一种储能电站监控方法及系统与流程

1.本发明涉及监控数据处理领域，尤其涉及一种储能电站监控方法及系统。


背景技术：

2.随着城市用电需求日渐高涨，对于发电相关设备的要求也越来越高，其中，储能电站作为发电相关设备或发电设施中的核心设施，其安全运行也逐渐得到了重视。对于储能电站的监控，是实现储能电站自动化高效运行的核心技术要素。现有的储能电站中设置了变流器、电池等大量的高危储能设备，因此需要结合多种信息，对这些储能设备进行有秩序的管理和监控。
3.但现有技术中，储能电站的监控系统多是按照传统电站模式，通过工作人员以及简单的控制器数据获取，依照预设的数据分析规则来对储能电站进行监控，这种单一的监控方式，无法兼顾储能电站中各设备之间的相关性影响，没有考虑到结合储能电站的多种数据有效预测来综合分析电站的危险情况，无法精准监控储能电站。


技术实现要素：

4.本发明提供了一种储能电站监控方法及系统，实现有效对储能电站的风险进行监控和预警，智能化监控储能电站，提高储能电站监控的精度和便捷度。
5.为了解决上述技术问题，本发明实施例提供了一种储能电站监控方法，包括：
6.接收若干个储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，将各电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合；其中，电站数据包括电站设备参数、设备工作参数和电站内传感数据；
7.将各高风险数据集合进行数据风险预测，得到各高风险数据集合对应的储能电站的数据风险概率，并将各高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率；其中，电站关联集合包括多个相互关联的储能电站；
8.将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各高危储能电站，生成报警信息，根据报警信息进行报警控制；根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，并将风险可视化画面推送至终端进行显示。
9.实施本发明实施例，接收若干个储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，将各电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合；其中，电站数据包括电站设备参数、设备工作参数和电站内传感数据；将各高风险数据集合进行数据风险预测，得到各高风险数据集合对应的储能电站的数据风险概率，并将各高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率；其中，电站关联集合包括多个相互关联的储能电站；将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各高危储能电站，生成报警信息，根据报警信息进行报警控
制；根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，并将风险可视化画面推送至终端进行显示。通过风险关联筛选算法和数据预测算法，能够有效对储能电站的风险进行监控和预警，同时能够提高储能电站监控的智能化程度和可视化程度，大大提高了监控的精度和便捷度。
10.作为优选方案，根据历史信息筛选规则和类型筛选规则，将各电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合，具体为：
11.基于各电站数据在历史时间段中的数据值和电站危险事件信息，并根据历史信息筛选规则，在各电站数据中筛选出各高风险数据集合；
12.基于各电站数据对应的储能电站之间的关联参数，并根据类型筛选规则，在各电站数据中筛选出各高关联数据集合；各高关联数据集合中包括至少两个属于强关联关系的电站数据。
13.作为优选方案，基于各电站数据在历史时间段中的数据值和电站危险事件信息，并根据历史信息筛选规则，在各电站数据中筛选出各高风险数据集合，具体为：
14.在数据库中查询出当前的电站数据对应的在多个历史时间点的历史数据值；
15.在数据库中查询出当前的电站数据对应的储能电站在多个历史时间点对应的是否发生电站危险事件信息，确定当前的电站数据对应的储能电站发生电站危险事件的危险历史时间点；其中，危险历史时间点至少有两个；
16.根据当前的电站数据的历史数据值和危险历史时间点，将数值相似度、区段数据平均值相似度和相邻时间数据变化程度相似度之中的任意两种的加权求和值，计算危险历史时间点对应的历史数据值之间的不同类型的相似度，得到当前的电站数据对应的不同类型的数据危险相似度；其中，相邻时间数据变化程度相似度为危险历史时间点与相邻的历史时间点的历史数据值之间的数据变化值的相似度；区段数据平均值相似度为任意两个危险历史时间点的所在的预设前后时间长度所组成时间区间中的所有历史时间点的历史数据值的平均值之间的相似度；相邻时间数据变化程度相似度的权重大于区段数据平均值相似度的权重，区段数据平均值相似度的权重大于数值相似度的权重；
17.根据各电站数据的不同类型的数据危险相似度，从大到小对各电站数据进行排序，得到至少一个数据序列；
18.将各数据序列的前第一数量的电站数据，确定为各高风险数据集合。
19.作为优选方案，基于各电站数据对应的储能电站之间的关联参数，并根据类型筛选规则，在各电站数据中筛选出各高关联数据集合，具体为：
20.在各电站数据中任意选取多个电站数据，作为当前的各电站数据；
21.获取当前的各电站数据对应的储能电站的电站位置、电站所在供电链和电站设备参数；
22.根据当前的各电站数据对应的储能电站的电站位置，计算当前的各电站数据的电站位置之间的距离平均值；
23.根据当前的各电站数据对应的储能电站的电站所在供电链，计算当前的各电站数据的电站所在供电链之间的供电链相似度；其中，供电链相似度为当前的各电站数据之间处于同一供电链的电站数据的数量占总数量的比值；
24.根据当前的各电站数据对应的储能电站的电站设备参数，计算任意两个电站数据
的电站设备参数之间的设备类型相似度，并计算当前的各电站数据对应的所有设备类型相似度的相似度平均值；
25.将当前的各电站数据对应的距离平均值、供电链相似度和相似度平均值进行加权求和，得到当前的各电站数据的加权求和值；其中，距离平均值、供电链相似度和相似度平均值之和为1，且距离平均值、供电链相似度和相似度平均值的权重依次减小；
26.判断当前的各电站数据的加权求和值是否大于预设的参数阈值，若是，则将当前的各电站数据作为一个高关联数据集合；
27.若否，则在各电站数据中任意选取多个电站数据，重新确定当前的各电站数据，根据当前的各电站数据进行关联相似度计算，计算当前的各电站数据的加权求和值，直至当前的各电站数据的加权求和值大于预设的参数阈值，获得各高关联数据集合。
28.作为优选方案，将各高风险数据集合进行数据风险预测，得到各高风险数据集合对应的储能电站的数据风险概率，具体为：
29.将当前的高风险数据集合中的各电站数据，输入至预先训练好的第一神经网络预测模型中，获得当前的高风险数据集合的各电站数据对应的数据风险概率；其中，第一神经网络预测模型通过多个训练电站数据和各训练电站数据对应的数据风险标注的训练数据集训练得到；
30.根据各高风险数据集合的各电站数据对应的数据风险概率，获得各高风险数据集合对应的储能电站的数据风险概率。
31.作为优选方案，将各高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率，具体为：
32.将各高关联数据集合中的全部电站数据所对应的全部储能电站，确定为各电站关联集合；
33.将当前的高关联数据集合中的全部电站数据，输入至预先训练好的第二神经网络预测模型中，以得到当前的高关联数据集合对应的各电站关联集合对应的关联风险概率；其中，第二神经网络预测模型通过包括多个训练电站关联集合对应的多个训练电站数据和各训练电站关联集合对应的数据风险标注的训练数据集训练得到；
34.根据各高关联数据集合对应的各电站关联集合对应的关联风险概率，获得各电站关联集合对应的关联风险概率。
35.作为优选方案，将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，具体为：
36.判断当前的电站关联集合对应的关联风险概率是否高于预设的概率阈值，若是，则将当前的电站关联集合确定为一个危险电站集合；
37.根据各电站关联集合对应的关联风险概率，确定各危险电站集合；
38.根据各高风险数据集合对应的储能电站的数据风险概率，确定各危险电站集合中的所有储能电站对应的数据风险概率，并将各危险电站集合中的所有储能电站对应的数据风险概率进行风险权重分析，得到各高危储能电站。
39.作为优选方案，将各危险电站集合中的所有储能电站对应的数据风险概率进行风险权重分析，得到各高危储能电站，具体为：
40.根据当前的危险电站集合中当前的储能电站的数据风险概率，计算当前的储能电
站对应的所有电站数据对应的数据风险概率的平均值，得到当前的储能电站对应数据风险参数；
41.计算当前的储能电站与在同一危险电站集合中所有其他储能电站之间的距离平均值、供电链相似度和相似度平均值的加权求和值的平均值，得到当前的储能电站对应的关联参数；
42.根据当前的储能电站对应的关联参数和预设的参数权重规则，确定当前的储能电站对应的风险权重；其中，风险权重与关联参数成正比；
43.计算当前的储能电站的数据风险参数和风险权重的乘积，得到当前的储能电站的危险度值；
44.计算各危险电站集合的各储能电站的危险度值，得到全部危险度值；
45.根据全部危险度值，对各危险电站集合的全部储能电站进行由大到小的排序，得到各危险电站集合对应的电站序列；
46.将各危险电站集合对应的电站序列的前第二数量的储能电站，确定为高危储能电站，得到各高危储能电站。
47.作为优选方案，根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，具体为：
48.确定当前的储能电站所属于的电站关联集合中的其他储能电站，得到多个关联电站；
49.判断当前的储能电站所属于的电站关联集合是否属于危险电站集合，得到当前的储能电站和各关联电站对应的第一判断结果；
50.判断当前的储能电站是否属于高危储能电站，得到当前的储能电站对应的第二判断结果；
51.根据各储能电站，得到各储能电站对应的第一判断结果和第二判断结果；
52.构建动态规划算法模型的目标函数；其中，目标函数具体为：在演算得到的关系图中，每一储能电站与对应的关联电站之间的距离达到最小和每一储能电站对应的显示参数的显眼程度达到最高；显眼程度用于表征显示参数的吸引程度；显示参数包括显示框大小、显示字体大小和显示颜色的特定维度值；
53.确定动态规划算法模型的限制条件包括：在演算得到的关系图中，储能电站与关联电站之间的距离小于储能电站与不是关联电站之间的距离；第一判断结果为是的储能电站的显眼程度大于第一判断结果为否的储能电站；第二判断结果为是的储能电站的显眼程度大于第一判断结果为是的储能电站；
54.基于目标函数和限制条件，将全部储能电站的参数输入至动态规划算法模型中进行迭代演算，得到满足目标函数和限制条件的最优演算结果；最优演算结果中包括全部储能电站对应的可视化关系图。
55.为了解决相同的技术问题，本发明实施例还提供了一种储能电站监控系统，包括：储能电站监控系统用于实现储能电站监控方法，包括：数据接收筛选装置、数据风险关联预测装置和分析监控装置；
56.其中，数据接收筛选装置用于接收若干个储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，将各电站数据进行风险关联筛选，获得若干个高风险数据
集合和若干个高关联数据集合；其中，电站数据包括电站设备参数、设备工作参数和电站内传感数据；
57.数据风险关联预测装置用于将各高风险数据集合进行数据风险预测，得到各高风险数据集合对应的储能电站的数据风险概率，并将各高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率；其中，电站关联集合包括多个相互关联的储能电站；
58.分析监控装置用于将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各高危储能电站，生成报警信息，根据报警信息进行报警控制；根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，并将风险可视化画面推送至终端进行显示。
附图说明
59.图1：为本发明提供的一种储能电站监控方法的一种实施例的流程示意图；
60.图2：为本发明提供的一种储能电站监控系统的一种实施例的结构示意图；
61.图3：为本发明提供的一种储能电站监控系统的一种实施例的模块化结构示意图；
62.图4：为本发明提供的一种储能电站监控系统的一种实施例的数据筛选模块的结构示意图；
63.图5：为本发明提供的一种储能电站监控系统的一种实施例的风险综合分析模块的结构示意图。
具体实施方式
64.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
65.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或端没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或模块。
66.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
67.实施例一
68.请参照图1，为本发明实施例提供的一种储能电站监控方法的流程示意图。本实施例的储能电站监控方法适用于储能电站自动化监控，本实施例通过风险关联筛选算法和数据预测算法，有效对储能电站的风险进行监控和预警，智能化监控储能电站，提高储能电站
监控的精度和便捷度。该储能电站监控方法包括步骤11至步骤13，各步骤具体如下:
69.步骤11：接收若干个储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，将各电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合；其中，电站数据包括电站设备参数、设备工作参数和电站内传感数据。
70.在本实施例中，接收并获取多个储能电站的多个电站数据，并分别基于历史信息筛选规则和类型筛选规则，从电站数据中筛选出至少一个高风险数据集合和至少一个高关联数据集合，即若干个高风险数据集合和若干个高关联数据集合。
71.实施本发明实施例，实现对电站数据进行筛选以得到高风险数据集合和高关联数据集合，从而在后续可以进一步提高储能电站监控的智能化程度和可视化程度，大大提高了监控的精度和便捷度。
72.可选的，步骤11具体包括步骤111至步骤113，各步骤具体如下:
73.步骤111：接收若干个储能电站发送的电站数据。
74.在本实施例中，连接至多个储能电站，接收每一储能电站发送的多个电站数据。电站数据可以包括电站设备参数、设备工作参数和电站内传感数据。电站设备参数可以包括变流器设备信息、电池设备信息、控制摇杆设备信息、开关控制设备信息中的至少一种。设备工作参数可以包括变流器启停参数、变流器有无功功率参数、变流器工作状态参数、电池系统soc信息、电池系统soh信息、电池单体电压信息、电池温度信息、告警故障信息、配电设备开关信息、摇杆工作状态参数中的至少一种。电站内传感数据可以包括设备水流量数据、设备水质数据、站内图像数据、环境空气质量数据、环境温度数据、环境湿度数据、站内门禁数据、站内门窗监控数据、站内工作人员打卡数据中的至少一种。
75.步骤112：基于各电站数据在历史时间段中的数据值和电站危险事件信息，并根据历史信息筛选规则，在各电站数据中筛选出各高风险数据集合。
76.在本实施例中，根据每一电站数据在历史时间段中的数据值以及对应的是否发生电站危险事件信息，从电站数据中筛选出至少一个高风险数据集合；高风险数据集合中包括至少一个属于强风险相关类型的电站数据。
77.可选的，步骤112具体为：在数据库中查询出当前的电站数据对应的在多个历史时间点的历史数据值；
78.在数据库中查询出当前的电站数据对应的储能电站在多个历史时间点对应的是否发生电站危险事件信息，确定当前的电站数据对应的储能电站发生电站危险事件的危险历史时间点；其中，危险历史时间点至少有两个；
79.根据当前的电站数据的历史数据值和危险历史时间点，将数值相似度、区段数据平均值相似度和相邻时间数据变化程度相似度之中的任意两种的加权求和值，计算危险历史时间点对应的历史数据值之间的不同类型的相似度，得到当前的电站数据对应的不同类型的数据危险相似度；其中，相邻时间数据变化程度相似度为危险历史时间点与相邻的历史时间点的历史数据值之间的数据变化值的相似度；区段数据平均值相似度为任意两个危险历史时间点的所在的预设前后时间长度所组成时间区间中的所有历史时间点的历史数据值的平均值之间的相似度；相邻时间数据变化程度相似度的权重大于区段数据平均值相似度的权重，区段数据平均值相似度的权重大于数值相似度的权重；
80.根据各电站数据的不同类型的数据危险相似度，从大到小对各电站数据进行排
序，得到至少一个数据序列；
81.将各数据序列的前第一数量的电站数据，确定为各高风险数据集合。
82.在本实施例中，对于每一电站数据，在数据库中查询该电站数据对应的在多个历史时间点的历史数据值；
83.在数据库中查询出该电站数据对应的储能电站在多个历史时间点对应的是否发生电站危险事件信息，以确定出储能电站发生了电站危险事件的至少两个危险历史时间点；
84.计算至少两个危险历史时间点对应的历史数据值之间的不同类型的相似度，以得到该电站数据对应的不同类型的数据危险相似度；相似度包括数值相似度、区段数据平均值相似度、相邻时间数据变化程度相似度之中的任意两种的加权求和值；其中，相邻时间数据变化程度相似度、区段数据平均值相似度、数值相似度的权重逐渐减小；相邻时间数据变化程度相似度为两个危险历史时间点的与相邻的在先和/或在后的时间点的历史数据值之间的数据变化值之间的相似度；区段数据平均值相似度为两个危险历史时间点的所在的预设前后时间长度所组成时间区间中的所有历史时间点的历史数据值的平均值之间的相似度；
85.根据不同类型的数据危险相似度从大到小对所有电站数据进行排序，得到至少一个数据序列；
86.将每一数据序列的前第一数量个电站数据，确定为一个高风险数据集合。
87.通过上述筛选出各高风险数据集合的步骤，可以实现根据历史数据值在发生过危险时间的时间点的多种相似度，来确定不同电站数据的危险程度，并筛选出与风险高相关度的数据来进行后续的风险预测，可以有效提高预测的精度。
88.步骤113：基于各电站数据对应的储能电站之间的关联参数，并根据类型筛选规则，在各电站数据中筛选出各高关联数据集合；各高关联数据集合中包括至少两个属于强关联关系的电站数据。
89.在本实施例中，根据至少两个电站数据对应的储能电站之间的关联参数，从电站数据中筛选出至少一个高关联数据集合；高关联数据集合中包括至少两个属于强关联关系的电站数据。
90.可选的，步骤113具体为：在各电站数据中任意选取多个电站数据，作为当前的各电站数据；
91.获取当前的各电站数据对应的储能电站的电站位置、电站所在供电链和电站设备参数；
92.根据当前的各电站数据对应的储能电站的电站位置，计算当前的各电站数据的电站位置之间的距离平均值；
93.根据当前的各电站数据对应的储能电站的电站所在供电链，计算当前的各电站数据的电站所在供电链之间的供电链相似度；其中，供电链相似度为当前的各电站数据之间处于同一供电链的电站数据的数量占总数量的比值；
94.根据当前的各电站数据对应的储能电站的电站设备参数，计算任意两个电站数据的电站设备参数之间的设备类型相似度，并计算当前的各电站数据对应的所有设备类型相似度的相似度平均值；
95.将当前的各电站数据对应的距离平均值、供电链相似度和相似度平均值进行加权求和，得到当前的各电站数据的加权求和值；其中，距离平均值、供电链相似度和相似度平均值之和为1，且距离平均值、供电链相似度和相似度平均值的权重依次减小；
96.判断当前的各电站数据的加权求和值是否大于预设的参数阈值，若是，则将当前的各电站数据作为一个高关联数据集合；
97.若否，则在各电站数据中任意选取多个电站数据，重新确定当前的各电站数据，根据当前的各电站数据进行关联相似度计算，计算当前的各电站数据的加权求和值，直至当前的各电站数据的加权求和值大于预设的参数阈值，获得各高关联数据集合。
98.在本实施例中，对于任意多个电站数据，确定该多个电站数据对应的储能电站的电站位置、电站所在供电链和电站设备参数；
99.计算该多个电站数据的电站位置之间的距离平均值；
100.计算该多个电站数据的电站所在供电链之间的供电链相似度；供电链相似度为该多个电站数据之间处于同一供电链的电站数据的数量占总数量的比值；
101.计算中任意两个电站数据的电站设备参数之间的设备类型相似度，并计算该多个电站数据对应的所有设备类型相似度的相似度平均值；
102.计算该多个电站数据对应的距离平均值、供电链相似度和相似度平均值的加权求和值；其中，距离平均值、供电链相似度和相似度平均值之和为1；且距离平均值、供电链相似度和相似度平均值的权重依次减小；
103.判断加权求和值是否大于预设的参数阈值，若是，则将该多个电站数据确定为一个高关联数据集合；若否，则不将该多个电站数据确定为一个高关联数据集合，可再次重新任意选取多个电站数据，进行相应的计算判断是该多个电站数据是否属于一个高关联数据集合，以此获得多个高关联数据集合。
104.通过上述筛选出各高关联数据集合的步骤，可以实现根据电站的不同关联信息，例如距离的远近、供电链的相似度或设备类型的相似度，来确定不同电站之间的关联程度，并筛选出相互之间高关联的电站的数据来进行后续的风险预测，可以有效提高预测的精度和相关度，且能发现危险事件之间的关联程度。
105.步骤12：将各高风险数据集合进行数据风险预测，得到各高风险数据集合对应的储能电站的数据风险概率，并将各高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率；其中，电站关联集合包括多个相互关联的储能电站。
106.在本实施例中，根据任一高风险数据集合，预测出任一储能电站对应的数据风险概率，即各高风险数据集合对应的储能电站的数据风险概率。根据任一高关联数据集合，预测出任一电站关联集合对应的关联风险概率；电站关联集合中包括有多个相互之间关联的储能电站。
107.可选的，步骤12具体包括步骤121至步骤122，各步骤具体如下:
108.步骤121：将当前的高风险数据集合中的各电站数据，输入至预先训练好的第一神经网络预测模型中，获得当前的高风险数据集合的各电站数据对应的数据风险概率；其中，第一神经网络预测模型通过多个训练电站数据和各训练电站数据对应的数据风险标注的训练数据集训练得到；
109.根据各高风险数据集合的各电站数据对应的数据风险概率，获得各高风险数据集
合对应的储能电站的数据风险概率。
110.在本实施例中，将高风险数据集合中的每一电站数据，输入至预先训练好的第一神经网络预测模型中，以得到每一电站数据对应的数据风险概率；第一神经网络预测模型通过可以包括有多个训练电站数据和对应的数据风险标注的训练数据集训练得到。
111.作为本实施例的一种举例，第一神经网络预测模型可以为cnn结构网络模型、rnn结构网络模型、ltsm结构网络模型或其他如随机森林算法模型中的至少一种或多种的结合，本发明不做限定。
112.实施本发明实施例，通过第一神经网络预测模型来确定到每一电站数据对应的数据风险概率，可以有效提高预测的精度和相关度。
113.步骤122：将各高关联数据集合中的全部电站数据所对应的全部储能电站，确定为各电站关联集合；
114.将当前的高关联数据集合中的全部电站数据，输入至预先训练好的第二神经网络预测模型中，以得到当前的高关联数据集合对应的各电站关联集合对应的关联风险概率；其中，第二神经网络预测模型通过包括多个训练电站关联集合对应的多个训练电站数据和各训练电站关联集合对应的数据风险标注的训练数据集训练得到；
115.根据各高关联数据集合对应的各电站关联集合对应的关联风险概率，获得各电站关联集合对应的关联风险概率。
116.在本实施例中，将每一高关联数据集合中的所有电站数据所对应的所有储能电站，确定为一个电站关联集合；
117.将每一高关联数据集合中的所有电站数据，输入至预先训练好的第二神经网络预测模型中，以得到对应的每一电站关联集合对应的关联风险概率；第二神经网络预测模型通过包括有多个训练电站关联集合对应的多个训练电站数据和对应的数据风险标注的训练数据集训练得到。
118.作为本实施例的一种举例，第二神经网络预测模型可以为cnn结构网络模型、rnn结构网络模型、ltsm结构网络模型或其他如随机森林算法模型中的至少一种或多种的结合，本发明不做限定。
119.实施本发明实施例，通过第二神经网络预测模型来确定每一电站关联集合对应的关联风险概率，可以有效提高预测的精度和相关度，同时，上述第二神经网络预测模型的训练实际上也采用了与第一神经网络预测模型相关的训练数据来训练，其模型参数也提取到了与第一神经网络预测模型相关的参数特征，从而使得在后续利用两个模型的预测结果进行交叉分析时，其分析效果更有实证价值，其预测效果也更好。
120.步骤13：将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各高危储能电站，生成报警信息，根据报警信息进行报警控制；根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，并将风险可视化画面推送至终端进行显示。
121.在本实施例中，根据数据风险概率和关联风险概率，从所有储能电站中确定出至少一个高危储能电站，并发送报警信息至高危储能电站对应的终端进行报警，根据数据风险概率和关联风险概率，生成多个储能电站对应的风险可视化画面，以推送至终端进行显
示，实现风险监控和预警风险显示。
122.可选的，将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，具体为：
123.判断当前的电站关联集合对应的关联风险概率是否高于预设的概率阈值，若是，则将当前的电站关联集合确定为一个危险电站集合；
124.根据各电站关联集合对应的关联风险概率，确定各危险电站集合；
125.根据各高风险数据集合对应的储能电站的数据风险概率，确定各危险电站集合中的所有储能电站对应的数据风险概率，并将各危险电站集合中的所有储能电站对应的数据风险概率进行风险权重分析，得到各高危储能电站。
126.在本实施例中，对于每一电站关联集合，判断该电站关联集合对应的关联风险概率是否高于预设的概率阈值，若是，则将该电站关联集合确定为危险电站集合。
127.可选的，将各危险电站集合中的所有储能电站对应的数据风险概率进行风险权重分析，得到各高危储能电站，具体为：
128.根据当前的危险电站集合中当前的储能电站的数据风险概率，计算当前的储能电站对应的所有电站数据对应的数据风险概率的平均值，得到当前的储能电站对应数据风险参数；
129.计算当前的储能电站与在同一危险电站集合中所有其他储能电站之间的距离平均值、供电链相似度和相似度平均值的加权求和值的平均值，得到当前的储能电站对应的关联参数；
130.根据当前的储能电站对应的关联参数和预设的参数权重规则，确定当前的储能电站对应的风险权重；其中，风险权重与关联参数成正比；
131.计算当前的储能电站的数据风险参数和风险权重的乘积，得到当前的储能电站的危险度值；
132.计算各危险电站集合的各储能电站的危险度值，得到全部危险度值；
133.根据全部危险度值，对各危险电站集合的全部储能电站进行由大到小的排序，得到各危险电站集合对应的电站序列；
134.将各危险电站集合对应的电站序列的前第二数量的储能电站，确定为高危储能电站，得到各高危储能电站。
135.在本实施例中，根据危险电站集合中的所有储能电站对应的数据风险概率，从危险电站集合中确定出至少一个高危储能电站。确定高危储能电站的过程为：对于任一危险电站集合中的任一储能电站，计算该储能电站对应的所有电站数据对应数据风险概率的平均值，得到该储能电站对应数据风险参数；计算该储能电站与在同一危险电站集合中所有其他储能电站之间的距离平均值、供电链相似度和相似度平均值的加权求和值的平均值，得到该储能电站对应的关联参数；根据关联参数，以及预设的参数-权重规则(参数-权重规则可以为预设的权重确定公式，并限定风险权重与关联参数成正比)，确定该储能电站对应的风险权重；风险权重与关联参数成正比；计算该储能电站的数据风险参数和风险权重的乘积；根据乘积从大到小，对每一危险电站集合中的所有储能电站进行排序，得到每一危险电站集合对应的电站序列；将每一危险电站集合对应的电站序列的前第二数量个储能电站，确定为高危储能电站。
136.可选的，根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，具体为：
137.确定当前的储能电站所属于的电站关联集合中的其他储能电站，得到多个关联电站；
138.判断当前的储能电站所属于的电站关联集合是否属于危险电站集合，得到当前的储能电站和各关联电站对应的第一判断结果；
139.判断当前的储能电站是否属于高危储能电站，得到当前的储能电站对应的第二判断结果；
140.根据各储能电站，得到各储能电站对应的第一判断结果和第二判断结果；
141.构建动态规划算法模型的目标函数；其中，目标函数具体为：在演算得到的关系图中，每一储能电站与对应的关联电站之间的距离达到最小和每一储能电站对应的显示参数的显眼程度达到最高；显眼程度用于表征显示参数的吸引程度；显示参数包括显示框大小、显示字体大小和显示颜色的特定维度值；
142.确定动态规划算法模型的限制条件包括：在演算得到的关系图中，储能电站与关联电站之间的距离小于储能电站与不是关联电站之间的距离；第一判断结果为是的储能电站的显眼程度大于第一判断结果为否的储能电站；第二判断结果为是的储能电站的显眼程度大于第一判断结果为是的储能电站；
143.基于目标函数和限制条件，将全部储能电站的参数输入至动态规划算法模型中进行迭代演算，得到满足目标函数和限制条件的最优演算结果；最优演算结果中包括全部储能电站对应的可视化关系图。
144.在本实施例中，对于每一储能电站，确定该储能电站所属于的电站关联集合中的其他储能电站，得到多个关联电站；判断该储能电站所属于的电站关联集合是否属于危险电站集合，得到该储能电站和关联电站对应的第一判断结果；判断该储能电站是否属于高危储能电站，得到该储能电站对应的第二判断结果；确定动态规划算法模型的目标函数可以包括：在演算得到的关系图中，每一储能电站与对应的关联电站之间的距离达到最小和每一储能电站对应的显示参数的显眼程度达到最高；显眼程度用于表征显示参数的吸引程度；显示参数可以包括显示框大小、显示字体大小和/或显示颜色的特定维度值；确定动态规划算法模型的限制条件可以包括：在演算得到的关系图中，储能电站与关联电站之间的距离小于储能电站与不是关联电站之间的距离；第一判断结果为是的储能电站的显眼程度大于第一判断结果为否的储能电站；第二判断结果为是的储能电站的显眼程度大于第一判断结果为是的储能电站；基于目标函数和限制条件，将所有储能电站的参数输入至动态规划算法模型中进行迭代演算，以得到满足目标函数和限制条件的最优演算结果；最优演算结果中可以包括有所有储能电站对应的可视化关系图；将可视化关系图以推送至终端进行显示。
145.作为本实施例的一种举例，可视化关系图中可以包括有多个储能电站所在的区域的地图，以及地图中每一储能电站所在的位置，然后，每一储能电站的图标大小或颜色等显示参数则有上述动态规划算法，如粒子群算法，通过对图标的大小的调整，也能相应调整储能电站之间的距离，也即距离是指在可视化关系图上的地图距离，这一距离可以是两个图标的最接近的边缘点之间的距离，因此，对这一距离的演算，同时也包括对图标大小的演
算。
146.在另一些实施方案中，由于储能电站之间的位置可能已经固定，演算起距离无法得到很好的效果，则也会将可视化关系图单纯演算成只包括有多个储能电站的图纸，其中储能电站之间的距离或显示参数，则与上述限制条件相吻合。
147.实施本发明实施例，接收若干个储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，将各电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合；其中，电站数据包括电站设备参数、设备工作参数和电站内传感数据；将各高风险数据集合进行数据风险预测，得到各高风险数据集合对应的储能电站的数据风险概率，并将各高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率；其中，电站关联集合包括多个相互关联的储能电站；将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各高危储能电站，生成报警信息，根据报警信息进行报警控制；根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，并将风险可视化画面推送至终端进行显示。能够通过数据筛选算法和数据预测算法，有效对储能电站的风险进行监控和预警，同时通过数据可视化处理算法，也能够提高储能电站监控的智能化程度和可视化程度，大大提高了监控的精度和便捷度。
148.实施例二
149.相应地，参见图2，图2是本发明提供的一种储能电站监控系统的实施例二的结构示意图。如图2所示，储能电站监控系统用于实现储能电站监控方法，储能电站监控系统包括数据接收筛选装置201、数据风险关联预测装置202和分析监控装置203；
150.在本实施例中，储能电站监控系统的模块化结构示意图，如图3所示，储能电站监控系统包括数据接收模块101、数据筛选模块102、数据风险预测模块103、关联风险预测模块104、风险综合分析模块105和风险可视化模块106。具体的，数据接收筛选装置201包括数据接收模块101和数据筛选模块102，数据风险关联预测装置202包括数据风险预测模块103、关联风险预测模块104，分析监控装置203包括风险综合分析模块105和风险可视化模块106。
151.其中，数据接收筛选装置201用于接收若干个储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，将各电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合；其中，电站数据包括电站设备参数、设备工作参数和电站内传感数据。
152.可选的，数据接收筛选装置201包括数据接收模块101和数据筛选模块102，其中，数据接收模块101用于接收若干个储能电站发送的电站数据，数据筛选模块102用于根据历史信息筛选规则和类型筛选规则，将各电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合。
153.在本实施例中，如图4所示，数据筛选模块102包括：历史筛选单元1021和类型筛选单元1022。其中，历史筛选单元1021用于基于各电站数据在历史时间段中的数据值和电站危险事件信息，并根据历史信息筛选规则，在各电站数据中筛选出各高风险数据集合。类型筛选单元1022用于基于各电站数据对应的储能电站之间的关联参数，并根据类型筛选规则，在各电站数据中筛选出各高关联数据集合；各高关联数据集合中包括至少两个属于强
关联关系的电站数据。
154.可选的，历史筛选单元1021具体执行以下步骤以筛选出高风险数据集合：在数据库中查询出当前的电站数据对应的在多个历史时间点的历史数据值；
155.在数据库中查询出当前的电站数据对应的储能电站在多个历史时间点对应的是否发生电站危险事件信息，确定当前的电站数据对应的储能电站发生电站危险事件的危险历史时间点；其中，危险历史时间点至少有两个；
156.根据当前的电站数据的历史数据值和危险历史时间点，将数值相似度、区段数据平均值相似度和相邻时间数据变化程度相似度之中的任意两种的加权求和值，计算危险历史时间点对应的历史数据值之间的不同类型的相似度，得到当前的电站数据对应的不同类型的数据危险相似度；其中，相邻时间数据变化程度相似度为危险历史时间点与相邻的历史时间点的历史数据值之间的数据变化值的相似度；区段数据平均值相似度为任意两个危险历史时间点的所在的预设前后时间长度所组成时间区间中的所有历史时间点的历史数据值的平均值之间的相似度；相邻时间数据变化程度相似度的权重大于区段数据平均值相似度的权重，区段数据平均值相似度的权重大于数值相似度的权重；
157.根据各电站数据的不同类型的数据危险相似度，从大到小对各电站数据进行排序，得到至少一个数据序列；
158.将各数据序列的前第一数量的电站数据，确定为各高风险数据集合。
159.可选的，类型筛选单元1022通过执行以下步骤以确定出高关联数据集合：在各电站数据中任意选取多个电站数据，作为当前的各电站数据；
160.获取当前的各电站数据对应的储能电站的电站位置、电站所在供电链和电站设备参数；
161.根据当前的各电站数据对应的储能电站的电站位置，计算当前的各电站数据的电站位置之间的距离平均值；
162.根据当前的各电站数据对应的储能电站的电站所在供电链，计算当前的各电站数据的电站所在供电链之间的供电链相似度；其中，供电链相似度为当前的各电站数据之间处于同一供电链的电站数据的数量占总数量的比值；
163.根据当前的各电站数据对应的储能电站的电站设备参数，计算任意两个电站数据的电站设备参数之间的设备类型相似度，并计算当前的各电站数据对应的所有设备类型相似度的相似度平均值；
164.将当前的各电站数据对应的距离平均值、供电链相似度和相似度平均值进行加权求和，得到当前的各电站数据的加权求和值；其中，距离平均值、供电链相似度和相似度平均值之和为1，且距离平均值、供电链相似度和相似度平均值的权重依次减小；
165.判断当前的各电站数据的加权求和值是否大于预设的参数阈值，若是，则将当前的各电站数据作为一个高关联数据集合；
166.若否，则在各电站数据中任意选取多个电站数据，重新确定当前的各电站数据，根据当前的各电站数据进行关联相似度计算，计算当前的各电站数据的加权求和值，直至当前的各电站数据的加权求和值大于预设的参数阈值，获得各高关联数据集合。
167.数据风险关联预测装置202用于将各高风险数据集合进行数据风险预测，得到各高风险数据集合对应的储能电站的数据风险概率，并将各高关联数据集合进行关联风险预
测，得到各电站关联集合对应的关联风险概率；其中，电站关联集合包括多个相互关联的储能电站。
168.可选的，数据风险关联预测装置202包括数据风险预测模块103、关联风险预测模块104，数据风险预测模块103用于将各高风险数据集合进行数据风险预测，得到各高风险数据集合对应的储能电站的数据风险概率，关联风险预测模块104用于将各高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率。
169.可选的，数据风险预测模块103具体用于执行以下步骤：
170.将当前的高风险数据集合中的各电站数据，输入至预先训练好的第一神经网络预测模型中，获得当前的高风险数据集合的各电站数据对应的数据风险概率；其中，第一神经网络预测模型通过多个训练电站数据和各训练电站数据对应的数据风险标注的训练数据集训练得到；
171.根据各高风险数据集合的各电站数据对应的数据风险概率，获得各高风险数据集合对应的储能电站的数据风险概率。
172.可选的，关联风险预测模块104具体用于执行以下步骤：
173.将各高关联数据集合中的全部电站数据所对应的全部储能电站，确定为各电站关联集合；
174.将当前的高关联数据集合中的全部电站数据，输入至预先训练好的第二神经网络预测模型中，以得到当前的高关联数据集合对应的各电站关联集合对应的关联风险概率；其中，第二神经网络预测模型通过包括多个训练电站关联集合对应的多个训练电站数据和各训练电站关联集合对应的数据风险标注的训练数据集训练得到；
175.根据各高关联数据集合对应的各电站关联集合对应的关联风险概率，获得各电站关联集合对应的关联风险概率。
176.分析监控装置203用于将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各高危储能电站，生成报警信息，根据报警信息进行报警控制；根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，并将风险可视化画面推送至终端进行显示。
177.可选的，分析监控装置203包括风险综合分析模块105和风险可视化模块106，风险综合分析模块105用于将各高风险数据集合对应的储能电站的数据风险概率和各电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各高危储能电站，生成报警信息，根据报警信息进行报警控制，风险可视化模块106用于根据各电站关联集合和各高危储能电站，将各储能电站进行风险可视化，生成风险可视化画面，并将风险可视化画面推送至终端进行显示。
178.在本实施例中，如图5所示，风险综合分析模块105，包括第一分析单元1051、第二分析单元1052和报警单元1053。
179.其中，第一分析单元1051，用于对于每一电站关联集合，判断该电站关联集合对应的关联风险概率是否高于预设的概率阈值，若是，则将该电站关联集合确定为危险电站集合；
180.可选的，第一分析单元1051具体用于执行以下步骤：
181.判断当前的电站关联集合对应的关联风险概率是否高于预设的概率阈值，若是，则将当前的电站关联集合确定为一个危险电站集合；
182.根据各电站关联集合对应的关联风险概率，确定各危险电站集合；
183.根据各高风险数据集合对应的储能电站的数据风险概率，确定各危险电站集合中的所有储能电站对应的数据风险概率，并将各危险电站集合中的所有储能电站对应的数据风险概率进行风险权重分析，得到各高危储能电站。
184.第二分析单元1052，用于将各危险电站集合中的所有储能电站对应的数据风险概率进行风险权重分析，得到各高危储能电站；
185.可选的，第二分析单元1052具体用于执行以下步骤：
186.根据当前的危险电站集合中当前的储能电站的数据风险概率，计算当前的储能电站对应的所有电站数据对应的数据风险概率的平均值，得到当前的储能电站对应数据风险参数；
187.计算当前的储能电站与在同一危险电站集合中所有其他储能电站之间的距离平均值、供电链相似度和相似度平均值的加权求和值的平均值，得到当前的储能电站对应的关联参数；
188.根据当前的储能电站对应的关联参数和预设的参数权重规则，确定当前的储能电站对应的风险权重；其中，风险权重与关联参数成正比；
189.计算当前的储能电站的数据风险参数和风险权重的乘积，得到当前的储能电站的危险度值；
190.计算各危险电站集合的各储能电站的危险度值，得到全部危险度值；
191.根据全部危险度值，对各危险电站集合的全部储能电站进行由大到小的排序，得到各危险电站集合对应的电站序列；
192.将各危险电站集合对应的电站序列的前第二数量的储能电站，确定为高危储能电站，得到各高危储能电站。
193.报警单元1053，用于根据各高危储能电站，生成报警信息，根据报警信息进行报警控制。
194.在本实施例中，风险可视化模块106具体用于执行以下步骤：
195.确定当前的储能电站所属于的电站关联集合中的其他储能电站，得到多个关联电站；
196.判断当前的储能电站所属于的电站关联集合是否属于危险电站集合，得到当前的储能电站和各关联电站对应的第一判断结果；
197.判断当前的储能电站是否属于高危储能电站，得到当前的储能电站对应的第二判断结果；
198.根据各储能电站，得到各储能电站对应的第一判断结果和第二判断结果；
199.构建动态规划算法模型的目标函数；其中，目标函数具体为：在演算得到的关系图中，每一储能电站与对应的关联电站之间的距离达到最小和每一储能电站对应的显示参数的显眼程度达到最高；显眼程度用于表征显示参数的吸引程度；显示参数包括显示框大小、显示字体大小和显示颜色的特定维度值；
200.确定动态规划算法模型的限制条件包括：在演算得到的关系图中，储能电站与关
descriptionlanguage)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(rubyhardware description language)等，目前最普遍使用的是vhdl(very-high-speedintegrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
209.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
210.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
211.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
212.本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
213.本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
214.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
215.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
216.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
217.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
218.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
219.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
220.本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
221.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
222.以上的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种储能电站监控方法，其特征在于，包括：接收若干个储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，将各所述电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合；其中，所述电站数据包括电站设备参数、设备工作参数和电站内传感数据；将各所述高风险数据集合进行数据风险预测，得到各所述高风险数据集合对应的储能电站的数据风险概率，并将各所述高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率；其中，所述电站关联集合包括多个相互关联的储能电站；将各所述高风险数据集合对应的储能电站的数据风险概率和各所述电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各所述高危储能电站，生成报警信息，根据所述报警信息进行报警控制；根据各所述电站关联集合和各所述高危储能电站，将各所述储能电站进行风险可视化，生成风险可视化画面，并将所述风险可视化画面推送至终端进行显示。2.如权利要求1所述的储能电站监控方法，其特征在于，所述根据历史信息筛选规则和类型筛选规则，将所述各所述电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合，具体为：基于各所述电站数据在历史时间段中的数据值和电站危险事件信息，并根据所述历史信息筛选规则，在各所述电站数据中筛选出各所述高风险数据集合；基于各所述电站数据对应的储能电站之间的关联参数，并根据所述类型筛选规则，在各所述电站数据中筛选出各所述高关联数据集合；各所述高关联数据集合中包括至少两个属于强关联关系的电站数据。3.如权利要求2所述的储能电站监控方法，其特征在于，所述基于各所述电站数据在历史时间段中的数据值和电站危险事件信息，并根据所述历史信息筛选规则，在各所述电站数据中筛选出各所述高风险数据集合，具体为：在数据库中查询出当前的电站数据对应的在多个历史时间点的历史数据值；在所述数据库中查询出所述当前的电站数据对应的储能电站在所述多个历史时间点对应的是否发生所述电站危险事件信息，确定所述当前的电站数据对应的储能电站发生电站危险事件的危险历史时间点；其中，所述危险历史时间点至少有两个；根据所述当前的电站数据的历史数据值和所述危险历史时间点，将数值相似度、区段数据平均值相似度和相邻时间数据变化程度相似度之中的任意两种的加权求和值，计算所述危险历史时间点对应的所述历史数据值之间的不同类型的相似度，得到所述当前的电站数据对应的不同类型的数据危险相似度；其中，所述相邻时间数据变化程度相似度为所述危险历史时间点与相邻的历史时间点的历史数据值之间的数据变化值的相似度；所述区段数据平均值相似度为任意两个所述危险历史时间点的所在的预设前后时间长度所组成时间区间中的所有历史时间点的历史数据值的平均值之间的相似度；所述相邻时间数据变化程度相似度的权重大于所述区段数据平均值相似度的权重，所述区段数据平均值相似度的权重大于所述数值相似度的权重；根据各所述电站数据的不同类型的数据危险相似度，从大到小对各所述电站数据进行排序，得到至少一个数据序列；将各所述数据序列的前第一数量的电站数据，确定为各所述高风险数据集合。
4.如权利要求2所述的储能电站监控方法，其特征在于，所述基于各所述电站数据对应的储能电站之间的关联参数，并根据所述类型筛选规则，在各所述电站数据中筛选出各所述高关联数据集合，具体为：在各所述电站数据中任意选取多个电站数据，作为当前的各电站数据；获取所述当前的各电站数据对应的储能电站的电站位置、电站所在供电链和电站设备参数；根据所述当前的各电站数据对应的储能电站的电站位置，计算所述当前的各电站数据的电站位置之间的距离平均值；根据所述当前的各电站数据对应的储能电站的电站所在供电链，计算所述当前的各电站数据的电站所在供电链之间的供电链相似度；其中，所述供电链相似度为所述当前的各电站数据之间处于同一供电链的电站数据的数量占总数量的比值；根据所述当前的各电站数据对应的储能电站的电站设备参数，计算任意两个所述电站数据的电站设备参数之间的设备类型相似度，并计算所述当前的各电站数据对应的所有设备类型相似度的相似度平均值；将所述当前的各电站数据对应的所述距离平均值、所述供电链相似度和所述相似度平均值进行加权求和，得到所述当前的各电站数据的加权求和值；其中，所述距离平均值、所述供电链相似度和所述相似度平均值之和为1，且所述距离平均值、所述供电链相似度和相似度平均值的权重依次减小；判断所述当前的各电站数据的加权求和值是否大于预设的参数阈值，若是，则将所述当前的各电站数据作为一个所述高关联数据集合；若否，则在各所述电站数据中任意选取多个电站数据，重新确定所述当前的各电站数据，根据所述当前的各电站数据进行关联相似度计算，计算所述当前的各电站数据的加权求和值，直至所述当前的各电站数据的加权求和值大于所述预设的参数阈值，获得各所述高关联数据集合。5.如权利要求1所述的储能电站监控方法，其特征在于，所述将各所述高风险数据集合进行数据风险预测，得到各所述高风险数据集合对应的储能电站的数据风险概率，具体为：将当前的高风险数据集合中的各电站数据，输入至预先训练好的第一神经网络预测模型中，获得所述当前的高风险数据集合的各电站数据对应的数据风险概率；其中，所述第一神经网络预测模型通过多个训练电站数据和各所述训练电站数据对应的数据风险标注的训练数据集训练得到；根据各所述高风险数据集合的各电站数据对应的数据风险概率，获得各所述高风险数据集合对应的储能电站的数据风险概率。6.如权利要求1所述的储能电站监控方法，其特征在于，所述将各所述高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率，具体为：将各所述高关联数据集合中的全部电站数据所对应的全部所述储能电站，确定为各所述电站关联集合；将当前的高关联数据集合中的全部电站数据，输入至预先训练好的第二神经网络预测模型中，以得到所述当前的高关联数据集合对应的各电站关联集合对应的关联风险概率；其中，所述第二神经网络预测模型通过包括多个训练电站关联集合对应的多个训练电站数
据和各所述训练电站关联集合对应的数据风险标注的训练数据集训练得到；根据各所述高关联数据集合对应的各电站关联集合对应的关联风险概率，获得各所述电站关联集合对应的关联风险概率。7.如权利要求1所述的储能电站监控方法，其特征在于，所述将各所述高风险数据集合对应的储能电站的数据风险概率和各所述电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，具体为：判断当前的电站关联集合对应的关联风险概率是否高于预设的概率阈值，若是，则将所述当前的电站关联集合确定为一个危险电站集合；根据各所述电站关联集合对应的关联风险概率，确定各所述危险电站集合；根据各所述高风险数据集合对应的储能电站的数据风险概率，确定各所述危险电站集合中的所有储能电站对应的数据风险概率，并将各所述危险电站集合中的所有储能电站对应的数据风险概率进行风险权重分析，得到各所述高危储能电站。8.如权利要求1所述的储能电站监控方法，其特征在于，所述将各所述危险电站集合中的所有储能电站对应的数据风险概率进行风险权重分析，得到各所述高危储能电站，具体为：根据当前的危险电站集合中当前的储能电站的数据风险概率，计算当前的储能电站对应的所有电站数据对应的数据风险概率的平均值，得到所述当前的储能电站对应数据风险参数；计算所述当前的储能电站与在同一所述危险电站集合中所有其他储能电站之间的距离平均值、供电链相似度和相似度平均值的加权求和值的平均值，得到所述当前的储能电站对应的关联参数；根据所述当前的储能电站对应的关联参数和预设的参数权重规则，确定所述当前的储能电站对应的风险权重；其中，所述风险权重与所述关联参数成正比；计算所述当前的储能电站的数据风险参数和所述风险权重的乘积，得到所述当前的储能电站的危险度值；计算各所述危险电站集合的各所述储能电站的危险度值，得到全部危险度值；根据所述全部危险度值，对各所述危险电站集合的全部储能电站进行由大到小的排序，得到各所述危险电站集合对应的电站序列；将各所述危险电站集合对应的电站序列的前第二数量的储能电站，确定为所述高危储能电站，得到各所述高危储能电站。9.如权利要求1所述的储能电站监控方法，其特征在于，所述根据各所述电站关联集合和各所述高危储能电站，将各所述储能电站进行风险可视化，生成风险可视化画面，具体为：确定当前的储能电站所属于的电站关联集合中的其他储能电站，得到多个关联电站；判断所述当前的储能电站所属于的所述电站关联集合是否属于危险电站集合，得到当前的储能电站和各所述关联电站对应的第一判断结果；判断所述当前的储能电站是否属于所述高危储能电站，得到所述当前的储能电站对应的第二判断结果；根据各所述储能电站，得到各所述储能电站对应的第一判断结果和所述第二判断结
果；构建动态规划算法模型的目标函数；其中，所述目标函数具体为：在演算得到的关系图中，每一所述储能电站与对应的所述关联电站之间的距离达到最小和每一所述储能电站对应的显示参数的显眼程度达到最高；所述显眼程度用于表征所述显示参数的吸引程度；所述显示参数包括显示框大小、显示字体大小和显示颜色的特定维度值；确定所述动态规划算法模型的限制条件包括：在所述演算得到的关系图中，所述储能电站与所述关联电站之间的距离小于所述储能电站与不是所述关联电站之间的距离；所述第一判断结果为是的储能电站的所述显眼程度大于所述第一判断结果为否的储能电站；所述第二判断结果为是的储能电站的所述显眼程度大于所述第一判断结果为是的储能电站；基于所述目标函数和所述限制条件，将全部储能电站的参数输入至所述动态规划算法模型中进行迭代演算，得到满足所述目标函数和所述限制条件的最优演算结果；所述最优演算结果中包括所述全部储能电站对应的可视化关系图。10.一种储能电站监控系统，其特征在于，所述储能电站监控系统用于实现如权利要求1至9任意一项所述的储能电站监控方法，包括：数据接收筛选装置、数据风险关联预测装置和分析监控装置；其中，所述数据接收筛选装置用于接收若干个储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，将所述各所述电站数据进行风险关联筛选，获得若干个高风险数据集合和若干个高关联数据集合；其中，所述电站数据包括电站设备参数、设备工作参数和电站内传感数据；所述数据风险关联预测装置用于将各所述高风险数据集合进行数据风险预测，得到各所述高风险数据集合对应的储能电站的数据风险概率，并将各所述高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率；其中，所述电站关联集合包括多个相互关联的储能电站；所述分析监控装置用于将各所述高风险数据集合对应的储能电站的数据风险概率和各所述电站关联集合对应的关联风险概率进行风险综合分析，得到若干个高危储能电站，并根据各所述高危储能电站，生成报警信息，根据所述报警信息进行报警控制；根据各所述电站关联集合和各所述高危储能电站，将各所述储能电站进行风险可视化，生成风险可视化画面，并将所述风险可视化画面推送至终端进行显示。

技术总结
本发明公开了一种储能电站监控方法及系统，方法包括接收储能电站发送的电站数据，并根据历史信息筛选规则和类型筛选规则，进行风险关联筛选，获得高风险数据集合和高关联数据集合并进行数据风险预测，得到储能电站的数据风险概率，并将高关联数据集合进行关联风险预测，得到各电站关联集合对应的关联风险概率；将数据风险概率和关联风险概率进行风险综合分析，得到高危储能电站，根据高危储能电站，生成报警信息并进行报警控制；根据电站关联集合和高危储能电站，将储能电站进行风险可视化，生成风险可视化画面，并将风险可视化画面推送至终端进行显示。本实施例实现了有效对储能电站的风险进行监控和预警，提高储能电站监控的精度和便捷度。精度和便捷度。精度和便捷度。


技术研发人员：雷二涛 金莉 马凯 张浚坤
受保护的技术使用者：广东电网有限责任公司电力科学研究院
技术研发日：2023.07.07
技术公布日：2023/10/15