CN120090193A 一种电力设备的管理方法 （中亿鼎盛建设集团有限公司）

中亿鼎盛建设集团有限公司G06Q地址518000广东省深圳市龙华区观澜街道大富社区大富工业区11号鹏龙蟠高科技园F栋902(72)发明人李江李兵周遵峰(74)专利代理机构深圳市中科正得知识产权代理事务所(普通合伙)专利代理师李锋GO6N3/08(2023.(54)发明名称本申请公开了一种电力设备的管理方法，所述方法包括：实时监测电力场景中的每个电力设备的功率，获得电力设备在满足负载突变条件时对应的负载变化响应特征向量；基于每个电力设备，将负载变化响应特征向量输入至预先训练完成的电力设备功率调节行为预测模型，输出该电力设备对应的调节行为信息，包括目标功率调节行为信息，利用预先设置的渐进式调整算法，生成电力设备的调度指令信息，实现电力设备的合电力设备管理的稳定性。2S101,实时监测电力场景中的每个电力设备的功率，获得电力设备在满足负载突变条S102,基于每个电力设备，将负载变化响应特征向量输入至预先训练完成的电力设备2.如权利要求1所述的电力设备的管理方法，其特征在于，A1、收集历史上电力设备大量满足对应负载突变条件的历史负载变化响应特征向量，A3、将标注后的所有负载变化响应特征向量作为训练集，对预先选择的神经网络结构5.如权利要求4所述的电力设备的管理方法，其特征在于，所述预设的筛选机制设置C2、将电力缓冲匹配值大于预设匹配阈值的所有历史负载变化响应特征向量确定为待二时间节点，将第二时间节点与第一时间节点的差值记3放速率设置为对应缓冲设备在响应时间内的充放速率值。7.如权利要求4所述的电力设备的管理方法，其特征在于，所述预先设置的渐进式调整算法包括：B1、将响应时间划分为等长时间间隔，并按预设的S形曲线函数分配每个时间间隔的功率调节量，生成电力设备的调度指令信息，包括按照时间顺序排列的功率调节量序列；B2、将缓冲设备匹配充放速率作为协同电力设备在执行调度指令信息时的调度目标，即控制用于响应电力设备的缓冲设备的充放速率调整至缓冲设备匹配充放速率。8.如权利要求7所述的电力设备的管理方法，其特征在于，所述S101还包括：实时监测电力设备附近的电磁辐射强度信息，获得电力设备在满足负载突变条件时负载变化响应特征向量对应的电磁辐射强度变化量，用于反映负载突变造成的电力环境影响程度；所述电力设备功率调节行为预测模型包括若干预测子模型，步骤A3还包括：S201,基于所有待训练负载变化响应特征向量对应的电磁辐射强度变化量，利用预设的K-means聚类算法，将所有待训练负载变化响应特征向量划分为若干聚类，每个聚类中包括至少一个待训练负载变化响应特征向量，每个聚类的中心标签为该聚类中所有电磁辐射强度变化量的平均值；S202,基于若干聚类，生成若干子训练集，即每个聚类中的待训练负载变化响应特征向量对应一个子训练集；S203,基于每个子训练集，对预先选择的神经网络结构进行训练学习，不断优化模型参9.如权利要求8所述的电力设备的管理方法，其特征在于，所述S102还包括：基于每个电力设备，获得其负载变化响应特征向量对应的电磁辐射强度变化量，计算电磁辐射强度变化量分别与每个聚类中心标签的欧氏距离值，将负载变化响应特征向量输入至欧氏距离值最小的聚类对应的子预测模型中，输出该电力设备的调节行为信息。10.如权利要求8所述的电力设备的管理方法，其特征在于，所述S101还包括：通过预先安装在电力设备外壳的方位角采集装置，实时采集电力设备的方位角信息θ,用于反映电力设备当前在电力场景空间中的朝向；S301,基于每个电力设备，根据当前方位角θ,查询预先构建的方位角-响应速率映射表，获得该电力设备的方位角修正系数kg;S302,将电力设备当前的方位角修正系数ke并入至预测调节行为信息中，更新调节行为信息；在所述B1之后，还包括：根据方位角修正系数，对电力设备功率调节量序列进行调整，得到更新后的功率调节量序列。4一种电力设备的管理方法技术领域[0001]本发明涉及电力设备管理技术领域，尤其涉及一种电力设备的管理方法。背景技术[0002]电力设备主要包括发电设备、输电设备、配电设备和用电设备。发电设备通常包括备等。电力设备管理是指对电力系统中的各种设备进行有效的监控、控制、维护和优化的过程。它旨在确保电力设备的正常运行、延长设备寿命、降低故障风险，并提高电力系统的可靠性、安全性和能源效率。目前，在电力设备的用电高峰期和低谷期分布时段易出现大幅度的电压波动。同时，在电力设备检修时需要断电，这个过程也会导致大幅度的电压波动。而大幅度的电压波动可能导致电力设备故障或停电，进而难以对电力设备进行管理。[0003]专利申请号为202311656990.X的中国发明专利公开了一种电力设备管理方法，根据设备信息进行动态模拟，生成电力设备图像信息和电力缓冲设备图像信息，根据图像信息提取工况数据，进行电力匹配，根据电力匹配信息和设备负载数据，得到管理信息，用于实现电力设备的调度策略，确保了电力稳定和负荷均衡。[0004]但是，在复杂多变的电力场景中，高精度电力设备(如精密制造、医疗设备等)对负载变化的瞬时响应敏感，例如，某工业园区部署了光伏发电、储能电池组及工业负载设备，由于光伏出力受天气影响波动剧烈(如云层遮挡导致电压骤降)、工业负载存在瞬时功率冲击，这些负载波动均需通过电力缓冲设备(如超级电容器或飞轮储能)平滑功率波动，确保供电稳定，可见电力设备与缓冲设备的协同运行对系统稳定性至关重要；然而传统突变式调度(直接调整设备输出功率)根据反馈的管理信息直接执行调度指令，易导致以下问题：设备频繁启停，负载突变引发设备频繁开关，加速机械磨损；负载快速变化导致设备电磁辐射/热辐射剧烈波动，影响设备稳定性及周边环境安全；缓冲设备充放电速率不匹配引发电发明内容[0005]本申请通过提供一种电力设备的管理方法，使电力设备在负载突变时能够做出合理响应调度，减少了设备损耗，提高电力系统中电力设备管理的稳定性。[0006]本申请提供了一种电力设备的管理方法，包括：[0007]S101,实时监测电力场景中的每个电力设备的功率，获得电力设备在满足负载突变条件时对应的负载变化响应特征向量；[0008]S102,基于每个电力设备，将负载变化响应特征向量输入至预先训练完成的电力设备功率调节行为预测模型，输出该电力设备对应的调节行为信息，包括目标功率调节量、[0009]S103,基于调节行为信息，利用预先设置的渐进式调整算法，生成电力设备的调度5指令信息，实现电力设备的合理调度。[0010]优选地，所述负载突变条件设置为：电力设备负载变化量大于该电力设备所属设备类型对应的预设负载变化阈值；其中，不同设备类型对应不同的负载变化阈值，根据实际情况和专家经验进行设置，用于反映电力设备负载变化的突变程度。[0011]优选地，所述负载变化响应特征向量设置为[s,P,△P,P,R],其中，s为电力设备所属设备类型的编码值，P为电力设备当前的功率值，△P为负载阶跃变化量，P为负载变化[0012]优选地，所述预先训练完成的电力设备功率调节[0013]A1、收集历史上电力设备大量满足对应负载突变条件的历史负载变化响应特征向量，并进行预设的筛选机制，得到待训练负载变化响应特征向量；[0014]A2、对待训练负载变化响应特征向量进行标签标注，标注内容设置为调节行为信[0015]A3、将标注后的所有负载变化响应特征向量作为训练集，对预先选择的神经网络结构进行训练学习，并不断进行模型参数优化，生成最终的电力设备功率调节行为预测模[0017]C1、基于每个历史负载变化响应特征向量，根据以下公式计算得到电力缓冲匹配[0019]其中，K为电力缓冲匹配值，Vb为响应该电力设备的缓冲设备在响应时间内吸收或释放的最大电压值，△V为对应电力设备在响应时间内的电压差值；[0020]C2、将电力缓冲匹配值大于预设匹配阈值的所有历史负载变化响应特征向量确定为待训练负载变化响应特征向量。[0021]优选地，所述A2中，标注方法为：所述响应时间常数设置为：基于待训练负载变化响应特征向量，记录检测到负载突变的第一时间节点，持续获得第一时间节点后的功率值，直到功率值趋于平稳，记录当前时间节点为第二时间节点，将第二时间节点与第一时间节点的差值记为响应时间；所述目标功率调节量设置为第二时间节点对应的功率值与第一时间节点的功率值的差值；所述缓冲设备匹配充放速率设置为对应缓冲设备在响应时间内的充放速率值。[0023]B1、将响应时间划分为等长时间间隔，并按预设的S形曲线函数分配每个时间间隔的功率调节量，生成电力设备的调度指令信息，包括按照时间顺序排列的功率调节量序列；[0024]B2、将缓冲设备匹配充放速率作为协同电力设备在执行调度指令信息时的调度目标，即控制用于响应电力设备的缓冲设备的充放速率调整至缓冲设备匹配充放速率。[0025]优选地，所述S101还包括：实时监测电力设备附近的电磁辐射强度信息，获得电力设备在满足负载突变条件时负载变化响应特征向量对应的电磁辐射强度变化量，用于反映负载突变造成的电力环境影响程度；6[0026]所述电力设备功率调节行为预测模型包括若干预测子模型，步骤A3还包括：[0027]S201,基于所有待训练负载变化响应特征向量对应的电磁辐射强度变化量，利用预设的K-means聚类算法，将所有待训练负载变化响应特征向量划分为若干聚类，每个聚类中包括至少一个待训练负载变化响应特征向量，每个聚类的中心标签为该聚类中所有电磁辐射强度变化量的平均值；[0028]S202,基于若干聚类，生成若干子训练集，即每个聚类中的待训练负载变化响应特征向量对应一个子训练集；[0029]S203,基于每个子训练集，对预先选择的神经网络结构进行训练学习，不断优化模[0031]基于每个电力设备，获得其负载变化响应特征向量对应的电磁辐射强度变化量，计算电磁辐射强度变化量分别与每个聚类中心标签的欧氏距离值，将负载变化响应特征向量输入至欧氏距离值最小的聚类对应的子预测模型中，输出该电力设备的调节行为信息。[0032]优选地，所述S101还包括：通过预先安装在电力设备外壳的方位角采集装置，实时采集电力设备的方位角信息θ,用于反映电力设备当前在电力场景空间中的朝向；[0034]S301,基于每个电力设备，根据当前方位角θ,查询预先构建的方位角-响应速率映射表，获得该电力设备的方位角修正系数ko;[0035]S302,将电力设备当前的方位角修正系数k并入至预测调节行为信息中，更新调节行为信息；[0036]在所述B1之后，还包括：根据方位角修正系数，对电力设备功率调节量序列进行调整，得到更新后的功率调节量序列。[0037]本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：[0038]通过实时监测电力设备功率并获取负载变化响应特征向量，能够及时发现负载突变情况，为后续调度调整提供准确依据；电力设备功率调节行为预测模型根据特征向量预测调节行为信息，使电力设备在负载突变时能够做出合理响应，避免了传统突变式调度导致的设备频繁启停问题，减少了设备机械磨损，提高了设备的使用寿命和电力系统的稳定性；渐进式调整算法将响应时间划分为等长时间间隔，并按S形曲线函数分配功率调节量，使电力设备的功率调节更加平稳，减少了负载快速变化对设备稳定性及周边环境安全的影响；同时，将缓冲设备匹配充放速率作为协同控制目标，确保缓冲设备能够及时响应电力设备的负载变化，实现电力设备与缓冲设备的协同运行，有效避免了缓冲设备充放电速率不匹配引发的电压瞬时波动问题。[0039]通过考虑电力设备附近的电磁辐射强度变化量，针对电力设备负载变化和辐射特性之间的关系，将不同负载变化场景的特性纳入模型训练过程，利用K-means聚类算法将待训练负载变化响应特征向量划分为若干聚类，每个聚类对应不同的场景特性，然后针对每个聚类生成子预测模型，使得每个子预测模型能够更专注于特定场景特性的预测，相比统一预测模型，大大提高了预测结果的精准度。7附图说明加透彻全面。似的表述只是为了说明的目的，并不表示是唯一的实施方式。[0046]S101,实时监测电力场景中的每个电力设备的运突变时，负载突变前后的功率值的差值),Pv为负载变化率(通过数值微分的方法计算负载围内逐步增加或减少功率调节指令，同时记录电力设备实际功的最大值),作为该电力设备的最大功率调节速率特征；效率衰减系数设置为：[0049]S102,基于每个电力设备，将负载变化响应特征向量输入至预先训练完成的电力8[0053]C1、基于每个历史负载变化响应特征向量，根据以下公式计算得到电力缓冲匹配[0055]其中，K为电力缓冲匹配值，Vb为响应该电力设备的缓冲设备在响应时间内吸收或释放的最大电压值，△V为对应电力设备在响应时间内的电压差值(电压的最大值与最小值的差值),电力缓冲匹配值反映了电力缓冲设备能够响应电力设备负载突变的程度，如果电力缓冲设备的最大能力足够大，可以完全吸收或释放负载突变的功率，则电力匹配值为1;如果电力缓冲设备的最大能力小于负载突变的功率，则电力匹配值小于1,表示缓冲设备无法完全响应负载突变。[0056]C2、将电力缓冲匹配值大于预设匹配阈值的所有历史负载变化响应特征向量确定为待训练负载变化响应特征向量。其中，预设匹配阈值根据实际情况和专家经验进行设置，[0057]A2、对待训练负载变化响应特征向量进行标签标注，标注内容设置为调节行为信[0058]其中，响应时间常数表示电力设备对负载变化的响应速度，是一个时间常数，用于描述电力设备响应的延迟特性，反映了电力设备从一种稳定状态过渡到另一种稳定状态所需的时间特性，响应时间设置为：基于待训练负载变化响应特征向量，记录检测到负载突变的第一时间节点，持续获得第一时间节点后的功率值，直到功率值趋于平稳(平稳的判定条件可以设置为在预设窗口内功率变化曲线的斜率值小于预设阈值，预设阈值根据专家经验进行设置，用于衡量功率变化程度，预设窗口可以设置为1s,逐步分析每个预设窗口的斜率值，直到斜率值首次小于预设阈值，记录该预设窗口内首个功率值对应的时间节点作为稳定时间节点),记录当前时间节点为第二时间节点，将第二时间节点与第一时间节点的差值记为响应时间；目标功率调节量设置为第二时间节点对应的功率值与第一时间节点的功率值的差值；缓冲设备匹配充放速率设置为对应缓冲设备在响应时间内的充放速率值。[0059]A3、将标注后的所有负载变化响应特征向量作为训练集，对预先选择的神经网络结构进行训练学习，并不断进行模型参数优化，生成最终的电力设备功率调节行为预测模[0060]S103,基于调节行为信息，利用预先设置的渐进式调整算法，生成电力设备的调度指令信息。[0062]B1、将响应时间划分为等长时间间隔，并按预设的S形曲线函数分配每个时间间隔的功率调节量，生成电力设备的调度指令信息，包括按照时间顺序排列的功率调节量序列。9平滑系数，根据电力设备的响应特性和专家经验进行设定，决定了曲线的陡峭程度，k值越曲线分配功率调节量可以使功率调节在开始和结束时变化较为平缓，减少对设备的冲击，例如，对于大型工业电机，若功率突然大幅变化，可能会导致电机轴承、绕组等部件受到过大的应力，而S形曲线调节可以避免这种情况的发生；许多电力设备具有一定的响应延迟和惯性，不能瞬间达到目标功率，S形曲线分配功率调节量可以更好地符合设备的实际响应特性，使设备能够更自然地过渡到目标功率状态。[0067]B2、将缓冲设备匹配充放速率作为协同电力设备在执行调度指令信息时的调度目标，即控制用于响应电力设备的缓冲设备的充放速率调整至缓冲设备匹配充放速率。[0068]S104,依据电力设备和缓冲设备的调度指令信息进行电力设备的管理控制，实现电力设备的合理调度，确保电力稳定和负荷均衡。[0069]作为一个示例，某工业园区部署了光伏发电系统、储能电池组(作为电力缓冲设备)和多个工业负载设备，此时监测到某工业负载设备的功率突然增加，该工业负载设备所属设备类型的编码值可以记为“001”,负载变化量超过了该设备类型对应的预设负载变化阈值，生成该电力设备的负载变化响应特征向量[001,100kW,30kW,5kW/s,50℃,10kW/s,0.95],将该负载变化响应特征向量输入到预先训练完成的电力设备功率调节行为预测模型中进行学习，输出该电力设备的目标功率调节量为-20kW(降低功率),响应时间为5s,缓冲设备匹配充放速率为8kW/s(充电),利用渐进式调整算法，将5s的响应时间划分为5个1s的等长时间间隔，按照预设的S形曲线函数，生成功率调节量序列：[-2,-5,-8,-10,-5],依据生成的调度指令信息，控制工业负载设备按照功率调节量序列逐步降低功率，同时控制储能电池组按照8kW/s的速率进行充电。由此，通过这种方式，实现了电力设备与缓冲设备的协同运行，避免了设备频繁启停、负载快速变化带来的问题，确保了工业园区供电的稳定性和负荷均衡。[0070]上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：[0071]通过实时监测电力设备功率并获取负载变化响应特征向量，能够及时发现负载突变情况，为后续调度调整提供准确依据；电力设备功率调节行为预测模型根据特征向量预测调节行为信息，使电力设备在负载突变时能够做出合理响应，避免了传统突变式调度导致的设备频繁启停问题，减少了设备机械磨损，提高了设备的使用寿命和电力系统的稳定性；渐进式调整算法将响应时间划分为等长时间间隔，并按S形曲线函数分配功率调节量，使电力设备的功率调节更加平稳，减少了负载快速变化对设备稳定性及周边环境安全的影响；同时，将缓冲设备匹配充放速率作为协同控制目标，确保缓冲设备能够及时响应电力设备的负载变化，实现电力设备与缓冲设备的协同运行，有效避免了缓冲设备充放电速率不匹配引发的电压瞬时波动问题。[0072]预先训练完成的电力设备功率调节行为预测模型和渐进式调整算法相结合，能够快速、准确地生成电力设备和缓冲设备的调度指令信息，这些指令信息具有明确的时间顺序和功率调节量，便于实际控制操作，提高了调度指令的准确性和可执行性。[0073]实施例二：在实施例一中，虽然通过实时监测和功率调节行为预测对电力设备进行管理，但使用统一的预测模型来处理大量电力设备的负载变化或突变场景，由于不同负载变化场景具有不同的特性，如负载变化的幅度、频率以及伴随的辐射变化情况等，传统技术中可能忽视了负载变化对电磁环境的影响，统一模型难以全面准确地捕捉这些差异，导致预测结果不够精准，进而影响调度指令的合理性。[0074]不同负载变化场景，如负载变化的幅度、频率不同，往往伴随着不同程度的电磁辐射变化，将电磁辐射强度变化量纳入考量，使得对每个负载变化场景的描述不再局限于传统的负载变化量、变化率等参数，而是增加了与电磁环境相关的维度，从而更全面、细致地反映了负载变化场景的本质特征。[0075]所以，本申请实施例在上述实施例的基础上进行一定的优化。[0076]一些实施例中，步骤S101还包括：实时监测电力设备附近的电磁辐射强度信息，获得电力设备在满足负载突变条件时负载变化响应特征向量对应的电磁辐射强度变化量，用于反映负载突变造成的电力环境影响程度。需要说明的是，如何获得电磁辐射强度可以参照相关现有技术，本发明对此不做赘述。[0077]具体而言，电力设备功率调节行为预测模型包括若干预测子模型，步骤A3还[0078]S201,基于所有待训练负载变化响应特征向量对应的电磁辐射强度变化量，利用预设的K-means聚类算法，将所有待训练负载变化响应特征向量划分为若干聚类，每个聚类中包括至少一个待训练负载变化响应特征向量，每个聚类的中心标签为该聚类中所有电磁辐射强度变化量的平均值。[0079]其中，K-means聚类算法的具体实现过程可以参照相关现有技术，本发明不做赘述。[0080]S202,基于若干聚类，生成若干子训练集，即每个聚类中的待训练负载变化响应特征向量对应一个子训练集。[0081]S203,基于每个子训练集，对预先选择的神经网络结构进行训练学习，不断优化模[0083]基于每个电力设备，获得其负载变化响应特征向量对应的电磁辐射强度变化量，计算电磁辐射强度变化量分别与每个聚类中心标签的欧氏距离值，将负载变化响应特征向量输入至欧氏距离值最小的聚类对应的子预测模型中，输出该电力设备的调节行为信息。[0084]由此，每个子预测模型专注于特定场景特性的预测，使得模型能够学习到不同场景下负载变化与调节行为之间的更精准关系。例如，在某些高电磁辐射变化的负载场景下，电力设备可能需要更快速或更大幅度的功率调节，子预测模型能够捕捉到这种特定关系，从而提高了模型对不同场景的适应性和预测准确性。[0085]上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：[0086]通过考虑电力设备附近的电磁辐射强度变化量，针对电力设备负载变化和辐射特性之间的关系，将不同负载变化场景的特性纳入模型训练过程，利用K-means聚类算法将待训练负载变化响应特征向量划分为若干聚类，每个聚类对应不同的场景特性，然后针对每个聚类生成子预测模型，使得每个子预测模型能够更专注于特定场景特性的预测，相比11统一预测模型，大大提高了预测结果的精准度；[0087]根据电力设备负载变化响应特征向量对应的电磁辐射强度变化量与聚类中心标签的欧氏距离，选择最合适的子预测模型进行预测，确保输出的调节行为信息更符合该电力设备的实际负载变化场景，有助于电力设备在负载突变时做出更合理的响应，避免了因预测不准确导致的调度不合理问题；[0088]精准的预测和合理的调度指令能够提高电力系统的稳定性、可靠性和负荷均衡性，在实际电力场景中，不同负载变化场景可能导致电力设备面临不同的挑战，能够更好地应对这些挑战，确保电力设备在各种场景下都能稳定运行。[0089]实施例三：在实际电力场景中，电力设备的安装方位可能因场地布局、布线等因素同工作状态下的不同方位角设备受到的热影响