CN117272152A - 储能系统故障诊断方法、系统、电子设备及存储介质 - Google Patents
储能系统故障诊断方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117272152A CN117272152A CN202311533606.7A CN202311533606A CN117272152A CN 117272152 A CN117272152 A CN 117272152A CN 202311533606 A CN202311533606 A CN 202311533606A CN 117272152 A CN117272152 A CN 117272152A
- Authority
- CN
- China
- Prior art keywords
- fault
- energy storage
- storage system
- data
- correlation analysis
- 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 88
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 title claims abstract description 58
- 238000010219 correlation analysis Methods 0.000 claims abstract description 36
- 238000010606 normalization Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000001816 cooling Methods 0.000 claims description 2
- 239000007788 liquid Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/2431—Multiple classes
-
- 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
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本申请提供一种储能系统故障诊断方法、系统、电子设备及存储介质,该方法包括:接收目标储能系统上传的数据,所述数据包括故障数据,所述故障数据包括故障种类;识别所述目标储能系统的架构;对所述故障数据进行相关性分析,所述相关性分析用于分析针对相同系统架构下的故障之间的关联性;基于相关性分析结果确定故障类型和位置。本申请提供的方法,有助于提高储能系统故障诊断的精确性。
Description
技术领域
本申请涉及储能系统领域,尤其涉及一种储能系统故障诊断方法、系统、电子设备及存储介质。
背景技术
随着电力系统的不断发展,电化学储能系统作为储能技术的重要组成部分,被广泛应用于能源存储领域。然而,电化学储能系统在长时间运行过程中,可能会出现各种故障,对系统的安全性和稳定性造成威胁。然而,相关技术中的故障诊断方法无法识别储能系统可能存在的深层次、偶发性的故障,存在故障诊断的精确性较低的问题。
发明内容
本申请提供了一种储能系统故障诊断方法、系统、电子设备及存储介质,有助于解决储能系统故障诊断的精确性较低的问题。
第一方面,本申请提供了一种储能系统故障诊断方法,包括:
接收目标储能系统上传的数据,所述数据包括故障数据,所述故障数据包括故障种类;
识别所述目标储能系统的架构;
对所述故障数据进行相关性分析,所述相关性分析用于分析针对相同系统架构下的故障之间的关联性;
基于相关性分析结果确定故障类型和位置。
在本申请中,通过在云端对不同故障种类的故障数据进行相关性分析,分析在相同系统架构下的故障之间的关联性,提高故障诊断的精确性。
第二方面,本申请提供一种储能系统故障诊断装置,包括:
接收模块,用于接收目标储能系统上传的数据,所述数据包括故障数据,所述故障数据包括故障种类;
识别模块,用于识别所述目标储能系统的架构;
分析模块,用于对所述故障数据进行相关性分析,所述相关性分析用于分析针对相同系统架构下的故障之间的关联性;
确定模块,用于基于相关性分析结果确定故障类型和位置。
第三方面,本申请提供了一种电子设备,包括:处理器和存储器,所述存储器用于存储计算机程序;所述处理器用于运行所述计算机程序,实现如第一方面所述的储能系统故障诊断方法。
第四方面,本申请提供一种储能系统故障诊断系统,包括:如第三方面所示的电子设备和云服务器。
第五方面,本申请提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机实现如第一方面所述的储能系统故障诊断方法。
附图说明
图1为本申请实施例提供的应用场景架构图;
图2为本申请一个实施例提供的储能系统故障诊断方法的流程示意图;
图3为本申请另一个实施例提供的储能系统故障诊断方法的流程示意图;
图4为本申请又一个实施例提供的储能系统故障诊断方法的流程示意图;
图5为本申请实施例提供的储能系统故障诊断装置的结构示意图;
图6为本申请实施例提供的电子设备的结构示意图。
具体实施方式
