CN117498555A - 一种基于云边融合的储能电站智能运维*** - Google Patents
一种基于云边融合的储能电站智能运维*** Download PDFInfo
- Publication number
- CN117498555A CN117498555A CN202311471776.7A CN202311471776A CN117498555A CN 117498555 A CN117498555 A CN 117498555A CN 202311471776 A CN202311471776 A CN 202311471776A CN 117498555 A CN117498555 A CN 117498555A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- energy storage
- edge
- flow
- 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 90
- 238000012423 maintenance Methods 0.000 title claims abstract description 20
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 151
- 230000005611 electricity Effects 0.000 claims abstract description 18
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 59
- 238000011156 evaluation Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000005265 energy consumption Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001672018 Cercomela melanura Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及储能电站技术领域，具体是一种基于云边融合的储能电站智能运维***，包括监控中心，所述监控中心通信连接有边缘监测模块、数据存储模块、数据分析模块、电耗预测模块和储能调整模块；所述边缘监测模块用于根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标；所述数据存储模块用于存储历史数据信息；所述数据分析模块用于对各边缘监测点位数据监测结果进行分析；所述电耗预测模块用于构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量；所述储能调整模块用于对装配拓扑图中各节点的相关负荷设备的储能信息进行动态调整，提高储能电站负荷动态平衡的效率和准确性。
Description
技术领域
本发明涉及储能电站技术领域，具体是一种基于云边融合的储能电站智能运维***。
背景技术
随着大规模可再生能源接入整个电力***，尤其是风电、光伏所具有波动性、随机性、难预测等特点，给电力***稳定运行与控制带来巨大挑战。储能***既可作为电源又可作为负荷，灵活的双向互动性能使其在可再生能源发电消纳中发挥重要作用。特别是电化学储能，因其变流器具有响应速度快、精度高的特点，相比其他电源和负荷，具有更优良的调节控制性能。其中电网侧电化学储能电站可以为电网运行提供调峰、调频、备用、黑启动、需求侧响应等多种服务，提升电网运行效率，缓解地区供电负荷压力。
对比文件CN210380254U“储能电源与电网调度协调控制***”通过所设置的荷电状态检测模块、协调控制模块和电压电流检测模块，可以根据所述储能电源的荷电状态以及所述电网调度模块所需的工作电压和工作电流控制所述变流器的通断，在运行过程中能够达到为电网调度模块稳定供电效果，同时能有效保证储能电源的使用寿命。
对比文件CN113205190B“一种智能电网的储能安全预警***”利用预警平台从本质上迭代优化了传统的储能运维管理体系，建立了全方位、多角度、全过程的运维管理新模式，有效增强储能电站设备的管控力，提升储能电站的数据价值洞察力和智能运维决策力。
现有技术中，智能电网中的储能电站在海量数据分析处理、安全风险分析管控等方面需要进一步强化，电网的预测精度还不够高，特别是由于各种异常状况导致各用电设备的用电量以及损耗量均不一致，当电力损耗数据很庞大时，容易导致储能电站的相关平衡设备平衡电能时仍存在很大的数据偏差。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于云边融合的储能电站智能运维***，包括监控中心，所述监控中心通信连接有边缘监测模块、数据存储模块、数据分析模块、电耗预测模块和储能调整模块；
所述边缘监测模块用于获取储能电站相关负荷设备的工艺流程特性，根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标；
所述数据存储模块用于存储储能电站相关负荷设备及各边缘监测点位的历史数据信息；
