CN117195134B - 用于氢燃料基站电源的预警方法及装置 - Google Patents
用于氢燃料基站电源的预警方法及装置 Download PDFInfo
- Publication number
- CN117195134B CN117195134B CN202311414385.1A CN202311414385A CN117195134B CN 117195134 B CN117195134 B CN 117195134B CN 202311414385 A CN202311414385 A CN 202311414385A CN 117195134 B CN117195134 B CN 117195134B
- Authority
- CN
- China
- Prior art keywords
- fault
- abnormal
- hydrogen
- expected
- information
- 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.)
- Active
Links
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 223
- 239000001257 hydrogen Substances 0.000 title claims abstract description 222
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 222
- 239000000446 fuel Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 139
- 238000012544 monitoring process Methods 0.000 claims abstract description 110
- 239000002826 coolant Substances 0.000 claims abstract description 69
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 33
- 238000010219 correlation analysis Methods 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000001816 cooling Methods 0.000 claims description 48
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 28
- 239000001301 oxygen Substances 0.000 claims description 28
- 229910052760 oxygen Inorganic materials 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 19
- 230000036284 oxygen consumption Effects 0.000 claims description 17
- 238000012512 characterization method Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000007418 data mining Methods 0.000 claims description 10
- 238000000556 factor analysis Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000012098 association analyses Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Fuel Cell (AREA)
Abstract
本发明提供了用于氢燃料基站电源的预警方法及装置,涉及数据处理技术领域,获取期望输出电压、期望输出电流和环境温度信息,计算期望氢气流量、期望空气流量并预测期望冷却剂流速信息,进行故障关联分析,获取关联故障集并遍历进行正样本采样,获取异常分析基准粒子集,以此为基准采集监测信息并进行异常划分,获取触发故障类型进行氢燃料电源预警,解决了现有技术中存在的无法准确定位至异常的故障类型,导致预警精细化程度低的技术问题,通过进行期望参量计算与故障关联分析,基于此进行采样处理确定底层判定依据,进而进行实时监测判定,以精准进行故障类型的定位,针对性进行精细化预警。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及用于氢燃料基站电源的预警方法及装置。
背景技术
氢燃料备用电源已成功应用于移动基站,在工作过程中需要对其工作状态、工作环境和错误告警等信息进行实时监控,以确保其正常稳定工作。但由于安装位置或实际情况等限制,目前,通过信号采集器、传感监测装置的分布式安装监测与基于处理器的数据分析进行决策示警,存在一定的技术局限,无法准确定位至异常的故障类型,导致预警精细化程度低。
发明内容
本申请提供了用于氢燃料基站电源的预警方法及装置,用于针对解决现有技术中存在的无法准确定位至异常的故障类型,导致预警精细化程度低的技术问题。
鉴于上述问题,本申请提供了用于氢燃料基站电源的预警方法及装置。
第一方面,本申请提供了用于氢燃料基站电源的预警方法,所述方法包括:
获取期望输出电压、期望输出电流和环境温度信息;
基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量;
基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量;
基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息;
基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集;
根据所述期望输出电压、所述期望输出电流、期望电堆温度、所述期望氢气流量、所述期望空气流量和所述期望冷却剂流速信息,遍历所述关联故障集进行正样本采样,获取异常分析基准粒子集;
获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警。
第二方面,本申请提供了用于氢燃料基站电源的预警装置,所述装置包括:
信息获取模块,所述信息获取模块用于获取期望输出电压、期望输出电流和环境温度信息;
氢气消耗量计算模块,所述氢气消耗量计算模块用于基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量;
氧气消耗量计算模块,所述氧气消耗量计算模块用于基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量;
冷却功率预测模块,所述冷却功率预测模块用于基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息;
故障关联分析模块,所述故障关联分析模块用于基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集;
正样本采样模块,所述正样本采样模块用于遍历所述关联故障集进行正样本采样,获取异常分析基准粒子集;
故障预警模块,所述故障预警模块用于获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的用于氢燃料基站电源的预警方法,获取期望输出电压、期望输出电流和环境温度信息;基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量;基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量;基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息;基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集;根据所述期望输出电压、所述期望输出电流、期望电堆温度、所述期望氢气流量、所述期望空气流量和所述期望冷却剂流速信息,遍历所述关联故障集进行正样本采样,获取异常分析基准粒子集;获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警,解决了现有技术中存在的无法准确定位至异常的故障类型,导致预警精细化程度低的技术问题,通过进行期望参量计算与故障关联分析,基于此进行采样处理确定底层判定依据,进而进行实时监测判定,以精准进行故障类型的定位,针对性进行精细化预警。
附图说明
图1为本申请提供了用于氢燃料基站电源的预警方法流程示意图;
图2为本申请提供了用于氢燃料基站电源的预警方法中期望空气流量获取流程示意图;
图3为本申请提供了用于氢燃料基站电源的预警方法中期望冷却剂流速信息获取流程示意图;
图4为本申请提供了用于氢燃料基站电源的预警装置结构示意图。
附图标记说明:信息获取模块11,氢气消耗量计算模块12,氧气消耗量计算模块13,冷却功率预测模块14,故障关联分析模块15,正样本采样模块16,故障预警模块17。
具体实施方式
本申请通过提供用于氢燃料基站电源的预警方法及装置,获取期望输出电压、期望输出电流和环境温度信息,计算期望氢气流量、期望空气流量并预测期望冷却剂流速信息,进行故障关联分析,获取关联故障集并遍历进行正样本采样,获取异常分析基准粒子集,对获取的输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息进行异常划分,获取触发故障类型进行氢燃料电源预警,用于解决现有技术中存在的无法准确定位至异常的故障类型,导致预警精细化程度低的技术问题。
实施例一
如图1所示,本申请提供了用于氢燃料基站电源的预警方法,所述方法包括:
获取期望输出电压、期望输出电流和环境温度信息;
随着氢燃料备用电源于移动基站的成功应用,需同步进行工作进程的监测和错误告警,以确保其正常稳定工作。本申请提供的用于氢燃料基站电源的预警方法,通过进行期望参量计算与故障关联分析,基于此进行采样处理确定底层判定依据,进而进行实时监测判定,以精准进行故障类型的定位,针对性进行精细化预警。
基于供能需求进行理想输出电压与电流的配置,获取所述期望输出电压与所述期望输出电流,即预先设定的电流与电压的目标值,基于用户端进行输入设定。氢燃料的供能过程中,基于氢气于氧气中燃烧产生的热能,结合热能发电机以进行能量转换,环境温度为重要影响因素。基于监测采集装置,例如温度传感器,对所述氢燃料基站电源进行环境温度采集,对采集数据进行时序整合,生成所述环境温度信息,所述期望输出电压、所述期望输出电流与所述环境温度信息理想状态下的参量数据。
基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量;
进一步而言,基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量,本申请还包括:
基于所述期望输出电压和所述期望输出电流进行输出功率计算,获取期望输出功率;
获取氢燃料基站电源的历史供电记录数据进行数据挖掘,获取氢气利用率;
基于电化学原理,构建氢气消耗量计算公式:,其中,/>表征每分钟氢气消耗量,/>表征氢气摩尔体积,/>表征60秒,/>表征期望输出功率,/>表征法拉第常数,/>表征期望输出电压,/>表征氢气利用率;
对所述期望输出功率、所述氢气利用率和所述期望输出电压通过所述氢气消耗量计算公式进行氢气消耗量计算,获取所述期望氢气流量。
进一步而言,获取氢燃料基站电源的历史供电记录数据进行数据挖掘,获取氢气利用率,本申请还包括:
所述历史供电记录数据包括预设时区的供电量记录数据和氢气流量监测数据;
根据所述氢气流量监测数据进行输出功率计算,获取理论输出功率,结合供电时长,计算理论供电量;
计算所述供电量记录数据和所述理论供电量的比值,设为氢气利用率标定结果;
对所述氢气利用率标定结果进行集中值评价,确定所述氢气利用率。
基于所述期望输出电压与所述期望输出电流,代入公式P=nUI,计算获取所述期望输出功率,其中,n为电池数量,U为单个电池电压,I为电堆电流。进一步的,获取氢燃料基站电源的历史供电记录数据进行数据挖掘,具体的,调用预定时区采集并调用所述历史供电记录数据,包括历史时间区间内的所述供电量记录数据与所述氢气流量监测数据,所述供电量记录数据与所述氢气流量监测数据映射对应。调用所述氢气流量监测数据,识别同时序下的电池电压与电堆电流值,结合电池数量进行乘积计算,获取所述理论输出功率,即对应氢气流量下功率的理论值。获取所述供电时长,并计算所述供电时长与所述理论输出功率的乘积,确定有效做功量,作为所述理论供电量。
进一步的,遍历所述供电量记录数据,分别与所述理论供电量进行比值计算,作为所述氢气利用率标定结果,即氢气的历史利用率。对所述氢气利用率进行集中值评价。示例性的,对所述氢气利用率标定结果进行聚类处理,获取多个聚类结果并进行类内数量统计,筛选满足数量阈值的聚类结果,即删除离散值,规避数据的偶然性,对其余数据进行均值计算,作为所述氢气利用率。通过调用自身的历史数据进行利用率分析确定,可有效保障所述氢气利用率的基站电源契合度,提高后续的预警准确度。
进一步的,基于电化学原理,构建氢气消耗量计算公式:,其中,/>表征每分钟氢气消耗量,/>表征氢气摩尔体积,/>表征60秒,/>表征期望输出功率,/>表征法拉第常数,/>表征期望输出电压,/>表征氢气利用率,所述氢气摩尔体积为22.4L/mol,上述参数皆可通过本申请实施例前期的处理进行获取,或为标准数据可直接进行检索调用。进而将所述期望输出功率、所述氢气利用率与所述期望输出电压输入所述氢气消耗量计算公式中,计算获取每分钟的氢气消耗量,作为所述期望氢气流量,所述期望氢气流量为正常状况下的标准值,用于进行预警参考。
基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量;
进一步而言,如图2所示,基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量,本申请还包括:
获取氢氧反应摩尔比和空气氧含量;
基于所述氢燃料基站电源的历史供电记录数据进行数据挖掘,获取氧气利用率;
根据所述氧气利用率、所述氢氧反应摩尔比和所述空气氧含量,计算所述期望空气流量,其中,所述期望空气流量为每分钟空气流量。
通过氢氧反应的化学反应热进行热转换供能,基于氢氧化学反应式,确定所述氢氧反应摩尔比,所述氢氧反应摩尔比优选为2:1,并检测空气中的氧气含量,可通过采样检测进行获取,确定所述空气氧含量,所述空气氧含量优选为21%。进一步的,调用所述历史供电记录数据,包括所述氢燃料基站电源的供电量记录数据与氧气流量监测数据,基于所述氧气流量监测数据计算对应氧气损耗下的理论供电量,具体计算方式与所述氢气流量监测而数据的理论供电量相同。
进一步遍历所述供电量记录数据,分别与所述理论供电量进行比值计算,作为氧气利用率标定结果。进一步对所述氧气利用率标定结果进行集中值评价,具体评价方式可与所述氢气利用率标定结果相同,确定具有代表性的数据,作为所述氧气利用率。进一步的,对所述氢气消耗量计算公式进行调整,即氢氧的参量替换,获取氧气消耗量计算公式,将所述氧气利用率、所述氢氧反应摩尔比和所述空气氧含量输入所述氧气消耗量计算公式中,计算获取所述期望空气流量。
基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息;
进一步而言,如图3所示,基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息,本申请还包括:
在进行冷却功率预测之前,包括,
获取所述氢燃料基站电源的电堆布局信息、电池数量信息和电源服役时长;
以所述电堆布局信息、所述电池数量信息和所述电源服役时长为场景约束信息,采集输出电压记录数据、输出电流记录数据、环境温度记录数据和冷却功率记录数据;
利用BP神经网络对所述输出电压记录数据、所述输出电流记录数据和所述环境温度记录数据进行训练拟合映射关系,以所述冷却功率记录数据为输出监督数据,标识训练损失量;
当所述训练损失量连续预设组别低于训练损失量阈值时,获取冷却功率预测模型;
激活所述冷却功率预测模型对所述期望输出电压、所述期望输出电流和所述环境温度信息映射处理,获取所述期望冷却剂流速信息。
电堆布局影响着功率等参量的输出与性能上限,电池数量影响着输出效率,服役时长影响着运行状态,调用电源配置信息,提取所述电堆布局信息与所述电池数量信息,基于历史服役记录确定所述电源服役时长。所述电堆布局信息、所述电池数量信息与所述电源服役时长造成电源的输出限制,将其作为所述场景约束信息,进行所述输出电压记录数据、所述输出电流记录数据、所述环境温度记录数据与所述冷却功率记录数据的采集,基于同时序性进行数据的映射关联,将所述输出电压记录数据、所述输出电流记录数据和所述环境温度记录数据作为输入数据,将所述冷却功率记录数据作为输出数据,进行输入数据与输出数据的映射关联,确定构建数据并进行BP神经网络训练,生成第一冷却功率预测模型。
进一步将所述输入数据输入所述第一冷却功率预测模型中进行检测,对模型输出数据与所述冷却功率记录数据进行映射与偏差计算。进而设定所述训练损失量阈值,即基于模型精度需求自定义设定的临界输出差量。提取所述第一冷却功率预测模型的检测输出结果中,计算偏差大于所述训练损失量阈值的构建数据,基于此再次进行BP神经网络训练,生成第二冷却功率预测模型。重复上述步骤进行构建检测与训练损失量分析,直至检测结果皆满足所述训练损失量阈值,完成第N冷却功率预测模型的构建,集成构建的第一冷却功率预测模型、第二冷却功率预测模型直至第N冷却功率预测模型,生成所述冷却功率预测模型,可有效提高所述冷却功率预测模型的输出精准度。
进一步的,将所述期望输出电压、所述期望输出电流和所述环境温度信息输入所述冷却功率预测模型,分别基于第一冷却功率预测模型、第二冷却功率预测模型直至第N冷却功率预测模型进行分析,对输出结果进行均值计算,作为所述期望冷却剂流速信息,所述期望冷却剂流速信息为电源预警参考信息。
基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集;
进一步而言,基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集,本申请还包括:
获取氢燃料基站电源故障事务集,其中,所述氢燃料基站电源故障事务集包括事务触发异常因子和故障类型标识信息;
将所述氢燃料基站电源故障事务集按照所述故障类型标识信息进行聚类分析,获取故障事务聚类结果;
根据任意一个所述故障事务聚类结果,统计输出电压异常触发频率、输出电流异常触发频率、电堆温度异常触发频率、氢气流量异常触发频率和冷却剂流速异常触发频率;
当所述输出电压异常触发频率或所述输出电流异常触发频率或所述电堆温度异常触发频率或所述氢气流量异常触发频率或所述冷却剂流速异常触发频率大于或等于触发频率阈值,获取所述故障事务聚类结果的故障类型的敏感异常因子触发频率和敏感因子类型,其中,触发频率阈值/故障事务类内数量≥比例阈值;
根据所述敏感异常因子触发频率和所述敏感因子类型进行关联因子分析,获取所述故障类型的关联敏感因子和独立敏感因子;
遍历所述关联敏感因子和所述故障类型联立存储,添加进所述关联故障集;
遍历所述独立敏感因子和所述故障类型联立存储,添加进所述关联故障集;
其中,关联因子分析包括,
遍历所述敏感因子类型,获取独立异常触发频率,当所述独立异常触发频率大于或等于独立触发频率阈值,将所述敏感因子类型设为所述独立敏感因子;
对所述敏感因子类型的非对立敏感因子进行组合,获取联合异常触发频率,当所述联合异常触发频率大于或等于联合触发频率阈值,将敏感因子组合设为所述关联敏感因子。
调用所述氢燃料基站电源的故障记录,以故障类型与处罚异常因子为目标进行对应信息的识别提取与标识整合,例如以电源开关故障为故障类型,可能由于过充过放、熔丝温升异常、长期浮充电等造成,确定对应的诱因,如电流异常、电压异常等作为导致该故障的触发异常因子,整合各故障记录对应的所述故障类型标识信息与所述事物触发异常因子,作为所述氢燃料基站电源故障事务集。
进一步的,以所述故障类型标识信息为标准,对所述氢燃料基站电源故障事务集进行聚类处理,确定多个聚类结果,作为所述故障事务聚类结果,所述故障事务聚类结果与故障类型一一对应。遍历所述故障事务聚类结果,对各聚类结果进行异常指标的次数统计,获取所述输出电压异常触发频率、输出电流异常触发频率、电堆温度异常触发频率、氢气流量异常触发频率和冷却剂流速异常触发频率。进一步设定所述触发频率阈值,即衡量异常类型的代表性触发指标的临界频率,可结合专家经验进行自定义设定。遍历所述输出电压异常触发频率、输出电流异常触发频率、电堆温度异常触发频率、氢气流量异常触发频率和冷却剂流速异常触发频率,分别与所述触发频率阈值进行校对,将大于等于所述触发频率阈值者,作为所属的敏感因子类型与该类型对应的敏感异常因子触发频率,以筛选偶然性故障信息,提高数据的准确度与权威性。
进一步的,基于所述敏感异常因子触发频率与所述敏感因子类型进行关联性分析。具体的,设定所述独立触发频率阈值与所述联合触发频率阈值,即单独触发造成故障事务的敏感因子的临界触发频率,与多个敏感因子协同方能触发故障事务的临界触发频率,可基于精度需求进行自定义设定,其中,所述独立触发频率与所述联合触发频率可以相同。进一步的,遍历所述敏感因子类型,识别并提取所述独立异常触发频率,并分别与所述独立触发频率阈值进行校对,将大于或等于所述独立触发频率阈值者,作为所述独立敏感因子。同理,对所述敏感因子类型进行对立性分析,即多个敏感因子同时出现造成故障事务,视为非对立性敏感因子,对其进行组合并进行联合异常触发频率统计,即组合内的多个敏感因子同时出现造成故障事务的次数,进而分别与所述联合触发频率阈值进行校对,提取大于或等于所述联合触发频率阈值的敏感因子组合,作为所述关联敏感因子。
进一步的,对所述关联敏感因子与所述故障类型进行映射关联,确定多个表征为故障类型-关联敏感因子的序列,添加进所述关联故障集;同理,对所述独立敏感因子与所述故障类型进行映射关联与组合序列化,添加进所述关联故障集中。通过进行敏感因子的关联性分析,提高故障剖析的细化度,便于后续进行故障溯源。
根据所述期望输出电压、所述期望输出电流、期望电堆温度、所述期望氢气流量、所述期望空气流量和所述期望冷却剂流速信息,遍历所述关联故障集进行正样本采样,获取异常分析基准粒子集;
以所述输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息为索引,以所述关联故障集为约束,基于工业互联网进行正样本检索采样,即不同于期望值,但是仍然为无故障的样本,对采样数据进行整合,即将各采集样本对应的一组输出电压记录信息、输出电流记录信息、电堆温度记录信息、氢气流量记录信息、空气流量记录信息和冷却剂流速记录信息存入一个异常分析基准粒子,生成所述异常分析基准粒子集。
获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警。
进一步而言,获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警,本申请还包括:
所述异常分析基准粒子集的任意一个粒子存储一组未触发故障的输出电压记录信息、输出电流记录信息、电堆温度记录信息、氢气流量记录信息、空气流量记录信息和冷却剂流速记录信息;
遍历所述异常分析基准粒子集进行离散值清洗,获取输出电压集中区间、输出电流集中区间、电堆温度集中区间、氢气流量集中区间、空气流量集中区间和冷却剂流速集中区间;
基于所述输出电压集中区间、所述输出电流集中区间、所述电堆温度集中区间、所述氢气流量集中区间、所述空气流量集中区间和所述冷却剂流速集中区间,构建异常划分模块;
将所述输出电压监测信息、所述输出电流监测信息、所述电堆温度监测信息、所述氢气流量监测信息、所述空气流量监测信息和所述冷却剂流速监测信息输入所述异常划分模块,获取异常因子特征值;
基于所述关联故障集和所述异常因子特征值进行一致性匹配,筛选所述触发故障类型。
所述异常分析基准粒子集的任意一个粒子存储一组未触发故障的输出电压记录信息、输出电流记录信息、电堆温度记录信息、氢气流量记录信息、空气流量记录信息和冷却剂流速记录信息。遍历所述异常分析基准粒子集,基于预设偏差进行聚类处理,所述预设偏差为自定义的划分标准,获取多个聚类结果。对各聚类结果进行类内数量统计,将类内数量小于阈值标准的聚类结果作为离散量进行筛除,以进行偶然性数据的清洗,提高数据准确度,获取类内数量大于等于阈值标准的聚类结果,将同一聚类结果中各项信息对应的极大值与极小值的数据区间,作为一组输出电压集中区间、输出电流集中区间、电堆温度集中区间、氢气流量集中区间、空气流量集中区间和冷却剂流速集中区间,确定各聚类结果对应的区间集。
