CN117563184B - 一种基于物联网的储能消防控制系统 - Google Patents
一种基于物联网的储能消防控制系统 Download PDFInfo
- Publication number
- CN117563184B CN117563184B CN202410049992.0A CN202410049992A CN117563184B CN 117563184 B CN117563184 B CN 117563184B CN 202410049992 A CN202410049992 A CN 202410049992A CN 117563184 B CN117563184 B CN 117563184B
- Authority
- CN
- China
- Prior art keywords
- data
- energy storage
- module
- abnormal
- abnormality
- 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 91
- 230000006855 networking Effects 0.000 title claims description 4
- 230000002159 abnormal effect Effects 0.000 claims abstract description 107
- 238000011161 development Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000011217 control strategy Methods 0.000 claims abstract description 7
- 230000005856 abnormality Effects 0.000 claims description 60
- 230000036541 health Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 28
- 239000007789 gas Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000000779 smoke Substances 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 206010000369 Accident Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003648 Ljung–Box test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C37/00—Control of fire-fighting equipment
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
- A62C3/16—Fire prevention, containment or extinguishing specially adapted for particular objects or places in electrical installations, e.g. cableways
-
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- 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
- G06N3/048—Activation functions
-
- 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
- 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
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Emergency Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于物联网的储能消防控制系统,具体涉及物联网技术领域,包括数据采集模块、数据预处理模块、数据分析模块、系统监测模块、系统控制模块,以及系统执行模块;通过数据分析模块,构建神经网络模型对数据进行分析,能够准确判断储能PACK的异常类型和发展趋势;通过系统监测模块计算储能PACK的异常程度系数,根据异常程度系数划分异常报警等级,实现分级报警,提高系统的响应速度和准确性;通过系统控制模块根据一级报警信息或二级报警信息,实施相应的控制策略;通过系统执行模块执行系统控制模块发出的指令,并向系统控制模块反馈执行结果和状态信息,实现系统的闭环控制和管理,提高系统的可靠性和可维护性。
Description
技术领域
本发明涉及物联网技术领域,更具体地说,本发明涉及一种基于物联网的储能消防控制系统。
背景技术
随着可再生能源的发展、电动汽车的普及以及工商业用电量的增加,储能设备的需求日益增长。
储能设备在运行过程中可能出现故障,导致火灾事故的发生,为了确保储能设备的安全运行,需要对储能设备进行有效的消防保护,因此现有的消防系统通过设置传感器,监测储能设备的运行,从而及时处理火灾事故,防止火灾事故蔓延,造成严重的财产损失和人员伤亡。
