一种温室热源热泵谷电蓄热区块能源装置及其控制方法

1.本发明属于能源技术领域，尤其涉及一种温室热源热泵谷电蓄热区块能源装置及其控制方法。


背景技术：

2.热泵是一种充分利用低品位热能的高效节能装置。热量可以自发地从高温物体传递到低温物体中去，但不能自发地沿相反方向进行。热泵的工作原理就是以逆循环方式迫使热量从低温物体流向高温物体的机械装置，它仅消耗少量的逆循环净功，就可以得到较大的供热量，可以有效地把难以应用的低品位热能利用起来达到节能目的。热泵(heat pump)是一种将低位热源的热能转移到高位热源的装置，也是全世界倍受关注的新能源技术。它不同于人们所熟悉的可以提高位能的机械设备——“泵”；热泵通常是先从自然界的空气、水或土壤中获取低品位热能，经过电力做功，然后再向人们提供可被利用的高品位热能；然而，现有温室热源热泵谷电蓄热区块能源装置没有突出负荷的频段特性，忽略了高频噪声对负荷预测精度的影响；且大多数预测是只针对某一种目标能源负荷的预测，没有考虑综合目标能源系统中各目标能源之间的相关性，割裂了目标能源系统之间的耦合关系；同时，不能对供能设备安全进行准确检测。
3.通过上述分析，现有技术存在的问题及缺陷为：
4.(1)现有温室热源热泵谷电蓄热区块能源装置没有突出负荷的频段特性，忽略了高频噪声对负荷预测精度的影响；且大多数预测是只针对某一种目标能源负荷的预测，没有考虑综合目标能源系统中各目标能源之间的相关性，割裂了目标能源系统之间的耦合关系。
5.(2)不能对供能设备安全进行准确检测。


技术实现要素：

6.针对现有技术存在的问题，本发明提供了一种温室热源热泵谷电蓄热区块能源装置及其控制方法。
7.本发明是这样实现的，一种温室热源热泵谷电蓄热区块能源装置包括：
8.视频监控模块、测温模块、主控模块、裂纹识别模块、温控模块、硬度测试模块、质量评估模块、显示模块；
9.能源采集模块，与主控模块连接，用于通过能源采集设备采集低品位能源；
10.主控模块，与能源采集模块、能源转化模块、负荷预测模块、供能模块、安全检测模块、储能模块、显示模块连接，用于控制各个模块正常工作；
11.能源转化模块，与主控模块连接，用于将低品位能源转化为高品位能源；
12.负荷预测模块，与主控模块连接，用于对能源负荷进行预测；
13.供能模块，与主控模块连接，用于供应高品位能源；
14.安全检测模块，与主控模块连接，用于对能源装置安全进行检测；
15.储能模块，与主控模块连接，用于对能源进行存储；
16.显示模块，与主控模块连接，用于显示负荷预测结果、安全检测结果。
17.一种温室热源热泵谷电蓄热区块能源装置控制方法包括以下步骤：
18.步骤一，通过能源采集模块利用能源采集设备采集低品位能源；
19.步骤二，主控模块通过能源转化模块将低品位能源转化为高品位能源；
20.步骤三，通过负荷预测模块对能源负荷进行预测；通过供能模块供应高品位能源；通过安全检测模块对能源装置安全进行检测；
21.步骤四，通过储能模块对能源进行存储；通过显示模块显示负荷预测结果、安全检测结果。
22.进一步，所述负荷预测模块方法如下：
23.(1)通过检索程序获取历史能源负荷数据；对历史能源负荷数据的缺失数据进行填补，得到预处理后的历史能源负荷数据；
24.对历史能源负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列；计算在同一频段下不同种类的负荷序列每两种之间的相关系数；
25.(2)筛选出在某一频段下相关系数绝对值均大于设定阈值的负荷序列；将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的bp神经网络；将所述训练样本输入相应的bp神经网络，得到负荷预测模型；将所述预测样本输入相应的负荷预测模型，得到负荷预测结果。
26.进一步，所述对历史能源负荷数据的缺失数据进行填补，填补公式为：
[0027][0028]
其中，x(t)表示填补后t时刻的电、热、冷负荷数据；β为修补因子，β∈(0.8,1.2)，一般取值为1；将预处理后的电、热、冷负荷数据分别记作
[0029][0030]
进一步，所述对历史能源负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列，包括：
[0031]
采用db3小波基函数对预处理后的电、热、冷负荷数据分别进行多层小波包分解，比如n层，得到每种负荷的2n组小波包分解系数；
[0032]
再对小波包分解系数进行单支重构得到电、热、冷负荷数据在2n个频段上的负荷序列，分别记作其中i表示频段，且i＝1,2,...,2n。
[0033]
进一步，所述将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的bp神经网络，包括：
[0034]
将筛选后的负荷序列进行归一化处理；
[0035][0036][0037][0038]
其中，分别为频段i中归一化处理后t时刻的电、热、冷负荷序列；分别为的最小值；分别为的最大值。
[0039]
将截止到时刻s时获取的归一化处理后的负荷序列t＝1,2,...,s作为训练样本，将时刻s后获取的归一化处理后的负荷序列t＝1，2,...,s作为训练样本，将时刻s后获取的归一化处理后的负荷序列t＝s+1,s+2,...,t作为预测样本。
[0040]
根据筛选后的负荷序列的种类和频段建立不同的bp神经网络。
[0041]
进一步，所述将所述训练样本输入相应的bp神经网络，得到负荷预测模型，包括：
[0042]
将训练样本中时刻k以前获取的归一化处理后的负荷序列输入相应的bp神经网络，得到时刻k的负荷序列的预测结果；
[0043]
对bp神经网络进行迭代训练，直至预测误差达到设定的阈值后停止训练，得到负荷预测模型。
[0044]
进一步，所述将所述预测样本输入相应的负荷预测模型，得到负荷预测结果，包括：
[0045]
将所述预测样本输入相应的负荷预测模型，得到每个负荷序列的预测结果；
[0046]
将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果；
[0047]
在所述将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果之后，还包括：
[0048]
对所述负荷预测结果进行反归一化处理，得到归一化后的负荷预测结果。
[0049]
进一步，所述安全检测模块检测方法如下：
[0050]
1)通过安全检测设备确定所述待检测新能源装置的类型；选择所述类型下的多个新能源装置集作为分析对象；
[0051]
2)获取所述分析对象在预设时间范围内、与所述分析对象匹配的参考供能过程数据，所述参考供能过程数据来自于所述分析对象在供能过程中所产生的数据；
[0052]
3)获取所述待检测新能源装置的实际供能过程数据，所述实际供能过程数据至少来自于供能桩对所述待检测新能源装置执行当前或近一次供能过程时所产生的数据；基于所述参考供能过程数据与时间的对应关系，利用异常检测方法确定所述参考供能过程数据对应的安全阈值；根据所述安全阈值与所述待检测新能源装置的实际供能过程数据，生成
所述待检测新能源装置的供能安全评价报告。
[0053]
进一步，所述安全阈值用于作为比较对象与所述待检测新能源装置的实际供能过程数据进行比较，以作为对所述待检测新能源装置进行供能安全评价的依据；
[0054]
所述方法还包括：
[0055]
输出所述供能安全评价报告，或者基于支付费用信息输出所述供能安全评价报告，以作为对所述待检测新能源装置安全检测的依据；
[0056]
所述参考供能过程数据包括第一参考供能过程数据，所述第一参考供能过程数据为所述分析对象在供能过程中所直接产生的数据；
[0057]
所述实际供能过程数据包括第一实际供能过程数据，所述第一实际供能过程数据至少为所述供能桩为所述待检测新能源装置执行当前或近一次供能过程时所直接产生的数据；
[0058]
所述基于所述参考供能过程数据与时间的对应关系，利用异常检测方法确定所述参考供能过程数据对应的安全阈值，包括：基于所述第一参考供能过程数据与时间的对应关系，利用异常检测方法确定所述第一参考供能过程数据对应的第一安全阈值；
[0059]
所述根据所述安全阈值与所述待检测新能源装置的实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告，包括：根据所述第一安全阈值与所述待检测新能源装置的第一实际供能过程数据，获得所述待检测新能源装置的供能安全评价报告；
[0060]
所述参考供能过程数据包括第二参考供能过程数据，所述第二参考供能过程数据是根据所述第一参考供能过程数据计算各变量对应的用于表征变量变化趋势的数据；
[0061]
所述实际供能过程数据包括第二实际供能过程数据，所述第二实际供能过程数据是根据所述第一实际供能过程数据计算各变量对应的用于表征变量变化趋势的数据；
[0062]
所述基于所述参考供能过程数据与时间的对应关系，利用异常检测方法确定所述参考供能过程数据对应的安全阈值，包括：基于所述第二参考供能过程数据与时间的对应关系，利用异常检测方法确定所述第二参考供能过程数据对应的第二安全阈值；
[0063]
所述根据所述安全阈值与所述待检测新能源装置的实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告，包括：根据所述第二安全阈值与所述待检测新能源装置的第二实际供能过程数据，获得所述待检测新能源装置的供能安全评价报告；
[0064]
所述参考供能过程数据包括第一参考供能过程数据和第二参考供能过程数据，所述第一参考供能过程数据为所述分析对象在供能过程中所直接产生的数据，所述第二参考供能过程数据是根据所述第一参考供能过程数据计算各变量对应的用于表征变量变化趋势的数据；
[0065]
所述实际供能过程数据包括第一实际供能过程数据和第二实际供能过程数据，所述第一实际供能过程数据至少为所述供能桩为所述待检测新能源装置执行当前或近一次供能过程时所直接产生的数据，所述第二实际供能过程数据是根据所述第一实际供能过程数据计算各变量对应的用于表征变量变化趋势的数据；
[0066]
所述基于所述参考供能过程数据与时间的对应关系，利用异常检测方法确定所述参考供能过程数据对应的安全阈值，包括：基于所述第一参考供能过程数据与时间的对应关系，利用异常检测方法确定所述第一参考供能过程数据对应的第一安全阈值；以及基于所述第二参考供能过程数据与时间的对应关系，利用异常检测方法确定所述第二参考供能
过程数据对应的第二安全阈值；
[0067]
所述根据所述安全阈值与所述待检测新能源装置的实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告，包括：根据所述第一安全阈值与所述待检测新能源装置的第一实际供能过程数据，以及所述第二安全阈值与所述待检测新能源装置的第二实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告。
[0068]
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
[0069]
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0070]
本发明通过负荷预测模块考虑到负荷的频段特性会对负荷预测产生影响，通过对历史能源负荷数据进行多层小波包变换，将负荷数据分解为多个频段下的负荷序列，再分别建立负荷预测模型，然后将不同频段下的负荷序列的预测结果相加，得到负荷预测结果，从而提高了负荷预测的精确度；同时，通过安全检测模块利用异常检测方法确定参考供能过程数据对应的安全阈值；最后根据安全阈值与待检测新能源装置的实际供能过程数据，生成待检测新能源装置的供能安全评价报告；提高检测的准确性。
[0071]
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0072]
本发明通过负荷预测模块考虑到负荷的频段特性会对负荷预测产生影响，通过对历史能源负荷数据进行多层小波包变换，将负荷数据分解为多个频段下的负荷序列，再分别建立负荷预测模型，然后将不同频段下的负荷序列的预测结果相加，得到负荷预测结果，从而提高了负荷预测的精确度；同时，通过安全检测模块利用异常检测方法确定参考供能过程数据对应的安全阈值；最后根据安全阈值与待检测新能源装置的实际供能过程数据，生成待检测新能源装置的供能安全评价报告；提高检测的准确性。
附图说明
[0073]
图1是本发明实施例提供的温室热源热泵谷电蓄热区块能源装置控制方法流程图。
[0074]
图2是本发明实施例提供的温室热源热泵谷电蓄热区块能源装置结构框图。
[0075]
图3是本发明实施例提供的负荷预测模块方法流程图。
[0076]
图4是本发明实施例提供的安全检测模块检测方法流程图。
[0077]
图2中：1、能源采集模块；2、主控模块；3、能源转化模块；4、负荷预测模块；5、供能模块；6、安全检测模块；7、储能模块；8、显示模块。
具体实施方式
[0078]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0079]
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部
分是对权利要求技术方案进行展开说明的解释说明实施例。
[0080]
如图1所示，本发明提供的温室热源热泵谷电蓄热区块能源装置控制方法包括以下步骤：
[0081]
s101，通过能源采集模块利用能源采集设备采集低品位能源；
[0082]
s102，主控模块通过能源转化模块将低品位能源转化为高品位能源；
[0083]
s103，通过负荷预测模块对能源负荷进行预测；通过供能模块供应高品位能源；通过安全检测模块对能源装置安全进行检测；
[0084]
s104，通过储能模块对能源进行存储；通过显示模块显示负荷预测结果、安全检测结果。
[0085]
本发明通过负荷预测模块考虑到负荷的频段特性会对负荷预测产生影响，通过对历史能源负荷数据进行多层小波包变换，将负荷数据分解为多个频段下的负荷序列，再分别建立负荷预测模型，然后将不同频段下的负荷序列的预测结果相加，得到负荷预测结果，从而提高了负荷预测的精确度；同时，通过安全检测模块利用异常检测方法确定参考供能过程数据对应的安全阈值；最后根据安全阈值与待检测新能源装置的实际供能过程数据，生成待检测新能源装置的供能安全评价报告；提高检测的准确性。
[0086]
如图2所示，本发明实施例提供的温室热源热泵谷电蓄热区块能源装置包括：能源采集模块1、主控模块2、能源转化模块3、负荷预测模块4、供能模块5、安全检测模块6、储能模块7、显示模块8。
[0087]
能源采集模块1，与主控模块2连接，用于通过能源采集设备采集低品位能源；
[0088]
主控模块2，与能源采集模块1、能源转化模块3、负荷预测模块4、供能模块5、安全检测模块6、储能模块7、显示模块8连接，用于控制各个模块正常工作；
[0089]
能源转化模块3，与主控模块2连接，用于将低品位能源转化为高品位能源；
[0090]
负荷预测模块4，与主控模块2连接，用于对能源负荷进行预测；
[0091]
供能模块5，与主控模块2连接，用于供应高品位能源；
[0092]
安全检测模块6，与主控模块2连接，用于对能源装置安全进行检测；
[0093]
储能模块7，与主控模块2连接，用于对能源进行存储；
[0094]
显示模块8，与主控模块2连接，用于显示负荷预测结果、安全检测结果。
[0095]
如图3所示，本发明提供的负荷预测模块4方法如下：
[0096]
s201：通过检索程序获取历史能源负荷数据；对历史能源负荷数据的缺失数据进行填补，得到预处理后的历史能源负荷数据；
[0097]
对历史能源负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列；计算在同一频段下不同种类的负荷序列每两种之间的相关系数；
[0098]
s202：筛选出在某一频段下相关系数绝对值均大于设定阈值的负荷序列；将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的bp神经网络；将所述训练样本输入相应的bp神经网络，得到负荷预测模型；将所述预测样本输入相应的负荷预测模型，得到负荷预测结果。
[0099]
所述对历史能源负荷数据的缺失数据进行填补，填补公式为：
[0100][0101]
其中，x(t)表示填补后t时刻的电、热、冷负荷数据；β为修补因子，β∈(0.8,1.2)，一般取值为1；将预处理后的电、热、冷负荷数据分别记作
[0102][0103]
所述对历史能源负荷数据中不同种类的负荷数据分别进行小波包分解，得到每种负荷数据在不同频段下的负荷序列，包括：
[0104]
采用db3小波基函数对预处理后的电、热、冷负荷数据分别进行多层小波包分解，比如n层，得到每种负荷的2n组小波包分解系数；
[0105]
再对小波包分解系数进行单支重构得到电、热、冷负荷数据在2n个频段上的负荷序列，分别记作其中i表示频段，且i＝1,2,...,2n。
[0106]
所述将筛选后的负荷序列分为训练样本和预测样本，并根据筛选后的负荷序列的种类和频段建立不同的bp神经网络，包括：
[0107]
将筛选后的负荷序列进行归一化处理；
[0108][0109][0110][0111]
其中，分别为频段i中归一化处理后t时刻的电、热、冷负荷序列；分别为的最小值；分别为的最大值。
[0112]
将截止到时刻s时获取的归一化处理后的负荷序列t＝1,2,...,s作为训练样本，将时刻s后获取的归一化处理后的负荷序列t＝1，2,...,s作为训练样本，将时刻s后获取的归一化处理后的负荷序列t＝s+1,s+2,...,t作为预测样本。
[0113]
根据筛选后的负荷序列的种类和频段建立不同的bp神经网络。
[0114]
所述将所述训练样本输入相应的bp神经网络，得到负荷预测模型，包括：
[0115]
将训练样本中时刻k以前获取的归一化处理后的负荷序列输入相应的bp神经网络，得到时刻k的负荷序列的预测结果；
[0116]
对bp神经网络进行迭代训练，直至预测误差达到设定的阈值后停止训练，得到负荷预测模型。
[0117]
所述训练样本输入相应的bp神经网络，得到负荷预测模型，包括：
[0118]
将训练样本中时刻k以前获取的归一化处理后的负荷序列输入相应的bp神经网络，得到时刻k的负荷序列的预测结果；
[0119]
对bp神经网络进行迭代训练，直至预测误差达到设定的阈值后停止训练，得到负荷预测模型。
[0120]
所述预测样本输入相应的负荷预测模型，得到负荷预测结果，包括：
[0121]
将所述预测样本输入相应的负荷预测模型，得到每个负荷序列的预测结果；
[0122]
将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果；
[0123]
在所述将同种负荷序列在不同频段下的预测结果相加，得到负荷预测结果之后，还包括：
[0124]
对所述负荷预测结果进行反归一化处理，得到归一化后的负荷预测结果。
[0125]
如图4所示，本发明提供的安全检测模块6检测方法如下：
[0126]
s301，通过安全检测设备确定所述待检测新能源装置的类型；选择所述类型下的多个新能源装置集作为分析对象；
[0127]
s302，获取所述分析对象在预设时间范围内、与所述分析对象匹配的参考供能过程数据，所述参考供能过程数据来自于所述分析对象在供能过程中所产生的数据；
[0128]
s303，获取所述待检测新能源装置的实际供能过程数据，所述实际供能过程数据至少来自于供能桩对所述待检测新能源装置执行当前或近一次供能过程时所产生的数据；基于所述参考供能过程数据与时间的对应关系，利用异常检测方法确定所述参考供能过程数据对应的安全阈值；根据所述安全阈值与所述待检测新能源装置的实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告。
[0129]
所述安全阈值用于作为比较对象与所述待检测新能源装置的实际供能过程数据进行比较，以作为对所述待检测新能源装置进行供能安全评价的依据；
[0130]
所述方法还包括：
[0131]
输出所述供能安全评价报告，或者基于支付费用信息输出所述供能安全评价报告，以作为对所述待检测新能源装置安全检测的依据；
[0132]
所述参考供能过程数据包括第一参考供能过程数据，所述第一参考供能过程数据为所述分析对象在供能过程中所直接产生的数据；
[0133]
所述实际供能过程数据包括第一实际供能过程数据，所述第一实际供能过程数据至少为所述供能桩为所述待检测新能源装置执行当前或近一次供能过程时所直接产生的数据；
[0134]
所述基于所述参考供能过程数据与时间的对应关系，利用异常检测方法确定所述参考供能过程数据对应的安全阈值，包括：基于所述第一参考供能过程数据与时间的对应关系，利用异常检测方法确定所述第一参考供能过程数据对应的第一安全阈值；
[0135]
所述根据所述安全阈值与所述待检测新能源装置的实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告，包括：根据所述第一安全阈值与所述待检测新能源装置的第一实际供能过程数据，获得所述待检测新能源装置的供能安全评价报告；
[0136]
所述参考供能过程数据包括第二参考供能过程数据，所述第二参考供能过程数据是根据所述第一参考供能过程数据计算各变量对应的用于表征变量变化趋势的数据；
[0137]
所述实际供能过程数据包括第二实际供能过程数据，所述第二实际供能过程数据是根据所述第一实际供能过程数据计算各变量对应的用于表征变量变化趋势的数据；
[0138]
所述基于所述参考供能过程数据与时间的对应关系，利用异常检测方法确定所述参考供能过程数据对应的安全阈值，包括：基于所述第二参考供能过程数据与时间的对应关系，利用异常检测方法确定所述第二参考供能过程数据对应的第二安全阈值；
[0139]
所述根据所述安全阈值与所述待检测新能源装置的实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告，包括：根据所述第二安全阈值与所述待检测新能源装置的第二实际供能过程数据，获得所述待检测新能源装置的供能安全评价报告；
[0140]
所述参考供能过程数据包括第一参考供能过程数据和第二参考供能过程数据，所述第一参考供能过程数据为所述分析对象在供能过程中所直接产生的数据，所述第二参考供能过程数据是根据所述第一参考供能过程数据计算各变量对应的用于表征变量变化趋势的数据；
[0141]
所述实际供能过程数据包括第一实际供能过程数据和第二实际供能过程数据，所述第一实际供能过程数据至少为所述供能桩为所述待检测新能源装置执行当前或近一次供能过程时所直接产生的数据，所述第二实际供能过程数据是根据所述第一实际供能过程数据计算各变量对应的用于表征变量变化趋势的数据；
[0142]
所述基于所述参考供能过程数据与时间的对应关系，利用异常检测方法确定所述参考供能过程数据对应的安全阈值，包括：基于所述第一参考供能过程数据与时间的对应关系，利用异常检测方法确定所述第一参考供能过程数据对应的第一安全阈值；以及基于所述第二参考供能过程数据与时间的对应关系，利用异常检测方法确定所述第二参考供能过程数据对应的第二安全阈值；
[0143]
所述根据所述安全阈值与所述待检测新能源装置的实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告，包括：根据所述第一安全阈值与所述待检测新能源装置的第一实际供能过程数据，以及所述第二安全阈值与所述待检测新能源装置的第二实际供能过程数据，生成所述待检测新能源装置的供能安全评价报告。
[0144]
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
[0145]
本发明通过负荷预测模块考虑到负荷的频段特性会对负荷预测产生影响，通过对历史能源负荷数据进行多层小波包变换，将负荷数据分解为多个频段下的负荷序列，再分别建立负荷预测模型，然后将不同频段下的负荷序列的预测结果相加，得到负荷预测结果，从而提高了负荷预测的精确度；同时，通过安全检测模块利用异常检测方法确定参考供能过程数据对应的安全阈值；最后根据安全阈值与待检测新能源装置的实际供能过程数据，生成待检测新能源装置的供能安全评价报告；提高检测的准确性。
[0146]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模
集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0147]
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
[0148]
本发明通过负荷预测模块考虑到负荷的频段特性会对负荷预测产生影响，通过对历史能源负荷数据进行多层小波包变换，将负荷数据分解为多个频段下的负荷序列，再分别建立负荷预测模型，然后将不同频段下的负荷序列的预测结果相加，得到负荷预测结果，从而提高了负荷预测的精确度；同时，通过安全检测模块利用异常检测方法确定参考供能过程数据对应的安全阈值；最后根据安全阈值与待检测新能源装置的实际供能过程数据，生成待检测新能源装置的供能安全评价报告；提高检测的准确性。
[0149]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。