CN117494028A - 一种用于储能电站的储能数据异常检测方法及系统 - Google Patents
一种用于储能电站的储能数据异常检测方法及系统 Download PDFInfo
- Publication number
- CN117494028A CN117494028A CN202311841833.6A CN202311841833A CN117494028A CN 117494028 A CN117494028 A CN 117494028A CN 202311841833 A CN202311841833 A CN 202311841833A CN 117494028 A CN117494028 A CN 117494028A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- voltage data
- time point
- storage voltage
- imf component
- 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 341
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000007599 discharging Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 87
- 230000008859 change Effects 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 32
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F18/243—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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- 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
-
- 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
- G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及数据处理技术领域，具体涉及一种用于储能电站的储能数据异常检测方法及系统，包括：获取待机状态的储能电压数据和运行状态的储能电压数据的若干个IMF分量信号；获取运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；根据运行状态的储能电压数据中每个时间点的电磁干扰强度、电压自身波动的表现程度和对电磁干扰预测强度的贴合程度，获取每个时间点的电磁噪声干扰强度；获取去噪后运行状态的储能电压数据和去噪后待机状态的储能电压数据，完成储能电压数据的异常检测。本发明完成了对储能电压数据的电磁干扰噪声的去除，提高对储能数据异常检测的准确性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种用于储能电站的储能数据异常检测方法及系统。
背景技术
随着可再生能源的快速发展和能源转型的推进，储能电站作为一种重要的能量存储解决方案逐渐受到关注和广泛应用。储能电站可以平衡电网供需，提高电网稳定性，并有效利用可再生能源；在储能电站中，储能系统的性能和稳定性十分重要。为了确保储能电站的正常运行，提前发现和解决储能数据异常情况非常关键。数据异常可能会导致系统故障、能量损失或安全风险。
传统的储能数据异常检测方法主要基于规则或统计分析，缺乏对大规模复杂数据的处理能力，容易漏检或误报。而随着人工智能和机器学习的发展，利用机器学习算法进行储能数据异常检测成为了一种有效的方法；储能电站中的电池充放电过程会引起电磁干扰，这可能对储能系统的稳定性和电池性能产生不良影响。电磁干扰会导致储能电压数据的噪声增加，降低监测数据的准确性，对电池的电压监测造成影响。由于储能电站中的电池容量大，充放电过程频繁，因此产生的电磁干扰变化较大，且由于电池功率变化时往往还会引起电压自身波动，电压自身波动和电磁干扰产生的波动难以区分，因此储能电压数据的去噪尺度难以进行自适应。
发明内容
为了解决上述问题，本发明提供一种用于储能电站的储能数据异常检测方法及系统。
本发明一个实施例提供了一种用于储能电站的储能数据异常检测方法，该方法包括以下步骤：
获取待机状态的储能电压数据和运行状态的储能电压数据，运行状态的储能电压数据包括电储能电压数据和放电储能电压数据，对运行状态的储能电压数据进行分解，获得充电储能电压数据的若干个IMF分量信号和放电储能电压数据的若干个IMF分量信号；
获取充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；获取放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；
获取充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列；获取每个IMF分量信号的极值点序列中每个极值点对电磁干扰预测强度的贴合程度；根据每个极值点对电磁干扰预测强度的贴合程度，获取每个IMF分量信号的每个时间点对电磁干扰预测强度的贴合程度；获取每个IMF分量信号的每个时间点的电压自身波动的表现程度；根据每个IMF分量信号的每个时间点的电磁干扰强度、对电磁干扰预测强度的贴合程度和电压自身波动的表现程度，获取每个时间点的电磁噪声干扰强度；
根据每个时间点的电磁噪声干扰强度，获取每个时间点的高斯滤波核尺寸；根据每个时间点的高斯滤波核尺寸，对充电储能电压数据和放电储能电压数据中每个IMF分量信号进行去噪，得到去噪后的运行状态的储能电压数据；对待机状态的储能电压数据进行去噪，得到去噪后待机状态的储能电压数据；根据去噪后的运行状态的储能电压数据和待机状态的储能电压数据，进行储能电压数据的异常检测。
优选的，所述获取充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度，包括的具体方法为：
对于充电储能电压数据中第个IMF分量信号的第/>个时间点，获取充电储能电压数据中第/>个IMF分量信号中从开始充电到第/>个时间点之间功率改变大小和时间间隔，则充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度的计算表达式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示充电储能电压数据第/>个IMF分量信号中从开始充电到第/>个时间点之间功率改变大小；/>表示充电储能电压数据第/>个IMF分量信号中从开始充电到第/>个时间点之间时间间隔；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压值；/>表示自然常数为底数的指数函数。
优选的，所述获取放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度，包括的具体方法为：
