CN109002781B - 一种储能变流器故障预测方法 - Google Patents
一种储能变流器故障预测方法 Download PDFInfo
- Publication number
- CN109002781B CN109002781B CN201810706846.5A CN201810706846A CN109002781B CN 109002781 B CN109002781 B CN 109002781B CN 201810706846 A CN201810706846 A CN 201810706846A CN 109002781 B CN109002781 B CN 109002781B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage converter
- matrix
- ith
- converter
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种储能变流器故障预测方法,包括如下步骤:将同一电池储能系统的储能变流器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储能变流器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器,计算储能变流器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,最终实现储能变流器故障的预测。本发明实现了储能变流器故障的预测,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变流器集群,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
技术领域
本发明涉及一种储能变流器故障预测方法,属于电网技术领域。
背景技术
智能电网中,储能已成为大规模集中式和分布式新能源发电接入和消纳的重要支撑技术。储能变流器作为电池储能系统的关键组成设备,控制着电池与电网之间的能量流动,其健康状态直接影响整个电池储能系统运行的安全与稳定。随着储能系统应用规模的扩大,电网对储能变流器的健康状态评估技术也提出了更高的要求。因此,实时监测储能变流器的运行状态,及时准确地预测储能变流器故障的发生,有利于建立合理有效的维修计划,减少不必要的断电时间,节省企业的维护费用,确保电网的安全稳定运行。
目前,储能变流器的检修通常采用事后维修,检修人员难以实时掌握储能变流器的健康状态。通过故障预测技术可以帮助检修人员提前预判储能变流器可能发生故障,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储能变流器故障预测方法。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种储能变流器故障预测方法,能够准确有效地实现储能变流器故障的在线预测。
为达到上述目的,本发明所采用的技术方案是:一种储能变流器故障预测方法:将同一电池储能系统的储能变流器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储能变流器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器,计算储能变流器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,最终实现储能变流器故障的预测;
其中,所述储能变流器集群中每台储能变流器的历史监测信号包括:储能变流器交流总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度,储能变流器直流功率、直流电流、直流电压。
进一步的,每一采样时刻的储能变流器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为储能变流器的个数,原始特征矩阵 分别表示第i台储能变流器第1、2、…、n路监测信号的采样值,n为每台储能变流器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;
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;
进一步的,每一采样时刻的聚类中心储能变流器的具体搜寻方法如下:
依次计算第i台储能变流器的局部密度ρi、距离δi;其中,i=1,2,…,m;m为储能变流器的个数;
根据j≠i计算第i台储能变流器的局部密度ρi,其中,j表示m台储能变流器中除第i台储能变流器外的任意一台储能变流器的序号,dij表示第i台储能变流器与第j台储能变流器的距离,dc表示截断距离,是事先指定的一个参数;第i台储能变流器与第j台储能变流器的距离dij的计算公式为其中,表示第i台储能变流器主特征矩阵,表示第j台储能变流器主特征矩阵;
根据计算第i台储能变流器的距离δi;其中,集合I={ρj>ρi}, 表示在所有局部密度大于ρi的储能变流器中,与第i台储能变流器距离最小的储能变流器与第i台储能变流器之间的距离, 表示第i台储能变流器具有最大局部密度时,与第i台储能变流器距离最大的储能变流器与第i台储能变流器之间的距离;进而通过公式γi=ρiδi,计算每台储能变流器的中心权重γi;tk时刻具有最大中心权重γi的储能变流器即为tk时刻聚类中心储能变流器,聚类中心储能变流器主特征矩阵
进一步的,计算储能变流器集群的累积偏心距离矩阵的具体方法如下:
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其中,max(li)表示在m台储能变流器中,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台储能变流器正常,当gi≥EW时,则第i台储能变流器将要发生故障,向检修人员发出预警信息,从而实现了基于储能变流器集群的储能变流器故障的准确预测。
与现有技术相比,本发明的有益效果是:
一、对储能变流器集群的信号进行集中监测,通过提取储能变流器集群的主特征矩阵、搜寻聚类中心储能变流器、归一化储能变流器集群的累积偏心距离矩阵并设定预警阈值,最终实现了基于储能变流器集群的储能变流器故障的准确预测。检修人员可根据储能变流器故障预测结果,对储能变流器实施有针对性的维修维护方案,与通常采用的事后维修方式相比,缩短了设备停工修理时间,减少了企业因设备停工造成的经济损失,实现了储能变流器的主动维修。
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同一储能变流器集群中的储能变流器进行相互比较,通过计算得到储能变流器集群的累积偏心距离矩阵,利用累积偏心距离衡量储能变流器的健康状态,最后结合设定的预警阈值即可实现储能变流器的故障预测。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储能变流器集群式安装的特点,不依赖储能变流器的全寿命周期运行数据,对储能变流器集群的历史监测信号的监测时间跨度不做要求,适用于不同规模的储能变流器集群,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
本发明储能变流器故障预测方法,将同一电池储能系统的储能变流器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储能变流器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器,计算储能变流器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,最终实现储能变流器故障的预测。
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,将同一电池储能系统的储能变流器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,储能变流器集群中每台储能变流器的监测信号包括:储能变流器交流总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度,储能变流器直流功率、直流电流、直流电压。
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储能变流器集群的主特征矩阵,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tk时刻的原始特征矩阵表示为其中,m为储能变流器的个数,原始特征矩阵 分别表示第i台储能变流器第1、2、…、n路监测信号的采样值,n为每台储能变流器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)。
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。
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储能变流器,以tk时刻为例,搜寻计算过程如下:
根据j≠i计算第i台储能变流器的局部密度ρi,其中,j表示m台储能变流器中除第i台储能变流器外的任意一台储能变流器的序号,dij表示第i台储能变流器与第j台储能变流器的距离,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台储能变流器与第j台储能变流器的距离dij的计算公式为其中,表示第i台储能变流器主特征矩阵,表示第j台储能变流器主特征矩阵;
根据计算第i台储能变流器的距离δi;其中,集合I={ρj>ρi}, 表示在所有局部密度大于ρi的储能变流器中,与第i台储能变流器距离最小的储能变流器与第i台储能变流器之间的距离, 表示第i台储能变流器具有最大局部密度时,与第i台储能变流器距离最大的储能变流器与第i台储能变流器之间的距离;进而通过公式γi=ρiδi,计算每台储能变流器的中心权重γi;tk时刻具有最大中心权重γi的储能变流器即为tk时刻聚类中心储能变流器,聚类中心储能变流器主特征矩阵
步骤四、计算储能变流器集群的累积偏心距离矩阵,计算过程如下:
步骤六、比较gi与EW,当gi<EW时,则第i台储能变流器正常,当gi≥EW时,则第i台储能变流器将要发生故障,向检修人员发出预警信息,从而实现了基于储能变流器集群的储能变流器故障的准确预测。
本发明可实现储能变流器故障的在线预测,可以帮助检修人员提前预判储能变流器可能发生故障,对储能变流器实施有针对性的维修维护方案,与通常采用的事后维修方式相比,缩短了设备停工修理时间,减少了企业因设备停工造成的经济损失,实现了储能变流器的主动维修。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变流器集群,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 (4)
1.一种储能变流器故障预测方法,其特征在于:
将同一电池储能系统的储能变流器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储能变流器集群的主特征矩阵,基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器,计算储能变流器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,最终实现储能变流器故障的预测;
其中,所述储能变流器集群中每台储能变流器的历史监测信号包括:储能变流器交流总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度,储能变流器直流功率、直流电流、直流电压;
每一采样时刻的聚类中心储能变流器的具体搜寻方法如下:
依次计算第i台储能变流器的局部密度ρi、距离δi;其中,i=1,2,…,m;m为储能变流器的个数;
根据j≠i计算第i台储能变流器的局部密度ρi,其中,j表示m台储能变流器中除第i台储能变流器外的任意一台储能变流器的序号,dij表示第i台储能变流器与第j台储能变流器的距离,dc表示截断距离,是事先指定的一个参数;第i台储能变流器与第j台储能变流器的距离dij的计算公式为其中,表示第i台储能变流器主特征矩阵,表示第j台储能变流器主特征矩阵;
2.根据权利要求1所述的储能变流器故障预测方法,其特征在于,每一采样时刻的储能变流器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为储能变流器的个数,原始特征矩阵 分别表示第i台储能变流器第1、2、…、n路监测信号的采样值,n为每台储能变流器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,J表示损失函数;
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;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810706846.5A CN109002781B (zh) | 2018-07-02 | 2018-07-02 | 一种储能变流器故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810706846.5A CN109002781B (zh) | 2018-07-02 | 2018-07-02 | 一种储能变流器故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109002781A CN109002781A (zh) | 2018-12-14 |
CN109002781B true CN109002781B (zh) | 2021-10-22 |
Family
ID=64601765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810706846.5A Active CN109002781B (zh) | 2018-07-02 | 2018-07-02 | 一种储能变流器故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109002781B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109633476B (zh) * | 2018-12-25 | 2021-03-19 | 上海电气分布式能源科技有限公司 | 电池储能系统的健康度的评估方法及系统 |
CN110069810B (zh) * | 2019-03-11 | 2023-04-07 | 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 |
CN112782499B (zh) * | 2019-11-11 | 2022-04-15 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的状态评估方法及装置 |
CN113537525B (zh) * | 2021-07-23 | 2022-07-15 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105531676A (zh) * | 2013-09-09 | 2016-04-27 | 日本电气株式会社 | 蓄电池系统、更新蓄电池系统的方法和程序 |
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 |
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 |
-
2018
- 2018-07-02 CN CN201810706846.5A patent/CN109002781B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105531676A (zh) * | 2013-09-09 | 2016-04-27 | 日本电气株式会社 | 蓄电池系统、更新蓄电池系统的方法和程序 |
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 |
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 |
Non-Patent Citations (3)
Title |
---|
Clustering by fast search and find of density peaks via heat diffusion;Rashid Mehmood等;《Preprint submitted to Neurocomputing》;20160530;摘要 * |
基于堆叠稀疏自编码的模糊C-均值聚类算法;段宝彬等;《计算机工程与应用》;20150228;第51卷(第04期);摘要、第2.1节 * |
基于密度差距离的聚类中心快速定位方法;余弘道;《福建电脑》;20160325;第1节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109002781A (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN108847686B (zh) | 一种光伏逆变器故障预测方法 | |
CN108960321B (zh) | 一种大型锂电池储能电站电池故障预测方法 | |
CN108921347B (zh) | 一种风电变流器故障预测方法 | |
CN110659779B (zh) | 一种基于长短期记忆网络的配电系统网损预测方法 | |
CN111736084B (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 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
CN112001564B (zh) | 基于长短期记忆网络的用户离家时间预测方法 | |
Wang et al. | Data-driven prediction method for characteristics of voltage sag based on fuzzy time series | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
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 | |
Zhang | Short‐Term Power Load Forecasting Based on SAPSO‐CNN‐LSTM Model considering Autocorrelated Errors | |
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 | |
Ma et al. | Traffic flow forecasting research based on Bayesian normalized Elman neural network | |
Wang et al. | The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting | |
Sun et al. | Reliability prediction of distribution network based on PCA-GA-BP neural network | |
Sicheng et al. | Abnormal line loss data detection and correction method | |
Guo et al. | Short-Term Photovoltaic Power-Forecasting based on Machine Learning | |
Lian et al. | Trend-guided small hydropower system power prediction based on extreme learning machine | |
Wu et al. | Effect Evaluation and Intelligent Prediction of Power Substation Project Considering New Energy. | |
Shen | EM-TSA: An ensemble machine learning-based transient stability assessment approach for operation of power systems | |
Shen et al. | Wind speed forecasting method based on nondominated sorting genetic algorithm and machine learning | |
Wang et al. | Dynamic neural network based genetic algorithm optimizing for short term load forecasting | |
Lv et al. | Application of GLBP algorithm in the prediction of building energy consumption |
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 |