然后,现有的消防系统主要针对整个储能舱或其构筑物进行空间级消防,对于储能设备的PACK级别消防保护尚不完善,不能够及时预测潜在的异常风险,缺乏对电池组健康度的综合评估和预测能力,无法准确判断电池组的异常类型和发展趋势,缺乏智能化决策支持处理异常,因此,需要一种能够实时监测和预警储能PACK异常情况的消防控制系统。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种基于物联网的储能消防控制系统,通过数据采集模块采集储能PACK的原始数据;通过数据预处理模块对采集到的原始数据进行预处理;通过数据分析模块,构建神经网络模型对预处理后的数据进行分析,能够准确判断储能PACK的异常类型和发展趋势,为系统提供全面的健康度评估和预测能力;通过系统监测模块根据储能PACK的健康度指数、异常类型数据和异常类型数据发展趋势预测值,计算储能PACK的异常程度系数,根据异常程度系数划分异常报警等级,实现分级报警,提高系统的响应速度和准确性;通过系统控制模块根据一级报警信息或二级报警信息,实施相应的控制策略;通过系统执行模块执行系统控制模块发出的指令,并向系统控制模块反馈执行结果和状态信息,实现系统的闭环控制和管理,提高系统的可靠性和可维护性,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于物联网的储能消防控制系统,包括:
数据采集模块:用于采集储能PACK的原始数据,并传输给数据预处理模块进行处理和分析;所述原始数据包括电池组温度、电池组湿度、电池箱内气体浓度、电池组电量、电池组充电电流、电池组放电电流、电池组放电电压、电池组振动,以及电池箱内压力数据;
数据预处理模块:用于对采集到的原始数据进行预处理,包括去除噪声、滤波和校准操作;
数据分析模块:用于对预处理后的数据进行分析,通过构建神经网络模型,识别异常类型数据判断异常类型,并预测异常类型数据发展趋势;
系统监测模块包括参数计算单元和故障报警单元;所述参数计算单元用于根据储能PACK的预处理后的数据,计算储能PACK的健康度指数;所述故障报警单元用于根据储能PACK的健康度指数、异常类型数据和异常类型数据发展趋势预测值,计算储能PACK的异常程度系数,根据异常程度系数划分异常报警等级,传输至系统控制模块;
系统控制模块:用于接收系统监测模块传输的数据,根据一级报警信息或二级报警信息,实施相应的控制策略;
系统执行模块:用于执行系统控制模块发出的指令,并向系统控制模块反馈执行结果和状态信息。
在一个优选的实施方式中,所述数据分析模块的具体分析过程为:
A1、根据不同的异常类型,对预处理后的数据进行标记和分类,得到异常类型数据;所述异常类型数据包括温度异常数据、湿度异常数据、气体浓度异常数据、电池状态异常数据,以及振动异常数据;
A2、从异常类型数据中提取温度特征、湿度特征、气体浓度特征、电池状态特征,以及振动特征;所述温度特征包括平均温度、温度变化率和温度梯度;所述湿度特征包括平均湿度和湿度变化率;所述气体浓度特征包括平均氧气浓度、平均烟雾浓度和平均有害气体浓度;所述电池状态特征包括电池容量、电池内阻和电压变化;所述振动特征包括振动幅度和振动频率;
A3、根据包含各种异常类型样本的数据集和提取的特征,通过神经网络建立神经网络模型;
A4、使用测试集评估模型的性能,包括准确度、精确度和召回率指标;根据评估结果对网络架构和超参数进行调整,以优化模型的性能;
A5、将完成训练和调优的模型部署到实际应用中,用于处理未知数据并识别异常类型数据,从而判断异常类型;
A6、采用自回归移动平均模型,预测异常类型数据未来的发展趋势。
在一个优选的实施方式中,所述根据包含各种异常类型样本的数据集和提取的特征,通过神经网络建立神经网络模型,其处理过程如下:
A31、将包含各种异常类型样本的数据集划分为训练集和测试集;
A32、设计神经网络的结构,根据所提取的特征,确定神经网络的输入层节点数量为13,每个节点对应一个特征;确定神经网络中隐藏层的数量和每个隐藏层的神经元数量;对于每个神经元,选择Sigmoid激活函数;选择随机梯度下降算法训练神经网络模型;
A33、使用训练集对神经网络模型进行训练,其处理过程如下:
A331、根据网络结构中每层的节点数量初始化权重和偏置,从标准正态分布中随机采样初始化权重,将偏置初始化为零;
A332、将训练集的特征数据输入到网络中,通过每一层的参数计算出每个神经元的激活值,在隐藏层和输出层之间执行这个前向传播过程;
A333、在前向传播后,将模型的预测结果ypr与实际标签ytr进行比较,计算损失函数Loss,,其中A表示样本数量;
A334、使用反向传播算法将误差信号从输出层向隐藏层进行传播,并利用链式法则计算每个参数的梯度;
A335、采用随机梯度下降算法,根据计算得到的梯度更新各层之间的权重和偏置;
A336、重复执行步骤A332至步骤A335,直到达到预定的迭代次数或满足收敛条件。
在一个优选的实施方式中,所述采用自回归移动平均模型,预测异常类型数据未来的发展趋势,其处理过程如下:
A61、将异常类型数据按照时间顺序排列,并选择每一分钟为时间间隔,作为自回归移动平均模型的时间单位;
A62、通过观察时间序列的自相关图和偏自相关图,确定自回归移动平均模型的阶数g和h;其中阶数g表示自回归项的数量,阶数h表示移动平均项的数量;
A63、使用选定的g和h值,在历史数据上拟合自回归移动平均模型;
A64、对拟合的自回归移动平均模型进行诊断,检查残差是否符合白噪声假设;
A65、使用已训练的自回归移动平均模型对未来的异常类型数据进行预测;根据历史观测值和模型参数,使用递归的方式生成未来的预测值,并得到异常类型数据发展趋势预测值。
在一个优选的实施方式中,所述参数计算单元的具体处理过程为:
B1、根据储能PACK预处理后的数据,计算充电/放电比、能量效率、循环效率、充电时间恢复系数,以及自放电率;
