CN115327425B - 基于统计的锂电池储能电站的多级异常检测方法及系统 - Google Patents

基于统计的锂电池储能电站的多级异常检测方法及系统 Download PDF

Info

Publication number
CN115327425B
CN115327425B CN202211256807.2A CN202211256807A CN115327425B CN 115327425 B CN115327425 B CN 115327425B CN 202211256807 A CN202211256807 A CN 202211256807A CN 115327425 B CN115327425 B CN 115327425B
Authority
CN
China
Prior art keywords
sample
battery
threshold
probability density
voltage
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
CN202211256807.2A
Other languages
English (en)
Other versions
CN115327425A (zh
Inventor
王建星
朱勇
刘明义
李国庆
林昇
汪琳
那红宇
常建华
刘大为
裴杰
曹传钊
徐若晨
曹曦
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.)
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower 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 Huaneng Clean Energy Research Institute, Huaneng Lancang River Hydropower Co Ltd filed Critical Huaneng Clean Energy Research Institute
Priority to CN202211256807.2A priority Critical patent/CN115327425B/zh
Publication of CN115327425A publication Critical patent/CN115327425A/zh
Application granted granted Critical
Publication of CN115327425B publication Critical patent/CN115327425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请提出了一种基于统计的锂电池储能电站的多级异常检测方法及系统，该方法包括：采集锂电池储能电站的运行数据，并对运行数据进行数据清洗；将每个电池在完整的充放电周期内的电压变化数据作为样本，并构建针对全部电池的样本集；确定每个电池在不同工况下的电压阈值，电压阈值包括静态阈值和动态阈值，基于电压阈值进行阈值判断异常检测；对于通过阈值判断异常检测的样本进行频率直方图统计，基于频率直方图统计的结果进行频率直方图异常检测；对于通过频率直方图异常检测的样本，通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测。该方法可以对锂电池进行多维数据的多层级异常检测，提高检测的实时性与准确性。

Description

基于统计的锂电池储能电站的多级异常检测方法及系统
技术领域
本申请涉及电池储能系统运维技术领域，尤其涉及一种基于统计的锂电池储能电站的多级异常检测方法及系统。
背景技术
目前，可再生能源的快速发展为电网系统的安全稳定运行带来了一定的冲击，因此作为电网的重要支撑部分，多种储能技术尤其是锂离子电池储能技术技术获得了快速发展。随着，新储能市场规模应不断扩大，复合年增长率不断提高，新能源项目中储能容量也不断提高，比如，相关规章中制定储能容量原则上不低于新能源项目装机容量的10% -20%。
随着百兆瓦级等大规模储能系统的陆续并网，成功验证了大规模锂电池储能电站能够适用于稳定调峰、快速调频等重要应用场景。然而，与此同时，锂离子的大规模使用给储能电站的安全性带来了严峻的挑战。
相关技术中，对于锂电池储能电站的运维检测，通常是采用根据电荷状态(SOC)估计、根据容量下降或内阻增加进行健康估计或剩余使用寿命(RUL)预测等方式。然而，上述方式大多是根据电池的历史数据进行检测，缺乏对于锂电池电站实时状态下的状态检测。并且，锂电池作为一个复杂的电化学能量体，其状态复杂且机理不清晰，异常表现形式缺乏足够的先验知识，因此上述方式获得的预测效果的准确度较低。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本申请的第一个目的在于提出一种基于统计的锂电池储能电站的多级异常检测方法，该方法基于统计的方式对锂电池储能电站进行了三个层级的异常检测，兼顾检测方法的实时性与准确性，完成多维数据的多层级异常检测，有利于维护储能电站安全稳定运行。
本申请的第二个目的在于提出一种基于统计的锂电池储能电站的多级异常检测系统。
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的，本申请的第一方面实施例在于提出一种基于统计的锂电池储能电站的多级异常检测方法，该方法包括以下步骤：
采集锂电池储能电站中每个电池的运行数据，并对所述运行数据进行数据清洗；
将每个所述电池在完整的充放电周期内的电压变化数据作为对应的电池的样本，并构建针对所述锂电池储能电站中全部电池的样本集；
确定每个所述电池在不同工况下的电压阈值，所述电压阈值包括静态阈值和动态阈值，并通过将电池的电压数据与所述静态阈值和所述动态阈值比较的方式进行阈值判断异常检测；
对于通过所述阈值判断异常检测的样本进行频率直方图统计，基于所述频率直方图统计的结果进行频率直方图异常检测；
对于通过所述频率直方图异常检测的样本，通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，以根据样本的真实频率进行异常检测。
可选地，在本申请的一个实施例中，对所述运行数据进行数据清洗，包括：剔除所述运行数据中的异常数据，获得初始数据集；对于所述初始数据集中的缺失值，通过计算平均值或采用相邻数据值的方式进行补齐。
可选地，在本申请的一个实施例中，动态阈值包括电池充放电过程中的连续阈值曲线，所述通过将电池的电压数据与所述静态阈值和所述动态阈值比较的方式进行阈值判断异常检测，包括：将所述电池的电压数据与所述静态阈值进行比较，将超出所述静态阈值的电压判断为异常电压；将通过静态阈值检测的电压数据与当前时刻对应的动态阈值进行比较，将超出动态阈值的电压判断为异常电压。
可选地，在本申请的一个实施例中，对于通过所述阈值判断异常检测的样本进行频率直方图统计，包括：对样本内全部的电压值分别进行频率直方图统计，计算样本内每个电压值出现的概率；所述基于所述频率直方图统计的结果进行频率直方图异常检测，包括：计算整个充放电区间或预设长度的滑动窗口内的电压值的总概率密度，将所述总概率密度进行变换处理后作为当前电池的异常分数；将所述异常分数与预设的二级阈值进行比较，将所述异常分数大于所述二级阈值的电池判定为异常电池。
可选地，在本申请的一个实施例中，通过以下公式计算所述整个充放电区间或预设长度的滑动窗口内的电压值的总概率密度：
Figure DEST_PATH_IMAGE001
；
通过以下公式计算所述异常分数：
Figure 964606DEST_PATH_IMAGE002
其中，P（x）是总概率密度，Scores（x）是异常分数，n是样本维度，hist i （x）是任一电池电压值在电池组中出现的概率密度。
可选地，在本申请的一个实施例中，通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，包括：
S1：遍历所述样本集，通过下采样获取样本子集作为三级异常检测的样本集；
S2：在所述样本子集中随机选择一个特征维度，基于频率直方图计算所述特征维度的概率密度，将所述特征维度的概率密度作为样本概率，并对所述样本子集进行约减；
S3：在约减后的样本子集和所述样本概率的基础上，重新随机选择一个特征维度，基于频率直方图计算重新随机选择的特征维度的概率密度，并通过以下公式计算更新后的样本概率密度后，对所述样本子集进行约减：
p(x 1·x 2)=p(x 2 | x 1)·p(x 1)
其中，p(x 1)是初始选择的特征维度的概率密度，p(x 2)是重新随机选择的特征维度的概率密度，p(x 1·x 2)是更新后的样本概率密度；
S4：重复执行步骤S3，直至查找出目标样本或达到最大查找深度，并通过以下公式计算所述目标样本的真实概率密度：
p(x 1·x 2……,x m )=p(x 1)·p(x 2 |x 1) ,……, p(x m |x 1 x 1,……, x m-1)
其中，p(x m )是最后一次选择的特征维度的概率密度，p(x 1·x 2,……,x m )是目标样本的真实概率密度，m是选择次数；
S5：将所述真实概率密度与预设的三级阈值进行比较，将所述真实概率密度小于所述三级阈值的电池判定为异常电池。
为达上述目的，本申请的第二方面实施例还提出了一种基于统计的锂电池储能电站的多级异常检测系统，包括以下模块:
采集模块，用于采集锂电池储能电站中每个电池的运行数据，并对所述运行数据进行数据清洗；
样本选择模块，用于将每个所述电池在完整的充放电周期内的电压变化数据作为对应的电池的样本，并构建针对所述锂电池储能电站中全部电池的样本集；
阈值判断异常检测模块，用于确定每个所述电池在不同工况下的电压阈值，所述电压阈值包括静态阈值和动态阈值，并通过将电池的电压数据与所述静态阈值和所述动态阈值进行比较的方式进行阈值判断异常检测；
频率直方图异常检测模块，用于对于通过所述阈值判断异常检测的样本进行频率直方图统计，基于所述频率直方图统计的结果进行频率直方图异常检测；
隔离密度异常检测模块，用于对于通过所述频率直方图异常检测的样本，通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，以根据样本的真实频率进行异常检测。
可选地，在本申请的一个实施例中，采集模块，具体用于：剔除所述运行数据中的异常数据，获得初始数据集；对于所述初始数据集中的缺失值，通过计算平均值或采用相邻数据值的方式进行补齐。
可选地，在本申请的一个实施例中，动态阈值包括电池充放电过程中的连续阈值曲线，所述阈值判断异常检测模块，具体用于：将所述电池的电压数据与所述静态阈值进行比较，将超出所述静态阈值的电压判断为异常电压；将通过静态阈值检测的电压数据与当前时刻对应的动态阈值进行比较，将超出动态阈值的电压判断为异常电压。
为了实现上述实施例，本申请第三方面实施例还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中的基于统计的锂电池储能电站的多级异常检测方法。
本申请的实施例提供的技术方案至少带来以下有益效果：本申请对储能电站中的锂电池进行三个层级的逐级异常检测，其中，基于阈值的判别检测速度最快，能够判断超出静态阈值或动态阈值的样本点；频率直方图检测，能够保证较快的检测速度和较强的判别能力，能够对阈值以内的体现在独立特征上的异常点进行快速判别；隔离密度检测判别能力最强，能够求解当前特征下的样本真实频率以判断异常。通过三级异常检测架构，确保浅层次或严重异常被优先快速识别，提高异常检测和处理的及时性，并且，对深层次或一般异常进行次优先识别，能够对深层次异常进行及时和准确的检测，确保检测的准确性。该方法能够应对所有层级异常，并按层级深度逐步识别，分级处置，兼顾异常检测的执行效率与准确性。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本申请实施例提出的一种基于统计的锂电池储能电站的多级异常检测方法的流程图；
图2为本申请实施例提出的一种具体的样本的隔离密度异常检测方法的流程图；
图3为本申请实施例提出的一种具体的基于统计的锂电池储能电站的多级异常检测方法的流程图；
图4为本申请实施例提出的一种三层级异常检测结果的示意图；
图5为本申请实施例提出的一种基于统计的锂电池储能电站的多级异常检测系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图详细描述本发明实施例所提出的一种风电机组的运行数据异常检测方法、系统。
图1为本申请实施例提出的一种基于统计的锂电池储能电站的多级异常检测方法的流程图，如图1所示，该方法包括以下步骤：
步骤S101，采集锂电池储能电站中每个电池的运行数据，并对运行数据进行数据清洗。
其中，采集的运行数据是储能电站中每个电池在运行过程中的数据。在本申请一个实施例中，采集的运行数据可以包括电池的原始特征和聚合特征两方面的数据，其中，原始特征可以包括：时间（timestamp）、电池电压（V）、电池电流（I）和电池温度（t）等数据，聚合特征可以包括：电池运行过程中的最高电压（V max）、最低电压（V min）、最高电流（I max）、最低电流（I min）、最高温度（t max）和最低温度（t min）等数据。
具体实施时，首先通过不同的方式获取储能电站需要进行多级异常检测的锂电池的运行数据。作为一种示例，预先在储能电站中设置数据采集与监视控制系统（Supervisory Control And Data Acquisition，简称SCADA），通过该系统中的各个传感器等检测装置，对电站中的锂电池等设备进行实时监测和数据采集，再与SCADA进行通讯，调取SCADA采集到的锂电池在不同时刻下的实时运行数据。
进一步的，对获取到的运行数据进行数据清洗，保证进行检测的数据的完整性和准确性。在本申请一个实施例中，对采集的运行数据进行数据清洗，包括先剔除运行数据中的异常数据，获得初始数据集，然后对于初始数据集中的缺失值，通过计算平均值或采用相邻数据值的方式进行补齐。
具体而言，本实施例中的异常数据是指不符合锂电池运行特性的异常数据，比如，由于数据采集装置的误差或其他非预期因素导致采集到的，显著超出锂电池运行的阈值范围的不合理数值。在本实施例中先将采集到的运行数据与锂电池运行的基础阈值范围进行比较，剔除不符合锂电池特性的异常数据。
可以理解的是，由于剔除了部分异常数据，且在数据采集过程中采集装置可能无法按照预期标准进行采集，剔除异常数据后获得初始数据集中可能存在缺失值（null），即在某些时间点上数据值为空，因此为保证数据的完整性，本实施例通过计算平均值的方式或采用相邻数据值的方式对缺失值进行补齐。其中，采用相邻数据值的方式是指采用某一缺失值前一时刻数值，或者后一时刻数值为该缺失值对应的时刻的数值，并进行替换。计算平均值的方式是指通过滑动窗口计算一段时间区间内的平均值，该段时间区间包含缺失值对应的时刻，具体时间区间的大小可以根据检测精度等实际需求确定，然后，将计算出的时间区间的平均值对缺失值进行替换赋值。
需要说明的是，上述实施例中的数据清洗方法仅是一种示例，还可以进行不同的数据清洗操作，此处不做限制。比如，通过插值法对缺失值进行补齐，通过离散函数逼近的方式，根据其他时间点处的取值状况估算缺失值处的近似值再进行赋值替换。又比如，还可以剔除运行数据中的非稳态数据等。
由此，本申请在进行多层级异常检测前，先对采集的运行数据进行清洗，保证采集的数据的完整性和准确性，进而保证了检测样本的完整性和准确性，从而有利于提高本申请的多层级异常检测结果的准确性。
步骤S102，将每个电池在完整的充放电周期内的电压变化数据作为对应的电池的样本，并构建针对锂电池储能电站中全部电池的样本集。
具体的，由于锂电池的检测参数相对于其他设备较少，其他的运行参数通常无法准确的表征电池状态，比如，由于电池储能电站通常采用复杂的串并联结构，多颗电芯具有相同的串联电流，因此电池电流不具有区分度，又比如，温度测点往往无法覆盖所有电芯，且多数工况下电芯温度变化迟钝，因此电池温度不适合作为检测样本。因此，为扩大特征数量，同时更好地利用电池充放电动态特性，本申请选取最能表征电池状态的参数，即电压变化数据作为进行电池异常检测的样本。
在本申请实施例中，将储能电站内任意一个电池在完整的充放电周期内的电压变化数据作为表征该电池运行状态的一个完整样本，即样本x=[V 1, V 2,……，V n ]，其中，V n 是该电池在充放电周期内不同时刻下的电压，采集的样本长度（即在时间轴上获得的电压值数量）由实际运行中电池的放电时间与采样频率确定。然后，对于储能电站中的每个锂电池，依次通过相同的方式构建相应的样本，从而获得了针对锂电池储能电站中全部电池的样本集。作为一种示例，构建的样本集如以下表1所示：
表1
电池 V1 V2 V3 V4 V5 Vn
电池1 3.246 3.244 3.242 3.242 3.241 … 3.047
电池2 3.248 3.245 3.243 3.242 3.242 … 3.035
电池3 3.230 3.227 3.224 3.224 3.223 … 3.027
电池4 3.247 3.244 3.242 3.242 3.241 … 3.033
电池5 3.227 3.224 3.223 3.222 3.221 … 2.979
… … … … … … … …
电池N 3.249 3.248 3.246 3.246 3.245 … 3.054
步骤S103，确定每个电池在不同工况下的电压阈值，电压阈值包括静态阈值和动态阈值，并通过将电池的电压数据与静态阈值和动态阈值比较的方式进行阈值判断异常检测。
具体的，本申请对锂电池进行异常检测时，先进行第一层级的异常检测，即超阈值异常检测，检测电池电压是否超过电压阈值。
在本申请实施例中，由于电池在不同的运行工况（比如，不同的工作负荷）下，充放电特性不同，因此，本申请可以先进行工况划分，确定每个工况下的电压阈值。作为其中一种可能的实现方式，在进行工况划分时，可以选取相应的运行工况特征参数，通过相应的聚类算法进行工况划分，其中，运行工况特征参数是对锂电池的状态特征有直接或间接影响的运行参数，比如，工作负荷和环境温度等，运行工况特征参数可视为工况划分的边界条件。即本实施例划分出多个针对负荷和环境温度等运行工况特征参数对应工况，便于针对不同的运行工况进行异常检测。
进一步的，确定电池在不同工况下的电压阈值。作为其中一种可能的实现方式，可以结合电池本体电化学特性、电池生产厂家提供的参数以及专家知识，再根据大量的实验研究进行验证，确定锂电池在不同工况下的电压阈值。
其中，电压阈值包括静态阈值和动态阈值。静态阈值为全局阈值，指满足电池健康安全运行的阈值范围，记为[V min, V max]，静态阈值可以是针对每个工况下的全局阈值，也可以是针对电池整个运行过程中的全局阈值，在后续进行阈值检测时，可以与当前工况下的静态阈值进行比较，还可以与整个运行过程中的静态阈值进行比较。动态阈值为充放电过程下的连续阈值曲线，由于电池在动态充放电工况下有不同的阈值，在确定动态充放电过程中不同时刻下的阈值后，进行汇总统计，将动态阈值记为[V 1, V 2, ……, V n ]。
更进一步的，将电池的电压数据与静态阈值和动态阈值比较的方式进行阈值判断异常检测。具体实施时，在本申请一个实施例中，进行阈值判断异常检测，包括将电池的电压数据与静态阈值进行比较，将超出静态阈值的电压判断为异常电压，再将通过静态阈值检测的电压数据与当前时刻对应的动态阈值进行比较，将超出动态阈值的电压判断为异常电压。
其中，电池的电压数据可以是实时采集到的电池的数据，也可以是构建的样本中的数据，即本申请进行阈值判断异常检测时，可以进行实时检测，直接将采集到的电压数据与当前工况下的静态阈值和动态阈值比较。也可以在获取一个完整的充放电周期的样本后，再对样本中的电压数据进行阈值判断异常检测。具体进行检测时，先获取当前工况下的静态阈值，将任意情况下超出静态阈值的电压将视为异常电压，该异常电压对应的电池被检测未异常电池，对于未超出静态阈值的电压，再获取当前时刻（记为S）下的动态阈值[V(S)min, V(S)max]，将任意时刻超出动态阈值的电压，判定为异常电压。
由此，本申请采用阈值检测，对超出阈值的特征进行判断，由于阈值判断速度快，作为第一级异常检测，能够对超出阈值的一类相对严重的浅层次故障进行快速判断，便于运控人员优先处理异常。
步骤S104，对于通过阈值判断异常检测的样本进行频率直方图统计，基于频率直方图统计的结果进行频率直方图异常检测。
其中，频率直方图（frequency histogram）是表示频率分布的图形，在直角坐标系中，用横轴表示随机变量的取值，纵轴表示频率与组距的比值。
具体的，在步骤S103的基础上被判别为正常的样本，即通过了阈值判断异常检测的样本，进行第二层级的异常检测，即频率直方图异常检测，检测符合朴素贝叶斯定理下的低频异常。
在本申请一个实施例中，对于通过阈值判断异常检测的样本进行频率直方图统计，包括对样本内全部的电压值分别进行频率直方图统计，计算样本内每个电压值出现的概率。具体而言，对样本内所有的特征即电压值分别进行频率直方图统计，并求出当前特征点的频率，即计算样本数据对应的电池运行的任意时刻的当前电压值出现的概率。作为一种可能的实现方式，可以确定样本内所有特征的最大值和最小值，根据最大值和最小值将样本区间等分为相应数量个小区间，相应数量可以是样本内包括的不同大小的电压值的数量，并计算小区间的长度，然后统计出样本特征落入各小区间的频数，再将频数除以样本内电压值的数量得到每个电压值出现的概率。
进一步的，在计算出各个特征的频率值后，基于朴素贝叶斯定理，假设样本内的所有特征不具有相关性即相互独立，根据每个特征出现的概率（即频率直方图统计的结果）对当前样本进行频率直方图异常检测，求解当前样本的发生频率。本申请实施例中基于频率直方图统计的结果进行频率直方图异常检测，包括先计算整个充放电区间或预设长度的滑动窗口内的电压值的总概率密度，将总概率密度变换处理后作为当前电池的异常分数，再将异常分数与预设的二级阈值进行比较，将异常分数大于二级阈值的电池判定为异常电池。
具体而言，在当前电池的充放电周期结束后，计算整个充放电区间或一定长度的滑动窗口内的电压值的总概率，通过相应的公式进行变换处理后作为当前电池的异常分数，将各个特征的频率值的乘积作为样本频率。作为一种可能的实现方式，可以通过以下公式计算整个充放电区间或预设长度的滑动窗口内的电压值的总概率密度：
Figure 957970DEST_PATH_IMAGE001
。
然后，再通过以下公式进行变化处理，即计算上述异常分数：
Figure 712299DEST_PATH_IMAGE003
其中，P（x）是总概率密度，Scores（x）是异常分数，n是样本维度，hist i （x）是任一电池电压值在电池组中出现的概率密度。
由此，将计算出的总概率变换处理后作为当前电池的异常分数，再将异常分数与预设的二级阈值进行比较，二级阈值是进行频率直方图异常检测的阈值，可以是预先根据历史经验和专家知识确定的正常运行状态下电池的总概率的最高阈值。通过比较将异常分数大于二级阈值的电池判定为异常电池。对于通过阈值判断异常检测的样本可以依次按照上述方式进行频率直方图异常检测，直至所有样本均进行了频率直方图异常检测。
由此，本申请基于频率直方图方法，在阈值范围以内的情况下，对多维特征下的边缘样本进行二级检测。频率直方图检测方法同样相对简单快捷，可以判断出并未超出阈值，但是属于朴素贝叶斯假设下的低频样本，准确和快速的检测出较深层次的异常。
步骤S105，对于通过频率直方图异常检测的样本，通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，以根据样本的真实频率进行异常检测。
具体的，在步骤S103和步骤S104的基础上被判别为正常的样本，即通过了阈值判断异常检测和频率直方图异常检测的样本，进行第三层级的异常检测，即隔离密度异常检测。在该层级异常检测中，不对原始样本分布做任何先验假设，通过对特征值的条件查找，求解样本在当前特征值下的真实概率，即通过逐步求解各个特征的条件概率作为样本的真实概率，检测样本异常。
为了更加清楚的说明本申请通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测的具体实现过程，以本申请一个实施例中提出的一种具体的隔离密度异常检测方法进行示例性说明，图2为本申请实施例提出的一种具体的样本的隔离密度异常检测方法的流程图，如图2所示，该方法包括以下步骤：
S1：遍历样本集，通过下采样获取样本子集作为三级异常检测的样本集。
具体的，遍历步骤S102中构建的针对锂电池储能电站中全部电池的样本集，对样本集中的样本序列间隔几个样本取样一次，从而得到新的样本子集，基于下采样策略获得样本子集替代样本全集，在当前子集内进行样本概率求解。
作为一种示例，可以通过随机下采样的方式获得的样本子集将包含argmin（N，256）个样本数据，N为原始样本集即电池总数量。
S2：在样本子集中随机选择一个特征维度，基于频率直方图计算特征维度的概率密度，将特征维度的概率密度作为样本概率，并对样本子集进行约减。
具体的，在样本子集中随机选择一个特征维度（记为x 1），并使用频率直方图方法，求解当前特征维度的频率值(在本申请中可近似视为与概率密度相等)，表示为p(x 1)，具体使用频率直方图方法求解概率密度的方式可以参照步骤S104的方式，此处不再赘述。并将当前计算出的特征维度的频率记为此时样本的概率，即待查找的样本的概率为p(x 1)。并且，在样本子集中进行查找后，当前样本子集将被进行约减，包括从样本子集中减去频率为p(x 1)的样本。
S3：在约减后的样本子集和样本概率的基础上，重新随机选择一个特征维度，基于频率直方图计算重新随机选择的特征维度的概率密度，并通过以下公式计算更新后的样本概率密度后，对样本子集进行约减：
p(x 1·x 2)=p(x 2 | x 1)·p(x 1)。
其中，p(x 1)是初始选择的特征维度的概率密度，即上一步骤中选择的特征维度的概率，p(x 2)是重新随机选择的特征维度的概率密度，即本步骤中选择的特征维度的概率密度，p(x 2 | x 1)是在初始选择的特征维度基础上重新随机选择的特征维度的概率密度，p(x 1·x 2)是更新后的样本概率密度。
具体的，在S2的基础上，继续随机选择一个维度（记为x2），使用频率直方图方法，求解当前维度的概率值，表示为p(x2)。并求解在S2的特征频率条件下的特征频率，由于S3是在S2的基础上完成的，因此，当前样本的频率将表示为p(x1•x2)=p(x2| x1)•p(x1)。
S4：重复执行步骤S3，直至查找出目标样本或达到最大查找深度，并通过以下公式计算目标样本的真实概率密度：
p(x 1·x 2……,x m )=p(x 1)·p(x 2 |x 1) ,……, p(x m |x 1 x 1,……, x m-1)。
其中，p(x m )是最后一次选择的特征维度的概率密度，p(x 1·x 2,……,x m )是目标样本的真实概率密度，m是选择次数，p(x m |x 1 x 1,……, x m-1)是在之前所有次选择的基础上最后一次选择的特征维度的概率密度。
具体的，重复执行步骤S3是指，重复执行在上一步约减后的样本子集和计算出的样本频率的基础上，继续重新随机选择一个特征维度，基于频率直方图计算当前重新随机选择的特征维度的概率，并参照步骤S3中计算条件概率的方式，更新迭代后的样本概率密度。
可以理解的是，通过重复以上步骤，使样本子集不断被约减，直到约减完的样本子集中的目标样本被查找出来，或者达到最大查找深度，则目标样本最终真实概率密度可以由以下公式表示为：
p(x 1·x 2……,x m )=p(x 1)·p(x 2 |x 1) ,……, p(x m |x 1 x 1,……, x m-1)。
S5：将真实概率密度与预设的三级阈值进行比较，将真实概率密度小于三级阈值的电池判定为异常电池。
具体的，三级阈值是进行隔离密度异常检测的阈值，可以是预先根据历史经验和专家知识确定的正常运行状态下电池的真实概率密度的最小阈值。通过比较将真实概率密度小于三级阈值的电池判定为异常电池。
该隔离密度异常检测方法在阈值范围以内，对不符合朴素贝叶斯定理的深层次异常做出判断，可准确的检测出异常为任意分布下的真实低频样本。
由此，本申请首先构建锂电池整个放电周期内的电压变化样本序列，然后进行三级异常检测：第一层级对所采样的电压特征进行静态阈值与动态阈值检测。第二层级假设时间序列上的电压相互独立，在第一层级检测的基础上对阈值初判的正常样本用频率直方图算法进行判别。第二层级不对样本分布特性做任何先验假设，对以上基于阈值判别与基于频率直方图算法判断为正常的样本采用隔离密度算法进行进一步检测，识别阈值范围内的具有深度特征相关性的异常样本。本申请对实际储能系统的锂电池进行了异常检测，在没有任何先验知识与大量训练样本的情况下，基于一个完整的放电周期电压变化数据，可检测出不同层级的电压变化异常。本申请三级异常检测所判别异常类型逐级深入，检测异常深度逐级增强，满足多种异常按层级处理要求，最大程度保证储能电站安全稳定运行。
综上所述，本申请实施例的基于统计的锂电池储能电站的多级异常检测方法，对储能电站中的锂电池进行三个层级的逐级异常检测，其中，基于阈值的判别检测速度最快，能够判断超出静态阈值或动态阈值的样本点；频率直方图检测，能够保证较快的检测速度和较强的判别能力，能够对阈值以内的体现在独立特征上的异常点进行快速判别；隔离密度检测判别能力最强，能够求解当前特征下的样本真实频率以判断异常。通过三级异常检测架构，确保浅层次或严重异常被优先快速识别，提高异常检测和处理的及时性，并且，对深层次或一般异常进行次优先识别，能够对深层次异常进行及时和准确的检测，确保检测的准确性。该方法能够应对所有层级异常，并按层级深度逐步识别，分级处置，兼顾异常检测的执行效率与准确性。
为了更加清楚地说明本申请实施例的基于统计的锂电池储能电站的多级异常检测方法的流程，下面以一个具体的对一个锂电池储能电站进行多级异常检测的实施例进行详细说明。图3为本申请实施例提出的一种具体的基于统计的锂电池储能电站的多级异常检测方法的流程图。如图3所示，该方法包括以下步骤：
步骤S301，数据采集。
步骤S302，数据清洗。
步骤S303，样本特征选择。
步骤S304，进行包括静态阈值和动态阈值的阈值判别。
步骤S305，基于朴素贝叶斯假设进行频率直方图判别。
步骤S306，进行隔离密度判别。
通过上述步骤对该锂电池储能电站进行三层级异常检测后，获取到的检测结果如图4所示。其中，A、B、C、D、E和F表示不同的区域，具体的区域大小由图中相应的虚线表示，点数据为待检测的二维数据集，方形虚线框为两个维度的静态阈值，A、B区域为一级异常检测结果，所判异常点为超出阈值区间的样本点；C、D区域为二级异常检测结果，所判异常点为未超出阈值区间，但在朴素贝叶斯定理下位于低频区域的样本点；E、F为三级异常检测结果，所判异常点为未超出阈值区间、且在朴素贝叶斯定理下位于高频区域，但实际不符合样本集分布特性，实际位于低频区域的样本点。图中上方和右方还附上了针对特征分布的频率直方图。
需要说明的是，在本实施例中，各步骤的具体实现方式可参照上述实施例的描述，具体实现构成相似，此处不再赘述。
为了实现上述实施例，本申请还提出了一种基于统计的锂电池储能电站的多级异常检测，图5为本申请实施例提出的一种基于统计的锂电池储能电站的多级异常检测系统的结构示意图，如图5所示，该系统包括采集模块100、样本选择模块200、阈值判断异常检测模块300、频率直方图异常检测模块400和隔离密度异常检测模块500。
其中，采集模块100，用于采集锂电池储能电站中每个电池的运行数据，并对运行数据进行数据清洗。
样本选择模块200，用于将每个电池在完整的充放电周期内的电压变化数据作为对应的电池的样本，并构建针对锂电池储能电站中全部电池的样本集。
阈值判断异常检测模块300，用于确定每个电池在不同工况下的电压阈值，电压阈值包括静态阈值和动态阈值，并通过将电池的电压数据与静态阈值和动态阈值进行比较的方式进行阈值判断异常检测。
频率直方图异常检测模块400，用于对于通过阈值判断异常检测的样本进行频率直方图统计，基于频率直方图统计的结果进行频率直方图异常检测。
隔离密度异常检测模块500，用于对于通过频率直方图异常检测的样本，通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，以根据样本的真实频率进行异常检测。
可选的，在本申请一个实施例中，采集模块100，具体用于：剔除运行数据中的异常数据，获得初始数据集；对于初始数据集中的缺失值，通过计算平均值或采用相邻数据值的方式进行补齐。
可选的，在本申请一个实施例中，动态阈值包括电池充放电过程中的连续阈值曲线，阈值判断异常检测模块300，具体用于：将电池的电压数据与所述静态阈值进行比较，将超出所述静态阈值的电压判断为异常电压；将通过静态阈值检测的电压数据与当前时刻对应的动态阈值进行比较，将超出动态阈值的电压判断为异常电压。
可选的，在本申请一个实施例中，频率直方图异常检测模块400，具体用于：对样本内全部的电压值分别进行频率直方图统计，计算样本内每个电压值出现的概率；计算整个充放电区间或预设长度的滑动窗口内的电压值的总概率密度，将总概率密度进行变换处理后作为当前电池的异常分数；将异常分数与预设的二级阈值进行比较，将异常分数大于二级阈值的电池判定为异常电池。
可选的，在本申请一个实施例中，频率直方图异常检测模块400，具体用于通过以下公式计算整个充放电区间或预设长度的滑动窗口内的电压值的总概率密度和：
Figure 449311DEST_PATH_IMAGE001
；
通过以下公式计算异常分数：
Figure 910379DEST_PATH_IMAGE004
其中，P（x）是总概率密度，Scores（x）是异常分数，n是样本维度，hist i （x）是任一电池电压值在电池组中出现的概率密度。
可选的，在本申请一个实施例中，隔离密度异常检测模块500具体用于执行以下步骤S1：遍历样本集，通过下采样获取样本子集作为三级异常检测的样本集；S2：在样本子集中随机选择一个特征维度，基于频率直方图计算特征维度的概率密度，将特征维度的概率密度作为样本概率，并对样本子集进行约减；S3：在约减后的样本子集和样本概率的基础上，重新随机选择一个特征维度，基于频率直方图计算重新随机选择的特征维度的概率密度，并通过以下公式计算更新后的样本概率密度后，对样本子集进行约减：
p(x 1·x 2)=p(x 2 | x 1)·p(x 1)
其中，p(x 1)是初始选择的特征维度的概率密度，p(x 2)是重新随机选择的特征维度的概率密度，p(x 1·x 2)是更新后的样本概率密度；S4：重复执行步骤S3，直至查找出目标样本或达到最大查找深度，并通过以下公式计算目标样本的真实概率密度：
p(x 1·x 2……,x m )=p(x 1)·p(x 2 |x 1) ,……, p(x m |x 1 x 1,……, x m-1)
其中，p(x m )是最后一次选择的特征维度的概率密度，p(x 1·x 2,……,x m )是目标样本的真实概率密度，m是选择次数；S5：将真实概率密度与预设的三级阈值进行比较，将真实概率密度小于三级阈值的电池判定为异常电池。
需要说明的是，前述对基于统计的锂电池储能电站的多级异常检测方法的实施例的解释说明也适用于该实施例的系统，此处不再赘述
综上所述，本申请实施例的基于统计的锂电池储能电站的多级异常检测系统，对储能电站中的锂电池进行三个层级的逐级异常检测，其中，基于阈值的判别检测速度最快，能够判断超出静态阈值或动态阈值的样本点；频率直方图检测，能够保证较快的检测速度和较强的判别能力，能够对阈值以内的体现在独立特征上的异常点进行快速判别；隔离密度检测判别能力最强，能够求解当前特征下的样本真实频率以判断异常。通过三级异常检测架构，确保浅层次或严重异常被优先快速识别，提高异常检测和处理的及时性，并且，对深层次或一般异常进行次优先识别，能够对深层次异常进行及时和准确的检测，确保检测的准确性。该系统能够应对所有层级异常，并按层级深度逐步识别，分级处置，兼顾异常检测的执行效率与准确性。
为了实现上述实施例，本申请还提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述实施例中任一所述的基于统计的锂电池储能电站的多级异常检测方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种基于统计的锂电池储能电站的多级异常检测方法，其特征在于，包括以下步骤：
采集锂电池储能电站中每个电池的运行数据，并对所述运行数据进行数据清洗；
将每个所述电池在完整的充放电周期内的电压变化数据作为对应的电池的样本，并构建针对所述锂电池储能电站中全部电池的样本集；
确定每个所述电池在不同工况下的电压阈值，所述电压阈值包括静态阈值和动态阈值，并通过将电池的电压数据与所述静态阈值和所述动态阈值比较的方式进行阈值判断异常检测；
对于通过所述阈值判断异常检测的样本进行频率直方图统计，基于所述频率直方图统计的结果进行频率直方图异常检测；
对于通过所述频率直方图异常检测的样本，通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，以根据样本的真实频率进行异常检测，其中，所述通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，包括：
S1：遍历所述样本集，通过下采样获取样本子集作为三级异常检测的样本集；
S2：在所述样本子集中随机选择一个特征维度，基于频率直方图计算所述特征维度的概率密度，将所述特征维度的概率密度作为样本概率，并对所述样本子集进行约减；
S3：在约减后的样本子集和所述样本概率的基础上，重新随机选择一个特征维度，基于频率直方图计算重新随机选择的特征维度的概率密度，并通过以下公式计算更新后的样本概率密度后，对所述样本子集进行约减：
p(x 1·x 2)=p(x 2 | x 1)·p(x 1)
其中，p(x 1)是初始选择的特征维度的概率密度，p(x 2)是重新随机选择的特征维度的概率密度，p(x 1·x 2)是更新后的样本概率密度，p(x 2 | x 1)是在初始选择的基础上重新随机选择的特征维度的概率密度；
S4：重复执行步骤S3，直至查找出目标样本或达到最大查找深度，并通过以下公式计算所述目标样本的真实概率密度：
p(x 1·x 2……,x m )=p(x 1)·p(x 2 |x 1) ,……, p(x m |x 1 x 1,……, x m-1)
其中，p(x m )是最后一次选择的特征维度的概率密度，p(x 1·x 2,……,x m )是目标样本的真实概率密度，m是选择次数，p(x m |x 1 x 1,……, x m-1)是在之前选择的基础上最后一次选择的特征维度的概率密度；
S5：将所述真实概率密度与预设的三级阈值进行比较，将所述真实概率密度小于所述三级阈值的电池判定为异常电池。
2.根据权利要求1所述的检测方法，其特征在于，所述对所述运行数据进行数据清洗，包括：
剔除所述运行数据中的异常数据，获得初始数据集；
对于所述初始数据集中的缺失值，通过计算平均值或采用相邻数据值的方式进行补齐。
3.根据权利要求1所述的检测方法，其特征在于，所述动态阈值包括电池充放电过程中的连续阈值曲线，所述通过将电池的电压数据与所述静态阈值和所述动态阈值比较的方式进行阈值判断异常检测，包括：
将所述电池的电压数据与所述静态阈值进行比较，将超出所述静态阈值的电压判断为异常电压；
将通过静态阈值检测的电压数据与当前时刻对应的动态阈值进行比较，将超出动态阈值的电压判断为异常电压。
4.根据权利要求1所述的检测方法，其特征在于，所述对于通过所述阈值判断异常检测的样本进行频率直方图统计，包括：
对样本内全部的电压值分别进行频率直方图统计，计算样本内每个电压值出现的概率；
所述基于所述频率直方图统计的结果进行频率直方图异常检测，包括：
计算整个充放电区间或预设长度的滑动窗口内的电压值的总概率密度，将所述总概率密度进行变换处理后作为当前电池的异常分数；
将所述异常分数与预设的二级阈值进行比较，将所述异常分数大于所述二级阈值的电池判定为异常电池。
5.根据权利要求4所述的检测方法，其特征在于，通过以下公式计算所述整个充放电区间或预设长度的滑动窗口内的电压值的总概率密度：
Figure 655324DEST_PATH_IMAGE001
；
通过以下公式计算所述异常分数：
Figure 784954DEST_PATH_IMAGE002
其中，P（x）是总概率密度，Scores（x）是异常分数，n是样本维度，i是任一样本， hist i （x）是任一电池电压值在电池组中出现的概率密度。
6.一种基于统计的锂电池储能电站的多级异常检测系统，其特征在于，包括：
采集模块，用于采集锂电池储能电站中每个电池的运行数据，并对所述运行数据进行数据清洗；
样本选择模块，用于将每个所述电池在完整的充放电周期内的电压变化数据作为对应的电池的样本，并构建针对所述锂电池储能电站中全部电池的样本集；
阈值判断异常检测模块，用于确定每个所述电池在不同工况下的电压阈值，所述电压阈值包括静态阈值和动态阈值，并通过将电池的电压数据与所述静态阈值和所述动态阈值进行比较的方式进行阈值判断异常检测；
频率直方图异常检测模块，用于对于通过所述阈值判断异常检测的样本进行频率直方图统计，基于所述频率直方图统计的结果进行频率直方图异常检测；
隔离密度异常检测模块，用于对于通过所述频率直方图异常检测的样本，通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，以根据样本的真实频率进行异常检测，其中，所述通过逐步计算特征值的条件概率的方式对每个样本进行隔离密度异常检测，包括：
S1：遍历所述样本集，通过下采样获取样本子集作为三级异常检测的样本集；
S2：在所述样本子集中随机选择一个特征维度，基于频率直方图计算所述特征维度的概率密度，将所述特征维度的概率密度作为样本概率，并对所述样本子集进行约减；
S3：在约减后的样本子集和所述样本概率的基础上，重新随机选择一个特征维度，基于频率直方图计算重新随机选择的特征维度的概率密度，并通过以下公式计算更新后的样本概率密度后，对所述样本子集进行约减：
p(x 1·x 2)=p(x 2 | x 1)·p(x 1)
其中，p(x 1)是初始选择的特征维度的概率密度，p(x 2)是重新随机选择的特征维度的概率密度，p(x 1·x 2)是更新后的样本概率密度，p(x 2 | x 1)是在初始选择的基础上重新随机选择的特征维度的概率密度；
S4：重复执行步骤S3，直至查找出目标样本或达到最大查找深度，并通过以下公式计算所述目标样本的真实概率密度：
p(x 1·x 2……,x m )=p(x 1)·p(x 2 |x 1) ,……, p(x m |x 1 x 1,……, x m-1)
其中，p(x m )是最后一次选择的特征维度的概率密度，p(x 1·x 2,……,x m )是目标样本的真实概率密度，m是选择次数，p(x m |x 1 x 1,……, x m-1)是在之前选择的基础上最后一次选择的特征维度的概率密度；
S5：将所述真实概率密度与预设的三级阈值进行比较，将所述真实概率密度小于所述三级阈值的电池判定为异常电池。
7.根据权利要求6所述的检测系统，其特征在于，所述采集模块，具体用于：
剔除所述运行数据中的异常数据，获得初始数据集；
对于所述初始数据集中的缺失值，通过计算平均值或采用相邻数据值的方式进行补齐。
8.根据权利要求6所述的检测系统，其特征在于，所述动态阈值包括电池充放电过程中的连续阈值曲线，所述阈值判断异常检测模块，具体用于：
将所述电池的电压数据与所述静态阈值进行比较，将超出所述静态阈值的电压判断为异常电压；
将通过静态阈值检测的电压数据与当前时刻对应的动态阈值进行比较，将超出动态阈值的电压判断为异常电压。
9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的基于统计的锂电池储能电站的多级异常检测方法。
CN202211256807.2A 2022-10-14 2022-10-14 基于统计的锂电池储能电站的多级异常检测方法及系统 Active CN115327425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211256807.2A CN115327425B (zh) 2022-10-14 2022-10-14 基于统计的锂电池储能电站的多级异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211256807.2A CN115327425B (zh) 2022-10-14 2022-10-14 基于统计的锂电池储能电站的多级异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN115327425A CN115327425A (zh) 2022-11-11
CN115327425B true CN115327425B (zh) 2023-02-03

Family

ID=83913565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211256807.2A Active CN115327425B (zh) 2022-10-14 2022-10-14 基于统计的锂电池储能电站的多级异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN115327425B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116400249A (zh) * 2023-06-08 2023-07-07 中国华能集团清洁能源技术研究院有限公司 储能电池的检测方法及装置
CN116819318B (zh) * 2023-07-04 2024-01-12 赫义博自动化科技(江苏)有限公司 一种电机故障检测方法、系统
CN116819378B (zh) * 2023-08-29 2023-12-26 中国华能集团清洁能源技术研究院有限公司 储能电池异常检测方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
CN103354377A (zh) * 2013-06-26 2013-10-16 安徽力高新能源技术有限公司 一种储能电站锂电池自动环流控制及保护电路
CN109245139A (zh) * 2018-10-24 2019-01-18 湖南省斯盛新能源有限责任公司 一种小型大容量移动锂离子储能充电站及其充电方法
CN111753416A (zh) * 2020-06-17 2020-10-09 重庆大学 一种基于两阶段Wiener过程的锂离子电池RUL预测方法
CN115097343A (zh) * 2022-05-25 2022-09-23 航天科工防御技术研究试验中心 锂离子电池热特性分析系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10203375B2 (en) * 2013-11-14 2019-02-12 Nec Corporation Method for ascertaining storage battery state, state-ascertaining system, and computer program
CN112600454B (zh) * 2020-12-21 2022-03-11 东南大学 一种电流源输入高频隔离矩阵变换器及其调控方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
CN103354377A (zh) * 2013-06-26 2013-10-16 安徽力高新能源技术有限公司 一种储能电站锂电池自动环流控制及保护电路
CN109245139A (zh) * 2018-10-24 2019-01-18 湖南省斯盛新能源有限责任公司 一种小型大容量移动锂离子储能充电站及其充电方法
CN111753416A (zh) * 2020-06-17 2020-10-09 重庆大学 一种基于两阶段Wiener过程的锂离子电池RUL预测方法
CN115097343A (zh) * 2022-05-25 2022-09-23 航天科工防御技术研究试验中心 锂离子电池热特性分析系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Potential Failure Prediction of Lithium-ion Battery Energy Storage System by Isolation Density Method.pdf;Yong Zhu等;《sustainability》;20220609;第1-14页 *
一种可工程化检测磷酸铁锂电池问题的方法;赵尚玉 等;《储能科学与技术》;20220228;第11卷(第2期);第643-651页 *

Also Published As

Publication number Publication date
CN115327425A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN115327425B (zh) 基于统计的锂电池储能电站的多级异常检测方法及系统
CN108089133B (zh) 储能系统电池组一致性检测方法及检测装置
CN107516170B (zh) 一种基于设备故障概率和电网运行风险的差异自愈控制方法
CN102347517A (zh) 一种寿命状态自适应型soc估算方法及系统
CN113030758B (zh) 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质
CN106570790B (zh) 一种计及风速数据分段特性的风电场出力数据修复方法
CN113821976A (zh) 一种基于集成算法的锂电池故障诊断建模方法
CN116125300A (zh) 一种电池包异常监测方法、装置、电子设备及存储介质
CN114035087A (zh) 储能电池剩余寿命评估方法、装置、设备及介质
CN116643178B (zh) 一种电池管理系统的soc估算方法及相关装置
CN116400239B (zh) 一种铁铬液流电池的储能智能监测方法
US20240027529A1 (en) Method and system for detecting lithium precipitation of lithium batteries
CN116754960A (zh) 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序
CN117102082A (zh) 一种液态金属电池的分选方法及系统
CN115469226A (zh) 一种基于运行大数据的电动汽车动力电池实时安全预警方法
CN108110283B (zh) 一种液流电池储能系统异常数据识别方法
CN114237206A (zh) 一种面向复杂运行工况的风电变桨系统故障检测方法
Lin et al. Research on Inconsistency Identification of Lithium-ion Battery Pack Based on Operational Data
CN112763917A (zh) 一种储能电站电池组soc实时修正方法及系统
CN117706377B (zh) 一种基于自适应聚类的电池不一致性辨识方法和装置
CN111983478A (zh) 一种基于Holt线性趋势模型的电化学储能电站SOC异常检测方法
CN115663801B (zh) 一种基于谱聚类的低压台区拓扑识别方法
CN116990709A (zh) 一种储能电池一致性判断方法、系统、设备及存储介质
CN116577657A (zh) 一种电池异常检测方法及系统
CN117613978A (zh) 一种风电场的储能效果评估方法及系统

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
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20221111

Assignee: Northern shangduzheng Lanqi new energy Co.,Ltd.

Assignor: HUANENG CLEAN ENERGY Research Institute

Contract record no.: X2023110000091

Denomination of invention: A multi-level anomaly detection method and system for lithium battery energy storage power plants based on statistics

Granted publication date: 20230203

License type: Common License

Record date: 20230809

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20221111

Assignee: Wushi County Huaneng New Energy Co.,Ltd.

Assignor: HUANENG CLEAN ENERGY Research Institute

Contract record no.: X2023110000097

Denomination of invention: A multi-level anomaly detection method and system for lithium battery energy storage power plants based on statistics

Granted publication date: 20230203

License type: Common License

Record date: 20230821