买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳触觉智能科技有限公司

摘要：本申请公开了一种基于开源鸿蒙系统的储能方法，涉及储能技术领域，包括：获取储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构；构建包含中心节点和多个边缘节点的分布式架构；利用鸿蒙系统的分布式文件系统在构建的分布式架构上部署分布式数据存储；采集实时数据；通过并行化的机器学习模型进行特征提取；将提取的特征数据通过鸿蒙系统的碎片化传输；边缘节点从中心节点的分布式数据库中获取储能设备的历史状态数据；利用鸿蒙系统的机器学习模型，训练用于预测储能设备容量的预测模型；生成储能设备的控制指令；采用基于OPCUA标准的工业时序通信协议传输控制指令。针对现有技术中储能系统中响应迟延高的问题，本申请降低响应迟延。

主权项：1.一种基于开源鸿蒙系统的储能方法，包括：获取储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构；其中，中心节点表示部署在云端的数据中心，数据中心表示服务器集群；根据获取的储能设备的地理坐标和储能设备与中心节点的网络连接拓扑结构，构建包含中心节点和多个边缘节点的分布式架构；利用鸿蒙系统的分布式文件系统在构建的分布式架构上部署分布式数据存储；采集储能设备的实时数据，通过鸿蒙系统的分布式网络发送到边缘节点，实时数据包含电流和电压；边缘节点接收到实时数据后进行预处理，并通过并行化的机器学习模型进行特征提取，得到特征数据；边缘节点通过鸿蒙系统的分布式软总线网络组件，将预处理后的实时数据发送到中心节点上的分布式数据库存储；边缘节点将提取的特征数据通过鸿蒙系统的碎片化传输发送到中心节点上的分布式数据库存储；边缘节点从中心节点的分布式数据库中获取储能设备的历史状态数据；边缘节点基于获取的历史状态数据，利用鸿蒙系统的机器学习模型，训练用于预测储能设备容量的预测模型；中心节点从分布式数据库获取预处理后的实时数据和提取的特征数据，结合训练后的预测模型，生成储能设备的控制指令；采用基于开放平台通信统一架构OPCUA标准的工业时序通信协议，将中心节点生成的控制指令传输给储能设备进行管理控制；构建包含中心节点和多个边缘节点的分布式架构，包括：中心节点接收边缘节点发送的空间分布特征和网络拓扑结构特征数据；中心节点根据接收的空间分布特征和网络拓扑结构特征，采用贪心算法设置多组节点位置组合方案；中心节点将各组节点位置组合方案发送至边缘节点；边缘节点接收节点位置组合方案，通过仿真方法对各位置组合方案进行网络性能评估，得到各方案的网络时延和负载性能数据；边缘节点将仿真得到的网络时延和负载性能数据返回中心节点；中心节点选择网络时延最小且负载性能最高的组合，作为中心节点和边缘节点的最佳部署位置；中心节点将得到的最佳部署位置通过鸿蒙系统的分布式软总线网络组件发送至边缘节点；边缘节点根据接收到的最佳部署位置，控制储能设备和边缘计算设备在对应位置上进行部署，并与中心节点建立连接，构建分布式架构；根据预处理后的实时数据，边缘节点通过并行化的机器学习模型进行特征提取，包括：边缘节点将预处理后的储能设备的实时电流和电压数据，按时间窗口划分为多个数据块；将数据块输入多个卷积神经网络中；各卷积神经网络独立训练更新网络参数，并输出对应数据块的储能设备剩余寿命RUL的均值和方差；边缘节点将各数据块的RUL均值和方差进行聚合，得到储能设备的健康度特征数据；边缘节点将得到的健康度特征数据通过鸿蒙系统的分布式软总线网络组件发送至中心节点进行存储；边缘节点将预处理后的储能设备的实时电流和电压数据按时间序列组织，输入循环神经网络；循环神经网络通过门控循环单元GRU获取时间序列数据中的长期依赖关系，输出储能设备的自放电率和内阻的预测值；边缘节点将循环神经网络输出的自放电率和内阻的预测值与历史值进行对比，获取自放电率和内阻的增长趋势，作为储能设备的性能衰减特征；边缘节点将得到的性能衰减特征通过鸿蒙系统的分布式软总线网络组件发送至中心节点进行存储；将提取的特征数据通过鸿蒙系统的碎片化传输发送到中心节点上的分布式数据库，包括：边缘节点将得到的储能设备的健康度特征数据和性能衰减特征数据，采用Huffman编码算法进行压缩；边缘节点将压缩后的特征数据，通过fibonacci分割法切分为多个数据块，并为每个数据块添加CRC32校验码；边缘节点利用MongoDB的ObjectID算法为每个数据块生成标识码；标识码包含时间戳和序号；边缘节点根据数据块的标识码，采用Apachekafka的分区机制，将具有相同时间戳前缀的数据块发送到同一分区；中心节点的kafka消费者根据分区接收数据块，并通过标识码将属于同一原始特征数据的数据块进行归类；中心节点将归类后的数据块按照标识码的时间戳和序号进行排序拼接，通过Huffman解码算法得到原始的特征数据；中心节点将得到的原始的特征数据存储到分布式数据库MongoDB中，并在MongoDB数据库中构建以设备ID和时间戳为索引的数据集合；边缘节点基于历史状态数据，利用鸿蒙系统的机器学习模型，训练用于预测储能设备容量的预测模型，包括：边缘节点从分布式数据库MongoDB中获取储能设备的历史状态数据，历史状态数据包含过去一年内的电流和电压时序数据；边缘节点采用基于差分熵的统计分析方法，计算历史状态数据每个时间窗口内的差分熵值；边缘节点设置滑动窗口，将每个窗口的差分熵值组成一个差分熵特征向量；通过在时间轴上滑动时间窗口，得到差分熵特征向量序列；边缘节点将差分熵特征向量序列作为输入，通过BIRCH增量聚类算法划分多个聚类簇，聚类簇的中心点反映了不同工况下储能设备状态的模式；边缘节点采用z-score标准化方法对每个聚类簇内的数据进行归一化处理；边缘节点将归一化处理后的聚类簇数据作为训练集，用于训练预测模型；构建包含多层LSTM网络和残差连接的序列预测模型，利用得到的训练集进行模型训练，得到预测储能设备容量的预测模型；根据预处理后的实时数据、提取的特征数据和训练后的预测模型，中心节点生成储能设备的控制指令，包括：中心节点接收边缘节点预处理后的储能设备实时状态数据；中心节点从分布式数据库MongoDB中获取储能设备的健康度特征和性能衰减特征；中心节点将获取的实时状态数据、健康度特征和性能衰减特征按照时间对齐后，作为输入向量；通过训练后的预测模型进行预测，得到未来一段时间内储能设备容量变化的预测曲线；中心节点对得到的预测曲线进行峰谷特征提取，采用基于小波变换的多尺度分析方法，获取预测曲线的局部极大值点和极小值点；中心节点根据获取的局部极大值点和极小值点，采用增量式PID算法，计算调节储能设备充放电电流和电压的控制参数；中心节点将计算得到的控制参数封装为控制指令，下发到边缘节点，由边缘节点将控制指令转换为CAN总线帧格式，对储能设备进行管理。

全文数据：

权利要求：

百度查询： 深圳触觉智能科技有限公司 一种基于开源鸿蒙系统的储能方法