B2、根据充电/放电比Bcf、能量效率Xnl、循环效率Xxh、充电时间恢复系数Xcs,以及自放电率Lzfd,计算储能PACK的健康度指数ZJK,
,其中ta和tb分别表示定义积分的时间范围的起始时间和结束时间,α、β、γ、δ、ε表示各项的比例系数,k表示自放电率的调整因子。
在一个优选的实施方式中,所述故障报警单元的具体处理过程为:
C1、根据储能PACK的健康度指数ZJK进行归一化处理,将其转换到0到1的范围内;所述归一化的具体计算公式为:,其中ZJKmin表示健康度指数ZJK的最小值,ZJKmax表示健康度指数ZJK的最大值;
C2、根据异常类型数据的数量和严重程度,给予不同等级的权重,将异常程度权重记为ui;
C3、综合储能PACK的健康度指数GZJK、异常类型数据和异常类型数据发展趋势预测值,计算储能PACK的异常程度系数U,,其中D表示异常类型数据的数量,每个异常类型数据都有对应的权重ui和发展趋势预测值Gi;
C4、将储能PACK的异常程度系数U与预先设定的异常程度阈值U阈进行判断对比,若U>U阈则将当前异常类型数据标记为一级报警信息传输至系统控制模块,若U≤U阈则将当前异常类型数据标记为二级报警信息传输至系统控制模块。
在一个优选的实施方式中,所述系统控制模块的具体处理方式为:若报警信息为一级报警信息,则根据异常类型和预先设定的灭火装置控制逻辑,启动灭火装置以扑灭潜在的火灾或热事件;通过声音、光闪方式向人员发出警报信号,提醒储能PACK出现严重异常;将储能PACK从系统中隔离,切断与其他设备的连接;若报警信息为二级信息,则根据异常类型数据和异常类型数据的发展趋势预测值,调整储能PACK的运行参数;安排维护人员进行检修、维护或更换相关部件;通过显示屏、手机应用方式向相关人员发送提示信息,提醒储能PACK存在异常,需要关注和处理。
本发明的技术效果和优点:
本发明通过数据采集模块采集储能PACK的原始数据;通过数据预处理模块对采集到的原始数据进行预处理;通过数据分析模块,构建神经网络模型对预处理后的数据进行分析,能够准确判断储能PACK的异常类型和发展趋势,为系统提供全面的健康度评估和预测能力,有助于提高消防监督与管理水平,并为防火监督管理和灭火救援提供数据支撑;通过系统监测模块根据储能PACK的健康度指数、异常类型数据和异常类型数据发展趋势预测值,计算储能PACK的异常程度系数,根据异常程度系数划分异常报警等级,实现分级报警,提高系统的响应速度和准确性;通过系统控制模块根据一级报警信息或二级报警信息,实施相应的控制策略;通过系统执行模块执行系统控制模块发出的指令,并向系统控制模块反馈执行结果和状态信息,实现系统的闭环控制和管理,提高系统的可靠性和可维护性,在大规模和分布式储能电站、移动式储能车、备用电源储能站等应用场景中,该系统具有显著的优势,将智慧与消防有机融合,实现了灭火救援和火灾防控的智能化,为提高消防安全提供了新的解决方案。
附图说明
图1为本发明的整体结构框图。
图2为本发明的系统监测模块结构框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
本发明提供了如图1-图2所示的一种基于物联网的储能消防控制系统,包括数据采集模块、数据预处理模块、数据分析模块、系统监测模块、系统控制模块,以及系统执行模块;
所述数据采集模块用于采集储能PACK的原始数据,并传输给数据预处理模块进行处理和分析;所述原始数据包括电池组温度、电池组湿度、电池箱内气体浓度、电池组电量、电池组充电电流、电池组放电电流、电池组放电电压、电池组振动,以及电池箱内压力数据;
本实施需要具体说明的是,所述数据采集模块的具体采集方式为:将传感器设置在电池组周围和电池箱内,采集储能PACK的原始数据,将采集到的数据进行数字化和编码,通过无线通信方式将数据传输给数据预处理模块;
所述数据预处理模块用于对采集到的原始数据进行预处理,包括去除噪声、滤波和校准操作,以提高后续数据分析的准确性和可靠性;所述去除噪声、滤波和校准操作属于现有技术手段,因此本实施例未做出具体说明;
所述数据分析模块用于对预处理后的数据进行分析,通过构建神经网络模型,识别异常类型数据判断异常类型,并预测异常类型数据发展趋势,帮助系统做出更精准的判断和决策,以便及时启动灭火装置;
本实施需要具体说明的是,所述数据分析模块的具体分析过程为:
A1、根据不同的异常类型,对预处理后的数据进行标记和分类,得到异常类型数据;所述异常类型数据包括温度异常数据、湿度异常数据、气体浓度异常数据、电池状态异常数据,以及振动异常数据;例如,对温度异常数据、湿度异常数据和气体浓度异常数据分别标记为“温度异常数据”、“湿度异常数据”和“气体浓度异常数据”;
A2、从异常类型数据中提取温度特征、湿度特征、气体浓度特征、电池状态特征,以及振动特征;所述温度特征包括平均温度、温度变化率和温度梯度;所述湿度特征包括平均湿度和湿度变化率;所述气体浓度特征包括平均氧气浓度、平均烟雾浓度和平均有害气体浓度;所述电池状态特征包括电池容量、电池内阻和电压变化;所述振动特征包括振动幅度和振动频率;
所述平均温度Pw的计算公式具体为:,其中wi表示第i个样本的温度值,n表示采集的温度样本总数;
所述温度变化率Lw的计算公式具体为:,其中W2-W1表示连续两个时间点的温度值,△t表示时间间隔;
所述温度梯度Tdw的计算公式具体为:,其中Ti+1表示第i+1个节点的温度值,Ti表示第i个节点的温度值,△x表示节点之间的间距;其中节点是指温度传感器在空间上的位置;
所述平均湿度Ps的计算公式具体为:,其中si表示第i个样本的湿度值,m表示采集的湿度样本总数;
所述湿度变化率Ls的计算公式具体为:,其中S2-S1表示电池组连续两个时间点的湿度值,△t表示时间间隔;
