CN117630693A - 一种用于储能电站的风险预警方法及装置 - Google Patents
一种用于储能电站的风险预警方法及装置 Download PDFInfo
- Publication number
- CN117630693A CN117630693A CN202311648932.2A CN202311648932A CN117630693A CN 117630693 A CN117630693 A CN 117630693A CN 202311648932 A CN202311648932 A CN 202311648932A CN 117630693 A CN117630693 A CN 117630693A
- Authority
- CN
- China
- Prior art keywords
- state data
- historical
- data
- early warning
- charge
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims description 30
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 abstract description 8
- 230000005611 electricity Effects 0.000 abstract description 7
- 230000007774 longterm Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012423 maintenance Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
-
- 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
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种用于储能电站的风险预警方法及装置,涉及风险预警技术领域。该方法通过将获取到的实时状态数据输入至电量估计模型中,即可得到电池的荷电状态。若荷电状态表征电池的容量衰减高于第一预设阈值,即可立即执行风险预警。由此,不再需要人工进行电池电芯的检测,而是实时对电池电芯的实时状态数据进行处理,能够提高风险预警的效率,进而降低储能电站的恢复时间和用电损失,保证储能电站长期稳定的安全运行。
Description
技术领域
本申请涉及风险预警技术领域,特别涉及一种用于储能电站的风险预警方法及装置。
背景技术
随着可再生能源发电技术的快速发展,储能电站因为能够对可再生能源进行消纳储存,提高可再生能源的利用率,所以越来越多地参与电力市场中。但储能安全起火事故时有发生,这极大地危害了消费者的生命财产安全。倘若储能电站的内部电池一旦发生热失控或热蔓延,将对储能电站及周边人员造成不可估计的损失和危害。
相关技术中,通常会通过储能电站的电池管理***持续获取电池电芯的电压、电流、温度等情况,并由相关技术人员进行持续监测。一旦发现某一电池电芯出现异常,相关技术人员应当即刻下发指令,断开该电池电芯所在模块的连接,同时排查事故原因并执行检修。
然而,目前只能通过人工进行电池电芯的监测和判断,而储能电站中的设备和故障类型均较多,导致故障定位和执行检修的耗时均较长,从而使得储能电站的恢复时间也较长、用电损失较大。
发明内容
本申请实施例提供了一种用于储能电站的风险预警方法及装置,能够降低储能电站的恢复时间和用电损失,保证储能电站长期稳定的安全运行。
本申请实施例公开了如下技术方案:
第一方面,本申请提供了一种用于储能电站的风险预警方法,包括:
获取电池电芯的实时状态数据;
将所述实时状态数据输入至电量估计模型,得到所述电池的荷电状态;
若所述荷电状态表征所述电池的容量衰减高于第一预设阈值,则执行风险预警。
可选的,所述电量估计模型的构建方法包括:
获取所述电池电芯的历史状态数据和历史荷电数据,所述历史状态数据包括历史电压值、历史电流值、历史温度值、充放电次数、充放电能量中的一种或多种;
将所述历史荷电数据作为输出,将所述历史状态数据作为输入,训练机器学习模型,以构建所述电量估计模型。
可选的,所述将所述历史状态数据作为输入,训练机器学习模型,包括:
对所述历史状态数据执行数据清洗,所述数据清洗包括一致性检查、缺失值检查和重复值检查中的一种或多种;
将清洗后的历史状态数据作为输入,训练机器学习模型。
可选的,所述方法还包括:
当所述电池电芯故障后,获取所述电池电芯的故障状态数据;
若所述故障状态数据和所述实时状态数据的差值低于第二预设阈值,则执行风险预警。
可选的,所述方法还包括:
获取电池电芯的标准状态数据;
若所述标准状态数据与所述实时状态数据的差值高于第三预设阈值,则执行风险预警。
第二方面,本申请提供了一种用于储能电站的风险预警装置,包括:第一获取模块、数据输入模块和第一预警模块;
所述第一获取模块,用于获取电池电芯的实时状态数据;
所述数据输入模块,用于将所述实时状态数据输入至电量估计模型,得到所述电池的荷电状态;
所述第一预警模块,用于若所述荷电状态表征所述电池的容量衰减高于第一预设阈值,则执行风险预警。
可选的,所述电量估计模型的构建装置包括:数据获取模块和模型训练模块;
所述数据获取模块,用于获取所述电池电芯的历史状态数据和历史荷电数据,所述历史状态数据包括历史电压值、历史电流值、历史温度值、充放电次数、充放电能量中的一种或多种;
所述模型训练模块,用于将所述历史荷电数据作为输出,将所述历史状态数据作为输入,训练机器学习模型,以构建所述电量估计模型。
可选的,所述模型训练模块具体包括:清洗子模块和训练子模块;
所述清洗子模块,用于对所述历史状态数据执行数据清洗,所述数据清洗包括一致性检查、缺失值检查和重复值检查中的一种或多种;
所述训练子模块,用于将清洗后的历史状态数据作为输入,训练机器学习模型。
可选的,所述装置还包括:第二获取模块和第二预警模块;
所述第二获取模块,用于当所述电池电芯故障后,获取所述电池电芯的故障状态数据;
所述第二预警模块,用于若所述故障状态数据和所述实时状态数据的差值低于第二预设阈值,则执行风险预警。
可选的,所述装置还包括:第三获取模块和第三预警模块;
所述第三获取模块,用于获取电池电芯的标准状态数据;
所述第三预警模块,用于若所述标准状态数据与所述实时状态数据的差值高于第三预设阈值,则执行风险预警。
相较于现有技术,本申请具有以下有益效果:
本申请公开了一种用于储能电站的风险预警方法及装置,该方法通过将获取到的实时状态数据输入至电量估计模型中,即可得到电池的荷电状态。若荷电状态表征电池的容量衰减高于第一预设阈值,即可立即执行风险预警。由此,不再需要人工进行电池电芯的检测,而是实时对电池电芯的实时状态数据进行处理,能够提高风险预警的效率,进而降低储能电站的恢复时间和用电损失,保证储能电站长期稳定的安全运行。
附图说明
为更清楚地说明本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申请的一些实施例,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为本申请实施例提供的一种用于储能电站的风险预警方法的流程图;
图2为本申请实施例提供的一种用于储能电站的风险预警装置的示意图。
具体实施方式
正如前文所述,目前通常会通过储能电站的电池管理***持续获取电池电芯的电压、电流、温度等情况,并由相关技术人员进行持续监测。一旦发现某一电池电芯出现异常,相关技术人员应当即刻下发指令,断开该电池电芯所在模块的连接,同时排查事故原因并执行检修。
然而,目前只能通过人工进行电池电芯的监测和判断,而储能电站中的设备和故障类型均较多,导致故障定位和执行检修的耗时均较长,从而使得储能电站的恢复时间也较长、用电损失较大。
有鉴于此,本申请提供了一种用于储能电站的风险预警方法及装置,该方法通过将获取到的实时状态数据输入至电量估计模型中,即可得到电池的荷电状态。若荷电状态表征电池的容量衰减高于第一预设阈值,即可立即执行风险预警。由此,不再需要人工进行电池电芯的检测,而是实时对电池电芯的实时状态数据进行处理,能够提高风险预警的效率,进而降低储能电站的恢复时间和用电损失,保证储能电站长期稳定的安全运行。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,该图为本申请实施例提供的一种用于储能电站的风险预警方法的流程图。该方法包括:
S101:获取电池电芯的历史状态数据和历史荷电数据。
历史状态数据指的是电池电芯的历史电压值、历史电流值、历史温度值、充放电次数、充放电能量等中的一种或多种。
历史荷电数据指的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值。示例性的,该历史荷电数据可以是0.88,表示电池的剩余容量占其完全充电状态的容量的88%。
需要说明的是,由于上述历史荷电数据和历史状态数据是用于训练电量估计模型,因此需要保证历史荷电数据和历史状态数据的数量足够丰富。示例性的,可以获取三年内的历史荷电数据和历史状态数据,从而保证数据的丰富性。
在一些具体的实现方式中,处理器可以通过IEC61850、IEC104、MODBUS等多种协议驱动获取电池电芯的历史状态数据和历史荷电数据。需要说明的是,还可以通过储能电站中内置的数据采集与监控***(Supervisory Control And Data Acquisition,SCADA)和可编程逻辑控制器(Programmable Logic Controller,PLC)的远程调试功能,远程获取电池电芯的历史状态数据和历史荷电数据。需要说明的是,对于具体的获取方法,本申请不做限定。
在一些具体的实现方式后,在完成上述历史状态数据和历史荷电数据的采集后,还可以将上述历史状态数据和历史荷电数据进行优化和压缩后,保存至openPlant历史数据库中,以留存备用,满足设备全生命周期存储需要。
S102:将历史荷电数据作为输出,将历史状态数据作为输入,训练机器学习模型,以构建电量估计模型。
在获取历史荷电数据和历史状态数据后,可以将历史荷电数据作为输入,将历史状态数据作为输出,训练机器学习模型,得到电量估计模型。在一些具体的实现方式中,上述机器学习模型可以是基于PERB2.0技术支持的预训练模型,对于具体的机器学习模型的类别,本申请不做限定。
在一些具体的实现方式中,在获取到历史荷电数据和历史状态数据后,可以先对历史荷电数据和历史状态数据进行清洗,例如进行一致性检查、缺失值检查和重复值检查等。随后,对清洗后的历史状态数据作为输入,清洗后的历史荷电数据作为输出,训练机器学习模型。
在一些示例中,可以对历史荷电数据和历史状态数据进行一致性检查(consistency check)。一致性检查指的是根据每个数据的合理取值范围和相互关系,判断历史荷电数据和历史状态数据是否合乎要求的检查。参见表1,该表为本申请实施例提供的一种时间和电流值的示意表。
表1
时间(s) | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 |
电流值(A) | 10.01 | 10.02 | 95.2 | 9.98 | 9.99 |
由表1可知,在0.1至0.2秒、0.4至0.5秒时,电流值持续维持在10安左右,尽管电流值并不相同,但仍处于正常值范围内。但在0.3秒时电流值由10.02安突变至95.2安,由于95.2安与原始电流相差过大,且超出异常电流的阈值,因此需要将95.2安视为超出正常值范围。那么就需要将电流值95.2安进行清洗剔除。
在一些示例中,可以对历史荷电数据和历史状态数据进行缺失值检查。缺失值检查指的是由于调查、编码和录入误差,历史荷电数据和历史状态数据中可能存在一些缺失值,需要给予适当的处理。参见表2,该表为本申请实施例提供的一种时间和电压的示意表。
表2
时间(s) | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 |
电压值(V) | 220 | 220 | 220 | 220 |
由表2可知,在0.1至0.2秒、0.4至0.5秒时,电压值持续维持在220伏,但在0.3秒时电压值缺失。那么,就需要将0.3秒时的电压值进行清洗剔除。
在一些具体的实现方式中,可以对历史荷电数据和历史状态数据进行重复值检查。参见表3,该表为本申请实施例提供的另一种时间和电压的示意表。
表3
时间(s) | 0.1 | 0.2 | 0.2 | 0.3 | 0.4 |
电压值(V) | 220 | 220 | 220 | 220 | 220 |
由表3可知,在获取历史状态数据时,获取了两次0.2s的电压值,即出现了重复值。那么,就需要将两个0.2秒时的电压值中的一个进行清洗剔除。
需要说明的是,还可以存在其他进行数据清洗的方法,对于具体的数据清洗方法,本申请不做限定。
需要说明的是,在构建电量估计模型完毕后,还可以将电量估计模型封装为算法软件开发工具包(Software Development Kit,SDK),以便开发人员和业务人员调用。并且,还可以在平台搭建相关互联网技术(Internet Technology,IT)的支持下,将电量估计模型部署到约定的环境中,以进行批量数据推理和预测。
S103:获取电池电芯的实时状态数据。
实时状态数据指的是电池电芯的实时电压值、实时电流值、实时温度值、充放电次数、充放电能量等中的一种或多种。
需要说明的是,获取电池电芯的实时状态数据的时刻可以是构建电量估计模型完毕后的任意时刻,对此本申请不做限定。
S104:将实时状态数据输入至电量估计模型,得到电池的荷电状态。
在一些具体的实现方式中,在将实时状态数据输入至电量估计模型之前,需要判断实时状态数据是否为高时效性要求数据。
其中,高时效性要求数据指的是,若该数据出现异常,则需要立刻断开该电池电芯所在模块的连接,同时排查事故原因并执行检修的数据。示例性的,实时电压值、实时电流值均为高时效性数据。因为若实时电压值或实时电流值出现异常,则会提升发生热失控或热蔓延的概率。若发生热失控或热蔓延,将对储能电站及周边人员造成不可估计的损失和危害。
当判断出实时状态数据为高时效性要求数据,再将实时状态数据输入至电量估计模型。当判断出实时状态数据不为高时效性要求数据,则可以将该数据存储至数据库***,并定期进行数据分析工作即可。
在一些具体的实现方式中,还可以先对获取到的实时状态数据进行清洗,从而清洗掉实时状态数据中的异常数据。随后,再对清洗后的数据是否为高时效性要求数据进行判断。示例性的,数据清洗可以包括一致性检查、缺失值检查和重复值检查中的一种或多种。对于具体的数据清洗方法,本申请不做限定。
在将实时状态数据或清洗后的实时状态数据输入至电量估计模型后,即可得到电池的荷电状态。
需要说明的是,在获取到电池的荷电状态后,还可以基于该荷电状态实现电池的演变规律分析、剩余寿命预测、未来状态预判等功能,提出全生命周期不同阶段出力和维护策略,指导储能电站出力策略优化。
S105:若荷电状态表征电池的容量衰减高于第一预设阈值,则执行风险预警。
第一预设阈值是划分电池的衰减容量的阈值。若电池的容量衰减高于第一阈值,则表征电池的容量衰减过度,导致电池健康状态较差,甚至该电池可能是劣化电池,容易出现热失控或热蔓延后果。示例性的,该第一预设阈值可以是40%,表征电池已经从原始的100%的容量衰减至60%的容量。对于具体的第一预设阈值,本申请不做限定。
通过将电池的容量衰减高于第一预设阈值的电池预警给运维巡检人员,能够为指导站内运维人员采取电池均衡、电池更换等处置措施提供数据支持,以及提前采取措施,进行电池防护。
S106:获取电池电芯的标准状态数据。
电池电芯的标准状态数据指的是电池电芯在当前状态下的理想数据(额定数据)。示例性的,若电池电芯所处的储能电站的额定功率为500kW(千瓦),那么该电池电芯的标准状态数据即为500kW。
S107:若标准状态数据与实时状态数据的差值高于第三预设阈值,则执行风险预警。
第三状态阈值是判断电池的实时状态与标准状态的差值是否处于正常范围的阈值。若标准状态数据与实时状态数据的差值高于第三预设阈值,则表征电池的容量衰减过度,导致电池健康状态较差,甚至该电池可能是劣化电池,容易出现热失控或热蔓延后果。对于具体的第三状态阈值,本申请不做限定。
需要说明的是,为保证电池电芯问题的实时分析和及时响应,可以在储能电站端的边缘部署实时数据库***,并在实时数据库***中获取电池电芯的实时状态数据,即执行S101步骤。由此可以提供标准状态数据与实时状态数据的边缘计算能力,从而提升风险预警的效率。
S108:当电池电芯故障后,获取电池电芯的故障状态数据。
当电池电芯出现故障后,还可以获取电池电芯故障时的状态数据。故障状态数据指的是电池电芯故障时的电压值、电流值、温度值、充放电次数、充放电能量等中的一种或多种。
S109:若故障状态数据和实时状态数据的差值低于第二预设阈值,则执行风险预警。
第二状态阈值是判断电池的实时状态与故障状态的差值是否处于正常范围的阈值。若故障状态数据与实时状态数据的差值低于第二预设阈值,则表征电池的容量衰减过度,导致电池健康状态较差,甚至该电池可能是劣化电池,容易出现热失控或热蔓延后果。对于具体的第二状态阈值,本申请不做限定。
综上所述,本申请公开了一种用于储能电站的风险预警方法,该方法通过将获取到的实时状态数据输入至电量估计模型中,即可得到电池的荷电状态。若荷电状态表征电池的容量衰减高于第一预设阈值,即可立即执行风险预警。由此,不再需要人工进行电池电芯的检测,而是实时对电池电芯的实时状态数据进行处理,能够提高风险预警的效率,进而降低储能电站的恢复时间和用电损失,保证储能电站长期稳定的安全运行。并且,本申请公开的风险预警方法还可以将实时状态数据和故障状态数据、标准状态数据相对比,若标准状态数据与实时状态数据的差值高于第三预设阈值,或,若故障状态数据和实时状态数据的差值低于第二预设阈值,则执行风险预警,从而提升了风险预警的效率。
本申请虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
参见图2,该图为本申请实施例提供的一种用于储能电站的风险预警装置的示意图。该用于储能电站的风险预警装置200包括:第一获取模块201、数据输入模块202和第一预警模块203;
第一获取模块201,用于获取电池电芯的实时状态数据;数据输入模块202,用于将实时状态数据输入至电量估计模型,得到电池的荷电状态;第一预警模块203,用于若荷电状态表征电池的容量衰减高于第一预设阈值,则执行风险预警。
在一些具体的实现方式中,电量估计模型的构建装置包括:数据获取模块和模型训练模块;数据获取模块,用于获取电池电芯的历史状态数据和历史荷电数据,历史状态数据包括历史电压值、历史电流值、历史温度值、充放电次数、充放电能量中的一种或多种;模型训练模块,用于将历史荷电数据作为输出,将历史状态数据作为输入,训练机器学习模型,以构建电量估计模型。
在一些具体的实现方式中,模型训练模块具体包括:清洗子模块和训练子模块;清洗子模块,用于对历史状态数据执行数据清洗,数据清洗包括一致性检查、缺失值检查和重复值检查中的一种或多种;训练子模块,用于将清洗后的历史状态数据作为输入,训练机器学习模型。
在一些具体的实现方式中,该风险预警装置200还包括:第二获取模块和第二预警模块;第二获取模块,用于当电池电芯故障后,获取电池电芯的故障状态数据;第二预警模块,用于若故障状态数据和实时状态数据的差值低于第二预设阈值,则执行风险预警。
在一些具体的实现方式中,该风险预警装置200还包括:第三获取模块和第三预警模块;第三获取模块,用于获取电池电芯的标准状态数据;第三预警模块,用于若标准状态数据与实时状态数据的差值高于第三预设阈值,则执行风险预警。
综上所述,本申请公开了一种风险预警装置,通过该风险预警装置不再需要人工进行电池电芯的检测,而是实时对电池电芯的实时状态数据进行处理,能够提高风险预警的效率,进而降低储能电站的恢复时间和用电损失,保证储能电站长期稳定的安全运行。并且,本申请公开的风险预警装置还可以将实时状态数据和故障状态数据、标准状态数据相对比,若标准状态数据与实时状态数据的差值高于第三预设阈值,或,若故障状态数据和实时状态数据的差值低于第二预设阈值,则执行风险预警,从而提升了风险预警的效率。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,第一构建模块还可以被描述为“构建预训练数据集的模块”。本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
本申请实施例中提到的“第一”、“第二”(若存在)等名称中的“第一”、“第二”只是用来做名字标识,并不代表顺序上的第一、第二。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如只读存储器(英文:read-only memory,ROM)/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者诸如路由器等网络通信设备)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是,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,对于设备及***实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的设备及***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元提示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述,仅为本申请的一种具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种用于储能电站的风险预警方法,其特征在于,所述方法包括:
获取电池电芯的实时状态数据;
将所述实时状态数据输入至电量估计模型,得到所述电池的荷电状态;
若所述荷电状态表征所述电池的容量衰减高于第一预设阈值,则执行风险预警。
2.根据权利要求1所述的方法,其特征在于,所述电量估计模型的构建方法包括:
获取所述电池电芯的历史状态数据和历史荷电数据,所述历史状态数据包括历史电压值、历史电流值、历史温度值、充放电次数、充放电能量中的一种或多种;
将所述历史荷电数据作为输出,将所述历史状态数据作为输入,训练机器学习模型,以构建所述电量估计模型。
3.根据权利要求2所述的方法,其特征在于,所述将所述历史状态数据作为输入,训练机器学习模型,包括:
对所述历史状态数据执行数据清洗,所述数据清洗包括一致性检查、缺失值检查和重复值检查中的一种或多种;
将清洗后的历史状态数据作为输入,训练机器学习模型。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
当所述电池电芯故障后,获取所述电池电芯的故障状态数据;
若所述故障状态数据和所述实时状态数据的差值低于第二预设阈值,则执行风险预警。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取电池电芯的标准状态数据;
若所述标准状态数据与所述实时状态数据的差值高于第三预设阈值,则执行风险预警。
6.一种用于储能电站的风险预警装置,其特征在于,所述装置包括:第一获取模块、数据输入模块和第一预警模块;
所述第一获取模块,用于获取电池电芯的实时状态数据;
所述数据输入模块,用于将所述实时状态数据输入至电量估计模型,得到所述电池的荷电状态;
所述第一预警模块,用于若所述荷电状态表征所述电池的容量衰减高于第一预设阈值,则执行风险预警。
7.根据权利要求6所述的装置,其特征在于,所述电量估计模型的构建装置包括:数据获取模块和模型训练模块;
所述数据获取模块,用于获取所述电池电芯的历史状态数据和历史荷电数据,所述历史状态数据包括历史电压值、历史电流值、历史温度值、充放电次数、充放电能量中的一种或多种;
所述模型训练模块,用于将所述历史荷电数据作为输出,将所述历史状态数据作为输入,训练机器学习模型,以构建所述电量估计模型。
8.根据权利要求7所述的装置,其特征在于,所述模型训练模块具体包括:清洗子模块和训练子模块;
所述清洗子模块,用于对所述历史状态数据执行数据清洗,所述数据清洗包括一致性检查、缺失值检查和重复值检查中的一种或多种;
所述训练子模块,用于将清洗后的历史状态数据作为输入,训练机器学习模型。
9.根据权利要求6所述的装置,其特征在于,所述装置还包括:第二获取模块和第二预警模块;
所述第二获取模块,用于当所述电池电芯故障后,获取所述电池电芯的故障状态数据;
所述第二预警模块,用于若所述故障状态数据和所述实时状态数据的差值低于第二预设阈值,则执行风险预警。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:第三获取模块和第三预警模块;
所述第三获取模块,用于获取电池电芯的标准状态数据;
所述第三预警模块,用于若所述标准状态数据与所述实时状态数据的差值高于第三预设阈值,则执行风险预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311648932.2A CN117630693A (zh) | 2023-12-04 | 2023-12-04 | 一种用于储能电站的风险预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311648932.2A CN117630693A (zh) | 2023-12-04 | 2023-12-04 | 一种用于储能电站的风险预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117630693A true CN117630693A (zh) | 2024-03-01 |
Family
ID=90030201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311648932.2A Pending CN117630693A (zh) | 2023-12-04 | 2023-12-04 | 一种用于储能电站的风险预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117630693A (zh) |
-
2023
- 2023-12-04 CN CN202311648932.2A patent/CN117630693A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101577438B (zh) | 基于远程监控平台的大容量后备电源的维护方法所用设备 | |
CN110796368B (zh) | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 | |
CN103454516B (zh) | 智能化变电站二次设备健康状态诊断方法 | |
EP2397926A2 (en) | A self-healing power grid and method thereof | |
MX2013011805A (es) | Sistema de evaluacion dinamica para componentes electricos de alto voltaje. | |
CN103746368A (zh) | 一种电力***静态安全稳定运行极限优化方法 | |
CN111008485A (zh) | 基于神经网络的三相交流异步电机多参数寿命预测方法 | |
CN109978500A (zh) | 一种核电站失电试验管理*** | |
CN113156058A (zh) | 核电站变压器轻瓦斯报警响应方法、装置、设备及介质 | |
CN111049131B (zh) | 一种地区电网在线故障处置预案生成方法及*** | |
CN104537161B (zh) | 一种基于供电安全标准的中压配电网诊断分析方法 | |
CN105445591A (zh) | 变流器故障诊断方法以及变流器故障诊断装置 | |
CN109980305A (zh) | 通信电源智能维护装置 | |
CN102611085B (zh) | 一种连锁跳闸仿真分析方法 | |
CN117630693A (zh) | 一种用于储能电站的风险预警方法及装置 | |
CN110021933B (zh) | 考虑组件故障的电力信息***控制功能可靠性评估方法 | |
CN111537819A (zh) | 一种配电自动化监测方法、***、终端及存储介质 | |
CN112595925B (zh) | 一种10kV配网接地故障的过程处理方法及*** | |
CN115169138A (zh) | 一种基于解析法的电力***多层次恢复力评估方法和*** | |
CN114825625A (zh) | 一种电池储能电站运维***及方法 | |
CN104636607B (zh) | 基于bpa的炼化企业电网静态安全特性评估方法 | |
CN114069624A (zh) | 一种电网故障恢复***及方法 | |
CN107194594B (zh) | 一种基于iec61850的背靠背换流站物理信息***可靠性评估方法 | |
Guan et al. | Grid monitoring and market risk management | |
CN112162164A (zh) | 一种基于神经网络的电缆寿命预测*** |
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 |