CN116937758A - 一种家庭储能电源系统及其运行方法 - Google Patents
一种家庭储能电源系统及其运行方法 Download PDFInfo
- Publication number
- CN116937758A CN116937758A CN202311205868.0A CN202311205868A CN116937758A CN 116937758 A CN116937758 A CN 116937758A CN 202311205868 A CN202311205868 A CN 202311205868A CN 116937758 A CN116937758 A CN 116937758A
- Authority
- CN
- China
- Prior art keywords
- power supply
- energy storage
- matrix
- parameter information
- supply system
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 113
- 230000006870 function Effects 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 230000015654 memory Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/02—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries for charging batteries from ac mains by converters
- H02J7/04—Regulation of charging current or voltage
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J9/00—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting
- H02J9/04—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source
- H02J9/06—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems
- H02J9/062—Circuit arrangements for emergency or stand-by power supply, e.g. for emergency lighting in which the distribution system is disconnected from the normal source and connected to a standby source with automatic change-over, e.g. UPS systems for AC powered loads
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
- H02J2310/10—The network having a local or delimited stationary reach
- H02J2310/12—The local stationary network supplying a household or a building
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电能储存系统技术领域,更具体地,本发明涉及一种家庭储能电源系统及其运行方法,该方法包括根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量;根据三维张量及其对应的系统状态生成对应的样本集,并设置损失函数;利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型;实时采集电网中的供电参数信息和输电线路中的供电参数信息;将获取的供电参数信息输入供电安全性检测模型,以输出家庭储能电源系统是否正常。根据本发明的方案,解决了现有的家庭储能电源系统运行安全性难以保障的问题。
Description
技术领域
本发明涉及电能储存系统技术领域。更具体地,本发明涉及一种家庭储能电源系统及其运行方法。
背景技术
近年来,随着储能技术的快速发展,储能走进了越来越多的家庭,家庭储能电源系统的主要功能是将家庭中的电能储存起来,以便在需要的时候供应给家庭电器使用,这样的系统可以在电网供电不稳定或停电时提供备用电源。尽管家庭储能电源系统在能源管理和供电方面有许多优点,但也存在一些问题和挑战,例如网络互联问题:家庭储能电源系统需要与电网和其他能源设备(如太阳能电池板、风力发电机等)进行互联和管理。这需要适当的通信和控制系统,以确保系统的稳定和协调运行。
目前通过储能网络的数据整体分析网络安全性的方法较少,导致目前家庭春泥更电源系统的运行安全性降低。公开号为CN106356907A的专利文件就公开了一种家庭供电系统及其运行方法,该方法解决了家庭供电系统输出电能的类型、幅值和负载所需电能类型、幅值的适配问题。然而,该系统及方法并没有针对家庭储能电源系统的安全性进行可靠判别,导致对家庭储能电源系统的整体监测和潜在故障判断的能力不足。
因此,如何解决现有的家庭储能电源系统运行安全性难以保障的问题,是目前供电系统研究的重点。
发明内容
为解决上述一个或多个技术问题,本发明提出通过在家庭储能电源终端和变流器处设置相应的控制器获取供电参数信息,并将家庭储能电源系统的时间特征和空间特征结合,实现对家庭储能电源系统的安全性的准确判断,有效提升了家庭储能电源系统运行的可靠性。为此,本发明在如下的多个方面中提供方案。
在第一方面中,本发明提供了一种家庭储能电源系统,包括多端口双向变换器、第一控制器以及一个或多个家庭储能电源终端,所述多端口双向变换器与交流母线、直流母线、第一控制器以及一个或多个家庭储能电源终端连接,所述家庭储能电源终端包括第二控制器,所述第二控制器与第一控制器连接,所述第一控制器用于获取电网中的供电参数信息,第二控制器用于获取输电线路中的供电参数信息;所述第一控制器还用于将获取的供电参数信息输入供电安全性检测模型,以输出家庭储能电源系统是否正常;其中供电安全性检测模型的构建过程包括根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量;根据三维张量及其对应的系统状态生成对应的样本集,并设置损失函数,所述损失函数采用以下公式确定:
式中,α表示不同类别样本的损失权重,y'表示模型预测为某一类别的概率,γ表示惩罚因子,表示储能电源系统有故障分类为储能系统正常的损失惩罚项,γ越小损失函数越大惩罚越大,y表示样本的真实值;利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型。
在一个实施例中,所述家庭储能电源终端还包括切换开关和电池包,所述切换开关与多端口双向变换器和家庭用电负载连接,所述电池包与所述切换开关连接,用于储能。
在一个实施例中,所述多端口双向变换器处还设置有第一传感器模组,用于监测电网中的供电参数信息,所述第一控制器与所述第一传感器模组连接,用于获取电网中的供电参数信息。
在一个实施例中,所述家庭储能电源终端还包括第二传感器模组,用于监测输电线路中的供电参数信息,所述第二控制器与所述第二传感器模组连接,用于获取输电线路中的供电参数信息。
在第二方面中,本发明还提供了一种利用如前文一个或多个实施例中所述的家庭储能电源系统的运行方法,包括:根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量;根据三维张量及其对应的系统状态生成对应的样本集,并设置损失函数,所述损失函数采用以下公式确定:
式中,α表示不同类别样本的损失权重,y'表示模型预测为某一类别的概率,γ表示惩罚因子,表示储能电源系统有故障分类为储能系统正常的损失惩罚项,γ越小损失函数越大惩罚越大,y表示样本的真实值;利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型;实时采集电网中的供电参数信息和输电线路中的供电参数信息;将获取的供电参数信息输入供电安全性检测模型,以输出家庭储能电源系统是否正常。
在一个实施例中,根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量包括:根据供电参数信息生成样本矩阵;将样本矩阵中的每一列减去对应属性的初始值,以得到波动矩阵;计算所述样本矩阵的协方差,以得到协方差矩阵;根据样本矩阵中每一个点在不同角度、相同线路和相同传感器的空间特征构建空间特征共生矩阵,所述空间特征共生矩阵表示某时刻的传感器数值与相邻时刻同类传感器数值之间的变化情况,根据所述波动矩阵、协方差矩阵、空间特征共生矩阵构建三维张量。
在一个实施例中,根据所述波动矩阵、协方差矩阵、空间特征共生矩阵构建三维张量包括:将所述波动矩阵、协方差矩阵、空间特征共生矩阵按照设定的规则进行叠加,以得到家庭储能电源系统的三维张量。
在一个实施例中,利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型包括:将样本集和损失函数输入卷积长短期记忆神经网络中进行训练;调节卷积长短期记忆神经网络中的超参数,并根据评价指标选取效果最优的模型,所述评价指标采用以下公式确定:
式中,P、R分别表示模型的查准率和查全率。
在一个实施例中,所述供电安全性检测模型的分类决策标准设定为:
式中,表示储能系统正常/储能系统有潜在风险的概率,符号/>表示远大于,当/>大于/>的设定倍数时,将训练样本分为储能系统正常的类别。
在一个实施例中,所述供电参数信息包括电压值、电压相位、电压频率、失压情况、过压情况、电流值、电流频率、谐波情况、温度值和温度升高速率。
本发明的有益效果在于:本发明通过在家庭储能电源系统中设置相应的控制器,以获取电网和输电线路中的供电参数信息,根据训练好的供电安全性检测模型对系统安全性进行检测,从而实现对家庭储能电源系统中的潜在故障进行有效检测,保证了家庭储能电源系统的正常运行。
另外,本发明中还通过设计一种对应的运行方法,通过采集电网和输电线路中的供电参数信息,并从中提取家庭储能电源系统的时间特征得到波动矩阵,提取家庭储能电源系统的空间特征得到协方差矩阵和空间特征共生矩阵,根据不同类别误判的现实损失,实现了对家庭储能电源系统中的潜在故障的检测,有效减少了故障的漏检或误检次数,保证了家庭储能电源系统的正常运行。
进一步,本发明中还通过利用波动矩阵、协方差矩阵和空间特征共生矩阵进行叠加构建三维张量,从而实现了利用供电参数信息对系统安全性的精确检测。
更进一步,通过查准率和查全率设置评价指标,并通过合理设定分类决策标准,有效提升了该供电安全性检测模型的有效性,实现准确的系统供电安全性评估。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是示意性示出根据本发明的实施例的家庭储能电源系统的结构的示意图;
图2是示意性示出根据本发明的实施例的家庭储能电源系统的运行方法的流程图;
图3是示意性示出根据本发明的实施例的根据供电参数信息构建各属性的特征矩阵的方法的流程图;
图4是示意性示出根据本发明的实施例的模型训练的方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
图1是示意性示出根据本发明的实施例的家庭储能电源系统的结构的示意图。
如图1所示,本发明中的家庭储能电源系统包括多端口双向变换器、第一控制器以及一个或多个家庭储能电源终端。多端口双向变换器与交流母线1、直流母线2、第一控制器以及一个或多个家庭储能电源终端连接。该多端口双向变换器还包括多个接口,例如接口3-n,分别与若干个家庭储能电源终端连接。家庭储能电源终端包括第二控制器,第二控制器与第一控制器连接,第一控制器用于获取电网中的供电参数信息,第二控制器用于获取输电线路中的供电参数信息。
第一控制器还用于将获取的供电参数信息输入供电安全性检测模型,以输出家庭储能电源系统是否正常。其中供电安全性检测模型的构建过程包括:首先,根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量。接着,根据三维张量及其对应的系统状态生成对应的样本集,并设置损失函数,损失函数采用以下公式确定:
式中,α表示不同类别样本的损失权重,y'表示模型预测为某一类别的概率,γ表示惩罚因子,表示储能电源系统有故障分类为储能系统正常的损失惩罚项,γ越小损失函数越大惩罚越大,y表示样本的真实值。最后,利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型。
在一些实施例中,家庭储能电源终端还包括切换开关和电池包,切换开关与多端口双向变换器和家庭用电负载连接,例如负载A1至负载An。电池包与切换开关连接,用于储能。上述切换开关可以是插座,电池包可以作为储能电源,并通过插座接入供电系统中。在市电正常供电时,可以为电池包进行供电,而在市电供电异常时,可以将该储能电源接入将存储的电能反馈至电网或提供给家庭用电负载。
在一些实施例中,为了能够获取前述的供电参数信息,多端口双向变换器处还设置有第一传感器模组,用于监测电网中的供电参数信息,第一控制器与第一传感器模组连接,用于获取电网中的供电参数信息。
进一步,家庭储能电源终端还包括第二传感器模组,用于监测输电线路中的供电参数信息。第二控制器与第二传感器模组连接,用于获取输电线路中的供电参数信息。
在本说明书的上述描述中,除非另有明确的规定和限定,术语“固定”、“安装”、“相连”或“连接”等术语应该做广义的理解。例如,就术语“连接”来说,其可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,或者可以是两个元件内部的连通或两个元件的相互作用关系。因此,除非本说明书另有明确的限定,本领域技术人员可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本说明书中所使用的术语“第一”或“第二”等用于指代编号或序数的术语仅用于描述目的,而不能理解为明示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”或“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中,“多个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
图2是示意性示出根据本发明的实施例的家庭储能电源系统的运行方法的流程图。
如图2所示,在步骤S201处,根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量。在一个应用场景中,通过家庭储能电源系统(例如100个家庭的储能电源)上的分布的传感器采集家庭储能电源系统各点位的数据,如电压传感器采集的(电压值、相位、频率、失压、过压)、电流传感器采集的(电流值、频率、谐波)、温度传感器采集的(温度值、温度升高速率)等。对上述供电参数信息进行去噪处理,并将数据整理为矩阵的形式。
