CN117318053B - 用于储能电站的能源需求预测方法及系统 - Google Patents
用于储能电站的能源需求预测方法及系统 Download PDFInfo
- Publication number
- CN117318053B CN117318053B CN202311599024.9A CN202311599024A CN117318053B CN 117318053 B CN117318053 B CN 117318053B CN 202311599024 A CN202311599024 A CN 202311599024A CN 117318053 B CN117318053 B CN 117318053B
- Authority
- CN
- China
- Prior art keywords
- energy
- data
- power station
- energy storage
- storage power
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000010586 diagram Methods 0.000 claims abstract description 41
- 238000010191 image analysis Methods 0.000 claims abstract description 34
- 238000013500 data storage Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 31
- 238000005265 energy consumption Methods 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000001360 synchronised effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 12
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012886 linear function Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及数据处理的技术领域,公开了一种用于储能电站的能源需求预测方法及系统。所述用于储能电站的能源需求预测方法包括:获取储能电站中的关键能源数据;其中,所述关键能源数据至少包括电压数据、电流数据、温度媒介数据和储能容量数据;通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图;基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标;本发明帮助储能电站更合理地调配能源设备,从而延长设备的使用寿命,降低维护成本。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种用于储能电站的能源需求预测方法及系统。
背景技术
随着能源科技的发展,储能电站作为新能源领域的一种重要设施,其管理与运营的效率对能源供应的稳定性、经济性和环保性有着重要影响。其中,对储能电站的能源需求进行准确预测,能够有效指导储能电站的运行与管理,保证其在满足能源需求的同时,达到最优的运行效率和经济效益。
然而,在现有的技术中,对储能电站能源需求的预测主要依赖于历史数据的统计分析,或者是基于一些简单的预测模型,如移动平均模型、指数平滑模型等进行预测。所述方法在一些稳定的能源市场环境中还能够得到较好的预测结果,但是面对复杂的能源市场环境和多变的能源需求情况,其预测的准确性较差,不能满足储能电站对于能源需求预测的需要。更重要的是,所述预测方法大多数未能将电站的实时运行数据与能源需求预测相结合,使得预测结果缺乏针对性,无法准确反应储能电站的实际能源需求状况。
困扰,亟需一种新的储能电站的能源需求预测方法,以提高能源需求预测的准确性,优化储能电站的操作与管理。
发明内容
本发明提供了一种用于储能电站的能源需求预测方法及系统,用于解决如何实现准确预测储能电站的能源需求的技术问题。
本发明第一方面提供了一种用于储能电站的能源需求预测方法,所述用于储能电站的能源需求预测方法包括:
获取储能电站中的关键能源数据;其中,所述关键能源数据至少包括电压数据、电流数据、温度媒介数据和储能容量数据;
通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图;
基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标;
根据所述第一关键指标和所述第二关键指标构建所述储能电站的能源状态向量;
将所述能源状态向量输入训练后的能源需求预测模型,得到所述储能电站的能源需求预测曲线;其中,所述能源需求预测模型经过提前训练得到;
基于生成的储能电站的能源需求预测曲线,对目标储能电站的能源需求进行预测,得到目标储能电站的能源需求数据。
可选的,在本发明第一方面的第一种实现方式中,所述通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图,包括:
获取储能电站的电压数据的多个初始数据点,以及获取储能电站的电流数据的多个二次数据点;
对获取的初始数据点和二次数据点分别进行排序,形成初始数据点序列和二次数据点序列;
基于预设的第一状态参数分布映射算法,将初始数据点序列和二次数据点序列映射为电站的第一能源状态参数分布图;
获取储能电站的温度媒介数据的多个三次数据点,以及储能电站的电量状态数据的多个四次数据点;
对三次数据点和四次数据点分别进行排序,形成三次数据点序列和四次数据点序列;
基于预设的第二状态参数分布映射算法,将三次数据点序列和四次数据点序列映射为电站的第二能源状态参数分布图。
可选的,在本发明第一方面的第二种实现方式中,所述基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标,包括:
计算第一能源状态参数分布图的第一标准残差值,并从第一能源状态参数分布图中提取多个第一数据分布节点;
基于预设的导数计算算法,计算各个第一数据分布节点的高阶导数,并将所述高阶导数与第一标准残差值进行比较;
从所述高阶导数大于第一标准残差值的第一数据分布节点中,提取出对应的第一数据特征点作为第一关键指标;
计算第二能源状态参数分布图的第二标准残差值,并从第二能源状态参数分布图中提取多个第二数据分布节点;
基于预设的线性回归算法,计算第二能源状态参数分布图的各个第二数据分布节点的高阶矩阵,并将所述高阶矩阵与第二标准残差值进行比较;
从所述高阶矩阵大于第二标准残差值的第二数据分布节点中,提取出对应的第二数据特征点作为第二关键指标。
可选的,在本发明第一方面的第三种实现方式中,所述能源需求预测模型的训练过程,包括:
收集样本能源状态参数,并将样本能源状态参数输入至一个预设的能源需求预测网络模型中;其中所述样本能源状态参数包括电压数据、电流数据、温度数据和电量数据,所述预设的能源需求预测网络模型包括电能消耗分析子模型、频率检测子模型、输出功率响应速度分析子模型及能源效率分析子模型;
基于电能消耗分析子模型,解析样本能源状态参数,确定储能电站的实际电能消耗模式,并与预设的电能消耗模式基准进行比对,输出电能消耗的偏离度;
基于频率检测子模型,解析样本能源状态参数,确定储能电站的电频率,并输出相应的电频率级别;
基于输出功率响应速度分析子模型,解析样本能源状态参数,量化储能电站在电能输出过程中的响应速度,并输出储能电站响应速度指数;
基于能源效率分析子模型,解析样本能源状态参数,得到储能电站在电能输出过程中的能源效率,并输出能源效率的指标;
从样本能源状态参数中提取预先标定的基准能源状态标签,基于预设的能源需求预测网络模型中各个子模型的输出与预先标定的基准能源状态标签,计算各个子模型的输出与预先标定之间的误差;其中,基准能源状态标签包括偏离度标签、电频率级别标签、响应速度指数标签、能源效率的指标标签;
基于预设的优化算法对能源需求预测模型进行参数调整,最小化所述误差,训练得到能源需求预测模型。
可选的,在本发明第一方面的第四种实现方式中,所述得到目标储能电站的能源需求数据之后,包括:
对所述目标储能电站的能源需求数据进行特征提取,得到对应的标识字符组合;
根据所述标识字符组合,在数据库中匹配对应的字符分割规则;其中,数据库中存储有标识字符组合与字符分割规则的映射关系;
基于匹配出的所述字符分割规则对所述标识字符组合进行分割,得到多个子标识字符组合;
从多个子标识字符组合中识别出指定位置上包含第一字符的第一标识字符组合,作为第一子数据包;
从多个子标识字符组合中识别出指定位置上不包含第一字符的第二标识字符组合,作为第二子数据包;
自动产生多个随机乱码数据,将随机乱码数据与第一子数据包和第二子数据包进行随机排序,形成混合数据流;
按照预定的时间间隔,依次发送混合数据流中的每一个数据包,同时在发送第一子数据包和第二子数据包时,发送一个特殊的同步信号;
在接收端,持续接收发送方发送的所有数据包;在接收时,若接收到特殊的同步信号,则将同步信号对应的数据包保留,若未接收到同步信号,对应的数据包则舍弃;
将在预设时间段内接收到的第一子数据包和第二子数据包,根据预定的组合规则进行合并处理,最终得到加密的目标储能电站的能源需求数据。
本发明第二方面提供了一种用于储能电站的能源需求预测系统,所述用于储能电站的能源需求预测系统包括:
所述用于储能电站的能源需求预测系统包括:
获取模块,用于获取储能电站中的关键能源数据;其中,所述关键能源数据至少包括电压数据、电流数据、温度媒介数据和储能容量数据;
构建模块,用于通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图;
提取模块,用于基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标;
向量构建模块,用于根据所述第一关键指标和所述第二关键指标构建所述储能电站的能源状态向量;
曲线生成模块,用于将所述能源状态向量输入训练后的能源需求预测模型,得到所述储能电站的能源需求预测曲线;其中,所述能源需求预测模型经过提前训练得到;
预测模块,用于基于生成的储能电站的能源需求预测曲线,对目标储能电站的能源需求进行预测,得到目标储能电站的能源需求数据。
本发明第三方面提供了一种用于储能电站的能源需求预测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述用于储能电站的能源需求预测设备执行上述的用于储能电站的能源需求预测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的用于储能电站的能源需求预测方法。
本发明提供的技术方案中,有益效果:本发明提供一种用于储能电站的能源需求预测方法及系统,通过获取储能电站中的关键能源数据;通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图;
基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标;根据所述第一关键指标和所述第二关键指标构建所述储能电站的能源状态向量;将所述能源状态向量输入训练后的能源需求预测模型,得到所述储能电站的能源需求预测曲线;基于生成的储能电站的能源需求预测曲线,对目标储能电站的能源需求进行预测,得到目标储能电站的能源需求数据。本发明通过集成电压、电流、温度媒介及储能容量等多元素数据,并结合预设的分析函数作为预测模型的输入,能更准确地捕获和反映储能电站的实际运行状态,并据此进行更准确的能源需求预测。引入了温度媒介数据,增加了预测维度,使得能源需求预测更全面,有助于提升预测的精确度和可靠性。准确的能源需求预测结果帮助储能电站更合理地调配各类能源设备,避免设备过载或空转,从而延长设备的使用寿命,降低维护成本。
附图说明
图1为本发明实施例中用于储能电站的能源需求预测方法的一个实施例示意图;
图2为本发明实施例中用于储能电站的能源需求预测系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种用于储能电站的能源需求预测方法及系统。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于所述过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中用于储能电站的能源需求预测方法的一个实施例包括:
步骤101、获取储能电站中的关键能源数据;其中,所述关键能源数据至少包括电压数据、电流数据、温度媒介数据和储能容量数据;
