CN113344057A - 一种储能系统电池插箱异常检测方法 - Google Patents

Abstract

本发明涉及一种储能系统电池插箱异常检测方法。方法包括以下步骤：对m个电池插箱历史温度数据进行预处理，得到其最大值、最小值、均方根值等n类特征数据，建立n维度的训练特征向量D；对待测电池插箱最近TIME时间段内的温度数据进行预处理，建立其测试特征向量D_test；K棵树共同组成期望分割森林模型；用测试特征向量遍历每一棵树，在对每一棵树遍历后，得到一个待测电池插箱的异常评分S；依据待测试电池插箱的异常评分S，将异常分为多个程度，安排各个电池插箱的检修计划。本发明避免了电池插箱异常检测误差过大的问题，因此在对异常状态检测时更为准确。

Description

一种储能系统电池插箱异常检测方法

技术领域：

本发明涉及电池储能技术领域，具体涉及一种储能系统电池插箱异常检测方法。

背景技术：

在实际的电池储能系统运行中，储能电池插箱一旦异常运行，会在插箱内部发生剧烈的化学反应，使得插箱内部的产热远远大于散热，进而在插箱内部聚集大量的热造成热失控现象。而由于热失控现象甚至可能造成爆炸等严重后果，已经影响了储能系统的大规模推广使用，因此对异常状态进行检测，及时的发现储能电池插箱的异常运行并制定合理的检修计划的推进储能系统发展的重中之重。在工程领域，一种储能系统电池插箱异常检测方法已迫在眉睫。

发明内容：

本发明目的在于应对当前储能电池插箱检修计划制定困难的阻碍，希望使用基于期望分割森林模型的储能系统电池插箱异常检测方法。技术方案如下：

一种储能系统电池插箱异常检测方法，包括以下过程：

步骤1：采集m个电池插箱历史温度数据，在TIME的时间长度内，间隔时间Δt进行采样，得到其最大值、最小值、均方根值在内的n个特征数据，建立n维度的特征向量：

D_k＝[d_k，1，d_k，2，…，d_k，n]＝[T_min,T_max，…，T_RMS]，

m个电池插箱的训练特征向量组成森林的训练集D_train，D_train∈R^m×n，

待测电池插箱最近TIME时间长度内的温度数据进行预处理，建立其测试特征向量D_test，D_test∈R^Q×n；

步骤2：使用m个特征向量组成的训练集D_train建立K棵树，K棵树共同组成森林；

步骤3：用测试特征向量遍历每一棵树，在对每一棵树遍历后得到一个总的异常评分S；

步骤4：依据每一个电池插箱的异常评分S安排每个电池插箱的检修计划；具体如下：

异常评分S∈(0,X₁]时，判定储能插箱安全，运行无异常，可以承担满载的充放电任务；

异常评分S∈[X₁,X₂)时，判定电池插箱存在安全风险，需要相应减少其充放电任务，同时需要尽快安排检修计划；

异常评分S∈[X₂,X₃)时，判定电池插箱异常严重，安全风险十分严重，必须立刻停止运行进行检修。

优选方案之一，所述步骤1包括如下过程：

步骤1.1：采集电池插箱B_j时间长度为TIME，采样时间间隔为Δt的运行温度数据TEM_j＝{tem₁，…，tem_Z}，j＝1，…，m，Z＝TIME/Δt；

步骤1.2：计算每一个电池插箱B_j在时间长度为T的时间段内采样时间间隔为Δt，且包括温度最大值T_max、温度最小值T_min、温度均方根值T_RMS在内的共n个特征数据；

温度均方根值T_RMS使用以下公式计算：

步骤1.3：对电池插箱B_j的n个特征数据，建立n维度的特征向量D_k＝[d_k，1，d_k，2，…，d_k，n]＝[T_min,T_max，…，T_RMS]，D_j∈R^1×n；

其中每一个维度代表一种特征数据，

m个电池插箱建立特征向量，m个特征向量组成训练集D_train,D_train∈R^1×n；

步骤1.4：对待测电池插箱的运行温度数据进行如步骤1.1、步骤1.2的处理，得到待测电池插箱的n个特征数据，建立n维度的测试特征向量D_test＝[d_1，test，…d_n，test]，D_test∈R^1×n，其中每一个维度代表一种待测电池插箱的特征数据。

优选方案之二，所述步骤2的具体过程包括：

步骤2.1：设定树数量K以及子测试集的容量q，对训练集进行随机抽样，生成K组子测试集D_k，k＝1,…，K；每一组子测试集D_k将用来进行一颗树TREE_k的建立，每一个子测试集D_k容量为q；

步骤2.2：生成全部期望分割树；基于测试集容量m，由下述公式计算对全部树均适用的高度上限c(m)：

其中H(m-1)使用下述公式进行计算：

H(m-1)＝ln(m)+0.577，

随机选定某一个维度L，在树的第r层分节点处，根据子测试集D_k中各个测试特征向量L维度的期望设定分割值C_r，其中：

d_k,L，min＜C_r＜d_k,L，max，

分割值C_r使用下述公式进行计算：

d_kL,i表示第k个子训练集之中的第i个训练特征向量在L维度上特征值；

子训练集中特征向量聚集在树的根节点处，根据子测试集D_k中各个测试特征向量L维度的期望设定分割值C_r，L维度特征小于或等于C_r的特征向量置于树的左叶子节点，L维度特征大于C_r的特征向量置于树的右叶子节点，直到节点上只有一个特征向量或者树的高度达到树的高度上限，树TREE_k停止生长，得到一颗树TREE_k，树的高度按如下公式计算：

步骤2.3：将全部子测试集进行树建立之后，得到共K棵树的森林模型。

优选方案二的进一步优选，所述步骤3具体过程如下：

步骤3.1：将测试特征向量放置于某一棵树TREE_k的根节点；

步骤3.2：在树TREE_k建立的时候，由于其子训练集在建立中，树的每一层r的分节点都计算一个在L维度特征向量的最大值d_k，L，max与最小值d_k，L，min之间的平均分割值C_r，C_r计算公式如下：

将测试特征向量的L维度特征值大小与树第一层的分割值C_r进行大小对比，L维度特征小于或等于C_r则置于树的左叶子节点，L维度特征大于C_r则置于树的右叶子节点；

步骤3.3：在第k棵树TREE_k上，测试特征向量不断重复步骤3.2，最终测试特征向量D_test将到达树TREE_k的某一个叶子结点，将此叶子节点与同一棵树TREE_k的根节点之间路径的长度记为h_k(D_test)；

在对全部树进行上述操作后，同一个待测电池插箱的测试特征向量达到了每一棵树各自的某一个叶子结点处，因此可以得到同一个待测电池插箱的测试特征向量与全部树之间的K个路径长度；

步骤3.4：利用同一个待测电池插箱的测试特征向量D_test与全部树之间的K个路径长度h_k(D_test)可以计算测试特征向量D_test在此森林模型中的平均路径长度E(h)，E(h)使用如下公式进行计算：

上式中K为树数量，利用平均路径长度E(h)可以计算测试特征向量D_test的异常评分S，其计算公式如下：

本发明相对于现有技术的优点在于：

运行过程中实时测定电池插箱内部温度需要付出实时性与经济性降低的代价，本发明对温度特征进行提取，取多个测温点温度一段时间内的温度最大值、温度最小值、温度最大差值、温度均方根值等温度特征，将其各个特征值组成一高维向量。通过历史运行数据组成的训练集对期望分割森林模型进行模型训练，训练过后的期望分割森林模型可以较好的检测出特征向量的异常。利用近期储能电池插箱的一段时间内的运行数据，得到其测试特征向量，依据此测试特征向量可以对其运行状态进行异常评分，最终可以利用此异常评分制定储能电池插箱的检修计划，较好的提高储能电池插箱运行的安全性，推动储能系统的发展。

本发明技术方案中，使用了期望分割森林算法用于储能系统电池插箱的异常状态检测中，由于单一的树状模型存在一定倾向性，在树的生长过程中，其根节点特征向量选择以及分割值选择均会影响模型异常检测效果，而本发明使用的基于期望分割森林的异常状态检测方法加入了随机性，通过多颗期望分割树增加了算法随机性，避免了电池插箱异常检测误差过大的问题，因此在对异常状态检测时更为准确。

本发明技术方案中，在期望分割树的建立过程中使用了根据期望进行分割的方法，现存方法存在使用随机数进行分割、使用中位数进行分割的不同方式，但其对训练集数据的分割均没有针对异常点进行，难以将异常点快速孤立。本发明使用的基于期望分割森林根据温度数据的整体期望进行分割值计算，对于偏离群体的温度异常点可以很快分割，提升了异常状态检测速度，有助于储能系统电池插箱异常状态的快速检测。

附图说明：

图1是本发明实施例中方法流程图。

图2期望分割示意图。

图3是期望分割树结构示意图。

具体实施方式：

实施例：

一种储能系统电池插箱异常检测方法，包括以下过程：

步骤1：对m个电池插箱历史温度数据进行预处理，在TIME的时间长度内，采样时间间隔为Δt，得到其最大值、最小值、均方根值等n个特征数据，建立n维度的特征向量D_k：

D_k＝[d_k，1，d_k，2，…，d_k，n]＝[T_min,T_max，…，T_RMS]，m个电池插箱的训练特征向量组成森林的训练集D_train，D_train∈R^m×n，对待测电池插箱最近TIME时间段内的温度数据进行预处理，建立其测试特征向量D_test，D_test∈R^Q×n；具体包括：

步骤1.1：集电池插箱B_j时间长度为TIME，采样时间间隔为Δt的运行温度数据TEM_j＝{tem₁，…，tem_Z}，j＝1，…，m，Z＝TIME/Δt；

步骤1.2：计算每一个电池插箱B_j在时间长度为T的时间段内采样时间间隔为Δt的温度最大值T_max、温度最小值T_min、温度均方根值T_RMS等共n个特征数据；

温度均方根值T_RMS使用式(4)计算：

步骤1.3：池插箱B_j的n个特征数据，建立n维度的特征向量D_k：

D_k＝[d_k，1，d_k，2，…，d_k，n]＝[T_min,T_max，…，T_RMS]，D_j∈R^1×n；其中每一个维度代表一种例如最大值T_max、温度最小值T_min、温度均方根值T_RMS等的特征数据；m个电池插箱建立特征向量，m个特征向量组成训练集D_train,D_train∈R^1×n；

步骤1.4：对待测电池插箱的运行温度数据进行如步骤1.1、步骤1.2的处理，得到待测电池插箱的n个特征数据，建立n维度的测试特征向量D_test＝[d_1，test，…d_n，test]，D_test∈R^1×n；其中每一个维度代表一种待测电池插箱如最大值T_max、温度最小值T_min、温度均方根值T_RMS等的特征数据；

步骤2：用m个特征向量组成的训练集D_train建立K棵树，K棵树共同组成森林；森林的建立过程如图1示；具体过程如下：

步骤2.1：定树数量K以及子测试集的容量q，对训练集进行随机抽样，生成K组子测试集D_k，k＝1,…，K；每一组子测试集D_k将用来进行一颗树TREE_k的建立，每一个子测试集D_k容量为q；

步骤2.2：生成全部期望分割树；基于测试集容量m，由公式(5)计算对全部树均适用的高度上限：

其中H(m-1)使用公式(6)进行计算：

H(m-1)＝ln(m)+0.577 (6)；

随机选定某一个维度L，在树的第r层分节点处，根据子测试集D_k中各个测试特征向量L维度的期望设定分割值C_r，其中d_k,L，min＜C_r＜d_k,L，max；分割值C_r使用式(7)进行计算：

d_kL,i表示第k个子训练集之中的第i个训练特征向量在L维度上特征值；期望原则计算分割值原理如图2所示；子训练集中特征向量聚集在树的根节点处，根据子测试集D_k中各个测试特征向量L维度的期望设定分割值C_r，L维度特征小于或等于C_r的特征向量置于树的左叶子节点，L维度特征大于C_r的特征向量置于树的右叶子节点，直到节点上只有一个特征向量或者树的高度达到公式(5)计算出的树的高度上限，树TREE_k停止生长，得到一颗树TREE_k，树结构如图3所示；

步骤2.3：将全部子测试集进行树建立之后，得到共K棵树的森林模型；在森林模型中，异常点由于其稀疏性以及数量极少，因此异常点树路径长度极短的概率极大，生长到平均高度后意味着此树上不携带异常点信息，因此不继续生长；

步骤3：在步骤1.4中已经建立了用于测试待测电池插箱的测试特征向量D_test；用测试特征向量遍历每一棵树，在对每一棵树遍历后得到一个总的异常评分S；具体过程如下：

步骤3.1：将测试特征向量放置于某一棵树TREE_k的根节点；

步骤3.2：在树TREE_k建立的时候，由于其子训练集在建立中，树的每一层r的分节点都计算一个在L维度特征向量的最大值d_k，L，max与最小值d_k，L，min之间的平均分割值C_r，C_r用式(7)进行计算；

将测试特征向量的L维度特征值大小与树第一层的分割值C_r进行大小对比，L维度特征小于或等于C_r则置于树的左叶子节点，L维度特征大于C_r则置于树的右叶子节点；

步骤3.3：在第k棵树TREE_k上，测试特征向量不断重复步骤3.2，最终测试特征向量D_test将到达树TREE_k的某一个叶子结点，将此叶子节点与同一棵树TREE_k的根节点之间路径的长度记为h_k(D_test)；在对全部树进行上述操作后，同一个待测电池插箱的测试特征向量达到了每一棵树各自的某一个叶子结点处，因此可以得到同一个待测电池插箱的测试特征向量与全部树之间的K个路径长度；

步骤3.4：利用同一个待测电池插箱的测试特征向量D_test与全部树之间的K个路径长度h_k(D_test)可以计算测试特征向量D_test在此森林模型中的平均路径长度E(h)；E(h)使用式(8)所示的公式进行计算：

上式中K为树数量；利用平均路径长度E(h)可以计算测试特征向量D_test的异常评分S，其计算公式如式(9)所示：

步骤4：依据每一个电池插箱的异常评分S安排每个电池插箱的检修计划；

异常评分S∈(0,X₁]时，判定储能插箱安全，运行无异常，可以承担满载的充放电任务；

异常评分S∈[X₁,X₂)时，判定电池插箱存在安全风险，需要相应减少其充放电任务，同时需要尽快安排检修计划；

异常评分S∈[X₂,X₃)时，判定电池插箱异常严重，安全风险十分严重，必须立刻停止运行进行检修。

Claims (4)

1.一种储能系统电池插箱异常检测方法，其特征在于，包括以下过程：

步骤1：采集m个电池插箱历史温度数据，在TIME的时间长度内，间隔时间Δt进行采样，得到其最大值、最小值、均方根值在内的n个特征数据，建立n维度的特征向量：

D_k＝[d_k，1，d_k，2，…，d_k，n]＝[T_min,T_max，…，T_RMS]，

m个电池插箱的训练特征向量组成森林的训练集D_train，D_train∈R^m×n，

待测电池插箱最近T时间长度内的温度数据进行预处理，建立其测试特征向量D_test，D_test∈R^Q×n；

步骤2：使用m个特征向量组成的训练集D_train建立K棵树，K棵树共同组成森林；

步骤3：用测试特征向量遍历每一棵树，在对每一棵树遍历后得到一个总的异常评分S；

步骤4：依据每一个电池插箱的异常评分S安排每个电池插箱的检修计划；具体如下：

异常评分S∈(0,X₁]时，判定储能插箱安全，运行无异常，可以承担满载的充放电任务；

异常评分S∈[X₁,X₂)时，判定电池插箱存在安全风险，需要相应减少其充放电任务，同时需要尽快安排检修计划；

异常评分S∈[X₂,X₃)时，判定电池插箱异常严重，安全风险十分严重，必须立刻停止运行进行检修。

2.根据权利要求1所述一种储能系统电池插箱异常检测方法，其特征在于，所述步骤1包括如下过程：

步骤1.1：采集电池插箱B_j时间长度为TIME，采样时间间隔为Δt的运行温度数据TEM_j＝{tem₁，…，tem_Z}，j＝1，…，m，Z＝TIME/Δt；

步骤1.2：计算每一个电池插箱B_j在时间长度为TIME的时间段内采样时间间隔为Δt，且包括温度最大值T_max、温度最小值T_min、温度均方根值T_RMS在内的共n个特征数据；

集装箱温度均方根值T_RMS使用以下公式计算：

步骤1.3：对电池插箱B_j的n个特征数据，建立n维度的特征向量D_k＝[d_k，1，d_k，2，…，d_k，n]＝[T_min,T_max，…，T_RMS]，D_j∈R^1×n；

其中每一个维度代表一种特征数据，

m个电池插箱建立特征向量，m个特征向量组成训练集D_train,D_train∈R^1×n；

步骤1.4：对待测电池插箱的运行温度数据进行如步骤1.1、步骤1.2的处理，得到待测电池插箱的n个特征数据，建立n维度的测试特征向量D_test＝[d_1，test，…d_n，test]，D_test∈R^1×n，其中每一个维度代表一种待测电池插箱的特征数据。

3.根据权利要求1所述一种储能系统电池插箱异常检测方法，其特征在于，所述步骤2的具体过程包括：

步骤2.1：设定树数量K以及子测试集的容量q，对训练集进行随机抽样，生成K组子测试集D_k，k＝1,…，K；每一组子测试集D_k将用来进行一颗树TREE_k的建立，每一个子测试集D_k容量为q；

步骤2.2：生成全部期望分割树；基于测试集容量m，由下述公式计算对全部树均适用的高度上限c(m)：

其中H(m-1)使用下述公式进行计算：

H(m-1)＝ln(m)+0.577，

随机选定某一个维度L，在树的第r层分节点处，根据子测试集D_k中各个测试特征向量L维度的期望设定分割值C_r，其中

d_k,L，min＜C_r＜d_k,L，max，

分割值C_r使用下述公式进行计算：

d_kL,i表示第k个子训练集之中的第i个训练特征向量在L维度上特征值；

子训练集中特征向量聚集在树的根节点处，根据子测试集D_k中各个测试特征向量L维度的期望设定分割值C_r，L维度特征小于或等于C_r的特征向量置于树的左叶子节点，L维度特征大于C_r的特征向量置于树的右叶子节点，直到节点上只有一个特征向量或者树的高度达到树的高度上限，树TREE_k停止生长，得到一颗树TREE_k，树的高度按如下公式计算：

步骤2.3：将全部子测试集进行树建立之后，得到共K棵树的森林模型。

4.根据权利要求3所述一种储能系统电池插箱异常检测方法，其特征在于，所述步骤3具体过程如下：

步骤3.1：将测试特征向量放置于某一棵树TREE_k的根节点；

步骤3.2：在树TREE_k建立的时候，由于其子训练集在建立中，树的每一层r的分节点都计算一个在L维度特征向量的最大值d_k，L，max与最小值d_k，L，min之间的平均分割值C_r，C_r计算公式如下：

将测试特征向量的L维度特征值大小与树第一层的分割值C_r进行大小对比，L维度特征小于或等于C_r则置于树的左叶子节点，L维度特征大于C_r则置于树的右叶子节点；

步骤3.3：在第k棵树TREE_k上，测试特征向量不断重复步骤3.2，最终测试特征向量D_test将到达树TREE_k的某一个叶子结点，将此叶子节点与同一棵树TREE_k的根节点之间路径的长度记为h_k(D_test)；

在对全部树进行上述操作后，同一个待测电池插箱的测试特征向量达到了每一棵树各自的某一个叶子结点处，因此可以得到同一个待测电池插箱的测试特征向量与全部树之间的K个路径长度；

步骤3.4：利用同一个待测电池插箱的测试特征向量D_test与全部树之间的K个路径长度h_k(D_test)可以计算测试特征向量D_test在此森林模型中的平均路径长度E(h)，E(h)使用如下公式进行计算：

上式中K为树数量，利用平均路径长度E(h)可以计算测试特征向量D_test的异常评分S，其计算公式如下：

Images