CN118232345A - 一种基于分布式神经网络的储能电站故障诊断*** - Google Patents
一种基于分布式神经网络的储能电站故障诊断*** Download PDFInfo
- Publication number
- CN118232345A CN118232345A CN202410653299.4A CN202410653299A CN118232345A CN 118232345 A CN118232345 A CN 118232345A CN 202410653299 A CN202410653299 A CN 202410653299A CN 118232345 A CN118232345 A CN 118232345A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage power
- power station
- neural network
- fault
- 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 234
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 90
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims description 110
- 238000004458 analytical method Methods 0.000 claims description 58
- 238000012423 maintenance Methods 0.000 claims description 51
- 238000011157 data evaluation Methods 0.000 claims description 38
- 230000005611 electricity Effects 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 abstract description 4
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000012790 confirmation Methods 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 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
- 238000012545 processing Methods 0.000 description 1
Abstract
本发明公开了一种基于分布式神经网络的储能电站故障诊断***，涉及储能电站技术领域，通过获取运行参数和故障参数、综合运维评估系数、运行数据和市场数据，以及综合管理评估系数，该***可以实现准确的故障诊断、优化神经网络架构、实时数据分析和调整、提高可靠性和效率、自动化管理和优化等功能。这将提高储能电站的故障诊断准确性、参数调整的效率和精度，降低管理成本和人工干预，提高储能电站的可靠性、运行效率和响应能力，从而推动储能电站的智能化和可持续发展，最佳神经网络架构可以实现资源的最优利用，减少计算和存储资源的浪费，提高***的性能和效率。
Description
技术领域
本发明涉及储能电站技术领域，具体涉及一种基于分布式神经网络的储能电站故障诊断***。
背景技术
储能电站是一种将电能转化为其他形式并储存起来，在需要时再将其转化为电能供应给电网或用户的设施。随着可再生能源的快速发展和电力***的智能化需求，储能电站的规模和数量不断增加，一种基于分布式神经网络的储能电站故障诊断***应运而生。
现有技术中，对储能电站参数的调整通常需要人工干预，缺乏自动化和实时性。这使得参数调整变得困难且耗时，无法快速响应储能电站的实际运行状况和市场需求，很显然这种故障诊断***至少存在以下方面问题：
1、现有技术往往只关注某一方面的数据或指标，如运行数据或市场数据，缺乏综合评估体系。这导致无法全面考虑储能电站的运行状态、市场需求和故障情况，限制了对储能电站性能的整体优化和管理。
2、现有的储能电站故障诊断技术往往依赖于传统的规则或者模型，缺乏对复杂、非线性***的准确诊断能力。因此，无法实现对储能电站故障的高准确性诊断，有可能导致故障漏判或误判。
3、现有技术需要大量的人工干预和手动操作，包括数据采集、分析和参数调整等。这不仅增加了人力成本和工作量，还容易引入人为错误和主观判断，限制了储能电站管理的自动化和智能化水平，对于储能电站的数据采集和分析往往具有一定的延迟，无法实时获取和处理实际运行数据。这导致无法及时发现和解决储能电站的潜在问题，影响了储能电站的运行效率和可靠性。
发明内容
针对上述存在的技术不足，本发明的目的是提供一种基于分布式神经网络的储能电站故障诊断***。
为解决上述技术问题，本发明采用如下技术方案：本发明提供一种基于分布式神经网络的储能电站故障诊断***，包括：运行参数和故障参数获取模块：用于获取历史周期中目标区域各储能电站对应的运行参数和故障参数，运行参数包括各电池对应的电池循环次数和循环深度，故障参数包括各次故障对应的故障发生时长、停机时长和维修时长，分析得到各储能电站对应的运行评估系数和故障评估系数。
综合运维评估系数获取模块：用于根据各储能电站对应的运行评估系数和故障评估系数，分析得到各储能电站对应的综合运维评估系数，进而对各储能电站对应的最佳神经网络架构进行分析，并将各储能电站对应的最佳神经网络架构部署到对应的云计算平台节点上。
运行数据和市场数据获取模块：用于获取当前周期各储能电站对应的运行数据和市场数据，运行数据包括各电池充放电功率和电池容量，市场数据包括电力购买价格和出售价格，进而分析得到各储能电站对应的运行数据评估系数和市场数据评估系数。
综合管理评估系数获取模块：用于根据各储能电站对应的运行数据评估系数和市场数据评估系数，分析得到各储能电站对应的综合管理评估系数。
神经网络参数调整值分析模块：用于根据各储能电站对应的综合管理评估系数，进而分析各储能电站对应的神经网络参数调整值，并将各储能电站按照对应的神经网络参数调整值进行调整。
优选地，所述分析得到各储能电站对应的运行评估系数，具体分析过程如下：将各储能电站中各电池对应的电池循环次数和循环深度分别记为和/>，其中，/>表示各储能电站对应的编号，/>，u为大于2的任意整数，/>表示各电池对应的编号，/>，n为大于2的任意整数，代入计算公式/>中，得到各储能电站对应的运行评估系数/>，其中，/>、/>分别为设定的储能电站中电池对应的标准电池循环次数、标准循环深度，/>、/>分别为设定的储能电站中电池循环次数对应的权重因子、循环深度对应的权重因子。
优选地，所述分析得到各储能电站对应的故障评估系数，具体分析过程如下：将各储能电站中各次故障对应的故障发生时长、停机时长和维修时长分别记为、/>和/>，其中，/>表示各次故障对应的编号，/>，m为大于2的任意整数，代入计算公式中，得到各储能电站对应的故障评估系数/>，其中，/>、/>、/>分别为设定的储能电站中故障对应的标准故障发生时长、标准停机时长、标准维修时长，/>、/>、/>分别为设定的储能电站中故障发生时长对应的权重因子、停机时长对应的权重因子、维修时长对应的权重因子。
优选地，所述分析得到各储能电站对应的综合运维评估系数，具体分析过程如下：将各储能电站对应的运行评估系数和故障评估系数，代入计算公式中，得到各储能电站对应的综合运维评估系数/>，其中，/>、/>分别为设定的储能电站运行评估系数对应的权重因子、故障评估系数对应的权重因子，e表示自然常数。
优选地，所述对各储能电站对应的最佳神经网络架构进行分析，具体分析过程如下：将各储能电站对应的综合运维评估系数与数据库中各神经网络架构对应的综合运维评估系数区间进行对比，若某储能电站对应的综合运维评估系数位于数据库中某神经网络架构对应的综合运维评估系数区间内，则将数据库中该神经网络架构作为该储能电站对应的最佳神经网络架构，以此方式，对各储能电站对应的最佳神经网络架构进行分析。
优选地，所述分析得到各储能电站对应的运行数据评估系数，具体分析过程如下：将各储能电站对应的各电池充放电功率和电池容量分别记为和/>，其中，/>表示各储能电站对应的编号，/>，u为大于2的任意整数，/>表示各电池对应的编号，/>，n为大于2的任意整数，代入计算公式/>中，得到各储能电站对应的运行数据评估系数/>，其中，/>、/>分别为设定的储能电站电池对应的标准电池充放电功率、标准电池容量，/>、/>分别为设定的储能电站电池充放电功率对应的权重因子、电池容量对应的权重因子。
优选地，所述分析得到各储能电站对应的市场数据评估系数，具体分析过程如下：将各储能电站对应的电力购买价格和出售价格分别记为和/>，代入计算公式中，得到各储能电站对应的市场数据评估系数/>，其中，、/>分别为设定的储能电站对应的标准电力购买价格、标准出售价格，/>、/>分别为设定的储能电站电力购买价格对应的权重因子、出售价格对应的权重因子。
优选地，所述分析得到各储能电站对应的综合管理评估系数，具体分析过程如下：将各储能电站对应的运行数据评估系数和市场数据评估系数，代入计算公式中，得到各储能电站对应的综合管理评估系数/>，其中，/>、/>分别为设定的储能电站运行数据评估系数对应的权重因子、市场数据评估系数对应的权重因子，e表示自然常数。
优选地，所述分析各储能电站对应的神经网络参数调整值，具体分析过程如下：将各储能电站对应的综合管理评估系数与数据库中各神经网络参数调整值对应的综合管理评估系数进行对比，若某储能电站对应的综合管理评估系数与数据库中某神经网络参数调整值对应的综合管理评估系数相同，则将数据库中该神经网络参数调整值作为该储能电站对应的神经网络参数调整值。
优选地，还包括数据库，所述数据库用于储存各神经网络架构对应的综合运维评估系数区间和各神经网络参数调整值对应的综合管理评估系数。
本发明的有益效果在于：1、本发明提供一种基于分布式神经网络的储能电站故障诊断***，通过获取运行参数和故障参数、综合运维评估系数、运行数据和市场数据，以及综合管理评估系数，该***可以实现准确的故障诊断、优化神经网络架构、实时数据分析和调整、提高可靠性和效率、自动化管理和优化等功能。这将提高储能电站的故障诊断准确性、参数调整的效率和精度，降低管理成本和人工干预，提高储能电站的可靠性、运行效率和响应能力，从而推动储能电站的智能化和可持续发展。
2、本发明实施例，通过获取储能电站的运行参数和故障参数，并分析得到运行评估系数和故障评估系数，可以准确评估储能电站的运行状态和故障情况，提高故障诊断的准确性，通过针对每个储能电站的特定需求和运行情况，设计最佳神经网络架构可以最大程度地提升***的性能。最佳神经网络架构可以更好地适应储能电站的运行模式、特征和需求，从而提高***的准确性、灵敏度和响应能力，可以提高储能电站的资源利用效率。通过合理分配神经网络的节点、层数和连接方式等参数，最佳神经网络架构可以实现资源的最优利用，减少计算和存储资源的浪费，提高***的性能和效率。
3、本发明实施例，通过运行数据和市场数据获取模块，进而得到各储能电站的综合管理评估系数，实时分析各储能电站的神经网络参数调整值，可以实现对参数的实时调整和优化。这使得***能够及时响应储能电站的实际运行情况和市场需求，提高***的灵活性和适应性，由于储能电站的运行条件和市场需求可能不断变化，实时的参数调整和优化可以保持***处于最佳状态，提高***的准确性和效率，通过自动化地根据实时数据和评估指标进行参数调整和优化，可以减少人工干预，提高管理效率和精度。
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，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他的附图。
图1为本发明***模块连接示意图。
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。
本发明实施例如图1所示，一种基于分布式神经网络的储能电站故障诊断***，包括：运行参数和故障参数获取模块、综合运维评估系数获取模块、运行数据和市场数据获取模块、综合管理评估系数获取模块、神经网络参数调整值分析模块和数据库。
所述综合运维评估系数获取模块分别与运行参数和故障参数获取模块和运行数据和市场数据获取模块连接，所述综合管理评估系数获取模块分别与运行数据和市场数据获取模块和神经网络参数调整值分析模块连接，所述数据库分别与综合运维评估系数获取模块和神经网络参数调整值分析模块连接。
运行参数和故障参数获取模块：用于获取历史周期中目标区域各储能电站对应的运行参数和故障参数，运行参数包括各电池对应的电池循环次数和循环深度，故障参数包括各次故障对应的故障发生时长、停机时长和维修时长，分析得到各储能电站对应的运行评估系数和故障评估系数。
需要说明的是，使用传感器设备监测储能电站的运行状态和电池的循环次数、循环深度等参数。传感器记录电池的充放电量、电流、电压等信息，通过对这些数据的采集和处理，获取电池的循环次数和循环深度等参数，储能电站的运行数据和故障数据应该被记录和存储，以便后续分析。使用数据记录***或数据库来存储储能电站的运行参数和故障参数，包括电池循环次数、循环深度、故障发生时长、停机时长和维修时长等信息，储能电站的故障记录和维护报告提供故障发生时长、停机时长和维修时长等信息。这些记录和报告通常由运维人员或维护团队进行记录和维护，作为获取故障参数的重要依据。
在一个具体的实施例中，所述分析得到各储能电站对应的运行评估系数，具体分析过程如下：将各储能电站中各电池对应的电池循环次数和循环深度分别记为和/>，其中，/>表示各储能电站对应的编号，/>，u为大于2的任意整数，/>表示各电池对应的编号，/>，n为大于2的任意整数，代入计算公式中，得到各储能电站对应的运行评估系数/>，其中，/>、/>分别为设定的储能电站中电池对应的标准电池循环次数、标准循环深度，/>、/>分别为设定的储能电站中电池循环次数对应的权重因子、循环深度对应的权重因子。
需要说明的是，、/>均大于0且小于1。
还需要说明的是，基于大量的研究数据和实验数据的总结。根据实验研究、经验和专业指南设定储能电站中电池对应的标准电池循环次数、标准循环深度，同时，根据领域专家专业知识和研究的依据，并与领域专家进行讨论和确认。由专家可以根据自己的经验和知识，设定储能电站中电池循环次数、循环深度对应的权重因子。
在另一个具体的实施例中，所述分析得到各储能电站对应的故障评估系数，具体分析过程如下：将各储能电站中各次故障对应的故障发生时长、停机时长和维修时长分别记为、/>和/>，其中，/>表示各次故障对应的编号，/>，m为大于2的任意整数，代入计算公式/>中，得到各储能电站对应的故障评估系数/>，其中，/>、/>、/>分别为设定的储能电站中故障对应的标准故障发生时长、标准停机时长、标准维修时长，/>、/>、/>分别为设定的储能电站中故障发生时长对应的权重因子、停机时长对应的权重因子、维修时长对应的权重因子。
需要说明的是，、/>、/>均大于0且小于1。
还需要说明的是，基于大量的研究数据和实验数据的总结。根据实验研究、经验和专业指南设定储能电站中故障对应的标准故障发生时长、标准停机时长、标准维修时长，同时，根据领域专家专业知识和研究的依据，并与领域专家进行讨论和确认。由专家可以根据自己的经验和知识，设定储能电站中故障发生时长、停机时长、维修时长对应的权重因子。
综合运维评估系数获取模块：用于根据各储能电站对应的运行评估系数和故障评估系数，分析得到各储能电站对应的综合运维评估系数，进而对各储能电站对应的最佳神经网络架构进行分析，并将各储能电站对应的最佳神经网络架构部署到对应的云计算平台节点上。
在一个具体的实施例中，所述分析得到各储能电站对应的综合运维评估系数，具体分析过程如下：将各储能电站对应的运行评估系数和故障评估系数，代入计算公式中，得到各储能电站对应的综合运维评估系数/>，其中，/>、/>分别为设定的储能电站运行评估系数对应的权重因子、故障评估系数对应的权重因子，e表示自然常数。
需要说明的是，、/>均大于0且小于1。
还需要说明的是，根据领域专家专业知识和研究的依据，并与领域专家进行讨论和确认。由专家可以根据自己的经验和知识，设定储能电站运行评估系数、故障评估系数对应的权重因子。
在另一个具体的实施例中，所述对各储能电站对应的最佳神经网络架构进行分析，具体分析过程如下：将各储能电站对应的综合运维评估系数与数据库中各神经网络架构对应的综合运维评估系数区间进行对比，若某储能电站对应的综合运维评估系数位于数据库中某神经网络架构对应的综合运维评估系数区间内，则将数据库中该神经网络架构作为该储能电站对应的最佳神经网络架构，以此方式，对各储能电站对应的最佳神经网络架构进行分析。
本发明实施例，通过获取储能电站的运行参数和故障参数，并分析得到运行评估系数和故障评估系数，可以准确评估储能电站的运行状态和故障情况，提高故障诊断的准确性，通过针对每个储能电站的特定需求和运行情况，设计最佳神经网络架构可以最大程度地提升***的性能。最佳神经网络架构可以更好地适应储能电站的运行模式、特征和需求，从而提高***的准确性、灵敏度和响应能力，可以提高储能电站的资源利用效率。通过合理分配神经网络的节点、层数和连接方式等参数，最佳神经网络架构可以实现资源的最优利用，减少计算和存储资源的浪费，提高***的性能和效率。
运行数据和市场数据获取模块：用于获取当前周期各储能电站对应的运行数据和市场数据，运行数据包括各电池充放电功率和电池容量，市场数据包括电力购买价格和出售价格，进而分析得到各储能电站对应的运行数据评估系数和市场数据评估系数。
在一个具体的实施例中，所述分析得到各储能电站对应的运行数据评估系数，具体分析过程如下：将各储能电站对应的各电池充放电功率和电池容量分别记为和/>，其中，/>表示各储能电站对应的编号，/>，u为大于2的任意整数，/>表示各电池对应的编号，/>，n为大于2的任意整数，代入计算公式中，得到各储能电站对应的运行数据评估系数/>，其中，/>、/>分别为设定的储能电站电池对应的标准电池充放电功率、标准电池容量，/>、分别为设定的储能电站电池充放电功率对应的权重因子、电池容量对应的权重因子。
需要说明的是，、/>均大于0且小于1。
还需要说明的是，基于大量的研究数据和实验数据的总结。根据实验研究、经验和专业指南设定储能电站电池对应的标准电池充放电功率、标准电池容量，同时，根据领域专家专业知识和研究的依据，并与领域专家进行讨论和确认。由专家可以根据自己的经验和知识，设定储能电站电池充放电功率、电池容量对应的权重因子。
在另一个具体的实施例中，所述分析得到各储能电站对应的市场数据评估系数，具体分析过程如下：将各储能电站对应的电力购买价格和出售价格分别记为和/>，代入计算公式/>中，得到各储能电站对应的市场数据评估系数，其中，/>、/>分别为设定的储能电站对应的标准电力购买价格、标准出售价格，/>、/>分别为设定的储能电站电力购买价格对应的权重因子、出售价格对应的权重因子。
需要说明的是，、/>均大于0且小于1。
还需要说明的是，基于大量的研究数据和实验数据的总结。根据实验研究、经验和专业指南设定储能电站对应的标准电力购买价格、标准出售价格，同时，根据领域专家专业知识和研究的依据，并与领域专家进行讨论和确认。由专家可以根据自己的经验和知识，设定储能电站电力购买价格、出售价格对应的权重因子。
综合管理评估系数获取模块：用于根据各储能电站对应的运行数据评估系数和市场数据评估系数，分析得到各储能电站对应的综合管理评估系数。
在一个具体的实施例中，所述分析得到各储能电站对应的综合管理评估系数，具体分析过程如下：将各储能电站对应的运行数据评估系数和市场数据评估系数，代入计算公式中，得到各储能电站对应的综合管理评估系数/>，其中，/>、/>分别为设定的储能电站运行数据评估系数对应的权重因子、市场数据评估系数对应的权重因子，e表示自然常数。
需要说明的是，、/>均大于0且小于1。
还需要说明的是，根据领域专家专业知识和研究的依据，并与领域专家进行讨论和确认。由专家可以根据自己的经验和知识，设定储能电站运行数据评估系数、市场数据评估系数对应的权重因子。
神经网络参数调整值分析模块：用于根据各储能电站对应的综合管理评估系数，进而分析各储能电站对应的神经网络参数调整值，并将各储能电站按照对应的神经网络参数调整值进行调整。
在一个具体的实施例中，所述分析各储能电站对应的神经网络参数调整值，具体分析过程如下：将各储能电站对应的综合管理评估系数与数据库中各神经网络参数调整值对应的综合管理评估系数进行对比，若某储能电站对应的综合管理评估系数与数据库中某神经网络参数调整值对应的综合管理评估系数相同，则将数据库中该神经网络参数调整值作为该储能电站对应的神经网络参数调整值。
本发明实施例，通过运行数据和市场数据获取模块，进而得到各储能电站的综合管理评估系数，实时分析各储能电站的神经网络参数调整值，可以实现对参数的实时调整和优化。这使得***能够及时响应储能电站的实际运行情况和市场需求，提高***的灵活性和适应性，由于储能电站的运行条件和市场需求可能不断变化，实时的参数调整和优化可以保持***处于最佳状态，提高***的准确性和效率，通过自动化地根据实时数据和评估指标进行参数调整和优化，可以减少人工干预，提高管理效率和精度。
在一个具体的实施例中，还包括数据库，所述数据库用于储存各神经网络架构对应的综合运维评估系数区间和各神经网络参数调整值对应的综合管理评估系数。
本发明提供一种基于分布式神经网络的储能电站故障诊断***，通过获取运行参数和故障参数、综合运维评估系数、运行数据和市场数据，以及综合管理评估系数，该***可以实现准确的故障诊断、优化神经网络架构、实时数据分析和调整、提高可靠性和效率、自动化管理和优化等功能。这将提高储能电站的故障诊断准确性、参数调整的效率和精度，降低管理成本和人工干预，提高储能电站的可靠性、运行效率和响应能力，从而推动储能电站的智能化和可持续发展。
以上内容仅仅是对本发明的构思所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的构思或者超越本说明书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种基于分布式神经网络的储能电站故障诊断***，其特征在于，包括：
运行参数和故障参数获取模块：用于获取历史周期中目标区域各储能电站对应的运行参数和故障参数，运行参数包括各电池对应的电池循环次数和循环深度，故障参数包括各次故障对应的故障发生时长、停机时长和维修时长，分析得到各储能电站对应的运行评估系数和故障评估系数；
综合运维评估系数获取模块：用于根据各储能电站对应的运行评估系数和故障评估系数，分析得到各储能电站对应的综合运维评估系数，进而对各储能电站对应的最佳神经网络架构进行分析，并将各储能电站对应的最佳神经网络架构部署到对应的云计算平台节点上；
运行数据和市场数据获取模块：用于获取当前周期各储能电站对应的运行数据和市场数据，运行数据包括各电池充放电功率和电池容量，市场数据包括电力购买价格和出售价格，进而分析得到各储能电站对应的运行数据评估系数和市场数据评估系数；
综合管理评估系数获取模块：用于根据各储能电站对应的运行数据评估系数和市场数据评估系数，分析得到各储能电站对应的综合管理评估系数；
神经网络参数调整值分析模块：用于根据各储能电站对应的综合管理评估系数，进而分析各储能电站对应的神经网络参数调整值，并将各储能电站按照对应的神经网络参数调整值进行调整。
2.如权利要求1所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，所述分析得到各储能电站对应的运行评估系数，具体分析过程如下：
将各储能电站中各电池对应的电池循环次数和循环深度分别记为和/>，其中，/>表示各储能电站对应的编号，/>，u为大于2的任意整数，/>表示各电池对应的编号，，n为大于2的任意整数，代入计算公式/>中，得到各储能电站对应的运行评估系数/>，其中，/>、/>分别为设定的储能电站中电池对应的标准电池循环次数、标准循环深度，/>、/>分别为设定的储能电站中电池循环次数对应的权重因子、循环深度对应的权重因子。
3.如权利要求2所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，所述分析得到各储能电站对应的故障评估系数，具体分析过程如下：
将各储能电站中各次故障对应的故障发生时长、停机时长和维修时长分别记为、和/>，其中，/>表示各次故障对应的编号，/>，m为大于2的任意整数，代入计算公式/>中，得到各储能电站对应的故障评估系数/>，其中，/>、/>、/>分别为设定的储能电站中故障对应的标准故障发生时长、标准停机时长、标准维修时长，/>、/>、/>分别为设定的储能电站中故障发生时长对应的权重因子、停机时长对应的权重因子、维修时长对应的权重因子。
4.如权利要求3所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，所述分析得到各储能电站对应的综合运维评估系数，具体分析过程如下：
将各储能电站对应的运行评估系数和故障评估系数，代入计算公式中，得到各储能电站对应的综合运维评估系数/>，其中，/>、/>分别为设定的储能电站运行评估系数对应的权重因子、故障评估系数对应的权重因子，e表示自然常数。
5.如权利要求4所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，所述对各储能电站对应的最佳神经网络架构进行分析，具体分析过程如下：
将各储能电站对应的综合运维评估系数与数据库中各神经网络架构对应的综合运维评估系数区间进行对比，若某储能电站对应的综合运维评估系数位于数据库中某神经网络架构对应的综合运维评估系数区间内，则将数据库中该神经网络架构作为该储能电站对应的最佳神经网络架构，以此方式，对各储能电站对应的最佳神经网络架构进行分析。
6.如权利要求1所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，所述分析得到各储能电站对应的运行数据评估系数，具体分析过程如下：
将各储能电站对应的各电池充放电功率和电池容量分别记为和/>，其中，/>表示各储能电站对应的编号，/>，u为大于2的任意整数，/>表示各电池对应的编号，，n为大于2的任意整数，代入计算公式/>中，得到各储能电站对应的运行数据评估系数/>，其中，/>、/>分别为设定的储能电站电池对应的标准电池充放电功率、标准电池容量，/>、/>分别为设定的储能电站电池充放电功率对应的权重因子、电池容量对应的权重因子。
7.如权利要求6所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，所述分析得到各储能电站对应的市场数据评估系数，具体分析过程如下：
将各储能电站对应的电力购买价格和出售价格分别记为和/>，代入计算公式中，得到各储能电站对应的市场数据评估系数/>，其中，、/>分别为设定的储能电站对应的标准电力购买价格、标准出售价格，/>、/>分别为设定的储能电站电力购买价格对应的权重因子、出售价格对应的权重因子。
8.如权利要求7所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，所述分析得到各储能电站对应的综合管理评估系数，具体分析过程如下：
将各储能电站对应的运行数据评估系数和市场数据评估系数，代入计算公式中，得到各储能电站对应的综合管理评估系数/>，其中，/>、/>分别为设定的储能电站运行数据评估系数对应的权重因子、市场数据评估系数对应的权重因子，e表示自然常数。
9.如权利要求8所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，所述分析各储能电站对应的神经网络参数调整值，具体分析过程如下：
将各储能电站对应的综合管理评估系数与数据库中各神经网络参数调整值对应的综合管理评估系数进行对比，若某储能电站对应的综合管理评估系数与数据库中某神经网络参数调整值对应的综合管理评估系数相同，则将数据库中该神经网络参数调整值作为该储能电站对应的神经网络参数调整值。
10.如权利要求1所述的一种基于分布式神经网络的储能电站故障诊断***，其特征在于，还包括数据库，所述数据库用于储存各神经网络架构对应的综合运维评估系数区间和各神经网络参数调整值对应的综合管理评估系数。
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118232345A true CN118232345A (zh) | 2024-06-21 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114938071A (zh) | 一种基于人工智能的新能源运行***智能监测监控管理*** | |
| CN115173550A (zh) | 一种分布式光伏发电实时监控方法和*** | |
| CN116128167B (zh) | 一种基于云计算实时监测的分布式光伏发电分析方法 | |
| CN117318111B (zh) | 一种基于天气预测的光储能源动态调节方法及*** | |
| CN106849064B (zh) | 一种基于气象数据的区域电网负荷预测管理*** | |
| Shendryk et al. | Decision Support System for Efficient Energy Management of MicroGrid with Renewable Energy Sources | |
| CN116937562A (zh) | 分布式光伏接入的电能质量预测方法、装置以及电力*** | |
| CN116756506A (zh) | 区域电缆网络碳排放检测方法、***、装置及存储介质 | |
| CN118232345A (zh) | 一种基于分布式神经网络的储能电站故障诊断*** | |
| Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
| Zhang et al. | Optimization of wind power configuration in distribution network based on scenario clustering and power flow entropy | |
| CN116961061B (zh) | 一种储能设备的控制方法、装置及电子设备 | |
| CN115358495B (zh) | 一种风电功率预测综合偏差率的计算方法 | |
| CN116894568B (zh) | 一种充电桩的碳排放综合管理预测方法及存储介质 | |
| CN117578534B (zh) | 光伏储能***的调度方法、装置、设备及存储介质 | |
| CN117728379A (zh) | 用于区域电网的智能运行调度方法 | |
| CN117235193A (zh) | 一种虚拟电厂多能互补的源荷储优化配置方法 | |
| CN115660890A (zh) | 一种风电功率预测误差的综合评价方法 | |
| CN117595225A (zh) | 一种多能互补新能源电站智慧运维方法、***及设备 | |
| CN117808454A (zh) | 基于数据集成的三相光伏逆变器生命周期管理***及方法 | |
| CN118213970A (zh) | 分布式光伏发电量预测方法及*** | |
| CN115660249A (zh) | 一种风电功率预测误差的综合评价方法 | |
| CN114254500A (zh) | 一种基于数据分区的节点牛顿线损计算方法 | |
| Yu et al. | Advantages of Synchronous Line Loss Checking Based on Multi-Source Data Fusion Theory | |
| Li | Data-Driven Situation Awareness for Power System Frequency Dynamics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication |