CN104794571A - 一种储能电站海量电池数据的采集方法 - Google Patents
一种储能电站海量电池数据的采集方法 Download PDFInfo
- Publication number
- CN104794571A CN104794571A CN201510186285.7A CN201510186285A CN104794571A CN 104794571 A CN104794571 A CN 104794571A CN 201510186285 A CN201510186285 A CN 201510186285A CN 104794571 A CN104794571 A CN 104794571A
- Authority
- CN
- China
- Prior art keywords
- battery data
- data
- power station
- energy
- battery
- 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
Landscapes
- Secondary Cells (AREA)
Abstract
一种储能电站海量电池数据的采集方法,所述方法包括:根据压缩感知理论,对储能电站的电池数据进行同步采集压缩,保存并传输采集压缩后的电池数据,重构电池数据,该方法降低了采集设备的工作负载,减少了数据存储和传输的规模。
Description
技术领域
本发明涉及一种采集方法,具体涉及一种储能电站海量电池数据的采集方法。
背景技术
2011年底,国家风光储输示范工程(一期)中的电池储能电站投运,其中包含12MW/63MWh锂离子电池储能系统和2MW/8MWh液流电池储能系统,其出力能力为16MW,能量存储容量为71MWh。
储能电池作为风光能源项目的核心设备,其监控数据是项目最重要的成果和资产之一。因此,数据的采集效率和准确性可谓是风光能源项目中的重中之重。储能电站系统中,部署了上万个监测终端,这些监测终端分别采集与电池相关的功率、电压、温度、SOC等多种数值;其采集频率通常为分钟级,部分采集终端的采集频率达到秒级。
如图2所示,传统的数据采集设备建立在香农采样定理采样率基础上,若一个信号能达到无失真重建,它的离散样本数完全由带宽决定,即为了不失真地恢复模拟信号,采样频率应不小于模拟信号频谱中最高频率的2倍。然而,如此高精度的采样会导致两方面问题,一是加重采集设备的负载和能耗,这会对采集设备的可靠性和寿命造成不利影响;二是需要产生巨大的数据量,这会给后期数据的存储或压缩造成很大压力。由此可见,传统的电力数据压缩方式具有算法复杂、计算时间长,实时性差等特点,在可靠性和及时性上得不到保证。
压缩感知是Donoho等人在2006年提出的信号处理理论。该理论的提出打破了传统压缩方法先采样后压缩的处理方式,将压缩与采样合并进行。压缩传感理论表明,如果原始信号具有稀疏性,或在某个变换基下能够被稀疏,则可以用一个与这个变换基高度不相干的观测矩阵将这些高维的稀疏信号投影到一个低维空间上,然后通过求解优化问题就可以从这些少量的投影中以高概率地不失真地高精度地重构出原信号,从而突破了香农采样定理的瓶颈,降低了采样频率,使得高频信号的采集成为可能。
本发明在深入研究现有的压缩感知理论的基础上,提出了一种适用于储能电站电池数据的采样压缩方法。
发明内容
为实现上述目的,本发明基于压缩感知理论,提出一种适用于储能电站电池数据的采集方法,降低了采集设备的工作负载,减少了数据存储和传输的规模。
本发明的目的是采用下述技术方案实现的:
一种储能电站海量电池数据的采集方法,所述方法包括:
(1)根据压缩感知理论,同步采集压缩储能电站的电池数据;
(2)保存并传输采集压缩后的电池数据;
(3)重构电池数据。
优选的,所述步骤(1)包括:
1-1获取一组一维储能电站的电池数据c;
1-2构建所述电池数据c的稀疏表示;
1-3确定测量矩阵,生成所述电池数据c的观测数据c’。
进一步地,所述步骤1-1的电池数据c包括:电池功率、电压、温度和SOC值。
进一步地,将所述电池数据c的测量值的维列向量记作N,该维列向量N中的元素为v[n],其中n=1,2,3…,N。
进一步地,所述步骤1-2包括,通过离散余弦变换电池数据c向量的稀疏变换基Ψ,获得所述电池数据c的稀疏表示:c=Ψα,α=ΨTc;其中,α为稀疏的转换系数。
进一步地,所述步骤1-3包括,使用高斯随机矩阵作为测量矩阵Φ,所述电池数据c经该测量矩阵Φ非适应线性投影获得观测数据c’,c’=Φc=ΦΨα=Acsα;其中,Φ为M×N维矩阵,且M<<N,Acs为传感矩阵,用于从观测数据c’中计算出转换系数;Ψ为稀疏变换基,α为稀疏的转换系数;c’为一个M维列向量,其元素个数远小于电池数据c。
优选的,所述步骤(2)包括:将所述观测数据c’存放至关系数据库,并通过网络发送至后端处理节点。
优选的,所述步骤(3)包括,当Acs满足约束等距性或Φ与Ψ不相关时,利用线性规划法,求解minα1s.t.c’==ΦΨα获得转换系数α,并根据c=Ψα计算重构后电池数据;其中,α1表示L0范数,即α中非1元的个数。
与现有技术相比,本发明达到的有益效果是:
储能电站电池监控数据时储能项目系统运行中非常具有参考价值的数据,它反映了系统运行的动态特征,准确及时的捕捉这些运行数据,对于提高储能电站的运行效率和可靠性具有非常重要的意义。
传统的电站海量数据采集方法基于香农采样原理,需要使用大量的传感单元,以秒级为单位进行持续采集,不仅数据存储和传输压力大,而且信息冗余严重;如果在采集端使用传统的数据压缩方法,又会对传感器单元带来大量的计算开销,因此对于采集端设备的寿命和可靠性都会产生很大影响。
本发明提供的基于压缩感知技术的储能电站数据采集方法,采用采集和压缩同步进行的方式,减少了数据的冗余;一方面降低了采集终端的工作负荷,提高采集终端的工作效率和寿命,另一方面也大幅缩减了采集终端的数据存储容量。并且在保证数据有效性的前提下,降低数据采集的频率,减少数据存储量的大小,提高数据传输的效率;从而有效缓解了采集端的工作负荷,保证了海量数据收发的时效性,使得数据采集端和数据处理端相互平衡,是一种适合储能电站海量数据平台的有效方法。
附图说明
图1是基于压缩感知的电池数据采集的方法流程图;
图2是传统电池数据采集方法流程图;
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
如图1所示,本发明提供一种储能电站海量电池数据的采集方法,所述方法包括:
(1)根据压缩感知理论,同步采集压缩储能电站的电池数据;
所述步骤(1)包括:1-1获取一组一维储能电站的电池数据c;所述步骤1-1的电池数据c包括:电池功率、电压、温度和SOC值。
将所述电池数据c的测量值的维列向量记作N,该维列向量N中的元素为v[n],其中n=1,2,3…,N。
1-2构建所述电池数据c的稀疏表示;所述步骤1-2包括,通过离散余弦变换电池数据c向量的稀疏变换基Ψ,获得所述电池数据c的稀疏表示:c=Ψα,α=ΨTc;其中,α为稀疏的转换系数。
1-3确定测量矩阵,生成所述电池数据c的观测数据c’。所述步骤1-3包括,使用高斯随机矩阵作为测量矩阵Φ,所述电池数据c经该测量矩阵Φ非适应线性投影获得观测数据c’,c’=Φc=ΦΨα=Acsα;其中,Φ为M×N维矩阵,且M<<N,Acs为传感矩阵,用于从观测数据c’中计算出转换系数;Ψ为稀疏变换基,α为稀疏的转换系数;c’为一个M维列向量,其元素个数远小于电池数据c。
(2)保存并传输采集压缩后的电池数据;所述步骤(2)包括:将所述观测数据c’存放至关系数据库,并通过网络发送至后端处理节点。
(3)重构电池数据。
所述步骤(3)包括,当Acs满足约束等距性或Φ与Ψ不相关时,利用L1线性规划法,求解minα1s.t.c’==ΦΨα获得转换系数α,并根据c=Ψα计算重构后电池数据;其中,α1表示L0范数,即α中非1元的个数。
实施例:
以储能电站检测到的电池电压数据为例,给定一维电池电压数据v=[v1,v2…vn],v是一个N维列向量,示例中我们选取N=1024。
确定电压向量的稀疏变换基Ψ,常用的稀疏基有离散傅里叶变换(DFT)基、离散余弦变换(DCT)基和小波变换(WT)基等,这里采取离散余弦变换(DCT):
电压向量维度N=1024时离散余弦变换的形式为:
构造电池电压数据的稀疏表示。构造v=Ψα得到电压数据的稀疏表示。
构造测量矩阵Φ。由压缩感知理论可知Acs=ΦΨ满足约束等距性(RIP)或Φ与Ψ不相关时,就能够从v’恢复出v。高斯随机矩阵、部分哈达玛矩阵、Toeplizt矩阵等随机矩阵与大多数固定正交基矩阵不相关作为测量矩阵一般满足RIP性质。
伯努利随机矩阵的矩阵元素服从独立的伯努利分布,具有很强的随机性,广泛应用于压缩感知领域,示例中我们选取伯努利随机矩阵作为测量矩阵。伯努利矩阵每个元素以1/2的等概率取值
M是测量值的维数
示例选取测量值维数M=256,构造的伯努利随机矩阵为MxN=256x1024维矩阵:
数据采集的第五步:获得电压数据的测量值。经测量矩阵观察v得到观测值v’=Φv=ΦΨα=Acsα。
从上述实施例可以看出,经过压缩感知处理,原始的1024个采样数据可以通过256个观测数据表示,其压缩比为4。在采集设备端,使用关系数据库存储压缩后的观测数据,借助压缩感知技术,能够成倍的节省用于数据库的占用空间。
数据传输阶段通过网络将观测数据发送到后端处理节点。在传输阶段,我们针对海量电池数据设计了用于数据采集节点和数据处理节点之间的传输方法和规范。在数据处理节点运行接受数据的Web Service服务接口,数据采集节点从本地数据库读取压缩后的电压数据,并按照接口规范定期向数据处理节点上报采集数据。由于数据传输的带宽和数据量有直接线性关系,经过压缩后可以比之前减少接近70%的网络带宽。
经过采样压缩后的观测值占用更少的采集设备资源和网络传输带宽,经存储和传输到后端处理节点上进行使用。
在处理节点,通过l1范数线性规划方法重构原始数据。
最后应当说明的是:以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换这些变更、修改或者等同替换,其均在其申请待批的权利要求范围之内。
Claims (8)
1.一种储能电站海量电池数据的采集方法,其特征在于,所述方法包括:
(1)根据压缩感知理论,同步采集压缩储能电站的电池数据;
(2)保存并传输采集压缩后的电池数据;
(3)重构电池数据。
2.如权利要求1所述的一种储能电站海量电池数据的采集方法,其特征在于,所述步骤(1)包括:
1-1获取一组一维储能电站的电池数据c;
1-2构建所述电池数据c的稀疏表示;
1-3确定测量矩阵,生成所述电池数据c的观测数据c’。
3.如权利要求2所述的一种储能电站海量电池数据的采集方法一种储能电站海量电池数据的采集方法,其特征在于,所述步骤1-1的电池数据c包括:电池功率、电压、温度和SOC值。
4.如权利要求3所述的一种储能电站海量电池数据的采集方法,其特征在于,将所述电池数据c的测量值的维列向量记作N,该维列向量N中的元素为v[n],其中n=1,2,3…,N。
5.如权利要求2所述的一种储能电站海量电池数据的采集方法,其特征在于,所述步骤1-2包括,通过离散余弦变换电池数据c向量的稀疏变换基Ψ,获得所述电池数据c的稀疏表示:c=Ψα,α=ΨTc;其中,α为稀疏的转换系数。
6.如权利要求2所述的一种储能电站海量电池数据的采集方法,其特征在于,所述步骤1-3包括,使用高斯随机矩阵作为测量矩阵Φ,所述电池数据c经该测量矩阵Φ非适应线性投影获得观测数据c’,c’=Φc=ΦΨα=Acsα;其中,Φ为M×N维矩阵,且M<<N,Acs为传感矩阵,用于从观测数据c’中计算出转换系数;Ψ为稀疏变换基,α为稀疏的转换系数;c’为一个M维列向量,其元素个数远小于电池数据c。
7.如权利要求1或2所述的一种储能电站海量电池数据的采集方法,其特征在于,所述步骤(2)包括:将所述观测数据c’存放至关系数据库,并通过网络发送至后端处理节点。
8.如权利要求1-6任一所述的一种储能电站海量电池数据的采集方法,其特征在于,所述步骤(3)包括,当Acs满足约束等距性或Φ与Ψ不相关时,利用线性规划法,求解minα1s.t.c’==ΦΨα获得转换系数α,并根据c=Ψα计算重构后电池数据;其中,α1表示L0范数,即α中非1元的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510186285.7A CN104794571A (zh) | 2015-04-20 | 2015-04-20 | 一种储能电站海量电池数据的采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510186285.7A CN104794571A (zh) | 2015-04-20 | 2015-04-20 | 一种储能电站海量电池数据的采集方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104794571A true CN104794571A (zh) | 2015-07-22 |
Family
ID=53559357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510186285.7A Pending CN104794571A (zh) | 2015-04-20 | 2015-04-20 | 一种储能电站海量电池数据的采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104794571A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143075A (zh) * | 2018-07-16 | 2019-01-04 | 苏州朗捷通智能科技有限公司 | 一种电压的采集方法和系统 |
CN111584951A (zh) * | 2020-04-08 | 2020-08-25 | 北方工业大学 | 一种退役电池重构方法及系统 |
CN116449223A (zh) * | 2023-06-20 | 2023-07-18 | 苏州精控能源科技有限公司 | 一种基于压缩感知的储能电池容量预测方法、装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823133A (zh) * | 2013-12-07 | 2014-05-28 | 西南交通大学 | 一种基于压缩感知的在线电能质量监测系统 |
CN104167804A (zh) * | 2014-09-11 | 2014-11-26 | 安徽启光能源科技研究院有限公司 | 一种移动储能电站的电池管理系统 |
-
2015
- 2015-04-20 CN CN201510186285.7A patent/CN104794571A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823133A (zh) * | 2013-12-07 | 2014-05-28 | 西南交通大学 | 一种基于压缩感知的在线电能质量监测系统 |
CN104167804A (zh) * | 2014-09-11 | 2014-11-26 | 安徽启光能源科技研究院有限公司 | 一种移动储能电站的电池管理系统 |
Non-Patent Citations (1)
Title |
---|
沈跃: "基于压缩感知理论的电力系统数据检测与压缩方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143075A (zh) * | 2018-07-16 | 2019-01-04 | 苏州朗捷通智能科技有限公司 | 一种电压的采集方法和系统 |
CN111584951A (zh) * | 2020-04-08 | 2020-08-25 | 北方工业大学 | 一种退役电池重构方法及系统 |
CN116449223A (zh) * | 2023-06-20 | 2023-07-18 | 苏州精控能源科技有限公司 | 一种基于压缩感知的储能电池容量预测方法、装置 |
CN116449223B (zh) * | 2023-06-20 | 2023-08-29 | 苏州精控能源科技有限公司 | 一种基于压缩感知的储能电池容量预测方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283175B (zh) | 一种基于异步去中心化联邦学习的光伏电站联合故障诊断方法 | |
CN107192878A (zh) | 一种基于压缩感知的电力系统谐波检测方法及装置 | |
CN105181122A (zh) | 机械振动信号数据压缩采集方法 | |
CN102035200B (zh) | 一种信号处理的方法和装置 | |
CN103983850A (zh) | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 | |
CN104794571A (zh) | 一种储能电站海量电池数据的采集方法 | |
CN103955613A (zh) | 一种电网工程区域性滑坡地质灾害危险性分级评价方法 | |
CN103558498B (zh) | 基于小波分析的绝缘子污闪泄漏电流信号稀疏表示方法 | |
CN102075749B (zh) | 压缩感知框架下基于非凸模型的图像压缩重构方法 | |
CN103823133A (zh) | 一种基于压缩感知的在线电能质量监测系统 | |
CN107561416A (zh) | 一种基于压缩感知的局部放电信号采集系统及方法 | |
CN103686177A (zh) | 一种图像压缩、解压方法、压缩、解压装置以及系统 | |
CN110311685A (zh) | 时序贝叶斯压缩采样及信号解压缩重构方法及数据丢失恢复方法 | |
CN115309814A (zh) | 基于结构化低秩张量补全的物联网数据重建方法 | |
CN111861789A (zh) | 基于电流数据整数规划求解的户变关系识别方法及系统 | |
CN109714814A (zh) | 一种无线传感器网络数据传输和恢复的方法 | |
CN101901493A (zh) | 基于压缩采样的多视点图像联合重构方法和系统 | |
Chen et al. | A deep learning framework for adaptive compressive sensing of high‐speed train vibration responses | |
CN103036576A (zh) | 基于压缩传感理论的一种二值稀疏信号重构算法 | |
CN103399361A (zh) | 一种蒸发波导时空态势压缩感知方法 | |
CN112505452A (zh) | 一种广域系统宽频振荡监测方法 | |
Hashemipour et al. | Big data compression in smart grids via optimal singular value decomposition | |
CN105021277A (zh) | 一种基于小波包关联维数组合的高压断路器振动信号特征提取方法 | |
CN101621855A (zh) | 网络数据的处理方法、网络节点设备和融合中心设备 | |
CN204065345U (zh) | 一种高压断路器机械特性故障诊断装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150722 |