CN117390404B - 一种物联网护栏的能量储存控制方法 - Google Patents
一种物联网护栏的能量储存控制方法 Download PDFInfo
- Publication number
- CN117390404B CN117390404B CN202311696267.4A CN202311696267A CN117390404B CN 117390404 B CN117390404 B CN 117390404B CN 202311696267 A CN202311696267 A CN 202311696267A CN 117390404 B CN117390404 B CN 117390404B
- Authority
- CN
- China
- Prior art keywords
- energy
- data
- energy storage
- equipment
- generate
- 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 326
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005265 energy consumption Methods 0.000 claims abstract description 158
- 238000012545 processing Methods 0.000 claims abstract description 137
- 230000007613 environmental effect Effects 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 230000008447 perception Effects 0.000 claims abstract description 7
- 238000001228 spectrum Methods 0.000 claims description 107
- 230000002159 abnormal effect Effects 0.000 claims description 79
- 238000009826 distribution Methods 0.000 claims description 74
- 238000004458 analytical method Methods 0.000 claims description 63
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 238000005457 optimization Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000000547 structure data Methods 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 22
- 238000004891 communication Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 18
- 230000008901 benefit Effects 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 4
- 238000009472 formulation Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000013439 planning Methods 0.000 claims description 4
- 231100000279 safety data Toxicity 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 25
- 230000008859 change Effects 0.000 description 17
- 230000001105 regulatory effect Effects 0.000 description 12
- 238000007726 management method Methods 0.000 description 11
- 230000004888 barrier function Effects 0.000 description 8
- 230000005611 electricity Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000035772 mutation Effects 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 239000003990 capacitor Substances 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 238000007906 compression Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及能源储存技术领域，尤其涉及一种物联网护栏的能量储存控制方法。所述方法包括以下步骤：对护栏设备进行环境感知处理，生成环境感知数据；根据环境感知数据进行实时环境能量采集，得到微能量采集数据；对微能量采集数据进行环境能源评估，得到环境潜在产能数据；通过环境潜在产能数据对护栏设备进行储能节点处理，并进行节点能量状态监测，生成节点能量状态数据；对护栏设备进行情境能量调整，生成动态能量调整数据；利用节点能量状态数据对动态能量调整数据进行节点协同控制处理，得到能量储能控制数据；根据能量储能控制数据进行自适应能耗处理，得到自适应工作能耗策略。本发明通过动态能量调整实现物联网护栏的智能控制能量储存。
Description
技术领域
本发明涉及能源储存技术领域，尤其涉及一种物联网护栏的能量储存控制方法。
背景技术
随着物联网的发展，人们对于实时监控和远程管理的需求增加。利用物联网技术来实现对护栏上的太阳能电池、风力发电机等能量采集设备的智能管理和控制，使得护栏能够自主地为自身的传感器、监控设备、报警设备等提供稳定的电源，同时也能将多余的电能输送到电网或储能装置中，实现能量的有效利用和节约。然而，传统物联网护栏的能量储存控制方法可能缺乏智能性，难以适应复杂的环境变化，导致系统对于周围环境的变化响应不足，难以对异常情况的快速判断和处理的能力受限。传统方法的能量分配没有考虑不同设备的能量需求和优先级，导致能量分配不合理，影响能量的动态平衡。
发明内容
基于此，本发明提供一种物联网护栏的能量储存控制方法，以解决至少一个上述技术问题。
为实现上述目的，一种物联网护栏的能量储存控制方法，包括以下步骤：
步骤S1：对护栏设备进行环境感知处理，生成环境感知数据；根据环境感知数据进行实时环境能量采集，从而得到微能量采集数据，其中微能量采集数据包括风能采集数据、光能采集数据及声能采集数据；
步骤S2：对微能量采集数据进行能量谱特征分析，生成微能量谱特征数据；根据微能量谱特征数据进行环境能源评估，得到环境潜在产能数据；
步骤S3：通过环境潜在产能数据对护栏设备进行储能节点处理，得到储能节点分布图；根据储能节点分布图进行节点能量状态监测，生成节点能量状态数据；
步骤S4：对护栏设备进行实时设备运行监测以及实时环境感知处理，分别生成设备运行状态数据以及实时环境数据；根据设备运行状态数据以及实时环境数据进行情境能量调整，生成动态能量调整数据；利用节点能量状态数据对动态能量调整数据进行节点协同控制处理，从而得到能量储能控制数据；
步骤S5：根据能量储能控制数据进行节点能量供给处理，得到能量转换效率数据；根据能量转换效率数据进行能耗设备评估以及能耗特性分析，生成能耗特性数据；利用能耗特性数据对护栏设备进行自适应能耗处理，得到自适应工作能耗策略。
本发明对护栏设备进行环境感知处理，可以根据环境的变化调整能量收集的策略，提高能量收集的效率和稳定性。然后，根据环境感知数据进行实时环境能量采集，可以利用环境中的可再生能源，如微能量可以为太阳能、风能等，为护栏设备提供无线、无污染、无维护的电源，延长设备的使用寿命，降低设备的运行成本。例如，护栏设备上设置有太阳能电板以收集太阳能/光能，例如护栏设备上设置有风力发电机以收集风能，护栏设备上设置多孔谐振腔声能收集器对声能进行收集。对微能量采集数据进行能量谱特征分析，可以对不同类型和强度的能量进行分类和识别，优化能量的转换和储存过程，减少能量的损耗和浪费。根据微能量谱特征数据进行环境能源评估，可以预测环境中的能量供需状况，制定合理的能量分配和调节方案，保证能量的动态平衡。根据不同设备的能量需求和优先级，确定储能节点的位置和数量，实现能量的分布式储存，提高能量的安全性和可靠性。根据储能节点分布图进行节点能量状态监测，可以实时监测每个节点的能量储存量和消耗量，及时发现和处理能量异常和故障，保证设备的正常运行。根据设备的功能和状态，以及环境的变化，动态调整能量的收集和储存策略，适应不同的工作情境，提高能量的利用效率和灵活性。根据不同的能量需求和供给，合理分配和调节能量的输出和输入，实现能量的最优化配置，提高能量的性能和质量。利用节点能量状态数据对动态能量调整数据进行节点协同控制处理，实现储能节点之间的协同和协调，形成一个能量储存控制网络，实现能量的智能管理和控制。根据不同设备的电压和电流要求，将储存的能量转换为合适的电能，实现能量的高效供给，满足设备的工作需要。分析和评估设备的能耗情况和能耗特点，找出能耗的主要来源和影响因素，优化设备的设计和参数，降低设备的能耗水平。根据设备的实际能耗情况，自动调节设备的工作模式和工作频率，实现能耗的自适应调节，节约能源，减少排放。因此，本发明的一种物联网护栏的能量储存控制方法考虑护栏设备的环境状态，根据不同的环境进行微能量采集，将采集的微能量进行能量谱特征分析，以预测环境中的能量供需关系，保证能量的动态平衡。同时考虑能量的分布式存储，实时监测每个节点的能量储存量和消耗量，并根据不同的能量需求和供给，合理分配和调节能量的输出和输入，以控制物联网护栏中能量智能储存。
优选地，步骤S1包括以下步骤：
步骤S11：对护栏设备进行环境感知处理，生成环境感知数据；
步骤S12：根据环境感知数据进行能量目标分析，得到微能量目标数据；
步骤S13：根据微能量目标数据进行能量收集设备获取，生成目标能量收集设备；
步骤S14：基于预设的能量监测策略利用目标能量收集设备对护栏设备进行监测设备集成，并通过物联网通信协议进行安全数据通信处理，得到能量采集结构；
步骤S15：获取护栏设备结构数据；通过护栏设备结构数据对能量采集结构进行集成优化处理，生成优化能量采集结构；
步骤S16：通过优化能量采集结构对护栏设备进行实时环境能量采集，从而得到微能量采集数据。
本发明对护栏设备进行环境感知处理，生成环境感知数据，这样可以根据环境的变化调整能量收集的策略，提高能量收集的效率和稳定性。然后，根据环境感知数据进行能量目标分析，得到微能量目标数据，这样可以确定护栏设备的能量需求和供给，制定合理的能量收集和储存方案，保证能量的动态平衡。根据微能量目标数据进行能量收集设备获取，生成目标能量收集设备，这样可以选择适合环境条件和能量目标的能量收集设备，如太阳能电池、风力发电机等，为护栏设备提供无线、无污染、无维护的电源，延长设备的使用寿命，降低设备的运行成本。然后，基于预设的能量监测策略利用目标能量收集设备对护栏设备进行监测设备集成，并通过物联网通信协议进行安全数据通信处理，得到能量采集结构，这样可以实现对能量收集设备的智能管理和控制，监测能量的收集和转换过程，传输能量的数据和信号，提高能量的安全性和可靠性。获取护栏设备结构数据，通过护栏设备结构数据对能量采集结构进行集成优化处理，生成优化能量采集结构，这样可以根据护栏设备的结构和功能，优化能量采集结构的位置和数量，实现能量的分布式收集，提高能量的利用效率和灵活性。然后，通过优化能量采集结构对护栏设备进行实时环境能量采集，从而得到微能量采集数据，这样可以利用环境中的可再生能源，如太阳能、风能等，为护栏设备提供持续稳定的电源，满足设备的工作需要。
优选地，步骤S2包括以下步骤：
步骤S21：利用数字滤波器对微能量采集数据进行数字信号降噪处理，生成降噪微能量数据；
步骤S22：对降噪微能量数据进行频域转换处理，生成微能量频谱数据；
步骤S23：根据微能量频谱数据进行能量谱特征分析，生成微能量谱特征数据；
步骤S24：对微能量谱特征数据进行时间频率分析，生成时频能量特征数据；
步骤S25：根据时频能量特征数据进行环境能源评估，得到环境潜在产能数据。
本发明利用数字滤波器对微能量采集数据进行数字信号降噪处理，这样可以去除环境噪声和干扰信号的影响，提高能量信号的质量和准确性。然后，对降噪微能量数据进行频域转换处理，将能量信号从时域转换到频域，方便进行能量谱的分析和处理，提高能量信号的可视化和可操作性。根据微能量频谱数据进行能量谱特征分析，对不同类型和强度的能量进行分类和识别，优化能量的转换和储存过程，减少能量的损耗和浪费。根据微能量谱特征数据进行时间频率分析，分析能量信号的时变特性和频率特性，预测能量信号的变化趋势和规律，制定合理的能量调节和控制策略，提高能量信号的稳定性和灵活性。根据时频能量特征数据进行环境能源评估，可以评估环境中的能量供需状况，确定环境中的最佳能源类型和数量，制定合理的能量分配和利用方案，保证能量的动态平衡和最优化配置，提高能量的性能和质量。
优选地，步骤S23包括以下步骤：
步骤S231：对微能量频谱数据进行频谱平滑处理，生成平滑微能量谱数据；
步骤S232：根据平滑微能量谱数据进行能量谱密度分析，生成能量谱分布数据；
步骤S233：根据能量谱分布数据进行频谱频带划分，生成微能量频带数据；
步骤S234：对微能量频带数据进行能量归一化处理，得到频带能量特性数据；
步骤S235：基于预设的异常识别阈值数据利用异常能量检测算法对频带能量特性数据进行异常能量识别，生成异常能量频率数据；
步骤S236：对异常能量频率数据进行异常能量成分处理，生成异常能量成分数据；
步骤S237：对频带能量特性数据进行能量统计处理，从而生成微能量谱特征数据。
本发明对微能量采集数据进行频谱平滑处理，生成平滑微能量谱数据，这样可以消除能量信号中的噪声和干扰，提高能量信号的清晰度和可信度。然后，根据平滑微能量谱数据进行能量谱密度分析，生成能量谱分布数据，这样可以计算能量信号在不同频率上的能量大小，反映能量信号的分布特征，优化能量信号的分解和重构过程，提高能量信号的分辨率和压缩率。根据能量谱分布数据进行频谱频带划分，生成微能量频带数据，这样可以将能量信号划分为不同的频带，根据不同频带的能量特性，确定能量信号的类型和强度，制定合理的能量转换和储存方案，提高能量信号的利用效率和灵活性。根据微能量频带数据进行能量归一化处理，得到频带能量特性数据，这样可以将不同频带的能量信号归一化到同一范围，消除能量信号的差异和偏差，提高能量信号的均匀性和稳定性。对频带能量特性数据进行异常能量识别，这样可以检测能量信号中的异常能量成分，如能量波动、能量突变等，及时发现和处理能量异常和故障，保证能量信号的正常运行。对能量信号的整体特征进行统计和分析，如能量均值、能量方差、能量峰值等，反映能量信号的统计特性，优化能量信号的表示和描述方式，提高能量信号的可视化和可操作性。利用异常能量检测算法对频带能量特性数据进行异常判断，将频带能量特性数据和预设的异常识别阈值数据输入到异常能量检测算法中，进行异常检测运算，检测数据中的异常能量成分，如能量波动、能量突变等，及时发现和处理能量异常和故障。对异常能量频率数据进行详细分析，确定异常的能量成分，进一步划分或峰值检测，以获得异常能量的详细信息。得到的异常能量成分数据将提供异常能量的具体特征。对频带能量特性数据进行统计处理，计算各频带的统计量，如均值、方差、偏度、峰度等。这些统计特征将形成微能量谱特征数据。
优选地，步骤S235中异常能量检测算法公式如下所示：
式中，表示为异常能量检测函数，/>表示为第/>个频带的能量值，/>表示为频带的序号，/>表示为第/>个频带的子频带的个数，/>表示为子频带的序号，/>表示为能量平滑系数，/>表示为第/>个频带的第/>个子频带的能量值，/>表示为异常识别阈值数据，/>表示为频带中最大频率，/>表示为第/>个频带中第/>个子频带的频率值，/>表示为第/>个频带的平均频率值，/>表示为第/>个频带的宽度。
本发明利用一种异常能量检测算法，该算法公式充分考虑了第个频带的能量值/>、频带的序号/>、第/>个频带的子频带的个数/>、子频带的序号/>、能量平滑系数/>、第/>个频带的第/>个子频带的能量值/>、异常识别阈值数据/>、频带中最大频率/>、第/>个频带中第/>个子频带的频率值/>、第/>个频带的平均频率值/>、第/>个频带的宽度/>以及函数之间的相互作用关系，以形成函数关系式：
即，，将时频域划分为多个频带，每个频带有一个能量值/>，一个平均频率值/>，一个宽度/>，和一个子频带的个数/>。对每个子频带的能量值进行平滑处理，使用作为平滑后的能量值，表示对能量值进行平滑处理，使得能量值在/>附近的变化更加平缓，而不是出现突变。这样可以避免因为噪声或者小波动而导致的误判。当/>接近/>时，这个式子项的值接近/>，表示该子频带的能量值与异常识别阈值数据相差不大，可能是正常的。当/>远离/>时，这个式子项的值接近0，表示该子频带的能量值与异常识别阈值数据相差很大，可能是异常的。当/>趋近于 0时，这个式子项的值越接近于一个阶跃函数，表示能量值在/>附近的变化越陡峭，越容易区分正常和异常。当/>有一个正的小值时，这个式子项的值会在/>附近有一个平滑的过渡，表示能量值在/>附近的变化越平缓，越容易忽略噪声或者小波动。式子项/>表示对频率值进行加权，使得频率值在/>附近的权重更大，而不是均匀分布。这样可以突出该频带的主要频率特征，而不是受到其他频率的干扰。最后对第/>个频带的所有子频带进行求和，这样可以考虑到该频带的整体能量分布，而不是只看单个子频带的能量值，从而实现频带异常能量的识别。
优选地，步骤S3包括以下步骤：
步骤S31：根据异常能量成分数据进行异常因素关联分析，生成异常能量因素数据；
步骤S32：通过异常能量因素数据以及优化能量采集结构对护栏设备进行储能节点处理，生成储能节点分布数据；
步骤S33：通过环境潜在产能数据以及储能节点分布数据进行节点数量规划，并进行储能单元设备集成，从而得到储能单元结构数据；
步骤S34：根据储能单元结构数据进行节点分布图生成，得到储能节点分布图；
步骤S35：通过储能节点分布图对储能单元结构数据进行协同调控处理，从而得到储能节点调控数据；
步骤S36：通过储能节点调控数据对微能量采集数据进行微能量存储处理，并进行节点能量状态监测，生成节点能量状态数据。
本发明根据异常能量成分数据进行异常因素关联分析，可以找出导致能量异常的原因和影响，如环境变化、设备故障、外部干扰等，为后续的能量调节和修复提供依据，提高能量的安全性和可靠性。然后，根据能量异常的位置和程度，确定储能节点的数量和位置，为能量的分布式储存提供方案，提高能量的利用效率和灵活性。根据环境中的能量供需状况，确定储能单元的类型和数量，如超级电容器、锂电池等，为能量的转换和储存提供设备，提高能量的性能和质量。然后，根据储能单元结构数据进行节点分布图生成，得到储能节点分布图，这样可以直观地显示储能节点的位置和状态，方便进行能量的监测和管理，提高能量的可视化和可操作性。根据能量的实时需求和供给，对储能节点进行智能的调节和控制，如能量的充放电、能量的分配和平衡等，保证能量的动态平衡和最优化配置，提高能量的稳定性和灵活性。对微能量采集数据进行微能量存储处理，可以利用储能节点对微能量采集数据进行有效的存储和利用，满足护栏设备的工作需要，同时对节点能量状态进行实时的监测和反馈，及时发现和处理能量异常和故障，保证能量的正常运行。
优选地，步骤S4包括以下步骤：
步骤S41：获取护栏设备的历史工作性能数据，其中历史工作性能数据包括历史工作模式数据、历史工作环境数据以及历史能量消耗数据；
步骤S42：对历史工作性能数据进行特征工程处理，生成历史工作特征数据；
步骤S43：利用预设的卷积神经网络模型对历史工作特征数据进行迁移学习，从而构建能量需求预测模型；
步骤S44：对护栏设备进行实时设备运行监测以及实时环境感知处理，分别生成设备运行状态数据以及实时环境数据；根据设备运行状态数据进行工作模式分析，生成实时工作模式数据；
步骤S45：通过能量需求预测模型对实时工作模式数据以及实时环境数据进行储能优先级调整，得到动态能量调整数据；
步骤S46：根据动态能量调整数据进行储能节点映射处理，生成节点储能需求数据；
步骤S47：利用节点能量状态数据对节点储能需求数据进行节点协同控制处理，从而得到能量储能控制数据。
本发明获取护栏设备的历史工作性能数据，历史工作环境数据反映了设备在不同环境条件下的运行情况，历史能量消耗数据则提供了设备能量利用的历史趋势。对历史工作性能数据进行特征工程处理，这有助于揭示隐藏在数据中的模式和趋势，为构建能量需求预测模型提供更有信息量的输入。通过迁移学习，系统能够更好地适应历史工作特征数据的模式，构建了一个强大的能量需求预测模型。这个模型的效果在于通过学习历史数据中的模式，能够更准确地预测未来的能量需求。实时监测与感知为系统提供了即时的设备运行状态数据和实时环境数据。工作模式分析生成的实时工作模式数据反映了设备当前的操作状态。这些实时数据为及时响应设备运行状态提供了关键信息。能量需求预测模型通过分析实时工作模式数据和实时环境数据，预测未来的能量需求。储能优先级调整的效果在于通过动态调整储能节点的优先级，确保系统在不同工作模式下有足够的能量储备，以便更好地应对未来的能量需求波动。动态能量调整数据用于优化储能节点的分配，确保每个节点能够根据优先级得到适当的能量储存。生成的节点储能需求数据包含了每个节点的储能需求信息。通过节点能量状态数据，系统实现了高效的节点协同控制，确保了能量的智能储存和分配。
优选地，步骤S45包括以下步骤：
步骤S451：将预设的时间周期进行交替时间段划分，生成交替时间段数据；
步骤S452：对实时环境数据进行场景识别处理，得到实时工作场景数据；
步骤S453：根据实时工作场景数据进行情境分类处理，生成实时工作情境数据；
步骤S454：利用能量需求预测模型对实时工作模式数据以及实时工作场景数据进行场景能量需求预测，生成场景能量需求数据；
步骤S455：通过实时工作模式数据对交替时间段数据以及实时工作情境数据进行能量功能模式处理，得到情境供能模式数据；
步骤S456：根据情境供能模式数据进行动态情境权重制定，生成情境分配权重数据；
步骤S457：利用能量储能控制算法对情境分配权重数据进行能量储能优化处理，生成目标储能优化数据；
步骤S458：根据目标储能优化数据进行峰谷平衡策略设计，并进行储能优先级调整，生成动态能量调整数据。
本发明通过合理地划分时间周期，使得每个交替时间段既不过长以致于失去实时性，也不过短导致频繁的切换。这有助于系统更好地适应不同的工作场景。交替时间段的划分使得系统能够更精准地捕捉不同场景下的能量需求变化，提高系统的响应速度和能量调整的准确性。场景识别使系统能够实时感知环境的变化，例如光照、温度等，可以更精准地了解当前工作环境的特征。由于场景识别是基于实时环境数据的，系统能够及时更新实时工作场景数据，确保它能够反映当前准确的场景信息。通过对工作场景进行分类，系统能够更细致地了解各种工作情境的特征和能量需求模式。利用模型，系统能够预测不同场景下的能量需求。将工作模式与实时工作情境数据融合，系统能够更好地理解不同模式下的能量需求特点。通过能量功能模式处理，系统生成了更加精细划分的情境供能模式数据，有助于更精准的能量分配。基于情境供能模式数据的分析，系统能够智能地调整情境权重，以更好地适应不同的工作情境。这有助于提高系统对不同能量需求模式的敏感性和准确性。通过动态权重制定，系统能够实时响应环境变化，确保在不同情境下实现最佳的能量分配。这增强了系统的鲁棒性和适应性。利用储能控制算法，系统对情境分配权重数据进行智能优化，确保在各个情境下能量储存的最佳化。这有助于系统更有效地利用可用的能源。基于目标储能优化数据，系统设计峰谷平衡策略，以平衡系统在高负荷和低负荷时段的能量需求。这有助于降低能量波动性，提高系统的稳定性。通过动态能量调整数据，系统能够实时地调整能量分配，适应不同工作情境和能量需求模式，提高了系统的适应性和灵活性。
优选地，步骤S457中的能量储能控制算法公式如下所示：
式中，表示为目标储能优化数据，/>表示为储能系统的充放电功率，/>表示为储能系统的最大充放电功率，/>表示为储能周期值，/>表示为储能时间值，/>表示为第一优化储能调节值，/>表示为情境优化函数，/>表示为第二优化储能调节值，/>表示为储能系统的节点能量充电成本，/>表示为第三优化储能调节值，/>表示为储能系统调整的放电收益数据，/>表示为情境分配权重数据，/>表示为实时工作模式数据。
本发明利用一种能量储能控制算法，该算法充分考虑了储能系统的充放电功率、储能系统的最大充放电功率/>、储能周期值/>、储能时间值/>、第一优化储能调节值/>、情境优化函数/>、第二优化储能调节值/>、储能系统的节点能量充电成本/>、第三优化储能调节值/>、储能系统调整的放电收益数据/>、情境分配权重数据/>、实时工作模式数据/>以及函数之间的相互作用关系，以形成函数关系式：
即，；
其中为/>，考虑储能系统在一定时间周期内的最大收益或最小成本，通过调整储能系统的充放电功率/>来达到。/>表示为储能系统的充放电功率，即储能系统在任意时刻/>的输入或输出功率。/>表示为储能系统的最大充放电功率，即储能系统的充放电能力的上限。/>表示为储能周期值，即储能系统的运行周期，通常为一天或一周。/>表示为储能时间值，即储能系统的运行时刻，通常为一小时或一刻钟。这些参数都是储能系统的基本属性或运行条件，需要根据实际情况确定。其次，/>表示为第一优化储能调节值，即储能系统参与情境优化的权重系数。/>表示为情境优化函数，即储能系统在不同时刻的运行效益或成本。这个函数的具体形式取决于储能系统的应用场景，例如平抑新能源出力波动、补偿功率预测误差、降低弃电率等。/>表示为情境分配权重数据，即不同情境的优先级或重要性。/>表示为实时工作模式数据，即储能系统的运行状态或模式，例如充电、放电或待机。这些参数都是储能系统的运行策略或目标。β表示为第二优化储能调节值，即储能系统充电成本的权重系数。/>表示为储能系统的节点能量充电成本，即储能系统在不同时刻的充电电价或费用。这个参数取决于电力市场的价格机制或政策，通常与电网的负荷水平或新能源的出力水平有关。/>表示为第三优化储能调节值，即储能系统放电收益的权重系数。/>表示为储能系统调整的放电收益数据，即储能系统在不同时刻的放电电价或收入。这个参数也取决于电力市场的价格机制或政策，通常与电网的负荷水平或新能源的出力水平有关。这些参数都是储能系统的经济性指标，需要根据市场环境或政策规定确定。式子项/>表示在储能系统的充放电功率满足一定范围的条件下，储能系统在一个运行周期内的最大收益或最小成本。表示储能系统的情境优化函数的一种可能的形式。这个函数的意义是根据储能系统的运行状态或模式/>，以及不同情境的优先级或重要性/>，计算储能系统在不同时刻的运行效益或成本。这个函数的形状是一个周期性的波形，可以反映储能系统的运行特点或需求。
优选地，步骤S5包括以下步骤：
步骤S51：根据能量储能控制数据进行节点能量供给计算，生成能量供给数据；
步骤S52：根据能量供给数据进行能量转换效率处理，生成能量转换效率数据；
步骤S53：通过护栏设备结构数据对能量转换效率数据进行能耗设备评估，得到能耗设备数据，其中能耗设备数据包括关键能耗设备数据以及非关键能耗设备数据；
步骤S54：通过情境供能模式数据对能耗设备数据进行能耗特性分析，生成能耗特性数据；
步骤S55：利用能耗特性数据对护栏设备进行自适应能耗处理，从而得到自适应工作能耗策略。
本发明根据能量储能控制数据进行节点能量供给计算，可以根据能量储能控制数据的指令，对储能节点进行能量的供给和分配，为护栏设备提供所需的电能，提高能量的利用效率和灵活性。根据能量供给数据的变化，对能量的转换过程进行效率的优化和调节，如降低能量的损耗和耗散，提高能量的性能和质量。通过护栏设备结构数据对能量转换效率数据进行能耗设备评估，得到能耗设备数据，其中能耗设备数据包括关键能耗设备数据以及非关键能耗设备数据，这样可以根据护栏设备结构数据的特点，对能量转换效率数据进行能耗设备的评估和分类，如确定哪些设备是关键能耗设备，如摄像头、报警器等，哪些设备是非关键能耗设备，如显示屏、灯光等，提高能耗的针对性和差异性。然后，通过情境供能模式数据对能耗设备数据进行能耗特性分析，这样可以根据情境供能模式数据的要求，对能耗设备数据进行能耗特性的分析和划分，如确定不同情境下的能耗优先级和能耗限制，提高能耗的适应性和灵敏性。利用能耗特性数据对护栏设备进行自适应能耗处理，这样可以利用能耗特性数据的指导，对护栏设备进行自适应能耗的处理和控制，如根据能耗优先级和能耗限制，对关键能耗设备和非关键能耗设备进行能耗的调节和节省，为护栏设备提供自适应工作能耗策略，提高能耗的稳定性和优化性。
附图说明
图1为本发明的物联网护栏的能量储存控制方法的步骤流程示意图。
图2为图1中步骤S2的详细实施步骤流程示意图。
图3为图1中步骤S4的详细实施步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的，请参阅图1至图3，本发明提供一种物联网护栏的能量储存控制方法，包括以下步骤：
步骤S1：对护栏设备进行环境感知处理，生成环境感知数据；根据环境感知数据进行实时环境能量采集，从而得到微能量采集数据，其中微能量采集数据包括风能采集数据、光能采集数据及声能采集数据；
步骤S2：对微能量采集数据进行能量谱特征分析，生成微能量谱特征数据；根据微能量谱特征数据进行环境能源评估，得到环境潜在产能数据；
步骤S3：通过环境潜在产能数据对护栏设备进行储能节点处理，得到储能节点分布图；根据储能节点分布图进行节点能量状态监测，生成节点能量状态数据；
步骤S4：对护栏设备进行实时设备运行监测以及实时环境感知处理，分别生成设备运行状态数据以及实时环境数据；根据设备运行状态数据以及实时环境数据进行情境能量调整，生成动态能量调整数据；利用节点能量状态数据对动态能量调整数据进行节点协同控制处理，从而得到能量储能控制数据；
步骤S5：根据能量储能控制数据进行节点能量供给处理，得到能量转换效率数据；根据能量转换效率数据进行能耗设备评估以及能耗特性分析，生成能耗特性数据；利用能耗特性数据对护栏设备进行自适应能耗处理，得到自适应工作能耗策略。
本发明对护栏设备进行环境感知处理，可以根据环境的变化调整能量收集的策略，提高能量收集的效率和稳定性。然后，根据环境感知数据进行实时环境能量采集，可以利用环境中的可再生能源，如微能量可以为太阳能、风能等，为护栏设备提供无线、无污染、无维护的电源，延长设备的使用寿命，降低设备的运行成本。例如，护栏设备上设置有太阳能电板以收集太阳能/光能，例如护栏设备上设置有风力发电机以收集风能，护栏设备上设置多孔谐振腔声能收集器对声能进行收集。对微能量采集数据进行能量谱特征分析，可以对不同类型和强度的能量进行分类和识别，优化能量的转换和储存过程，减少能量的损耗和浪费。根据微能量谱特征数据进行环境能源评估，可以预测环境中的能量供需状况，制定合理的能量分配和调节方案，保证能量的动态平衡。根据不同设备的能量需求和优先级，确定储能节点的位置和数量，实现能量的分布式储存，提高能量的安全性和可靠性。根据储能节点分布图进行节点能量状态监测，可以实时监测每个节点的能量储存量和消耗量，及时发现和处理能量异常和故障，保证设备的正常运行。根据设备的功能和状态，以及环境的变化，动态调整能量的收集和储存策略，适应不同的工作情境，提高能量的利用效率和灵活性。根据不同的能量需求和供给，合理分配和调节能量的输出和输入，实现能量的最优化配置，提高能量的性能和质量。利用节点能量状态数据对动态能量调整数据进行节点协同控制处理，实现储能节点之间的协同和协调，形成一个能量储存控制网络，实现能量的智能管理和控制。根据不同设备的电压和电流要求，将储存的能量转换为合适的电能，实现能量的高效供给，满足设备的工作需要。分析和评估设备的能耗情况和能耗特点，找出能耗的主要来源和影响因素，优化设备的设计和参数，降低设备的能耗水平。根据设备的实际能耗情况，自动调节设备的工作模式和工作频率，实现能耗的自适应调节，节约能源，减少排放。因此，本发明的一种物联网护栏的能量储存控制方法考虑护栏设备的环境状态，根据不同的环境进行微能量采集，将采集的微能量进行能量谱特征分析，以预测环境中的能量供需关系，保证能量的动态平衡。同时考虑能量的分布式存储，实时监测每个节点的能量储存量和消耗量，并根据不同的能量需求和供给，合理分配和调节能量的输出和输入，以控制物联网护栏中能量智能储存。
本发明实施例中，参考图1所述，一种物联网护栏的能量储存控制方法，包括以下步骤：
步骤S1：对护栏设备进行环境感知处理，生成环境感知数据；根据环境感知数据进行实时环境能量采集，从而得到微能量采集数据；
本发明实施例中，采用多种传感器，如温度、湿度、光照、声音、振动等，来感知周围环境的变化，并将传感器数据通过无线通信模块发送给中心节点或云端服务器，形成环境感知数据，并根据感知数据选择合适的能量采集方式，如光能、热能、振动能、射频能等，将环境中的能量转化为电能，为护栏设备提供微能量。使护栏设备能够根据环境变化自适应地调整能量采集策略，提高能量利用率和可靠性。
步骤S2：对微能量采集数据进行能量谱特征分析，生成微能量谱特征数据；根据微能量谱特征数据进行环境能源评估，得到环境潜在产能数据；
本发明实施例中，通过能量管理单元，对微能量采集数据进行能量谱特征分析，即对微能量采集数据进行频域和时域的特征提取，如能量密度、能量波动、能量周期等，并根据这些特征数据对环境中的能源进行评估，即根据不同能量来源的特点和优劣，预测环境中的能量供应情况和变化趋势，形成环境潜在产能数据。
步骤S3：通过环境潜在产能数据对护栏设备进行储能节点处理，得到储能节点分布图；根据储能节点分布图进行节点能量状态监测，生成节点能量状态数据；
本发明实施例中，根据环境潜在产能数据对护栏设备进行储能节点处理，即根据不同能量来源的可用性和稳定性，选择合适的能量转换器和储能器件，如超级电容、锂电池等，来实现能量的有效储存和利用，形成储能节点分布图。根据储能节点分布图，对每个储能节点的能量状态进行实时监测，如能量输入、输出、剩余等，即通过能量管理单元，实时检测储能节点的电压、电流、温度、容量等参数，反映储能节点的能量水平和健康状况，形成节点能量状态数据，以提高能量的安全性和灵活性。
步骤S4：对护栏设备进行实时设备运行监测以及实时环境感知处理，分别生成设备运行状态数据以及实时环境数据；根据设备运行状态数据以及实时环境数据进行情境能量调整，生成动态能量调整数据；利用节点能量状态数据对动态能量调整数据进行节点协同控制处理，从而得到能量储能控制数据；
本发明实施例中，通过无线通信模块对护栏设备进行实时设备运行监测，即通过与中心节点或云端服务器的通信，反馈护栏设备的工作模式、任务状态、故障信息等，形成设备运行状态数据。通过传感器对护栏设备进行实时环境感知处理，更新环境感知数据，形成实时环境数据。根据设备运行状态数据和实时环境数据进行情境能量调整，根据护栏设备的当前任务需求和环境变化，动态调整能量采集、储存和消耗的策略，优化能量利用效率，形成动态能量调整数据。利用节点能量状态数据对动态能量调整数据进行节点协同控制处理，对邻近储能节点的通信和协商，实现能量的共享和转移，平衡节点间的能量分布，提高系统的可靠性和鲁棒性，形成能量储能控制数据。
步骤S5：根据能量储能控制数据进行节点能量供给处理，得到能量转换效率数据；根据能量转换效率数据进行能耗设备评估以及能耗特性分析，生成能耗特性数据；利用能耗特性数据对护栏设备进行自适应能耗处理，得到自适应工作能耗策略。
本发明实施例中，根据储能节点的能量水平和任务需求，选择合适的能量输出方式，如直流、交流、脉冲等，为护栏设备的传感器、通信模块、控制单元等提供稳定的电能，形成能量转换效率数据。根据护栏设备的各个组件的能量消耗情况和特点，评估护栏设备的总体能耗水平和能耗结构，识别能耗热点和能耗优化点，形成能耗特性数据。根据护栏设备的能耗特性和环境潜在产能，自动调节护栏设备的工作频率、工作电压、工作模式等参数，实现能耗的最小化和性能的最大化，形成自适应工作能耗策略。
优选地，步骤S1包括以下步骤：
步骤S11：对护栏设备进行环境感知处理，生成环境感知数据；
步骤S12：根据环境感知数据进行能量目标分析，得到微能量目标数据；
步骤S13：根据微能量目标数据进行能量收集设备获取，生成目标能量收集设备；
步骤S14：基于预设的能量监测策略利用目标能量收集设备对护栏设备进行监测设备集成，并通过物联网通信协议进行安全数据通信处理，得到能量采集结构；
步骤S15：获取护栏设备结构数据；通过护栏设备结构数据对能量采集结构进行集成优化处理，生成优化能量采集结构；
步骤S16：通过优化能量采集结构对护栏设备进行实时环境能量采集，从而得到微能量采集数据。
本发明实施例中，采用多种传感器，如温度、湿度、光照、声音、振动等，来感知周围环境的变化，并将传感器数据通过无线通信模块发送给中心节点或云端服务器，形成环境感知数据。利用环境中的多种能量来源，如太阳能、风能、振动能、射频能等，来为自身供电，从而实现无源或低功耗的工作模式。采用不同的能量转换器，如太阳能电池、风力发电机、压电发电器、射频能量收集器等，来将环境能量转化为电能，并通过能量管理单元进行调节和储存，形成微能量采集数据。根据环境感知数据，对护栏设备的能量需求进行分析，即根据护栏设备的工作模式、任务状态、故障信息等，确定护栏设备的能量消耗水平和能量优化点，形成能量需求数据。根据能量需求数据，对环境能源进行筛选，即根据不同能量来源的功率、频率、稳定性、可用性等，选择合适的能量来源，形成能量目标数据。根据能量目标数据，对能量收集设备进行获取，即根据不同能量来源的特点和优劣，选择合适的能量转换器和储能器件，如超级电容、锂电池等，来实现能量的有效储存和利用，形成目标能量收集设备。根据目标能量收集设备的参数，对护栏设备进行改造，即根据能量转换器和储能器件的尺寸、重量、接口等，将其与护栏设备的传感器、通信模块、控制单元等进行集成，形成能量收集结构。基于预设的能量监测策略，利用目标能量收集设备对护栏设备进行监测设备集成，即根据能量收集设备的工作原理和特性，设计合适的能量监测策略。通过物联网通信协议进行安全数据通信处理，即根据不同的通信需求和条件，选择合适的物联网通信协议，如NB-IoT、LoRaWAN、BLE等，实现能量监测数据的安全传输和接收，形成能量采集结构。获取护栏设备结构数据。通过护栏设备结构数据对能量采集结构进行集成优化处理，即根据护栏设备结构数据和能量采集结构的参数，进行集成优化，如调整能量收集设备的位置、角度、方向等，以提高能量采集效率和稳定性，形成优化能量采集结构。通过优化能量采集结构对护栏设备进行实时环境能量采集，即根据优化能量采集结构的工作原理和特性，实时感知和转换环境中的能量，如太阳能、风能、振动能、射频能等，为护栏设备的传感器、通信模块、控制单元等提供稳定的电能，形成微能量采集数据。
优选地，步骤S2包括以下步骤：
步骤S21：利用数字滤波器对微能量采集数据进行数字信号降噪处理，生成降噪微能量数据；
步骤S22：对降噪微能量数据进行频域转换处理，生成微能量频谱数据；
步骤S23：根据微能量频谱数据进行能量谱特征分析，生成微能量谱特征数据；
步骤S24：对微能量谱特征数据进行时间频率分析，生成时频能量特征数据；
步骤S25：根据时频能量特征数据进行环境能源评估，得到环境潜在产能数据。
本发明利用数字滤波器对微能量采集数据进行数字信号降噪处理，这样可以去除环境噪声和干扰信号的影响，提高能量信号的质量和准确性。然后，对降噪微能量数据进行频域转换处理，将能量信号从时域转换到频域，方便进行能量谱的分析和处理，提高能量信号的可视化和可操作性。根据微能量频谱数据进行能量谱特征分析，对不同类型和强度的能量进行分类和识别，优化能量的转换和储存过程，减少能量的损耗和浪费。根据微能量谱特征数据进行时间频率分析，分析能量信号的时变特性和频率特性，预测能量信号的变化趋势和规律，制定合理的能量调节和控制策略，提高能量信号的稳定性和灵活性。根据时频能量特征数据进行环境能源评估，可以评估环境中的能量供需状况，确定环境中的最佳能源类型和数量，制定合理的能量分配和利用方案，保证能量的动态平衡和最优化配置，提高能量的性能和质量。
作为本发明的一个实例，参考图2所示，为图1中步骤S2的详细实施步骤流程示意图，在本实例中所述步骤S2包括：
步骤S21：利用数字滤波器对微能量采集数据进行数字信号降噪处理，生成降噪微能量数据；
本发明实施例中，利用数字滤波器对微能量采集数据进行滤波，去除不需要的频率成分，保留有用的信号特征，形成降噪微能量数据。根据微能量采集数据的特点和需求，可以选择合适的数字滤波器类型和参数，如截止频率、通带增益、阻带衰减、群延迟、相位响应等，以达到最佳的降噪效果。
步骤S22：对降噪微能量数据进行频域转换处理，生成微能量频谱数据；
本发明实施例中，利用傅里叶变换技术，根据降噪微能量数据的时变特性和频率特性，选择合适的变换窗口、变换基函数和变换分辨率等参数。将降噪微能量数据输入到频域变换方法中，利用变换公式对数据进行时域到频域的映射，得到数据在不同频率上的幅值和相位，形成微能量频谱数据。
步骤S23：根据微能量频谱数据进行能量谱特征分析，生成微能量谱特征数据；
本发明实施例中，对微能量频谱数据进行能量谱密度分析，计算数据在不同频率上的能量大小，反映数据的分布特征，优化数据的分解和重构过程，提高数据的分辨率和压缩率。对微能量频谱数据进行频谱频带划分，将数据划分为不同的频带，根据不同频带的能量特性，确定数据的类型和强度，制定合理的能量转换和储存方案，提高数据的利用效率和灵活性。对微能量频谱数据进行能量归一化处理，将不同频带的能量数据归一化到同一范围，消除数据的差异和偏差，提高数据的均匀性和稳定性。对微能量频谱数据进行能量统计处理，对数据的整体特征进行统计和分析，如能量均值、能量方差、能量峰值等，反映数据的统计特性，优化数据的表示和描述方式，提高数据的可视化和可操作性。
步骤S24：对微能量谱特征数据进行时间频率分析，生成时频能量特征数据；
本发明实施例中，选择一个合适的时间频率分析方法，如短时傅里叶变换、小波变换或经验模态分解，根据微能量谱特征数据的时变特性和频率特性，选择合适的分析窗口、分析基函数和分析分辨率等参数。将微能量谱特征数据输入到时间频率分析方法中，利用分析公式对数据进行时频域的映射，得到数据在不同时间和频率上的能量大小，形成时频能量特征数据。
步骤S25：根据时频能量特征数据进行环境能源评估，得到环境潜在产能数据。
本发明实施例中，对时频能量特征数据进行能量谱特征分析，对不同时间和频率上的能量进行分类和识别，优化能量的转换和储存过程，减少能量的损耗和浪费。对时频能量特征数据进行时间频率分析，分析能量的时变特性和频率特性，可以利用现有的经验模型进行能量特性与环境关联分析，预测能量的变化趋势和规律，从而得到环境潜在产能数据。
优选地，步骤S23包括以下步骤：
步骤S231：对微能量频谱数据进行频谱平滑处理，生成平滑微能量谱数据；
步骤S232：根据平滑微能量谱数据进行能量谱密度分析，生成能量谱分布数据；
步骤S233：根据能量谱分布数据进行频谱频带划分，生成微能量频带数据；
步骤S234：对微能量频带数据进行能量归一化处理，得到频带能量特性数据；
步骤S235：基于预设的异常识别阈值数据利用异常能量检测算法对频带能量特性数据进行异常能量识别，生成异常能量频率数据；
步骤S236：对异常能量频率数据进行异常能量成分处理，生成异常能量成分数据；
步骤S237：对频带能量特性数据进行能量统计处理，从而生成微能量谱特征数据。
本发明对微能量采集数据进行频谱平滑处理，生成平滑微能量谱数据，这样可以消除能量信号中的噪声和干扰，提高能量信号的清晰度和可信度。然后，根据平滑微能量谱数据进行能量谱密度分析，生成能量谱分布数据，这样可以计算能量信号在不同频率上的能量大小，反映能量信号的分布特征，优化能量信号的分解和重构过程，提高能量信号的分辨率和压缩率。根据能量谱分布数据进行频谱频带划分，生成微能量频带数据，这样可以将能量信号划分为不同的频带，根据不同频带的能量特性，确定能量信号的类型和强度，制定合理的能量转换和储存方案，提高能量信号的利用效率和灵活性。根据微能量频带数据进行能量归一化处理，得到频带能量特性数据，这样可以将不同频带的能量信号归一化到同一范围，消除能量信号的差异和偏差，提高能量信号的均匀性和稳定性。对频带能量特性数据进行异常能量识别，这样可以检测能量信号中的异常能量成分，如能量波动、能量突变等，及时发现和处理能量异常和故障，保证能量信号的正常运行。对能量信号的整体特征进行统计和分析，如能量均值、能量方差、能量峰值等，反映能量信号的统计特性，优化能量信号的表示和描述方式，提高能量信号的可视化和可操作性。利用异常能量检测算法对频带能量特性数据进行异常判断，将频带能量特性数据和预设的异常识别阈值数据输入到异常能量检测算法中，进行异常检测运算，检测数据中的异常能量成分，如能量波动、能量突变等，及时发现和处理能量异常和故障。对异常能量频率数据进行详细分析，确定异常的能量成分，进一步划分或峰值检测，以获得异常能量的详细信息。得到的异常能量成分数据将提供异常能量的具体特征。对频带能量特性数据进行统计处理，计算各频带的统计量，如均值、方差、偏度、峰度等。这些统计特征将形成微能量谱特征数据。
本发明实施例中，选择适当的平滑窗口大小或滤波器参数，以平滑微能量频谱数据。然后，应用选定的平滑滤波器，将频谱数据进行平滑处理，得到平滑微能量谱数据。通过对平滑微能量谱数据进行积分，可以得到能量谱分布数据。这可以通过数值积分方法，如梯形法则或辛普森法则，对平滑微能量谱数据进行离散积分来实现。通过设定频带边界或采用聚类算法，如K均值聚类，将能量谱分布数据分组成多个频带。每个频带内的能量谱密度数据将形成微能量频带数据。对于每个频带，将其能量谱数据进行归一化，通常可以使用最大值归一化或其他标准化方法，使得每个频带的能量值在一个相似的尺度上。基于预设的异常识别阈值数据，运用异常能量检测算法对频带能性特性数据进行分析，以识别可能的异常能量。其中异常能量识别还可以通过常规技术进行识别，但是识别效果不如本算法识别。对异常能量频率数据进行进一步处理，提取异常能量的成分，以便更详细地了解异常的特性。生成的异常能量成分数据记录了异常能量的具体成分信息。对频带能量特性数据进行能量统计处理，计算各频带内的能量统计指标，如平均能量、总能量等，生成的微能量谱特征数据综合了频带能量的统计信息。
优选地，步骤S235中异常能量检测算法公式如下所示：
式中，表示为异常能量检测函数，/>表示为第/>个频带的能量值，/>表示为频带的序号，/>表示为第/>个频带的子频带的个数，/>表示为子频带的序号，/>表示为能量平滑系数，/>表示为第/>个频带的第/>个子频带的能量值，/>表示为异常识别阈值数据，/>表示为频带中最大频率，/>表示为第/>个频带中第/>个子频带的频率值，/>表示为第/>个频带的平均频率值，/>表示为第/>个频带的宽度。
本发明利用一种异常能量检测算法，该算法公式充分考虑了第个频带的能量值/>、频带的序号/>、第/>个频带的子频带的个数/>、子频带的序号/>、能量平滑系数/>、第/>个频带的第/>个子频带的能量值/>、异常识别阈值数据/>、频带中最大频率/>、第/>个频带中第/>个子频带的频率值/>、第/>个频带的平均频率值/>、第/>个频带的宽度/>以及函数之间的相互作用关系，以形成函数关系式：
即，，将时频域划分为多个频带，每个频带有一个能量值/>，一个平均频率值/>，一个宽度/>，和一个子频带的个数/>。对每个子频带的能量值进行平滑处理，使用作为平滑后的能量值，表示对能量值进行平滑处理，使得能量值在/>附近的变化更加平缓，而不是出现突变。这样可以避免因为噪声或者小波动而导致的误判。当/>接近/>时，这个式子项的值接近/>，表示该子频带的能量值与异常识别阈值数据相差不大，可能是正常的。当/>远离/>时，这个式子项的值接近0，表示该子频带的能量值与异常识别阈值数据相差很大，可能是异常的。当/>趋近于 0时，这个式子项的值越接近于一个阶跃函数，表示能量值在/>附近的变化越陡峭，越容易区分正常和异常。当/>有一个正的小值时，这个式子项的值会在/>附近有一个平滑的过渡，表示能量值在/>附近的变化越平缓，越容易忽略噪声或者小波动。式子项/>表示对频率值进行加权，使得频率值在/>附近的权重更大，而不是均匀分布。这样可以突出该频带的主要频率特征，而不是受到其他频率的干扰。最后对第/>个频带的所有子频带进行求和，这样可以考虑到该频带的整体能量分布，而不是只看单个子频带的能量值，从而实现频带异常能量的识别。
优选地，步骤S3包括以下步骤：
步骤S31：根据异常能量成分数据进行异常因素关联分析，生成异常能量因素数据；
步骤S32：通过异常能量因素数据以及优化能量采集结构对护栏设备进行储能节点处理，生成储能节点分布数据；
步骤S33：通过环境潜在产能数据以及储能节点分布数据进行节点数量规划，并进行储能单元设备集成，从而得到储能单元结构数据；
步骤S34：根据储能单元结构数据进行节点分布图生成，得到储能节点分布图；
步骤S35：通过储能节点分布图对储能单元结构数据进行协同调控处理，从而得到储能节点调控数据；
步骤S36：通过储能节点调控数据对微能量采集数据进行微能量存储处理，并进行节点能量状态监测，生成节点能量状态数据。
本发明实施例中，对异常能量成分数据进行预处理，包括去除缺失值、异常值等。采用关联规则挖掘算法如Apriori或FP-growth建立异常因素之间的关系，并生成异常能量因素数据。利用异常能量因素数据，结合对能量采集结构的优化，对护栏设备进行储能节点的处理。首先，确定储能节点的位置和配置。这可以基于异常能量因素的空间分布和对护栏设备的特性进行优化。生成的储能节点分布数据包含了每个节点的位置、储能容量等信息。结合环境潜在产能数据和储能节点分布数据，进行节点数量的规划，以确保最优的储能单元结构。确定储能单元的设备集成，包括能量存储设备和管理系统的配置。生成的储能单元结构数据包括了每个储能单元的信息，如节点数量、设备类型、容量等。利用储能单元结构数据，生成储能节点的分布图。这张图通常包括储能节点的位置、连接关系和储能单元的拓扑结构。基于储能节点分布图，进行协同调控处理。调整储能节点之间的能量流动，优化储能单元的运行策略。储能节点调控数据记录了每个节点的调控状态和相应的参数。利用储能节点调控数据，对微能量采集数据进行存储处理。可能包括能量的存储、释放和分配等操作。同时，进行节点能量状态的监测，记录每个节点的能量状态信息。生成的节点能量状态数据反映了储能系统中各节点的实时能量情况。
