CN115877222A - 一种储能电站故障检测方法、装置、介质及储能电站 - Google Patents
一种储能电站故障检测方法、装置、介质及储能电站 Download PDFInfo
- Publication number
- CN115877222A CN115877222A CN202310110523.0A CN202310110523A CN115877222A CN 115877222 A CN115877222 A CN 115877222A CN 202310110523 A CN202310110523 A CN 202310110523A CN 115877222 A CN115877222 A CN 115877222A
- Authority
- CN
- China
- Prior art keywords
- battery
- time series
- voltage
- current
- temperature
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000004146 energy storage Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 109
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 15
- 238000010248 power generation Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供了一种储能电站故障检测方法、装置、介质及储能电站，该方法包括：获取储能电站中各个电池的电压时间序列、电流时间序列和温度时间序列；根据电压时间序列、电流时间序列、温度时间序列和对应的平均值确定电压差值时间序列、电流差值时间序列和温度差值时间序列；对于每个电池，将相连的电池的电压差值时间序列组合为电压数据矩阵，将相连的电池的电流差值时间序列组合为电流数据矩阵，将相连的电池的温度差值时间序列组合为温度数据矩阵；将电压数据矩阵、电流数据矩阵和温度数据矩阵组合为三通道数据矩阵，将三通道数据矩阵输入训练好的故障检测模型，确定对应的电池是否出现故障。本发明提高了储能电站故障检测的准确性。
Description
技术领域
本发明涉及储能电站技术领域，具体而言，涉及一种储能电站故障检测方法、装置、介质及储能电站。
背景技术
随着新能源发电技术的不断发展，新能源发电装机容量占电网总容量的比例越来越高，然而新能源发电的波动性和不确定性，导致其消纳困难。由于储能电站能够调节峰谷，可以有效抑制新能源发电的波动性，因此“新能源发电+储能电站”的模式受到越来越多的关注。储能电站包括多个串联和/或并联的电池，其中，对各个电池的故障检测是保障储能电站安全稳定运行的重要手段。
目前，常通过获取各个电池的电压和电流，将电压、电流分别与相应的报警阈值进行对比的方法来判断各个电池是否出现故障。但是，电池在使用过程中，其电压和电流可能会出现波动，选择单个时间点的数据进行故障检测，可能会导致误报。并且，一个电池出现故障时，会影响与其连接的其它电池的参数，会影响其它电池的故障检测结果的准确性。
发明内容
本发明解决的问题是如何提高储能电站中各个电池故障检测的准确性。
为解决上述问题，本发明提供一种储能电站故障检测方法、装置、介质及储能电站。
第一方面，本发明提供了一种储能电站故障检测方法，包括：
获取储能电站中各个电池的电压时间序列、电流时间序列和温度时间序列；
根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列；
根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列；
对于每个所述电池，将该电池的所述电压差值时间序列和与该电池相连的所述电池的所述电压差值时间序列组合为电压数据矩阵，将该电池的所述电流差值时间序列和与该电池相连的所述电池的所述电流差值时间序列组合为电流数据矩阵，将该电池的所述温度差值时间序列和与该电池相连的所述电池的所述温度差值时间序列组合为温度数据矩阵；
将所述电压数据矩阵、所述电流数据矩阵和所述温度数据矩阵组合为三通道数据矩阵，将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障。
可选地，所述根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列包括：
确定各个所述电池的所述电压时间序列中同一时刻的电压值的第一均值，将各个所述第一均值按照时间顺序排列，获得所述电压平均值时间序列；
确定各个所述电池的所述电流时间序列中同一时刻的电流值的第二均值，将各个所述第二均值按照时间顺序排列，获得所述电流平均值时间序列；
