CN116505040A - 一种铁铬液流电池储能管理诊断系统及方法 - Google Patents
一种铁铬液流电池储能管理诊断系统及方法 Download PDFInfo
- Publication number
- CN116505040A CN116505040A CN202310759986.XA CN202310759986A CN116505040A CN 116505040 A CN116505040 A CN 116505040A CN 202310759986 A CN202310759986 A CN 202310759986A CN 116505040 A CN116505040 A CN 116505040A
- Authority
- CN
- China
- Prior art keywords
- temperature data
- target temperature
- abnormality
- target
- degree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- UPHIPHFJVNKLMR-UHFFFAOYSA-N chromium iron Chemical compound [Cr].[Fe] UPHIPHFJVNKLMR-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 238000004146 energy storage Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 title claims abstract description 25
- 230000005856 abnormality Effects 0.000 claims abstract description 247
- 230000002159 abnormal effect Effects 0.000 claims abstract description 114
- 239000000376 reactant Substances 0.000 claims abstract description 51
- 238000002347 injection Methods 0.000 claims abstract description 46
- 239000007924 injection Substances 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 11
- 229910000604 Ferrochrome Inorganic materials 0.000 claims 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 51
- 238000006243 chemical reaction Methods 0.000 description 26
- 238000003487 electrochemical reaction Methods 0.000 description 8
- 230000035772 mutation Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000003792 electrolyte Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000010405 anode material Substances 0.000 description 3
- 239000010406 cathode material Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036647 reaction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/18—Regenerative fuel cells, e.g. redox flow batteries or secondary fuel cells
- H01M8/184—Regeneration by electrochemical means
- H01M8/188—Regeneration by electrochemical means by recharging of redox couples containing fluids; Redox flow type batteries
-
- 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
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池电气状况测试技术领域,具体涉及一种铁铬液流电池储能管理诊断系统及方法,包括,获取待诊断铁铬液流电池在预设运行时段内对应的温度数据序列、负载序列以及反应物注入量序列,进而确定目标温度数据的第一异常程度、第一异常程度和第二异常程度;基于第一异常程度、第二异常程度以及第三异常程度,确定目标温度数据的最终异常程度,利用最终异常程度,判断待诊断铁铬液流电池的储能管理是否存在异常。本发明增强了铁铬液流电池储能管理诊断结果的准确性,有效提高了确定的异常温度数据的准确性,主要应用于电池异常诊断领域。
Description
技术领域
本发明涉及电池电气状况测试技术领域,具体涉及一种铁铬液流电池储能管理诊断系统及方法。
背景技术
液流电池为一种新型储能电池,其正、负极电解液储罐独立分离放置,然后通过两个循环动力泵,将正、负极电解液注入液流电池堆栈中发生电化学反应,利用化学能与电能的转换实现电能的储存和释放。铁铬液流电池具有绿色安全、低成本、更广运行条件等优势,使得研发进展较快,未来也有望成为液流电池的主流路线之一。其中,堆栈电化学反应需要适宜的温度,即在电池运行过程中需要进行反应堆栈温度的监测。
在堆栈温度监测过程中,主要针对温度异常数据的识别。已知所采集的温度数据为时序数据,现有技术一般直接采用温度数据变化幅度的突出程度,对温度数据进行异常分析,进而确定异常温度数据。但是在实际的铁铬液流电池中,电池负载以及电池反应堆栈容量的变化也会引起电池温度的变化,改变温度数据变化趋势,此时的电池负载以及电池反应堆栈容量的变化同样会引起温度数据变化幅度的突出。因此,温度变化幅度的产生受到多个不同因素的影响,现有技术无法准确区分正常温度突变与异常温度突变,导致电池运行过程中的铁铬液流电池储能管理诊断结果的准确度差,进一步降低了确定异常温度数据的准确性。
发明内容
为了解决上述在现有铁铬液流电池储能管理诊断结果准确度差,确定的异常温度数据的准确性低下的技术问题,本发明的目的在于提供一种铁铬液流电池储能管理诊断系统及方法,所采用的技术方案具体如下:
本发明一个实施例提供了一种铁铬液流电池储能管理诊断方法,该方法包括以下步骤:
获取待诊断铁铬液流电池在预设运行时段内对应的温度数据序列、负载序列以及反应物注入量序列,所述温度数据序列中包含按照预设采集时刻先后顺序排列的温度数据;
根据温度数据序列中每个预设时刻的温度数据以及负载序列中每个预设时刻的负载,确定各个目标温度数据的第一异常程度;所述目标温度数据为温度数据序列中除第一个温度数据和第二个温度数据以外的其他温度数据;
根据温度数据序列中每个预设时刻的温度数据,确定各个目标温度数据的第二异常程度;
根据各个目标温度数据的第一异常程度和第二异常程度、温度数据序列中每个预设时刻的温度数据以及反应物注入量序列中每个预设时刻的反应物注入量,确定各个目标温度数据的第三异常程度;
根据各个目标温度数据的第一异常程度、第二异常程度以及第三异常程度,确定各个目标温度数据的最终异常程度;
根据各个目标温度数据的最终异常程度,判断预设运行时段内待诊断铁铬液流电池的储能管理是否存在异常。
进一步地,根据温度数据序列中每个预设时刻的温度数据以及负载序列中每个预设时刻的负载,确定各个目标温度数据的第一异常程度,包括:
对于温度数据序列中的任意一个目标温度数据,将目标温度数据与其前一个温度数据之间的差值的绝对值,确定为对应目标温度数据的数值差异指标;将目标温度数据的数值差异指标与最大数值差异指标的比值,确定为对应目标温度数据的第一异常因子;
获取目标温度数据的第一预设数目个相邻温度数据,将目标温度数据的数值差异指标与其各相邻温度数据的数值差异指标之间的差值绝对值的平均值,确定为对应目标温度数据的第二异常因子;所述相邻温度数据为目标温度数据周围最相邻的温度数据;
对目标温度数据及其第二预设数目个相邻温度数据进行线性拟合处理,获得目标温度数据的拟合回归值,将目标温度数据的拟合回归值与目标温度数据之间差值绝对值,确定为对应目标温度数据的第三异常因子;
确定目标温度数据的目标负载变化量,并对目标负载变化量进行负相关映射,将负相关映射后的目标负载变化量,确定为对应目标温度数据的第三异常因子的第一权值;将目标温度数据对应的预设时刻与目标负载变化量对应的目标预设时刻之间的差值,确定为对应目标温度数据的第三异常因子的第二权值;所述目标负载变化量为目标温度数据对应的预设时刻之前,距离目标温度数据最近的负载变化量,所述负载变化量为负载序列中后一预设时刻的负载与其前一预设时刻的负载的差值的绝对值;所述目标预设时刻为目标负载变化量对应的后一预设时刻;
对目标温度数据的第一异常因子、第二异常因子、第三异常因子以及目标温度数据的第三异常因子的第一权值和第二权值进行相乘处理,将相乘处理后的数值确定为对应目标温度数据的第一异常程度。
进一步地,根据温度数据序列中每个预设时刻的温度数据,确定各个目标温度数据的第二异常程度,包括:
对于温度数据序列中的任意一个目标温度数据,将目标温度数据的数值差异指标与超参数相加后的数值进行反比例的归一化处理,将反比例的归一化处理后的数值确定为对应目标温度数据的第四异常因子,将数值1与反比例的归一化处理后的数值之间的差值确定为对应目标温度数据的第六异常因子;将目标温度数据的数值差异指标与其前一个目标温度数据的数值差异指标之间的差值确定为第一差值,并将目标温度数据的前一个目标温度数据的数值差异指标与其前一个目标温度数据的数值差异指标之间的差值确定为第二差值;对第一差值和第二差值相减后的数值进行归一化处理,将归一化处理后的数值确定为对应目标温度数据的第五异常因子;
当目标温度数据的目标初始负载变化量为正数时,将第四异常因子与第五异常因子的乘积确定为对应目标温度数据的第二异常程度;当目标温度数据的目标初始负载变化量为负数时,将第六异常因子与第五异常因子的乘积确定为对应目标温度数据的第二异常程度;所述目标初始负载变化量为目标温度数据对应的预设时刻之前,距离目标温度数据最近的初始负载变化量,所述初始负载变化量为负载序列中后一预设时刻的负载与其前一预设时刻的负载的差值。
进一步地,根据各个目标温度数据的第一异常程度和第二异常程度、温度数据序列中每个预设时刻的温度数据以及反应物注入量序列中每个预设时刻的反应物注入量,确定各个目标温度数据的第三异常程度,包括:
对于温度数据序列中的任意一个目标温度数据,获取目标温度数据对应的第三预设数目个相关参数;将目标温度数据的数值差异指标与目标温度数据对应预设时刻的反应物注入量的比值,确定为对应目标温度数据的第一比值;将相关参数的数值差异指标与相关参数对应预设时刻的反应物注入量的比值,确定为对应相关参数的第二比值;将第一比值与第二比值的差值绝对值确定为对应目标温度数据的第八异常因子;所述相关参数为位于目标温度数据之前的其他目标温度数据;
对相关参数的第一异常程度和第二异常程度的乘积、相关参数与目标温度数据之间的时间间隔进行负相关映射,对负相关映射后的乘积与负相关映射后的相关参数与目标温度数据之间的时间间隔进行相乘处理,将相乘处理后的数值确定为目标温度数据的第八异常因子的第三权值;将目标温度数据的各个第八异常因子与第八异常因子对应的第三权值的乘积的平均值,确定为对应目标温度数据的第三异常程度。
进一步地,根据各个目标温度数据的第一异常程度、第二异常程度以及第三异常程度,确定各个目标温度数据的最终异常程度,包括:
对于温度数据序列中的任意一个目标温度数据,将目标温度数据的第一异常程度、第二异常程度以及第三异常程度的乘积,确定为对应目标温度数据的最终异常程度。
进一步地,根据各个目标温度数据的最终异常程度,判断预设运行时段内待诊断铁铬液流电池的储能管理是否存在异常,包括:
对各个目标温度数据的最终异常程度进行归一化处理,将归一化处理后的最终异常程度与异常阈值作对比;若任意一个目标温度数据对应的归一化处理后的最终异常程度大于异常阈值,则判定预设运行时段内待诊断铁铬液流电池的储能管理存在异常,否则,判定预设运行时段内待诊断铁铬液流电池的储能管理不存在异常。
本发明还提供了一种铁铬液流电池储能管理诊断系统,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现如上所述的一种铁铬液流电池储能管理诊断方法。
本发明具有如下有益效果:
本发明提供了一种铁铬液流电池储能管理诊断系统及方法,该方法基于温度数据变化特征,结合负载和反应物注入量对温度数据变化的异常影响情况,分析温度数据序列中各个目标温度数据的最终异常程度,其有效提高确定的最终异常程度的准确度,有助于进一步提升电池运行过程中铁铬液流电池储能管理诊断结果的准确度。先获取温度数据序列、负载序列以及反应物注入量序列。然后,基于温度数据序列和负载序列,确定目标温度数据的第一异常程度,第一异常程度能够精准基于温度数据时序关系反映温度数据的异常程度;基于温度数据序列,确定目标温度数据的第二异常程度,第二异常程度能够基于负载数据相关信息对温度数据变化的影响反映温度数据的异常程度;基于第一异常程度和第二异常程度、温度数据序列以及反应物注入量序列,确定目标温度数据的第三异常程度,第三异常程度可以通过反应物注入量的变化确定温度数据的整体变化趋势,大幅度降低温度数据中局部异常对温度数据趋势分析的影响。最后,基于第一异常程度、第二异常程度以及第三异常程度,获得最终异常程度,从多个角度分析目标温度数据的异常程度,有效提高最终异常程度的准确度,最终异常程度可以有效避免将负载和反应物注入量引起的正常温度突变识别为异常温度突变。根据各个目标温度数据对应的可靠性强的最终异常程度,可以获得准确度更高的异常温度数据,实现对电池储能管理的准确诊断,就是进一步提升了电池运行过程中反应堆栈温度监测结果的准确度,可以应用于电池异常诊断领域。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一种铁铬液流电池储能管理诊断方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明针对的应用情景可以为:铁铬液流电池储能管理诊断主要对电池的各种运行参数进行分析,各种运行参数可以包含电池温度、电池电压以及电池电流等。其中,电池反应所引起的电池温度变化影响着电池运行状态,需要对电池运行过程中反应堆栈的温度进行监测。在实际铁铬液流电池中,电池负载和反应物注入量也会对电池温度变化造成较大影响。因此,本实施例利用电池负载和电池反应堆栈容量的变化,分析温度数据趋势与趋势变化,并结合温度数据时序变化差异进行温度数据异常分析,获得每个温度数据的最终异常程度,根据每个温度数据的最终异常程度筛选出异常温度数据,实现铁铬液流电池的储能管理诊断,具体,本实施例提供了一种铁铬液流电池储能管理诊断方法,如图1所示,包括以下步骤:
S1,获取待诊断铁铬液流电池在预设运行时段内对应的温度数据序列、负载序列以及反应物注入量序列。
在本实施例中,待诊断铁铬液流电池将正负极材料注入反应堆栈,反应堆栈发生电化反应,实现电能与化学能的转换,此时在反应堆栈中安装温度传感器,采集预设运行时段内每个预设采集时刻的温度数据,构成温度数据序列,温度数据序列中包含按照预设采集时刻先后顺序排列的温度数据。将所获得的待诊断铁铬液流电池在预设运行时段内对应温度数据序列传输到电池储能管理中心,通过对温度数据进行分析,以实现铁铬液流电池储能关系的诊断。其中,检测电池温度的方法有热敏电阻测温或半导体温度传感器,预设运行时段可以设置为30分钟,预设采集间隔可以设置为10秒钟,预设采集时刻即为预设时刻,预设采集时刻可以为每间隔10秒钟采集一次温度数据时对应的时间时刻。检测电池温度、预设运行时段以及预设采集间隔的设定,可以由实施者根据具体实际情况设定,本实施例不做具体限定。
另外,为了提高电池运行过程中反应堆栈温度监测所确定的异常温度数据的准确性,需要分析电池负载和反应物注入量对电池温度变化造成的影响,首先,需要获取待诊断铁铬液流电池在预设运行时段内对应的负载序列以及反应物注入量序列。负载序列中包含按照预设采集时刻前后顺序排列的电池负载数据,反应物注入量序列中包含按照预设采集时刻前后顺序排列的反应物注入量。
至此,本实施例获得了待诊断铁铬液流电池在预设运行时段内对应的温度数据序列、负载序列以及反应物注入量序列。
S2,根据温度数据序列中每个预设时刻的温度数据以及负载序列中每个预设时刻的负载,确定各个目标温度数据的第一异常程度。
作为示例,确定各个目标温度数据的第一异常程度的步骤可以包括:
第一步,确定各个目标温度数据的第一异常因子和第二异常因子。
在本实施例中,电池反应堆栈注入正负极材料后,直接开始电化学反应,随着反应物注入量的增多,电池温度发生变化,也就是温度数据在时间序列上呈现连续变化关系,待诊断铁铬液流电池正常运行时,温度数据序列中相邻温度数据的差异较小。基于温度数据序列中相邻温度数据的差异的数据特征,确定各个目标温度数据的第一异常因子和第二异常因子,第一异常因子和第二异常因子可以被用于表征目标温度数据在温度数据序列中的时序关系所反映的异常程度。其中,目标温度数据是指温度数据序列中除第一个温度数据和第二个温度数据以外的其他温度数据。
第一子步骤,确定各个目标温度数据的第一异常因子。
对于温度数据序列中的任意一个目标温度数据,将目标温度数据与其前一个温度数据之间的差值的绝对值,确定为对应目标温度数据的数值差异指标;将目标温度数据的数值差异指标与最大数值差异指标的比值,确定为对应目标温度数据的第一异常因子。
例如,各个目标温度数据的数值差异指标的计算公式可以为:
其中,为温度数据序列中的第i个目标温度数据的数值差异指标,/>为温度数据序列中的第i个目标温度数据,/>为温度数据序列中的第i-1个目标温度数据,/>也为温度数据序列中的第i个目标温度数据的前一个温度数据,/>为对/>求绝对值。
各个目标温度数据的第一异常因子的计算公式可以为:
其中,为温度数据序列中的第i个目标温度数据的第一异常因子,/>为温度数据序列中的第i个目标温度数据的数值差异指标,/>为温度数据序列中的最大数值差异指标,/>不存在为0的特殊情况。
在第一异常因子的计算公式中,数值差异指标可以被用于表征两个相邻温度数据之间的差异,数值差异指标/>越大,说明温度数据序列中的第i个目标温度数据的变化越大,/>可以被用于表征数值差异指标/>趋于温度数据序列中最大数值差异指标的程度,/>越大,即第一异常因子/>越大,温度数据序列中的第i个目标温度数据的异常程度越大。
第二子步骤,确定各个目标温度数据的第二异常因子。
获取目标温度数据的第一预设数目个相邻温度数据,将目标温度数据的数值差异指标与其各相邻温度数据的数值差异指标之间的差值绝对值的平均值,确定为对应目标温度数据的第二异常因子。其中,相邻温度数据为目标温度数据周围最相邻的温度数据。以温度数据序列中第二个温度数据为例,可以将第二个温度数据的前一个温度数据和后九个温度数据,均作为第二个温度数据的相邻温度数据。
例如,各个目标温度数据的第二异常因子的计算公式可以为:
其中,为温度数据序列中的第i个目标温度数据的第二异常因子,/>为温度数据序列中的第i个目标温度数据的相邻温度数据个数,/>也为第一预设数目,/>取经验值为10,v为温度数据序列中的第i个目标温度数据的相邻温度数据序号,/>为温度数据序列中的第i个目标温度数据的数值差异指标,/>为温度数据序列中的第i个目标温度数据的第v个相邻温度数据的数值差异指标,/>为对/>求绝对值。
在第二异常因子的计算公式中,可以被用于表征/>与周围的第v个数值差异指标之间的差异,/>越大,说明/>越突出,温度数据序列中的第i个目标温度数据的异常程度越大,/>可以被用于表征/>与周围的个数值差异指标之间的差异,其可以反映在温度数据序列中的局部突出程度,越大,局部突出程度越大,第i个目标温度数据的异常程度越大。
第二步,确定各个目标温度数据的第三异常因子以及第三异常因子的第一权值和第二权值。
需要说明的是,通过温度数据的时序关系,确定每个目标温度数据的第一异常因子和第二异常因子,以反映温度数据的异常程度。但是,在实际电化学反应过程中,电池温度变化受电池负载和电池反应堆栈容量的影响,所获得温度数据序列存在正常变化和明显的变化趋势。因此,第一异常因子和第二异常因子对温度数据的异常分析存在片面性,为了提高温度数据异常分析的准确性,在第一异常因子和第二异常因子的基础上,结合电池负载和电池反应堆栈容量的影响情况,电池反应堆栈容量即为反应物注入量,确定每个温度数据的异常程度。
第一子步骤,确定各个目标温度数据的第三异常因子。
在本实施例中,温度数据序列在时间上是连续,当正负极材料注入反应堆栈时,随着注入时间的增加,参与电化学反应的材料发生变化,使得堆栈温度持续变化。因此,温度数据序列呈现连续升高或连续降低的变化趋势,即温度数据序列的变化呈现一定的趋势性,此时,温度数据越不符合温度数据变化趋势,该温度数据为异常温度数据的可能性越大。对于温度数据变化趋势,主要表现为温度数据序列中的局部数据具有一致的趋势,分析温度数据序列中每个目标温度数据所对应的变化趋势,即确定每个目标温度数据的第三异常因子,其步骤可以包括:
对目标温度数据及其第二预设数目个相邻温度数据进行线性拟合处理,获得目标温度数据的拟合回归值,将目标温度数据的拟合回归值与目标温度数据之间差值绝对值,确定为对应目标温度数据的第三异常因子。
本实施例可以将第二预设数目设置为30,获取与目标温度数据周围相邻的30个温度数据,即获取每个目标温度数据对应的30个相邻温度数据。采用最小二乘法,对目标温度数据及其30个相邻温度数据进行线性拟合处理,可以获得拟合曲线中目标温度数据的拟合回归值。根据每个目标温度数据和每个目标温度数据的拟合回归值,构建第三异常因子的计算公式,各个目标温度数据的第三异常因子的计算公式可以为:
其中,为温度数据序列中的第i个目标温度数据的第三异常因子,/>为温度数据序列中的第i个目标温度数据的拟合回归值,/>为温度数据序列中的第i个目标温度数据,/>为对/>求绝对值。
在第三异常因子的计算公式中,可以被用于表征温度数据序列中的第i个目标温度数据的拟合残差,/>越大,即/>越大,第i个目标温度数据偏离温度数据变化趋势的程度越大,第i个目标温度数据的异常程度越大。
第二子步骤,确定各个目标温度数据的第三异常因子的第一权值和第二权值。
在本实施例中,实际电池运行过程中,电池负载影响着电池温度,当电池负载发生突变时,电池温度数据会发生较大变化,进一步影响温度数据的变化趋势,即破坏温度数据的变化趋势,导致趋势分析获得的第三异常因子的异常程度的精准性差。因此,需要集合电池负载对温度数据的影响,对各个目标温度数据的第三异常因子进行矫正处理,即确定各个目标温度数据的第三异常因子的第一权值和第二权值,其步骤可以包括:
确定目标温度数据的目标负载变化量,并对目标负载变化量进行负相关映射,将负相关映射后的目标负载变化量,确定为对应目标温度数据的第三异常因子的第一权值;将目标温度数据对应的预设时刻与目标负载变化量对应的目标预设时刻之间的差值,确定为对应目标温度数据的第三异常因子的第二权值。
首先,确定目标温度数据的目标负载变化量。将负载序列中每个目标负载与其前一个负载之间的差值的绝对值作为负载变化量,即负载序列中后一预设时刻的负载与其前一预设时刻的负载的差值的绝对值作为负载变化量,负载序列与温度数据序列呈现一一对照关系,可以将获得的多个负载变化量映射到温度数据序列中。从目标温度数据对应预设时刻之前的多个负载变化量中,选取距离目标温度数据最近的负载变化量,将该负载变化量确定为对应目标温度数据的目标负载变化量,从而获得各个目标温度数据的目标负载变化量。其中,目标负载为除负载序列中第一个负载数据和第二个负载数据以外的其他负载数据,目标负载变化量为目标温度数据对应的预设时刻之前,距离目标温度数据最近的负载变化量。
然后,确定各个目标温度数据的第三异常因子的第一权值。对各个目标温度数据的目标负载变化量进行负相关映射处理,将负相关映射后的目标负载变化量确定为对应目标温度数据的第三异常因子的第一权值,从而获得各个目标温度数据的第三异常因子的第一权值。负相关映射处理可以为计算目标负载变化量的倒数,也可以为计算自然常数为底的负目标负载变化量次幂,不对负相关映射的实现方法做具体限定,实施者可以根据具体实际情况自行设置。
最后,确定各个目标温度数据的第三异常因子的第二权值。获得目标温度数据和目标温度数据的目标负载变化量在温度数据序列中对应的预设时刻,由于目标负载变化量是由两个预设时刻的负载获得的,故目标负载变化量对应两个预设时刻,本实施例将目标负载变化量对应的后一个预设时刻作为目标负载变化量对应的目标预设时刻。将目标温度数据对应的预设时刻与目标负载变化量对应的目标预设时刻之间的差值,确定为对应目标温度数据的第三异常因子的第二权值。
第三步,根据各个目标温度数据的第一异常因子、第二异常因子、第三异常因子以及第三异常因子的第一权值和第二权值,确定各个目标温度数据的第一异常程度。
作为示例,确定各个目标温度数据的第一异常程度的步骤可以包括:
对目标温度数据的第一异常因子、第二异常因子、第三异常因子以及目标温度数据的第三异常因子的第一权值和第二权值进行相乘处理,将相乘处理后的数值确定为对应目标温度数据的第一异常程度。
例如,各个目标温度数据的第一异常程度的计算公式可以为:
其中,为温度数据序列中第i个目标温度数据的第一异常程度,/>为温度数据序列中的第i个目标温度数据的第一异常因子,/>为温度数据序列中的第i个目标温度数据的第二异常因子,/>为温度数据序列中的第i个目标温度数据的第三异常因子的第一权值,/>为温度数据序列中的第i个目标温度数据的第三异常因子的第二权值,/>为温度数据序列中的第i个目标温度数据的第三异常因子。
在第一异常程度的计算公式中,第一异常因子和第二异常因子/>可以被用于表征第i个目标温度数据在温度数据时序关系中所反映的异常程度,第三异常因子/>可以被用于表征第i个目标温度数据在温度数据变化趋势中所反映的异常程度;/>可以为在第i个目标温度数据对应的预设时刻之前,与第i个目标温度数据最相邻的负载变化量,/>越大,第i个目标温度数据的趋势突变的可能性越大,第三异常因子/>所反映的异常程度的可信度越低;第二权值/>可以被用于表征/>的发生时刻与第i个目标温度数据对应的预设时刻之间的时间差,第二权值/>越大,负载变化引起的变化对第i个目标温度数据变化的影响越小,第三异常因子/>所反映的异常程度的可信度越高。
至此,本实施获得了温度数据序列中各个目标温度数据的第一异常程度。
S3,根据温度数据序列中每个预设时刻的温度数据,确定各个目标温度数据的第二异常程度。
在本实施例中,电池负载发生变化时,电化学反应相应发生变化,电化学反应发生变化导致电池温度发生变化,具体体现在:当负载增大时,电池内部的化学反应会加速,温度升高;当负载减小时,电池放电速率减缓,温度下降。并且,电池负载发生变化时所引起的化学反应为突变,然后慢慢趋于平衡。因此,电池温度变化呈现出先剧烈变化,然后变化幅度慢慢减小。为了便于区分不同负载状态对温度数据的影响程度,将根据各个目标温度数据的目标初始负载变化量数值的正负情况,计算各个目标温度数据的第二异常程度,其步骤可以包括:
第一步,对于温度数据序列中的任意一个目标温度数据,当目标温度数据的目标初始负载变化量为正数时,计算目标温度数据的第二异常程度。
将目标温度数据的数值差异指标与超参数相加后的数值进行反比例的归一化处理,将反比例的归一化处理后的数值确定为对应目标温度数据的第四异常因子;将目标温度数据的数值差异指标与其前一个目标温度数据的数值差异指标之间的差值确定为第一差值,并将目标温度数据的前一个目标温度数据的数值差异指标与其前一个目标温度数据的数值差异指标之间的差值确定为第二差值;对第一差值和第二差值相减后的数值进行归一化处理,将归一化处理后的数值确定为对应目标温度数据的第五异常因子;将第四异常因子与第五异常因子的乘积确定为对应目标温度数据的第二异常程度。
在本实施例中,目标初始负载变化量是指目标温度数据对应的预设时刻之前,距离目标温度数据最近的初始负载变化量,而初始负载变化量为负载序列中后一预设时刻的负载与其前一预设时刻的负载的差值。当目标温度数据的目标初始负载变化量为正数时,说明该目标温度数据处于逐渐增大的变化规律中,此时的目标温度数据的第二异常程度的计算公式可以为:
其中,为温度数据序列中第i个目标温度数据的第二异常程度,/>为温度数据序列中第i个目标温度数据的数值差异指标,/>为超参数,/>为温度数据序列中第i个目标温度数据的第四异常因子,/>为温度数据序列中第i个目标温度数据的数值差异指标与超参数相加后的数值的反比例数值,/>为归一化函数,/>为温度数据序列中第i-1个目标温度数据的数值差异指标,/>也为温度数据序列中第i个目标温度数据的前一个目标温度数据的数值差异指标,/>为温度数据序列中第i-2个目标温度数据的数值差异指标,/>也为温度数据序列中第i-1个目标温度数据的前一个目标温度数据的数值差异指标,/>为温度数据序列中第i个目标温度数据的第一差值,/>为温度数据序列中第i个目标温度数据的第二差值,为温度数据序列中第i个目标温度数据的第五异常因子。
在目标初始负载变化量为正数时对应的第二异常程度的计算公式中,超参数取经验值为0.01,超参数可以用于防止分母为0的特殊情况;数值差异指标/>可以被用于表征温度增加量,在负载增大时,温度数据增加,数值差异指标/>越大,越符合温度数据变化规律,第i个目标温度数据的第二异常程度越小;/>为归一化函数,可以将/>和归一化到区间[0,1],同时归一化函数/>有助于避免第四异常因子为负数的特殊情况;/>、/>以及/>分别表示温度数据序列中第i个目标温度数据、第i-1个目标温度数据以及第i-2个目标温度数据的变化幅度,第一差值可以表示温度数据序列中第i个目标温度数据的变化速率,第二差值可以表示温度数据序列中第i-1个目标温度数据的变化速率;可以被用于表征温度数据序列中第i个目标温度数据变化速率的增加量,在负载变化时,化学反应反应速率变化,且变化会持续一段时间,所以温度变化会持续变化,温度变化速率呈现逐步降低,即温度数据变化速率的增加量减少,所以/>越大,第i个目标温度数据变化速越异常,第i个目标温度数据的异常程度越大;第二异常程度/>可以被用于表征负载变化与温度变化之间的关系所反映的温度数据异常程度。
第二步,对于温度数据序列中的任意一个目标温度数据,当目标温度数据的目标初始负载变化量为负数时,计算目标温度数据的第二异常程度。
将目标温度数据的数值差异指标与超参数相加后的数值进行反比例的归一化处理,将数值1与反比例的归一化处理后的数值之间的差值确定为对应目标温度数据的第六异常因子;将目标温度数据的数值差异指标与其前一个目标温度数据的数值差异指标之间的差值确定为第一差值,并将目标温度数据的前一个目标温度数据的数值差异指标与其前一个目标温度数据的数值差异指标之间的差值确定为第二差值;对第一差值和第二差值相减后的数值进行归一化处理,将归一化处理后的数值确定为对应目标温度数据的第五异常因子;将第六异常因子与第五异常因子的乘积确定为对应目标温度数据的第二异常程度。
在本实施例中,当目标温度数据的目标初始负载变化量为负数时,说明该目标温度数据处于逐渐减小的变化规律中,此时的目标温度数据的第二异常程度的计算公式可以为:
其中,为温度数据序列中第i个目标温度数据的第二异常程度,/>为温度数据序列中第i个目标温度数据的数值差异指标,/>为超参数,/>为温度数据序列中第i个目标温度数据的第六异常因子,/>为温度数据序列中第i个目标温度数据的数值差异指标与超参数相加后的数值的反比例数值,/>为归一化函数,为温度数据序列中第i-1个目标温度数据的数值差异指标,/>也为温度数据序列中第i个目标温度数据的前一个目标温度数据的数值差异指标,/>为温度数据序列中第i-2个目标温度数据的数值差异指标,/>也为温度数据序列中第i-1个目标温度数据的前一个目标温度数据的数值差异指标,/>为温度数据序列中第i个目标温度数据的第一差值,/>为温度数据序列中第i个目标温度数据的第二差值,/>为温度数据序列中第i个目标温度数据的第五异常因子。
在目标初始负载变化量为负数时对应的第二异常程度的计算公式中,在负载减小时,温度数据减小,此时的越小,越符合温度变化规律,因此,/>与第二异常程度/>为负相关关系,/>越大,第二异常程度/>越小。
至此,本实施例获得了温度数据序列中各个目标温度数据的第二异常程度。
S4,根据各个目标温度数据的第一异常程度和第二异常程度、温度数据序列中每个预设时刻的温度数据以及反应物注入量序列中每个预设时刻的反应物注入量,确定各个目标温度数据的第三异常程度。
需要说明的是,计算第一异常程度和第二异常程度的过程,主要是通过负载对温度数据的影响,进行温度数据异常分析,实现原理是负载变化引起堆栈化学反应速率的变化,导致堆栈温度发生改变。但是,堆栈容量同样影响堆栈化学反应速率,即反应物注入量影响着点出化学反应速率,导致堆栈温度发生改变,即影响温度数据的变化趋势。
反应堆栈在注入反应物后开始发生化学反应,使得堆栈温度升高,随着反应物注入量的增多,化学反应速率增加,对温度数据的影响程度增大,即温度升高幅度增大。已知在实际电池运行过程中,反应物注入量会逐渐趋于平衡,即电池内部的消耗量与输入量平衡,对电池温度的影响达到平衡。因此,反应物注入量对温度数据的影响呈现为温度数据先逐渐升高,再达到平衡。基于温度数据序列本身的趋势关系,结合反应物注入量对温度数据变化的影响,确定各个目标温度数据的第三异常程度。
作为示例,确定各个目标温度数据的第三异常程度的步骤可以包括:
对于温度数据序列中的任意一个目标温度数据,获取目标温度数据对应的第三预设数目个相关参数;将目标温度数据的数值差异指标与目标温度数据对应预设时刻的反应物注入量的比值,确定为对应目标温度数据的第一比值;将相关参数的数值差异指标与相关参数对应预设时刻的反应物注入量的比值,确定为对应相关参数的第二比值;将第一比值与第二比值的差值绝对值确定为对应目标温度数据的第八异常因子;
对相关参数的第一异常程度和第二异常程度的乘积、相关参数与目标温度数据之间的时间间隔进行负相关映射,对负相关映射后的乘积与负相关映射后的相关参数与目标温度数据之间的时间间隔进行相乘处理,将相乘处理后的数值确定为目标温度数据的第八异常因子的第三权值;将目标温度数据的各个第八异常因子与第八异常因子对应的第三权值的乘积的平均值,确定为对应目标温度数据的第三异常程度;其中,相关参数为在温度数据序列中位于目标温度数据之前的其他目标温度数据。
在本实施例中,反应物注入量的多少影响着温度数据变化趋势,反应物注入量与温度数据变化呈现正相关关系,基于此,各个目标温度数据的第三异常程度的计算公式可以为:
其中,为温度数据序列中第i个目标温度数据的第三异常程度,/>为温度数据序列中第i个目标温度数据对应的相关参数个数,即第三预设数目,/>为相关参数序号或第八异常因子序号,/>为温度数据序列中第i个目标温度数据与其对应的第k个相关参数之间的时间间隔,/>为温度数据序列中第i个目标温度数据的第k个相关参数对应的负相关映射后的时间间隔,/>为温度数据序列中第i个目标温度数据的第k个相关参数的第一异常程度,/>为温度数据序列中第i个目标温度数据的第k个相关参数的第二异常程度,/>为温度数据序列中第i个目标温度数据的第k个相关参数对应的负相关映射后的第一异常程度与第二异常程度的乘积,/>为温度数据序列中第i个目标温度数据的第八异常因子的第三权值,/>为温度数据序列中第i个目标温度数据的数值差异指标,/>为温度数据序列中第i个目标温度数据对应预设时刻的反应物注入量,为温度数据序列中第i个目标温度数据的第一比值,/>为温度数据序列中第i个目标温度数据对应的第k个相关参数的数值差异指标,/>为温度数据序列中第i个目标温度数据对应的第k个相关参数对应预设时刻的反应物注入量,/>为温度数据序列中第i个目标温度数据对应的第k个相关参数的第二比值,/>为温度数据序列中第i个目标温度数据的第k个第八异常因子,/>为对/>求绝对值。
在第三异常程度的计算公式中,温度数据序列中第i个目标温度数据对应的相关参数个数,即第三预设数目n取经验值可以为10;可以被用于表征第i个目标温度数据相对于反应物注入量的变化关系,/>可以被用于表征位于第i个目标温度数据之前的目标温度数据相对于反应物注入量的变化关系;第八异常因子/>可以被用于表征相邻目标温度数据相对于反应物注入量的变化关系的差异,第八异常因子/>越大,第i个目标温度数据相对于反应物注入量的变化关系越异常,即第i个目标温度数据越异常;/>可以表示第i个目标温度数据对应的第k个相关参数的趋势变化所反映的异常程度,/>越大,/>的可信度越低,第八异常因子/>所反映的数据异常可信度越低;/>越大,第i个目标温度数据与其第k个相关参数之间的时间间隔越大,相邻温度数据相对于反应物注入量的变化关系的一致性越差,第八异常因子/>所反映的数据异常可信度越低;第三权值/>越大,第八异常因子/>所反映的数据异常可信度越高;/>可以被用于表征第i个目标温度数据与其对应的第三预设数目个相关参数相对于反应物注入量的变化关系所反映的异常程度。
值得说明的是,关于目标温度数据对应的相关参数,若某个目标温度数据对应的相关参数不足第三预设数目个,则将位于该目标温度数据之前的所有目标温度数据作为对应目标温度数据的相关参数。例如,对于温度数据序列中第四个目标温度数据,将位于第四个目标温度数据之前的三个目标温度数据作为第四个目标温度数据对应的相关参数。
至此,本实施例获得了温度数据序列中各个目标温度数据的第三异常程度。
S5,根据各个目标温度数据的第一异常程度、第二异常程度以及第三异常程度,确定各个目标温度数据的最终异常程度。
在获得各个目标温度数据的第一异常程度、第二异常程度以及第三异常程度后,基于第一异常程度、第二异常程度以及第三异常程度,计算最终异常程度,其步骤可以包括:
例如,对于温度数据序列中的任意一个目标温度数据,将目标温度数据的第一异常程度、第二异常程度以及第三异常程度的乘积,确定为对应目标温度数据的最终异常程度。
各个目标温度数据的最终异常程度的计算公式可以为:
其中,为温度数据序列中第i个目标温度数据的最终异常程度,/>为温度数据序列中第i个目标温度数据的第一异常程度,/>为温度数据序列中第i个目标温度数据的第二异常程度,/>为温度数据序列中第i个目标温度数据的第三异常程度。
在最终异常程度的计算公式中,第一异常程度可以为数据变化趋势所反映的异常程度,/>第二异常程度可以为负载变化与温度变化之间的关系对异常分析的影响,/>第二异常程度可以为温度数据相对于反应物注入量所反映的异常程度。三个不同的温度变化的影响因素,分析温度数据序列中温度数据的异常程度,可以有效提高目标温度数据的最终异常程度的准确性,以便于后续实现精准异常诊断。
值得说明的是,对于温度数据序列中目标温度数据以外的温度数据,其温度数据一般在电池预设运行时段的前2个预设时刻位置处,正常情况下,前2个预设时刻位置处不会出现异常温度数据。为了减少计算量,便于分析每个目标温度数据的异常程度,将舍弃温度数据序列中目标温度数据以外的温度数据,其不会对铁铬液流电池的储能管理诊断结果造成较大影响。
至此,本实施例获得了温度数据序列中各个目标温度数据的最终异常程度。
S6,根据各个目标温度数据的最终异常程度,判断预设运行时段内待诊断铁铬液流电池的储能管理是否存在异常。
对各个目标温度数据的最终异常程度进行归一化处理,将归一化处理后的最终异常程度与异常阈值作对比;若任意一个目标温度数据对应的归一化处理后的最终异常程度大于异常阈值,则判定预设运行时段内待诊断铁铬液流电池的储能管理存在异常,否则,判定预设运行时段内待诊断铁铬液流电池的储能管理不存在异常。
在本实施例中,首先,采用最大值小值归一化法,对各个目标温度数据的最终异常程度进行归一化处理,获得各个目标温度数据对应的归一化处理后的最终异常程度。然后,将归一化处理后的最终异常程度记为,将异常阈值记为/>,将归一化处理后的最终异常程度/>与异常阈值/>作对比。最后,判断预设运行时段内待诊断铁铬液流电池的储能管理是否存在异常,若任意一个目标温度数据对应的归一化处理后的最终异常程度大于异常阈值,则判定预设运行时段内待诊断铁铬液流电池的储能管理存在异常,并将的温度数据确定为异常温度数据;否则,判定预设运行时段内待诊断铁铬液流电池的储能管理不存在异常。其中,异常阈值/>取经验值可以为0.9。最大值小值归一化法的实现过程为现有技术,不在本发明保护范围内,此处不再进行详细阐述。
需要说明的是,待诊断铁铬液流电池的储能管理中心获得异常温度数据时,将发出警报,以及时通知相关工作人员进行检查,及时发现待诊断电池异常并进行检修,保证待诊断电池的正常运行。
至此,本发明准确区分了正常温度突变与异常温度突变,增强了铁铬液流电池储能管理诊断结果的准确性,有效提高了确定的异常温度数据的准确性。
本发明还提供了一种铁铬液流电池储能管理诊断系统,包括处理器和存储器,处理器用于处理存储在所述存储器中的指令,以实现一种铁铬液流电池储能管理诊断方法。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,均应包含在本发明的保护范围之内。
Claims (7)
1.一种铁铬液流电池储能管理诊断方法,其特征在于,包括以下步骤:
获取待诊断铁铬液流电池在预设运行时段内对应的温度数据序列、负载序列以及反应物注入量序列,所述温度数据序列中包含按照预设采集时刻先后顺序排列的温度数据;
根据温度数据序列中每个预设时刻的温度数据以及负载序列中每个预设时刻的负载,确定各个目标温度数据的第一异常程度;所述目标温度数据为温度数据序列中除第一个温度数据和第二个温度数据以外的其他温度数据;
根据温度数据序列中每个预设时刻的温度数据,确定各个目标温度数据的第二异常程度;
根据各个目标温度数据的第一异常程度和第二异常程度、温度数据序列中每个预设时刻的温度数据以及反应物注入量序列中每个预设时刻的反应物注入量,确定各个目标温度数据的第三异常程度;
根据各个目标温度数据的第一异常程度、第二异常程度以及第三异常程度,确定各个目标温度数据的最终异常程度;
根据各个目标温度数据的最终异常程度,判断预设运行时段内待诊断铁铬液流电池的储能管理是否存在异常。
2.根据权利要求1所述的一种铁铬液流电池储能管理诊断方法,其特征在于,根据温度数据序列中每个预设时刻的温度数据以及负载序列中每个预设时刻的负载,确定各个目标温度数据的第一异常程度,包括:
对于温度数据序列中的任意一个目标温度数据,将目标温度数据与其前一个温度数据之间的差值的绝对值,确定为对应目标温度数据的数值差异指标;将目标温度数据的数值差异指标与最大数值差异指标的比值,确定为对应目标温度数据的第一异常因子;
获取目标温度数据的第一预设数目个相邻温度数据,将目标温度数据的数值差异指标与其各相邻温度数据的数值差异指标之间的差值绝对值的平均值,确定为对应目标温度数据的第二异常因子;所述相邻温度数据为目标温度数据周围最相邻的温度数据;
对目标温度数据及其第二预设数目个相邻温度数据进行线性拟合处理,获得目标温度数据的拟合回归值,将目标温度数据的拟合回归值与目标温度数据之间差值绝对值,确定为对应目标温度数据的第三异常因子;
确定目标温度数据的目标负载变化量,并对目标负载变化量进行负相关映射,将负相关映射后的目标负载变化量,确定为对应目标温度数据的第三异常因子的第一权值;将目标温度数据对应的预设时刻与目标负载变化量对应的目标预设时刻之间的差值,确定为对应目标温度数据的第三异常因子的第二权值;所述目标负载变化量为目标温度数据对应的预设时刻之前,距离目标温度数据最近的负载变化量,所述负载变化量为负载序列中后一预设时刻的负载与其前一预设时刻的负载的差值的绝对值;所述目标预设时刻为目标负载变化量对应的后一预设时刻;
对目标温度数据的第一异常因子、第二异常因子、第三异常因子以及目标温度数据的第三异常因子的第一权值和第二权值进行相乘处理,将相乘处理后的数值确定为对应目标温度数据的第一异常程度。
3.根据权利要求1所述的一种铁铬液流电池储能管理诊断方法,其特征在于,根据温度数据序列中每个预设时刻的温度数据,确定各个目标温度数据的第二异常程度,包括:
对于温度数据序列中的任意一个目标温度数据,将目标温度数据的数值差异指标与超参数相加后的数值进行反比例的归一化处理,将反比例的归一化处理后的数值确定为对应目标温度数据的第四异常因子,将数值1与反比例的归一化处理后的数值之间的差值确定为对应目标温度数据的第六异常因子;将目标温度数据的数值差异指标与其前一个目标温度数据的数值差异指标之间的差值确定为第一差值,并将目标温度数据的前一个目标温度数据的数值差异指标与其前一个目标温度数据的数值差异指标之间的差值确定为第二差值;对第一差值和第二差值相减后的数值进行归一化处理,将归一化处理后的数值确定为对应目标温度数据的第五异常因子;
当目标温度数据的目标初始负载变化量为正数时,将第四异常因子与第五异常因子的乘积确定为对应目标温度数据的第二异常程度;当目标温度数据的目标初始负载变化量为负数时,将第六异常因子与第五异常因子的乘积确定为对应目标温度数据的第二异常程度;所述目标初始负载变化量为目标温度数据对应的预设时刻之前,距离目标温度数据最近的初始负载变化量,所述初始负载变化量为负载序列中后一预设时刻的负载与其前一预设时刻的负载的差值。
4.根据权利要求1所述的一种铁铬液流电池储能管理诊断方法,其特征在于,根据各个目标温度数据的第一异常程度和第二异常程度、温度数据序列中每个预设时刻的温度数据以及反应物注入量序列中每个预设时刻的反应物注入量,确定各个目标温度数据的第三异常程度,包括:
对于温度数据序列中的任意一个目标温度数据,获取目标温度数据对应的第三预设数目个相关参数;将目标温度数据的数值差异指标与目标温度数据对应预设时刻的反应物注入量的比值,确定为对应目标温度数据的第一比值;将相关参数的数值差异指标与相关参数对应预设时刻的反应物注入量的比值,确定为对应相关参数的第二比值;将第一比值与第二比值的差值绝对值确定为对应目标温度数据的第八异常因子;所述相关参数为位于目标温度数据之前的其他目标温度数据;
对相关参数的第一异常程度和第二异常程度的乘积、相关参数与目标温度数据之间的时间间隔进行负相关映射,对负相关映射后的乘积与负相关映射后的相关参数与目标温度数据之间的时间间隔进行相乘处理,将相乘处理后的数值确定为目标温度数据的第八异常因子的第三权值;将目标温度数据的各个第八异常因子与第八异常因子对应的第三权值的乘积的平均值,确定为对应目标温度数据的第三异常程度。
5.根据权利要求1所述的一种铁铬液流电池储能管理诊断方法,其特征在于,根据各个目标温度数据的第一异常程度、第二异常程度以及第三异常程度,确定各个目标温度数据的最终异常程度,包括:
对于温度数据序列中的任意一个目标温度数据,将目标温度数据的第一异常程度、第二异常程度以及第三异常程度的乘积,确定为对应目标温度数据的最终异常程度。
6.根据权利要求1所述的一种铁铬液流电池储能管理诊断方法,其特征在于,根据各个目标温度数据的最终异常程度,判断预设运行时段内待诊断铁铬液流电池的储能管理是否存在异常,包括:
对各个目标温度数据的最终异常程度进行归一化处理,将归一化处理后的最终异常程度与异常阈值作对比;若任意一个目标温度数据对应的归一化处理后的最终异常程度大于异常阈值,则判定预设运行时段内待诊断铁铬液流电池的储能管理存在异常,否则,判定预设运行时段内待诊断铁铬液流电池的储能管理不存在异常。
7.一种铁铬液流电池储能管理诊断系统,其特征在于,包括处理器和存储器,所述处理器用于处理存储在所述存储器中的指令,以实现如权利要求1-6中任一项所述的一种铁铬液流电池储能管理诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310759986.XA CN116505040B (zh) | 2023-06-27 | 2023-06-27 | 一种铁铬液流电池储能管理诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310759986.XA CN116505040B (zh) | 2023-06-27 | 2023-06-27 | 一种铁铬液流电池储能管理诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116505040A true CN116505040A (zh) | 2023-07-28 |
CN116505040B CN116505040B (zh) | 2023-09-01 |
Family
ID=87316961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310759986.XA Active CN116505040B (zh) | 2023-06-27 | 2023-06-27 | 一种铁铬液流电池储能管理诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116505040B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680446A (zh) * | 2023-08-03 | 2023-09-01 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
CN117312997A (zh) * | 2023-11-21 | 2023-12-29 | 乾程电力有限公司 | 一种电力管理系统智能诊断方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100003586A1 (en) * | 2008-07-01 | 2010-01-07 | Deeya Energy, Inc. A California C-Corp | Redox flow cell |
CN107664542A (zh) * | 2016-07-28 | 2018-02-06 | 上汽通用汽车有限公司 | 用于汽车动力电池的温度传感器的故障诊断方法 |
CN109375114A (zh) * | 2018-11-15 | 2019-02-22 | 上海发电设备成套设计研究院有限责任公司 | 一种铁铬液流电池单电堆测试系统 |
CN216389462U (zh) * | 2021-10-13 | 2022-04-26 | 北京和瑞储能科技有限公司 | 一种液流电池管理装置 |
CN217387232U (zh) * | 2022-08-04 | 2022-09-06 | 中海储能科技(北京)有限公司 | 一种铁铬液流电池储能系统控制装置 |
CN116148681A (zh) * | 2023-04-24 | 2023-05-23 | 北京和瑞储能科技有限公司 | 一种铁-铬液流电池性能预测方法 |
-
2023
- 2023-06-27 CN CN202310759986.XA patent/CN116505040B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100003586A1 (en) * | 2008-07-01 | 2010-01-07 | Deeya Energy, Inc. A California C-Corp | Redox flow cell |
CN107664542A (zh) * | 2016-07-28 | 2018-02-06 | 上汽通用汽车有限公司 | 用于汽车动力电池的温度传感器的故障诊断方法 |
CN109375114A (zh) * | 2018-11-15 | 2019-02-22 | 上海发电设备成套设计研究院有限责任公司 | 一种铁铬液流电池单电堆测试系统 |
CN216389462U (zh) * | 2021-10-13 | 2022-04-26 | 北京和瑞储能科技有限公司 | 一种液流电池管理装置 |
CN217387232U (zh) * | 2022-08-04 | 2022-09-06 | 中海储能科技(北京)有限公司 | 一种铁铬液流电池储能系统控制装置 |
CN116148681A (zh) * | 2023-04-24 | 2023-05-23 | 北京和瑞储能科技有限公司 | 一种铁-铬液流电池性能预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680446A (zh) * | 2023-08-03 | 2023-09-01 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
CN116680446B (zh) * | 2023-08-03 | 2023-09-29 | 山东青上化工有限公司 | 一种含菌生态肥料发酵生产数据智能采集方法及系统 |
CN117312997A (zh) * | 2023-11-21 | 2023-12-29 | 乾程电力有限公司 | 一种电力管理系统智能诊断方法及系统 |
CN117312997B (zh) * | 2023-11-21 | 2024-03-08 | 乾程电力有限公司 | 一种电力管理系统智能诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116505040B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116505040B (zh) | 一种铁铬液流电池储能管理诊断系统及方法 | |
CN110646194B (zh) | 一种换流阀冷却能力多维度分析预警方法及系统 | |
CN116936978B (zh) | 一种蓄电池鼓包智能化监测方法及系统 | |
CN114420983B (zh) | 燃料电池电堆健康的评估方法、装置、系统和电子设备 | |
CN113687255A (zh) | 一种电池单体的状态诊断方法、设备及存储介质 | |
CN116070103B (zh) | 基于多测点多指标的旋转设备健康识别方法和设备 | |
CN116683061A (zh) | 动力电池热失控预测与抑制集成系统、方法及存储介质 | |
CN114384424B (zh) | 基于数据驱动的电池组早期故障实时诊断方法及系统 | |
CN116203490A (zh) | 传感器故障诊断方法、装置、设备及存储介质 | |
CN114879054A (zh) | 一种电池安全监测方法、装置、电子设备及存储介质 | |
CN109273781B (zh) | 电芯监测方法和电芯监测装置 | |
CN111007404B (zh) | 一种基于关键频率点的燃料电池阻抗测量分析系统及方法 | |
CN116429161B (zh) | 一种火电厂在线化学仪表动态校验方法 | |
CN116930764A (zh) | 融合电力电子的锂电池储能系统故障诊断和危险预测方法 | |
CN116340810A (zh) | 基于随机森林的变压器出线部位局部放电诊断方法和装置 | |
Li et al. | VRLA battery fault prediction for data center based on random forest model and feature enhancement method | |
CN111337764A (zh) | 充电桩故障诊断系统、方法及存储介质 | |
CN114062943B (zh) | 一种锂离子电池系统极化异常预警方法及系统 | |
CN117907845B (zh) | 基于电参数分析的电化学储能系统绝缘检测方法 | |
CN118391249B (zh) | 大型水泵运行状态监测数据处理方法及装置 | |
CN118212760B (zh) | 一种实训室电池电量报警装置及报警方法 | |
CN117117356B (zh) | 一种储能电池组热失控监测溯源方法及系统 | |
CN117314205B (zh) | 一种室间质评项目检测结果上报方法及装置 | |
WO2024057996A1 (ja) | 蓄電素子の劣化状態の算出装置、劣化状態の算出方法、劣化状態の算出プログラム、劣化状態の推定装置、劣化状態の推定方法、異常検知装置及び異常検知方法 | |
CN118519060A (zh) | 一种新能源汽车的电池故障检测方法及检测装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240418 Address after: Room 209-22, 2nd Floor, Building 2, No.1 and No.3 Qinglonghutong A, Dongcheng District, Beijing, 100000 Patentee after: Zhongneng Wanjia New Energy Technology (Beijing) Co.,Ltd. Country or region after: China Address before: 470, Block F, Beijing Fund Town Building, Fangshan District, Beijing 102400 Patentee before: China Energy Wanjia Energy Co.,Ltd. Country or region before: China |