CN118228991A - 基于分布式储能站规划建设的异常数据稽查方法 - Google Patents
基于分布式储能站规划建设的异常数据稽查方法 Download PDFInfo
- Publication number
- CN118228991A CN118228991A CN202410355599.4A CN202410355599A CN118228991A CN 118228991 A CN118228991 A CN 118228991A CN 202410355599 A CN202410355599 A CN 202410355599A CN 118228991 A CN118228991 A CN 118228991A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- distributed energy
- cost
- storage station
- target
- 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
- 238000010276 construction Methods 0.000 title claims abstract description 255
- 238000004146 energy storage Methods 0.000 title claims abstract description 229
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000013439 planning Methods 0.000 title claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 81
- 238000005457 optimization Methods 0.000 claims abstract description 64
- 230000007246 mechanism Effects 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 32
- 238000007689 inspection Methods 0.000 claims description 28
- 238000009826 distribution Methods 0.000 claims description 26
- 238000012423 maintenance Methods 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 abstract description 9
- 230000005856 abnormality Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 14
- 239000000203 mixture Substances 0.000 description 8
- 238000011158 quantitative evaluation Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于分布式储能站规划建设的异常数据稽查方法,属于能源综合管理技术领域,包括:基于各个分布式储能站各个规划建设阶段的成本核算模型和实际建设阶段的动态变化因子得到对应的综合成本核算机制;分别判断实际成本和对应的基准成本是否存在成本偏差值,对判断为存在成本偏差值的分布式储能站确定目标实际建设阶段和目标综合成本核算机制;根据目标综合成本核算机制对目标实际建设阶段进行稽查,确定目标实际建设阶段的异常原因信息和对应的分布式储能站建设优化策略。本发明能够提高对判断为存在成本偏差值的分布式储能站进行定位具体异常原因信息的准确性,提高了布式储能站的能源利用率。
Description
技术领域
本发明涉及能源综合管理技术领域,尤其是指基于分布式储能站规划建设的异常数据稽查方法。
背景技术
在近年来,随着可再生能源技术的快速发展,分布式储能站逐渐成为了能源领域的一个重要组成部分,它们被广泛应用于电力系统的各个环节,用于平衡电网负荷、提高能源供应的稳定性以及促进可再生能源的消纳。然而,在分布式储能站的实际建设过程中,许多规划和设计往往过于理想化,仅考虑了储能设备的静态性能参数,而忽略了在实际建设过程中可能出现的各种动态变化。这些动态变化因素包括但不限于设备的维护需求、折旧速度以及随着时间推移而可能出现的性能衰减等。如果在实际建设中忽视了动态变化因素,就会导致设备在出现故障时无法及时得到修复,从而影响整个分布式储能站的能源利用率。
在中国专利公开号为CN110738359A,公开日为2020年1月31日,名称为一种基于P中位模型的分布式能源站选址方法的专利中,公开了一种基于P中位模型的分布式能源站选址方法,包括:首先,结合当地地理环境、资源条件与用地规划信息选择分布式能源站的候选建设位置;其次,整合已有的多能负荷节点信息,生成各节点多能负荷权重系数,用来表示不同负荷对于能源的需求差异;再次,结合能源站初选位置信息,能源管网建设成本等条件,依据优化规划目的,建立基于P中位模型的分布式能源站选址规划模型目标函数及约束条件;最后,利用混合整数线性规划求解算法对该模型进行求解,得到区域综合能源系统分布式能源站选址规划结果以及负荷归属能源站的分配规划结果;该方法虽然能够实现分布式能源站的优化选址与负荷分配,提高能源利用效率,但不足之处在于,由于忽视了分布式储能站在实际建设中的动态变化因素,导致降低了分布式储能站的能源利用率。
发明内容
本发明的目的是针对现有技术中,由于忽视了分布式储能站在实际建设中的动态变化因素,导致降低了分布式储能站的能源利用率的问题,提供了基于分布式储能站规划建设的异常数据稽查方法,通过各个分布式储能站各个规划建设阶段对应的成本核算模型,并充分考虑各个分布式储能站各个实际建设阶段的动态变化因子构建对应的综合成本核算机制,再分别对判断为存在成本偏差值的分布式储能站确定对应的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制,通过目标综合成本核算机制对目标实际建设阶段进行稽查,确定目标实际建设阶段中的异常原因信息以及与异常原因信息对应的分布式储能站建设优化策略,从而能够提高对判断为存在成本偏差值的分布式储能站进行定位具体异常原因信息的准确性,有效地降低了分布式储能站在实际建设过程中的成本和能源消耗,提高了布式储能站的能源利用率。