确定各个所述电池的所述温度时间序列中同一时刻的温度值的第三均值，将各个所述第三均值按照时间顺序排列，获得所述温度平均值时间序列。
可选地，所述根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列包括：
对于任一所述电池，确定该电池的所述电压时间序列中的电压值与所述电压平均值时间序列中相应时刻的所述第一均值之间的第一差值，将各个所述第一差值按照时间顺序排列，获得该电池的所述电压差值时间序列；
对于任一所述电池，确定该电池的所述电流时间序列中的电流值与所述电流平均值时间序列中相应时刻的所述第二均值之间的第二差值，将各个所述第二差值按照时间顺序排列，获得该电池的所述电流差值时间序列；
对于任一所述电池，确定该电池的所述温度时间序列中的温度值与所述温度平均值时间序列中相应时刻的所述第三均值之间的第三差值，将各个所述第三差值按照时间顺序排列，获得该电池的所述温度差值时间序列。
可选地，所述将所述三通道数据矩阵输入训练好的故障检测模型之前，还包括：
基于模型集成算法，采用训练集对多个深度学习模型进行集成训练，获得所述训练好的故障检测模型；
采用测试集对所述训练好的故障检测模型进行测试，确定所述训练好的故障检测模型的准确率。
可选地，所述模型集成算法包括Adaboost算法、GBDT算法、XGBoost算法、Bagging算法和随机森林算法中的任意一种，所述深度学习模型包括OPTICS聚类模型、孤立森林模型和DBSCAN模型中的至少一种。
可选地，所述将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障包括：
对于任一所述电池，将其对应的所述三通道数据矩阵输入所述训练好的故障检测模型，输出该电池出现故障的概率；
将所述概率与预设阈值进行对比，当所述概率大于所述预设阈值时，确定该电池出现故障；当所述概率小于或等于所述预设阈值时，确定该电池未出现故障。
可选地，所述将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障之后，还包括：将故障检测结果输出至显示装置进行展示和预警。
第二方面，本发明提供了一种储能电站故障检测装置，包括：
获取模块，用于获取储能电站中各个电池的电压时间序列、电流时间序列和温度时间序列；
计算模块，用于根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列；
处理模块，用于根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列；
组合模块，用于对于每个所述电池，将该电池的所述电压差值时间序列和与该电池相连的所述电池的所述电压差值时间序列组合为电压数据矩阵，将该电池的所述电流差值时间序列和与该电池相连的所述电池的所述电流差值时间序列组合为电流数据矩阵，将该电池的所述温度差值时间序列和与该电池相连的所述电池的所述温度差值时间序列组合为温度数据矩阵；
检测模块，用于将所述电压数据矩阵、所述电流数据矩阵和所述温度数据矩阵组合为三通道数据矩阵，将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障。
第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如第一方面任一项所述的储能电站故障检测方法。
第四方面，本发明提供了一种储能电站，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如第一方面任一项所述的储能电站故障检测方法。
本发明的储能电站故障检测方法、装置、介质及储能电站有益效果是：对于储能电站中的每个电池，可获取该电池在不同时刻的电压值、电流值和温度值，将电压值、电流值和温度值分别按照时间先后顺序排列，得到该电池的电压时间序列、电流时间序列和温度时间序列。确定所有电池的电压平均值时间序列、电流平均值时间序列和温度平均值时间序列，进而确定各个电池的电压差值时间序列、电流差值时间序列和温度差值时间序列，电压差值时间序列、电流差值时间序列和温度差值时间序列反映了不同时刻单个电池与电池整体之间的电压差异、电流差异和温度差异，考虑了单个电池的数据在不同时刻的时间相关性和与整体之间的差异性。通过组合获得电压数据矩阵、电流数据矩阵和温度数据矩阵，电压数据矩阵、电流数据矩阵和温度数据矩阵考虑各个相连的电池之间的空间相关性。将电压数据矩阵、电流数据矩阵和温度数据矩阵分别作为一个通道数据，组合得到三通道数据矩阵，三通道数据矩阵包括电压、电流和温度多个维度的数据，并且全面考虑单个电池与整体电池之间的差异性、不同时刻的时间相关性和相连的电池之间的空间相关性，输入训练好的故障检测模型对单个电池进行故障检测，提高了故障检测的全面性和准确性。
附图说明
图1为本发明实施例的一种储能电站故障检测方法的流程示意图；
图2为本发明实施例的一种储能电站故障检测装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”；术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
如图1所示，本发明实施例提供的一种储能电站故障检测方法，包括：
步骤S100，获取储能电站中各个电池的电压时间序列、电流时间序列和温度时间序列。
具体地，对于任一电池，该电池的电压时间序列包括按时间先后顺序排列的该电池在多个不同时刻的电压值，该电池的电流时间序列包括按时间先后顺序排列的该电池在多个不同时刻的电流值，该电池的温度时间序列包括按时间先后顺序排列的该电池在多个不同时刻的温度值。
步骤S200，根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列。
具体地，电压平均值时间序列包括各个不同时刻所有电池的电压值的平均值，电流平均值时间序列包括各个不同时刻所有电池的电流值的平均值，温度时间序列包括各个不同时刻所有电池的电流值的平均值。
示例性地，对于任一时刻，确定该时各个电池的电压值的平均值、电流值的平均值和温度值的平均值，将各个时刻的电压值的平均值、电流值的平均值和温度值的平均值按照时间先后顺序排列，得到电压平均值时间序列、电流值平均值时间序列和温度平均值时间序列。
步骤S300，根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列。
具体地，对于任一电池，其电压差值时间序列包括各个不同时刻该电池的电压值与对应时刻的电压平均值之间的差值，其电流差值时间序列包括各个不同时刻该电池的电流值与对应时刻的电流平均值之间的差值，其温度差值时间序列包括各个不同时刻该电池的温度值与对应时刻的温度平均值之间的差值。
步骤S400，对于每个所述电池，将该电池的所述电压差值时间序列和与该电池相连的所述电池的所述电压差值时间序列组合为电压数据矩阵，将该电池的所述电流差值时间序列和与该电池相连的所述电池的所述电流差值时间序列组合为电流数据矩阵，将该电池的所述温度差值时间序列和与该电池相连的所述电池的所述温度差值时间序列组合为温度数据矩阵。
具体地，对于任一电池，与该电池相连的电池可包括与该电池串联和/或并联的电池。可将各个电池设为电压数据矩阵中的行，对应电池在不同时刻的电压差值设为列；或将各个电池设为电压数据矩阵的列，对应电池在不同时刻的电压差值设为行。
可将各个电池设为电流数据矩阵中的行，对应电池在不同时刻的电流差值设为列；或将各个电池设为电流数据矩阵的列，对应电池在不同时刻的电流差值设为行。
可将各个电池设为温度数据矩阵中的行，对应电池在不同时刻的温度差值设为列；或将各个电池设为温度数据矩阵的列，对应电池在不同时刻的温度差值设为行。
示例性地，以各个电池为电压数据矩阵中的行，对应电池在不同时刻的电压差值为列作为示例，可将电压矩阵中的第一行设为待判断的电池，第二行设为与该待判断的电池串联的电池，第三行设为与该待判断的电池并联的电池。也可将第二行设为待判断的电池，第一行设为与该待判断的电池串联的电池，第三行设为与该待判断的电池并联的电池，在此不做限制。
需要说明的是，若待判断的电池存在多个与其串联的电池，和/或多个与其并联的电池时，可通过电路原理将不同时刻多个串联的电池的电压进行等效计算，得到等效电压，然后根据等效电压与对应的电压平均值确定等效电压差值时间序列。同样地，可通过电路原理将不同时刻多个并联的电池的电压进行等效计算，得到等效电压，然后确定不同时刻等效电压与对应的电压平均值之间的差值，将所有差值按照时间先后顺序排列，得到等效电压差值时间序列。然后将多个串联电池的等效电压差值时间序列、多个并联电池的等效电压差值时间序列与该电池的电压差值时间序列组合，得到电压数据矩阵。
针对存在多个串联的电池，和/或多个并联的电池的情况，电流数据矩阵和温度数据矩阵的计算情况与上述电压数据矩阵的计算情况相似，仅存在数据对象的区别，在此不再赘述。
步骤S500，将所述电压数据矩阵、所述电流数据矩阵和所述温度数据矩阵组合为三通道数据矩阵，将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障。
具体地，电压数据矩阵、电流数据矩阵和温度数据矩阵各占一个通道，通过组合得到三通道数据矩阵。预先获取不同储能电站中各个电池的电压时间序列、电流时间序列和温度时间序列，通过上述处理方法得到各个储能电站的三通道数据矩阵，经过标注作为数据集，采用数据集训练故障检测模型，获得训练好的故障检测模型。
本实施例中，对于储能电站中的每个电池，可获取该电池在不同时刻的电压值、电流值和温度值，将电压值、电流值和温度值分别按照时间先后顺序排列，得到该电池的电压时间序列、电流时间序列和温度时间序列。确定所有电池的电压平均值时间序列、电流平均值时间序列和温度平均值时间序列，进而确定各个电池的电压差值时间序列、电流差值时间序列和温度差值时间序列，电压差值时间序列、电流差值时间序列和温度差值时间序列反映了不同时刻单个电池与电池整体之间的电压差异、电流差异和温度差异，考虑了单个电池的数据在不同时刻的时间相关性和与整体之间的差异性。通过组合获得电压数据矩阵、电流数据矩阵和温度数据矩阵，电压数据矩阵、电流数据矩阵和温度数据矩阵考虑各个相连的电池之间的空间相关性。将电压数据矩阵、电流数据矩阵和温度数据矩阵分别作为一个通道数据，组合得到三通道数据矩阵，三通道数据矩阵包括电压、电流和温度多个维度的数据，并且全面考虑单个电池与整体电池之间的差异性、不同时刻的时间相关性和相连的电池之间的空间相关性，输入训练好的故障检测模型对单个电池进行故障检测，提高了故障检测的全面性和准确性。
可选地，所述根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列包括：
确定各个所述电池的所述电压时间序列中同一时刻的电压值的第一均值，将各个所述第一均值按照时间顺序排列，获得所述电压平均值时间序列；
确定各个所述电池的所述电流时间序列中同一时刻的电流值的第二均值，将各个所述第二均值按照时间顺序排列，获得所述电流平均值时间序列；
确定各个所述电池的所述温度时间序列中同一时刻的温度值的第三均值，将各个所述第三均值按照时间顺序排列，获得所述温度平均值时间序列。
可选地，所述根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列包括：
对于任一所述电池，确定该电池的所述电压时间序列中的电压值与所述电压平均值时间序列中相应时刻的所述第一均值之间的第一差值，将各个所述第一差值按照时间顺序排列，获得该电池的所述电压差值时间序列；
对于任一所述电池，确定该电池的所述电流时间序列中的电流值与所述电流平均值时间序列中相应时刻的所述第二均值之间的第二差值，将各个所述第二差值按照时间顺序排列，获得该电池的所述电流差值时间序列；
对于任一所述电池，确定该电池的所述温度时间序列中的温度值与所述温度平均值时间序列中相应时刻的所述第三均值之间的第三差值，将各个所述第三差值按照时间顺序排列，获得该电池的所述温度差值时间序列。
具体地，计算各个电池在不同时刻电压值的第一均值、电流值的第二均值和温度值的第三均值，根据第一均值对相应时刻各个电池的电压值进行去中心化处理，得到不同时刻的第一差值。根据第二均值对相应时刻各个电池的电流值进行去中心化处理，得到不同时刻的第二差值。根据第三均值对相应时刻各个电池的电流值进行去中心化处理，得到不同时刻的第三差值。还可对各个第一差值、第二差值和第三差值进行取绝对值处理，确定不同时刻的电压值与对应的第一均值之间的偏差、电流值与对应的第二均值之间的偏差和温度值与对应的第三均值之间的偏差。偏差越大，表示该电池的数据偏离平均值的程度越大，越可能存在异常；偏差越小，表示该电池的数据偏离平均值的程度越小，存在异常的可能性越低。
本可选的实施例中，从多个数据维度提取各个电池的数据与均值之间的偏差，根据多个数据维度的偏差数据来判断电池是否出现故障，提高了故障检测的全面性和准确性。
可选地，所述将所述三通道数据矩阵输入训练好的故障检测模型之前，还包括：
基于模型集成算法，采用训练集对多个深度学习模型进行集成训练，获得所述训练好的故障检测模型；
采用测试集对所述训练好的故障检测模型进行测试，确定所述训练好的故障检测模型的准确率。
可选地，所述模型集成算法包括Adaboost算法、GBDT算法、XGBoost算法、Bagging算法和随机森林算法中的任意一种，所述深度学习模型包括OPTICS聚类模型、孤立森林模型和DBSCAN模型中的至少一种。
本可选的实施例中，将数据集划分为训练集和测试机，训练集用于训练深度学习模型，测试机用于测试训练得到的模型的识别准确度。采用模型集成算法对多个深度学习模型进行集成训练，训练好的深度学习模型并行或串行构成故障检测模型。相较于采用单个模型进行故障检测，有效提高了故障检测准确性。
可选地，所述将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障包括：
对于任一所述电池，将其对应的所述三通道数据矩阵输入所述训练好的故障检测模型，输出该电池出现故障的概率；
将所述概率与预设阈值进行对比，当所述概率大于所述预设阈值时，确定该电池出现故障；当所述概率小于或等于所述预设阈值时，确定该电池未出现故障。
本可选的实施例中，三通道数据矩阵包含了相连的各个电池之间的空间相关性，以及电池在不同时刻的时间相关性，通过多个深度学习模型集成训练得到的故障检测模型进行处理，充分考虑与故障检测结果相关的各个维度的影响因子，提高了故障检测结果的全面性和准确性。
可选地，所述将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障之后，还包括：将故障检测结果输出至显示装置进行展示和预警。
本可选的实施例中，将故障检测结果输出至显示装置进行展示，在出现故障时进行预警，能够提醒工作人员及时进行处理。
如图2所示，本发明实施例提供的一种储能电站故障检测装置，包括：
获取模块，用于获取储能电站中各个电池的电压时间序列、电流时间序列和温度时间序列；
计算模块，用于根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列；
处理模块，用于根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列；
组合模块，用于对于每个所述电池，将该电池的所述电压差值时间序列和与该电池相连的所述电池的所述电压差值时间序列组合为电压数据矩阵，将该电池的所述电流差值时间序列和与该电池相连的所述电池的所述电流差值时间序列组合为电流数据矩阵，将该电池的所述温度差值时间序列和与该电池相连的所述电池的所述温度差值时间序列组合为温度数据矩阵；
检测模块，用于将所述电压数据矩阵、所述电流数据矩阵和所述温度数据矩阵组合为三通道数据矩阵，将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障。
本实施例的储能电站故障检测装置用于实现如上所述的储能电站故障检测方法，其相对于现有技术的优势与上文所述的储能电站故障检测方法相对于现有技术的优势相同，在此不再赘述。
本发明另一实施例提供的一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的储能电站故障检测方法。
本发明又一实施例提供的一种储能电站，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的储能电站故障检测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种储能电站故障检测方法，其特征在于，包括：
获取储能电站中各个电池的电压时间序列、电流时间序列和温度时间序列；
根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列；
根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列；
对于每个所述电池，将该电池的所述电压差值时间序列和与该电池相连的所述电池的所述电压差值时间序列组合为电压数据矩阵，将该电池的所述电流差值时间序列和与该电池相连的所述电池的所述电流差值时间序列组合为电流数据矩阵，将该电池的所述温度差值时间序列和与该电池相连的所述电池的所述温度差值时间序列组合为温度数据矩阵；
将所述电压数据矩阵、所述电流数据矩阵和所述温度数据矩阵组合为三通道数据矩阵，将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障。
2.根据权利要求1所述的储能电站故障检测方法，其特征在于，所述根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列包括：
确定各个所述电池的所述电压时间序列中同一时刻的电压值的第一均值，将各个所述第一均值按照时间顺序排列，获得所述电压平均值时间序列；
确定各个所述电池的所述电流时间序列中同一时刻的电流值的第二均值，将各个所述第二均值按照时间顺序排列，获得所述电流平均值时间序列；
确定各个所述电池的所述温度时间序列中同一时刻的温度值的第三均值，将各个所述第三均值按照时间顺序排列，获得所述温度平均值时间序列。
3.根据权利要求2所述的储能电站故障检测方法，其特征在于，所述根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列包括：
对于任一所述电池，确定该电池的所述电压时间序列中的电压值与所述电压平均值时间序列中相应时刻的所述第一均值之间的第一差值，将各个所述第一差值按照时间顺序排列，获得该电池的所述电压差值时间序列；
对于任一所述电池，确定该电池的所述电流时间序列中的电流值与所述电流平均值时间序列中相应时刻的所述第二均值之间的第二差值，将各个所述第二差值按照时间顺序排列，获得该电池的所述电流差值时间序列；
对于任一所述电池，确定该电池的所述温度时间序列中的温度值与所述温度平均值时间序列中相应时刻的所述第三均值之间的第三差值，将各个所述第三差值按照时间顺序排列，获得该电池的所述温度差值时间序列。
4.根据权利要求1所述的储能电站故障检测方法，其特征在于，所述将所述三通道数据矩阵输入训练好的故障检测模型之前，还包括：
基于模型集成算法，采用训练集对多个深度学习模型进行集成训练，获得所述训练好的故障检测模型；
采用测试集对所述训练好的故障检测模型进行测试，确定所述训练好的故障检测模型的准确率。
5.根据权利要求4所述的储能电站故障检测方法，其特征在于，所述模型集成算法包括Adaboost算法、GBDT算法、XGBoost算法、Bagging算法和随机森林算法中的任意一种，所述深度学习模型包括OPTICS聚类模型、孤立森林模型和DBSCAN模型中的至少一种。
6.根据权利要求4所述的储能电站故障检测方法，其特征在于，所述将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障包括：
对于任一所述电池，将其对应的所述三通道数据矩阵输入所述训练好的故障检测模型，输出该电池出现故障的概率；
将所述概率与预设阈值进行对比，当所述概率大于所述预设阈值时，确定该电池出现故障；当所述概率小于或等于所述预设阈值时，确定该电池未出现故障。
7.根据权利要求1至6任一项所述的储能电站故障检测方法，其特征在于，所述将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障之后，还包括：将故障检测结果输出至显示装置进行展示和预警。
8.一种储能电站故障检测装置，其特征在于，包括：
获取模块，用于获取储能电站中各个电池的电压时间序列、电流时间序列和温度时间序列；
计算模块，用于根据各个所述电池的所述电压时间序列确定电压平均值时间序列，根据各个所述电池的所述电流时间序列确定电流平均值时间序列，根据各个所述电池的所述温度时间序列确定温度平均值时间序列；
处理模块，用于根据各个所述电池的所述电压时间序列和所述电压平均值时间序列确定各个所述电池的电压差值时间序列，根据各个所述电池的所述电流时间序列和所述电流平均值时间序列确定各个所述电池的电流差值时间序列，根据各个所述电池的所述温度时间序列和所述温度平均值时间序列确定各个所述电池的温度差值时间序列；
组合模块，用于对于每个所述电池，将该电池的所述电压差值时间序列和与该电池相连的所述电池的所述电压差值时间序列组合为电压数据矩阵，将该电池的所述电流差值时间序列和与该电池相连的所述电池的所述电流差值时间序列组合为电流数据矩阵，将该电池的所述温度差值时间序列和与该电池相连的所述电池的所述温度差值时间序列组合为温度数据矩阵；
检测模块，用于将所述电压数据矩阵、所述电流数据矩阵和所述温度数据矩阵组合为三通道数据矩阵，将所述三通道数据矩阵输入训练好的故障检测模型，确定对应的所述电池是否出现故障。
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至7任一项所述的储能电站故障检测方法。
10.一种储能电站，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1至7任一项所述的储能电站故障检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310110523.0A CN115877222A (zh) | 2023-02-14 | 2023-02-14 | 一种储能电站故障检测方法、装置、介质及储能电站 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310110523.0A CN115877222A (zh) | 2023-02-14 | 2023-02-14 | 一种储能电站故障检测方法、装置、介质及储能电站 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115877222A true CN115877222A (zh) | 2023-03-31 |
Family
ID=85761050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310110523.0A Pending CN115877222A (zh) | 2023-02-14 | 2023-02-14 | 一种储能电站故障检测方法、装置、介质及储能电站 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115877222A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116108320A (zh) * | 2023-04-13 | 2023-05-12 | 佳源科技股份有限公司 | 一种智能电能表运行控制方法 |
| CN116565402A (zh) * | 2023-07-11 | 2023-08-08 | 南京宁煜致科信息技术有限公司 | 储能电池冷却系统及控制方法 |
| CN116879763A (zh) * | 2023-09-07 | 2023-10-13 | 上海融和元储能源有限公司 | 一种基于卡尔曼滤波算法的电池故障预警方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112684403A (zh) * | 2020-12-08 | 2021-04-20 | 国网四川省电力公司 | 一种基于数据检测的智能电表的故障检测方法 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN112858919A (zh) * | 2021-01-18 | 2021-05-28 | 北京理工大学 | 一种基于聚类分析的电池系统在线故障诊断方法和系统 |
| CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
| CN113406502A (zh) * | 2021-08-19 | 2021-09-17 | 四川新能源汽车创新中心有限公司 | 基于机器学习的缺陷电池筛选方法、设备及介质 |
| CN114264965A (zh) * | 2021-11-22 | 2022-04-01 | 深圳锂安技术有限公司 | 电池短路故障预警信息生成方法和装置、设备、介质 |
| CN114400738A (zh) * | 2022-01-06 | 2022-04-26 | 浙江南都能源互联网有限公司 | 一种储能电站电池预警方法和系统 |
| CN114994543A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华大电工高科技有限公司 | 储能电站电池故障诊断方法、装置及存储介质 |
| CN115061049A (zh) * | 2022-08-08 | 2022-09-16 | 山东卓朗检测股份有限公司 | 一种数据中心ups电池故障快速检测方法及系统 |
| CN115079020A (zh) * | 2022-05-27 | 2022-09-20 | 中国第一汽车股份有限公司 | 电池故障检测方法、系统、装置存储介质以及车辆 |
| CN115169580A (zh) * | 2022-06-30 | 2022-10-11 | 章鱼博士智能技术(上海)有限公司 | 车辆电池组的电压差异常检测模型的训练方法及装置 |
| CN115629323A (zh) * | 2022-09-22 | 2023-01-20 | 浙江吉利控股集团有限公司 | 一种电池组故障检测方法、装置及车辆 |
-
2023
- 2023-02-14 CN CN202310110523.0A patent/CN115877222A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112684403A (zh) * | 2020-12-08 | 2021-04-20 | 国网四川省电力公司 | 一种基于数据检测的智能电表的故障检测方法 |
| CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
| CN112858919A (zh) * | 2021-01-18 | 2021-05-28 | 北京理工大学 | 一种基于聚类分析的电池系统在线故障诊断方法和系统 |
| CN112906744A (zh) * | 2021-01-20 | 2021-06-04 | 湖北工业大学 | 一种基于孤立森林算法的故障单体电池识别方法 |
| CN113406502A (zh) * | 2021-08-19 | 2021-09-17 | 四川新能源汽车创新中心有限公司 | 基于机器学习的缺陷电池筛选方法、设备及介质 |
| CN114264965A (zh) * | 2021-11-22 | 2022-04-01 | 深圳锂安技术有限公司 | 电池短路故障预警信息生成方法和装置、设备、介质 |
| CN114400738A (zh) * | 2022-01-06 | 2022-04-26 | 浙江南都能源互联网有限公司 | 一种储能电站电池预警方法和系统 |
| CN115079020A (zh) * | 2022-05-27 | 2022-09-20 | 中国第一汽车股份有限公司 | 电池故障检测方法、系统、装置存储介质以及车辆 |
| CN115169580A (zh) * | 2022-06-30 | 2022-10-11 | 章鱼博士智能技术(上海)有限公司 | 车辆电池组的电压差异常检测模型的训练方法及装置 |
| CN114994543A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华大电工高科技有限公司 | 储能电站电池故障诊断方法、装置及存储介质 |
| CN115061049A (zh) * | 2022-08-08 | 2022-09-16 | 山东卓朗检测股份有限公司 | 一种数据中心ups电池故障快速检测方法及系统 |
| CN115629323A (zh) * | 2022-09-22 | 2023-01-20 | 浙江吉利控股集团有限公司 | 一种电池组故障检测方法、装置及车辆 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116108320A (zh) * | 2023-04-13 | 2023-05-12 | 佳源科技股份有限公司 | 一种智能电能表运行控制方法 |
| CN116108320B (zh) * | 2023-04-13 | 2023-06-09 | 佳源科技股份有限公司 | 一种智能电能表运行控制方法 |
| CN116565402A (zh) * | 2023-07-11 | 2023-08-08 | 南京宁煜致科信息技术有限公司 | 储能电池冷却系统及控制方法 |
| CN116565402B (zh) * | 2023-07-11 | 2023-09-29 | 南京宁煜致科信息技术有限公司 | 储能电池冷却系统及控制方法 |
| CN116879763A (zh) * | 2023-09-07 | 2023-10-13 | 上海融和元储能源有限公司 | 一种基于卡尔曼滤波算法的电池故障预警方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115877222A (zh) | 一种储能电站故障检测方法、装置、介质及储能电站 | |
| CN108931725B (zh) | 一种电池故障检测的方法及装置 | |
| CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
| EP2645313A1 (en) | An apparatus and a method for determining a maintenance plan | |
| CN112816885A (zh) | 一种电池异常检测方法、装置、电子设备及存储介质 | |
| CN109739904A (zh) | 一种时间序列的标记方法、装置、设备和存储介质 | |
| CN106154180A (zh) | 储能电池充/放电异常行为检测方法及检测系统 | |
| CN111967620A (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
| CN111361448A (zh) | 电池的自放电检测方法、装置、电池控制器和存储介质 | |
| CN113791350A (zh) | 电池故障预测方法 | |
| CN109800446A (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN115629323A (zh) | 一种电池组故障检测方法、装置及车辆 | |
| WO2022130830A1 (ja) | 異常検知装置、異常検知方法、及びコンピュータプログラム | |
| CN111025153A (zh) | 一种电动汽车电池故障诊断方法和装置 | |
| CN108009063A (zh) | 一种电子设备故障阈值检测的方法 | |
| CN116754984A (zh) | 一种电池一致性的检测方法及相关装置 | |
| CN117556360A (zh) | 一种光伏逆变器异常监测方法及装置 | |
| CN111707943A (zh) | 一种基于电池仿真的电动汽车充电故障预警方法和系统 | |
| CN115935795B (zh) | 一种电力系统暂态电压稳定评估模型构建方法及评估方法 | |
| Qin et al. | Invariant learning based multi-stage identification for lithium-ion battery performance degradation | |
| CN109376959A (zh) | 一种配电终端检修时间预估方法及装置 | |
| CN115114986A (zh) | 一种电池级氢氧化锂的数据智能检测方法 | |
| CN105759782B (zh) | 一种基于危害度的车辆故障诊断策略构建方法 | |
| WO2024090453A1 (ja) | 情報処理方法、情報処理システム及びプログラム | |
| CN117648612B (zh) | 并联电池组故障检测方法、装置、电子设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230331 |