CN117172540A - 基于大数据和人工智能的电力物联网智能供电调度系统 - Google Patents
基于大数据和人工智能的电力物联网智能供电调度系统 Download PDFInfo
- Publication number
- CN117172540A CN117172540A CN202311130003.2A CN202311130003A CN117172540A CN 117172540 A CN117172540 A CN 117172540A CN 202311130003 A CN202311130003 A CN 202311130003A CN 117172540 A CN117172540 A CN 117172540A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- power
- power supply
- signal
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 44
- 238000007405 data analysis Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 239000003990 capacitor Substances 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000007667 floating Methods 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于物联网技术领域，公开了一种基于大数据和人工智能的电力物联网智能供电调度系统，该系统包括：接口模块，接入智能电网设备；数据采集模块，监测与采集智能电网设备的相关数据，并以电信号的形式进行传输；信号增强模块，将电信号进行增强；数据转换模块，将采集智能电网设备的电信号转换为数字信号；数据分析和预测模块，利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险；策略提供模块，根据电力系统中的潜在问题和风险，提供相应的相应的优化调度策略。本发明实现对电力系统的全面监测和数据采集，利用大数据分析和人工智能算法，对采集到的电力数据进行实时处理和智能分析，实现智能供电调度和优化能源管理。
Description
技术领域
本发明属于物联网技术领域，尤其涉及一种基于大数据和人工智能的电力物联网智能供电调度系统。
背景技术
物联网是新一代信息技术的重要组成部分，也是“信息化”时代的重要发展阶段。供电调度系统作为供电设备安全运行、改善供电质量、快速抢修供电故障的指挥中心，是供电系统的重要组成部分。
然而现有电力供电调度系统不能实现对电力系统的全面监测和数据采集。也不能利用大数据分析和人工智能算法，对采集到的电力数据进行实时处理和智能分析，造成能耗的浪费和不能有效保证供电质量。
发明内容
针对现有技术存在的问题，本发明提供了一种基于大数据和人工智能的电力物联网智能供电调度系统。
本发明是这样实现的，一种基于大数据和人工智能的电力物联网智能供电调度系统，该系统具体包括：
接口模块，用于接入智能电网设备；
数据采集模块，与接口模块连接，用于监测与采集智能电网设备的相关数据，并以电信号的形式进行传输；
信号增强模块，与数据采集模块连接，用于将电信号进行增强；
数据转换模块，与信号增强模块连接，用于将采集智能电网设备的电信号转换为数字信号；
数据分析和预测模块，与信号增强模块连接，用于利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险；
策略提供模块，与数据分析和预测模块连接，用于根据电力系统中的潜在问题和风险，提供相应的相应的优化调度策略。
进一步，所述相关数据具体包括：电网负荷、电力设备状态、能源供需情况。
进一步，所述信号增强模块，将电信号进行增强，具体包括：
利用Hurst指数的时间函数建立离散时间序列的非规则指标；
将自适应滤波器的参数利用代价函数迭代计算，计算公式如下：
Jw＝C+λH
其中，Jw为代价函数，Cw为收敛指标，λ为拉格朗日乘子，Hw为不规则性指标，n为时间序数，w(n)为所述自适应滤波器的参数矩阵，μ为迭代步长，e(n)为误差信号，h(n)为所述延时模块的输出信号矩阵，g(n)为所述自适应滤波器输出信号，i1、i2为间隔序数；
