CN116204779B - 一种判断储能盐穴运行状态的方法、***及可读存储介质 - Google Patents

一种判断储能盐穴运行状态的方法、***及可读存储介质 Download PDF

Info

Publication number
CN116204779B
CN116204779B CN202310416208.0A CN202310416208A CN116204779B CN 116204779 B CN116204779 B CN 116204779B CN 202310416208 A CN202310416208 A CN 202310416208A CN 116204779 B CN116204779 B CN 116204779B
Authority
CN
China
Prior art keywords
model
salt cavern
training data
parameters
operation state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310416208.0A
Other languages
English (en)
Other versions
CN116204779A (zh
Inventor
陈永安
李峻
李军
陶君
袁照威
徐志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Energy Construction Digital Technology Group Co ltd
Original Assignee
China Energy Construction Digital Technology Group Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Energy Construction Digital Technology Group Co ltd filed Critical China Energy Construction Digital Technology Group Co ltd
Priority to CN202310416208.0A priority Critical patent/CN116204779B/zh
Publication of CN116204779A publication Critical patent/CN116204779A/zh
Application granted granted Critical
Publication of CN116204779B publication Critical patent/CN116204779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/16—Mechanical energy storage, e.g. flywheels or pressurised fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种判断盐穴运行状态的方法、***及可读存储介质，所述方法包括以下步骤：步骤101，根据压缩空气储能盐穴运行机理分析，确定盐穴运行状态关键参数，采集关键参数历史数据；步骤201，对历史数据进行预判断，得到不同工况下的训练数据集；步骤301，基于不同工况下的训练数据集，建立不同工况下的盐穴运行状态评估模型；步骤401，获取当前工况及当前时刻下的盐穴运行状态关键参数，对数据进行预判断，得到盐穴的运行状态，并将识别结果加入至相应工况下的训练数据集中，本发明能够提前得到盐穴的运行状态，为压缩空气储能电站运行提供安全保障。

Description

一种判断储能盐穴运行状态的方法、***及可读存储介质
技术领域
本发明涉及储能技术领域，尤其涉及一种判断储能盐穴运行状态的方法、***及可读存储介质，具体地为一种判断压缩空气储能盐穴运行状态的方法、***及可读存储介质。
背景技术
储能是构建新兴电力***的关键支撑。不同储能技术在功率规模、储能密度、循环效率、响应时间等不同，压缩空气储能作为一种新型储能技术，具有容量大、安全性高、使用寿命长、建设成本低的特点，在调峰、调频、削峰填谷等辅助服务上有着广泛的应用，能够有效提升新能源的利用率，减少弃风弃光现象。对于大规模压缩空气储能电站而言，储能所需的空间容积可高达十万立方米，甚至百万立方米级别，因此储气设备一般采用地下储气库。
目前，地下储气库有很多种，如盐穴、人工硐室等，但从建设技术可行性和经济性角度出发，盐穴由于其良好的密封性和建设成本点等优点，成为压缩空气储能电站地下储气库的首选。但储能电站运行时不断的储存空气、释放空气，盐穴的地质结构也在不断变化。当运行过程中盐穴出现漏气等现象时，势必对压缩空气储能电站的运行带来影响，甚至影响电站的安全。为此，开展压缩空气储能盐穴运行状态的研究至关重要。传统上，通常采用人工判别，判别过程主观性强、精度低、效率低等问题。因此，有必要研究一种判断储能盐穴运行状态的方法、***及可读存储介质来应对现有技术的不足，以解决或减轻上述一个或多个问题。
发明内容
有鉴于此，本发明提供了一种判断储能盐穴运行状态的方法、***及可读存储介质，能够提前得到盐穴的运行状态，为压缩空气储能电站运行提供安全保障。
一方面，本发明提供一种判断储能盐穴运行状态的方法、***及可读存储介质，所述方法包括以下步骤：
步骤101，根据压缩空气储能盐穴运行机理分析，确定盐穴运行状态关键参数，采集关键参数历史数据；
步骤201，对历史数据进行预判断，得到不同工况下的训练数据集；
步骤301，基于不同工况下的训练数据集，建立不同工况下的多个盐穴运行状态评估模型，所述盐穴运行状态评估模型由BP神经网络模型、SVM支持向量机模型和DT决策树模型通过主成分分析方法进行优化、加权和集成获得；
步骤401，获取当前工况及当前时刻下的盐穴运行状态关键参数，并通过盐穴运行状态评估模型对其进行预判断，得到盐穴的运行状态，并将识别结果加入至相应工况下的训练数据集中。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述步骤101中运行状态关键参数包括压力、流量和温度。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述步骤101中关键参数历史数据包括时间、压力值、流量值、温度值和盐穴运行状态值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述步骤101中的数据采集过程为通过电厂分散控制***中采集压缩空气储能电站过往一年的运行历史数据。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述步骤201中预判断过程包括数据清洗和数据工况判别。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述数据清洗具体为：对历史数据中的离群点进行删除，所述离群点通过箱形图判断。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述数据工况判别包括：
S2011：判断历史数据属于储能阶段还是释能阶段；
S2012：通过时间-压力值、时间-流量值和时间-温度值交会图区分历史数据的工况，得到不同工况下的训练数据集，每种工况训练数据集包括压力值、流量值和温度值三个特征参数以及盐穴运行状态一个目标值。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述步骤301中盐穴运行状态评估模型为通过BP神经网络模型、SVM支持向量机模型和DT决策树模型构建而成的集成模型，集成模型的训练过程包括最优基模型构建、基模型权重的优化和集成模型构建。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述步骤401具体包括：
S4011：获取当前工况及当前时刻下的盐穴压力、温度、流量关键参数，输入至相应工况下的盐穴运行状态评估模型中，得到当前盐穴的运行状态；
S4012：将S4011得到的运行状态加入训练数据集中，扩充训练数据集中的数据，参与后续的模型构建。
如上所述的方面和任一可能的实现方式，进一步提供一种判断储能盐穴运行状态的***，所述***包括：
历史数据获取模块，确定盐穴运行状态关键参数，采集关键参数历史数据；
训练数据集获取模块，对历史数据进行预判断，得到不同工况下的训练数据集；
模型建立模块，基于不同工况下的训练数据集，建立不同工况下的多个盐穴运行状态评估模型，所述盐穴运行状态评估模型由BP神经网络模型、SVM支持向量机模型和DT决策树模型通过主成分分析方法进行优化、加权和集成获得；
运行状态预判断模块，获取当前工况及当前时刻下的盐穴运行状态关键参数，对数据进行预判断，得到盐穴的运行状态，并将识别结果加入至相应工况下的训练数据集中。
如上所述的方面和任一可能的实现方式，进一步提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任意一项所述的判断压缩空气储能盐穴运行状态的方法。
上述技术方案中的另一个技术方案具有如下优点或有益效果：本发明提供了一种盐穴运行状态评估的方法，是一种完全自动的过程，降低人工成本，克服传统人工识别的主观性，同时能够提前得到盐穴的运行状态，规避电站运行事故发生。
上述技术方案中的另一个技术方案具有如下优点或有益效果：本发明充分考虑了压缩空气储能电站在不同工况下数据特性差异导致建模模型差异的情形，建立的模型更精确，评估结果更具有指导意义。
上述技术方案中的另一个技术方案具有如下优点或有益效果：本发明构建了一种多模型的加权策略，解决了传统单一模型存在的缺陷，得到的模型精度更高，同时提出了一种基于PCA方法的加权值优化方法，对每一种单一模型的分配策略更具有指导意义。当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，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它的附图。
图1为本发明实施例提供的一种判断储能盐穴运行状态的方法的流程示意图；
图2为本发明实施例提供的图1中盐穴运行状态评估模型流程示意图；
图3为本发明实施例提供的图2中盐穴运行状态评估模型建立具体流程示意图；
图4为本发明实施例提供的判断压缩空气储能盐穴运行状态的***框架图。
具体实施方式
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本发明提供一种判断储能盐穴运行状态的方法、***及可读存储介质，所述方法包括以下步骤：
步骤101，根据压缩空气储能盐穴运行机理分析，确定盐穴运行状态关键参数，采集关键参数历史数据；
步骤201，对历史数据进行预判断，得到不同工况下的训练数据集；
步骤301，基于不同工况下的训练数据集，建立不同工况下的多个盐穴运行状态评估模型，所述盐穴运行状态评估模型由BP神经网络模型、SVM支持向量机模型和DT决策树模型通过主成分分析方法进行优化、加权和集成获得；
步骤401，获取当前工况及当前时刻下的盐穴运行状态关键参数，并通过盐穴运行状态评估模型对其进行预判断，得到盐穴的运行状态，并将识别结果加入至相应工况下的训练数据集中。
所述步骤101中运行状态关键参数包括压力、流量和温度。
所述步骤101中关键参数历史数据包括时间、压力值、流量值、温度值和盐穴运行状态值。
所述步骤101中的数据采集过程为通过电厂分散控制***中采集压缩空气储能电站过往一年的运行历史数据。
所述步骤201中预判断过程包括数据清洗和数据工况判别。
所述数据清洗具体为：对历史数据中的离群点进行删除，所述离群点通过箱形图判断。
所述数据工况判别包括：
S2011：判断历史数据属于储能阶段还是释能阶段；
S2012：通过时间-压力值、时间-流量值和时间-温度值交会图区分历史数据的工况，得到不同工况下的训练数据集，每种工况训练数据集包括压力值、流量值和温度值三个特征参数以及盐穴运行状态一个目标值。
所述步骤301中盐穴运行状态评估模型为通过BP神经网络模型、SVM支持向量机模型和决策树模型构建而成的集成模型，集成模型的训练过程包括最优基模型构建、基模型权重的优化和集成模型构建。
所述步骤401具体包括：
S4011：获取当前工况及当前时刻下的盐穴压力、温度、流量关键参数，输入至相应工况下的盐穴运行状态评估模型中，得到当前盐穴的运行状态；
S4012：将S4011得到的运行状态加入训练数据集中，扩充训练数据集中的数据，参与后续的模型构建。
如图4所示，本发明还提供一种判断储能盐穴运行状态的***，所述***包括：
历史数据获取模块，确定盐穴运行状态关键参数，采集关键参数历史数据；
训练数据集获取模块，对历史数据进行预判断，得到不同工况下的训练数据集；
模型建立模块，基于不同工况下的训练数据集，建立不同工况下的盐穴运行状态评估模型；
运行状态预判断模块，获取当前工况及当前时刻下的盐穴运行状态关键参数，对数据进行预判断，得到盐穴的运行状态，并将识别结果加入至相应工况下的训练数据集中。
本发明还提供一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述的判断压缩空气储能盐穴运行状态的方法。
本发明还提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任意一项所述的判断压缩空气储能盐穴运行状态的方法。
实施例1：
如图1所示，本发明提供一种判断储能盐穴运行状态的方法，具体包括以下步骤：
步骤101，根据压缩空气储能盐穴运行机理分析，确定盐穴运行状态关键参数，采集关键参数历史数据；
步骤201，对历史数据进行预判断，得到不同工况下的训练数据集；
步骤301，基于不同工况下的训练数据集，建立不同工况下的盐穴运行状态评估模型；
步骤401，获取当前工况及当前时刻下的盐穴运行状态关键参数，对数据进行预判断，得到盐穴的运行状态，并将识别结果加入至相应工况下的训练数据集中。
具体的，所述盐穴为压缩空气储能电站的储气库，其主体部分在地下。根据盐穴运行机理，其运行状态关键参数主要包括压力、流量和温度，分别通过压力传感器、流量计传感器、温度传感器得到。基于3种参数，从电厂分散控制***中采集压缩空气储能电站过往一年的运行历史数据，包括时间、压力值、流量值、温度值和盐穴运行状态值。
具体的，所述对历史数据进行预判断主要包括数据清洗、数据工况判别。所述数据清洗主要对数据中的离群点进行删除，所述离群点主要通过箱形图判断。所述数据工况判别主要判断当前数据属于储能阶段还是释能阶段，两种工况下的数据特性存在明显差距，通过时间-压力值、时间-流量值、时间-温度值交会图即可明显区分数据的工况，据此得到不同工况下的训练数据集，每种工况训练数据集包括压力值、流量值和温度值3个特征参数以及盐穴运行状态1个目标值。
结合图2和图3，所述盐穴运行状态评估模型主要是基于BP神经网络模型、SVM支持向量机模型以及决策树模型的3个基模型构建而成的集成模型。
具体的，所述集成模型的训练过程主要包括最优基模型构建、基模型权重的优化、集成模型构建。
具体的，所述基模型的训练主要基于训练数据集，根据3个基模型的训练过程分别构建BP神经网络模型、SVM支持向量机模型、DT决策树模型。所述BP神经网络是一种基于梯度下降算法的多层前馈神经网络，包括输入层、多个隐含层、输出层，模型训练和建立过程包括正向和反向计算2个过程，其主要参数包括神经网络隐含层层数、输入层和隐含层以及隐含层与输出层之间的偏置和权重；所述SVM模型主要为是一种二分类器模型，目标是寻找最大化支持向量到分隔超平面的距离，以此为目标来求出分隔超平面。其主要参数为惩罚因子和核函数参数；所述DT模型主要根据数据的属性采用树状结构建立决策模型，学习过程包含特征选择、决策树的生成与剪枝过程。其主要参数为决策树的最大深度、和每个叶结点最小的样本数目。
具体的，所述基模型参数的确定主要采用网格搜索和十折交叉验证得到，分别得到3个基模型中的最优参数，进而得到最优基模型。
具体的，所述基模型权重的优化主要采用主成分分析（PCA）方法，具体而言，将训练数据集分为m份，采用3种基模型对m份训练数据集进行训练和预测，计算其识别正确率，每个基模型都得到m个预测正确率，此时得到一个m行3列的样本集，3列即为PCA的3个指标。定义PCA的指标分别为a 1，a 2，… ai …， aN ，通过PCA过程得到相应的主成分p 1，p 2，… pj …， pM ，并得到每个主成分下每个指标的方差解释率 mij ，计算每个指标 ai 下的综合得分系数 si = mi1+ mi2+……+ miM ，通过综合得分系数得到每个指标 ai 的权重 wi = si /(s 1+s 2+… si …+ sN )，也即得到了每个基模型的权重。其中，i为基模型和PCA指标的索引值，i=1,2,3；j为主成分的索引值，j=1,2,3，M、N均为为正整数。
具体的，所述集成模型构建主要综合考虑投票法结果及权重优化结果，即为各基模型得到的识别结果与对应的权重 wi 相乘求和，得到求和结果R，将R与0做比较，如果大于等于0，则盐穴运行状态良好，如果小于0，则盐穴运行出现故障。
具体的，集成模型主要建立2个不同工况下的，分别为储能阶段的集成模型和释能阶段的集成模型。不同工况下集成模型根据不同训练数据集建立，其基模型的参数、集成模型参数都不同。
具体的，获取当前工况及当前时刻下的盐穴压力、温度、流量关键参数，输入至相应工况下的盐穴运行状态评估模型中，得到当前盐穴的运行状态。将得到的结果加入训练数据集中，不断丰富数据集中的数据，参与后续的模型构建中。
以上对本申请实施例所提供的一种判断储能盐穴运行状态的方法、***及可读存储介质，进行了详细介绍。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。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语，故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者***不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者***中还存在另外的相同要素。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求书的保护范围内。

Claims (7)

1.一种判断储能盐穴运行状态的方法，其特征在于，所述方法包括以下步骤：
步骤101，根据压缩空气储能盐穴运行机理分析，确定盐穴运行状态关键参数，采集关键参数历史数据；
步骤201，对历史数据进行预判断，得到不同工况下的训练数据集；
步骤301，基于不同工况下的训练数据集，建立不同工况下的多个盐穴运行状态评估模型，所述盐穴运行状态评估模型由BP神经网络模型、SVM支持向量机模型和DT决策树模型通过主成分分析方法进行优化、加权和集成获得；
步骤401，获取当前工况及当前时刻下的盐穴运行状态关键参数，并通过盐穴运行状态评估模型对其进行预判断，得到盐穴的运行状态，并将识别结果加入至相应工况下的训练数据集中；
所述步骤301中盐穴运行状态评估模型为通过BP神经网络模型、SVM支持向量机模型和DT决策树模型构建而成的集成模型，集成模型的训练过程包括最优基模型构建、基模型权重的优化和集成模型构建；
所述最优基模型构建具体为：
分别构建BP神经网络模型、SVM支持向量机模型、DT决策树模型；
所述BP神经网络是一种基于梯度下降算法的多层前馈神经网络，包括输入层、多个隐含层、输出层，模型训练和建立过程包括正向和反向计算2个过程，其参数包括神经网络隐含层层数、输入层和隐含层以及隐含层与输出层之间的偏置和权重；
所述SVM支持向量机模型是一种二分类器模型，目标是寻找最大化支持向量到分隔超平面的距离，以此为目标来求出分隔超平面，其主要参数为惩罚因子和核函数参数；
所述DT决策树模型根据数据的属性采用树状结构建立决策模型，学习过程包含特征选择、决策树的生成与剪枝，其参数为决策树的最大深度、和每个叶结点最小的样本数目；
采用网格搜索和十折交叉验证得到基模型参数，分别得到3个基模型中的最优参数，进而得到最优基模型；
所述基模型权重的优化具体为:
采用主成分分析方法，将训练数据集分为m份，采用3种基模型对m份训练数据集进行训练和预测，计算其识别正确率，每个基模型都得到m个预测正确率，此时得到一个m行3列的样本集，3列即为PCA的3个指标；定义PCA的指标分别为a1，a2，…ai…，aN，通过PCA过程得到相应的主成分p1，p2，…pj…，pM，并得到每个主成分下每个指标的方差解释率mij，计算每个指标ai下的综合得分系数si=mi1+mi2+……+miM，通过综合得分系数得到每个指标ai的权重wi=si/(s1+s2+…si…+sN)，也即得到了每个基模型的权重；其中，i为基模型和PCA指标的索引值，i=1,2,3；j为主成分的索引值，j=1,2,3，M、N均为正整数；
所述集成模型构建具体为:
各基模型得到的识别结果与对应的权重wi相乘求和，得到求和结果R，将R与0做比较，如果大于等于0，则盐穴运行状态良好，如果小于0，则盐穴运行出现故障，集成模型建立2个不同工况下的，分别为储能阶段的集成模型和释能阶段的集成模型，不同工况下集成模型根据不同训练数据集建立，其基模型的参数、集成模型参数都不同;
所述步骤101中关键参数历史数据包括时间、压力值、流量值、温度值和/或盐穴运行状态值;
所述步骤401具体包括：
S4011：获取当前工况及当前时刻下的盐穴压力、温度、流量关键参数，输入至相应工况下的盐穴运行状态评估模型中，得到当前盐穴的运行状态；
S4012：将S4011得到的运行状态加入训练数据集中，扩充训练数据集中的数据，参与后续的模型构建。
2.根据权利要求1所述的方法，其特征在于，所述步骤101中的数据采集过程为通过电厂分散控制***采集压缩空气储能电站过往一年的运行历史数据。
3.根据权利要求1所述的方法，其特征在于，所述步骤201中预判断过程包括数据清洗和数据工况判别。
4.根据权利要求3所述的方法，其特征在于，所述数据清洗具体为：对历史数据中的离群点进行删除，所述离群点通过箱形图判断。
5.根据权利要求4所述的方法，其特征在于，所述数据工况判别包括：
S2011：判断历史数据属于储能阶段还是释能阶段；
S2012：通过时间-压力值、时间-流量值和时间-温度值交会图区分历史数据的工况，得到不同工况下的训练数据集，每种工况训练数据集包括压力值、流量值和温度值三个特征参数以及盐穴运行状态一个目标值。
6.一种判断储能盐穴运行状态的***，用于实现权利要求1-5任意一项所述的方法，其特征在于，所述***包括：
历史数据获取模块，确定盐穴运行状态关键参数，采集关键参数历史数据；
训练数据集获取模块，对历史数据进行预判断，得到不同工况下的训练数据集；
模型建立模块，基于不同工况下的训练数据集，建立不同工况下的多个盐穴运行状态评估模型，所述盐穴运行状态评估模型由BP神经网络模型、SVM支持向量机模型和DT决策树模型通过主成分分析方法进行优化、加权和集成获得；
运行状态预判断模块，获取当前工况及当前时刻下的盐穴运行状态关键参数，对数据进行预判断，得到盐穴的运行状态，并将识别结果加入至相应工况下的训练数据集中。
7.一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-5任意一项所述的判断储能盐穴运行状态的方法。
CN202310416208.0A 2023-04-19 2023-04-19 一种判断储能盐穴运行状态的方法、***及可读存储介质 Active CN116204779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310416208.0A CN116204779B (zh) 2023-04-19 2023-04-19 一种判断储能盐穴运行状态的方法、***及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310416208.0A CN116204779B (zh) 2023-04-19 2023-04-19 一种判断储能盐穴运行状态的方法、***及可读存储介质

Publications (2)

Publication Number Publication Date
CN116204779A CN116204779A (zh) 2023-06-02
CN116204779B true CN116204779B (zh) 2023-09-05

Family

ID=86509683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310416208.0A Active CN116204779B (zh) 2023-04-19 2023-04-19 一种判断储能盐穴运行状态的方法、***及可读存储介质

Country Status (1)

Country Link
CN (1) CN116204779B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079435A (zh) * 2023-08-25 2023-11-17 中国能源建设股份有限公司 一种压缩空气储能电站压缩机油箱预警方法及***
CN117592804A (zh) * 2023-11-20 2024-02-23 中能建数字科技集团有限公司 一种液化压缩空气储能液化率表征方法、***及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447202A (zh) * 2016-09-29 2017-02-22 国网山东省电力公司 基于数据挖掘和主成分分析的电力设备状态评估方法
CN112883995A (zh) * 2020-12-30 2021-06-01 华北电力大学 基于集成学习的闭源电力工控***恶意行为识别方法及装置
CN114323691A (zh) * 2021-12-28 2022-04-12 中国科学院工程热物理研究所 一种压缩空气储能***气路故障诊断装置及方法
CN115392782A (zh) * 2022-09-22 2022-11-25 上海核工程研究设计院有限公司 一种核电厂工艺***健康状态监测和诊断方法及***
CN115906639A (zh) * 2022-11-24 2023-04-04 国网新疆电力有限公司电力科学研究院 基于线路运行工况的线路运行故障率预测方法、装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230086768A (ko) * 2020-10-14 2023-06-15 지비에스 글로벌 바이오파마, 인크. 대규모 연구 최적화를 위한 식물 의약물 분석 방법 및 시스템
US20220407274A1 (en) * 2021-06-21 2022-12-22 Milwaukee Electric Tool Corporation Systems and methods for evaluating crimp applications

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447202A (zh) * 2016-09-29 2017-02-22 国网山东省电力公司 基于数据挖掘和主成分分析的电力设备状态评估方法
CN112883995A (zh) * 2020-12-30 2021-06-01 华北电力大学 基于集成学习的闭源电力工控***恶意行为识别方法及装置
CN114323691A (zh) * 2021-12-28 2022-04-12 中国科学院工程热物理研究所 一种压缩空气储能***气路故障诊断装置及方法
CN115392782A (zh) * 2022-09-22 2022-11-25 上海核工程研究设计院有限公司 一种核电厂工艺***健康状态监测和诊断方法及***
CN115906639A (zh) * 2022-11-24 2023-04-04 国网新疆电力有限公司电力科学研究院 基于线路运行工况的线路运行故障率预测方法、装置

Also Published As

Publication number Publication date
CN116204779A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US11436395B2 (en) Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
CN116204779B (zh) 一种判断储能盐穴运行状态的方法、***及可读存储介质
CN109766583B (zh) 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法
CN108320016A (zh) 一种建筑能耗短期预测方法
CN112434848B (zh) 基于深度信念网络的非线性加权组合风电功率预测方法
CN112818604A (zh) 一种基于风功率预测的风电机组风险度评估方法
CN113107626B (zh) 一种基于多变量lstm的联合循环发电机组负荷预测方法
CN106875033A (zh) 一种基于动态自适应的风电集群功率预测方法
CN115564114B (zh) 一种基于图神经网络的空域碳排放短期预测方法及***
CN111190349A (zh) 船舶机舱设备状态监测及故障诊断方法、***及介质
CN104036328A (zh) 自适应风电功率预测***及预测方法
CN106778838A (zh) 一种预测空气质量的方法
CN116316599A (zh) 一种智能用电负荷预测方法
CN117977568A (zh) 基于嵌套lstm和分位数计算的电力负荷预测方法
CN112364560A (zh) 矿山凿岩装备作业工时智能预测方法
Wang et al. A remaining useful life prediction model based on hybrid long-short sequences for engines
CN113011680A (zh) 一种电力负荷预测方法及***
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及***
CN112365082A (zh) 一种基于机器学习的公共能源消耗预测方法
Zhai et al. Combining PSO-SVR and Random Forest Based Feature Selection for Day-ahead Peak Load Forecasting.
CN112132344A (zh) 一种基于相似日和frs-svm的短期风电功率预测方法
CN116451608A (zh) 一种复杂地形的混合风功率预测方法及装置
CN111242266A (zh) 一种运行数据管理***
Kaligambe et al. Indoor Room Temperature and Relative Humidity Estimation in a Commercial Building Using the XGBoost Machine Learning Algorithm

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