CN119226446B 一种储能电站数据采集与传输方法及系统 （山东思极科技有限公司）

发明通过对各电能存储单元的原始日志进行标一次聚类分析，得到各电能存储单元的特征类用正常日志集训练得到基于关键词的句子嵌入2对储能电站的各电能存储单元进行数据监测，得到原始日志，所述原对所述数字数据进行标准化处理得到数字向量序列，和对所述文基于所述文本向量序列，对所述原始日志进行第一次聚类分析，分析所述数字向量序列之间的相关性和差异性，并结合根据所述异常表现性，对所述原始日志进行第二次聚类分析，获取各电能存储单元在其对应的特征类别中的原始日志的数量，计算各电能存储单元在其对应的特征类别中的原始日志的数量与各电能存储单元对基于所述关键词，依次对所有所述原始日志对应的切分段内的文本数据进行字典构对所述文本向量序列中的词向量进行模值化，得到所述原始日志的文本序使用Mann_Kendall(MK)趋势检验算法，对所述文本序列进计算所述文本向量序列内所有词向量的模值的平均值，得基于所述检验统计量和所述数据分布，使用ISODATA算法对所述原始日志进行第一次3获取每个电能存储单元在每个所述类别中的原始日志个数，选取元的原始日志个数最多的类别作为所述电能存储单元的特将每个所述数字向量序列与所述标准数字向量序列进行DTW匹配，得到每个所述数字计算每个所述规整数字向量序列和所述标准数字向量序列计算每个所述规整数字向量序列和所述标准数字向量序列中对应的向量之间的模值根据所述相关性和所述差异性，并结合所述冗余权重，得到所述将每个所述数字向量序列与所述标准数字向量序列进行DTW匹配，得到每个所述数字统计标准数字向量序列中每个词向量出现的次数，进而将每个所述数字向量序列与所述标准数字向量序列进行DTW匹配，在每个所述数字向基于DTW匹配结果进行等长插值使得每个所述数字向量序列与标准数字向量序列的长6.根据权利要求1或5所述的储能电站数据采集与传基于所有原始日志的异常表现性，使用密度聚类算法将其中能构成类簇的原始日志作为普通日志，将不能构成类簇的原对所述疑似异常日志集进行传输，对所述正常日志集中所述原始日4在分析端，使用所述句子嵌入模型和所述原始日志的关键所述处理器，用于读取所述存储器中存储的程序代码，并执行如权利要求9.根据权利要求8所述的储能电站数据采集与传输系统，其特征在于，所述处理器包述文本数据进行分段文本量化得到文本向量序列；冗余权重分析模块，用于基于所述文本向量序列，对所述原始日志进句子嵌入模型训练模块，用于利用所述正常日志获取各电能存储单元在其对应的特征类别中的原始日志的数量，计算各电能存储单元在其对应的特征类别中的原始日志的数量与各电能存储单元对5[0004]由于储能电站是由多组电能存储单元构成的，即每个电能存储单元存在多个电[0010]分析所述特征类别内所述原始日志的分布特征，得到各电能存储单元的冗余权6[0014]在本发明的一些实施例中，对所述文本数据进行分段文本量化得到文本向量序[0024]基于所述检验统计量和所述数据分布，使用ISODATA算法对所述原始日志进行第储单元的原始日志个数最多的类别作为所述电能存储单元的特征[0031]计算各电能存储单元在其对应的特征类别中的原始日志的数量与各电能存储单[0034]将每个所述数字向量序列与所述标准数字向量序列进行DTW匹配，得到每个所述7[0036]计算每个所述规整数字向量序列和所述标准数字向量序列中对应的向量之间的[0039]基于所有原始日志的异常表现性，使用密度聚类算法DBSCAN进行第二次聚类分对所述文本数据进行分段文本量化得到文本向量序列；8对原始日志异常表现性判断的准确性，进而提高了正常日志集和疑似异常日志集的可靠[0060]图1为本发明一个实施例所提供的一种储能电站数据采集与传输方法的基本流程[0061]图2为本发明一个实施例所提供的一种储能电站数据采集与传输系统的基本组成合附图及较佳实施例，对依据本发明提出的一种储能电站数据采集与传输方法及系统，其点可由任何合适形式组合。[0064]下面结合附图具体地说明本发明所提供的一种储能电站数据采集与传输方法的[0065]请参阅图1，其示出了本发明一个实施例所提供的一种储能电站数据采集与传输9[0068]电能存储单元的监测日志数据中通常包含各电能存储单元的运行状态数据（电常事件的记录以及环境数据和维护记录。据采集系统（SCADA）将各传感器的数据进行收集汇总，其中汇总时通过工业标准协议能存储单元在各时间节点的原始日志，每间隔15分钟生成一次日志，即所有电能存储单元在各时间节点都存在唯一的一个原始日志，每个原始日志中包含记录的数字数据和文本数据（文本描述日志并且由于数据采集系统在对所有数据进行汇总时的规则相同，因此相同描述对象的数字数据和文本数据在日志中所存在的位置是相同的。本量化得到文本向量序列。单元受到内阻影响系数导致的文本向量序列差异，用于在分析电能存储单元的相似性时，个数最多的类别作为电能存储单元的特征类[0083]对于第个原始日志的文本向量序列中所有的词向量进行模值化，每个词向量对个原始日志的文本序列和所有词向量的模值。然后使用Mann_Kendall(MK)趋势分析算法于0时表示不变的趋势。因此检验统计量可以衡量不同原始日志中文本数据所描述的整体[0084]由于检验统计量仅能描述不同文本向量序列间的走向关系而无法描述向量值的[0086]在得到的若干类别中，若同一类别中仅包含了同一个电类别中的原始日志的数量与各电能存储单元对应的特征类别中包含的原始日志的总数量的特征类别中的原始日志的数量；表示第个电能存储单元对应的特征类别中包含原始[0091]表示第个电能存储单元在其对应的特征类别中的原始日志的数量与第个电的作为匹配元素（可能一对多或多对一进而将所有差值求和就是DTW距离，本实施例中配结果进行等长插值使得每个原始日志的数字向量序列与标准数字向量序列的长度相同，列与标准数字向量序列之间的皮尔逊相关系数，得到每个规整数字向量序列对应的相关向量序列中对应的数值向量之间的模值差值，得到每个规整数字向量序列对应的差异性，[0098]构建第i个电能存储单元的第k个原始日志的异常表现性x计算公式为：i个电能存储单元的第k个原始日志的异常表现性；5表示第i个序列与标准数字向量序列之间的皮尔逊相关系数，即第个原始日志的规整数字向量序列对应的相关性表示第i个电能存储单元的第k个原始日志的规整数字向量序列中除单位词向量外第个词向量的模值；ma表示标准数字向量序列中除单位词向量外第a个词向量的模值；表示第i个电能存储单元的第k个原始日志中除单位词向量外[0101]冗余权重取数值越大，说明该电能存储单元的异常越可能是内阻产生的影响，该电能存储单元越可能是正常的，对应的该电能存储单元的异常表现性越小；表示第个电能存储单元的第个原始日志的规整数字向量序列和标字向量序列差异越大，对应的该电能存储单元的异常表现性越大。需要说明的是，对于i个电能存储单元的第k个原始日志的规整数字向量序列与标准数字[0102]此处仅使用原始日志的规整数字向量序列中除单位词向量外的词向量来分析异