,获得每个功率数据为波动起始点的可能程度;根据每个功率数据的正负区间的数值分布,获得每个功率数据为波动终止点的可能程度;根据每个功率数据为波动起始点的可能程度,以及每个功率数据为波动终止点的可能程度获得波动起始点和波动终止点;根据波动起始点和波动终止点获得可能异常区间;根据每个可能异常区间的频谱曲线获得每个可能异常区间的所有分量;根据每个可能异常区间的所有分量获得每个可能异常区间内每个时刻功率数据的抵消程度;根据抵消程度获得每个可能异常区间内每个时刻功率数据的叠加贡献程度;根据每个时刻功率数据的叠加贡献程度获得每个可能异常区间为异常负载区间的可能程度;根据所有可能异常区间的可能程度获得所有负载异常区间功率数据;
异常负载检测模块,用于使用负载异常区间功率数据监测负载异常。
进一步的,所述获得每个功率数据的正区间和负区间包括:
选取每个功率数据左侧个时刻的功率数据构成第/>时刻的负区间,选取每个功率数据右侧/>个时刻的功率数据构成第/>时刻的正区间,其中/>为取值为正整数的预设区间长度。
进一步的,所述根据每个功率数据的正负区间的拟合斜率,获得每个功率数据为波动起始点的可能程度包括:
第时刻的功率数据为波动起始点的可能程度/>的计算方法为:
其中,为第/>时刻的功率数据为波动起始点的可能程度,/>为第/>时刻的负区间的拟合斜率,/>为第/>时刻正区间的拟合斜率,/>为/>函数;
正区间和负区间的拟合斜率的获取方式为:选取第时刻正负区间的内所有功率数据,使用最小二乘法将所述正负区间内所有功率数据拟合成直线,所述直线的斜率分别记为正区间的拟合斜率和负区间的拟合斜率。
进一步的,所述根据每个功率数据的正负区间的数值分布,获得每个功率数据为波动终止点的可能程度包括:
第时刻的功率数据为波动终止点的可能程度/>的计算方法为:
其中,为第/>时刻的功率数据为波动终止点的可能程度,/>为第/>时刻的负区间的方差,/>为第/>时刻的正区间的方差,/>表示线性归一化函数,/>表示以自然常数为底的指数函数。
进一步的,所述获得波动起始点和波动终止点包括:
预设第一评估阈值,当第/>时刻的功率数据为波动起始点的可能程度满足时,将第/>时刻的功率数据/>记为波动起始点;当第/>时刻的功率数据为波动起始点的可能程度满足/>时,计算第/>时刻的功率数据的波动起始点的可能程度;以此类推,直至所有功率数据均被检测完成,获得功率数据的所有波动起始点;
预设第二评估阈值,当第/>时刻的功率数据为波动终止点的可能程度满足时,将第/>时刻的功率数据/>记为波动终止点;当第/>时刻的功率数据为波动终止点的可能程度满足/>时,计算第/>时刻的功率数据的波动终止点的可能程度;以此类推,直至所有功率数据均被检测完成,获得功率数据的所有波动终止点。
进一步的,所述根据波动起始点和波动终止点获得可能异常区间包括:
在所有功率数据的第一个波动起始点与最后一个波动终止点的时间范围中,选择满足时间相邻的波动终止点与波动起始点/>,其中所选的波动终止点/>在波动起始点之前,作为第一可能异常区间的波动终止点,所选的波动起始点/>在波动终止点/>之后,作为第二可能异常区间的波动起始点/>,获取所有功率数据的若干个可能异常区间的波动起始点和波动终止点,记功率数据区间/>为第一可能异常区间,记功率数据区间/>为第二可能异常区间;以此类推,获得所有功率数据的所有可能异常区间。
进一步的,所述获得每个可能异常区间内每个时刻功率数据的抵消程度包括:
将第个可能异常区间内第/>时刻的功率数据记为/>,第/>个可能异常区间内第时刻的抵消程度/>的计算方式为:
其中,表示第/>个可能异常区间内第/>时刻的功率数据,/>表示以自然常数为底的指数函数。
进一步的,所述根据抵消程度获得每个可能异常区间内每个时刻功率数据的叠加贡献程度包括:
将第个可能异常区间内第/>时刻的第/>个分量的幅值记为/>,第/>个可能异常区间的功率数据内第/>时刻的叠加贡献程度/>的计算方式为:
其中,为第/>个可能异常区间的第/>时刻的叠加贡献程度,/>表示第/>个可能异常区间的第/>时刻的抵消程度,/>表示第/>个可能异常区间的第/>个分量在第/>时刻的幅值,/>表示第/>个可能异常区间的第/>时刻的功率数据,/>表示第/>个可能异常区间的第/>时刻的时间邻域中的第/>个功率数值,/>为第/>个可能异常区间的分量总个数,/>表示/>函数。
进一步的,所述获得每个可能异常区间为异常负载区间的可能程度包括:
第个可能异常区间为负载异常区间的可能程度/>的计算方式为:
其中,表示第/>个可能异常区间为负载异常区间的可能程度,/>为第/>个可能异常区间的区间长度,/>表示第/>个可能异常区间内第/>时刻的叠加贡献程度,/>表示第/>个可能异常区间内第/>时刻的叠加贡献程度。
进一步的,所述根据所有可能异常区间的可能程度获得所有负载异常区间功率数据包括:
若第个可能异常区间为负载异常区间的可能程度满足/>,将第/>个可能异常区间的数据记为负载异常区间功率数据;对所有可能异常区间的可能程度判断,获得所有可能异常区间中属于异常负载的所有负载异常区间功率数据。
本发明的技术方案的有益效果是:本发明通过基于数据分析的储能电源运行环境检测系统采集获得功率数据,获得每个功率数据为波动起始点和波动终止点的可能程度,得到所有波动起始点和波动终止点,根据所有波动起始点和波动终止点获得可能异常区间,消除了干扰点对功率数据的影响;通过每个可能异常区间的频谱分量,获得可能异常区间中每个时刻功率数据的抵消程度以及叠加贡献程度,通过抵消程度和叠加贡献程度获得每个可能异常区间为异常负载区间的可能程度,通过对每个可能异常区间为异常负载区间的可能程度判断,获得所有异常负载区间功率数据,消除了不符合异常负载的波动变化数据对构建异常负载检测分析模型的影响;通过所有异常负载区间的功率数据构建检测分析模型,通过监测满足异常负载造成功率数据的波动的时刻,从而控制储能电源的介入,消除干扰因素对储能电源介入的误判,达到提高储能电源运行调控精度的目的。
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为本发明基于数据分析的储能电源运行环境检测系统的结构框图。
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基于数据分析的储能电源运行环境检测系统,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基于数据分析的储能电源运行环境检测系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于数据分析的储能电源运行环境检测系统的结构框图,该系统包括:
数据采集模块101,采集工业生产负载系统获得功率数据。
本实施例的目的是通过分析工业生产负载系统的功率数据,获得对异常负载的实时监测模型,从而触发储能系统的对负载系统的介入,降低电力的浪费或防止高功率损害负载系统,因此首先需要获取负载系统的功率数据;本实施例使用电压表和电流表采集工业生产过程的电压和电流并计算获得功率数据,采集间隔为0.1秒,每一个时间节点采集与计算获得的功率记为一次功率数据,将历史一个月的所有功率数据记为本发明分析所需的功率数据。
至此,获取到了工业生产负载系统的功率数据。
数据处理模块102:
(1)根据功率数据获得波动起始点和波动终止点,获得异常负载的可能异常区间。
需要说明的是,负载系统在正常的运行过程中的功率波动较小且趋势变化不大,呈现的稳态的功率值记为第一稳态值,将突投负载和突切负载记为异常负载,在突投负载或突切负载形成时由于电压电流的波动造成功率的暂态波动,使得功率在经过暂态波动后的呈现新的稳态,将新的稳态的功率值记为第二稳态值,第二稳态值相较于第一稳态值呈现明显的升高或下降,那么在第一稳态值与第二稳态值形成的时间节点之间的时间区间存在较大的波动,可用于结合神经网络生成突投负载和突切负载的检测分析模型。因此需要获得第一稳态值与第二稳态值形成的时间节点,作为暂态波动的波动起始点和波动终止点,获得可能异常区间。
进一步需要说明的是,暂态波动的波动起始点之前的功率数据的数值较为稳定,波动起始点之后的功率数据相较于功率之前的数据呈现较大的趋势变化,因此本实施例通过分析每个功率数据的正负区间的趋势差异,选取开始波动的点作为波动起始点。
具体的,以第时刻的功率数据/>为例,所述第/>时刻的功率数据/>的正负区间的获取方式为:获取第/>时刻左侧/>个时刻的功率数据构成第/>时刻的负区间,获取第/>时刻右侧/>个时刻的功率数据构成第/>时刻的正区间。需要说明的是,当第/>时刻的功率数据左侧或右侧不足/>个时,那么第/>时刻左侧或右侧有多少个功率数据就考虑多少个。本实施例以区间长度默认值/>为例进行叙述,其他实施例可设置为其他值,本实施例不进行具体限定。
则第时刻的功率数据为波动起始点的可能程度/>的计算方法为:
其中为第/>时刻的功率数据为波动起始点的可能程度,/>为第/>时刻的负区间的拟合斜率,/>为第/>时刻正区间的拟合斜率,所述第/>时刻正负区间的拟合斜率的获得方式为:选取第/>时刻正负区间的内所有功率数据,使用最小二乘法将所述正负区间内所有功率数据拟合成之间,所述直线的斜率分别记为正区间的拟合斜率和负区间的拟合斜率;为/>函数,取值范围为/>。/>表示在第/>时刻的功率数据的负区间斜率与正区间斜率的差值的绝对值,通过以第/>时刻的功率数据值作为拐点,计算得到的差值的绝对值越大则说明该拐点的正负区间的趋势差异越大,越可能属于波动起始点。