本发明的目的是通过下述技术方案予以实现:
基于分布式储能站规划建设的异常数据稽查方法,包括以下步骤:
S1、基于各个分布式储能站各个规划建设阶段的历史成本数据分别构建对应的成本核算模型;
S2、基于所述成本核算模型以及各个分布式储能站各个实际建设阶段的动态变化因子分别构建对应的综合成本核算机制;
S3、分别判断各个分布式储能站各个实际建设阶段的实际成本以及与所述实际成本对应的基准成本是否存在成本偏差值,若存在时,则确定存在成本偏差值的分布式储能站的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制;
S4、根据目标综合成本核算机制对目标实际建设阶段进行稽查,得到稽查结果;
S5、根据稽查结果确定目标实际建设阶段中的异常原因信息,并根据异常原因信息确定对应的分布式储能站建设优化策略。
在本方案中,通过各个分布式储能站各个规划建设阶段对应的成本核算模型,并充分考虑各个分布式储能站各个实际建设阶段的动态变化因子构建对应的综合成本核算机制,再分别对判断为存在成本偏差值的分布式储能站确定对应的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制,通过目标综合成本核算机制对目标实际建设阶段进行稽查,确定目标实际建设阶段中的异常原因信息以及与异常原因信息对应的分布式储能站建设优化策略,从而能够提高对判断为存在成本偏差值的分布式储能站进行定位具体异常原因信息的准确性,有效地降低了分布式储能站在实际建设过程中的成本和能源消耗,提高了布式储能站的能源利用率。
进一步地,所述S1包括:
S11、获取各个分布式储能站各个规划建设阶段的历史成本数据并对其进行预处理,得到预处理结果;
S12、根据各个分布式储能站各个规划建设阶段的目标需求信息确定对应的成本核算方法;
S13、根据所述预处理结果以及所述成本核算方法分别构建对应的成本核算模型。
在本方案中,通过获取历史成本数据,可以更为全面地了解分布式储能站过去在规划建设阶段的成本构成和变化趋势,对数据进行预处理,有助于提高数据的准确性,构建更为精确的成本核算模型,提升成本核算的准确性;通过灵活选择成本核算方法,可以适应不同规划建设阶段的变化和不确定性,有助于更好地应对实际建设过程中的成本变化,提高成本核算的灵活性和适应性;基于预处理后的历史成本数据和针对性的成本核算方法构建成本核算模型,可以确保模型更加精确和可靠,有助于更准确地控制分布式储能站在规划建设阶段的成本。
进一步地,所述成本核算模型包括分布式储能站初期投资成本、分布式储能站运维成本和分布式储能站充电成本;
所述分布式储能站初期投资成本的数学表达式为:
所述分布式储能站运维成本的数学表达式为:
所述分布式储能站充电成本的数学表达式为:
其中,Cg表示分布式储能站初期投资成本,Pi表示第i个分布式储能站的容量,表示第i个分布式储能站的单位装机容量成本,n表示分布式储能站的合计数量;Com表示分布式储能站运维成本,Komi表示第i个分布式储能站的年度维护成本占第i个分布式储能站的投资成本的比例系数;Cb表示分布式储能站充电成本,EIj表示第j个分布式储能站的充电量,k表示进行充电作业的分布式储能站的数量,k≤n,Prbj表示第j个分布式储能站的单位充电价格。
在本方案中,通过综合考虑分布式储能站的初期投资成本、运维成本和充电成本,能够更全面地反映储能站的实际成本情况,通过精确的成本核算,可以更加清晰地了解各项成本的构成和变化情况,从而更加合理地分配资源,优化储能站的规划建设过程。
进一步地,所述S2包括:
S21、基于各个分布式储能站各个实际建设阶段的动态变化因子构建动态变化因子数据库;
S22、基于各个分布式储能站各个规划建设阶段的目标需求信息确定自适应算法,根据自适应算法对动态变化因子数据库中的每条数据进行迭代处理,确定各动态变化因子对应的重要度,并对各动态变化因子对应的重要度进行判断,当动态变化因子对应的重要度高于设定阈值时,则确定为关键动态变化因子;
S23、将所述关键动态变化因子引入所述成本核算模型中,构建各个分布式储能站各个实际建设阶段对应的综合成本核算机制。
在本方案中,通过构建动态变化因子数据库,能够实时记录和跟踪分布式储能站实际建设过程中的各种动态变化因子,基于自适应算法对动态变化因子进行处理,能够自动识别和确定关键动态变化因子;将关键动态变化因子引入成本核算模型,可以实现对模型的动态调整和优化,使得成本核算模型更加贴近实际建设情况,构建各个分布式储能站各个实际建设阶段对应的综合成本核算机制,可以更加清晰地了解分布式储能站实际建设过程中的成本构成和变化趋势。
进一步地,所述S3包括:
S31、实时计算各个分布式储能站各个实际建设阶段的基准成本;
S32、构建成本偏差检测模型,基于成本偏差检测模型实时检测所述实际成本与所述基准成本是否存在成本偏差值;
S33、当检测到成本偏差值时,利用多维度数据分析方法确定存在成本偏差值的分布式储能站的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制。
在本方案中,通过实时计算各个分布式储能站各个实际建设阶段的基准成本,可以迅速掌握各阶段的成本情况,可以及时对成本进行监控和调整,防止成本偏差的扩大;构建成本偏差检测模型,能够基于实时数据对实际成本与基准成本进行比较,精确检测是否存在成本偏差值;当检测到成本偏差值时,利用多维度数据分析方法,可以更为精准地定位到存在成本偏差值的分布式储能站及其目标实际建设阶段;通过确定目标实际建设阶段和对应的综合成本核算机制,可以更加有针对性地制定优化措施。
进一步地,所述S4包括:
S41、实时采集目标实际建设阶段的最新建设信息并对其进行特征提取,得到特征信息;
S42、基于目标综合成本核算机制以及稽查目标信息得到稽查策略;
S43、基于稽查策略对特征信息进行稽查,得到对应的稽查结果。
在本方案中,通过实时采集目标实际建设阶段的最新建设信息,能够获取到实时获取到更为准确的数据,防止成本偏差的进一步扩大;对采集到的建设信息进行特征提取,可以将原始数据转化为更具代表性的特征信息,有助于更准确地反映建设阶段的实际情况;基于目标综合成本核算机制和稽查目标信息制定的稽查策略,能够针对目标建设阶段和成本问题制定更为精准和有效的稽查措施,有助于提高稽查的效率和准确性;通过对特征信息的稽查,有助于更加精准地调整资源配置和成本控制策略,提高分布式储能站的能源利用效率。
进一步地,所述S42包括:
S421、根据各个分布式储能站各个实际建设阶段的建设情况信息确定稽查目标信息;
S422、确定各个分布式储能站各个实际建设阶段中的风险点信息,并根据稽查目标信息和风险点信息构建稽查策略。
在本方案中,通过根据各个分布式储能站各个实际建设阶段的建设情况信息确定稽查目标信息,可以确保稽查工作更加聚焦于关键领域,提高稽查的针对性和有效性;通过确定各个分布式储能站各个实际建设阶段中的风险点信息,可以及时发现并识别潜在的风险因素;基于稽查目标信息和风险点信息构建的稽查策略,可以有针对性地进行稽查;稽查策略的制定不仅基于实际建设阶段的建设情况信息,还结合了风险点信息,这使得策略更加全面和准确。
进一步地,所述S5包括:
S51、根据预处理后的稽查结果进行分析,得到目标实际建设阶段中的异常原因集合;
S52、根据异常原因集合构建异常原因链,并对异常原因链中的各个原因进行量化评估,得到各个原因对目标实际建设阶段的影响度;
S53、构建分布式储能站建设优化策略库;
S54、根据各个原因对目标实际建设阶段的影响度和自适应匹配算法在分布式储能站建设优化策略库中进行匹配,得到对应的分布式储能站建设优化策略。
在本方案中,通过对预处理后的稽查结果进行深入分析,可以得到目标实际建设阶段中的异常原因集合;构建异常原因链可以清晰地展示各个异常原因之间的关联和相互影响,能够更为全面地把握问题的复杂性,制定更加综合和系统的优化策略;通过对异常原因链中的各个原因进行量化评估,可以得到各个原因对目标实际建设阶段的影响度;构建分布式储能站建设优化策略库,并根据各个原因对目标实际建设阶段的影响度和自适应匹配算法进行匹配,可以得到针对性的优化策略,能够显著提升优化策略的有效性和针对性;通过实施匹配到的优化策略,可以针对具体问题进行有效改进,提升分布式储能站的能源利用效率。
进一步地,所述S53包括:
S531、根据分布式储能站建设的历史需求信息,构建多维度策略库框架;
S532、周期性地获取用户反馈信息以及分布式储能站建设的实时需求信息更新多维度策略库框架,得到分布式储能站建设优化策略库。
在本方案中,通过利用分布式储能站建设的历史需求信息,可以构建更为全面的策略库框架;通过周期性地获取用户反馈信息和实时需求信息,可以不断更新和优化多维度策略库框架,从而得到分布式储能站建设优化策略库,能够随着分布式储能站实际建设过程中的变化情况而不断调整,使得分布式储能站建设优化策略库更加贴近当前分布式储能站的实际需求。
进一步地,所述S54包括:
S541、对每个异常原因进行多维度综合评估,确定每个异常原因对目标实际建设阶段的影响度报告;
S542、对各个异常原因的影响度进行动态权重分配,得到分配结果;
S543、根据影响度报告、分配结果和自适应匹配算法在分布式储能站建设优化策略库中进行匹配,得到对应的分布式储能站建设优化策略。
在本方案中,通过对每个异常原因进行多维度综合评估,可以更全面、客观地了解每个原因对目标实际建设阶段的影响;根据各个异常原因的影响度进行动态权重分配,能够根据实际情况灵活调整,避免了固定权重分配可能带来的局限性;结合影响度报告、分配结果和自适应匹配算法,在分布式储能站建设优化策略库中进行匹配,可以迅速找到与当前异常原因相匹配的优化策略,能够显著提升优化策略制定的效率和针对性。
本发明的有益效果是:通过各个分布式储能站各个规划建设阶段对应的成本核算模型,并充分考虑各个分布式储能站各个实际建设阶段的动态变化因子构建对应的综合成本核算机制,再分别对判断为存在成本偏差值的分布式储能站确定对应的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制,通过目标综合成本核算机制对目标实际建设阶段进行稽查,确定目标实际建设阶段中的异常原因信息以及与异常原因信息对应的分布式储能站建设优化策略,从而能够提高对判断为存在成本偏差值的分布式储能站进行定位具体异常原因信息的准确性,有效地降低了分布式储能站在实际建设过程中的成本和能源消耗,提高了布式储能站的能源利用率。通过对预处理后的稽查结果进行深入分析,可以得到目标实际建设阶段中的异常原因集合;构建异常原因链可以清晰地展示各个异常原因之间的关联和相互影响,能够更为全面地把握问题的复杂性,制定更加综合和系统的优化策略;通过对异常原因链中的各个原因进行量化评估,可以得到各个原因对目标实际建设阶段的影响度;构建分布式储能站建设优化策略库,并根据各个原因对目标实际建设阶段的影响度和自适应匹配算法进行匹配,可以得到针对性的优化策略,能够显著提升优化策略的有效性和针对性;通过实施匹配到的优化策略,可以针对具体问题进行有效改进,提升分布式储能站的能源利用效率。
附图说明
图1是本发明实施例的基于分布式储能站规划建设的异常数据稽查方法的流程示意图。
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例:基于分布式储能站规划建设的异常数据稽查方法,如图1所示,包括以下步骤:
S1、基于各个分布式储能站各个规划建设阶段的历史成本数据分别构建对应的成本核算模型;
S2、基于所述成本核算模型以及各个分布式储能站各个实际建设阶段的动态变化因子分别构建对应的综合成本核算机制;
S3、分别判断各个分布式储能站各个实际建设阶段的实际成本以及与所述实际成本对应的基准成本是否存在成本偏差值,若存在时,则确定存在成本偏差值的分布式储能站的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制;
S4、根据目标综合成本核算机制对目标实际建设阶段进行稽查,得到稽查结果;
S5、根据稽查结果确定目标实际建设阶段中的异常原因信息,并根据异常原因信息确定对应的分布式储能站建设优化策略。
进一步地,采集各个分布式储能站不同规划建设阶段的历史成本数据。这些数据可以包括但不限于材料费、人工费、设备购置费、维护费、管理费用等。对收集到的数据进行清洗和预处理,去除异常值、重复值或缺失值,确保数据的准确性和完整性。根据处理后的数据,采用回归分析、时间序列分析、机器学习等方法,为每个分布式储能站的不同规划建设阶段构建对应的成本核算模型。
识别影响分布式储能站实际建设阶段成本的动态变化因子,例如原材料价格波动、市场需求变化、设备维护、设备折旧率等。将动态变化因子量化为具体的数值或参数,以便纳入成本核算模型。结合成本核算模型和动态变化因子,构建综合成本核算机制,能够综合考虑多个因素对成本的影响,提供更加准确和全面的成本核算结果。
根据历史数据、行业标准或专家建议,为每个分布式储能站的实际建设阶段设定基准成本,比较实际成本与基准成本,计算成本偏差值。若成本偏差值超过预设的阈值,则判断该分布式储能站在该实际建设阶段存在成本偏差,进一步分析确定存在成本偏差的目标实际建设阶段。根据目标实际建设阶段,确定与目标实际建设阶段对应的目标综合成本核算机制,以便后续进行稽查。
根据目标综合成本核算机制的特点和目标实际建设阶段的实际情况,选择合适的稽查方法,按照选定的稽查方法,对目标实际建设阶段进行详细的稽查,包括核查成本支出记录、材料使用情况、人工效率等。将稽查过程中收集到的证据和数据进行整理和分析,形成稽查结果报告。根据稽查结果报告,分析目标实际建设阶段中导致成本偏差的异常原因,如管理漏洞、资源浪费、技术不足等。针对每个异常原因,制定相应的分布式储能站建设优化策略,这些策略可以包括改进管理流程、优化资源配置等。
具体地,S1包括:
S11、获取各个分布式储能站各个规划建设阶段的历史成本数据并对其进行预处理,得到预处理结果;
S12、根据各个分布式储能站各个规划建设阶段的目标需求信息确定对应的成本核算方法;
S13、根据预处理结果以及成本核算方法分别构建对应的成本核算模型。
具体地,成本核算模型包括分布式储能站初期投资成本、分布式储能站运维成本和分布式储能站充电成本;
分布式储能站初期投资成本的数学表达式为:
分布式储能站运维成本的数学表达式为:
分布式储能站充电成本的数学表达式为:
其中,Cg表示分布式储能站初期投资成本,Pi表示第i个分布式储能站的容量,表示第i个分布式储能站的单位装机容量成本,n表示分布式储能站的合计数量;Com表示分布式储能站运维成本,Komi表示第i个分布式储能站的年度维护成本占第i个分布式储能站的投资成本的比例系数;Cb表示分布式储能站充电成本,EIj表示第j个分布式储能站的充电量,k表示进行充电作业的分布式储能站的数量,k≤n,Prbj表示第j个分布式储能站的单位充电价格。
进一步地,从分布式储能站的运营管理系统、财务系统或历史记录文档中收集规划建设阶段的历史成本数据,包括设备采购、安装、调试、运维等各个环节的成本数据,对获取的成本数据去除重复、错误或缺失的数据记录。对成本数据进行一致性检查,确保数据格式和单位统一。对不同来源和格式的成本数据进行转换,使其符合统一的格式标准。对成本数据进行归一化处理,以便进行后续的分析和建模。按照分布式储能站和规划建设阶段对成本数据进行分类。可以将分类后的成本数据整理成结构化的表格或数据库,方便后续分析和建模使用。
确定规划建设阶段的具体目标需求,分析目标需求对成本核算的影响,如容量需求、功率需求、运行时间等。根据目标需求信息和历史成本数据的特点,选择合适的成本核算方法。可以考虑使用作业成本法、标准成本法、全成本法等不同的成本核算方法。根据所选的成本核算方法,确定成本核算模型的框架和结构。成本核算模型应能够反映分布式储能站的成本构成和变化规律。根据预处理结果和成本核算方法,设定模型中的参数。参数可以包括单位装机容量成本、年度维护成本占投资成本的比例系数、单位充电价格等。可以使用统计软件、编程语言或专门的建模工具实现成本核算模型,根据预处理后的历史成本数据,对模型进行训练和拟合。
在本实施例中,通过获取历史成本数据,可以更为全面地了解分布式储能站过去在规划建设阶段的成本构成和变化趋势,对数据进行预处理,有助于提高数据的准确性,构建更为精确的成本核算模型,提升成本核算的准确性;通过灵活选择成本核算方法,可以适应不同规划建设阶段的变化和不确定性,有助于更好地应对实际建设过程中的成本变化,提高成本核算的灵活性和适应性;基于预处理后的历史成本数据和针对性的成本核算方法构建成本核算模型,可以确保模型更加精确和可靠,有助于更准确地控制分布式储能站在规划建设阶段的成本。通过综合考虑分布式储能站的初期投资成本、运维成本和充电成本,能够更全面地反映储能站的实际成本情况,通过精确的成本核算,可以更加清晰地了解各项成本的构成和变化情况,从而更加合理地分配资源,优化储能站的规划建设过程。
具体地,S2包括:
S21、基于各个分布式储能站各个实际建设阶段的动态变化因子构建动态变化因子数据库;
S22、基于各个分布式储能站各个规划建设阶段的目标需求信息确定自适应算法,根据自适应算法对动态变化因子数据库中的每条数据进行迭代处理,确定各动态变化因子对应的重要度,并对各动态变化因子对应的重要度进行判断,当动态变化因子对应的重要度高于设定阈值时,则确定为关键动态变化因子;
S23、将关键动态变化因子引入成本核算模型中,构建各个分布式储能站各个实际建设阶段对应的综合成本核算机制。
进一步地,收集各个分布式储能站各个实际建设阶段的数据,包括供电需求、能源价格波动、建设周期等因素的变化情况。可以建立一个动态变化因子数据库(如MySQL、MongoDB等),创建相应的表格和字段来存储不同阶段的数据,开发数据采集工具或接口,用于定期更新数据库中的数据。
访问并获取动态因子数据库,通常涉及到数据库查询和数据提取操作。对获取到的数据进行清洗数据,去除缺失值、异常值和重复项。标准化或归一化数据,使所有动态变化因子具有相同的量纲和范围。对于每个动态变化因子,计算其时间序列的统计量(如均值、标准差、偏度、峰度等),以及时间序列的变化率、趋势等。可以使用相关性系数(如皮尔逊相关系数、斯皮尔曼秩相关系数等)计算各动态变化因子之间的相关性。选择适合处理动态数据的自适应算法,如自适应滤波算法、在线学习算法(如随机梯度下降、在线支持向量机等),这些算法能够根据数据的实时变化自动调整模型参数。设计算法时,需要确定算法的输入和输出。输入通常为动态因子数据库中的时序数据,输出为各动态变化因子的权重或重要性评分。
根据自适应算法对动态变化因子数据库中的每条数据进行迭代处理过程如下:初始化模型参数:根据目标需求信息,为自适应算法设置初始参数。迭代处理数据:对于动态因子数据库中的每条数据,执行以下步骤:提取当前数据的特征,使用自适应算法更新模型参数,计算当前数据下各因子的重要度。更新关键动态变化因子:根据各动态变化因子的重要度,对各动态变化因子进行判断,当动态变化因子对应的重要度高于设定阈值时,则确定为关键动态变化因子。
建立一个成本核算模型,可以选择使用Python工具进行建模。在成本核算模型中引入所确定的关键动态变化因子,根据其权重和影响程度对成本模型进行调整。确保模型能够考虑不同阶段的实际数据和动态因子,从而构建出各个分布式储能站各个实际建设阶段对应的综合成本核算机制。
在本实施例中,通过构建动态变化因子数据库,能够实时记录和跟踪分布式储能站实际建设过程中的各种动态变化因子,基于自适应算法对动态变化因子进行处理,能够自动识别和确定关键动态变化因子;将关键动态变化因子引入成本核算模型,可以实现对模型的动态调整和优化,使得成本核算模型更加贴近实际建设情况,构建各个分布式储能站各个实际建设阶段对应的综合成本核算机制,可以更加清晰地了解分布式储能站实际建设过程中的成本构成和变化趋势。
具体地,S3包括:
S31、实时计算各个分布式储能站各个实际建设阶段的基准成本;
S32、构建成本偏差检测模型,基于成本偏差检测模型实时检测实际成本与基准成本是否存在成本偏差值;
S33、当检测到成本偏差值时,利用多维度数据分析方法确定存在成本偏差值的分布式储能站的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制。
进一步地,可以建立一个实时计算系统,用于根据各个分布式储能站各个实际建设阶段的数据计算基准成本。确定基准成本计算的算法和指标,基准成本计算指标可以包括建设成本、运营成本、维护成本等,实时监控各个分布式储能站的数据变化,并根据最新数据进行基准成本的计算。可以使用机器学习或统计分析方法构建成本偏差检测模型,可以选择支持向量机(SVM)、神经网络(NN)等算法。准备训练数据集,包括实际成本和基准成本数据,并标记成本偏差值作为监督学习的目标。训练模型并进行验证,确保模型能够准确检测实际成本与基准成本之间的成本偏差。
当检测到成本偏差值时,利用多维度数据分析方法对存在成本偏差的分布式储能站进行深入分析。其过程如下:
首先识别分布式储能站的成本偏差原因,涉及到对储能站运营过程中的各个环节进行细致考察,包括设备采购、维护成本、能源交易、管理费用等多个方面。接下来,进行维度选择和数据收集,根据分析目标,选取与成本相关的关键维度,如设备类型、采购时间、使用时间、维护记录、能源交易价格、交易量、管理人员费用等,收集这些维度上的数据,确保数据的准确性和完整性。
然后,利用数据透视表和交叉表等方法,对数据进行初步汇总和分析。例如,可以按照设备类型或采购时间对成本进行汇总,观察不同设备或不同采购批次之间的成本差异。同时,利用交叉表分析不同维度之间的关联关系,如设备类型与使用时间对成本的影响。在初步分析的基础上,进一步采用聚类分析、主成分分析等高级统计方法,深入挖掘数据中的潜在规律和关联,得到分析结果。根据分析结果确定目标实际建设阶段以及目标综合成本核算机制。根据分析结果,调整相应的建设阶段和成本核算机制,以实现成本偏差的纠正和优化。
在本实施例中,通过实时计算各个分布式储能站各个实际建设阶段的基准成本,可以迅速掌握各阶段的成本情况,可以及时对成本进行监控和调整,防止成本偏差的扩大;构建成本偏差检测模型,能够基于实时数据对实际成本与基准成本进行比较,精确检测是否存在成本偏差值;当检测到成本偏差值时,利用多维度数据分析方法,可以更为精准地定位到存在成本偏差值的分布式储能站及其目标实际建设阶段;通过确定目标实际建设阶段和对应的综合成本核算机制,可以更加有针对性地制定优化措施。
具体地,S4包括:
S41、实时采集目标实际建设阶段的最新建设信息并对其进行特征提取,得到特征信息;
S42、基于目标综合成本核算机制以及稽查目标信息得到稽查策略;
S43、基于稽查策略对特征信息进行稽查,得到对应的稽查结果。
具体地,S42包括:
S421、根据各个分布式储能站各个实际建设阶段的建设情况信息确定稽查目标信息;
S422、确定各个分布式储能站各个实际建设阶段中的风险点信息,并根据稽查目标信息和风险点信息构建稽查策略。
进一步地,可以建立一个实时数据采集系统,用于采集目标实际建设阶段的最新建设信息,包括建设进度、成本情况、设备运行数据等。对采集到的建设信息进行特征提取,可以使用数据挖掘技术或特征工程方法提取关键的特征信息,包括建设进度特征:比如工程的完成率、各个阶段的进度情况等;资源消耗特征:例如人工、材料、设备的消耗量和消耗速率等;质量与安全特征:包括质量检测数据、安全事故记录等;成本特征:如各项费用的实际支出、成本变化趋势。根据各个分布式储能站各个实际建设阶段的建设情况信息,确定需要稽查的目标信息,如存在潜在风险或异常情况的站点。确定各个建设阶段中可能存在的风险点信息,可以根据历史数据、专家经验等因素来判断。结合稽查目标信息和风险点信息,构建稽查策略,包括稽查频率、重点关注的指标、监测手段等。根据构建的稽查策略,对特征信息进行稽查,检查是否符合预期的建设情况和成本核算机制。分析稽查结果,得出对应的稽查结果,包括是否存在异常情况、风险点是否得到控制等。根据稽查结果,及时调整建设计划、成本核算机制或风险管理策略,以保证项目的顺利进行和风险的控制。
在本实施例中,通过实时采集目标实际建设阶段的最新建设信息,能够获取到实时获取到更为准确的数据,防止成本偏差的进一步扩大;对采集到的建设信息进行特征提取,可以将原始数据转化为更具代表性的特征信息,有助于更准确地反映建设阶段的实际情况;基于目标综合成本核算机制和稽查目标信息制定的稽查策略,能够针对目标建设阶段和成本问题制定更为精准和有效的稽查措施,有助于提高稽查的效率和准确性;通过对特征信息的稽查,有助于更加精准地调整资源配置和成本控制策略,提高分布式储能站的能源利用效率。
通过根据各个分布式储能站各个实际建设阶段的建设情况信息确定稽查目标信息,可以确保稽查工作更加聚焦于关键领域,提高稽查的针对性和有效性;通过确定各个分布式储能站各个实际建设阶段中的风险点信息,可以及时发现并识别潜在的风险因素;基于稽查目标信息和风险点信息构建的稽查策略,可以有针对性地进行稽查;稽查策略的制定不仅基于实际建设阶段的建设情况信息,还结合了风险点信息,这使得策略更加全面和准确。
具体地,S5包括:
S51、根据预处理后的稽查结果进行分析,得到目标实际建设阶段中的异常原因集合;
S52、根据异常原因集合构建异常原因链,并对异常原因链中的各个原因进行量化评估,得到各个原因对目标实际建设阶段的影响度;
S53、构建分布式储能站建设优化策略库;
S54、根据各个原因对目标实际建设阶段的影响度和自适应匹配算法在分布式储能站建设优化策略库中进行匹配,得到对应的分布式储能站建设优化策略。
具体地,S53包括:
S531、根据分布式储能站建设的历史需求信息,构建多维度策略库框架;
S532、周期性地获取用户反馈信息以及分布式储能站建设的实时需求信息更新多维度策略库框架,得到分布式储能站建设优化策略库。
具体地,S54包括:
S541、对每个异常原因进行多维度综合评估,确定每个异常原因对目标实际建设阶段的影响度报告;
S542、对各个异常原因的影响度进行动态权重分配,得到分配结果;
S543、根据影响度报告、分配结果和自适应匹配算法在分布式储能站建设优化策略库中进行匹配,得到对应的分布式储能站建设优化策略。
进一步地,收集预处理后的稽查结果数据,这些数据可以包括文本描述、数字指标、时间戳等。确保数据的质量和完整性,对缺失或异常值进行处理。如果稽查结果中包含文本描述,使用自然语言处理技术(如分词、词性标注、命名实体识别等)对文本进行解析。提取与建设阶段异常相关的关键词或短语。根据提取的关键词或短语,结合业务规则和知识库,识别出具体的异常原因。将这些原因整理成一个集合,确保每个原因都是唯一的。对异常原因集合进行分类,分类可以根据异常的性质(如技术问题、管理问题、资源问题等)或发生的阶段(如设计阶段、施工阶段、验收阶段等)进行。
根据异常原因集合构建异常原因链,并对异常原因链中的各个原因进行量化评估,得到各个原因对目标实际建设阶段的影响度。分析异常原因之间的逻辑关系,确定它们之间的因果链,可以使用图论或网络分析的方法构建异常原因链,每个原因作为链中的一个节点,因果关系作为连接节点的边。根据业务需求和目标实际建设阶段的特点,确定用于量化评估的指标。这些指标可以包括时间延误、成本超支、质量下降等。对异常原因链中的每个原因进行量化评估,可以使用历史数据、专家打分、统计模型等方法来确定每个原因对评估指标的影响程度,可以采用加权评分、模糊评价等方法将影响程度转化为具体的数值。将量化评估的结果以图表或报告的形式输出,以便直观地展示各个原因对目标实际建设阶段的影响度,可以根据需要对结果进行排序或分类,以便更好地理解主要的影响因素。
收集分布式储能站建设的历史需求信息,包括项目规模、地理位置、能源需求、环境要求、投资预算等。对收集到的历史需求信息进行详细分析,识别出常见的建设场景、挑战和解决方案。根据需求分析结果,将优化策略按照不同的维度进行分类,如技术选型、资源配置、成本控制、运营管理等。基于分类结果,构建多维度策略库框架,确保每个维度下都有相应的策略集合。
定期收集用户对已实施的建设优化策略的反馈信息,包括效果评价、建议等。通过市场调研、数据分析等方式,实时获取分布式储能站建设的最新需求信息。根据用户反馈和实时需求信息,对多维度策略库框架进行更新,包括添加新策略、调整策略权重、优化策略组合等。对新添加或调整的策略进行验证,确保其在实际应用中能够有效解决问题。根据各个原因对目标实际建设阶段的影响度和自适应匹配算法在分布式储能站建设优化策略库中进行匹配,得到对应的分布式储能站建设优化策略对每个异常原因进行多维度综合评估,确定每个异常原因对目标实际建设阶段的影响度报告。
对各个异常原因的影响度进行动态权重分配,得到分配结果的具体过程如下:
明确用于评估异常原因影响度的指标和维度,这些指标包括但不限于成本增加、进度延误、安全风险、技术难题等,维度包括但不限于成本、进度、质量、安全等方面。每个异常原因在这些维度上的表现都会被量化评估。为了进行动态权重分配,需要收集与目标实际建设阶段相关的实时数据。这些数据可以包括项目进展报告、成本分析报告、质量检测报告等。通过实时数据的收集,可以获取异常原因的最新影响情况。基于历史数据、专家经验或业务规则,为每个异常原因设定初始权重。这些初始权重反映了异常原因在一般情况下的相对重要性。对实时收集的数据进行分析,确定每个异常原因在当前阶段的实际影响度,可以通过计算异常原因在不同指标和维度上的得分或评级来实现,根据实时评估结果,对初始权重进行动态调整。调整的依据可以是异常原因影响度的变化趋势、与其他异常原因的相对关系、以及业务目标的优先级等因素。具体调整方法可以采用加权平均、指数平滑或机器学习算法等。
在动态权重分配过程中,还需要考虑环境变量和业务逻辑对权重的影响。例如,某些异常原因可能在特定环境下变得更加重要,或者某些业务目标可能要求对某些异常原因给予更高的权重。这些因素都应该纳入权重分配的考虑之中。完成动态权重分配后,需要对分配结果进行校验,以确保其合理性和有效性。校验可以通过与对比历史数据或进行模拟测试等方式进行。如果校验结果显示分配结果存在不合理之处,需要返回到分配过程进行调整。将动态权重分配的结果输出,以便后续的优化策略匹配过程使用。这些权重将作为关键参数,指导在分布式储能站建设优化策略库中进行策略匹配。
在本实施例中,通过对预处理后的稽查结果进行深入分析,可以得到目标实际建设阶段中的异常原因集合;构建异常原因链可以清晰地展示各个异常原因之间的关联和相互影响,能够更为全面地把握问题的复杂性,制定更加综合和系统的优化策略;通过对异常原因链中的各个原因进行量化评估,可以得到各个原因对目标实际建设阶段的影响度;构建分布式储能站建设优化策略库,并根据各个原因对目标实际建设阶段的影响度和自适应匹配算法进行匹配,可以得到针对性的优化策略,能够显著提升优化策略的有效性和针对性;通过实施匹配到的优化策略,可以针对具体问题进行有效改进,提升分布式储能站的能源利用效率。
通过利用分布式储能站建设的历史需求信息,可以构建更为全面的策略库框架;通过周期性地获取用户反馈信息和实时需求信息,可以不断更新和优化多维度策略库框架,从而得到分布式储能站建设优化策略库,能够随着分布式储能站实际建设过程中的变化情况而不断调整,使得分布式储能站建设优化策略库更加贴近当前分布式储能站的实际需求。
通过对每个异常原因进行多维度综合评估,可以更全面、客观地了解每个原因对目标实际建设阶段的影响;根据各个异常原因的影响度进行动态权重分配,可以确保不同原因在优化策略制定中得到适当的关注,能够根据实际情况灵活调整,避免了固定权重分配可能带来的局限性,通过合理分配权重;结合影响度报告、分配结果和自适应匹配算法,在分布式储能站建设优化策略库中进行匹配,可以迅速找到与当前问题相匹配的优化策略,能够显著提升优化策略制定的效率和针对性;通过实施匹配到的优化策略,可以针对具体问题进行有效改进,提升分布式储能站的能源利用效率。
以上的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (10)
1.基于分布式储能站规划建设的异常数据稽查方法,其特征在于,包括以下步骤:
S1、基于各个分布式储能站各个规划建设阶段的历史成本数据分别构建对应的成本核算模型;
S2、基于所述成本核算模型以及各个分布式储能站各个实际建设阶段的动态变化因子分别构建对应的综合成本核算机制;
S3、分别判断各个分布式储能站各个实际建设阶段的实际成本以及与所述实际成本对应的基准成本是否存在成本偏差值,若存在时,则确定存在成本偏差值的分布式储能站的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制;
S4、根据目标综合成本核算机制对目标实际建设阶段进行稽查,得到稽查结果;
S5、根据稽查结果确定目标实际建设阶段中的异常原因信息,并根据异常原因信息确定对应的分布式储能站建设优化策略。
2.根据权利要求1所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述S1包括:
S11、获取各个分布式储能站各个规划建设阶段的历史成本数据并对其进行预处理,得到预处理结果;
S12、根据各个分布式储能站各个规划建设阶段的目标需求信息确定对应的成本核算方法;
S13、根据所述预处理结果以及所述成本核算方法分别构建对应的成本核算模型。
3.根据权利要求1或2所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述成本核算模型包括分布式储能站初期投资成本、分布式储能站运维成本和分布式储能站充电成本;
所述分布式储能站初期投资成本的数学表达式为:
所述分布式储能站运维成本的数学表达式为:
所述分布式储能站充电成本的数学表达式为:
其中,Cg表示分布式储能站初期投资成本,Pi表示第i个分布式储能站的容量,表示第i个分布式储能站的单位装机容量成本,n表示分布式储能站的合计数量;Com表示分布式储能站运维成本,Komi表示第i个分布式储能站的年度维护成本占第i个分布式储能站的投资成本的比例系数;Cb表示分布式储能站充电成本,EIj表示第j个分布式储能站的充电量,k表示进行充电作业的分布式储能站的数量,k≤n,Prbj表示第j个分布式储能站的单位充电价格。
4.根据权利要求1所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述S2包括:
S21、基于各个分布式储能站各个实际建设阶段的动态变化因子构建动态变化因子数据库;
S22、基于各个分布式储能站各个规划建设阶段的目标需求信息确定自适应算法,根据自适应算法对动态变化因子数据库中的每条数据进行迭代处理,确定各动态变化因子对应的重要度,并对各动态变化因子对应的重要度进行判断,当动态变化因子对应的重要度高于设定阈值时,则确定为关键动态变化因子;
S23、将所述关键动态变化因子引入所述成本核算模型中,构建各个分布式储能站各个实际建设阶段对应的综合成本核算机制。
5.根据权利要求1所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述S3包括:
S31、实时计算各个分布式储能站各个实际建设阶段的基准成本;
S32、构建成本偏差检测模型,基于成本偏差检测模型实时检测所述实际成本与所述基准成本是否存在成本偏差值;
S33、当检测到成本偏差值时,利用多维度数据分析方法确定存在成本偏差值的分布式储能站的目标实际建设阶段以及与目标实际建设阶段对应的目标综合成本核算机制。
6.根据权利要求1所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述S4包括:
S41、实时采集目标实际建设阶段的最新建设信息并对其进行特征提取,得到特征信息;
S42、基于目标综合成本核算机制以及稽查目标信息得到稽查策略;
S43、基于稽查策略对特征信息进行稽查,得到对应的稽查结果。
7.根据权利要求6所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述S42包括:
S421、根据各个分布式储能站各个实际建设阶段的建设情况信息确定稽查目标信息;
S422、确定各个分布式储能站各个实际建设阶段中的风险点信息,并根据稽查目标信息和风险点信息构建稽查策略。
8.根据权利要求1所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述S5包括:
S51、根据预处理后的稽查结果进行分析,得到目标实际建设阶段中的异常原因集合;
S52、根据异常原因集合构建异常原因链,并对异常原因链中的各个原因进行量化评估,得到各个原因对目标实际建设阶段的影响度;
S53、构建分布式储能站建设优化策略库;
S54、根据各个原因对目标实际建设阶段的影响度和自适应匹配算法在分布式储能站建设优化策略库中进行匹配,得到对应的分布式储能站建设优化策略。
9.根据权利要求8所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述S53包括:
S531、根据分布式储能站建设的历史需求信息,构建多维度策略库框架;
S532、周期性地获取用户反馈信息以及分布式储能站建设的实时需求信息更新多维度策略库框架,得到分布式储能站建设优化策略库。
10.根据权利要求8所述的基于分布式储能站规划建设的异常数据稽查方法,其特征在于,所述S54包括:
S541、对每个异常原因进行多维度综合评估,确定每个异常原因对目标实际建设阶段的影响度报告;
S542、对各个异常原因的影响度进行动态权重分配,得到分配结果;
S543、根据影响度报告、分配结果和自适应匹配算法在分布式储能站建设优化策略库中进行匹配,得到对应的分布式储能站建设优化策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355599.4A CN118228991A (zh) | 2024-03-27 | 2024-03-27 | 基于分布式储能站规划建设的异常数据稽查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355599.4A CN118228991A (zh) | 2024-03-27 | 2024-03-27 | 基于分布式储能站规划建设的异常数据稽查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118228991A true CN118228991A (zh) | 2024-06-21 |
Family
ID=91502011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410355599.4A Pending CN118228991A (zh) | 2024-03-27 | 2024-03-27 | 基于分布式储能站规划建设的异常数据稽查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118228991A (zh) |
-
2024
- 2024-03-27 CN CN202410355599.4A patent/CN118228991A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Van der Auweraer et al. | Forecasting spare part demand with installed base information: A review | |
CN111259947A (zh) | 一种基于多模态学习的电力系统故障预警方法和系统 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升系统 | |
CN114155072A (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
Wang | Construction of Risk Evaluation Index System for Power Grid Engineering Cost by Applying WBS‐RBS and Membership Degree Methods | |
CN117853238A (zh) | 基于多数据源融合的电力交易辅助决策系统 | |
CN117853072B (zh) | 一种供应链管理系统及方法 | |
CN117709555B (zh) | 一种基于变压器碳核算模型的碳排预测与评价方法和系统 | |
CN110288142B (zh) | 一种基于XGBoost算法的工程超期预测方法 | |
CN117591679A (zh) | 基于知识图谱的积木式产品碳足迹智能分析系统及方法 | |
CN116644562B (zh) | 一种新能源电站运维费用评估系统 | |
CN118228991A (zh) | 基于分布式储能站规划建设的异常数据稽查方法 | |
CN118469405B (zh) | 家居供应链数据的处理方法、装置、设备及存储介质 | |
Liashenko et al. | The Impact of Data Analytics on the Nature of Doing Business | |
Liu et al. | Path identification and effect assessment of digital economy-driven manufacturing quality development in the context of big data analysis | |
Ye et al. | The Research on Modeling of Decision Support System for Cable Construction Project | |
Mohsen et al. | Data Analytics Application for Non-Conformance Reports in a Cabinet Manufacturing Facility | |
CN118297446A (zh) | 一种炼化企业碳排放在线管控方法、装置、设备和系统 | |
Suranga et al. | Forecasting of energy consumption in an industrial firm using statistical and machine learning models | |
CN118195410A (zh) | 一种基于项目全寿命周期的新能源发电后评价方法、系统、设备和可读存储介质 | |
CN116797078A (zh) | 电动工具质量隐患诊断方法、装置、电子设备及存储介质 | |
Li et al. | The Implementation Research of Data Mining Algorithms in Production Process Optimization and Management | |
CN117391626A (zh) | 一种基于大数据的工程造价数据处理方法 |
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 |