【技术实现步骤摘要】
本专利技术涉及能源监控，具体涉及一种电力能源监控方法及系统。
技术介绍
1、电力能源监控是指通过先进的技术手段实时采集、分析和管理电力系统中的各类数据，以确保电力设备的运行状态、能源消耗情况、设备健康状况等能够得到及时、准确的监测和控制。这一过程通常涉及对电力设备如变压器、配电板、发电机等的电流、电压、功率、温度等数据进行采集，利用智能传感器和物联网技术实现远程监控和预警功能。
2、通过电力能源监控，企业和机构能够对其电力资源的使用效率进行优化，降低能源浪费，减少故障发生，提高能源管理的精确度。这不仅有助于降低运营成本，还能提升电力系统的安全性和可靠性，满足可持续发展的需求。电力能源监控系统的广泛应用，尤其在智能电网、工业自动化以及绿色建筑中，正成为现代能源管理的重要组成部分。
3、现有技术存在以下不足之处：
4、在大规模的电力监控系统中，通常涉及数百甚至数千个传感器和设备，而这些设备之间的数据传输通常需要依赖不同的网络节点进行同步。某些情况下，由于系统配置或传输延迟，可能会出现数据同步错误的情况。例如，某些设备采集的数据未能及时同步到中央监控平台，或是不同设备间的数据时间戳不一致。此外，数据不同步可能导致监控系统无法实时呈现设备的综合状态，使得故障诊断时出现误差，尤其是在高负载或紧急情况下，可能导致无法准确评估电力设备的安全状况，增加事故发生的风险。
技术实现思路
1、本专利技术的目的是提供一种电力能源监控方法及系统，以解决
技术介绍
中不足。p>
2、为了实现上述目的，本专利技术提供如下技术方案：一种电力能源监控方法，包括以下步骤：
3、s1：根据不同电力设备的特性和使用环境，确定需要监控的目标参数，所述目标参数包括变压器的电流、电压、温度和油位，以及配电板的电流、电压和负荷；
4、s2：对若干时间段内获取到的目标参数进行预处理，并对预处理后的目标参数进行特征提取，分别提取目标参数中的电力设备负荷波动率特征以及传感器数据的采样间隔偏差特征；
5、s3：根据提取出的电力设备负荷波动率特征和采样间隔偏差特征，确定各时间段内目标参数的准确性权重赋值，并对各时间段内目标参数的准确性权重赋值进行加权平均计算后得到电力设备之间数据的同步准确性值；
6、s4：将计算得到的电力设备之间数据的同步准确性值与梯度标准阈值进行对比分析，根据分析结果对电力设备之间数据的同步准确性进行划分，将其划分为准确性同步，不完全准确性同步和不准确性同步；
7、s5：对于准确性同步，电力监控系统正常运行，无需进行干预，对于不准确性同步，应立即触发预警信号，同时启动设备自诊断程序，对电力设备进行校准和维护；
8、s6：对于不完全准确性同步，对固定时间段内电力设备之间数据的同步误差严重程度进行预测，若误差严重程度高，则提前降低报警阈值，并采取相应的维护措施。
9、优选的，s2中，对提取出的电力设备负荷波动率特征进行分析后生成电力设备负荷波动率异常指数，电力设备负荷波动率异常指数的获取方法为：
10、从电力设备传感器获取电力设备的电流、电压、温度和负荷波动率，并进行标准化处理，计算标准化后的数据矩阵的协方差矩阵σ：；其中n是样本数量，是数据矩阵的转置，对协方差矩阵σ进行特征值分解，得到特征值和特征向量：；其中是特征向量，是对应的特征值，选择前k个特征向量组成的矩阵，则新的数据表示为：；其中，z是降维后的数据，对降维后的数据z进行逆变换，重建原始数据，即：；重建误差是原始数据与重建数据之间的差异，计算公式为：；其中，是第i个样本的原始数据，根据重建误差的分布，设定一个阈值：；其中，μ(e)是所有重建误差的均值，σ(e)是所有重建误差的标准差，α是一个常数，负荷波动率异常指数定义为样本的重建误差与阈值的比值，表达式为：；其中，qsa为电力设备负荷波动率异常指数。
11、优选的，s2中，对提取出的传感器数据的采样间隔偏差特征进行分析后生成采样间隔偏差指数，采样间隔偏差指数的获取方法为：
12、收集电力设备的采样间隔数据，设定采样间隔数据为x(t)，其中t是时间序列，x(t)表示采样间隔，选择daubechies小波，对采样间隔数据进行多层小波分解，得到低频分量和高频分量，表达式为：；其中，和分别是低频和高频分量，和分别是低频和高频的小波基函数，计算每一尺度的高频分量，使用反向小波变换将低频部分和高频部分的系数重建回采样间隔信号，计算重建信号与原始信号之间的误差，作为采样间隔偏差的重建信号，是通过反小波变换得到的重建信号；计算原始信号x(t)与重建信号之间的差异，表达式为：；对每个时间点的误差进行求和，得到采样间隔偏差指数，表达式为：；其中，n是数据点的总数，和分别是原始信号和重建信号的第i个采样点，bvb为采样间隔偏差指数。
13、优选的，s3中，根据提取出的电力设备负荷波动率特征和采样间隔偏差特征，确定各时间段内目标参数的准确性权重赋值，具体为：
14、将电力设备负荷波动率异常指数和采样间隔偏差指数转换为综合特征向量，将综合特征向量作为机器学习模型的输入，机器学习模型以每组综合特征向量预测各时间段内目标参数的准确性权重赋值标签为预测目标，以最小化对所有各时间段内目标参数的准确性权重赋值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定各时间段内目标参数的准确性权重赋值，其中，机器学习模型为多项式回归模型，并对各时间段内目标参数的准确性权重赋值进行加权平均计算后得到电力设备之间数据的同步准确性值。
15、优选的，s4中，将计算得到的电力设备之间数据的同步准确性值与梯度标准阈值进行对比分析，具体为：
16、将获取到的电力设备之间数据的同步准确性值与梯度标准阈值进行比较，梯度标准阈值包括第一标准阈值和第二标准阈值，且第一标准阈值小于第二标准阈值，将电力设备之间数据的同步准确性值分别与第一标准阈值和第二标准阈值进行对比；
17、若电力设备之间数据的同步准确性值大于第二标准阈值，说明电力设备之间数据的同步准确性高，此时生成高准确性同步信号，并将电力设备之间数据的同步准确性划分为准确性同步；
18、若电力设备之间数据的同步准确性值大于等于第一标准阈值且小于等于第二标准阈值，说明电力设备之间数据的同步准确性一般，此时生成中准确性同步信号，并将电力设备之间数据的同步准确性划分为不完全准确性同步；
19、若电力设备之间数据的同步准确性值小于第一标准阈值，说明电力设备之间数据的同步准确性低，此时生成低准确性同步信号，并将电力设备之间数据的同步准确性划分为不准确性同步。
20、优选的，s6中，对于不完全准确性同步，对固定时间段内电力设备之间数据的同步误差严重程度进行预测，具体为：
21、对于不完全准确性同步，即在固定时间段内生成的电力设备之间数据的同步准确性本文档来自技高网...
【技术保护点】
1.一种电力能源监控方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种电力能源监控方法，其特征在于：S2中，对提取出的电力设备负荷波动率特征进行分析后生成电力设备负荷波动率异常指数，电力设备负荷波动率异常指数的获取方法为：
3.根据权利要求2所述的一种电力能源监控方法，其特征在于：S2中，对提取出的传感器数据的采样间隔偏差特征进行分析后生成采样间隔偏差指数，采样间隔偏差指数的获取方法为：
4.根据权利要求3所述的一种电力能源监控方法，其特征在于：S3中，根据提取出的电力设备负荷波动率特征和采样间隔偏差特征，确定各时间段内目标参数的准确性权重赋值，具体为：
5.根据权利要求4所述的一种电力能源监控方法，其特征在于：S4中，将计算得到的电力设备之间数据的同步准确性值与梯度标准阈值进行对比分析，具体为：
6.根据权利要求1所述的一种电力能源监控方法，其特征在于：S6中，对于不完全准确性同步，对固定时间段内电力设备之间数据的同步误差严重程度进行预测，具体为：
7.根据权利要求6所述的一种电力能源监控方法，
8.一种电力能源监控系统，用于实现权利要求1-7任一项所述的一种电力能源监控方法，其特征在于：包括数据采集模块、特征提取模块、同步准确性值计算模块、同步准确性划分模块，预警与故障诊断模块以及动态调整模块；
...【技术特征摘要】
1.一种电力能源监控方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种电力能源监控方法，其特征在于：s2中，对提取出的电力设备负荷波动率特征进行分析后生成电力设备负荷波动率异常指数，电力设备负荷波动率异常指数的获取方法为：
3.根据权利要求2所述的一种电力能源监控方法，其特征在于：s2中，对提取出的传感器数据的采样间隔偏差特征进行分析后生成采样间隔偏差指数，采样间隔偏差指数的获取方法为：
4.根据权利要求3所述的一种电力能源监控方法，其特征在于：s3中，根据提取出的电力设备负荷波动率特征和采样间隔偏差特征，确定各时间段内目标参数的准确性权重赋值，具体为：
5.根据权利要求4所述的一种电力能源监控方法，其特征在于：s4中，将计算得到的电力设备之间...
【专利技术属性】
技术研发人员：胥鸣，牛守祥，杨小波，
申请(专利权)人：深圳市吉斯凯达智慧科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。