CN113533967B - 一种全景理论分析的二值优化的电池异常检测方法 - Google Patents

一种全景理论分析的二值优化的电池异常检测方法 Download PDF

Info

Publication number
CN113533967B
CN113533967B CN202110847211.9A CN202110847211A CN113533967B CN 113533967 B CN113533967 B CN 113533967B CN 202110847211 A CN202110847211 A CN 202110847211A CN 113533967 B CN113533967 B CN 113533967B
Authority
CN
China
Prior art keywords
coding
individual
battery
binary
objective function
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
Application number
CN202110847211.9A
Other languages
English (en)
Other versions
CN113533967A (zh
Inventor
李建林
武亦文
周琦
杨毅
李雅欣
马速良
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.)
Beijing Lianzhi Huineng Technology Co ltd
North China University of Technology
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Beijing Lianzhi Huineng Technology Co ltd
North China University of Technology
Electric Power Research Institute of State Grid Jiangsu Electric Power 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 Beijing Lianzhi Huineng Technology Co ltd, North China University of Technology, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Beijing Lianzhi Huineng Technology Co ltd
Priority to CN202110847211.9A priority Critical patent/CN113533967B/zh
Publication of CN113533967A publication Critical patent/CN113533967A/zh
Application granted granted Critical
Publication of CN113533967B publication Critical patent/CN113533967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/15Correlation function computation including computation of convolution operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/12Computing arrangements based on biological models using genetic models
    • G06N3/126Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02EREDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种全景理论分析的二值优化的电池异常检测方法。包括以下步骤:测量若干个运行电化学储能电池单体的某固定时长的输出电压和电流数据,提取各个电化学储能电池单体电压和电流的特征向量并归一化;以测量电化学储能电池单体的数量定义以0‑1构成的二进制编码个体,基于全景理论利用特征向量间距离,建立对这个编码串下电池单体分组描述的度量函数;采用遗传算法不断演化迭代,寻找出最优编码个体,建立电化学储能电池的最终分组描述;在最优个体0‑1编码位形成电池单体分组条件下分析电池单体的分布情况,形成电池异常状态检测。本发明专利电池异常检测以电池聚集为优化方向,有助于提升异常检测的准确性和可靠性。

Description

一种全景理论分析的二值优化的电池异常检测方法
技术领域:
本发明涉及电池储能技术领域,具体涉及一种全景理论分析的二值优化的电池异常检测方法。
背景技术:
随着全球已投运储能电池项目累计装机规模的持续增长,其安全事故的不断攀升。据不完全统计,在过去几年内全世界范围内电化学储能重大火灾事故主要集中于锂电池储能系统。造成电池储能系统电池组火灾频发,一方面是由于电池质量、数量、容量及能量密度的增加大大提高了事故发生的可能性和危险程度;另一方面,电池内部存在较多放热反应,在一定条件下易发生热失控。因此,电池应用过程的异常检测成了最需要取得突破和提升的关键技术,尤其是在大规模储能应用场合,电池故障引发的火灾可能带来不可估量的经济损失和社会影响。
基于电池运行信息的状态监测,获取电池动态行为的深度剖析、形成其异常状态的检测和预测,完成对电池潜在风险评估预测和预警是提升电池应用安全的基础,也是电池大规模应用过程中的核心问题。然而,电池内在运行机理表现出高阶次、多变量、非线性、强耦合、大时变的复杂电化学过程,造成了其不确定性、难描述性和间断跳变性特点。所以,为了科学、合理地检测电池动态行为的异常状态,开展电化学储能电池异常状态分析技术研究意义重大。
发明内容
针对电池系统运行过程中的异常检测不精、时效性差等问题,本发明将优化思想融入电池异常聚类分析过程,实现了对若干电池聚合方向和异常孤立问题的优化,为自动、准确、可靠地完成若干电池状态的异常工况分析以及安全利用夯实基础。本发明采用的技术方案为:
一种全景理论分析的二值优化的电池异常检测方法,包括下述步骤:
步骤1:以Δt为采样时间,测量时间长度为T的n个运行中的电池单体的电压和电流数据,构成m维特征向量,并归一化同一特性下的若干个电池特征值;
步骤2:定义用于n个电池单体异常检测的0-1二进制编码个体形式、长度以及度量评价二进制编码个体进行n个电池单体分组的目标函数,形成用于步骤3中遗传演化过程中优化方向的评判;具体过程如下:
步骤2.1:定义与n个异常检测的电池单体样本数量等长的二进制编码个体,在第s个编码个体可表示为CIs=[as,1 as,2 … as,n],编码个体长度等于编码位数n,第j个编码位as,j取值为0或者1,即as,j∈{0,1},j=1,2,...,n;
步骤2.2:定义二进制编码个体对n个电池单体分组的目标函数Fitness,形成以此二进制编码个体形成n个电池单体分组的度量计算;具体过程包括如下步骤:
步骤2.2.1:假设第s个二进制编码个体为CIs=[as,1 as,2 … as,n],其中第j个编码位as,j∈{0,1},j=1,2,...,n;
步骤2.2.2:根据步骤1.2中各电池的特征向量计算电池间的距离d,其中第i个电池单体与第j个电池单体的距离
Figure BDA0003179547970000021
步骤2.2.3:根据步骤2.2.1中第s个二进制编码个体的编码位异同计算电池间的匹配度ps,其中在第s个二进制编码个体下第i个电池单体与第j个电池单体的匹配度
Figure BDA0003179547970000022
即可由二进制编码个体的第i和j位编码位的同或运算得到;
步骤2.2.4:定义n个电池单体的权重值为ωi,默认n个电池单体等价,ωi=1,i=1,2,…,n,若侧重某电池异常状态可以通过适当调整权重值为ωi完成;
步骤2.2.5:基于全景理论原理并由步骤2.2.1~2.2.4可以计算出由第s个二进制编码个体形成的n个电池单体分组的度量即目标函数值:
Figure BDA0003179547970000023
步骤3:根据步骤2中二进制编码个体编码的度量评价函数计算过程,完成遗传优化下的电池异常检测;具体过程包括如下步骤:
步骤3.1:定义遗传算法的选择率Ps、交叉率Pc、变异率Pm以及最大迭代次数为G,令迭代次数g=0,基于步骤2中编码个体的定义方法,随机生成N个编码个体
Figure BDA0003179547970000024
其中第g次迭代中第i个编码个体为/>
Figure BDA0003179547970000025
编码长度为n,其中第j个编码位/>
Figure BDA0003179547970000031
步骤3.2:根据步骤3.1的N个编码个体,利用步骤2.2中的目标函数计算过程,计算各编码个体的目标函数值
Figure BDA0003179547970000032
s=1,2,…,N;
步骤3.3:对所得在第g代的N个编码个体下的目标函数值序列
Figure BDA0003179547970000033
排序,选择最大的/>
Figure BDA0003179547970000034
个/>
Figure BDA0003179547970000035
值以及对应的编码个体/>
Figure BDA0003179547970000036
表示向下取整符号;
步骤3.4:随机两两组合步骤3.3中选择的
Figure BDA0003179547970000037
个编码个体/>
Figure BDA0003179547970000038
Figure BDA0003179547970000039
进行交叉操作,形成/>
Figure BDA00031795479700000310
个新编码串/>
Figure BDA00031795479700000311
具体过程包括如下步骤:
步骤3.4.1:若
Figure BDA00031795479700000312
为偶数,则随机选择两两组合步骤3.3中选择的/>
Figure BDA00031795479700000313
个编码个体/>
Figure BDA00031795479700000314
组成/>
Figure BDA00031795479700000315
对编码个体;若/>
Figure BDA00031795479700000316
为奇数,则随机选出一个编码串
Figure BDA00031795479700000317
不进行组对,其余/>
Figure BDA00031795479700000318
个编码个体组成个/>
Figure BDA00031795479700000319
对编码个体,令h=1;
步骤3.4.2:产生一个[0,1]的随机数c1,若c1>Pc,则进入步骤3.4.3;若c1<Pc,则在第h对编码个体的随机编码位处交叉编码;
步骤3.4.3:判断h是否小于H,若是,h=h+1返回步骤3.4.2;若否,则获得
Figure BDA00031795479700000320
个新编码个体/>
Figure BDA00031795479700000321
进入步骤3.5;
步骤3.5:对步骤3.4所得交叉后的
Figure BDA00031795479700000322
个编码个体/>
Figure BDA00031795479700000323
的每个进行变异操作,/>
Figure BDA00031795479700000324
更新/>
Figure BDA00031795479700000325
个编码串/>
Figure BDA00031795479700000326
具体过程包括如下步骤:
步骤3.5.1:令si=1,bj=1;
步骤3.5.2:产生一个[0,1]的随机数c2,若c2>Pm,则进入步骤3.5.3;若c2<Pm,则对第si个编码个体
Figure BDA00031795479700000327
的第bj个编码位/>
Figure BDA00031795479700000328
进行如下变异操作,即0变成1或者1变成0;
步骤3.5.3:判断bj是否小于n,若是,则bj=bj+1并返回步骤3.5.2;若否,则变异更新完第si个编码个体
Figure BDA00031795479700000329
进入步骤3.5.4;
步骤3.5.4:判断si是否小于
Figure BDA0003179547970000041
若是,则si=si+1,令bj=1并返回步骤3.5.2;若否,则变异更新完全部/>
Figure BDA0003179547970000042
个编码个体进入步骤3.6;
步骤3.6:令g=g+1,将经步骤3.4交叉和3.5变异所得的
Figure BDA0003179547970000043
个编码个体与步骤3.3保留的/>
Figure BDA0003179547970000044
个较小目标函数值的编码个体,组成新的N个编码个体/>
Figure BDA0003179547970000045
步骤3.7:根据步骤3.6所得新的N个编码个体
Figure BDA0003179547970000046
编码位数值,基于步骤2.2计算各编码个体下的目标函数值;
步骤3.8:计算步骤3.7所得N个编码个体下目标函数值序列
Figure BDA0003179547970000047
的最小值,记录最小值目标函数值所对应的编码个体,记为minCh(g);判断g是否小于G,若是,则返回步骤3.3;若否,则进入步骤4;
步骤4:分析最小值目标函数值所对应的编码个体下0和1编码位的数量以及各编码对应电池单体样本在特征空间中的位置,判断出异常电池单体;具体过程包括如下步骤:
步骤4.1:统计最小值目标函数值所对应的编码个体的编码位中等于0的数量为n0,等于1的数量为n1,即n0+n1=n,定义异常值比重参数δ;
步骤4.2:判断n0或n1是否等于0,若是,则n个电池单体无异常;若否,则进入步骤4.3;
步骤4.3:若n0<δ×n,则定义最小值目标函数值所对应的编码个体的编码位中等于0所对应点n0个电池单体为异常;若n1<δ×n,则定义最小值目标函数值所对应的编码个体的编码位中等于1所对应点n1个电池单体为异常。
优选方案,所述步骤1包括如下具体步骤:
步骤1.1:以Δt为采样时间,测量时间长度为T的n个运行中的电池单体的电压和电流数据,其中Ui(t)和Ii(t)表示第i个样本在第t时刻的电压值和电流值,i=1,2,…,n;
步骤1.2:定义步骤1.1所得电压和电流数据的关键特征变量为xj,j=1,2,…,m,组成特征向量X=[x1 x2 … xm],包括:最大电压差值、最大电流差值、平均电压、平均电流、电量对电压的最大变化率,计算第i个样本的特征值X(i)=[x1(i) x2(i) … xm(i)],标幺各个特征值获得特征向量Y=[y1 y2 … ym],其中第i个样本的第s个特征值标幺为
Figure BDA0003179547970000051
本发明的优异效果是:本发明技术方案中,通过遗传算法的0-1编码个体形成对等于编码位的若干电池样本有效分组,以全景理论计算分组后的电池样本聚合度量函数最小为目的,通过遗传的演化迭代操作,形成对若干电池个体运行状态的最佳分组后分析0-1编码下两组电池的样本分布,实现对储能电池异常状态的有效判断。相比于现有的电池运行状态分析方法,本发明将全景理论引入后形成了对若干电池样本聚合程度的有效描述,并利用遗传演化过程完成有利于聚合性优化的分组过程,有利于对若干电池正常和异常的有效分组,提升运行电池异常状态检测水平和有效性。
附图说明
图1是全景理论分析的二值优化的电池异常检测方法流程图。
图2是图1中步骤3的具体方法流程图。
图3是二进制编码实现电池分组及度量评价过程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种全景理论分析的二值优化的电池异常检测方法,图1展示出了本实施例中的所述方法的实施过程;包括下述步骤:
步骤1:以Δt为采样时间,测量时间长度为T的n个运行中的电池单体的电压和电流数据,提取如最大电压/电流差值、平均电压/电流、电量对电压的最大变化率等m个关键特征变量,构成m维特征向量,并归一化同一特性下的若干个电池特征值;具体过程包括如下步骤:
步骤1.1:以Δt为采样时间,测量时间长度为T的n个运行中的电池单体的电压和电流数据,其中Ui(t)和Ii(t)表示第i个样本在第t时刻的电压值和电流值,i=1,2,…,n;
步骤1.2:定义步骤1.1所得电压和电流数据的关键特征变量(如最大电压/电流差值、平均电压/电流、电量对电压的最大变化率等)为xj,j=1,2,…,m,组成特征向量X=[x1x2 … xm],计算第i个样本的特征值X(i)=[x1(i) x2(i) … xm(i)],标幺各个特征值获得特征向量Y=[y1 y2 … ym],其中第i个样本的第s个特征值标幺为
Figure BDA0003179547970000061
步骤2:定义用于n个电池单体异常检测的0-1二进制编码个体形式、长度以及度量评价二进制编码个体进行n个电池单体分组的目标函数,形成用于步骤3中遗传演化过程中优化方向的评判,利用二进制编码实现n个电池单体分组及度量评价过程如图3所示;具体过程包括如下步骤:
步骤2.1:定义与n个异常检测的电池单体样本数量等长的二进制编码个体,在第s个编码个体可表示为CIs=[as,1 as,2 … as,n],编码个体长度等于编码位数n,第j个编码位as,j取值为0或者1,即as,j∈{0,1},j=1,2,...,n;
步骤2.2:定义二进制编码个体对n个电池单体分组的目标函数Fitness,形成以此二进制编码个体形成n个电池单体分组的度量计算;具体过程包括如下步骤:
步骤2.2.1:假设第s个二进制编码个体为CIs=[as,1 as,2 … as,n],其中第j个编码位as,j∈{0,1},j=1,2,...,n;
步骤2.2.2:根据步骤1.2中各电池的特征向量计算电池间的距离d,其中第i个电池单体与第j个电池单体的距离
Figure BDA0003179547970000062
步骤2.2.3:根据步骤2.2.1中第s个二进制编码个体的编码位异同计算电池间的匹配度ps,其中在第s个二进制编码个体下第i个电池单体与第j个电池单体的匹配度
Figure BDA0003179547970000063
即可由二进制编码个体的第i和j位编码位的同或运算得到;
步骤2.2.4:定义n个电池单体的权重值为ωi(默认n个电池单体等价,ωi=1,i=1,2,…,n,若侧重某电池异常状态可以通过适当调整权重值为ωi完成);
步骤2.2.5:基于全景理论原理并由步骤2.2.1~2.2.4可以计算出由第s个二进制编码个体形成的n个电池单体分组的度量即目标函数值
Figure BDA0003179547970000071
步骤3:根据步骤2中二进制编码个体编码的度量评价函数计算过程,完成遗传优化下的电池异常检测;具体过程包括如下步骤:
步骤3.1:定义遗传算法的选择率Ps、交叉率Pc、变异率Pm以及最大迭代次数为G,令迭代次数g=0,基于步骤2中编码个体的定义方法,随机生成N个编码个体
Figure BDA0003179547970000072
其中第g次迭代中第i个编码个体为/>
Figure BDA0003179547970000073
编码长度为n,其中第j个编码位/>
Figure BDA0003179547970000074
步骤3.2:根据步骤3.1的N个编码个体,利用步骤2.2中的目标函数计算过程,计算各编码个体的目标函数值
Figure BDA0003179547970000075
步骤3.3:对所得在第g代的N个编码个体下的目标函数值序列
Figure BDA0003179547970000076
排序,选择最大的/>
Figure BDA0003179547970000077
个/>
Figure BDA0003179547970000078
值以及对应的编码个体/>
Figure BDA0003179547970000079
表示向下取整符号;
步骤3.4:随机两两组合步骤3.3中选择的
Figure BDA00031795479700000710
个编码个体/>
Figure BDA00031795479700000711
Figure BDA00031795479700000712
进行交叉操作,形成/>
Figure BDA00031795479700000713
个新编码串/>
Figure BDA00031795479700000714
具体过程包括如下步骤:
步骤3.4.1:若
Figure BDA00031795479700000715
为偶数,则随机选择两两组合步骤3.3中选择的/>
Figure BDA00031795479700000716
个编码个体/>
Figure BDA00031795479700000717
组成/>
Figure BDA00031795479700000718
对编码个体;若/>
Figure BDA00031795479700000719
为奇数,则随机选出一个编码串
Figure BDA00031795479700000720
不进行组对,其余/>
Figure BDA00031795479700000721
个编码个体组成个/>
Figure BDA00031795479700000722
对编码个体,令h=1;
步骤3.4.2:产生一个[0,1]的随机数c1,若c1>Pc,则进入步骤3.4.3;若c1<Pc,则在第h对编码个体的随机编码位处交叉编码;
步骤3.4.3:判断h是否小于H,若是,h=h+1返回步骤3.4.2;若否,则获得
Figure BDA00031795479700000723
个新编码个体/>
Figure BDA00031795479700000724
进入步骤3.5
步骤3.5:对步骤3.4所得交叉后的
Figure BDA0003179547970000081
个编码个体/>
Figure BDA0003179547970000082
的每个进行变异操作,/>
Figure BDA0003179547970000083
更新/>
Figure BDA0003179547970000084
个编码串/>
Figure BDA0003179547970000085
具体过程包括如下步骤:
步骤3.5.1:令si=1,bj=1;
步骤3.5.2:产生一个[0,1]的随机数c2,若c2>Pm,则进入步骤3.5.3;若c2<Pm,则对第si个编码个体
Figure BDA0003179547970000086
的第bj个编码位/>
Figure BDA0003179547970000087
进行如下变异操作,即0变成1或者1变成0;
步骤3.5.3:判断bj是否小于n,若是,则bj=bj+1并返回步骤3.5.2;若否,则变异更新完第si个编码个体
Figure BDA0003179547970000088
进入步骤3.5.4;
步骤3.5.4:判断si是否小于
Figure BDA0003179547970000089
若是,则si=si+1,令bj=1并返回步骤3.5.2;若否,则变异更新完全部/>
Figure BDA00031795479700000810
个编码个体进入步骤3.6;
步骤3.6:令g=g+1,将经步骤3.4交叉和3.5变异所得的
Figure BDA00031795479700000811
个编码个体与步骤3.3保留的/>
Figure BDA00031795479700000812
个较小目标函数值的编码个体,组成新的N个编码个体/>
Figure BDA00031795479700000813
步骤3.7:根据步骤3.6所得新的N个编码个体
Figure BDA00031795479700000814
编码位数值,基于步骤2.2计算各编码个体下的目标函数值;
步骤3.8:计算步骤3.7所得N个编码个体下目标函数值序列
Figure BDA00031795479700000815
的最小值,记录最小值目标函数值所对应的编码个体,记为minCh(g);判断g是否小于G,若是,则返回步骤3.3;若否,则进入步骤4;
步骤4:分析最小值目标函数值所对应的编码个体下0和1编码位的数量以及各编码对应电池单体样本在特征空间中的位置,判断出异常电池单体;具体过程包括如下步骤:
步骤4.1:统计最小值目标函数值所对应的编码个体的编码位中等于0的数量为n0,等于1的数量为n1,即n0+n1=n,定义异常值比重参数δ;
步骤4.2:判断n0或n1是否等于0,若是,则n个电池单体无异常;若否,则进入步骤4.3;
步骤4.3:若n0<δ×n,则定义最小值目标函数值所对应的编码个体的编码位中等于0所对应点n0个电池单体为异常;若n1<δ×n,则定义最小值目标函数值所对应的编码个体的编码位中等于1所对应点n1个电池单体为异常。

Claims (1)

1.一种全景理论分析的二值优化的电池异常检测方法,其特征在于,所述方法包括下述步骤:
步骤1:以Δt为采样时间,测量时间长度为T的n个运行中的电池单体的电压和电流数据,构成m维特征向量,并归一化同一特性下的若干个电池特征值;包括如下具体步骤:
步骤1.1:以Δt为采样时间,测量时间长度为T的n个运行中的电池单体的电压和电流数据,其中Ui(t)和Ii(t)表示第i个样本在第t时刻的电压值和电流值,i=1,2,…,n;
步骤1.2:定义步骤1.1所得电压和电流数据的关键特征变量为xj,j=1,2,…,m,组成特征向量X=[x1 x2 … xm],包括:最大电压差值、最大电流差值、平均电压、平均电流、电量对电压的最大变化率,计算第i个样本的特征值X(i)=[x1(i) x2(i) … xm(i)],标幺各个特征值获得特征向量Y=[y1 y2 … ym],其中第i个样本的第s个特征值标幺为
Figure FDA0004220644040000011
步骤2:定义用于n个电池单体异常检测的0-1二进制编码个体形式、长度以及度量评价二进制编码个体进行n个电池单体分组的目标函数,形成用于步骤3中遗传演化过程中优化方向的评判;具体过程如下:
步骤2.1:定义与n个异常检测的电池单体样本数量等长的二进制编码个体,在第s个编码个体可表示为CIs=[as,1 as,2 … as,n],编码个体长度等于编码位数n,第j个编码位as,j取值为0或者1,即as,j∈{0,1},j=1,2,...,n;
步骤2.2:定义二进制编码个体对n个电池单体分组的目标函数Fitness,形成以此二进制编码个体形成n个电池单体分组的度量计算;具体过程包括如下步骤:
步骤2.2.1:假设第s个二进制编码个体为CIs=[as,1 as,2 … as,n],其中第j个编码位as,j∈{0,1},j=1,2,...,n;
步骤2.2.2:根据步骤1.2中各电池的特征向量计算电池间的距离d,其中第i个电池单体与第j个电池单体的距离
Figure FDA0004220644040000021
步骤2.2.3:根据步骤2.2.1中第s个二进制编码个体的编码位异同计算电池间的匹配度ps,其中在第s个二进制编码个体下第i个电池单体与第j个电池单体的匹配度
Figure FDA0004220644040000022
即可由二进制编码个体的第i和j位编码位的同或运算得到;
步骤2.2.4:定义n个电池单体的权重值为ωi,默认n个电池单体等价,ωi=1,i=1,2,…,n,若侧重某电池异常状态通过适当调整权重值ωi完成;
步骤2.2.5:基于全景理论原理并由步骤2.2.1~2.2.4可以计算出由第s个二进制编码个体形成的n个电池单体分组的度量即目标函数值:
Figure FDA0004220644040000023
步骤3:根据步骤2中二进制编码个体编码的度量评价函数计算过程,完成遗传优化下的电池异常检测;具体过程包括如下步骤:
步骤3.1:定义遗传算法的选择率Ps、交叉率Pc、变异率Pm以及最大迭代次数为G,令迭代次数g=0,基于步骤2中编码个体的定义方法,随机生成N个编码个体
Figure FDA0004220644040000024
其中第g次迭代中第i个编码个体为/>
Figure FDA0004220644040000025
编码长度为n,其中第j个编码位/>
Figure FDA0004220644040000026
步骤3.2:根据步骤3.1的N个编码个体,利用步骤2.2中的目标函数计算过程,计算各编码个体的目标函数值
Figure FDA0004220644040000027
步骤3.3:对所得在第g代的N个编码个体下的目标函数值序列
Figure FDA0004220644040000028
排序,选择最大的/>
Figure FDA0004220644040000029
个/>
Figure FDA00042206440400000210
值以及对应的编码个体/>
Figure FDA00042206440400000211
Figure FDA00042206440400000212
表示向下取整符号;
步骤3.4:随机两两组合步骤3.3中选择的
Figure FDA00042206440400000213
个编码个体/>
Figure FDA00042206440400000214
Figure FDA00042206440400000215
进行交叉操作,形成/>
Figure FDA00042206440400000216
个新编码串/>
Figure FDA00042206440400000217
具体过程包括如下步骤:
步骤3.4.1:若
Figure FDA0004220644040000031
为偶数,则随机选择两两组合步骤3.3中选择的/>
Figure FDA0004220644040000032
个编码个体/>
Figure FDA0004220644040000033
组成/>
Figure FDA0004220644040000034
对编码个体;若/>
Figure FDA0004220644040000035
为奇数,则随机选出一个编码串/>
Figure FDA0004220644040000036
不进行组对,其余/>
Figure FDA0004220644040000037
个编码个体组成个/>
Figure FDA0004220644040000038
对编码个体,令h=1;
步骤3.4.2:产生一个[0,1]的随机数c1,若c1>Pc,则进入步骤3.4.3;若c1<Pc,则在第h对编码个体的随机编码位处交叉编码;
步骤3.4.3:判断h是否小于H,若是,h=h+1返回步骤3.4.2;若否,则获得
Figure FDA0004220644040000039
个新编码个体/>
Figure FDA00042206440400000310
进入步骤3.5;
步骤3.5:对步骤3.4所得交叉后的
Figure FDA00042206440400000311
个编码个体/>
Figure FDA00042206440400000312
的每个进行变异操作,
Figure FDA00042206440400000313
更新/>
Figure FDA00042206440400000314
个编码串/>
Figure FDA00042206440400000315
具体过程包括如下步骤:
步骤3.5.1:令si=1,bj=1;
步骤3.5.2:产生一个[0,1]的随机数c2,若c2>Pm,则进入步骤3.5.3;若c2<Pm,则对第si个编码个体
Figure FDA00042206440400000316
的第bj个编码位/>
Figure FDA00042206440400000317
进行如下变异操作,即0变成1或者1变成0;
步骤3.5.3:判断bj是否小于n,若是,则bj=bj+1并返回步骤3.5.2;若否,则变异更新完第si个编码个体
Figure FDA00042206440400000318
进入步骤3.5.4;
步骤3.5.4:判断si是否小于
Figure FDA00042206440400000319
若是,则si=si+1,令bj=1并返回步骤3.5.2;若否,则变异更新完全部/>
Figure FDA00042206440400000320
个编码个体进入步骤3.6;
步骤3.6:令g=g+1,将经步骤3.4交叉和3.5变异所得的
Figure FDA00042206440400000321
个编码个体与步骤3.3保留的/>
Figure FDA00042206440400000322
个较小目标函数值的编码个体,组成新的N个编码个体/>
Figure FDA00042206440400000323
步骤3.7:根据步骤3.6所得新的N个编码个体
Figure FDA00042206440400000324
编码位数值,基于步骤2.2计算各编码个体下的目标函数值;
步骤3.8:计算步骤3.7所得N个编码个体下目标函数值序列
Figure FDA00042206440400000325
的最小值,记录最小值目标函数值所对应的编码个体,记为minCh(g);判断g是否小于G,若是,则返回步骤3.3;若否,则进入步骤4;
步骤4:分析最小值目标函数值所对应的编码个体下0和1编码位的数量以及各编码对应电池单体样本在特征空间中的位置,判断出异常电池单体;具体过程包括如下步骤:
步骤4.1:统计最小值目标函数值所对应的编码个体的编码位中等于0的数量为n0,等于1的数量为n1,即n0+n1=n,定义异常值比重参数δ;
步骤4.2:判断n0或n1是否等于0,若是,则n个电池单体无异常;若否,则进入步骤4.3;
步骤4.3:若n0<δ×n,则定义最小值目标函数值所对应的编码个体的编码位中等于0所对应点n0个电池单体为异常;若n1<δ×n,则定义最小值目标函数值所对应的编码个体的编码位中等于1所对应点n1个电池单体为异常。
CN202110847211.9A 2021-07-26 2021-07-26 一种全景理论分析的二值优化的电池异常检测方法 Active CN113533967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110847211.9A CN113533967B (zh) 2021-07-26 2021-07-26 一种全景理论分析的二值优化的电池异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110847211.9A CN113533967B (zh) 2021-07-26 2021-07-26 一种全景理论分析的二值优化的电池异常检测方法

Publications (2)

Publication Number Publication Date
CN113533967A CN113533967A (zh) 2021-10-22
CN113533967B true CN113533967B (zh) 2023-06-16

Family

ID=78120963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110847211.9A Active CN113533967B (zh) 2021-07-26 2021-07-26 一种全景理论分析的二值优化的电池异常检测方法

Country Status (1)

Country Link
CN (1) CN113533967B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104935004A (zh) * 2015-06-08 2015-09-23 上海交通大学 基于全景理论的多微网聚合协调优化运行方法
CN112260274A (zh) * 2020-10-15 2021-01-22 国网上海市电力公司 一种基于全景理论的虚拟电厂组建方法
CN112285709A (zh) * 2020-05-19 2021-01-29 陕西理工大学 基于深度学习的大气臭氧遥感激光雷达数据融合方法
CN112327190A (zh) * 2020-10-14 2021-02-05 北方工业大学 一种储能电池健康状态辨识方法
CN112651431A (zh) * 2020-12-16 2021-04-13 北方工业大学 一种退役动力电池的聚类分选方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104935004A (zh) * 2015-06-08 2015-09-23 上海交通大学 基于全景理论的多微网聚合协调优化运行方法
CN112285709A (zh) * 2020-05-19 2021-01-29 陕西理工大学 基于深度学习的大气臭氧遥感激光雷达数据融合方法
CN112327190A (zh) * 2020-10-14 2021-02-05 北方工业大学 一种储能电池健康状态辨识方法
CN112260274A (zh) * 2020-10-15 2021-01-22 国网上海市电力公司 一种基于全景理论的虚拟电厂组建方法
CN112651431A (zh) * 2020-12-16 2021-04-13 北方工业大学 一种退役动力电池的聚类分选方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于全景理论的分散式储能系统集群优化调度策略;王剑波 等;高电压技术;全文 *
基于博弈的多微网需求响应;陈昊宇;黄顺杰;樊志华;方华亮;许沛东;;南方电网技术(第02期);全文 *
徐意婷 ; 艾芊.基于全景理论的多微网聚合优化运行.电力系统保护与控制.2015,全文. *

Also Published As

Publication number Publication date
CN113533967A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN112651431B (zh) 一种退役动力电池的聚类分选方法
CN112085947A (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
CN113792754B (zh) 一种先除异后修复的换流变dga在线监测数据处理方法
CN113723010A (zh) 一种基于lstm温度-位移相关模型的桥梁损伤预警方法
CN117056874B (zh) 一种基于深度孪生自回归网络的无监督窃电检测方法
CN116737510B (zh) 一种基于数据分析的键盘智能监测方法及系统
CN115963418A (zh) 一种储能电池运行状态的检测方法及系统
Xue et al. PREDICTION OF SLOPE STABILITY BASED ON GA-BP HYBRID ALGORITHM.
CN116539459A (zh) 一种基于声发射监测和机器学习的疲劳裂纹扩展速率预测方法和系统
CN113886183B (zh) 测算电压暂降事件发生时间的方法
CN113533967B (zh) 一种全景理论分析的二值优化的电池异常检测方法
CN118246744A (zh) 一种特长隧道施工现场风险评估方法及系统
Li et al. A novel fault early warning method for mechanical equipment based on improved MSET and CCPR
CN116738354B (zh) 一种电力物联网终端行为异常检测方法及系统
CN117592353A (zh) 基于电池失效行为大数据特征演化机制的安全评估方法
CN117312885A (zh) 工作面瓦斯涌出的动态阈值划分及多因素预警算法模型
CN117131414A (zh) 一种基于粗糙集与神经网络的储能安全预警方法及系统
CN112052952B (zh) 基于遗传算法的柴油机故障诊断中监测参数优化选取方法
Zhang et al. False data injection attack testbed of industrial cyber-physical systems of process industry and a detection application
CN115396198A (zh) 基于cnn架构与参数并行优化的电网入侵检测系统及方法
CN117805616A (zh) 一种锂离子储能系统异常电芯识别方法
CN112784462A (zh) 一种基于有限元法的水工结构应力变形预测系统
CN118519411B (zh) 一种煤炭安全生产的智能实时监测系统

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