一种分布式低碳能源站健康状态预警预测方法技术

本发明专利技术公开了一种分布式低碳能源站健康状态预警预测方法，包含分析分布式低碳能源站状态信息，采集分布式低碳能源站状态量数据；运用孤立森林算法对采集的状态量进行检测，筛选出异常的状态量数据；运用随机森林算法对异常的状态量数据进行修正；计算状态变化量，并结合现行状态量，确定分布式低碳能源站的运行状态分类方法；采集分布式低碳能源站的状态变化量、状态量以及运行状态，对广义回归神经网络PSO

【技术实现步骤摘要】
一种分布式低碳能源站健康状态预警预测方法


[0001]本专利技术属于能源系统领域，具体涉及一种分布式低碳能源站健康状态预警预测方法。

技术介绍

[0002]随着“双碳”目标的快速推进，节能减排和低碳高效的理念深入人心。在高效能源利用和低碳环境保护的双重作用之下，能实现能源低碳高效利用的分布式低碳能源站逐渐成为大家的研究重点。对分布式低碳能源站的健康运行状态进行精确的把握，能对分布式低碳能源站的运行起到积极指导作用。
[0003]在健康状态预警预测方面，CN115372852A中提出基于前馈神经网络的蓄电池健康状态预测方法，其通过获取老化特性参数，包括环境温度、开路电压等，进而预测蓄电池的健康状态。CN115153447A中提出了健康状态预测系统，通过对多特征的相关模块，以达到健康状态预测的目的。CN115343621A中考虑数据驱动的作用，提出了一种动力电池的健康状态预测方法。其通过对现有电动力汽车的数据进行处理，确定历史健康数据值与健康特征，达到预测健康的目的。CN114332613A中提出基于遥感影像的农地健康状态预测方法，其通过卫星遥感的支撑，对农地的健康状态进行预测。现有研究多以特定设备为对象，健康状态预测大多以锂电池的健康运行状态为主，对于分布式低碳能源站的健康状态鲜有研究。现有的预测预警方法不能准确的预测，缺乏科学有效的结果。

技术实现思路

[0004]为了解决分布式低碳能源站健康状态预警预测的问题，本专利技术提供了一种分布式低碳能源站健康状态预警预测方法。
[0005]本专利技术提供的分布式能源低碳站健康状态预警预测方法，包含以下步骤：
[0006]步骤S1：分析分布式低碳能源站状态信息，采集分布式低碳能源站状态量数据；
[0007]步骤S2：运用孤立森林算法对采集的状态量进行检测，筛选出异常的状态量数据；
[0008]步骤S3：运用随机森林算法对异常的状态量数据进行修正；
[0009]步骤S4：计算状态变化量，并结合现行状态量，确定分布式低碳能源站的运行状态分类方法；
[0010]步骤S5：采集分布式低碳能源站的状态变化量、状态量以及运行状态，对广义回归神经网络PSO
‑
GRNN模型进行训练；
[0011]步骤S6：根据分布式低碳能源站新生成的状态变化量和状态量，不断修正广义回归神经网络PSO
‑
GRNN模型。
[0012]可选的，步骤S1中所述分布式低碳能源站的状态量包括电网电压、电网频率、气网气压和热网温度。
[0013]可选的，步骤S2包含构建孤立森林，对全部状态量数据进行找寻树，求得最终的孤立森林深度、状态量数据的平均深度，再对树的深度进行标准化处理，检索测试数据，计算
步骤有：
[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表示状态量的数量；c(a)表示二叉树将搜索完成后的平均路径；ξ表示欧拉常数；
[0020]公式2和3中，x表示待检测的状态量的数据值；h(x)表示状态量x在每棵上平均深度；E(h(x))表示对某一特定值的路径长度期望；s(x,a)表示状态量x的异常指数；s(x,a)趋于1则状态量x为异常数据，s(x,a)趋于0则状态量x为正常数据，s(x,a)趋于0.5则状态量x为无明显异常数据。
[0021]可选的，步骤S3具体包含：
[0022](1)将异常状态量作为决策属性，将其他无异常状态量作为特性属性；
[0023](2)从全体状态量样本中运用Bagging方法进行抽取样本，每次取出M个数据作为子数据集，将其作为训练集；
[0024](3)进行K次抽取并训练，可获得K个模型；
[0025](4)K个模型分别对异常状态量进行预测，得到K个预测值，进而对K个预测值取绝对平均值，即可得到异常状态量的修正数据。
[0026]可选的，步骤S4中对所述状态变化量进行标准化处理的公式为：
[0027][0028]式中，d表示状态变化量，U
k
表示k时刻的状态量的数值，U
k+1
表示k+1时刻的状态量的数值，U0表示状态量的额定值。
[0029]可选的，步骤S4中分布式低碳能源站的运行状态分类方法为：
[0030]现行状态量U
k+1
和状态变化量d都均为正常值，则能源站将保持正常状态运行；现行状态量U
k+1
为正常值、状态变化量d为异常值，则能源站将进入临界状态运行；现行状态量U
k+1
和状态变化量d都均为异常值，则能源站将进入紧急状态运行。
[0031]可选的，步骤S5中广义回归神经网络的网络结构包括输入层、模式层、求和层、输出层；
[0032](1)输入层：输入分布式低碳能源站的测试状态量样本，其神经元的个数为8个，包含k0时刻电网电压、电网频率、热网温度、气网气压4个状态量，以及4个状态量分别对应的、k0‑
1时刻与k0时刻之间的状态变化量；
[0033](2)模式层：模式层的神经元个数与状态量训练样本组数保证一致，为M个；各神经元对应不同训练样本，其传递函数为：：
[0034][0035]式中：p
n
为模式层第n个神经元的传递函数；X为网络输入变量；X
m
为第m个训练样本；其径向基函数为高斯函数，δ表示高斯函数标准差，决定其基函数形状，在进行训练学习之前设定，δ为超参数，通过PSO选优算法进行超参数优化；
[0036](3)求和层：该层神经元数目个数样本为5个，求和层分为两个部分，第一个节点输出为模式层的和，其他节点为上一层的输出的加权和；
[0037]第一个节点：
[0038][0039]其他节点：
[0040][0041]公式8和9式中，S1为第一个神经元节点的传递函数；N为模式层共有N个神经元；g
i
为模式层第i个神经元的输出；S
j
为求和层第j个神经元的神经元传递函数；y
ij
表示为模式层第i个神经元对应的第j个元素；
[0042](4)输出层：输出层包含4个神经元，输出量分别为k0+1时刻的电网电压、电网频率、热网温度、气网气压；
[0043]通过预测k0+1时刻的四个状态量，求得k0时刻到k0+1时刻时间的状态变化量，根据所述运行状态分类方法，确定k0+1时刻的分布式低碳能源站的运行状态。
[0044]可选的，步骤S5中进一步包含采用粒子群算法求解的最优解。
[0045]与现有技本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分布式低碳能源站的健康状态预警预测方法，其特征在于，包含以下步骤：步骤S1：分析分布式低碳能源站状态信息，采集分布式低碳能源站状态量数据；步骤S2：运用孤立森林算法对采集的状态量进行检测，筛选出异常的状态量数据；步骤S3：运用随机森林算法对异常的状态量数据进行修正；步骤S4：计算状态变化量，并结合现行状态量，确定分布式低碳能源站的运行状态分类方法；步骤S5：采集分布式低碳能源站的状态变化量、状态量以及运行状态，对广义回归神经网络PSO
‑
GRNN模型进行训练；步骤S6：根据分布式低碳能源站新生成的状态变化量和状态量，不断修正广义回归神经网络PSO
‑
GRNN模型。2.如权利要求1所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S1中所述分布式低碳能源站的状态量包括电网电压、电网频率、气网气压和热网温度。3.如权利要求2所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S2包含构建孤立森林，对全部状态量数据进行找寻树，求得最终的孤立森林深度、状态量数据的平均深度，再对树的深度进行标准化处理，检索测试数据，计算步骤有：标准化处理，检索测试数据，计算步骤有：标准化处理，检索测试数据，计算步骤有：公式1中，a表示状态量的数量；c(a)表示二叉树将搜索完成后的平均路径；ξ表示欧拉常数；公式2和3中，x表示待检测的状态量的数据值；h(x)表示状态量x在每棵上平均深度；E(h(x))表示对某一特定值的路径长度期望；s(x,a)表示状态量x的异常指数；s(x,a)趋于1则状态量x为异常数据，s(x,a)趋于0则状态量x为正常数据，s(x,a)趋于0.5则状态量x为无明显异常数据。4.如权利要求3所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤S3具体包含：(1)将异常状态量作为决策属性，将其他无异常状态量作为特性属性；(2)从全体状态量样本中运用Bagging方法进行抽取样本，每次取出M个数据作为子数据集，将其作为训练集；(3)进行K次抽取并训练，可获得K个模型；(4)K个模型分别对异常状态量进行预测，得到K个预测值，进而对K个预测值取绝对平均值，即可得到异常状态量的修正数据。5.如权利要求4所述的分布式低碳能源站的健康状态预警预测方法，其特征在于，步骤
S4中对所述状态变化量进行标准化处理的公式为：式中，d表示状态变化量，U
k
表示k时刻的...

【专利技术属性】
技术研发人员：张菲菲，王月强，黄冬，徐灏逸，陆忠心，张金荣，王璐，顾治君，鲁涛，赵睿智，姜飞，罗涌恒，易子木，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：