CN117893059A - 基于传感器的储能数据采集分析方法及系统 - Google Patents
基于传感器的储能数据采集分析方法及系统 Download PDFInfo
- Publication number
- CN117893059A CN117893059A CN202311689842.8A CN202311689842A CN117893059A CN 117893059 A CN117893059 A CN 117893059A CN 202311689842 A CN202311689842 A CN 202311689842A CN 117893059 A CN117893059 A CN 117893059A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- energy density
- energy
- data
- real
- 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 252
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 149
- 238000011156 evaluation Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 230000007704 transition Effects 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000002001 electrolyte material Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于传感器的储能数据采集分析方法及系统,涉及数据采集技术领域,该方法包括:对储能设备实时监测,获取实时监测参数;连接储能EMS系统,设置检索符,检索下载监测参数记录;基于监测参数记录和实时监测参数,对储能设备进行性能评估,得到性能评估指数;获取储能设备技术指标信息;以实时监测参数为输入数据,将技术指标信息、性能评估指数作为状态转移参数,搭建储能状态预测模型;使用预测模型进行数据分析,得到储能状态预测结果。本发明解决了现有技术难以对储能系统进行全面监控和管理的技术问题,通过基于传感器的储能数据采集分析实现对储能系统的全面监控和管理,提高其运行效率和安全性的技术效果。
Description
技术领域
本发明涉及数据采集技术领域,具体涉及基于传感器的储能数据采集分析方法及系统。
背景技术
随着可再生能源的大规模并网和能源互联网的快速发展,储能技术作为解决能源间歇性问题的关键技术,得到了越来越广泛的关注和应用。储能技术不仅可以平滑可再生能源发电的波动,提高电力系统的稳定性,还可以参与电力市场的运营,提高能源利用效率。然而,随着储能技术的广泛应用,其运行管理、安全控制等方面的问题也逐渐凸显出来,成为制约储能技术进一步推广应用的重要因素。传统的储能数据采集面临着运行管理、安全控制等方面的挑战,难以对储能系统进行全面监控和管理。
发明内容
本申请提供基于传感器的储能数据采集分析方法及系统,用于针对解决现有技术难以对储能系统进行全面监控和管理的技术问题。
鉴于上述问题,本申请提供了基于传感器的储能数据采集分析方法及系统。
本申请的第一个方面,提供了基于传感器的储能数据采集分析方法,所述方法包括:
对储能设备进行实时监测,获取实时监测参数,所述实时监测参数包括储能电压数据、储能电流数据、储能容量数据;连接储能EMS系统,通过所述实时监测参数设置检索符,检索并下载监测参数记录,所述监测参数记录包括历史储能数据、数据采集频率;基于所述监测参数记录以及所述实时监测参数,对储能设备进行性能评估,得到性能评估指数,所述性能评估指数对应的性能评估指标包括充放电效率、循环寿命、能量密度;获取储能设备的技术指标信息,所述技术指标信息包括储能设备型号、储能设备额定电压数据、额定电流数据、额定温度区间;以所述实时监测参数为输入数据,将所述技术指标信息、所述性能评估指数作为状态转移参数,搭建储能状态预测模型;使用所述储能状态预测模型进行储能数据分析,得到储能状态预测结果,所述储能状态预测结果包括充放电状态、储能设备剩余电量和储能设备健康指数。
本申请的第二个方面,提供了基于传感器的储能数据采集分析系统,所述系统包括:
实时监测模块,对储能设备进行实时监测,获取实时监测参数,所述实时监测参数包括储能电压数据、储能电流数据、储能容量数据;监测参数记录检索模块,连接储能EMS系统,通过所述实时监测参数设置检索符,检索并下载监测参数记录,所述监测参数记录包括历史储能数据、数据采集频率;性能评估模块,基于所述监测参数记录以及所述实时监测参数,对储能设备进行性能评估,得到性能评估指数,所述性能评估指数对应的性能评估指标包括充放电效率、循环寿命、能量密度;技术指标信息获取模块,获取储能设备的技术指标信息,所述技术指标信息包括储能设备型号、储能设备额定电压数据、额定电流数据、额定温度区间;储能状态预测模型搭建模块,以所述实时监测参数为输入数据,将所述技术指标信息、所述性能评估指数作为状态转移参数,搭建储能状态预测模型;储能数据分析模块,使用所述储能状态预测模型进行储能数据分析,得到储能状态预测结果,所述储能状态预测结果包括充放电状态、储能设备剩余电量和储能设备健康指数。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过对储能设备进行实时监测,获取实时监测参数;连接储能EMS系统,通过设置检索符,检索下载监测参数记录;基于监测参数记录以及实时监测参数,对储能设备进行性能评估,得到性能评估指数;获取储能设备的技术指标信息;以实时监测参数为输入数据,将技术指标信息、性能评估指数作为状态转移参数,搭建储能状态预测模型;使用储能状态预测模型进行数据分析,得到储能状态预测结果。本发明解决了现有技术难以对储能系统进行全面监控和管理的技术问题,通过基于传感器的储能数据采集分析实现对储能系统的全面监控和管理,达到提高其运行效率和安全性的技术效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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的附图。
图1为本申请实施例提供的基于传感器的储能数据采集分析方法流程示意图;
图2为本申请实施例提供的基于传感器的储能数据采集分析方法中对所述能量密度进行校正的流程示意图;
图3为本申请实施例提供的基于传感器的储能数据采集分析系统结构示意图。
附图标记说明:实时监测模块11,监测参数记录检索模块12,性能评估模块13,技术指标信息获取模块14,储能状态预测模型搭建模块15,储能数据分析模块16。
具体实施方式
本申请通过提供了基于传感器的储能数据采集分析方法,用于针对解决现有技术中,储能数据采集面临着运行管理、安全控制等方面的挑战,难以对储能系统进行全面监控和管理的问题,达到了提高数据采集的运行效率和安全性的技术效果。
下面将结合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。显然,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。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
实施例一
如图1所示,本申请提供了基于传感器的储能数据采集分析方法,所述方法包括:
步骤S100:对储能设备进行实时监测,获取实时监测参数,所述实时监测参数包括储能电压数据、储能电流数据、储能容量数据;
在本申请实施例中,对储能设备进行实时监测是确保其高效、安全运行的关键步骤。实时监测参数主要包括储能电压数据、储能电流数据和储能容量数据。这些参数对于评估储能设备的运行状态、预测其性能以及及时发现潜在问题具有重要意义。
电压是电能存储和释放过程中的重要参数。通过对储能设备的电压进行实时监测,可以获取关于设备运行状态的关键信息。例如,当电压异常升高时,可能是设备过充电或故障的迹象,而电压异常下降则可能表示设备存在故障或电量不足。
电流是衡量储能设备充放电速率和效率的重要指标。实时监测电流数据可以评估设备的运行效率,例如,电流过大可能导致设备过热,而电流过小则可能表示设备的充放电效率低下。同时,通过对电流数据的分析,还可以预测设备的充放电状态和剩余电量。
容量是储能设备存储电能的能力。实时监测储能容量数据有助于了解设备的储能状态和可用电量。例如,当设备达到其最大容量时,应及时更换或扩展储能设备,以确保系统的稳定运行。此外,通过比较历史储能数据和实时监测数据,可以对设备的充放电效率和性能进行评估。
为了获取这些实时监测参数,通常需要使用相应的传感器和监测设备。例如,电压和电流数据的获取可以通过安装电压表和电流表来实现,而容量数据的获取可能需要借助专门的储能监测系统或设备。此外,为了确保数据的准确性和可靠性,还需要对传感器和监测设备进行定期校准和维护。
通过实时监测这些参数,可以实现对储能设备的有效监控和管理,及时发现并解决潜在问题,提高其运行效率和安全性。
步骤S200:连接储能EMS系统,通过所述实时监测参数设置检索符,检索并下载监测参数记录,所述监测参数记录包括历史储能数据、数据采集频率;
在本申请实施例中,储能EMS系统是一种用于管理储能设备运行状态的系统,它可以实现设备的自动化控制、数据采集、能量调度等功能。通过将储能设备与储能EMS系统进行连接,可以实现对设备的远程监控和管理。
实时监测参数是用于描述储能设备运行状态的关键数据,包括电压、电流、容量等。根据这些参数,可以设置相应的检索符,用于从储能EMS系统中检索相应的监测参数记录。
当检索符设置完成后,可以通过储能EMS系统检索相应的监测参数记录。这些记录中包含了历史储能数据和数据采集频率等信息。通过下载这些记录,可以实现对储能设备的历史数据进行分析和评估。
在实际应用中,为了确保数据的准确性和完整性,通常需要对检索到的监测参数记录进行校验和筛选。
步骤S300:基于所述监测参数记录以及所述实时监测参数,对储能设备进行性能评估,得到性能评估指数,所述性能评估指数对应的性能评估指标包括充放电效率、循环寿命、能量密度;
在本申请实施例中,通过监测参数记录和实时监测参数,可以对储能设备的性能进行全面评估。性能评估指数是评估设备性能的重要指标,可以反映设备的综合性能。
充放电效率是衡量储能设备充放电过程中能量损失的重要指标。通过对实时监测参数和监测参数记录的分析,可以评估设备的充放电效率。例如,当设备在短时间内充电并放电时,其充放电效率可能较高。然而,如果设备长时间充电而无法正常放电,则可能存在效率低下的问题。
循环寿命是指储能设备在反复充放电过程中能够维持其性能的时间。通过分析监测参数记录,可以了解设备在不同充放电循环下的性能变化。循环寿命越长,说明设备的耐久性和可靠性越高。
能量密度是衡量储能设备单位重量或体积所能存储的电能量的指标。通过对实时监测参数和监测参数记录的分析,可以了解设备的能量密度水平。高能量密度意味着在相同重量或体积下,设备可以存储更多的电能,从而提高设备的储能效率和便携性。
在进行性能评估时,通常需要将实时监测参数和监测参数记录相结合,以便全面评估设备的性能。通过对充放电效率、循环寿命和能量密度等指标的综合分析,可以得出设备的整体性能评估指数。
步骤S400:获取储能设备的技术指标信息,所述技术指标信息包括储能设备型号、储能设备额定电压数据、额定电流数据、额定温度区间;
在本申请实施例中,获取储能设备的技术指标信息是确保设备正常运行和性能评估的关键步骤。
设备型号是识别储能设备的重要标识,通常包括设备的品牌、型号、规格等信息。通过获取储能设备型号,可以了解设备的性能特点、适用范围和使用要求。
额定电压是衡量储能设备能够承受的最大电压,通常以伏特V为单位表示。通过获取设备的额定电压数据,可以了解设备的电压承受能力和运行范围,确保其在安全电压下运行。
额定电流是衡量储能设备能够承受的最大电流,通常以安培A为单位表示。获取设备的额定电流数据有助于了解设备的电流承受能力和充放电效率,为设备的正常运行和安全控制提供参考。
额定温度区间是指储能设备能够在其中正常运行并保持稳定性能的温度范围。通过了解设备的额定温度区间,可以确保设备在适宜的温度下运行,避免过热或过冷对设备性能产生不良影响。
这些技术指标信息通常可以在设备说明书、技术规格表或制造商提供的技术文档中找到。此外,通过与设备制造商或供应商的联系,也可以获得更详细的技术指标信息。
步骤S500:以所述实时监测参数为输入数据,将所述技术指标信息、所述性能评估指数作为状态转移参数,搭建储能状态预测模型;
在本申请实施例中,对实时监测参数进行处理,提取与设备状态相关的特征,如电压波动、电流变化等。同时,将技术指标信息转化为特征,例如设备型号、额定电压和额定电流等。将这些特征作为模型的输入数据。
在搭建模型时,使用循环网络作为模型架构。在模型中,将实时监测数据和技术指标信息作为输入数据,通过RNN的循环结构对数据进行学习。将技术指标信息和性能评估指数作为状态转移参数输入到RNN模型中,对循环网络内的权值等网络参数进行训练调整更新,这些参数可以影响模型的预测结果,通过调整这些参数,提高模型的预测能力和泛化能力。之后使用历史数据对模型进行训练,再通过验证集对模型进行评估,判断模型预测的准确率。最后通过对模型的评估结果进行调整和优化,提高模型的预测能力,得到训练好的储能状态预测模型。
步骤S600:使用所述储能状态预测模型进行储能数据分析,得到储能状态预测结果,所述储能状态预测结果包括充放电状态、储能设备剩余电量和储能设备健康指数。
在本申请实施例中,预测模型可以根据实时监测数据和历史数据,预测储能设备的充放电状态。当预测结果为充电状态时,表示储能设备将在未来一段时间内进行充电;当预测结果为放电状态时,表示储能设备将在未来一段时间内进行放电。
预测模型还可以根据实时监测数据和历史数据,预测储能设备的剩余电量。剩余电量是指储能设备中剩余的能量,用于描述设备的储能水平。通过预测剩余电量,可以指导设备的维护和管理,确保设备的正常运行和能源的有效利用。
预测模型还可以结合设备的性能评估指数,预测储能设备的健康指数。健康指数是指设备的综合性能评估指标,可以反映设备的运行状态和可靠性。通过预测健康指数,可以指导设备的维护和管理,及时发现并解决潜在问题,提高设备的运行效率和寿命。
进一步的,本申请实施例提供的方法中的步骤S300还包括:
在所述监测参数记录以及所述实时监测参数中,比较储能设备的实际充放电电量与理论充放电电量,计算得到所述充放电效率;同时
比较储能设备在充放电过程中的循环次数和最终失效的时间,计算得到所述循环寿命;
比较储能设备的体积和储能容量数据,计算得到所述能量密度;
以所述充放电效率、所述循环寿命、所述能量密度进行加权融合得到性能评估指数。
在本申请实施例中,通过监测储能设备的充放电过程,可以记录实际充放电电量。同时,根据设备的额定参数和运行状态,可以计算理论充放电电量。比较两者可以得到实际充放电与理论充放电的差异,进一步计算得到充放电效率。充放电效率是指实际充放电电量与理论充放电电量的比例,通过实际充放电电量除以理论充放电电量可以得到储能设备的电能利用效率。
循环寿命可以反映储能设备的耐用程度。在充放电过程中,可以记录储能设备的循环次数。每一次充放电过程算作一次循环。当储能设备达到最终失效时,记录下失效的时间。这里的最终失效是指储能设备无法继续正常充放电或出现严重性能下降的情况。循环寿命是指储能设备能够正常充放电的循环次数与最终失效时间的比值。通过循环次数除以最终失效时间可以得到储能设备的循环寿命。
能量密度可以反映储能设备的能量储存密度,即单位体积内储存的能量大小。通过相关测量工具和方法,可以测量储能设备的体积和储能容量。能量密度是指储能容量与体积的比值,通过储能容量除以体积可以得到储能设备的能量储存密度。
最后,以所述充放电效率、所述循环寿命、所述能量密度进行加权融合得到性能评估指数。这个指数可以综合评估储能设备的性能水平。可以采用加权平均法、加权求和法等常用的融合方法,将三个指标进行加权融合。具体方法可根据实际需求和数据特点选择。通过加权融合得到性能评估指数,可以反映储能设备的综合性能水平。该指数可用于评估设备的整体性能、比较不同设备之间的性能差异等应用场景。
进一步的,所述方法还包括:
进行环境监测采集,得到环境监测信息,所述环境监测信息包括储能温度数据、储能压力数据、储能湿度数据;
将所述环境监测信息作为能量密度影响因子,进行能量密度影响分析,得到能量密度影响系数;
将所述能量密度影响系数作为权重,使用所述能量密度影响因子对所述能量密度进行校正。
在本申请实施例中,进行环境监测采集时,需要在储能设备周边布置温度、压力和湿度传感器,确保传感器能够准确、实时地监测到设备运行环境的变化。通过传感器定期收集环境数据,包括储能温度数据、储能压力数据和储能湿度数据。这些数据共同构成了环境监测信息。将收集到的环境监测信息存储到数据中心,并确保数据的实时传输,以便后续分析处理。
进行能量密度影响分析时,首先确定影响因子,分析环境监测信息,确定哪些因子可能对能量密度产生影响。例如,储能温度、储能压力和储能湿度都可能是潜在的影响因子。再进行数据分析,利用历史数据和统计方法,分析各个影响因子与能量密度之间的关系。这可以通过绘制散点图、进行线性回归等方式实现。最后,通过影响分析,可以得到各个影响因子对能量密度的影响系数。这些系数定量地描述了影响因子变化时,能量密度会如何变化。
进行能量密度校正时,基于影响分析的结果,确定各个影响因子的权重。这些权重反映了各个影响因子在整体中对能量密度影响的相对重要性。利用能量密度影响系数和影响因子,以及它们的权重,构建一个校正公式。这个公式可以用来校正原始的能量密度数据,使其更加准确地反映实际情况。最后将环境监测信息中的影响因子数值带入校正公式,计算出校正后的能量密度。
一般来说,校正后的能量密度=原始的能量密度+校正因子×环境监测影响因子。其中,校正因子是一个可以根据能量密度影响因子和影响系数得出的数值,环境监测影响因子则是根据环境监测信息得到的数值。通过应用校正公式,可以将原始的能量密度数据校正为更加准确和可靠的数值,有助于进行设备的性能评估、运行优化等。
同时环境因素对储能设备的循环寿命也有很大影响,为解决这一问题,通过改进储能设备的结构和设计,可以减少环境因素对设备的影响。例如,优化电池的电解质材料、隔膜和电极等组件的设计,可以提高电池的循环寿命和稳定性。针对某些可能的环境因素变化,可以选择适应性强的材料来制造储能设备。例如,采用耐高温、抗腐蚀或高弹性的材料来增强设备的适应性和循环寿命。通过优化设计、采用适应性强的材料,可以减少环境因素对储能设备循环寿命的影响。
进一步的,如图2所示,所述方法还包括:
将所述能量密度影响因子进行标准化处理,得到能量密度影响因子的标准化处理数据;
使用PCA,对所述能量密度影响系数进行矩阵转化,并设置能量密度影响协方差矩阵;
通过所述能量密度影响协方差矩阵,计算能量密度影响特征值集合和能量密度影响特征向量集合;
基于所述能量密度影响特征值集合和能量密度影响特征向量集合,对所述能量密度进行校正。
在本申请实施例中,对收集到的环境监测信息进行清洗和预处理,以确保数据的准确性和一致性。包括去除异常值、填补缺失值等操作。为了消除不同量纲对后续分析的影响,需要对各个影响因子进行标准化处理。通常,这可以通过将每个影响因子减去其均值,然后再除以标准差来实现。这样可以将各个影响因子转化为均值为0,标准差为1的标准化数据。经过标准化处理后,得到各个影响因子的标准化数据。这些数据可以直接用于后续的PCA分析。
在进行矩阵转化时,首先构建矩阵,将能量密度影响系数转化为矩阵形式,矩阵的行表示不同的影响因子,列表示不同的样本。再对构建的矩阵进行主成分分析,将高维数据转化为低维数据,同时保留数据的主要特征。通过PCA分析,可以得到新的低维数据表示。在PCA分析中,将原始矩阵中的协方差信息提取出来,构成协方差矩阵。这个协方差矩阵反映了原始数据中各个影响因子之间的相关性。
对得到的协方差矩阵进行特征值分解,得到特征值和对应的特征向量。特征值表示了各个主成分的重要性,特征向量则表示了主成分与原始影响因子的关系。从特征值和特征向量中提取有用的信息,形成特征值集合和特征向量集合。这些集合为后续的能量密度校正提供了重要的依据。
根据特征值集合的大小和分布情况,选择一定数量的主成分用于能量密度校正。通常选择累计贡献率超过一定阈值的主成分。使用提取的特征向量集合,构建一个转换矩阵。这个矩阵可以将原始的影响因子数据转化为新的主成分表示。将得到的主成分表示重新转换回原始的影响因子数据,并利用这些数据进行能量密度校正。具体的校正方法可能因应用场景和设备类型而有所不同,但通常会依据转换矩阵和原始的能量密度数据进行计算。
根据校正后的数据,可以得到更加准确和可靠的能量密度估计值。这些结果可以直接用于设备性能评估、运行优化等应用中。
进一步的,所述方法还包括:
在所述能量密度影响特征值集合和能量密度影响特征向量集合中,按照所述能量密度影响特征值集合中的数值从大到小的顺序,选择k个能量密度影响特征值和k个能量密度影响特征向量,其中,k∈N*;
将所述能量密度影响因子以及所述能量密度影响系数投影到所述k个能量密度影响特征值和k个能量密度影响特征向量上,并通过加权融合对所述能量密度进行校正。
在本申请实施例中,对能量密度影响特征值集合中的数值进行排序。通常,可以通过将特征值从小到大进行排序来实现。从排序后的特征值集合中选择前k个最大的特征值。这些特征值代表了最重要的主成分。与选择的特征值相对应,从特征向量集合中选择前k个对应的特征向量。这些特征向量表示了与这些特征值最相关的原始影响因子。
使用选择的k个特征值和对应的k个特征向量,构建一个投影矩阵。这个矩阵可以将原始的影响因子数据投影到选择的特征向量构成的子空间上。将原始的能量密度影响因子和能量密度影响系数分别投影到这个子空间上。这可以通过将原始数据与投影矩阵相乘来实现。得到的投影数据反映了原始数据在选择的特征向量上的表示。这些投影数据可用于后续的能量密度校正。
在进行加权融合对能量密度进行校正时,根据选择的k个特征值的相对大小,确定一个权重分配方案。例如,可以将选择的特征值作为权重,以反映它们的重要性。将投影后的能量密度影响因子和能量密度影响系数分别乘以对应的权重,然后将结果进行加权求和。这个加权求和的结果作为校正后的能量密度估计值。得到的校正后的能量密度估计值更加准确和可靠,可以用于设备的性能评估、运行优化等应用中。
进一步的,所述方法还包括:
对所述环境监测信息进行统计分析,确定所述环境监测信息中的异常值,并添加异常标签;
若所述异常标签对应异常值的前一个采集节点与后一个采集节点为均正常值,在选择k个能量密度影响特征值和k个能量密度影响特征向量过程中,直接跳过所述异常标签对应异常值;
若所述异常标签对应异常值的前一个采集节点或后一个采集节点为异常值,对所述环境监测信息进行更新。
在本申请实施例中,首先对收集到的环境监测数据进行预处理,清洗掉无效、错误或缺失的数据,保证数据的质量和准确性。对处理后的数据进行描述性统计,计算各个影响因子的平均值、标准差、最大值、最小值等指标,以了解数据的分布情况。通过时间序列分析,观察各个影响因子随时间的变化趋势,以便发现异常值。利用统计学中的方法和算法,如Z-score、IQR等,对各个影响因子进行异常值检测。当某个影响因子的值超过预设的阈值或落在某个置信区间之外时,可以认为它是一个异常值。对检测到的异常值进行标注,可以将其所在的数据点标记为异常,以便后续处理和分析。
在选择k个能量密度影响特征值和k个能量密度影响特征向量过程中,如果某个异常标签对应异常值的前一个采集节点与后一个采集节点均为正常值,则可以跳过该异常标签对应异常值的处理。这是因为该异常值可能只是一种短暂的异常波动,并不代表整体的变化趋势。
如果某个异常标签对应异常值的前一个采集节点或后一个采集节点也为异常值,这意味着该异常值可能具有一定的持续性或影响范围。在这种情况下,需要对环境监测信息进行更新。具体的更新方法可以根据实际需求和数据特点来确定。例如,当异常值是由于测量误差或设备故障等原因引起的,可以进行修正或重新测量,以获取更准确的数据。如果异常值对模型的预测结果产生了负面影响,可以通过调整模型参数或重新训练模型来提高模型的鲁棒性和准确性。如果异常值预示着潜在的风险或问题,可以建立预警机制,及时发现并应对可能出现的状况。例如,当某个环境监测指标持续处于异常值状态时,可以触发预警并采取相应的措施来解决问题。
综上所述,本申请实施例至少具有如下技术效果:
本申请通过对储能设备进行实时监测,获取实时监测参数;连接储能EMS系统,通过设置检索符,检索下载监测参数记录;基于监测参数记录以及实时监测参数,对储能设备进行性能评估,得到性能评估指数;获取储能设备的技术指标信息;以实时监测参数为输入数据,将技术指标信息、性能评估指数作为状态转移参数,搭建储能状态预测模型;使用储能状态预测模型进行数据分析,得到储能状态预测结果。本发明解决了现有技术难以对储能系统进行全面监控和管理的技术问题,通过基于传感器的储能数据采集分析实现对储能系统的全面监控和管理,达到提高其运行效率和安全性的技术效果。
实施例二
基于与前述实施例中基于传感器的储能数据采集分析方法相同的发明构思,如图3所示,本申请提供基于传感器的储能数据采集分析系统,本申请实施例中的系统与方法实施例基于同样的发明构思。其中,所述系统包括:
实时监测模块11,所述实时监测模块11对储能设备进行实时监测,获取实时监测参数,所述实时监测参数包括储能电压数据、储能电流数据、储能容量数据;
监测参数记录检索模块12,所述监测参数记录检索模块12连接储能EMS系统,通过所述实时监测参数设置检索符,检索并下载监测参数记录,所述监测参数记录包括历史储能数据、数据采集频率;
性能评估模块1 3,所述性能评估模块1 3基于所述监测参数记录以及所述实时监测参数,对储能设备进行性能评估,得到性能评估指数,所述性能评估指数对应的性能评估指标包括充放电效率、循环寿命、能量密度;
技术指标信息获取模块14,所述技术指标信息获取模块14获取储能设备的技术指标信息,所述技术指标信息包括储能设备型号、储能设备额定电压数据、额定电流数据、额定温度区间;
储能状态预测模型搭建模块15,所述储能状态预测模型搭建模块15以所述实时监测参数为输入数据,将所述技术指标信息、所述性能评估指数作为状态转移参数,搭建储能状态预测模型;
储能数据分析模块16,所述储能数据分析模块16使用所述储能状态预测模型进行储能数据分析,得到储能状态预测结果,所述储能状态预测结果包括充放电状态、储能设备剩余电量和储能设备健康指数。
进一步的,所述系统还包括:
在所述监测参数记录以及所述实时监测参数中,比较储能设备的实际充放电电量与理论充放电电量,计算得到所述充放电效率;同时
比较储能设备在充放电过程中的循环次数和最终失效的时间,计算得到所述循环寿命;
比较储能设备的体积和储能容量数据,计算得到所述能量密度;
以所述充放电效率、所述循环寿命、所述能量密度进行加权融合得到性能评估指数。
进一步的,所述系统还包括:
进行环境监测采集,得到环境监测信息,所述环境监测信息包括储能温度数据、储能压力数据、储能湿度数据;
将所述环境监测信息作为能量密度影响因子,进行能量密度影响分析,得到能量密度影响系数;
将所述能量密度影响系数作为权重,使用所述能量密度影响因子对所述能量密度进行校正。
进一步的,所述系统还包括:
将所述能量密度影响因子进行标准化处理,得到能量密度影响因子的标准化处理数据;
使用PCA,对所述能量密度影响系数进行矩阵转化,并设置能量密度影响协方差矩阵;
通过所述能量密度影响协方差矩阵,计算能量密度影响特征值集合和能量密度影响特征向量集合;
基于所述能量密度影响特征值集合和能量密度影响特征向量集合,对所述能量密度进行校正。
进一步的,所述系统还包括:
在所述能量密度影响特征值集合和能量密度影响特征向量集合中,按照所述能量密度影响特征值集合中的数值从大到小的顺序,选择k个能量密度影响特征值和k个能量密度影响特征向量,其中,k∈N*;
将所述能量密度影响因子以及所述能量密度影响系数投影到所述k个能量密度影响特征值和k个能量密度影响特征向量上,并通过加权融合对所述能量密度进行校正。
进一步的,所述系统还包括:
对所述环境监测信息进行统计分析,确定所述环境监测信息中的异常值,并添加异常标签;
若所述异常标签对应异常值的前一个采集节点与后一个采集节点为均正常值,在选择k个能量密度影响特征值和k个能量密度影响特征向量过程中,直接跳过所述异常标签对应异常值;
若所述异常标签对应异常值的前一个采集节点或后一个采集节点为异常值,对所述环境监测信息进行更新。
需要说明的是,上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.基于传感器的储能数据采集分析方法,其特征在于,所述方法包括:
对储能设备进行实时监测,获取实时监测参数,所述实时监测参数包括储能电压数据、储能电流数据、储能容量数据;
连接储能EMS系统,通过所述实时监测参数设置检索符,检索并下载监测参数记录,所述监测参数记录包括历史储能数据、数据采集频率;
基于所述监测参数记录以及所述实时监测参数,对储能设备进行性能评估,得到性能评估指数,所述性能评估指数对应的性能评估指标包括充放电效率、循环寿命、能量密度;
获取储能设备的技术指标信息,所述技术指标信息包括储能设备型号、储能设备额定电压数据、额定电流数据、额定温度区间;
以所述实时监测参数为输入数据,将所述技术指标信息、所述性能评估指数作为状态转移参数,搭建储能状态预测模型;
使用所述储能状态预测模型进行储能数据分析,得到储能状态预测结果,所述储能状态预测结果包括充放电状态、储能设备剩余电量和储能设备健康指数。
2.如权利要求1所述的基于传感器的储能数据采集分析方法,其特征在于,基于所述监测参数记录以及所述实时监测参数,对储能设备进行性能评估,得到性能评估指数,所述性能评估指数对应的性能评估指标包括充放电效率、循环寿命、能量密度,所述方法包括:
在所述监测参数记录以及所述实时监测参数中,比较储能设备的实际充放电电量与理论充放电电量,计算得到所述充放电效率;同时
比较储能设备在充放电过程中的循环次数和最终失效的时间,计算得到所述循环寿命;
比较储能设备的体积和储能容量数据,计算得到所述能量密度;
以所述充放电效率、所述循环寿命、所述能量密度进行加权融合得到性能评估指数。
3.如权利要求2所述的基于传感器的储能数据采集分析方法,其特征在于,比较储能设备的体积和储能容量数据,计算得到所述能量密度,所述方法还包括:
进行环境监测采集,得到环境监测信息,所述环境监测信息包括储能温度数据、储能压力数据、储能湿度数据;
将所述环境监测信息作为能量密度影响因子,进行能量密度影响分析,得到能量密度影响系数;
将所述能量密度影响系数作为权重,使用所述能量密度影响因子对所述能量密度进行校正。
4.如权利要求3所述的基于传感器的储能数据采集分析方法,其特征在于,将所述能量密度影响系数作为权重,使用所述能量密度影响因子对所述能量密度进行校正,所述方法包括:
将所述能量密度影响因子进行标准化处理,得到能量密度影响因子的标准化处理数据;
使用PCA,对所述能量密度影响系数进行矩阵转化,并设置能量密度影响协方差矩阵;
通过所述能量密度影响协方差矩阵,计算能量密度影响特征值集合和能量密度影响特征向量集合;
基于所述能量密度影响特征值集合和能量密度影响特征向量集合,对所述能量密度进行校正。
5.如权利要求3所述的基于传感器的储能数据采集分析方法,其特征在于,基于所述能量密度影响特征值集合和能量密度影响特征向量集合,对所述能量密度进行校正,所述方法包括:
在所述能量密度影响特征值集合和能量密度影响特征向量集合中,按照所述能量密度影响特征值集合中的数值从大到小的顺序,选择k个能量密度影响特征值和k个能量密度影响特征向量,其中,k∈N*;
将所述能量密度影响因子以及所述能量密度影响系数投影到所述k个能量密度影响特征值和k个能量密度影响特征向量上,并通过加权融合对所述能量密度进行校正。
6.如权利要求5所述的基于传感器的储能数据采集分析方法,其特征在于,按照所述能量密度影响特征值集合中的数值从大到小的顺序,选择k个能量密度影响特征值和k个能量密度影响特征向量,所述方法还包括:
对所述环境监测信息进行统计分析,确定所述环境监测信息中的异常值,并添加异常标签;
若所述异常标签对应异常值的前一个采集节点与后一个采集节点为均正常值,在选择k个能量密度影响特征值和k个能量密度影响特征向量过程中,直接跳过所述异常标签对应异常值;
若所述异常标签对应异常值的前一个采集节点或后一个采集节点为异常值,对所述环境监测信息进行更新。
7.基于传感器的储能数据采集分析系统,其特征在于,所述系统包括:
实时监测模块,所述实时监测模块对储能设备进行实时监测,获取实时监测参数,所述实时监测参数包括储能电压数据、储能电流数据、储能容量数据;
监测参数记录检索模块,所述监测参数记录检索模块连接储能EMS系统,通过所述实时监测参数设置检索符,检索并下载监测参数记录,所述监测参数记录包括历史储能数据、数据采集频率;
性能评估模块,所述性能评估模块基于所述监测参数记录以及所述实时监测参数,对储能设备进行性能评估,得到性能评估指数,所述性能评估指数对应的性能评估指标包括充放电效率、循环寿命、能量密度;
技术指标信息获取模块,所述技术指标信息获取模块获取储能设备的技术指标信息,所述技术指标信息包括储能设备型号、储能设备额定电压数据、额定电流数据、额定温度区间;
储能状态预测模型搭建模块,所述储能状态预测模型搭建模块以所述实时监测参数为输入数据,将所述技术指标信息、所述性能评估指数作为状态转移参数,搭建储能状态预测模型;
储能数据分析模块,所述储能数据分析模块使用所述储能状态预测模型进行储能数据分析,得到储能状态预测结果,所述储能状态预测结果包括充放电状态、储能设备剩余电量和储能设备健康指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311689842.8A CN117893059A (zh) | 2023-12-07 | 2023-12-07 | 基于传感器的储能数据采集分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311689842.8A CN117893059A (zh) | 2023-12-07 | 2023-12-07 | 基于传感器的储能数据采集分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117893059A true CN117893059A (zh) | 2024-04-16 |
Family
ID=90645683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311689842.8A Pending CN117893059A (zh) | 2023-12-07 | 2023-12-07 | 基于传感器的储能数据采集分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893059A (zh) |
-
2023
- 2023-12-07 CN CN202311689842.8A patent/CN117893059A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
US20220170995A1 (en) | Method and Apparatus for Predicting a State of Health of a Device Battery in a Battery-operated Device | |
CN116226469B (zh) | 一种储能设备故障的智能诊断方法及系统 | |
CN117289168B (zh) | 基于传感器数据和智能算法的产品质量监测系统 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN117310538A (zh) | 一种电量剩余转化效率自检测的储能电池电量监控系统 | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN116488219B (zh) | 一种基于多层级架构的分布式储能采集策略控制方法 | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN117893059A (zh) | 基于传感器的储能数据采集分析方法及系统 | |
CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN112580875B (zh) | 一种配电装置的故障预测方法及系统 | |
CN115374211A (zh) | 基于物联网的车间设备运行监测方法、装置和计算机设备 | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
Martiri et al. | Improving Remaining Useful Life Estimation of Lithium-Ion Batteries when Nearing End of Life | |
CN117595462B (zh) | 一种二次储能电池组的自适应充放电控制系统及其控制方法 | |
CN117452236B (zh) | 新能源汽车的电池寿命检测方法及系统 | |
US11656293B2 (en) | Method and apparatus for parameterizing an electrochemical battery model for a battery based on data from a plurality of batteries | |
CN118051852A (zh) | 创建识别设备电池组的异常的异常识别模型的方法和装置 | |
US20230315940A1 (en) | Method and system for monitoring and/or operating a power system asset |
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 |