所述数据分析模块用于对各边缘监测点位数据监测结果进行分析；
所述电耗预测模块用于构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量；
所述储能调整模块用于对装配拓扑图中各节点的相关负荷设备的储能信息进行动态调整。
进一步的，所述边缘监测模块获取储能电站相关负荷设备的工艺流程特性，根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标的过程包括：
获取当前储能电站相关负荷设备的工艺流程特性，根据工艺流程特性提取流程信息，将储能电站设备按照流程信息进行拆分，划分为若干流程子序列；
根据各流程子序列中的各工艺流程特性选取评价指标，根据历史数据设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵；
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置边缘监测点位；
并根据所述流程子序列的重要性评价等级和评价指标确定边缘监测点位数量和边缘监测点位的数据监测指标。
进一步的，所述边缘监测模块根据历史数据设置评价指标的指标权重的过程包括：
从数据存储模块获取各流程子序列的评价指标的若干历史采集周期的历史数据监测结果以及对应的历史评价指标阈值范围，将历史数据监测结果与对应的历史评价指标阈值范围进行对比，获取历史数据监测结果不符合对应的历史评价指标阈值范围内的异常累积次数，根据所述异常累积次数确定评价指标的指标权重。
进一步的，所述数据分析模块对各边缘监测点位数据监测结果进行分析的过程包括：
获取当前采集周期的各边缘监测点位的各项指标数据的数据监测结果并标记采集时间，设置各项关键指标数据的阈值范围，判断各边缘监测点位的各项关键指标数据的监测数据是否位于对应的阈值范围内；
若所述监测数据位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为正常状态；
若所述监测数据不位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为待测状态，则获取所述边缘监测点位的环境参数，从数据存储模块获取不同环境参数下各边缘监测点位的对应的环境补偿参数，根据边缘监测点位当前环境参数匹配对应的环境补偿参数，对所述数据监测结果进行补偿参数调整；
若进行补偿参数调整后所述监测数据位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为正常状态；若进行补偿参数调整后所述监测数据不位于阈值范围内，将所述边缘监测点位对应的数据监测结果标记为异常状态。
进一步的，所述电耗预测模块构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量的过程包括：
获取各流程子序列中各负荷设备之间的装配关系和流向顺序，根据所述各流程子序列之间的装配关系和流向顺序构建各流程子序列之间的装配拓扑图；
将各流程子序列作为装配拓扑图的节点，将各流程子序列之间的装配关系和流向顺序作为节点之间的连接关系，根据装配拓扑图中各个节点的邻接矩阵计算对其他节点运行影响程度，根据各个节点的对其他节点的运行影响程度对节点设置调整等级；
将各流程子序列对应的边缘监测点位的指标数据监测结果作为节点的补充节点，并基于RBF神经网络构建电能消耗预测模型，对装配拓扑图进行学习，输出各流程子序列的电能消耗预测量。
进一步的，所述电耗预测模块基于RBF神经网络构建电能消耗预测模型，对装配拓扑图进行学习，输出各流程子序列的电能消耗预测量的过程包括：
从数据存储模块获取各节点若干历史调度周期不同时间段的历史用电负荷量和历史发电荷量，将所述历史用电负荷量和所述历史发电荷量作为测试集以及训练集；
将所述训练集输入到所述电能消耗预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述能量消耗模型进行测试，直至符合预设要求，输出所述电能消耗预测模型，获取所述储能电站预设时间信息，将所述储能电站预设时间信息输入所述电能消耗预测模型中，以获取所述当前时刻的电能消耗预测量。
进一步的，所述储能调整模块对装配拓扑图中各节点的相关负荷设备的储能信息进行动态调整的过程包括：
获取各装配拓扑图中各节点的相关负荷设备当前采集周期的初始储能信息和电能消耗预测量，获取各装配拓扑图中异常状态的补充节点信息，获取所述异常状态的补充节点的数据监测结果以及补充节点对应的节点的调整等级，根据所述数据监测结果获取节点对应的相关负荷设备损耗信息；
根据所述每一节点的初始储能信息、每一节点对应的电能消耗预测量以及每一节点对应的相关负荷设备损耗信息构建目标函数组，并基于遗传算法对所述目标函数进行求取值；
当前每一节点的储能信息、每一节点的电能消耗预测量以及每一节点对应的相关负荷设备损耗信息达到动态平衡时，以获取每一节点当前采集周期的储能调整数据；
根据各节点的调整等级对各个节点的储能调整过程进行排序，根据各节点当前采集周期的储能调整数据和排序结果依次对每个节点的相关负荷设备的储能信息进行动态调整。
进一步的，所述动态平衡条件为：储能电量等于电能消耗预测量与相关负荷设备电能损耗之和。
与现有技术相比，本发明的有益效果是：根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标，通过对这些数据的收集、分析和管理，可以实现对电池组的全面运维和性能优化，提高电站的可靠性和效率，同时根据各节点的调整等级对各个节点的储能调整过程进行排序，根据各节点当前采集周期的储能调整数据和排序结果依次对每个节点的相关负荷设备的储能信息进行动态调整，提高储能电站负荷动态平衡的效率和准确性。
附图说明
图1为本申请实施例的一种基于云边融合的储能电站智能运维***的原理图。
具体实施方式
下面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、完整的描述，显然，所描述的实施例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，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，一种基于云边融合的储能电站智能运维***，包括监控中心，所述监控中心通信连接有数据采集模块1、一种基于云边融合的储能电站智能运维***，包括监控中心，其特征在于，所述监控中心通信连接有边缘监测模块、数据存储模块、数据分析模块、电耗预测模块和储能调整模块；
所述边缘监测模块用于获取储能电站相关负荷设备的工艺流程特性，根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标；
所述数据存储模块用于存储储能电站相关负荷设备及各边缘监测点位的历史数据信息；
所述数据分析模块用于对各边缘监测点位数据监测结果进行分析；
所述电耗预测模块用于构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量；
所述储能调整模块用于对装配拓扑图中各节点的相关负荷设备的储能信息进行动态调整。
需要进一步说明的是，在具体实施过程中，所述边缘监测模块获取储能电站相关负荷设备的工艺流程特性，根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标的过程包括：
获取当前储能电站相关负荷设备的工艺流程特性，根据工艺流程特性提取流程信息，将储能电站设备按照流程信息进行拆分，划分为若干流程子序列；
根据各流程子序列中的各工艺流程特性选取评价指标，根据历史数据设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵；
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置边缘监测点位；
并根据所述流程子序列的重要性评价等级和评价指标确定边缘监测点位数量和边缘监测点位的数据监测指标。
需要进一步说明的是，在具体实施过程中，储能电站相关负荷设备的工艺流程特性包括：电池组相关设备，储能电站的核心组件，负责储存和释放电能；逆变器相关设备，将直流电能转换成交流电能，用于将储存的能量输出到电网或供应给用户；充放电相关设备，包括充电器和放电器，用于控制电池组的充电和放电过程，确保能量转化的高效率和安全性；温控相关设备，用于监测和调节电池模块的温度，防止过热或过冷造成性能下降或安全问题。
需要进一步说明的是，在具体实施过程中，边缘监测点位的数据监测指标包括相关负荷设备的电量、电压、电流、温度以及能量转化效率等实时状态信息。
需要进一步说明的是，在具体实施过程中，根据所述隶属度矩阵及指标权重获得模糊综合评价结果的过程包括：
通过如下公式融合所述流程子序列的各项指标数据的权重指标矩阵与隶属度矩阵以获得流程子序列的模糊综合评价结果矩阵，根据所述模糊综合评价结果矩阵获得模糊综合评价结果；
其中，所述公式为：
M＝αM1+βM2；
其中，M为所述流程子序列的模糊综合评价结果矩阵，M1为所述各项指标数据的权重指标矩阵，M2为所述隶属度矩阵，“+”表示所述各项指标数据的权重指标矩阵和所述隶属度矩阵相对应位置处的元素相加，α和β为用于控制所述流程子序列的模糊综合评价结果矩阵中所述各项指标数据的权重指标矩阵和所述隶属度矩阵之间的平衡的加权参数。
需要进一步说明的是，在具体实施过程中，所述边缘监测模块根据历史数据设置评价指标的指标权重的过程包括：
从数据存储模块获取各流程子序列的评价指标的若干历史采集周期的历史数据监测结果以及对应的历史评价指标阈值范围，将历史数据监测结果与对应的历史评价指标阈值范围进行对比，获取历史数据监测结果不符合对应的历史评价指标阈值范围内的异常累积次数，根据所述异常累积次数确定评价指标的指标权重。
需要进一步说明的是，在具体实施过程中，所述数据分析模块对各边缘监测点位数据监测结果进行分析的过程包括：
获取当前采集周期的各边缘监测点位的各项指标数据的数据监测结果并标记采集时间，设置各项关键指标数据的阈值范围，判断各边缘监测点位的各项关键指标数据的监测数据是否位于对应的阈值范围内；
若所述监测数据位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为正常状态；
若所述监测数据不位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为待测状态，则获取所述边缘监测点位的环境参数，从数据存储模块获取不同环境参数下各边缘监测点位的对应的环境补偿参数，根据边缘监测点位当前环境参数匹配对应的环境补偿参数，对所述数据监测结果进行补偿参数调整；
若进行补偿参数调整后所述监测数据位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为正常状态；若进行补偿参数调整后所述监测数据不位于阈值范围内，将所述边缘监测点位对应的数据监测结果标记为异常状态。
需要进一步说明的是，在具体实施过程中，所述电耗预测模块构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量的过程包括：
获取各流程子序列中各负荷设备之间的装配关系和流向顺序，根据所述各流程子序列之间的装配关系和流向顺序构建各流程子序列之间的装配拓扑图；
将各流程子序列作为装配拓扑图的节点，将各流程子序列之间的装配关系和流向顺序作为节点之间的连接关系，根据装配拓扑图中各个节点的邻接矩阵计算对其他节点运行影响程度，根据各个节点的对其他节点的运行影响程度对节点设置调整等级；
将各流程子序列对应的边缘监测点位的指标数据监测结果作为节点的补充节点，并基于RBF神经网络构建电能消耗预测模型，对装配拓扑图进行学习，输出各流程子序列的电能消耗预测量。
需要进一步说明的是，在具体实施过程中，根据装配拓扑图中各个节点的邻接矩阵计算对其他节点运行影响程度Ki的计算公式为：
其中，Ki表示第i个节点对其他节点运行影响程度，表示第i个节点与第(i-1)个节点的相关系数，其具体数值通过节点邻接矩阵得出；θ表示误差系数，(LT)′表示状态转移矩阵，W表示元素全为1的n×1矩阵，n表示节点的数量。
需要进一步说明的是，在具体实施过程中，所述电耗预测模块基于RBF神经网络构建电能消耗预测模型，对装配拓扑图进行学习，输出各流程子序列的电能消耗预测量的过程包括：
从数据存储模块获取各节点若干历史调度周期不同时间段的历史用电负荷量和历史发电荷量，将所述历史用电负荷量和所述历史发电荷量作为测试集以及训练集；
将所述训练集输入到所述电能消耗预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述能量消耗模型进行测试，直至符合预设要求，输出所述电能消耗预测模型，获取所述储能电站预设时间信息，将所述储能电站预设时间信息输入所述电能消耗预测模型中，以获取所述当前时刻的电能消耗预测量。
需要进一步说明的是，在具体实施过程中，所述储能调整模块对装配拓扑图中各节点的相关负荷设备的储能信息进行动态调整的过程包括：
获取各装配拓扑图中各节点的相关负荷设备当前采集周期的初始储能信息和电能消耗预测量，获取各装配拓扑图中异常状态的补充节点信息，获取所述异常状态的补充节点的数据监测结果以及补充节点对应的节点的调整等级，根据所述数据监测结果获取节点对应的相关负荷设备损耗信息；
根据所述每一节点的初始储能信息、每一节点对应的电能消耗预测量以及每一节点对应的相关负荷设备损耗信息构建目标函数组，并基于遗传算法对所述目标函数进行求取值；
当前每一节点的储能信息、每一节点的电能消耗预测量以及每一节点对应的相关负荷设备损耗信息达到动态平衡时，以获取每一节点当前采集周期的储能调整数据；
根据各节点的调整等级对各个节点的储能调整过程进行排序，根据各节点当前采集周期的储能调整数据和排序结果依次对每个节点的相关负荷设备的储能信息进行动态调整。
需要进一步说明的是，在具体实施过程中，所述动态平衡条件为：储能电量等于电能消耗预测量与相关负荷设备电能损耗之和。
需要进一步说明的是，在具体实施过程中，为了使得相关负荷设备达到性能最佳以及保持供电过程中的持续稳定性，当前每一节点的储能信息、每一节点的电能消耗预测量以及每一节点对应的相关负荷设备损耗信息达到动态平衡时，分布式电网设备在运行过程中保持稳定性，其中目标函数组的关系式如下：
Q＝nZi
其中，Q为目标函数的调整数据，Gi为当前相关负荷设备的能够控制的最大电能，Yi为当前相关负荷设备的电能消耗预测量，Vi为当前相关负荷设备的相关负荷设备电能损耗，Zi为目标函数求解后，每个节点的调整数据。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (9)
1.一种基于云边融合的储能电站智能运维***，包括监控中心，其特征在于，所述监控中心通信连接有边缘监测模块、数据存储模块、数据分析模块、电耗预测模块和储能调整模块；
所述边缘监测模块用于获取储能电站相关负荷设备的工艺流程特性，根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标；
所述数据存储模块用于存储储能电站相关负荷设备及各边缘监测点位的历史数据信息。
2.根据权利要求1所述的一种基于云边融合的储能电站智能运维***，其特征在于，
所述数据分析模块用于对各边缘监测点位数据监测结果进行分析；
所述电耗预测模块用于构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量；
所述储能调整模块用于对装配拓扑图中各节点的相关负荷设备的储能信息进行动态调整。
3.根据权利要求2所述的一种基于云边融合的储能电站智能运维***，其特征在于，所述边缘监测模块获取储能电站相关负荷设备的工艺流程特性，根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标的过程包括：
获取当前储能电站相关负荷设备的工艺流程特性，根据工艺流程特性提取流程信息，将储能电站设备按照流程信息进行拆分，划分为若干流程子序列；
根据各流程子序列中的各工艺流程特性选取评价指标，根据历史数据设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵。
4.根据权利要求3所述的一种基于云边融合的储能电站智能运维***，其特征在于，获取各边缘监测点位的数据监测指标的过程还包括：
根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置边缘监测点位；
并根据所述流程子序列的重要性评价等级和评价指标确定边缘监测点位数量和边缘监测点位的数据监测指标。
5.根据权利要求4所述的一种基于云边融合的储能电站智能运维***，其特征在于，所述边缘监测模块根据历史数据设置评价指标的指标权重的过程包括：
从数据存储模块获取各流程子序列的评价指标的若干历史采集周期的历史数据监测结果以及对应的历史评价指标阈值范围，将历史数据监测结果与对应的历史评价指标阈值范围进行对比，获取历史数据监测结果不符合对应的历史评价指标阈值范围内的异常累积次数，根据所述异常累积次数确定评价指标的指标权重。
6.根据权利要求5所述的一种基于云边融合的储能电站智能运维***，其特征在于，所述数据分析模块对各边缘监测点位数据监测结果进行分析的过程包括：
获取当前采集周期的各边缘监测点位的各项指标数据的数据监测结果并标记采集时间，设置各项关键指标数据的阈值范围，判断各边缘监测点位的各项关键指标数据的监测数据是否位于对应的阈值范围内；
若所述监测数据位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为正常状态。
7.根据权利要求6所述的一种基于云边融合的储能电站智能运维***，其特征在于，
若所述监测数据不位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为待测状态，则获取所述边缘监测点位的环境参数，从数据存储模块获取不同环境参数下各边缘监测点位的对应的环境补偿参数，根据边缘监测点位当前环境参数匹配对应的环境补偿参数，对所述数据监测结果进行补偿参数调整；
若进行补偿参数调整后所述监测数据位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为正常状态；若进行补偿参数调整后所述监测数据不位于阈值范围内，将所述边缘监测点位对应的数据监测结果标记为异常状态。
8.根据权利要求7所述的一种基于云边融合的储能电站智能运维***，其特征在于，所述电耗预测模块构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量的过程包括：
获取各流程子序列中各负荷设备之间的装配关系和流向顺序，根据所述各流程子序列之间的装配关系和流向顺序构建各流程子序列之间的装配拓扑图。
9.根据权利要求8所述的一种基于云边融合的储能电站智能运维***，其特征在于，还包括
将各流程子序列作为装配拓扑图的节点，将各流程子序列之间的装配关系和流向顺序作为节点之间的连接关系，根据装配拓扑图中各个节点的邻接矩阵计算对其他节点运行影响程度，根据各个节点的对其他节点的运行影响程度对节点设置调整等级；
将各流程子序列对应的边缘监测点位的指标数据监测结果作为节点的补充节点，并基于RBF神经网络构建电能消耗预测模型，对装配拓扑图进行学习，输出各流程子序列的电能消耗预测量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311471776.7A CN117498555A (zh) | 2023-11-07 | 2023-11-07 | 一种基于云边融合的储能电站智能运维*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311471776.7A CN117498555A (zh) | 2023-11-07 | 2023-11-07 | 一种基于云边融合的储能电站智能运维*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117498555A true CN117498555A (zh) | 2024-02-02 |
Family
ID=89684379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311471776.7A Pending CN117498555A (zh) | 2023-11-07 | 2023-11-07 | 一种基于云边融合的储能电站智能运维*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117498555A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117907845A (zh) * | 2024-03-20 | 2024-04-19 | 山东泰开电力电子有限公司 | 基于电参数分析的电化学储能***绝缘检测方法 |
| CN117932522A (zh) * | 2024-03-22 | 2024-04-26 | 南京祥泰***科技有限公司 | 一种基于大数据的电能设备能耗数据动态监管方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110011422A (zh) * | 2019-05-05 | 2019-07-12 | 苏州华天国科电力科技有限公司 | 基于人工神经网络的智能配电运行监测***及调控方法 |
| CN110649641A (zh) * | 2019-09-29 | 2020-01-03 | 国网山东省电力公司德州供电公司 | 基于源网荷储协同服务的电动汽车快充站储能***及其方法 |
| CN112865196A (zh) * | 2021-03-25 | 2021-05-28 | 东北大学 | 一种基于云-边-端架构的信息能源***及其管控方法 |
| CN115529315A (zh) * | 2022-09-28 | 2022-12-27 | 云南电网有限责任公司电力科学研究院 | 一种云边协同*** |
| CN116094032A (zh) * | 2022-11-24 | 2023-05-09 | 国电南瑞科技股份有限公司 | 高渗透率光伏接入的配电网云边端协同能量自平衡方法 |
| WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
| US20230207898A1 (en) * | 2021-12-28 | 2023-06-29 | Shenzhen Kubo Energy Technology Co., Ltd | Parameter Tuning Method of Energy Storage System and the Energy Storage System |
| CN116455085A (zh) * | 2023-06-16 | 2023-07-18 | 尚宁心材(天津)科技有限公司 | 一种电池储能电站智能监控*** |
-
2023
- 2023-11-07 CN CN202311471776.7A patent/CN117498555A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110011422A (zh) * | 2019-05-05 | 2019-07-12 | 苏州华天国科电力科技有限公司 | 基于人工神经网络的智能配电运行监测***及调控方法 |
| CN110649641A (zh) * | 2019-09-29 | 2020-01-03 | 国网山东省电力公司德州供电公司 | 基于源网荷储协同服务的电动汽车快充站储能***及其方法 |
| CN112865196A (zh) * | 2021-03-25 | 2021-05-28 | 东北大学 | 一种基于云-边-端架构的信息能源***及其管控方法 |
| WO2023093010A1 (zh) * | 2021-11-26 | 2023-06-01 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度学习融合模型的风电功率预测方法及设备 |
| US20230207898A1 (en) * | 2021-12-28 | 2023-06-29 | Shenzhen Kubo Energy Technology Co., Ltd | Parameter Tuning Method of Energy Storage System and the Energy Storage System |
| CN115529315A (zh) * | 2022-09-28 | 2022-12-27 | 云南电网有限责任公司电力科学研究院 | 一种云边协同*** |
| CN116094032A (zh) * | 2022-11-24 | 2023-05-09 | 国电南瑞科技股份有限公司 | 高渗透率光伏接入的配电网云边端协同能量自平衡方法 |
| CN116455085A (zh) * | 2023-06-16 | 2023-07-18 | 尚宁心材(天津)科技有限公司 | 一种电池储能电站智能监控*** |
Non-Patent Citations (3)
| Title |
|---|
| BRAHMAN F: "Optimal electrical and thermal energy management of a residential energy hub, integrating demand response and energy storage system", 《ENERGY AND BUILDINGS》, 31 December 2015 (2015-12-31) * |
| 谢俊等: "金沙江下游水风光储联合调度技术研究与展望", 《人民长江》, 30 November 2022 (2022-11-30), pages 193 - 201 * |
| 陈远东等: "基于边缘计算的新能源电网云-边协同优化调度模型研究", 《可再生能源》, 31 March 2023 (2023-03-31), pages 377 - 384 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117907845A (zh) * | 2024-03-20 | 2024-04-19 | 山东泰开电力电子有限公司 | 基于电参数分析的电化学储能***绝缘检测方法 |
| CN117907845B (zh) * | 2024-03-20 | 2024-05-17 | 山东泰开电力电子有限公司 | 基于电参数分析的电化学储能***绝缘检测方法 |
| CN117932522A (zh) * | 2024-03-22 | 2024-04-26 | 南京祥泰***科技有限公司 | 一种基于大数据的电能设备能耗数据动态监管方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105680474B (zh) | 一种储能抑制光伏电站快速功率变化的控制方法 | |
| CN117498555A (zh) | 一种基于云边融合的储能电站智能运维*** | |
| CN104348188A (zh) | 一种分布式电源运行及监控方法 | |
| CN104318494A (zh) | 一种分布式电源智能监控*** | |
| CN111416367B (zh) | 一种储能多场景应用协同控制方法 | |
| CN117013606B (zh) | 一种基于人工智能的光伏发电智能储能控制*** | |
| CN113794199B (zh) | 一种考虑电力市场波动的风电储能***最大收益优化方法 | |
| CN104348189A (zh) | 一种分布式电源*** | |
| CN107370169B (zh) | 基于anfis短期负荷预测的大规模储能电站调峰控制器及方法 | |
| CN111786417A (zh) | 一种面向分布式新能源消纳的主动配电网多目标区间优化调度的方法 | |
| CN112531689B (zh) | 受端电力***的源网荷储协调控制能力评估方法和设备 | |
| CN115514100A (zh) | 一种基于多元储能和控制的混合储能*** | |
| CN113112114A (zh) | 一种储能电站在线评估方法和装置 | |
| CN111784020A (zh) | 一种智能变电站继电保护装置寿命预测方法 | |
| CN112736953B (zh) | 一种带有多目标优化的风储***储能容量配置设计方法 | |
| CN110932300B (zh) | 一种考虑梯次利用储能的配电网优化调度方法 | |
| CN110429626B (zh) | 一种适用于并网型储能***的能量管理***及管理方法 | |
| CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
| CN114819362A (zh) | 一种面向风光电力***的电网电力负载平衡方法 | |
| CN113013909A (zh) | 一种基于平抑牵引的储能容量改进方法 | |
| Kai et al. | Optimization for PV-ESS in Distribution Network Based on CSBO | |
| CN116154926B (zh) | 一种基于锂电池储能特征的电源控制方法及*** | |
| CN117175639B (zh) | 与储能单元协调配套的配电自动化方法及*** | |
| CN117175647B (zh) | 一种应用于微电网的新能源储能方法及*** | |
| CN117856312A (zh) | 一种基于物联网的工业应急储能电池智能管理方法及*** |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240617 Address after: 315000 Zhuang Qiao Jie Dao Ge Jia Cun, Jiangbei District, Ningbo City, Zhejiang Province Applicant after: Zhejiang Huaheng Electric Power Technology Co.,Ltd. Country or region after: China Address before: 523000 room 209, building 1, No.7 Huanhu Road, Songshanhu Park, Dongguan City, Guangdong Province Applicant before: Guangdong green Saifu Energy Technology Co.,Ltd. Country or region before: China |