CN108960321A - 一种大型锂电池储能电站电池故障预测方法 - Google Patents

一种大型锂电池储能电站电池故障预测方法 Download PDF

Info

Publication number
CN108960321A
CN108960321A CN201810708043.3A CN201810708043A CN108960321A CN 108960321 A CN108960321 A CN 108960321A CN 201810708043 A CN201810708043 A CN 201810708043A CN 108960321 A CN108960321 A CN 108960321A
Authority
CN
China
Prior art keywords
battery
battery box
ith
matrix
power station
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.)
Granted
Application number
CN201810708043.3A
Other languages
English (en)
Other versions
CN108960321B (zh
Inventor
张筱辰
朱金大
闪鑫
王波
杨冬梅
陈永华
杜炜
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.)
Nari Technology Co Ltd
Original Assignee
Nari Technology 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 Nari Technology Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN201810708043.3A priority Critical patent/CN108960321B/zh
Publication of CN108960321A publication Critical patent/CN108960321A/zh
Application granted granted Critical
Publication of CN108960321B publication Critical patent/CN108960321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Neurology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种大型锂电池储能电站电池故障预测方法，包括如下步骤：将大型锂电池储能电站的电池箱集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池箱集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心电池箱，计算电池箱集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现储能电站电池故障的预测。本发明实现了大型锂电池储能电站电池故障的预测，可在线运行、计算方便、无特殊要求限制，适用于不同规模的储能电站电池箱集群，可移植性好，有利于检修人员建立合理有效的维修计划，确保电网的安全稳定运行。

Description

一种大型锂电池储能电站电池故障预测方法
技术领域
本发明涉及一种大型锂电池储能电站电池故障预测方法，属于电网技术领域。
背景技术
储能是大规模集中式和分布式新能源发电接入和利用的重要支撑技术，在以新能源大规模开发利用为特征的新一轮能源变革背景下，储能的作用和地位愈发重要。大型锂电池储能电站作为一种常用的储能解决方案，已被广泛地应用于发电侧、电网侧和用户侧。电池是大型锂电池储能电站的关键组成部件，其健康状态直接影响整个储能电站运行的安全与稳定。目前，随着大型锂电池储能电站容量的不断增加，电网对储能电站的健康状态评估技术也提出了更高的要求。因此，监测大型锂电池储能电站电池的运行状态，及时准确地预测电池故障的发生，有利于建立合理有效的维修计划，节省企业的维护费用，确保电网的安全稳定运行。
大型锂电池储能电站里，电池采用成组的方式安装在电池箱中，电池箱是电池安装与维护的基本单元，因此可将电池箱看作大型锂电池储能电站电池故障预测的基本单元。目前，储能电站电池的维护通常采用定期更换电池箱或事后更换电池箱的方式，检修人员难以实时掌握电池的健康状态。通过故障预测技术可以帮助检修人员提前预判电池可能发生故障，然而目前现有的故障预测方法大多依赖设备的全寿命周期运行数据，建立的故障预测模型也仅适用于单台设备，模型的可移植性较差，尚缺乏一种有效的可推广的电池故障预测方法。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种大型锂电池储能电站电池故障预测方法，能够准确有效地实现电池箱故障的在线预测。
为达到上述目的，本发明所采用的技术方案是：一种大型锂电池储能电站电池故障预测方法：
将锂电池储能电站的电池箱集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池箱集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心电池箱，计算电池箱集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现电池箱故障的预测；
所述储能电站电池箱集群中每台电池箱的历史监测信号包括：每个电池的端电压信号、温度信号；若每台电池箱中安装了r个电池，则每台电池箱监测信号的总通道数n＝2r个通道。
进一步的，每一采样时刻的电池箱集群的主特征矩阵的具体提取方法如下：
用t1,t2,…,tk表示时间序列，其中，k为大于2的一个正整数，则tk时刻的原始特征矩阵表示为i＝1,2,…,m；其中，m为电池箱的个数，原始特征矩阵分别表示第i台电池箱第1、2、…、n路监测信号的采样值，n为每台电池箱监测信号的总通道数；
构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值可以表示为a＝f(w1x(i)+b1)，其中，w1表示输入层的权值矩阵，b1表示输入层的偏移矩阵；网络输出层的值表示为h(i)＝f(w2a+b2)，其中w2表示隐层的权值矩阵，b2表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w1、w2、b1、b2；
稀疏自编码网络的总体代价函数可以表示为
其中，β为稀疏惩罚的权重，s2为网络隐层神经元的个数；
其中，λ为衰减参数的权重，nl表示网络的总层数，sl表示第l层网络的神经元个数，表示连接l层第j个神经元和l+1层第i个神经元的权值；
其中，ρ为稀疏参数，表示隐层第j个神经元对输入x(i)的激活值；
训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2；
则tk时刻电池箱集群的主特征矩阵表示为i＝1,2,…,m；其中，第i台电池箱主特征矩阵第j台电池箱主特征矩阵j表示m台电池箱中除第i台电池箱外的任意一台电池箱的序号。
进一步的，每一采样时刻的聚类中心电池箱的具体搜寻方法如下：
依次计算第i台电池箱的局部密度ρi、距离δi。其中，i＝1,2,…,m；m为电池箱的个数；根据j＝1,2,…,m；j≠i计算第i台电池箱的局部密度ρi，其中，j表示m台电池箱中除第i台电池箱外的任意一台电池箱的序号，dij表示第i台电池箱与第j台电池箱的距离，dc表示截断距离，是事先指定的一个参数；第i台电池箱与第j台电池箱的距离dij的计算公式为其中，表示第i台电池箱主特征矩阵，表示第j台电池箱主特征矩阵；
根据计算第i台电池箱的距离δi；其中，集合I＝{ρj>ρi}，表示在所有局部密度大于ρi的电池箱中，与第i台电池箱距离最小的电池箱与第i台电池箱之间的距离，表示第i台电池箱具有最大局部密度时，与第i台电池箱距离最大的电池箱与第i台电池箱之间的距离；进而通过公式γi＝ρiδi，计算每台电池箱的中心权重γi；tk时刻具有最大中心权重γi的电池箱即为tk时刻聚类中心电池箱，聚类中心电池箱主特征矩阵
进一步的，计算电池箱集群的累积偏心距离矩阵的具体方法如下：
根据计算tk时刻每台电池箱与聚类中心电池箱之间的距离，得到对应的距离矩阵i＝1,2,…,m；则电池箱集群的累积偏心距离矩阵为i＝1,2,…,m。
进一步的，对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下：
归一化处理的累积偏心距离矩阵i＝1,2,…,m；其中，max(li)表示在m台电池箱中，最大的累积偏心距离；合理设定预警阈值EW∈[0,1]；比较gi与EW，当gi<EW时，则第i台电池箱正常，当gi≥EW时，则第i台电池箱将要发生故障，向检修人员发出预警信息，从而实现了基于电池箱集群的储能电站电池故障的准确预测。
与现有技术相比，本发明的有益效果是：
一、对大型锂电池储能电站的电池箱集群的信号进行集中监测，通过提取电池箱集群的主特征矩阵、搜寻聚类中心电池箱、归一化电池箱集群的累积偏心距离矩阵并设定预警阈值，最终实现了基于电池箱集群的电池箱故障的准确预测。检修人员可根据电池箱故障预测结果，对电池箱实施有针对性的维修维护方案，与通常采用的定期更换电池箱或事后更换电池箱的方式相比，节省了企业的部分开支，缩短了设备停工维修维护的时间，实现了储能电站电池箱的主动维修。
二、目前，常用的设备故障预测方法通常依赖单一设备的全寿命周期运行数据，通过建模的方式学习设备的全寿命周期运行数据，以实现设备的故障预测。这类方法完全依赖设备的全寿命周期运行数据，不适用于缺乏全寿命周期运行数据的场景，且训练好的模型仅适用于单台设备，可移植性较差。本发明的核心思想是将大型锂电池储能电站的电池箱集群中的电池箱进行相互比较，通过计算得到电池箱集群的累积偏心距离矩阵，利用累积偏心距离衡量电池箱的健康状态，最后结合设定的预警阈值即可实现电池箱的故障预测。与现在常用的设备故障预测方法相比，本方法很好地考虑并融合了电池箱集群式安装的特点，不依赖电池箱的全寿命周期运行数据，对电池箱集群的历史监测信号的监测时间跨度不做要求，适用于不同规模的电池箱集群，方法的可移植性好。
附图说明
图1是本发明的流程图。
具体实施方式
本发明大型锂电池储能电站电池故障预测方法，将大型锂电池储能电站的电池箱集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池箱集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心电池箱，计算电池箱集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现大型锂电池储能电站电池故障的预测。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，是本发明的流程图，包括如下步骤：
步骤一、以当前时间为起点，将大型锂电池储能电站的电池箱集群在一段历史时间范围内的历史监测信号作为原始特征库，电池箱集群中每台电池箱的监测信号包括：每个电池的端电压信号、温度信号。若每台电池箱中安装了r个电池，则每台电池箱监测信号的总通道数n＝2r个通道。
步骤二、通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池箱集群的主特征矩阵，计算过程如下：
一段历史时间范围的时间序列用t1,t2,…,tk表示，其中，k为大于2的一个正整数，则当前时刻tk对应的原始特征矩阵可以表示为i＝1,2,…,m。其中，m为电池箱的个数，原始特征矩阵 分别表示第i台电池箱第1、2、…、n路监测信号的采样值，n为每台电池箱监测信号的总通道数。
构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值可以表示为a＝f(w1x(i)+b1)，其中，w1表示输入层的权值矩阵，b1表示输入层的偏移矩阵；网络输出层的值表示为h(i)＝f(w2a+b2)，其中w2表示隐层的权值矩阵，b2表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w1、w2、b1、b2。
计算稀疏自编码网络的总体代价函数：
其中，β为稀疏惩罚的权重(可设定为3)，s2为网络隐层神经元的个数(隐层神经元的个数可设定为3)。
其中，h(i)表示网络输出层的值，λ为衰减参数的权重(可设定为0.0001)，nl表示网络的总层数，sl表示第l层网络的神经元个数，表示连接l层第j个神经元和l+1层第i个神经元的权值。
其中，ρ为稀疏参数(可设定为0.15)，表示隐层第j个神经元对输入x(i)的激活值。
训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新，当达到设定的迭代次数时(迭代次数可设定为100次)，网络训练结束，此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2。
则tk时刻电池箱集群的主特征矩阵可以表示为i＝1,2,…,m。其中，第i台电池箱主特征矩阵第j台电池箱主特征矩阵j表示m台电池箱中除第i台电池箱外的任意一台电池箱的序号。
步骤三、依次搜索时间序列t1,t2,…,tk中每一采样时刻的聚类中心电池箱，以tk时刻为例，搜寻计算过程如下：
依次计算第i台电池箱的局部密度ρi、距离δi。其中，i＝1,2,…,m；m为电池箱的个数；根据j＝1,2,…,m；j≠i计算第i台电池箱的局部密度ρi，其中，j表示m台电池箱中除第i台电池箱外的任意一台电池箱的序号，dij表示第i台电池箱与第j台电池箱的距离，dc表示截断距离(截断距离可设定为dij的最小值min(dij))，是事先指定的一个参数；第i台电池箱与第j台电池箱的距离dij的计算公式为其中，表示第i台电池箱主特征矩阵，表示第j台电池箱主特征矩阵。
根据计算每台电池箱的距离δi，其中，集合I＝{ρj>ρi}，表示在所有局部密度大于ρi的电池箱中，与第i台电池箱距离最小的电池箱与第i台电池箱之间的距离，表示第i台电池箱具有最大局部密度时，与第i台电池箱距离最大的电池箱与第i台电池箱之间的距离；进而通过公式γi＝ρiδi，计算每台电池箱的中心权重γi；tk时刻具有最大中心权重γi的电池箱即为tk时刻聚类中心电池箱，聚类中心电池箱主特征矩阵
步骤四、计算电池箱集群的累积偏心距离矩阵，计算过程如下：
根据计算tk时刻每台电池箱与聚类中心电池箱之间的距离，得到对应的距离矩阵i＝1,2,…,m。则电池箱集群的累积偏心距离矩阵为i＝1,2,…,m。
步骤五、归一化处理的累积偏心距离矩阵i＝1,2,…,m，其中，max(li)表示在m台电池箱中，最大的累积偏心距离；合理设定预警阈值EW∈[0,1](预警阈值EW可设定为0.8)。
步骤六、比较gi与EW，当gi<EW时，则第i台电池箱正常，当gi≥EW时，则第i台电池箱将要发生故障，向检修人员发出预警信息，从而实现了基于电池箱集群的电池故障的准确预测。
本发明可实现大型锂电池储能电站电池故障的在线预测，可以帮助检修人员提前预判电池箱可能发生故障，对电池箱实施有针对性的维修维护方案，与通常采用的定期更换电池箱或事后更换电池箱的方式相比，节省了企业的部分开支，缩短了设备停工维修维护的时间，实现了储能电站电池箱的主动维修。且本发明可在线运行、计算方便、无特殊要求限制，适用于不同规模的储能电站电池箱集群，可移植性好，有利于检修人员建立合理有效的维修计划，确保电网的安全稳定运行。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种大型锂电池储能电站电池故障预测方法，其特征在于：
将锂电池储能电站的电池箱集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的电池箱集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心电池箱，计算电池箱集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现电池箱故障的预测；
所述储能电站电池箱集群中每台电池箱的历史监测信号包括：每个电池的端电压信号、温度信号；若每台电池箱中安装了r个电池，则每台电池箱监测信号的总通道数n＝2r个通道。
2.根据权利要求1所述的大型锂电池储能电站电池故障预测方法，其特征在于，每一采样时刻的电池箱集群的主特征矩阵的具体提取方法如下：
用t1,t2,…,tk表示时间序列，其中，k为大于2的一个正整数，则tk时刻的原始特征矩阵表示为其中，m为电池箱的个数，原始特征矩阵分别表示第i台电池箱第1、2、…、n路监测信号的采样值，n为每台电池箱监测信号的总通道数；
构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值可以表示为a＝f(w1x(i)+b1)，其中，w1表示输入层的权值矩阵，b1表示输入层的偏移矩阵；网络输出层的值表示为h(i)＝f(w2a+b2)，其中w2表示隐层的权值矩阵，b2表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w1、w2、b1、b2；
稀疏自编码网络的总体代价函数可以表示为
其中，β为稀疏惩罚的权重，s2为网络隐层神经元的个数；
其中，λ为衰减参数的权重，nl表示网络的总层数，sl表示第l层网络的神经元个数，表示连接l层第j个神经元和l+1层第i个神经元的权值；
其中，ρ为稀疏参数，表示隐层第j个神经元对输入x(i)的激活值；
训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2；
则tk时刻电池箱集群的主特征矩阵表示为其中，第i台电池箱主特征矩阵第j台电池箱主特征矩阵j表示m台电池箱中除第i台电池箱外的任意一台电池箱的序号。
3.根据权利要求1所述的大型锂电池储能电站电池故障预测方法，其特征在于，每一采样时刻的聚类中心电池箱的具体搜寻方法如下：
依次计算第i台电池箱的局部密度ρi、距离δi；其中，i＝1,2,…,m；m为电池箱的个数；根据j≠i计算第i台电池箱的局部密度ρi，其中，j表示m台电池箱中除第i台电池箱外的任意一台电池箱的序号，dij表示第i台电池箱与第j台电池箱的距离，dc表示截断距离，是事先指定的一个参数；第i台电池箱与第j台电池箱的距离dij的计算公式为其中，表示第i台电池箱主特征矩阵，表示第j台电池箱主特征矩阵；
根据计算第i台电池箱的距离δi；其中，集合I＝{ρj>ρi}，表示在所有局部密度大于ρi的电池箱中，与第i台电池箱距离最小的电池箱与第i台电池箱之间的距离，表示第i台电池箱具有最大局部密度时，与第i台电池箱距离最大的电池箱与第i台电池箱之间的距离；进而通过公式γi＝ρiδi，计算每台电池箱的中心权重γi；tk时刻具有最大中心权重γi的电池箱即为tk时刻聚类中心电池箱，聚类中心电池箱主特征矩阵
4.根据权利要求1所述的大型锂电池储能电站电池故障预测方法，其特征在于，计算电池箱集群的累积偏心距离矩阵的具体方法如下：
根据计算tk时刻每台电池箱与聚类中心电池箱之间的距离，得到对应的距离矩阵则电池箱集群的累积偏心距离矩阵为
5.根据权利要求1所述的大型锂电池储能电站电池故障预测方法，其特征在于，对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下：
归一化处理的累积偏心距离矩阵其中，max(li)表示在m台电池箱中，最大的累积偏心距离；合理设定预警阈值EW∈[0,1]；比较gi与EW，当gi<EW时，则第i台电池箱正常，当gi≥EW时，则第i台电池箱将要发生故障，向检修人员发出预警信息，从而实现了基于电池箱集群的储能电站电池故障的准确预测。
CN201810708043.3A 2018-07-02 2018-07-02 一种大型锂电池储能电站电池故障预测方法 Active CN108960321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810708043.3A CN108960321B (zh) 2018-07-02 2018-07-02 一种大型锂电池储能电站电池故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810708043.3A CN108960321B (zh) 2018-07-02 2018-07-02 一种大型锂电池储能电站电池故障预测方法

Publications (2)

Publication Number Publication Date
CN108960321A true CN108960321A (zh) 2018-12-07
CN108960321B CN108960321B (zh) 2021-10-22

Family

ID=64484907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810708043.3A Active CN108960321B (zh) 2018-07-02 2018-07-02 一种大型锂电池储能电站电池故障预测方法

Country Status (1)

Country Link
CN (1) CN108960321B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069810A (zh) * 2019-03-11 2019-07-30 北京百度网讯科技有限公司 电池故障预测方法、装置、设备和可读存储介质
CN110224160A (zh) * 2019-06-12 2019-09-10 北京亿华通科技股份有限公司 一种燃料电池系统故障诊断方法
CN112114268A (zh) * 2020-08-26 2020-12-22 昆山贝思泰智能科技有限公司 基于嵌入式ai算法的批量电芯外特征故障预测方法
CN113537525A (zh) * 2021-07-23 2021-10-22 四川大学 一种电池储能系统故障状态自适应预警方法
CN114088389A (zh) * 2021-12-10 2022-02-25 华润电力技术研究院有限公司 一种齿轮变速箱的数据处理方法和相关装置
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系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105680109A (zh) * 2016-03-25 2016-06-15 杭州电子科技大学 一种基于深度学习的动力电池配组方法
CN106056315A (zh) * 2016-07-05 2016-10-26 国电南瑞科技股份有限公司 一种电网故障特征数据质量的分析评价系统和方法
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN107239795A (zh) * 2017-05-19 2017-10-10 西安电子科技大学 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法
CN107340475A (zh) * 2016-04-29 2017-11-10 株式会社日立制作所 电池故障检测方法和电池故障检测装置
CN107730040A (zh) * 2017-09-30 2018-02-23 国网山东省电力公司电力科学研究院 基于rbm的电力信息系统日志信息综合特征提取方法和装置
CN108110893A (zh) * 2017-11-22 2018-06-01 国电南瑞科技股份有限公司 一种输配协同的电网故障等级自动识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105680109A (zh) * 2016-03-25 2016-06-15 杭州电子科技大学 一种基于深度学习的动力电池配组方法
CN107340475A (zh) * 2016-04-29 2017-11-10 株式会社日立制作所 电池故障检测方法和电池故障检测装置
CN106056315A (zh) * 2016-07-05 2016-10-26 国电南瑞科技股份有限公司 一种电网故障特征数据质量的分析评价系统和方法
CN106323636A (zh) * 2016-08-16 2017-01-11 重庆交通大学 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法
CN107239795A (zh) * 2017-05-19 2017-10-10 西安电子科技大学 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法
CN107730040A (zh) * 2017-09-30 2018-02-23 国网山东省电力公司电力科学研究院 基于rbm的电力信息系统日志信息综合特征提取方法和装置
CN108110893A (zh) * 2017-11-22 2018-06-01 国电南瑞科技股份有限公司 一种输配协同的电网故障等级自动识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RASHID MEHMOOD等: "Clustering by fast search and find of density peaks via heat diffusion", 《PREPRINT SUBMITTED TO NEUROCOMPUTING》 *
余弘道: "基于密度差距离的聚类中心快速定位方法", 《福建电脑》 *
段宝彬等: "基于堆叠稀疏自编码的模糊C-均值聚类算法", 《计算机工程与应用》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110069810A (zh) * 2019-03-11 2019-07-30 北京百度网讯科技有限公司 电池故障预测方法、装置、设备和可读存储介质
CN110224160A (zh) * 2019-06-12 2019-09-10 北京亿华通科技股份有限公司 一种燃料电池系统故障诊断方法
CN110224160B (zh) * 2019-06-12 2021-07-27 北京亿华通科技股份有限公司 一种燃料电池系统故障诊断方法
CN112114268A (zh) * 2020-08-26 2020-12-22 昆山贝思泰智能科技有限公司 基于嵌入式ai算法的批量电芯外特征故障预测方法
CN113537525A (zh) * 2021-07-23 2021-10-22 四川大学 一种电池储能系统故障状态自适应预警方法
CN114088389A (zh) * 2021-12-10 2022-02-25 华润电力技术研究院有限公司 一种齿轮变速箱的数据处理方法和相关装置
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系统及方法
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系统及方法

Also Published As

Publication number Publication date
CN108960321B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN108960321B (zh) 一种大型锂电池储能电站电池故障预测方法
CN108847686B (zh) 一种光伏逆变器故障预测方法
CN109002781B (zh) 一种储能变流器故障预测方法
CN110929918B (zh) 一种基于CNN和LightGBM的10kV馈线故障预测方法
CN109375116B (zh) 一种基于自编码器的电池系统异常电池识别方法
CN108665112A (zh) 基于改进粒子群优化Elman网络的光伏故障检测方法
CN108921347A (zh) 一种风电变流器故障预测方法
CN101982843B (zh) 一种非参数回归短时交通流预测中状态向量的选取方法
CN111736084A (zh) 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法
CN112791997A (zh) 一种退役电池梯次利用筛选的方法
CN104133143A (zh) 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法
CN112001564B (zh) 基于长短期记忆网络的用户离家时间预测方法
CN106408016A (zh) 一种配电网停电时间自动识别模型构造方法
CN117951629B (zh) 一种电池组充放电温度异常行为的检测方法及系统
Cailian Life prediction of battery based on random forest optimized by genetic algorithm
CN110412417B (zh) 基于智能电力监测仪表的微电网数据故障诊断方法
CN111612227A (zh) 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Zhu et al. A novel fast estimation and regroup method of retired lithium‐ion battery cells
CN114492578A (zh) 一种基于bp神经网络的电气设备运行数据分类方法
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
Zhang et al. Research for SOC prediction of lithium battery based on GA-ESN
CN116187799A (zh) 一种基于停电态势分析的事件影响评估调控方法及系统
Wang et al. The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting
Sicheng et al. Abnormal line loss data detection and correction method

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