进一步的,预设波动起始点的可能程度的第一评估阈值,本实施例第一评估阈值采用/>进行叙述,当第/>时刻的功率数据为波动起始点的可能程度满足时,说明在第/>时刻的功率数据的正负区间趋势变化较大,将第/>时刻的功率数据记为波动起始点;当第/>时刻的功率数据为波动起始点的可能程度满足/>时,说明在第/>时刻的功率数据的正负区间趋势变化较小,/>为稳定的功率数据,则计算第/>时刻的功率数据的波动起始点的可能程度。以此类推,直至所有功率数据均被检测完成,获得功率数据的所有波动起始点。
进一步需要说明的是,暂态波动的波动终止点之前的功率数据的数值波动较大,为暂态波动的残留影响,波动终止点之后的功率数据的数值呈现第二稳态值,且与波动终止点之前的功率数据趋势近似,因此本实施例根据每个功率数据正负区间的波动差异,选取波动结束的点作为波动终止点。
具体的,所述获取波动终止点的正负区间的方式与获取波动起始点的正负区间的方式相同,则第时刻的功率数据为波动终止点的可能程度/>的计算方法为:
其中,为第/>时刻的功率数据为波动终止点的可能程度,/>为第/>时刻的负区间的方差,/>为第/>时刻的正区间的方差,/>表示线性归一化函数,归一化范围为,/>表示以自然常数为底的指数函数。
表示第/>时刻的功率数据的负区间与正区间的方差的比值,正负各区间的方差反映在区间范围内功率数据的分布,分布越大表明功率数的波动越大,那么若/>取值较大,则说明第/>时刻的功率数据负区间的波动相较于正区间的波动更大,而根据波动终止点之前功率数据为异常负载的残留影响是波动的,波动终止点之后的功率数据呈现第二稳态值是稳定的,因此第/>时刻的功率数据属于波动终止点的可能性越大。/>为第/>时刻的功率数据为波动终止点的可能程度的限制函数,第/>时刻正区间的方差取值越小,表明正区间越趋近于第二稳态值,即限制函数取值越大,因此第/>时刻的功率数据属于波动终止点的可能性越大。
进一步的,预设波动终止点可能程度的第二评估阈值,本实施例的第二评估阈值采用/>进行叙述,当第/>时刻的功率数据为波动终止点的可能程度满足时,说明在第/>时刻的功率数据的正负区间波动差异较大,则将/>记为波动终止点;当第/>时刻的功率数据为波动终止点的可能程度满足/>时,说明在第/>时刻的功率数据的正负区间波动差异较小,则计算第/>时刻的功率数据的波动终止点的可能程度。以此类推,直至所有功率数据均被检测完成,获得功率数据的所有波动终止点。
进一步的,由于功率数据受到工业生产的多设备不稳定影响,使得波动起始点和波动终止点可能不一定交替出现,那么这些不一定交替出现的波动起始点和波动终止点为干扰点,因此本实施例在所有功率数据的第一个波动起始点与最后一个波动终止点的时间范围中,选择满足时间相邻的波动终止点与波动起始点/>,其中所选的波动终止点/>在波动起始点/>之前,作为第一可能异常区间的波动终止点,所选的波动起始点/>在波动终止点/>之后,作为第二可能异常区间的波动起始点/>,获取所有功率数据的若干个可能异常区间的波动起始点和波动终止点,记功率数据区间/>为第一可能异常区间,记功率数据区间/>为第二可能异常区间,同理获得所有功率数据的所有可能异常区间。需要说明的是,无论每个可能异常区间内有多少个波动起始点或波动终止点,这些波动起始点或波动终止点均不考虑构成可能异常区间。
至此,本实施例根据异常负载的波动特征和趋势特征,获得可能异常区间的波动起始点和波动终止点,获得若干个功率数据的可能异常区间。
(2)根据可能异常区间的频谱曲线,获得若干个分量,根据分量信号的抵消和叠加状态获得每个时刻的功率数据的叠加贡献程度。
需要说明的是,获取到了若干个可能异常区间后,根据异常负载造成的功率数据的变化呈现从波动起始点处幅值较大的波动,收敛至波动终止点处幅值较小的波动的特征,而功率数据的波动曲线本质上为频谱空间的多个分量叠加的效果,即功率数据波动的峰值或谷值处多个分量呈叠加状态,在功率数据波动的幅值为0处多个分量呈抵消状态,因此本实施例根据在可能异常区间内每个分量在各时间点与其时间邻域的幅值,获得功率数据的叠加贡献程度和抵消程度。
进一步需要说明的是,异常负载造成的功率数据在可能异常区间呈现波动状态,在可能异常区间内部分功率数据波动的幅值为0,即多个分量的抵消程度大,因此本实施例在抵消程度较大的时间节点,其叠加贡献程度使用该时间节点邻域内的分量幅值表示,而在抵消程度较小的时间节点的叠加贡献程度使用该时间节点的分量幅值表示,进而获得每个时间点的叠加贡献程度。
具体的,以第个可能异常区间为例,区间的范围边界为波动起始点与波动终止点,以波动终止点的功率数值作为该可能异常区间的功率数据波动的0幅值,使用傅里叶变换将时序空间的可能异常区间的功率数据变换至频域空间获得若干个时序频谱曲线;将频率为/>的频谱曲线记为第/>个分量,分量的横轴为时间,与功率数据的时间坐标对应,纵轴表示分量的幅值;以第/>个分量在第/>时刻的为例,在可能异常区间中,获取包括第/>时刻的分量幅值在内的左侧/>个分量幅值,以及第/>时刻右侧/>个分量幅值,那么将第/>时刻左侧/>个分量幅值和右侧/>个分量幅值记为第/>时刻的时间邻域,其中/>为邻域参数,本实施例以邻域参数初始值/>为例进行叙述,其他实施例可设置为其他值,本实施例不进行具体限定。需要说明的是,当第/>时刻左侧或右侧不足/>个分量幅值时,那么第/>时刻左侧或右侧有多少个分量幅值就考虑多少个。
则第个可能异常区间内第/>时刻的抵消程度/>的计算方式为:
其中,表示第/>个可能异常区间内第/>时刻的抵消程度,/>表示第/>个可能异常区间内第/>时刻的功率数据,/>表示以自然常数为底的指数函数。第/>个可能异常区间内第/>时刻的功率数据的绝对值/>的取值越大,说明在第/>时刻经过多个分量叠加后并未完全抵消,那么第/>时刻的叠加贡献程度使用分量幅值计算;当/>的取值越小时,说明在第/>时刻经过多个分量叠加后互相抵消,可能为0幅值时刻或趋近于第二稳态值的功率数据,那么第/>时刻的叠加贡献程度使用第/>时刻的邻域分量幅值计算。
进一步的,将第个可能异常区间内第/>时刻的第/>个分量的幅值记为/>,第个可能异常区间的功率数据内第/>时刻的叠加贡献程度/>的计算方式为:
其中,为第/>个可能异常区间的第/>时刻的叠加贡献程度,/>表示第/>个可能异常区间的第/>时刻的抵消程度,/>表示第/>个可能异常区间的第/>个分量在第/>时刻的幅值,/>表示第/>个可能异常区间的第/>时刻的功率数据,/>表示第/>个可能异常区间的第/>时刻的时间邻域中的第/>个功率数值,/>为第/>个可能异常区间的分量总个数,/>表示/>函数,归一化范围为/>。
为功率数据在第/>时刻的抵消程度,当抵消程度越大时,表示第/>个可能异常区间的第/>时刻的功率数据越趋近于0,那么此时叠加贡献程度取决于,其中/>表示在第/>个可能异常区间内第/>时刻的时间邻域负区间的功率数值之和,/>表示在第/>个可能异常区间内第/>时刻的时间邻域正区间的功率数值之和,根据异常负载对功率数据波动呈现收敛趋势,因此若负区间的功率数值之和越大于正区间的功率数值之和,说明在第/>时刻越可能靠近波动起始点,若越小于正区间的功率数值之和,说明第/>个可能异常区间的在第/>时刻越可能靠近波动终止点;当抵消程度越小时,表示第/>个可能异常区间的第/>时刻的功率数据为非零值,此时叠加贡献程度取决于每个分量在第/>时刻的幅值与在第/>时刻的功率数据差异,其中若分量中正或负幅值较多或正或负幅值较大,那么取值越远离0,由于第/>个可能异常区间的功率数据/>是由多个分量累加获得,因此与/>的符号相同,即取值越大,则叠加贡献程度的取值越大;当存在较多被抵消的分量幅值,那么/>取值越趋近于0时,此时/>作为权重的取值越大,对/>计算结果修正,即叠加贡献程度取值越大。
同理,获得每个可能异常区间中每个时刻的功率数据的叠加贡献程度。
至此,本实施例根据每个可能异常区间获得的若干个分量,获得每个可能异常区间的每个时刻的叠加贡献程度。
(3)根据每个时刻的叠加贡献程度结合异常负载的收敛趋势,获得每个可能异常区间为负载异常的可能程度,获得负载异常的区间功率数据。
需要说明的是,获得每个可能异常区间的每个时刻的叠加贡献程度后,由于异常负载造成的功率数据波动在检测过程中呈现收敛趋势,最终回归至第二稳态值,使得功率数据越趋近于波动起始点的波动越大,越趋近于波动终止点的波动越小,即每个分量在波动起始点抵消的越少叠加的越多,在波动终止点叠加的越少抵消的越多,因此本实施例根据每个可能异常区间的每个时刻的叠加贡献程度的趋势差异,获得每个可能异常区间为负载异常的可能程度。
具体的,本实施例以第个可能异常区间为例,第/>个可能异常区间的第/>时刻的叠加贡献程度为/>,则第/>个可能异常区间为负载异常区间的可能程度/>的计算方式为:
其中,表示第/>个可能异常区间为负载异常区间的可能程度,/>为第/>个可能异常区间的区间长度,/>表示第/>个可能异常区间的第/>时刻的叠加贡献程度,/>表示第/>个可能异常区间的第/>时刻的叠加贡献程度。由于受到异常负载的造成功率数据波动呈现收敛趋势,即每个时刻的叠加贡献程度取值越来越小,因此若第/>个可能异常区间为负载异常区间,那么在任意第/>时刻时,/>的取值满足恒大于1。
