CN117494072B - 一种基于数据融合的换电柜运行状态监测方法及系统 - Google Patents

一种基于数据融合的换电柜运行状态监测方法及系统 Download PDF

Info

Publication number
CN117494072B
CN117494072B CN202311852108.9A CN202311852108A CN117494072B CN 117494072 B CN117494072 B CN 117494072B CN 202311852108 A CN202311852108 A CN 202311852108A CN 117494072 B CN117494072 B CN 117494072B
Authority
CN
China
Prior art keywords
module
working data
data
preset
actual working
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
Application number
CN202311852108.9A
Other languages
English (en)
Other versions
CN117494072A (zh
Inventor
徐智慧
陈硕
黎晓东
肖至国
曹素彬
梁永锋
刘建民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Yongtai Digital Energy Technology Co ltd
Shenzhen Yongtai Suneng Technology Co ltd
Original Assignee
Jiangxi Yongtai Digital Energy Technology Co ltd
Shenzhen Yongtai Suneng Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Yongtai Digital Energy Technology Co ltd, Shenzhen Yongtai Suneng Technology Co ltd filed Critical Jiangxi Yongtai Digital Energy Technology Co ltd
Priority to CN202311852108.9A priority Critical patent/CN117494072B/zh
Publication of CN117494072A publication Critical patent/CN117494072A/zh
Application granted granted Critical
Publication of CN117494072B publication Critical patent/CN117494072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及换电柜监测技术领域，特别是一种基于数据融合的换电柜运行状态监测方法及系统。采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内；对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，并将对各个模块进行清洗后的实际工作数据进行基于时序排序，得到各个模块的最终实际工作数据；将各个模块的最终实际工作数据与对应的预测工作数据进行比较，根据比较结果生成相应的监测报告。通过本方法实现了对换电柜运行状态的实时监测和预测，能够更全面地了解换电柜的运行情况，提高监测的准确性和可靠性。

Description

一种基于数据融合的换电柜运行状态监测方法及系统
技术领域
本发明涉及换电柜监测技术领域，特别是一种基于数据融合的换电柜运行状态监测方法及系统。
背景技术
换电柜是一种用于电动车辆电池换电的设备，通常用于电动自行车、电动摩托车和其他电动交通工具。换电柜在运行过程中可能面临各种故障，通过监测运行状态，可以预防性地进行维护，减少设备故障对充电站正常运作的影响，降低维护成本，并且可以有效降低安全事故发生概率。尽管基于数据融合的换电柜运行状态监测方法在提高监测准确性和全面性方面取得了一定进展，但仍然存在一些现有技术缺陷，融合多源数据涉及到处理大量数据，计算量大，往往需要配对复杂的算法进行运行，而复杂的数据融合处理算法有时可能导致结果的不可解释性，使得难以理解监测系统的判定和建议，降低监测结果可靠性，并且会降低系统响应速度，导致对换电柜运行状态监测失去时效性。
发明内容
本发明克服了现有技术的不足，提供了一种基于数据融合的换电柜运行状态监测方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明第一方面公开了一种基于数据融合的换电柜运行状态监测方法，包括以下步骤：
获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据；
基于物联网方式采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内；
对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，并将对各个模块进行清洗后的实际工作数据进行基于时序排序，得到各个模块的最终实际工作数据；
将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示。
优选地，本发明的一个较佳实施例中，获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据，具体为：
获取目标换电柜各模块的历史工作数据，所述历史工作数据包括各种数据的参数值和相应的时间戳；对各模块的历史工作数据进行特征提取处理，得到各模块的历史工作数据的特征信息；
根据所述特征信息对各模块的历史工作数据进行筛选，得到各模块用于预测的历史工作数据，并将各模块用于预测的历史工作数据定义为特征工作数据；
构建回归模型，并初始化回归模型的权重和截距，并定义用于度量回归模型预测值和实际值之间差异的损失函数；
将各模块的特征工作数据导入所述回归模型中，并结合梯度下降优化算法，对所述回归模型进行反复迭代训练，使得回归模型不断调整参数以减小预测误差；每次迭代完毕后，输出最小化损失函数；并预设损失函数阈值；
若所述最小化损失函数小于预设损失函数阈值，则停止迭代，保存模型参数，得到训练好的回归模型；
若所述最小化损失函数不小于预设损失函数阈值，则继续迭代，直至最小化损失函数小于预设损失函数阈值，停止迭代，保存模型参数，得到训练好的回归模型；
获取目标换电柜的预设监测时间段，将目标换电柜的预设监测时间段导入所述训练好的回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据。
优选地，本发明的一个较佳实施例中，根据所述特征信息对各模块的历史工作数据进行筛选，得到各模块用于预测的历史工作数据，具体为：
获取各模块中需要用于预测的各类型的标准样本数据，并获取各类型标准样本数据的特征信息，得到各模块中需要用于预测的各类型标准样本数据的特征信息；
构建数据库，并将所述数据库划分为若干个存储空间，分别将各模块中需要用于预测的各类型标准样本数据的特征信息导入相应的存储空间内，得到特征数据库；
获取各模块的历史工作数据的特征信息，并基于余弦相似度算法计算各模块的历史工作数据的特征信息与相应存储空间内各类型标准样本数据的特征信息之间的相似度，得到多个相似度；
若某一历史工作数据的特征信息与相应存储空间内各类型标准样本数据的特征信息之间的相似度均不大于预设相似度，则将相对应的历史工作数据剔除；
更新各模块剩余的历史工作数据，得到各模块用于预测的历史工作数据。
优选地，本发明的一个较佳实施例中，对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，具体为：
引入遗传算法，并根据各个数据存储器内的实际工作数据创建一个初始种群，并计算初始种群中各个个体的适应度；
基于初始种群中各个个体的适应度使用选择操作从初始种群中选择一部分个体作为下一代的父代；其中，适应度高的个体被选择概率高于适应度低的个体；
对被选择的父代进行交叉操作，生成新的子代，交叉操作通过交换基因片段来创建子代；对新生成的子代进行变异操作，以引入种群的多样性，变异操作通过随机改变个体的基因来生成新的变异个体；
根据进行选择、交叉和变异操作进行不断迭代，生成新一代的个体，直至到达最大迭代次数后，输出迭代结果；根据所述迭代结果选择种群中的最优个体作为数据存储器内的实际工作数据的最优数据中心；
引入马氏距离算法，基于所述马氏距离算法计算数据存储器内的各实际工作数据与最优数据中心之间的马氏距离，并将各实际工作数据与最优数据中心之间的马氏距离与预设马氏距离进行比较；
将马氏距离大于预设马氏距离所对应的实际工作数据在数据存储器内剔除，得到清洗后的实际工作数据；
重复以上步骤，直至对各个数据存储器内的实际工作数据均进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据。
优选地，本发明的一个较佳实施例中，将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示，具体为：
根据各个模块的最终实际工作数据构建预设监测时间段内各个模块的实际工作数据变化曲线图；以及根据各个模块的预测工作数据构建预设监测时间段内各个模块的预测工作数据变化曲线图；
将各个模块的实际工作数据变化曲线与相应的预测工作数据变化曲线图进行配对；配对完成后，基于局部敏感哈希算法计算各个模块的实际工作数据变化曲线与相应的预测工作数据变化曲线图之间的重合度；
将各个模块的实际工作数据变化曲线与相应的预测工作数据变化曲线图之间的重合度与预设重合度进行比较；
将重合度不大于预设重合度所对应的实际工作数据标记为异常工作数据，将重合度大于预设重合度所对应的实际工作数据标记为正常工作数据；并分析各个模块中异常工作数据与正常工作数据的情况；
若某一模块中不存在异常工作数据，说明该模块运行状态正常，则生成第一监测报告；若某一模块中不存在正常工作数据，说明该模块运行状态异常，则生成第二监测报告，并将第二监测报告发生至预设平台上显示。
优选地，本发明的一个较佳实施例中，还包括以下步骤：
若某一模块中同时存在异常工作数据与正常工作数据，则构建隐马尔可夫模型，并将模块的最终实际工作数据导入所述隐马尔可夫模型中对该模块的状态转移概率进行计算，得到状态转移概率值；
判断所述状态转移概率值是否大于预设概率值；若所述状态转移概率值不大于预设概率值，则生成第一监测报告；
若所述状态转移概率值大于预设概率值，则获取该模块的状态转移类型，若该模块的状态转移类型为预设类型，则生成第二监测报告，并将第二监测报告发生至预设平台上显示；
若该模块的状态转移类型不为预设类型，则生成第三监测报告，并基于该模块的状态转移类型生成检索标签，根据所述检索标签对大数据网进行检索，得到对状态转移类型进行调控时的历史调控方案，并筛选出调控成功率最高的历史调控方案作为最佳调控方案，基于所述最佳调控方案对换电柜进行调控。
本发明第二方面公开了一种基于数据融合的换电柜运行状态监测系统，所述换电柜运行状态监测系统包括存储器与处理器，所述存储器中存储有换电柜运行状态监测方法程序，当所述换电柜运行状态监测方法程序被所述处理器执行时，实现如下步骤：
获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据；
基于物联网方式采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内；
对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，并将对各个模块进行清洗后的实际工作数据进行基于时序排序，得到各个模块的最终实际工作数据；
将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：通过获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据；基于物联网方式采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内；对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，并将对各个模块进行清洗后的实际工作数据进行基于时序排序，得到各个模块的最终实际工作数据；将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示。通过本方法实现了对换电柜运行状态的实时监测和预测，能够更全面地了解换电柜的运行情况，提高监测的准确性和可靠性，对于换电柜运营管理和维护具有重要意义，并且算法简单，算法运算速度快，能够有效提高系统响应速度，确保监测结果的时效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1为一种基于数据融合的换电柜运行状态监测方法的整体方法流程图；
图2为一种基于数据融合的换电柜运行状态监测方法的部分方法流程图；
图3为一种基于数据融合的换电柜运行状态监测系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明第一方面公开了一种基于数据融合的换电柜运行状态监测方法，包括以下步骤：
S102：获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据；
S104：基于物联网方式采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内；
S106：对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，并将对各个模块进行清洗后的实际工作数据进行基于时序排序，得到各个模块的最终实际工作数据；
S108：将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示。
需要说明的是，换电柜包括充电模块、通讯模块、电池模块、控制模块、安全模块、用户界面模块等。
优选地，本发明的一个较佳实施例中，获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据，具体为：
获取目标换电柜各模块的历史工作数据，所述历史工作数据包括各种数据的参数值和相应的时间戳；对各模块的历史工作数据进行特征提取处理，得到各模块的历史工作数据的特征信息；
根据所述特征信息对各模块的历史工作数据进行筛选，得到各模块用于预测的历史工作数据，并将各模块用于预测的历史工作数据定义为特征工作数据；
构建回归模型，并初始化回归模型的权重和截距，并定义用于度量回归模型预测值和实际值之间差异的损失函数；
将各模块的特征工作数据导入所述回归模型中，并结合梯度下降优化算法，对所述回归模型进行反复迭代训练，使得回归模型不断调整参数以减小预测误差；每次迭代完毕后，输出最小化损失函数；并预设损失函数阈值；
若所述最小化损失函数小于预设损失函数阈值，则停止迭代，保存模型参数，得到训练好的回归模型；
若所述最小化损失函数不小于预设损失函数阈值，则继续迭代，直至最小化损失函数小于预设损失函数阈值，停止迭代，保存模型参数，得到训练好的回归模型；
获取目标换电柜的预设监测时间段，将目标换电柜的预设监测时间段导入所述训练好的回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据。
需要说明的是，工作数据包括温度、湿度、电流、电压等。回归模型包括线性回归模型、多元线性回归模型、岭回归模型等，回归模型是一种用于建模和分析两个或多个变量之间关系的统计学方法模型，在预测换电柜工作数据的情境中，回归模型可以用来建立输入特征与工作数据之间的关系，从而进行未来时间段的预测。可以采用均方误差作为损失函数。梯度下降通过计算损失函数的梯度，沿着梯度的负方向更新参数，以逐步接近或达到损失函数的全局最小值，这使得算法能够在参数空间中搜索全局最小值，而不仅仅是陷入局部最小值。通过梯度下降优化算法来回归模型中最小化损失函数来从而优化模型，可以在相对较短的时间内找到损失函数的最小值，提高了算法在分布式计算环境中的效率，提高系统响应速度。
通过本步骤能够结合目标换电柜各模块的历史工作数据，根据回归模型对目标换电柜在未来时间段的工作数据进行预测，并且所得到的预测数据可靠高，能够提高进一步监测精度。
如图2所示，优选地，本发明的一个较佳实施例中，根据所述特征信息对各模块的历史工作数据进行筛选，得到各模块用于预测的历史工作数据，具体为：
S202：获取各模块中需要用于预测的各类型的标准样本数据，并获取各类型标准样本数据的特征信息，得到各模块中需要用于预测的各类型标准样本数据的特征信息；
S204：构建数据库，并将所述数据库划分为若干个存储空间，分别将各模块中需要用于预测的各类型标准样本数据的特征信息导入相应的存储空间内，得到特征数据库；
S206：获取各模块的历史工作数据的特征信息，并基于余弦相似度算法计算各模块的历史工作数据的特征信息与相应存储空间内各类型标准样本数据的特征信息之间的相似度，得到多个相似度；
S208：若某一历史工作数据的特征信息与相应存储空间内各类型标准样本数据的特征信息之间的相似度均不大于预设相似度，则将相对应的历史工作数据剔除；
S210：更新各模块剩余的历史工作数据，得到各模块用于预测的历史工作数据。
需要说明的是，标准样本数据包括如充电模块的标准电压、标准电流、标准温度等。在获取得到换电柜的历史工作数据中，某些数据并不需要用于对换电柜的运行监测，如个别用户的身份信息、使用记录、缴费信息数据、附近的人流量数据等，因此这些均是无效历史数据，并不适用于对换电柜各模块运行状态的监测，选择用于预测的特征数据目的是为了构建一个能够准确预测换电柜各子部件运行参数的模型。通过本步骤能够在各模块的历史工作数据将用于预测的历史工作数据进行快速筛选开来，仅保留有用的数据，以减少冗余信息，确保特征的数量适中，以避免回归模型过于复杂，有助于建立更准确、可解释和实用的回归模型，提高对运行参数的预测性能。
优选地，本发明的一个较佳实施例中，对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，具体为：
引入遗传算法，并根据各个数据存储器内的实际工作数据创建一个初始种群，并计算初始种群中各个个体的适应度；
基于初始种群中各个个体的适应度使用选择操作从初始种群中选择一部分个体作为下一代的父代；其中，适应度高的个体被选择概率高于适应度低的个体；
对被选择的父代进行交叉操作，生成新的子代，交叉操作通过交换基因片段来创建子代；对新生成的子代进行变异操作，以引入种群的多样性，变异操作通过随机改变个体的基因来生成新的变异个体；
根据进行选择、交叉和变异操作进行不断迭代，生成新一代的个体，直至到达最大迭代次数后，输出迭代结果；根据所述迭代结果选择种群中的最优个体作为数据存储器内的实际工作数据的最优数据中心；
引入马氏距离算法，基于所述马氏距离算法计算数据存储器内的各实际工作数据与最优数据中心之间的马氏距离，并将各实际工作数据与最优数据中心之间的马氏距离与预设马氏距离进行比较；
将马氏距离大于预设马氏距离所对应的实际工作数据在数据存储器内剔除，得到清洗后的实际工作数据；
重复以上步骤，直至对各个数据存储器内的实际工作数据均进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据。
需要说明的是，通过一系列传感器采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内，而由于传感器采集精度、采集环境以及信号传输过程中的影响，所采集得到的实际工作数据中可能存在一部分噪声数据，通过本方法能够有效将这些噪声数据进行清洗，从而得到可靠性更高的数据，提高数据质量，提高监测精度。
另外还需要说明的是，遗传算法是一种模拟自然选择和遗传机制的优化算法，适用于寻找复杂问题的全局最优解。传算法通过同时探索多个解空间的不同区域，有助于找到全局最优解，而不容易陷入局部最优解，通过模拟自然选择的过程，算法可以逐步优化候选解，从而迭代优化出最优数据中心。
优选地，本发明的一个较佳实施例中，将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示，具体为：
根据各个模块的最终实际工作数据构建预设监测时间段内各个模块的实际工作数据变化曲线图；以及根据各个模块的预测工作数据构建预设监测时间段内各个模块的预测工作数据变化曲线图；
将各个模块的实际工作数据变化曲线与相应的预测工作数据变化曲线图进行配对；配对完成后，基于局部敏感哈希算法计算各个模块的实际工作数据变化曲线与相应的预测工作数据变化曲线图之间的重合度；
将各个模块的实际工作数据变化曲线与相应的预测工作数据变化曲线图之间的重合度与预设重合度进行比较；
将重合度不大于预设重合度所对应的实际工作数据标记为异常工作数据，将重合度大于预设重合度所对应的实际工作数据标记为正常工作数据；并分析各个模块中异常工作数据与正常工作数据的情况；
若某一模块中不存在异常工作数据，说明该模块运行状态正常，则生成第一监测报告；若某一模块中不存在正常工作数据，说明该模块运行状态异常，则生成第二监测报告，并将第二监测报告发生至预设平台上显示。
需要说明的是，若某一模块中不存在异常工作数据，说明该模块运行状态正常，则生成第一监测报告，使得该模块继续正常运行即可；若某一模块中不存在正常工作数据，说明该模块已经发生了严重的故障，此时生成第二监测报告，并控制该模块停止工作，并将第二监测报告发生至预设平台上显示，从而知会检修人员快速对该模型进行检修。
优选地，本发明的一个较佳实施例中，还包括以下步骤：
若某一模块中同时存在异常工作数据与正常工作数据，则构建隐马尔可夫模型，并将模块的最终实际工作数据导入所述隐马尔可夫模型中对该模块的状态转移概率进行计算，得到状态转移概率值；
判断所述状态转移概率值是否大于预设概率值；若所述状态转移概率值不大于预设概率值，则生成第一监测报告；
若所述状态转移概率值大于预设概率值，则获取该模块的状态转移类型，若该模块的状态转移类型为预设类型，则生成第二监测报告，并将第二监测报告发生至预设平台上显示；
若该模块的状态转移类型不为预设类型，则生成第三监测报告，并基于该模块的状态转移类型生成检索标签，根据所述检索标签对大数据网进行检索，得到对状态转移类型进行调控时的历史调控方案，并筛选出调控成功率最高的历史调控方案作为最佳调控方案，基于所述最佳调控方案对换电柜进行调控。
需要说明的是，隐马尔可夫模型核心思想是利用当前观察到的信息来推断系统处于的状态，并通过状态转移矩阵和观察概率矩阵来进行状态的预测。恩建换电柜的实时工作数据，通过隐马尔可夫模型可以帮助预测不同状态之间的转移概率，如由正常运行状态转移至某一故障状态的概率。
需要说明的是，若某一模块中同时存在异常工作数据与正常工作数据，则通过隐马尔可夫模型对该模块的状态转移概率进行计算，即计算该模块由正常状态转移至异常状态的状态转移概率值，若所述状态转移概率值不大于预设概率值，说明该模块转移至异常状态的概率较低，而此时该模块中存在某些异常工作数据可能是由于偶然因素引起的，如换电柜受到一定程度撞击等对电流稳定性造成一定影响，则生成第一监测报告，使得换电柜继续运行即可。
若所述状态转移概率值大于预设概率值，说明该模块转移至异常状态的概率较高，此时进一步获取转移至异常状态的状态转移类型，若该模块的状态转移类型为预设类型，说明该模块在短时间内大概率会由正常状态转移至技术性故障状态，则生成第二监测报告，并将第二监测报告发生至预设平台上显示，其中，预设类型即是技术性故障类型（如由逆变器故障引起的无法将直流电转换为交流电、如由温度控制系统故障导致无法有效控制设备温度等）。
若该模块的状态转移类型不为预设类型，说明该模块在短时间内大概率会由正常状态转移至非技术性故障状态，则生成第三监测报告，并基于该模块的状态转移类型生成检索标签，根据所述检索标签对大数据网进行检索，得到对状态转移类型进行调控时的历史调控方案，并筛选出调控成功率最高的历史调控方案作为最佳调控方案，基于所述最佳调控方案对换电柜进行调控。其中，非技术性故障类型包括如由于外界高温天气条件影响设备内部温度，而发生这一故障时，可以通过调大换电柜内部散热功率的情况下解除这一故障即可。
综上所述，通过本方法实现了对换电柜运行状态的实时监测和预测，能够更全面地了解换电柜的运行情况，提高监测的准确性和可靠性，对于换电柜运营管理和维护具有重要意义，并且算法简单，算法运算速度快，能够有效提高系统响应速度，确保监测结果的时效性。
此外，本方法包括以下步骤：
若监测报告为第二监测报告，则根据第二监测报告获取运行状态异常所对应的模块；
基于灰色关联分析法计算该运行状态异常所对应的模块与充电模块之间的关联度，并判断所述关联度是否大于预设关联度；
若大于，则获取运行状态异常所对应的模块的异常状态类型信息，并根据运行状态异常所对应的模块的异常状态类型信息在大数据网络检索得到对该运行状态异常所对应的模块进行检修时所需的检修时间；
判断所述检修时间是否大于预设时间值，若大于，则在大数据网络中检索得到与目标换电柜距离最近的其余换电柜位置信息，并将对该运行状态异常所对应的模块进行检修时所需的检修时间与其余换电柜位置信息发送至用户端上。
需要说明的是，若所述关联度不大于预设关联度，但若仅仅如对通讯模块进行检修时，其并不影响目标换电柜的充电功能正常使用，此时不影响用户正常使用，因此此时站在用户角度而言，可以将目标换电柜视为正常状态，用户可以正常使用目标换电柜。而若所述关联度大于预设关联度，说明在对该运行状态异常所对应的模块进行检修时，可能会影响目标换电柜的充电模块正常使用，此时若用户选择使用目标换电柜时，可能会耽搁电池充电时间，此时需要将对该运行状态异常所对应的模块进行检修时所需的检修时间，即对目标换电柜进行检修时所需的检修时间告知用户，让用户自行选择能够接受在检修时间段内不能够对电池进行换电，并且能够检索出与目标换电柜距离最近的其余换电柜位置信息，若用户不能够接受，则可以选择去与目标换电柜距离最近的其余换电柜位置信息进行换电。通过本方法能够提高对目标换电柜进行检修时的合理性，实现了智能化管理，提高用户满意度。
此外，本方法包括以下步骤：
获取目标换电柜的预设监测时间段，将目标换电柜的预设监测时间段导入所述训练好的回归模型中进行预测，得到目标换电柜在预设监测时间段的预测用电量；
基于以上步骤获取得到预设范围区域内各目标换电柜在预设监测时间段的预测用电量，并对预设范围区域内各目标换电柜在预设监测时间段的预测用电量进行统计，得到总预测用电量；
获取预设范围内储能设备在预设监测时间段的预设剩余能源信息，并获取预设范围内在预设监测时间段的气象因子信息；
获取预设范围内储能设备与各目标换电柜之间的能源输送网络信息，根据所述能源输送网络信息与在预设监测时间段的气象因子信息计算出能源输送损耗信息；
基于所述能源输送损耗信息与预设剩余能源信息计算得到预设范围内储能设备在预设监测时间段的实际剩余能源信息；
判断所述实际剩余能源信息是否大于总预测用电量，若不大于，则计算实际剩余能源信息与总预测用电量之间的差值，根据实际剩余能源信息与总预测用电量之间的差值生成能源调度方案，基于所述能源调度方案对预设范围内储能设备进行补能。
需要说明的是，通过回归模型预测出预设范围内各目标换电柜的总预测用电量，并且进一步计算出储能设备在预设监测时间段的实际剩余能源信息，然后将两者进行比较，从而判断出是否需要对预设范围内储能设备进行补能，确保预设范围内的能源能够足以供以给目标换电柜使用。通过本方法能够智能监测出范围区域的能源能否足以供以给目标换电柜使用。
如图3所示，本发明第二方面公开了一种基于数据融合的换电柜运行状态监测系统，所述换电柜运行状态监测系统包括存储器50与处理器80，所述存储器50中存储有换电柜运行状态监测方法程序，当所述换电柜运行状态监测方法程序被所述处理器80执行时，实现如下步骤：
获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据；
基于物联网方式采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内；
对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，并将对各个模块进行清洗后的实际工作数据进行基于时序排序，得到各个模块的最终实际工作数据；
将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种基于数据融合的换电柜运行状态监测方法，其特征在于，包括以下步骤：
获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据；
基于物联网方式采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内；
对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，并将对各个模块进行清洗后的实际工作数据进行基于时序排序，得到各个模块的最终实际工作数据；
将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示；
其中，将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示，具体为：
根据各个模块的最终实际工作数据构建预设监测时间段内各个模块的实际工作数据变化曲线图；以及根据各个模块的预测工作数据构建预设监测时间段内各个模块的预测工作数据变化曲线图；
将各个模块的实际工作数据变化曲线图与相应的预测工作数据变化曲线图进行配对；配对完成后，基于局部敏感哈希算法计算各个模块的实际工作数据变化曲线图与相应的预测工作数据变化曲线图之间的重合度；
将各个模块的实际工作数据变化曲线图与相应的预测工作数据变化曲线图之间的重合度与预设重合度进行比较；
将重合度不大于预设重合度所对应的实际工作数据标记为异常工作数据，将重合度大于预设重合度所对应的实际工作数据标记为正常工作数据；并分析各个模块中异常工作数据与正常工作数据的情况；
若某一模块中不存在异常工作数据，说明该模块运行状态正常，则生成第一监测报告；若某一模块中不存在正常工作数据，说明该模块运行状态异常，则生成第二监测报告，并将第二监测报告发生至预设平台上显示；
还包括以下步骤：
若某一模块中同时存在异常工作数据与正常工作数据，则构建隐马尔可夫模型，并将模块的最终实际工作数据导入所述隐马尔可夫模型中对该模块的状态转移概率进行计算，得到状态转移概率值；
判断所述状态转移概率值是否大于预设概率值；若所述状态转移概率值不大于预设概率值，则生成第一监测报告；
若所述状态转移概率值大于预设概率值，则获取该模块的状态转移类型，若该模块的状态转移类型为预设类型，则生成第二监测报告，并将第二监测报告发生至预设平台上显示；
若该模块的状态转移类型不为预设类型，则生成第三监测报告，并基于该模块的状态转移类型生成检索标签，根据所述检索标签对大数据网进行检索，得到对状态转移类型进行调控时的历史调控方案，并筛选出调控成功率最高的历史调控方案作为最佳调控方案，基于所述最佳调控方案对换电柜进行调控。
2.根据权利要求1所述的一种基于数据融合的换电柜运行状态监测方法，其特征在于，获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据，具体为：
获取目标换电柜各模块的历史工作数据，所述历史工作数据包括各种数据的参数值和相应的时间戳；对各模块的历史工作数据进行特征提取处理，得到各模块的历史工作数据的特征信息；
根据所述特征信息对各模块的历史工作数据进行筛选，得到各模块用于预测的历史工作数据，并将各模块用于预测的历史工作数据定义为特征工作数据；
构建回归模型，并初始化回归模型的权重和截距，并定义用于度量回归模型预测值和实际值之间差异的损失函数；
将各模块的特征工作数据导入所述回归模型中，并结合梯度下降优化算法，对所述回归模型进行反复迭代训练，使得回归模型不断调整参数以减小预测误差；每次迭代完毕后，输出最小化损失函数；并预设损失函数阈值；
若所述最小化损失函数小于预设损失函数阈值，则停止迭代，保存模型参数，得到训练好的回归模型；
若所述最小化损失函数不小于预设损失函数阈值，则继续迭代，直至最小化损失函数小于预设损失函数阈值，停止迭代，保存模型参数，得到训练好的回归模型；
获取目标换电柜的预设监测时间段，将目标换电柜的预设监测时间段导入所述训练好的回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据。
3.根据权利要求2所述的一种基于数据融合的换电柜运行状态监测方法，其特征在于，根据所述特征信息对各模块的历史工作数据进行筛选，得到各模块用于预测的历史工作数据，具体为：
获取各模块中需要用于预测的各类型的标准样本数据，并获取各类型标准样本数据的特征信息，得到各模块中需要用于预测的各类型标准样本数据的特征信息；
构建数据库，并将所述数据库划分为若干个存储空间，分别将各模块中需要用于预测的各类型标准样本数据的特征信息导入相应的存储空间内，得到特征数据库；
获取各模块的历史工作数据的特征信息，并基于余弦相似度算法计算各模块的历史工作数据的特征信息与相应存储空间内各类型标准样本数据的特征信息之间的相似度，得到多个相似度；
若某一历史工作数据的特征信息与相应存储空间内各类型标准样本数据的特征信息之间的相似度均不大于预设相似度，则将相对应的历史工作数据剔除；
更新各模块剩余的历史工作数据，得到各模块用于预测的历史工作数据。
4.根据权利要求1所述的一种基于数据融合的换电柜运行状态监测方法，其特征在于，对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，具体为：
引入遗传算法，并根据各个数据存储器内的实际工作数据创建一个初始种群，并计算初始种群中各个个体的适应度；
基于初始种群中各个个体的适应度使用选择操作从初始种群中选择一部分个体作为下一代的父代；其中，适应度高的个体被选择概率高于适应度低的个体；
对被选择的父代进行交叉操作，生成新的子代，交叉操作通过交换基因片段来创建子代；对新生成的子代进行变异操作，以引入种群的多样性，变异操作通过随机改变个体的基因来生成新的变异个体；
根据进行选择、交叉和变异操作进行不断迭代，生成新一代的个体，直至到达最大迭代次数后，输出迭代结果；根据所述迭代结果选择种群中的最优个体作为数据存储器内的实际工作数据的最优数据中心；
引入马氏距离算法，基于所述马氏距离算法计算数据存储器内的各实际工作数据与最优数据中心之间的马氏距离，并将各实际工作数据与最优数据中心之间的马氏距离与预设马氏距离进行比较；
将马氏距离大于预设马氏距离所对应的实际工作数据在数据存储器内剔除，得到清洗后的实际工作数据；
重复以上步骤，直至对各个数据存储器内的实际工作数据均进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据。
5.一种基于数据融合的换电柜运行状态监测系统，其特征在于，所述换电柜运行状态监测系统包括存储器与处理器，所述存储器中存储有换电柜运行状态监测方法程序，当所述换电柜运行状态监测方法程序被所述处理器执行时，实现如下步骤：
获取目标换电柜各模块的历史工作数据，基于目标换电柜各模块的历史工作数据构建回归模型，并将预设监测时间段导入回归模型中进行预测，得到目标换电柜中各模块在预设监测时间段的预测工作数据；
基于物联网方式采集目标换电柜中各模块在预设监测时间段的实际工作数据，并将所采集得到的各模块实际工作数据存储至相应的数据存储器内；
对各个数据存储器内的实际工作数据进行数据清洗处理，得到对各个模块进行清洗后的实际工作数据，并将对各个模块进行清洗后的实际工作数据进行基于时序排序，得到各个模块的最终实际工作数据；
将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示；
其中，将各个模块的最终实际工作数据与对应的预测工作数据进行比较，得到比较结果，根据比较结果生成相应的监测报告，并将监测报告发送至预设平台上显示，具体为：
根据各个模块的最终实际工作数据构建预设监测时间段内各个模块的实际工作数据变化曲线图；以及根据各个模块的预测工作数据构建预设监测时间段内各个模块的预测工作数据变化曲线图；
将各个模块的实际工作数据变化曲线图与相应的预测工作数据变化曲线图进行配对；配对完成后，基于局部敏感哈希算法计算各个模块的实际工作数据变化曲线图与相应的预测工作数据变化曲线图之间的重合度；
将各个模块的实际工作数据变化曲线图与相应的预测工作数据变化曲线图之间的重合度与预设重合度进行比较；
将重合度不大于预设重合度所对应的实际工作数据标记为异常工作数据，将重合度大于预设重合度所对应的实际工作数据标记为正常工作数据；并分析各个模块中异常工作数据与正常工作数据的情况；
若某一模块中不存在异常工作数据，说明该模块运行状态正常，则生成第一监测报告；若某一模块中不存在正常工作数据，说明该模块运行状态异常，则生成第二监测报告，并将第二监测报告发生至预设平台上显示；
还包括以下步骤：
若某一模块中同时存在异常工作数据与正常工作数据，则构建隐马尔可夫模型，并将模块的最终实际工作数据导入所述隐马尔可夫模型中对该模块的状态转移概率进行计算，得到状态转移概率值；
判断所述状态转移概率值是否大于预设概率值；若所述状态转移概率值不大于预设概率值，则生成第一监测报告；
若所述状态转移概率值大于预设概率值，则获取该模块的状态转移类型，若该模块的状态转移类型为预设类型，则生成第二监测报告，并将第二监测报告发生至预设平台上显示；
若该模块的状态转移类型不为预设类型，则生成第三监测报告，并基于该模块的状态转移类型生成检索标签，根据所述检索标签对大数据网进行检索，得到对状态转移类型进行调控时的历史调控方案，并筛选出调控成功率最高的历史调控方案作为最佳调控方案，基于所述最佳调控方案对换电柜进行调控。
CN202311852108.9A 2023-12-29 2023-12-29 一种基于数据融合的换电柜运行状态监测方法及系统 Active CN117494072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311852108.9A CN117494072B (zh) 2023-12-29 2023-12-29 一种基于数据融合的换电柜运行状态监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311852108.9A CN117494072B (zh) 2023-12-29 2023-12-29 一种基于数据融合的换电柜运行状态监测方法及系统

Publications (2)

Publication Number Publication Date
CN117494072A CN117494072A (zh) 2024-02-02
CN117494072B true CN117494072B (zh) 2024-04-19

Family

ID=89669397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311852108.9A Active CN117494072B (zh) 2023-12-29 2023-12-29 一种基于数据融合的换电柜运行状态监测方法及系统

Country Status (1)

Country Link
CN (1) CN117494072B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117991704A (zh) * 2024-02-05 2024-05-07 河北固基机械设备有限公司 控制柜故障预警系统
CN117854655A (zh) * 2024-03-07 2024-04-09 宝鸡核力材料科技有限公司 一种钛合金制备中贵金属添加的均匀度优化方法及系统
CN118011133B (zh) * 2024-04-08 2024-06-21 西安乾景防务技术有限公司 一种基于智能反馈的can总线线缆检测分析方法及系统
CN118432738A (zh) * 2024-07-03 2024-08-02 西安乾景防务技术有限公司 一种射频自动化测试平台的运行能耗监测与优化方法及系统
CN118706192A (zh) * 2024-08-27 2024-09-27 青岛峻海物联科技有限公司 一种电气柜电路保护防火监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112162977A (zh) * 2020-10-20 2021-01-01 北京理工大学 一种面向mes的海量数据去冗余方法和系统
WO2022227280A1 (zh) * 2021-04-30 2022-11-03 中国人民解放军总医院第一医学中心 基于智能眼镜的灾害救援检伤分类及辅助诊断方法
CN115858609A (zh) * 2022-08-05 2023-03-28 国网天津市电力公司 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备
CN116737510A (zh) * 2023-08-08 2023-09-12 深圳阿比特科技有限公司 一种基于数据分析的键盘智能监测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112162977A (zh) * 2020-10-20 2021-01-01 北京理工大学 一种面向mes的海量数据去冗余方法和系统
WO2022227280A1 (zh) * 2021-04-30 2022-11-03 中国人民解放军总医院第一医学中心 基于智能眼镜的灾害救援检伤分类及辅助诊断方法
CN115858609A (zh) * 2022-08-05 2023-03-28 国网天津市电力公司 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备
CN116737510A (zh) * 2023-08-08 2023-09-12 深圳阿比特科技有限公司 一种基于数据分析的键盘智能监测方法及系统

Also Published As

Publication number Publication date
CN117494072A (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN117494072B (zh) 一种基于数据融合的换电柜运行状态监测方法及系统
CN115578015B (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
CN108537394B (zh) 一种智能电网实时安全预警方法和装置
CN110555058A (zh) 基于改进决策树的电力通信设备状态的预测方法
CN114881101B (zh) 一种基于仿生搜索的电力系统典型场景关联特征选择方法
CN116485202B (zh) 一种基于物联网工业污染实时监测方法及系统
CN116340586B (zh) 基于云平台的汽车故障管理方法、系统及存储介质
CN116660759B (zh) 基于bms电池管理系统的电池寿命预测方法及装置
CN117557415B (zh) 一种基于智慧物业的社区资源管理方法及系统
CN117951629B (zh) 一种电池组充放电温度异常行为的检测方法及系统
CN116862209B (zh) 一种新能源汽车充电设施管理方法及系统
CN117390546A (zh) 一种面向即时反窃电检测的多模数据库融合存算模型
CN114626433A (zh) 一种智能电能表故障预测并分类方法、装置及系统
CN117056591B (zh) 基于动态预测的电力缴费渠道智能推荐方法及系统
CN117955248A (zh) 一种储能电站电池状态监测系统、方法、装置和存储介质
CN116720983A (zh) 一种基于大数据分析的供电设备异常检测方法及系统
CN116714469A (zh) 充电桩健康监测方法、装置、终端及存储介质
CN114114056B (zh) 一种换电柜的电池检测回收方法、系统及存储介质
CN115713027A (zh) 一种变压器状态评估方法、装置及系统
CN116956174A (zh) 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法
CN117131947B (zh) 架空输电线路故障预测方法、装置、设备及存储介质
CN118550480B (zh) 一种智慧仓储平台的商品数据存储方法
CN118316036B (zh) 电力系统的负荷预测方法、装置与设备
CN117688503B (zh) 一种基于移动端的用电安全检查系统
CN117453977A (zh) 一种计量设备运行状态展示方法、装置、存储介质及设备

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