一种基于云边融合的储能电站智能运维系统的制作方法

本发明涉及储能电站，具体是一种基于云边融合的储能电站智能运维系统。

背景技术：

1、随着大规模可再生能源接入整个电力系统，尤其是风电、光伏所具有波动性、随机性、难预测等特点，给电力系统稳定运行与控制带来巨大挑战。储能系统既可作为电源又可作为负荷，灵活的双向互动性能使其在可再生能源发电消纳中发挥重要作用。特别是电化学储能，因其变流器具有响应速度快、精度高的特点，相比其他电源和负荷，具有更优良的调节控制性能。其中电网侧电化学储能电站可以为电网运行提供调峰、调频、备用、黑启动、需求侧响应等多种服务，提升电网运行效率，缓解地区供电负荷压力。

2、对比文件cn210380254u“储能电源与电网调度协调控制系统”通过所设置的荷电状态检测模块、协调控制模块和电压电流检测模块，可以根据所述储能电源的荷电状态以及所述电网调度模块所需的工作电压和工作电流控制所述变流器的通断，在运行过程中能够达到为电网调度模块稳定供电效果，同时能有效保证储能电源的使用寿命。

3、对比文件cn113205190b“一种智能电网的储能安全预警系统”利用预警平台从本质上迭代优化了传统的储能运维管理体系，建立了全方位、多角度、全过程的运维管理新模式，有效增强储能电站设备的管控力，提升储能电站的数据价值洞察力和智能运维决策力。

4、现有技术中，智能电网中的储能电站在海量数据分析处理、安全风险分析管控等方面需要进一步强化，电网的预测精度还不够高，特别是由于各种异常状况导致各用电设备的用电量以及损耗量均不一致，当电力损耗数据很庞大时，容易导致储能电站的相关平衡设备平衡电能时仍存在很大的数据偏差。

技术实现思路

1、为了解决上述技术问题，本发明的目的在于提供一种基于云边融合的储能电站智能运维系统，包括监控中心，所述监控中心通信连接有边缘监测模块、数据存储模块、数据分析模块、电耗预测模块和储能调整模块；

2、所述边缘监测模块用于获取储能电站相关负荷设备的工艺流程特性，根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标；

3、所述数据存储模块用于存储储能电站相关负荷设备及各边缘监测点位的历史数据信息；

4、所述数据分析模块用于对各边缘监测点位数据监测结果进行分析；

5、所述电耗预测模块用于构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量；

6、所述储能调整模块用于对装配拓扑图中各节点的相关负荷设备的储能信息进行动态调整。

7、进一步的，所述边缘监测模块获取储能电站相关负荷设备的工艺流程特性，根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标的过程包括：

8、获取当前储能电站相关负荷设备的工艺流程特性，根据工艺流程特性提取流程信息，将储能电站设备按照流程信息进行拆分，划分为若干流程子序列；

9、根据各流程子序列中的各工艺流程特性选取评价指标，根据历史数据设置评价指标的指标权重，通过模糊综合评价判断各流程子序列对于预设重要性等级的隶属度矩阵；

10、根据隶属度矩阵及指标权重获取各流程子序列的重要性等级，通过流程子序列的重要性等级与预设重要性等级进行对比，将符合重要性等级标准的流程子序列设置边缘监测点位；

11、并根据所述流程子序列的重要性评价等级和评价指标确定边缘监测点位数量和边缘监测点位的数据监测指标。

12、进一步的，所述边缘监测模块根据历史数据设置评价指标的指标权重的过程包括：

13、从数据存储模块获取各流程子序列的评价指标的若干历史采集周期的历史数据监测结果以及对应的历史评价指标阈值范围，将历史数据监测结果与对应的历史评价指标阈值范围进行对比，获取历史数据监测结果不符合对应的历史评价指标阈值范围内的异常累积次数，根据所述异常累积次数确定评价指标的指标权重。

14、进一步的，所述数据分析模块对各边缘监测点位数据监测结果进行分析的过程包括：

15、获取当前采集周期的各边缘监测点位的各项指标数据的数据监测结果并标记采集时间，设置各项关键指标数据的阈值范围，判断各边缘监测点位的各项关键指标数据的监测数据是否位于对应的阈值范围内；

16、若所述监测数据位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为正常状态；

17、若所述监测数据不位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为待测状态，则获取所述边缘监测点位的环境参数，从数据存储模块获取不同环境参数下各边缘监测点位的对应的环境补偿参数，根据边缘监测点位当前环境参数匹配对应的环境补偿参数，对所述数据监测结果进行补偿参数调整；

18、若进行补偿参数调整后所述监测数据位于阈值范围内，则将所述边缘监测点位对应的数据监测结果标记为正常状态；若进行补偿参数调整后所述监测数据不位于阈值范围内，将所述边缘监测点位对应的数据监测结果标记为异常状态。

19、进一步的，所述电耗预测模块构建各流程子序列的装配拓扑图，根据装配关系获取各流程子序列的电能消耗预测量的过程包括：

20、获取各流程子序列中各负荷设备之间的装配关系和流向顺序，根据所述各流程子序列之间的装配关系和流向顺序构建各流程子序列之间的装配拓扑图；

21、将各流程子序列作为装配拓扑图的节点，将各流程子序列之间的装配关系和流向顺序作为节点之间的连接关系，根据装配拓扑图中各个节点的邻接矩阵计算对其他节点运行影响程度，根据各个节点的对其他节点的运行影响程度对节点设置调整等级；

22、将各流程子序列对应的边缘监测点位的指标数据监测结果作为节点的补充节点，并基于rbf神经网络构建电能消耗预测模型，对装配拓扑图进行学习，输出各流程子序列的电能消耗预测量。

23、进一步的，所述电耗预测模块基于rbf神经网络构建电能消耗预测模型，对装配拓扑图进行学习，输出各流程子序列的电能消耗预测量的过程包括：

24、从数据存储模块获取各节点若干历史调度周期不同时间段的历史用电负荷量和历史发电荷量，将所述历史用电负荷量和所述历史发电荷量作为测试集以及训练集；

25、将所述训练集输入到所述电能消耗预测模型中进行训练，直至损失函数训练平稳，并保存模型参数，通过测试集对所述能量消耗模型进行测试，直至符合预设要求，输出所述电能消耗预测模型，获取所述储能电站预设时间信息，将所述储能电站预设时间信息输入所述电能消耗预测模型中，以获取所述当前时刻的电能消耗预测量。

26、进一步的，所述储能调整模块对装配拓扑图中各节点的相关负荷设备的储能信息进行动态调整的过程包括：

27、获取各装配拓扑图中各节点的相关负荷设备当前采集周期的初始储能信息和电能消耗预测量，获取各装配拓扑图中异常状态的补充节点信息，获取所述异常状态的补充节点的数据监测结果以及补充节点对应的节点的调整等级，根据所述数据监测结果获取节点对应的相关负荷设备损耗信息；

28、根据所述每一节点的初始储能信息、每一节点对应的电能消耗预测量以及每一节点对应的相关负荷设备损耗信息构建目标函数组，并基于遗传算法对所述目标函数进行求取值；

29、当前每一节点的储能信息、每一节点的电能消耗预测量以及每一节点对应的相关负荷设备损耗信息达到动态平衡时，以获取每一节点当前采集周期的储能调整数据；

30、根据各节点的调整等级对各个节点的储能调整过程进行排序，根据各节点当前采集周期的储能调整数据和排序结果依次对每个节点的相关负荷设备的储能信息进行动态调整。

31、进一步的，所述动态平衡条件为：储能电量等于电能消耗预测量与相关负荷设备电能损耗之和。

32、与现有技术相比，本发明的有益效果是：根据所述流程特性设置边缘监测点位，获取各边缘监测点位的数据监测指标，通过对这些数据的收集、分析和管理，可以实现对电池组的全面运维和性能优化，提高电站的可靠性和效率，同时根据各节点的调整等级对各个节点的储能调整过程进行排序，根据各节点当前采集周期的储能调整数据和排序结果依次对每个节点的相关负荷设备的储能信息进行动态调整，提高储能电站负荷动态平衡的效率和准确性。