System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及资源管理,尤其涉及一种基于深度学习实现ems能量管理的方法及系统。
技术介绍
1、ems是能量管理系统的简称,能量管理系统是一种集软硬件于一体的智能化系统,用于监控、控制和优化能源系统中的能量流动和能源消耗,它基于数据采集、分析和决策支持技术,能够实时监测能源设备的运行状态、能源消耗情况以及环境条件,从而实现对能源的高效管理和优化。
2、现有ems能量管理方法主要步骤为:通过传感器和仪表设备实时监测储能设施中能源的产生、储存和消耗情况,对采集到的数据进行处理和分析,以了解能源的性能表现,通过根据性能表现制定能源的管理方案,但是该方法只是单一的考虑能源的性能情况,没有结合相关设备的设备情况,和设备对能源的使用情况,从而导致ems能量管理的效率降低,因此需要一种能够提高ems能量管理效率的方法。
技术实现思路
1、本专利技术提供一种基于深度学习实现ems能量管理的方法及系统,其主要目的在于提高ems能量的管理效率。
2、为实现上述目的,本专利技术提供的一种基于深度学习实现ems能量管理的方法,包括:
3、获取待管理的能源设备,采集所述能源设备的设备数据和能源数据,对所述能源数据进行聚合处理,得到聚合能源数据,根据所述聚合能源数据,确定所述能源设备对应的能源消耗值;
4、将所述聚合设备数据作为输入数据输入到预先训练好的深度学习模型中,利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取,得到能源数据特征,根据所述
5、根据所述设备数据、所述能源消耗值及所述异常能源,计算所述能源设备对应的设备能耗率,根据所述设备能耗率和所述聚合能源数据,利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比;
6、根据所述异常因素和所述最优分配比,制定所述能源设备的能量优化管理方案,并根据所述能量优化管理方案执行所述能量设备的能量管理,得到管理结果。
7、可选地,所述对所述能源数据进行聚合处理,得到聚合能源数据,包括:
8、对所述能源数据进行数据清洗处理,得到清洗能源数据;
9、计算所述清洗能源数据中每个数据之间的距离,得到数据距离;
10、根据所述数据距离,对所述清洗能源数据进行离散数据剔除处理,得到目标能源数据;
11、提取所述目标能源数据中每个数据对应的数据标识,计算所述数据标识之间的标识关联度;
12、根据所述标识关联度,对所述目标能源数据进行数据聚合处理,得到聚合能源数据。
13、可选地,所述根据所述聚合能源数据,确定所述能源设备对应的能源消耗值,包括:
14、通过下述公式确定所述能源设备对应的能源消耗值:
15、
16、其中,p表示能源设备对应的能源消耗值,t表示能源设备对应的工作周期,表示能源设备的瞬时消耗功率,aeng(t)表示在工作周期内能源设备对应的单位时间内的工作量,beng(t)表示聚合能源数据中的能源在单位时间内的消耗值。
17、可选地,所述利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取,得到能源数据特征,包括:
18、利用所述深度卷积网络中的输入层对所述聚合能源数据进行标准化处理,得到标准能源数据;
19、利用所述深度卷积网络中的卷积层对所述标准能源数据进行特征提取,得到初始数据特征;
20、利用所述深度卷积网络中的池化层对所述初始数据特征进行降维处理,得到降维数据特征;
21、利用所述深度卷积网络中的隐藏层计算所述降维数据特征对应的特征权重;
22、根据所述特征权重,利用所述深度卷积网络中的激活函数计算所述降维数据特征对应的特征状态值;
23、根据所述特征状态值,利用所述深度卷积网络中的输出层从所述降维数据特征中输入所述聚合能源数据对应的特征,得到能源数据特征。
24、可选地,所述根据所述特征权重,利用所述深度卷积网络中的激活函数计算所述降维数据特征对应的特征状态值,包括:
25、所述激活函数的具体计算公式如下:
26、
27、其中,g表示降维数据特征对应的特征状态值,σ表示激活函数,a表示降维数据特征的特征序列号,μ表示降维数据特征的特征数量,ea表示降维数据特征中第a个特征对应的特征向量,fa表示降维数据特征中第a个特征对应的特征权重,d表示激活函数对应的偏置阈值。
28、可选地,所述根据所述能源数据特征,利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源,包括:
29、利用所述异常分析网络中的矩阵函数构建所述能源数据特征对应的特征矩阵,并计算所述特征矩阵对应的矩阵指标值;
30、利用所述异常分析网络中的置信函数计算所述能源数据特征之间的特征置信系数;
31、结合所述特征置信系数和所述矩阵指标值,利用所述异常分析网络中的输出函数从所述能源数据特征输出异常数据特征;
32、根据所述异常数据特征,确定所述能源设备中的异常能源。
33、可选地,所述利用所述异常分析网络中的置信函数计算所述能源数据特征之间的特征置信系数,包括:
34、所述置信函数的具体计算公式如下:
35、
36、其中,h表示能源数据特征之间的特征置信系数,b和b+1分别表示能源数据特征的特征序列号,表示能源数据特征的特征数量,mb表示能源数据特征中第b个特征对应的向量值,mb+1表示能源数据特征中第b+1个特征对应的向量值。
37、可选地,所述根据所述设备数据、所述能源消耗值及所述异常能源,计算所述能源设备对应的设备能耗率,包括:
38、根据所述异常能源,分别对所述设备数据和所述能源消耗值进行异常剔除处理,得到目标设备数据和目标消耗值;
39、从所述目标设备数据中提取出所述能源设备对应的设备参数,根据所述设备参数,确定所述能源设备中每个附属设备对应的设备功率;
40、根据所述设备功率和所述目标消耗值,绘制所述目标附属设备每个设备的设备能耗趋势图;
41、计算所述设备能耗趋势图对应的趋势斜率,对所述趋势斜率进行加权求和,得到所述能源设备对应的设备趋势斜率;
42、根据所述设备趋势斜率,确定所述能源设备对应的设备能耗率。
43、可选地,所述根据所述设备能耗率和所述聚合能源数据,利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比,包括:
44、所述目标函数的具体计算公式如下:
45、
46、其中,n表示能源设备的最优分配比,δd表示聚合能源数据中第d个能源值,d表示聚合能源数据中能源值的序列号,γ表示聚合能源数据中能源值的本文档来自技高网...
【技术保护点】
1.一种基于深度学习实现EMS能量管理的方法,其特征在于,所述方法包括:
2.如权利要求1所述的一种基于深度学习实现EMS能量管理的方法,其特征在于,所述对所述能源数据进行聚合处理,得到聚合能源数据,包括:
3.如权利要求1所述的一种基于深度学习实现EMS能量管理的方法,其特征在于,所述根据所述聚合能源数据,确定所述能源设备对应的能源消耗值,包括:
4.如权利要求1所述的一种基于深度学习实现EMS能量管理的方法,其特征在于,所述利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取,得到能源数据特征,包括:
5.如权利要求4所述的一种基于深度学习实现EMS能量管理的方法,其特征在于,所述根据所述特征权重,利用所述深度卷积网络中的激活函数计算所述降维数据特征对应的特征状态值,包括:
6.如权利要求1所述的一种基于深度学习实现EMS能量管理的方法,其特征在于,所述根据所述能源数据特征,利用所述深度学习模型中的异常分析网络分析出所述能源设备中的异常能源,包括:
7.如权利要求6所述的一种基于深度学习实现
8.如权利要求1所述的一种基于深度学习实现EMS能量管理的方法,其特征在于,所述根据所述设备数据、所述能源消耗值及所述异常能源,计算所述能源设备对应的设备能耗率,包括:
9.如权利要求1所述的一种基于深度学习实现EMS能量管理的方法,其特征在于,所述根据所述设备能耗率和所述聚合能源数据,利用所述深度学习模型中的目标函数确定所述能源设备的最优分配比,包括:
10.一种基于深度学习实现EMS能量管理的系统,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种基于深度学习实现ems能量管理的方法,其特征在于,所述方法包括:
2.如权利要求1所述的一种基于深度学习实现ems能量管理的方法,其特征在于,所述对所述能源数据进行聚合处理,得到聚合能源数据,包括:
3.如权利要求1所述的一种基于深度学习实现ems能量管理的方法,其特征在于,所述根据所述聚合能源数据,确定所述能源设备对应的能源消耗值,包括:
4.如权利要求1所述的一种基于深度学习实现ems能量管理的方法,其特征在于,所述利用所述深度学习模型中的深度卷积网络对所述聚合能源数据进行特征提取,得到能源数据特征,包括:
5.如权利要求4所述的一种基于深度学习实现ems能量管理的方法,其特征在于,所述根据所述特征权重,利用所述深度卷积网络中的激活函数计算所述降维数据特征对应的特征状态值,包括:
6.如权利要求1所述的一种基...
【专利技术属性】
技术研发人员:刘兵,
申请(专利权)人:纳泉智慧能源深圳有限公司,
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。