通过检测可能异常区间内所有时刻的功率数据后,若第个可能异常区间为负载异常区间的可能程度满足/>,则说明第/>个可能异常区间的功率数据满足负载异常的收敛趋势,那么将第/>个可能异常区间的数据记为负载异常区间功率数据;若第/>个可能异常区间为负载异常区间的可能程度满足/>,说明第/>个可能异常区间的功率数据不满足负载异常的收敛趋势,那么第/>个可能异常区间不满足负载异常区间功率数据,则将第/>个可能异常区间记为非负载异常区间。
同理,计算所有可能异常区间为负载异常区间的可能程度,获得属于异常负载的所有负载异常区间功率数据。
需要说明的是,本实施例中所用的模型仅表示负相关关系和约束模型输出的结果处于/>区间内,其中/>为本模型的输入,具体实施时可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不对做具体限定。
至此,通过每个可能异常区间的每个时刻的叠加贡献程度获得每个可能异常区间为负载异常的可能程度,获得所有负载异常区间功率数据。
异常负载检测模块103,使用负载异常区间功率数据结合神经网络获得异常负载的检测分析模型,结合储能电源完成负载系统的运行检测。
需要说明的是,获取到了所有异常负载的区间功率数据后,每个异常负载的区间功率数据均符合负载异常的数据趋势特征,将所有负载异常区间功率数据作为负载异常人为标记为1,其他功率数据作为正常数据人为标记为0,获得异常负载的训练数据集,使用LSTM神经网络对训练数据集训练获得异常负载的检测分析模型,将异常负载的检测分析模型结合至负载系统的运行检测,当检测分析模型判断出现负载异常时,通过调控储能电源的介入负载系统,提供额外电力或降低电力做无功的损耗,完成储能电源的运行检测。
至此,获取到了负载异常的检测分析模型,完成储能电源的运行检测。
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 (10)
1.基于数据分析的储能电源运行环境检测系统,其特征在于,该系统包括:
数据采集模块,用于采集储能电源的负载系统的所有时刻的功率数据;
数据处理模块:用于获得每个功率数据的正区间和负区间,根据每个功率数据的正负区间的拟合斜率,获得每个功率数据为波动起始点的可能程度;根据每个功率数据的正负区间的数值分布,获得每个功率数据为波动终止点的可能程度;根据每个功率数据为波动起始点的可能程度,以及每个功率数据为波动终止点的可能程度获得波动起始点和波动终止点;根据波动起始点和波动终止点获得可能异常区间;根据每个可能异常区间的频谱曲线获得每个可能异常区间的所有分量;根据每个可能异常区间的所有分量获得每个可能异常区间内每个时刻功率数据的抵消程度;根据抵消程度获得每个可能异常区间内每个时刻功率数据的叠加贡献程度;根据每个时刻功率数据的叠加贡献程度获得每个可能异常区间为异常负载区间的可能程度;根据所有可能异常区间的可能程度获得所有负载异常区间功率数据;
异常负载检测模块,用于使用负载异常区间功率数据监测负载异常。
2.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述获得每个功率数据的正区间和负区间包括:
选取每个功率数据左侧个时刻的功率数据构成第/>时刻的负区间,选取每个功率数据右侧/>个时刻的功率数据构成第/>时刻的正区间,其中/>为取值为正整数的预设区间长度。
3.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述根据每个功率数据的正负区间的拟合斜率,获得每个功率数据为波动起始点的可能程度包括:
第时刻的功率数据为波动起始点的可能程度/>的计算方法为:
其中,为第/>时刻的功率数据为波动起始点的可能程度,/>为第/>时刻的负区间的拟合斜率,/>为第/>时刻正区间的拟合斜率,/>为/>函数;
正区间和负区间的拟合斜率的获取方式为:选取第时刻正负区间的内所有功率数据,使用最小二乘法将所述正负区间内所有功率数据拟合成直线,所述直线的斜率分别记为正区间的拟合斜率和负区间的拟合斜率。
4.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述根据每个功率数据的正负区间的数值分布,获得每个功率数据为波动终止点的可能程度包括:
第时刻的功率数据为波动终止点的可能程度/>的计算方法为:
其中,为第/>时刻的功率数据为波动终止点的可能程度,/>为第/>时刻的负区间的方差,/>为第/>时刻的正区间的方差,/>表示线性归一化函数,/>表示以自然常数为底的指数函数。
5.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述获得波动起始点和波动终止点包括:
预设第一评估阈值,当第/>时刻的功率数据为波动起始点的可能程度满足/>时,将第/>时刻的功率数据/>记为波动起始点;当第/>时刻的功率数据为波动起始点的可能程度满足/>时,计算第/>时刻的功率数据的波动起始点的可能程度;以此类推,直至所有功率数据均被检测完成,获得功率数据的所有波动起始点;
预设第二评估阈值,当第/>时刻的功率数据为波动终止点的可能程度满足/>时,将第/>时刻的功率数据/>记为波动终止点;当第/>时刻的功率数据为波动终止点的可能程度满足/>时,计算第/>时刻的功率数据的波动终止点的可能程度;以此类推,直至所有功率数据均被检测完成,获得功率数据的所有波动终止点。
6.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述根据波动起始点和波动终止点获得可能异常区间包括:
在所有功率数据的第一个波动起始点与最后一个波动终止点的时间范围中,选择满足时间相邻的波动终止点与波动起始点/>,其中所选的波动终止点/>在波动起始点/>之前,作为第一可能异常区间的波动终止点,所选的波动起始点/>在波动终止点/>之后,作为第二可能异常区间的波动起始点/>,获取所有功率数据的若干个可能异常区间的波动起始点和波动终止点,记功率数据区间/>为第一可能异常区间,记功率数据区间为第二可能异常区间;以此类推,获得所有功率数据的所有可能异常区间。
7.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述获得每个可能异常区间内每个时刻功率数据的抵消程度包括:
将第个可能异常区间内第/>时刻的功率数据记为/>,第/>个可能异常区间内第/>时刻的抵消程度/>的计算方式为:
其中,表示第/>个可能异常区间内第/>时刻的功率数据,/>表示以自然常数为底的指数函数。
8.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述根据抵消程度获得每个可能异常区间内每个时刻功率数据的叠加贡献程度包括:
将第个可能异常区间内第/>时刻的第/>个分量的幅值记为/>,第/>个可能异常区间的功率数据内第/>时刻的叠加贡献程度/>的计算方式为:
其中,为第/>个可能异常区间的第/>时刻的叠加贡献程度,/>表示第/>个可能异常区间的第/>时刻的抵消程度,/>表示第/>个可能异常区间的第/>个分量在第/>时刻的幅值,/>表示第/>个可能异常区间的第/>时刻的功率数据,/>表示第/>个可能异常区间的第/>时刻的时间邻域中的第/>个功率数值,/>为第/>个可能异常区间的分量总个数,表示/>函数。
9.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述获得每个可能异常区间为异常负载区间的可能程度包括:
第个可能异常区间为负载异常区间的可能程度/>的计算方式为:
其中,表示第/>个可能异常区间为负载异常区间的可能程度,/>为第/>个可能异常区间的区间长度,/>表示第/>个可能异常区间内第/>时刻的叠加贡献程度,/>表示第/>个可能异常区间内第/>时刻的叠加贡献程度。
10.根据权利要求1所述基于数据分析的储能电源运行环境检测系统,其特征在于,所述根据所有可能异常区间的可能程度获得所有负载异常区间功率数据包括:
若第个可能异常区间为负载异常区间的可能程度满足/>,将第/>个可能异常区间的数据记为负载异常区间功率数据;对所有可能异常区间的可能程度判断,获得所有可能异常区间中属于异常负载的所有负载异常区间功率数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422414.9A CN117150419B (zh) | 2023-10-31 | 2023-10-31 | 基于数据分析的储能电源运行环境检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311422414.9A CN117150419B (zh) | 2023-10-31 | 2023-10-31 | 基于数据分析的储能电源运行环境检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150419A true CN117150419A (zh) | 2023-12-01 |
CN117150419B CN117150419B (zh) | 2024-02-02 |
Family
ID=88912434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311422414.9A Active CN117150419B (zh) | 2023-10-31 | 2023-10-31 | 基于数据分析的储能电源运行环境检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150419B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668684A (zh) * | 2024-01-31 | 2024-03-08 | 新风光电子科技股份有限公司 | 基于大数据分析的电网电能数据异常检测方法 |
CN117890667A (zh) * | 2024-03-14 | 2024-04-16 | 杭州欣美成套电器制造有限公司 | 标准化计量箱的电力能源消耗监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108183497A (zh) * | 2017-12-29 | 2018-06-19 | 国网北京市电力公司 | 充电站容量确定方法和装置 |
CN111754030A (zh) * | 2020-06-11 | 2020-10-09 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
CN112564117A (zh) * | 2020-11-13 | 2021-03-26 | 国网安徽省电力有限公司电力科学研究院 | 一种电压暂降治理方法、电压暂降治理装置及终端设备 |
CN112924790A (zh) * | 2021-01-29 | 2021-06-08 | 上海逐鲨智能科技有限公司 | 一种基于傅里叶变换的非侵入式负荷识别装置及其方法 |
KR20220148130A (ko) * | 2021-04-28 | 2022-11-04 | 이현창 | Dc 링크부를 갖는 다상 전류 신호 전송 장치 및 방법 |
-
2023
- 2023-10-31 CN CN202311422414.9A patent/CN117150419B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108183497A (zh) * | 2017-12-29 | 2018-06-19 | 国网北京市电力公司 | 充电站容量确定方法和装置 |
CN111754030A (zh) * | 2020-06-11 | 2020-10-09 | 浙江浙能技术研究院有限公司 | 一种基于hac和rf-ga的火电机组供电煤耗优化方法 |
CN112564117A (zh) * | 2020-11-13 | 2021-03-26 | 国网安徽省电力有限公司电力科学研究院 | 一种电压暂降治理方法、电压暂降治理装置及终端设备 |
CN112924790A (zh) * | 2021-01-29 | 2021-06-08 | 上海逐鲨智能科技有限公司 | 一种基于傅里叶变换的非侵入式负荷识别装置及其方法 |
KR20220148130A (ko) * | 2021-04-28 | 2022-11-04 | 이현창 | Dc 링크부를 갖는 다상 전류 신호 전송 장치 및 방법 |
Non-Patent Citations (2)
Title |
---|
MOHAMMAD KARKHANEH ET AL.: "Anomalous load profile detection in power systems using wavelet transform and robust regression", ADVANCED ENGINEERING INFORMATICS, pages 1 - 15 * |
田增尧 等: "短期电力负荷预报中异常负荷数据的识别和修正", 吉林电力, no. 6, pages 21 - 23 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668684A (zh) * | 2024-01-31 | 2024-03-08 | 新风光电子科技股份有限公司 | 基于大数据分析的电网电能数据异常检测方法 |
CN117668684B (zh) * | 2024-01-31 | 2024-04-16 | 新风光电子科技股份有限公司 | 基于大数据分析的电网电能数据异常检测方法 |
CN117890667A (zh) * | 2024-03-14 | 2024-04-16 | 杭州欣美成套电器制造有限公司 | 标准化计量箱的电力能源消耗监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117150419B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117150419B (zh) | 基于数据分析的储能电源运行环境检测系统 | |
CN116702081B (zh) | 基于人工智能的配电设备智能巡检方法 | |
Bonfiglio et al. | Design and implementation of a variable synthetic inertia controller for wind turbine generators | |
CN103647276B (zh) | 一种电能质量预警系统及其方法 | |
CN106154084B (zh) | 电网负荷异常及运行风险实时监控预警方法 | |
Wan et al. | Probabilistic forecasting based sizing and control of hybrid energy storage for wind power smoothing | |
CN102439297B (zh) | 风力发电装置的控制装置和控制方法 | |
US20140306534A1 (en) | Pmu based distributed generation control for microgrid during islanding process | |
CN111404166B (zh) | 一种电压暂降综合防治方法 | |
CN116703183B (zh) | 一种新型配电网系统用电负荷评估方法 | |
CN103912448A (zh) | 一种区域风电场机组功率特性监测方法 | |
CN110061521B (zh) | 一种考虑频率累积作用的最大风电渗透率快速评估方法 | |
CN109546677B (zh) | 一种规模化海上风电柔性送出系统安全控制策略求解方法 | |
Parniani et al. | SCADA based under frequency load shedding integrated with rate of frequency decline | |
Gao et al. | Dynamic state estimation of new energy power systems considering multi-level false data identification based on LSTM-CNN | |
Jannati et al. | Mitigation of windfarm power fluctuation by adaptive linear neuron‐based power tracking method with flexible learning rate | |
CN114069717B (zh) | 对并入分布式光伏的台区进行反孤岛控制的方法和装置 | |
Huang et al. | Wind turbine health assessment framework based on power analysis using machine learning method | |
CN111651878B (zh) | 计及态势评估的大电网静态电压稳定优化决策方法及系统 | |
CN117458534A (zh) | 一种新型液流储能调峰调频方法及装置 | |
CN111654112B (zh) | 一种无功补偿电容器预警方法、装置及系统 | |
CN112436542A (zh) | 计及稳控策略的稳态安全紧急控制在线预决策方法 | |
CN110970915B (zh) | 风力发电机组的并网电压的控制方法和设备 | |
CN113013913B (zh) | 风电场无功电压控制系统和方法 | |
CN111969660B (zh) | 基于不同工况奖惩双轨运行的一次调频考核方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |