【技术实现步骤摘要】
本专利技术属于能源远程运维，具体涉及一种用于多端口综合能源系统的云端协同主动运维方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、模块化综合能源系统发展迅速、拥有不同的厂商提供电子设备。但目前面临电子设备运维成本高、可供运维人员不足、电子设备严重老化等，现有运维具有运维成本高、不能主动运维、无法及时处理故障电子设备、以及设备故障识别精确度不够高、光伏风电以及用户一体机出力情况无法精准预测、传输的实时数据加密速度相对较慢、对传输的数据清洗依赖于人工专家经验、造成人力资源浪费等问题。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种用于多端口综合能源系统的云端协同主动运维方法及系统，利用改进的ceemdan-pso-svm模型实现对多端口综合能源系统各个设备进行实时故障识别，并主动生成运维工作清单且提高了故障识别精确度。利用改进的ceemdan-ga-lstm预测模型，实现对多端口综合能源系统的风电出力、光伏出力以及用户一体机出力精确预测，利用非支配排序粒子群算法主动得出多端口综合能源系统的能源分配计划，最终能够实现对多端口综合能源系统的实时主动运维。
2、根据一些实施例，本专利技术的第一方案提供了一种用于多端口综合能源系统的云端协同主动运维方法，采用如下技术方案：
3、用于多端口综合能源系统的云端协同主动运维方法，包括：
4、获取多端口综合能源系统各个终端设备的运行数据
5、基于终端设备的运行数据进行数据清洗并传输给云端服务器；
6、云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的粒子群优化的设备故障识别模型进行故障识别，并基于故障识别结果生成设备运维计划；
7、云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的遗传算法优化的回归预测模型预测多端口综合能源系统的能源出力情况，并结合历史数据、能源价格及激励信息利用非支配排序的粒子群算法进行多端口综合能源系统能源的分配方式进行优化。
8、进一步地，所述获取多端口综合能源系统各个终端设备的运行数据，包括：
9、采集用户一体机的光照强度、温湿度、储能的soc状态、时间、温度、风速、光伏开路电压、短路电流、最大功率点电压 、最大功率点电流、内部储能的表面温度、内部储能电压、内部储能电流以及天气数据；
10、采集光伏设备周围环境的温湿度、光照强度、开路电压、短路电流、最大功率点电压 、最大功率点电流、时间、太阳高度角和方位角、时间以及天气数据；
11、采集风电机组设备的输出功率、转子转速、风速、齿轮箱油温如齿轮箱温度、变压器油温和油压数据、温湿度、风向以及天气数据；
12、采集储能设备周围环境温湿度、电压、电流、储能的最大soc、最小soc、以及实时soc状态以及天气数据。
13、进一步地，所述基于终端设备的运行数据进行数据清洗并传输给云端服务器，包括：
14、将终端设备的运行数据进行整理，采用降噪自编码器对采集到的数据进行清洗；
15、将清洗过的终端设备的运行数据利用rsa与aes结合的安全套接层协议进行加密传输；
16、将加密后的终端设备的运行数据利用冗余备份，并利用流式传输江加密后的终端设备的运行数据传输给云端服务器。
17、进一步地，所述云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的粒子群优化的设备故障识别模型进行故障识别，并基于故障识别结果生成设备运维计划，具体为：
18、对清洗后的终端设备的运行数据归一化处理；
19、利用信号分解方法对归一化后的终端设备运行数据进行降噪处理，利用降噪后的终端设备运行数据依靠粒子群优化后的设备故障识别模型，进行故障识别；
20、根据故障识别模型识别结果，主动生成运维计划工作清单，通知运维人员进行设备维修。
21、进一步地，所述云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的遗传算法优化的回归预测模型预测多端口综合能源系统的能源出力情况，包括：
22、对清洗后的终端设备的运行数据归一化处理并通过完全集合经验模态分解方法进行分解，分解为不同的imf；
23、对不同的imf利用遗传算法优化的回归预测模型分别预测，最终将各个imf的预测进行相加，最终得到光伏、风电、用户一体机的预测出力情况；
24、根据光伏、风电、用户一体机出力预测情况，设置综合能源系统的各个参数，初始化粒子群生成初始解；
25、对当前种群进行潮流计算，计算出经济目标以及环保目标函数值，利用小生境技术找到全局最优解；
26、更新粒子的位置和速度，对子代种群潮流计算，并求得各个目标函数值，将父代与子代形成混合种群，进行非支配排序，选择下一代种群，并判断是否负荷终止条件；
27、若不满足，则返回求解过程；否则输出多端口综合能源系统能源分配计划。
28、进一步地，对清洗后的终端设备的运行数据归一化处理并通过完全集合经验模态分解方法进行分解，分解为不同的imf，包括：
29、将风速、风向、时间、天气、温度、湿度、光照强度、太阳高度角和方位角、历史光伏输出功率、历史风电输出功率、历史用户一体机输出功率作为特征向量，利用完全集合经验模态分解方法对数据进行分解，分解为不同的imf。
30、根据一些实施例，本专利技术的第二方案提供了一种用于多端口综合能源系统的云端协同主动运维系统，采用如下技术方案：
31、用于多端口综合能源系统的云端协同主动运维系统，包括：
32、设备感知模块，用于获取多端口综合能源系统各个终端设备的运行数据；
33、数据清洗与传输模块，用于基于终端设备的运行数据进行数据清洗并传输给云端服务器；
34、云端计算服务模块，用于云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的粒子群优化的设备故障识别模型进行故障识别，并基于故障识别结果生成设备运维计划；
35、云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的遗传算法优化的回归预测模型预测多端口综合能源系统的能源出力情况，并结合历史数据、能源价格及激励信息利用非支配排序的粒子群算法进行多端口综合能源系统能源的分配方式进行优化。
36、进一步地，所述设备感知模块，包括：
37、风电机组传感模块、光伏传感模块，用户一体机传感模块以及储能传感模块，用于感知多端口综合能源系统内的各个终端设备的运行状态数据。
38、根据一些实施例，本专利技术的第三方案提供了一种计算机可读存储介质。
39、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的用于多端口综合能源系统的云端协同主动运维方法中的步骤。
40、根据一些实施例，本发本文档来自技高网...
【技术保护点】
1.用于多端口综合能源系统的云端协同主动运维方法，其特征在于，包括：
2.如权利要求1所述的用于多端口综合能源系统的云端协同主动运维方法，其特征在于，所述获取多端口综合能源系统各个终端设备的运行数据，包括：
3.如权利要求1所述的用于多端口综合能源系统的云端协同主动运维方法，其特征在于，所述云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的粒子群优化的设备故障识别模型进行故障识别，并基于故障识别结果生成设备运维计划，具体为：
4.如权利要求1所述的用于多端口综合能源系统的云端协同主动运维方法，其特征在于，所述云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的粒子群优化的设备故障识别模型进行故障识别，并基于故障识别结果生成设备运维计划，具体为：
5.如权利要求1所述的用于多端口综合能源系统的云端协同主动运维方法，其特征在于，所述云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的遗传算法优化的回归预测模型预测多端口综合能源系统的能源出力情况，包括：
6.如权利要求5所述的用于多端口综合能源系统的云端协
7.用于多端口综合能源系统的云端协同主动运维系统，其特征在于，包括：
8.如权利要求7所述的如权利要求1所述的用于多端口综合能源系统的云端协同主动运维系统，其特征在于，所述设备感知模块，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的用于多端口综合能源系统的云端协同主动运维方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的用于多端口综合能源系统的云端协同主动运维方法中的步骤。
...【技术特征摘要】
1.用于多端口综合能源系统的云端协同主动运维方法，其特征在于，包括：
2.如权利要求1所述的用于多端口综合能源系统的云端协同主动运维方法，其特征在于，所述获取多端口综合能源系统各个终端设备的运行数据，包括：
3.如权利要求1所述的用于多端口综合能源系统的云端协同主动运维方法，其特征在于，所述云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的粒子群优化的设备故障识别模型进行故障识别，并基于故障识别结果生成设备运维计划，具体为：
4.如权利要求1所述的用于多端口综合能源系统的云端协同主动运维方法，其特征在于，所述云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的粒子群优化的设备故障识别模型进行故障识别，并基于故障识别结果生成设备运维计划，具体为：
5.如权利要求1所述的用于多端口综合能源系统的云端协同主动运维方法，其特征在于，所述云端服务器根据清洗后的终端设备的运行数据，利用预先训练好的遗传算法优化的回归预...
【专利技术属性】
技术研发人员：崔潇，王洋，魏振，崔建，魏宁，李冰，于晓明，
申请(专利权)人：国网山东省电力公司青岛供电公司，
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。