对于放电储能电压数据中第个IMF分量信号的第/>个时间点，获取放电储能电压数据第/>个IMF分量信号中从开始放电到第/>个时间点之间每次功率改变的大小和时间间隔，则放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度的计算表达式为：
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号中从开始放电到第/>个时间点之间功率改变的总次数；/>表示放电储能电压数据中第/>个IMF分量信号中从开始放电到第/>个时间点之间第/>次功率改变的大小；/>表示放电储能电压数据中第个IMF分量信号中从开始放电到第/>个时间点之间第/>次功率改变的时间间隔；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压值；/>表示自然常数为底数的指数函数。
优选的，所述获取充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列，包括的具体方法为：
对运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号进行峰值检测，获取每个IMF分量信号的极值点；将每个极值点对应的时间点按照从小到大进行排序，得到充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列。
优选的，所述获取每个IMF分量信号的极值点序列中每个极值点对电磁干扰预测强度的贴合程度的具体公式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第个极值点对电磁干扰预测强度的贴合程度；/>表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的信号幅值；/>表示充电储能电压数据中第/>个IMF分量信号的极值点序列中的所有极值点的信号幅值最小值；/>表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的电磁干扰强度；表示充电储能电压数据中第/>个IMF分量信号的极值点序列中信号幅值最小值的极值点的电磁干扰强度；/>表示取绝对值；
式中，表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点对电磁干扰预测强度的贴合程度；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的信号幅值；/>表示放电储能电压数据中第个IMF分量信号的极值点序列中的所有极值点的信号幅值最小值；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中信号幅值最小值的极值点的电磁干扰强度。
优选的，所述获取每个IMF分量信号的每个时间点的电压自身波动的表现程度，包括的具体方法为：
对于充电储能电压数据中第个IMF分量信号的第/>个时间点，将第/>个时间点左右两侧极值点的时间间隔，作为第/>个时间点的数据波动周期，将第/>个IMF分量信号中所有时间点的数据波动周期均值，作为第/>个IMF分量信号的平均数据波动周期；则充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度的计算表达式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示充电储能电压数据中所有IMF分量信号的总数量；/>表示充电储能电压数据中第/>个IMF分量信号的序号；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的数据波动周期；/>表示充电储能电压数据中第/>个IMF分量信号的平均数据波动周期；/>表示线性归一化函数；
对于放电储能电压数据中第个IMF分量信号的第/>个时间点，将第/>个时间点左右两侧极值点的时间间隔，作为第/>个时间点的数据波动周期，将第/>个IMF分量信号中所有时间点的数据波动周期均值，作为第/>个IMF分量信号的平均数据波动周期；则放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度的计算表达式为：
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示放电储能电压数据中所有IMF分量信号的总数量；/>表示放电储能电压数据中第/>个IMF分量信号的序号；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的数据波动周期；/>表示放电储能电压数据中第/>个IMF分量信号的平均数据波动周期。
优选的，所述根据每个IMF分量信号的每个时间点的电磁干扰强度、对电磁干扰预测强度的贴合程度和电压自身波动的表现程度，获取每个时间点的电磁噪声干扰强度的具体公式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁噪声干扰强度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点对电磁干扰预测强度的贴合程度；/>表示线性归一化函数；
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁噪声干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点对电磁干扰预测强度的贴合程度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度。
优选的，所述根据每个时间点的电磁噪声干扰强度，获取每个时间点的高斯滤波核尺寸，包括的具体方法为：
对充电储能电压数据中每个IMF分量信号的所有时间点的电磁噪声干扰强度进行线性归一化，得到充电储能电压数据中每个IMF分量信号的每个时间点的归一化后的电磁噪声干扰强度，对每个时间点的归一化后的电磁噪声干扰强度与预设高斯滤波核的参照基准的乘积进行向下取整的结果，作为充电储能电压数据中每个IMF分量信号的每个时间点的高斯滤波核大小。
优选的，所述根据每个时间点的高斯滤波核尺寸，对充电储能电压数据和放电储能电压数据中每个IMF分量信号进行去噪，得到去噪后的运行状态的储能电压数据，包括的具体方法为：
根据每个时间点的高斯滤波核大小对充电储能电压数据中每个IMF分量信号进行不同程度的去噪，得到充电储能电压数据去噪后的每个IMF分量信号，将充电储能电压数据去噪后的每个IMF分量信号进行复原，得到去噪后的充电储能电压数据；同理，得到去噪后的放电储能电压数据；进而得到去噪后运行状态的储能电压数据。
本发明的实施例提供了一种用于储能电站的储能数据异常检测系统，该系统包括数据采集模块、数据电磁干扰程度获取模块、数据电磁噪声干扰程度获取模块以及数据异常检测模块，其中：
数据采集模块，用于获取待机状态的储能电压数据和运行状态的储能电压数据，运行状态的储能电压数据包括电储能电压数据和放电储能电压数据，对运行状态的储能电压数据进行分解，获得充电储能电压数据的若干个IMF分量信号和放电储能电压数据的若干个IMF分量信号；
数据电磁干扰程度获取模块，用于获取充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；获取放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；
数据电磁噪声干扰程度获取模块，用于获取充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列；获取每个IMF分量信号的极值点序列中每个极值点对电磁干扰预测强度的贴合程度；根据每个极值点对电磁干扰预测强度的贴合程度，获取每个IMF分量信号的每个时间点对电磁干扰预测强度的贴合程度；获取每个IMF分量信号的每个时间点的电压自身波动的表现程度；根据每个IMF分量信号的每个时间点的电磁干扰强度、对电磁干扰预测强度的贴合程度和电压自身波动的表现程度，获取每个时间点的电磁噪声干扰强度；
数据异常检测模块，用于根据每个时间点的电磁噪声干扰强度，获取每个时间点的高斯滤波核尺寸；根据每个时间点的高斯滤波核尺寸，对充电储能电压数据和放电储能电压数据中每个IMF分量信号进行去噪，得到去噪后的运行状态的储能电压数据；对待机状态的储能电压数据进行去噪，得到去噪后待机状态的储能电压数据；根据去噪后的运行状态的储能电压数据和待机状态的储能电压数据，进行储能电压数据的异常检测。
本发明的技术方案的有益效果是：针对电磁干扰导致储能电压数据的噪声增加，降低监测数据的准确性，对储能电站的电压监测造成影响，并且电压自身波动和电磁干扰产生的波动难以区分，使得储能电压数据的去噪尺度难以进行自适应的问题；本发明通过获取待机状态的储能电压数据和运行状态的储能电压数据的若干个IMF分量信号；获取运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；根据运行状态的储能电压数据中每个时间点的电磁干扰强度、电压自身波动的表现程度和对电磁干扰预测强度的贴合程度，获取每个时间点的电磁噪声干扰强度；获取去噪后运行状态的储能电压数据和去噪后待机状态的储能电压数据，实现储能电压数据的异常检测；进而完成了对储能电压数据的电磁干扰噪声的去除，提高对储能数据异常检测的准确性。
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，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地介绍，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他的附图。
图1为本发明的一种用于储能电站的储能数据异常检测方法的步骤流程图；
图2为本发明的一种用于储能电站的储能数据异常检测系统的结构框图。
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一种用于储能电站的储能数据异常检测方法及系统，其具体实施方式、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”指的不一定是同一实施例。此外，一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。
下面结合附图具体的说明本发明所提供的一种用于储能电站的储能数据异常检测方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于储能电站的储能数据异常检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取待机状态的储能电压数据和运行状态的储能电压数据的若干个IMF分量信号。
需要说明的是，在对储能电站的储能电压数据进行去噪时，由于电池频繁的进行不同功率的充放电，产生的电磁干扰较大，导致储能电压数据的噪声增加，降低监测数据的准确性，对电池的电压监测造成影响。同时，直接使用EMD信号分解并不能直接将电压自身波动和噪声波动剥离开来，因此直接对储能电压数据去噪往往效果不好；由于储能电压数据在电池充放电过程以及待机过程中的电磁干扰程度均不相同，因此需要将储能电压数据进行划分。
具体的，为了实现本实施例提出的一种用于储能电站的储能数据异常检测方法，首先需要将采集的储能电压数据进行划分为待机状态的储能电压数据和运行状态的储能电压数据，并获取运行状态的储能电压数据的若干个IMF分量信号，具体过程为：
通过储能电站设备的运行状态参数，将采集的储能电压数据进行划分为待机状态的储能电压数据和运行状态的储能电压数据，运行状态的储能电压数据包括，充电储能电压数据和放电储能电压数据；对运行状态的储能电压数据进行EMD分解，获得充电储能电压数据的若干个IMF分量信号和放电储能电压数据的若干个IMF分量信号。
其中，EMD分解法为现有技术，本实施例此处不做过多赘述。
至此，通过上述方法得到待机状态的储能电压数据和运行状态的储能电压数据的若干个IMF分量信号。
步骤S002：获取运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度。
需要说明的是，在储能电站电池在充放电过程中，功率产生变化时，会对电池的储能电压数据产生较大的变化，因此会产生电磁辐射。同时由于电网的需求功率随时可能变化，因此电池功率可能随时变化，因此电磁干扰的强度会随着储能电站电池充放电进程以及电池功率的变化而变化；由于储能电站电池的电磁干扰主要来源于电压和电流的变化，而放电的需求功率会导致储能电站电池的电流电压快速变化，因此本实施例通过储能电站电池放电需求功率的变化来对储能电站电池的电流电压变化进行预测，即对储能电站电池在充放电时的电磁干扰强度进行预测。
1.获取充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度。
需要说明的是，当储能电站电池处于放电状态时，储能电站电池在放电时由于需求功率不同，储能电站电池的放电效率也不同，因此电压的变化速率也不同，因此产生的电磁干扰强度不同；若储能电站电池在放电过程中需求功率变化，那么对应的储能电站电池的电流电压变化速度也随之变化，此时电磁干扰也随之变化；因此，本实施例通过储能电站电池的需求放电功率的变化以及电压幅值对每个时间点的电磁干扰强度进行预测。
具体的，对于充电储能电压数据中第个IMF分量信号的第/>个时间点，获取充电储能电压数据中第/>个IMF分量信号中从开始充电到第/>个时间点之间功率改变大小和时间间隔，则充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度的计算表达式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示充电储能电压数据第/>个IMF分量信号中从开始充电到第/>个时间点之间功率改变大小；/>表示充电储能电压数据第/>个IMF分量信号中从开始充电到第/>个时间点之间时间间隔；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压值；/>表示自然常数为底数的指数函数。
需要说的是，充电储能电压数据从开始充电到第个时间点之间功率改变大小越大，则充电储能电压数据中第/>个时间点的电磁干扰强度越高；充电储能电压数据从开始充电到第/>个时间点之间时间间隔越长，则说明储能电站电池的电压变化越接近稳定状态，此时电磁波动越小，其主要受到电压幅值的影响；充电储能电压数据越接近充电开始的时间，电压变化越大，电磁干扰强度越高。
至此，获得充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度。
2.获得放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度。
需要说明的是，当储能电站电池处于放电状态时，储能电站电池在放电时由于需求功率不同，储能电站电池的放电效率也不同，因此电压的变化速率也不同，因此产生的电磁干扰强度不同。若储能电站电池放电过程中需求功率变化，那么对应的储能电站电池的电流电压变化速度也随之变化，此时电磁干扰也随之变化。因此本实施例通过需求放电功率的变化以及电压幅值对放电储能电压数据中每个时间点的电磁干扰强度进行预测。
具体的，对于放电储能电压数据中第个IMF分量信号的第/>个时间点，获取放电储能电压数据第/>个IMF分量信号中从开始放电到第/>个时间点之间每次功率改变的大小和时间间隔，则放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度的计算表达式为：
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号中从开始放电到第/>个时间点之间功率改变的总次数；/>表示放电储能电压数据中第/>个IMF分量信号中从开始放电到第/>个时间点之间第/>次功率改变的大小；/>表示放电储能电压数据中第个IMF分量信号中从开始放电到第/>个时间点之间第/>次功率改变的时间间隔；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压值；/>表示自然常数为底数的指数函数。
需要说明的是，放电储能电压数据从开始放电到第个时间点之间第/>次功率改变的大小越大，则放电储能电压数据中第/>个时间点的电磁干扰强度越高；放电储能电压数据从开始放电到第/>个时间点之间第/>次功率改变的时间间隔越长，则说明储能电站电池的电压变化越接近稳定状态，此时电磁波动越小，其主要受到电压幅值的影响。
至此，获得放电储能电压数据中第个IMF分量信号的每个时间点的电磁干扰强度。
步骤S003：根据运行状态的储能电压数据中每个时间点的电磁干扰强度、电压自身波动的表现程度和对电磁干扰预测强度的贴合程度，获取每个时间点的电磁干扰强度。
需要说明的是，运行状态的储能电压数据的若干个IMF分量信号的主要表现在频率和幅值方面，运行状态的储能电压数据的干扰波动越强，则运行状态的储能电压数据的若干个IMF分量信号中各个极值点的幅值变化越贴合上述所得运行状态的储能电压数据中每个时间点的电磁干扰强度，则运行状态的储能电压数据的若干个IMF分量信号的变化越有可能是电磁干扰造成的。
1.获取运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点对电磁干扰预测强度的贴合程度。
具体的，对运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号进行峰值检测，获取每个IMF分量信号的极值点；将每个极值点对应的时间点按照从小到大进行排序，得到充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列。
其中，峰值检测法为现有技术，本实施例此处不做过多赘述。
进一步，充电储能电压数据中第个IMF分量信号的极值点序列中第/>个极值点对电磁干扰预测强度的贴合程度的计算表达式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点对电磁干扰预测强度的贴合程度；/>表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的信号幅值；/>表示充电储能电压数据中第/>个IMF分量信号的极值点序列中的所有极值点的信号幅值最小值；/>表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的电磁干扰强度；表示充电储能电压数据中第/>个IMF分量信号的极值点序列中信号幅值最小值的极值点的电磁干扰强度；/>表示取绝对值。
进一步，放电储能电压数据中第个IMF分量信号的极值点序列中第/>个极值点对电磁干扰预测强度的贴合程度的计算表达式为：
式中，表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点对电磁干扰预测强度的贴合程度；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的信号幅值；/>表示放电储能电压数据中第个IMF分量信号的极值点序列中的所有极值点的信号幅值最小值；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中信号幅值最小值的极值点的电磁干扰强度；/>表示取绝对值。
至此，获得运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号中每个极值点对电磁干扰预测强度的贴合程度。
具体的，利用最小二乘法对运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号中每个极值点对电磁干扰预测强度的贴合程度进行拟合，获得每个IMF分量信号的时间电磁干扰预测强度的贴合程度曲线，进而获取每个IMF分量信号的每个时间点对电磁干扰预测强度的贴合程度。
至此，获得运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点对电磁干扰预测强度的贴合程度。
2.获取运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点的电压自身波动的表现程度。
需要说明的是，由于EDM分解时优先分解低频信号，因此对于运行状态的储能电压数据的所有的IMF信号，序号的值越大，则对于该IMF分量信号的频率越高，那么噪声的表现越强，相应的电压自身波动表现越弱；对于每个IMF分量信号的每个时间点，该时间点所处的周期越大，则该时间点的频率越小，电压自身波动的表现程度越大，因此本实施例结合每个时间点的位置和周期获取其电压自身波动的表现程度。
具体的，对于充电储能电压数据中第个IMF分量信号的第/>个时间点，将第/>个时间点左右两侧极值点的时间间隔，作为第/>个时间点的数据波动周期，将第/>个IMF分量信号中所有时间点的数据波动周期均值，作为第/>个IMF分量信号的平均数据波动周期；则充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度的计算表达式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示充电储能电压数据中所有IMF分量信号的总数量；/>表示充电储能电压数据中第/>个IMF分量信号的序号；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的数据波动周期；/>表示充电储能电压数据中第/>个IMF分量信号的平均数据波动周期；/>表示线性归一化函数。
进一步，对于放电储能电压数据中第个IMF分量信号的第/>个时间点，将第/>个时间点左右两侧极值点的时间间隔，作为第/>个时间点的数据波动周期，将第/>个IMF分量信号中所有时间点的数据波动周期均值，作为第/>个IMF分量信号的平均数据波动周期；则放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度的计算表达式为：
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示放电储能电压数据中所有IMF分量信号的总数量；/>表示放电储能电压数据中第/>个IMF分量信号的序号；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的数据波动周期；/>表示放电储能电压数据中第/>个IMF分量信号的平均数据波动周期；/>表示线性归一化函数。
至此，获得运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点的电压自身波动的表现程度。
3.获取运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度。
需要说明的是，时间点对电磁干扰预测强度的贴合程度越大，则说明该时间点的电磁干扰的表现越强，需要进行大尺度的滤波；时间点的电压自身波动的表现程度越大，则说明该时间点越能表现自身的电压波动，电磁干扰表现越弱，需要进行小尺度的滤波。
具体的，充电储能电压数据中第个IMF分量信号的第/>个时间点的电磁噪声干扰强度的计算表达式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁噪声干扰强度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点对电磁干扰预测强度的贴合程度；/>表示线性归一化函数。
进一步，放电储能电压数据中第个IMF分量信号的第/>个时间点的电磁噪声干扰强度的计算表达式为：
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁噪声干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点对电磁干扰预测强度的贴合程度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示线性归一化函数。
至此，通过上述方法得到运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点的电磁噪声干扰强度。
步骤S004：获取去噪后运行状态的储能电压数据和去噪后待机状态的储能电压数据，完成储能电压数据的异常检测。
需要说明的是，对于运行状态的储能电压数据中每个IMF分量信号的每个时间点的电磁噪声干扰强度越大，则需要进行越强尺寸的滤波，进而本实施例结合每个时间点的电磁噪声干扰强度，获取每个时间点的高斯滤波核尺寸。
预设一个高斯滤波核的参照基准，其中本实施例以/>为例进行叙述，本实施例不进行具体限定，其中/>根据具体实施情况而定。
具体的，通过函数对充电储能电压数据中每个IMF分量信号的所有时间点的电磁噪声干扰强度进行线性归一化，得到充电储能电压数据中每个IMF分量信号的每个时间点的归一化后的电磁噪声干扰强度，对每个时间点的归一化后的电磁噪声干扰强度与预设高斯滤波核的参照基准/>的乘积进行向下取整的结果，作为充电储能电压数据中每个IMF分量信号的每个时间点的高斯滤波核大小；根据每个时间点的高斯滤波核大小对充电储能电压数据中每个IMF分量信号进行不同程度的去噪，得到充电储能电压数据去噪后的每个IMF分量信号，将充电储能电压数据去噪后的每个IMF分量信号进行复原，得到去噪后的充电储能电压数据；同理，得到去噪后的放电储能电压数据。
至此，得到去噪后的放电储能电压数据和去噪后的充电储能电压数据，进而得到去噪后运行状态的储能电压数据。
需要说明的是，对于待机状态的储能电压数据，由于没有功率变化，因此认为电压数据稳定，且电磁干扰产生的噪声强度也相同。
具体的，利用高斯滤波对待机状态的储能电压数据进行去噪，得到去噪后待机状态的储能电压数据。
进一步，将去噪后运行状态的储能电压数据和去噪后待机状态的储能电压数据保存在控制系统中，得到去噪后的储能电压数据；将去噪后的储能电压数据中各数据点的电压变化值作为特征量输入箱线图中，通过箱线图来识别出异常数据。
通过以上步骤，完成储能电压数据的异常检测。
请参阅图2，其示出了本发明一个实施例提供的一种用于储能电站的储能数据异常检测系统的结构框图，该系统包括以下模块：
数据采集模块，用于获取待机状态的储能电压数据和运行状态的储能电压数据，运行状态的储能电压数据包括电储能电压数据和放电储能电压数据，对运行状态的储能电压数据进行分解，获得充电储能电压数据的若干个IMF分量信号和放电储能电压数据的若干个IMF分量信号；
数据电磁干扰程度获取模块，用于获取充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；获取放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；
数据电磁噪声干扰程度获取模块，用于获取充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列；获取每个IMF分量信号的极值点序列中每个极值点对电磁干扰预测强度的贴合程度；根据每个极值点对电磁干扰预测强度的贴合程度，获取每个IMF分量信号的每个时间点对电磁干扰预测强度的贴合程度；获取每个IMF分量信号的每个时间点的电压自身波动的表现程度；根据每个IMF分量信号的每个时间点的电磁干扰强度、对电磁干扰预测强度的贴合程度和电压自身波动的表现程度，获取每个时间点的电磁噪声干扰强度；
数据异常检测模块，用于根据每个时间点的电磁噪声干扰强度，获取每个时间点的高斯滤波核尺寸；根据每个时间点的高斯滤波核尺寸，对充电储能电压数据和放电储能电压数据中每个IMF分量信号进行去噪，得到去噪后的运行状态的储能电压数据；对待机状态的储能电压数据进行去噪，得到去噪后待机状态的储能电压数据；根据去噪后的运行状态的储能电压数据和待机状态的储能电压数据，进行储能电压数据的异常检测。
本实施例针对电磁干扰导致储能电压数据的噪声增加，降低监测数据的准确性，对储能电站的电压监测造成影响，并且电压自身波动和电磁干扰产生的波动难以区分，使得储能电压数据的去噪尺度难以进行自适应的问题；本发明通过获取待机状态的储能电压数据和运行状态的储能电压数据的若干个IMF分量信号；获取运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；根据运行状态的储能电压数据中每个时间点的电磁干扰强度、电压自身波动的表现程度和对电磁干扰预测强度的贴合程度，获取每个时间点的电磁噪声干扰强度；获取去噪后运行状态的储能电压数据和去噪后待机状态的储能电压数据，实现储能电压数据的异常检测；进而完成了对储能电压数据的电磁干扰噪声的去除，提高对储能数据异常检测的准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于储能电站的储能数据异常检测方法，其特征在于，该方法包括以下步骤：
获取待机状态的储能电压数据和运行状态的储能电压数据，运行状态的储能电压数据包括电储能电压数据和放电储能电压数据，对运行状态的储能电压数据进行分解，获得充电储能电压数据的若干个IMF分量信号和放电储能电压数据的若干个IMF分量信号；
获取充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；获取放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；
获取充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列；获取每个IMF分量信号的极值点序列中每个极值点对电磁干扰预测强度的贴合程度；根据每个极值点对电磁干扰预测强度的贴合程度，获取每个IMF分量信号的每个时间点对电磁干扰预测强度的贴合程度；获取每个IMF分量信号的每个时间点的电压自身波动的表现程度；根据每个IMF分量信号的每个时间点的电磁干扰强度、对电磁干扰预测强度的贴合程度和电压自身波动的表现程度，获取每个时间点的电磁噪声干扰强度；
根据每个时间点的电磁噪声干扰强度，获取每个时间点的高斯滤波核尺寸；根据每个时间点的高斯滤波核尺寸，对充电储能电压数据和放电储能电压数据中每个IMF分量信号进行去噪，得到去噪后的运行状态的储能电压数据；对待机状态的储能电压数据进行去噪，得到去噪后待机状态的储能电压数据；根据去噪后的运行状态的储能电压数据和待机状态的储能电压数据，进行储能电压数据的异常检测。
2.根据权利要求1所述一种用于储能电站的储能数据异常检测方法，其特征在于，所述获取充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度，包括的具体方法为：
对于充电储能电压数据中第个IMF分量信号的第/>个时间点，获取充电储能电压数据中第/>个IMF分量信号中从开始充电到第/>个时间点之间功率改变大小和时间间隔，则充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度的计算表达式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示充电储能电压数据第/>个IMF分量信号中从开始充电到第/>个时间点之间功率改变大小；/>表示充电储能电压数据第/>个IMF分量信号中从开始充电到第/>个时间点之间时间间隔；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压值；/>表示自然常数为底数的指数函数。
3.根据权利要求1所述一种用于储能电站的储能数据异常检测方法，其特征在于，所述获取放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度，包括的具体方法为：
对于放电储能电压数据中第个IMF分量信号的第/>个时间点，获取放电储能电压数据第/>个IMF分量信号中从开始放电到第/>个时间点之间每次功率改变的大小和时间间隔，则放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度的计算表达式为：
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号中从开始放电到第/>个时间点之间功率改变的总次数；/>表示放电储能电压数据中第/>个IMF分量信号中从开始放电到第/>个时间点之间第/>次功率改变的大小；/>表示放电储能电压数据中第/>个IMF分量信号中从开始放电到第/>个时间点之间第/>次功率改变的时间间隔；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压值；/>表示自然常数为底数的指数函数。
4.根据权利要求1所述一种用于储能电站的储能数据异常检测方法，其特征在于，所述获取充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列，包括的具体方法为：
对运行状态的储能电压数据中的充电储能电压数据和放电储能电压数据中每个IMF分量信号进行峰值检测，获取每个IMF分量信号的极值点；将每个极值点对应的时间点按照从小到大进行排序，得到充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列。
5.根据权利要求1所述一种用于储能电站的储能数据异常检测方法，其特征在于，所述获取每个IMF分量信号的极值点序列中每个极值点对电磁干扰预测强度的贴合程度的具体公式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点对电磁干扰预测强度的贴合程度；/>表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的信号幅值；/>表示充电储能电压数据中第个IMF分量信号的极值点序列中的所有极值点的信号幅值最小值；/>表示充电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的电磁干扰强度；表示充电储能电压数据中第/>个IMF分量信号的极值点序列中信号幅值最小值的极值点的电磁干扰强度；/>表示取绝对值；
式中，表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点对电磁干扰预测强度的贴合程度；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的信号幅值；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中的所有极值点的信号幅值最小值；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中第/>个极值点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的极值点序列中信号幅值最小值的极值点的电磁干扰强度。
6.根据权利要求1所述一种用于储能电站的储能数据异常检测方法，其特征在于，所述获取每个IMF分量信号的每个时间点的电压自身波动的表现程度，包括的具体方法为：
对于充电储能电压数据中第个IMF分量信号的第/>个时间点，将第/>个时间点左右两侧极值点的时间间隔，作为第/>个时间点的数据波动周期，将第/>个IMF分量信号中所有时间点的数据波动周期均值，作为第/>个IMF分量信号的平均数据波动周期；则充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度的计算表达式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示充电储能电压数据中所有IMF分量信号的总数量；/>表示充电储能电压数据中第/>个IMF分量信号的序号；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的数据波动周期；/>表示充电储能电压数据中第/>个IMF分量信号的平均数据波动周期；/>表示线性归一化函数；
对于放电储能电压数据中第个IMF分量信号的第/>个时间点，将第/>个时间点左右两侧极值点的时间间隔，作为第/>个时间点的数据波动周期，将第/>个IMF分量信号中所有时间点的数据波动周期均值，作为第/>个IMF分量信号的平均数据波动周期；则放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度的计算表达式为：
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示放电储能电压数据中所有IMF分量信号的总数量；/>表示放电储能电压数据中第/>个IMF分量信号的序号；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的数据波动周期；/>表示放电储能电压数据中第/>个IMF分量信号的平均数据波动周期。
7.根据权利要求1所述一种用于储能电站的储能数据异常检测方法，其特征在于，所述根据每个IMF分量信号的每个时间点的电磁干扰强度、对电磁干扰预测强度的贴合程度和电压自身波动的表现程度，获取每个时间点的电磁噪声干扰强度的具体公式为：
式中，表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁噪声干扰强度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度；/>表示充电储能电压数据中第/>个IMF分量信号的第/>个时间点对电磁干扰预测强度的贴合程度；/>表示线性归一化函数；
式中，表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁噪声干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电磁干扰强度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点对电磁干扰预测强度的贴合程度；/>表示放电储能电压数据中第/>个IMF分量信号的第/>个时间点的电压自身波动的表现程度。
8.根据权利要求1所述一种用于储能电站的储能数据异常检测方法，其特征在于，所述根据每个时间点的电磁噪声干扰强度，获取每个时间点的高斯滤波核尺寸，包括的具体方法为：
对充电储能电压数据中每个IMF分量信号的所有时间点的电磁噪声干扰强度进行线性归一化，得到充电储能电压数据中每个IMF分量信号的每个时间点的归一化后的电磁噪声干扰强度，对每个时间点的归一化后的电磁噪声干扰强度与预设高斯滤波核的参照基准的乘积进行向下取整的结果，作为充电储能电压数据中每个IMF分量信号的每个时间点的高斯滤波核大小。
9.根据权利要求1所述一种用于储能电站的储能数据异常检测方法，其特征在于，所述根据每个时间点的高斯滤波核尺寸，对充电储能电压数据和放电储能电压数据中每个IMF分量信号进行去噪，得到去噪后的运行状态的储能电压数据，包括的具体方法为：
根据每个时间点的高斯滤波核大小对充电储能电压数据中每个IMF分量信号进行不同程度的去噪，得到充电储能电压数据去噪后的每个IMF分量信号，将充电储能电压数据去噪后的每个IMF分量信号进行复原，得到去噪后的充电储能电压数据；同理，得到去噪后的放电储能电压数据；进而得到去噪后运行状态的储能电压数据。
10.一种用于储能电站的储能数据异常检测系统，其特征在于，该系统包括以下模块：
数据采集模块，用于获取待机状态的储能电压数据和运行状态的储能电压数据，运行状态的储能电压数据包括电储能电压数据和放电储能电压数据，对运行状态的储能电压数据进行分解，获得充电储能电压数据的若干个IMF分量信号和放电储能电压数据的若干个IMF分量信号；
数据电磁干扰程度获取模块，用于获取充电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；获取放电储能电压数据中每个IMF分量信号的每个时间点的电磁干扰强度；
数据电磁噪声干扰程度获取模块，用于获取充电储能电压数据和放电储能电压数据的每个IMF分量信号的极值点序列；获取每个IMF分量信号的极值点序列中每个极值点对电磁干扰预测强度的贴合程度；根据每个极值点对电磁干扰预测强度的贴合程度，获取每个IMF分量信号的每个时间点对电磁干扰预测强度的贴合程度；获取每个IMF分量信号的每个时间点的电压自身波动的表现程度；根据每个IMF分量信号的每个时间点的电磁干扰强度、对电磁干扰预测强度的贴合程度和电压自身波动的表现程度，获取每个时间点的电磁噪声干扰强度；
数据异常检测模块，用于根据每个时间点的电磁噪声干扰强度，获取每个时间点的高斯滤波核尺寸；根据每个时间点的高斯滤波核尺寸，对充电储能电压数据和放电储能电压数据中每个IMF分量信号进行去噪，得到去噪后的运行状态的储能电压数据；对待机状态的储能电压数据进行去噪，得到去噪后待机状态的储能电压数据；根据去噪后的运行状态的储能电压数据和待机状态的储能电压数据，进行储能电压数据的异常检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311841833.6A CN117494028B (zh) | 2023-12-29 | 2023-12-29 | 一种用于储能电站的储能数据异常检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311841833.6A CN117494028B (zh) | 2023-12-29 | 2023-12-29 | 一种用于储能电站的储能数据异常检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494028A true CN117494028A (zh) | 2024-02-02 |
| CN117494028B CN117494028B (zh) | 2024-04-19 |
Family
ID=89685339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311841833.6A Active CN117494028B (zh) | 2023-12-29 | 2023-12-29 | 一种用于储能电站的储能数据异常检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494028B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190164564A1 (en) * | 2016-05-23 | 2019-05-30 | The University Of New Hampshire | Techniques for Empirical Mode Decomposition (EMD)-Based Signal De-Noising Using Statistical Properties of Intrinsic Mode Functions (IMFs) |
| CN111145044A (zh) * | 2020-01-09 | 2020-05-12 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
| CN111950526A (zh) * | 2020-09-01 | 2020-11-17 | 国网河北省电力有限公司检修分公司 | 基于深度学习断路器储能机构故障诊断方法 |
| CN113900050A (zh) * | 2021-10-19 | 2022-01-07 | 国网山东省电力公司淄博供电公司 | 一种基于振动信号的干式变压器状态监测与故障诊断装置及系统 |
| WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
| CN116859255A (zh) * | 2023-07-05 | 2023-10-10 | 广东电网有限责任公司 | 一种储能电池健康状态的预测方法、装置、设备及介质 |
| CN116992270A (zh) * | 2023-09-26 | 2023-11-03 | 惠州市优尼可科技有限公司 | 一种基于数据处理的壁挂储能电源运行监测方法 |
| CN117195007A (zh) * | 2023-11-08 | 2023-12-08 | 张家港长寿工业设备制造有限公司 | 一种换热器性能预测方法及系统 |
-
2023
- 2023-12-29 CN CN202311841833.6A patent/CN117494028B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190164564A1 (en) * | 2016-05-23 | 2019-05-30 | The University Of New Hampshire | Techniques for Empirical Mode Decomposition (EMD)-Based Signal De-Noising Using Statistical Properties of Intrinsic Mode Functions (IMFs) |
| CN111145044A (zh) * | 2020-01-09 | 2020-05-12 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
| CN111950526A (zh) * | 2020-09-01 | 2020-11-17 | 国网河北省电力有限公司检修分公司 | 基于深度学习断路器储能机构故障诊断方法 |
| CN113900050A (zh) * | 2021-10-19 | 2022-01-07 | 国网山东省电力公司淄博供电公司 | 一种基于振动信号的干式变压器状态监测与故障诊断装置及系统 |
| WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
| CN116859255A (zh) * | 2023-07-05 | 2023-10-10 | 广东电网有限责任公司 | 一种储能电池健康状态的预测方法、装置、设备及介质 |
| CN116992270A (zh) * | 2023-09-26 | 2023-11-03 | 惠州市优尼可科技有限公司 | 一种基于数据处理的壁挂储能电源运行监测方法 |
| CN117195007A (zh) * | 2023-11-08 | 2023-12-08 | 张家港长寿工业设备制造有限公司 | 一种换热器性能预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| HEYANG LI ET AL.: "Automatic Expansion of Voltage Signals Using Empirical Mode Decomposition for Voltage Sag Detection", IEEE ACCESS, no. 10, 4 August 2022 (2022-08-04), pages 80138 - 80150 * |
| 卢鹏宇等: "基于CEEMDAN-UWT降噪的暂态电能质量检测方法", 中国测试, vol. 46, no. 7, 31 July 2020 (2020-07-31), pages 60 - 67 * |
| 赵靖英等: "考虑容量再生的锂离子电池健康状态估计方法", 电源学报, 19 December 2023 (2023-12-19), pages 1 - 15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494028B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110082699B (zh) | 一种低压台区智能电能表运行误差计算方法及其系统 | |
| CN104332665A (zh) | 一种电池配组方法 | |
| CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
| CN115954910B (zh) | 一种基于能量优化的分布式储能控制方法及系统 | |
| CN115081332B (zh) | 用于参数识别的工况敏感度分析和数据处理方法、装置 | |
| CN115421050A (zh) | 一种电池健康状态的估计方法、系统、设备及存储介质 | |
| CN115308610A (zh) | 一种锂电池分容容量预测方法及系统 | |
| CN117494028B (zh) | 一种用于储能电站的储能数据异常检测方法及系统 | |
| CN113538037A (zh) | 监测电瓶车充电事件的方法及系统、设备、存储介质 | |
| CN111146793B (zh) | 基于功率特征提取的光伏-储能系统容量优化设计方法及系统 | |
| CN115587326B (zh) | 一种噪声环境风电场数据修正方法 | |
| CN115912491B (zh) | 分布式光伏发电调峰调频控制方法、系统、终端及介质 | |
| CN112668807B (zh) | 一种用于风电场功率预测的风速预测方法 | |
| CN115085227A (zh) | 一种微电网源储容量配置方法及装置 | |
| CN111600051B (zh) | 一种基于图像处理的质子交换膜燃料电池故障诊断方法 | |
| CN108110283B (zh) | 一种液流电池储能系统异常数据识别方法 | |
| Wang et al. | Improved modeling of lithium-ion battery capacity degradation using an individual-state training method and recurrent softplus neural network | |
| CN112578302A (zh) | 一种梯次利用动力电池重组方法、系统、设备和存储介质 | |
| CN113419172A (zh) | 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别 | |
| CN115416531B (zh) | 一种超级电容充电站充电控制系统 | |
| CN111509810A (zh) | 一种锂电池充电状态检测方法、装置及存储介质 | |
| CN112766733B (zh) | 利用改进的K-means算法加速优化调度算法收敛的方法及系统 | |
| Chen et al. | Residual Life Prediction Method of Lithium Battery Based on HHT-ARIMA-PF | |
| CN113659590A (zh) | 一种储能电池参与电网二次调频的参数优化方法及系统 | |
| CN115221472B (zh) | 一种用户电压限值的自适应设置方法、装置、存储器及计算设备 |
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 |