CN117113258A - 一种关于储能pcs系统过温和液冷系统故障预测方法 - Google Patents
一种关于储能pcs系统过温和液冷系统故障预测方法 Download PDFInfo
- Publication number
- CN117113258A CN117113258A CN202311223802.4A CN202311223802A CN117113258A CN 117113258 A CN117113258 A CN 117113258A CN 202311223802 A CN202311223802 A CN 202311223802A CN 117113258 A CN117113258 A CN 117113258A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- liquid cooling
- cooling system
- energy storage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 49
- 239000007788 liquid Substances 0.000 title claims abstract description 49
- 238000004146 energy storage Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000000178 monomer Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000005192 partition Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种关于储能PCS系统过温和液冷系统故障预测方法，该方法通过构建构建PCS系统过温故障预测模型及液冷系统故障预测模型，分别对储能系统运行过程中PCS系统可能出现的过温故障或液冷系统故障进行预测，进而能更加准确的判断储能系统的故障原因，对预测有故障的系统提前进行排查以保障储能站的安全高效运行。
Description
技术领域
本发明涉及涉及储能电池健康状态(SOH)检测评估技术领域，特别涉及关于储能PCS系统过温和液冷系统故障预测方法。
背景技术
为实现“双碳”目标，新能源大规模接入电网，其出力缺陷给电网带来了新的挑战。而储能作为解决新能源出力缺陷的有效手段，近年来得到迅速发展。电化学储能是目前大规模应用较为广泛的储能系统。根据《新能源与电化学》报告显示，电化学储能已经应用于电力系统各环节。电网侧在装机规模26.18万千瓦，在运容量42.28万千瓦；电源侧在装机规模20.2万千瓦，在运容量33.2万千瓦；用户侧在运装机规模9.81万千瓦，在运容量649万千瓦。并且仍处于不断增长的趋势。此外，储能的相关政策也在不断地推进落实。
PCS系统(power conversion system储能变流器)是连接电池系统与电网或者负载的电能变换装置，现有的储能系统中通常会将电池液冷系统、管理系统与模块化PCS集成于单个标准化产品，达到了降本增效的目的。而目前大部分储能系统所使用的都是体积小能量高的锂电池，其液冷系统故障会导致储能电池过温的热失控风险急剧增加，但PCS系统过温状态和液冷系统故障状态并不是简单对应关系，PCS系统过温除了液冷系统故障导致还可能是由于PCS内部故障和外在因素影响，同样液冷系统故障的外在表现不仅只是PCS过温，还会导致整个电池簇或某些单体过温，因此必须对PCS系统过温故障及液冷系统故障都进行及时的预测，对预测有故障的系统提前进行排查以保障储能站的安全高效运行。本发明的目的就是设计一种基于储能电池数据的数据挖掘方法对储能PCS系统或液冷系统进行故障预测方法。
发明内容
为克服上述现有技术中的不足，本发明的目的在于提供一种能够对储能PCS系统或液冷系统进行故障预测方法。
一种关于储能PCS系统过温和液冷系统故障预测方法，其包括如下步骤：
1)数据采集：采集储能系统运行过程中的电气检测数据和温度数据，对采集的数据进行数据划分、分析、特征描述；
2)数据预处理：对采集的储能运行过程中的电气检测数据和温度数据进行数据去重、空值处理以及异常数值处理；
3)构建PCS系统过温预测模型：以温度数据以及充放电状态、液冷系统状态为特征，采用空间聚类算法构建PCS系统过温预测模型，并模型进行训练和评估；
4)构建液冷系统故障预测模型：将采集的全部特征纳入CatBoost模型中对特征进行重要性评估，选择重要性占比前70％、80％、90％、100％的特征采用注意力机制构建液冷系统故障预测模型，并对模型进行训练和评估；
5)对储能系统运行过程中的数据进行实时监测，将相应数据分别输入到PCS系统过温预测模型及液冷系统故障预测模型中，对故障进行预测。
优选的，步骤2)中电芯的温度特征及电压特征进行特征构建。
优选的，温度特征构建方法为：按照每条数据提取电池簇内的单体最高温度和单体最低温度以及电池簇内每个电池包的温度包括单体最高温度、单体最低温度、单体平均温度、单体温度极差、单体温度标准差。
优选的，电压特征构建方法为：按照每条数据提取电池簇内每个电池包的电压特征单体平均电压、单体电压极差、单体电压标准差，预处理后的数据作为模型的输入，用于进行训练模型。
优选的，步骤3)中模型训练：选择所有温度数据以及充放电状态、液冷系统状态特征，首先通过少数次迭代，利用K-means算法进行数据分区，在每个数据分区上分别应用DBSCAN算法进行数据聚类，最后对不同分区的聚类进行合并，使用查准率(Precision)和查全率(Recall)进行模型评估，分别用于衡量实际和预测均为故障的样本占预测故障的样本的比例和预测和实际均为故障占故障样本总数的比例。
优选的，采用注意力机制构建液冷系统故障预测模型的方法为：1)对特征图进行全局池化处理；2)将特征提取结果输入后续的全连接层，经压缩处理生成不同的通道注意力权重；3)结合注意力权重和输入逐通道相乘，赋予每个通道不同的注意力权重，以提升有效特征并减少无关特征。
