CN115034471A - 一种储能故障预测方法及其装置 - Google Patents

一种储能故障预测方法及其装置 Download PDF

Info

Publication number
CN115034471A
CN115034471A CN202210644223.6A CN202210644223A CN115034471A CN 115034471 A CN115034471 A CN 115034471A CN 202210644223 A CN202210644223 A CN 202210644223A CN 115034471 A CN115034471 A CN 115034471A
Authority
CN
China
Prior art keywords
fault
sample data
algorithm
data
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.)
Pending
Application number
CN202210644223.6A
Other languages
English (en)
Inventor
张东婧
裴东
仲琳
时景立
李金芝
师嘉翊
高云
袁鹏
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.)
Tianjin Lantian Solar Tech Co ltd
Original Assignee
Tianjin Lantian Solar Tech 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 Tianjin Lantian Solar Tech Co ltd filed Critical Tianjin Lantian Solar Tech Co ltd
Priority to CN202210644223.6A priority Critical patent/CN115034471A/zh
Publication of CN115034471A publication Critical patent/CN115034471A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种储能故障预测方法及装置，该方法包括：将样本数据分为正样本数据和负样本数据；对所述正样本数据进行分类，采用OVO‑SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器；采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器；将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率。本申请通过正负样本双向建模，提高了预测未来一段时间内系统运行的故障率和预测未来一段时间内系统运行的故障类型和其对应的发生概率的准确率。

Description

一种储能故障预测方法及其装置
技术领域
本申请请求保护一种数据处理技术，尤其涉及一种储能故障预测方法。本申请还涉及一种储能故障预测装置。
背景技术
储能技术作为电网智能化的一个重要方面，它的安全、可靠运行关系到电网调峰、调频能力，同时也是电池储能设备自身安全的前提。
现有技术中，通常以下列方式实现对储能电站的安全监测：
1、在储能电站的内部设置多种火灾或者烟感传感器来监控储能电站的运行情况；
2、对储能系统的异常监测通过电池管理系统（BMS）、双向储能变流器（PCS）。
但是，储能电站的安全监测系统功能单一，仅具有故障告警和监控功能，难以捕捉到检测变量在未来一段时间内的变化异常，不能提前预判故障的发生，不能保证第一时间发现故障，使得储能电站在运行过程中仍有极大的安全隐患。
因此，针对以上问题，急需提出一种储能故障预测的方法，实现对储能电站运行状态进行预估，将储能系统安全隐患扼杀在萌芽状态。
发明内容
为了解决上述背景技术中指出的一个或者多个问题，本申请提出一种储能故障预测方法。本申请还涉及一种储能故障预测装置。
本申请提供一种储能故障预测方法，包括：
获取样本数据，将所述样本数据分为正样本数据和负样本数据；
对所述正样本数据进行分类，采用OVO-SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器；
采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器；
将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率。
可选的，所述采用OVO-SVM分类决策将任意两个类别两两组合，所述两个类别的分类函数如下：
Figure 568720DEST_PATH_IMAGE001
其中，所述i表示所述两个类别中的第一个类别，所述j表示所述两个类别中的第 二个类别，所述W是分类超平面的法向量，所述
Figure 705304DEST_PATH_IMAGE002
是W的转置，所述b是常数；
所述表达式中，当
Figure 108603DEST_PATH_IMAGE003
≥0，则i得一票，否则j的一票，然后输出特征选择顺序表。
可选的，所述故障种类分类器训练陷入局部收敛后，通过仿生智能算法优化，所述仿生智能算法包括：粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于上述算法的改进算法。
可选的，所述正样本数具有多个特征集，每个特征集包括：电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率和负载频率。
可选的，所述输出预测故障类型和预测故障概率的步骤包括：
统计正样本特征数量后计算故障率；
统计负样本特征类型数量后计算每个类型的故障概率，基于每个类型的标签获取故障类型。
本申请提供一种储能故障预测装置，包括：
分割模块，用于获取样本数据，将所述样本数据分为正样本数据和负样本数据；
第一训练模块，对所述正样本数据进行分类，采用OVO-SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器；
第二训练模块，用于采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器；
执行模块，用于将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率。
可选的，所述采用OVO-SVM分类决策将任意两个类别两两组合，所述两个类别的分类函数如下：
Figure 305229DEST_PATH_IMAGE004
其中，所述i表示所述两个类别中的第一个类别，所述j表示所述两个类别中的第 二个类别，所述W是分类超平面的法向量，所述
Figure 793979DEST_PATH_IMAGE005
是W的转置，所述b是常数；
所述表达式中，当
Figure 498368DEST_PATH_IMAGE006
≥0，则i得一票，否则j的一票，然后输出特征选择顺序表。
可选的，所述故障种类分类器训练陷入局部收敛后，通过仿生智能算法优化，所述仿生智能算法包括：粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于上述算法的改进算法。
可选的，所述正样本数具有多个特征集，每个特征集包括：电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率和负载频率。
可选的，所述执行模块还包括：
第一统计单元，统计正样本特征数量后计算故障率；
第二统计单元，统计负样本特征类型数量后计算每个类型的故障概率，基于每个类型的标签获取故障类型。
本申请相较于现有技术的优点是：
本申请提供一种储能故障预测方法，包括：获取样本数据，将所述样本数据分为正样本数据和负样本数据；对所述正样本数据进行分类，采用OVO-SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器；采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器；将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率。本申请通过正负样本双向建模，从而提高了正向分类器用于预测未来一段时间内系统运行的故障率，负向分类器用于预测未来一段时间内系统运行的故障类型和其对应的发生概率。
附图说明
图1是本申请中储能故障预测流程图。
图2是本申请中故障预测系统图。
图3是本申请中负样本训练流程图。
图4是本申请中储能故障预测装置示意图。
具体实施方式
以下内容均是为了详细说明本申请要保护的技术方案所提供的具体实施过程的示例，但是本申请还可以采用不同于此的描述的其他方式实施，本领域技术人员可以在本申请构思的指引下，采用不同的技术手段实现本申请，因此本申请不受下面具体实施例的限制。
本申请提供一种储能故障预测方法，包括：获取样本数据，将所述样本数据分为正样本数据和负样本数据；对所述正样本数据进行分类，采用OVO-SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器；采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器；将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率。本申请通过正负样本双向建模，从而提高了正向分类器用于预测未来一段时间内系统运行的故障率，负向分类器用于预测未来一段时间内系统运行的故障类型和其对应的发生概率。
图1是本申请中储能故障预测流程图。
请参照图1所示，S101获取样本数据，将所述样本数据分为正样本数据和负样本数据。
所示样本数据是指储能系统的运行数据，具体包括：BMS（管理系统）的电池总电压、电池总电流、SOC（系统参数）、压差、温差，PCS（过程控制）的三相电压、三相电流、三相负载率、直流电压、直流电流、直流功率、电网频率和负载频率。
获取所述样本数据，将所述样本数据分为正样本数据和负样本数据。
图2是本申请中故障预测系统图。
请参照图2所示，在储能系统开始时，采集样本数据并将所述样本数据存存储起来。在系统初始化时，对样本进行预处理，包括：通过数据库建立样本数据表，其中正样本表定义为Pos-sample，正样本库定义为Positive，负样本表定义为Neg-sample，负样本库定义为Negative，测试样本定义为Sample。
在储能系统开始运行，进行与PCS、BMS、MPPT（功率跟踪系统）、风机控制器、环控设备等通信，完成数据的采集以及处理。系统实时监视告警标志位的变化情况，当告警标志位为0，此时系统无告警时，样本以10min/次的频率存储到Pos-sample表格中；当告警标志位为1，此时系统有告警时，样本以10s/次的频率存储到Neg-sample的表格中，且表格的第二列为告警详情。
统计Neg-sample表中不同告警信息第一次发生告警的时间，形成时间数组；将时间数组作为筛选条件筛选Pos-sample表中每次发生告警前2个小时的数据。
其中不同告警间隔时间大于6个小时，那么将删除Pos-sample表中筛选出来的2个小时的数据且将这些数据插入到Neg-sample中；如果间隔时间小于2个小时，那么直接筛选出来复制插入到Neg-sample此条告警时间前且不用删除Pos-sample中的数据。
将Neg-sample所有数据复制到Negative中，将Pos-sample所有数据复制到Positive，然后清空Neg-sample和Pos-sample，回到初始化状态。Positive中为正样本库，Negative中为负样本库。
请参照图1以及图2所示，S102对所述正样本数据进行分类，采用OVO-SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器。
本申请中，对于正样本库中的数据，抽取出来后进行分类处理，优选所述分类的类别为：放电、充电和静置三个类别。
基于所述分类进行样本数据的特征向量集表示
Figure 490595DEST_PATH_IMAGE007
，其中所述
Figure 389281DEST_PATH_IMAGE008
为正样本的特 征向量集，
Figure 99748DEST_PATH_IMAGE009
为样本种类的代号。
以所述正样本特征集中的数据作为样本数据训练SVM（向量机）模型，其中每个特征集中包含BMS的电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率、负载频率等数据的20个值作为备选特征。
本申请中，所述训练SVM过程中，采用OVO-SVM分类决策对数据关联性进行描述，包括：
将每两个所述类别进行组合，其中的组合次数，即最终形成的组合个数的表达式如下：
Figure 843713DEST_PATH_IMAGE010
其中，所述C表示组合次数或者个数，所述S表示类别。同时，所述C也是所述OVO-SVM分类决策的分类器个数。
训练SVM模型的过程如下：
步骤1，将两个分类器的关联函数表达如下：
Figure 221605DEST_PATH_IMAGE011
其中，所述i和j分别表示两个类别，所述
Figure 228875DEST_PATH_IMAGE002
表示w的转置，所述w表示分类超平面 法向量，所述b是阈值常数，所述
Figure 692217DEST_PATH_IMAGE012
表示为原空间到特征空间的映射函数。
步骤2，在上述表达式中，当
Figure 6917DEST_PATH_IMAGE013
≥0是，i分类加一票，否则在j分类加一票。遍历完 所述C个分类后，根据投票数量输出特征选择顺序表，以及各个特征的分类准确率。
在本申请中，所述训练过程中可能出现的问题包括局部收敛，当局部收敛出现时，优选的，采用粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于以上算法的改进优化算法对所述关联函数优化。
请参照图1以及图2所示，S103采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器。
本申请中，对于负样本库的处理中，首先采用数据库语言对Negative表进行统计发送故障的类型，并根据所述类型生成故障标签。
其次，根据所述类型或者标签对负样本库中的数据进行优化，删除重复冗余的数据，最后基于优化后的负样本库进行模型训练。
图3是本申请中负样本训练流程图。
请参照图3所示，将负样本集（故障特征样本集）组成训练样本集，并进行如下步骤：
步骤1，将训练负样本集表示为：
Figure 973736DEST_PATH_IMAGE014
，其 中
Figure 214225DEST_PATH_IMAGE015
为样本种类，
Figure 633705DEST_PATH_IMAGE007
为负样本特征集，
Figure 985052DEST_PATH_IMAGE016
为第i个训练样本，k为
Figure 806377DEST_PATH_IMAGE008
中 特征值个数，
Figure 217767DEST_PATH_IMAGE009
为样本类型的标签。
步骤2，对训练负样本特征集X进行Bootstrap采样，采样n次后获得Bootstrap子样 本
Figure 91920DEST_PATH_IMAGE017
。
步骤3，采样CART构建决策树模型
Figure 246958DEST_PATH_IMAGE018
，对每个子样本都遍历一遍，获得一组决策 树组成的分类器
Figure 922790DEST_PATH_IMAGE019
。
步骤4，输入测试集数据，利用分类决策
Figure 770660DEST_PATH_IMAGE020
进行训练， 其中
Figure 899153DEST_PATH_IMAGE021
为第j棵决策树；
Figure 592302DEST_PATH_IMAGE022
表示示性函数，当括号中的集合满足是，表达式时为1， 否则为0；y表示类别标签；
步骤5，统计得票最高的输出。
请参照图1以及图2所示，S104将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率。
在本申请中，优选的，将所述预设数量设置为：提取Sample表格中近1000条数据，然后随机抽取60%作为测试集。
具体的，将所述测试集输入正样本分类器中，统计属于正样本特征类的个数
Figure 857062DEST_PATH_IMAGE023
；将统计后的个数进行相加
Figure 875833DEST_PATH_IMAGE024
；
计算故障率，故障率=
Figure 739227DEST_PATH_IMAGE025
。
其中，所述
Figure 236067DEST_PATH_IMAGE026
表示正样本，所述
Figure 152070DEST_PATH_IMAGE027
表示正样本特征类别总数。
将测试集输入负样本分类器中，统计属于各特征分类器的个数
Figure 76164DEST_PATH_IMAGE028
, m为故障种类；
分类计算各故障的概率：
Figure 444829DEST_PATH_IMAGE029
。
其中，所述
Figure 948622DEST_PATH_IMAGE030
表示负样本，所述
Figure 984711DEST_PATH_IMAGE031
表示负样本总数。
预判故障类型，包括：
Figure 814127DEST_PATH_IMAGE032
，输出i，根据故障标签表找到对应的标签输出故障类 型，并获取该故障类型的故障率。
本申请还提供一种储能故障预测装置，包括：分割模块301、第一训练模块302、第二训练模块303、执行模块304。
图4是本申请中储能故障预测装置示意图。
请参照图4所示，分割模块401，用于获取样本数据，将所述样本数据分为正样本数据和负样本数据。
所示样本数据是指储能系统的运行数据，具体包括：BMS（管理系统）的电池总电压、电池总电流、SOC（系统参数）、压差、温差，PCS（过程控制）的三相电压、三相电流、三相负载率、直流电压、直流电流、直流功率、电网频率和负载频率。
获取所述样本数据，将所述样本数据分为正样本数据和负样本数据。
请参照图2所示，在储能系统开始时，采集样本数据并将所述样本数据存存储起来。在系统初始化时，对样本进行预处理，包括：通过数据库建立样本数据表，其中正样本表定义为Pos-sample，正样本库定义为Positive，负样本表定义为Neg-sample，负样本库定义为Negative，测试样本定义为Sample。
在储能系统开始运行，进行与PCS、BMS、MPPT（功率跟踪系统）、风机控制器、环控设备等通信，完成数据的采集以及处理。系统实时监视告警标志位的变化情况，当告警标志位为0，此时系统无告警时，样本以10min/次的频率存储到Pos-sample表格中；当告警标志位为1，此时系统有告警时，样本以10s/次的频率存储到Neg-sample的表格中，且表格的第二列为告警详情。
统计Neg-sample表中不同告警信息第一次发生告警的时间，形成时间数组；将时间数组作为筛选条件筛选Pos-sample表中每次发生告警前2个小时的数据。
其中不同告警间隔时间大于6个小时，那么将删除Pos-sample表中筛选出来的2个小时的数据且将这些数据插入到Neg-sample中；如果间隔时间小于2个小时，那么直接筛选出来复制插入到Neg-sample此条告警时间前且不用删除Pos-sample中的数据。
将Neg-sample所有数据复制到Negative中，将Pos-sample所有数据复制到Positive，然后清空Neg-sample和Pos-sample，回到初始化状态。Positive中为正样本库，Negative中为负样本库。
请参照图4所示，第一训练模块402，对所述正样本数据进行分类，采用OVO-SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器。
本申请中，对于正样本库中的数据，抽取出来后进行分类处理，优选所述分类的类别为：放电、充电和静置三个类别。
基于所述分类进行样本数据的特征向量集表示
Figure 434202DEST_PATH_IMAGE007
，其中所述
Figure 538424DEST_PATH_IMAGE008
为正样本的特 征向量集，
Figure 897861DEST_PATH_IMAGE009
为样本种类的代号。
以所述正样本特征集中的数据作为样本数据训练SVM（向量机）模型，其中每个特征集中包含BMS的电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率、负载频率等数据的20个值作为备选特征。
本申请中，所述训练SVM过程中，采用OVO-SVM分类决策对数据关联性进行描述，包括：
将每两个所述类别进行组合，其中的组合次数，即最终形成的组合个数的表达式如下：
Figure 163758DEST_PATH_IMAGE033
其中，所述C表示组合次数或者个数，所述S表示类别。同时，所述C也是所述OVO-SVM分类决策的分类器个数。
训练SVM模型的过程如下：
步骤1，将两个分类器的关联函数表达如下：
Figure 507014DEST_PATH_IMAGE034
其中，所述i和j分别表示两个类别，所述
Figure 883769DEST_PATH_IMAGE002
表示w的转置，所述w表示分类超平面 法向量，所述b是阈值常数，所述
Figure 628871DEST_PATH_IMAGE012
表示为原空间到特征空间的映射函数。
步骤2，在上述表达式中，当
Figure 65669DEST_PATH_IMAGE013
≥0是，i分类加一票，否则在j分类加一票。遍历完 所述C个分类后，根据投票数量输出特征选择顺序表，以及各个特征的分类准确率。
在本申请中，所述训练过程中可能出现的问题包括局部收敛，当局部收敛出现时，优选的，采用粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于以上算法的改进优化算法对所述关联函数优化。
请参照图4所示，第二训练模块403，用于采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器。
本申请中，对于负样本库的处理中，首先采用数据库语言对Negative表进行统计发送故障的类型，并根据所述类型生成故障标签。
其次，根据所述类型或者标签对负样本库中的数据进行优化，删除重复冗余的数据，最后基于优化后的负样本库进行模型训练。
图3是本申请中负样本训练流程图。
请参照图3所示，将负样本集（故障特征样本集）组成训练样本集，并进行如下步骤：
步骤1，将训练负样本集表示为：
Figure 896221DEST_PATH_IMAGE014
，其 中
Figure 76667DEST_PATH_IMAGE015
为样本种类，
Figure 177741DEST_PATH_IMAGE007
为负样本特征集，
Figure 785439DEST_PATH_IMAGE016
为第i个训练样本，k为
Figure 103288DEST_PATH_IMAGE008
中 特征值个数，
Figure 87425DEST_PATH_IMAGE009
为样本类型的标签。
步骤2，对训练负样本特征集X进行Bootstrap采样，采样n次后获得Bootstrap子样 本
Figure 541540DEST_PATH_IMAGE017
。
步骤3，采样CART构建决策树模型
Figure 320140DEST_PATH_IMAGE018
，对每个子样本都遍历一遍，获得一组决策 树组成的分类器
Figure 125285DEST_PATH_IMAGE019
。
步骤4，输入测试集数据，利用分类决策
Figure 913112DEST_PATH_IMAGE020
进行训练， 其中
Figure 487313DEST_PATH_IMAGE021
为第j棵决策树；
Figure 436815DEST_PATH_IMAGE022
表示示性函数，当括号中的集合满足是，表达式时为1， 否则为0；y表示类别标签；
步骤5，统计得票最高的输出。
请参照图4所示，执行模块404，用于将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率。
在本申请中，优选的，将所述预设数量设置为：提取Sample表格中近1000条数据，然后随机抽取60%作为测试集。
具体的，将所述测试集输入正样本分类器中，统计属于正样本特征类的个数
Figure 198097DEST_PATH_IMAGE023
；将统计后的个数进行相加
Figure 288151DEST_PATH_IMAGE024
；
计算故障率，故障率=
Figure 716858DEST_PATH_IMAGE025
。
其中，所述
Figure 102840DEST_PATH_IMAGE026
表示正样本，所述
Figure 616998DEST_PATH_IMAGE027
表示正样本特征类别总数。
将测试集输入负样本分类器中，统计属于各特征分类器的个数
Figure 746628DEST_PATH_IMAGE028
, m为故障种类；
分类计算各故障的概率：
Figure 498683DEST_PATH_IMAGE029
。
其中，所述
Figure 586725DEST_PATH_IMAGE030
表示负样本，所述
Figure 588179DEST_PATH_IMAGE031
表示负样本总数。
预判故障类型，包括：
Figure 521500DEST_PATH_IMAGE032
，输出i，根据故障标签表找到对应的标签输出故障类 型，并获取该故障类型的故障率。

Claims (10)

1.一种储能故障预测方法，其特征在于，包括：
获取样本数据，将所述样本数据分为正样本数据和负样本数据；
对所述正样本数据进行分类，采用OVO-SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器；
采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器；
将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率;
其中，所述样本数据是指储能系统的运行数据，具体包括：BMS（管理系统）的电池总电压、电池总电流、SOC（系统参数）、压差、温差，PCS（过程控制）的三相电压、三相电流、三相负载率、直流电压、直流电流、直流功率、电网频率和负载频率。
2.根据权利要求1所述储能故障预测方法，其特征在于，所述采用OVO-SVM分类决策将任意两个类别两两组合，所述两个类别的分类函数如下：
Figure 665249DEST_PATH_IMAGE001
其中，所述i表示所述两个类别中的第一个类别，所述j表示所述两个类别中的第二个 类别，所述W是分类超平面的法向量，所述
Figure 316810DEST_PATH_IMAGE002
是W的转置，所述b是常数；
所述表达式中，当
Figure 830968DEST_PATH_IMAGE003
≥0，则i得一票，否则j的一票，然后输出特征选择顺序表。
3.根据权利要求2所述储能故障预测方法，其特征在于，所述故障种类分类器训练陷入局部收敛后，通过仿生智能算法优化，所述仿生智能算法包括：粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于上述算法的改进算法。
4.根据权利要求1所述储能故障预测方法，其特征在于，所述正样本数具有多个特征集，每个特征集包括：电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率和负载频率。
5.根据权利要求1所述储能故障预测方法，其特征在于，所述输出预测故障类型和预测故障概率的步骤包括：
统计正样本特征数量后计算故障率；
统计负样本特征类型数量后计算每个类型的故障概率，基于每个类型的标签获取故障类型。
6.一种储能故障预测装置，其特征在于，包括：
分割模块，用于获取样本数据，将所述样本数据分为正样本数据和负样本数据；
第一训练模块，对所述正样本数据进行分类，采用OVO-SVM分类决策将任意两个类别两两组合，然后输入所述正样本数据训练SVM模型，生成故障概率分类器；
第二训练模块，用于采用数据库语言对所述负样本数据统计获得故障种类，基于所述故障种类对数据进行过滤后，利用随机森林算法进行所述负样本数据的训练，生成故障种类分类器；
执行模块，用于将所述样本数据中的预设数量数据分别输入到所述故障概率分类器和故障种类分类器，输出预测故障类型和预测故障概率。
7.根据权利要求6所述储能故障预测装置，其特征在于，所述采用OVO-SVM分类决策将任意两个类别两两组合，所述两个类别的分类函数如下：
Figure 695019DEST_PATH_IMAGE004
其中，所述i表示所述两个类别中的第一个类别，所述j表示所述两个类别中的第二个 类别，所述W是分类超平面的法向量，所述
Figure 243812DEST_PATH_IMAGE005
是W的转置，所述b是常数；
所述表达式中，当
Figure 800695DEST_PATH_IMAGE006
≥0，则i得一票，否则j的一票，然后输出特征选择顺序表。
8.根据权利要求7所述储能故障预测装置，其特征在于，所述故障种类分类器训练陷入局部收敛后，通过仿生智能算法优化，所述仿生智能算法包括：粒子群算法、人工蜂群算法、人工蚁群算法、差分搜索算法、布谷鸟算法、蝙蝠算法、狼群算法、鲸群算法、樽海鞘群算法或者基于上述算法的改进算法。
9.根据权利要求6所述储能故障预测装置，其特征在于，所述正样本数具有多个特征集，每个特征集包括：电池总电压、电池总电流、SOC、压差、温差、PCS的三相电压、三相电流、直流电压、直流电流、直流功率、电网频率和负载频率。
10.根据权利要求6所述储能故障预测装置，其特征在于，所述执行模块还包括：
第一统计单元，统计正样本特征数量后计算故障率；
第二统计单元，统计负样本特征类型数量后计算每个类型的故障概率，基于每个类型的标签获取故障类型。
CN202210644223.6A 2022-06-09 2022-06-09 一种储能故障预测方法及其装置 Pending CN115034471A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210644223.6A CN115034471A (zh) 2022-06-09 2022-06-09 一种储能故障预测方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210644223.6A CN115034471A (zh) 2022-06-09 2022-06-09 一种储能故障预测方法及其装置

Publications (1)

Publication Number Publication Date
CN115034471A true CN115034471A (zh) 2022-09-09

Family

ID=83123548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210644223.6A Pending CN115034471A (zh) 2022-06-09 2022-06-09 一种储能故障预测方法及其装置

Country Status (1)

Country Link
CN (1) CN115034471A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024073932A1 (zh) * 2022-10-08 2024-04-11 深圳先进技术研究院 储能系统故障检测方法、装置及智能终端

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024073932A1 (zh) * 2022-10-08 2024-04-11 深圳先进技术研究院 储能系统故障检测方法、装置及智能终端

Similar Documents

Publication Publication Date Title
Eads et al. Genetic algorithms and support vector machines for time series classification
CN108734402B (zh) 基于虚拟案例的非常规突发事件应急管理决策方法及系统
CN104050361A (zh) 一种监狱服刑人员危险性倾向的智能分析预警方法
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
Anil et al. A hybrid method based on genetic algorithm, self-organised feature map, and support vector machine for better network anomaly detection
CN112710956B (zh) 一种基于专家系统的电池管理系统故障检测系统及方法
Catal et al. Software fault prediction with object-oriented metrics based artificial immune recognition system
CN115034471A (zh) 一种储能故障预测方法及其装置
CN115372828A (zh) 基于充电片段数据和无监督算法的电芯一致性评估方法
Promper et al. Anomaly detection in smart grids with imbalanced data methods
CN111881159A (zh) 一种基于代价敏感极端随机森林的故障检测方法及装置
CN116112283A (zh) 一种基于cnn-lstm的电力系统网络安全态势预测方法及系统
CN116956148A (zh) 一种电力系统数据交互安全威胁信息分析方法
CN116865994A (zh) 一种基于大数据的网络数据安全预测方法
CN115688097A (zh) 一种基于改进遗传算法特征选择的工控系统入侵检测方法
Kaur et al. Multidimensional attacks classification based on genetic algorithm and SVM
CN115508713A (zh) 一种电池系统安全预警方法、装置、存储介质及设备
Nagolu et al. Real-Time Forest Fire Detection Using IoT and Smart Sensors
Zhou et al. Application of support vector machine and genetic algorithm to network intrusion detection
Norwawi et al. Recognition decision-making model using temporal data mining technique
Rawat et al. Boosting classifiers for intrusion detection
Arivardhini et al. A Hybrid Classifier Approach for Network Intrusion Detection
Mughaid et al. Enhancing cybersecurity in scada iot systems: A novel machine learning-based approach for man-in-the-middle attack detection
CN117523499B (zh) 基于北斗定位与感知的森林防火监测方法及系统

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