CN114994543A - 储能电站电池故障诊断方法、装置及存储介质 - Google Patents

储能电站电池故障诊断方法、装置及存储介质 Download PDF

Info

Publication number
CN114994543A
CN114994543A CN202210917698.8A CN202210917698A CN114994543A CN 114994543 A CN114994543 A CN 114994543A CN 202210917698 A CN202210917698 A CN 202210917698A CN 114994543 A CN114994543 A CN 114994543A
Authority
CN
China
Prior art keywords
voltage
battery
predicted
prediction
energy storage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210917698.8A
Other languages
English (en)
Inventor
欧阳志国
夏向阳
马芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Huada Electrician Hi Tech Co ltd
Original Assignee
Hunan Huada Electrician Hi Tech Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan Huada Electrician Hi Tech Co ltd filed Critical Hunan Huada Electrician Hi Tech Co ltd
Priority to CN202210917698.8A priority Critical patent/CN114994543A/zh
Publication of CN114994543A publication Critical patent/CN114994543A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种储能电站电池故障诊断方法、装置及存储介质，其中诊断方法包括：获取储能电站的电池历史数据；将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压；根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压；将预测正常电压与电池实际电压进行比较，实现电池故障诊断。能够实现潜在故障风险评估，及时诊断电池故障，鲁棒性好，预测精度高。

Description

储能电站电池故障诊断方法、装置及存储介质
技术领域
本发明涉及电池技术领域，尤其涉及一种储能电站电池故障诊断方法、装置及存储介质。
背景技术
为了应对化石油消耗和环境污染的挑战，储能电站正在全球范围内积极开发和广泛采用。电池***是储能电站不可或缺的组成部分，在很大程度上决定了储能电站的工作效率和成本效益。
多个电池单元通常以串联和/或并联配置连接，以满足电压和容量要求。由于电池退化、电气故障或误用，这些组成电池可能会发生故障。如果这些故障未经处理，可能会触发热失控。
因此，准确、及时的电池故障诊断和安全警告的发布对于防止热失控的发生和确保储能电站的安全运行至关重要。然而，现有的储能电站电池故障诊断方法准确性不高，有待进一步提高。
发明内容
为了克服上述现有技术中的不足之处，本发明提供了一种储能电站电池故障诊断方法、装置及存储介质，结合长短时记忆递归神经网络（LSTM）与等效电路模型（ECM），采用基于改进自适应boosting的耦合模块。使用一种真实世界的故障诊断策略，以实现在线故障诊断。
第一方面，提供了一种储能电站电池故障诊断方法，包括：
获取储能电站的电池历史数据；
将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压；
根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压；
将预测正常电压与电池实际电压进行比较，实现电池故障诊断。
进一步地，基于LSTM的电池电压预测模型的输入矩阵
Figure 557217DEST_PATH_IMAGE001
表示如下：
Figure 130149DEST_PATH_IMAGE002
其中，n是输入特征的数量；
Figure 378728DEST_PATH_IMAGE003
是时间步长；
Figure 977200DEST_PATH_IMAGE004
是时间步长
Figure 506751DEST_PATH_IMAGE005
处电池单元
Figure 63635DEST_PATH_IMAGE006
的电压，
Figure 533930DEST_PATH_IMAGE007
；
Figure 998410DEST_PATH_IMAGE008
是时间步长t处的第j个输入特征；
基于LSTM的电池电压预测模型的输出矩阵B表示如下：
Figure 136130DEST_PATH_IMAGE009
其中，
Figure 582024DEST_PATH_IMAGE010
是时间步长
Figure 805195DEST_PATH_IMAGE011
处电池单元
Figure 11048DEST_PATH_IMAGE006
的预测电压。
进一步地，电池ECM模型中，假设电池SOC、温度和老化水平在三个连续的时间步长内保持不变，并通过以下公式对电池电压进行预测：
Figure 800013DEST_PATH_IMAGE012
式中，
Figure 151228DEST_PATH_IMAGE013
是时间步长
Figure 127275DEST_PATH_IMAGE014
处电池单元
Figure 871240DEST_PATH_IMAGE006
的预测电压；
Figure 983552DEST_PATH_IMAGE015
是
Figure 36828DEST_PATH_IMAGE016
的数据矩阵，其中，
Figure 234591DEST_PATH_IMAGE017
是时间步长t处电池组的电压，
Figure 516668DEST_PATH_IMAGE018
是时间步长t处电池组的电流；
Figure 280224DEST_PATH_IMAGE019
是 参数矩阵，其中
Figure 255134DEST_PATH_IMAGE020
，其中
Figure 926811DEST_PATH_IMAGE021
是电池单元
Figure 74895DEST_PATH_IMAGE006
的时间步 长t处的OCV；
Figure 896221DEST_PATH_IMAGE022
、
Figure 510873DEST_PATH_IMAGE023
是ECM模型参数。
进一步地，根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压，包括：
预测正常电压
Figure 932496DEST_PATH_IMAGE024
通过下式计算得到：
Figure 25217DEST_PATH_IMAGE025
式中，
Figure 966628DEST_PATH_IMAGE026
是第一预测电压，
Figure 798187DEST_PATH_IMAGE027
是第二预测电压，
Figure 192259DEST_PATH_IMAGE028
和
Figure 885408DEST_PATH_IMAGE029
分别为第一 预测电压和第二预测电压的权重。
进一步地，第一预测电压和第二预测电压的权重
Figure 212485DEST_PATH_IMAGE028
和
Figure 965677DEST_PATH_IMAGE029
通过如下方法得 到：
使用基于LSTM的电池电压预测模型和电池ECM模型预测电压，得到如下电压预测 矩阵
Figure 96313DEST_PATH_IMAGE030
：
Figure 593153DEST_PATH_IMAGE031
式中，
Figure 243577DEST_PATH_IMAGE032
表示模型类别，
Figure 636513DEST_PATH_IMAGE032
为LSTM时，对应基于LSTM的电池电压预测模型，
Figure 251515DEST_PATH_IMAGE032
为 ECM时，对应电池ECM模型；
Figure 286467DEST_PATH_IMAGE033
是电池单元
Figure 853715DEST_PATH_IMAGE006
在时间步长
Figure 683130DEST_PATH_IMAGE005
的预测电压；
Figure 273512DEST_PATH_IMAGE034
为电压预测矩阵中对应的预测总步长，b为电池单元总数；
通过如下公式计算基于LSTM的电池电压预测模型和电池ECM模型预测电压的电压预测矩阵的回归误差率：
Figure 361422DEST_PATH_IMAGE035
式中，
Figure 517597DEST_PATH_IMAGE036
是电池单元
Figure 721177DEST_PATH_IMAGE006
的时间步长
Figure 782542DEST_PATH_IMAGE005
处的实际电 压；E是最大误差，
Figure 424876DEST_PATH_IMAGE037
；m是m=a×b的样本数；
通过以下公式计算基于LSTM的电池电压预测模型和电池ECM模型的预测电压初始 权重
Figure 701137DEST_PATH_IMAGE038
和
Figure 872355DEST_PATH_IMAGE039
：
Figure 437329DEST_PATH_IMAGE040
通过下式转化得到第一预测电压和第二预测电压的权重
Figure 414512DEST_PATH_IMAGE028
和
Figure 732230DEST_PATH_IMAGE029
：
Figure 339929DEST_PATH_IMAGE041
Figure 188936DEST_PATH_IMAGE042
。
进一步地，计算第一预测电压和第二预测电压的权重
Figure 641914DEST_PATH_IMAGE028
和
Figure 96029DEST_PATH_IMAGE029
时，根据在线 更新数据的最后
Figure 126826DEST_PATH_IMAGE034
个时间步计算。
进一步地，所述将预测正常电压与电池实际电压进行比较，实现电池故障诊断，包括：
计算电池实际电压与预测正常电压的差值，根据差值与预设的故障等级电压阈值的比较结果，判断电池电压属于正常、过电压或欠电压状态，若为过电压或欠电压状态，则根据比较结果发出对应等级的警告。
第二方面，提供了一种储能电站电池故障诊断装置，包括：
数据获取模块，用于获取储能电站的电池历史数据；
电压预测模块，用于将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压；
耦合模块，用于根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压；
故障诊断模块，用于将预测正常电压与电池实际电压进行比较，实现电池故障诊断。
第三方面，提供了一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如上所述的储能电站电池故障诊断方法。
本发明提出了一种储能电站电池故障诊断方法、装置及存储介质，基于LSTM的电池电压预测模型和电池ECM模型在电池电压预测方面都表现良好。与基于LSTM的电池电压预测模型相比，电池ECM模型的预测精度更好，但电池ECM模型不能直接用于区分故障电池和正常电池。相比之下，基于LSTM的电池电压预测模型能够更好地捕捉电压变化趋势，并且适合基于从储能电站收集的数据进行故障诊断。因此，利用自适应boosting方法的将基于LSTM的电池电压预测模型和电池ECM模型预测的电池电压组合起来，以减少预测误差，提高了故障诊断的准确性，能够实现潜在故障风险评估，并据此发出早期热失控警告。本发明的方案鲁棒性好，预测精度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的储能电站电池故障诊断方案原理图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
实施例1
如图1所示，本实施例提供了一种储能电站电池故障诊断方法，包括：
S1：获取储能电站的电池历史数据。
使用预处理模块对电池的历史数据进行预处理，预处理过程包括对不同单位的数据进行标准化处理，以便后面的无量纲计算；对于数据空缺利用插值、拟合、模拟等方法进行填补；对数据进行聚类，对异常值进行剔除；利用主成分分析方法进行数据降维，方便加快计算速度。
S2：将处理后的电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压。
具体地，LSTM模型作为一种递归神经网络，其在避免梯度消失和***方面表现出 色。在储能电站实际运行过程中，电压是与时间相关的参数，可以建立基于LSTM的电池电压 预测模型来预测电压随时间的变化。历史数据在预测电池状态方面起着重要作用，因此选 择了LSTM的“多对一”结构，基于LSTM的电池电压预测模型的输入矩阵
Figure 463130DEST_PATH_IMAGE001
表示如下：
Figure 985378DEST_PATH_IMAGE002
其中，n是输入特征的数量；
Figure 28420DEST_PATH_IMAGE003
是时间步长；
Figure 774660DEST_PATH_IMAGE004
是时间步长
Figure 535942DEST_PATH_IMAGE005
处电池单元
Figure 845570DEST_PATH_IMAGE006
的电压，
Figure 805435DEST_PATH_IMAGE007
；
Figure 660259DEST_PATH_IMAGE008
是时间步长
Figure 174417DEST_PATH_IMAGE005
处的第
Figure 835205DEST_PATH_IMAGE043
个输入特征；
基于LSTM的电池电压预测模型的输出矩阵B表示如下：
Figure 852840DEST_PATH_IMAGE009
其中，
Figure 393412DEST_PATH_IMAGE010
是时间步长
Figure 926024DEST_PATH_IMAGE011
处电池单元
Figure 328187DEST_PATH_IMAGE006
的预测电压。
基于LSTM的电池电压预测模型可以离线训练和在线实现，训练时，可以利用从一般储能电站收集的大量数据进行基于LSTM的电池电压预测模型的训练，并分别使用AOM（approaching optimization method，近似优化方法）和皮尔逊相关系数（PCC）优化超参数和选择输入特征，本实施例中，选择的输入特征优选各电池单元电压，电池组总电压和电池组SOC。
戴维南模型（ECM模型）因其高建模精度和低计算复杂度而脱颖而出，并被用于描述电池动力学。可以合理地假设，电池ECM模型中，电池SOC、温度和老化水平在三个连续的时间步长内保持不变，并通过以下公式对电池电压进行预测：
Figure 200328DEST_PATH_IMAGE012
式中，
Figure 724850DEST_PATH_IMAGE013
是时间步长
Figure 682442DEST_PATH_IMAGE014
处电池单元
Figure 137563DEST_PATH_IMAGE006
的预测电压；
Figure 926527DEST_PATH_IMAGE015
是
Figure 559634DEST_PATH_IMAGE016
的数据矩阵，其中，
Figure 4521DEST_PATH_IMAGE017
是时间步长t处电池组的电压，
Figure 810803DEST_PATH_IMAGE018
是时间步长t处电池组的电流；
Figure 657537DEST_PATH_IMAGE019
是 参数矩阵，其中
Figure 543820DEST_PATH_IMAGE020
，其中
Figure 741583DEST_PATH_IMAGE021
是电池单元
Figure 289239DEST_PATH_IMAGE006
的时间步长t 处的OCV；
Figure 52796DEST_PATH_IMAGE022
、
Figure 762126DEST_PATH_IMAGE023
是ECM模型参数。
S3：根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压。
自适应boosting（AdaBoost）是一种可以将多个弱分类器组合成一个强分类器的算法。改进的AdaBoost可用于解决回归问题。采用加权求和法将两个模型预测的电压进行组合。
首先进行权重的计算，使用基于LSTM的电池电压预测模型和电池ECM模型预测电 压，得到如下电压预测矩阵
Figure 243923DEST_PATH_IMAGE030
：
Figure 844537DEST_PATH_IMAGE031
式中，
Figure 400284DEST_PATH_IMAGE032
表示模型类别，
Figure 811673DEST_PATH_IMAGE032
为LSTM时，对应基于LSTM的电池电压预测模型，
Figure 515187DEST_PATH_IMAGE032
为ECM 时，对应电池ECM模型；
Figure 139066DEST_PATH_IMAGE044
（t=1,2,…,
Figure 329745DEST_PATH_IMAGE034
；c=1,2,…,b）是电池单元
Figure 443195DEST_PATH_IMAGE006
在时间步长
Figure 571688DEST_PATH_IMAGE005
的预测电 压；
Figure 61575DEST_PATH_IMAGE034
为电压预测矩阵中对应的预测总步长，b为电池单元总数；
通过如下公式计算基于LSTM的电池电压预测模型和电池ECM模型预测电压的电压 预测矩阵的回归误差率
Figure 857493DEST_PATH_IMAGE045
：
Figure 345106DEST_PATH_IMAGE035
式中，
Figure 475742DEST_PATH_IMAGE036
是电池单元
Figure 503741DEST_PATH_IMAGE006
的时间步长
Figure 888586DEST_PATH_IMAGE005
处的实际电 压；E是最大误差，
Figure 609417DEST_PATH_IMAGE037
；m是m=a×b的样本数；
通过以下公式计算基于LSTM的电池电压预测模型和电池ECM模型的预测电压初始 权重
Figure 978081DEST_PATH_IMAGE038
和
Figure 747454DEST_PATH_IMAGE039
：
Figure 49123DEST_PATH_IMAGE040
通过下式转化得到第一预测电压和第二预测电压的权重
Figure 396315DEST_PATH_IMAGE028
和
Figure 986696DEST_PATH_IMAGE029
：
Figure 559760DEST_PATH_IMAGE041
Figure 981514DEST_PATH_IMAGE042
。
需要说明的是，计算第一预测电压和第二预测电压的权重
Figure 434361DEST_PATH_IMAGE028
和
Figure 246459DEST_PATH_IMAGE029
时，根据 在线更新数据的最后
Figure 685531DEST_PATH_IMAGE034
个时间步计算，
Figure 165054DEST_PATH_IMAGE034
可根据实际需要取10、15、20等值。
得到
Figure 585539DEST_PATH_IMAGE028
和
Figure 619355DEST_PATH_IMAGE029
后，预测正常电压
Figure 534221DEST_PATH_IMAGE024
通过下式计算得到：
Figure 930567DEST_PATH_IMAGE025
式中，
Figure 521954DEST_PATH_IMAGE026
是第一预测电压，
Figure 574224DEST_PATH_IMAGE027
是第二预测电压。
S4：将预测正常电压与电池实际电压进行比较，实现电池故障诊断。
具体地，为了在实际储能电站运行中实现故障诊断，使用测试电池组数据训练得到基于LSTM的电池电压预测模型，并设置不同的故障级别及其各自的电压阈值，以执行现场故障诊断。计算电池实际电压与预测正常电压的差值，根据差值与预设的故障等级电压阈值的比较结果，判断电池电压属于正常、过电压或欠电压状态，若为过电压或欠电压状态，则根据比较结果发出对应等级的警告。根据警报级别定位潜在故障和热失控电池单元，在储能电站运行期间，对新的数据重复步骤，该预测模型可以根据储能电站运行的输入数据实时补充。
由于传感器和预测错误可能会影响阈值的设置，统计方法计算测试电池组最大预 测误差，该误差被用作一级警告的阈值。值得一提的是，基于适当的阈值设置，所提出的故 障诊断方法也适用于其他电池***。电压异常分为过电压和欠电压，本实施例中，每种情况 又分为三个级别。一级警告是一种相对安全的状态，但有必要及时干预，以避免潜在的故 障。第二级警告意味着相关电池处于危险状态，需要进行仔细检查。当触发第三级警告时， 需要特别重视并联系相关技术人员。第一级和第二级警告用于评估潜在故障风险，而第三 级警告用于热失控事件的早期警报。图1中，故障预测策略对应判断故障类型，风险评估策 略对应判断报警级别，电池故障频率是指寻找电池发生故障时的频率大小，为后续改进提 供参考；根据故障诊断结果，定位故障电池单元。如表1所示，为本实施例提供的两种应用工 况下故障诊断的报警级别和阈值情况。表中，
Figure 89519DEST_PATH_IMAGE017
表示某电池单元的实际电压，
Figure 278055DEST_PATH_IMAGE046
表示某电 池单元的预测正常电压，“/”表示“或”，其前后的阈值对应两种应用工况。
Figure 56655DEST_PATH_IMAGE048
实施例2
本实施例提供了一种储能电站电池故障诊断装置，包括：
数据获取模块，用于获取储能电站的电池历史数据；
电压预测模块，用于将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压；
耦合模块，用于根据第一预测电压和第二预测电压，利用自适应boosting方法计算预测正常电压；
故障诊断模块，用于将预测正常电压与电池实际电压进行比较，实现电池故障诊断。
应当理解，实施例中的功能单元模块可以集中在一个处理单元中，也可以是各个单元模块单独物理存在，也可以是两个或两个以上的单元模块集成在一个单元模块中，可以采用硬件或软件的形式来实现。
实施例3
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现如实施例1所述的储能电站电池故障诊断方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、设备（***）、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。
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。
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。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (8)

1.一种储能电站电池故障诊断方法，其特征在于，包括：
获取储能电站的电池历史数据；
将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压；
根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压；
将预测正常电压与电池实际电压进行比较，实现电池故障诊断；
基于LSTM的电池电压预测模型的输入矩阵
Figure 395934DEST_PATH_IMAGE001
表示如下：
Figure 42816DEST_PATH_IMAGE002
其中，
Figure 351438DEST_PATH_IMAGE003
是输入特征的数量；
Figure 446081DEST_PATH_IMAGE004
是时间步长；
Figure 207363DEST_PATH_IMAGE005
是时间步长
Figure 657936DEST_PATH_IMAGE006
处电池单元
Figure 617802DEST_PATH_IMAGE007
的电压，
Figure 738205DEST_PATH_IMAGE008
；
Figure 376996DEST_PATH_IMAGE009
是时间步长
Figure 241047DEST_PATH_IMAGE006
处的第
Figure 383316DEST_PATH_IMAGE010
个输入特征；
基于LSTM的电池电压预测模型的输出矩阵B表示如下：
Figure 940199DEST_PATH_IMAGE011
其中，
Figure 535128DEST_PATH_IMAGE012
是时间步长
Figure 937291DEST_PATH_IMAGE013
处电池单元
Figure 199645DEST_PATH_IMAGE007
的预测电压。
2.根据权利要求1所述的储能电站电池故障诊断方法，其特征在于，电池ECM模型中，并通过以下公式对电池电压进行预测：
Figure 927429DEST_PATH_IMAGE014
式中，
Figure 9655DEST_PATH_IMAGE015
是时间步长
Figure 277825DEST_PATH_IMAGE016
处电池单元
Figure 270052DEST_PATH_IMAGE007
的预测电压；
Figure 27792DEST_PATH_IMAGE017
是
Figure 738259DEST_PATH_IMAGE018
的数据矩阵，其中，
Figure 875367DEST_PATH_IMAGE019
是时间步长t处电池组的电压，
Figure 722100DEST_PATH_IMAGE020
是时间步长t处电池组的电流；
Figure 650742DEST_PATH_IMAGE021
是参数矩阵，其中
Figure 582926DEST_PATH_IMAGE022
，其中
Figure 520795DEST_PATH_IMAGE023
是电池单元
Figure 487614DEST_PATH_IMAGE007
的时间 步长t处的OCV；
Figure 587157DEST_PATH_IMAGE024
、
Figure 272216DEST_PATH_IMAGE025
是ECM模型参数。
3.根据权利要求1至2任一项所述的储能电站电池故障诊断方法，其特征在于，根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压，包括：
预测正常电压
Figure 748197DEST_PATH_IMAGE026
通过下式计算得到：
Figure 569523DEST_PATH_IMAGE027
式中，
Figure 839967DEST_PATH_IMAGE028
是第一预测电压，
Figure 746743DEST_PATH_IMAGE029
是第二预测电压，
Figure 26415DEST_PATH_IMAGE030
和
Figure 498984DEST_PATH_IMAGE031
分别为第一预测 电压和第二预测电压的权重。
4.根据权利要求3所述的储能电站电池故障诊断方法，其特征在于，第一预测电压和第 二预测电压的权重
Figure 81275DEST_PATH_IMAGE030
和
Figure 599981DEST_PATH_IMAGE031
通过如下方法得到：
使用基于LSTM的电池电压预测模型和电池ECM模型预测电压，得到如下电压预测矩阵
Figure 293131DEST_PATH_IMAGE032
：
Figure 210753DEST_PATH_IMAGE033
式中，
Figure 963945DEST_PATH_IMAGE034
表示模型类别，
Figure 438789DEST_PATH_IMAGE034
为LSTM时，对应基于LSTM的电池电压预测模型，
Figure 935629DEST_PATH_IMAGE034
为ECM时，对 应电池ECM模型；
Figure 710687DEST_PATH_IMAGE035
是电池单元
Figure 634781DEST_PATH_IMAGE007
在时间步长
Figure 128079DEST_PATH_IMAGE006
的预测电压；
Figure 163031DEST_PATH_IMAGE036
为电压预测矩阵中对应的预 测总步长，b为电池单元总数；
通过如下公式计算基于LSTM的电池电压预测模型和电池ECM模型预测电压的电压预测 矩阵的回归误差率
Figure 792596DEST_PATH_IMAGE037
：
Figure 684328DEST_PATH_IMAGE038
式中，
Figure 274710DEST_PATH_IMAGE039
是电池单元
Figure 237986DEST_PATH_IMAGE007
的时间步长
Figure 863003DEST_PATH_IMAGE006
处的实际电压；E是最大误差，
Figure 253533DEST_PATH_IMAGE040
；m 是m=a×b的样本数；
通过以下公式计算基于LSTM的电池电压预测模型和电池ECM模型的预测电压初始权重
Figure 331210DEST_PATH_IMAGE041
和
Figure 832599DEST_PATH_IMAGE042
：
通过下式转化得到第一预测电压和第二预测电压的权重
Figure 312122DEST_PATH_IMAGE030
和
Figure 876483DEST_PATH_IMAGE031
：
Figure 441456DEST_PATH_IMAGE043
Figure 480956DEST_PATH_IMAGE044
。
5.根据权利要求4所述的储能电站电池故障诊断方法，其特征在于，计算第一预测电压 和第二预测电压的权重
Figure 80565DEST_PATH_IMAGE030
和
Figure 812898DEST_PATH_IMAGE031
时，根据在线更新数据的最后
Figure 599588DEST_PATH_IMAGE036
个时间步计算。
6.根据权利要求1所述的储能电站电池故障诊断方法，其特征在于，所述将预测正常电压与电池实际电压进行比较，实现电池故障诊断，包括：
计算电池实际电压与预测正常电压的差值，根据差值与预设的故障等级电压阈值的比较结果，判断电池电压属于正常、过电压或欠电压状态，若为过电压或欠电压状态，则根据比较结果发出对应等级的警告。
7.一种储能电站电池故障诊断装置，其特征在于，包括：
数据获取模块，用于获取储能电站的电池历史数据；
电压预测模块，用于将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压；
耦合模块，用于根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压；
故障诊断模块，用于将预测正常电压与电池实际电压进行比较，实现电池故障诊断；
基于LSTM的电池电压预测模型的输入矩阵
Figure 708358DEST_PATH_IMAGE001
表示如下：
Figure 959211DEST_PATH_IMAGE002
其中，
Figure 737811DEST_PATH_IMAGE003
是输入特征的数量；
Figure 136432DEST_PATH_IMAGE004
是时间步长；
Figure 658680DEST_PATH_IMAGE005
是时间步长
Figure 91935DEST_PATH_IMAGE006
处电池单元
Figure 775857DEST_PATH_IMAGE007
的电压，
Figure 927353DEST_PATH_IMAGE008
；
Figure 987713DEST_PATH_IMAGE009
是时间步长
Figure 541054DEST_PATH_IMAGE006
处的第
Figure 661457DEST_PATH_IMAGE010
个输入特征；
基于LSTM的电池电压预测模型的输出矩阵B表示如下：
Figure 706773DEST_PATH_IMAGE011
其中，
Figure 895790DEST_PATH_IMAGE012
是时间步长
Figure 975742DEST_PATH_IMAGE013
处电池单元
Figure 391680DEST_PATH_IMAGE007
的预测电压。
8.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的储能电站电池故障诊断方法。
CN202210917698.8A 2022-08-01 2022-08-01 储能电站电池故障诊断方法、装置及存储介质 Pending CN114994543A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210917698.8A CN114994543A (zh) 2022-08-01 2022-08-01 储能电站电池故障诊断方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210917698.8A CN114994543A (zh) 2022-08-01 2022-08-01 储能电站电池故障诊断方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN114994543A true CN114994543A (zh) 2022-09-02

Family

ID=83021627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210917698.8A Pending CN114994543A (zh) 2022-08-01 2022-08-01 储能电站电池故障诊断方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN114994543A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115825756A (zh) * 2023-02-16 2023-03-21 中国华能集团清洁能源技术研究院有限公司 分散式储能电站故障多级诊断方法及***
CN115877222A (zh) * 2023-02-14 2023-03-31 国网浙江省电力有限公司宁波供电公司 一种储能电站故障检测方法、装置、介质及储能电站
CN115963408A (zh) * 2022-12-19 2023-04-14 北京双登慧峰聚能科技有限公司 储能电站单体电池故障预警***及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170242077A1 (en) * 2016-02-19 2017-08-24 Johnson Controls Technology Company Systems and methods for real-time estimation of capacity of a rechargeable battery
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理***
CN110824364A (zh) * 2019-10-24 2020-02-21 重庆邮电大学 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法
WO2020155233A1 (zh) * 2019-01-28 2020-08-06 东北大学 基于双级模型预测的锂离子电池组外部短路故障诊断方法
CN111624494A (zh) * 2020-04-20 2020-09-04 北京航空航天大学 基于电化学参数的电池分析方法和***
WO2020191800A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
US20210088591A1 (en) * 2019-09-19 2021-03-25 Samsung Electronics Co., Ltd. Method and system for battery-management in devices
CN113687251A (zh) * 2021-08-23 2021-11-23 重庆邮电大学 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN114036647A (zh) * 2021-11-30 2022-02-11 武汉理工大学 一种基于实车数据的动力电池安全风险评估方法
US20220179009A1 (en) * 2020-12-03 2022-06-09 Robert Bosch Gmbh Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170242077A1 (en) * 2016-02-19 2017-08-24 Johnson Controls Technology Company Systems and methods for real-time estimation of capacity of a rechargeable battery
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理***
WO2020155233A1 (zh) * 2019-01-28 2020-08-06 东北大学 基于双级模型预测的锂离子电池组外部短路故障诊断方法
WO2020191800A1 (zh) * 2019-03-27 2020-10-01 东北大学 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
US20210088591A1 (en) * 2019-09-19 2021-03-25 Samsung Electronics Co., Ltd. Method and system for battery-management in devices
CN110824364A (zh) * 2019-10-24 2020-02-21 重庆邮电大学 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法
CN111624494A (zh) * 2020-04-20 2020-09-04 北京航空航天大学 基于电化学参数的电池分析方法和***
US20220179009A1 (en) * 2020-12-03 2022-06-09 Robert Bosch Gmbh Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods
CN113687251A (zh) * 2021-08-23 2021-11-23 重庆邮电大学 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN114036647A (zh) * 2021-11-30 2022-02-11 武汉理工大学 一种基于实车数据的动力电池安全风险评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DA LI等: "Battery Fault Diagnosis for Electric Vehicles Based on Voltage Abnormality by Combining the Long Short-Term Memory Neural Network and the Equivalent Circuit Model", 《IEEE TRANSACTIONS ON POWER ELECTRONICS》 *
周仁等: "基于实车数据和BP-AdaBoost算法的电动汽车动力电池健康状态估计", 《科学技术与工程》 *
费陈等: "基于XGBoost算法的锂离子电池健康状态估算", 《浙江电力》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115963408A (zh) * 2022-12-19 2023-04-14 北京双登慧峰聚能科技有限公司 储能电站单体电池故障预警***及方法
CN115963408B (zh) * 2022-12-19 2024-04-16 北京双登慧峰聚能科技有限公司 储能电站单体电池故障预警***及方法
CN115877222A (zh) * 2023-02-14 2023-03-31 国网浙江省电力有限公司宁波供电公司 一种储能电站故障检测方法、装置、介质及储能电站
CN115825756A (zh) * 2023-02-16 2023-03-21 中国华能集团清洁能源技术研究院有限公司 分散式储能电站故障多级诊断方法及***

Similar Documents

Publication Publication Date Title
CN114994543A (zh) 储能电站电池故障诊断方法、装置及存储介质
CN107329088B (zh) 电池的健康状态诊断装置和方法
CN108205114B (zh) 电池寿命的预测方法及***
US10613153B2 (en) Method and apparatus for defect pre-warning of power device
CN109752646B (zh) 车载直流接触器评估与预警方法、装置、设备
CN112098915B (zh) 双母线分段接线下多台电压互感器继发性误差的评估方法
CN102880170A (zh) 基于基线模型和贝叶斯因子的***故障早期预警方法
CN112363059A (zh) 基于gm（1，1）灰色模型的电池故障诊断方法及***
CN114464906A (zh) 动力电池预警方法和装置
CN111796233A (zh) 双母线接线形式下多台电压互感器继发性误差的评估方法
Wu et al. Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity
CN112529464A (zh) 一种电池包的健康度评估方法、装置及相关产品
CN112668415A (zh) 一种飞机发动机故障预测方法
CN117630672A (zh) 借助变换器模型预测诊断技术设备的设备电池的方法和设备
CN103235206A (zh) 一种变压器的故障诊断方法
CN116893366A (zh) 用于运行***以识别设备的电蓄能器的异常的方法和装置
CN115563868A (zh) 一种航空交流发电机油路***故障诊断方法及装置
CN114879054A (zh) 一种电池安全监测方法、装置、电子设备及存储介质
CN115792634A (zh) 一种基于云端在线数据的电池单体电压采样故障识别方法
KR20190131329A (ko) 학습 데이터 생성 시스템
CN105138755A (zh) 一种液体火箭发动机试验台故障响应生成器的设计方法
CN109739210B (zh) 设备部件健康状态的评估方法及装置
WO2022162060A1 (de) Big-data für fehlererkennung in batteriesystemen
CN113312758B (zh) 风力发电机组的健康状态评估方法和装置
CN109492913A (zh) 一种配电终端的模块化风险预测方法、装置及可存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 401A19, Entrepreneurship Building, Hunan University Science Park, No. 186 Guyuan Road, Changsha Hi tech Development Zone, Changsha, Hunan 410005

Applicant after: HUNAN HUADA ELECTRICIAN HI-TECH Co.,Ltd.

Address before: Room 908, Building 8, Sunshine West Group, California, No. 38, Guyuan Road, Changsha High-tech Development Zone, Changsha, Hunan Province, 410005

Applicant before: HUNAN HUADA ELECTRICIAN HI-TECH Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220902