CN118035775A - 储能电站的数据分析方法和装置 - Google Patents
储能电站的数据分析方法和装置 Download PDFInfo
- Publication number
- CN118035775A CN118035775A CN202410205965.8A CN202410205965A CN118035775A CN 118035775 A CN118035775 A CN 118035775A CN 202410205965 A CN202410205965 A CN 202410205965A CN 118035775 A CN118035775 A CN 118035775A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- pressure difference
- data
- level
- power station
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000007405 data analysis Methods 0.000 title claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims description 49
- 238000009826 distribution Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 238000010998 test method Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 19
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000012423 maintenance Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 210000000352 storage cell Anatomy 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及一种储能电站的数据分析方法和装置；所述方法包括：获取储能电站中各层级对应的运行电压数据，并对运行电压数据进行预处理，基于完成预处理的运行电压数据，生成第一压差曲线和第二压差曲线，并获取第一压差曲线和第二压差曲线之间的相似度，基于相似度进行聚类，得到聚类结果，对聚类结果进行分析，得到储能电站对应的运行情况；采用本方法能够通过对储能电站中各层级的运行电压数据进行相似度获取以及聚类，从而实现对储能系统不同数据的分类，并对聚类结果进行分析，得到储能电站对应的运行情况，提升了数据分析的准确性和便利性。
Description
技术领域
本申请涉及数据分析技术领域，特别是涉及一种储能电站的数据分析方法和装置。
背景技术
在储能电站运行期间，除安全故障外，整个电站的数据分布以及趋势变化情况，亦是用户非常关心的问题。其有助于用户了解当前电站整体运行情况，并据此做出差异性的维护方案。然而，现阶段对于储能电站的数据分析集中在多个信号的简单统计、对标分析和图表展示上，存在数据分析准确性和便利性不高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升数据分析的准确性和便利性的储能电站的数据分析方法和装置。
第一方面，本申请提供了一种储能电站的数据分析方法，方法包括：
获取储能电站中各层级对应的运行电压数据，并对运行电压数据进行预处理；各层级包括储能单元层级、电池簇层级和电池模组层级；
基于完成预处理的运行电压数据，生成第一压差曲线和第二压差曲线；其中，第一压差曲线用于表征层级对应的最大压差随时间变化的曲线；第二压差曲线用于表征各层级对应的最大压差的中位数随时间变化的曲线；
获取第一压差曲线和第二压差曲线之间的相似度，基于相似度进行聚类，得到聚类结果；
对聚类结果进行分析，得到储能电站对应的运行情况。
在其中一个实施例中，相似度包括第一压差曲线和第二压差曲线之间的DTW距离；
基于相似度进行聚类，包括：
将DTW距离作为数据集，按照手肘法确定出目标数量，在数据集中选取目标数量的数据样本点作为初始聚类中心；
计算数据集中各数据样本点距初始聚类中心的距离，并将数据样本点划分到距离最小的初始聚类中心所对应的类中，重新计算各聚类类别的聚类中心：
继续计算数据集中各数据样本点距新聚类中心的距离，并将数据样本点划分到距离最小的新聚类中心所对应的类中，重新计算各聚类类别的聚类中心，直至满足预设中止条件。
在其中一个实施例中，按照手肘法确定出目标数量，包括：
采用手肘法确定数据集对应的误差平方和，根据误差平方和得到目标数量。
在其中一个实施例中，对聚类结果进行分析，得到储能电站对应的运行情况，包括：
分别对聚类结果进行数值分析、趋势规律分析和位置分布分析，依据分析的结果确定储能电站对应的运行情况。
在其中一个实施例中，对聚类结果进行数值分析，包括：
根据第一阈值、第二阈值和聚类结果之间的大小关系，确定出聚类结果对应的层级的运行情况；其中，第二阈值大于第一阈值。
在其中一个实施例中，对聚类结果进行趋势规律分析，包括：
运用Mann-Kendall趋势检验法，得到聚类结果的数值变化趋势，依据变化趋势，确定出聚类结果对应的层级的运行情况。
在其中一个实施例中，对聚类结果进行位置分布分析，包括：
确定出聚类结果对应的层级在储能电站中所处的位置信息；
基于位置信息，得到层级对应的位置分布规律。
在其中一个实施例中，预处理包括时间戳异常数据剔除、故障剔除和无效值剔除中的任一种或多种组合。
第二方面，本申请还提供了一种储能电站的数据分析装置，装置包括：
第一处理模块，用于获取储能电站中各层级对应的运行电压数据，并对运行电压数据进行预处理；各层级包括储能单元层级、电池簇层级和电池模组层级；
曲线生成模块，用于基于完成预处理的运行电压数据，生成第一压差曲线和第二压差曲线；其中，第一压差曲线用于表征层级对应的最大压差随时间变化的曲线；第二压差曲线用于表征各层级对应的最大压差的中位数随时间变化的曲线；
第二处理模块，用于获取第一压差曲线和第二压差曲线之间的相似度，基于相似度进行聚类，得到聚类结果；
分析模块，用于对聚类结果进行分析，得到储能电站对应的运行情况。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的方法的步骤。
上述储能电站的数据分析方法和装置，通过获取储能电站中各层级对应的运行电压数据，并对运行电压数据进行预处理，基于完成预处理的运行电压数据，生成第一压差曲线和第二压差曲线，并获取第一压差曲线和第二压差曲线之间的相似度，基于相似度进行聚类，得到聚类结果，对聚类结果进行分析，得到储能电站对应的运行情况；本申请通过对储能电站中各层级的运行电压数据进行相似度获取以及聚类，从而实现对储能系统不同数据的分类，并对聚类结果进行分析，得到储能电站对应的运行情况，提升了数据分析的准确性和便利性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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申请的一些实施例，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为一个实施例中储能电站的数据分析方法的流程示意图；
图2为一个实施例中获取DTW距离的原理示意图；
图3为一个实施例中基于相似度进行聚类步骤的流程示意图；
图4为一个实施例中簇间误差平方和与电池簇数量的函数关系图；
图5为另一个实施例中基于相似度进行聚类，得到聚类结果步骤的流程示意图；
图6为一个实施例中聚类结果的曲线示意图；
图7为一个实施例中聚类结果对应的Rack频率分布直方图；
图8为另一个实施例中储能电站的数据分析方法的流程示意图；
图9为一个实施例中储能电站的数据分析装置的结构框图；
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
可以理解的是，本申请中诸如“第一”、“第二”等术语仅用于区分类似的对象，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。本申请实施例中出现的“连接”是指直接连接或者间接连接等各种连接方式，以实现设备间的通信，本申请实施例对此不做任何限定。
可以理解，“至少一个”是指一个或多个，“多个”是指两个或两个以上。
在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。
为便于本领域技术人员更好地理解本申请实施例，现将本申请涉及的技术术语或者名词解释如下：Mann-Kendall趋势检验法，可以适用于分析持续增长或下降趋势（单调趋势）的时间序列数据，且适用于所有的分布（即数据不需要满足正态分布的假设）。其主要原理为将时间序列中的每个数据点与所有之前的数据点进行比较，计算出每个数据点之前比它小的数据点数目和比它大的数据点数目，然后比较这两个数量的大小关系，以确定是否存在单调趋势。
在储能电站运行期间，现阶段对于储能电站的数据分析集中在多个信号的简单统计、对标分析和图表展示上，存在数据分析准确性和便利性不高的问题，缺少一套完整的数据分析流程和框架，以达到对任一信号的分类，以及数值分布、趋势分析和位置分布分析。
本申请实施例提供的储能电站的数据分析方法，可以将储能电站分为储能单元、电池簇、电池模组三个层级，并基于某信号（如压差）历史数据对各层级进行分类，进一步分析各类别内信号值分布及趋势变化情况，输出储能电站对应的运行情况，从而据此做出差异性的维护方案。
其中，储能单元由多个电池簇（Rack）组成的，电池簇由多个电池模组组成。
在一个示例性的实施例中，如图1所示，提供了一种储能电站的数据分析方法，方法包括：
S102，获取储能电站中各层级对应的运行电压数据，并对运行电压数据进行预处理；各层级包括储能单元层级、电池簇层级和电池模组层级。
其中，储能电站的层级可以根据实际情况进行设定，并不局限于本申请实施例中提出的储能单元层级、电池簇层级和电池模组层级。
具体而言，可以先将储能电站分为储能单元、电池簇、电池模组三个层级，并获取各层级对应的运行电压数据，其中，对于储能单元层级，可以提取统计期内各时刻储能单元内最大电芯电压、最小电芯电压，单位为毫伏（mV）；对于电池簇层级，可以提取统计期内各时刻电池簇内最大电芯电压、最小电芯电压，单位为毫伏（mV）；对于电池模组层级，可以提取统计期内各时刻电池模组内最大电芯电压、最小电芯电压，单位为毫伏（mV）；需要说明的是，统计期的起始时间和终止时间均可以根据实际情况进行设定，在本申请实施例中不做限定；在获取到运行电压数据后，可以对运行电压数据进行预处理，判断异常数据进行剔除还是保留，以保证数据的准确性，提升后续数据分析的准确性。
在其中一个实施例中，预处理包括时间戳异常数据剔除、故障剔除和无效值剔除中的任一种或多种组合。
具体地，获取到的运行电压数据可能存在数据不完整、通信故障、数据跳变等异常，需要对运行电压数据进行预处理，以保证运行电压数据的准确性，可以对运行电压数据进行时间戳异常数据剔除，即，若任一层级对应的运行电压数据在一天（统计期内）中不存在完整的充放电行为，导致该天电压没有完整充放电数据，则进行剔除；可以对运行电压数据进行故障剔除，即，若统计期内存在通信故障，则将故障期间所有运行电压数据进行剔除，其中，是否发生通信故障可以根据CMU（Cell monitor Unit，电池簇级管理单元）上报故障进行识别；可以对运行电压数据进行无效值剔除，即，若统计期内电芯电压数据（运行电压数据）发生突变，若突变达到6553.5mV，则表示电芯电压数据发生突变，剔除，若突变未达到6553.5mV，则保留。
本申请实施例中，通过对运行电压数据进行时间戳异常数据剔除、故障剔除和无效值剔除中的任一种或多种组合，提升了运行电压数据的准确性，进而提升了后续数据分析的准确性。
S104，基于完成预处理的运行电压数据，生成第一压差曲线和第二压差曲线；其中，第一压差曲线用于表征层级对应的最大压差随时间变化的曲线；第二压差曲线用于表征各层级对应的最大压差的中位数随时间变化的曲线。
具体而言，可以根据完成预处理的运行电压数据（储能单元层级、电池簇层级、电池模组层级对应的最大电芯电压和最小电芯电压），计算所有储能单元层级、电池簇层级、电池模组层级统计期内每天的最大压差，并生成任一层级对应的第一压差曲线，提取统计期内所有储能单元层级、电池簇层级和电池模组层级的最大压差，取所有层级的最大压差的中位数，并生成第二压差曲线（压差中位数曲线DF median）。
S106，获取第一压差曲线和第二压差曲线之间的相似度，基于相似度进行聚类，得到聚类结果。
其中，获取第一压差曲线和第二压差曲线之间的相似度的方式可以根据实际情况进行设定，曲线分类方法有聚类、基于距离、基于分位数和均值等，在本申请实施例中以动态时间规整方法（Dynamic Time Warping，DTW）为例进行说明。
其中，聚类方式可以根据实际情况进行设定，在本申请实施例中以kmeans聚类方式为例进行说明。
可选地，动态时间规整方法是一种能够很好衡量时间序列相似度的方法，其可以将时间序列进行延伸和缩短，来计算两个时间序列性之间的相似度，原理如图2所示。
具体而言，可以通过动态时间规整方法获取第一压差曲线和第二压差曲线之间的相似度，并对相似度进行kmeans聚类，得到聚类结果。
在其中一个实施例中，相似度包括第一压差曲线和第二压差曲线之间的DTW距离；
如图3所示，基于相似度进行聚类，包括：
S302，将DTW距离作为数据集，按照手肘法确定出目标数量，在数据集中选取目标数量的数据样本点作为初始聚类中心。
具体地，可以将获取到的DTW距离作为数据集，按照手肘法确定出目标数量（初始聚类中心数量），并在数据集中选取目标数量的数据样本点作为初始聚类中心。
S304，计算数据集中各数据样本点距初始聚类中心的距离，并将数据样本点划分到距离最小的初始聚类中心所对应的类中，重新计算各聚类类别的聚类中心。
具体地，以目标数量为k为例进行说明，k为正整数；可以针对数据集中每个样本xi计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中，并针对每个类别aj，如下式所示，重新计算它的聚类中心（即属于该类的所有样本的质心）：
其中，aj表示为第j类的聚类中心；ci表示为数据集i；x表示为数据集ci中的样本。
S306，继续计算数据集中各数据样本点距新聚类中心的距离，并将数据样本点划分到距离最小的新聚类中心所对应的类中，重新计算各聚类类别的聚类中心，直至满足预设中止条件。
其中，预设终止条件可以根据实际情况进行设定，在本申请实施例中以迭代次数达300次或最小误差小于0.0001为例进行说明。
具体地，可以重复继续计算数据集中各数据样本点距新聚类中心的距离，并将数据样本点划分到距离最小的新聚类中心所对应的类中，重新计算各聚类类别的聚类中心，直至满足迭代次数达300次或最小误差小于0.0001后停止。
本申请实施例中，通过获取相似度与聚类相结合的方法，基于最大压差序列（DTW距离）对储能单元层级、电池簇层级、电池模组层级分别进行聚类，便于后续的数据分析，提升了数据分析的准确性和便利性。
在其中一个实施例中，按照手肘法确定出目标数量，包括：
采用手肘法确定数据集对应的误差平方和，根据误差平方和得到目标数量。
具体地，以电池簇层级为例进行说明，手肘法可以将簇间误差平方和作为电池簇数量k的函数。随着电池簇数量k的增加，每个电池簇内的离散程度越小，总距离平方和也就在不断减小，并且减小的程度越来越不明显。采用手肘法可知，当k继续增大时，总误差平方和减少的趋势不再明显，即为“拐点”处；如图4所示，此时k为5最佳。
本申请实施例中，通过采用手肘法确定数据集对应的误差平方和，进而根据误差平方和得到目标数量，合理的设置目标数量，便于后续进行数据分析，提升了数据分析的准确性和便利性。
为了便于本领域技术人员的理解，下面结合一个具体示例对获取第一压差曲线和第二压差曲线之间的相似度，基于相似度进行聚类，得到聚类结果这一步骤进行说明，如图5所示：
可以输入每天（统计期内）储能单元层级、电池簇层级、电池模组层级对应的最大电芯电压和最小电芯电压，确定出最大压差（储能单元/电池簇/电池模组每天最大压差）；提取每天所有储能单元层级、电池簇层级和电池模组层级的最大压差，取所有层级的最大压差的中位数，并生成第二压差曲线（压差中位数曲线DF median）；计算所有储能单元层级、电池簇层级、电池模组层级统计期内每天的最大压差，并生成任一层级对应的第一压差曲线；获取第一压差曲线和第二压差曲线（压差中位数曲线DF median）的DTW距离；将DTW距离输入Kmeans聚类算法中进行聚类，得到聚类结果，以目标数量为5为例，5种聚类类别对应的聚类结果可以如图6所示，需要说明的是，图6中的Cluster1、2、3、4、5可以分别与5种聚类类别相对应；图6中的横坐标均为日期，纵坐标均为电压，单位为毫伏（mV），图6中的实线为每个类别的聚类中心线，虚线为每个类别中包含的样本曲线。
S108，对聚类结果进行分析，得到储能电站对应的运行情况。
具体而言，可以对聚类结果进行分析，以此确定出储能电站对应的运行情况。
在其中一个实施例中，对聚类结果进行分析，得到储能电站对应的运行情况，包括：
分别对聚类结果进行数值分析、趋势规律分析和位置分布分析，依据分析的结果确定储能电站对应的运行情况。
具体地，可以分析各层级的聚类结果内信号值分布、趋势变化情况以及位置分布，从而掌握当前储能电站整体运行情况（异常单元、需关注单元和运行良好单元），并据此做出针对性的维护方案。
本申请实施例中，通过分别对聚类结果进行数值分析、趋势规律分析和位置分布分析，依据分析的结果确定储能电站对应的运行情况，以便后续针对不同异常运行情况给出维护方案，提升了数据分析的准确性和便利性。
在其中一个实施例中，对聚类结果进行数值分析，包括：
根据第一阈值、第二阈值和聚类结果之间的大小关系，确定出聚类结果对应的层级的运行情况；其中，第二阈值大于第一阈值。
其中，第一阈值和第二阈值均可以根据实际情况进行设定，在本申请实施例中不做限定。
具体地，以电池簇层级为例，可以针对各类别内最大压差分布（聚类结果）进行分析，提取异常电池簇（最大压差大于第二阈值的类别），如图7所示，图7为聚类结果对应的Rack频率分布直方图，其中，第1类（Cluster1）、第2类（Cluster2）中电池簇便为压差异常电池簇。第3类（Cluster3）最大压差相对偏小且部分位于第一阈值和第二阈值之间，这部分可结合趋势分析结果，挖掘出需关注的电池簇。第4类（Cluster4）和第5类（Cluster5）最大压差小于第二阈值，可视为运行良好单元。
需要说明的是，图7中横坐标为压差（最大压差），单位为毫伏（mV），纵坐标为Rack频率，其中，Rack频率计算方法为把数据（最大压差）的可能范围，划分成若干个区间，统计各区间内数据出现的频次，RACK频率为出现频次与数据总数的比值。
本申请实施例中，通过根据第一阈值、第二阈值和聚类结果之间的大小关系，确定出聚类结果对应的层级的运行情况，以便后续依据不同运行情况进行针对性维护，提升了数据分析的准确性和便利性。
在其中一个实施例中，对聚类结果进行趋势规律分析，包括：
运用Mann-Kendall趋势检验法，得到聚类结果的数值变化趋势，依据变化趋势，确定出聚类结果对应的层级的运行情况。
具体地，以电池簇层级为例，针对各类别内的电池簇压差序列数据（聚类结果），利用Mann-Kendall趋势检验法，来检验电池簇压差序列是否存在上涨趋势。若电池簇存在上涨趋势，且该电池簇压差位于第一阈值和第二阈值之间，则相应电池簇需要重点关注。
本申请实施例中，通过运用Mann-Kendall趋势检验法，得到聚类结果的数值变化趋势，依据变化趋势，确定出聚类结果对应的层级的运行情况，即，哪些层级需要重点关注，提升了数据分析的准确性。
在其中一个实施例中，对聚类结果进行位置分布分析，包括：
确定出聚类结果对应的层级在储能电站中所处的位置信息；
基于位置信息，得到层级对应的位置分布规律。
具体地，可以确定出聚类结果对应的层级在储能电站中所处的位置信息，对储能单元位置分布、电池簇在储能单元内位置分布、电池模组在电池簇内位置分布进行分析，找出位置上的分布规律。如在一个电池簇内，最大压差偏大的电池模组主要分布在哪个区域，最大压差偏小的电池模组主要分布在哪个区域等，以为后续的维护及产品设计提供参考。
本申请实施例中，通过依据聚类结果对应的层级在储能电站中所处的位置信息，得到层级对应的位置分布规律，基于位置分布规律以为后续的维护及产品设计提供参考，提升了数据分析的全面性和便利性。
为了便于本领域技术人员的理解，下面结合一个具体示例对储能电站的数据分析方法予以说明，如图8所示，可以先提取统计期内各层级运行电压数据，并对运行电压数据进行异常数据分析，剔除异常数据；根据储能单元（层级）、电池簇（层级）、电池模组（层级）最大电芯电压和最小电芯电压（运行电压数据），计算所有储能单元、电池簇、电池模组统计期内每天的最大压差；选取DTW（动态时间归整）距离与kmeans聚类相结合的方法进行曲面分类，针对不同的类别（聚类结果）进行分析，可以进行数值分析，分析数据（聚类结果）的分布情况，是否偏大或偏小；可以进行趋势规律分析，判断数据（聚类结果）是否呈趋势上涨或呈趋势下跌；可以进行位置分布分析，查看电池PACK的分布情况，RACK的分布情况，集装箱的分布情况；基于上述分析的结果进行异常现象分析，例如，基于不同层级各类别内的压差分布、趋势变化等结果，提取异常现象如压差常偏大、压差突变、趋势异常上涨等异常现象，并分析各异常现象可能原因，如压差异常偏大可能是由于单体电芯或电池模组电压偏低导致；压差突变可能是由于采集异常导致等；针对各类异常现象，有针对性的给出运维建议，如单体电芯或电池模组电压偏低可进行补电或更换；采集异常可进行相关硬件更换等。同时基于分类结果进行差异化的维护，如不同类别的维护频次和维护内容进行差异化设计，提升了数据分析的准确性和便利性，同时提升了数据分析的全面性，针对不同异常情况给出相应的维护建议。
上述储能电站的数据分析方法中，通过获取储能电站中各层级对应的运行电压数据，并对运行电压数据进行预处理，基于完成预处理的运行电压数据，生成第一压差曲线和第二压差曲线，并获取第一压差曲线和第二压差曲线之间的相似度，基于相似度进行聚类，得到聚类结果，对聚类结果进行分析，得到储能电站对应的运行情况，从而实现对储能系统不同数据的分类，并对聚类结果进行分析，得到储能电站对应的运行情况，提升了数据分析的准确性和便利性，以及便于了解当前储能电站整体运行情况，并据此做出差异性的维护方案。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的储能电站的数据分析方法的储能电站的数据分析装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个储能电站的数据分析装置实施例中的具体限定可以参见上文中对于储能电站的数据分析方法的限定，在此不再赘述。
在一个示例性的实施例中，如图9所示，提供了一种储能电站的数据分析装置900，包括：装置900包括：
第一处理模块901，用于获取储能电站中各层级对应的运行电压数据，并对运行电压数据进行预处理；各层级包括储能单元层级、电池簇层级和电池模组层级；
曲线生成模块902，用于基于完成预处理的运行电压数据，生成第一压差曲线和第二压差曲线；其中，第一压差曲线用于表征层级对应的最大压差随时间变化的曲线；第二压差曲线用于表征各层级对应的最大压差的中位数随时间变化的曲线；
第二处理模块903，用于获取第一压差曲线和第二压差曲线之间的相似度，基于相似度进行聚类，得到聚类结果；
分析模块904，用于对聚类结果进行分析，得到储能电站对应的运行情况。
在其中一个实施例中，相似度包括第一压差曲线和第二压差曲线之间的DTW距离；
第二处理模块903，还用于将DTW距离作为数据集，按照手肘法确定出目标数量，在数据集中选取目标数量的数据样本点作为初始聚类中心；
计算数据集中各数据样本点距初始聚类中心的距离，并将数据样本点划分到距离最小的初始聚类中心所对应的类中，重新计算各聚类类别的聚类中心：
继续计算数据集中各数据样本点距新聚类中心的距离，并将数据样本点划分到距离最小的新聚类中心所对应的类中，重新计算各聚类类别的聚类中心，直至满足预设中止条件。
在其中一个实施例中，第二处理模块903，还用于采用手肘法确定数据集对应的误差平方和，根据误差平方和得到目标数量。
在其中一个实施例中，分析模块904，还用于分别对聚类结果进行数值分析、趋势规律分析和位置分布分析，依据分析的结果确定储能电站对应的运行情况。
在其中一个实施例中，分析模块904包括数值分析模块，用于根据第一阈值、第二阈值和聚类结果之间的大小关系，确定出聚类结果对应的层级的运行情况；其中，第二阈值大于第一阈值。
在其中一个实施例中，分析模块904包括趋势分析模块，用于运用Mann-Kendall趋势检验法，得到聚类结果的数值变化趋势，依据变化趋势，确定出聚类结果对应的层级的运行情况。
在其中一个实施例中，分析模块904包括位置分析模块，用于确定出聚类结果对应的层级在储能电站中所处的位置信息；
基于位置信息，得到层级对应的位置分布规律。
在其中一个实施例中，预处理包括时间戳异常数据剔除、故障剔除和无效值剔除中的任一种或多种组合。
上述储能电站的数据分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储运行电压数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种储能电站的数据分析方法。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述的储能电站的数据分析方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的储能电站的数据分析方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的储能电站的数据分析方法。
需要说明的是，本申请所涉及的数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (11)
1.一种储能电站的数据分析方法，其特征在于，所述方法包括：
获取所述储能电站中各层级对应的运行电压数据，并对所述运行电压数据进行预处理；各所述层级包括储能单元层级、电池簇层级和电池模组层级；
基于完成所述预处理的所述运行电压数据，生成第一压差曲线和第二压差曲线；其中，所述第一压差曲线用于表征所述层级对应的最大压差随时间变化的曲线；所述第二压差曲线用于表征各所述层级对应的所述最大压差的中位数随时间变化的曲线；
获取所述第一压差曲线和所述第二压差曲线之间的相似度，基于所述相似度进行聚类，得到聚类结果；
对所述聚类结果进行分析，得到所述储能电站对应的运行情况。
2.根据权利要求1所述的方法，其特征在于，所述相似度包括所述第一压差曲线和所述第二压差曲线之间的DTW距离；
所述基于所述相似度进行聚类，包括：
将所述DTW距离作为数据集，按照手肘法确定出目标数量，在所述数据集中选取所述目标数量的数据样本点作为初始聚类中心；
计算所述数据集中各所述数据样本点距所述初始聚类中心的距离，并将所述数据样本点划分到距离最小的所述初始聚类中心所对应的类中，重新计算各聚类类别的聚类中心：
继续计算所述数据集中各所述数据样本点距新聚类中心的距离，并将所述数据样本点划分到距离最小的所述新聚类中心所对应的类中，重新计算各所述聚类类别的聚类中心，直至满足预设中止条件。
3.根据权利要求2所述的方法，其特征在于，所述按照手肘法确定出目标数量，包括：
采用手肘法确定所述数据集对应的误差平方和，根据所述误差平方和得到所述目标数量。
4.根据权利要求1所述的方法，其特征在于，所述对所述聚类结果进行分析，得到所述储能电站对应的运行情况，包括：
分别对所述聚类结果进行数值分析、趋势规律分析和位置分布分析，依据所述分析的结果确定所述储能电站对应的运行情况。
5.根据权利要求4所述的方法，其特征在于，所述对所述聚类结果进行数值分析，包括：
根据第一阈值、第二阈值和所述聚类结果之间的大小关系，确定出所述聚类结果对应的所述层级的运行情况；其中，所述第二阈值大于所述第一阈值。
6.根据权利要求4所述的方法，其特征在于，所述对所述聚类结果进行趋势规律分析，包括：
运用Mann-Kendall趋势检验法，得到所述聚类结果的数值变化趋势，依据所述变化趋势，确定出所述聚类结果对应的所述层级的运行情况。
7.根据权利要求4所述的方法，其特征在于，所述对所述聚类结果进行位置分布分析，包括：
确定出所述聚类结果对应的所述层级在所述储能电站中所处的位置信息；
基于所述位置信息，得到所述层级对应的位置分布规律。
8.根据权利要求1所述的方法，其特征在于，所述预处理包括时间戳异常数据剔除、故障剔除和无效值剔除中的任一种或多种组合。
9.一种储能电站的数据分析装置，其特征在于，所述装置包括：
第一处理模块，用于获取所述储能电站中各层级对应的运行电压数据，并对所述运行电压数据进行预处理；各所述层级包括储能单元层级、电池簇层级和电池模组层级；
曲线生成模块，用于基于完成所述预处理的所述运行电压数据，生成第一压差曲线和第二压差曲线；其中，所述第一压差曲线用于表征所述层级对应的最大压差随时间变化的曲线；所述第二压差曲线用于表征各所述层级对应的所述最大压差的中位数随时间变化的曲线；
第二处理模块，用于获取所述第一压差曲线和所述第二压差曲线之间的相似度，基于所述相似度进行聚类，得到聚类结果；
分析模块，用于对所述聚类结果进行分析，得到所述储能电站对应的运行情况。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205965.8A CN118035775A (zh) | 2024-02-23 | 2024-02-23 | 储能电站的数据分析方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410205965.8A CN118035775A (zh) | 2024-02-23 | 2024-02-23 | 储能电站的数据分析方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118035775A true CN118035775A (zh) | 2024-05-14 |
Family
ID=90990829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410205965.8A Pending CN118035775A (zh) | 2024-02-23 | 2024-02-23 | 储能电站的数据分析方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118035775A (zh) |
-
2024
- 2024-02-23 CN CN202410205965.8A patent/CN118035775A/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 | |
| CN109891508B (zh) | 单细胞类型检测方法、装置、设备和存储介质 | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN109947815B (zh) | 一种基于离群点算法的窃电辨识方法 | |
| CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
| CN110187281B (zh) | 基于充电阶段健康特征的锂电池健康状态估算的方法 | |
| CN109033513A (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
| CN116167010B (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN111709668A (zh) | 基于数据挖掘技术的电网设备参数风险识别方法及装置 | |
| CN112257784A (zh) | 一种基于梯度提升决策树的窃电检测方法 | |
| CN114609994A (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
| CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
| CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及系统 | |
| CN111539492A (zh) | 一种基于强化学习的异常用电判决系统及方法 | |
| CN118035775A (zh) | 储能电站的数据分析方法和装置 | |
| CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN113705920B (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
| CN114495137B (zh) | 票据异常检测模型生成方法与票据异常检测方法 | |
| CN116245212A (zh) | 基于pca-lstm的电力数据异常检测与预测方法及系统 | |
| CN114819454A (zh) | 窃电检测方法、装置、设备、存储介质及程序产品 | |
| CN113723835B (zh) | 火电厂用水评估方法和终端设备 | |
| CN113435915B (zh) | 用户窃电行为检测方法、装置、设备及存储介质 | |
| CN112884167B (zh) | 一种基于机器学习的多指标异常检测方法及其应用系统 | |
| CN116029614A (zh) | 配电网台区电能质量评估方法、装置和计算机设备 | |
| CN118211088A (zh) | 电池聚类方法、装置、电子设备及存储介质 |
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 |