可以理解的是,本发明的执行主体可以为用于储能电站的能源需求预测系统,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,设备连接与配置:将储能电站中的电压、电流、温度媒介和储能容量传感器与监测设备进行连接,并进行相应的配置,以确保传感器正常采集数据。
数据采集与传输:通过监测设备对传感器进行数据采集,并将采集到的数据通过网络或无线通信传输至数据接收端。在数据采集过程中,确保数据的准确性和实时性。
数据接收与处理:在数据接收端,建立接收程序用于接收、解析和处理传输过来的储能电站数据。数据接收端可以是一个服务器或者特定的计算设备。
数据存储与管理:将接收到的储能电站数据存储到数据库或其他存储介质中,以便后续查询和分析。对存储数据进行管理,包括数据归档、备份和可靠性保证。
数据分析与处理:使用专业的数据分析工具和算法对储能电站数据进行处理和分析,提取关键能源数据。例如,对电压和电流数据进行滤波、去噪,对温度媒介数据进行校准和计算,对储能容量数据进行计算和统计等。
步骤102、通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图;
具体的,具体实现步骤102通过获取的电压数据和电流数据构建储能电站的第一能源状态参数分布图包括以下步骤:
数据预处理:对获取的电压和电流数据进行预处理,包括数据滤波、去噪、异常值处理等,确保数据的可靠性和准确性。
参数提取:根据电压和电流数据,计算或提取出储能电站的关键能源状态参数,例如功率、电能、功率因数等。其中,功率可以通过电压和电流的乘积计算而得。功率因数则是通过计算有功功率与视在功率的比例而得。
数据分析与建模:利用提取的能源状态参数,对储能电站的能源状态进行分析与建模。可以使用统计学方法、机器学习算法或专业模型来建立能源状态的分布图。
能源状态分布图生成:根据分析和建模结果,将储能电站的能源状态参数与相应的频次进行关联,构建能源状态参数分布图。可以使用直方图、密度曲线、热力图等方式进行可视化展示。
而根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图的步骤如下:
数据预处理:对获取的温度媒介数据进行预处理,包括数据滤波、去噪、异常值处理等,确保数据的可靠性和准确性。同时对储能容量数据进行预处理,例如去除异常值、离群点等。
参数提取:根据温度媒介数据和储能容量数据,计算或提取出储能电站的关键能源状态参数,例如温度变化、储能容量利用率等。
数据分析与建模:利用提取的能源状态参数,对储能 电站的能源状态进行分析与建模。可以使用统计学方法、机器学习算法或专业模型来建立能源状态的分布图。
能源状态分布图生成:根据分析和建模结果,将储能电站的能源状态参数与相应的频次进行关联,构建能源状态参数分布图。可以使用直方图、密度曲线、热力图等方式进行可视化展示。
步骤103、基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标;
具体的,具体实现步骤103基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标的步骤如下:
定义第一能源状态参数分布图的区间:根据第一能源状态参数的取值范围,将其分为若干个区间,每个区间代表一个能源状态范围。
定义第一关键指标的计算方法:根据储能电站的需求和设定的目标,确定需要提取的第一关键指标,并定义相应的计算方法。例如,可以提取平均功率、峰值功率、功率因数等指标。
第一图像分析函数设计:根据第一关键指标的计算需求,设计相应的图像分析函数。所述函数可以基于统计学方法、数学模型或者专业算法。例如,可以设计函数来计算区间内参数值的平均值、峰值等。
分布图分析:根据第一图像分析函数,对第一能源状态参数分布图进行分析。遍历每个区间,使用图像分析函数计算区间内的第一关键指标。
提取第一关键指标:根据计算得出的结果,提取出多个第一关键指标。所述关键指标可以作为储能电站的重要参考数据,用于监测和评估电站的运行状态。
基于预设的第二图像分析函数从第二能源状态参数分布图中提取多个第二关键指标的步骤如下:
定义第二能源状态参数分布图的区间:根据第二能源状态参数的取值范围,将其分为若干个区间,每个区间代表一个能源状态范围。
定义第二关键指标的计算方法:根据储备电站的需求和设定的目标,确定需要提取的第二关键指标,并定义相应的计算方法。例如,可以提取温度变化幅度、储能容量利用率等指标。
第二图像分析函数设计:根据第二关键指标的计算需求,设计相应的图像分析函数。所述函数可以基于统计学方法、数学模型或者专业算法。例如,可以设计函数来计算区间内参数值的变化幅度、平均值等。
分布图分析:根据第二图像分析函数,对第二能源状态参数分布图进行分析。遍历每个区间,使用图像分析函数计算区间内的第二关键指标。
提取第二关键指标:根据计算得出的结果,提取出多个第二关键指标。所述关键指标可以用于评估储能电站的温度管理、储能容量利用状况等重要信息。
步骤104、根据所述第一关键指标和所述第二关键指标构建所述储能电站的能源状态向量;
具体的,具体实现步骤104根据所述第一关键指标和所述第二关键指标构建所述储能电站的能源状态向量的步骤如下:
定义能源状态向量:能源状态向量是一个包含多个能源状态指标的向量,用于表示储能电站的能源状态。根据储能电站的需求和设计,确定需要包含哪些关键指标并定义能源状态向量的维度。
提取第一关键指标:根据之前提取的第一关键指标,计算出对应的数值。例如,如果第一关键指标是平均功率,那么可以将平均功率作为能源状态向量的一个分量。
提取第二关键指标:根据之前提取的第二关键指标,计算出对应的数值。例如,如果第二关键指标是温度变化幅度,那么可以将温度变化幅度作为能源状态向量的另一个分量。
构建能源状态向量:将提取的第一关键指标和第二关键指标的数值按照一定的顺序组合起来,构建储能电站的能源状态向量。每个分量代表一个能源状态指标的数值。
步骤105、将所述能源状态向量输入训练后的能源需求预测模型,得到所述储能电站的能源需求预测曲线;其中,所述能源需求预测模型经过提前训练得到;
具体的,具体实现步骤105将所述能源状态向量输入训练后的能源需求预测模型,得到所述储能电站的能源需求预测曲线的步骤如下:
定义能源需求预测模型:能源需求预测模型是一个经过训练的模型,通过输入储能电站的能源状态向量来预测未来的能源需求。根据储能电站的需求和技术要求,选择适合的预测模型进行训练。常用的模型包括神经网络模型、支持向量机模型、时间序列模型等。
进行模型训练:使用已有的能源需求数据和对应的能源状态向量作为训练样本,对能源需求预测模型进行训练。在训练过程中,通过优化模型参数来提高模型的预测准确性。例如,可以使用梯度下降算法来最小化预测误差。
输入能源状态向量:将储能电站的当前能源状态向量输入到经过训练的能源需求预测模型中。
进行能源需求预测:使用输入的能源状态向量作为模型输入,通过模型推理或计算,得到对应的能源需求预测结果。预测结果可以是单个数值,表示储能电站未来一段时间内的能源需求,也可以是时间序列数据,表示能源需求的变化趋势。
步骤106、基于生成的储能电站的能源需求预测曲线,对目标储能电站的能源需求进行预测,得到目标储能电站的能源需求数据。
具体的,具体实现步骤106基于生成的储能电站的能源需求预测曲线,对目标储能电站的能源需求进行预测,得到目标储能电站的能源需求数据的步骤如下:
获取目标储能电站的相关信息:包括储能电站的技术规格、运营条件、输入能源状态向量等。
导入能源需求预测模型:将训练好的能源需求预测模型导入到预测系统中。这个模型已经训练过并具有预测能源需求的能力。
输入目标储能电站的能源状态向量:根据目标储能电站的当前能源状态,生成相应的能源状态向量。
基于能源需求预测曲线进行预测:将生成的能源状态向量输入到能源需求预测模型中,进行能源需求预测。预测模型将根据储能电站的能源状态,结合先前训练的数据,给出对未来能源需求的预测结果。
得到目标储能电站的能源需求数据:根据预测模型的输出,得到目标储能电站的能源需求数据。所述数据包括能源需求的数值、时间序列和预测置信度等。
本发明实施例中用于储能电站的能源需求预测方法的另一个实施例包括:
所述通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图,包括:
获取储能电站的电压数据的多个初始数据点,以及获取储能电站的电流数据的多个二次数据点;
对获取的初始数据点和二次数据点分别进行排序,形成初始数据点序列和二次数据点序列;
基于预设的第一状态参数分布映射算法,将初始数据点序列和二次数据点序列映射为电站的第一能源状态参数分布图;
获取储能电站的温度媒介数据的多个三次数据点,以及储能电站的电量状态数据的多个四次数据点;
对三次数据点和四次数据点分别进行排序,形成三次数据点序列和四次数据点序列;
基于预设的第二状态参数分布映射算法,将三次数据点序列和四次数据点序列映射为电站的第二能源状态参数分布图。
具体的,具体实现步骤如下:
获取储能电站的电压数据和电流数据:通过传感器或监测设备获取储能电站的电压和电流数据。所述数据包括储能电站的各个电压点和电流点的实时测量值。
构建第一能源状态参数分布图:从获取的电压数据中选择多个初始数据点。初始数据点代表了不同的电压工作范围。同样地,从电流数据中选择多个二次数据点,二次数据点可能代表电流的不同变化情况。
对初始数据点和二次数据点进行排序:根据电压值将初始数据点从小到大进行排序,形成初始数据点序列。根据电流值将二次数据点从小到大进行排序,形成二次数据点序列。
进行第一状态参数分布映射:根据预设的第一状态参数分布映射算法,将初始数据点序列和二次数据点序列映射为储能电站的第一能源状态参数分布图。这个分布图展示了储能电站在不同电压和电流工作条件下的能源状态。
获取储能电站的温度媒介数据和储能容量数据:通过传感器或监测设备获取储能电站的温度媒介数据和电量状态数据。温度媒介数据代表了储能电站运行过程中的温度变化情况,而电量状态数据代表了储能电站的储能容量使用情况。
构建第二能源状态参数分布图:从获取的温度媒介数据中选择多个三次数据点。三次数据点可能代表了储能电站在不同温度媒介环境下的热力学变化情况。同时,从电量状态数据中选择多个四次数据点,四次数据点可能代表了储能电站在不同储能容量状态下的能量变化情况。
对三次数据点和四次数据点进行排序:根据温度值将三次数据点从小到大进行排序,形成三次数据点序列。根据储能容量值将四次数据点从小到大进行排序,形成四次数据点序列。
进行第二状态参数分布映射:根据预设的第二状态参数分布映射算法,将三次数据点序列和四次数据点序列映射为储能电站的第二能源状态参数分布图。这个分布图展示了储能电站在不同温度媒介和储能容量状态下的能源状态变化情况。
所述基于预设的第一状态参数分布映射算法,将初始数据点序列和二次数据点序列映射为电站的第一能源状态参数分布图,具体的实现步骤如下:
定义状态参数:首先,定义储能电站的第一能源状态参数。例如,可以将电压和电流作为第一能源状态参数。
确定分布映射函数:根据储能电站的实际情况和需求,确定合适的分布映射函数。这个函数可以是线性函数、非线性函数或其他特定形式。
根据初始数据点和二次数据点序列,使用分布映射函数将每个数据点映射到对应的第一能源状态参数值。例如,对于电压数据,可以使用线性函数将数据点映射到一维的电压轴上,得到每个数据点对应的电压值。
基于映射后的数据点,绘制储能电站的第一能源状态参数分布图。这个分布图可以是二维图或其他适合表示第一能源状态参数的图形。
所述基于预设的第二状态参数分布映射算法,将三次数据点序列和四次数据点序列映射为电站的第二能源状态参数分布图,具体的实现步骤如下:
定义状态参数:首先,定义储能电站的第二能源状态参数。例如,可以将温度和储能容量作为第二能源状态参数。
确定分布映射函数:根据储能电站的实际情况和需求,确定合适的分布映射函数。这个函数可以是线性函数、非线性函数或其他特定形式。
根据三次数据点和四次数据点序列,使用分布映射函数将每个数据点映射到对应的第二能源状态参数值。例如,对于温度媒介数据,可以使用指数函数将数据点映射到一维的温度轴上,得到每个数据点对应的温度值。
基于映射后的数据点,绘制储能电站的第二能源状态参数分布图。这个分布图可以是二维图或其他适合表示第二能源状态参数的图形。
可以选择不同的分布映射函数,例如使用多项式函数、指数函数或神经网络等。此外,还可以根据实际情况添加更多的状态参数或利用聚类算法对数据点进行分类和映射。
本发明实施例中用于储能电站的能源需求预测方法的另一个实施例包括:
所述基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标,包括:
计算第一能源状态参数分布图的第一标准残差值,并从第一能源状态参数分布图中提取多个第一数据分布节点;
基于预设的导数计算算法,计算各个第一数据分布节点的高阶导数,并将所述高阶导数与第一标准残差值进行比较;
从所述高阶导数大于第一标准残差值的第一数据分布节点中,提取出对应的第一数据特征点作为第一关键指标;
计算第二能源状态参数分布图的第二标准残差值,并从第二能源状态参数分布图中提取多个第二数据分布节点;
基于预设的线性回归算法,计算第二能源状态参数分布图的各个第二数据分布节点的高阶矩阵,并将所述高阶矩阵与第二标准残差值进行比较;
从所述高阶矩阵大于第二标准残差值的第二数据分布节点中,提取出对应的第二数据特征点作为第二关键指标。
具体的,基于预设的第一图像分析函数的具体实现如下:
计算第一能源状态参数分布图的第一标准残差值:通过对第一能源状态参数分布图中的数据进行统计和分析,计算第一标准残差值。该标准残差值可以是噪声水平或其他预设的误差范围。
提取第一数据分布节点:对第一能源状态参数分布图进行图像处理,以提取出多个第一数据分布节点。所述节点可以表示能源状态参数分布图中的特定区域或数据聚集点。
基于预设的导数计算算法:对于每个第一数据分布节点,使用预设的导数计算算法,计算其高阶导数。高阶导数反映了数据点在该节点附近的变化趋势的进一步细节和特征。
比较高阶导数和第一标准残差值:将计算得到的高阶导数与第一标准残差值进行比较。通过比较,可以筛选出高阶导数大于第一标准残差值的第一数据分布节点。
提取第一数据特征点:从满足条件的第一数据分布节点中,提取出对应的第一数据特征点作为第一关键指标。所述特征点可以是局部极值、拐点或其他反映能源状态参数分布图特征的数据点。
基于预设的第二图像分析函数的具体实现如下:
计算第二能源状态参数分布图的第二标准残差值:通过对第二能源状态参数分布图中的数据进行统计和分析,计算第二标准残差值。该标准残差值可以表示期望的误差范围或其他预设的阈值。
提取第二数据分布节点:对第二能源状态参数分布图进行图像处理,以提取出多个第二数据分布节点。所述节点可以代表能源状态参数分布图中的特定区域或数据聚集点。
基于预设的线性回归算法:对于每个第二数据分布节点,使用预设的线性回归算法计算其高阶矩阵。高阶矩阵反映了数据点在该节点附近的曲率和其他进一步细节特征。
比较高阶矩阵和第二标准残差值:将计算得到的高阶矩阵与第二标准残差值进行比较。通过比较,可以筛选出高阶矩阵大于第二标准残差值的第二数据分布节点。
提取第二数据特征点:从满足条件的第二数据分布节点中,提取出对应的第二数据特征点作为第二关键指标。所述特征点可以是曲率变化的区间、拐点或其他表示能源状态参数分布图特征的数据点。
本发明实施例中用于储能电站的能源需求预测方法的另一个实施例包括:
所述能源需求预测模型的训练过程,包括:
收集样本能源状态参数,并将样本能源状态参数输入至一个预设的能源需求预测网络模型中;其中所述样本能源状态参数包括电压数据、电流数据、温度数据和电量数据,所述预设的能源需求预测网络模型包括电能消耗分析子模型、频率检测子模型、输出功率响应速度分析子模型及能源效率分析子模型;
基于电能消耗分析子模型,解析样本能源状态参数,确定储能电站的实际电能消耗模式,并与预设的电能消耗模式基准进行比对,输出电能消耗的偏离度;
基于频率检测子模型,解析样本能源状态参数,确定储能电站的电频率,并输出相应的电频率级别;
基于输出功率响应速度分析子模型,解析样本能源状态参数,量化储能电站在电能输出过程中的响应速度,并输出储能电站响应速度指数;
基于能源效率分析子模型,解析样本能源状态参数,得到储能电站在电能输出过程中的能源效率,并输出能源效率的指标;
从样本能源状态参数中提取预先标定的基准能源状态标签,基于预设的能源需求预测网络模型中各个子模型的输出与预先标定的基准能源状态标签,计算各个子模型的输出与预先标定之间的误差;其中,基准能源状态标签包括偏离度标签、电频率级别标签、响应速度指数标签、能源效率的指标标签;
基于预设的优化算法对能源需求预测模型进行参数调整,最小化所述误差,训练得到能源需求预测模型。
具体的,在本实施例中,采用深度学习模型如卷积神经网络(ConvolutionalNeural Network, CNN)和循环神经网络(Recurrent Neural Network, RNN)来构建能源需求预测网络模型。
对于电能消耗分析子模型,使用卷积神经网络结构来提取电能消耗模式的特征。通过将电压数据、电流数据和温度数据作为输入,经过一系列卷积层、池化层和全连接层的处理,最后输出电能消耗分析子模型的结果。
针对频率检测子模型,使用循环神经网络结构,如长短期记忆网络(Long Short-Term Memory, LSTM)或门控循环单元(Gated Recurrent Unit, GRU),来分析时间序列的电频率数据。通过对电频率数据进行序列建模,模型可以捕捉到频率的长期依赖关系,并输出对应的电频率级别。
输出功率响应速度分析子模型采用卷积神经网络结构对电压数据、电流数据和电量数据进行处理。通过捕捉所述数据的时序特征,模型可以量化储能电站在电能输出过程中的响应速度,并输出储能电站响应速度指数。
对于能源效率分析子模型,使用循环神经网络来对电量数据进行建模和预测。模型学习电能输出过程中的能源效率变化,并输出能源效率的指标。
在训练过程中,使用梯度下降等优化算法来调整能源需求预测模型的参数。通过最小化模型的误差,可以提高模型的预测准确性和能力。
本发明实施例中用于储能电站的能源需求预测方法的另一个实施例包括:
所述得到目标储能电站的能源需求数据之后,包括:
对所述目标储能电站的能源需求数据进行特征提取,得到对应的标识字符组合;
根据所述标识字符组合,在数据库中匹配对应的字符分割规则;其中,数据库中存储有标识字符组合与字符分割规则的映射关系;
基于匹配出的所述字符分割规则对所述标识字符组合进行分割,得到多个子标识字符组合;
从多个子标识字符组合中识别出指定位置上包含第一字符的第一标识字符组合,作为第一子数据包;
从多个子标识字符组合中识别出指定位置上不包含第一字符的第二标识字符组合,作为第二子数据包;
自动产生多个随机乱码数据,将随机乱码数据与第一子数据包和第二子数据包进行随机排序,形成混合数据流;
按照预定的时间间隔,依次发送混合数据流中的每一个数据包,同时在发送第一子数据包和第二子数据包时,发送一个特殊的同步信号;
在接收端,持续接收发送方发送的所有数据包;在接收时,若接收到特殊的同步信号,则将同步信号对应的数据包保留,若未接收到同步信号,对应的数据包则舍弃;
将在预设时间段内接收到的第一子数据包和第二子数据包,根据预定的组合规则进行合并处理,最终得到加密的目标储能电站的能源需求数据。
具体的,本实施例的具体实现步骤如下:
特征提取:通过对目标储能电站的能源需求数据进行特征提取,可以使用信号处理方法来提取频域特征,例如使用傅里叶变换将能源需求数据转换为频域表示,并提取频域特征如频率、幅度等。
标识字符组合和字符分割规则:通过特征提取过程得到的特征,可以将其转换为标识字符组合。例如,将频域特征表示为字符组合。然后,在数据库中存储了与标识字符组合相关的字符分割规则的映射关系。所述规则可以定义如何将标识字符组合分割成多个子标识字符组合。
标识字符组合的分割:根据匹配的字符分割规则,对标识字符组合进行分割,得到多个子标识字符组合。例如,通过应用字符分割规则,将标识字符组合分割成两个子字符组合。
第一子数据包和第二子数据包的识别:在多个子标识字符组合中,识别包含第一字符的第一子标识字符组合以及不含第一字符的第二子标识字符组合。例如,通过确定字符组合中的特定位置,如第一个字符的位置,将其识别为第一子数据包;将不包含第一个字符的字符组合识别为第二子数据包。
随机乱码数据的创建和混合数据流的形成:为了增强数据安全性,可以生成多个随机乱码数据,并将其与第一子数据包和第二子数据包进行随机排序,以形成混合数据流。例如,可以使用随机数生成器生成随机乱码数据,并将其随机插入到第一子数据包和第二子数据包之间。
数据传输和同步信号:根据预定的时间间隔,依次发送混合数据流中的每个数据包。同时,在发送第一子数据包和第二子数据包时,发送一个特殊的同步信号。例如,在数据包传输过程中,通过网络传输将混合数据流发送给接收端,并在发送第一子数据包和第二子数据包时,附带一个特殊的同步信号。
接收和数据包合并:在接收端,持续接收发送方发送的所有数据包。在接收过程中,如果接收到特殊的同步信号,则保留该同步信号对应的数据包。如果未接收到同步信号,对应的数据包将被舍弃。例如,通过接收端的数据包缓存,根据接收到的同步信号来选择保留或舍弃数据包。
数据包合并和加密处理:根据预设的组合规则,在预设的时间段内接收到的第一子数据包和第二子数据包进行合并处理。根据合并后的数据包执行加密算法,以确保数据的安全性和机密性。例如,可以使用对称加密算法如AES来加密合并后的数据包。
上面对本发明实施例中用于储能电站的能源需求预测方法进行了描述,下面对本发明实施例中用于储能电站的能源需求预测系统进行描述,请参阅图2,本发明实施例中用于储能电站的能源需求预测系统一个实施例包括:
获取模块,用于获取储能电站中的关键能源数据;其中,所述关键能源数据至少包括电压数据、电流数据、温度媒介数据和储能容量数据;
构建模块,用于通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图;
提取模块,用于基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标;
向量构建模块,用于根据所述第一关键指标和所述第二关键指标构建所述储能电站的能源状态向量;
曲线生成模块,用于将所述能源状态向量输入训练后的能源需求预测模型,得到所述储能电站的能源需求预测曲线;其中,所述能源需求预测模型经过提前训练得到;
预测模块,用于基于生成的储能电站的能源需求预测曲线,对目标储能电站的能源需求进行预测,得到目标储能电站的能源需求数据。
本发明还提供一种用于储能电站的能源需求预测设备,所述用于储能电站的能源需求预测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述用于储能电站的能源需求预测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述用于储能电站的能源需求预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而所述修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种用于储能电站的能源需求预测方法,其特征在于,包括以下步骤:
获取储能电站中的关键能源数据;其中,所述关键能源数据至少包括电压数据、电流数据、温度媒介数据和储能容量数据;
通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图;
基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标;
根据所述第一关键指标和所述第二关键指标构建所述储能电站的能源状态向量;
将所述能源状态向量输入训练后的能源需求预测模型,得到所述储能电站的能源需求预测曲线;其中,所述能源需求预测模型经过提前训练得到;
基于生成的储能电站的能源需求预测曲线,对目标储能电站的能源需求进行预测,得到目标储能电站的能源需求数据;
所述能源需求预测模型的训练过程,包括:
收集样本能源状态参数,并将样本能源状态参数输入至一个预设的能源需求预测网络模型中;其中所述样本能源状态参数包括电压数据、电流数据、温度数据和电量数据,所述预设的能源需求预测网络模型包括电能消耗分析子模型、频率检测子模型、输出功率响应速度分析子模型及能源效率分析子模型;
基于电能消耗分析子模型,解析样本能源状态参数,确定储能电站的实际电能消耗模式,并与预设的电能消耗模式基准进行比对,输出电能消耗的偏离度;
基于频率检测子模型,解析样本能源状态参数,确定储能电站的电频率,并输出相应的电频率级别;
基于输出功率响应速度分析子模型,解析样本能源状态参数,量化储能电站在电能输出过程中的响应速度,并输出储能电站响应速度指数;
基于能源效率分析子模型,解析样本能源状态参数,得到储能电站在电能输出过程中的能源效率,并输出能源效率的指标;
从样本能源状态参数中提取预先标定的基准能源状态标签,基于预设的能源需求预测网络模型中各个子模型的输出与预先标定的基准能源状态标签,计算各个子模型的输出与预先标定之间的误差;其中,基准能源状态标签包括偏离度标签、电频率级别标签、响应速度指数标签、能源效率的指标标签;
基于预设的优化算法对能源需求预测模型进行参数调整,最小化所述误差,训练得到能源需求预测模型。
2.根据权利要求1所述的能源需求预测方法,其特征在于,所述通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图,包括:
获取储能电站的电压数据的多个初始数据点,以及获取储能电站的电流数据的多个二次数据点;
对获取的初始数据点和二次数据点分别进行排序,形成初始数据点序列和二次数据点序列;
基于预设的第一状态参数分布映射算法,将初始数据点序列和二次数据点序列映射为电站的第一能源状态参数分布图;
获取储能电站的温度媒介数据的多个三次数据点,以及储能电站的电量状态数据的多个四次数据点;
对三次数据点和四次数据点分别进行排序,形成三次数据点序列和四次数据点序列;
基于预设的第二状态参数分布映射算法,将三次数据点序列和四次数据点序列映射为电站的第二能源状态参数分布图。
3.根据权利要求1所述的能源需求预测方法,其特征在于,所述基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标,包括:
计算第一能源状态参数分布图的第一标准残差值,并从第一能源状态参数分布图中提取多个第一数据分布节点;
基于预设的导数计算算法,计算各个第一数据分布节点的高阶导数,并将所述高阶导数与第一标准残差值进行比较;
从所述高阶导数大于第一标准残差值的第一数据分布节点中,提取出对应的第一数据特征点作为第一关键指标;
计算第二能源状态参数分布图的第二标准残差值,并从第二能源状态参数分布图中提取多个第二数据分布节点;
基于预设的线性回归算法,计算第二能源状态参数分布图的各个第二数据分布节点的高阶矩阵,并将所述高阶矩阵与第二标准残差值进行比较;
从所述高阶矩阵大于第二标准残差值的第二数据分布节点中,提取出对应的第二数据特征点作为第二关键指标。
4.根据权利要求1所述的能源需求预测方法,其特征在于,所述得到目标储能电站的能源需求数据之后,包括:
对所述目标储能电站的能源需求数据进行特征提取,得到对应的标识字符组合;
根据所述标识字符组合,在数据库中匹配对应的字符分割规则;其中,数据库中存储有标识字符组合与字符分割规则的映射关系;
基于匹配出的所述字符分割规则对所述标识字符组合进行分割,得到多个子标识字符组合;
从多个子标识字符组合中识别出指定位置上包含第一字符的第一标识字符组合,作为第一子数据包;
从多个子标识字符组合中识别出指定位置上不包含第一字符的第二标识字符组合,作为第二子数据包;
自动产生多个随机乱码数据,将随机乱码数据与第一子数据包和第二子数据包进行随机排序,形成混合数据流;
按照预定的时间间隔,依次发送混合数据流中的每一个数据包,同时在发送第一子数据包和第二子数据包时,发送一个特殊的同步信号;
在接收端,持续接收发送方发送的所有数据包;在接收时,若接收到特殊的同步信号,则将同步信号对应的数据包保留,若未接收到同步信号,对应的数据包则舍弃;
将在预设时间段内接收到的第一子数据包和第二子数据包,根据预定的组合规则进行合并处理,最终得到加密的目标储能电站的能源需求数据。
5.一种用于储能电站的能源需求预测系统,其特征在于,所述用于储能电站的能源需求预测系统包括:
获取模块,用于获取储能电站中的关键能源数据;其中,所述关键能源数据至少包括电压数据、电流数据、温度媒介数据和储能容量数据;
构建模块,用于通过获取的电压数据和电流数据构建所述储能电站的第一能源状态参数分布图,并根据温度媒介数据和储能容量数据构建储能电站的第二能源状态参数分布图;
提取模块,用于基于预设的第一图像分析函数,从第一能源状态参数分布图中提取出多个第一关键指标,基于预设的第二图像分析函数,从第二能源状态参数分布图中提取多个第二关键指标;
向量构建模块,用于根据所述第一关键指标和所述第二关键指标构建所述储能电站的能源状态向量;
曲线生成模块,用于将所述能源状态向量输入训练后的能源需求预测模型,得到所述储能电站的能源需求预测曲线;其中,所述能源需求预测模型经过提前训练得到;
预测模块,用于基于生成的储能电站的能源需求预测曲线,对目标储能电站的能源需求进行预测,得到目标储能电站的能源需求数据;
所述能源需求预测模型的训练过程,包括:
收集样本能源状态参数,并将样本能源状态参数输入至一个预设的能源需求预测网络模型中;其中所述样本能源状态参数包括电压数据、电流数据、温度数据和电量数据,所述预设的能源需求预测网络模型包括电能消耗分析子模型、频率检测子模型、输出功率响应速度分析子模型及能源效率分析子模型;
基于电能消耗分析子模型,解析样本能源状态参数,确定储能电站的实际电能消耗模式,并与预设的电能消耗模式基准进行比对,输出电能消耗的偏离度;
基于频率检测子模型,解析样本能源状态参数,确定储能电站的电频率,并输出相应的电频率级别;
基于输出功率响应速度分析子模型,解析样本能源状态参数,量化储能电站在电能输出过程中的响应速度,并输出储能电站响应速度指数;
基于能源效率分析子模型,解析样本能源状态参数,得到储能电站在电能输出过程中的能源效率,并输出能源效率的指标;
从样本能源状态参数中提取预先标定的基准能源状态标签,基于预设的能源需求预测网络模型中各个子模型的输出与预先标定的基准能源状态标签,计算各个子模型的输出与预先标定之间的误差;其中,基准能源状态标签包括偏离度标签、电频率级别标签、响应速度指数标签、能源效率的指标标签;
基于预设的优化算法对能源需求预测模型进行参数调整,最小化所述误差,训练得到能源需求预测模型。
6.一种用于储能电站的能源需求预测设备,其特征在于,所述用于储能电站的能源需求预测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述用于储能电站的能源需求预测设备执行如权利要求1-4中任一项所述的用于储能电站的能源需求预测方法。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-4中任一项所述的用于储能电站的能源需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599024.9A CN117318053B (zh) | 2023-11-28 | 2023-11-28 | 用于储能电站的能源需求预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311599024.9A CN117318053B (zh) | 2023-11-28 | 2023-11-28 | 用于储能电站的能源需求预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117318053A CN117318053A (zh) | 2023-12-29 |
CN117318053B true CN117318053B (zh) | 2024-03-19 |
Family