通过数据采集可获得样本矩阵,用样本里的每一列减去该属性的初始值,如电压值减去额定电压值,获得样本各属性的波动矩阵。接着,计算样本矩阵的协方差矩阵,得到协方差矩阵。通过计算样本矩阵中每一个点在不同角度,相同线路上和相同传感器下的空间特征共生矩阵,其表示某一时刻传感器数值与相邻时刻和同类传感器数值的变化状况。
在步骤S202处,根据三维张量及其对应的系统状态生成对应的样本集,并设置损失函数。根据波动矩阵、协方差矩阵、空间特征共生矩阵构建一个三维张量,并对该张量根据实际情况和经验打上家庭储能电源系统正常(1)/家庭储能电源系统有潜在风险(0)的标签,建立样本集,并对其划分训练集和验证集。根据实际情况确定分类损失(不同类型样本分类错误的实际损失不同和正负样本的比例)。对标签为0分类结果为1的样本设置较大的惩罚,标签为1分类结果为0的样本设置较小的惩罚。
在一些实施例中,该损失函数采用以下公式确定:
式中,α表示不同类别样本的损失权重,y'表示模型预测为某一类别的概率,γ表示惩罚因子,表示储能电源系统有故障分类为储能系统正常的损失惩罚项,γ越小损失函数越大惩罚越大,y表示样本的真实值。
在步骤S203处,利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型。在一些实施例中,根据样本集和设置的损失函数,建立CNN-LSTM(convolutional neural networks-Long Short-Term Memory,卷积长短期记忆神经网络)分类模型,使用样本集对其进行训练,得到供电安全性检测模型,用该模型对采集的新样本进行分类,检测家庭储能电源系统。
在步骤S204处,实时采集电网中的供电参数信息和输电线路中的供电参数信息。
在步骤S205处,将获取的供电参数信息输入供电安全性检测模型,以输出家庭储能电源系统是否正常。
图3是示意性示出根据本发明的实施例的根据供电参数信息构建各属性的特征矩阵的方法的流程图。
如图3所示,在步骤S301处,根据供电参数信息生成样本矩阵。在一些实施例中,供电参数信息包括电压值、电压相位、电压频率、失压情况、过压情况、电流值、电流频率、谐波情况、温度值和温度升高速率。供电参数信息包括电压值、电压相位、电压频率、失压情况、过压情况、电流值、电流频率、谐波情况、温度值和温度升高速率。接着,可以把数据以矩阵的形式存放,列表示传感器的位置和类型,如线路1上的温度传感器1,行表示不同时刻传感器收集的数据大小,采集时间的间隔是60s。由此可以得到家庭储能电源系统的样本矩阵。
在步骤S302处,将样本矩阵中的每一列减去对应属性的初始值,以得到波动矩阵。通过数据采集可获得样本矩阵,用样本里的每一列减去该属性的初始值,如电压值减去额定电压值,可以获得样本各属性的波动矩阵。
在步骤S303处,计算样本矩阵的协方差,以得到协方差矩阵。
在步骤S304处,根据样本矩阵中每一个点在不同角度、相同线路和相同传感器的空间特征构建空间特征共生矩阵,所述空间特征共生矩阵表示某时刻的传感器数值与相邻时刻同类传感器数值之间的变化情况。通过计算样本矩阵中每一个点在不同角度,相同线路上和相同传感器下的空间特征,可以得到家庭储能电源系统的空间特征共生矩阵,其表示某一时刻传感器数值与相邻时刻和周围同类传感器数值的变化状况。在一个实施例中,由于样本矩阵的各属性间的单位尺度不同且属性值大小相差较大,无法计算其空间特征共生矩阵。因此,使用波动矩阵计算空间特征共生矩阵,可以得到和计算样本矩阵一样的空间特征共生矩阵。
在一个应用场景中,计算波动矩阵H中的任意一点(x,y)的值a,在0度、45度、90度、135度且与a具有相同属性的方向上,距离点(x,y)为(dx,dy)的点(x+dx,y+dy)的值为b的概率,其中minH<a,b<maxH。由于a,b遍历波动中所有存在的数值,计算量较大,所以对波动矩阵设置60个数值等级:
统计在0度、45度、90度、135度且与a具有相同属性的方向上,(1,1)、(1,2)、(1,3)、...、(2,1)、...、(60,60)出现的次数,对其归一化得到空间特征共生矩阵。
在步骤S305处,根据波动矩阵、协方差矩阵、空间特征共生矩阵构建三维张量。具体地,样本集的构建过程中,根据上述步骤得到波动矩阵、协方差矩阵、空间特征共生矩阵,将其按设定规则叠加起来,可以得到60×60×3的家庭储能电源系统的特征张量。
最后,根据实际情况和过往经验对特征张量打上家庭储能电源系统正常(1)/家庭储能电源系统有潜在风险(0)的标签,最终获得3000个标签样本,对标签样本随机划分训练集和测试集,训练集和测试集的比例为4:1。
由此,可以生成对模型进行训练的训练集,接下来将根据该训练集对构建的模型进行训练,从而得到对应的供电安全性检测模型。
图4是示意性示出根据本发明的实施例的模型训练的方法的流程图。
如图4所示,在步骤S401处,将样本集和损失函数输入卷积长短期记忆神经网络中进行训练。在一个应用场景中,利用上述步骤可以根据样本集生成对应的训练集。根据实际情况确定分类损失(不同类型的样本分类错误的实际损失不同和正负样本的比例)。对标签为0(储能系统有潜在风险)分类结果为1的样本设置较大的惩罚,标签为1分类结果为0的样本设置较小的惩罚。
具体地,在分类的决策上,模型会输出样本是储能系统正常/储能系统有潜在风险的概率,传统的决策标准是判断谁的概率大即/>,概率大即分为哪一类,在家庭储能电源系统的故障诊断中,有故障决策为无故障的现实损失远大于检测结果为有故障时的现实损失。
基于此,该供电安全性检测模型的分类决策标准设定为:
式中,表示储能系统正常/储能系统有潜在风险的概率,符号/>表示远大于,当/>大于/>的设定倍数时,将训练样本分为储能系统正常的类别。
模型的损失函数在使用交叉熵损失函数的基础上,给两种分类错误不同的权重,根据分类错误的现实损失给储能系统有潜在风险分类为储能系统正常的样本较大的惩罚。由此,可以得到本发明中的上述损失函数:
其中,α是不同类别样本的损失权重,α越大表示损失的权重越大;y'表示模型预测为某一类别的概率,γ表示惩罚因子,代表储能系统有故障分类为储能系统正常的损失惩罚项,γ的取值范围是大于0,γ越小损失函数越大,表示惩罚越大,y表示样本的真实值。在一个应用场景中,α的值为0.3,γ的值为0.25,即储能系统有故障类别的预测损失更大,确保系统有潜在故障时可以检测出来。
在步骤S402处,调节卷积长短期记忆神经网络中的超参数,并根据评价指标选取效果最优的模型。在一些实施例中,将样本集输入到CNN-LSTM模型中进行训练,调节模型中的超参数,根据模型的评价指标选取效果最优的模型。由于CNN-LSTM既有卷积神经网络关注家庭储能电源系统空间特征的能力,又有循环神经网络(长短期记忆网络)关注家庭储能电源系统时间特征的能力,从而可以实现对系统安全性的有效检测。模型的评价指标如下:
其中,P,R分别表示模型的查准率和查全率,查准率和查全率是用于评估分类模型性能的指标之一,查准率衡量了模型在预测为正例的样本中有多少是真正的正例,查全率衡量了模型在所有实际正例中正确预测为正例的比例。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (10)
1.一种家庭储能电源系统,其特征在于,包括多端口双向变换器、第一控制器以及一个或多个家庭储能电源终端,所述多端口双向变换器与交流母线、直流母线、第一控制器以及一个或多个家庭储能电源终端连接,所述家庭储能电源终端包括第二控制器,所述第二控制器与第一控制器连接,所述第一控制器用于获取电网中的供电参数信息,第二控制器用于获取输电线路中的供电参数信息;
所述第一控制器还用于将获取的供电参数信息输入供电安全性检测模型,以输出家庭储能电源系统是否正常;其中供电安全性检测模型的构建过程包括根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量;
根据三维张量及其对应的系统状态生成对应的样本集,并设置损失函数,所述损失函数采用以下公式确定:
式中,α表示不同类别样本的损失权重,y'表示模型预测为某一类别的概率,γ表示惩罚因子,表示储能电源系统有故障分类为储能系统正常的损失惩罚项,γ越小损失函数越大惩罚越大,y表示样本的真实值;
利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型。
2.根据权利要求1所述的家庭储能电源系统,其特征在于,所述家庭储能电源终端还包括切换开关和电池包,所述切换开关与多端口双向变换器和家庭用电负载连接,所述电池包与所述切换开关连接,用于储能。
3.根据权利要求1所述的家庭储能电源系统,其特征在于,所述多端口双向变换器处还设置有第一传感器模组,用于监测电网中的供电参数信息,所述第一控制器与所述第一传感器模组连接,用于获取电网中的供电参数信息。
4.根据权利要求3所述的家庭储能电源系统,其特征在于,所述家庭储能电源终端还包括第二传感器模组,用于监测输电线路中的供电参数信息,所述第二控制器与所述第二传感器模组连接,用于获取输电线路中的供电参数信息。
5.一种利用如权利要求1-4任意一项所述的家庭储能电源系统的运行方法,其特征在于,包括:
根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量;
根据三维张量及其对应的系统状态生成对应的样本集,并设置损失函数,所述损失函数采用以下公式确定:
式中,α表示不同类别样本的损失权重,y'表示模型预测为某一类别的概率,γ表示惩罚因子,表示储能电源系统有故障分类为储能系统正常的损失惩罚项,γ越小损失函数越大惩罚越大,y表示样本的真实值;
利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型;
实时采集电网中的供电参数信息和输电线路中的供电参数信息;
将获取的供电参数信息输入供电安全性检测模型,以输出家庭储能电源系统是否正常。
6.根据权利要求5所述的家庭储能电源系统的运行方法,其特征在于,根据供电参数信息构建各属性的波动矩阵、协方差矩阵和空间特征共生矩阵,并生成三维张量包括:
根据供电参数信息生成样本矩阵;
将样本矩阵中的每一列减去对应属性的初始值,以得到波动矩阵;
计算所述样本矩阵的协方差,以得到协方差矩阵;
根据样本矩阵中每一个点在不同角度、相同线路和相同传感器的空间特征构建空间特征共生矩阵,所述空间特征共生矩阵表示某时刻的传感器数值与相邻时刻同类传感器数值之间的变化情况;
根据所述波动矩阵、协方差矩阵、空间特征共生矩阵构建三维张量。
7.根据权利要求6所述的家庭储能电源系统的运行方法,其特征在于,根据所述波动矩阵、协方差矩阵、空间特征共生矩阵构建三维张量包括:
将所述波动矩阵、协方差矩阵、空间特征共生矩阵按照设定的规则进行叠加,以得到家庭储能电源系统的三维张量。
8.根据权利要求5所述的家庭储能电源系统的运行方法,其特征在于,利用样本集和损失函数对卷积长短期记忆神经网络进行训练,以得到供电安全性检测模型包括:
将样本集和损失函数输入卷积长短期记忆神经网络中进行训练;
调节卷积长短期记忆神经网络中的超参数,并根据评价指标选取效果最优的模型,所述评价指标采用以下公式确定:
式中,P、R分别表示模型的查准率和查全率。
9.根据权利要求5所述的家庭储能电源系统的运行方法,其特征在于,所述供电安全性检测模型的分类决策标准设定为:
式中,表示储能系统正常/储能系统有潜在风险的概率,符号/>表示远大于,当/>大于/>的设定倍数时,将训练样本分为储能系统正常的类别。
10.根据权利要求5所述的家庭储能电源系统的运行方法,其特征在于,所述供电参数信息包括电压值、电压相位、电压频率、失压情况、过压情况、电流值、电流频率、谐波情况、温度值和温度升高速率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205868.0A CN116937758B (zh) | 2023-09-19 | 2023-09-19 | 一种家庭储能电源系统及其运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311205868.0A CN116937758B (zh) | 2023-09-19 | 2023-09-19 | 一种家庭储能电源系统及其运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116937758A true CN116937758A (zh) | 2023-10-24 |
CN116937758B CN116937758B (zh) | 2023-12-19 |
Family
ID=88390138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311205868.0A Active CN116937758B (zh) | 2023-09-19 | 2023-09-19 | 一种家庭储能电源系统及其运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116937758B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106356907A (zh) * | 2016-10-26 | 2017-01-25 | 广东工业大学 | 一种家庭供电系统及其运行方法 |
CN108923449A (zh) * | 2018-06-28 | 2018-11-30 | 国网上海市电力公司 | 一种家庭能量管理系统及方法 |
CN111275113A (zh) * | 2020-01-20 | 2020-06-12 | 西安理工大学 | 基于代价敏感混合网络的偏斜类时间序列异常检测方法 |
CN113839411A (zh) * | 2020-06-08 | 2021-12-24 | 蓝谷智慧(北京)能源科技有限公司 | 一种家庭储能系统的控制方法、装置及家庭储能系统 |
CN115733730A (zh) * | 2022-11-15 | 2023-03-03 | 国网新疆电力有限公司电力科学研究院 | 一种基于图神经网络的电网故障检测方法及装置 |
US20230072702A1 (en) * | 2021-09-09 | 2023-03-09 | Ambarella International Lp | Accelerating speckle image block matching using convolution techniques |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN116436700A (zh) * | 2023-06-09 | 2023-07-14 | 北京中科网芯科技有限公司 | 网络安全事件的监测方法及其系统 |
CN116679890A (zh) * | 2023-08-02 | 2023-09-01 | 湖南惟储信息技术有限公司 | 存储设备安全管理系统及其方法 |
-
2023
- 2023-09-19 CN CN202311205868.0A patent/CN116937758B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106356907A (zh) * | 2016-10-26 | 2017-01-25 | 广东工业大学 | 一种家庭供电系统及其运行方法 |
CN108923449A (zh) * | 2018-06-28 | 2018-11-30 | 国网上海市电力公司 | 一种家庭能量管理系统及方法 |
CN111275113A (zh) * | 2020-01-20 | 2020-06-12 | 西安理工大学 | 基于代价敏感混合网络的偏斜类时间序列异常检测方法 |
CN113839411A (zh) * | 2020-06-08 | 2021-12-24 | 蓝谷智慧(北京)能源科技有限公司 | 一种家庭储能系统的控制方法、装置及家庭储能系统 |
US20230072702A1 (en) * | 2021-09-09 | 2023-03-09 | Ambarella International Lp | Accelerating speckle image block matching using convolution techniques |
WO2023071217A1 (zh) * | 2021-10-27 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 基于深度迁移学习的多工况流程工业故障检测诊断方法 |
CN115733730A (zh) * | 2022-11-15 | 2023-03-03 | 国网新疆电力有限公司电力科学研究院 | 一种基于图神经网络的电网故障检测方法及装置 |
CN116436700A (zh) * | 2023-06-09 | 2023-07-14 | 北京中科网芯科技有限公司 | 网络安全事件的监测方法及其系统 |
CN116679890A (zh) * | 2023-08-02 | 2023-09-01 | 湖南惟储信息技术有限公司 | 存储设备安全管理系统及其方法 |
Non-Patent Citations (1)
Title |
---|
徐培栋等: "两部制电价激励下的家庭储能优化配置及经济性分析", 中国科技论文, vol. 13, no. 11, pages 1285 - 1290 * |
Also Published As
Publication number | Publication date |
---|---|
CN116937758B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104020754B (zh) | 一种变电站一次主设备状态监测信息接入调控系统的方法 | |
US20120016608A1 (en) | Method and system for monitoring residential appliances | |
CN112700032A (zh) | 一种用于低压直流配用电系统的故障预测系统及方法 | |
Li et al. | A weighted Pearson correlation coefficient based multi-fault comprehensive diagnosis for battery circuits | |
CN111967620B (zh) | 一种光伏组件诊断方法、装置、设备及可读存储介质 | |
CN109615273B (zh) | 一种电动汽车充电设施状态评价方法与系统 | |
CN106848452B (zh) | 一种动力电池故障显示方法和动力电池故障显示装置 | |
CN110930000A (zh) | 一种用于电力行业的智能化供电系统数据综合管理系统 | |
CN103296750A (zh) | 用于校正采集数据的误差的装置和方法 | |
CN113806420A (zh) | 一种电网数据监测方法及装置 | |
CN216434312U (zh) | 电池参数采集装置及电池管理系统 | |
CN116937758B (zh) | 一种家庭储能电源系统及其运行方法 | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN115825756B (zh) | 分散式储能电站故障多级诊断方法及系统 | |
CN117236486A (zh) | 一种基于电力大数据的电动汽车充电站布局方法和系统 | |
CN116565354A (zh) | 一种电化学储能系统故障分级诊断预警方法、系统及设备 | |
Li et al. | A novel fault diagnosis method for battery energy storage station based on differential current | |
CN114825625A (zh) | 一种电池储能电站运维系统及方法 | |
KR102573144B1 (ko) | 다층 신경망 고장 진단 모델을 이용한 태양광 인버터 구동 방법 및 시스템 | |
EP3046202A1 (en) | Photovoltaic device | |
CN112684403A (zh) | 一种基于数据检测的智能电表的故障检测方法 | |
CN111337764A (zh) | 充电桩故障诊断系统、方法及存储介质 | |
KR102420120B1 (ko) | 전력량 측정장치의 이상상태 모니터링 시스템 | |
CN117728588B (zh) | 一种逆变器状态监测方法及系统 | |
CN118024953A (zh) | 用于车辆动力电池的管理方法、程序产品和电池管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |