CN117554821A - 基于深度学习网络的储能电池在线监测管理方法及系统 - Google Patents
基于深度学习网络的储能电池在线监测管理方法及系统 Download PDFInfo
- Publication number
- CN117554821A CN117554821A CN202311546199.3A CN202311546199A CN117554821A CN 117554821 A CN117554821 A CN 117554821A CN 202311546199 A CN202311546199 A CN 202311546199A CN 117554821 A CN117554821 A CN 117554821A
- Authority
- CN
- China
- Prior art keywords
- battery
- charging
- data
- performance
- parameters
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 95
- 238000004146 energy storage Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000007726 management method Methods 0.000 title claims description 18
- 230000008859 change Effects 0.000 claims abstract description 112
- 230000002159 abnormal effect Effects 0.000 claims abstract description 91
- 238000012423 maintenance Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000032683 aging Effects 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 14
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims description 32
- 238000013136 deep learning model Methods 0.000 claims description 21
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005304 joining Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- 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
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了基于深度学习网络的储能电池在线监测管理方法及系统,涉及电池管理技术领域,该基于深度学习网络的储能电池在线监测管理方法包括以下步骤:获取电池参数,得到运行状态数据;生成电池的平衡充电信息,获取充电波动变化趋势;构建充电波动变化图表,得到时序波动变化参数;建立电池的性能预测模型,评估电池的未来运行性能。本发明通过对电池的充电行为进行时序分析和模式识别,使得可以更准确地预测电池的充电行为的同时,还能结合电池运行状态和未来运行性能,使得更准确的预测电池的异常发生时间和老化状况,从而避免过早或过晚进行维护,进而提高维护效率和电池的使用寿命,提高了电池的管理效率。
Description
技术领域
本发明涉及电池管理技术领域,具体来说,涉及基于深度学习网络的储能电池在线监测管理方法及系统。
背景技术
传统化石燃料的使用带来的环境污染以及全球气温上升等问题,极大促进清洁能源的发展,因此节能和环保成为当下最为重要的研究方向之一,是缓解当今能源紧缺、环境恶劣的必要手段。电池储能系统作为当前热门研究热点对清洁能源的储存起到了极大的作用,推动着可再生能源开发的需求。
锂电池凭借其使用寿命长,能量密度高,自放电低等特点,已经成为当前储能系统的主要组成部分。采用锂离子电池作为储能电池,可以有效的减轻高峰时段和尖峰时段电网的负荷,降低用电负荷对电网的冲击。
在实际生产工艺中,电池之间或多或少会存在微小的差异,当锂电池做储能系统时,锂电池就会频繁的进行充放电,在这个过程中,电池就会发生衰减,有的可能衰减快,有的可能衰减慢,如果不对电池的状态进行监测,长时间下去就会发生异常甚至发生危险。
现有技术中,主要依赖于经验模型和固定参数来管理电池的充电和放电行为,但这种方法在面对复杂的使用环境和多种电池类型时,管理电池效率不够准确,并且不能根据电池运行状态来预测异常发生时间和老化状况,使得容易造成对电池过早或过晚进行维护,降低了维护效率和电池的使用寿命。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足,本发明提出基于深度学习网络的储能电池在线监测管理方法及系统,解决了上述背景技术中提出现有的在面对复杂的使用环境和多种电池类型时,管理电池效率不够准确,并且不能根据电池运行状态来预测异常发生时间和老化状况,使得容易造成对电池过早或过晚进行维护,降低了维护效率和电池的使用寿命的问题。
