CN117977717A - 一种寒地风光热储能综合能源协同管理方法及*** - Google Patents
一种寒地风光热储能综合能源协同管理方法及*** Download PDFInfo
- Publication number
- CN117977717A CN117977717A CN202410383150.9A CN202410383150A CN117977717A CN 117977717 A CN117977717 A CN 117977717A CN 202410383150 A CN202410383150 A CN 202410383150A CN 117977717 A CN117977717 A CN 117977717A
- Authority
- CN
- China
- Prior art keywords
- node
- power
- nodes
- dimension
- sequence
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 238000004146 energy storage Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 80
- 230000008859 change Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及能源协同管理技术领域,具体涉及一种寒地风光热储能综合能源协同管理方法及***。本发明获取电网中每个节点的拓扑稳定性,以获取每个节点的电力参数序列的分析窗口基准值;然后获取每个节点的变化稳定性,以调整分析窗口基准值,从而对每个节点的电力参数序列进行分段,在分段间分析获取不同种类电力指标间的维度相关性,进而获取每种电力指标对应维度的维度贡献度,然后对所有节点处的多维电力数据进行异常检测。本发明通过分析节点在电网拓扑结构中的稳定性及在不同节点聚类结果中的相似稳定性,从而评估节点处数据的波动变化情况以划分序列分段,进而能够准确分析维度相关性,提高维度贡献度的分析准确性并提高能源管理效果。
Description
技术领域
本发明涉及能源协同管理技术领域,具体涉及一种寒地风光热储能综合能源协同管理方法及***。
背景技术
全球能源结构的转型和气候变化问题日益严峻,寒地的可再生能源如风能和光伏能均可以转化为电能等所需能源形式;通过将风光热储能综合能源转化为电能,再通过电网输送至用户端,可以实现能源稳定供应并减少对传统能源如煤炭等的依赖,同时还降低环境污染并促进可持续经济发展,故对寒地风光热储能综合能源进行管理至关重要。在传统的能源协同管理过程中,通常需要对能源数据进行监测,电能数据的监测管理则需要同时监测如功率、最大需量、有无功电能量累计值、电能表计量数据、电压、功率因数、谐波、频率等多种维度的电力指标,以实现对多维电力指标的协同管理监测;多维度分析通常导致维度灾难,故需要分析其维度贡献度以进行加权聚类,从而准确得到离群的异常电力数据。
在分析每个维度的电力指标的维度贡献度时,通常需要综合各个节点处各个维度电力参数间的变化相关性,去评估该维度在所有维度中的重要性或贡献度;但在分析各个维度电力参数间的变化相关性时,由于每个节点处的电力参数的波动变化因其所处电网结构中的节点连接关系或所处地理环境等外界因素影响,使得每个节点处的电力参数的波动变化情况可能不同;又由于各个节点处的电力参数是一个长时序序列,直接分析每个节点处不同维度电力参数间的变化相关性具有较大计算压力,故通常采用分段分析,而采用统一的预设分段长度分析不同维度电力参数间的变化相关性,难以充分捕捉到每个节点处的电力参数的波动特征,从而导致对每个节点的不同维度电力参数间的变化相关性分析不准确,进而影响维度贡献度的分析准确性,使得对于寒地风光热储综合能源的协同管理效果差。
发明内容
为了解决现有技术中预设分段长度设置不合理导致对每个节点的不同维度电力参数间的变化相关性分析不准确,进而影响维度贡献度的分析准确性,对于寒地风光热储综合能源的协同管理效果差的技术问题,本发明的目的在于提供一种寒地风光热储能综合能源协同管理方法及***,所采用的技术方案具体如下:
本发明提出一种寒地风光热储能综合能源协同管理方法,所述方法包括:
获取预设时段内电网中每个节点的多维电力数据及多维环境数据;所述多维电数据包括每种电力指标的电力参数序列,所述多维环境数据包括每种环境指标的环境参数序列;
根据每个节点在电网中与其他节点的连接关系,获取每个节点的拓扑稳定性;根据所述拓扑稳定性获取对应节点的所述电力参数序列的分析窗口基准值;根据所述多维电力数据获取第一节点聚簇,根据所述多维环境数据获取第二节点聚簇;根据每个节点在所属第一节点聚簇和所属第二节点聚簇间的相似情况,获取每个节点的变化稳定性;根据每个节点的所述变化稳定性调整所述分析窗口基准值;
根据所述第一节点聚簇和所述第二节点聚簇获取目标分析聚簇;在所述目标分析聚簇中,根据调整后的分析窗口基准值对对应节点的所述电力参数序列进行分段,分析每个节点的不同种类电力指标在相同时段对应分段间的电力参数的变化相关性,获取不同种类电力指标间的维度相关性;根据所述维度相关性获取每种电力指标对应维度在所有维度中的维度贡献度;
根据所述维度贡献度对所有节点处的多维电力数据进行异常检测。
进一步地,所述拓扑稳定性的获取方法包括:
电网中的节点至少包括两种节点类型,并为每种节点类型赋予数值标签;
以任一节点为第一目标节点,将与所述第一目标节点具有拓扑连接关系的所有节点作为待分析节点;获取所有所述待分析节点中的节点类型的第一类型数量,将所述第一类型数量与所有节点类型的总数量的比值负相关映射并归一化,得到所述第一目标节点的节点类型稳定权重;
以任一所述待分析节点为第二目标节点,将电网中经过所述第二目标节点的所有连接路径作为待分析路径;在每条所述待分析路径中,获取起始节点至结束节点途径的所有节点的所述数值标签的初始标签序列,若所述标签序列中相邻序列元素相同,则合并保留一个序列元素,得到标签序列;将所有所述标签序列中序列长度最长的所述标签序列对应的所述待分析路径作为所述第二目标节点的参考连接路径;
获取电网中的所有连接路径及对应标签序列,从电网中的所有连接路径中筛选出最长连接路径;在所有连接路径对应的标签序列中筛选出频次最高的标签序列,将频次最高的标签序列作为普遍连接路径标签序列,获取所述普遍连接路径标签序列与所述参考连接路径对应标签序列间的序列相似度;
根据每个节点的每个所述待分析节点的所述参考连接路径与所述最长连接路径的路径长度比值,及所述普遍连接路径标签序列与对应所述参考连接路径对应标签序列间的所述序列相似度,结合每个节点的所述节点类型稳定权重,获取每个节点的拓扑稳定性。
进一步地,所述拓扑稳定性的获取方法包括:
;其中,/>为第/>个节点的拓扑稳定性;/>为第/>个节点的所有待分析节点中的节点类型的第一类型数量;/>为节点类型的总数量;/>为第/>个节点的待分析节点的总数量;/>为第/>个待分析节点的参考连接路径的路径长度;/>为最长连接路径的路径长度;/>为以自然常数/>为底数的指数函数;为第/>个待分析节点的参考连接路径对应标签序列与普遍连接路径标签序列间的相似度。
进一步地,所述分析窗口基准值的获取方法包括:
对每个节点的所述拓扑稳定性进行线性归一化,得到标准拓扑稳定性;将所述标准拓扑稳定性负相关映射并归一化,将归一化值乘以预设单位时间窗口,得到分析窗口基准值。
进一步地,所述变化稳定性的获取方法包括:
将电网的节点依次赋予编号;获取每个所述第一节点聚簇的第一节点编号向量及每个所述第二节点聚簇的第二节点编号向量,所述第一节点编号向量及所述第二节点编号向量的向量长度相同,向量元素不足时在末尾补零;
以任一节点为第三目标节点,获取所述第三目标节点在所属第一节点聚簇的所述第一节点变化向量,及所属第二节点聚簇的所述第二节点编号向量间的余弦相似度;将所述余弦相似度作为所述变化稳定性。
进一步地,所述目标分析聚簇的获取方法包括:
将所述第一节点聚簇和所述第二节点聚簇间的交集作为目标分析聚簇。
进一步地,根据调整后的分析窗口基准值对对应节点的所述电力参数序列进行分段,包括:
将每个节点的调整后的分析窗口基准值作为分段窗口长度;在每个节点在每种电力指标下的所述电力参数序列中,从首个电力参数为起点,沿序列方向获取与所述分段窗口长度等长的第一分段序列,将所述第一分段序列的末尾电力参数的下一相邻电力参数为新的起点,沿序列方向获取与所述分段窗口长度等长的第二分段序列,不断获取新的分段序列,直至将所述电力参数序列全部分段处理。
进一步地,所述维度相关性的获取方法包括:
;其中,/>为第/>种电力指标对应维度与第/>种电力指标对应维度间的维度相关性;/>为目标分析聚簇中的节点数量;/>为目标分析聚簇中第/>个节点的每条电力参数序列的分段总数量;/>为目标分析聚簇中第/>个节点的第/>种电力指标对应维度的电力参数序列,与第/>种电力指标对应维度的电力参数序列间,所有相同时段对应分段间的皮尔逊相关系数的标准差;/>为目标分析聚簇中第/>个节点的第/>种电力指标对应维度的电力参数序列,与第/>种电力指标对应维度的电力参数序列间,所有相同时段对应分段间的皮尔逊相关系数的均值;/>为以自然常数/>为底数的指数函数。
进一步地,所述维度贡献度的获取方法包括:
将所述维度相关性大于预设阈值的两种电力指标对应维度作为一对相关维度;以任一电力指标对应维度为目标维度,获取与所述目标维度具有相关关系的维度对应电力指标的第二数量,将所述第二数量与所有电力指标对应总维度的数量的比值,作为所述目标维度的维度贡献度。
本发明还提出一种寒地风光热储能综合能源协同管理***,包括存储器、处理器以及存储在所述存储器中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所述一种寒地风光热储能综合能源协同管理方法的步骤。
本发明具有如下有益效果:
本发明实施例获取预设时段内电网中每个节点的多维电力数据及多维环境数据;然后根据每个节点在电网中与其他节点的连接关系,获取每个节点的拓扑稳定性;根据拓扑稳定性获取对应节点的电力参数序列的分析窗口基准值,分析窗口基准值时根据不同节点内电力数据的个性变化特征获取合适的分析窗口长度,从而能够更充分的捕捉电力数据的波动变化特征,以准确分析不同电力指标对应维度下电力参数间的变化相关性;根据多维电力数据获取第一节点聚簇,根据多维环境数据获取第二节点聚簇;根据每个节点在所属第一节点聚簇和所属第二节点聚簇间的相似情况,获取每个节点的变化稳定性,节点在两种聚类结果中的相似度较高,则说明该节点的稳定性也越大;根据每个节点的变化稳定性调整分析窗口基准值;根据调整后的分析窗口基准值对对应节点的电力参数序列进行分段,分析每个节点的不同种类电力指标在相同时段对应分段间的电力参数的变化相关性,获取不同种类电力指标间的维度相关性;根据维度相关性获取每种电力指标对应维度在所有维度中的维度贡献度;根据维度贡献度对所有节点处的多维电力数据进行异常检测。本发明通过分析节点在电网拓扑结构中的稳定性及在不同节点聚类结果中的相似稳定性,评估每个节点中数据波动变化情况,从而获取分析窗口基准值以划分序列分段,从而在序列分段中准确分析不同电力指标下的电力参数间的变化相关性,从而能够准确分析维度相关性,以便提高维度贡献度的分析准确性以提高能源管理效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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附图。
图1为本发明一个实施例所提供的一种寒地风光热储能综合能源协同管理方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种寒地风光热储能综合能源协同管理方法及***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种寒地风光热储能综合能源协同管理方法及***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种寒地风光热储能综合能源协同管理方法的流程图,具体包括:
步骤S1,获取预设时段内电网中每个节点的多维电力数据及多维环境数据;多维电数据包括每种电力指标的电力参数序列,多维环境数据包括每种环境指标的环境参数序列。
在本发明的一个实施例中,获取预设时段内电网中每个节点的多维电力数据及多维环境数据;其中,预设时段设置为当前时刻在过去一周时间段,通过在寒地电网结构中的各个节点处安装电传感器实时采集每个节点处的各种电力指标下的电力参数序列,并安装环境传感器实时采集每个节点处的各种环境指标下的环境参数序列,其中所有传感器的采样频率均设置为每分钟一次,电力指标具体包括功率、最大需量、有功电能量累计值、无功电能量累计值、电压、功率因数、谐波、频率等,环境指标具体包括温度、风速等。
需要说明的是,寒地电网结构中的各个节点指的是如发电站、配电站、变压站及用户端等节点,本发明实施例中寒地电网结构已知,可以通过电网管理部门获取当地的电网节点拓扑结构,但不同地区的寒地电网结构可能因不同地区的节点部署规划而不同,实施者可根据具体实施情况进行采集分析;多维电力数据中的维度指的是电力指标的种类,同理,多维环境数据中的维度指的是环境指标的种类;各参数序列中仅包含对应种类指标下的实时采集指标参数,实施者也可根据具体实施要求设置其他种类传感器采集其他种类的电力指标和环境指标,设置对应传感器及采集方法已是本领域技术人员熟知的现有技术,在此不再赘述;实施者也可设置其他采样频率,但需保证各传感器的采样频率一致,以保证后续对时序数据分析的同步有效性。
步骤S2,根据每个节点在电网中与其他节点的连接关系,获取每个节点的拓扑稳定性;根据拓扑稳定性获取对应节点的电力参数序列的分析窗口基准值;根据所述多维电力数据获取第一节点聚簇;根据多维环境数据获取第二节点聚簇;根据每个节点在所属第一节点聚簇和所属第二节点聚簇间的相似情况,获取每个节点的变化稳定性;根据每个节点的变化稳定性调整分析窗口基准值。
考虑到在分析维度贡献度时,需要根据维度间的关联情况来分析评估,而维度间的关联情况则需要根据不同维度间的电力参数间的变化相关性来获取;又考虑到电力参数序列是一个长时序序列,在分析变化相关性时存在计算难度,而将长时序序列分段为多个短时间段分析可能又会导致无法充分捕捉序列中的趋势变化,从而导致相关性的分析不够准确。
由于电网中的各个节点之间具有空间拓扑结构,其中空间拓扑结构表示的为电网中各个节点之间的连接关系,并且节点之间的连接关系体现了稳定性的变化,稳定性越大的节点其在短时间内数据的变动越小,所以可以更快的捕捉到不同电力指标对应维度间的变化相关性;相反稳定性越低,短期内数据的变动越大,则需要通过较长时序的电力参数序列来分析两个不同维度电力参数间的变化相关性。基于此,本发明实施例首先根据每个节点在电网中与其他节点的连接关系,获取每个节点的拓扑稳定性,进而根据拓扑稳定性获取对应节点的电力参数序列的分析窗口基准值。
优选地,在本发明的一个实施例中,考虑到电网中每个节点都有相互连接的节点,其中与其相互连接的节点可能是不同类型的,与该节点相连接的节点类型越多,说明该节点在电网中可能需要频繁地与其他类别节点进行交互,将受多种类型节点的影响,则对应的稳定性越低;又考虑到电网中每条连接路径上通常包括多种类型的节点,反映了该路径上各节点间连接及节点类别变化,若某条连接路径上节点的类别变化在电网中普遍存在,则说明该连接路径能够反映节点类别的完整变化,则在分析该节点的稳定性时具有一定的代表参考意义;基于此,拓扑稳定性的获取方法包括:
电网中的节点至少包括两种节点类型,并为每种节点类型赋予数值标签;
以任一节点为第一目标节点,将与第一目标节点具有拓扑连接关系的所有节点作为待分析节点;获取所有待分析节点中的节点类型的第一类型数量,将第一类型数量与所有节点类型的总数量的比值负相关映射并归一化,得到第一目标节点的节点类型稳定权重;
以任一待分析节点为第二目标节点,获取电网中经过第二目标节点的所有连接路径作为待分析路径;在每条待分析路径中,获取起始节点至结束节点途径的所有节点的数值标签的初始标签序列,若标签序列中相邻序列元素相同,则合并保留一个序列元素,得到标签序列;将所有标签序列中序列长度最长的标签序列对应的待分析路径作为第二目标节点的参考连接路径;
获取电网中的所有连接路径及对应标签序列,从电网中的所有连接路径中筛选出最长连接路径;在所有连接路径对应的标签序列中筛选出频次最高的标签序列,将频次最高的标签序列作为普遍连接路径,获取普遍连接路径对应标签序列与参考连接路径对应标签序列的相似度;
根据每个节点的每个待分析节点的参考连接路径与最长连接路径的路径长度比值,及普遍连接路径标签序列与对应参考连接路径对应标签序列间的序列相似度,结合每个节点的节点类型稳定权重,获取每个节点的拓扑稳定性。
为便于理解参考连接路径的获取步骤,举例说明:获取电网中所有经过第二目标节点的所有连接路径,例如P2为第二目标节点,其中共计分为5个类型,K1类型包括P1,K2类型包括P2、P3、P4,K3类型包括P5、P6、P7、P8、P9、P10,K4类型包括P11、P12、P13、P14、P15、P16,K5类型包括P17、P18,则P2对应共计五条连接路径为(P1、P2、P5、P11、P17)、(P1、P2、P5、P11)、(P1、P2、P5、P12)、(P1、P2、P5、P13)、(P1、P2、P5、P14),其中将每种节点类型赋予数值标签,K1:1、K2:2、K3:3、K4:4、K5:5,则对应初始标签序列分别为(1、2、3、4、5)、(1、2、3、4)、(1、2、3、4)、(1、2、3、4)、(1、2、3、4),从中选择序列长度最长的为(1、2、3、4、5)作为标签序列,则参考连接路径为(P1、P2、P5、P11、P17);需要说明的是,由于复杂的拓扑电网结构,可能出现初始序列标签为(1、2、2、3、5、5)这种情况,则对应的标签序列为(1、2、3、5)。
拓扑稳定性的计算公式包括:
;
其中,为第/>个节点的拓扑稳定性;/>为第/>个节点的所有待分析节点中的节点类型的第一类型数量;/>为节点类型的总数量;/>为第/>个节点的待分析节点的总数量;/>为第个待分析节点的参考连接路径的路径长度;/>为最长连接路径的路径长度;/>为以自然常数/>为底数的指数函数;/>为第/>个待分析节点的参考连接路径对应标签序列与普遍连接路径标签序列间的相似度。
拓扑稳定性的计算公式中,反映了待分析节点对应节点类型的相对大小,比值越大,说明与节点具有连接关系的待分析节点的类别较多,则表明该节点处在电网的节点类别变化处,则该节点处的稳定性较小,通过1减去比值调整逻辑,使得比值越大,稳定性越小;经过某待分析节点的参考连接路径上节点类别对多,则/>越大,同时/>反映了普遍连接路径和参考连接路径中的连接边变化关系,若二者间的DTW距离越小,说明待分析节点的参考连接路径体现了电网中节点类别的完整性变化,则对应的目标节点的稳定性将越高。
获取每个节点的拓扑稳定性后,可以根据节点稳定性获取对应节点的电力参数序列的分析窗口基准值,从而能够分析不同电力指标对应维度的电力参数序列间的变化相关性。
在本发明的一个实施例中,考虑到节点的拓扑稳定性越高,对应的时间窗口可以越小,相反拓扑稳定性越低,对应的时间窗口则需要越长;故首先将拓扑稳定性进行线性归一化处理,对每个节点的拓扑稳定性进行线性归一化,得到标准拓扑稳定性;将标准拓扑稳定性负相关映射并归一化,将归一化值乘以预设单位时间窗口,得到分析窗口基准值;基于此,构建时间窗口基准值的计算公式:;其中,/>为第/>个节点的分析窗口基准值;/>为第/>个节点的标准拓扑稳定性;/>为预设单位时间窗口,在本发明实施例中取15,实施者也可自行设置其他取值;通过1减去归一化后的拓扑稳定性,调整逻辑关系。
考虑到当在电力指标维度下及环境指标维度下分别将电网中的各拓扑节点进行聚类后,若某个节点在两种聚类结果中的相似度较高,则说明该节点的稳定性也越大。故本发明实施例首先根据多维电力数据获取第一节点聚簇,根据多维环境数据获取第二节点聚簇;进一步根据每个节点在所属第一节点聚簇和所属第二节点聚簇间的相似情况,从而获取每个节点的变化稳定性进一步调整分析窗口基准值。
在本发明的一个实施例中,考虑到在对多维电力数据进行聚类时仍会存在维度灾难,可以选择一个标准维度来区分各节点间的差异特征;又考虑到多维电力数据中的电力参数是时序数据,电力参数序列的长时序将平滑掉每个节点处每种电力参数的变化特征,从而导致节点的聚类结果不准确;但正是因为电力参数是时序数据,其会随着人类的生产生活存在一定的波动变化,而人类生产生活的方式习惯大概是相同,通过将每天在相同时刻下的电力参数进行分析聚类,从而综合所有相同时刻下的聚类结果去评估每种电力指标对应维度的重要性,从而可以筛选出能够显著区分节点间差异的标准维度;基于此,第一节点聚簇的获取方法包括:
在同种电力指标下,在所有节点的电力参数序列中,将预设时段内所有天内每天的所有相同时刻的电力参数的幅值方差负相关映射归一化后作为对应时刻的置信维度权重,并将根据预设时段内每天的所有节点在所有相同时刻的电力参数对所有节点进行聚类,获取每天在对应时刻下的所有第一初始节点聚类簇;
在预设时间段内每天的每个相同时刻下,根据所有第一初始节点聚类簇中节点分布情况,结合对应时刻下的置信维度权重,获取所有电力指标对应维度中的标准维度;
在标准维度下,将每个节点在所有相同时刻的置信维度权重作为对应时刻下的电力参数的权重进行加权求均,得到每个节点的代表值;根据每个节点的代表值对所有节点进行聚类,将聚类结果作为第一节点聚类结果,得到所有第一节点聚簇。
其中,考虑到每个采集时刻下,若所有天内的聚类结果都相似的话,则该电力指标对应的标准程度越大,作为标准维度的可能性也越大;又考虑到若某个采集时刻下所有节点的电力参数波动越剧烈,则该时刻电力参数的节点聚类结果可能受电力参数的幅值变化影响,对于分析所有天内的聚类结果是否相似的参考意义低;基于此,标准维度的获取方法包括:
以任一节点为目标节点,在预设时间段内所有天内的每个相同时刻下,筛选出所有包含目标节点的每个第一初始节点聚类簇,得到目标节点聚簇,若节点与目标节点在所有目标节点聚簇中均同时存在,则将对应节点作为参考节点;统计参考节点的总数量;
根据每个节点的参考节点的总数量,占电网中所有节点的总数量的比值,结合对应时刻下的置信维度权重,获取每种电力指标对应维度的标准程度;
在所有电力指标中,将标准程度最大的电力指标对应维度作为标准维度。
标准程度的计算公式包括:
;
其中,为第/>种电力指标对应维度的标准程度;/>为一天内的采集时刻总数量;为以自然常数/>为底数的指数函数;/>为第/>种电力指标对应维度下电力参数的幅值;为第/>种电力指标对应维度下,预设时段内所有节点在所有天内的第/>个时刻的电力参数的幅值方差;/>为第/>种电力指标对应维度下第/>时刻的置信维度权重;/>为电网中的节点总数量;/>为在预设时段所有天内的第/>个时刻下,第/>个节点的所有参考节点的总数量。
标准程度的计算公式中,反映了同一时刻下的电力参数的波动稳定情况,其值越大,波动越剧烈,则该时刻下的电力参数变化对于分析维度的标准程度的置信权重越低,通过负相关映射到指数函数中调整逻辑关系;/>反映了每个节点在同种电力指标下每天的相同时刻下的第一初始节点聚类结果的相似性,参考节点的数量越多,该比值越大,说明在相同时刻下,每个节点与参考节点在每天的该时刻下都倾向于划分至同一聚类簇中,则进一步说明该电力参数对应的电力指标对于区分节点间的明显差异的重要性越高,则该电力指标对应维度的标准程度越高。
本发明实施例将提供一个简单示例帮助理解第一节点聚簇的获取步骤及方法,例如:P1、P2、P3、P4……Pn为电网结构中的节点代号,D1、D2、D3、D4、D5、D6、D7为天数代号,T1、T2……T1140代表一天中共计1140个采集时刻,每个时刻下可以采集获取所有种类电力指标如A、B、C、D……下的所有电力参数;在预设一周时间内任一天如D2中的任一时刻如T2,将所有节点处的某一种电力指标如B对应的所有电力参数作为聚类对象,基于K-means算法和预设K值获取所有节点的聚类结果,得到所有第一初始节点聚簇,其中预设K值为5;同理,在其余所有天数中T2时刻下,获取所有节点处电力指标B对应的所有电力参数的聚类结果;以任一个节点P2为目标节点,然后将D1-D7的所有天中的包含P2节点的所有第一初始节点聚类簇作为目标节点聚簇,如(P1、P2、P5、P11、P17)、(P1、P2、P5、P11)、(P1、P2、P5、P12)、(P1、P2、P5、P13)、(P1、P2、P5、P14)、(P1、P2、P5、P7、P17)、(P1、P2、P5、P13、P16),其中所有目标节点聚簇中与目标节点P2同时存在的节点为P1、P5,则P1和P5为目标节点的参考节点,从而可以根据标准程度的计算公式计算B种电力指标对应维度的标准程度,然后在所有电力指标中,将标准程度最大的电力指标对应维度作为标准维度;假设标准维度为电力参数B对应维度,将每个节点在所有天数的所有相同时刻的置信维度权重作为对应时刻下的电力参数的权重,对每个时刻对应的电力参数B进行加权求均,可以得到每个节点的代表值;然后将代表值基于K-means算法和预设K值获取所有节点的聚类结果,其中预设K值为5,从而得到所有第一节点聚簇。
在本发明的一个实施例中,第二节点聚簇的获取方法包括:
在同种环境指标下,将每个节点的环境参数序列作为样本数据对节点进行聚类,将所有种类环境指标下的聚类结果中的交集对应所有节点作为同一个聚簇内的节点,非交集中对应的所有节点单独作为一个聚簇,得到所有第二节点聚簇。
在本发明的另一个实施例中,考虑到节点的环境参数序列是长时序数据序列,在聚类时可能承担较大的计算压力,实施者也可将预设时段内各个节点处每天每种环境指标下的环境参数求均值,如第一天内所有时刻的温度均值为-10摄氏度,第二天内所有时刻的温度均值为-12摄氏度,以此类推,然后将每个节点处每天的环境参数均值作为向量元素,构建环境参数向量,然后每个节点处的环境参数向量作为样本数据,进而基于K-means算法和预设K值对节点进行聚类;故在本发明实施例中,在同种环境指标下,将每个节点的环境参数向量作为样本数据对节点进行聚类,将所有种类环境指标下的聚类结果中的交集对应所有节点作为同一个聚簇内的节点,非交集中对应的所有节点单独作为一个聚簇,得到所有第二节点聚簇。
需要说明的是,根据每个节点的环境参数对节点进行聚类,仍然是基于K-means算法和预设K值获取所有节点的聚类结果,其中预设K值为5;K-means算法已是本领域技术人员熟知的现有技术,在此不赘述。为便于分析理解根据所有种类环境指标下的聚类结果获取第二节点聚簇,进行举例说明:每种环境指标下的聚类结果为5个聚簇,其中环境指标包括温度和风速两种指标,假设共有10个节点,例如温度指标下的节点聚类结果为{(P1、P3)(P2)(P4、P5、P8)(P6)(P7、P9、P10)},风速指标下的节点聚类结果为{(P1、P3)(P4、P5、P8)(P6)(P2、P7)(P9、P10)},则两种聚类结果的交集为(P1、P3)、(P4、P5、P8)、(P6),则将这三个聚簇不做变动,非交集部分对应为节点均单独成一簇,即(P2)、(P7)、(P9)、(P10),最终得到的第二节点聚簇分别为(P1、P3)、(P4、P5、P8)、(P6)、(P2)、(P7)、(P9)、(P10)。
至此,获取了第一节点聚簇和第二节点聚簇,从而可以每个节点在所属第一节点聚簇和所属第二节点聚簇间的相似情况,获取每个节点的变化稳定性。
优选地,在本发明的一个实施例中,考虑到节点在所属第一节点聚簇和所属第二节点聚簇间的相似情况,可以通过将聚簇内的节点赋予编号,进而构建聚簇内节点编号的向量,从而分析两向量间的相似度来评估该节点所属的两聚簇内的相似情况。若在变化稳定性的获取方法包括:
将电网的节点依次赋予编号;获取每个第一节点聚簇的第一节点编号向量及每个第二节点聚簇的第二节点编号向量,第一节点编号向量及第二节点编号向量的向量长度相同,向量元素不足时在末尾补零;
以任一节点为第三目标节点,获取第三目标节点在所属第一节点聚簇的第一节点编号向量,及所属第二节点聚簇的第二节点编号向量间的余弦相似度;将余弦相似度作为变化稳定性。
为便于理解第一节点编号向量及第二节点编号向量的获取步骤,举例说明:由于两种节点聚簇都是基于预设K值获取且预设K值均一致,假设第一节点聚簇分别为{(P1、P3)(P2)(P4、P5、P8)(P6)(P7、P9、P10)},第二节点聚簇分别为{(P1、P3)(P4、P5、P8)(P6)(P2、P7)(P9、P10)},则对于任一节点P7而言,其对应的第一节点编号向量为(7,9,10),第二节点编号向量为(2,7),由于两向量长度不同,则将第二节点编号向量在末尾补零变为(2,7,0),从而便于计算余弦相似度。
获取每个节点的变化稳定性后,便可以进一步对分析窗口基准值进行调整。
在本发明的一个实施例中,具体将每个节点的变化稳定性与分析窗口基准值相乘,变化稳定性越大,则调整后的分析窗口基准值也相对越大,反之越小。在本发明的其他实施例中,也可通过将相加或者其他数学基础运算或相关映射手段对分析窗口基准值进行调整,在此不赘述。
步骤S3,根据第一节点聚簇和第二节点聚簇获取目标分析聚簇;在目标分析聚簇中,根据调整后的分析窗口基准值对对应节点的电力参数序列进行分段,分析每个节点的不同种类电力指标在相同时段对应分段间的电力参数的变化相关性,获取不同种类电力指标间的维度相关性;根据维度相关性获取每种电力指标对应维度在所有维度中的维度贡献度。
在本发明实施例中,考虑到分析所有节点处的不同电力指标对应维度间的电力参数序列间变化相关性,计算量较大,实施者可以综合第一节点聚簇和第二节点聚簇获取目标分析聚簇,从而根据目标分析聚簇中的部分具有代表性的节点进行后续的维度相关性分析;在本发明的一个实施例中,将第一节点聚簇和第二节点聚簇间的交集作为目标分析聚簇;需要说明的是,在第一节点聚簇和第二节点聚簇间,可能不存在交集,可以选择重合度最高的一个聚簇作为第三节点聚簇,将第三节点聚簇中的所有节点作为具有代表性的节点进行后续的维度相关性分析;进而根据维度相关性的计算公式获取不同电力指标对应维度间的为维度相关性。
在本发明的其他实施例中,实施者也可以根据拓扑稳定性选择预设数量个节点作为具有代表性的节点,或综合变化稳定性选取预设数量个节点;也可从第一节点聚簇或第二节点聚簇中任选一个聚簇,仅对该聚簇中的所有节点进行分析;从而仅分析部分节点处的不同电力指标对应维度间的电力参数序列间变化相关性,以降低计算量。通过维度相关性的获取方法获取所有不同电力指标对应维度间的维度相关性,然后便可以根据维度相关性获取每种电力指标对应维度在所有维度中的维度贡献度。
获取调整后的分析窗口基准值后,便可以在目标分析聚簇中,根据调整后的分析窗口基准值对对应节点的电力参数序列进行分段,从而分析每个节点的不同种类电力指标在相同时段对应分段间的电力参数的变化相关性,获取不同种类电力指标间的维度相关性。
在本发明的一个优选实施例中,将每个节点的调整后的分析窗口基准值作为分段窗口长度;在每个节点在每种电力指标下的电力参数序列中,从首个电力参数为起点,沿序列方向获取与分段窗口长度等长的第一分段序列,将第一分段序列的末尾电力参数的下一相邻电力参数为新的起点,沿序列方向获取与分段窗口长度等长的第二分段序列,不断获取新的分段序列,直至将电力参数序列全部分段处理。
需要说明的是,最后一个分段序列可能不足分段窗口长度,可在其后补零以补齐分段窗口长度,也可不对其进行补零操作,只需保证每个节点处不同电力指标对应维度的电力参数序列的子段的时序对齐且长度一致即可,以保证分析变化相关性的可实施性。
优选地,在本发明的一个实施例中,考虑到通过分析每个节点处不同电力指标对应维度间的电力参数序列间变化相关性可以评估两个不同电力指标对应维度间的维度相关性;而调整后的分析窗口基准值则结合了节点的稳定特征,在降低长时序计算难度的同时可以更好的捕捉电力参数的变化趋势,从而可以准确分析不同维度对应分析窗口内的电力参数间的变化相关性;而皮尔逊系数可以帮助分析序列间相关性;基于此,可以构建维度相关性的计算公式;维度相关性的计算公式包括:
;
其中,为第/>种电力指标对应维度与第/>种电力指标对应维度间的维度相关性;为目标分析聚簇中的节点数量;/>为目标分析聚簇中的第/>个节点的每条电力参数序列的分段总数量;/>为目标分析聚簇中的第/>个节点的第/>种电力指标对应维度的电力参数序列,与第/>种电力指标对应维度的电力参数序列间,所有相同时段对应分段间的皮尔逊相关系数的标准差;/>为目标分析聚簇中的第/>个节点的第/>种电力指标对应维度的电力参数序列,与第/>种电力指标对应维度的电力参数序列间,所有相同时段对应分段间的皮尔逊相关系数的均值;/>为以自然常数/>为底数的指数函数。
维度相关性的计算公式中,反映了节点对应不同电力指标对应维度下相同分段内的电力参数的变化相关性的变化波动情况,标准越大,说明不同维度下不同分段内的电力参数的变化相关性的差异越大,则对应的维度相关性越低,通过将标准负相关映射至指数函数中调整逻辑;同时,由于皮尔逊系数的取值范围为-1到1,值越大,正相关性越强,则不同维度下不同分段内的电力参数的变化相关性的均值越大,说明对应电力指标间的维度相关性越大。
优选地,在本发明的一个实施例中,考虑到当一个电力指标对应维度与其余电力指标对应维度间的维度相关性越高且具有维度相关关系的数量越多时,则可以认为该电力指标对应维度是所有维度中具有较高的重要性;基于此,维度贡献度的获取方法包括:
将维度相关性大于预设阈值的两种电力指标对应维度作为一对相关维度;以任一电力指标对应维度为目标维度,获取与目标维度具有相关关系的维度对应电力指标的第二数量,将第二数量与所有电力指标对应总维度的数量的比值,作为目标维度的维度贡献度。
在本发明实施例中,预设阈值为0.65,实施者也可根据具体实施情况设置其他取值。
步骤S4,根据维度贡献度对所有节点处的多维电力数据进行异常检测。
获取所有电力指标对应维度的维度贡献度后,便可以根据维度贡献度对所有节点处的多维电力数据进行异常检测。
在本发明的一个实施例中,具体对所有电力指标对应维度的维度贡献度值进行线性归一化处理,然后根据维度贡献度对每个节点处的多维电力数据进行加权聚类。将每个节点出每个时刻所采集的电力参数构建多维电力参数向量,在聚类过程中,对于任意两个时刻,根据加权欧式距离公式度量两个时刻对应多维电力参数向量间的距离,具体表示为,其中/>为第/>个电力指标对应维度的维度贡献度,/>为第/>个电力指标对应维度的维度贡献度,和/>分别为第/>个电力指标对应维度两个电力参数的幅值,/>和/>分别为第/>个电力指标对应维度两个电力参数对应时刻,/>和/>分别为第/>个电力指标对应维度两个电力参数的幅值,/>和/>分别为第/>个电力指标对应维度两个电力参数对应时刻;将两个时刻下多维电力参数间的加权距离作为聚类时样本点间的度量距离;具体采用DBSCAN聚类算法进行聚类,将不属于任一聚簇的多维电力参数向量作为异常多维电力参数向量,进而可以得到异常多维电力参数向量对应的时刻及节点,将其输入至能源管理中心,提示能源管理人员及时分析并作出异常响应。
综上所述,本发明实施例获取预设时段内电网中每个节点的多维电力数据及多维环境数据;然后根据每个节点在电网中与其他节点的连接关系,获取每个节点的拓扑稳定性;根据拓扑稳定性获取对应节点的电力参数序列的分析窗口基准值;根据多维电力数据获取第一节点聚簇,根据多维环境数据获取第二节点聚簇;根据每个节点在所属第一节点聚簇和所属第二节点聚簇间的相似情况,获取每个节点的变化稳定性;根据每个节点的变化稳定性调整分析窗口基准值;根据调整后的分析窗口基准值对对应节点的电力参数序列进行分段,分析每个节点的不同种类电力指标在相同时段对应分段间的电力参数的变化相关性,获取不同种类电力指标间的维度相关性;根据维度相关性获取每种电力指标对应维度在所有维度中的维度贡献度;根据维度贡献度对所有节点处的多维电力数据进行异常检测。本发明通过分析节点在电网拓扑结构中的稳定性及在不同节点聚类结果中的相似稳定性,评估每个节点中数据波动变化情况,从而获取分析窗口基准值以划分序列分段,从而在序列分段中准确分析不同电力指标下的电力参数间的变化相关性,从而能够准确分析维度相关性,以便提高维度贡献度的分析准确性以提高能源管理效果。
本发明还提出一种寒地风光热储能综合能源协同管理***,包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现一种寒地风光热储能综合能源协同管理方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (9)
1.一种寒地风光热储能综合能源协同管理方法,其特征在于,所述方法包括:
获取预设时段内电网中每个节点的多维电力数据及多维环境数据;所述多维电力数据包括每种电力指标的电力参数序列,所述多维环境数据包括每种环境指标的环境参数序列;
根据每个节点在电网中与其他节点的连接关系,获取每个节点的拓扑稳定性;根据所述拓扑稳定性获取对应节点的所述电力参数序列的分析窗口基准值;根据所述多维电力数据获取第一节点聚簇,根据所述多维环境数据获取第二节点聚簇;根据每个节点在所属第一节点聚簇和所属第二节点聚簇间的相似情况,获取每个节点的变化稳定性;根据每个节点的所述变化稳定性调整所述分析窗口基准值;
根据所述第一节点聚簇和所述第二节点聚簇获取目标分析聚簇;在所述目标分析聚簇中,根据调整后的分析窗口基准值对对应节点的所述电力参数序列进行分段,分析每个节点的不同种类电力指标在相同时段对应分段间的电力参数的变化相关性,获取不同种类电力指标间的维度相关性;根据所述维度相关性获取每种电力指标对应维度在所有维度中的维度贡献度;
根据所述维度贡献度对所有节点处的多维电力数据进行异常检测;
所述目标分析聚簇的获取方法包括:
将所述第一节点聚簇和所述第二节点聚簇间的交集作为目标分析聚簇。
2.根据权利要求1所述的一种寒地风光热储能综合能源协同管理方法,其特征在于,所述拓扑稳定性的获取方法包括:
电网中的节点至少包括两种节点类型,并为每种节点类型赋予数值标签;
以任一节点为第一目标节点,将与所述第一目标节点具有拓扑连接关系的所有节点作为待分析节点;获取所有所述待分析节点中的节点类型的第一类型数量,将所述第一类型数量与所有节点类型的总数量的比值负相关映射并归一化,得到所述第一目标节点的节点类型稳定权重;
以任一所述待分析节点为第二目标节点,将电网中经过所述第二目标节点的所有连接路径作为待分析路径;在每条所述待分析路径中,获取起始节点至结束节点途径的所有节点的所述数值标签的初始标签序列,若所述标签序列中相邻序列元素相同,则合并保留一个序列元素,得到标签序列;将所有所述标签序列中序列长度最长的所述标签序列对应的所述待分析路径作为所述第二目标节点的参考连接路径;
获取电网中的所有连接路径及对应标签序列,从电网中的所有连接路径中筛选出最长连接路径;在所有连接路径对应的标签序列中筛选出频次最高的标签序列,将频次最高的标签序列作为普遍连接路径标签序列,获取所述普遍连接路径标签序列与所述参考连接路径对应标签序列间的序列相似度;
根据每个节点的每个所述待分析节点的所述参考连接路径与所述最长连接路径的路径长度比值,及所述普遍连接路径标签序列与对应所述参考连接路径对应标签序列间的所述序列相似度,结合每个节点的所述节点类型稳定权重,获取每个节点的拓扑稳定性。
3.根据权利要求2所述的一种寒地风光热储能综合能源协同管理方法,其特征在于,所述拓扑稳定性的获取方法包括:
;其中,/>为第/>个节点的拓扑稳定性;/>为第/>个节点的所有待分析节点中的节点类型的第一类型数量;/>为节点类型的总数量;/>为第/>个节点的待分析节点的总数量;/>为第/>个待分析节点的参考连接路径的路径长度;/>为最长连接路径的路径长度;/>为以自然常数/>为底数的指数函数;为第/>个待分析节点的参考连接路径对应标签序列与普遍连接路径标签序列间的相似度。
4.根据权利要求1所述的一种寒地风光热储能综合能源协同管理方法,其特征在于,所述分析窗口基准值的获取方法包括:
对每个节点的所述拓扑稳定性进行线性归一化,得到标准拓扑稳定性;将所述标准拓扑稳定性负相关映射并归一化,将归一化值乘以预设单位时间窗口,得到分析窗口基准值。
5.根据权利要求1所述的一种寒地风光热储能综合能源协同管理方法,其特征在于,所述变化稳定性的获取方法包括:
将电网的节点依次赋予编号;获取每个所述第一节点聚簇的第一节点编号向量及每个所述第二节点聚簇的第二节点编号向量,所述第一节点编号向量及所述第二节点编号向量的向量长度相同,向量元素不足时在末尾补零;
以任一节点为第三目标节点,获取所述第三目标节点在所属第一节点聚簇的所述第一节点变化向量,及所属第二节点聚簇的所述第二节点编号向量间的余弦相似度;将所述余弦相似度作为所述变化稳定性。
6.根据权利要求1所述的一种寒地风光热储能综合能源协同管理方法,其特征在于,根据调整后的分析窗口基准值对对应节点的所述电力参数序列进行分段,包括:
将每个节点的调整后的分析窗口基准值作为分段窗口长度;在每个节点在每种电力指标下的所述电力参数序列中,从首个电力参数为起点,沿序列方向获取与所述分段窗口长度等长的第一分段序列,将所述第一分段序列的末尾电力参数的下一相邻电力参数为新的起点,沿序列方向获取与所述分段窗口长度等长的第二分段序列,不断获取新的分段序列,直至将所述电力参数序列全部分段处理。
7.根据权利要求1所述的一种寒地风光热储能综合能源协同管理方法,其特征在于,所述维度相关性的获取方法包括:
;其中,/>为第/>种电力指标对应维度与第/>种电力指标对应维度间的维度相关性;/>为目标分析聚簇中的节点数量;/>为目标分析聚簇中第/>个节点的每条电力参数序列的分段总数量;/>为目标分析聚簇中第/>个节点的第/>种电力指标对应维度的电力参数序列,与第/>种电力指标对应维度的电力参数序列间,所有相同时段对应分段间的皮尔逊相关系数的标准差;/>为目标分析聚簇中第/>个节点的第/>种电力指标对应维度的电力参数序列,与第/>种电力指标对应维度的电力参数序列间,所有相同时段对应分段间的皮尔逊相关系数的均值;/>为以自然常数/>为底数的指数函数。
8.根据权利要求1所述的一种寒地风光热储能综合能源协同管理方法,其特征在于,所述维度贡献度的获取方法包括:
将所述维度相关性大于预设阈值的两种电力指标对应维度作为一对相关维度;以任一电力指标对应维度为目标维度,获取与所述目标维度具有相关关系的维度对应电力指标的第二数量,将所述第二数量与所有电力指标对应总维度的数量的比值,作为所述目标维度的维度贡献度。
9.一种寒地风光热储能综合能源协同管理***,其特征在于,包括存储器、处理器以及存储在所述存储器中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如权利要求1-8任意一项所述一种寒地风光热储能综合能源协同管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410383150.9A CN117977717B (zh) | 2024-04-01 | 2024-04-01 | 一种寒地风光热储能综合能源协同管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410383150.9A CN117977717B (zh) | 2024-04-01 | 2024-04-01 | 一种寒地风光热储能综合能源协同管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117977717A true CN117977717A (zh) | 2024-05-03 |
CN117977717B CN117977717B (zh) | 2024-06-11 |
Family
ID=90863502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410383150.9A Active CN117977717B (zh) | 2024-04-01 | 2024-04-01 | 一种寒地风光热储能综合能源协同管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977717B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107483455A (zh) * | 2017-08-25 | 2017-12-15 | 国家计算机网络与信息安全管理中心 | 一种基于流的网络节点异常检测方法和*** |
CN109347834A (zh) * | 2018-10-24 | 2019-02-15 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
JP2019070930A (ja) * | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
CN110969347A (zh) * | 2019-11-22 | 2020-04-07 | 国网山东省电力公司临沂供电公司 | 一种输电网结构形态评估方法 |
US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
CN113687257A (zh) * | 2021-08-27 | 2021-11-23 | 广东省科学院电子电器研究所 | 电源健康状态动态评估方法及装置 |
CN114676883A (zh) * | 2022-03-02 | 2022-06-28 | 深圳江行联加智能科技有限公司 | 基于大数据的电网运行管理方法、装置、设备及存储介质 |
CN115099557A (zh) * | 2022-05-09 | 2022-09-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于智能监测智能电网分析方法 |
US20220376501A1 (en) * | 2019-09-12 | 2022-11-24 | The University Of Hong Kong | Anomaly detection in energy systems |
CN116247668A (zh) * | 2023-03-28 | 2023-06-09 | 南京邮电大学 | 一种基于量测大数据分析的配电网运行方式识别方法 |
CN116738354A (zh) * | 2023-08-15 | 2023-09-12 | 国网江西省电力有限公司信息通信分公司 | 一种电力物联网终端行为异常检测方法及*** |
CN116861354A (zh) * | 2023-07-17 | 2023-10-10 | 国家电网有限公司华北分部 | 电力变压器监测数据的异常识别及模式区分方法及*** |
CN117034043A (zh) * | 2023-10-09 | 2023-11-10 | 山东五棵松电气科技有限公司 | 基于多能源物联网的智慧建筑综合能耗监测方法及*** |
CN117093947A (zh) * | 2023-10-20 | 2023-11-21 | 深圳特力自动化工程有限公司 | 一种发电柴油机运行异常监测方法及*** |
CN117273489A (zh) * | 2023-09-27 | 2023-12-22 | 华能满洲里风力发电有限公司 | 光伏状态评估方法及装置 |
CN117313016A (zh) * | 2023-11-28 | 2023-12-29 | 北京易能中网技术有限公司 | 一种新能源电力交易现货电价价差数据处理方法 |
CN117458544A (zh) * | 2023-10-31 | 2024-01-26 | 国网青海省电力公司清洁能源发展研究院 | 一种基于多类型储能资源动态聚合的优化协同调控方法 |
CN117454255A (zh) * | 2023-12-25 | 2024-01-26 | 陕西奥纳泽建筑工程有限公司 | 一种智慧建筑能耗数据优化存储方法 |
CN117493921A (zh) * | 2024-01-03 | 2024-02-02 | 智洁云服(大连)信息技术有限公司 | 基于大数据的人工智能节能管理方法及*** |
-
2024
- 2024-04-01 CN CN202410383150.9A patent/CN117977717B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10902062B1 (en) * | 2017-08-24 | 2021-01-26 | Amazon Technologies, Inc. | Artificial intelligence system providing dimension-level anomaly score attributions for streaming data |
CN107483455A (zh) * | 2017-08-25 | 2017-12-15 | 国家计算机网络与信息安全管理中心 | 一种基于流的网络节点异常检测方法和*** |
JP2019070930A (ja) * | 2017-10-06 | 2019-05-09 | 株式会社日立パワーソリューションズ | 異常検知装置および異常検知方法 |
CN109347834A (zh) * | 2018-10-24 | 2019-02-15 | 广东工业大学 | 物联网边缘计算环境中异常数据的检测方法、装置及设备 |
US20220376501A1 (en) * | 2019-09-12 | 2022-11-24 | The University Of Hong Kong | Anomaly detection in energy systems |
CN110969347A (zh) * | 2019-11-22 | 2020-04-07 | 国网山东省电力公司临沂供电公司 | 一种输电网结构形态评估方法 |
CN113687257A (zh) * | 2021-08-27 | 2021-11-23 | 广东省科学院电子电器研究所 | 电源健康状态动态评估方法及装置 |
CN114676883A (zh) * | 2022-03-02 | 2022-06-28 | 深圳江行联加智能科技有限公司 | 基于大数据的电网运行管理方法、装置、设备及存储介质 |
CN115099557A (zh) * | 2022-05-09 | 2022-09-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于智能监测智能电网分析方法 |
CN116247668A (zh) * | 2023-03-28 | 2023-06-09 | 南京邮电大学 | 一种基于量测大数据分析的配电网运行方式识别方法 |
CN116861354A (zh) * | 2023-07-17 | 2023-10-10 | 国家电网有限公司华北分部 | 电力变压器监测数据的异常识别及模式区分方法及*** |
CN116738354A (zh) * | 2023-08-15 | 2023-09-12 | 国网江西省电力有限公司信息通信分公司 | 一种电力物联网终端行为异常检测方法及*** |
CN117273489A (zh) * | 2023-09-27 | 2023-12-22 | 华能满洲里风力发电有限公司 | 光伏状态评估方法及装置 |
CN117034043A (zh) * | 2023-10-09 | 2023-11-10 | 山东五棵松电气科技有限公司 | 基于多能源物联网的智慧建筑综合能耗监测方法及*** |
CN117093947A (zh) * | 2023-10-20 | 2023-11-21 | 深圳特力自动化工程有限公司 | 一种发电柴油机运行异常监测方法及*** |
CN117458544A (zh) * | 2023-10-31 | 2024-01-26 | 国网青海省电力公司清洁能源发展研究院 | 一种基于多类型储能资源动态聚合的优化协同调控方法 |
CN117313016A (zh) * | 2023-11-28 | 2023-12-29 | 北京易能中网技术有限公司 | 一种新能源电力交易现货电价价差数据处理方法 |
CN117454255A (zh) * | 2023-12-25 | 2024-01-26 | 陕西奥纳泽建筑工程有限公司 | 一种智慧建筑能耗数据优化存储方法 |
CN117493921A (zh) * | 2024-01-03 | 2024-02-02 | 智洁云服(大连)信息技术有限公司 | 基于大数据的人工智能节能管理方法及*** |
Non-Patent Citations (4)
Title |
---|
GANG CHEN;LINLIN DU;BAORAN AN: "Ordinal Outlier Algorithm for Anomaly Detection of High-Dimensional Data Sets", 2020 CHINESE CONTROL AND DECISION CONFERENCE, 24 August 2020 (2020-08-24), pages 5356 - 5361, XP033809600, DOI: 10.1109/CCDC49329.2020.9164610 * |
刘文立: "基于数据维度分析及特性提取的电力数据服务分析", 2022电力行业信息化年会论文集, 15 April 2023 (2023-04-15), pages 297 - 301 * |
曹阳: "基于复杂网络的网络大数据聚类应用研究", 基础科学辑, no. 2019, 15 July 2019 (2019-07-15), pages 002 - 25 * |
李慧滢,李克用: "基于离散小波变换和模糊K均值聚类的台户关系识别方法", 电力学报, no. 2022, 25 October 2022 (2022-10-25), pages 430 - 440 * |
Also Published As
Publication number | Publication date |
---|---|
CN117977717B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779505B (zh) | 一种基于大数据驱动的输电线路故障预警方法及*** | |
Teichgraeber et al. | Extreme events in time series aggregation: A case study for optimal residential energy supply systems | |
Du Toit et al. | Customer segmentation using unsupervised learning on daily energy load profiles | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
WO2020053846A2 (en) | A system and method for analysis of smart meter data | |
CN116775731B (zh) | 基于滑动窗口的三相电能表错接线追退电量的计算方法 | |
Li et al. | Distance measures in building informatics: An in-depth assessment through typical tasks in building energy management | |
CN115858881A (zh) | 一种配电网运检异常数据检索定位方法 | |
Dong et al. | Forecasting smart meter energy usage using distributed systems and machine learning | |
Lujic et al. | Adaptive recovery of incomplete datasets for edge analytics | |
CN110850717B (zh) | 利用风机电流的神经网络热泵除霜控制装置及控制方法 | |
CN115545280A (zh) | 一种低压配电网络拓扑生成方法及装置 | |
Mishra et al. | Graft: A graph based time series data mining framework | |
Abghari et al. | Higher order mining for monitoring district heating substations | |
Serrano-Luján et al. | Case of study: Photovoltaic faults recognition method based on data mining techniques | |
JP7423505B2 (ja) | データ分析システムおよび方法 | |
CN112182499B (zh) | 一种基于时序电量数据的低压配电网拓扑结构辨识方法 | |
CN117040983B (zh) | 基于大数据分析的数据共享方法及*** | |
CN117977717B (zh) | 一种寒地风光热储能综合能源协同管理方法及*** | |
Kommey et al. | An artificial intelligence‐based non‐intrusive load monitoring of energy consumption in an electrical energy system using a modified K‐Nearest Neighbour algorithm | |
Jazizadeh et al. | Unsupervised clustering of residential electricity consumption measurements for facilitated user-centric non-intrusive load monitoring | |
Panapakidis et al. | Three-stage clustering procedure for deriving the typical load curves of the electricity consumers | |
Munshi et al. | Comparisons among Bat algorithms with various objective functions on grouping photovoltaic power patterns | |
Pena et al. | Parameter tuning analysis for phase identification algorithms in distribution system model calibration | |
Hu et al. | Low voltage transformer topology identification method based on de-noised differential evolution |
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 |