技术新讯 > 计算推算,计数设备的制造及其应用技术 > 高效综合能源站AI智慧管理系统的制作方法  >  正文

高效综合能源站AI智慧管理系统的制作方法

  • 国知局
  • 2024-08-05 12:14:14

本发明涉及能源站管理系统领域,更具体地说,本发明涉及高效综合能源站ai智慧管理系统。

背景技术:

1、能源站作为能源供应的核心枢纽,承担着向各类用户持续稳定供应能源的重要使命。这些能源站通常涵盖了广泛的能源类型,包括但不限于电力、热能、冷能等。其中,供热和供冷作为保障居民生活质量和工业生产需求的基础设施。因此,确保能源站高效、可靠地提供热能和冷能成为了能源管理的重点。

2、现有的能源站在进行能源调控时,普遍采用基于传感器测量数据的反馈调节机制。这种机制通过实时监测能源站运行时的数据,以此作为调节设备运行的依据,以期达到供能的最优化。然而,传感器测量的数据可能会因为多种因素出现异常,如传感器自身的故障、安装位置的不当、外部环境的干扰等。在现有技术中,对于这些异常数据的常见处理方法是直接删除这些异常值,并采用插值、平均等方法对缺失的数据进行替代,以尽量减少异常数据对能源调控的影响。这种方法,没有对异常数据的来源进行有效区分,无法区别是传感器故障还是能源站设备本身的问题导致的数据异常,这可能导致能源站在面对真正的设备故障时反应迟缓,无法及时采取有效措施,进而影响能源供应的稳定性和安全性。另外,简单地删除异常值并用其他数据替代,虽然能在一定程度上维持数据的连续性,但是降低了数据的准确性。

技术实现思路

1、为了克服现有技术无法区别是传感器故障还是能源站设备本身的问题导致的数据异常,可能导致能源站在面对真正的设备故障时反应迟缓,无法及时采取有效措施,进而影响能源供应的稳定性和安全性的问题,本发明提出了高效综合能源站ai智慧管理系统,用于解决上述问题。

2、本发明提供如下技术方案:

3、高效综合能源站ai智慧管理系统,包括:

4、参考库模块,用于获取与各种故障对应的故障数据序列,并建立参考库存储故障数据序列,所述故障数据序列由故障发生时最近的若干供能数据组成;

5、供能需求模块,用于获取每个末端设备的末端参数,根据末端参数获取末端设备的供能需求量,计算所有末端设备的供能需求量之和作为能源站的目标供能量;

6、控制方式模块,用于获取能源机组处的天气数据,根据目标供能量和天气数据,使用预先训练好的智能控制方案模型获取控制方式集,所述控制方式集存储有控制方式,所述控制方式与能源站的设备对应;

7、运行监测模块,用于实时采集并监测能源站的供能数据,当监测到供能数据超出预设正常区间时,分析供能数据超出预设正常区间是否由故障引起,若否,则修正供能数据,若是,则发出故障警报;

8、运行修正模块,用于根据供能数据获取实际供能量,根据实际供能量与目标供能量调控能源站的设备运行。

9、优选的,所述供能数据包括质量流量、输出温度和回流温度;所述质量流量通过在管道中的质量流量计在时间内测得;所述输出温度通过在主机输出口与管道的连接处的温度传感器在时间内测得;所述回流温度通过在主机输入口与管道的连接处的温度传感器在时间内测得;其中,为预设的测量时间。

10、优选的,所述末端参数包括静态参数和动态参数,所述静态参数包括建筑热损失系数、建筑体积和建筑外墙面积;所述动态参数包括室内温度、室外温度和设定温度;所述末端设备的供能需求量是通过将预计需求量与预计损失量相加来获取的;预计需求量的计算公式为:

11、;

12、式中,表示预计需求量,表示建筑体积,表示空气密度,表示空气比热容,表示设定温度,表示室内温度;

13、预计损失量的计算公式为:

14、;

15、式中,表示预计损失量,表示建筑热损失系数,表示建筑外墙面积,表示室外温度,表示预设的计划用时。

16、优选的,所述智能控制方案模型的训练过程包括:

17、获取学习数据集,并将学习数据集按照预设的比例,划分为训练集和验证集;

18、使用全连接神经网络作为基础框架,设定激活函数、全连接神经网络的层级结构和每层的神经元数量,构建机器学习模型作为智能控制方案模型;

19、设定智能控制方案模型超参数、随机设定智能控制方案模型的权重和偏差值,将训练集中的天气数据和目标值输入到智能控制方案模型中,通过反向传播算法计算智能控制方案模型的权重和偏差的梯度;

20、利用优化器根据智能控制方案模型的权重和偏差的梯度,来更新智能控制方案模型中的权重和偏差;

21、将验证集的数据输入到智能控制方案模型中,计算智能控制方案模型的决定系数,当决定系数满足设定时完成对智能控制方案模型的训练。

22、优选的,所述获取学习数据集包括:

23、设定一个目标值;

24、监测能源站是否能在计划用时内输出达到目标值的能量;

25、若是,则获取能源站各设备的控制方式组成控制方式集、同时获取对应的电量消耗和天气数据;

26、选取其中电量消耗最低的控制方式集和对应的天气数据,与目标值组成一条学习数据;

27、通过设定不同的目标值得到多条学习数据,组成学习数据集。

28、优选的,分析供能数据超出预设正常区间是否由故障引起的步骤包括:

29、获取最近的若干供能数据,并按时间顺序排序得到实时数据序列;

30、判断参考库中是否有与实时数据序列匹配的故障数据序列;

31、若是,则判断供能数据超出预设正常区间是由故障引起;

32、若否,则判断供能数据超出预设正常区间不是由故障引起。

33、优选的,所述判断参考库中是否有与实时数据序列匹配的故障数据序列的步骤包括:

34、计算实时数据序列与参考库中每个故障数据序列的序列相似度;

35、获取计算出的序列相似度中的最大值记为最大相似度;

36、判断最大相似度与预设的相似度阈值间的关系,若最大相似度大于预设的相似度阈值,则判断参考库中有与实时数据序列匹配的故障数据序列;

37、否则,断参考库中无与实时数据序列匹配的故障数据序列;

38、所述序列相似度的计算步骤包括:

39、获取实时数据序列和故障数据序列;

40、创建一个大小为的成本矩阵,其中,为实时数据序列的元素数量,为故障数据序列元素数量;

41、初始化成本矩阵中每个元素的值为实时数据序列的第个数据与故障数据序列的第个数据的欧式距离;

42、从成本矩阵的左上角元素开始,构建到矩阵右下角元素的最短路径,所述最短路径为从左上角元素到右下角元素经过的所有元素之和最小的路径;

43、获取最短路径中所有矩阵元素的和并进行归一化后得到第一相似度;

44、计算实时数据序列中相邻元素间的变化率得到第一变化序列,计算故障数据序列中相邻元素间的变化率得到第二变化序列;

45、计算第一变化序列与第二变化序列间的余弦相似度得到第二相似度;

46、使用第一相似度与第二相似度加权求和后得到序列相似度。

47、优选的,所述修正供能数据的步骤包括:

48、获取实时数据序列,移除实时数据序列的末位元素,形成修正序列;

49、计算修正序列中相邻元素间的变化率得到修正变化序列;

50、遍历修正变化序列,记录修正变化序列中元素值的正负变化的次数;

51、判断正负变化次数是否大于预设的变化阈值;

52、若否,则使用修正变化序列中元素的平均值作为修正率;

53、若是,则根据正负变化次数获取修正率;

54、使用修正序列中最后一个元素乘以修正率得到修正值,使用修正值作为供能数据完成对供能数据的修正。

55、优选的,所述根据正负变化次数获取修正率包括:

56、使用修正变化序列的元素数量除以正负变化次数,得到变化步长;

57、从修正变化序列最后一个元素开始向前遍历,直至与最后一个元素正负号不同的元素为止,计算在此过程中遍历的元素总数;

58、若元素总数大于或等于变化步长,则计算所有与修正变化序列中与最后一个元素正负号不同元素的平均值作为修正率;否则,计算所有与修正变化序列中与最后一个元素正负号相同元素的平均值作为修正率。

59、优选的,所述根据供能数据获取实际供能量的方式为:

60、使用公式,计算实际供能量;

61、式中,表示实际供能量,表示质量流量,表示热交换介质的比热容,表示输出温度,表示回流温度;

62、所述根据实际供能量与目标供能量调控能源站的设备运行的方式为反馈式控制方法。

63、本发明提供了高效综合能源站ai智慧管理系统,具备以下有益效果:

64、1、在发现异常数据时,通过对实时数据序列与参考库中的故障数据序列进行分析,能够判断这些异常是否是能源站设备本身问题引起;这种方法能够确保能源站在遇到设备故障时能够迅速准确地做出反应,及时调整运行策略或进行维修,大大提高了能源供应的稳定性和安全性。

65、2、通过对实时数据序列中的数据进行分析,计算修正变化序列,并根据变化序列中的变化率以及正负变化次数来智能获取修正率,根据修正率修正数据,不仅保持了数据的连续性,还提高了数据的准确性,为后续的能源调控提供了更为精确的依据,从而提升了整个能源站的运行效率。

本文地址:https://www.jishuxx.com/zhuanli/20240802/261717.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。