上述技术方案具有如下有益效果：该故障预测方法通过构建PCS系统过温故障预测模型及液冷系统故障预测模型，分别对储能系统运行过程中PCS系统可能出现的过温故障或液冷系统故障进行预测，进而能更加准确的判断储能系统的故障原因，对预测有故障的系统提前进行排查以保障储能站的安全高效运行。
附图说明
图1为本发明实施例的流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
如图1所示，本发明公开了一种关于储能PCS系统过温和液冷系统故障预测方法，其包括如下步骤，其具体包括如下步骤：
步骤一：数据采集，采集储能系统运行过程中的电气检测数据和温度数据，对采集的数据进行数据划分、分析、特征描述；得到原始数据字段如表1，其中PCS系统过温状态和液冷系统故障状态并不是简单对应关系，PCS系统过温除了液冷系统故障导致还可能是由于PCS内部故障和外在因素影响，同样液冷系统故障的外在表现不仅只是PCS过温，还会导致整个电池簇或某些单体过温，原始数据字段如表1所示。
表1原始数据字段
步骤二：数据预处理，对采集的储能运行过程中的电气检测数据和温度数据进行数据去重、空值处理以及异常数值处理。作为一种具体实施例，对于某个字段出现连续缺失超过100条的数据进行删除；结合孤立森林算法进行异常值的识别；用KNN算法对数据中的缺失值和异常值进行填补。
另外电芯的特征数量较多需要进行特征构建：
温度特征构建：按照每条数据提取电池簇内的单体最高温度和单体最低温度以及电池簇内每个电池包的温度包括单体最高温度、单体最低温度、单体平均温度、单体温度极差、单体温度标准差；
电压特征构建：按照每条数据提取电池簇内每个电池包的电压特征单体平均电压、单体电压极差、单体电压标准差。预处理后的数据作为模型的输入，用于进行训练模型。
步骤三：构建PCS系统过温预测模型：以温度数据以及充放电状态、液冷系统状态为PCS系统过温数据特征，使用基于密度的噪声应用空间聚类(Density Based SpatialClustering of Applications with Noise，DBSCAN)方法对PCS系统进行过温故障实时检测，算法步骤如下：
(1)模型训练：选择上述的所有温度数据以及充放电状态、液冷系统状态特征，首先通过少数次迭代，利用K-means算法进行数据分区，在每个数据分区上分别应用DBSCAN算法进行数据聚类，最后对不同分区的聚类进行合并；
(2)模型评估：使用查准率(Precision)和查全率(Recall)进行模型评估，分别用于衡量实际和预测均为故障的样本占预测故障的样本的比例和预测和实际均为故障占故障样本总数的比例；
(3)故障预测：选择指标表现最优的模型，以实时采集数据作为输入，进行故障预测。
步骤四：构建液冷系统故障预测模型：将采集的全部特征纳入CatBoost模型中对特征进行重要性评估，选择重要性占比前70％、80％、90％、100％作为液冷系统故障特征，采用注意力机制构建液冷系统故障预测模型，并对模型进行训练和评估。注意力机制(Attention Mechanism)通过注意力权重的再分配可达到聚焦关键信息和过滤无关信息的目的。注意力模块的工作原理为：(1)对特征图进行全局池化处理；(2)将特征提取结果输入后续的全连接层，经压缩处理生成不同的通道注意力权重；(3)结合注意力权重和输入逐通道相乘，赋予每个通道不同的注意力权重，以提升有效特征并减少无关特征，从而增加网络的精度。
通过注意力机制进行液冷系统故障的算法步骤如下：(1)特征重要性评估：将全部特征纳入CatBoost模型中对特征进行重要性评估，选择重要性占比前70％、80％、90％、100％的特征输入模型；(2)模型选择：选择查准率和查全率最高的模型作为液冷系统故障模型；(3)将带有注意力权重的高维特征输入到全连接层中进行特征整合后实现故障预测。
通过上述步骤即可完成PCS系统过温预测模型和液冷系统故障预测模型的构建。模型构建完成后就可通过采集储能系统运行过程中的数据进行实时监测，将相应数据分别输入到PCS系统过温预测模型及液冷系统故障预测模型中，对故障进行预测。如图1中所示，在液冷系统故障预测模型预测过程中，应保证采集的数量足够满足模型的要求，不然就重复采集数据，直至能满足模型要求。
该故障预测方法通过构建PCS系统过温故障预测模型及液冷系统故障预测模型，分别对储能系统运行过程中PCS系统可能出现的过温故障或液冷系统故障进行预测，进而能更加准确的判断储能系统的故障原因，对预测有故障的系统提前进行排查以保障储能站的安全高效运行。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (6)
1.一种关于储能PCS系统过温和液冷系统故障预测方法，其特征在于，其包括如下步骤：
数据采集：采集储能系统运行过程中的电气检测数据和温度数据，对采集的数据进行数据划分、分析、特征描述；
数据预处理：对采集的储能运行过程中的电气检测数据和温度数据进行数据去重、空值处理以及异常数值处理；
构建PCS系统过温故障预测模型：以温度数据以及充放电状态、液冷系统状态为特征，采用空间聚类算法构建PCS系统过温预测模型，并模型进行训练和评估；
构建液冷系统故障预测模型：将采集的全部特征纳入CatBoost模型中对特征进行重要性评估，选择重要性占比前70%、80%、90%、100%的特征采用注意力机制构建液冷系统故障预测模型，并对模型进行训练和评估；
对储能系统运行过程中的数据进行实时监测，将相应数据分别输入到PCS系统过温预测模型及液冷系统故障预测模型中，对故障进行预测。
2.根据权利要求1所述的关于储能PCS系统过温和液冷系统故障预测方法，其特征在于，步骤2）中电芯的温度特征及电压特征进行特征构建。
3.根据权利要求2所述的关于储能PCS系统过温和液冷系统故障预测方法，其特征在于，温度特征构建方法为：按照每条数据提取电池簇内的单体最高温度和单体最低温度以及电池簇内每个电池包的温度包括单体最高温度、单体最低温度、单体平均温度、单体温度极差、单体温度标准差。
4.根据权利要求2所述的关于储能PCS系统过温和液冷系统故障预测方法，其特征在于，电压特征构建方法为：按照每条数据提取电池簇内每个电池包的电压特征单体平均电压、单体电压极差、单体电压标准差，预处理后的数据作为模型的输入，用于进行训练模型。
5.根据权利要求1所述的关于储能PCS系统过温和液冷系统故障预测方法，其特征在于，步骤3）中模型训练：选择所有温度数据以及充放电状态、液冷系统状态特征，首先通过少数次迭代，利用K-means算法进行数据分区，在每个数据分区上分别应用DBSCAN算法进行数据聚类，最后对不同分区的聚类进行合并，使用查准率（Precision）和查全率（Recall）进行模型评估，分别用于衡量实际和预测均为故障的样本占预测故障的样本的比例和预测和实际均为故障占故障样本总数的比例。
6.根据权利要求1所述的关于储能PCS系统过温和液冷系统故障预测方法，其特征在于，采用注意力机制构建液冷系统故障预测模型的方法为：1）对特征图进行全局池化处理；2）将特征提取结果输入后续的全连接层，经压缩处理生成不同的通道注意力权重；3）结合注意力权重和输入逐通道相乘，赋予每个通道不同的注意力权重，以提升有效特征并减少无关特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311223802.4A CN117113258A (zh) | 2023-09-21 | 2023-09-21 | 一种关于储能pcs系统过温和液冷系统故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311223802.4A CN117113258A (zh) | 2023-09-21 | 2023-09-21 | 一种关于储能pcs系统过温和液冷系统故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117113258A true CN117113258A (zh) | 2023-11-24 |
Family
ID=88796531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311223802.4A Pending CN117113258A (zh) | 2023-09-21 | 2023-09-21 | 一种关于储能pcs系统过温和液冷系统故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113258A (zh) |
-
2023
- 2023-09-21 CN CN202311223802.4A patent/CN117113258A/zh active Pending
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 | |
| Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
| Xu et al. | A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries | |
| CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
| CN112818602B (zh) | 基于大数据分析的电池数字孪生控制方法及装置 | |
| CN111812536A (zh) | 一种退役动力电池残值快速评估方法 | |
| CN103412264B (zh) | 蓄电池组内单体电池一致性的评价方法 | |
| CN116632983A (zh) | 一种适用于户外储能电源的充放电控制系统 | |
| CN113990054A (zh) | 一种储能电站数据分析与预警系统 | |
| CN115267555A (zh) | 基于电池多点温度测量的储能系统电池soh评估系统 | |
| CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
| CN115366683A (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 | |
| CN113112114A (zh) | 一种储能电站在线评估方法和装置 | |
| CN111460656B (zh) | 一种电力机房通信电源运行寿命评估方法和系统 | |
| CN114660461A (zh) | 电池健康状态的评估方法、装置、电子设备和存储介质 | |
| CN115860577A (zh) | 一种储能电站安全评估方法 | |
| CN116754984A (zh) | 一种电池一致性的检测方法及相关装置 | |
| Lyu et al. | A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles | |
| CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
| CN116990709A (zh) | 一种储能电池一致性判断方法、系统、设备及存储介质 | |
| CN115267586B (zh) | 锂电池soh评估方法 | |
| CN107576916A (zh) | 一种退役动力电池的再利用方式的测试方法 | |
| CN117102082A (zh) | 一种液态金属电池的分选方法及系统 | |
| CN117113258A (zh) | 一种关于储能pcs系统过温和液冷系统故障预测方法 | |
| Liu et al. | An enhanced sorting method for retired battery with feature selection and multiple clustering |
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 |