自适应滤波器在调整后的参数下，输出去噪后的目标信号；
将经过信号增强处理后得到的回拨信号数据进行叠加，经过耦合后，输入至数据转换模块。
进一步，所述数据转换模块，将采集智能电网设备的电信号转换为数字信号，具体包括：
将单片机的输入输出端设置为输出低电平并延时第一预设时间，以使所述电容在所述第一预设时间内放电至所述电容两端电压为零；
在所述延时第一预设时间之后，将所述单片机的输入输出端设置为浮空输入，以使所述电容在所述待转换电信号下开始充电，并开始重新计时；
检测所述单片机的输入输出端的电平，当检测到所述单片机的输入输出端为高电平时，获取计时时间，并根据预先存储的时间与数值的对应关系，获得与该计时时间对应的数值，该数值为所述待转换电信号转换的数字信号。
进一步，所述数据分析和预测模块，利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险，具体包括：
(1)通过对所述智能电网设备的相关数据数据集合进行风险特征筛选，确定本体风险要素、额外风险要素集合；
(2)基于所述本体风险要素，对所述额外风险要素集合中各额外风险要素一一进行联锁故障分析，确定各本体-额外风险联锁影响分布；
(3)明确电力系统的电力供应节点分布；
(4)基于所述各本体-额外风险联锁影响分布和所述电力供应节点分布，计算确定所述电力系统的相对危害因子数值；
(5)根据所述相对危害因子数值，对所述电力系统进行风险评估。
进一步，所述对所述智能电网设备的相关数据数据集合进行风险特征筛选具体包括：
通过对智能电网设备的相关数据集合进行遍历的异常筛选，得到异常数据集合；
对所述异常数据集合中，各异常数据进行一级的影响关联性分析，确定所述各异常数据的一级影响关联度分布；
对所述一级影响关联度分布进行深度的影响关联性分析，确定所述各异常数据的二级影响关联度分布；
将所述一级影响关联度分布中的影响风险标记为所述本体风险要素、将所述二级影响关联度分布的影响风险标记为所述额外风险要素集合。
进一步，所述确定各本体-额外风险联锁影响分布，包括：
将所述本体风险要素作为分析基点，分别对所述各额外风险要素进行一一的充分必要性分析，确定所述各额外风险要素的充分必要条件分布；
通过对所述各额外风险要素的必要条件分布进行筛选，可得到对应的本体-额外风险必要影响分布；
通过对所述各额外风险要素的充分条件分布进行筛选，可得到对应的本体-额外风险充分影响分布。
进一步，所述计算确定所述电力系统的相对危害因子数值，包括：
对所述本体-额外风险必要影响分布和所述电力供应节点分布，进行节点重叠性分析，得到影响性故障节点总数；
利用所述本体-额外风险必要影响分布和所述影响性故障节点总数的除余结果，得到电力故障灾难度。
本发明另一目的在于提供一种实施所述基于大数据和人工智能的电力物联网智能供电调度系统的基于大数据和人工智能的电力物联网智能供电调度方法，该方法包括：
S1：利用接口模块，接入智能电网设备；利用数据采集模块，监测与采集智能电网设备的相关数据，并以电信号的形式进行传输；
S2：利用信号增强模块，将电信号进行增强；数据转换模块，将采集智能电网设备的电信号转换为数字信号；
S3：利用数据分析和预测模块，利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险；
S4：利用策略提供模块，根据电力系统中的潜在问题和风险，提供相应的相应的优化调度策略。
本发明另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于大数据和人工智能的电力物联网智能供电调度方法的步骤。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过大数据技术，能够实时采集和处理电力系统的各种数据，包括电网负荷、电力设备状态、能源供需情况等。其次，利用人工智能算法，能够对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险，并提供相应的优化调度策略。最后，通过与智能电网设备的互联互通，能够实现对电力系统的远程监控和智能控制，提高供电效率和稳定性。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明利用电力物联网技术，通过连接和集成各种传感器、计量设备和智能电网设备，实现对电力系统的全面监测和数据采集。同时，利用大数据分析和人工智能算法，对采集到的电力数据进行实时处理和智能分析，以实现智能供电调度和优化能源管理。
第三，本发明的技术方案转化后的预期收益和商业价值为：
该系统的应用领域广泛，包括电力供应商、工业企业、商业建筑等。通过实现智能供电调度和能源管理，可以有效降低能耗、提高供电质量，同时提升电力系统的安全性和可靠性。基于大数据和人工智能的电力物联网智能供电调度系统在推动智能电网建设和能源转型方面具有重要意义，为实现可持续能源发展和智能城市建设提供了有力支持。
第四，电力物联网智能供电调度系统中每个结构部件都具有显著的技术进步。下面是每个模块在技术上的主要进步：
接口模块：使用了最新的接口技术，可以快速且稳定地接入各种智能电网设备，提高了系统的通用性和扩展性。
数据采集模块：采用了高效的数据采集和传输技术，可以实时监测和采集大量的智能电网设备数据，提高了数据采集的效率和准确性。
信号增强模块：使用了先进的信号处理技术，可以对采集到的电信号进行有效的增强，提高了信号的质量和可靠性。
数据转换模块：采用了高性能的数据转换技术，可以快速地将电信号转换为数字信号，为后续的数据分析提供了便利。
数据分析和预测模块：采用了最新的人工智能算法，可以对大量的数据进行智能分析和预测，准确地识别电力系统中的潜在问题和风险。
策略提供模块：利用高级的决策支持技术，可以根据识别出的问题和风险，提供有效的优化调度策略，提高了电力系统的运行效率和稳定性。
这些技术进步使得该系统在处理大数据和实现智能化供电调度方面具有显著的优势，这对于提升电力系统的运行效率和稳定性具有重要的意义。
附图说明
图1是本发明实施例提供的一种基于大数据和人工智能的电力物联网智能供电调度系统结构图；
图2是本发明实施例提供的一种基于大数据和人工智能的电力物联网智能供电调度方法流程图；
图中：1、接口模块；2、数据采集模块；3、信号增强模块；4、数据转换模块；5、数据分析和预测模块；6、策略提供模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面是对每个模块的具体实现方案以及信号和数据处理过程的详细描述：
接口模块：
实现基于标准通信协议(如Modbus、OPC UA等)的接口，用于与智能电网设备进行通信和数据交换。
数据采集模块：
通过接口模块与智能电网设备进行连接，并实时监测和采集设备的相关数据。
采集的数据包括电流、电压、功率、频率等电力参数，以及设备状态信息等。
信号增强模块：
对从数据采集模块接收到的电信号进行信号放大和处理，以增强信号的稳定性和准确性。
可采用放大器、滤波器和校准技术等方法来增强信号质量。
数据转换模块：
将经过信号增强模块处理后的电信号转换为数字信号，以便进行后续的数据处理和分析。
可使用模数转换器(ADC)将模拟信号转换为数字形式。
数据分析和预测模块：
利用人工智能算法，对采集到的大数据进行智能分析和预测。
可采用机器学习、深度学习等技术，对历史数据进行训练和模型构建，以识别潜在问题和风险。
根据数据分析和预测结果，可以发现电力系统中的异常情况、设备故障、负荷波动等。
策略提供模块：
根据数据分析和预测模块的结果，提供相应的优化调度策略，以实现智能供电调度。
可基于智能算法和优化模型，确定最优的供电策略，包括负荷平衡、能源调度、故障管理等。
在整个系统中，数据从接口模块开始，通过数据采集模块进行实时监测和采集。采集到的电信号经过信号增强模块进行放大和处理，然后由数据转换模块将其转换为数字信号。数字信号通过数据分析和预测模块进行智能分析和预测，识别出潜在问题和风险。最后，策略提供模块根据分析和预测结果提供相应的优化调度策略，以实现智能供电调度。
具体的系统设计和技术实现细节因具体需求、技术选型和制造商的选择而有所不同。
如图1所示，本发明实施例提供一种基于大数据和人工智能的电力物联网智能供电调度系统，该系统具体包括：
接口模块1，用于接入智能电网设备；
数据采集模块2，与接口模块连接1，用于监测与采集智能电网设备的相关数据，并以电信号的形式进行传输；
信号增强模块3，与数据采集模块2连接，用于将电信号进行增强；
数据转换模块4，与信号增强模块3连接，用于将采集智能电网设备的电信号转换为数字信号；
数据分析和预测模块5，与信号增强模块4连接，用于利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险；
策略提供模块6，与数据分析和预测模块5连接，用于根据电力系统中的潜在问题和风险，提供相应的相应的优化调度策略。
所述相关数据具体包括：电网负荷、电力设备状态、能源供需情况等。
所述信号增强模块，将电信号进行增强，具体包括：
利用Hurst指数的时间函数建立离散时间序列的非规则指标；
将自适应滤波器的参数利用代价函数迭代计算，计算公式如下：
Jw＝Cw+λHw；
其中，Jw为代价函数，Cw为收敛指标，λ为拉格朗日乘子，Hw为不规则性指标，n为时间序数，w(n)为所述自适应滤波器的参数矩阵，μ为迭代步长，e(n)为误差信号，h(n)为所述延时模块的输出信号矩阵，g(n)为所述自适应滤波器输出信号，i1、i2为间隔序数；
自适应滤波器在调整后的参数下，输出去噪后的目标信号；
将经过信号增强处理后得到的回拨信号数据进行叠加，经过耦合后，输入至数据转换模块。
所述数据转换模块4，将采集智能电网设备的电信号转换为数字信号，具体包括：
将单片机的输入输出端设置为输出低电平并延时第一预设时间，以使所述电容在所述第一预设时间内放电至所述电容两端电压为零；
在所述延时第一预设时间之后，将所述单片机的输入输出端设置为浮空输入，以使所述电容在所述待转换电信号下开始充电，并开始重新计时；
检测所述单片机的输入输出端的电平，当检测到所述单片机的输入输出端为高电平时，获取计时时间，并根据预先存储的时间与数值的对应关系，获得与该计时时间对应的数值，该数值为所述待转换电信号转换的数字信号。
所述数据分析和预测模块5，利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险，具体包括：
(1)通过对所述智能电网设备的相关数据数据集合进行风险特征筛选，确定本体风险要素、额外风险要素集合；
(2)基于所述本体风险要素，对所述额外风险要素集合中各额外风险要素一一进行联锁故障分析，确定各本体-额外风险联锁影响分布；
(3)明确电力系统的电力供应节点分布；
(4)基于所述各本体-额外风险联锁影响分布和所述电力供应节点分布，计算确定所述电力系统的相对危害因子数值；
(5)根据所述相对危害因子数值，对所述电力系统进行风险评估。
所述对所述智能电网设备的相关数据数据集合进行风险特征筛选具体包括：
通过对智能电网设备的相关数据集合进行遍历的异常筛选，得到异常数据集合；
对所述异常数据集合中，各异常数据进行一级的影响关联性分析，确定所述各异常数据的一级影响关联度分布；
对所述一级影响关联度分布进行深度的影响关联性分析，确定所述各异常数据的二级影响关联度分布；
将所述一级影响关联度分布中的影响风险标记为所述本体风险要素、将所述二级影响关联度分布的影响风险标记为所述额外风险要素集合。
所述确定各本体-额外风险联锁影响分布，包括：
将所述本体风险要素作为分析基点，分别对所述各额外风险要素进行一一的充分必要性分析，确定所述各额外风险要素的充分必要条件分布；
通过对所述各额外风险要素的必要条件分布进行筛选，可得到对应的本体-额外风险必要影响分布；
通过对所述各额外风险要素的充分条件分布进行筛选，可得到对应的本体-额外风险充分影响分布。
所述计算确定所述电力系统的相对危害因子数值，包括：
对所述本体-额外风险必要影响分布和所述电力供应节点分布，进行节点重叠性分析，得到影响性故障节点总数；
利用所述本体-额外风险必要影响分布和所述影响性故障节点总数的除余结果，得到电力故障灾难度。
如图2所示，本发明实施例提供一种实施所述基于大数据和人工智能的电力物联网智能供电调度系统的基于大数据和人工智能的电力物联网智能供电调度方法，该方法包括：
S1：利用接口模块，接入智能电网设备；利用数据采集模块，监测与采集智能电网设备的相关数据，并以电信号的形式进行传输；
S2：利用信号增强模块，将电信号进行增强；数据转换模块，将采集智能电网设备的电信号转换为数字信号；
S3：利用数据分析和预测模块，利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险；
S4：利用策略提供模块，根据电力系统中的潜在问题和风险，提供相应的相应的优化调度策略。
本发明实施例提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于大数据和人工智能的电力物联网智能供电调度方法的步骤。
基于大数据和人工智能的电力物联网智能供电调度系统由多个模块组成，这些模块协同工作以收集、处理和分析数据，同时提供优化调度策略。下面是详细的信号和数据的处理过程：
接口模块：这个模块是系统的入口点，它负责接入智能电网设备，使得系统能够与这些设备进行通信。
数据采集模块：这个模块与接口模块连接，负责监测和采集智能电网设备的相关数据。收集的数据以电信号的形式进行传输。
信号增强模块：这个模块与数据采集模块连接，负责将采集到的电信号进行增强，以确保信号的质量和可靠性。
数据转换模块：这个模块与信号增强模块连接，负责将增强后的电信号转换为数字信号，为后续的数据分析提供便利。
数据分析和预测模块：这个模块与数据转换模块连接，负责利用人工智能算法，对转换后的数字数据进行智能分析和预测。这个模块可以识别电力系统中的潜在问题和风险。
策略提供模块：这个模块与数据分析和预测模块连接，负责根据识别出的潜在问题和风险，提供相应的优化调度策略。
以上每个模块都有其特定的功能和任务，它们共同构成了一个智能化的供电调度系统。这个系统在处理信号和数据的过程中，能够有效地利用大数据和人工智能技术，从而为电力系统提供智能化的优化调度策略。
以下是两个具体的实施例以及它们的实现方案：
实施例1:基于大数据和人工智能的电力物联网智能负荷预测系统
接口模块：采用现有的通信协议(如Modbus)与智能电网设备进行连接和数据交换。
数据采集模块：通过接口模块实时监测和采集设备的电流、电压、功率等负荷数据。
信号增强模块：对采集到的负荷数据进行信号放大和滤波处理，以提高数据质量和准确性。
数据转换模块：采用模数转换器(ADC)将模拟信号转换为数字信号，以便进行后续的数据处理。
数据分析和预测模块：利用机器学习算法(如神经网络、支持向量机等)对历史负荷数据进行训练和模型构建，以实现负荷的智能分析和预测。
策略提供模块：根据数据分析和预测结果，提供相应的负荷调整策略，包括负荷平衡、负荷优化分配等，以实现智能负荷预测和调度。
实施例2:基于大数据和人工智能的电力物联网智能故障诊断系统
接口模块：使用适当的通信协议与智能电网设备进行连接和数据通信。
数据采集模块：通过接口模块实时监测和采集设备的电流、电压、频率等电力参数以及设备状态信息。
信号增强模块：对采集到的电信号进行放大、滤波和校准处理，以增强信号质量。
数据转换模块：采用模数转换器将模拟信号转换为数字信号，以便进行后续的数据处理和分析。
数据分析和预测模块：利用深度学习算法(如卷积神经网络、循环神经网络等)对历史数据进行训练和模型构建，以识别潜在的故障模式和异常情况。
策略提供模块：根据数据分析和预测结果，提供相应的故障诊断策略，包括故障类型识别、故障原因分析等，以实现智能故障诊断和处理。
以上实施例提供了基于大数据和人工智能的电力物联网智能供电调度系统的具体实现方案。这些方案仅供参考，实际的系统设计和技术实现应根据具体需求和实际情况进行调整和优化。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于大数据和人工智能的电力物联网智能供电调度系统，其特征在于，在整个系统中，数据从接口模块开始，通过数据采集模块进行实时监测和采集；采集到的电信号经过信号增强模块进行放大和处理，然后由数据转换模块将其转换为数字信号；数字信号通过数据分析和预测模块进行智能分析和预测，识别出潜在问题和风险；最后，策略提供模块根据分析和预测结果提供相应的优化调度策略，以实现智能供电调度。
2.如权利要求1所述基于大数据和人工智能的电力物联网智能供电调度系统，其特征在于，包括：
接口模块：实现基于标准通信协议的接口，用于与智能电网设备进行通信和数据交换；
数据采集模块：通过接口模块与智能电网设备进行连接，并实时监测和采集设备的相关数据；采集的数据包括电流、电压、功率、频率电力参数，以及设备状态信息；
信号增强模块：对从数据采集模块接收到的电信号进行信号放大和处理，以增强信号的稳定性和准确性；可采用放大器、滤波器和校准技术方法来增强信号质量；
数据转换模块：将经过信号增强模块处理后的电信号转换为数字信号，以便进行后续的数据处理和分析；可使用模数转换器(ADC)将模拟信号转换为数字形式；
数据分析和预测模块：利用人工智能算法，对采集到的大数据进行智能分析和预测；可采用机器学习、深度学习技术，对历史数据进行训练和模型构建，以识别潜在问题和风险；根据数据分析和预测结果，可以发现电力系统中的异常情况、设备故障、负荷波动；
策略提供模块：根据数据分析和预测模块的结果，提供相应的优化调度策略，以实现智能供电调度；可基于智能算法和优化模型，确定最优的供电策略，包括负荷平衡、能源调度、故障管理。
3.如权利要求1所述基于大数据和人工智能的电力物联网智能供电调度系统，其特征在于，该系统还进一步包括：
接口模块，用于接入智能电网设备；
数据采集模块，与接口模块连接，用于监测与采集智能电网设备的相关数据，并以电信号的形式进行传输；
信号增强模块，与数据采集模块连接，用于将电信号进行增强；
数据转换模块，与信号增强模块连接，用于将采集智能电网设备的电信号转换为数字信号；
数据分析和预测模块，与信号增强模块连接，用于利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险；
策略提供模块，与数据分析和预测模块连接，用于根据电力系统中的潜在问题和风险，提供相应的相应的优化调度策略。
4.如权利要求1所述基于大数据和人工智能的电力物联网智能供电调度系统，其特征在于，所述相关数据具体包括：电网负荷、电力设备状态、能源供需情况；
所述信号增强模块，将电信号进行增强，具体包括：
利用Hurst指数的时间函数建立离散时间序列的非规则指标；
将自适应滤波器的参数利用代价函数迭代计算，计算公式如下：
Jw＝Cw+λHw；
其中，Jw为代价函数，Cw为收敛指标，λ为拉格朗日乘子，Hw为不规则性指标，n为时间序数，w(n)为所述自适应滤波器的参数矩阵，μ为迭代步长，e(n)为误差信号，h(n)为所述延时模块的输出信号矩阵，g(n)为所述自适应滤波器输出信号，i1、i2为间隔序数；
自适应滤波器在调整后的参数下，输出去噪后的目标信号；
将经过信号增强处理后得到的回拨信号数据进行叠加，经过耦合后，输入至数据转换模块。
5.如权利要求1所述基于大数据和人工智能的电力物联网智能供电调度系统，其特征在于，所述数据转换模块，将采集智能电网设备的电信号转换为数字信号，具体包括：
将单片机的输入输出端设置为输出低电平并延时第一预设时间，以使所述电容在所述第一预设时间内放电至所述电容两端电压为零；
在所述延时第一预设时间之后，将所述单片机的输入输出端设置为浮空输入，以使所述电容在所述待转换电信号下开始充电，并开始重新计时；
检测所述单片机的输入输出端的电平，当检测到所述单片机的输入输出端为高电平时，获取计时时间，并根据预先存储的时间与数值的对应关系，获得与该计时时间对应的数值，该数值为所述待转换电信号转换的数字信号。
6.如权利要求1所述基于大数据和人工智能的电力物联网智能供电调度系统，其特征在于，所述数据分析和预测模块，利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险，具体包括：
(1)通过对所述智能电网设备的相关数据数据集合进行风险特征筛选，确定本体风险要素、额外风险要素集合；
(2)基于所述本体风险要素，对所述额外风险要素集合中各额外风险要素一一进行联锁故障分析，确定各本体-额外风险联锁影响分布；
(3)明确电力系统的电力供应节点分布；
(4)基于所述各本体-额外风险联锁影响分布和所述电力供应节点分布，计算确定所述电力系统的相对危害因子数值；
(5)根据所述相对危害因子数值，对所述电力系统进行风险评估；
所述对所述智能电网设备的相关数据数据集合进行风险特征筛选具体包括：
通过对智能电网设备的相关数据集合进行遍历的异常筛选，得到异常数据集合；
对所述异常数据集合中，各异常数据进行一级的影响关联性分析，确定所述各异常数据的一级影响关联度分布；
对所述一级影响关联度分布进行深度的影响关联性分析，确定所述各异常数据的二级影响关联度分布；
将所述一级影响关联度分布中的影响风险标记为所述本体风险要素、将所述二级影响关联度分布的影响风险标记为所述额外风险要素集合。
7.如权利要求6所述基于大数据和人工智能的电力物联网智能供电调度系统，其特征在于，所述确定各本体-额外风险联锁影响分布，包括：
将所述本体风险要素作为分析基点，分别对所述各额外风险要素进行一一的充分必要性分析，确定所述各额外风险要素的充分必要条件分布；
通过对所述各额外风险要素的必要条件分布进行筛选，可得到对应的本体-额外风险必要影响分布；
通过对所述各额外风险要素的充分条件分布进行筛选，可得到对应的本体-额外风险充分影响分布。
8.如权利要求6所述基于大数据和人工智能的电力物联网智能供电调度系统，其特征在于，所述计算确定所述电力系统的相对危害因子数值，包括：
对所述本体-额外风险必要影响分布和所述电力供应节点分布，进行节点重叠性分析，得到影响性故障节点总数；
利用所述本体-额外风险必要影响分布和所述影响性故障节点总数的除余结果，得到电力故障灾难度。
9.一种实施如权利要求1-8任意一项所述基于大数据和人工智能的电力物联网智能供电调度系统的基于大数据和人工智能的电力物联网智能供电调度方法，其特征在于，该方法包括：
S1：利用接口模块，接入智能电网设备；利用数据采集模块，监测与采集智能电网设备的相关数据，并以电信号的形式进行传输；
S2：利用信号增强模块，将电信号进行增强；数据转换模块，将采集智能电网设备的电信号转换为数字信号；
S3：利用数据分析和预测模块，利用人工智能算法，对大数据进行智能分析和预测，识别电力系统中的潜在问题和风险；
S4：利用策略提供模块，根据电力系统中的潜在问题和风险，提供相应的相应的优化调度策略。
10.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求9所述基于大数据和人工智能的电力物联网智能供电调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311130003.2A CN117172540A (zh) | 2023-09-04 | 2023-09-04 | 基于大数据和人工智能的电力物联网智能供电调度系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311130003.2A CN117172540A (zh) | 2023-09-04 | 2023-09-04 | 基于大数据和人工智能的电力物联网智能供电调度系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117172540A true CN117172540A (zh) | 2023-12-05 |
Family
ID=88946373
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311130003.2A Pending CN117172540A (zh) | 2023-09-04 | 2023-09-04 | 基于大数据和人工智能的电力物联网智能供电调度系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172540A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117613904A (zh) * | 2024-01-23 | 2024-02-27 | 国网天津市电力公司信息通信公司 | 一种电网调度系统及电网调度方法 |
| CN117713385A (zh) * | 2024-02-05 | 2024-03-15 | 威海双城电气有限公司 | 一种基于量子计算和人工智能结合的电力检测系统及方法 |
| CN118316024A (zh) * | 2024-04-07 | 2024-07-09 | 国家电网有限公司 | 基于人工智能的电力智能调度方法 |
| CN118569445A (zh) * | 2024-07-31 | 2024-08-30 | 山东神光航天科技有限公司 | 一种智能动态校准的多维空气质量监测数据优化系统 |
| CN118643452A (zh) * | 2024-08-15 | 2024-09-13 | 深圳市鱼儿科技有限公司 | 一种基于中控节点的智能电能调控系统 |
-
2023
- 2023-09-04 CN CN202311130003.2A patent/CN117172540A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117613904A (zh) * | 2024-01-23 | 2024-02-27 | 国网天津市电力公司信息通信公司 | 一种电网调度系统及电网调度方法 |
| CN117713385A (zh) * | 2024-02-05 | 2024-03-15 | 威海双城电气有限公司 | 一种基于量子计算和人工智能结合的电力检测系统及方法 |
| CN117713385B (zh) * | 2024-02-05 | 2024-05-03 | 威海双城电气有限公司 | 一种基于量子计算和人工智能结合的电力检测系统及方法 |
| CN118316024A (zh) * | 2024-04-07 | 2024-07-09 | 国家电网有限公司 | 基于人工智能的电力智能调度方法 |
| CN118316024B (zh) * | 2024-04-07 | 2024-09-24 | 国家电网有限公司 | 基于人工智能的电力智能调度方法 |
| CN118569445A (zh) * | 2024-07-31 | 2024-08-30 | 山东神光航天科技有限公司 | 一种智能动态校准的多维空气质量监测数据优化系统 |
| CN118643452A (zh) * | 2024-08-15 | 2024-09-13 | 深圳市鱼儿科技有限公司 | 一种基于中控节点的智能电能调控系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117172540A (zh) | 基于大数据和人工智能的电力物联网智能供电调度系统 | |
| CN110543142A (zh) | 一种数控机床故障诊断与预警系统 | |
| CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
| CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及系统 | |
| CN102931625A (zh) | 一种继电保护在线状态检修智能决策分析装置和其信号处理方法及其应用 | |
| CN118174453B (zh) | 一种分布式光伏电站智能监控平台及方法 | |
| CN113359761B (zh) | 变电站用机器人巡检路径规划方法、装置及存储介质 | |
| CN115313625A (zh) | 变电站监测方法和系统 | |
| CN117239713A (zh) | 一种基于配电网调度智慧安全的管控方法及系统 | |
| CN117041029A (zh) | 网络设备故障处理方法、装置、电子设备及存储介质 | |
| CN117674249A (zh) | 一种含分布式光伏的配电网故障自愈控制与评价方法 | |
| CN117895640A (zh) | 一种适用于电网自动化维护的监控方法及系统 | |
| CN115878171A (zh) | 中间件配置的优化方法、装置、设备及计算机存储介质 | |
| CN118693908A (zh) | 一种分布式光伏系统并网控制方法及系统 | |
| CN118367674A (zh) | 基于数据分析的电能监控系统 | |
| CN117833468A (zh) | 一种运行中配电环网柜断路器单元传控部件检修方法 | |
| CN117595743A (zh) | 变频器输出控制方法、装置、设备及存储介质 | |
| CN108335044A (zh) | 一种输变电设备状态评价方法 | |
| CN118316190B (zh) | 基于物联网的电力系统监测系统 | |
| CN117640342B (zh) | 一种电力监控系统主体异常检测方法、装置、设备和介质 | |
| CN118739611B (zh) | 一种储能装置的故障检测与响应方法及系统 | |
| CN119090369B (zh) | 一种基于机器学习的配电系统智能管理方法 | |
| Wu et al. | Artificial Intelligence Based Fault Diagnosis and Relay Protection Technology in Power Systems | |
| CN118551335A (zh) | 一种配电网多能耦合云-边-端融合方法及系统 | |
| CN119150189A (zh) | 一种基于大数据的电力数据异常检测分析方法及系统 |
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 |