一種分布式低碳能源站健康狀態(tài)預(yù)警預(yù)測方法技術(shù)

本發(fā)明專利技術(shù)公開了一種分布式低碳能源站健康狀態(tài)預(yù)警預(yù)測方法，包含分析分布式低碳能源站狀態(tài)信息，采集分布式低碳能源站狀態(tài)量數(shù)據(jù)；運(yùn)用孤立森林算法對采集的狀態(tài)量進(jìn)行檢測，篩選出異常的狀態(tài)量數(shù)據(jù)；運(yùn)用隨機(jī)森林算法對異常的狀態(tài)量數(shù)據(jù)進(jìn)行修正；計(jì)算狀態(tài)變化量，并結(jié)合現(xiàn)行狀態(tài)量，確定分布式低碳能源站的運(yùn)行狀態(tài)分類方法；采集分布式低碳能源站的狀態(tài)變化量、狀態(tài)量以及運(yùn)行狀態(tài)，對廣義回歸神經(jīng)網(wǎng)絡(luò)PSO

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種分布式低碳能源站健康狀態(tài)預(yù)警預(yù)測方法


[0001]本專利技術(shù)屬于能源系統(tǒng)領(lǐng)域，具體涉及一種分布式低碳能源站健康狀態(tài)預(yù)警預(yù)測方法。

技術(shù)介紹

[0002]隨著“雙碳”目標(biāo)的快速推進(jìn)，節(jié)能減排和低碳高效的理念深入人心。在高效能源利用和低碳環(huán)境保護(hù)的雙重作用之下，能實(shí)現(xiàn)能源低碳高效利用的分布式低碳能源站逐漸成為大家的研究重點(diǎn)。對分布式低碳能源站的健康運(yùn)行狀態(tài)進(jìn)行精確的把握，能對分布式低碳能源站的運(yùn)行起到積極指導(dǎo)作用。
[0003]在健康狀態(tài)預(yù)警預(yù)測方面，CN115372852A中提出基于前饋神經(jīng)網(wǎng)絡(luò)的蓄電池健康狀態(tài)預(yù)測方法，其通過獲取老化特性參數(shù)，包括環(huán)境溫度、開路電壓等，進(jìn)而預(yù)測蓄電池的健康狀態(tài)。CN115153447A中提出了健康狀態(tài)預(yù)測系統(tǒng)，通過對多特征的相關(guān)模塊，以達(dá)到健康狀態(tài)預(yù)測的目的。CN115343621A中考慮數(shù)據(jù)驅(qū)動(dòng)的作用，提出了一種動(dòng)力電池的健康狀態(tài)預(yù)測方法。其通過對現(xiàn)有電動(dòng)力汽車的數(shù)據(jù)進(jìn)行處理，確定歷史健康數(shù)據(jù)值與健康特征，達(dá)到預(yù)測健康的目的。CN114332613A中提出基于遙感影像的農(nóng)地健康狀態(tài)預(yù)測方法，其通過衛(wèi)星遙感的支撐，對農(nóng)地的健康狀態(tài)進(jìn)行預(yù)測。現(xiàn)有研究多以特定設(shè)備為對象，健康狀態(tài)預(yù)測大多以鋰電池的健康運(yùn)行狀態(tài)為主，對于分布式低碳能源站的健康狀態(tài)鮮有研究。現(xiàn)有的預(yù)測預(yù)警方法不能準(zhǔn)確的預(yù)測，缺乏科學(xué)有效的結(jié)果。

技術(shù)實(shí)現(xiàn)思路

[0004]為了解決分布式低碳能源站健康狀態(tài)預(yù)警預(yù)測的問題，本專利技術(shù)提供了一種分布式低碳能源站健康狀態(tài)預(yù)警預(yù)測方法。
[0005]本專利技術(shù)提供的分布式能源低碳站健康狀態(tài)預(yù)警預(yù)測方法，包含以下步驟：
[0006]步驟S1：分析分布式低碳能源站狀態(tài)信息，采集分布式低碳能源站狀態(tài)量數(shù)據(jù)；
[0007]步驟S2：運(yùn)用孤立森林算法對采集的狀態(tài)量進(jìn)行檢測，篩選出異常的狀態(tài)量數(shù)據(jù)；
[0008]步驟S3：運(yùn)用隨機(jī)森林算法對異常的狀態(tài)量數(shù)據(jù)進(jìn)行修正；
[0009]步驟S4：計(jì)算狀態(tài)變化量，并結(jié)合現(xiàn)行狀態(tài)量，確定分布式低碳能源站的運(yùn)行狀態(tài)分類方法；
[0010]步驟S5：采集分布式低碳能源站的狀態(tài)變化量、狀態(tài)量以及運(yùn)行狀態(tài)，對廣義回歸神經(jīng)網(wǎng)絡(luò)PSO
?
GRNN模型進(jìn)行訓(xùn)練；
[0011]步驟S6：根據(jù)分布式低碳能源站新生成的狀態(tài)變化量和狀態(tài)量，不斷修正廣義回歸神經(jīng)網(wǎng)絡(luò)PSO
?
GRNN模型。
[0012]可選的，步驟S1中所述分布式低碳能源站的狀態(tài)量包括電網(wǎng)電壓、電網(wǎng)頻率、氣網(wǎng)氣壓和熱網(wǎng)溫度。
[0013]可選的，步驟S2包含構(gòu)建孤立森林，對全部狀態(tài)量數(shù)據(jù)進(jìn)行找尋樹，求得最終的孤立森林深度、狀態(tài)量數(shù)據(jù)的平均深度，再對樹的深度進(jìn)行標(biāo)準(zhǔn)化處理，檢索測試數(shù)據(jù)，計(jì)算
步驟有：
[0014][0015][0016]E(h(x))
→
0,s(x,a)
→
1； (3)
[0017]E(h(x))
→
a
?
1,s(x,a)
→
0；
[0018]E(h(x))
→
c(a),s(x,a)
→
0.5
[0019]公式1中，a表示狀態(tài)量的數(shù)量；c(a)表示二叉樹將搜索完成后的平均路徑；ξ表示歐拉常數(shù)；
[0020]公式2和3中，x表示待檢測的狀態(tài)量的數(shù)據(jù)值；h(x)表示狀態(tài)量x在每棵上平均深度；E(h(x))表示對某一特定值的路徑長度期望；s(x,a)表示狀態(tài)量x的異常指數(shù)；s(x,a)趨于1則狀態(tài)量x為異常數(shù)據(jù)，s(x,a)趨于0則狀態(tài)量x為正常數(shù)據(jù)，s(x,a)趨于0.5則狀態(tài)量x為無明顯異常數(shù)據(jù)。
[0021]可選的，步驟S3具體包含：
[0022](1)將異常狀態(tài)量作為決策屬性，將其他無異常狀態(tài)量作為特性屬性；
[0023](2)從全體狀態(tài)量樣本中運(yùn)用Bagging方法進(jìn)行抽取樣本，每次取出M個(gè)數(shù)據(jù)作為子數(shù)據(jù)集，將其作為訓(xùn)練集；
[0024](3)進(jìn)行K次抽取并訓(xùn)練，可獲得K個(gè)模型；
[0025](4)K個(gè)模型分別對異常狀態(tài)量進(jìn)行預(yù)測，得到K個(gè)預(yù)測值，進(jìn)而對K個(gè)預(yù)測值取絕對平均值，即可得到異常狀態(tài)量的修正數(shù)據(jù)。
[0026]可選的，步驟S4中對所述狀態(tài)變化量進(jìn)行標(biāo)準(zhǔn)化處理的公式為：
[0027][0028]式中，d表示狀態(tài)變化量，U
k
表示k時(shí)刻的狀態(tài)量的數(shù)值，U
k+1
表示k+1時(shí)刻的狀態(tài)量的數(shù)值，U0表示狀態(tài)量的額定值。
[0029]可選的，步驟S4中分布式低碳能源站的運(yùn)行狀態(tài)分類方法為：
[0030]現(xiàn)行狀態(tài)量U
k+1
和狀態(tài)變化量d都均為正常值，則能源站將保持正常狀態(tài)運(yùn)行；現(xiàn)行狀態(tài)量U
k+1
為正常值、狀態(tài)變化量d為異常值，則能源站將進(jìn)入臨界狀態(tài)運(yùn)行；現(xiàn)行狀態(tài)量U
k+1
和狀態(tài)變化量d都均為異常值，則能源站將進(jìn)入緊急狀態(tài)運(yùn)行。
[0031]可選的，步驟S5中廣義回歸神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括輸入層、模式層、求和層、輸出層；
[0032](1)輸入層：輸入分布式低碳能源站的測試狀態(tài)量樣本，其神經(jīng)元的個(gè)數(shù)為8個(gè)，包含k0時(shí)刻電網(wǎng)電壓、電網(wǎng)頻率、熱網(wǎng)溫度、氣網(wǎng)氣壓4個(gè)狀態(tài)量，以及4個(gè)狀態(tài)量分別對應(yīng)的、k0?
1時(shí)刻與k0時(shí)刻之間的狀態(tài)變化量；
[0033](2)模式層：模式層的神經(jīng)元個(gè)數(shù)與狀態(tài)量訓(xùn)練樣本組數(shù)保證一致，為M個(gè)；各神經(jīng)元對應(yīng)不同訓(xùn)練樣本，其傳遞函數(shù)為：：
[0034][0035]式中：p
n
為模式層第n個(gè)神經(jīng)元的傳遞函數(shù)；X為網(wǎng)絡(luò)輸入變量；X
m
為第m個(gè)訓(xùn)練樣本；其徑向基函數(shù)為高斯函數(shù)，δ表示高斯函數(shù)標(biāo)準(zhǔn)差，決定其基函數(shù)形狀，在進(jìn)行訓(xùn)練學(xué)習(xí)之前設(shè)定，δ為超參數(shù)，通過PSO選優(yōu)算法進(jìn)行超參數(shù)優(yōu)化；
[0036](3)求和層：該層神經(jīng)元數(shù)目個(gè)數(shù)樣本為5個(gè)，求和層分為兩個(gè)部分，第一個(gè)節(jié)點(diǎn)輸出為模式層的和，其他節(jié)點(diǎn)為上一層的輸出的加權(quán)和；
[0037]第一個(gè)節(jié)點(diǎn)：
[0038][0039]其他節(jié)點(diǎn)：
[0040][0041]公式8和9式中，S1為第一個(gè)神經(jīng)元節(jié)點(diǎn)的傳遞函數(shù)；N為模式層共有N個(gè)神經(jīng)元；g
i
為模式層第i個(gè)神經(jīng)元的輸出；S
j
為求和層第j個(gè)神經(jīng)元的神經(jīng)元傳遞函數(shù)；y
ij
表示為模式層第i個(gè)神經(jīng)元對應(yīng)的第j個(gè)元素；
[0042](4)輸出層：輸出層包含4個(gè)神經(jīng)元，輸出量分別為k0+1時(shí)刻的電網(wǎng)電壓、電網(wǎng)頻率、熱網(wǎng)溫度、氣網(wǎng)氣壓；
[0043]通過預(yù)測k0+1時(shí)刻的四個(gè)狀態(tài)量，求得k0時(shí)刻到k0+1時(shí)刻時(shí)間的狀態(tài)變化量，根據(jù)所述運(yùn)行狀態(tài)分類方法，確定k0+1時(shí)刻的分布式低碳能源站的運(yùn)行狀態(tài)。
[0044]可選的，步驟S5中進(jìn)一步包含采用粒子群算法求解的最優(yōu)解。
[0045]與現(xiàn)有技本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】

【技術(shù)特征摘要】
1.一種分布式低碳能源站的健康狀態(tài)預(yù)警預(yù)測方法，其特征在于，包含以下步驟：步驟S1：分析分布式低碳能源站狀態(tài)信息，采集分布式低碳能源站狀態(tài)量數(shù)據(jù)；步驟S2：運(yùn)用孤立森林算法對采集的狀態(tài)量進(jìn)行檢測，篩選出異常的狀態(tài)量數(shù)據(jù)；步驟S3：運(yùn)用隨機(jī)森林算法對異常的狀態(tài)量數(shù)據(jù)進(jìn)行修正；步驟S4：計(jì)算狀態(tài)變化量，并結(jié)合現(xiàn)行狀態(tài)量，確定分布式低碳能源站的運(yùn)行狀態(tài)分類方法；步驟S5：采集分布式低碳能源站的狀態(tài)變化量、狀態(tài)量以及運(yùn)行狀態(tài)，對廣義回歸神經(jīng)網(wǎng)絡(luò)PSO
?
GRNN模型進(jìn)行訓(xùn)練；步驟S6：根據(jù)分布式低碳能源站新生成的狀態(tài)變化量和狀態(tài)量，不斷修正廣義回歸神經(jīng)網(wǎng)絡(luò)PSO
?
GRNN模型。2.如權(quán)利要求1所述的分布式低碳能源站的健康狀態(tài)預(yù)警預(yù)測方法，其特征在于，步驟S1中所述分布式低碳能源站的狀態(tài)量包括電網(wǎng)電壓、電網(wǎng)頻率、氣網(wǎng)氣壓和熱網(wǎng)溫度。3.如權(quán)利要求2所述的分布式低碳能源站的健康狀態(tài)預(yù)警預(yù)測方法，其特征在于，步驟S2包含構(gòu)建孤立森林，對全部狀態(tài)量數(shù)據(jù)進(jìn)行找尋樹，求得最終的孤立森林深度、狀態(tài)量數(shù)據(jù)的平均深度，再對樹的深度進(jìn)行標(biāo)準(zhǔn)化處理，檢索測試數(shù)據(jù)，計(jì)算步驟有：標(biāo)準(zhǔn)化處理，檢索測試數(shù)據(jù)，計(jì)算步驟有：標(biāo)準(zhǔn)化處理，檢索測試數(shù)據(jù)，計(jì)算步驟有：公式1中，a表示狀態(tài)量的數(shù)量；c(a)表示二叉樹將搜索完成后的平均路徑；ξ表示歐拉常數(shù)；公式2和3中，x表示待檢測的狀態(tài)量的數(shù)據(jù)值；h(x)表示狀態(tài)量x在每棵上平均深度；E(h(x))表示對某一特定值的路徑長度期望；s(x,a)表示狀態(tài)量x的異常指數(shù)；s(x,a)趨于1則狀態(tài)量x為異常數(shù)據(jù)，s(x,a)趨于0則狀態(tài)量x為正常數(shù)據(jù)，s(x,a)趨于0.5則狀態(tài)量x為無明顯異常數(shù)據(jù)。4.如權(quán)利要求3所述的分布式低碳能源站的健康狀態(tài)預(yù)警預(yù)測方法，其特征在于，步驟S3具體包含：(1)將異常狀態(tài)量作為決策屬性，將其他無異常狀態(tài)量作為特性屬性；(2)從全體狀態(tài)量樣本中運(yùn)用Bagging方法進(jìn)行抽取樣本，每次取出M個(gè)數(shù)據(jù)作為子數(shù)據(jù)集，將其作為訓(xùn)練集；(3)進(jìn)行K次抽取并訓(xùn)練，可獲得K個(gè)模型；(4)K個(gè)模型分別對異常狀態(tài)量進(jìn)行預(yù)測，得到K個(gè)預(yù)測值，進(jìn)而對K個(gè)預(yù)測值取絕對平均值，即可得到異常狀態(tài)量的修正數(shù)據(jù)。5.如權(quán)利要求4所述的分布式低碳能源站的健康狀態(tài)預(yù)警預(yù)測方法，其特征在于，步驟
S4中對所述狀態(tài)變化量進(jìn)行標(biāo)準(zhǔn)化處理的公式為：式中，d表示狀態(tài)變化量，U
k
表示k時(shí)刻的...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張菲菲，王月強(qiáng)，黃冬，徐灝逸，陸忠心，張金榮，王璐，顧治君，魯濤，趙睿智，姜飛，羅涌恒，易子木，
申請(專利權(quán))人：長沙理工大學(xué)，
類型：發(fā)明
國別省市：