本申请实施例中,除非另有说明,字符“/”表示前后关联对象是一种或的关系。例如,A/B可以表示A或B。“和/或”描述关联对象的关联关系,表示可以存在三种关系。例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
需要指出的是,本申请实施例中涉及的“第一”、“第二”等词汇,仅用于区分描述目的,而不能理解为指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,也不能理解为指示或暗示顺序。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。此外,“以下至少一项(个)”或者其类似表达,是指的这些项中的任意组合,可以包括单项(个)或复数项(个)的任意组合。例如,A、B或C中的至少一项(个),可以表示:A,B,C,A和B,A和C,B和C,或A、B和C。其中,A、B、C中的每个本身可以是元素,也可以是包含一个或多个元素的集合。
本申请实施例中,“示例性的”、“在一些实施例中”、“在另一实施例中”等用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用示例的一词旨在以具体方式呈现概念。
本申请实施例中的“的(of)”、“相应的(corresponding,relevant)”和“对应的(corresponding)”有时可以混用,应当指出的是,在不强调其区别时,所要表达的含义是一致的。本申请实施例中,通信、传输有时可以混用,应当指出的是,在不强调其区别时,其所表达的含义是一致的。例如,传输可以包括发送和/或接收,可以为名词,也可以是动词。
本申请实施例中涉及的等于可以与大于连用,适用于大于时所采用的技术方案,也可以与小于连用,适用于小于时所采用的技术方案。需要说明的是,当等于与大于连用时,不能与小于连用;当等于与小于连用时,不与大于连用。
储能系统中不同故障之间存在关联性,且针对不同的系统架构,例如集中式系统架构和分布式系统架构,系统的故障之间的关联性不同,对应的故障诊断结果也会有所不同。并且在一定时间内,不同故障种类发生的频次以及故障的严重程度将会影响故障诊断的精确性和权威性。在相关技术中的故障诊断方法并没有考虑到以上因素,无法识别储能系统可能存在的深层次、偶发性的故障,因此存在故障诊断的精确性较低的问题。
基于上述问题,本申请实施例提出了一种储能系统故障诊断方法,有助于提高储能系统故障诊断的精确性。
现结合图1-图4对本申请实施例提供的储能系统故障诊断方法进行说明。
图1为本申请实施例提供的应用场景架构图。如图1所示,上述应用场景包括云服务器和电子设备,电子设备与云服务器可以进行实时数据交互。电子设备用于接收并存储储能系统中的电池管理系统(Battery Management System,以下简称BMS)采集的数据,包括运行数据和故障数据等,同时对采集的数据进行清洗,去除异常数据,还可以对数据进行预处理,例如对采集的故障数据进行故障频次统计分析、故障频次归一化处理和故障严重度估计分析等。电子设备通过无线/有线通讯的方式将采集的数据和/或预处理后的数据上传至云服务器。在云服务器进行故障诊断后,接收云服务器下发的故障诊断结果,使得用户可以基于该故障诊断结果对储能系统进行预警和维护。本申请实施例不对电子设备的类型进行限制,电子设备可以为台式电脑、平板电脑、笔记本电脑等。
图2为本申请一个实施例提供的储能系统故障诊断方法的流程示意图,具体包括以下步骤:
步骤S21,接收目标储能系统上传的数据,所述数据包括故障数据,所述故障数据包括故障种类。
具体地,目标储能系统的BMS实时采集电池数据,包括运行数据和故障数据,运行数据至少包括储能系统的电流、电压、温度、有功/无功功率、液冷流速,故障数据包括故障种类,故障种类至少包括通讯中断、阈值异常、开关通断。上述数据可以存储在本地控制器中,并且在本地控制器中还可以对上述故障数据进行预处理。示例性的,预处理包括故障频次统计分析、故障频次归一化处理和故障严重度估计分析。
其中,故障频次统计分析为记录并统计在预设时间内,储能系统中各子系统的故障种类及对应的故障发生次数,并将故障种类与发生次数以键值对的形式进行存储。
故障频次归一化处理为针对不同子系统的故障频次,结合子系统日常使用强度与使用频次,将不同子系统的故障频次进行归一化处理,即对故障频次数据进行线性变换,使结果值映射到[0,1]之间,有利于数据的比较和分析,并将故障种类与频次归一化数值以键值对的形式进行存储。
故障严重度估计分析为当故障发生时,采用查表法对故障进行严重等级划分与存储,并将故障种类与故障严重度以键值对的形式进行存储。例如将故障分为轻、中、重三级,或者分为一级、二级、三级,不同等级表示的故障严重度不同,一级可以表示故障严重度轻,二级表示故障严重度较重,三级表示故障严重度重,也可以有其他中划分等级的方法,本申请仅以此作示例性说明。
需要说明的是,本申请除了将故障种类分别与故障频次、频次归一化数值和故障严重度以键值对的形式进行存储,但还可以以表格等形式进行存储,只需满足故障种类与故障频次、频次归一化数值和故障严重度一一对应即可,本申请不作限定。
在云服务器与本地设备进行通讯连接后,将上述运行数据与故障数据(包括故障种类、故障频次、频次归一化数值和故障严重度)上传至云服务器。
通过云边协同的方式,将本地数据上传至云端,利用云端强大的数据处理能力,实现了储能系统的故障诊断,提高了诊断的准确性和效率。并且通过统计分析和计算在预设时间内,不同故障发生的频次、频次归一化数值以及故障的严重程度,并将故障频次、频次归一化数值以及故障的严重程度引入储能系统的故障诊断方法中,进一步提高故障诊断的精确性和权威性。
步骤S22,识别所述目标储能系统的架构。
云服务器接收的目标储能系统上传的数据中包括设备数据,该设备数据用于表征设备的身份,可以包括设备识别号、设备型号、设备投运日期和投运规模等。云服务器根据该设备数据对目标储能系统的架构进行识别。
步骤S23,对所述故障数据进行相关性分析,所述相关性分析用于分析针对相同系统架构下的故障之间的关联性。
具体地,基于上述的故障频次,和/或频次归一化数值,和/或故障严重度,对故障数据进行相关性分析。可选地,采用皮尔逊(Pearson)相关系数作为衡量指标对故障数据进行相关性分析,得到故障种类之间的相关性系数。可以理解的是,相关性分析的衡量指标除了皮尔逊相关系数外,还可以采用Spearman(斯皮尔曼)等级相关系数、Kendall(肯德尔)相关系数等。
示例性的,在步骤S23之后,即在对故障数据进行相关性分析之后,本申请实施例提供的储能系统故障诊断方法还包括:基于故障频次,和/或频次归一化数值,和/或故障严重度对故障种类进行再分类处理,再分类处理用于对故障种类再分类。具体地,可以采用K-means(K-均值)算法、主成分分析法等来实现故障种类再分类处理,以减少所述故障种类的数量,从而可以减少数据处理量。
步骤S24,基于相关性分析结果确定故障类型和位置。
具体地,如图3所示,图3为本申请另一个实施例提供的储能系统故障诊断方法的流程示意图。步骤S24包括:
步骤S241,基于相关性分析结果对故障种类分配权重。可选地,故障种类权重可以是相关性分析后得到的相关性系数,或者故障权重由相关性系数进行二次分配后得到。
步骤S242,结合故障种类权重和预先训练的故障诊断模型分析得出故障类型和位置。该故障诊断模型是云服务器基于机器学习和深度学习技术而构建的,并且利用储能系统的历史数据进行训练和优化。具体地,先从预先训练的故障诊断模型得出可能的故障以及根据设备数据得出故障位置,再结合故障种类权重选出权重最大的故障种类作为故障诊断的结果。在本申请中,在故障诊断中引入基于机器学习和深度学习技术构建的故障诊断模型,可以提高故障诊断的自动化程度和精度。
本申请通过在云端对不同故障种类的故障数据进行相关性分析,分析相同系统架构下的故障之间的关联性,有助于识别出储能系统可能存在的深层次、偶发性的故障,提高故障诊断的精确度。
如图4所示,图4为本申请又一个实施例提供的储能系统故障诊断方法的流程示意图。系统架构包括集中式系统架构和分布式系统架构。针对集中式系统架构,由于在该系统架构下的设备均在同一场站下进行运营,环境工况、运行工况、运维工况极为接近,部分故障与故障之间存在极强的关联性,因此针对该系统架构对故障数据进行相关性分析,基于相关性分析结果确定故障类型和位置,有利于提高故障诊断的精确性。
而针对分布式系统架构,在步骤S23之前,即在对故障数据进行相关性分析之前,还需要在云服务器中筛选出与目标储能系统具有相同的设备型号、相近的设备投运日期(例如相差2个月以内)和投运规模(例如相差300kWh以内)的相似储能系统,并且对目标储能系统和相似储能系统中的与故障种类对应的故障频次、频次归一化数值和故障严重度中的至少一种进行对比。对目标储能系统和相似储能系统中的与故障种类对应的故障频次、频次归一化数值和故障严重度中的至少一种进行对比的作用是减少故障偶发性对相关性分析造成的影响。
本地服务器定期向云服务器上传实时数据,云服务器利用构建的故障诊断模型进行数据分析和处理,结合故障权重识别出储能系统可能存在的深层次、偶发性的故障类型和位置。可选的,在故障进行诊断后,云服务器将故障类型和位置发送至本地服务器,使得用户可以进行相应的维护和修复,排除故障风险,维护系统安全。
图5为本申请实施例提供的储能系统故障诊断装置的结构示意图,如图5所示,储能系统故障诊断装置50可以包括:
接收模块51,用于接收目标储能系统上传的数据,所述数据包括故障数据,所述故障数据包括故障种类。
识别模块52,用于识别所述目标储能系统的架构。
分析模块53,用于对所述故障数据进行相关性分析,所述相关性分析用于分析针对相同系统架构下的故障之间的关联性。
确定模块54,用于基于相关性分析结果确定故障类型和位置。
其中一种可能的实现方式中,上述储能系统故障诊断装置50还包括:
筛选模块,用于筛选出与所述目标储能系统具有相同的设备型号、相近的设备投运日期和投运规模的相似储能系统。
其中一种可能的实现方式中,上述储能系统故障诊断装置50还包括:
对比模块,用于对所述目标储能系统和所述相似储能系统中的与所述故障种类对应的所述故障频次、所述频次归一化数值和所述故障严重度中的至少一种进行对比。
其中一种可能的实现方式中,上述储能系统故障诊断装置50还包括:
再分类模块,用于基于所述故障频次,和/或所述频次归一化数值,和/或所述故障严重度对所述故障种类进行再分类处理,所述再分类处理用于对所述故障种类再分类,以减少所述故障种类的数量。
其中一种可能的实现方式中,上述储能系统故障诊断装置50还包括:
发送模块,用于将所述故障类型和位置发送至所述目标储能系统的服务器。
图5所示实施例提供的储能系统故障诊断装置50可用于执行本申请所示方法实施例的技术方案,其实现原理和技术效果可以进一步参考方法实施例中的相关描述。
应理解以上图所示的储能系统故障诊断装置50的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块以软件通过处理元件调用的形式实现,部分模块通过硬件的形式实现。例如,检测模块可以为单独设立的处理元件,也可以集成在电子设备的某一个芯片中实现。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit;以下简称:ASIC),或,一个或多个微处理器(Digital Signal Processor;以下简称:DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array;以下简称:FPGA)等。再如,这些模块可以集成在一起,以片上系统(System-On-a-Chip;以下简称:SOC)的形式实现。
以上各实施例中,涉及的处理器可以例如包括CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units;以下简称:NPU)和图像信号处理器(Image Signal Processing;以下简称:ISP),该处理器还可包括必要的硬件加速器或逻辑处理硬件电路,如ASIC,或一个或多个用于控制本申请技术方案程序执行的集成电路等。此外,处理器可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储介质中。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行本申请所示实施例提供的方法。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,当其在计算机上运行时,使得计算机执行本申请所示实施例提供的方法。
下面结合图6进一步介绍本申请实施例中提供的示例性电子设备。图6示出了电子设备6000的结构示意图。
上述电子设备6000可以包括:至少一个处理器;以及与上述处理器通信连接的至少一个存储器,其中:上述存储器存储有可被上述处理器执行的程序指令,处理器调用上述程序指令能够执行本申请所示实施例提供的储能系统故障诊断方法。
图6示出了适用于实现本申请实施方式的示例性电子设备6000的框图。图6显示的电子设备6000仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备6000以通用计算设备的形式表现。电子设备6000的组件可以包括但不限于:一个或者多个处理器6010,存储器6020,连接不同系统组件(包括存储器6020和处理器6010)的通信总线6040以及通信接口6030。
通信总线6040表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture;以下简称:ISA)总线,微通道体系结构(Micro Channel Architecture;以下简称:MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation;以下简称:VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection;以下简称:PCI)总线。
电子设备6000典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储器6020可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory;以下简称:RAM)和/或高速缓存存储器。电子设备可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如:光盘只读存储器(Compact Disc Read Only Memory;以下简称:CD-ROM)、数字多功能只读光盘(Digital Video Disc Read Only Memory;以下简称:DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与通信总线6040相连。存储器6020可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块的程序/实用工具,可以存储在存储器6020中,这样的程序模块包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块通常执行本申请所描述的实施例中的功能和/或方法。
电子设备6000也可以与一个或多个外部设备(例如键盘、指向设备、显示器等)通信,还可与一个或者多个使得用户能与该电子设备交互的设备通信,和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过通信接口6030进行。并且,电子设备6000还可以通过网络适配器(图6中未示出)与一个或者多个网络(例如局域网(Local Area Network;以下简称:LAN),广域网(Wide Area Network;以下简称:WAN)和/或公共网络,例如因特网)通信,上述网络适配器可以通过通信总线6040与电子设备的其它模块通信。应当明白,尽管图6中未示出,可以结合电子设备6000使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Drives;以下简称:RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器6010通过运行存储在存储器6020中的程序,从而执行各种功能应用以及数据处理,例如实现本申请实施例提供的方法。
可以理解的是,本申请实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对电子设备6000的结构限定。在本申请另一些实施例中,电子设备6000也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
以上各实施例中,涉及的处理器可以例如包括CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units;以下简称:NPU)和图像信号处理器(Image Signal Processing;以下简称:ISP),该处理器还可包括必要的硬件加速器或逻辑处理硬件电路,如ASIC,或一个或多个用于控制本申请技术方案程序执行的集成电路等。此外,处理器可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储介质中。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。本申请的保护范围应以所述权利要求的保护范围为准。
Claims (13)
1.一种储能系统故障诊断方法,其特征在于,所述方法包括:
接收目标储能系统上传的数据,所述数据包括故障数据,所述故障数据包括故障种类;
识别所述目标储能系统的架构;
对所述故障数据进行相关性分析,所述相关性分析用于分析针对相同系统架构下的故障之间的关联性;
基于相关性分析结果确定故障类型和位置。
2.根据权利要求1所述的方法,其特征在于,所述故障数据还包括与所述故障种类对应的故障频次、频次归一化数值和故障严重度中的至少一种,所述对所述故障数据进行相关性分析包括:
基于所述故障频次,和/或所述频次归一化数值,和/或所述故障严重度,对所述故障数据进行相关性分析。
3.根据权利要求2所述的方法,其特征在于,所述对所述故障数据进行相关性分析包括:
采用皮尔逊相关系数作为衡量指标对所述故障数据进行相关性分析,得到所述故障种类之间的相关性系数。
4.根据权利要求3所述的方法,其特征在于,所述基于相关性分析结果确定故障类型和位置包括:
基于相关性分析结果对所述故障种类分配权重;
结合所述故障种类权重和预先训练的故障诊断模型分析得出故障类型和位置。
5.根据权利要求4所述的方法,其特征在于,
所述权重为所述相关性系数,或者所述权重由所述相关性系数进行二次分配后得到。
6.根据权利要求2所述的方法,其特征在于,所述数据还包括设备数据,所述设备数据用于表征设备的身份,所述识别所述目标储能系统的架构包括:
基于所述设备数据识别所述目标储能系统的架构。
7.根据权利要求6所述的方法,其特征在于,
所述目标储能系统的架构包括集中式系统架构和分布式系统架构;
若所述目标储能系统为分布式系统架构,所述对所述故障数据进行相关性分析之前,所述方法还包括,
筛选出与所述目标储能系统具有相同的设备型号、相近的设备投运日期和投运规模的相似储能系统,对所述目标储能系统和所述相似储能系统中的与所述故障种类对应的所述故障频次、所述频次归一化数值和所述故障严重度中的至少一种进行对比。
8.根据权利要求2所述的方法,其特征在于,所述对所述故障数据进行相关性分析之后,所述方法还包括:
基于所述故障频次,和/或所述频次归一化数值,和/或所述故障严重度对所述故障种类进行再分类处理,所述再分类处理用于对所述故障种类再分类,以减少所述故障种类的数量。
9.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述故障类型和位置发送至所述目标储能系统的服务器。
10.根据权利要求1-9任一所述的方法,其特征在于,
所述数据还包括运行数据,所述运行数据至少包括所述目标储能系统的电流、电压、温度、有功功率、无功功率和液冷流速;所述故障种类至少包括通讯中断、阈值异常、开关通断。
11.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储计算机程序;所述处理器用于运行所述计算机程序,实现如权利要求1-10任一项所述的储能系统故障诊断方法。
12.一种储能系统故障诊断系统,其特征在于,
包括如权利要求11所述的电子设备和云服务器。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序在计算机上运行时,实现如权利要求1-10任一所述的储能系统故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533606.7A CN117272152B (zh) | 2023-11-16 | 2023-11-16 | 储能系统故障诊断方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311533606.7A CN117272152B (zh) | 2023-11-16 | 2023-11-16 | 储能系统故障诊断方法、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272152A true CN117272152A (zh) | 2023-12-22 |
CN117272152B CN117272152B (zh) | 2024-08-06 |
Family
ID=89202888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311533606.7A Active CN117272152B (zh) | 2023-11-16 | 2023-11-16 | 储能系统故障诊断方法、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272152B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017181268A1 (en) * | 2016-04-22 | 2017-10-26 | Hooshyar Ali | Methods and apparatus for detecting faults using a negative-sequence directional relay |
CN109818808A (zh) * | 2019-03-12 | 2019-05-28 | 国网福建省电力有限公司 | 故障诊断方法、装置和电子设备 |
JP2019191852A (ja) * | 2018-04-24 | 2019-10-31 | 株式会社日立製作所 | 故障診断装置、故障診断方法並びに故障診断装置が適用された機械 |
CN111323676A (zh) * | 2020-02-27 | 2020-06-23 | 厦门盈盛捷电力科技有限公司 | 电力系统故障诊断专家系统 |
CN112148887A (zh) * | 2020-09-16 | 2020-12-29 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
CN113572380A (zh) * | 2020-04-29 | 2021-10-29 | 波音公司 | 飞行器电动推进的容错电力系统架构 |
CN113901993A (zh) * | 2021-09-24 | 2022-01-07 | 上海海事大学 | 基于PCCs二次特征优选的故障诊断方法 |
US20220123589A1 (en) * | 2020-10-15 | 2022-04-21 | Southern States, Llc | Non-Three-Phase Fault Isolation and Restoration Systems |
CN114692758A (zh) * | 2022-03-31 | 2022-07-01 | 广东电网有限责任公司 | 电力通信故障分析方法、装置、终端设备及介质 |
CN115825756A (zh) * | 2023-02-16 | 2023-03-21 | 中国华能集团清洁能源技术研究院有限公司 | 分散式储能电站故障多级诊断方法及系统 |
CN116482460A (zh) * | 2023-04-21 | 2023-07-25 | 国网数字科技控股有限公司 | 电网设备故障诊断方法及相关设备 |
CN116578869A (zh) * | 2023-05-16 | 2023-08-11 | 南方电网科学研究院有限责任公司 | 电力系统的故障诊断方法、故障诊断装置与电子装置 |
-
2023
- 2023-11-16 CN CN202311533606.7A patent/CN117272152B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017181268A1 (en) * | 2016-04-22 | 2017-10-26 | Hooshyar Ali | Methods and apparatus for detecting faults using a negative-sequence directional relay |
JP2019191852A (ja) * | 2018-04-24 | 2019-10-31 | 株式会社日立製作所 | 故障診断装置、故障診断方法並びに故障診断装置が適用された機械 |
CN109818808A (zh) * | 2019-03-12 | 2019-05-28 | 国网福建省电力有限公司 | 故障诊断方法、装置和电子设备 |
CN111323676A (zh) * | 2020-02-27 | 2020-06-23 | 厦门盈盛捷电力科技有限公司 | 电力系统故障诊断专家系统 |
CN113572380A (zh) * | 2020-04-29 | 2021-10-29 | 波音公司 | 飞行器电动推进的容错电力系统架构 |
CN112148887A (zh) * | 2020-09-16 | 2020-12-29 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
US20220123589A1 (en) * | 2020-10-15 | 2022-04-21 | Southern States, Llc | Non-Three-Phase Fault Isolation and Restoration Systems |
CN113901993A (zh) * | 2021-09-24 | 2022-01-07 | 上海海事大学 | 基于PCCs二次特征优选的故障诊断方法 |
CN114692758A (zh) * | 2022-03-31 | 2022-07-01 | 广东电网有限责任公司 | 电力通信故障分析方法、装置、终端设备及介质 |
CN115825756A (zh) * | 2023-02-16 | 2023-03-21 | 中国华能集团清洁能源技术研究院有限公司 | 分散式储能电站故障多级诊断方法及系统 |
CN116482460A (zh) * | 2023-04-21 | 2023-07-25 | 国网数字科技控股有限公司 | 电网设备故障诊断方法及相关设备 |
CN116578869A (zh) * | 2023-05-16 | 2023-08-11 | 南方电网科学研究院有限责任公司 | 电力系统的故障诊断方法、故障诊断装置与电子装置 |
Non-Patent Citations (3)
Title |
---|
JIACHENG HUANG.ETC: "A Simple Framework to Generalized Zero-Shot Learning for Fault Diagnosis of Industrial Processes", IEEE, 30 June 2023 (2023-06-30) * |
丁昱;: "基于B/S架构的带式输送机故障诊断系统的研究与实现", 煤炭技术, no. 04, 10 April 2020 (2020-04-10) * |
吕楠;章筠;陈尚文;: "分布式能源系统故障诊断与预测专家知识库研究与应用技术综述", 通信电源技术, no. 02, 25 March 2016 (2016-03-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117272152B (zh) | 2024-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
CN102252843B (zh) | 一种滚动轴承性能变异的评估方法 | |
CN110912737A (zh) | 一种基于混合模型的动态感知性能预告警方法 | |
CN106295858A (zh) | 一种电能表非健康度预测方法 | |
CN102207998B (zh) | 基于无失效数据的评估产品寿命及其可靠性的方法 | |
CN109525435A (zh) | 一种电网业务服务器运行状态预警方法 | |
US12056622B2 (en) | Identifying influential effects to be adjusted in goal seek analysis | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN114267178A (zh) | 一种车站的智能运营维护方法及装置 | |
CN112070180B (zh) | 基于信息物理双侧数据的电网设备状态判断方法及装置 | |
CN110209996A (zh) | 一种用于评价继电保护装置的健康水平的方法及系统 | |
CN112906764A (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN114239734A (zh) | 一种分布式车载健康管理系统 | |
CN108121656A (zh) | 一种软件评估方法和装置 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN113641667B (zh) | 一种分布式大数据采集平台的数据异常监控系统及方法 | |
CN113642618B (zh) | 一种用于螺杆装置状态预测模型训练的方法及设备 | |
CN110348676A (zh) | 一种变电站自动化设备状态评价方法及系统 | |
CN111143763B (zh) | 电力设备状态的评估方法、装置及其存储介质 | |
CN117272152B (zh) | 储能系统故障诊断方法、系统、电子设备及存储介质 | |
RU2632124C1 (ru) | Способ прогнозной оценки эффективности многоэтапных процессов | |
CN116258467A (zh) | 一种电力施工管控系统 | |
Montoya et al. | Time-of-failure probability mass function computation using the first-passage-time method applied to particle filter-based prognostics | |
CN111967774A (zh) | 软件质量风险预测方法及装置 |
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 |