所述平均氧气浓度Dy的计算公式具体为:,其中yi表示第i个样本的氧气浓度,q表示采集的氧气浓度样本总数;
所述平均烟雾浓度Dw的计算公式具体为:,其中ywi表示第i个样本的烟雾浓度,a表示采集的烟雾浓度样本总数;
所述平均有害气体浓度Dyh的计算公式具体为:,其中yhi表示第i个样本的有害气体浓度,b表示采集的有害气体浓度样本总数;
所述电池容量Cdr的计算公式具体为:,其中l表示电池组充电电流,tc表示电池组充电时间;
所述电池内阻Cdn的计算公式具体为:,其中V1表示电池组放电开始的电压,V2表示电池组放电结束的电压,l2表示电池组放电电流;
所述电压变化Cdb的计算公式具体为:,其中Va-Vb表示电池组连续两个时间点的电压,△t表示时间间隔;
所述振动频率Zp的计算公式具体为:,其中pi表示振动信号的采样值,N表示采样点的总数;
所述振动频率通过对振动信号进行傅里叶变换,找出主要频率成分;所述傅里叶变换将时域的振动信号转换为频域,最大峰值对应的频率就是主要频率成分,属于现有技术手段,因此本实施例未做出具体说明;
A3、根据包含各种异常类型样本的数据集和提取的特征,通过神经网络建立神经网络模型,以便模型能够学习不同异常类型的特征和模式;其处理过程如下:
A31、将包含各种异常类型样本的数据集划分为训练集和测试集;其中训练集用于训练神经网络模型,测试集用于评估模型的性能;
A32、设计神经网络的结构,根据所提取的特征,确定神经网络的输入层节点数量为13,每个节点对应一个特征;确定神经网络中隐藏层的数量和每个隐藏层的神经元数量;对于每个神经元,选择Sigmoid激活函数;选择随机梯度下降算法训练神经网络模型;
A33、使用训练集对神经网络模型进行训练,其处理过程如下:
A331、根据网络结构中每层的节点数量初始化权重和偏置,从标准正态分布中随机采样初始化权重,将偏置初始化为零;
A332、将训练集的特征数据输入到网络中,通过每一层的参数计算出每个神经元的激活值,在隐藏层和输出层之间执行这个前向传播过程;
假设输入特征数据为c,第l层的权重为rl,第l层的偏置为vl,第l层的激活函数为fl,则第o+1层的神经元激活值通过以下公式计算:
,/>,其中Jo+1表示第o+1层神经元的加权和,Mo+1表示第o+1层神经元的输出值,Mo表示第o层神经元的输出值,ro+1表示第o+1层的权重矩阵,vo+1表示第o+1层的偏置项;
A333、在前向传播后,将模型的预测结果ypr与实际标签ytr进行比较,计算损失函数Loss,,其中A表示样本数量;
A334、使用反向传播算法将误差信号从输出层向隐藏层进行传播,并利用链式法则计算每个参数的梯度;其中反向传播算法、链式法则属于现有技术手段,因此本实施例未做出具体说明;
A335、采用随机梯度下降算法,根据计算得到的梯度更新各层之间的权重和偏置;其中随机梯度下降算法属于现有技术手段,因此本实施例未做出具体说明;
A336、重复执行步骤A332至步骤A335,直到达到预定的迭代次数或满足收敛条件;
A4、使用测试集评估模型的性能,包括准确度、精确度和召回率指标;根据评估结果对网络架构和超参数进行调整,以优化模型的性能;
A5、将完成训练和调优的模型部署到实际应用中,用于处理未知数据并识别异常类型数据,从而判断异常类型;例如,通过模型识别出输入数据是否存在异常类型数据,若存在温度异常数据,则输出温度异常结果;
A6、采用自回归移动平均模型,预测异常类型数据未来的发展趋势,以便做出及时的响应和决策;其处理过程如下:
A61、将异常类型数据按照时间顺序排列,并选择每一分钟为时间间隔,作为自回归移动平均模型的时间单位;
A62、通过观察时间序列的自相关图和偏自相关图,确定自回归移动平均模型的阶数g和h;其中阶数g表示自回归项的数量,阶数h表示移动平均项的数量,根据自相关图和偏自相关图的截尾情况,估计出最佳的g和h值;其中自相关图展示了时间序列与其延迟版本之间的相关性,如果自相关图在某个延迟点后迅速截尾至零,则意味着可以使用自回归模型,而阶数g可以由最后一个非零自相关系数的延迟点确定;偏自相关图显示了两个时间序列之间消除了其他延迟项影响后的相关性,如果偏自相关图在某个延迟点后迅速截尾至零,则意味着可以使用移动平均模型,而阶数h可以由最后一个非零偏自相关系数的延迟点确定;综合考虑自相关图和偏自相关图的截尾情况,自相关图在某个延迟点后迅速截尾至零,并且偏自相关图在该延迟点后也迅速截尾至零时,此时为最佳的g和h值;
A63、使用选定的g和h值,在历史数据上拟合自回归移动平均模型;具体使用最大似然估计确定模型的参数,属于现有技术手段,因此本实施例未做出具体说明;
A64、对拟合的自回归移动平均模型进行诊断,检查残差是否符合白噪声假设,即是否具有随机性和平稳性,通过检查残差的自相关图和偏自相关图,进行Ljung-Box检验方法评估模型的适应性;所述对拟合的自回归移动平均模型进行诊断,属于现有技术手段,因此本实施例未做出具体说明;
A65、使用已训练的自回归移动平均模型对未来的异常类型数据进行预测;根据历史观测值和模型参数,使用递归的方式生成未来的预测值,并得到异常类型数据发展趋势预测值;通过使用已训练的自回归移动平均模型对未来的异常类型数据进行预测,可以得到一系列预测值,表示异常类型数据在未来时间点上的发展趋势;
所述系统监测模块包括参数计算单元和故障报警单元;所述参数计算单元用于根据储能PACK的预处理后的数据,计算储能PACK的健康度指数;所述故障报警单元用于根据储能PACK的健康度指数、异常类型数据和异常类型数据发展趋势预测值,计算储能PACK的异常程度系数,根据异常程度系数划分异常报警等级,传输至系统控制模块;有助于及时发现异常情况并采取报警等级划分,以确保报警信息的归类和实现快速预警,减少报警信息的混乱;
本实施需要具体说明的是,所述参数计算单元的具体处理过程为:
B1、根据储能PACK预处理后的数据,计算充电/放电比、能量效率、循环效率、充电时间恢复系数,以及自放电率;
所述充电/放电比Bcf的计算公式为:,其中cn表示充电能量,fn表示放电能量,充电/放电比反映储能PACK在使用过程中的充放电平衡性;
所述能量效率Xnl的计算公式为:,其中ynl表示从储能PACK中提取的有用能量,znl表示输入的总能量,能量效率表示储能PACK在能量转换过程中的损耗情况;
所述循环效率Xxh的计算公式为:,其中scn表示第i次充放电循环中输出的能量,srn表示第i次充放电循环中输入的能量,H表示充放电循环的次数,循环效率用于评估储能PACK在充放电循环中的能量转换效率;
所述充电时间恢复系数Xcs的计算公式为:,其中Tc表示储能PACK充满电时的时间,Tf表示储能PACK放电至80%电池容量时的时间,△SOC表示储能PACK在放电状态下的电荷损失,充电时间恢复系数用于评估储能PACK的充电速度和恢复能力;
所述自放电率Lzfd的计算公式为:,其中SOCt表示在时间t处的电荷状态,SOC0表示初始时间点的电荷状态,△tc表示两个时间点之间的时间差,自放电率用于评估储能PACK在闲置状态下的电荷保持能力;
B2、根据充电/放电比Bcf、能量效率Xnl、循环效率Xxh、充电时间恢复系数Xcs,以及自放电率Lzfd,计算储能PACK的健康度指数ZJK,
,其中ta和tb分别表示定义积分的时间范围的起始时间和结束时间,α、β、γ、δ、ε表示各项的比例系数,k表示自放电率的调整因子;比例系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于比例系数的大小,只要不影响参数与量化后数值的比例关系即可;
需要说明的是,储能PACK的健康度指数计算公式中,通过取对数,将充电/放电比的范围映射到更广泛的值域内,使其影响程度更加平衡;通过使用平方根函数,将能量效率的变化从线性关系转换为非线性关系,以更好地反映能量效率对健康度的影响;通过将循环效率与1的差值相乘,可以将循环效率的变化转化为正向的健康度影响;通过取倒数,可以将充电时间恢复系数的变化转化为正向的健康度影响;通过应用指数函数,可以将自放电率的变化从线性关系转换为非线性关系,并使其影响程度逐渐减小;
本实施需要具体说明的是,所述故障报警单元的具体处理过程为:
C1、根据储能PACK的健康度指数ZJK进行归一化处理,将其转换到0到1的范围内;所述归一化的具体计算公式为:,其中ZJKmin表示健康度指数ZJK的最小值,ZJKmax表示健康度指数ZJK的最大值;
C2、根据异常类型数据的数量和严重程度,给予不同等级的权重,将异常程度权重记为ui;
需要说明的是,所述给与不同等级的权重是指在实际应用中根据特定需求和领域知识,确定不同异常类型数据的权重;例如,根据储能PACK的具体情况,考虑以下因素来制定异常程度的权重:
异常类型数据的类型:根据异常类型数据涉及的参数、传感器信息等,判断其对储能PACK安全性和性能的影响程度,并相应地给予更高或更低的权重;
异常类型数据的数量:考虑异常类型数据的出现次数,较多的异常类型数据可能对储能PACK的健康度产生更大的影响,因此可以给予更高的权重;
异常类型数据的严重程度:根据异常类型数据的程度或级别,例如警告、错误,给予不同的权重,严重程度较高的异常类型数据可能会导致更大的安全风险或性能损失,因此应给予更高的权重;
C3、综合储能PACK的健康度指数GZJK、异常类型数据和异常类型数据发展趋势预测值,计算储能PACK的异常程度系数U,,其中D表示异常类型数据的数量,每个异常类型数据都有对应的权重ui和发展趋势预测值Gi;预测值为与当前时间点对应的发展趋势预测值;由于异常类型数据的发展趋势预测值是根据历史观测值和模型参数进行预测的,它通常是一个随时间变化的序列,每个时间点上都有对应的预测值,因此,在计算异常程度系数U时,需要使用与当前时间点对应的发展趋势预测值;
C4、将储能PACK的异常程度系数U与预先设定的异常程度阈值U阈进行判断对比,若U>U阈则将当前异常类型数据标记为一级报警信息传输至系统控制模块,若U≤U阈则将当前异常类型数据标记为二级报警信息传输至系统控制模块;其中一级报警信息通常表示储能PACK发生了较严重的异常情况,需要及时采取控制措施来防止进一步发展;二级报警信息通常表示储能PACK存在一些轻微的异常,但还未达到临界状态;其中预先设定的异常程度阈值U阈,可依据具体情况具体设定,本实施例不对具体数据做具体限定;
所述系统控制模块用于接收系统监测模块传输的数据,根据一级报警信息或二级报警信息,实施相应的控制策略,以适应不同的火灾情况和需求,帮助系统做出更精准的判断和决策,确保储能PACK的安全运行;所述一级报警信息或二级报警信息包括异常类型、异常类型数据和异常发生时间;
本实施需要具体说明的是,所述系统控制模块的具体处理方式为:若报警信息为一级报警信息,则根据异常类型和预先设定的灭火装置控制逻辑,启动灭火装置以扑灭潜在的火灾或热事件;通过声音、光闪方式向人员发出警报信号,提醒储能PACK出现严重异常;将储能PACK从系统中隔离,切断与其他设备的连接,以避免异常的进一步扩散;若报警信息为二级信息,则根据异常类型数据和异常类型数据的发展趋势预测值,调整储能PACK的运行参数,如温度设定值、湿度控制策略、气体浓度阈值等,以减少异常的影响;安排维护人员进行检修、维护或更换相关部件,以修复异常情况或预防未来的异常发生;通过显示屏、手机应用方式向相关人员发送提示信息,提醒储能PACK存在异常,需要关注和处理;
所述系统执行模块用于执行系统控制模块发出的指令,并向系统控制模块反馈执行结果和状态信息。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于物联网的储能消防控制系统,其特征在于:包括:
数据采集模块:用于采集储能PACK的原始数据,并传输给数据预处理模块进行处理和分析;所述原始数据包括电池组温度、电池组湿度、电池箱内气体浓度、电池组电量、电池组充电电流、电池组放电电流、电池组放电电压、电池组振动,以及电池箱内压力数据;
数据预处理模块:用于对采集到的原始数据进行预处理,包括去除噪声、滤波和校准操作;
数据分析模块:用于对预处理后的数据进行分析,通过构建神经网络模型,识别异常类型数据判断异常类型,并预测异常类型数据发展趋势;
系统监测模块包括参数计算单元和故障报警单元;所述参数计算单元用于根据储能PACK的预处理后的数据,计算储能PACK的健康度指数;所述故障报警单元用于根据储能PACK的健康度指数、异常类型数据和异常类型数据发展趋势预测值,计算储能PACK的异常程度系数,根据异常程度系数划分异常报警等级,传输至系统控制模块;
系统控制模块:用于接收系统监测模块传输的数据,根据一级报警信息或二级报警信息,实施相应的控制策略;
系统执行模块:用于执行系统控制模块发出的指令,并向系统控制模块反馈执行结果和状态信息;
所述数据分析模块的具体分析过程为:
A1、根据不同的异常类型,对预处理后的数据进行标记和分类,得到异常类型数据;所述异常类型数据包括温度异常数据、湿度异常数据、气体浓度异常数据、电池状态异常数据,以及振动异常数据;
A2、从异常类型数据中提取温度特征、湿度特征、气体浓度特征、电池状态特征,以及振动特征;所述温度特征包括平均温度、温度变化率和温度梯度;所述湿度特征包括平均湿度和湿度变化率;所述气体浓度特征包括平均氧气浓度、平均烟雾浓度和平均有害气体浓度;所述电池状态特征包括电池容量、电池内阻和电压变化;所述振动特征包括振动幅度和振动频率;
A3、根据包含各种异常类型样本的数据集和提取的特征,通过神经网络建立神经网络模型;
A4、使用测试集评估模型的性能,包括准确度、精确度和召回率指标;根据评估结果对网络架构和超参数进行调整,以优化模型的性能;
A5、将完成训练和调优的模型部署到实际应用中,用于处理未知数据并识别异常类型数据,从而判断异常类型;
A6、采用自回归移动平均模型,预测异常类型数据未来的发展趋势。
2.根据权利要求1所述的一种基于物联网的储能消防控制系统,其特征在于:所述根据包含各种异常类型样本的数据集和提取的特征,通过神经网络建立神经网络模型,其处理过程如下:
A31、将包含各种异常类型样本的数据集划分为训练集和测试集;
A32、设计神经网络的结构,根据所提取的特征,确定神经网络的输入层节点数量为13,每个节点对应一个特征;确定神经网络中隐藏层的数量和每个隐藏层的神经元数量;对于每个神经元,选择Sigmoid激活函数;选择随机梯度下降算法训练神经网络模型;
A33、使用训练集对神经网络模型进行训练,其处理过程如下:
A331、根据网络结构中每层的节点数量初始化权重和偏置,从标准正态分布中随机采样初始化权重,将偏置初始化为零;
A332、将训练集的特征数据输入到网络中,通过每一层的参数计算出每个神经元的激活值,在隐藏层和输出层之间执行这个前向传播过程;
A333、在前向传播后,将模型的预测结果ypr与实际标签ytr进行比较,计算损失函数Loss,,其中A表示样本数量;
A334、使用反向传播算法将误差信号从输出层向隐藏层进行传播,并利用链式法则计算每个参数的梯度;
A335、采用随机梯度下降算法,根据计算得到的梯度更新各层之间的权重和偏置;
A336、重复执行步骤A332至步骤A335,直到达到预定的迭代次数或满足收敛条件。
3.根据权利要求1所述的一种基于物联网的储能消防控制系统,其特征在于:所述采用自回归移动平均模型,预测异常类型数据未来的发展趋势,其处理过程如下:
A61、将异常类型数据按照时间顺序排列,并选择每一分钟为时间间隔,作为自回归移动平均模型的时间单位;
A62、通过观察时间序列的自相关图和偏自相关图,确定自回归移动平均模型的阶数g和h;其中阶数g表示自回归项的数量,阶数h表示移动平均项的数量;
A63、使用选定的g和h值,在历史数据上拟合自回归移动平均模型;
A64、对拟合的自回归移动平均模型进行诊断,检查残差是否符合白噪声假设;
A65、使用已训练的自回归移动平均模型对未来的异常类型数据进行预测;根据历史观测值和模型参数,使用递归的方式生成未来的预测值,并得到异常类型数据发展趋势预测值。
4.根据权利要求1所述的一种基于物联网的储能消防控制系统,其特征在于:所述参数计算单元的具体处理过程为:
B1、根据储能PACK预处理后的数据,计算充电/放电比、能量效率、循环效率、充电时间恢复系数,以及自放电率;
B2、根据充电/放电比Bcf、能量效率Xnl、循环效率Xxh、充电时间恢复系数Xcs,以及自放电率Lzfd,计算储能PACK的健康度指数ZJK,
,其中ta和tb分别表示定义积分的时间范围的起始时间和结束时间,α、β、γ、δ、ε表示各项的比例系数,k表示自放电率的调整因子。
5.根据权利要求1所述的一种基于物联网的储能消防控制系统,其特征在于:所述故障报警单元的具体处理过程为:
C1、根据储能PACK的健康度指数ZJK进行归一化处理,将其转换到0到1的范围内;所述归一化的具体计算公式为:,其中ZJKmin表示健康度指数ZJK的最小值,ZJKmax表示健康度指数ZJK的最大值;
C2、根据异常类型数据的数量和严重程度,给予不同等级的权重,将异常程度权重记为ui;
C3、综合储能PACK的健康度指数GZJK、异常类型数据和异常类型数据发展趋势预测值,计算储能PACK的异常程度系数U,,其中D表示异常类型数据的数量,每个异常类型数据都有对应的权重ui和发展趋势预测值Gi;
C4、将储能PACK的异常程度系数U与预先设定的异常程度阈值U阈进行判断对比,若U>U阈则将当前异常类型数据标记为一级报警信息传输至系统控制模块,若U≤U阈则将当前异常类型数据标记为二级报警信息传输至系统控制模块。
6.根据权利要求1所述的一种基于物联网的储能消防控制系统,其特征在于:所述系统控制模块的具体处理方式为:若报警信息为一级报警信息,则根据异常类型和预先设定的灭火装置控制逻辑,启动灭火装置以扑灭潜在的火灾或热事件;通过声音、光闪方式向人员发出警报信号,提醒储能PACK出现严重异常;将储能PACK从系统中隔离,切断与其他设备的连接;若报警信息为二级信息,则根据异常类型数据和异常类型数据的发展趋势预测值,调整储能PACK的运行参数;安排维护人员进行检修、维护或更换相关部件;通过显示屏、手机应用方式向相关人员发送提示信息,提醒储能PACK存在异常,需要关注和处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410049992.0A CN117563184B (zh) | 2024-01-15 | 2024-01-15 | 一种基于物联网的储能消防控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410049992.0A CN117563184B (zh) | 2024-01-15 | 2024-01-15 | 一种基于物联网的储能消防控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117563184A CN117563184A (zh) | 2024-02-20 |
CN117563184B true CN117563184B (zh) | 2024-03-22 |
Family
ID=89884748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410049992.0A Active CN117563184B (zh) | 2024-01-15 | 2024-01-15 | 一种基于物联网的储能消防控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117563184B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117996243A (zh) * | 2024-04-07 | 2024-05-07 | 山东浪潮数据库技术有限公司 | 一种锂电储能电池包控制方法及系统 |
CN118038620A (zh) * | 2024-04-11 | 2024-05-14 | 深圳天益建设工程有限公司 | 一种智能消防安全监控系统及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174653A2 (zh) * | 2019-06-17 | 2019-09-19 | 广东恒翼能科技有限公司 | 一种锂电池热失控预警保护系统及方法 |
CN111497743A (zh) * | 2020-04-29 | 2020-08-07 | 江西凯马百路佳客车有限公司 | 一种新能源汽车火灾预警控制策略 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
WO2021194059A1 (ko) * | 2020-03-25 | 2021-09-30 | 주식회사 지에프아이 | 소화용 마이크로캡슐을 함유한 소화필름이 구비된 배터리 팩 |
CN114384427A (zh) * | 2022-01-11 | 2022-04-22 | 北京航空航天大学 | 基于量子神经网络的锂离子电池容量非线性退化预测方法 |
CN114726042A (zh) * | 2022-04-14 | 2022-07-08 | 广州奔想智能科技有限公司 | 一种利用充电曲线监测电池健康的预警方法及电池充电柜 |
CN116328227A (zh) * | 2022-11-25 | 2023-06-27 | 上海腾盛智能安全科技股份有限公司 | 一种电池储能室用消防系统及火灾预警方法 |
KR20230116590A (ko) * | 2022-01-28 | 2023-08-04 | 한국과학기술원 | 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치 |
CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
CN116923188A (zh) * | 2023-08-30 | 2023-10-24 | 南京邮电大学 | 一种新能源车的充电保护系统 |
CN116973769A (zh) * | 2023-09-22 | 2023-10-31 | 中国华能集团清洁能源技术研究院有限公司 | 检测储能电池状态的方法、装置、电子设备和介质 |
CN117393921A (zh) * | 2023-10-17 | 2024-01-12 | 浙江博时新能源技术有限公司 | 分布式储能设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230032571A1 (en) * | 2019-12-23 | 2023-02-02 | Embraer S.A. | Systems and methods for an agnostic system functional status determination and automatic management of failures |