为实现以上目的,本发明通过以下技术方案予以实现:
根据本发明的一个方面,提供了基于深度学习网络的储能电池在线监测管理方法,该基于深度学习网络的储能电池在线监测管理方法包括以下步骤:
S1、获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据;
S2、建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势;
S3、根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数;
S4、基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能;
S5、建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期;
S6、对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警。
进一步的,所述获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据包括以下步骤:
S11、收集电池实时监测数据参数的重复数据、缺失值和异常值,并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理;
S12、将电池实时监测数据参数中未处理的数据行进行联结,生成新的数据表,通过外部键值将不同的数据表进行关联,生成完整的数据表,并得到准确数据集;
S13、确定不同数据集之间的外键关系,根据需要将不同数据表中的数据进行相互联结,创建新的数据表,并通过指定的外部键值进行关联;
S14、通过SQL语句中的JOIN操作符,将需要联结的数据表连接在一起,在进行联结时,确保数据的完整性约束得到满足;
S15、完成联结后,插入测试数据检查联结结果是否正确,确保能够正确地被识别和关联,得到电池实时监测数据参数的准确数据;
S16、利用主成分分析法将电池实时监测数据参数的准确数据融合到同一个数据集中;
S17、从融合后的数据集中提取相关特征,得到电池运行状态数据。
进一步的,所述建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势包括以下步骤:
S21、基于深度学习模型和历史充电数据生成电池的历史充电过程数据;
S22、基于历史充电过程数据分析电池充电状态,并根据电池充电状态生成平衡充电参数;
S23、对平衡充电参数进行验证,根据验证结果生成平衡充电信息,并获取充电波动变化趋势。
进一步的,所述根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数包括以下步骤:
S31、根据平衡充电信息进行充电波动统计分析,得到充电波动变化趋势;
S32、基于充电波动变化趋势进行变化特征提取,并根据提取特征结果进行构建充电波动变化图表;
S33、对充电波动变化图表进行信息标注,并预设充电波动安全阀值;
S34、对充电波动变化图表进行电池波动参数提取,并进行频谱分析,以获取电池波动参数的变化模式和变化趋势;
S35、根据电池波动参数的变化模式和变化趋势进行变化特征提取,并得到时序波动变化参数。
进一步的,所述基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能包括以下步骤:
S41、将时序波动变化参数及充电波动变化趋势转换成电池性能的特性,并构建电池性能预测模型;
S42、通过将实际测量得到的充电波动变化趋势与构建的性能预测模型进行拟合,估计性能预测模型中的参数值;
S43、利用建立的性能预测模型计算电池的未来运行性能,并基于运行性能评估电池的性能。
进一步的,所述建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期包括以下步骤:
S51、收集电池运行状态数据,并获取历史时间段内的性能数据;
S52、对电池运行状态数据和获取的性能数据进行特征提取与转换,并将数据划分为训练集和测试集;
S53、构建多层感知器模型,将电池运行状态数据和对应的性能特征输入到多层感知器模型中,得到对应电池的未来运行性能预测值;
S54、基于运行性能预测值,评估电池的老化状况,确定电池的最佳维护周期;
S55、根据制定的最佳维护周期,进行电池的维护和更换,以保持电池的最佳运行状态。
进一步的,所述构建多层感知器模型,将电池运行状态数据和对应的性能特征输入到多层感知器模型中,得到对应电池的未来运行性能预测值包括以下步骤:
S531、选择相匹配的多层感知器模型结构,并分别确定输入层、隐藏层及输出层的神经元数量;
S532、根据输入层的输入元素、权重及偏置,计算隐藏层的输入元素;
S533、将隐藏层的输入元素导入激活函数中进行求解,得到隐藏层的输出元素;
S534、根据隐藏层的输出元素、权重及偏置,计算输出层的输入元素;
S535、将输出层的输入元素导入激活函数中进行求解,得到输出层的输出元素,并将输出元素作为对应电池的未来运行性能预测值;
S536、利用反向传播算法计算未来运行性能预测值与实际性能值之间的误差,并采用梯度下降算法调整多层感知器模型参数。
进一步的,所述隐藏层的输入元素的计算公式为:
式中,m表示输入层元素数量;
n表示隐藏层元素数量;
表示隐藏层的输入元素;
xi表示输入层的输入元素;
表示输入层的权重;
表示输入层的偏置;
i,j分别表示输入层第i个元素和隐藏层第j个元素。
进一步的,所述对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警包括以下步骤:
S61、收集电池的历史充电异常数据;
S62、计算电池在时间段内的异常发生次数,并将异常发生次数除以电池的总运行时间,得到异常的异常频率分布;
S63、对异常频率进行综合性分析得出异常发生规律,并绘制概率分布曲线,将概率分布曲线中异常频率较高的区域作为易发异常点区域;
S64、将电池的异常概率分布及异常发生规律作为异常监测模型的参数,并将异常监测模型部署在易发异常点区域;
S65、若监测到易发异常点区域发生异常时,则触发预警信号。
根据本发明的另一个方面,还提供了基于深度学习网络的储能电池在线监测管理系统,该基于深度学习网络的储能电池在线监测管理系统包括:数据获取与处理模块、平衡充电信息生成模块、数据分析与处理模块、性能预测模块、寿命预测模块及异常监测模块;
其中,所述数据获取与处理模块,用于获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据;
所述平衡充电信息生成模块,用于建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势;
所述数据分析与处理模块,用于根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数;
所述性能预测模块,用于基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能;
所述寿命预测模块,用于建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期;
所述异常监测模块,用于对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警。
本发明的有益效果为:
1、本发明通过对电池的充电行为进行时序分析和模式识别,使得可以更准确地预测电池的充电行为的同时,还能通过构建充电波动变化图表并进行时序分析,可以更深入地理解电池的充电过程和特性,并且结合电池运行状态和未来运行性能,使得更准确的预测电池的异常发生时间和老化状况,并且基于预测结果,可以确定电池的最佳维护周期,从而避免过早或过晚进行维护,进而提高维护效率和电池的使用寿命,提高了电池的管理效率。
2、本发明通过挖掘历史充电异常信息,可以识别和分析电池的易发异常点和潜在异常模式,从而提高异常预测的准确性的同时,还能通过异常监测技术对易发异常点进行实时监测和预警,可以及早发现异常迹象并采取相应的维修措施,避免异常进一步发展,减少停机时间,提高电池的可用性和稳定性,并且通过分析电池的异常发生趋势,进而可以合理安排维修和保养周期,优化维修资源的利用,减少维修成本和维修时间。
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是根据本发明实施例的基于深度学习网络的储能电池在线监测管理方法的流程图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。此外,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
根据本发明的实施例,提供了基于深度学习网络的储能电池在线监测管理方法及系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于深度学习网络的储能电池在线监测管理方法,该基于深度学习网络的储能电池在线监测管理方法包括以下步骤:
S1、获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据;
具体的,电池运行状态数据包括电压、电流、温度、充电状态、充电状态、内阻及循环次数等。
S2、建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势;
S3、根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数;
S4、基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能;
S5、建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期;
S6、对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警。
在一个实施例中,所述获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据包括以下步骤:
S11、收集电池实时监测数据参数的重复数据、缺失值和异常值,并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理;
S12、将电池实时监测数据参数中未处理的数据行进行联结,生成新的数据表,通过外部键值将不同的数据表进行关联,生成完整的数据表,并得到准确数据集;
S13、确定不同数据集之间的外键关系,根据需要将不同数据表中的数据进行相互联结,创建新的数据表,并通过指定的外部键值进行关联;
S14、通过SQL语句中的JOIN操作符,将需要联结的数据表连接在一起,在进行联结时,确保数据的完整性约束得到满足;
S15、完成联结后,插入测试数据检查联结结果是否正确,确保能够正确地被识别和关联,得到电池实时监测数据参数的准确数据;
S16、利用主成分分析法将电池实时监测数据参数的准确数据融合到同一个数据集中;
S17、从融合后的数据集中提取相关特征,得到电池运行状态数据。
在一个实施例中,所述建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势包括以下步骤:
S21、基于深度学习模型和历史充电数据生成电池的历史充电过程数据;
S22、基于历史充电过程数据分析电池充电状态,并根据电池充电状态生成平衡充电参数;
S23、对平衡充电参数进行验证,根据验证结果生成平衡充电信息,并获取充电波动变化趋势。
具体的,对生成的平衡充电参数进行验证,通过实际充电过程来完成,即将生成的参数应用于实际的充电过程中,观察电池的充电电流、电压、温度等数据是否符合预期;
对验证结果进行分析,如果电池的充电电流、电压、温度等数据符合预期,那么说明生成的平衡充电参数是有效的;如果不符合预期,那么可能需要调整平衡充电参数,根据验证结果生成平衡充电信息,例如,如果验证结果显示生成的平衡充电参数是有效的,那么平衡。
在一个实施例中,所述根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数包括以下步骤:
S31、根据平衡充电信息进行充电波动统计分析,得到充电波动变化趋势;
具体的,收集平衡充电信息,这些信息可能包括充电电流、电压、温度等参数,然后,对收集到的数据进行处理,计算每次充电的电流、电压、温度等参数的波动,对处理后的数据进行统计分析,计算电流、电压、温度等参数的平均值、标准差等统计量,根据统计分析的结果,通过回归分析方法分析充电波动的变化趋势,来预测未来的充电波动。
S32、基于充电波动变化趋势进行变化特征提取,并根据提取特征结果进行构建充电波动变化图表;
具体的,收集充电波动的电流、电压、时间等信息,再计算滑动平均值、滑动标准差提取充电波动的频率特征,再使用提取的特征来构建充电波动变化图表,绘制充电波动的时间序列图,或者绘制充电波动的箱线图或者小提琴图。
S33、对充电波动变化图表进行信息标注,并预设充电波动安全阀值;
S34、对充电波动变化图表进行电池波动参数提取,并进行频谱分析,以获取电池波动参数的变化模式和变化趋势;
具体的,根据电池的工作原理和充电波动的特性,提取相关的电池波动参数,包括充电电压、充电电流、充电时间、电池温度等,并通过图表的纵轴和横轴,以及图表中的线条和标记,来提取这些参数。
具体的,收集电池波动参数的时域信号,使用傅里叶变换将时域信号转换为频域信号,并通过傅里叶变换将信号分解为一系列的正弦波和余弦波,确定每个波的频率、振幅和相位得到频域信号后,计算其幅度谱和相位谱,再分析幅度谱和相位谱,来了解电池波动参数的频率特性。
S35、根据电池波动参数的变化模式和变化趋势进行变化特征提取,并得到时序波动变化参数。
具体的,理解电池波动参数的变化模式和变化趋势,包括查看数据的统计摘要,如平均值、中位数、标准差等,以及绘制图形,如时间序列图、自相关图和偏自相关图等,当数据有明显的周期性变化,可以提取频率和幅度,如果数据有明显的趋势,可以提取趋势的斜率和截距;将选择的机器学习算法应用于电池波动参数的数据,特征提取完毕后,得到的结果就是变化特征数。
在一个实施例中,所述基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能包括以下步骤:
S41、将时序波动变化参数及充电波动变化趋势转换成电池性能的特性,并构建电池性能预测模型;
S42、通过将实际测量得到的充电波动变化趋势与构建的性能预测模型进行拟合,估计性能预测模型中的参数值;
具体的,实际测量得到的充电波动变化趋势是指在现实中对电池进行实际测量所得到的变化趋势(如充电速度的波动、充电效率的变化、充电电压和电流的波动、充电温度的变化等)的数值数据。通过将实际测量得到的充电波动变化趋势与构建的性能预测模型进行拟合,可以估计模型中的参数值。拟合过程会尝试调整模型中的参数,使得模型预测得到的电池寿命与实际测量的电池寿命尽可能接近。
S43、利用建立的性能预测模型计算电池的未来运行性能,并基于运行性能评估电池的性能。
在一个实施例中,所述建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期包括以下步骤:
S51、收集电池运行状态数据,并获取历史时间段内的性能数据;
S52、对电池运行状态数据和获取的性能数据进行特征提取与转换,并将数据划分为训练集和测试集;
S53、构建多层感知器模型,将电池运行状态数据和对应的性能特征输入到多层感知器模型中,得到对应电池的未来运行性能预测值;
具体的,多层感知器(Multilayer Perceptron,简称MLP)是人工神经网络模型,它由多个神经元层组成,每个神经元层都与前一层和后一层完全连接。在MLP中,输入层接收输入数据,每个输入节点代表数据的一个特征,输入数据通过隐藏层传递,隐藏层由多个神经元组成,每个神经元接收来自上一层的输入,并应用激活函数对输入进行非线性转换,最后,输出层接收隐藏层的输出,并产生最终的预测结果。
S54、基于运行性能预测值,评估电池的老化状况,确定电池的最佳维护周期;
S55、根据制定的最佳维护周期,进行电池的维护和更换,以保持电池的最佳运行状态。
在一个实施例中,所述构建多层感知器模型,将电池运行状态数据和对应的性能特征输入到多层感知器模型中,得到对应电池的未来运行性能预测值包括以下步骤:
S531、选择相匹配的多层感知器模型结构,并分别确定输入层、隐藏层及输出层的神经元数量;
S532、根据输入层的输入元素、权重及偏置,计算隐藏层的输入元素;
S533、将隐藏层的输入元素导入激活函数中进行求解,得到隐藏层的输出元素;
S534、根据隐藏层的输出元素、权重及偏置,计算输出层的输入元素;
具体的,输出层的输入元素的计算公式为:
式中,r表示输出层元素数量;
表示输出层的输入元素;
zj表示隐藏层的输出元素;
表示隐藏层的权重;
表示隐藏层的偏置;
k,j分别表示输入层第k个元素和隐藏层第j个元素。
S535、将输出层的输入元素导入激活函数中进行求解,得到输出层的输出元素,并将输出元素作为对应电池的未来运行性能预测值;
S536、利用反向传播算法计算未来运行性能预测值与实际性能值之间的误差,并采用梯度下降算法调整多层感知器模型参数。
具体的,反向传播算法是用于训练神经网络的算法,根据损失函数的值,从输出层向隐藏层和输入层反向传播误差,对于输出层,计算输出误差与输出层的输入之间的关系,即损失函数的梯度,然后将误差分配给上一层,通过相同的方式计算每一层的梯度,直到到达输入层。
在一个实施例中,所述隐藏层的输入元素的计算公式为:
式中,m表示输入层元素数量;
n表示隐藏层元素数量;
表示隐藏层的输入元素;
xi表示输入层的输入元素;
表示输入层的权重;
表示输入层的偏置;
i,j分别表示输入层第i个元素和隐藏层第j个元素。
在一个实施例中,所述对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警包括以下步骤:
S61、收集电池的历史充电异常数据;
S62、计算电池在时间段内的异常发生次数,并将异常发生次数除以电池的总运行时间,得到异常的异常频率分布;
S63、对异常频率进行综合性分析得出异常发生规律,并绘制概率分布曲线,将概率分布曲线中异常频率较高的区域作为易发异常点区域;
S64、将电池的异常概率分布及异常发生规律作为异常监测模型的参数,并将异常监测模型部署在易发异常点区域;
具体的,将电池的异常概率分布及异常发生规律作为异常监测模型的参数,并将异常监测模型部署在易发异常点区域包括以下步骤:
S641、将电池的历史充电异常数据作为训练样本,并将电池的概率分布及异常发生规律作为异常监测模型的参数数据;
S642、利用核密度估计算法计算训练样本的奇异值变化量,并利用FCM算法对训练样本进行聚类,将其划分为平稳模态和过渡模态,输出最佳聚类中心矩阵。
具体的,使用核密度估计算法计算每个样本数据点的概率密度,常用的核函数包括高斯核函数和Epanechnikov核函数等,对于每个样本数据点,计算其与周围数据点的概率密度之比,该比值可以作为奇异值变化量的一种度量。
具体的,FCM算法(Fuzzy C-means)是一种基于模糊逻辑的聚类算法,用于将数据点划分为不同的类别,FCM算法允许数据点属于多个类别的隶属度,输出的是每个数据点属于各个类别的隶属度值。
S643、对训练样本进行归一化处理,并计算归一化处理后训练样本的模态隶属度,利用最佳聚类中心矩阵和指标控制限作为异常监测模型的输入,并结合模态隶属度构建不同模态的异常监测模型;
S644、在易发异常点区域部署训练好的异常监测模型,并将监测指标与指标控制限进行比较,以判断易发异常点区域是否发生异常。
具体的,在易发异常点区域部署训练好的异常监测模型,并将监测指标与指标控制限进行比较,以判断易发异常点区域是否发生异常包括以下步骤:
S6441、在易发异常点区域部署训练好的异常监测模型,利用异常监测模型读取参数数据,并计算监测指标;
S6442、若监测指标小于或等于指标控制限,则判断监测过程处于正常状态,并返回步骤S6441,利用异常监测模型继续读取参数数据并重新计算监测指标;
S6443、若监测指标大于指标控制限,则判断监测过程处于异常状态,并调用相邻模态的异常监测模型进行重新监测;
S6444、若相邻模态的异常监测模型的监测结果正常,则判断过程模态发生改变,并返回步骤S6441,利用异常监测模型重新读取参数数据并重新计算监测指标;
S6445、若相邻模态的异常监测模型的监测结果异常,则判断易发异常点区域发生异常。
S65、若监测到易发异常点区域发生异常时,则触发预警信号。
根据本发明的另一个实施例,还提供了基于深度学习网络的储能电池在线监测管理系统,该基于深度学习网络的储能电池在线监测管理系统包括:数据获取与处理模块、平衡充电信息生成模块、数据分析与处理模块、性能预测模块、寿命预测模块及异常监测模块;
其中,所述数据获取与处理模块,用于获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据;
所述平衡充电信息生成模块,用于建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势;
所述数据分析与处理模块,用于根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数;
所述性能预测模块,用于基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能;
所述寿命预测模块,用于建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期;
所述异常监测模块,用于对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警。
综上所述,借助于本发明的上述技术方案,本发明通过挖掘历史充电异常信息,可以识别和分析电池的易发异常点和潜在异常模式,从而提高异常预测的准确性的同时,还能通过异常监测技术对易发异常点进行实时监测和预警,可以及早发现异常迹象并采取相应的维修措施,避免异常进一步发展,减少停机时间,提高电池的可用性和稳定性,并且通过分析电池的异常发生趋势,进而可以合理安排维修和保养周期,优化维修资源的利用,减少维修成本和维修时间。
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,凡在本发明的精神和原则之内,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.基于深度学习网络的储能电池在线监测管理方法,其特征在于,该基于深度学习网络的储能电池在线监测管理方法包括以下步骤:
S1、获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据;
S2、建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势;
S3、根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数;
S4、基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能;
S5、建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期;
S6、对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警。
2.根据权利要求1所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,所述获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据包括以下步骤:
S11、收集电池实时监测数据参数的重复数据、缺失值和异常值,并对重复数据、缺失值和异常值进行去噪、滤波及平滑处理;
S12、将电池实时监测数据参数中未处理的数据行进行联结,生成新的数据表,通过外部键值将不同的数据表进行关联,生成完整的数据表,并得到准确数据集;
S13、确定不同数据集之间的外键关系,根据需要将不同数据表中的数据进行相互联结,创建新的数据表,并通过指定的外部键值进行关联;
S14、通过SQL语句中的JOIN操作符,将需要联结的数据表连接在一起,在进行联结时,确保数据的完整性约束得到满足;
S15、完成联结后,插入测试数据检查联结结果是否正确,确保能够正确地被识别和关联,得到电池实时监测数据参数的准确数据;
S16、利用主成分分析法将电池实时监测数据参数的准确数据融合到同一个数据集中;
S17、从融合后的数据集中提取相关特征,得到电池运行状态数据。
3.根据权利要求1所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,所述建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势包括以下步骤:
S21、基于深度学习模型和历史充电数据生成电池的历史充电过程数据;
S22、基于历史充电过程数据分析电池充电状态,并根据电池充电状态生成平衡充电参数;
S23、对平衡充电参数进行验证,根据验证结果生成平衡充电信息,并获取充电波动变化趋势。
4.根据权利要求1所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,所述根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数包括以下步骤:
S31、根据平衡充电信息进行充电波动统计分析,得到充电波动变化趋势;
S32、基于充电波动变化趋势进行变化特征提取,并根据提取特征结果进行构建充电波动变化图表;
S33、对充电波动变化图表进行信息标注,并预设充电波动安全阀值;
S34、对充电波动变化图表进行电池波动参数提取,并进行频谱分析,以获取电池波动参数的变化模式和变化趋势;
S35、根据电池波动参数的变化模式和变化趋势进行变化特征提取,并得到时序波动变化参数。
5.根据权利要求1所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,所述基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能包括以下步骤:
S41、将时序波动变化参数及充电波动变化趋势转换成电池性能的特性,并构建电池性能预测模型;
S42、通过将实际测量得到的充电波动变化趋势与构建的性能预测模型进行拟合,估计性能预测模型中的参数值;
S43、利用建立的性能预测模型计算电池的未来运行性能,并基于运行性能评估电池的性能。
6.根据权利要求1所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,所述建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期包括以下步骤:
S51、收集电池运行状态数据,并获取历史时间段内的性能数据;
S52、对电池运行状态数据和获取的性能数据进行特征提取与转换,并将数据划分为训练集和测试集;
S53、构建多层感知器模型,将电池运行状态数据和对应的性能特征输入到多层感知器模型中,得到对应电池的未来运行性能预测值;
S54、基于运行性能预测值,评估电池的老化状况,确定电池的最佳维护周期;
S55、根据制定的最佳维护周期,进行电池的维护和更换,以保持电池的最佳运行状态。
7.根据权利要求6所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,所述构建多层感知器模型,将电池运行状态数据和对应的性能特征输入到多层感知器模型中,得到对应电池的未来运行性能预测值包括以下步骤:
S531、选择相匹配的多层感知器模型结构,并分别确定输入层、隐藏层及输出层的神经元数量;
S532、根据输入层的输入元素、权重及偏置,计算隐藏层的输入元素;
S533、将隐藏层的输入元素导入激活函数中进行求解,得到隐藏层的输出元素;
S534、根据隐藏层的输出元素、权重及偏置,计算输出层的输入元素;
S535、将输出层的输入元素导入激活函数中进行求解,得到输出层的输出元素,并将输出元素作为对应电池的未来运行性能预测值;
S536、利用反向传播算法计算未来运行性能预测值与实际性能值之间的误差,并采用梯度下降算法调整多层感知器模型参数。
8.根据权利要求7所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,所述隐藏层的输入元素的计算公式为:
式中,m表示输入层元素数量;
n表示隐藏层元素数量;
表示隐藏层的输入元素;
xi表示输入层的输入元素;
表示输入层的权重;
表示输入层的偏置;
i,j分别表示输入层第i个元素和隐藏层第j个元素。
9.根据权利要求1所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,所述对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警包括以下步骤:
S61、收集电池的历史充电异常数据;
S62、计算电池在时间段内的异常发生次数,并将异常发生次数除以电池的总运行时间,得到异常的异常频率分布;
S63、对异常频率进行综合性分析得出异常发生规律,并绘制概率分布曲线,将概率分布曲线中异常频率较高的区域作为易发异常点区域;
S64、将电池的异常概率分布及异常发生规律作为异常监测模型的参数,并将异常监测模型部署在易发异常点区域;
S65、若监测到易发异常点区域发生异常时,则触发预警信号。
10.基于深度学习网络的储能电池在线监测管理系统,用于实现权利要求1-9中任一项所述的基于深度学习网络的储能电池在线监测管理方法,其特征在于,该基于深度学习网络的储能电池在线监测管理系统包括:数据获取与处理模块、平衡充电信息生成模块、数据分析与处理模块、性能预测模块、寿命预测模块及异常监测模块;
其中,所述数据获取与处理模块,用于获取电池实时监测数据参数,并进行数据预处理,得到电池运行状态数据;
所述平衡充电信息生成模块,用于建立深度学习模型,通过深度学习模型预测电池的充电行为,生成电池的平衡充电信息,并获取充电波动变化趋势;
所述数据分析与处理模块,用于根据充电波动变化趋势,构建充电波动变化图表,并对充电波动变化图表进行时序分析,得到时序波动变化参数;
所述性能预测模块,用于基于时序波动变化参数及充电波动变化趋势,建立电池的性能预测模型,并利用预测模型实时评估电池的未来运行性能;
所述寿命预测模块,用于建立电池运行状态数据和未来运行性能数据相结合的电池寿命预测模型,并基于未来运行性能的评估结果判断电池的老化状况,确定电池的最佳维护周期;
所述异常监测模块,用于对电池的历史充电异常信息进行深度挖掘,并对电池的易发异常点进行状态监测与异常预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311546199.3A CN117554821A (zh) | 2023-11-20 | 2023-11-20 | 基于深度学习网络的储能电池在线监测管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311546199.3A CN117554821A (zh) | 2023-11-20 | 2023-11-20 | 基于深度学习网络的储能电池在线监测管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117554821A true CN117554821A (zh) | 2024-02-13 |
Family
ID=89822892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311546199.3A Withdrawn CN117554821A (zh) | 2023-11-20 | 2023-11-20 | 基于深度学习网络的储能电池在线监测管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117554821A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851414A (zh) * | 2024-03-07 | 2024-04-09 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
CN118249471A (zh) * | 2024-05-24 | 2024-06-25 | 深圳大学 | 一种机器人充电方法及装置 |
CN118376936A (zh) * | 2024-06-24 | 2024-07-23 | 烟台海博电气设备有限公司 | 一种锂电池状态智能诊断方法及系统 |
CN118399553A (zh) * | 2024-06-26 | 2024-07-26 | 深圳赛骄阳能源科技股份有限公司 | 5g基站储能系统的soc偏移优化控制方法及系统 |
CN118399553B (zh) * | 2024-06-26 | 2024-09-06 | 深圳赛骄阳能源科技股份有限公司 | 5g基站储能系统的soc偏移优化控制方法及系统 |
-
2023
- 2023-11-20 CN CN202311546199.3A patent/CN117554821A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851414A (zh) * | 2024-03-07 | 2024-04-09 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
CN117851414B (zh) * | 2024-03-07 | 2024-05-17 | 杭州永德电气有限公司 | 一种避雷器老化试验数据存储方法及系统 |
CN118249471A (zh) * | 2024-05-24 | 2024-06-25 | 深圳大学 | 一种机器人充电方法及装置 |
CN118376936A (zh) * | 2024-06-24 | 2024-07-23 | 烟台海博电气设备有限公司 | 一种锂电池状态智能诊断方法及系统 |
CN118399553A (zh) * | 2024-06-26 | 2024-07-26 | 深圳赛骄阳能源科技股份有限公司 | 5g基站储能系统的soc偏移优化控制方法及系统 |
CN118399553B (zh) * | 2024-06-26 | 2024-09-06 | 深圳赛骄阳能源科技股份有限公司 | 5g基站储能系统的soc偏移优化控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及系统 | |
KR102106775B1 (ko) | 딥러닝을 이용한 전지 진단 방법 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN116933197B (zh) | 一种基于大数据的用电信息采集系统故障判别方法及系统 | |
CN113627735B (zh) | 工程建设项目安全风险的预警方法及系统 | |
CN110046797A (zh) | 基于critic和理想点法的计量设备运行质量评估方法 | |
CN115358347B (zh) | 一种针对不同子系统下智能电表的剩余寿命预测方法 | |
CN109934469A (zh) | 基于异源交叉回归分析的停电敏感度预警方法及装置 | |
CN113469409A (zh) | 一种基于高斯过程的电能量计量装置状态预测方法及装置 | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
CN114897331A (zh) | 一种基于三参数区间灰数决策的电力变压器风险评估方法 | |
CN117808456A (zh) | 一种基于智慧运营管理的设备故障预警方法及装置 | |
CN116226469A (zh) | 一种储能设备故障的智能诊断方法及系统 | |
CN113283113B (zh) | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 | |
CN117350174B (zh) | 预测智能电表剩余寿命的方法、系统、电子设备及介质 | |
CN108988347A (zh) | 一种电网暂态电压稳定样本集类别失衡的调节方法及系统 | |
CN115712064B (zh) | 一种基于lstm-cnn混合神经网络的励磁系统故障诊断方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
Guo et al. | Information fusion and XGBoost algorithm used for bearing remaining useful life prediction | |
CN115473271A (zh) | 一种基于深度神经网络的交流变电站无功电压控制方法 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN115267586A (zh) | 锂电池soh评估方法 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240213 |
|
WW01 | Invention patent application withdrawn after publication |