CN117668694A - 能源路由器多能形式储能系统的数据分析方法及系统 - Google Patents
能源路由器多能形式储能系统的数据分析方法及系统 Download PDFInfo
- Publication number
- CN117668694A CN117668694A CN202311686250.0A CN202311686250A CN117668694A CN 117668694 A CN117668694 A CN 117668694A CN 202311686250 A CN202311686250 A CN 202311686250A CN 117668694 A CN117668694 A CN 117668694A
- Authority
- CN
- China
- Prior art keywords
- storage system
- energy storage
- template
- data
- state data
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 773
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 234
- 238000004458 analytical method Methods 0.000 claims abstract description 200
- 238000012549 training Methods 0.000 claims abstract description 132
- 230000002159 abnormal effect Effects 0.000 claims abstract description 104
- 230000005856 abnormality Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种能源路由器多能形式储能系统的数据分析方法及系统,第一储能系统异常分析网络是依据第一模板储能系统监控数据进行网络权重参数迭代更新生成的,而依据第二模板储能系统监控数据继续进行更新生成的第二储能系统异常分析网络可以提高网络对数据的适应度。因此参考储能系统状态数据前后置信值的浮动,可以反映储能系统状态数据是否包括异常状态特征,故依据浮动置信值得到包括异常状态特征的定位状态节点的可靠性更高,由此可以从第一模板储能系统监控数据中提取包括异常状态特征的储能系统状态数据作为训练数据进行网络权重参数迭代更新,使得生成的目标储能系统异常分析网络的异常状态分析可靠性更高。
Description
技术领域
本申请涉及储能运维技术领域,具体而言,涉及一种能源路由器多能形式储能系统的数据分析方法及系统。
背景技术
能源路由器的电能存储模块主要包括蓄电池和超级电容器。对于热、电、气多能形式的能源路由器储能系统,其状态监控至关重要,当一旦出现异常状态时可以及时通知相应的运维人员进行处理,以保证能源路由器的运行可靠性。基于此,如何提高能源路由器多能形式储能系统的异常状态分析可靠性,是亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种能源路由器多能形式储能系统的数据分析方法及系统。
依据本申请的第一方面,提供一种能源路由器多能形式储能系统的数据分析方法,应用于云服务器,所述方法包括:
获取对任意能源路由器多能形式储能系统的第一模板储能系统监控数据进行状态标签拆分生成的参考储能系统状态数据序列,所述参考储能系统状态数据序列包括多个参考储能系统状态数据;
获取所述参考储能系统状态数据各自对应的第一置信值,所述第一置信值是将所述参考储能系统状态数据分别加载至第一储能系统异常分析网络,生成的所述参考储能系统状态数据包括异常状态特征的置信值,所述第一储能系统异常分析网络是依据所述第一模板储能系统监控数据进行网络权重参数迭代更新生成的;
获取所述参考储能系统状态数据各自对应的第二置信值,所述第二置信值是将所述参考储能系统状态数据分别加载至第二储能系统异常分析网络,生成的所述参考储能系统状态数据包括异常状态特征的置信值,所述第二储能系统异常分析网络是依据第二模板储能系统监控数据对所述第一储能系统异常分析网络进行网络权重参数迭代更新生成的;
基于所述第一置信值以及所述第二置信值得到浮动置信值,基于所述浮动置信值从所述参考储能系统状态数据序列中提取到包括异常状态特征的目标储能系统状态数据;
基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络,所述目标储能系统异常分析网络用于对待分析储能系统监控数据进行异常状态分析。
在第一方面的一种可能的实施方式中,所述获取对任意能源路由器多能形式储能系统的第一模板储能系统监控数据进行状态标签拆分生成的参考储能系统状态数据序列之前,所述方法还包括:
获取模板储能系统监控数据序列,基于所述模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据,所述模板储能系统监控数据序列包括多个模板储能系统监控数据;
所述基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络包括:
基于所述目标储能系统状态数据对所述第二储能系统异常分析网络进行网络权重参数迭代更新,获得第一模板储能系统监控数据对应的优化后的第一储能系统异常分析网络;
返回所述基于所述模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据的步骤,直至优化后的第一储能系统异常分析网络满足训练终止条件,获得目标储能系统异常分析网络;
所述基于所述模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据包括:
将所述模板储能系统监控数据序列划分为多个模板训练数据分配块;
以模板训练数据分配块为网络训练更新单位,从所述模板储能系统监控数据序列中依次获取当前模板训练数据分配块,当前模板训练数据分配块的模板储能系统监控数据为第一模板储能系统监控数据,当前模板训练数据分配块之外的模板训练数据分配块的模板储能系统监控数据为第二模板储能系统监控数据;
所述返回所述基于所述模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据的步骤包括:
返回所述以模板训练数据分配块为网络训练更新单位,从所述模板储能系统监控数据序列中依次获取当前模板训练数据分配块,当前模板训练数据分配块的模板储能系统监控数据为第一模板储能系统监控数据,当前模板训练数据分配块之外的模板训练数据分配块的模板储能系统监控数据为第二模板储能系统监控数据的步骤;
所述获取所述参考储能系统状态数据各自对应的第一置信值包括:
将前一批次网络权重参数迭代更新时,依据同一模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为优化的第一储能系统异常分析网络,基于优化的第一储能系统异常分析网络获取所述参考储能系统状态数据各自对应的第一置信值;
所述获取所述参考储能系统状态数据各自对应的第二置信值包括:
将本批次网络权重参数迭代更新时,依据当前模板训练数据分配块的前向模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为优化的第二储能系统异常分析网络,基于优化的第二储能系统异常分析网络获取所述参考储能系统状态数据各自对应的第二置信值;
所述方法还包括:
获取目标储能系统异常定位网络;
将所述网络学习数据中的各个模板储能系统监控数据对应的参考储能系统状态数据分别加载至所述目标储能系统异常定位网络中,生成各个模板储能系统监控数据的参考储能系统状态数据为异常状态特征所在的定位状态节点的第三置信值;
依据所述第三置信值从所述参考储能系统状态数据序列中提取到包括异常状态特征的第二储能系统状态数据;
依据所述第二储能系统状态数据进行网络权重参数迭代更新,获得第一轮网络权重参数迭代更新生成的储能系统异常分析网络。
在第一方面的一种可能的实施方式中,所述基于所述浮动置信值从所述参考储能系统状态数据序列中提取到包括异常状态特征的目标储能系统状态数据包括:
从所述参考储能系统状态数据序列中提取到所述浮动置信值符合设定浮动特征的参考储能系统状态数据,作为包括异常状态特征的目标储能系统状态数据,所述设定浮动特征包括置信值大小排序位于降序排序序列前N或者所述浮动置信值大于设定浮动值中的至少一个。
在第一方面的一种可能的实施方式中,所述基于所述第一置信值以及所述第二置信值得到浮动置信值包括:
将所述第二置信值减去或者除以所述第一置信值,获得浮动置信值。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取所述目标储能系统状态数据与所述参考储能系统状态数据的共享特征度;
获取所述共享特征度大于第一门限共享特征度的参考储能系统状态数据,作为第三储能系统状态数据;
所述基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络包括:
将所述第三储能系统状态数据以及所述目标储能系统状态数据作为正模板储能系统状态数据,基于所述正模板储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取所述目标储能系统状态数据与所述参考储能系统状态数据的共享特征度;
获取所述共享特征度小于第二门限共享特征度的参考储能系统状态数据,作为第四储能系统状态数据,所述第二门限共享特征度不大于所述第一门限共享特征度;
所述基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络包括:
将所述第四储能系统状态数据作为负模板储能系统状态数据,将所述目标储能系统状态数据组作为正模板储能系统状态数据;
基于所述正模板储能系统状态数据以及所述负模板储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取输入的等待分析的储能系统监控数据,将所述输入的等待分析的储能系统监控数据进行状态标签拆分生成多个第一储能系统状态数据;
将各个所述第一储能系统状态数据分别加载至所述目标储能系统异常分析网络中,获得各个所述第一储能系统状态数据中包括异常状态特征的目标置信值;
依据所述目标置信值从所述第一储能系统状态数据中提取获得包括异常状态特征的储能系统状态数据,获得异常状态特征在所述输入的等待分析的储能系统监控数据中的异常状态节点。
依据本申请的第二方面,提供一种云服务器,所述云服务器包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该云服务器实现前述的能源路由器多能形式储能系统的数据分析方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当所述计算机可执行指令被执行时,实现前述的能源路由器多能形式储能系统的数据分析方法。
依据上述任一方面,本申请中,第一储能系统异常分析网络是依据第一模板储能系统监控数据进行网络权重参数迭代更新生成的,而依据第二模板储能系统监控数据继续进行更新生成的第二储能系统异常分析网络可以提高网络对数据的适应度。因此参考储能系统状态数据前后置信值的浮动,可以反映储能系统状态数据是否包括异常状态特征,故依据浮动置信值得到包括异常状态特征的定位状态节点的可靠性更高,由此可以从第一模板储能系统监控数据中提取包括异常状态特征的储能系统状态数据作为训练数据进行网络权重参数迭代更新,使得生成的目标储能系统异常分析网络的异常状态分析可靠性更高。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的能源路由器多能形式储能系统的数据分析方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的能源路由器多能形式储能系统的数据分析方法的云服务器的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将依据本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中销毁一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。依据本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
图1示出了本申请实施例提供的能源路由器多能形式储能系统的数据分析方法的流程示意图,应当理解,在其它实施例中,本实施例的能源路由器多能形式储能系统的数据分析方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该能源路由器多能形式储能系统的数据分析方法的详细包括:
步骤S102,获取对任意能源路由器多能形式储能系统的第一模板储能系统监控数据进行状态标签拆分生成的参考储能系统状态数据序列,参考储能系统状态数据序列包括多个参考储能系统状态数据。
示例性的,模板储能系统监控数据是用于网络权重参数迭代优化的储能系统监控数据。模板储能系统监控数据中含有异常状态特征,异常状态特征是指需要重点关注的异常特征,异常状态特征基于具体应用场景可以不同,例如可以是热故障特征、电气故障特征等。参考储能系统状态数据是对模板储能系统监控数据进行状态标签拆分生成的储能系统状态数据,参考储能系统状态数据序列中的数量可以基于实际设计需求进行确定。参考储能系统状态数据序列中的参考储能系统状态数据可以存在交叉的定位状态节点,也可以不存在交叉的定位状态节点。
步骤S104,获取参考储能系统状态数据各自对应的第一置信值,第一置信值是将参考储能系统状态数据分别加载至第一储能系统异常分析网络,生成的参考储能系统状态数据包括异常状态特征的置信值,第一储能系统异常分析网络是依据第一模板储能系统监控数据进行网络权重参数迭代更新生成的。
示例性的,置信值表示参考储能系统状态数据为异常状态特征所在的储能系统状态数据的概率评分,即参考储能系统状态数据包括异常状态特征的概率评分。一个储能系统状态数据对应的置信值越大,则表明该储能系统状态数据为异常状态特征所在的储能系统状态数据的概率评分越大。储能系统异常分析网络是用来计算参考储能系统状态数据为异常状态特征所在的储能系统状态数据的置信值的网络模型,可以输出储能系统监控数据中异常状态特征所在的异常状态节点。第一储能系统异常分析网络是依据第一模板储能系统监控数据进行网络权重参数迭代更新生成的,第一模板储能系统监控数据可以包括一个或多个。例如假设第一模板储能系统监控数据为a,则第一储能系统异常分析网络是依据a进行网络权重参数迭代更新生成的。在依据第一模板储能系统监控数据进行网络权重参数迭代更新时,可以是将整个模板储能系统监控数据作为含有异常状态特征的储能系统监控数据,也可以是将模板储能系统监控数据进行状态标签拆分生成多个参考储能系统状态数据,从中选取为异常状态特征所在的储能系统状态数据概率评分大的定位状态节点,例如置信值大于预设置信值的定位状态节点进行网络权重参数迭代更新,获得第一储能系统异常分析网络。
步骤S106,获取参考储能系统状态数据各自对应的第二置信值,第二置信值是将参考储能系统状态数据分别加载至第二储能系统异常分析网络,生成的参考储能系统状态数据包括异常状态特征的置信值,第二储能系统异常分析网络是依据第二模板储能系统监控数据对第一储能系统异常分析网络进行网络权重参数迭代更新生成的。
示例性的,第一模板储能系统监控数据和第二模板储能系统监控数据是不同的模板储能系统监控数据。第二储能系统异常分析网络是依据第一储能系统异常分析网络进行网络权重参数迭代更新生成的,即是在进行网络权重参数迭代更新得到第一储能系统异常分析网络后,依据第二模板储能系统监控数据继续进行网络权重参数迭代更新生成的。第二模板储能系统监控数据可以包括多个。在依据第二模板储能系统监控数据进行网络权重参数迭代更新时,可以是将整个第二模板储能系统监控数据作为含有异常状态特征的储能系统监控数据,也可以是将模板储能系统监控数据进行分割,进行状态标签拆分生成多个参考储能系统状态数据,从中选取为异常状态特征所在的储能系统状态数据概率评分大的定位状态节点,例如置信值大于预设置信值的定位状态节点对第一储能系统异常分析网络继续进行网络权重参数迭代更新,获得第二储能系统异常分析网络。
步骤S108,基于第一置信值以及第二置信值得到浮动置信值,基于浮动置信值从参考储能系统状态数据序列中提取到包括异常状态特征的目标储能系统状态数据。
示例性的,浮动置信值表示第一置信值到第二置信值的变化大小,浮动置信值可以用比值表示,也可以用差值表示。可以基于浮动置信值从参考储能系统状态数据序列中提取到满足预设的置信值变化条件的参考储能系统状态数据,作为包括异常状态特征的目标储能系统状态数据,例如,将模板储能系统监控数据中,浮动置信值最大的参考储能系统状态数据作为目标储能系统状态数据。
一种可替代的实施方式中,可以将第二置信值减去或者除以第一置信值,获得浮动置信值。例如,假设第一置信值为0.6,第二置信值为0.92,则浮动置信值为0.92-0.6=0.32。
一种可替代的实施方式中,可以从参考储能系统状态数据序列中提取到浮动置信值符合设定浮动特征的参考储能系统状态数据,作为包括异常状态特征的目标储能系统状态数据,设定浮动特征包括置信值大小排序位于降序排序序列前N或者浮动置信值大于设定浮动值中的至少一个。
一种可替代的实施方式中,还可以基于浮动置信值从参考储能系统状态数据序列中提取到不包括异常状态特征的储能系统状态数据,例如,可以将浮动置信值排序在前N之后,或者浮动置信值小于第二设定浮动值的参考储能系统状态数据作为不包括异常状态特征的储能系统状态数据,第二设定浮动值可以为负数,将这一类储能系统状态数据作为负样本对应的储能系统状态数据,进行网络权重参数迭代更新。
步骤S110,基于目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络,目标储能系统异常分析网络用于对待分析储能系统监控数据进行异常状态分析。
示例性的,获得目标储能系统状态数据后,将目标储能系统状态数据作为包括异常状态特征的定位状态节点,即作为正训练数据,依据目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络。可以将基于目标储能系统状态数据进行使得生成的储能系统异常分析网络作为目标分析网络,也可以在依据目标储能系统状态数据进行网络权重参数迭代更新之后,再采用其它模板储能系统监控数据继续进行训练,获得目标储能系统异常分析网络。目标储能系统异常分析网络是已经训练好的神经网络,可以用于对输入的等待分析的储能系统监控数据即待分析储能系统监控数据进行异常状态分析。
一种可替代的实施方式中,可以基于目标储能系统状态数据对第二储能系统异常分析网络进行训练,获得目标储能系统异常分析网络,即是在第二储能系统异常分析网络的神经网络参数的基础上,继续调整模型参数,获得目标储能系统异常分析网络。
一种可替代的实施方式中,还可以获取与目标储能系统状态数据共享特征度高的储能系统状态数据,例如大于门限共享特征度的储能系统状态数据,作为包括异常状态特征的储能系统状态数据。由于异常状态特征的异常状态节点可能涉及多个参考储能系统状态数据,但由于第一储能系统异常分析网络以及第二储能系统异常分析网络的网络学习损失,可能存在分析误差,因此通过共享特征度,可以将目标储能系统状态数据周围的储能系统状态数据也作为包括异常状态特征的储能系统状态数据。
基于以上步骤,第一储能系统异常分析网络是依据第一模板储能系统监控数据进行网络权重参数迭代更新生成的,对第一模板储能系统监控数据的识别能力高,而依据第二模板储能系统监控数据继续进行更新生成的第二储能系统异常分析网络可以提高网络对数据的适应度。因此参考储能系统状态数据前后置信值的浮动,可以反映储能系统状态数据是否包括异常状态特征,故依据浮动置信值得到包括异常状态特征的定位状态节点的可靠性更高,由此可以从第一模板储能系统监控数据中提取包括异常状态特征的储能系统状态数据作为训练数据进行网络权重参数迭代更新,使得生成的目标储能系统异常分析网络可靠性更高。
在依据储能系统异常分析网络确定参考储能系统状态数据是否为包括异常状态特征的定位状态节点时,生成的参考储能系统状态数据的置信值的取决于:A、该模板储能系统监控数据是否被当作正训练数据训练了储能系统异常分析网络,如果被当作正训练数据训练了储能系统异常分析网络,依据网络权重参数迭代优化后得到的第一储能系统异常分析网络对该参考储能系统状态数据进行评估,生成的置信值会较高。B、储能系统异常分析网络在其它模板储能系统监控数据进行训练后储能系统异常分析网络的性能获得增强,故依据其它模板储能系统监控数据对第一储能系统异常分析网络继续进行使得生成的第二储能系统异常分析网络的性能获得增强,对包括异常状态特征的参考储能系统状态数据的置信值也会提升。因此,如果依据其它模板储能系统监控数据(第二模板储能系统监控数据)进行使得生成的第二储能系统异常分析网络输出的参考储能系统状态数据的第二置信值大,则对应的浮动置信值会相对于同一模板储能系统监控数据的其它参考储能系统状态数据大,说明参考储能系统状态数据为包括异常状态特征的定位状态节点的概率评分是较高的。两次训练之间的浮动置信值能合理体现一个参考储能系统状态数据是否包括异常状态特征。故可以将第一模板储能系统监控数据中,置信值变化大的参考储能系统状态数据作为包括异常状态特征的储能系统状态数据。
而如果参考储能系统状态数据是不包括异常状态特征的,即使将该参考储能系统状态数据作为包括异常状态特征的定位状态节点进行网络权重参数迭代更新,在继续采用其它模板储能系统监控数据进行训练之后,依据第二储能系统异常分析网络进行置信值的估计,由于储能系统异常分析网络的性能获得增强,那么这个参考储能系统状态数据的置信值还是较低,则说明不是包括异常状态特征的储能系统状态数据,因此基于本申请实施例可以提高获取包括异常状态特征的储能系统状态数据的精准性。
一种可替代的实施方式中,在获取对任意能源路由器多能形式储能系统的第一模板储能系统监控数据进行状态标签拆分生成的参考储能系统状态数据序列之前,还包括步骤S202:获取模板储能系统监控数据序列,基于模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据,模板储能系统监控数据序列包括多个模板储能系统监控数据。
在进行网络权重参数迭代更新时,可以依据模板储能系统监控数据序列进行网络权重参数迭代更新,获得目标储能系统异常分析网络。模板储能系统监控数据序列中,第一模板储能系统监控数据和第二模板储能系统监控数据随着网络权重参数迭代优化的进行,是不断进行优化的。例如,一个模板储能系统监控数据在某一训练节点,是作为第一模板储能系统监控数据,而在另一训练节点,则是作为第二模板储能系统监控数据的。例如,依次将模板储能系统监控数据集中的一个或多个储能系统监控数据作为第一模板储能系统监控数据,第一模板储能系统监控数据之外的模板储能系统监控数据作为第二模板储能系统监控数据。例如,假设有1000个模板储能系统监控数据,则第1次进行网络权重参数迭代更新时,将第1个模板储能系统监控数据作为第一模板储能系统监控数据,当依据第1个模板储能系统监控数据进行网络权重参数迭代优化后,再将第2个模板储能系统监控数据作为第一模板储能系统监控数据……以此类推,当依据第999个模板储能系统监控数据进行网络权重参数迭代优化后,再将第1000个模板储能系统监控数据作为第一模板储能系统监控数据。
一种可能的实施方式中,步骤S110基于目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络可以包括以下步骤:
步骤S204,基于目标储能系统状态数据对第二储能系统异常分析网络进行网络权重参数迭代更新,获得第一模板储能系统监控数据对应的优化后的第一储能系统异常分析网络。
示例性的,基于目标储能系统状态数据对第二储能系统异常分析网络进行网络权重参数迭代更新,将使得生成的神经网络作为依据该第一模板储能系统监控数据进行使得生成的神经网络,即将使得生成的神经网络更新该第一模板储能系统监控数据对应的第一储能系统异常分析网络。
步骤S206,判断优化后的第一储能系统异常分析网络是否收敛。
如果第一储能系统异常分析网络满足训练终止条件,则进入步骤S208,将优化后的第一储能系统异常分析网络作为目标储能系统异常分析网络。如果第一储能系统异常分析网络还没有收敛,则返回步骤S202,即返回基于模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据的步骤,将网络学习数据中的下一个或者下一组模板储能系统监控数据作为第一模板储能系统监控数据。直至优化后的第一储能系统异常分析网络满足训练终止条件,获得目标储能系统异常分析网络。
可以理解,步骤S204中第一模板储能系统监控数据对应的优化后的第一储能系统异常分析网络是指对同样的第一模板储能系统监控数据使得生成的第一储能系统异常分析网络进行更新。当返回步骤S202后,由于第一模板储能系统监控数据变化了,因此,依据第一模板储能系统监控数据进行使得生成的第一储能系统异常分析网络也会变化。例如,假设第一模板储能系统监控数据为a,则被优化的第一储能系统异常分析网络是依据a进行使得生成的储能系统异常分析网络,假设在返回步骤S202后,优化的第一模板储能系统监控数据为b,则获取得到的第一储能系统异常分析网络是依据b进行使得生成的储能系统异常分析网络。当在下一次将a作为第一模板储能系统监控数据时,获取的才是a对应的优化后的第一储能系统异常分析网络。
步骤S208,将优化后的第一储能系统异常分析网络作为目标储能系统异常分析网络。
一种可替代的实施方式中,步骤S202即基于模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据包括:
步骤S302,将模板储能系统监控数据序列划分为多个模板训练数据分配块。
示例性的,一个模板训练数据分配块可以包括多个模板储能系统监控数据。
步骤S304,以模板训练数据分配块为网络训练更新单位,从模板储能系统监控数据序列中依次获取当前模板训练数据分配块,当前模板训练数据分配块的模板储能系统监控数据为第一模板储能系统监控数据,当前模板训练数据分配块之外的模板训练数据分配块的模板储能系统监控数据为第二模板储能系统监控数据;
一种可替代的实施方式中,当第一储能系统异常分析网络未收敛时,返回的是以模板训练数据分配块为网络训练更新单位,从模板储能系统监控数据序列中依次获取当前模板训练数据分配块,当前模板训练数据分配块的模板储能系统监控数据为第一模板储能系统监控数据,当前模板训练数据分配块之外的模板训练数据分配块的模板储能系统监控数据为第二模板储能系统监控数据的步骤。
一种可替代的实施方式中,可以进行多轮的网络权重参数迭代更新,获取参考储能系统状态数据各自对应的第一置信值包括:将前一批次网络权重参数迭代更新时,依据同一模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为优化的第一储能系统异常分析网络,基于优化的第一储能系统异常分析网络获取参考储能系统状态数据各自对应的第一置信值;获取参考储能系统状态数据各自对应的第二置信值包括:将本批次网络权重参数迭代更新时,依据当前模板训练数据分配块的前向模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为优化的第二储能系统异常分析网络,基于优化的第二储能系统异常分析网络获取参考储能系统状态数据各自对应的第二置信值。
示例性的,一轮迭代更新是指网络学习数据中的模板训练数据分配块均作为训练数据对储能系统异常分析网络进行了训练。例如,假设网络学习数据有1000个模板储能系统监控数据,分成100组,则这100组的模板训练数据分配块均依次作为当前模板训练数据分配块,进行了网络权重参数迭代更新,则为一轮网络权重参数迭代更新。本轮是指当前进行网络权重参数迭代优化的一轮,前一批次是指本轮的前一轮。当在本轮依据当前模板训练数据分配块进行网络权重参数迭代更新时,获取在前一批次网络权重参数迭代更新时,依据同一模板训练数据分配块进行训练后,更新得到的神经网络作为该当前模板训练数据分配块对应的第一储能系统异常分析网络,即作为当前模板训练数据分配块中,各个第一模板储能系统监控数据对应的第一储能系统异常分析网络。对于当前模板训练数据分配块中的每一个第一模板储能系统监控数据,获取对应的参考储能系统状态数据,加载至第一储能系统异常分析网络中,第一储能系统异常分析网络输出参考储能系统状态数据包括异常状态特征的第一置信值。
前向模板训练数据分配块是指在本轮网络权重参数迭代更新时,在该当前模板训练数据分配块之前已经作为第一模板储能系统监控数据对储能系统异常分析网络进行训练的模板训练数据分配块。对于当前模板训练数据分配块而言,第二储能系统异常分析网络是依据前向模板训练数据分配块进行网络权重参数迭代更新生成的神经网络。对于当前模板训练数据分配块中的每一个第一模板储能系统监控数据,获取对应的参考储能系统状态数据,加载至第二储能系统异常分析网络中,第二储能系统异常分析网络输出参考储能系统状态数据包括异常状态特征的第二置信值。因此,对于同一参考储能系统状态数据,可以基于第一置信值以及第二置信值得到置信值变换值,对于每一个第一模板储能系统监控数据,可以基于浮动置信值从参考储能系统状态数据序列中提取到包括异常状态特征的目标储能系统状态数据。
一种可替代的实施方式中,如果当前模板训练数据分配块是本轮迭代更新的第一组模板训练数据分配块,则可以将前一批次最后使得生成的储能系统异常分析网络作为优化的第二储能系统异常分析网络。
对任意一个模板储能系统监控数据,它在第f+1轮的正训练数据,即包括目标储能系统监控数据的储能系统状态数据包括:第二置信值减去第一置信值得到的浮动置信值最大的参考储能系统状态数据,第一置信值是依据该模板储能系统监控数据所在的模板训练数据分配块进行第f轮迭代更新后得到的第一储能系统异常分析网络,对参考储能系统状态数据进行处理输出的。第二置信值是依据该模板储能系统监控数据的前一模板训练数据分配块进行第f+1轮迭代更新后得到的第二储能系统异常分析网络,对参考储能系统状态数据进行处理输出的。其中为第f+1轮时,第二储能系统异常分析网络输出的第i个参考储能系统状态数据对应的第二置信值。
基于以上步骤,通过获取前一批次网络权重参数迭代更新时,依据同一模板训练数据分配块进行训练后更新得到的神经网络作为第一储能系统异常分析网络,将本批次网络权重参数迭代更新时,依据当前模板训练数据分配块的前向模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为优化的第二储能系统异常分析网络。依据第二和第二储能系统异常分析网络输出的置信值的浮动值提取到参考储能系统状态数据作为目标储能系统状态数据。因此,在不同阶段的网络权重参数迭代更新中,对于同一模板储能系统监控数据,其包括异常状态特征的储能系统状态数据是动态优化的,即正训练数据是动态优化的,获得正训练数据的精准性也在不断提高,故可以提高网络分析性能。
一种可替代的实施方式中,以上方法实施例还可以包括以下步骤:
步骤S402,获取目标储能系统异常定位网络。
示例性的,储能系统异常定位网络是用于判别储能系统监控数据中是否包括异常状态特征的神经网络,将储能系统监控数据加载至目标储能系统异常定位网络时,目标储能系统异常定位网络输出的是该储能系统监控数据是否包括异常状态特征的结果,例如,包括异常状态特征的置信值。储能系统异常分析网络可以用于对异常状态特征在储能系统监控数据中的异常状态节点进行分析,也可以用于分析储能系统监控数据中是否包括异常状态特征。由于使得生成的是储能系统异常定位网络,因此可以不对网络学习数据中的模板储能系统监控数据进行分割,也可以依据完整的模板储能系统监控数据训练得到储能系统异常定位网络。
步骤S404,将网络学习数据中的各个模板储能系统监控数据对应的参考储能系统状态数据分别加载至目标储能系统异常定位网络中,生成各个模板储能系统监控数据的参考储能系统状态数据为异常状态特征所在的定位状态节点的第三置信值。
示例性的,通过目标储能系统异常定位网络的神经网络参数,对参考储能系统状态数据进行处理,生成各个参考储能系统状态数据包括异常状态特征的置信值,作为第三置信值。
步骤S406,依据第三置信值从参考储能系统状态数据序列中提取到包括异常状态特征的第二储能系统状态数据。
示例性的,可以基于第三置信值,从参考储能系统状态数据中获取第三置信值大于置信值阈值或者置信值排名在前N的储能系统状态数据,作为包括异常状态特征的第二储能系统状态数据。
步骤S408,依据第二储能系统状态数据进行网络权重参数迭代更新,获得第一轮网络权重参数迭代更新生成的储能系统异常分析网络。
示例性的,在进行第一轮网络权重参数迭代更新时,也是以模板训练数据分配块为网络训练更新单位,从模板储能系统监控数据序列中依次获取当前模板训练数据分配块进行网络权重参数迭代优化的,因此可以得到第一轮迭代更新时,各个模板训练数据分配块对应的第一储能系统异常分析网络,在进行第二轮的网络权重参数迭代更新时,则可以获取第一轮迭代更新时,依据同一模板训练数据分配块进行训练后得到的神经网络作为第一储能系统异常分析网络。由于在进行第一轮的网络权重参数迭代更新时,并不存在前一批次使得生成的神经网络,因此无法依据浮动置信值获取目标储能系统状态数据,故可以依据已经预先使得生成的目标储能系统异常定位网络对参考储能系统状态数据进行打分(即输出置信值),依据输出的置信值提取到置信值高的储能系统状态数据作为包括异常状态特征的储能系统状态数据,获得第二储能系统状态数据后,将第二储能系统状态数据作为包括异常状态特征的定位状态节点,依据第二储能系统状态数据进行网络权重参数迭代更新,获得第一轮网络权重参数迭代更新生成的储能系统异常分析网络。
一种可替代的实施方式中,还可包括以下步骤:
步骤S502,获取目标储能系统状态数据与参考储能系统状态数据的共享特征度。
示例性的,共享特征度用于表示储能系统监控数据的特征重合的程度,共享特征度越高。可以计算目标储能系统状态数据与参考储能系统状态数据序列中,各个参考储能系统状态数据的共享特征度。
步骤S504,获取共享特征度大于第一门限共享特征度的参考储能系统状态数据,作为第三储能系统状态数据。
示例性的,第三储能系统状态数据是指包括异常状态特征的储能系统状态数据。
步骤S110即基于目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络包括:将第三储能系统状态数据以及目标储能系统状态数据作为正模板储能系统状态数据,基于正模板储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络。
示例性的,正模板储能系统状态数据是指包括异常状态特征的储能系统状态数据,对于正模板储能系统状态数据,其对应的为包括异常状态特征的置信值例如概率可以为1,即参考标注值可以为1。由于在依据置信值变化筛选包括异常状态特征的储能系统状态数据时,由于储能系统异常分析网络可能存在学习损失,而异常状态特征所占的异常状态节点可以是包括多个参考储能系统状态数据的,因此依据共享特征度获取与目标储能系统状态数据共享特征度高的参考储能系统状态数据,作为包括异常状态特征的储能系统状态数据,能够获取更多准确的正训练数据进行网络权重参数迭代更新,提高了使得生成的神经网络的精准性。
一种可替代的实施方式中,还可以获取共享特征度小于第二门限共享特征度的参考储能系统状态数据,作为第四储能系统状态数据,第二门限共享特征度不大于第一门限共享特征度。步骤S110即基于目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络包括:将第四储能系统状态数据作为负模板储能系统状态数据,将目标储能系统状态数据组作为正模板储能系统状态数据。基于正模板储能系统状态数据以及负模板储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络。
示例性的,第二门限共享特征度可以小于也可以等于第一门限共享特征度,例如第二门限共享特征度可以为0.5。负模板储能系统状态数据是指不包括异常状态特征的储能系统状态数据,对于负模板储能系统状态数据,其对应的为包括异常状态特征的置信值可以为0,即参考标注值可以为0。
一种可替代的实施方式中,可以同时获取第三储能系统状态数据以及第四储能系统状态数据,将第三储能系统状态数据以及目标储能系统状态数据作为正模板储能系统状态数据,将第四储能系统状态数据作为负模板储能系统状态数据。基于正模板储能系统状态数据以及负模板储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络。
一种可替代的实施方式中,获得目标储能系统异常分析网络后,还可以使用目标储能系统异常分析网络进行异常状态分析,因此,以上方法还可以包括以下步骤:
步骤S602,获取输入的等待分析的储能系统监控数据,将输入的等待分析的储能系统监控数据进行状态标签拆分生成多个第一储能系统状态数据。
示例性的,输入的等待分析的储能系统监控数据是需要分析异常状态特征的异常状态节点的储能系统监控数据。将目标储能系统监控数据进行状态标签拆分生成多个第一储能系统状态数据的方式也可以参照将模板储能系统监控数据进行状态标签拆分生成多个参考储能系统状态数据的方式。
步骤S604,将各个第一储能系统状态数据分别加载至目标储能系统异常分析网络中,获得各个第一储能系统状态数据中包括异常状态特征的目标置信值。
示例性的,目标储能系统异常分析网络可以基于使得生成的神经网络参数,对各个第一储能系统状态数据分别进行处理,估计获得各个第一储能系统状态数据中包括异常状态特征的目标置信值。
步骤S606,依据目标置信值从第一储能系统状态数据中提取获得包括异常状态特征的储能系统状态数据,获得异常状态特征在输入的等待分析的储能系统监控数据中的异常状态节点。
示例性的,目标储能系统异常分析网络在得到各个第一储能系统状态数据各自对应的目标置信值后,可以依据目标置信值从第一储能系统状态数据中提取获得目标置信值大于预设置信值或者置信值排序大于预设排序的储能系统状态数据,作为包括异常状态特征的储能系统状态数据,获得包括异常状态特征的储能系统状态数据在输入的等待分析的储能系统监控数据中的异常状态节点。
例如,在获得储能系统监控数据后,可以将输入的等待分析的储能系统监控数据加载至目标储能系统异常分析网络中,目标储能系统异常分析网络输出异常状态特征在输入的等待分析的储能系统监控数据中的异常状态节点。
下面进行训练实施例的具体说明,可以包括以下步骤:
1、获取模板储能系统监控数据序列。
2、将模板储能系统监控数据序列划分为多个模板训练数据分配块。
3、对模板储能系统监控数据序列中各个模板储能系统监控数据进行分割,获得各个模板储能系统监控数据对应的参考区域序列。
4、以模板训练数据分配块为网络训练更新单位,从模板储能系统监控数据序列中依次获取当前模板训练数据分配块。
5、获取对任意能源路由器多能形式储能系统的第一模板储能系统监控数据进行状态标签拆分生成的参考储能系统状态数据序列。
7、将前一批次网络权重参数迭代更新时,依据同一模板训练数据分配块进行训练后更新得到的神经网络作为第一储能系统异常分析网络,基于第一储能系统异常分析网络获取参考储能系统状态数据各自对应的第一置信值。
示例性的,可以进行多轮的网络权重参数迭代更新。例如,在进行第二轮网络权重参数迭代更新时,如果当前模板训练数据分配块为第8个模板训练数据分配块,则获取第一轮网络权重参数迭代更新时,依据第8个模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为第一储能系统异常分析网络。在进行第三轮网络权重参数迭代更新时,如果当前模板训练数据分配块为第9个模板训练数据分配块,则获取第二轮网络权重参数迭代更新时,依据第9个模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为第一储能系统异常分析网络。将当前模板训练数据分配块中,各个模板储能系统监控数据对应的参考储能系统状态数据加载至第一储能系统异常分析网络中,获得参考储能系统状态数据对应的第一置信值。
在进行第一轮的网络权重参数迭代更新时,由于不存在前一批次的网络权重参数迭代更新,因此可以依据完整的模板储能系统监控数据训练得到目标储能系统异常定位网络,依据目标储能系统异常定位网络对模板储能系统监控数据的各个参考储能系统状态数据进行打分(即输出第三置信值)。对于每一个模板储能系统监控数据,将第三置信值最高的参考储能系统状态数据作为第二储能系统状态数据,依据第二储能系统状态数据进行第一轮的网络权重参数迭代更新。
8、将本批次网络权重参数迭代更新时,依据当前模板训练数据分配块的前向模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为优化的第二储能系统异常分析网络,基于优化的第二储能系统异常分析网络获取参考储能系统状态数据各自对应的第二置信值。
例如,在进行第二轮网络权重参数迭代更新时,如果当前模板训练数据分配块为第8个模板训练数据分配块,则获取第二轮网络权重参数迭代更新时,依据第7个模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为第二储能系统异常分析网络。在进行第三轮网络权重参数迭代更新时,如果当前模板训练数据分配块为第9个模板训练数据分配块,则获取第三轮网络权重参数迭代更新时,依据第8个模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为第二储能系统异常分析网络。将当前模板训练数据分配块中,各个模板储能系统监控数据对应的参考储能系统状态数据加载至第二储能系统异常分析网络中,获得参考储能系统状态数据对应的第二置信值。
9、基于第一置信值以及第二置信值得到浮动置信值,基于浮动置信值从参考储能系统状态数据序列中提取到包括异常状态特征的目标储能系统状态数据。
可以将第二置信值减去第一置信值,获得浮动置信值,对于每一个第一模板储能系统监控数据,将浮动置信值最大的参考储能系统状态数据作为该第一模板储能系统监控数据中包括电气故障特征的定位状态节点。
10、基于目标储能系统状态数据对第二储能系统异常分析网络进行网络权重参数迭代更新,获得第一模板储能系统监控数据对应的优化后的第一储能系统异常分析网络。
11、判断第一储能系统异常分析网络是否收敛。
如果收敛,则将优化后的第一储能系统异常分析网络作为目标储能系统异常分析网络,即进入步骤12。如果不收敛,则返回步骤4。
12、将优化后的第一储能系统异常分析网络作为目标储能系统异常分析网络。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器100。
对于一个实施例,图2示出了云服务器100,该云服务器100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110,和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一些示例性的设计思路中,云服务器100能够作为本申请实施例中所述网关等服务器设备。
一些示例性的设计思路中,云服务器100可包括具有指令114的一个或多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云服务器100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一些示例性的设计思路中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括一个或多个输入/输出控制器,以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为云服务器100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云服务器100提供接口以依据一个或多个网络通信,云服务器100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入依据通信标准的无线网络,如WwFw、2G、3G、4G、5G等,或它们的组合进行无线通信。
对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,云服务器100可以但不限于是:云服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,云服务器100可具有更多或更少的组件和/或不同的架构。例如,一些示例性的设计思路中,云服务器100包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种能源路由器多能形式储能系统的数据分析方法,其特征在于,应用于云服务器,所述方法包括:
获取对任意能源路由器多能形式储能系统的第一模板储能系统监控数据进行状态标签拆分生成的参考储能系统状态数据序列,所述参考储能系统状态数据序列包括多个参考储能系统状态数据;
获取所述参考储能系统状态数据各自对应的第一置信值,所述第一置信值是将所述参考储能系统状态数据分别加载至第一储能系统异常分析网络,生成的所述参考储能系统状态数据包括异常状态特征的置信值,所述第一储能系统异常分析网络是依据所述第一模板储能系统监控数据进行网络权重参数迭代更新生成的;
获取所述参考储能系统状态数据各自对应的第二置信值,所述第二置信值是将所述参考储能系统状态数据分别加载至第二储能系统异常分析网络,生成的所述参考储能系统状态数据包括异常状态特征的置信值,所述第二储能系统异常分析网络是依据第二模板储能系统监控数据对所述第一储能系统异常分析网络进行网络权重参数迭代更新生成的;
基于所述第一置信值以及所述第二置信值得到浮动置信值,基于所述浮动置信值从所述参考储能系统状态数据序列中提取到包括异常状态特征的目标储能系统状态数据;
基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络,所述目标储能系统异常分析网络用于对待分析储能系统监控数据进行异常状态分析。
2.根据权利要求1所述的能源路由器多能形式储能系统的数据分析方法,其特征在于,所述获取对任意能源路由器多能形式储能系统的第一模板储能系统监控数据进行状态标签拆分生成的参考储能系统状态数据序列之前,所述方法还包括:
获取模板储能系统监控数据序列,基于所述模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据,所述模板储能系统监控数据序列包括多个模板储能系统监控数据;
所述基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络包括:
基于所述目标储能系统状态数据对所述第二储能系统异常分析网络进行网络权重参数迭代更新,获得第一模板储能系统监控数据对应的优化后的第一储能系统异常分析网络;
返回所述基于所述模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据的步骤,直至优化后的第一储能系统异常分析网络满足训练终止条件,获得目标储能系统异常分析网络;
所述基于所述模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据包括:
将所述模板储能系统监控数据序列划分为多个模板训练数据分配块;
以模板训练数据分配块为网络训练更新单位,从所述模板储能系统监控数据序列中依次获取当前模板训练数据分配块,当前模板训练数据分配块的模板储能系统监控数据为第一模板储能系统监控数据,当前模板训练数据分配块之外的模板训练数据分配块的模板储能系统监控数据为第二模板储能系统监控数据;
所述返回所述基于所述模板储能系统监控数据序列进行训练数据分配生成优化的第一模板储能系统监控数据和优化的第二模板储能系统监控数据的步骤包括:
返回所述以模板训练数据分配块为网络训练更新单位,从所述模板储能系统监控数据序列中依次获取当前模板训练数据分配块,当前模板训练数据分配块的模板储能系统监控数据为第一模板储能系统监控数据,当前模板训练数据分配块之外的模板训练数据分配块的模板储能系统监控数据为第二模板储能系统监控数据的步骤;
所述获取所述参考储能系统状态数据各自对应的第一置信值包括:
将前一批次网络权重参数迭代更新时,依据同一模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为优化的第一储能系统异常分析网络,基于优化的第一储能系统异常分析网络获取所述参考储能系统状态数据各自对应的第一置信值;
所述获取所述参考储能系统状态数据各自对应的第二置信值包括:
将本批次网络权重参数迭代更新时,依据当前模板训练数据分配块的前向模板训练数据分配块进行网络权重参数迭代更新生成的神经网络作为优化的第二储能系统异常分析网络,基于优化的第二储能系统异常分析网络获取所述参考储能系统状态数据各自对应的第二置信值;
所述方法还包括:
获取目标储能系统异常定位网络;
将网络学习数据中的各个模板储能系统监控数据对应的参考储能系统状态数据分别加载至所述目标储能系统异常定位网络中,生成各个模板储能系统监控数据的参考储能系统状态数据为异常状态特征所在的定位状态节点的第三置信值;
依据所述第三置信值从所述参考储能系统状态数据序列中提取到包括异常状态特征的第二储能系统状态数据;
依据所述第二储能系统状态数据进行网络权重参数迭代更新,获得第一轮网络权重参数迭代更新生成的储能系统异常分析网络。
3.根据权利要求1所述的能源路由器多能形式储能系统的数据分析方法,其特征在于,所述基于所述浮动置信值从所述参考储能系统状态数据序列中提取到包括异常状态特征的目标储能系统状态数据包括:
从所述参考储能系统状态数据序列中提取到所述浮动置信值符合设定浮动特征的参考储能系统状态数据,作为包括异常状态特征的目标储能系统状态数据,所述设定浮动特征包括置信值大小排序位于降序排序序列前N或者所述浮动置信值大于设定浮动值中的至少一个。
4.根据权利要求1或3所述的能源路由器多能形式储能系统的数据分析方法,其特征在于,所述基于所述第一置信值以及所述第二置信值得到浮动置信值包括:
将所述第二置信值减去或者除以所述第一置信值,获得浮动置信值。
5.根据权利要求1所述的能源路由器多能形式储能系统的数据分析方法,其特征在于,所述方法还包括:
获取所述目标储能系统状态数据与所述参考储能系统状态数据的共享特征度;
获取所述共享特征度大于第一门限共享特征度的参考储能系统状态数据,作为第三储能系统状态数据;
所述基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络包括:
将所述第三储能系统状态数据以及所述目标储能系统状态数据作为正模板储能系统状态数据,基于所述正模板储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络。
6.根据权利要求5所述的能源路由器多能形式储能系统的数据分析方法,其特征在于,所述方法还包括:
获取所述目标储能系统状态数据与所述参考储能系统状态数据的共享特征度;
获取所述共享特征度小于第二门限共享特征度的参考储能系统状态数据,作为第四储能系统状态数据,所述第二门限共享特征度不大于所述第一门限共享特征度;
所述基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络包括:
将所述第四储能系统状态数据作为负模板储能系统状态数据,将所述目标储能系统状态数据组作为正模板储能系统状态数据;
基于所述正模板储能系统状态数据以及所述负模板储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络。
7.根据权利要求1所述的能源路由器多能形式储能系统的数据分析方法,其特征在于,所述方法还包括:
获取输入的等待分析的储能系统监控数据,将所述输入的等待分析的储能系统监控数据进行状态标签拆分生成多个第一储能系统状态数据;
将各个所述第一储能系统状态数据分别加载至所述目标储能系统异常分析网络中,获得各个所述第一储能系统状态数据中包括异常状态特征的目标置信值;
依据所述目标置信值从所述第一储能系统状态数据中提取获得包括异常状态特征的储能系统状态数据,获得异常状态特征在所述输入的等待分析的储能系统监控数据中的异常状态节点。
8.一种计算机可读存储介质,其特征在于,其上存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1-7中任意一项所述的能源路由器多能形式储能系统的数据分析方法。
9.一种云服务器,其特征在于,包括处理器以及计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1-7中任意一项所述的能源路由器多能形式储能系统的数据分析方法。
10.一种能源路由器多能形式储能系统的数据分析系统,其特征在于,所述能源路由器多能形式储能系统的数据分析系统包括云服务器以及与所述云服务器通信连接的能源路由器多能形式储能系统,所述云服务器具体用于:
获取对任意能源路由器多能形式储能系统的第一模板储能系统监控数据进行状态标签拆分生成的参考储能系统状态数据序列,所述参考储能系统状态数据序列包括多个参考储能系统状态数据;
获取所述参考储能系统状态数据各自对应的第一置信值,所述第一置信值是将所述参考储能系统状态数据分别加载至第一储能系统异常分析网络,生成的所述参考储能系统状态数据包括异常状态特征的置信值,所述第一储能系统异常分析网络是依据所述第一模板储能系统监控数据进行网络权重参数迭代更新生成的;
获取所述参考储能系统状态数据各自对应的第二置信值,所述第二置信值是将所述参考储能系统状态数据分别加载至第二储能系统异常分析网络,生成的所述参考储能系统状态数据包括异常状态特征的置信值,所述第二储能系统异常分析网络是依据第二模板储能系统监控数据对所述第一储能系统异常分析网络进行网络权重参数迭代更新生成的;
基于所述第一置信值以及所述第二置信值得到浮动置信值,基于所述浮动置信值从所述参考储能系统状态数据序列中提取到包括异常状态特征的目标储能系统状态数据;
基于所述目标储能系统状态数据进行网络权重参数迭代更新,获得目标储能系统异常分析网络,所述目标储能系统异常分析网络用于对待分析储能系统监控数据进行异常状态分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311686250.0A CN117668694A (zh) | 2023-12-08 | 2023-12-08 | 能源路由器多能形式储能系统的数据分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311686250.0A CN117668694A (zh) | 2023-12-08 | 2023-12-08 | 能源路由器多能形式储能系统的数据分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117668694A true CN117668694A (zh) | 2024-03-08 |
Family
ID=90084327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311686250.0A Pending CN117668694A (zh) | 2023-12-08 | 2023-12-08 | 能源路由器多能形式储能系统的数据分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117668694A (zh) |
-
2023
- 2023-12-08 CN CN202311686250.0A patent/CN117668694A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10705935B2 (en) | Generating job alert | |
CN116430817B (zh) | 应用于光伏组件生产系统的数据采集处理方法及系统 | |
US10997748B2 (en) | Machine learning model development with unsupervised image selection | |
CN114580263A (zh) | 基于知识图谱的信息系统故障预测方法及相关设备 | |
EP4216395A1 (en) | Dynamic hosting capacity analysis framework for distribution system planning | |
JP2014229311A (ja) | シミュレーションシステム及び方法と該システムを含むコンピュータシステム | |
CN111027591B (zh) | 一种面向大规模集群系统的节点故障预测方法 | |
CN116594364A (zh) | 基于预制菜生产控制系统的优化方法及系统 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN116755403B (zh) | 基于光伏组件生产控制系统的数据采集方法及系统 | |
CN116542673B (zh) | 应用于机器学习的欺诈行为识别方法及系统 | |
CN112862017A (zh) | 点云数据的标注方法、装置、设备和介质 | |
CN116797973A (zh) | 应用于环卫智慧管理平台的数据挖掘方法及系统 | |
CN116975081A (zh) | 一种日志诊断集更新方法、装置、设备及存储介质 | |
CN117332594A (zh) | 基于样本信息共享的涡轮叶片系统失效概率函数求解方法 | |
CN116991136A (zh) | 燃气机组aps启动控制系统的优化方法及系统 | |
CN117668694A (zh) | 能源路由器多能形式储能系统的数据分析方法及系统 | |
WO2020055659A1 (en) | Generation and utilization of self-improving data-driven models with selective simulation of 3d object design | |
CN115761648A (zh) | 应用于变压器的渗油评估方法、装置、设备、介质及产品 | |
CN116433050B (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
CN117353461B (zh) | 一种光伏发电系统的状态监控方法及系统 | |
CN117312826A (zh) | 用于电网线损修复系统的数据分析方法及系统 | |
CN115509776B (zh) | 基于电力工程智慧监理平台的数据分析方法及系统 | |
CN117236234B (zh) | 半导体器件模拟中迭代步数预测方法及装置 | |
CN117236233B (zh) | 半导体器件初始值评估方法、装置、电子设备及存储介质 |
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 |