优选地，步骤S4包括以下步骤：
步骤S41：获取护栏设备的历史工作性能数据，其中历史工作性能数据包括历史工作模式数据、历史工作环境数据以及历史能量消耗数据；
步骤S42：对历史工作性能数据进行特征工程处理，生成历史工作特征数据；
步骤S43：利用预设的卷积神经网络模型对历史工作特征数据进行迁移学习，从而构建能量需求预测模型；
步骤S44：对护栏设备进行实时设备运行监测以及实时环境感知处理，分别生成设备运行状态数据以及实时环境数据；根据设备运行状态数据进行工作模式分析，生成实时工作模式数据；
步骤S45：通过能量需求预测模型对实时工作模式数据以及实时环境数据进行储能优先级调整，得到动态能量调整数据；
步骤S46：根据动态能量调整数据进行储能节点映射处理，生成节点储能需求数据；
步骤S47：利用节点能量状态数据对节点储能需求数据进行节点协同控制处理，从而得到能量储能控制数据。
本发明获取护栏设备的历史工作性能数据，历史工作环境数据反映了设备在不同环境条件下的运行情况，历史能量消耗数据则提供了设备能量利用的历史趋势。对历史工作性能数据进行特征工程处理，这有助于揭示隐藏在数据中的模式和趋势，为构建能量需求预测模型提供更有信息量的输入。通过迁移学习，系统能够更好地适应历史工作特征数据的模式，构建了一个强大的能量需求预测模型。这个模型的效果在于通过学习历史数据中的模式，能够更准确地预测未来的能量需求。实时监测与感知为系统提供了即时的设备运行状态数据和实时环境数据。工作模式分析生成的实时工作模式数据反映了设备当前的操作状态。这些实时数据为及时响应设备运行状态提供了关键信息。能量需求预测模型通过分析实时工作模式数据和实时环境数据，预测未来的能量需求。储能优先级调整的效果在于通过动态调整储能节点的优先级，确保系统在不同工作模式下有足够的能量储备，以便更好地应对未来的能量需求波动。动态能量调整数据用于优化储能节点的分配，确保每个节点能够根据优先级得到适当的能量储存。生成的节点储能需求数据包含了每个节点的储能需求信息。通过节点能量状态数据，系统实现了高效的节点协同控制，确保了能量的智能储存和分配。
作为本发明的一个实例，参考图3所示，为图1中步骤S4的详细实施步骤流程示意图，在本实例中所述步骤S4包括：
步骤S41：获取护栏设备的历史工作性能数据，其中历史工作性能数据包括历史工作模式数据、历史工作环境数据以及历史能量消耗数据；
本发明实施例中，从护栏设备中获取历史工作性能数据。历史工作模式数据记录了护栏设备在过去的运行中所采用的工作模式，例如不同的操作状态或工作任务。历史工作环境数据包括设备运行时的环境条件，如温度、湿度等。历史能量消耗数据则记录了设备在不同工作模式和环境条件下的能量使用情况。
步骤S42：对历史工作性能数据进行特征工程处理，生成历史工作特征数据；
本发明实施例中，对历史工作性能数据进行特征工程，提取有意义的特征以更好地反映设备的工作情况。这包括对历史工作模式数据进行编码，提取统计特征、频域特征、时间序列特征等。对历史工作环境数据进行预处理，例如进行标准化或归一化。最终生成的历史工作特征数据将成为构建能量需求预测模型的输入。
步骤S43：利用预设的卷积神经网络模型对历史工作特征数据进行迁移学习，从而构建能量需求预测模型；
本发明实施例中，采用卷积神经网络（CNN）深度学习模型，通过迁移学习的方式在历史工作特征数据上进行训练。迁移学习利用在一个任务上学到的知识来帮助另一个相关任务。在这里，预设的卷积神经网络模型可以是在其他相似领域预训练好的模型。通过对历史工作特征数据进行训练，构建出能量需求预测模型，用于预测不同工作模式和环境下的能量需求。
步骤S44：对护栏设备进行实时设备运行监测以及实时环境感知处理，分别生成设备运行状态数据以及实时环境数据；根据设备运行状态数据进行工作模式分析，生成实时工作模式数据；
本发明实施例中，通过传感器对护栏设备进行实时监测，获取设备运行状态数据，包括设备的运行状态、性能参数等。同时，实时感知周围环境，获取实时环境数据，包括温度、湿度等。基于设备运行状态数据，进行实时工作模式分析，生成实时工作模式数据，反映设备当前的操作状态。
步骤S45：通过能量需求预测模型对实时工作模式数据以及实时环境数据进行储能优先级调整，得到动态能量调整数据；
本发明实施例中，将实时工作模式数据和实时环境数据输入构建好的能量需求预测模型，利用模型对未来时刻的能量需求进行预测。基于预测结果，进行储能优先级调整，确保储能节点在高能需求时有足够的能量存储。生成动态能量调整数据，用于调整储能系统的运行策略。
步骤S46：根据动态能量调整数据进行储能节点映射处理，生成节点储能需求数据；
本发明实施例中，根据动态能量调整数据，对储能节点进行映射和调整，确保每个节点按照优先级得到合适的能量储存。生成节点储能需求数据，其中包含了每个节点的储能需求信息。
步骤S47：利用节点能量状态数据对节点储能需求数据进行节点协同控制处理，从而得到能量储能控制数据。
本发明实施例中，通过节点能量状态数据，实现节点之间的协同控制。考虑节点当前的能量状态，调整储能需求，确保系统中的能量分配合理。最终生成能量储能控制数据，提供给储能系统进行实时控制，以满足设备的能量需求并最大程度地利用可再生能源。这样的动态调整过程有助于提高系统的能效和稳定性。
优选地，步骤S45包括以下步骤：
步骤S451：将预设的时间周期进行交替时间段划分，生成交替时间段数据；
步骤S452：对实时环境数据进行场景识别处理，得到实时工作场景数据；
步骤S453：根据实时工作场景数据进行情境分类处理，生成实时工作情境数据；
步骤S454：利用能量需求预测模型对实时工作模式数据以及实时工作场景数据进行场景能量需求预测，生成场景能量需求数据；
步骤S455：通过实时工作模式数据对交替时间段数据以及实时工作情境数据进行能量功能模式处理，得到情境供能模式数据；
步骤S456：根据情境供能模式数据进行动态情境权重制定，生成情境分配权重数据；
步骤S457：利用能量储能控制算法对情境分配权重数据进行能量储能优化处理，生成目标储能优化数据；
步骤S458：根据目标储能优化数据进行峰谷平衡策略设计，并进行储能优先级调整，生成动态能量调整数据。
本发明实施例中，预设的时间周期可以按小时或其他时间单位，将其划分为交替的时间段。例如，按小时划分为白天和夜晚，或者按日历季节划分为不同的时间段。生成的交替时间段数据反映了时间的周期性变化。通过对实时环境数据进行场景识别，可以识别当前的工作场景，例如晴天、阴天、夜晚等。场景识别可以利用图像处理、传感器数据分析等方法，以获取实时工作场景数据。将实时工作场景数据进行分类，例如将不同的天气场景分类为晴天、雨天等，从而提供更细致的情境信息。将实时工作模式数据和实时工作场景数据输入能量需求预测模型中，使用预训练好的模型或者实时学习的方式，预测每个时间段内不同工作场景下的能量需求。生成的场景能量需求数据反映了在不同场景下设备的能量消耗情况。根据实时工作模式数据，将交替时间段数据和实时工作情境数据进行能量功能模式处理。例如，在白天的晴天场景下，设备可能处于高能耗的工作模式。生成的情境供能模式数据反映了不同时间段和工作场景下设备的能量功能模式。基于情境供能模式数据，制定动态情境权重，反映了每个时间段和工作场景对能量需求的重要性。可以结合先验知识、历史数据等进行权重制定，确保权重能够动态调整以适应不同情境下的能量需求。将情境分配权重数据输入能量储能控制算法中，进行储能优化处理。这包括调整储能节点的能量存储和释放策略，以最大程度地满足各个时间段和工作场景下的能量需求。根据目标储能优化数据，设计峰谷平衡策略，平衡能量的存储和释放。同时，根据储能节点的当前能量状态，进行储能优先级的调整，确保在关键时刻有足够的能量储备。生成的动态能量调整数据可以用于实时调整储能系统的运行策略。
优选地，步骤S457中的能量储能控制算法公式如下所示：
式中，表示为目标储能优化数据，/>表示为储能系统的充放电功率，/>表示为储能系统的最大充放电功率，/>表示为储能周期值，/>表示为储能时间值，/>表示为第一优化储能调节值，/>表示为情境优化函数，/>表示为第二优化储能调节值，/>表示为储能系统的节点能量充电成本，/>表示为第三优化储能调节值，/>表示为储能系统调整的放电收益数据，/>表示为情境分配权重数据，/>表示为实时工作模式数据。
本发明利用一种能量储能控制算法，该算法充分考虑了储能系统的充放电功率、储能系统的最大充放电功率/>、储能周期值/>、储能时间值/>、第一优化储能调节值/>、情境优化函数/>、第二优化储能调节值/>、储能系统的节点能量充电成本/>、第三优化储能调节值/>、储能系统调整的放电收益数据/>、情境分配权重数据/>、实时工作模式数据/>以及函数之间的相互作用关系，以形成函数关系式：
即，；
其中为/>，考虑储能系统在一定时间周期内的最大收益或最小成本，通过调整储能系统的充放电功率/>来达到。/>表示为储能系统的充放电功率，即储能系统在任意时刻/>的输入或输出功率。/>表示为储能系统的最大充放电功率，即储能系统的充放电能力的上限。/>表示为储能周期值，即储能系统的运行周期，通常为一天或一周。/>表示为储能时间值，即储能系统的运行时刻，通常为一小时或一刻钟。这些参数都是储能系统的基本属性或运行条件，需要根据实际情况确定。其次，/>表示为第一优化储能调节值，即储能系统参与情境优化的权重系数。/>表示为情境优化函数，即储能系统在不同时刻的运行效益或成本。这个函数的具体形式取决于储能系统的应用场景，例如平抑新能源出力波动、补偿功率预测误差、降低弃电率等。/>表示为情境分配权重数据，即不同情境的优先级或重要性。/>表示为实时工作模式数据，即储能系统的运行状态或模式，例如充电、放电或待机。这些参数都是储能系统的运行策略或目标。β表示为第二优化储能调节值，即储能系统充电成本的权重系数。/>表示为储能系统的节点能量充电成本，即储能系统在不同时刻的充电电价或费用。这个参数取决于电力市场的价格机制或政策，通常与电网的负荷水平或新能源的出力水平有关。/>表示为第三优化储能调节值，即储能系统放电收益的权重系数。/>表示为储能系统调整的放电收益数据，即储能系统在不同时刻的放电电价或收入。这个参数也取决于电力市场的价格机制或政策，通常与电网的负荷水平或新能源的出力水平有关。这些参数都是储能系统的经济性指标，需要根据市场环境或政策规定确定。式子项/>表示在储能系统的充放电功率/>满足一定范围的条件下，储能系统在一个运行周期内的最大收益或最小成本。表示储能系统的情境优化函数的一种可能的形式。这个函数的意义是根据储能系统的运行状态或模式/>，以及不同情境的优先级或重要性/>，计算储能系统在不同时刻的运行效益或成本。这个函数的形状是一个周期性的波形，可以反映储能系统的运行特点或需求。
优选地，步骤S5包括以下步骤：
步骤S51：根据能量储能控制数据进行节点能量供给计算，生成能量供给数据；
步骤S52：根据能量供给数据进行能量转换效率处理，生成能量转换效率数据；
步骤S53：通过护栏设备结构数据对能量转换效率数据进行能耗设备评估，得到能耗设备数据，其中能耗设备数据包括关键能耗设备数据以及非关键能耗设备数据；
步骤S54：通过情境供能模式数据对能耗设备数据进行能耗特性分析，生成能耗特性数据；
步骤S55：利用能耗特性数据对护栏设备进行自适应能耗处理，从而得到自适应工作能耗策略。
本发明根据能量储能控制数据进行节点能量供给计算，可以根据能量储能控制数据的指令，对储能节点进行能量的供给和分配，为护栏设备提供所需的电能，提高能量的利用效率和灵活性。根据能量供给数据的变化，对能量的转换过程进行效率的优化和调节，如降低能量的损耗和耗散，提高能量的性能和质量。通过护栏设备结构数据对能量转换效率数据进行能耗设备评估，得到能耗设备数据，其中能耗设备数据包括关键能耗设备数据以及非关键能耗设备数据，这样可以根据护栏设备结构数据的特点，对能量转换效率数据进行能耗设备的评估和分类，如确定哪些设备是关键能耗设备，如摄像头、报警器等，哪些设备是非关键能耗设备，如显示屏、灯光等，提高能耗的针对性和差异性。然后，通过情境供能模式数据对能耗设备数据进行能耗特性分析，这样可以根据情境供能模式数据的要求，对能耗设备数据进行能耗特性的分析和划分，如确定不同情境下的能耗优先级和能耗限制，提高能耗的适应性和灵敏性。利用能耗特性数据对护栏设备进行自适应能耗处理，这样可以利用能耗特性数据的指导，对护栏设备进行自适应能耗的处理和控制，如根据能耗优先级和能耗限制，对关键能耗设备和非关键能耗设备进行能耗的调节和节省，为护栏设备提供自适应工作能耗策略，提高能耗的稳定性和优化性。
本发明实施例中，利用能量储能控制数据中的信息，系统对每个节点进行能量供给计算。根据计算结果，系统生成了每个节点的能量供给数据，包括能量的数量、时段等信息。将能量供给数据与实际能耗进行对比，计算能量转换的效率，通过对采集的能量以及储存的能量对比，反映了能量在转换过程中的损耗情况。根据护栏设备结构数据，系统进行设备结构分析，识别出关键的能耗设备和非关键能耗设备。对每个识别出的设备，系统结合能量转换效率数据进行评估，得到关键能耗设备数据和非关键能耗设备数据。将情境供能模式数据与能耗设备数据进行匹配，确定不同工作情境下各个设备的能耗特性。基于匹配结果，系统进行能耗特性分析，得到关于设备在不同情境下能耗变化的数据。将能耗特性数据应用到护栏设备上，根据实际工作情境动态调整设备的能耗策略。基于应用能耗特性数据的结果，系统生成了自适应工作能耗策略，以适应不同的工作情境和能量供给模式。
本申请有益效果在于，采用多种传感器感知环境变化，通过无线通信发送数据至中心节点或云端服务器，形成环境感知数据。根据感知数据选择合适的能量采集方式，如光能、热能、振动能，将环境能量转化为微能量为护栏设备供电。实现自适应调整能量采集策略，提高能量利用率和可靠性。通过能量管理单元对微能量采集数据进行频域和时域特征提取，评估环境潜在产能数据。对护栏设备进行储能节点处理，选择合适的转换器和储能器件，如超级电容、锂电池，实现有效储存和利用能量。通过无线通信模块实时监测储能节点能量状态，提高能量安全性和灵活性。实时设备运行监测，反馈工作模式、任务状态、故障信息等，形成设备运行状态数据。传感器实时更新环境感知数据，形成实时环境数据。根据设备运行状态数据和实时环境数据，动态调整能量采集、储存和消耗策略，形成动态能量调整数据。利用节点能量状态数据进行节点协同控制处理，实现能量共享和转移，提高系统可靠性和鲁棒性，形成能量储能控制数据。根据储能节点能量水平和任务需求选择合适的能量输出方式，为护栏设备提供稳定电能，形成能量转换效率数据。评估护栏设备总体能耗水平和结构，识别能耗热点和优化点，形成能耗特性数据。基于能耗特性和环境潜在产能，自动调节护栏设备的参数，实现最小化能耗和最大化性能，从而控制物联网护栏的智能能量存储。
Claims (7)
1.一种物联网护栏的能量储存控制方法，其特征在于，包括以下步骤：
步骤S1：对护栏设备进行环境感知处理，生成环境感知数据；根据环境感知数据进行实时环境能量采集，从而得到微能量采集数据，其中微能量采集数据包括风能采集数据、光能采集数据及声能采集数据；
步骤S2：对微能量采集数据进行能量谱特征分析，生成微能量谱特征数据；根据微能量谱特征数据进行环境能源评估，得到环境潜在产能数据；
步骤S3：通过环境潜在产能数据对护栏设备进行储能节点处理，得到储能节点分布图；根据储能节点分布图进行节点能量状态监测，生成节点能量状态数据；
步骤S4：对护栏设备进行实时设备运行监测以及实时环境感知处理，分别生成设备运行状态数据以及实时环境数据；根据设备运行状态数据以及实时环境数据进行情境能量调整，生成动态能量调整数据；利用节点能量状态数据对动态能量调整数据进行节点协同控制处理，从而得到能量储能控制数据；步骤S4包括：
步骤S41：获取护栏设备的历史工作性能数据，其中历史工作性能数据包括历史工作模式数据、历史工作环境数据以及历史能量消耗数据；
步骤S42：对历史工作性能数据进行特征工程处理，生成历史工作特征数据；
步骤S43：利用预设的卷积神经网络模型对历史工作特征数据进行迁移学习，从而构建能量需求预测模型；
步骤S44：对护栏设备进行实时设备运行监测以及实时环境感知处理，分别生成设备运行状态数据以及实时环境数据；根据设备运行状态数据进行工作模式分析，生成实时工作模式数据；
步骤S45：通过能量需求预测模型对实时工作模式数据以及实时环境数据进行储能优先级调整，得到动态能量调整数据；步骤S45包括：
步骤S451：将预设的时间周期进行交替时间段划分，生成交替时间段数据；
步骤S452：对实时环境数据进行场景识别处理，得到实时工作场景数据；
步骤S453：根据实时工作场景数据进行情境分类处理，生成实时工作情境数据；
步骤S454：利用能量需求预测模型对实时工作模式数据以及实时工作场景数据进行场景能量需求预测，生成场景能量需求数据；
步骤S455：通过实时工作模式数据对交替时间段数据以及实时工作情境数据进行能量功能模式处理，得到情境供能模式数据；
步骤S456：根据情境供能模式数据进行动态情境权重制定，生成情境分配权重数据；
步骤S457：利用能量储能控制算法对情境分配权重数据进行能量储能优化处理，生成目标储能优化数据；
其中，能量储能控制算法公式如下所示：
式中，表示为目标储能优化数据，/>表示为储能系统的充放电功率，/>表示为储能系统的最大充放电功率，/>表示为储能周期值，/>表示为储能时间值，/>表示为第一优化储能调节值，/>表示为情境优化函数，/>表示为第二优化储能调节值，/>表示为储能系统的节点能量充电成本，/>表示为第三优化储能调节值，/>表示为储能系统调整的放电收益数据，/>表示为情境分配权重数据，/>表示为实时工作模式数据；
步骤S458：根据目标储能优化数据进行峰谷平衡策略设计，并进行储能优先级调整，生成动态能量调整数据；
步骤S46：根据动态能量调整数据进行储能节点映射处理，生成节点储能需求数据；
步骤S47：利用节点能量状态数据对节点储能需求数据进行节点协同控制处理，从而得到能量储能控制数据；
步骤S5：根据能量储能控制数据进行节点能量供给处理，得到能量转换效率数据；根据能量转换效率数据进行能耗设备评估以及能耗特性分析，生成能耗特性数据；利用能耗特性数据对护栏设备进行自适应能耗处理，得到自适应工作能耗策略。
2.根据权利要求1所述的物联网护栏的能量储存控制方法，其特征在于，步骤S1包括以下步骤：
步骤S11：对护栏设备进行环境感知处理，生成环境感知数据；
步骤S12：根据环境感知数据进行能量目标分析，得到微能量目标数据；
步骤S13：根据微能量目标数据进行能量收集设备获取，生成目标能量收集设备；
步骤S14：基于预设的能量监测策略利用目标能量收集设备对护栏设备进行监测设备集成，并通过物联网通信协议进行安全数据通信处理，得到能量采集结构；
步骤S15：获取护栏设备结构数据；通过护栏设备结构数据对能量采集结构进行集成优化处理，生成优化能量采集结构；
步骤S16：通过优化能量采集结构对护栏设备进行实时环境能量采集，从而得到微能量采集数据。
3.根据权利要求2所述的物联网护栏的能量储存控制方法，其特征在于，步骤S2包括以下步骤：
步骤S21：利用数字滤波器对微能量采集数据进行数字信号降噪处理，生成降噪微能量数据；
步骤S22：对降噪微能量数据进行频域转换处理，生成微能量频谱数据；
步骤S23：根据微能量频谱数据进行能量谱特征分析，生成微能量谱特征数据；
步骤S24：对微能量谱特征数据进行时间频率分析，生成时频能量特征数据；
步骤S25：根据时频能量特征数据进行环境能源评估，得到环境潜在产能数据。
4.根据权利要求3所述的物联网护栏的能量储存控制方法，其特征在于，步骤S23包括以下步骤：
步骤S231：对微能量频谱数据进行频谱平滑处理，生成平滑微能量谱数据；
步骤S232：根据平滑微能量谱数据进行能量谱密度分析，生成能量谱分布数据；
步骤S233：根据能量谱分布数据进行频谱频带划分，生成微能量频带数据；
步骤S234：对微能量频带数据进行能量归一化处理，得到频带能量特性数据；
步骤S235：基于预设的异常识别阈值数据利用异常能量检测算法对频带能量特性数据进行异常能量识别，生成异常能量频率数据；
步骤S236：对异常能量频率数据进行异常能量成分处理，生成异常能量成分数据；
步骤S237：对频带能量特性数据进行能量统计处理，从而生成微能量谱特征数据。
5.根据权利要求4所述的物联网护栏的能量储存控制方法，其特征在于，步骤S235中异常能量检测算法公式如下所示：
式中，表示为异常能量检测函数，/>表示为第/>个频带的能量值，/>表示为频带的序号，/>表示为第/>个频带的子频带的个数，/>表示为子频带的序号，/>表示为能量平滑系数，/>表示为第/>个频带的第/>个子频带的能量值，/>表示为异常识别阈值数据，/>表示为频带中最大频率，/>表示为第/>个频带中第/>个子频带的频率值，/>表示为第/>个频带的平均频率值，/>表示为第/>个频带的宽度。
6.根据权利要求3所述的物联网护栏的能量储存控制方法，其特征在于，步骤S3包括以下步骤：
步骤S31：根据异常能量成分数据进行异常因素关联分析，生成异常能量因素数据；
步骤S32：通过异常能量因素数据以及优化能量采集结构对护栏设备进行储能节点处理，生成储能节点分布数据；
步骤S33：根据环境潜在产能数据以及储能节点分布数据进行节点数量规划，并进行储能单元设备集成，从而得到储能单元结构数据；
步骤S34：根据储能单元结构数据进行节点分布图生成，得到储能节点分布图；
步骤S35：通过储能节点分布图对储能单元结构数据进行协同调控处理，从而得到储能节点调控数据；
步骤S36：通过储能节点调控数据对微能量采集数据进行微能量存储处理，并进行节点能量状态监测，生成节点能量状态数据。
7.根据权利要求1所述的物联网护栏的能量储存控制方法，其特征在于，步骤S5包括以下步骤：
步骤S51：根据能量储能控制数据进行节点能量供给计算，生成能量供给数据；
步骤S52：根据能量供给数据进行能量转换效率处理，生成能量转换效率数据；
步骤S53：通过护栏设备结构数据对能量转换效率数据进行能耗设备评估，得到能耗设备数据，其中能耗设备数据包括关键能耗设备数据以及非关键能耗设备数据；
步骤S54：通过情境供能模式数据对能耗设备数据进行能耗特性分析，生成能耗特性数据；
步骤S55：利用能耗特性数据对护栏设备进行自适应能耗处理，从而得到自适应工作能耗策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311696267.4A CN117390404B (zh) | 2023-12-12 | 2023-12-12 | 一种物联网护栏的能量储存控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311696267.4A CN117390404B (zh) | 2023-12-12 | 2023-12-12 | 一种物联网护栏的能量储存控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117390404A CN117390404A (zh) | 2024-01-12 |
| CN117390404B true CN117390404B (zh) | 2024-02-23 |
Family
ID=89465213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311696267.4A Active CN117390404B (zh) | 2023-12-12 | 2023-12-12 | 一种物联网护栏的能量储存控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117390404B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020102995A4 (en) * | 2020-10-24 | 2020-12-24 | G, Jeyalakshmi Mrs | Electric vehicle charge management and monitoring system based on iot |
| CN115766089A (zh) * | 2022-10-18 | 2023-03-07 | 福州大学 | 一种能量采集认知物联网络抗干扰最优传输方法 |
| CN117175655A (zh) * | 2023-08-14 | 2023-12-05 | 刘伟 | 一种分布式新能源电力系统的蓄能控制方法及系统 |
-
2023
- 2023-12-12 CN CN202311696267.4A patent/CN117390404B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020102995A4 (en) * | 2020-10-24 | 2020-12-24 | G, Jeyalakshmi Mrs | Electric vehicle charge management and monitoring system based on iot |
| CN115766089A (zh) * | 2022-10-18 | 2023-03-07 | 福州大学 | 一种能量采集认知物联网络抗干扰最优传输方法 |
| CN117175655A (zh) * | 2023-08-14 | 2023-12-05 | 刘伟 | 一种分布式新能源电力系统的蓄能控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 能源互联网环境下的多能需求响应技术;黄豫;邵冲;郝洁;柴明哲;高赐威;陈涛;;电力需求侧管理(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117390404A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8571720B2 (en) | Supply-demand balance controller | |
| US20240039631A1 (en) | Multi-sensor data fusion-based self-powered online monitoring system for transmission line | |
| CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
| CN116581750A (zh) | 一种基于电网负荷水平的智能线路负载充电方法 | |
| CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
| CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| CN117390404B (zh) | 一种物联网护栏的能量储存控制方法 | |
| CN108846505B (zh) | 可再生能源并网消纳信息多维度校核方法及设备 | |
| CN117543791A (zh) | 电源的供电检测方法、装置、设备及存储介质 | |
| CN113765099A (zh) | 一种基于物联网的智能调度系统及其负荷调度方法 | |
| CN115619159B (zh) | 一种智慧园区能源消耗分析调度方法和系统 | |
| CN113327065B (zh) | 针对发电侧的用户复杂用电情况的能源管理方法及系统 | |
| CN113131487B (zh) | 基于调压图案的台区识别方法、装置、存储介质及电子设备 | |
| WO2019105561A1 (en) | Technique for utility network management | |
| CN117613984B (zh) | 一种用于风电储能的控制协调方法及系统 | |
| KR20220026387A (ko) | 신재생에너지 발전원의 환경 및 상태정보를 이용한 에너지 관리 시스템 | |
| CN117595517B (zh) | 基于分布式光伏的智能集群控制方法及系统 | |
| Senthilkumar et al. | Design of a hybrid accumulator architecture for harvesting and storing of power in wsn using an adaptive power organizing algorithm | |
| CN116845985B (zh) | 一种基于数据分析的源网荷储协同调度系统 | |
| CN118138525A (zh) | 一种集成能源管理的低功耗路由器 | |
| CN113689045B (zh) | 一种光伏区域并网电量的预测方法、设备及介质 | |
| Kumar et al. | Real-time implementation of an IoT-based intelligent source allocation system using machine learning technique in a commercial building | |
| CN118316029A (zh) | 一种基于人工智能的配电箱智能功率调节方法和系统 | |
| CN118213970A (zh) | 分布式光伏发电量预测方法及系统 | |
| CN117787579A (zh) | 智能交直流微网能量管理系统及能量调度方法 |
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 |