进一步的,将同一聚类结果对应的所述输出电压集中区间、所述输出电流集中区间、所述电堆温度集中区间、所述氢气流量集中区间、所述空气流量集中区间和所述冷却剂流速集中区间作为一项异常划分等级,确定所述多个聚类结果对应的区间等级,生成所述异常划分模块。进一步将所述输出电压监测信息、所述输出电流监测信息、所述电堆温度监测信息、所述氢气流量监测信息、所述空气流量监测信息和所述冷却剂流速监测信息输入所述异常划分模块,通过进行区间映射匹配,将匹配结果作为确定所述异常因子特征值。
进一步的,遍历所述关联故障集,基于所述异常敏感因子类型,对所述异常因子特征值进行一致性匹配,识别匹配结果并依次进行所述独立敏感因子与所述关联敏感因子的存在判定,若不存在一致性敏感因子,表明所述氢燃料基站电源处于正常运行状态,维系当前稳定运行;若存在任一类型敏感因子匹配成功,生成预警信息进行示警。优选的,针对不同敏感因子类型、不同关联敏感因子,基于不同预警方式进行示警,保障预警的具体化,以快速进行针对性响应与处理。
本申请提供的用于氢燃料基站电源的预警方法,具有如下技术效果:
1、通过进行期望参量计算与故障关联分析,基于此进行采样处理确定底层判定依据,进而进行实时监测判定,以精准进行故障类型的定位,针对性进行精细化预警。
2、配置针对性方式进行各期望数据的获取。基于氢氧反应与电化学原理,结合调用的样本数据进行数据挖掘,确定期望空气流量与期望氧气流量;自适应建模进行冷却功率预测,确定期望冷却剂流速信息,以确保期望数据的准确度与场景适配度,提高后续分析精度与实际契合性。
3、确定敏感因子类型并基于独立性与协同性进行故障触发的关联分析,以关联分析结果为参考进行故障匹配,确保匹配结果的目标精细化,实现故障的精准定位。
实施例二
基于与前述实施例中用于氢燃料基站电源的预警方法相同的发明构思,如图4所示,本申请提供了用于氢燃料基站电源的预警装置,所述装置包括:
信息获取模块11,所述信息获取模块11用于获取期望输出电压、期望输出电流和环境温度信息;
氢气消耗量计算模块12,所述氢气消耗量计算模块12用于基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量;
氧气消耗量计算模块13,所述氧气消耗量计算模块13用于基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量;
冷却功率预测模块14,所述冷却功率预测模块14用于基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息;
故障关联分析模块15,所述故障关联分析模块15用于基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集;
正样本采样模块16,所述正样本采样模块16用于根据所述期望输出电压、所述期望输出电流、期望电堆温度、所述期望氢气流量、所述期望空气流量和所述期望冷却剂流速信息,遍历所述关联故障集进行正样本采样,获取异常分析基准粒子集;
故障预警模块17,所述故障预警模块17用于获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警。
进一步而言,所述氢气消耗量计算模块还包括:
输出功率计算模块,所述输出功率计算模块用于基于所述期望输出电压和所述期望输出电流进行输出功率计算,获取期望输出功率;
氢气利用率获取模块,所述氢气利用率获取模块用于获取氢燃料基站电源的历史供电记录数据进行数据挖掘,获取氢气利用率;
公式构建模块,所述公式构建模块用于基于电化学原理,构建氢气消耗量计算公式:,其中,/>表征每分钟氢气消耗量,/>表征氢气摩尔体积,/>表征60秒,/>表征期望输出功率,/>表征法拉第常数,/>表征期望输出电压,/>表征氢气利用率;
期望氢气流量获取模块,所述期望氢气流量获取模块用于对所述期望输出功率、所述氢气利用率和所述期望输出电压通过所述氢气消耗量计算公式进行氢气消耗量计算,获取所述期望氢气流量。
进一步而言,所述氢气利用率获取模块还包括:
数据剖析模块,所述数据剖析模块用于所述历史供电记录数据包括预设时区的供电量记录数据和氢气流量监测数据;
理论供电量计算模块,所述理论供电量计算模块用于根据所述氢气流量监测数据进行输出功率计算,获取理论输出功率,结合供电时长,计算理论供电量;
标定结果设定模块,所述标定结果设定模块用于计算所述供电量记录数据和所述理论供电量的比值,设为氢气利用率标定结果;
集中值评价模块,所述集中值评价模块用于对所述氢气利用率标定结果进行集中值评价,确定所述氢气利用率。
进一步而言,所述氧气消耗量计算模块还包括:
气体参量获取模块,所述气体参量获取模块用于获取氢氧反应摩尔比和空气氧含量;
氧气利用率获取模块,所述氧气利用率获取模块用于基于所述氢燃料基站电源的历史供电记录数据进行数据挖掘,获取氧气利用率;
期望空气流量计算模块,所述期望空气流量计算模块用于根据所述氧气利用率、所述氢氧反应摩尔比和所述空气氧含量,计算所述期望空气流量,其中,所述期望空气流量为每分钟空气流量。
进一步而言,所述冷却功率预测模块还包括:
在进行冷却功率预测之前,包括,
电源基础信息获取模块,所述电源基础信息获取模块用于获取所述氢燃料基站电源的电堆布局信息、电池数量信息和电源服役时长;
记录数据采集模块,所述记录数据采集模块用于以所述电堆布局信息、所述电池数量信息和所述电源服役时长为场景约束信息,采集输出电压记录数据、输出电流记录数据、环境温度记录数据和冷却功率记录数据;
训练损失量标识模块,所述训练损失量标识模块用于利用BP神经网络对所述输出电压记录数据、所述输出电流记录数据和所述环境温度记录数据进行训练拟合映射关系,以所述冷却功率记录数据为输出监督数据,标识训练损失量;
模型获取模块,所述模型获取模块用于当所述训练损失量连续预设组别低于训练损失量阈值时,获取冷却功率预测模型;
模型分析模块,所述模型分析模块用于激活所述冷却功率预测模型对所述期望输出电压、所述期望输出电流和所述环境温度信息映射处理,获取所述期望冷却剂流速信息。
进一步而言,所述故障关联分析模块还包括:
故障事务集获取模块,所述故障事务集获取模块用于获取氢燃料基站电源故障事务集,其中,所述氢燃料基站电源故障事务集包括事务触发异常因子和故障类型标识信息;
故障事务集聚类模块,所述故障事务集聚类模块用于将所述氢燃料基站电源故障事务集按照所述故障类型标识信息进行聚类分析,获取故障事务聚类结果;
频率统计模块,所述频率统计模块用于根据任意一个所述故障事务聚类结果,统计输出电压异常触发频率、输出电流异常触发频率、电堆温度异常触发频率、氢气流量异常触发频率和冷却剂流速异常触发频率;
敏感信息获取模块,所述敏感信息获取模块用于当所述输出电压异常触发频率或所述输出电流异常触发频率或所述电堆温度异常触发频率或所述氢气流量异常触发频率或所述冷却剂流速异常触发频率大于或等于触发频率阈值,获取所述故障事务聚类结果的故障类型的敏感异常因子触发频率和敏感因子类型,其中,触发频率阈值/故障事务类内数量≥比例阈值;
关联因子分析模块,所述关联因子分析模块用于根据所述敏感异常因子触发频率和所述敏感因子类型进行关联因子分析,获取所述故障类型的关联敏感因子和独立敏感因子;
关联故障集添加模块,所述关联故障集添加模块用于遍历所述关联敏感因子和所述故障类型联立存储,添加进所述关联故障集;
关联故障添加模块,所述关联故障添加模块用于遍历所述独立敏感因子和所述故障类型联立存储,添加进所述关联故障集;
其中,关联因子分析包括,
独立敏感因子确定模块,所述独立敏感因子确定模块用于遍历所述敏感因子类型,获取独立异常触发频率,当所述独立异常触发频率大于或等于独立触发频率阈值,将所述敏感因子类型设为所述独立敏感因子;
关联敏感因子确定模块,所述关联敏感因子确定模块用于对所述敏感因子类型的非对立敏感因子进行组合,获取联合异常触发频率,当所述联合异常触发频率大于或等于联合触发频率阈值,将敏感因子组合设为所述关联敏感因子。
进一步而言,所述故障预警模块还包括:
信息存储模块,所述信息存储模块用于所述异常分析基准粒子集的任意一个粒子存储一组未触发故障的输出电压记录信息、输出电流记录信息、电堆温度记录信息、氢气流量记录信息、空气流量记录信息和冷却剂流速记录信息;
离散值清洗模块,所述离散值清洗模块用于遍历所述异常分析基准粒子集进行离散值清洗,获取输出电压集中区间、输出电流集中区间、电堆温度集中区间、氢气流量集中区间、空气流量集中区间和冷却剂流速集中区间;
异常划分模块构建模块,所述异常划分模块构建模块用于基于所述输出电压集中区间、所述输出电流集中区间、所述电堆温度集中区间、所述氢气流量集中区间、所述空气流量集中区间和所述冷却剂流速集中区间,构建异常划分模块;
特征值获取模块,所述特征值获取模块用于将所述输出电压监测信息、所述输出电流监测信息、所述电堆温度监测信息、所述氢气流量监测信息、所述空气流量监测信息和所述冷却剂流速监测信息输入所述异常划分模块,获取异常因子特征值;
触发故障类型筛选模块,所述触发故障类型筛选模块用于基于所述关联故障集和所述异常因子特征值进行一致性匹配,筛选所述触发故障类型。
本说明书通过前述对用于氢燃料基站电源的预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中用于氢燃料基站电源的预警方法及装置,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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 (7)
1.用于氢燃料基站电源的预警方法,其特征在于,包括:
获取期望输出电压、期望输出电流和环境温度信息;
基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量;
基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量;
基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息;
基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集;
根据所述期望输出电压、所述期望输出电流、期望电堆温度、所述期望氢气流量、所述期望空气流量和所述期望冷却剂流速信息,遍历所述关联故障集进行正样本采样,获取异常分析基准粒子集;
获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警;
其中,基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集,包括:
获取氢燃料基站电源故障事务集,其中,所述氢燃料基站电源故障事务集包括事务触发异常因子和故障类型标识信息;
将所述氢燃料基站电源故障事务集按照所述故障类型标识信息进行聚类分析,获取故障事务聚类结果;
根据任意一个所述故障事务聚类结果,统计输出电压异常触发频率、输出电流异常触发频率、电堆温度异常触发频率、氢气流量异常触发频率和冷却剂流速异常触发频率;
当所述输出电压异常触发频率或所述输出电流异常触发频率或所述电堆温度异常触发频率或所述氢气流量异常触发频率或所述冷却剂流速异常触发频率大于或等于触发频率阈值,获取所述故障事务聚类结果的故障类型的敏感异常因子触发频率和敏感因子类型,其中,触发频率阈值/故障事务类内数量≥比例阈值;
根据所述敏感异常因子触发频率和所述敏感因子类型进行关联因子分析,获取所述故障类型的关联敏感因子和独立敏感因子;
遍历所述关联敏感因子和所述故障类型联立存储,添加进所述关联故障集;
遍历所述独立敏感因子和所述故障类型联立存储,添加进所述关联故障集;
其中,关联因子分析包括,
遍历所述敏感因子类型,获取独立异常触发频率,当所述独立异常触发频率大于或等于独立触发频率阈值,将所述敏感因子类型设为所述独立敏感因子;
对所述敏感因子类型的非对立敏感因子进行组合,获取联合异常触发频率,当所述联合异常触发频率大于或等于联合触发频率阈值,将敏感因子组合设为所述关联敏感因子。
2.如权利要求1所述的方法,其特征在于,基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量,包括:
基于所述期望输出电压和所述期望输出电流进行输出功率计算,获取期望输出功率;
获取氢燃料基站电源的历史供电记录数据进行数据挖掘,获取氢气利用率;
基于电化学原理,构建氢气消耗量计算公式:
,
其中,表征每分钟氢气消耗量,/>表征氢气摩尔体积,/>表征60秒,/>表征期望输出功率,/>表征法拉第常数,/>表征期望输出电压,/>表征氢气利用率;
对所述期望输出功率、所述氢气利用率和所述期望输出电压通过所述氢气消耗量计算公式进行氢气消耗量计算,获取所述期望氢气流量。
3.如权利要求2所述的方法,其特征在于,获取氢燃料基站电源的历史供电记录数据进行数据挖掘,获取氢气利用率,包括:
所述历史供电记录数据包括预设时区的供电量记录数据和氢气流量监测数据;
根据所述氢气流量监测数据进行输出功率计算,获取理论输出功率,结合供电时长,计算理论供电量;
计算所述供电量记录数据和所述理论供电量的比值,设为氢气利用率标定结果;
对所述氢气利用率标定结果进行集中值评价,确定所述氢气利用率。
4.如权利要求1所述的方法,其特征在于,基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量,包括:
获取氢氧反应摩尔比和空气氧含量;
基于所述氢燃料基站电源的历史供电记录数据进行数据挖掘,获取氧气利用率;
根据所述氧气利用率、所述氢氧反应摩尔比和所述空气氧含量,计算所述期望空气流量,其中,所述期望空气流量为每分钟空气流量。
5.如权利要求1所述的方法,其特征在于,基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息,包括:
在进行冷却功率预测之前,包括,
获取所述氢燃料基站电源的电堆布局信息、电池数量信息和电源服役时长;
以所述电堆布局信息、所述电池数量信息和所述电源服役时长为场景约束信息,采集输出电压记录数据、输出电流记录数据、环境温度记录数据和冷却功率记录数据;
利用BP神经网络对所述输出电压记录数据、所述输出电流记录数据和所述环境温度记录数据进行训练拟合映射关系,以所述冷却功率记录数据为输出监督数据,标识训练损失量;
当所述训练损失量连续预设组别低于训练损失量阈值时,获取冷却功率预测模型;
激活所述冷却功率预测模型对所述期望输出电压、所述期望输出电流和所述环境温度信息映射处理,获取所述期望冷却剂流速信息。
6.如权利要求1所述的方法,其特征在于,获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警,包括:
所述异常分析基准粒子集的任意一个粒子存储一组未触发故障的输出电压记录信息、输出电流记录信息、电堆温度记录信息、氢气流量记录信息、空气流量记录信息和冷却剂流速记录信息;
遍历所述异常分析基准粒子集进行离散值清洗,获取输出电压集中区间、输出电流集中区间、电堆温度集中区间、氢气流量集中区间、空气流量集中区间和冷却剂流速集中区间;
基于所述输出电压集中区间、所述输出电流集中区间、所述电堆温度集中区间、所述氢气流量集中区间、所述空气流量集中区间和所述冷却剂流速集中区间,构建异常划分模块;
将所述输出电压监测信息、所述输出电流监测信息、所述电堆温度监测信息、所述氢气流量监测信息、所述空气流量监测信息和所述冷却剂流速监测信息输入所述异常划分模块,获取异常因子特征值;
基于所述关联故障集和所述异常因子特征值进行一致性匹配,筛选所述触发故障类型。
7.用于氢燃料基站电源的预警装置,其特征在于,包括:
信息获取模块,所述信息获取模块用于获取期望输出电压、期望输出电流和环境温度信息;
氢气消耗量计算模块,所述氢气消耗量计算模块用于基于所述期望输出电压和所述期望输出电流进行氢气消耗量计算,获取期望氢气流量;
氧气消耗量计算模块,所述氧气消耗量计算模块用于基于所述期望输出电压和所述期望输出电流进行氧气消耗量计算,获取期望空气流量;
冷却功率预测模块,所述冷却功率预测模块用于基于所述期望输出电压、所述期望输出电流和所述环境温度信息进行冷却功率预测,获取期望冷却剂流速信息;
故障关联分析模块,所述故障关联分析模块用于基于输出电压、输出电流、电堆温度、氢气流量、空气流量和冷却剂流速进行故障关联分析,获取关联故障集;
正样本采样模块,所述正样本采样模块用于遍历所述关联故障集进行正样本采样,获取异常分析基准粒子集;
故障预警模块,所述故障预警模块用于获取输出电压监测信息、输出电流监测信息、电堆温度监测信息、氢气流量监测信息、空气流量监测信息和冷却剂流速监测信息,基于所述异常分析基准粒子集进行异常划分,获取触发故障类型进行氢燃料电源预警;
所述故障关联分析模块还包括:
故障事务集获取模块,所述故障事务集获取模块用于获取氢燃料基站电源故障事务集,其中,所述氢燃料基站电源故障事务集包括事务触发异常因子和故障类型标识信息;
故障事务集聚类模块,所述故障事务集聚类模块用于将所述氢燃料基站电源故障事务集按照所述故障类型标识信息进行聚类分析,获取故障事务聚类结果;
频率统计模块,所述频率统计模块用于根据任意一个所述故障事务聚类结果,统计输出电压异常触发频率、输出电流异常触发频率、电堆温度异常触发频率、氢气流量异常触发频率和冷却剂流速异常触发频率;
敏感信息获取模块,所述敏感信息获取模块用于当所述输出电压异常触发频率或所述输出电流异常触发频率或所述电堆温度异常触发频率或所述氢气流量异常触发频率或所述冷却剂流速异常触发频率大于或等于触发频率阈值,获取所述故障事务聚类结果的故障类型的敏感异常因子触发频率和敏感因子类型,其中,触发频率阈值/故障事务类内数量≥比例阈值;
关联因子分析模块,所述关联因子分析模块用于根据所述敏感异常因子触发频率和所述敏感因子类型进行关联因子分析,获取所述故障类型的关联敏感因子和独立敏感因子;
关联故障集添加模块,所述关联故障集添加模块用于遍历所述关联敏感因子和所述故障类型联立存储,添加进所述关联故障集;
关联故障添加模块,所述关联故障添加模块用于遍历所述独立敏感因子和所述故障类型联立存储,添加进所述关联故障集;
其中,关联因子分析模块包括,
独立敏感因子确定模块,所述独立敏感因子确定模块用于遍历所述敏感因子类型,获取独立异常触发频率,当所述独立异常触发频率大于或等于独立触发频率阈值,将所述敏感因子类型设为所述独立敏感因子;
关联敏感因子确定模块,所述关联敏感因子确定模块用于对所述敏感因子类型的非对立敏感因子进行组合,获取联合异常触发频率,当所述联合异常触发频率大于或等于联合触发频率阈值,将敏感因子组合设为所述关联敏感因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414385.1A CN117195134B (zh) | 2023-10-30 | 2023-10-30 | 用于氢燃料基站电源的预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414385.1A CN117195134B (zh) | 2023-10-30 | 2023-10-30 | 用于氢燃料基站电源的预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117195134A CN117195134A (zh) | 2023-12-08 |
CN117195134B true CN117195134B (zh) | 2024-01-30 |
Family
ID=88998214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311414385.1A Active CN117195134B (zh) | 2023-10-30 | 2023-10-30 | 用于氢燃料基站电源的预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117195134B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028005A1 (zh) * | 2016-08-11 | 2018-02-15 | 苏州瑞得恩自动化设备科技有限公司 | 一种大型光伏电站中电池面板的故障检测算法 |
CN116066343A (zh) * | 2023-03-14 | 2023-05-05 | 国家石油天然气管网集团有限公司 | 一种输油泵机组故障模型的智能预警方法及系统 |
CN116204842A (zh) * | 2023-03-10 | 2023-06-02 | 广东省建设工程质量安全检测总站有限公司 | 一种电气设备的异常监测方法及系统 |
-
2023
- 2023-10-30 CN CN202311414385.1A patent/CN117195134B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018028005A1 (zh) * | 2016-08-11 | 2018-02-15 | 苏州瑞得恩自动化设备科技有限公司 | 一种大型光伏电站中电池面板的故障检测算法 |
CN116204842A (zh) * | 2023-03-10 | 2023-06-02 | 广东省建设工程质量安全检测总站有限公司 | 一种电气设备的异常监测方法及系统 |
CN116066343A (zh) * | 2023-03-14 | 2023-05-05 | 国家石油天然气管网集团有限公司 | 一种输油泵机组故障模型的智能预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117195134A (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113783272B (zh) | 一种基于超级电容监控管理系统的安全控制方法 | |
CN109604186A (zh) | 动力电池性能柔性评估分选方法 | |
CN114579818A (zh) | 一种可视化碳排放检测管理系统及方法 | |
CN116311854B (zh) | 一种锂电池储能站的运行异常预警方法及系统 | |
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN112326583A (zh) | 一种基于物联网的毒害气体智能检测系统及方法 | |
CN113253125B (zh) | 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统 | |
CN117195134B (zh) | 用于氢燃料基站电源的预警方法及装置 | |
CN113359036A (zh) | 一种矿用动力电池组的用电健康状态在线监管系统 | |
CN117520951A (zh) | 一种基于多特征量的变压器健康评估方法和系统 | |
CN116709062B (zh) | 一种具有检测功能的用电信息采集设备 | |
CN116736134B (zh) | 一种实时性储能电池数据监测方法及装置 | |
CN212433949U (zh) | 一种带工作环境检测功能的电能表 | |
CN112068006A (zh) | 一种基于云计算的实验室设备安全运行运维平台 | |
CN116500451A (zh) | 一种蓄电池在线监测系统 | |
CN115718872A (zh) | 基于历史数据的台区用户异常用电分析方法 | |
CN115799673A (zh) | 一种多维感知的储能电池管理系统 | |
CN115389949A (zh) | 一种基于车-云协同的电动自行车电池安全评估预警方法 | |
CN112630665B (zh) | 一种基于智能网联的锂电池寿命预测系统 | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建系统 | |
Sun et al. | State Detection of Electric Energy Metering Device Using Computer Neural Network | |
CN106094688A (zh) | 一种湿度传感器控制系统 | |
WO2019092762A1 (en) | Device for the monitoring of lead-acid storage systems | |
CN114971002B (zh) | 一种基于计量终端负荷监测技术的异常电量预测方法 | |
CN117250423B (zh) | 一种无损伤电地暖膜可靠性检测技术及装置 |
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 |