ID=89285094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311599024.9A Active CN117318053B (zh) | 2023-11-28 | 2023-11-28 | 用于储能电站的能源需求预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117318053B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266423A (zh) * | 2022-03-03 | 2022-04-01 | 国网浙江省电力有限公司信息通信分公司 | 基于多模型的电力能源需求预测方法、装置及存储介质 |
CN116148679A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市伟创源科技有限公司 | 一种电池健康状态的预测方法及相关装置 |
CN116432238A (zh) * | 2023-06-05 | 2023-07-14 | 全中半导体(深圳)有限公司 | 数据存储方法、装置以及存储芯片 |
CN116553040A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市迈睿迈特环境科技有限公司 | 智能地埋式垃圾站的状态参数管理方法以及装置 |
CN116660759A (zh) * | 2023-07-28 | 2023-08-29 | 深圳凌奈智控有限公司 | 基于bms电池管理系统的电池寿命预测方法及装置 |
CN117077871A (zh) * | 2023-10-17 | 2023-11-17 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210151582A (ko) * | 2020-06-05 | 2021-12-14 | 삼성전자주식회사 | Ddi 칩 및 디스플레이 장치 |
-
2023
- 2023-11-28 CN CN202311599024.9A patent/CN117318053B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266423A (zh) * | 2022-03-03 | 2022-04-01 | 国网浙江省电力有限公司信息通信分公司 | 基于多模型的电力能源需求预测方法、装置及存储介质 |
CN116148679A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市伟创源科技有限公司 | 一种电池健康状态的预测方法及相关装置 |
CN116432238A (zh) * | 2023-06-05 | 2023-07-14 | 全中半导体(深圳)有限公司 | 数据存储方法、装置以及存储芯片 |
CN116553040A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市迈睿迈特环境科技有限公司 | 智能地埋式垃圾站的状态参数管理方法以及装置 |
CN116660759A (zh) * | 2023-07-28 | 2023-08-29 | 深圳凌奈智控有限公司 | 基于bms电池管理系统的电池寿命预测方法及装置 |
CN117077871A (zh) * | 2023-10-17 | 2023-11-17 | 山东理工昊明新能源有限公司 | 基于大数据的能源需求预测模型的构建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117318053A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113742387A (zh) | 数据处理方法、设备及计算机可读存储介质 | |
CN113822366A (zh) | 业务指标异常检测方法及装置、电子设备、存储介质 | |
CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
CN114297036A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
JP2023504103A (ja) | モデル更新システム、モデル更新方法及び関連装置 | |
CN111199493A (zh) | 一种基于客户缴费信息及征信信息的欠费风险识别方法 | |
CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
CN114648235A (zh) | 一种基于数据画像的工业数据质量量化分析报告生成方法 | |
CN117436846B (zh) | 基于神经网络的设备预测性维护方法及系统 | |
CN113067724B (zh) | 基于随机森林的周期性流量预测方法 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
CN117318053B (zh) | 用于储能电站的能源需求预测方法及系统 | |
CN113726558A (zh) | 基于随机森林算法的网络设备流量预测系统 | |
CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
CN116681186A (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN114518988B (zh) | 资源容量系统及其控制方法和计算机可读存储介质 | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
CN116126807A (zh) | 一种日志分析方法及相关装置 | |
CN115941807A (zh) | 一种园区安防系统数据高效压缩方法 | |
CN113535458B (zh) | 异常误报的处理方法及装置、存储介质、终端 | |
CN115599842A (zh) | 一种基于神经网络方法的时间序列预测系统 | |
Mascali et al. | Synthetic ground truth generation of an electricity consumption dataset |
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 |