配电房温度和湿度调控方法与流程

控制;调节装置的制造及其应用技术1.本技术属于电网防护监测控制技术领域，尤其涉及一种配电房温度和湿度调控方法。背景技术：2.随着电网基础设施建设的推进以及智能化管控技术的应用，电网日常作业巡检逐步向远程化信息化发展，通过高效的信息处理手段和远程管理设备，有效提高了各层级配电作业任务的效率，降低了人员设备的成本。技术实现要素：3.本技术的目的在于，提供一种基于配电房历史数据对配电房温湿度进行提前预测和调控的温湿度调控方法，以便于为实现自动化智能化配电房状态管控提供基础。4.为实现上述目的，本技术采用如下技术方案。5.一种配电房温度和湿度调控方法，包括如下步骤：6.s1.数据采集和预处理，基于配电房的温湿度及温湿度影响要素的历史数据进行数据采集，数据采集周期t根据配电房服务的供电网络的供电周期t0进行连续多个整倍数周期选取；7.s2.特征数据提取，根据各影响要素对温湿度的影响程度进行剔除或者加权减重操作；8.s3.温湿度预测和调控模型，利用ann网络实现一段时间内配电房温湿度的预测值；由各类温湿度影响要素作为输入层、由双曲线正切函数作为中间层激活函数、利用adam优化器进行优化，输出值为配电房温湿度预测值，构建ann网络；根据ann网络预测结果提前进行温湿度修正处理，以使配电房温湿度处于合适的动态稳定状态。9.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，所述步骤s1还包括s1.2，根据影响要素的历史数据对温湿度具有直接影响的幅值范围对原始数据进行限幅滤波处理，具体是指：判定对应的数据范围是否均属于有效数据范围，若不是，则设定幅值的有效区间，若原始数据处于幅值的有效区间之外则进行删除处理；若原始数据处于幅值的有效区间之内，则将其与其他供电周期t内的同时期数据进行差值对比，若差值处于正常范围内则判定为有效数据，否则认定为无效数据进行删除处理。10.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，所述步骤s1还包括s1.3，对于原始数据存在的节点数据缺失现象，对缺失值进行填充恢复，至少采集了十个以上的完整供电周期，对于少量的缺失值采用平均值填充来进行完善丰富。11.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，所述步骤s1还包括s1.4，对于基于同类传感器获取的原始数据数据才去加权融合的方法将其进行融合处理。12.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，所述步骤s1还包括1.6，对原始数据进行归一化处理，通过将各影响要素原始数据进行比例准换。13.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，所述步骤s2中，对于对温湿度的影响并不直观的影响要素的历史数据，通过互信息系数来对数据的重要性进行判断。14.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，防止局部异常数据以及小概率事件影响预测结果的准确性，在进行模型训练过程中，应保证训练集的样本数量不低于总数据量的80％。15.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，所述步骤3，根据预测结果提前进行温湿度修正处理，以使配电房温湿度处于合适的动态稳定状态，具体是指：基于前述ann网络模型获取预测值，利用成本函数计算得到预测值与目标值的成本函数值，通过梯度优化算法确定可控的温湿度影响措施的最佳控制量，并在下一轮利用可控的温湿度影响措施与前述不可控的影响要素作为温湿度预测模型的组合输入进行再次预测，并循环进行，直至基于ann网络模型得到的预测温湿度预测值与目标温度值计算得到的成本函数值低于设定阈值，或者更新后配电房温湿度参数低于设定阈值，则停止前述程序。16.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，成本函数使用如下函数：c(k)＝0.5·e(k)2。17.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，在进行数据采集过程中，应当根据数据采集装置可能受到的电磁场影响进行对应的电磁防护配置或者数据修正程序。18.对前述配电房温度和湿度调控方法的进一步改进或者优选实施方案，所述步骤3中，ann网络第一中间层采用的双曲线正切函数可选用第二中间层采用的线性整流函数为19.其有益效果在于：20.本技术提供了一种基于配电房温湿度历史数据和ann网络对未来温湿度数据进行预测以便于进行提前控制和管理的的配电房温度和湿度调控方法，该方法为实现配电房远程无人自动化管控提供技术基础，本方法能够避免现有方案存在的控制滞后，调控不及时等问题。附图说明21.图1是温湿度预测调控模型。具体实施方式22.以下结合具体实施例对本技术作详细说明。23.本技术的配电房温度和湿度调控方法主要用于为实现配电房智能化无人化管理提供温湿度监测调控方案，随着智能电网的建设，电网运行和管理的各种设备以及程序目前纷纷实现数据化远程化处理，在此过程中，通过综合分析利用这些监测管理数据，可以对配电房当前以及未来一段时间内的工作状态以及各向参数的运行进行预测，这是本技术实现温湿度预测调控的基础，本技术的方案的原理如图1所示，具体步骤包括：24.s1.数据采集和预处理25.s1.1.数据采集26.在一个稳定的供电周期内，影响配电房的温度和湿度的因素相对稳定或者可以直接预期，例如在不同年份，相同的季节和天气下配电房各时间节点的温湿度稳定或可以再误差允许的范围内进行预估，但由于局部天气变化不可控性，异常的或短时间的突变会是的配电房的温湿度参数发生变化；又例如在多个连续且稳定的供电周期内，每个周期的不同时间点，由于配电设备的运行状态一致，因此对配电房的温湿度影响是可以明确或者直接预估的，但由于设备异常等原因导致的突发状况会导致温湿度数据的不可预估，因此，为了保证后续温湿度预估和分析的准确性，需要基于受控对象，即配电房的温湿度及温湿度影响要素的历史数据进行数据采集，在数据采集过程中，为了保证数据的完整性以及便于处理，考虑到配电房内设备的运行状态随电网运行周期同步呈周期性变化，数据采集周期t和采集频率f应当根据配电房服务的供电网络的供电周期t0进行连续多个整倍数周期选取，这里的供电周期t0是指某个或者多个特定时间段的组合，在多个连续的稳定供电周期t0内，电网的运行状态呈周期性复现，一般数据的采集周期t不少于供电周期t的10倍且总时长不少于7day，即10t0≤t≤7day；27.由于配电房内外部的温湿度采集装置以及各类影响要素的采集装置的采集频率不尽相同，一般温湿度数据直接可以利用传感器获取采集频率可以自由设置，各类温湿度影响要素包括外部环境因素、配电房内设备运行参数要素、所在区域电网实时供电参数要素等的采集周期相对较长，因此，应当基于所有需要采集的原始数据的采集频率来统一进行数据采集，在必要时，对特定采集对象应当修改或者优化其原始数据采集配置，以使其能够与其他大多数影响要素的采集频率接近或者一致；28.特别的，由于配方内电磁场环境复杂，在进行数据采集过程中，应当根据数据采集装置可能受到的电磁场影响进行对应的电磁防护配置或者数据修正程序。29.s1.2.异常数据处理30.前述数据采集步骤中获取的原始数据，虽然配电房温湿度以及大部分影响要素的数值变化范围较小，但也有例如外部光照强度等影响参数，幅值变化范围大，但实际上，由于配电房保护措施的存在，超过一定幅值范围的影响要素将失去对温湿度的进一步影响，对于此类数据，需要根据其对温湿度具有直接影响的幅值范围对原始数据进行限幅滤波处理，具体而言：31.对于前述影响要素对应的原始数据，判定对应的数据范围是否均属于有效数据范围，若不是，则设定幅值的有效区间，若原始数据处于幅值的有效区间之外则进行删除处理；若原始数据处于幅值的有效区间之内，则将其与其他供电周期t内的同时期数据进行差值对比，若差值处于正常范围内则判定为有效数据，否则认定为无效数据进行删除处理；32.s1.3.数据丰富33.受监测系统的数据漂移以及前述异常数据处理过程的影响，最终得到的原始数据可能在不同节点存在数据缺失现象，需要对缺失值进行填充恢复，以使后续处理过程中，减少数据的波动性，保证数据的完整性，由于本方案在实施时采集了十个以上的完整供电周期，因此任意节点任意时刻的原始数据具有十个及以上的可参考对象，因此，对于少量的缺失值采用平均值填充等常用的数据补全方法来进行完善丰富。34.s1.5.数据融合35.基于前述步骤，我们可以获取到采集周期t内温湿度以及与温湿度相关的每个影响要素的完整的历史数据，在实际实施过程中，不同功能用途以及不同位置区域甚至不同工作时间段的配电房所对应的影响要素的数量和种类均有一定差异，在部分情境下，需要考虑的对温湿度有影响的要素种类繁多，但在这些影响要素的中，含有大量基于同一种传感器或检测设备获取的同类型数据，虽然这些数据的数值大小和变化周期不尽相同，但却可以基于同类传感器数据加权融合的方法将其进行融合处理，这样可以有效减少影响要素的种类，降低数据的处理量，提高效率；36.s1.6.数据归一37.为提高数据处理的效率，一般需要对原始数据进行归一化处理，通过将各影响要素原始数据进行比例转换，每项原始数据进行转换后的数值为其中dl为转换后的归一值；dmin为每项原始数据的最小值；dmax为每项原始数据的最大值；d为当前值；38.s2.特征数据提取(相关性分析/权值)39.在进行温湿度预测控制过程中，前述影响要素作为着温湿度预测的特征属性，其对于温湿度的影响程度各不相同，根据各影响要素对温湿度的影响程度的大小可以确定哪些为关键要素，哪些为次要要素，进而在预测调控过程中，可以进行剔除或者加权减重操作，进而提高温湿度预测的有效性以及降低预测过程的计算量，提高效率。40.特别的，在此过程中，部分影响要素的重要程度是可以直接通过历史经验数据进行人工判别，这这些可以直接经过人工判断的影响要素数据可以直接认定并进行取舍处理，提取其中的特征要素和数据；而另一些影响要素对于温湿度的影响这并不直观，则需要通过互信息系数来对数据的重要性进行判断；41.s3.温湿度预测和调控模型42.本技术中，利用温湿度预测模型实现一段时间内配电房温湿度的预测值，利用温湿度调控模型计算预测值和目标值的差值得到成本函数确定最佳的调控方案；具体而言：43.温湿度预测模型基于ann网络实现，ann网络由各类温湿度影响要素作为输入层、由双曲线正切函数作为中间层激活函数、利用adam优化器进行优化，输出值为配电房温湿度预测值；44.在具体实施过程中，第一中间层采用的双曲线正切函数可选用第二中间层采用的线性整流函数为45.为便于实现有效的预测，防止局部异常数据以及小概率事件影响预测结果的准确性，在进行模型训练过程中，应保证训练集的样本数量不低于总数据量的80％。46.基于前述ann网络模型，通过温湿度影响要素的输入，我们可以获得未来一段时间内的预期问湿度变化，以此我们可以根据预测结果提前进行温湿度修正处理，以使配电房温湿度处于合适的动态稳定状态，具体而言：47.基于前述ann网络模型获取预测值，利用成本函数计算得到预测值与目标值的成本函数值，通过梯度优化算法确定可控的温湿度影响措施的最佳控制量，并在下一轮利用可控的温湿度影响措施与前述不可控的影响要素作为温湿度预测模型的组合输入进行再次预测，并循环进行，直至基于ann网络模型得到的预测温湿度预测值与目标温度值计算得到的成本函数值低于设定阈值，或者更新后配电房温湿度参数低于设定阈值，则停止前述程序。48.具体实施过程中，成本函数可以使用如下函数：c(k)＝0.5·e(k)2；49.最后应当说明的是，以上实施例仅用以说明本技术的技术方案，而非对本技术保护范围的限制，尽管参照较佳实施例对本技术作了详细地说明，本领域的普通技术人员应当理解，可以对本技术的技术方案进行修改或者等同替换，而不脱离本技术技术方案的实质和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!