KR20220051858A (ko) * | 2020-10-16 | 2022-04-27 | 주식회사 비즈모델라인 | 배터리팩의 온도 및 전기적 이상 상태 관리 방법 |
-
2024
- 2024-01-15 CN CN202410049992.0A patent/CN117563184B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
WO2019174653A2 (zh) * | 2019-06-17 | 2019-09-19 | 广东恒翼能科技有限公司 | 一种锂电池热失控预警保护系统及方法 |
WO2021194059A1 (ko) * | 2020-03-25 | 2021-09-30 | 주식회사 지에프아이 | 소화용 마이크로캡슐을 함유한 소화필름이 구비된 배터리 팩 |
CN111497743A (zh) * | 2020-04-29 | 2020-08-07 | 江西凯马百路佳客车有限公司 | 一种新能源汽车火灾预警控制策略 |
CN114384427A (zh) * | 2022-01-11 | 2022-04-22 | 北京航空航天大学 | 基于量子神经网络的锂离子电池容量非线性退化预测方法 |
KR20230116590A (ko) * | 2022-01-28 | 2023-08-04 | 한국과학기술원 | 에너지 저장장치의 노화도 분석을 통한 화재사고 예측 방법 및 장치 |
CN114726042A (zh) * | 2022-04-14 | 2022-07-08 | 广州奔想智能科技有限公司 | 一种利用充电曲线监测电池健康的预警方法及电池充电柜 |
CN116328227A (zh) * | 2022-11-25 | 2023-06-27 | 上海腾盛智能安全科技股份有限公司 | 一种电池储能室用消防系统及火灾预警方法 |
CN116680983A (zh) * | 2023-06-06 | 2023-09-01 | 重庆大学 | 基于改进粒子滤波模型的锂离子剩余寿命预测方法 |
CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
CN116923188A (zh) * | 2023-08-30 | 2023-10-24 | 南京邮电大学 | 一种新能源车的充电保护系统 |
CN116973769A (zh) * | 2023-09-22 | 2023-10-31 | 中国华能集团清洁能源技术研究院有限公司 | 检测储能电池状态的方法、装置、电子设备和介质 |
CN117393921A (zh) * | 2023-10-17 | 2024-01-12 | 浙江博时新能源技术有限公司 | 分布式储能设备 |
Also Published As
Publication number | Publication date |
---|---|
CN117563184A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117563184B (zh) | 一种基于物联网的储能消防控制系统 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN108537394B (zh) | 一种智能电网实时安全预警方法和装置 | |
CN112817280A (zh) | 一种用于火电厂智慧监盘报警系统实现方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN104614179A (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN112085621B (zh) | 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法 | |
CN117150934B (zh) | 变压器套管状态综合监测系统及其在线数据处理方法 | |
CN113554361B (zh) | 一种综合能源系统数据处理计算方法及处理系统 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
CN114022307A (zh) | 分等级、分时级的孤寡老人用电量异常变化分析方法 | |
CN116029699A (zh) | 一种基于数据孪生的电力信息系统及运维方法 | |
CN114169709A (zh) | 变电站二次设备的状态评估方法、装置、存储介质及设备 | |
CN116756505B (zh) | 一种基于大数据的光伏设备智能管理系统及方法 | |
CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN111143835A (zh) | 基于机器学习的电力计量系统业务逻辑非侵入式防护方法 | |
CN112085043A (zh) | 一种变电站网络安全智能监控方法及系统 | |
Othman et al. | Hybrid stand-alone photovoltaic systems sizing optimization based on load profile | |
CN117686935B (zh) | 一种基于电压概率密度的电池rul预测方法 |
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 |