CN117540330B - 基于自学习功能的配电柜*** - Google Patents
基于自学习功能的配电柜*** Download PDFInfo
- Publication number
- CN117540330B CN117540330B CN202410028126.3A CN202410028126A CN117540330B CN 117540330 B CN117540330 B CN 117540330B CN 202410028126 A CN202410028126 A CN 202410028126A CN 117540330 B CN117540330 B CN 117540330B
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- processed
- decision
- acquisition processing
- 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
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 54
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims description 44
- 238000013179 statistical model Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005265 energy consumption Methods 0.000 claims description 13
- 238000007418 data mining Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 230000032683 aging Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 7
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 230000008439 repair process Effects 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 238000005065 mining Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及自主学习技术领域，具体地说，涉及基于自学习功能的配电柜***。其包括获取处理单元、分析模拟单元、预测识别单元、智能策略单元、自动调控单元，分析模拟单元根据处理的数据和制定的决策数据进行场景的模拟是否会出现潜在的异常状态和故障。本发明智能策略单元根据异常识别模块中识别的数据和获取处理单元中处理的数据制定相应的决策，将制定的决策数据传入分析模拟单元中，分析模拟单元根据获取处理单元中处理的数据和制定的决策数据进行场景的模拟，可以识别和排除潜在的异常状态和故障，通过调整参数并模拟出可能出现的故障情况，并确定故障的原因和解决方案，从而加速故障排除和修复的过程，提高了决策数据的准确性。
Description
技术领域
本发明涉及自主学习技术领域，具体地说，涉及基于自学习功能的配电柜***。
背景技术
现实场景中，传统配电柜***需要手动设置参数和调整运行模式，往往通过手动设置参数可能识别不了潜在的异常状态和故障，例如，传统配电柜***在高温条件下，当达到一定温度时，温度传感器会发生警报，工作人员便会手动调节温度来降低传统配电柜***的潜在问题，但却忽略了传统配电柜参数也随着温度产生的变化，没有及时的进行调整，从而导致了传统的配电柜***出现了不稳定的现象，传统配电柜***不能通过自动调整参数，模拟在不同场景不同条件下，可能出现的异常状态和故障情，更不能及时确定故障的原因和制定相应的解决方案，于是我们提供了基于自学习功能的配电柜***。
发明内容
本发明的目的在于提供基于自学习功能的配电柜***，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供基于自学习功能的配电柜***，包括获取处理单元、分析模拟单元、预测识别单元、智能策略单元、自动调控单元；
所述获取处理单元利用传感器获取配电柜历史相关数据并进行处理；
所述分析模拟单元用于接收获取处理单元中处理的数据，并根据处理的数据分析影响因素对设备产生的变化情况；
所述预测识别单元用于接收分析模拟单元中分析的变化情况数据和获取处理单元中处理的数据，根据分析模拟单元中的数据和处理的数据进行建立统计模型，再根据统计模型数据和处理的数据进行负载需求、电能消耗、设备状态的预测，并根据预测的负载需求、电能消耗、设备状态进行异常状态和故障的识别；
所述智能策略单元用于接收获取处理单元中处理的数据和预测识别单元中识别的异常状态和故障数据并制定决策；
所述自动调控单元用于接收智能策略单元中制定的决策数据并进行自动调控；
所述智能策略单元根据获取处理单元中处理的数据和预测识别单元中识别的数据进行制定相应决策，将制定的决策数据传入分析模拟单元中，分析模拟单元根据获取处理单元中处理的数据和制定的决策数据进行场景的模拟，模拟在不同场景不同条件下，调整参数是否会出现潜在的异常状态和故障。
作为本技术方案的进一步改进，所述获取处理单元利用传感器获取配电柜的历史相关数据并进行处理，将处理的数据传入分析模拟单元中。
作为本技术方案的进一步改进，所述分析模拟单元用于接收获取处理单元中处理的数据，并利用数据挖掘技术根据处理的数据分析影响因素对设备产生的变化情况，将分析的变化情况数据传入预测识别单元中。
作为本技术方案的进一步改进，所述分析模拟单元中分析影响因素对设备产生的变化情况，具体包括：
情况①、利用数据挖掘技术根据处理的数据分析环境因素对设备的性能和能效所产生的变化情况；
情况②、分析电价波动、电力供应和需求的变化因素对设备的能耗成本、能源调度和配电策略所产生的变化情况；
情况③、分析设备故障、电池老化、电力传感器故障因素对设备的状态所产生的变化情况。
作为本技术方案的进一步改进，所述预测识别单元包括状态预测模块和异常识别模块；
所述状态预测模块用于接收获取处理单元中处理的数据和分析模拟单元中分析的变化情况数据，并利用训练模型技术根据分析的变化情况数据建立统计模型，再利用序列预测技术根据统计模型数据和处理的数据进行负载需求、电能消耗、设备状态的预测；
所述异常识别模块用于接收状态预测模块中预测的数据，并根据预测的数据进行异常状态和故障的识别，将识别的数据传入智能策略单元中。
作为本技术方案的进一步改进，所述智能策略单元用于接收异常识别模块中识别的数据和获取处理单元中处理的数据，并利用决策算法根据识别的数据和处理的数据制定相应的决策，将制定的决策数据传入自动调控单元中。
作为本技术方案的进一步改进，所述自动调控单元用于接收智能策略单元中制定的决策数据并进行自动调控。
作为本技术方案的进一步改进，所述智能策略单元根据异常识别模块中识别的数据和获取处理单元中处理的数据制定相应的决策，将制定的决策数据传入分析模拟单元中，分析模拟单元利用场景模拟算法根据获取处理单元中处理的数据和制定的决策数据进行场景的模拟，模拟在不同场景不同条件下，调整参数是否会出现潜在的异常状态和故障；
当模拟的异常状态和故障存在时，将模拟的数据传入智能策略单元中，智能策略单元根据模拟的数据和处理的数据再次制定相应的决策，将再次制定的决策数据传入自动调控单元中；
当无异常状态和故障时，将无异常状态和故障的指令传入智能策略单元中，智能策略单元在接收到指令时直接将第一次制定的决策数据传入自动调控单元中。
作为本技术方案的进一步改进，所述智能策略单元中的决策算法公式：
，
其中，S表示制定相应的决策，指的是处理的数据值，/>指的是识别出异常数据的总和值，/>指的是在识别异常数据的过程中参数所产生的变化值。
与现有技术相比，本发明的有益效果：
1、该自学习功能的配电柜***中，智能策略单元根据异常识别模块中识别的数据和获取处理单元中处理的数据制定相应的决策，将制定的决策数据传入分析模拟单元中，分析模拟单元根据获取处理单元中处理的数据和制定的决策数据进行场景的模拟，可以识别和排除潜在的异常状态和故障，通过调整参数并模拟出可能出现的故障情况，并确定故障的原因和解决方案，从而加速故障排除和修复的过程，提高了决策数据的准确性。
2、该自学习功能的配电柜***中，分析模拟单元模拟出制定的决策数据存在异常状态和故障时，将模拟的数据传入智能策略单元中，智能策略单元根据模拟的数据和处理的数据再次制定相应的决策，再次制定决策可以根据实际情况进行调整，以更好地针对异常和故障，并提高决策的准确性和效果。
附图说明
图1为本发明的整体框图。
图中各个标号意义为：
1、获取处理单元；2、分析模拟单元；
3、预测识别单元；31、状态预测模块；32、异常识别模块；
4、智能策略单元；5、自动调控单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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，都属于本发明保护的范围。
实施例1：
考虑到传统配电柜***在高温条件下，当达到一定温度时，温度传感器会发生警报，工作人员便会手动调节温度来降低传统配电柜***的潜在问题，但却忽略了传统配电柜参数也随着温度产生的变化，没有及时的进行调整，从而导致了传统的配电柜***出现了不稳定的现象，传统配电柜***不能通过自动调整参数，模拟在不同场景不同条件下，可能出现的异常状态和故障情，更不能及时确定故障的原因和制定相应的解决方案，于是我们提供了基于自学习功能的配电柜***。
本发明提供基于自学习功能的配电柜***，请参阅图1，包括获取处理单元1、分析模拟单元2、预测识别单元3、智能策略单元4、自动调控单元5；
获取处理单元1利用传感器获取配电柜历史相关数据并进行处理，分析模拟单元2用于接收获取处理单元1中处理的数据，并根据处理的数据分析影响因素对设备产生的变化情况，预测识别单元3用于接收分析模拟单元2中分析的变化情况数据和获取处理单元1中处理的数据，根据分析模拟单元2中的数据和处理的数据进行建立统计模型，再根据统计模型数据和处理的数据进行负载需求、电能消耗、设备状态的预测，并根据预测的负载需求、电能消耗、设备状态进行异常状态和故障的识别，智能策略单元4用于接收获取处理单元1中处理的数据和预测识别单元3中识别的异常状态和故障数据并制定决策，自动调控单元5用于接收智能策略单元4中制定的决策数据并进行自动调控；
智能策略单元4根据获取处理单元1中处理的数据和预测识别单元3中识别的数据进行制定相应决策，将制定的决策数据传入分析模拟单元2中，分析模拟单元2根据获取处理单元1中处理的数据和制定的决策数据进行场景的模拟，模拟在不同场景不同条件下，调整参数是否会出现潜在的异常状态和故障，模拟允许在真实***中尝试不同的参数设置，并模拟可能的异常状态和故障，通过模拟可能的问题和故障，可以***和识别潜在的风险，并采取预防措施来避免故障的发生。
以下是对上述单元进行的细化，请参阅图1；
获取处理单元1利用传感器获取配电柜的历史相关数据（包括电能消耗数据、温度和湿度数据、运行状态数据、能源效率数据、运维数据）并进行处理，通过处理减少数据居中的误差，提高数据的准确性，同时将处理的数据传入分析模拟单元2中。
分析模拟单元2用于接收获取处理单元1中处理的数据，并利用数据挖掘技术根据处理的数据分析影响因素对设备产生的变化情况，不仅可以预测设备可能发生的变化情况，还可以预测设备的故障率、维修需求、性能变化等情况，提前采取措施，避免设备故障和性能下降对设备造成的影响，主要为后续预测出准确的设备状态做参考依据，同时将分析的变化情况数据传入预测识别单元3中；
数据挖掘技术的实现原理：
原理①、首先需要根据处理的数据进行组织和聚合；
原理②、根据挖掘的层次结构，确定数据的组织和聚合层次，从最详细的层次向上进行依次挖掘分析；
原理③、对于每个挖掘分析的层次，需要定义相应的挖掘分析公式，再根据定义的挖掘分析公式，对相应的数据进行计算；
原理④、在挖掘分析过程中，逐步向上层次递进，进行不断的聚合操作，直到达到最高层次的挖掘分析结果，最终实现数据挖掘技术原理过程。
分析模拟单元2中分析影响因素对设备产生的变化情况，具体包括：
情况①、利用数据挖掘技术根据处理的数据分析环境因素对设备的性能和能效所产生的变化情况；
情况②、分析电价波动、电力供应和需求的变化因素对设备的能耗成本、能源调度和配电策略所产生的变化情况；
情况③、分析设备故障、电池老化、电力传感器故障因素对设备的状态所产生的变化情况。
预测识别单元3包括状态预测模块31和异常识别模块32；
状态预测模块31用于接收获取处理单元1中处理的数据和分析模拟单元2中分析的变化情况数据，并利用训练模型技术根据分析的变化情况数据建立统计模型（主要用于收集分析设备产生的所有设备变化情况），再利用序列预测技术根据统计模型数据和处理的数据进行负载需求、电能消耗、设备状态的预测，可以更加准确地识别设备故障和维护需求，方便了解设备健康状况、热钱问题，及早发现问题，并及时进行相应的处理，便于后续准确的识别出异常状态和故障，同时将预测的数据传入异常识别模块32中；
利用模型训练技术建立统计模型的实现原理：
原理1、创建训练数据集D，分析的变化情况数据集A，若D中的所有实例属于同一类A，将分析的变化情况数据标记为统计节点，并将该类作为该统计节点的类别标记；
原理2、若A为空集，将当前分析的变化情况数据标记为空集，并将D中实例数最多的类作为该空集类别标记，计算每个分析变化情况的信息，选择分析变化情况的信息最大的特征S作为当前统计节点的划分特征；
原理3、将当前统计节点的划分特征设置为S，根据S的每个可能取值，将数据集D划分为若干个子数据集Di，i=1,2,…,n；每个子数据集Di对应于特征S的一个取值；
原理4、再对于每个子数据集Di，将当前统计节点的子节点设置为所得到的子树，并将子树与对应的特征值关联，最终建立统计模型。
序列预测技术实现原理：
①、首先，将处理的数据按一定时间间隔记录测量值；
②、通过最大的测量值估计序列中的参数，参数估计的目的是找到最佳拟合数据值，使得拟合数据值尽可能准确地描述统计模型数据的特征；
③、再对拟合值进行预测，根据预测的拟合值和统计模型数据的特征进行负载需求、电能消耗、设备状态的预测。
异常识别模块32用于接收状态预测模块31中预测的数据，并根据预测的数据进行异常状态和故障的识别，通过实时监测和分析负载需求、电能消耗和设备状态数据，可以发现即将发生的异常状态和潜在的故障，从而提前采取措施进行预防，这有助于避免设备的突发故障，减少对设备的损害，同时将识别的数据传入智能策略单元4中；
异常识别模块32中识别常状态和故障数据的实现过程
过程①、可以根据预测的数据进行详细的记录，包括异常状态和故障数据的描述、发生时间、频率、影响范围等信息，将故障和异常状态归类到不同的故障类型或状态类别中；
过程②、查询维护的故障数据库、知识库或文档，查找是否有类似的已知故障类型、异常状态以及相应解决方案，检查历史记录和经验数据，寻找与当前故障和异常状态相似的案例；
过程③、使用频率识别方法，分析异常状态和故障数据的特征和模式，得出异常状态和故障数据具体原因。
智能策略单元4用于接收异常识别模块32中识别的数据和获取处理单元1中处理的数据，并利用决策算法根据识别的数据和处理的数据制定相应的决策，同时将制定的决策数据传入自动调控单元5中，自动调控单元5用于接收智能策略单元4中制定的决策数据并进行自动调控；
智能策略单元4中的决策算法公式：
，
其中，S表示制定相应的决策，指的是处理的数据值，/>指的是识别出异常数据的总和值，/>指的是在识别异常数据的过程中参数所产生的变化值，并且、/>、/>、/>、/>取值都是正数，当/>、/>、/>、/>、/>取值小于0或等于0时，则说明取值错误或是计算错误，需进行重新取值或重新计算，该公式主要用于制定相应的决策数据，通过识别的异常状态和故障，决策者可以迅速采取行动修复问题或进行必要的维护工作，这可以帮助避免设备进一步损坏。
智能策略单元4根据异常识别模块32中识别的数据和获取处理单元1中处理的数据制定相应的决策，将制定的决策数据传入分析模拟单元2中，分析模拟单元2利用场景模拟算法根据获取处理单元1中处理的数据（指的是处理的场景数据）和制定的决策数据进行场景的模拟，模拟在不同场景不同条件下，调整参数是否会出现潜在的异常状态和故障；
场景模拟算法公式：
，
其中，表示模拟出现潜在的异常状态和故障数据，/>指的是制定的决策数据值，/>指的是场景的特征值，/>指的是需要调整的参数值，t指的是从接收处理的数据和制定的决策数据到接收完成时所产生的时间差值，并且/>、/>、/>、t都为正数，该公式主要用于在调整参数后的不同场景不同条件下模拟出潜在的异常状态和故障，可以提供对潜在风险和故障的评估和管理，通过模拟不同场景下的异常状态和故障，可以评估其对***运行的影响，在可能出现故障的情况下制定风险管理和应急预案。
当模拟的异常状态和故障存在时，将模拟的数据传入智能策略单元4中，智能策略单元4利用决策算法（该算法与上述决策算法相同，只是获取的数据不同）根据模拟的数据和处理的数据再次制定相应的决策，将再次制定的决策数据传入自动调控单元5中；
利用决策算法公式根据模拟的数据和处理的数据再次制定相应的决策的实现过程：
，
其中，S表示制定相应的决策，指的是处理的数据值，/>指的是识别出异常数据的总和值，/>指的是在模拟出异常数据和故障数据的过程中所产生的反馈值，并且/>、/>、/>、/>、/>取值都是正数，当/>、/>、/>、/>、/>取值小于0或等于0时，则说明取值错误或是计算错误，需进行重新取值或重新计算，该公式主要用于再次制定相应的决策，通过识别的异常状态和故障，决策者可以迅速采取行动修复问题或进行必要的维护工作，这可以帮助避免设备进一步损坏。
当无异常状态和故障时，将无异常状态和故障的指令传入智能策略单元4中，智能策略单元4在接收到指令时直接将第一次制定的决策数据传入自动调控单元5中。
使用流程：
智能策略单元4根据异常识别模块32中识别的数据和获取处理单元1中处理的数据制定相应的决策，将制定的决策数据传入分析模拟单元2中，分析模拟单元2根据获取处理单元1中处理的数据和制定的决策数据进行场景的模拟，将模拟的数据传入智能策略单元4中，智能策略单元4根据模拟的数据和处理的数据再次制定相应的决策，将再次制定的决策数据传入自动调控单元5中，自动调控单元5接收智能策略单元4中再次制定的决策数据进行自动调控。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.基于自学习功能的配电柜***，其特征在于：包括获取处理单元（1）、分析模拟单元（2）、预测识别单元（3）、智能策略单元（4）、自动调控单元（5）；
所述预测识别单元（3）用于根据分析模拟单元（2）中的数据和获取处理单元（1）中处理的数据进行建立统计模型，并根据统计模型数据和处理的数据进行预测和识别；
所述智能策略单元（4）根据获取处理单元（1）中处理的数据和预测识别单元（3）中识别的数据进行制定相应决策，将制定的决策数据传入分析模拟单元（2）中，分析模拟单元（2）根据获取处理单元（1）中处理的数据和制定的决策数据进行场景的模拟，模拟在不同场景不同条件下，调整参数是否会出现潜在的异常状态和故障，若存在异常状态和故障时，将异常状态和故障数据传入智能策略单元（4）并进行再次制定决策，优化潜在的异常状态和故障数据；
所述获取处理单元（1）利用传感器获取配电柜的历史相关数据并进行处理，将处理的数据传入分析模拟单元（2）中；
所述分析模拟单元（2）用于接收获取处理单元（1）中处理的数据，并利用数据挖掘技术根据处理的数据分析影响因素对设备产生的变化情况，将分析的变化情况数据传入预测识别单元（3）中；
所述分析模拟单元（2）中分析影响因素对设备产生的变化情况，具体包括：
情况①、利用数据挖掘技术根据处理的数据分析环境因素对设备的性能和能效所产生的变化情况；
情况②、分析电价波动、电力供应和需求的变化因素对设备的能耗成本、能源调度和配电策略所产生的变化情况；
情况③、分析设备故障、电池老化、电力传感器故障因素对设备的状态所产生的变化情况；
所述预测识别单元（3）包括状态预测模块（31）和异常识别模块（32）；
所述状态预测模块（31）用于接收获取处理单元（1）中处理的数据和分析模拟单元（2）中分析的变化情况数据，并利用训练模型技术根据分析的变化情况数据建立统计模型，再利用序列预测技术根据统计模型数据和处理的数据进行负载需求、电能消耗、设备状态的预测；
序列预测技术实现原理：
①、首先，将处理的数据按一定时间间隔记录测量值；
②、通过最大的测量值估计序列中的参数，参数估计的目的是找到最佳拟合数据值，使得拟合数据值尽可能准确地描述统计模型数据的特征；
③、再对拟合值进行预测，根据预测的拟合值和统计模型数据的特征进行负载需求、电能消耗、设备状态的预测；
所述异常识别模块（32）用于接收状态预测模块（31）中预测的数据，并根据预测的数据进行异常状态和故障的识别，将识别的数据传入智能策略单元（4）中；
所述智能策略单元（4）用于接收异常识别模块（32）中识别的数据和获取处理单元（1）中处理的数据，并利用决策算法根据识别的数据和处理的数据制定相应的决策，将制定的决策数据传入自动调控单元（5）中；
所述自动调控单元（5）用于接收智能策略单元（4）中制定的决策数据并进行自动调控；
所述智能策略单元（4）根据异常识别模块（32）中识别的数据和获取处理单元（1）中处理的数据制定相应的决策，将制定的决策数据传入分析模拟单元（2）中，分析模拟单元（2）利用场景模拟算法根据获取处理单元（1）中处理的数据和制定的决策数据进行场景的模拟，模拟在不同场景不同条件下，调整参数是否会出现潜在的异常状态和故障；
场景模拟算法公式：
，
其中，表示模拟出现潜在的异常状态和故障数据，/>指的是制定的决策数据值，指的是场景的特征值，/>指的是需要调整的参数值，/>指的是从接收处理的数据和制定的决策数据到接收完成时所产生的时间差值，并且/>、/>、/>、/>都为正数；
当模拟的异常状态和故障存在时，将模拟的数据传入智能策略单元（4）中，智能策略单元（4）根据模拟的数据和处理的数据再次制定相应的决策，将再次制定的决策数据传入自动调控单元（5）中；
当无异常状态和故障时，将无异常状态和故障的指令传入智能策略单元（4）中，智能策略单元（4）在接收到指令时直接将第一次制定的决策数据传入自动调控单元（5）中；
所述智能策略单元（4）中的决策算法公式：
，
其中，S表示制定相应的决策，指的是处理的数据值，/>指的是识别出异常数据的总和值，/>指的是在识别异常数据的过程中参数所产生的变化值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028126.3A CN117540330B (zh) | 2024-01-09 | 2024-01-09 | 基于自学习功能的配电柜*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410028126.3A CN117540330B (zh) | 2024-01-09 | 2024-01-09 | 基于自学习功能的配电柜*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117540330A CN117540330A (zh) | 2024-02-09 |
| CN117540330B true CN117540330B (zh) | 2024-04-09 |
Family
ID=89784606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410028126.3A Active CN117540330B (zh) | 2024-01-09 | 2024-01-09 | 基于自学习功能的配电柜*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117540330B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102130503A (zh) * | 2011-02-28 | 2011-07-20 | 中国电力科学研究院 | 一种基于多智能体***的配电网自愈控制方法 |
| CN104732326A (zh) * | 2015-01-28 | 2015-06-24 | 合肥天海电气技术有限公司 | 企业配用电安全智能诊断与决策支持*** |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN116881083A (zh) * | 2023-07-21 | 2023-10-13 | 国网河北省电力有限公司邢台供电分公司 | 一种信息资源可共享配网设备管理*** |
| CN116976043A (zh) * | 2023-05-26 | 2023-10-31 | 南京航空航天大学 | 一种基于知识图谱的sdss电网智能辅助决策方法 |
| CN117333038A (zh) * | 2023-10-17 | 2024-01-02 | 上饶市智慧数字经济科创孵化中心有限公司 | 一种基于大数据的经济趋势分析*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10902368B2 (en) * | 2014-03-12 | 2021-01-26 | Dt360 Inc. | Intelligent decision synchronization in real time for both discrete and continuous process industries |
-
2024
- 2024-01-09 CN CN202410028126.3A patent/CN117540330B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102130503A (zh) * | 2011-02-28 | 2011-07-20 | 中国电力科学研究院 | 一种基于多智能体***的配电网自愈控制方法 |
| CN104732326A (zh) * | 2015-01-28 | 2015-06-24 | 合肥天海电气技术有限公司 | 企业配用电安全智能诊断与决策支持*** |
| CN108564254A (zh) * | 2018-03-15 | 2018-09-21 | 国网四川省电力公司绵阳供电公司 | 基于大数据的配电设备状态可视化平台 |
| CN116976043A (zh) * | 2023-05-26 | 2023-10-31 | 南京航空航天大学 | 一种基于知识图谱的sdss电网智能辅助决策方法 |
| CN116881083A (zh) * | 2023-07-21 | 2023-10-13 | 国网河北省电力有限公司邢台供电分公司 | 一种信息资源可共享配网设备管理*** |
| CN117333038A (zh) * | 2023-10-17 | 2024-01-02 | 上饶市智慧数字经济科创孵化中心有限公司 | 一种基于大数据的经济趋势分析*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117540330A (zh) | 2024-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114137916B (zh) | 基于数据分析的电路板生产用监督管控*** | |
| CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
| CN114169254A (zh) | 基于短期建筑能耗预测模型的异常能耗诊断方法及*** | |
| CN117713221B (zh) | 一种微逆光伏并网优化*** | |
| CN116502160A (zh) | 一种电量数据自动采集*** | |
| CN110968703A (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
| CN117540330B (zh) | 基于自学习功能的配电柜*** | |
| CN102095953A (zh) | 一种蓄电池充电机性能在线检测方法 | |
| CN117742224B (zh) | Pad终端实时异常监控与智能处理方法 | |
| CN117878979B (zh) | 基于电储能的功率平衡及动态补偿*** | |
| CN116629565B (zh) | 一种基于平台化的供电服务能力提升方法及*** | |
| CN115051063A (zh) | 铅酸电池回收用高温熔炼车间的监测控制*** | |
| CN118089287B (zh) | 一种基于智能算法的冷水机能效优化*** | |
| CN114414938B (zh) | 一种配电网故障的动态响应方法及*** | |
| CN117474710B (zh) | 中空玻璃全过程信息化管理*** | |
| CN118278620A (zh) | 基础设施电能消耗监测与管理*** | |
| CN118261577A (zh) | 一种前置式体系的变电微站电力设备运行状态分级方法 | |
| CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
| CN118273969A (zh) | 基于绿色矿山通风风机运行智能调控*** | |
| CN118229259A (zh) | 一种电力设备智能管理方法及*** | |
| Martínez Viol et al. | HVAC early fault detection using a fuzzy logic based approach | |
| CN118198542A (zh) | 一种锂电池化成分容柜 | |
| CN116301098A (zh) | 一种基于数据驱动的机房温控优化方法及*** | |
| PRIETO | CHAPTER THIRTEEN HVAC EARLY FAULT DETECTION USING A FUZZY LOGIC-BASED APPROACH VICTOR MARTINEZ-VIOL1, EVA M. URBANO1 | |
| CN117536804A (zh) | 一种基于集控***的风机状态监测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |