CN110535159B - 一种规模化储能电站运行单元故障预警的方法及系统 - Google Patents
一种规模化储能电站运行单元故障预警的方法及系统 Download PDFInfo
- Publication number
- CN110535159B CN110535159B CN201910676678.4A CN201910676678A CN110535159B CN 110535159 B CN110535159 B CN 110535159B CN 201910676678 A CN201910676678 A CN 201910676678A CN 110535159 B CN110535159 B CN 110535159B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- data
- storage subsystem
- subsystem
- unit
- 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 418
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 21
- 238000007637 random forest analysis Methods 0.000 claims description 21
- 238000005562 fading Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000012983 electrochemical energy storage Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
Abstract
本发明公开了一种规模化储能电站运行单元故障预警的方法及系统，其中方法包括：采集储能电池的放电数据作为参考历史数据；采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据；构建重要性的分析模型，分析储能子系统与储能总系统的相关程度，确定每个储能子系统的重要性因数；分析储能单元与储能子系统的相关程度，确定每个储能单元的重要性因数；选取出重要性因数大于预设阈值的储能子系统与储能单元，将储能子系统和储能单元的运行状态参数数据与参考历史数据采用长短时预测神经网络进行分析，获取下一时间单位的预测结果；当储能子系统和储能单元预测结果与参考历史数据的偏差大于预设的阈值时，发出故障预警。
Description
技术领域
本发明涉及电力储能技术领域，更具体地，涉及一种规模化储能电站运行单元故障预警的方法及系统。
背景技术
储能技术是新时代能源体系的重要组成部分，同时也是支撑新能源入网的关键性技术。中国的储能产业起步较晚，但发展速度非常快。目前，国内储能技术在示范应用积极探索不同场景、技术、规模和技术路线下的储能商业应用，同时规范相关标准和检测体系。2016～2017年间，我国规划和在建的储能规模近1.6GW，占全球规划和在建规模的34％，我国储能系统投运保持着高速增长。截至2017年底，我国已投运储能项目累计装机规模28.9GW，同比增长19％。电化学储能的累计装机规模为389.8MW，同比增长45％，所占比重为1.3％，较上一年增长0.2个百分点。在各类电化学储能技术中，锂离子电池的累计装机占比最大，比重为58％。
在这种电化学储能系统越来越广泛的接入电网的背景之下，针对储能系统的检测及故障预警技术也成为了其并行发展的关键技术。储能系统的发电效率随着其容量衰减过程受影响严重，同时在不同的放电效率之下随着时间的推移，其放电能力也有所不同。所以在储能系统运行的过程中，进行时序分析预测并做出故障预警是一项关键的技术问题。
发明内容
本发明技术方案提供一种规模化储能电站运行单元故障预警的方法及系统，以解决如何对规模化储能电站运行单元故障进行预警的问题。
为了解决上述问题，本发明提供了一种规模化储能电站运行单元故障预警的方法，所述方法包括：
采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据；
基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据；
基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型；分析所述储能子系统与所述储能总系统的相关程度，通过判断每个所述储能子系统的运行状态参数在随机森林中的每棵树上对所述储能总系统的运行状态的影响，确定每个所述储能子系统的重要性因数；分析所述储能单元与所述储能子系统的相关程度，通过判断每个所述储能单元的运行状态参数在随机森林中的每棵树上对所述储能子系统的运行状态的影响，确定每个所述储能单元的重要性因数；
分别选取出所述储能子系统与所述储能单元的重要性因数大于预设阈值的所述储能子系统与所述储能单元，将所述储能子系统和所述储能单元的运行状态参数数据与所述参考历史数据采用长短时预测神经网络进行分析，获取下一时间单位的预测结果；当所述储能子系统和所述储能单元预测结果与所述参考历史数据的偏差大于预设的阈值时，发出故障预警。
优选地，所述采集储能电池正常运行状态下电池容量衰减过程中的放电数据，所述放电数据包括：实时放电功率、放电电压、以及荷电状态；
当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；
设置放电数据的预设数据量，当采集到的放电数据的数据量超过所述预设数据量时，则用新的放电数据代替历史放电数据。
优选地，所述基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据包括：
采集所述储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集所述储能子系统的运行功率、运行电压、以及荷电状态；采集所述储能单元的运行功率、运行电压、以及荷电状态；
将所述储能总系统、所述储能子系统和所述储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。
优选地，所述基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型，还包括：
基于机器学习算法，应用随机森林算法构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型。
优选地，所述采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据，还包括：
电池容量按照不同速度衰减速度进行衰减。
基于本发明的另一方面，提供一种规模化储能电站运行单元故障预警的系统，所述系统包括：
第一采集单元，用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据；
第二采集单元，用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据；
构建单元，用于基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型；分析所述储能子系统与所述储能总系统的相关程度，通过判断每个所述储能子系统的运行状态参数在随机森林中的每棵树上对所述储能总系统的运行状态的影响，确定每个所述储能子系统的重要性因数；分析所述储能单元与所述储能子系统的相关程度，通过判断每个所述储能单元的运行状态参数在随机森林中的每棵树上对所述储能子系统的运行状态的影响，确定每个所述储能单元的重要性因数；
预警单元，用于分别选取出所述储能子系统与所述储能单元的重要性因数大于预设阈值的所述储能子系统与所述储能单元，将所述储能子系统和所述储能单元的运行状态参数数据与所述参考历史数据采用长短时预测神经网络进行分析，获取下一时间单位的预测结果；当所述储能子系统和所述储能单元预测结果与所述参考历史数据的偏差大于预设的阈值时，发出故障预警。
优选地，所述第一采集单元用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，所述放电数据包括：实时放电功率、放电电压、以及荷电状态；
当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；
设置放电数据的预设数据量，当采集到的放电数据的数据量超过所述预设数据量时，则用新的放电数据代替历史放电数据。
优选地，所述第二采集单元用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据包括：
采集所述储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集所述储能子系统的运行功率、运行电压、以及荷电状态；采集所述储能单元的运行功率、运行电压、以及荷电状态；
将所述储能总系统、所述储能子系统和所述储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。
优选地，所述构建单元用于基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型，还包括：
基于机器学习算法，应用随机森林算法构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型。
优选地，所述第二采集单元用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据，还包括：
电池容量按照不同速度衰减速度进行衰减。
本发明技术方案提供一种规模化储能电站运行单元故障预警的方法及系统，其中方法包括：采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据；基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据；基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型；分析储能子系统与储能总系统的相关程度，通过判断每个储能子系统的运行状态参数在随机森林中的每棵树上对储能总系统的运行状态的影响，确定每个储能子系统的重要性因数；分析储能单元与储能子系统的相关程度，通过判断每个储能单元的运行状态参数在随机森林中的每棵树上对储能子系统的运行状态的影响，确定每个储能单元的重要性因数；分别选取出储能子系统与储能单元的重要性因数大于预设阈值的储能子系统与储能单元，将储能子系统和储能单元的运行状态参数数据与参考历史数据采用长短时预测神经网络进行分析，获取下一时间单位的预测结果；当储能子系统和储能单元预测结果与参考历史数据的偏差大于预设的阈值时，发出故障预警。本发明技术方案针对大规模储能系统中的故障分析，考虑储能系统受储能单元的短板效应影响明显，当储能系统中某一储能单元发生故障时会导致整体储能系统运行参数发生较大变化。在进行故障检测时，不针对物理因素进行故障排查，以储能系统运行状态参数为主要参考，在数据可视化的情况下直接判别故障发生的单元进行故障预警工作。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的规模化储能电站运行单元故障预警的方法流程图；
图2为根据本发明优选实施方式的规模化储能电站运行单元故障预警的方法流程图；以及
图3为根据本发明优选实施方式的规模化储能电站运行单元故障预警的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的规模化储能电站运行单元故障预警的方法流程图。本申请实施方式以储能电池的实验室数据及现场工况数据为基础，在运行过程中通过不断地数据更新适应不同情况下的不同需求，避免预先设定相关数据及标准带来的错误估计，根据实际工况需求设定故障预警标准。同时针对不同时间尺度的数据采集设定不同的数据输入规模。本申请在时序预测的过程中，采用长短时神经网络算法当发生较大的波动时会导致整体运行过程只能保证时许跟踪趋势的稳定，而无法在一定误差内完全时序跟踪系统。本申请在整体发生较大抖动时以加权的方法平衡抖动产生的误差，在一定误差的误差标准下，当总体预测趋势仍能与实际工况状态相符则以相应权重缩小实际值与预测值之间的差距。如图1所示，一种规模化储能电站运行单元故障预警的方法，方法包括：
优选地，在步骤101：采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据。优选地，采集储能电池正常运行状态下电池容量衰减过程中的放电数据，放电数据包括：实时放电功率、放电电压、以及荷电状态；当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；设置放电数据的预设数据量，当采集到的放电数据的数据量超过预设数据量时，则用新的放电数据代替历史放电数据。优选地，采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据，还包括：电池容量按照不同速度衰减速度进行衰减。
本申请根据储能系统所用电池的实验室及出厂状态运行参数作为历史数据，以实际工况需求下的多种不同放电速率(例如放电速率可以为：1C、1.5C、2.5C，本申请可按实际需求进行选择)进行储能电池正常运行状态下随容量衰减的运行状态参数额定数据集，包括放电过程中的实时放电功率(Punit)、放电电压(Vunit)、以及荷电状态(SOCunit)；
本申请以运行状态参数额定数据集为标准，采用机器学习中的多项式回归算法，绘制储能电池随容量衰减的运行状态趋势曲线，并输出其对应的权重中参数及截距参数(w1,...wn,b)；
本申请在实际工况运行的过程中，当采集到的系统正常运行数据集的数据量超过运行状态额定数据集的数据量时，以实际工况数据集代替运行状态额定数据集作为新的运行状态额定数据集，同时设定一个额定容量，每当新的数据容量超过这个设定容量，则以新的数据集代替历史数据集。
优选地，在步骤102：基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据。优选地，基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据包括：采集储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集储能子系统的运行功率、运行电压、以及荷电状态；采集储能单元的运行功率、运行电压、以及荷电状态；将储能总系统、储能子系统和储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。
本申请针对规模化电化学储能电站，分别形成储能总系统(PCS)、储能子系统(PCSn)、及储能子系统所包含的储能单元(BMSnn)的运行状态参数数据库。本申请针对规模化电化学储能电站形成运行状态参数数据库的过程为：
本申请针对规模化电化学储能电站的运行状态参数，形成多级数据采集存储系统，分别形成储能总系统(PCS)、储能子系统(PCSn)、及储能子系统所包含的储能单元(BMSnn)的运行状态参数数据库。
本申请在采集储能系统数据的过程中，分别采集总体大规模储能系统运行过程中的状态参数，比如总体运行功率(Ptotal)、运行总电压(Vtotal)、总体荷电状态(SOCtotal)等，以及运行每一单体储能系统的运行功率(Pn)、运行电压(Vn)、荷电状态(SOCn)，以及下属各个单元的运行状态功率(Pnn)、运行电压(Vnn)、荷电状态(SOCn)，并将对应的储能总系统，储能子系统，相应的储能单元的同参数数据分类进而形成，储能系统运行功率数据库(DataP)、储能系统运行电压数据库(DataV)、储能系统运行荷电状态数据库(Datasoc)。
优选地，在步骤103：基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型；分析储能子系统与储能总系统的相关程度，通过判断每个储能子系统的运行状态参数在随机森林中的每棵树上对储能总系统的运行状态的影响，确定每个储能子系统的重要性因数；分析储能单元与储能子系统的相关程度，通过判断每个储能单元的运行状态参数在随机森林中的每棵树上对储能子系统的运行状态的影响，确定每个储能单元的重要性因数。
优选地，在步骤104：分别选取出储能子系统与储能单元的重要性因数大于预设阈值的储能子系统与储能单元，将储能子系统和储能单元的运行状态参数数据与参考历史数据采用长短时预测神经网络进行分析，获取下一时间单位的预测结果；当储能子系统和储能单元预测结果与参考历史数据的偏差大于预设的阈值时，发出故障预警。
优选地，基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型，还包括：基于机器学习算法，应用随机森林算法构建储能总系统、储能子系统以及储能单元之间重要性的分析模型。
本申请根据重要性分析函数实时分析系统内各单元对总体运行参数的影响，根据重要性分析函数实时分析系统内各单元对总体运行参数的影响的过程为：
本申请在采集储能系统数据的过程中，分别采集总体大规模储能系统运行过程中的状态参数，比如总体运行功率(Ptotal)、运行总电压(Vtotal)、总体荷电状态(SOCtotal)等，以及运行每一单体储能系统的运行功率(Pn)、运行电压(Vn)、荷电状态(SOCn)，以及下属各个单元的运行状态功率(Pnn)、运行电压(Vnn)、荷电状态(SOCn)，并将对应的储能总系统，储能子系统，相应的储能单元的同参数数据分类进而形成，储能系统运行功率数据库(DataP)、储能系统运行电压数据库(DataV)、储能系统运行荷电状态数据库(Datasoc)。
本申请根据机器学习中的随机森林算法构造各系统运行参数针对于总系统的运行参数的重要性函数，同时构造各储能单元对其所属系统的运行参数重要性分析函数。形成重要性柱状图，分析各单元及各系统运行参数对整体系统的影响，以影响权重不低于80％为参考，选取相应的重要影响单元。
本申请根据重要性分析结果，采用时序预测方法对储能单元的运行状态进行时序预测分析，并提供预警信息。如图2所示，本申请采用时序预测方法对储能单元的运行状态进行时序预测分析，并提供预警信息的过程如下：
建立储能总系统的运行状态参数时序曲线，建立储能子系统的运行状态参数时序曲线。同时根据重要性函数分析所得结果，建立重要影响单元与系统的状态参数时序对比分析图，对重要性影响的分析结果进行直观对比评价；
根据重要性分析结果、系统及单元储能的历史数据，选用长短时预测神经网络对数据进行实时预测分析，本申请针对秒级采样数据，以1至2min的数据为输入数据，预测下一个时间单位的输出数据；
将预测曲线与真实运行情况进行实时对比分析，当系统出现较大波动时会导致时序预测出现较大偏差针对情况。根据相应的偏差幅度，在总体趋势可以达到实际预测需求的情况下，对系统预测结果进行相应的加权处理，当无法满足整体趋势时，修正网络结构并更新输入的训练数据集。同时设定根据实际工况设定预警标准，当预测结果1-2min之内全部低于标准则进行故障预警。
本申请实施方式提供一种规模化分布式电化学储能电站故障预警方法，是基于储能电池出厂额定参数及现场工况的运行状态参数等多种数据为基础，采用人工智能算法提取数据的重要性参数，并依据此选取所需跟踪预警的储能单元，考虑储能系统发电过程中某一储能单元发生故障时会对整体储能系统造成的影响。同时根据储能发电系统随时间呈现性能衰减的特性，采用时序分析方法对储能系统的运行状态参数进行时序预测，并根据实际运行情况及数据采集时间尺度确定一定时间范围内的预警值。通过这种故障预警方式可以在运行过程中提前预判可能发生故障的单元及对应的故障状态参数，通过预警机制保证储能系统安全平稳的运行。
图3为根据本发明优选实施方式的规模化储能电站运行单元故障预警的系统结构图。如图3所示，一种规模化储能电站运行单元故障预警的系统，系统包括：
第一采集单元301，用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据。优选地，第一采集单元用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，放电数据包括：实时放电功率、放电电压、以及荷电状态；当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；设置放电数据的预设数据量，当采集到的放电数据的数据量超过预设数据量时，则用新的放电数据代替历史放电数据。
第二采集单元302，用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据。优选地，第二采集单元302用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据包括：采集储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集储能子系统的运行功率、运行电压、以及荷电状态；采集储能单元的运行功率、运行电压、以及荷电状态；将储能总系统、储能子系统和储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。
优选地，第二采集单元302用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据，还包括：电池容量按照不同速度衰减速度进行衰减。
构建单元303，用于基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型；分析储能子系统与储能总系统的相关程度，通过判断每个储能子系统的运行状态参数在随机森林中的每棵树上对储能总系统的运行状态的影响，确定每个储能子系统的重要性因数；分析储能单元与储能子系统的相关程度，通过判断每个储能单元的运行状态参数在随机森林中的每棵树上对储能子系统的运行状态的影响，确定每个储能单元的重要性因数。优选地，构建单元303用于基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型，还包括：基于机器学习算法，应用随机森林算法构建储能总系统、储能子系统以及储能单元之间重要性的分析模型。
预警单元304，用于分别选取出储能子系统与储能单元的重要性因数大于预设阈值的储能子系统与储能单元，将储能子系统和储能单元的运行状态参数数据与参考历史数据采用长短时预测神经网络进行分析，获取下一时间单位的预测结果；当储能子系统和储能单元预测结果与参考历史数据的偏差大于预设的阈值时，发出故障预警。
本发明优选实施方式的规模化储能电站运行单元故障预警的系统300与本发明优选实施方式的规模化储能电站运行单元故障预警的方法100相对应，在此不再进行赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
Claims (8)
1.一种规模化储能电站运行单元故障预警的方法，所述方法包括：
采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据；所述放电数据包括：实时放电功率、放电电压、以及荷电状态；
当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；
设置放电数据的预设数据量，当采集到的放电数据的数据量超过所述预设数据量时，则用新的放电数据代替历史放电数据；
基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据；
基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型；分析所述储能子系统与所述储能总系统的相关程度，通过判断每个所述储能子系统的运行状态参数在随机森林中的每棵树上对所述储能总系统的运行状态的影响，确定每个所述储能子系统的重要性因数；分析所述储能单元与所述储能子系统的相关程度，通过判断每个所述储能单元的运行状态参数在随机森林中的每棵树上对所述储能子系统的运行状态的影响，确定每个所述储能单元的重要性因数；
分别选取出所述储能子系统与所述储能单元的重要性因数大于预设阈值的所述储能子系统与所述储能单元，将所述储能子系统和所述储能单元的运行状态参数数据与所述参考历史数据采用长短时预测神经网络进行分析，获取下一时间单位的预测结果；当所述储能子系统和所述储能单元预测结果与所述参考历史数据的偏差大于预设的阈值时，发出故障预警。
2.根据权利要求1所述的方法，所述基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据包括：
采集所述储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集所述储能子系统的运行功率、运行电压、以及荷电状态；采集所述储能单元的运行功率、运行电压、以及荷电状态；
将所述储能总系统、所述储能子系统和所述储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。
3.根据权利要求1所述的方法，所述基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型，还包括：
基于机器学习算法，应用随机森林算法构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型。
4.根据权利要求1所述的方法，所述采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据，还包括：
电池容量按照不同速度衰减速度进行衰减。
5.一种规模化储能电站运行单元故障预警的系统，所述系统包括：
第一采集单元，用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据；所述放电数据包括：实时放电功率、放电电压、以及荷电状态；
当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；
设置放电数据的预设数据量，当采集到的放电数据的数据量超过所述预设数据量时，则用新的放电数据代替历史放电数据；
第二采集单元，用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据；
构建单元，用于基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型；分析所述储能子系统与所述储能总系统的相关程度，通过判断每个所述储能子系统的运行状态参数在随机森林中的每棵树上对所述储能总系统的运行状态的影响，确定每个所述储能子系统的重要性因数；分析所述储能单元与所述储能子系统的相关程度，通过判断每个所述储能单元的运行状态参数在随机森林中的每棵树上对所述储能子系统的运行状态的影响，确定每个所述储能单元的重要性因数；
预警单元，用于分别选取出所述储能子系统与所述储能单元的重要性因数大于预设阈值的所述储能子系统与所述储能单元，将所述储能子系统和所述储能单元的运行状态参数数据与所述参考历史数据采用长短时预测神经网络进行分析，获取下一时间单位的预测结果；当所述储能子系统和所述储能单元预测结果与所述参考历史数据的偏差大于预设的阈值时，发出故障预警。
6.根据权利要求5所述的系统，所述第二采集单元用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据包括：
采集所述储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集所述储能子系统的运行功率、运行电压、以及荷电状态；采集所述储能单元的运行功率、运行电压、以及荷电状态；
将所述储能总系统、所述储能子系统和所述储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。
7.根据权利要求5所述的系统，所述构建单元用于基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型，还包括：
基于机器学习算法，应用随机森林算法构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型。
8.根据权利要求5所述的系统，所述第二采集单元用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据，还包括：
电池容量按照不同速度衰减速度进行衰减。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676678.4A CN110535159B (zh) | 2019-07-25 | 2019-07-25 | 一种规模化储能电站运行单元故障预警的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910676678.4A CN110535159B (zh) | 2019-07-25 | 2019-07-25 | 一种规模化储能电站运行单元故障预警的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110535159A CN110535159A (zh) | 2019-12-03 |
| CN110535159B true CN110535159B (zh) | 2022-04-15 |
Family
ID=68660987
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910676678.4A Active CN110535159B (zh) | 2019-07-25 | 2019-07-25 | 一种规模化储能电站运行单元故障预警的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110535159B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126808A (zh) * | 2019-12-11 | 2020-05-08 | 天津泰凡科技有限公司 | 一种数据预警方法、装置及计算机存储介质 |
| CN111159224A (zh) * | 2020-01-03 | 2020-05-15 | 珠海格力电器股份有限公司 | 储能系统控制方法、装置及园区级储能系统 |
| CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
| 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 |
| CN115902646B (zh) * | 2023-01-06 | 2023-06-13 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及系统 |
| CN116577673B (zh) * | 2023-07-12 | 2023-09-12 | 深圳先进储能材料国家工程研究中心有限公司 | 一种基于分布式神经网络的储能电站故障诊断方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104638772A (zh) * | 2013-11-14 | 2015-05-20 | 国家电网公司 | 基于风功率预测的电池储能电站能量管理方法 |
| CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
| CN107942255A (zh) * | 2017-11-03 | 2018-04-20 | 山东智洋电气股份有限公司 | 一种基于数据融合技术的变电站蓄电池组状态评估方法 |
| CN108445410A (zh) * | 2018-04-02 | 2018-08-24 | 国家计算机网络与信息安全管理中心 | 一种监测蓄电池组运行状态的方法及装置 |
| CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
| CN109143085A (zh) * | 2018-07-18 | 2019-01-04 | 中国电力科学研究院有限公司 | 一种基于人工智能算法对锂离子电池进行预警的方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109681391B (zh) * | 2017-10-18 | 2020-09-11 | 中车株洲电力机车研究所有限公司 | 一种叶根螺栓断裂故障检测方法及介质 |
| CN108551167B (zh) * | 2018-04-25 | 2020-04-17 | 浙江大学 | 一种基于XGBoost算法的电力系统暂态稳定判别方法 |
| CN108808671A (zh) * | 2018-07-03 | 2018-11-13 | 南京信息工程大学 | 一种风电场短期风速集合预报方法 |
| CN109560577B (zh) * | 2018-12-04 | 2021-07-06 | 东莞理工学院 | 一种交直流混合分布式可再生能源系统的控制方法及系统 |
| CN109755949B (zh) * | 2019-01-07 | 2021-12-17 | 中国电力科学研究院有限公司 | 一种热电联合储能电站功率的优化分配方法及装置 |
-
2019
- 2019-07-25 CN CN201910676678.4A patent/CN110535159B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104638772A (zh) * | 2013-11-14 | 2015-05-20 | 国家电网公司 | 基于风功率预测的电池储能电站能量管理方法 |
| CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
| CN107942255A (zh) * | 2017-11-03 | 2018-04-20 | 山东智洋电气股份有限公司 | 一种基于数据融合技术的变电站蓄电池组状态评估方法 |
| CN108445410A (zh) * | 2018-04-02 | 2018-08-24 | 国家计算机网络与信息安全管理中心 | 一种监测蓄电池组运行状态的方法及装置 |
| CN109143085A (zh) * | 2018-07-18 | 2019-01-04 | 中国电力科学研究院有限公司 | 一种基于人工智能算法对锂离子电池进行预警的方法及系统 |
| CN108986470A (zh) * | 2018-08-20 | 2018-12-11 | 华南理工大学 | 粒子群算法优化lstm神经网络的行程时间预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Characterization of energy storage components for a versatile energy management system;M. Kroener等;《Energy self-sufficient Sensors 7th GMM-Workshop》;20141231;第28-32页 * |
| Modelling an Adaptive e-Learning System Using LSTM and Random Forest Classification;Harish Anantharaman;《2018 IEEE Conference on e-Learning, e-Management and e-Services (IC3e)》;20181231;第29-34页 * |
| 基于CNN—LSTM混合神经网络模型的短期负荷预测方法;陆继翔等;《电力系统自动化》;20190425;第131-137页 * |
| 基于随机森林重要性的LSTM网络风电功率缺失数据补齐;李俊卿等;《微电网技术》;20181231;第47-53页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110535159A (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110535159B (zh) | 一种规模化储能电站运行单元故障预警的方法及系统 | |
| CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
| CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
| CN107015157B (zh) | 基于恒流等压升片段的锂电池剩余循环寿命在线快速测试法 | |
| CN112327167B (zh) | 一种电池容量跳水风险评估方法及系统 | |
| CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN111669123B (zh) | 用于对光伏组串进行故障诊断的方法和装置 | |
| CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
| EP2381094A1 (en) | Energy network and control thereof | |
| CN109636110A (zh) | 一种获取继电保护装置运行状态的方法及装置 | |
| CN103544542A (zh) | 一种电力系统暂态稳定裕度预测方法 | |
| CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
| CN115453356A (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN114595762A (zh) | 一种光伏电站异常数据序列提取方法 | |
| CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
| CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
| CN105701265A (zh) | 一种双馈风电机组建模方法及装置 | |
| CN110456191B (zh) | 一种超大规模电池储能电站运行单元检测的方法及系统 | |
| CN114974477B (zh) | 一种用于双流向防雷器的镍铁电极材料优化方法及系统 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN111221479B (zh) | 一种判断存储容量变化量异常的方法、系统及存储介质 | |
| CN113283702B (zh) | 融合电力系统安全稳定特性的潮流状态评价方法及装置 | |
| CN116613864B (zh) | 一种蓄电池在线核容巡检方法及装置 |
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 |