CN116311854B - 一种锂电池储能站的运行异常预警方法及系统 - Google Patents
一种锂电池储能站的运行异常预警方法及系统 Download PDFInfo
- Publication number
- CN116311854B CN116311854B CN202310567063.4A CN202310567063A CN116311854B CN 116311854 B CN116311854 B CN 116311854B CN 202310567063 A CN202310567063 A CN 202310567063A CN 116311854 B CN116311854 B CN 116311854B
- Authority
- CN
- China
- Prior art keywords
- environment
- abnormal
- working condition
- probabilities
- early warning
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 138
- 238000004146 energy storage Methods 0.000 title claims abstract description 90
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 40
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 230000005856 abnormality Effects 0.000 claims description 72
- 230000007613 environmental effect Effects 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000001960 triggered effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种锂电池储能站的运行异常预警方法及系统，涉及智能预警技术领域，根据环境数据采集仪采集目标储能站的运行环境数据集和运行工况数据集；基于所述运行环境数据集和所述运行工况数据集，生成环境‑工况映射序列；对所述环境‑工况映射序列进行异常运行事件集合标识，输出标识事件集合；对所述标识事件集合中的N个事件进行触发概率评估，输出N个异常触发概率；将实时环境数据集和实时运行工况数据集输入基于所述N个异常触发概率搭建好的异常预警模型中，生成异常预警信息，解决锂电池储能站单一的环境监测预警准确性差，影响储能站安全运行的问题，采取储能站异常事件触发的概率预警，提高预警准确性。
Description
技术领域
本发明涉及智能预警相关领域，具体涉及一种锂电池储能站的运行异常预警方法及系统。
背景技术
储能的种类分为物理储能和化学储能、电磁储能三大类，储能技术与锂电池的结合属于化学储能，是目前技术的新兴发展方向，由于锂电池具有能量密度高、使用寿命长的性能特点，根据锂电池的化学特点展开合适的储能配置，从而在储能环节得到了广泛的应用，以充电、储能、用电一体化，建立能源互联网体系，实现智能化用电，储能站的运行系统对于主动配电网具有重要的作用和意义，从而提高电力系统稳定性。
目前，锂电池储能站的运行受环境影响容易出现运行异常的情况，单一的环境监测预警与储能站的结合性较弱，预警信息的准确性差，影响储能站安全运行。
发明内容
本申请实施例提供了一种锂电池储能站的运行异常预警方法及系统，用于针对解决锂电池储能站的运行受环境影响容易出现运行异常的情况，单一的环境监测预警与储能站的结合性较弱，预警信息的准确性差，影响储能站安全运行的问题。
鉴于上述问题，本申请实施例提供了一种锂电池储能站的运行异常预警方法及系统。
第一方面，本申请实施例提供了一种锂电池储能站的运行异常预警方法，所述方法应用于锂电池储能站的运行异常预警系统，所述系统与环境数据采集仪通信连接，所述方法包括：根据所述环境数据采集仪采集目标储能站的运行环境数据集；获取所述目标储能站的运行工况数据集，其中，所述运行环境数据集与所述运行工况数据集对应；基于所述运行环境数据集和所述运行工况数据集，生成环境-工况映射序列；对所述环境-工况映射序列进行异常运行事件集合标识，输出标识事件集合；对所述标识事件集合中的N个事件进行触发概率评估，输出N个异常触发概率，其中，所述N个异常触发概率与所述标识事件集合中的N个事件一一对应；基于所述N个异常触发概率，搭建异常预警模型；将实时环境数据集和实时运行工况数据集输入所述异常预警模型中，生成异常预警信息。
第二方面，本申请实施例提供了一种锂电池储能站的运行异常预警系统，所述系统包括：环境数据采集模块，所述环境数据采集模块用于根据所述环境数据采集仪采集目标储能站的运行环境数据集；工况数据采集模块，所述工况数据采集模块用于获取所述目标储能站的运行工况数据集，其中，所述运行环境数据集与所述运行工况数据集对应；数据映射分析模块，所述数据映射分析模块用于基于所述运行环境数据集和所述运行工况数据集，生成环境-工况映射序列；异常事件标识模块，所述异常事件标识模块用于对所述环境-工况映射序列进行异常运行事件集合标识，输出标识事件集合；触发概率评估模块，所述触发概率评估模块用于对所述标识事件集合中的N个事件进行触发概率评估，输出N个异常触发概率，其中，所述N个异常触发概率与所述标识事件集合中的N个事件一一对应；预警模型搭建模块，所述预警模型搭建模块用于基于所述N个异常触发概率，搭建异常预警模型；实时异常预警模块，所述实时异常预警模块用于将实时环境数据集和实时运行工况数据集输入所述异常预警模型中，生成异常预警信息。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的一种锂电池储能站的运行异常预警方法，通过对锂电池储能站的实时环境进行指标监测，获取环境数据集，同时收集储能站在对应环境下的运行参数，得到运行数据集，进一步的对环境数据和运行数据之间的对应关系进行分析，来得到锂电池储能站的环境参数序列和工作参数序列，按照各个参数之间的序列对应性来进行异常运行事件标识，通过结合运行工况与环境变化的序列进行异常事件的智能化分析，解决了单一的环境监测预警与储能站的结合性较弱的问题，并对各个异常运行事件进行触发概率评估；依据触发概率对实时输入的实时环境和实时运行参数进行预警，分析受环境影响容易出现运行异常的事件触发情况，从而对锂电池储能站的运行进行准确监测，提高预警信息的准确性，保证储能站安全运行。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种锂电池储能站的运行异常预警方法流程示意图；
图2为本申请实施例提供了一种锂电池储能站的运行异常预警方法中异常预警分析的流程示意图；
图3为本申请实施例提供了一种锂电池储能站的运行异常预警方法中触发概率评估的流程示意图；
图4为本申请实施例提供了一种锂电池储能站的运行异常预警系统结构示意图。
附图标记说明：环境数据采集模块10，工况数据采集模块20，数据映射分析模块30，异常事件标识模块40，触发概率评估模块50，预警模型搭建模块60，实时异常预警模块70。
具体实施方式
为了解决单一的环境监测预警与储能站的结合性较弱的问题，结合运行工况与环境变化的序列进行异常事件的智能化分析，从而对锂电池储能站的运行进行准确监测，因此，本发明拟提出一种锂电池储能站的运行异常预警方法及系统，用于建立储能站环境参数与运行参数对应的映射模型，并分析各个异常事件下环境与运行的异常触发概率，实现触发概率判断分析，达到提高预警准确性的效果。
实施例1
如图1所示，本申请实施例提供了一种锂电池储能站的运行异常预警方法，所述方法应用于锂电池储能站的运行异常预警系统，所述系统与环境数据采集仪通信连接，所述方法包括：
步骤S100：根据所述环境数据采集仪采集目标储能站的运行环境数据集；
具体而言，锂电池储能站是保证所接电网的发电和用电的保障，因此，对于锂电池储能站需要具备较高的运行监测系统来进行异常预警，其中，由于锂电池的化学特点，在进行实时监测时需要结合环境的参数来对储能站进行数据的分析，以此来解决锂电池储能站的运行受环境影响容易出现运行异常的情况，单一的环境监测预警与储能站的结合性较弱，预警信息的准确性差，影响储能站安全运行的问题。
环境数据采集仪与环境在线监测系统终端连接，主要实现采集、存储各种类型监测仪器仪表的数据、并能完成与上位机数据传输功能的数据终端单元，实现采集、存储、传输、控制、告警数据处理等功能。目标储能站为任一待进行监测预警的锂电池储能站，从而通过环境数据采集仪对实时环境进行数据采集，以此得到运行环境数据集，其中，所述运行环境数据集包括储能设备在进行运行时环境的温度、湿度、以及排风系统、空气粉尘以及气体成分等，从而根据所述环境数据采集仪进行数据的采集和上传。
步骤S200：获取所述目标储能站的运行工况数据集，其中，所述运行环境数据集与所述运行工况数据集对应；
步骤S300：基于所述运行环境数据集和所述运行工况数据集，生成环境-工况映射序列；
当采集上述实时环境数据集时，根据对应时序下储能站的运行参数进行采集，运行环境数据集与所述运行工况数据集对应之间数据具有对应性，即储能站的每一运行状态下对应有各个环境参数。
且其环境参数的不同会对储能站的运行状态产生影响，相应的，当储能站在实时运行过程中也会对环境的参数造成影响，比如，当储能站负荷运行时，其各个电池组所产生的功率所释放出的热量会增加周围环境的温度。
由于运行环境数据集和所述运行工况数据集之间存在时序对应性，在建立映射关系时，首先进行各个时序节点的数据连接，并分析各个连接关系两端的数据是否完整、准确，当数据检测通过后，以对应的时序性进行搭建，得到一组映射序列，即所述环境-工况映射序列，其中，构成环境-工况映射序列的数据能够进行周期性的采集和提取，提高采集数据的代表特征性的同时降低数据量。
储能站的工况具有多样性，在采集对应的运行参数时有代表性的监测储能站在不同工况下的数据，提高所采集样本的丰富性，再通过定位时序周期来调用环境数据采集仪所实时记录上传至终端的环境数据，这样搭建好的环境-工况映射序列能够准确分析环境与工况运行参数之间的相关程度，具有高度代表性。
步骤S400：对所述环境-工况映射序列进行异常运行事件集合标识，输出标识事件集合；
步骤S500：对所述标识事件集合中的N个事件进行触发概率评估，输出N个异常触发概率，其中，所述N个异常触发概率与所述标识事件集合中的N个事件一一对应；
进一步而言，如图3所示，本申请步骤S800还包括：
步骤S510：获取所述N个事件对应的N个环境数据集和N个工况数据集；
步骤S520：以所述N个环境数据集和所述N个工况数据集，搭建标识环境-工况映射序列；
步骤S530：基于所述标识环境-工况映射序列进行分析，得到N个环境异常概率和N个工况异常概率；
步骤S540：基于所述N个环境异常概率和所述N个工况异常概率进行触发概率计算，输出N个异常触发概率。
具体的，当搭建好环境-工况映射序列后分析异常运行事件的对应序列，其中，异常运行事件集合标识的过程：首先通过对历史异常事件库中各个历史事件的运行数据集进行采集，按照其运行参数的相似性，对环境-工况映射序列进行标注，基于标注的N个事件状态作为标识事件集合进行输出，其中，N为大于0的正整数。
进一步的，对标识事件集合中的各个事件进行触发性分析，由于所标识的N个事件具有对应的N个环境数据集和N个工况数据集，因此，将对应的N个环境数据集和N个工况数据集之间的对应性提取出来，单独作为一个映射序列，即标识环境-工况映射序列，其中，标识环境-工况映射序列属于环境-工况映射序列的子序列，进而以标识环境-工况映射序列分别进行环境异常的概率计算以及工况异常的概率计算，再结合环境异常的概率计算以及工况异常的概率计算，对N个事件进行异常触发概率计算，得到N个异常触发概率。
环境异常的概率计算是单独对各个环境参数进行异常分析，比如，当室内温度的预设温度值为25℃，环境参数中所得到的室内温度值为31℃，表征环境异常，类似的，环境参数的异常分析是以组为单位，分析N个事件下每组环境数据中的异常环境数据，并从记录的N个环境数据中抽取一组时序环境样本数据进行遍历，计算在该样本中环境处于异常的次数，从而以异常次数占样本总次数的比值作为环境异常概率进行输出，得到N个环境异常概率。
工况异常的概率计算是单独对各个工况参数进行异常分析， 比如，当储能容量下降到预设容量值采取储能容量调频技术，当调频后的储能容量未满足需求，表征工况异常，类似的，由于储能异常的构件设备或功率、电压、电流以及频率等都进行对应的监测，因此，针对各个工况参数进行该类型异常工况在历史异常工况中出现的比值作为工况异常概率进行输出，得到N个工况异常概率。
从而通过对所述标识环境-工况映射序列进行分析，将环境异常的概率计算与工况异常的概率计算作为单独异常概率进行计算，再将述N个环境异常概率和N个工况异常概率进行触发概率的综合均值计算，输出N个异常触发概率的方式，进一步提高异常的准确性，提高储能站运行的异常预警效果。当进行单独概率分析后，还需要根据环境-工况之间的影响性进行条件概率计算，其条件计算的过程如下：
进一步而言，本申请步骤S540还包括：
步骤S541：基于所述标识环境-工况映射序列，得到所述N个事件对应的N个第一条件概率，其中，所述第一条件概率为处于环境异常的条件下工况发生异常的概率；
步骤S542：根据所述N个第一条件概率，对所述N个异常触发概率进行一次调整。
进一步而言，本申请步骤S540还包括：
步骤S543：基于所述标识环境-工况映射序列，得到所述N个事件对应的N个第二条件概率，其中，所述第二条件概率为处于工况异常的条件下环境发生异常的概率；
步骤S544：根据所述N个第二条件概率，对所述N个异常触发概率进行二次调整。
具体而言，所述第一条件概率是指当环境处于异常的条件下，工况发生异常的概率，用进行表示；所述第二条件概率是指当工况处于异常的条件下，环境发生异常的概率，用/>进行表示。另外的，针对N个事件对应有N个异常触发概率，即，当单独分析环境与工况的异常触发概率后，分别得到环境异常概率/>与工况异常概率/>后，进一步的，根据环境-工况之间的相互影响性进行条件概率（conditional probability)的计算，条件概率设A，B是分别为事件环境异常事件和工况异常事件，且P(B)>0，则在工况异事件B发生的条件下，环境异常事件A发生的条件概率为：
P(A|B)=P(AB)/P(B)
基于此计算基础上，所述异常触发概率计算公式如下：
其中，标识第i个事件的异常触发概率；/>标识第i个事件的环境异常概率；/>标识第i个事件的工况异常概率；/>标识第i个事件中处于环境异常的条件下工况发生异常的条件概率；/>标识第i个事件中处于工况异常的条件下环境发生异常的条件概率。
从而能够通过将环境异常的概率与工况异常的概率/>作为单独异常概率进行计算，并进一步分析处于环境异常的条件下工况发生异常的概率/>，以及在处于工况异常的条件下环境发生异常的概率/>，进行四个维度的触发概率计算，提高触发概率输出的准确性，为进一步实现概率预警的数据提供可靠的预警基准。
步骤S600：基于所述N个异常触发概率，搭建异常预警模型；
步骤S700：将实时环境数据集和实时运行工况数据集输入所述异常预警模型中，生成异常预警信息。
具体而言，当获取N个事件一一对应的N个异常触发概率后，将所述N个异常触发概率作为异常预警模型用于进行预警的判断条件，其中，异常预警模型来接收实时输入的实时环境数据集和实时运行工况数据集，从而根据实时环境数据集和实时运行工况数据集进行进一步的特征识别和映射序列比对，当输出的触发概率较大时发出异常预警信息。解决了锂电池储能站的运行受环境影响容易出现运行异常的情况，单一的环境监测预警与储能站的结合性较弱，预警信息的准确性差，影响储能站安全运行的问题，保证储能站安全运行。
进一步而言，如图2所示，本申请步骤S700还包括：
步骤S710：将所述实时环境数据集和所述实时运行工况数据集输入所述异常预警模型中，其中，所述异常预警模型中包括所述N个异常触发概率；
步骤S720：根据所述异常预警模型，输出基于所述实时环境数据集和所述实时运行工况数据集对应的第一触发概率；
步骤S730：当所述第一触发概率处于大于预设触发概率的情况下，输出所述异常预警信息。
进一步而言，本申请步骤步骤S720还包括：
步骤S721：对所述实时环境数据集中的环境参数特征进行识别，基于所述环境-工况映射序列进行匹配，获取标识环境序列，其中，所述标识环境序列为环境特征达到预设环境相似度的序列；
步骤S722：对所述实时运行工况数据集中的工况参数特征进行识别，基于所述环境-工况映射序列进行匹配，获取标识工况序列，其中，所述标识工况序列为工况特征达到预设工况相似度的序列；
步骤S723：根据所述标识环境序列与标识工况序列进行分析，输出第一触发事件；
步骤S724：基于所述第一触发事件，得到所述第一触发概率。
具体而言，异常预警模型为通过样本环境数据集和样本运行工况数据集进行特征学习和训练，搭建的神经网络模型，其输出的数据是以环境-工况映射序列为匹配对象进行识别输出的对应序列，包括匹配的环境-工况序列，进而对该序列中的数据进行对应事件的分析和触发概率计算，并进一步对触发概率判断，来得到对应的异常预警信息，其中，异常预警模型运行过程如下：
将所述实时环境数据集和所述实时运行工况数据集输入所述异常预警模型中，对所述实时环境数据集中的环境参数特征进行识别，以环境-工况映射序列为匹配对象进行特征识别，得到环境特征达到预设环境相似度的序列以及工况特征达到预设工况相似度的序列，其中，所述预设环境相似度为提前设置的各个环境参数相似度阈值，保证环境参数的特征相似；所述预设工况相似度为提前设置的各个工况参数的相似度阈值，从而输出匹配的环境-工况序列，并以N个异常触发概率作为判断条件，定位识别对应的第一触发概率，从而输出预警信息，依据第一触发概率对实时输入的实时环境和实时运行参数进行预警，分析受环境影响容易出现运行异常的事件触发情况，当所述第一触发概率处于大于预设触发概率的情况下，输出所述异常预警信息，从而对锂电池储能站的运行进行准确监测，提高预警信息的准确性。
本申请实施例提供的技术效果如下：
1、通过在环境与工况结合分析的过程中，单独分析环境异常的概率与工况异常的概率，并进一步分析处于环境异常的条件下工况发生异常的条件概率，以及在处于工况异常的条件下环境发生异常的条件概率，提高触发概率输出的准确性，为进一步提高概率预警可靠性。
2、通过对储能站的环境与运行进行数据的实时采集，并建立起环境-工况映射序列，按照该映射序列进行异常运行事件的标识，并分析异常事件的触发概率，进一步完成运行预警，提高储能站运行安全性。
实施例2
基于与前述实施例中一种锂电池储能站的运行异常预警方法相同的发明构思，如图4所示，本申请提供了一种锂电池储能站的运行异常预警系统，系统包括：
环境数据采集模块10，所述环境数据采集模块10用于根据所述环境数据采集仪采集目标储能站的运行环境数据集；
工况数据采集模块20，所述工况数据采集模块20用于获取所述目标储能站的运行工况数据集，其中，所述运行环境数据集与所述运行工况数据集对应；
数据映射分析模块30，所述数据映射分析模块30用于基于所述运行环境数据集和所述运行工况数据集，生成环境-工况映射序列；
异常事件标识模块40，所述异常事件标识模块40用于对所述环境-工况映射序列进行异常运行事件集合标识，输出标识事件集合；
触发概率评估模块50，所述触发概率评估模块50用于对所述标识事件集合中的N个事件进行触发概率评估，输出N个异常触发概率，其中，所述N个异常触发概率与所述标识事件集合中的N个事件一一对应；
预警模型搭建模块60，所述预警模型搭建模块60用于基于所述N个异常触发概率，搭建异常预警模型；
实时异常预警模块70，所述实时异常预警模块70用于将实时环境数据集和实时运行工况数据集输入所述异常预警模型中，生成异常预警信息。
进一步而言，系统还包括：
预警模型分析模块，所述预警模型分析模块用于将所述实时环境数据集和所述实时运行工况数据集输入所述异常预警模型中，其中，所述异常预警模型中包括所述N个异常触发概率；
第一触发概率输出模块，所述第一触发概率输出模块用于根据所述异常预警模型，输出基于所述实时环境数据集和所述实时运行工况数据集对应的第一触发概率；
触发判断预警模块，所述触发判断预警模块用于当所述第一触发概率处于大于预设触发概率的情况下，输出所述异常预警信息。
进一步而言，系统还包括：
获取标识环境序列模块，所述获取标识环境序列模块用于对所述实时环境数据集中的环境参数特征进行识别，基于所述环境-工况映射序列进行匹配，获取标识环境序列，其中，所述标识环境序列为环境特征达到预设环境相似度的序列；
获取标识工况序列模块，所述获取标识工况序列模块用于对所述实时运行工况数据集中的工况参数特征进行识别，基于所述环境-工况映射序列进行匹配，获取标识工况序列，其中，所述标识工况序列为工况特征达到预设工况相似度的序列；
序列分析模块，所述序列分析模块用于根据所述标识环境序列与标识工况序列进行分析，输出第一触发事件；
概率计算模块，所述概率计算模块用于基于所述第一触发事件，得到所述第一触发概率。
进一步而言，系统还包括：
事件数据采集模块，所述事件数据采集模块用于获取所述N个事件对应的N个环境数据集和N个工况数据集；
映射序列搭建模块，所述映射序列搭建模块用于以所述N个环境数据集和所述N个工况数据集，搭建标识环境-工况映射序列；
异常概率分析模块，所述异常概率分析模块用于基于所述标识环境-工况映射序列进行分析，得到N个环境异常概率和N个工况异常概率；
触发概率计算模块，所述触发概率计算模块用于基于所述N个环境异常概率和所述N个工况异常概率进行触发概率计算，输出N个异常触发概率。
进一步而言，系统还包括：
第一条件概率计算模块，所述第一条件概率计算模块用于基于所述标识环境-工况映射序列，得到所述N个事件对应的N个第一条件概率，其中，所述第一条件概率为处于环境异常的条件下工况发生异常的概率；
触发概率一次调整模块，所述触发概率一次调整模块用于根据所述N个第一条件概率，对所述N个异常触发概率进行一次调整。
进一步而言，系统还包括：
第二条件概率计算模块，所述第二条件概率计算模块用于基于所述标识环境-工况映射序列，得到所述N个事件对应的N个第二条件概率，其中，所述第二条件概率为处于工况异常的条件下环境发生异常的概率；
触发概率二次调整模块，所述触发概率二次调整模块用于根据所述N个第二条件概率，对所述N个异常触发概率进行二次调整。
进一步而言，系统还包括：
实时计算模块，所述实时计算模块用于存储所述异常触发概率计算公式：
其中，标识第i个事件的异常触发概率；/>标识第i个事件的环境异常概率；/>标识第i个事件的工况异常概率；/>标识第i个事件中处于环境异常的条件下工况发生异常的条件概率；/>标识第i个事件中处于工况异常的条件下环境发生异常的条件概率。
本说明书通过前述对一种锂电池储能站的运行异常预警方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种锂电池储能站的运行异常预警方法及系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种锂电池储能站的运行异常预警方法，其特征在于，其特征在于，所述方法应用于锂电池储能站的运行异常预警系统，所述系统与环境数据采集仪通信连接，所述方法包括：
根据所述环境数据采集仪采集目标储能站的运行环境数据集；
获取所述目标储能站的运行工况数据集，其中，所述运行环境数据集与所述运行工况数据集对应；
基于所述运行环境数据集和所述运行工况数据集，生成环境-工况映射序列；
对所述环境-工况映射序列进行异常运行事件集合标识，输出标识事件集合；
对所述标识事件集合中的N个事件进行触发概率评估，输出N个异常触发概率，其中，所述N个异常触发概率与所述标识事件集合中的N个事件一一对应；
基于所述N个异常触发概率，搭建异常预警模型；
将实时环境数据集和实时运行工况数据集输入所述异常预警模型中，生成异常预警信息。
2.如权利要求1所述的方法，其特征在于，将实时环境数据集和实时运行工况数据集输入所述异常预警模型中，生成异常预警信息，方法还包括：
将所述实时环境数据集和所述实时运行工况数据集输入所述异常预警模型中，其中，所述异常预警模型中包括所述N个异常触发概率；
根据所述异常预警模型，输出基于所述实时环境数据集和所述实时运行工况数据集对应的第一触发概率；
当所述第一触发概率处于大于预设触发概率的情况下，输出所述异常预警信息。
3.如权利要求2所述的方法，其特征在于，所述输出基于所述实时环境数据集和所述实时运行工况数据集对应的第一触发概率，方法还包括：
对所述实时环境数据集中的环境参数特征进行识别，基于所述环境-工况映射序列进行匹配，获取标识环境序列，其中，所述标识环境序列为环境特征达到预设环境相似度的序列；
对所述实时运行工况数据集中的工况参数特征进行识别，基于所述环境-工况映射序列进行匹配，获取标识工况序列，其中，所述标识工况序列为工况特征达到预设工况相似度的序列；
根据所述标识环境序列与标识工况序列进行分析，输出第一触发事件；
基于所述第一触发事件，得到所述第一触发概率。
4.如权利要求1所述的方法，其特征在于，对所述标识事件集合中的N个事件进行触发概率评估，输出N个异常触发概率，方法包括：
获取所述N个事件对应的N个环境数据集和N个工况数据集；
以所述N个环境数据集和所述N个工况数据集，搭建标识环境-工况映射序列；
基于所述标识环境-工况映射序列进行分析，得到N个环境异常概率和N个工况异常概率；
基于所述N个环境异常概率和所述N个工况异常概率进行触发概率计算，输出N个异常触发概率。
5.如权利要求4所述的方法，其特征在于，所述输出N个异常触发概率之后，方法还包括：
基于所述标识环境-工况映射序列，得到所述N个事件对应的N个第一条件概率，其中，所述第一条件概率为处于环境异常的条件下工况发生异常的概率；
根据所述N个第一条件概率，对所述N个异常触发概率进行一次调整。
6.如权利要求5所述的方法，其特征在于，所述方法还包括：
基于所述标识环境-工况映射序列，得到所述N个事件对应的N个第二条件概率，其中，所述第二条件概率为处于工况异常的条件下环境发生异常的概率；
根据所述N个第二条件概率，对所述N个异常触发概率进行二次调整。
7.如权利要求6所述的方法，其特征在于，所述异常触发概率计算公式如下：
其中，标识第i个事件的异常触发概率；/>标识第i个事件的环境异常概率；/>标识第i个事件的工况异常概率；/>标识第i个事件中处于环境异常的条件下工况发生异常的条件概率；/>标识第i个事件中处于工况异常的条件下环境发生异常的条件概率。
8.一种锂电池储能站的运行异常预警系统，其特征在于，所述系统与环境数据采集仪通信连接，所述系统包括：
环境数据采集模块，所述环境数据采集模块用于根据所述环境数据采集仪采集目标储能站的运行环境数据集；
工况数据采集模块，所述工况数据采集模块用于获取所述目标储能站的运行工况数据集，其中，所述运行环境数据集与所述运行工况数据集对应；
数据映射分析模块，所述数据映射分析模块用于基于所述运行环境数据集和所述运行工况数据集，生成环境-工况映射序列；
异常事件标识模块，所述异常事件标识模块用于对所述环境-工况映射序列进行异常运行事件集合标识，输出标识事件集合；
触发概率评估模块，所述触发概率评估模块用于对所述标识事件集合中的N个事件进行触发概率评估，输出N个异常触发概率，其中，所述N个异常触发概率与所述标识事件集合中的N个事件一一对应；
预警模型搭建模块，所述预警模型搭建模块用于基于所述N个异常触发概率，搭建异常预警模型；
实时异常预警模块，所述实时异常预警模块用于将实时环境数据集和实时运行工况数据集输入所述异常预警模型中，生成异常预警信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567063.4A CN116311854B (zh) | 2023-05-19 | 2023-05-19 | 一种锂电池储能站的运行异常预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310567063.4A CN116311854B (zh) | 2023-05-19 | 2023-05-19 | 一种锂电池储能站的运行异常预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116311854A CN116311854A (zh) | 2023-06-23 |
| CN116311854B true CN116311854B (zh) | 2023-08-08 |
Family
ID=86794568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310567063.4A Active CN116311854B (zh) | 2023-05-19 | 2023-05-19 | 一种锂电池储能站的运行异常预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116311854B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116505106B (zh) * | 2023-06-27 | 2023-10-20 | 苏州时代华景新能源有限公司 | 一种锂电池储能站的可视化管理方法及系统 |
| CN116665425B (zh) * | 2023-08-02 | 2023-10-10 | 山西阳风新能售电有限公司 | 用于电力供电的监测预警方法及系统 |
| CN117129041B (zh) * | 2023-10-25 | 2024-01-02 | 广东省农业科学院动物科学研究所 | 一种基于物联网的农产品加工环境异常监测系统 |
| CN118363824A (zh) * | 2024-03-21 | 2024-07-19 | 国电南瑞科技股份有限公司 | 一种开关设备异常预警方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107864202A (zh) * | 2017-11-09 | 2018-03-30 | 中车株洲电力机车有限公司 | 一种储能电源管理系统及储能电源 |
| CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站系统电池单体健康预测方法及装置 |
| CN114725546A (zh) * | 2022-04-19 | 2022-07-08 | 安徽扬子安防股份有限公司 | 一种基于电池组放电特性的管理系统 |
| CN115330188A (zh) * | 2022-08-11 | 2022-11-11 | 国网湖南综合能源服务有限公司 | 用于储能电站及分布式储能资源的共享储能云平台管理系统 |
| CN115764012A (zh) * | 2022-11-23 | 2023-03-07 | 承德神源太阳能发电有限公司 | 一种储能电站电池状态监测与安全预警方法 |
-
2023
- 2023-05-19 CN CN202310567063.4A patent/CN116311854B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107864202A (zh) * | 2017-11-09 | 2018-03-30 | 中车株洲电力机车有限公司 | 一种储能电源管理系统及储能电源 |
| CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站系统电池单体健康预测方法及装置 |
| CN114725546A (zh) * | 2022-04-19 | 2022-07-08 | 安徽扬子安防股份有限公司 | 一种基于电池组放电特性的管理系统 |
| CN115330188A (zh) * | 2022-08-11 | 2022-11-11 | 国网湖南综合能源服务有限公司 | 用于储能电站及分布式储能资源的共享储能云平台管理系统 |
| CN115764012A (zh) * | 2022-11-23 | 2023-03-07 | 承德神源太阳能发电有限公司 | 一种储能电站电池状态监测与安全预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱伟杰 等.锂离子电池储能系统BMS的功能安全分析与设计.储能科学与技术.2020,第272-278页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116311854A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116311854B (zh) | 一种锂电池储能站的运行异常预警方法及系统 | |
| CN112763929B (zh) | 一种储能电站系统电池单体健康预测方法及装置 | |
| CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
| CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
| CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
| CN116629458B (zh) | 一种基于数据分析的储能设备运行优化方法及系统 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN116845391A (zh) | 一种锂电池储能管理系统 | |
| CN115687999A (zh) | 融合多时间尺度电器特征的非侵入式负荷感知方法 | |
| CN118013361B (zh) | 铁路上供电设备智能诊断与评估系统 | |
| CN117558947B (zh) | 一种燃料电池在线健康诊断和寿命预测方法、装置及系统 | |
| CN116937819A (zh) | 一种具有学习功能的远程配电柜监控系统 | |
| CN116577678A (zh) | 一种基于阻抗谱结合czt的锂离子电池内短路检测方法 | |
| CN115799673A (zh) | 一种多维感知的储能电池管理系统 | |
| CN117195134B (zh) | 用于氢燃料基站电源的预警方法及装置 | |
| CN117977759A (zh) | 一种无人值守的灯塔充电量安全采集系统 | |
| CN117148165B (zh) | 聚合物锂离子电池的测试分析方法及其系统 | |
| Xingliang et al. | Analysis method for operating error of electric energy meter based on improved fruit fly algorithm model | |
| Yang et al. | Smart Meter Fault Diagnosis based on Directional Gradient KNN | |
| Guo et al. | A Reliability Evaluation Model for Smart Meters Based on Survival Analysis Theory | |
| CN118091297B (zh) | 一种电力终端的安全监测装置、监测方法和电力终端 | |
| CN118427592A (zh) | 一种基于智能电表数据的工业储能设备识别方法 | |
| Zhu et al. | New Energy Station Monitoring Equipment Rule Verification Model Based on Data Envelopment Analysis | |
| CN118627369A (zh) | 一种基于多模态算法的电池大模型云平台管理系统及方法 | |
| Li et al. | Early Stage Internal Short Circuit Fault Diagnosis of Lithium-Ion Battery Pack Based on Improved Principal Component Analysis Method |
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 |