CN115963408B - 储能电站单体电池故障预警***及方法 - Google Patents
储能电站单体电池故障预警***及方法 Download PDFInfo
- Publication number
- CN115963408B CN115963408B CN202211630013.8A CN202211630013A CN115963408B CN 115963408 B CN115963408 B CN 115963408B CN 202211630013 A CN202211630013 A CN 202211630013A CN 115963408 B CN115963408 B CN 115963408B
- Authority
- CN
- China
- Prior art keywords
- data
- fault
- early warning
- equipment
- fault point
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000008676 import Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 11
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 239000000178 monomer Substances 0.000 description 8
- 238000011161 development Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本公开实施例涉及电池故障技术领域,提供了一种储能电站单体电池故障预警***及方法,***包括:通讯管理机,用于分别采集储能电站中各个单体电池的设备历史数据;服务器,用于对设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点,计算每个初始预测故障点的实际故障发生概率,将实际故障发生概率超过预设概率阈值的初始预测故障点作为最终预测故障点,生成故障预警信息;用户行为数据根据用户对设备历史数据和/或故障预警历史信息进行查询和管理生成。本公开实施例可以实现储能电站单体电池的故障预先诊断和故障定位预警,便于提早发现安全隐患问题以对其进行及时处理,降低单体电池发生热失控等实际故障的概率。
Description
技术领域
本公开涉及电池故障技术领域,特别涉及一种储能电站单体电池故障预警***及方法。
背景技术
随着全球能源危机和环境污染问题的日益严重,开发利用清洁的可再生能源势在必行。为提高新能源发电效率,新能源厂站配套储能***已成为标准配置。伴随储能行业的快速增长,由于储能电站的热失控导致的火灾***事故频繁发生,揭开了行业痛点。储能***虽然在本地配置了电池管理***,但是,该电池管理***只能在单体电池发生故障时实现对电池故障数据的实时诊断并对电池进行实时保护,无法在单体电池未发生故障时及时发现安全隐患。
发明内容
本公开旨在至少解决现有技术中存在的问题之一,提供一种储能电站单体电池故障预警***及方法。
本公开的一个方面,提供了一种储能电站单体电池故障预警***,所述***包括:
通讯管理机,用于分别采集储能电站中各个单体电池的设备历史数据;
服务器,用于对所述设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点,计算每个所述初始预测故障点的实际故障发生概率,将所述实际故障发生概率超过预设概率阈值的所述初始预测故障点作为最终预测故障点,生成故障预警信息;其中,所述用户行为数据根据用户对所述设备历史数据和/或故障预警历史信息进行查询和管理生成。
可选的,所述服务器包括数据库模块、数据导入模块和数据仓库模块,其中:
所述数据库模块,用于存储所述设备历史数据和所述用户行为数据;
所述数据导入模块,用于将所述设备历史数据和所述用户行为数据导入所述数据仓库模块;
所述数据仓库模块,用于按照预设的性能指标,对所述设备历史数据和所述用户行为数据进行分析处理,确定至少一个初始预测故障点,计算每个所述初始预测故障点的实际故障发生概率,将所述实际故障发生概率超过所述预设概率阈值的所述初始预测故障点作为所述最终预测故障点;根据所述最终预测故障点,生成故障预警信息。
可选的,所述数据仓库模块包括:
原始数据层,用于对所述设备历史数据和所述用户行为数据进行备份;
数据明细层,用于对所述设备历史数据和所述用户行为数据进行预处理,得到规范化明细数据;
数据服务层,用于对所述规范化明细数据按照预设的时间间隔进行聚合处理,得到初始聚合数据;
数据主题层,用于对所述初始聚合数据按照预设时间段的累计值进行聚合,得到中间聚合数据;
数据应用层,用于根据所述预设的性能指标,将所述中间聚合数据中出现概率最高的前预设数量个单体电池作为所述初始预测故障点,计算每个所述初始预测故障点的所述实际故障发生概率,将所述实际故障发生概率超过所述预设概率阈值的所述初始预测故障点作为所述最终预测故障点,根据所述最终预测故障点,生成所述故障预警信息。
可选的,所述数据导入模块,还用于将所述故障预警信息导入所述数据库模块;
所述数据库模块,还用于存储所述故障预警信息,对所述故障预警信息进行可视化展示,并将所述故障预警信息发送至运维人员。
可选的,所述数据库模块包括MySQL数据库和日志文件库,其中,
所述MySQL数据库,用于存储所述设备历史数据,对所述故障预警信息进行可视化展示,并将所述故障预警信息发送至所述运维人员;
所述日志文件库,用于存储所述用户行为数据。
可选的,所述数据导入模块包括:
Sqoop单元,用于将所述MySQL数据库存储的所述设备历史数据导入所述数据仓库模块,并将所述数据仓库模块生成的所述故障预警信息导入所述MySQL数据库;
用户行为数据导入单元,用于通过Flume-Kafka-Flume三层架构将所述日志文件库存储的所述用户行为数据导入所述数据仓库模块。
可选的,所述***还包括:
客户端,用于对所述储能电站的相关数据进行可视化展示,实现数据实时监测、历史数据查询、生成数据报表、数据曲线查询、故障预警信息管理、设备控制中的至少一者。
本公开的另一个方面,提供了一种储能电站单体电池故障预警方法,所述方法包括:
分别采集储能电站中各个单体电池的设备历史数据;
对所述设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点;其中,所述用户行为数据根据用户对所述设备历史数据和/或故障预警历史信息进行查询和管理生成;
计算每个所述初始预测故障点的实际故障发生概率,将所述实际故障发生概率超过预设概率阈值的所述初始预测故障点作为最终预测故障点,生成故障预警信息。
可选的,所述对所述设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点,包括:
按照预设的性能指标,对所述设备历史数据和所述用户行为数据进行分析处理,确定至少一个初始预测故障点。
可选的,所述按照预设的性能指标,对所述设备历史数据和所述用户行为数据进行分析处理,确定至少一个初始预测故障点,包括:
根据所述预设的性能指标,将所述设备历史数据和所述用户行为数据中出现概率最高的前预设数量个单体电池作为所述初始预测故障点。
本公开实施例相对于现有技术而言,通过利用设备历史数据和用户行为数据生成储能电站中单体电池的故障预警信息,可以实现储能电站单体电池的故障预先诊断和故障定位预警,便于提早发现安全隐患问题以对其进行及时处理,降低单体电池发生热失控等实际故障的概率。
附图说明
一个或多个实施方式通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施方式的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本公开一实施方式提供的一种储能电站单体电池故障预警***的结构示意图;
图2为本公开另一实施方式提供的储能电站单体电池故障预警***的结构示意图;
图3为本公开另一实施方式提供的储能电站单体电池故障预警***的数据传输路径示意图;
图4为本公开另一实施方式提供的一种储能电站单体电池故障预警方法的流程图。
具体实施方式
为使本公开实施方式的目的、技术方案和优点更加清楚,下面将结合附图对本公开的各实施方式进行详细的阐述。然而,本领域的普通技术人员可以理解,在本公开各实施方式中,为了使读者更好地理解本公开而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施方式的种种变化和修改,也可以实现本公开所要求保护的技术方案。以下各个实施方式的划分是为了描述方便,不应对本公开的具体实现方式构成任何限定,各个实施方式在不矛盾的前提下可以相互结合相互引用。
本公开的一个实施方式涉及一种储能电站单体电池故障预警***,如图1所示,包括通讯管理机110和服务器120。
通讯管理机110用于分别采集储能电站中各个单体电池的设备历史数据。
具体的,通讯管理机110作为数据采集设备,支持通信协议IEC104和ModbusTCP。通讯管理机110可以直接与各个单体电池相连接,以直接采集各个单体电池的设备历史数据,也可以与电池管理***(Battery Management System,BMS)相连接,通过采集BMS数据来获取各个单体电池的设备历史数据。
设备历史数据可以包括设备性能历史数据和设备状态历史数据。举例而言,设备性能历史数据可以包括组端电压、电流、荷电状态(State Of Charge,SOC)、单体最高温度、单体最高温度所在电池簇、单体最高温度所在电池箱、单体最低温度、单体最低温度所在电池簇、单体最低温度所在电池箱、单体最高电压、单体最高电压所在电池簇、单体最高电压所在电池箱、单体最低电压、单体最低电压所在电池簇、单体最低电压所在电池箱等通过遥测获得的模拟量。设备状态历史数据可以包括电池充放电状态、电池运行状态等通过遥信获得的状态量。
服务器120用于对设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点,计算每个初始预测故障点的实际故障发生概率,将实际故障发生概率超过预设概率阈值的初始预测故障点作为最终预测故障点,生成故障预警信息。其中,用户行为数据根据用户对设备历史数据和/或故障预警历史信息进行查询和管理生成。
具体的,实际故障发生概率指的是初始预测故障点发生实际故障的概率,用于指示初始预测故障点发生实际故障的可能性大小。服务器120可以利用大数据分析技术对设备历史数据和用户行为数据进行处理分析,根据单体电池的出现频率或历史故障频率等确定出一个或多个初始预测故障点,分别计算每个初始预测故障点的实际故障发生概率,将实际故障发生概率超过预设概率阈值的初始预测故障点作为最终预测故障点,生成故障预警信息,实现单体电池的故障定位及预警。
需要说明的是,这里的服务器优选为云平台服务器,以提高***的稳定性、安全性和高效性。
本公开实施方式相对于现有技术而言,通过利用设备历史数据和用户行为数据生成储能电站中单体电池的故障预警信息,可以实现储能电站单体电池的故障预先诊断和故障定位预警,便于提早发现安全隐患问题以对其进行及时处理,降低单体电池发生热失控等实际故障的概率。
示例性的,服务器120包括数据库模块、数据导入模块和数据仓库模块。
数据库模块用于存储设备历史数据和用户行为数据。其中,设备历史数据包括设备性能历史数据和设备状态历史数据。
数据导入模块用于将设备历史数据和用户行为数据导入数据仓库模块。
数据仓库模块用于按照预设的性能指标,对设备历史数据和用户行为数据进行分析处理,确定至少一个初始预测故障点,计算每个初始预测故障点的实际故障发生概率,将实际故障发生概率超过预设概率阈值的初始预测故障点作为最终预测故障点;根据最终预测故障点,生成故障预警信息。
具体的,预设的性能指标可以是从设备的性能指标中选取的具有代表性的指标,如单体最高温度、单体最低温度、单体最高电压、单体最低电压等。数据仓库模块可以按照预设的性能指标,利用大数据分析技术对设备历史数据和用户行为数据进行分析处理,根据单体电池的出现频率或历史故障频率等确定出至少一个初始预测故障点,利用设备历史数据和用户行为数据分别计算每个初始预测故障点的实际故障发生概率,将实际故障发生概率超过预设概率阈值的初始预测故障点作为最终预测故障点,根据该最终预测故障点的所在位置、设备历史数据、用户行为数据等生成故障预警信息。
本实施方式可以通过数据库模块实现设备历史数据和用户行为数据的存储,利用数据导入模块将存储的数据导入数据仓库模块进行分析处理,实现最终预测故障点的确定和故障预警信息的生成,从而提高单体电池故障定位预警的准确率。
示例性的,数据仓库模块包括原始数据层、数据明细层、数据服务层、数据主题层和数据应用层。
原始数据层又称Operation Data Store层,简称ODS层,用于对设备历史数据和用户行为数据进行备份,直接对数据导入模块导入的数据进行存储。
数据明细层又称Date Warehouse Detail层,简称DWD层,用于对设备历史数据和用户行为数据进行预处理,得到规范化明细数据。其中,预处理可以是数据清洗、数据转换等操作。规范化明细数据指的是满足预设数据格式的设备历史数据和用户行为数据的明细化数据,以为后续的数据处理提供细节信息。
数据服务层又称Data Warehouse Service层,简称DWS层,用于对规范化明细数据按照预设的时间间隔进行聚合处理,得到初始聚合数据。预设的时间间隔可以根据实际需要进行设置,例如,可以是1小时、12小时、1天、2天、1周等。优选的,预设的时间间隔为1天,即DWS层可以按天对规范化明细数据进行聚合处理。
数据主题层又称Date Warehouse Topic层,简称DWT层,用于对初始聚合数据按照预设时间段的累计值进行聚合,得到中间聚合数据。预设时间段可以是1小时内、12小时内、1天内、2天内等,本领域技术人员可以根据实际需要设置。
数据应用层又称Application Data Store层,简称ADS层,用于根据预设的性能指标,将中间聚合数据中出现概率最高的前预设数量个单体电池作为初始预测故障点,计算每个初始预测故障点的实际故障发生概率,将实际故障发生概率超过预设概率阈值的初始预测故障点作为最终预测故障点,根据最终预测故障点,生成故障预警信息。
具体的,ADS层可以将预设的性能指标如单体最高温度、单体最低温度、单体最高电压、单体最低电压以所在电池簇、电池箱为特征数据,筛选出中间聚合数据中出现概率最高的前预设数量个单体电池作为初始预测故障点,之后通过对中间聚合数据进行合并比对分析,计算每个初始预测故障点的实际故障发生概率,若某一初始预测故障点的实际故障发生概率超过预设概率阈值,则将该初始预测故障点作为最终预测故障点,并结合设备历史数据和用户行为数据生成对应的故障预警信息。
需要说明的是,数据仓库模块可以通过Hadoop集群实现,利用Hadoop分布式文件***(Hadoop Distributed File System,HDFS)存储数据导入模块导入的设备历史数据和用户行为数据,利用Hive(基于Hadoop的一个数据仓库工具)在Hadoop中搭建数据仓库,并在数据仓库中分别设置ODS层、DWD层、DWS层、DWT层和ADS层。
本实施方式可进一步实现储能电站单体电池的故障预先诊断和故障定位预警,提高单体电池故障定位预警的准确率,提早发现安全隐患问题。
示例性的,在生成故障预警信息之后,数据导入模块还用于将故障预警信息导入数据库模块。数据库模块还用于存储故障预警信息,对故障预警信息进行可视化展示,并将故障预警信息发送至运维人员。
本实施方式可以将故障预警信息及时反馈给运维人员,使运维人员能够对单体电池的安全隐患及时处理,防止单体电池热失控等实际故障的发生。
示例性的,数据库模块包括MySQL数据库和日志文件库。其中,MySQL数据库用于存储设备历史数据,对故障预警信息进行可视化展示,并将故障预警信息发送至运维人员。日志文件库用于存储用户行为数据。优选的,日志文件库可以通过LogFile即日志文件存储用户行为数据。
本实施方式通过在数据库模块中设置MySQL数据库和日志文件库,可以分别单体电池相关数据如设备历史数据和故障预警信息与用户行为数据进行单独存储,方便用户对数据进行有效检索和访问。
示例性的,数据导入模块包括Sqoop单元和用户行为数据导入单元。
Sqoop单元用于将MySQL数据库存储的设备历史数据导入数据仓库模块,并将数据仓库模块生成的故障预警信息导入MySQL数据库。具体的,在数据仓库模块利用Hadoop集群实现时,Sqoop单元可以利用Sqoop将MySQL数据库中的设备历史数据导入HDFS,并将数据仓库模块生成的故障预警信息导入MySQL数据库。
用户行为数据导入单元用于通过Flume-Kafka-Flume三层架构将日志文件库存储的用户行为数据导入数据仓库模块。具体的,在日志文件库通过LogFile存储用户行为数据,数据仓库模块利用Hadoop集群实现时,用户行为数据导入单元可以通过Flume-Kafka-Flume三层架构将LogFile中的用户行为数据导入HDFS。
本实施方式通过利用Sqoop单元和用户行为数据导入单元分别完成单体电池相关数据如设备历史数据和故障预警信息以及用户行为数据的数据导入,可以提高数据导入的工作效率,从而提高***工作效率。
示例性的,如图2所示,储能电站单体电池故障预警***还包括客户端130。客户端130用于对储能电站的相关数据进行可视化展示,实现数据实时监测、历史数据查询、生成数据报表、数据曲线查询、故障预警信息管理、设备控制中的至少一者。
具体的,客户端130可以通过前端Web开发与后端Java开发相结合的方式,为每个储能电站配置不同的页面,实现储能电站相关信息的可视化展示。用户可以利用客户端通过账号密码、账号验证码等登录方式登录至各储能电站的对应页面,实现数据实时监测、历史数据查询、生成数据报表、数据曲线查询、故障预警信息管理、设备控制等。
需要说明的是,在服务器120为云平台服务器时,客户端130为云平台客户端,以便于与服务器进行交互。
本实施方式通过利用客户端对储能电站的相关信息进行可视化展示,可以更加直观地展示储能电站相关信息,便于用户理解和使用。
为使本领域技术人员能够更好地理解上述实施方式,下面结合图3对一具体示例进行说明。
如图3所示,储能电站单体电池故障预警***包括通讯管理机、云平台服务器、云平台客户端。
通讯管理机与储能电站中电池管理***的设备相连接,用于采集各个单体电池的设备历史数据,并将该设备历史数据作为设备数据输入云平台服务器。
云平台服务器将设备数据存储在MySQL数据库中,云平台服务器产生的用户行为数据存储在云平台服务器中的LogFile中。
云平台服务器利用Sqoop将MySQL数据库中的设备数据导入Hadoop集群的HDFS中,并利用Flume-Kafka-Flume三层架构将LogFile中的用户行为数据导入到HDFS中。之后,云平台服务器通过Hive基于设备数据和用户行为数据在Hadoop中搭建数据仓库,该数据仓库包括ODS层、DWD层、DWS层、DWT层和ADS层。其中,ODS层为原始数据层,用于对HDFS中的设备数据和用户行为数据进行备份。DWD层为数据明细层,用于对设备数据和用户数据进行预处理后得到规范化明细数据。DWS层为数据服务层,用于按天对规范化明细数据进行聚合,得到初始聚合数据。DWT层为数据主题层,用于对初始聚合数据按照预设时间段的累计值进行聚合,得到中间聚合数据。ADS层为数据应用层,用于根据预设的性能指标即单体最高温度、单体最低温度、单体最高电压、单体最低电压以所在电池簇、电池箱为特征数据,筛选出中间聚合数据中出现概率最高的前3个单体电池作为初始预测故障点,然后通过对中间聚合数据进行合并对比分析,计算每个初始预测故障点的实际故障发生概率,将实际故障发生概率超过预设概率阈值的某一初始预测故障点作为最终预测故障点,并结合设备历史数据和用户行为数据生成对应的故障预警信息,实现单体电池的故障单体定位预警。在生成故障预警信息之后,云平台服务器将该故障预警信息通过Sqoop导入MySQL数据库,并对该故障预警信息进行展示。
云平台客户端通过前端Web开发与后端Java开发相结合的方式,为每个储能电站配置不同的页面,实现储能电站相关信息的可视化展示。用户可以利用客户端通过账号密码、账号验证码等登录方式登录至各储能电站的对应页面,实现数据实时监测、历史数据查询、生成数据报表、数据曲线查询、故障预警信息管理、设备控制等。
云平台客户端还设置有短信推送功能,用于在故障预警信息生成后,将该故障预警信息以短信的方式推送至相关运维人员,以方便运维人员及时了解设备故障预警信息,便于提早发现安全隐患问题,并对安全隐患问题及时处理。
本公开的另一个实施方式涉及一种储能电站单体电池故障预警方法,如图4示,包括:
步骤S410,分别采集储能电站中各个单体电池的设备历史数据。
步骤S420,对设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点;其中,用户行为数据根据用户对设备历史数据和/或故障预警历史信息进行查询和管理生成。
步骤S430,计算每个初始预测故障点的实际故障发生概率,将实际故障发生概率超过预设概率阈值的初始预测故障点作为最终预测故障点,生成故障预警信息。
本公开实施方式相对于现有技术而言,通过利用设备历史数据和用户行为数据生成储能电站中单体电池的故障预警信息,可以实现储能电站单体电池的故障预先诊断和故障定位预警,便于提早发现安全隐患问题以对其进行及时处理,降低单体电池发生热失控等实际故障的概率。
示例性的,对设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点,包括:按照预设的性能指标,对设备历史数据和用户行为数据进行分析处理,确定至少一个初始预测故障点。
本实施方式通过依据预设的性能指标确定初始预测故障点,可以提高初始预测故障点的预测准确率,从而提高单体电池故障定位预警的准确率。
示例性的,按照预设的性能指标,对设备历史数据和用户行为数据进行分析处理,确定至少一个初始预测故障点,包括:
根据预设的性能指标,将设备历史数据和用户行为数据中出现概率最高的前预设数量个单体电池作为初始预测故障点。
本实施方式可进一步提高初始预测故障点的预测准确率以及单体电池故障定位预警的准确率。
本领域的普通技术人员可以理解,上述各实施方式是实现本公开的具体实施方式,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本公开的精神和范围。
Claims (5)
1.一种储能电站单体电池故障预警***,其特征在于,所述***包括:
通讯管理机,用于分别采集储能电站中各个单体电池的设备历史数据;
服务器,用于对所述设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点,计算每个所述初始预测故障点的实际故障发生概率,将所述实际故障发生概率超过预设概率阈值的所述初始预测故障点作为最终预测故障点,生成故障预警信息;其中,所述用户行为数据根据用户对所述设备历史数据和/或故障预警历史信息进行查询和管理生成;
所述服务器包括数据库模块、数据导入模块和数据仓库模块,其中:
所述数据库模块,用于存储所述设备历史数据和所述用户行为数据,其中,所述设备历史数据包括设备性能历史数据和设备状态历史数据;
所述数据导入模块,用于将所述设备历史数据和所述用户行为数据导入所述数据仓库模块;
所述数据仓库模块,用于按照预设的性能指标,对所述设备历史数据和所述用户行为数据进行分析处理,确定至少一个初始预测故障点,计算每个所述初始预测故障点的实际故障发生概率,将所述实际故障发生概率超过所述预设概率阈值的所述初始预测故障点作为所述最终预测故障点;根据所述最终预测故障点,生成故障预警信息;
所述数据仓库模块包括:
原始数据层,用于对所述设备历史数据和所述用户行为数据进行备份;
数据明细层,用于对所述设备历史数据和所述用户行为数据进行预处理,得到规范化明细数据;
数据服务层,用于对所述规范化明细数据按照预设的时间间隔进行聚合处理,得到初始聚合数据;
数据主题层,用于对所述初始聚合数据按照预设时间段的累计值进行聚合,得到中间聚合数据;
数据应用层,用于根据所述预设的性能指标,将所述中间聚合数据中出现概率最高的前预设数量个单体电池作为所述初始预测故障点,计算每个所述初始预测故障点的所述实际故障发生概率,将所述实际故障发生概率超过所述预设概率阈值的所述初始预测故障点作为所述最终预测故障点,根据所述最终预测故障点,生成所述故障预警信息;
所述数据导入模块,还用于将所述故障预警信息导入所述数据库模块;
所述数据库模块,还用于存储所述故障预警信息,对所述故障预警信息进行可视化展示,并将所述故障预警信息发送至运维人员。
2.根据权利要求1所述的***,其特征在于,所述数据库模块包括MySQL数据库和日志文件库,其中,
所述MySQL数据库,用于存储所述设备历史数据,对所述故障预警信息进行可视化展示,并将所述故障预警信息发送至所述运维人员;
所述日志文件库,用于存储所述用户行为数据。
3.根据权利要求2所述的***,其特征在于,所述数据导入模块包括:
Sqoop单元,用于将所述MySQL数据库存储的所述设备历史数据导入所述数据仓库模块,并将所述数据仓库模块生成的所述故障预警信息导入所述MySQL数据库;
用户行为数据导入单元,用于通过Flume-Kafka-Flume三层架构将所述日志文件库存储的所述用户行为数据导入所述数据仓库模块。
4.根据权利要求1至3任一项所述的***,其特征在于,所述***还包括:
客户端,用于对所述储能电站的相关数据进行可视化展示,实现数据实时监测、历史数据查询、生成数据报表、数据曲线查询、故障预警信息管理、设备控制中的至少一者。
5.一种储能电站单体电池故障预警方法,其特征在于,应用于权利要求1至4任一项所述的***,所述方法包括:
分别采集储能电站中各个单体电池的设备历史数据;
对所述设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点;其中,所述用户行为数据根据用户对所述设备历史数据和/或故障预警历史信息进行查询和管理生成;
计算每个所述初始预测故障点的实际故障发生概率,将所述实际故障发生概率超过预设概率阈值的所述初始预测故障点作为最终预测故障点,生成故障预警信息;
存储所述故障预警信息,对所述故障预警信息进行可视化展示,并将所述故障预警信息发送至运维人员;
所述对所述设备历史数据和用户行为数据进行处理分析,确定至少一个初始预测故障点,包括:
按照预设的性能指标,对所述设备历史数据和所述用户行为数据进行分析处理,确定至少一个初始预测故障点;
所述按照预设的性能指标,对所述设备历史数据和所述用户行为数据进行分析处理,确定至少一个初始预测故障点,包括:
根据所述预设的性能指标,将所述设备历史数据和所述用户行为数据中出现概率最高的前预设数量个单体电池作为所述初始预测故障点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211630013.8A CN115963408B (zh) | 2022-12-19 | 2022-12-19 | 储能电站单体电池故障预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211630013.8A CN115963408B (zh) | 2022-12-19 | 2022-12-19 | 储能电站单体电池故障预警***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115963408A CN115963408A (zh) | 2023-04-14 |
CN115963408B true CN115963408B (zh) | 2024-04-16 |
Family
ID=87358120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211630013.8A Active CN115963408B (zh) | 2022-12-19 | 2022-12-19 | 储能电站单体电池故障预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115963408B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105527582A (zh) * | 2016-02-03 | 2016-04-27 | 惠州市亿能电子有限公司 | 一种动力电池组故障电池预判方法 |
KR101874857B1 (ko) * | 2018-02-14 | 2018-07-05 | 주식회사 비젼코스모 | 태양전지 셀에 대한 고장 모니터링 장치 및 그 동작 방법 |
CN108960321A (zh) * | 2018-07-02 | 2018-12-07 | 国电南瑞科技股份有限公司 | 一种大型锂电池储能电站电池故障预测方法 |
CN110535159A (zh) * | 2019-07-25 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种规模化储能电站运行单元故障预警的方法及*** |
CN111142024A (zh) * | 2018-11-05 | 2020-05-12 | 湖南中车时代电动汽车股份有限公司 | 一种电池单体不均衡故障的检测方法及装置 |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站***电池单体健康预测方法及装置 |
CN112803592A (zh) * | 2021-01-13 | 2021-05-14 | 广东省电力开发有限公司 | 一种适用于分布式电站的智能故障预警方法及*** |
WO2022020770A1 (en) * | 2020-07-24 | 2022-01-27 | Intel Corporation | Computing workload management in next generation cellular networks |
CN114400738A (zh) * | 2022-01-06 | 2022-04-26 | 浙江南都能源互联网有限公司 | 一种储能电站电池预警方法和*** |
CN114994543A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华大电工高科技有限公司 | 储能电站电池故障诊断方法、装置及存储介质 |
-
2022
- 2022-12-19 CN CN202211630013.8A patent/CN115963408B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105527582A (zh) * | 2016-02-03 | 2016-04-27 | 惠州市亿能电子有限公司 | 一种动力电池组故障电池预判方法 |
KR101874857B1 (ko) * | 2018-02-14 | 2018-07-05 | 주식회사 비젼코스모 | 태양전지 셀에 대한 고장 모니터링 장치 및 그 동작 방법 |
CN108960321A (zh) * | 2018-07-02 | 2018-12-07 | 国电南瑞科技股份有限公司 | 一种大型锂电池储能电站电池故障预测方法 |
CN111142024A (zh) * | 2018-11-05 | 2020-05-12 | 湖南中车时代电动汽车股份有限公司 | 一种电池单体不均衡故障的检测方法及装置 |
CN110535159A (zh) * | 2019-07-25 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种规模化储能电站运行单元故障预警的方法及*** |
WO2022020770A1 (en) * | 2020-07-24 | 2022-01-27 | Intel Corporation | Computing workload management in next generation cellular networks |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站***电池单体健康预测方法及装置 |
CN112803592A (zh) * | 2021-01-13 | 2021-05-14 | 广东省电力开发有限公司 | 一种适用于分布式电站的智能故障预警方法及*** |
CN114400738A (zh) * | 2022-01-06 | 2022-04-26 | 浙江南都能源互联网有限公司 | 一种储能电站电池预警方法和*** |
CN114994543A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华大电工高科技有限公司 | 储能电站电池故障诊断方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115963408A (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815132B (zh) | 一种电力监控***网络安全管理信息发布方法及*** | |
CN104503399B (zh) | 一种集团级风电机组状态监测及故障诊断平台 | |
CN103337012B (zh) | 面向电网设备监控的多主题智能综合告警分析方法 | |
CN113064939B (zh) | 一种新能源车辆三电***安全特征数据库构建方法 | |
CN108964269A (zh) | 配电网运维与综合管理*** | |
CN106650963A (zh) | 一种电动汽车充电设备检测维修管理方法和装置 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养*** | |
CN110674189A (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
CN109615273B (zh) | 一种电动汽车充电设施状态评价方法与*** | |
CN111552686B (zh) | 一种电力数据质量评估方法及其装置 | |
CN110210980A (zh) | 一种驾驶行为评估方法、装置和存储介质 | |
CN109494757B (zh) | 一种电压无功运行预警方法和*** | |
CN112613066B (zh) | 一种基于大规模风电场的互联网信息管理*** | |
CN115313625A (zh) | 变电站监测方法和*** | |
CN116522746A (zh) | 高耗能企业配电托管方法 | |
CN112682125A (zh) | 一种车辆机油寿命实时预测方法及装置 | |
CN116340437A (zh) | 一种面向大规模多源异构数据的多聚类方法 | |
CN115035628A (zh) | 车辆实时监控*** | |
CN115330404A (zh) | 用于电力营销稽查的***及方法 | |
CN106649765A (zh) | 基于大数据技术的智能电网全景数据分析方法 | |
CN112232843B (zh) | 一种基于大数据技术的药品监管***和方法 | |
CN115963408B (zh) | 储能电站单体电池故障预警***及方法 | |
CN105760284A (zh) | 网站性能监控方法及装置 | |
CN105975595B (zh) | 一种实时数据中心数据质量监测考核方法 | |
CN112052965A (zh) | 可视化的电力设备在线管理***及管理方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |