CN114817847A - 一种基于多层前馈神经网络的储能电站智能监测方法 - Google Patents

一种基于多层前馈神经网络的储能电站智能监测方法 Download PDF

Info

Publication number
CN114817847A
CN114817847A CN202210754680.0A CN202210754680A CN114817847A CN 114817847 A CN114817847 A CN 114817847A CN 202210754680 A CN202210754680 A CN 202210754680A CN 114817847 A CN114817847 A CN 114817847A
Authority
CN
China
Prior art keywords
concentration
matrix
neural network
formula
energy storage
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
CN202210754680.0A
Other languages
English (en)
Other versions
CN114817847B (zh
Inventor
李智欢
刘淼
伍兆恒
张俊峰
赵春太
肖应辉
瞿运武
何珂
陈衍恒
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.)
Guangzhou Zhaohe Power Technology Co ltd
Original Assignee
Guangzhou Zhaohe Power 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 Guangzhou Zhaohe Power Technology Co ltd filed Critical Guangzhou Zhaohe Power Technology Co ltd
Priority to CN202210754680.0A priority Critical patent/CN114817847B/zh
Publication of CN114817847A publication Critical patent/CN114817847A/zh
Application granted granted Critical
Publication of CN114817847B publication Critical patent/CN114817847B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0067—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display by measuring the rate of variation of the concentration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Combustion & Propulsion (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Food Science & Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)

Abstract

本发明公开了一种基于多层前馈神经网络的储能电站智能监测方法，涉及储能电站监测技术领域。本发明步骤如下：传感器在不同测点采集气体的浓度信号，形成三种气体浓度的时空矩阵；将每个传感器的浓度时间序列构造对应的Hankel矩阵，再提取该矩阵的奇异值作为放电的特征值；将去噪后的二维浓度矩阵在特定时间断面上进行插值并进行归一化处理得到三种气体的综合浓度指标；将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。本发明通过监测三种热失控后主要气体的浓度变化实现电池组热失控的精确预警，并采用Hankel矩阵奇异值分解的方法，在滤波的同时也提高了信号处理的效率，快速计算出泄漏源位置。

Description

一种基于多层前馈神经网络的储能电站智能监测方法
技术领域
本发明属于储能电站监测技术领域，特别是涉及一种基于多层前馈神经网络的储能电站智能监测方法。
背景技术
目前，对为人类社会提供主要能源的传统化石能源的过度消费已经使其日渐枯竭，而且化石能源对环境有着显著的负面影响，因此改变现有不合理的能源结构已成为人类社会可持续发展面临的首要问题。当前国家大力倡导的风能、太阳能、潮汐能、地热能等均属于可再生清洁能源，由于其随机性、间歇性等特点，如果将其所产生的电能直接输入电网，会对电网产生很大的冲击.在这种形势下，发展高效便捷的储能技术以满足人类的能源需求成为世界范围内研究热点。
电化学储能系统具有安装方便灵活、响应速度快、可控性好等特点，可显著提高风、光等可再生能源的电网消纳能力，改善电能质量，平滑电网潮流，降低电力资产投资，在促进能源转型变革发展中具有重要作用。在各种材料的电池中，近年来，锂离子电池（LIBs）储能系统由于其高能量密度、大放电倍率和不断下降的成本等显著优点得以在全球各国电力行业中蓬勃发展。
然而，随着锂电池在储能领域的应用规模不断扩大，其安全问题也日益凸显，反映出了储能行业规模的高速发展并未使电池安全性能有相匹配的提升，因此，如何提高锂电池储能电站的安全性能已成为一项亟待解决的重要问题。
提高锂电池储能电站安全性的措施主要有研发更为安全的电池材料以及建立更为完备的电池状态监测体系两种，而前者受限于现有的材料技术的发展，从近年来的电化学储能事故来看，推动电池安全问题的解决、实现电池安全问题的可测、可控、可防，主要是通过建立更为完备的电池状态监测体系，现有的监测体系主要是通过传感器对电池组的电量和非电量进行监测，目的是及时发现电池异常状态，在电池达到热失控临界点之前发出预警信号并通过电池管理系统采取应急措施，这种方法结构简单，但由于泄漏时间、泄漏位置、周围环境等不确定性因素的存在，无法实现快速定位热失控源头，这对系统维护及事故处理十分不利。
发明内容
本发明的目的在于提供一种基于多层前馈神经网络的储能电站智能监测方法，通过监测三种热失控后主要气体的浓度变化实现电池组热失控的精确预警，解决了现有的储能电站监控力度不足、事故发现不及时的问题。
为解决上述技术问题，本发明是通过以下技术方案实现的：
本发明为一种基于多层前馈神经网络的储能电站智能监测方法，包括如下步骤：
步骤S1：多个传感器在不同测点的t0时刻采集气体的浓度信号，形成三种气体浓度的时空矩阵；
步骤S2：将每个传感器的浓度时间序列构造对应的Hankel矩阵，再提取该矩阵的奇异值作为放电的特征值；
步骤S3：将去噪后的二维浓度矩阵在特定时间断面上进行插值，得到插值后二维浓度矩阵并进行归一化，最后得到三种气体的综合浓度指标；
步骤S4：将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。
作为一种优选的技术方案，所述步骤S1中，多个传感器形成的三种气体浓度的时空矩阵公式为：
Figure 664239DEST_PATH_IMAGE001
；
式中，x=CO、CO2或者H2；
Figure 759234DEST_PATH_IMAGE002
表示位于m行n列的传感器在t0时刻采集到的x气 体的浓度。
作为一种优选的技术方案，在所述储能电站中多个传感器呈M×N矩形分布，每个传感器在t0～ty-1时刻总共采集到y个浓度数据，具体公式为：
Figure 739828DEST_PATH_IMAGE003
；
式中，x=CO、CO2或者H2，
Figure 578471DEST_PATH_IMAGE004
表示位于i行j列的传感器在t0时刻采集到的x气体的 浓度。
作为一种优选的技术方案，所述步骤S2中，Hankel矩阵为矩阵中每一条逆对角线的元素都相等的矩阵，提取时每一页矩阵中位于同一位置的元素构造成一维信号序列，公式为：
Figure 469067DEST_PATH_IMAGE005
；
式中，c为位于i行j列的传感器所采集到的浓度时间序列；
所述一维信号序列转换为Hankel矩阵的公式如下：
Figure 859597DEST_PATH_IMAGE006
；
式中，当1<n<y, m=y-n+1；当y为偶数时，n=y/2否则n=(y+1）/2。
作为一种优选的技术方案，所述步骤S2中，奇异值的分解公式如下：
Figure 202853DEST_PATH_IMAGE007
；
式中，矩阵 U、V 分别为m×m、n×n的正交矩阵，
Figure 845187DEST_PATH_IMAGE008
和
Figure 947879DEST_PATH_IMAGE009
表示m、n维列向量；
Figure 384677DEST_PATH_IMAGE010
奇异值
Figure 339863DEST_PATH_IMAGE011
满足
Figure 520309DEST_PATH_IMAGE012
。
作为一种优选的技术方案，所述步骤S3中，Hankel矩阵变换方法对原始浓度信号进行变换后，去噪采用低通滤波器滤除高频噪声，在通过逆变换恢复得到的去噪信号。
作为一种优选的技术方案，所述插值处理对浓度传感器测得的浓度-时间变化数据进行二维拉格朗日插值算法得到二维平面浓度场数据；其中，差值节点定义为：
Figure 385497DEST_PATH_IMAGE013
；
式中，矩形区域D={a≤x≤b，c≤y≤d}上给定的k+1个测量点数据
Figure 117829DEST_PATH_IMAGE014
，其中下标 Ⅰ、Ⅱ…XII为传感器序号，T为某一时刻，
Figure 170099DEST_PATH_IMAGE015
代表编号为k的传感器在T时刻接收到的数据，
Figure 278869DEST_PATH_IMAGE016
为传感器坐标；
取在Z上线性无关的函数组：
Figure 998563DEST_PATH_IMAGE017
；
式中，矩形区域
Figure 777164DEST_PATH_IMAGE018
上给定的k+1个测量点数据
Figure 942828DEST_PATH_IMAGE019
，其中下标Ⅰ、 Ⅱ…XII为传感器序号，T为某一时刻,
Figure 730655DEST_PATH_IMAGE020
代表编号为k的传感器在T时刻接收到的数据，
Figure 39277DEST_PATH_IMAGE021
为传感器坐标；
取在Z上线性无关的函数组：
Figure 378991DEST_PATH_IMAGE022
；
式中，
Figure 405853DEST_PATH_IMAGE023
是次数关于X不高于n次，
Figure 731792DEST_PATH_IMAGE024
具体公式为：
Figure 285134DEST_PATH_IMAGE025
；
其中，
Figure 671116DEST_PATH_IMAGE026
；
则二元拉格朗日插值多项式的公式为：
Figure 185273DEST_PATH_IMAGE027
。
作为一种优选的技术方案，所述步骤S3中，归一化处理的计算公式为：
Figure 173958DEST_PATH_IMAGE028
；
式中，
Figure 722751DEST_PATH_IMAGE029
为第i行第j列的气体浓度传感器在
Figure 637224DEST_PATH_IMAGE030
所监测到的归一化气体浓度，
Figure 638678DEST_PATH_IMAGE031
为锂电池仓在二维平面上的投影面积；
并对三种气体的浓度在同一工况下的权重进行调整，得到综合气体浓度：
Figure 306420DEST_PATH_IMAGE032
式中，
Figure 834353DEST_PATH_IMAGE033
是三种气体的权重。
作为一种优选的技术方案，所述步骤S4中，神经网络包括输入层、隐含层、输出层；工作时，输入信号经输入层传入隐含层，隐含层的神经元有相应的激活函数，经过激活函数再输入至输出层；所述神经网络的最后一层输出为：
Figure 296558DEST_PATH_IMAGE034
；
式中，下标k代表第k层，
Figure 785309DEST_PATH_IMAGE035
代表网络中第k-1层第j个神经元指向第k层第i个神 经元的连接权重，
Figure 646954DEST_PATH_IMAGE036
代表第k层第j个神经元的激活函数输出，
Figure 639181DEST_PATH_IMAGE037
代表第k层第j个神经元的 偏差，
Figure 537867DEST_PATH_IMAGE038
为激活函数；
使用随机梯度下降算法和反向传播算法来最小化损失函数，具体公式如下：
Figure 372968DEST_PATH_IMAGE039
。
本发明具有以下有益效果：
（1）本发明通过监测三种热失控后主要气体的浓度变化实现电池组热失控的精确预警，相比于常规的监测手段只关注电压电流等易受电网潮流影响的量，或者只关注某一特定气体的含量，本发明可以通过三种不同气体含量的变化来及时预警，准确度更高。
（2）现有的传感器采集过程中无法避免高频噪声的影响，现有的监测方法通常不进行滤波，或通过加入高通滤波器进行滤波，前者会降低神经网络的模型精度，后者会由于高通滤波器增加延时，相比较而言，本发明采用Hankel矩阵奇异值分解的方法，在滤波的同时也提高了信号处理的效率。
（3）本发明通过前馈神经网络算法在模型训练完成后可以确定相关权重参数，在预测时结合现有权重便可以迅速计算出泄漏源位置，响应时间更短且鲁棒性强，在实际场景中的应用性更强。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种基于多层前馈神经网络的储能电站智能监测方法流程图；
图2为本发明的一种基于多层前馈神经网络的储能电站智能监测系统结构框图；
图3左图为传感器采集到的原始浓度信号图；
图3右图为通过Hankel矩阵变换方法对原始浓度信号进行变换后的图；
图4为插值后的传感器所采集到的空间气体浓度与原始采样空间气体浓度分布；
图5为训练误差和准确度的实验数据图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-2所示，本发明为一种基于多层前馈神经网络的储能电站智能监测方法，高精度浓度传感器采集电站内不同测点的CO、CO2和H2浓度，对数据进行小波变换去噪处理，具体步骤包括：
步骤S1、采集多个高精度传感器在t0时刻的气体浓度信号，形成三种气体浓度的时空矩阵
Figure 648091DEST_PATH_IMAGE001
其中x=CO、CO2或者H2，
Figure 760404DEST_PATH_IMAGE040
表示位于m行n列的传感器在t0时刻采集到的x气体 的浓度，由于传感器只能存储y个数据，因此m×n个传感器在t0～ty-1总共采集到的数据可 用一个m×n×y的三维矩阵来表示。
S2、将每个传感器的浓度时间序列构造对应的Hankel矩阵，再提取该矩阵的奇异值作为放电的特征值，该矩阵用于衰减采样过程中的随机噪音，提高采集精度。
S3、将去噪后的二维浓度矩阵在特定时间断面上进行插值，得到插值后二维浓度矩阵并进行归一化，最后得到三种气体的综合浓度指标。
S4、将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。
实施例一
在储能电站中布置呈矩形分布的M×N个高精度传感器，每个传感器在t0～ty-1时刻总共采集到y个浓度数据
Figure 456090DEST_PATH_IMAGE003
其中x=CO、CO2或者H2，
Figure 653853DEST_PATH_IMAGE041
表示位于i行j列的传感器在t0时刻采集到的x气体的 浓度。
进行数据去噪处理：
首先基于浓度信号的时间序列构造对应的Hankel矩阵，再提取该矩阵的奇异值作为放电的特征。Hankel矩阵为矩阵中每一条逆对角线的元素都相等的矩阵，提取时每一页矩阵中位于同一位置的元素构造成一维信号序列
Figure 732667DEST_PATH_IMAGE005
Figure 558541DEST_PATH_IMAGE005
为位于i行j列的传感器所采集到的浓度时间序列，将式
Figure 799029DEST_PATH_IMAGE005
转换为Hankel矩阵，如下式所示
Figure 608722DEST_PATH_IMAGE042
式中1<n<y, m=y-n+1,当y为偶数，n=y/2否则n=(y+1）/2。
奇异值分解（Singular Value Decomposition，SVD）本质上与正交变换类似，得到的奇异值（类似于方阵的特征根）反映了矩阵的固有特征。奇异值的分解方法如下式所示：
Figure 960069DEST_PATH_IMAGE007
；
式中，矩阵 U、V 分别为m×m、n×n的正交矩阵，
Figure 46974DEST_PATH_IMAGE008
和
Figure 848577DEST_PATH_IMAGE043
表示m、n维列向量；
Figure 755353DEST_PATH_IMAGE010
奇异值
Figure 175970DEST_PATH_IMAGE044
满足
Figure 474971DEST_PATH_IMAGE012
。
由于Hankel矩阵H是基于浓度的时间序列构造的，对该矩阵提取的奇异值对噪声扰动变化不敏感，可以通过选取合适的非零奇异值个数来代表局部浓度信号的特征，充分反映其放电信号的特征。
如图3左图为传感器采集到的原始浓度信号，图3右图为通过Hankel矩阵变换方法对原始浓度信号进行变换后使用低通滤波器滤除高频噪声，然后再通过逆变换恢复得到的去噪信号。
由图3可知；锂电池发生热失控后，其气体泄露可分为3个阶段，在第1阶段气体浓度迅速增加，进入第二阶段后，传感器附近的气体浓度达到相对稳定，这一阶段的数据适用神经网络的参数训练，第三阶段气体释放停止后，浓度曲线迅速下降，氢气浓度在初始的100s内已下降至1%，低于可燃下限。
进行数据差值处理时：
根据步骤S1得到的锂电池热失控过程中浓度传感器浓度-时间变化数据，通过二 维拉格朗日插值算法得到二维平面浓度场数据，假设对于定义在矩形区域
Figure 322841DEST_PATH_IMAGE045
上给定的k+1个测量点数据
Figure 982493DEST_PATH_IMAGE046
，其中下标Ⅰ、Ⅱ…XII为 传感器序号，T为某一时刻，
Figure 800276DEST_PATH_IMAGE047
代表编号为k的传感器在T时刻接收到的数据，
Figure 861773DEST_PATH_IMAGE048
为传 感器坐标，则插值节点可以定义为
Figure 614965DEST_PATH_IMAGE049
取在Z上线性无关的函数组
Figure 620967DEST_PATH_IMAGE050
其中，
Figure 383387DEST_PATH_IMAGE051
是次数关 于X不高于n次，关于Y不高于m次的二元多项式，也称作二元拉格朗日插值基函数，其具体形 式可以表现为：
Figure 158445DEST_PATH_IMAGE052
其中
Figure 348118DEST_PATH_IMAGE026
这样的
Figure 451203DEST_PATH_IMAGE053
满足
Figure 377833DEST_PATH_IMAGE054
因此，二元拉格朗日插值多项式可以写作：
Figure 148343DEST_PATH_IMAGE027
；
如图5所示插值后的传感器所采集到的空间气体浓度与原始采样空间气体浓度分布。
Figure 508917DEST_PATH_IMAGE028
其中
Figure 223932DEST_PATH_IMAGE055
为第i行第j列的气体浓度传感器在
Figure 328154DEST_PATH_IMAGE056
所监测到的归一化气体浓度，
Figure 77805DEST_PATH_IMAGE057
为锂电池仓在二维平面上的投影面积。
进一步地，对三种气体的浓度在同一工况下的权重进行调整，得到综合气体浓度
Figure 609280DEST_PATH_IMAGE058
式中，
Figure 952537DEST_PATH_IMAGE059
是三种气体的权重。
模型训练时
多层前馈神经网络是一种学习和存储输入-输出模式映射关系，其结构含输入层、隐含层、输出层三层结构。主要有两个过程，前向传播和反向误差传播，输入信号经输入层传入隐含层，隐含层的神经元有相应的激活函数，经过激活函数再输入至输出层，神经网络的最后一层输出为
Figure 453925DEST_PATH_IMAGE034
其中下标k代表第k层，
Figure 199027DEST_PATH_IMAGE060
代表网络中第k-1层第j个神经元指向第k层第i个神经 元的连接权重，
Figure 635825DEST_PATH_IMAGE061
代表第k层第j个神经元的激活函数输出，
Figure 89547DEST_PATH_IMAGE062
代表第k层第j个神经元的偏 差，
Figure 535571DEST_PATH_IMAGE063
为激活函数。
损失函数 E 定义为每个循环中计算结果偏离实际值的程度，用于调整参数以改进训练过程。 在目前的工作中，使用交叉熵将损失定义为：
Figure 869601DEST_PATH_IMAGE064
；
其中，
Figure 867513DEST_PATH_IMAGE065
是实际值，
Figure 919782DEST_PATH_IMAGE066
是预测值。
使用随机梯度下降算法和反向传播算法来最小化损失函数
Figure 169498DEST_PATH_IMAGE039
；
其中加上标的表示更新后的值。
Figure 748247DEST_PATH_IMAGE067
是一个常数，称为学习率，用于控制参数更新 率。合适的
Figure 526847DEST_PATH_IMAGE068
值使网络能够找到全局最小值（训练损失接近于零）并缩短训练时间。
网络训练调整权重
Figure 331992DEST_PATH_IMAGE069
和偏差
Figure 978874DEST_PATH_IMAGE070
以最小化损失函数。网络权重和偏差在第一步中随 机初始化。 网络使用初始参数计算最后一层的输出ypred，并与期望的输出ypred进行比较，以 计算损失。
通过反向传播算法和随机梯度下降算法，在每次迭代中更新所有神经元的权重和偏差，以最小化损失函数。重复迭代，直到输出具有可接受的损失。一旦选择了适当的网络权重和偏差，网络就可以进行模式识别。
实施例二
构建了两个神经网络来预测储能电站中泄漏位置的行数和列数。以一个仅需要布置12个传感器的小型储能电站为例，最佳模型精度是使用具有12-30-30-1架构（每层中的神经元数量）来实现的，如5图所示。输入层使用来自12个传感器在特定时间点的浓度数据作为输入数据，输出层中的一个神经元表示行号或列号的预测结果。
人工神经网络模型可以在训练过程后检测和定位气体泄漏位置。如图5所示的训练误差和准确度的收敛表明，在500个迭代后，最小损失达到8.8×10-3 ，最大准确度为0.996。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (9)

1.一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，包括如下步骤：
步骤S1：多个传感器在不同测点的t0时刻采集气体的浓度信号，形成三种气体浓度的时空矩阵；
步骤S2：将每个传感器的浓度时间序列构造对应的Hankel矩阵，再提取该矩阵的奇异值作为放电的特征值；
步骤S3：将去噪后的二维浓度矩阵在特定时间断面上进行插值，得到插值后二维浓度矩阵并进行归一化，最后得到三种气体的综合浓度指标；
步骤S4：将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。
2.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S1中，多个传感器形成的三种气体浓度的时空矩阵公式为：
Figure DEST_PATH_IMAGE001
；
式中，x=CO、CO2或者H2；
Figure DEST_PATH_IMAGE003
表示位于m行n列的传感器在t0时刻采集到的x气体的浓度。
3.根据权利要求2所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，在所述储能电站中多个传感器呈M×N矩形分布，每个传感器在t0～ty-1时刻总共采集到y个浓度数据，具体公式为：
Figure DEST_PATH_IMAGE005
式中，x=CO、CO2或者H2，
Figure DEST_PATH_IMAGE007
表示位于i行j列的传感器在t0时刻采集到的x气体的浓度。
4.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S2中，Hankel矩阵为矩阵中每一条逆对角线的元素都相等的矩阵，提取时每一页矩阵中位于同一位置的元素构造成一维信号序列，公式为：
Figure DEST_PATH_IMAGE008
；
式中，c为位于i行j列的传感器所采集到的浓度时间序列；
所述一维信号序列转换为Hankel矩阵的公式如下：
Figure DEST_PATH_IMAGE010
式中，当1<n<y, m=y-n+1；当y为偶数时，n=y/2否则n=(y+1）/2。
5.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S2中，奇异值的分解公式如下：
Figure DEST_PATH_IMAGE011
；
式中，矩阵 U、V 分别为m×m、n×n的正交矩阵，
Figure DEST_PATH_IMAGE013
和
Figure DEST_PATH_IMAGE015
表示m、n维列向量；
Figure DEST_PATH_IMAGE016
奇异值
Figure DEST_PATH_IMAGE018
满足
Figure DEST_PATH_IMAGE020
。
6.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S3中，Hankel矩阵变换方法对原始浓度 信号进行变换后，去噪采用低通滤波器滤除高频噪声，在通过逆变换恢复得到的去噪信号。
7.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述插值处理对浓度传感器测得的浓度-时间变化数据进行二维拉格朗日插值算法得到二维平面浓度场数据；其中，差值节点定义为：
Figure DEST_PATH_IMAGE022
；
式中，矩形区域
Figure DEST_PATH_IMAGE024
上给定的k+1个测量点数据
Figure DEST_PATH_IMAGE026
，其中下标Ⅰ、Ⅱ…XII为传感器序号，T为某一时刻,
Figure DEST_PATH_IMAGE028
代表编号为k的传感器在T时刻接收到的数据，
Figure DEST_PATH_IMAGE030
为传感器坐标；
取在Z上线性无关的函数组：
Figure DEST_PATH_IMAGE032
式中，
Figure DEST_PATH_IMAGE034
是次数关于X不高于n次，
Figure DEST_PATH_IMAGE036
具体公式为：
Figure DEST_PATH_IMAGE037
；
其中，
Figure DEST_PATH_IMAGE038
；
则二元拉格朗日插值多项式的公式为：
Figure DEST_PATH_IMAGE039
。
8.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S3中，归一化处理的计算公式为：
Figure DEST_PATH_IMAGE040
；
式中，
Figure DEST_PATH_IMAGE042
为第i行第j列的气体浓度传感器在
Figure DEST_PATH_IMAGE044
所监测到的归一化气体浓度，
Figure DEST_PATH_IMAGE046
为锂电池仓在二维平面上的投影面积；
并对三种气体的浓度在同一工况下的权重进行调整，得到综合气体浓度：
Figure DEST_PATH_IMAGE048
式中，
Figure DEST_PATH_IMAGE050
是三种气体的权重。
9.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S4中，神经网络包括输入层、隐含层、输出层；工作时，输入信号经输入层传入隐含层，隐含层的神经元有相应的激活函数，经过激活函数再输入至输出层；所述神经网络的最后一层输出为：
Figure DEST_PATH_IMAGE051
；
式中，下标k代表第k层，
Figure DEST_PATH_IMAGE053
代表网络中第k-1层第j个神经元指向第k层第i个神经元的连接权重，
Figure DEST_PATH_IMAGE055
代表第k层第j个神经元的激活函数输出，
Figure DEST_PATH_IMAGE057
代表第k层第j个神经元的偏差，
Figure DEST_PATH_IMAGE059
为激活函数；
使用随机梯度下降算法和反向传播算法来最小化损失函数，具体公式如下：
Figure DEST_PATH_IMAGE060
。
CN202210754680.0A 2022-06-30 2022-06-30 一种基于多层前馈神经网络的储能电站智能监测方法 Active CN114817847B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210754680.0A CN114817847B (zh) 2022-06-30 2022-06-30 一种基于多层前馈神经网络的储能电站智能监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210754680.0A CN114817847B (zh) 2022-06-30 2022-06-30 一种基于多层前馈神经网络的储能电站智能监测方法

Publications (2)

Publication Number Publication Date
CN114817847A true CN114817847A (zh) 2022-07-29
CN114817847B CN114817847B (zh) 2023-02-07

Family

ID=82522656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210754680.0A Active CN114817847B (zh) 2022-06-30 2022-06-30 一种基于多层前馈神经网络的储能电站智能监测方法

Country Status (1)

Country Link
CN (1) CN114817847B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952927A (zh) * 2023-03-13 2023-04-11 广东电网有限责任公司佛山供电局 一种基于改进前馈神经网络模型的短期电力负荷预测方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680424A (zh) * 2015-01-30 2015-06-03 国家电网公司 大型光伏电站的电压电能情况预估方法
CN106846161A (zh) * 2015-12-03 2017-06-13 甘肃省电力公司风电技术中心 一种大型光伏电站的电压电能情况预估方法
CN106849151A (zh) * 2015-12-03 2017-06-13 甘肃省电力公司风电技术中心 一种光伏电站接入电网点电压闪变评估检测方法
CN106841660A (zh) * 2015-12-03 2017-06-13 甘肃省电力公司风电技术中心 一种基于ZigBee的风资源监测系统和方法
CN107656180A (zh) * 2017-09-25 2018-02-02 国网黑龙江省电力有限公司电力科学研究院 一种局部放电智能传感器检测方法
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
CN111783363A (zh) * 2020-07-15 2020-10-16 华东交通大学 一种基于ssa和rbf神经网络模型的电离层预测方法
US20210089900A1 (en) * 2019-09-20 2021-03-25 Wuhan University Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm
US20210201155A1 (en) * 2019-12-30 2021-07-01 Dalian University Of Technology Intelligent control method for dynamic neural network-based variable cycle engine
US20210350050A1 (en) * 2020-05-06 2021-11-11 Wuhan University Method and system for predicting gas content in transformer oil based on joint model
CN114036977A (zh) * 2021-10-19 2022-02-11 浙江工业大学 基于二维图像编码特征的风机电能质量扰动监测方法
CN114065814A (zh) * 2021-11-16 2022-02-18 中国南方电网有限责任公司超高压输电公司广州局 Gil局部放电的缺陷类型识别方法、装置
CN114091647A (zh) * 2021-11-12 2022-02-25 北部湾大学 一种基于bp神经网络的太阳10.7厘米射电流量预报方法
CN114638291A (zh) * 2022-03-08 2022-06-17 上海应用技术大学 一种基于多层前馈神经网络算法的食源性致病菌分类方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680424A (zh) * 2015-01-30 2015-06-03 国家电网公司 大型光伏电站的电压电能情况预估方法
CN106846161A (zh) * 2015-12-03 2017-06-13 甘肃省电力公司风电技术中心 一种大型光伏电站的电压电能情况预估方法
CN106849151A (zh) * 2015-12-03 2017-06-13 甘肃省电力公司风电技术中心 一种光伏电站接入电网点电压闪变评估检测方法
CN106841660A (zh) * 2015-12-03 2017-06-13 甘肃省电力公司风电技术中心 一种基于ZigBee的风资源监测系统和方法
CN107656180A (zh) * 2017-09-25 2018-02-02 国网黑龙江省电力有限公司电力科学研究院 一种局部放电智能传感器检测方法
CN109612708A (zh) * 2018-12-28 2019-04-12 东北大学 基于改进卷积神经网络的电力变压器在线检测系统及方法
US20210089900A1 (en) * 2019-09-20 2021-03-25 Wuhan University Transformer dga data prediction method based on multi-dimensional time sequence frame convolution lstm
US20210201155A1 (en) * 2019-12-30 2021-07-01 Dalian University Of Technology Intelligent control method for dynamic neural network-based variable cycle engine
US20210350050A1 (en) * 2020-05-06 2021-11-11 Wuhan University Method and system for predicting gas content in transformer oil based on joint model
CN111783363A (zh) * 2020-07-15 2020-10-16 华东交通大学 一种基于ssa和rbf神经网络模型的电离层预测方法
CN114036977A (zh) * 2021-10-19 2022-02-11 浙江工业大学 基于二维图像编码特征的风机电能质量扰动监测方法
CN114091647A (zh) * 2021-11-12 2022-02-25 北部湾大学 一种基于bp神经网络的太阳10.7厘米射电流量预报方法
CN114065814A (zh) * 2021-11-16 2022-02-18 中国南方电网有限责任公司超高压输电公司广州局 Gil局部放电的缺陷类型识别方法、装置
CN114638291A (zh) * 2022-03-08 2022-06-17 上海应用技术大学 一种基于多层前馈神经网络算法的食源性致病菌分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MANH-KIEN TRAN ET AL.: "A Review of Lithium-Ion Battery Thermal Runaway Modeling and Diagnosis Approaches", 《PROCESSES》 *
王铭民 等: "基于气体在线监测的磷酸铁锂储能电池模组过充热失控特性", 《高电压技术》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952927A (zh) * 2023-03-13 2023-04-11 广东电网有限责任公司佛山供电局 一种基于改进前馈神经网络模型的短期电力负荷预测方法
CN115952927B (zh) * 2023-03-13 2023-07-11 广东电网有限责任公司佛山供电局 一种基于改进前馈神经网络模型的短期电力负荷预测方法

Also Published As

Publication number Publication date
CN114817847B (zh) 2023-02-07

Similar Documents

Publication Publication Date Title
CN103245881B (zh) 一种基于潮流分布特征的配电网故障分析方法及装置
CN105262441B (zh) 基于红外图像的光伏阵列故障等级划分方法
CN115065078B (zh) 微网环境下储能容量配置方法及系统
CN116885691B (zh) 一种风电功率爬坡事件间接预测方法
CN112508279B (zh) 基于空间相关性的区域分布式光伏预测方法及系统
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统
CN106054019A (zh) 基于故障辅助因子的配电网高容错性在线故障定位方法
CN114817847B (zh) 一种基于多层前馈神经网络的储能电站智能监测方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN110782071A (zh) 基于时空特性融合的卷积神经网络进行风电功率预测方法
Gao et al. Short-term solar irradiance prediction from sky images with a clear sky model
Wang et al. CNN-BiLSTM-attention model in forecasting wave height over South-East China Seas
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN117040048A (zh) 风光发电储能管理方法及系统
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN113705888A (zh) 基于皮尔逊相关性和神经网络的工业蒸汽生成量预测方法和系统
CN116914719A (zh) 一种基于时空图网络的光伏发电站功率预测方法
CN113095596B (zh) 基于多级Gate-SA-TCN的光伏功率预测方法
GB2623358A (en) Method and system for fault diagnosis of nuclear power circulating water pump based on optimized capsule network
CN108761258A (zh) 基于人工智能和大数据技术的变压器短期过载能力评估系统
CN114254828A (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN113822771A (zh) 一种基于深度学习的低误检率窃电检测方法
Zhang et al. Wind Speed Prediction with LSTM and BPNN Method
Zhang et al. Transformer Fault Diagnosis Model and Method Based on DBNI in Photoelectric Sensors Diagnosis System
CN110837932A (zh) 基于dbn-ga模型的太阳能集热系统热功率预测方法

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