CN116577673B - 一种基于分布式神经网络的储能电站故障诊断方法及系统 - Google Patents
一种基于分布式神经网络的储能电站故障诊断方法及系统 Download PDFInfo
- Publication number
- CN116577673B CN116577673B CN202310853073.4A CN202310853073A CN116577673B CN 116577673 B CN116577673 B CN 116577673B CN 202310853073 A CN202310853073 A CN 202310853073A CN 116577673 B CN116577673 B CN 116577673B
- Authority
- CN
- China
- Prior art keywords
- power station
- parameters
- model
- fault diagnosis
- training
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 76
- 238000004146 energy storage Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000004140 cleaning Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 19
- 230000002776 aggregation Effects 0.000 claims description 17
- 238000004220 aggregation Methods 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/098—Distributed learning, e.g. federated learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明设计一种基于分布式神经网络的储能电站故障诊断方法及系统，所述方法包括：获取各储能站中的各种电池的运行数据，并对数据进行预处理操作，包括数据清洗和标准化；根据数据预处理结果获取对应的储能站的诊断数据；将预处理后的诊断数据输入预训练的分布式神经网络实现对储能电站故障的诊断。本申请提出的技术方案，能够准确的实现对储能电站故障进行准确的诊断，提升储能电站的维保效率。
Description
技术领域
本发明涉及储能技术领域，尤其是涉及基于人工智能算法实现对储能电站故障的诊断方法及系统。
背景技术
近年来，国内外锂电池储能系统装机增长迅速，由于电池储能电站设备的内外特性不同于常规电气设备，具有典型的电化学动态演变特征，性能维护无法照搬现有常规电气设备的运行维护规程。运行维护不当会造成电池性能衰减、能耗偏大、寿命折损严重等问题，甚至会存在安全隐患。目前传统的电源管理系统(battery management system，BMS)的输入量主要有电压(U)、电流(I)和温度(T)，且该温度为电池外部温度。这些参数都是电池的外特性参数，但锂离子电池是高度复杂的电化学系统，仅依靠上述外特性参数往往难以准确识别电池内部故障(如过充、过放、过温、内短路、外短路、漏液、挤压变形等)。如果不能提前识别这些故障，在使用过程中，容易引起电池系统突然掉电或者起火爆炸等风险。因此，对电池健康状态进行评估和预测对系统的健康稳定运行至关重要，准确的状态评估和趋势分析有助于发现问题电池方便系统维护，保证储能系统的健康稳定。
针对电池故障诊断这一使用场景，由于锂电池储能电站的电化学特性，以及工作电站的工作状态参数的多样性，传统基于人工智能的学习预测方法面临样本少、故障诊断困难、同一模型不同储能站工作环境下的下准确度差异较大的问题，同时，设备运行数据涉及企业的生产参数等商业秘密，不适合传输和共享，因此难以建立有效的预测模型，难以实现对储能电站故障的准确检测。
发明内容
为解决上述存在的问题与缺陷，本发明提供一种基于分布式神经网络的储能电站故障诊断方法及系统，该方法包括：获取各储能站中的各种电池的运行数据，并对数据进行预处理操作，包括数据清洗和标准化；根据数据预处理结果获取对应的储能站的诊断数据；将预处理后的诊断数据输入预训练的分布式神经网络实现对储能电站故障的诊断。
S1、获取各储能站中的各种电池的运行数据，并对数据进行预处理操作；
采集各电站的运行参数，并进行数据清洗以及标准化操作；其中运行参数包含电池电压数据、电池电流数据、电池库伦效率、电池温度数据以及电站环境数据；其中电站环境数据包括：电站环境温度、电站环境湿度、以及电站光照强度数据。
对工作运行数据进行清洗操作包括：将异常数据点进行删除以及插值操作；若运行参数点的幅值大于或小于平均幅值的6％，则视为异常数据点，对该点的工作运行参数删除；数据插值操作包括三次样条插值法实现对数据点的插值。
对数据的标准化操作，使用如下计算式实现对工作站运行参数的标准化：
式中，difStid为各电站运行参数的标准分，xi为各电站运行参数第i个参数值，其中参数值包括：电压、电流、电池库伦效率、电池温度、电站环境参数；为各电站中电池运行参数的平均值，VM为相应的电站运行参数的标准差；电站环境参数xk为电站温度、湿度以及光照幅值的加权参数；
电站环境参数xk可以表示为下式：
xk＝k1C1+k2C2+k3C3 (2)
其中ki表示电站温度、湿度、以及光照幅值的加权系数；C1、C2、C3分别表示电站环境温度标准化值、湿度标准化值以及光照标准化值。
其中电池的库伦效率的计算公式如下：
式中，Ce,i为电站中第i个电池的库伦效率，Qdischarge,i为各电站中第i个电池的放电电容，Qcharge,i为各电站中第i个电池的充电电容。
S2、将预处理后的电站运行参数使用各电站客户端中的特征提取网络实现对电站运行故障特征提取。
S21、建立客户端-中心服务器的分布式学习框架；
在对电站运行参数进行特征提取前，需要建立分布式神经网络学习架构；
在设备管理端建立中心服务器、在各电站的使用端构建客户端服务器，客户端服务器的数量大于等于5个。
在中心服务器中构建初始化特征提取网络模型，并对模型参数进行随机初始化；在将初始特征提取网络发送至客户端前，均进行一次参数的随机初始化；
S22、特征提取模型训练；
客户端服务器使用经过预处理的运行参数，对随机初始化模型开始模型训练，获取训练后的模型参数。
在特征提取网络模型训练阶段，将各电站的所有运行参数作为特征提取网络的输入数据实现对特征提取网络模型的训练。
S23、特征提取模型的参数更新与聚合；
在各客户端完成一次迭代训练后，将模型参数上传至中心服务器，中心服务器基于电站规模系数βi实现对各个电站客户端的模型参数的聚合。
S24、特征提取网络完成训练；
当接受各客户端服务器的模型参数满足中止条件时，停止对各个客户端服务器的特征提取网络的训练。
其中特征提取网络为电能残差感知网络BRAN(BatteryResidual-awareNetwork)，该特征提取网络包含五个输入层，各输入层分别对应电压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)；各输入层后包含5层卷积层以及4层反卷积层，各反卷积层后连接电能残差感知模块，实现对电站电能的特征提取。
其中BRAN网络于中心服务器处实现对参数的聚合，并使用如下损失函数更新和优化BRAN特征提取网络；
Ltot＝αLDis+βLSca+γLVar； (4)
其中，Ltot为BRAN网络的总损失函数，LDis为特征距离损失函数，LSca为电站规模损失函数，LVar为模型参数方差损失函数；α、β、γ分别为特征距离系数、电站规模系数以及参数方差系数；N为模型数量；Ii为运行参数；Ks1、Ks2模型输出特征；Gs1、GN为电站规模函数；Vs1、Vs2为客户端模型参数间方差。
S3、使用聚合特征提取网络于各电站客户端服务器实现对单一运行参数的特征提取，并对故障诊断分类模型进行训练。
S31、构建客户端-中心服务器的分布式故障诊断网络模型架构；
在对应客户端、中心服务器中构建故障诊断网络；在中心服务器中构建故障诊断网络模型，并对模型参数进行随机初始化；在将初始故障诊断网络发送至客户端前，均进行一次参数的随机初始化；
S31、故障诊断模型训练；
该故障诊断模型的训练分为K轮；在每一轮训练中，客户端特征提取网络仅对电压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)中的一种运行参数进行特征提取，并将提取的特征输入至故障诊断模型进行故障分类识别训练；在各客户端完成该轮训练后，将模型参数上传至中心服务器实现模型参数聚合；
该轮模型参数的加权聚合公式如下：
Ji＝h1i(P1+P2+P3+P4)+h2iP5 (8)
其中Ji为聚合模型参数，h1i、h2i为聚合系数；P1、P2、P3、P4为对电压、电流、电池库伦效率、电池温度中的一种运行参数进行特征提取并故障诊断分类识别的模型参数；P5为对环境参数进行特征提取并故障诊断分类识别的模型参数；
下一轮训练中该客户端将不再对前一轮的运行参数进行特征提取，也即替换另一种电站运行参数实现特征提取与分类诊断；
直至完成O轮训练或各个客户端均完成了电压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)运行参数的特征提取与分类诊断后，停止迭代训练，每轮迭代过程中使用交叉熵损失函数实现模型的更新训练。
其中故障诊断分类网络为包含5层全连接层的多分类FCN网络。
S4、采集电站运行参数，并输入至特征提取网络与故障诊断网络实现对电站故障诊断。
采集电站中的压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)运行参数，将其输入至特征提取网络，并将提取的特征输入至多分类FCN网络实现电站的故障诊断。
该方法还包括模型在线更新步骤，将采集的运行参数经过预处理后重新对中心服务器的特征提取网络以及多分类FCN网络进行在线训练与模型更新。
本发明提出一种基于分布式神经网络的储能电站故障诊断方法及系统，本发明至少具有以下有益效果：通过分布式神经网络在各电站本地进行模型训练，避免了电站生产数据的泄漏，保护电站数据安全性和隐私性的同时解决了设备生产企业数据收集困难、数据精度低的问题；构建BRAN特征提取网络实现对电站电能深层特征的提取，提高电站故障诊断精度；构建故障诊断分类网络的轮训机制，获取高精度、鲁棒性故障诊断分类网络，提升了故障诊断模型在不同场景的分类识别精度。
附图说明
图1是分布神经网络的客户端-服务器架构图；
图2是改进的BRAN网络的电能残差感知模块的网络结构图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
S1、获取各储能站中的各种电池的运行数据，并对数据进行预处理操作；
采集各电站的运行参数，并进行数据清洗以及标准化操作；其中运行参数包含电池电压数据、电池电流数据、电池库伦效率、电池温度数据以及电站环境数据；其中电站环境数据包括：电站环境温度、电站环境湿度、以及电站光照强度数据。
对工作运行数据进行清洗操作包括：将异常数据点进行删除以及插值操作；若运行参数点的幅值大于或小于平均幅值的6％，则视为异常数据点，对该点的工作运行参数删除；数据插值操作包括三次样条插值法实现对数据点的插值。
在一些实施例中，清洗数据：清洗数据是指去除异常数据点，例如采集设备故障或传输错误导致的异常值。具体来说，我们可以使用统计方法或阈值判定来检测异常数据点并将其剔除。例如，假设我们收集到一组电池温度数据如下：
[25,27,30,35,-50,28,29]
在这个例子中，-50是一个异常值，我们可以将其识别为异常数据点并将其从数据集中移除。
插值操作：插值操作是为了填补缺失的数据点。在电池运行过程中，可能会出现传感器故障或通信中断等情况，导致某些数据点缺失。为了保持数据的连续性，我们可以使用插值方法来填充这些缺失的数据点。常见的插值方法包括线性插值、多项式插值和样条插值等。
例如，假设我们收集到的电池电压数据如下：
[3.2,3.5,None,3.8,4.1]
在这个例子中，数据集中的第三个数据点是缺失的。我们可以使用线性插值方法，根据前后的数据点进行插值计算。根据线性插值公式，可以计算出缺失数据点的值为3.65，填补数据后的结果如下：
[3.2,3.5,3.65,3.8,4.1]
通过清洗数据和插值操作，我们可以减少异常数据对后续分析和建模的干扰，并确保数据的完整性和连续性。这些预处理步骤有助于提高数据质量，并为后续的故障诊断模型提供可靠的输入数据。
对数据的标准化操作，使用如下计算式实现对工作站运行参数的标准化：
式中，difStid为各电站运行参数的标准分，xi为各电站运行参数第i个参数值，其中参数值包括：电压、电流、电池库伦效率、电池温度、电站环境参数；为各电站中电池运行参数的平均值，VM为相应的电站运行参数的标准差；电站环境参数xk为电站温度、湿度以及光照幅值的加权参数；
电站环境参数xk可以表示为下式：
xk＝k1C1+k2C2+k3C3 (2)
其中ki表示电站温度、湿度、以及光照幅值的加权系数；C1、C2、C3分别表示电站环境温度标准化值、湿度标准化值以及光照标准化值。
其中电池的库伦效率的计算公式如下：
式中，Ce,i为电站中第i个电池的库伦效率，Qdischarge,i为各电站中第i个电池的放电电容，Qcharge,i为各电站中第i个电池的充电电容。
S2、将预处理后的电站运行参数使用各电站客户端中的特征提取网络实现对电站运行故障特征提取。
S21、建立客户端-中心服务器的分布式学习框架；
在对电站运行参数进行特征提取前，需要建立分布式神经网络学习架构；
在设备管理端建立中心服务器、在各电站的使用端构建客户端服务器，客户端服务器的数量大于等于5个。
在中心服务器中构建初始化特征提取网络模型，并对模型参数进行随机初始化；在将初始特征提取网络发送至客户端前，均进行一次参数的随机初始化；
S22、特征提取模型训练；
客户端服务器使用经过预处理的运行参数，对随机初始化模型开始模型训练，获取训练后的模型参数。
在特征提取网络模型训练阶段，将各电站的所有运行参数作为特征提取网络的输入数据实现对特征提取网络模型的训练。
S23、特征提取模型的参数更新与聚合；
在各客户端完成一次迭代训练后，将模型参数上传至中心服务器，中心服务器基于电站规模系数βi实现对各个电站客户端的模型参数的聚合。
S24、特征提取网络完成训练；
当接受各客户端服务器的模型参数满足中止条件时，停止对各个客户端服务器的特征提取网络的训练。
其中特征提取网络为电能残差感知网络BRAN(BatteryResidual-awareNetwork)，该特征提取网络包含五个输入层，各输入层分别对应电压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)；各输入层后包含5层卷积层以及4层反卷积层，各反卷积层后连接电能残差感知模块，实现对电站电能的特征提取。其整体网络结构示意图如图2所示：
其中Mixing模块为电压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)经过5层卷积层以及4层反卷积层后的加权值，也即获取加权融合特征，在图2中用M表示；感知层实现对电压、电流、电池库伦效率、电池温度的特征感知操作，实现对电池内部运行参数的特征感知操作，提取电池内部深层运行特征；最后将加权融合特征与感知层的深层感知特征进行深层融合，以获得电站电能深层特征；
其中BRAN网络于中心服务器处实现对参数的聚合，并使用如下损失函数更新和优化BRAN特征提取网络；
Ltot＝αLDis+βLSca+γLVar； (4)
其中，Ltot为BRAN网络的总损失函数，LDis为特征距离损失函数，LSca为电站规模损失函数，LVar为模型参数方差损失函数；α、β、γ分别为特征距离系数、电站规模系数以及参数方差系数；N为模型数量；Ii为运行参数；Ks1、Ks2模型输出特征；Gs1、GN为电站规模函数；Vs1、Vs2为客户端模型参数间方差。
S3、使用聚合特征提取网络于各电站客户端服务器实现对单一运行参数的特征提取，并对故障诊断分类模型进行训练。
S31、构建客户端-中心服务器的分布式故障诊断网络模型架构；
在对应客户端、中心服务器中构建故障诊断网络；在中心服务器中构建故障诊断网络模型，并对模型参数进行随机初始化；在将初始故障诊断网络发送至客户端前，均进行一次参数的随机初始化；
S31、故障诊断模型训练；
该故障诊断模型的训练分为K轮；在每一轮训练中，客户端特征提取网络仅对电压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)中的一种运行参数进行特征提取，并将提取的特征输入至故障诊断模型进行故障分类识别训练；在各客户端完成该轮训练后，将模型参数上传至中心服务器实现模型参数聚合；
该轮模型参数的加权聚合公式如下：
Ji＝h1i(P1+P2+P3+P4)+h2iP5 (8)
其中Ji为聚合模型参数，h1i、h2i为聚合系数；P1、P2、P3、P4为对电压、电流、电池库伦效率、电池温度中的一种运行参数进行特征提取并故障诊断分类识别的模型参数；P5为对环境参数进行特征提取并故障诊断分类识别的模型参数；
下一轮训练中该客户端将不再对前一轮的运行参数进行特征提取，也即替换另一种电站运行参数实现特征提取与分类诊断；
直至完成O轮训练或各个客户端均完成了电压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)运行参数的特征提取与分类诊断后，停止迭代训练，每轮迭代过程中使用交叉熵损失函数实现模型的更新训练。
其中故障诊断分类网络为包含5层全连接层的多分类FCN网络。
S4、采集电站运行参数，并输入至特征提取网络与故障诊断网络实现对电站故障诊断。
采集电站中的压、电流、电池库伦效率、电池温度、环境(温度、湿度、光照)运行参数，将其输入至特征提取网络，并将提取的特征输入至多分类FCN网络实现电站的故障诊断。
该实施例还包括模型在线更新步骤，将采集的运行参数经过预处理后重新对中心服务器的特征提取网络以及多分类FCN网络进行在线训练与模型更新。
本领域的技术人员应理解，上述描述及附图中所述的本发明的实施例只作为举例而不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方法可以有任何形式或修改。
Claims (10)
1.一种基于分布式神经网络的储能电站故障诊断方法，其特征在于，包括：
S1、获取各储能电站中的各种电池的运行数据，并对数据进行预处理操作；
S2、将预处理后的电站运行参数使用各电站客户端中的特征提取网络实现对电站运行故障特征提取；
S21、建立客户端-中心服务器的分布式学习框架；
S22、特征提取模型训练；
在特征提取网络模型训练阶段，将各电站的所有运行参数作为特征提取网络的输入数据实现对特征提取网络模型的训练；
S23、特征提取模型的参数更新与聚合；
在各客户端完成一次迭代训练后，将模型参数上传至中心服务器，中心服务器基于电站规模系数βi实现对各个电站客户端的模型参数的聚合；
S24、特征提取网络完成训练；
当接受各客户端服务器的模型参数满足中止条件时，停止对各个客户端服务器的特征提取网络的训练；
其中特征提取网络模型为电能残差感知网络BRAN，特征提取网络模型包含电能残差感知模块；电能残差感知模块包括Mixing模块和感知层；其中Mixing模块为电压、电流、电池库伦效率、电池温度以及电站环境参数经过5层卷积层以及4层反卷积层后的加权值，获取加权融合特征；感知层实现对电压、电流、电池库伦效率、电池温度的特征感知操作，实现对电池内部运行参数的特征感知操作，提取电池内部深层运行特征；最后将加权融合特征与感知层的深层感知特征进行深层融合，以获得电站电能深层特征；其中电站环境参数包含环境温度、环境湿度以及环境光照数据；
其中BRAN网络于中心服务器处实现对参数的聚合，并使用如下损失函数更新和优化BRAN特征提取网络；
Ltot＝αLDis+βLSca+γLVar；(4)
其中，Ltot为BRAN网络的总损失函数，LDis为特征距离损失函数，LSca为电站规模损失函数，LVar为模型参数方差损失函数；α、β、γ分别为特征距离系数、电站规模系数以及参数方差系数；N为模型数量；Ii为运行参数；Ks1、Ks2模型输出特征；Gs1、GN为电站规模函数；Vs1、Vs2为客户端模型参数间方差；
S3、使用聚合特征提取网络于各电站客户端服务器实现对单一运行参数的特征提取，并对故障诊断分类模型进行训练；
S4、采集电站运行参数，并输入至特征提取网络与故障诊断分类模型实现对电站故障诊断。
2.根据权利要求1所述的一种基于分布式神经网络的储能电站故障诊断方法，其特征在于，对数据进行预处理操作，包含以下预处理过程：
对工作运行数据进行清洗操作包括：将异常数据点进行删除以及插值操作；若运行参数点的幅值大于或小于平均幅值的6％，则视为异常数据点，对该异常数据点的工作运行参数删除；数据插值操作包括三次样条插值法实现对数据点的插值；
对数据的标准化操作，使用如下计算式实现对工作站运行参数的标准化：
式中，difStid为各电站运行参数的标准分，xi为各电站运行参数第i个参数值，其中参数值包括：电压、电流、电池库伦效率以及电池温度；为各电站中电池运行参数的平均值，VM为相应的电站运行参数的标准差。
3.根据权利要求2所述的一种基于分布式神经网络的储能电站故障诊断方法，其特征在于，所述电站环境参数还包括：
电站环境参数xk表示为下式：
xk＝k1C1+ k2C2+ k3C3 (2)
其中k1、k2、k3分别表示电站环境温度、湿度、以及光照幅值的加权系数；C1、C2、C3分别表示电站环境温度标准化值、湿度标准化值以及光照标准化值。
4.根据权利要求2所述的一种基于分布式神经网络的储能电站故障诊断方法，其特征在于，电池的库伦效率为：
电池的库伦效率的计算公式如下：
式中，Ce,i为电站中第i个电池的库伦效率，Qdischarge,i为各电站中第i个电池的放电电容，Qcharge,i为各电站中第i个电池的充电电容。
5.根据权利要求1所述的一种基于分布式神经网络的储能电站故障诊断方法，其特征在于，所述电能残差感知网络BRAN包括：
特征提取网络包含五个输入层，各输入层分别对应电压、电流、电池库伦效率、电池温度以及电站环境参数；各输入层后包含5层卷积层以及4层反卷积层，各反卷积层后连接电能残差感知模块，实现对电站电能的特征提取。
6.根据权利要求1所述的一种基于分布式神经网络的储能电站故障诊断方法，其特征在于，对故障诊断分类模型的训练包括以下步骤：
S31、构建客户端-中心服务器的分布式故障诊断分类模型架构；
在中心服务器中构建故障诊断分类模型，并对模型参数进行随机初始化；在将初始故障诊断网络发送至客户端前，均进行一次参数的随机初始化；
S31、故障诊断分类模型训练；
该故障诊断分类模型的训练分为K轮；在每一轮训练中，客户端特征提取网络仅对电压、电流、电池库伦效率、电池温度以及电站环境参数中的一种运行参数进行特征提取，并将提取的特征输入至初始故障诊断分类模型进行故障分类识别训练；在各客户端完成该轮训练后，将模型参数上传至中心服务器实现模型参数聚合；
下一轮训练中该客户端将不再对前一轮的运行参数进行特征提取，也即替换另一种电站运行参数实现特征提取与分类诊断；
直至完成O轮训练或各个客户端均完成了电压、电流、电池库伦效率、电池温度以及电站环境参数运行参数的特征提取与分类诊断后，停止迭代训练，每轮迭代过程中使用交叉熵损失函数实现模型的更新训练。
7.根据权利要求6所述的一种基于分布式神经网络的储能电站故障诊断方法，其特征在于，中心服务器对模型参数进行加权聚合的方法包括：
使用如下加权聚合的公式实现对各个客户端模型的加权聚合：
Ji＝h1i(P1+ P2+ P3 + P4)+h2iP5 (8)
其中Ji为聚合模型参数，h1i、h2i为聚合系数；P1、P2、P3、P4为对电压、电流、电池库伦效率以及电池温度中的一种运行参数进行特征提取并故障诊断分类识别的模型参数；P5为对电站环境参数进行特征提取并故障诊断分类识别的模型参数。
8.根据权利要求6所述的一种基于分布式神经网络的储能电站故障诊断方法，其特征在于：故障诊断分类模型为包含5层全连接层的多分类FCN网络。
9.根据权利要求8所述的一种基于分布式神经网络的储能电站故障诊断方法，其特征在于：特征提取网络模型以及故障诊断分类模型还包括模型在线更新步骤，将采集的运行参数经过预处理后重新对中心服务器的特征提取网络模型以及多分类FCN网络进行在线训练与模型更新。
10.一种基于分布式神经网络的储能电站故障诊断系统，其特征在于，所述系统实现权利要求1-9中任一项所述的一种基于分布式神经网络的储能电站故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310853073.4A CN116577673B (zh) | 2023-07-12 | 2023-07-12 | 一种基于分布式神经网络的储能电站故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310853073.4A CN116577673B (zh) | 2023-07-12 | 2023-07-12 | 一种基于分布式神经网络的储能电站故障诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116577673A CN116577673A (zh) | 2023-08-11 |
| CN116577673B true CN116577673B (zh) | 2023-09-12 |
Family
ID=87534521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310853073.4A Active CN116577673B (zh) | 2023-07-12 | 2023-07-12 | 一种基于分布式神经网络的储能电站故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116577673B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001266268A (ja) * | 2000-03-17 | 2001-09-28 | Seiko Precision Inc | センシング装置 |
| GB0206316D0 (en) * | 2002-03-18 | 2002-05-01 | Chan Ching C | Battery residual capacity estimation for electric vehicles |
| CN105552969A (zh) * | 2015-12-29 | 2016-05-04 | 北京国电通网络技术有限公司 | 基于功率预测的分布式光伏发电输出功率平滑方法和系统 |
| CN105680771A (zh) * | 2016-03-25 | 2016-06-15 | 南通大学 | 一种风光互补发电系统及控制方法 |
| CN105990834A (zh) * | 2015-02-15 | 2016-10-05 | 国家电网公司 | 一种电池储能电站的故障诊断与评估方法 |
| CN110535159A (zh) * | 2019-07-25 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种规模化储能电站运行单元故障预警的方法及系统 |
| CN112132264A (zh) * | 2020-09-11 | 2020-12-25 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于时空残差感知网络的区域尾气排放预测方法及系统 |
| CN113517760A (zh) * | 2021-09-10 | 2021-10-19 | 广州健新科技有限责任公司 | 一种基于大数据和数字孪生的电池储能站监测方法及系统 |
| CN114755515A (zh) * | 2022-03-31 | 2022-07-15 | 山东电工电气集团有限公司 | 一种基于数据挖掘的储能电站关键设备故障诊断预警方法 |
| CN114913036A (zh) * | 2022-06-17 | 2022-08-16 | 江南大学 | 一种光伏电站的联合故障诊断系统及故障诊断方法 |
| WO2022173384A1 (en) * | 2021-02-11 | 2022-08-18 | Eatron Yazilim Ve Muhendislik Teknolojileri A. S. | Early fault detection method for a battery |
| CN116310045A (zh) * | 2023-04-24 | 2023-06-23 | 天度(厦门)科技股份有限公司 | 一种三维人脸纹理创建方法、装置及设备 |
-
2023
- 2023-07-12 CN CN202310853073.4A patent/CN116577673B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001266268A (ja) * | 2000-03-17 | 2001-09-28 | Seiko Precision Inc | センシング装置 |
| GB0206316D0 (en) * | 2002-03-18 | 2002-05-01 | Chan Ching C | Battery residual capacity estimation for electric vehicles |
| CN105990834A (zh) * | 2015-02-15 | 2016-10-05 | 国家电网公司 | 一种电池储能电站的故障诊断与评估方法 |
| CN105552969A (zh) * | 2015-12-29 | 2016-05-04 | 北京国电通网络技术有限公司 | 基于功率预测的分布式光伏发电输出功率平滑方法和系统 |
| CN105680771A (zh) * | 2016-03-25 | 2016-06-15 | 南通大学 | 一种风光互补发电系统及控制方法 |
| CN110535159A (zh) * | 2019-07-25 | 2019-12-03 | 中国电力科学研究院有限公司 | 一种规模化储能电站运行单元故障预警的方法及系统 |
| CN112132264A (zh) * | 2020-09-11 | 2020-12-25 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 基于时空残差感知网络的区域尾气排放预测方法及系统 |
| WO2022173384A1 (en) * | 2021-02-11 | 2022-08-18 | Eatron Yazilim Ve Muhendislik Teknolojileri A. S. | Early fault detection method for a battery |
| CN113517760A (zh) * | 2021-09-10 | 2021-10-19 | 广州健新科技有限责任公司 | 一种基于大数据和数字孪生的电池储能站监测方法及系统 |
| CN114755515A (zh) * | 2022-03-31 | 2022-07-15 | 山东电工电气集团有限公司 | 一种基于数据挖掘的储能电站关键设备故障诊断预警方法 |
| CN114913036A (zh) * | 2022-06-17 | 2022-08-16 | 江南大学 | 一种光伏电站的联合故障诊断系统及故障诊断方法 |
| CN116310045A (zh) * | 2023-04-24 | 2023-06-23 | 天度(厦门)科技股份有限公司 | 一种三维人脸纹理创建方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| yu,s et al..HANME：Hierarchical attention network for singing melody extraction.IEEE SIGNAL PROCESSING LETTERS.2021,第28卷第1006-1010页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116577673A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
| CN109375116B (zh) | 一种基于自编码器的电池系统异常电池识别方法 | |
| CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
| CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| CN114219147A (zh) | 一种基于联邦学习的配电站故障预测方法 | |
| CN113406521B (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
| CN113030763A (zh) | 一种车用动力电池一致性差异的潜在风险诊断系统 | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
| Sun et al. | A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery | |
| CN114355206A (zh) | 一种基于相似性度量的储能电池无监督故障诊断算法 | |
| CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
| Ding et al. | Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks | |
| CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
| CN117951629B (zh) | 一种电池组充放电温度异常行为的检测方法及系统 | |
| CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析系统和方法 | |
| CN115481796A (zh) | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 | |
| CN117973442A (zh) | 基于混合神经网络的锂离子电池soc估计方法 | |
| CN116577673B (zh) | 一种基于分布式神经网络的储能电站故障诊断方法及系统 | |
| CN116559680A (zh) | 一种电池故障诊断方法、装置、电子设备和存储介质 | |
| CN116087780A (zh) | 一种锂电池寿命预测方法及系统 | |
| CN111537889B (zh) | 一种数据驱动的梯次电池rul预测与分类方法 | |
| Xia et al. | Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis |
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 |