CN118091423A - 一种电池储能系统故障预测方法、装置、设备和存储介质 - Google Patents
一种电池储能系统故障预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN118091423A CN118091423A CN202410233566.2A CN202410233566A CN118091423A CN 118091423 A CN118091423 A CN 118091423A CN 202410233566 A CN202410233566 A CN 202410233566A CN 118091423 A CN118091423 A CN 118091423A
- Authority
- CN
- China
- Prior art keywords
- data
- mapping
- mapping relation
- attribute
- energy storage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 322
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 89
- 239000013598 vector Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013506 data mapping Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明实施例公开了一种电池储能系统故障预测方法，方法包括：获取关于目标电池储能系统的待预测系统属性数据：其中，待预测系统属性数据包括储能容量数据和属性指标数据；属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：基于待预测系统属性数据和关系映射数据，确定待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，关系映射数据用于表示储能容量数据和属性指标数据之间的映射关系；根据映射关系预测数据确定待预测系统属性数据对应的系统故障检测结果。本发明实施例的技术方案可以基于运行数据之间的映射关系，对电池储能系统的故障状态进行预测，提高预测准确率。
Description
技术领域
本发明实施例涉及电池管理技术领域，尤其涉及一种电池储能系统故障预测方法、装置、设备和存储介质。
背景技术
随着新能源产业的发展以及国家绿色环保政策的推行，电网储能技术也得到发展。并且目前已有大量的工程实例证明，把电池用在储能系统上是可行的，是可以有效地提高资源利用率。但是这些储能电站在投入运营时会存在电池故障，如过压、欠压、过温、短路等安全隐患。现在电池储能系统故障预测通常是对历史的各项运行数据进行单一分析，缺乏对各项数据间关联关系的分析，容易出现故障预测的准确不足的问题。
发明内容
本发明实施例提供了一种电池储能系统故障预测方法、装置、设备和存储介质，可以基于运行数据之间的映射关系，对电池储能系统的故障状态进行预测，提高预测准确率。
第一方面，本发明实施例提供了一种电池储能系统故障预测方法，该方法包括：
获取关于目标电池储能系统的待预测系统属性数据：其中，所述待预测系统属性数据包括储能容量数据和属性指标数据；所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：
基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，所述关系映射数据用于表示所述储能容量数据和属性指标数据之间的映射关系；
根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果。
第二方面，本发明实施例提供了一种电池储能系统故障预测装置，该装置包括：
系统属性数据获取模块，用于获取关于目标电池储能系统的待预测系统属性数据：其中，所述待预测系统属性数据包括储能容量数据和属性指标数据；所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：
映射关系预测模块，用于基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，所述关系映射数据用于表示所述储能容量数据和属性指标数据之间的映射关系；
系统故障检测模块，用于根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果。
第三方面，本发明实施例提供了一种计算机设备，该计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现任一实施例所述的电池储能系统故障预测方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例所述的电池储能系统故障预测方法。
本发明实施例所提供的技术方案，通过获取关于目标电池储能系统的待预测系统属性数据：其中，待预测系统属性数据包括储能容量数据和属性指标数据；属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：基于待预测系统属性数据和关系映射数据，确定待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，关系映射数据用于表示储能容量数据和属性指标数据之间的映射关系；根据映射关系预测数据确定待预测系统属性数据对应的系统故障检测结果。本发明实施例的技术方案解决了现有电池储能系统故障预测技术通常对运行数据进行单一分析，容易出现预测准确率不足的问题，可以基于运行数据之间的映射关系，对电池储能系统的故障状态进行预测，提高预测准确率。
附图说明
图1是本发明实施例提供的一种电池储能系统故障预测方法流程图；
图2是本发明实施例提供的又一种电池储能系统故障预测方法流程图；
图3是本发明实施例提供的一种进行电池储能系统故障预测的工作流程图；
图4是本发明实施例提供的一种电池储能系统故障预测装置的结构示意图；
图5是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种电池储能系统故障预测方法流程图，本发明实施例可适用于对目标电池储能系统在未来时刻是否发生故障进行预测的场景中，该方法可以由电池储能系统故障预测装置执行，该装置可以由软件和/或硬件的方式来实现。
如图1所示，电池储能系统故障预测方法包括以下步骤：
S110、获取关于目标电池储能系统的待预测系统属性数据。
其中，待预测系统属性数据可以是进行故障预测所依据的系统运行数据。具体的，所述待预测系统属性数据包括储能容量数据和属性指标数据。其中，容量数据可以是目标电池储能系统在预设时长内的储能容量变化数据。属性指标数据可以是目标电池储能系统在预设时长内的与容量数据相关联的指标数据。具体的，所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种。
S120、基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据。
其中，所述关系映射数据可以用于表示所述储能容量数据和属性指标数据之间的映射关系。具体的，可以获取预设历史时期内目标电池储能系统的系统属性数据，再确定系统属性数据中储能容量数据和属性指标数据之间的映射参数，进而得到关系映射数据。所述关系映射数据可以作为预测时刻系统属性数据之间的映射关系的参考标准。示例性的，可以基于关系映射数据训练得到相应的映射关系预测模型，将待预测系统属性数据输入到映射关系预测模型中，进而得到映射关系预测数据。其中，映射关系预测数据可以是关于预设未来时刻的储能容量数据和属性指标数据之间映射关系的预测数据。
S130、根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果。
其中，系统故障检测结果可以是关于目标电池储能系统在预设未来时刻是否可能发生故障的预测结果。具体的，可以根据所述映射关系预测数据和映射关系参考数据确定映射关系预测误差，并根据所述映射关系预测误差确定系统故障检测结果。示例性的，可以将映射关系参考误差值与相应的参考误差值进行对比，在映射关系参考误差值大于参考误差值的情况下，可以确定系统故障检测结果为不会发生故障；在在映射关系参考误差值小于参考误差值的情况下，可以确定系统故障检测结果为可能会发生故障。
本发明实施例所提供的技术方案，通过获取关于目标电池储能系统的待预测系统属性数据：其中，待预测系统属性数据包括储能容量数据和属性指标数据；属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：基于待预测系统属性数据和关系映射数据，确定待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，关系映射数据用于表示储能容量数据和属性指标数据之间的映射关系；根据映射关系预测数据确定待预测系统属性数据对应的系统故障检测结果。本发明实施例的技术方案解决了现有电池储能系统故障预测技术通常对运行数据进行单一分析，容易出现预测准确率不足的问题，可以基于运行数据之间的映射关系，对电池储能系统的故障状态进行预测，提高预测准确率。
图2是本发明实施例提供的又一种电池储能系统故障预测方法流程图，本发明实施例可适用于对目标电池储能系统在未来时刻是否发生故障进行预测的场景中，本实施例在上述实施例的基础上，进一步的说明如何获取所述关系映射数据；如何基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；以及如何根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
如图2所示，电池储能系统故障预测方法包括以下步骤：
S210、获取所述目标电池储能系统的系统历史属性数据。
其中，目标电池储能系统可以是需要进行故障状态预测的电池储能系统。系统历史属性数据可以是关于目标电池储能系统在预设历史时间段内的运行数据。具体的，所述系统历史属性数据包括预设历史时长内的历史容量数据和至少一个历史属性指标数据。其中，历史容量数据可以是目标电池储能系统在预设历史时长内的储能容量变化数据。历史属性指标数据可以是目标电池储能系统在预设历史时长内的与容量数据相关联的指标数据。具体的，历史属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种。
S220、分别确定每种历史属性指标数据与容量历史数据之间的映射关系，得到至少一个历史映射关系式。
其中，历史映射关系式可以是表示历史属性指标数据与容量历史数据之间映射关系的表达式。具体的，由于历史属性指标数据包括多种类型的数据，因此，可以建立每种类型数据与容量历史数据之间的映射关系。也即历史映射关系式包括：电压数据和容量数据之间的映射关系、电流数据和容量数据之间的映射关系、内部温度数据和容量数据之间的映射关系、外部温度数据和容量数据之间的映射关系。
进一步的，可以分别对每种数据类型的历史属性指标数值和容量历史数值分析，得到历史属性指标数据与容量历史数据之间的映射关系之间的比例关系式，再将确定出的比例关系式作为历史映射关系式。示例性的，可以引入Transformer神经网络结构捕捉这五类信息在时序空间上的关联性，得到每种历史属性指标数据与容量历史数据之间的历史映射关系式。通过确定每种历史属性指标数据与容量历史数据之间的历史映射关系式，可以在后续得到目标电池储能系统的实时数据后，根据实时数据确定对应的实时映射关系，通过将实时映射关系式与历史映射关系式进行对比，进而根据对比确定目标电池储能系统是否会发生故障。
S230、确定所述历史映射关系式对应的数据间映射矩阵，并将所述数据间映射矩阵作为关系映射数据。
其中，数据间映射矩阵可以是表示历史属性指标数据与容量历史数据之间映射关系的矩阵。具体的，可以将每种历史属性指标数据与容量历史数据之间的历史映射关系式进行拼接，进而得到数据间映射矩阵。进一步的，可以直接将所述数据间映射矩阵作为表示所述储能容量数据和属性指标数据之间映射关系的关系映射数据。
可选的，确定所述历史映射关系式对应的数据间映射矩阵，包括：将多个所述历史映射关系式中的映射关系参数进行拼接，得到初始映射矩阵；确定所述初始映射矩阵对应的映射关系协方差矩阵，并根据所述映射关系协方差矩阵确定映射关系特征向量；将所述映射关系协方差矩阵和所述映射关系特征向量相乘，得到所述数据间映射矩阵。
其中，映射关系参数可以是历史映射关系式中表示历史属性指标数据与容量历史数据之间的映射关系比例参数。初始映射矩阵可以是对全部历史映射关系式进行初步拼接得到的矩阵。具体的，可以分别确定每单位时间的历史属性指标变化数据与容量历史变化数据之间的映射参数，进而得到每种类型的种历史属性指标数据与容量历史数据之间的映射关系序列，再将全部映射关系序列进行拼接，进而得到初始映射矩阵。其中，映射关系序列中包括至少一个反映每单位时间的历史属性指标变化数据与容量历史变化数据之间的映射参数。示例性的，在将全部映射关系序列进行拼接得到初始映射矩阵时，可以建立每种映射关系序列与矩阵中的行序列之间的对应关系，将同一序列中的映射参数映射到对应的行序列中，最终得到初始映射矩阵。也即初始映射矩阵中同一行的数据为同一个映射关系序列中的映射参数。
进一步的，映射关系协方差矩阵可以是初始映射矩阵对应的协方差矩阵。映射关系特征向量可以是初始映射矩阵对应的特征向量。确定映射关系特征向量的公式如下所示：
Cvn＝λivi
其中，C表示映射关系协方差矩阵，Vn为权重矩阵，λi表示映射关系特征向量，Vi表示Vn对应的降维后的权重矩阵，具体的降维幅度可以进行设定。
进一步的，可以将所述映射关系协方差矩阵和所述映射关系特征向量相乘，得到所述数据间映射矩阵。其中，数据间映射矩阵可以是对初始映射矩阵进行降维处理后得到的矩阵。通过降低矩阵维度，可以减少后续基于数据间映射矩阵进行故障预测的数据计算量，提高故障预测速率。
可选的，在所述确定所述初始映射矩阵对应的映射关系协方差矩阵之前，还包括：确定所述初始映射矩阵的矩阵均值和矩阵标准差，并基于所述矩阵均值和矩阵标准差对所述初始映射矩阵进行标准化处理。
S240、获取关于目标电池储能系统的待预测系统属性数据。
其中，待预测系统属性数据可以是进行故障预测所依据的系统属性数据。具体的，所述待预测系统属性数据包括储能容量数据和属性指标数据；所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种。
S250、将所述待预测系统属性数据输入至所述关系映射数据对应的目标映射关系预测模型中，得到映射关系预测数据。
其中，目标映射关系预测模型可以是用于对未来时刻的储能容量数据和属性指标数据之间映射关系进行预测的模型。映射关系预测数据可以是表示未来时刻的储能容量数据和属性指标数据之间映射关系的数据。具体的，可以将待预测系统属性数据输入至所述关系映射数据对应的目标映射关系预测模型中，并选定相应的预设未来时刻，进而可以输出预设未来时刻的映射关系预测数据。其中，映射关系预测数据可以是表示储能容量数据和属性指标数据之间映射关系的关系式。
其中，所述目标映射关系预测模型基于关系映射数据为训练样本对预先建立的Transformer神经网络模型进行训练得到。具体的，可以将系统历史属性数据作为输入样本输入至Transformer神经网络模型中，以使该模型通过数据分析进而生成相应的样本映射关系预测数据，再根据样本映射关系预测数据和关系映射数据确定模型预测误差，随后根据模型预测误差对Transformer神经网络模型的模型参数进行调整，进而得到目标映射关系预测模型。
S260、根据所述映射关系预测数据和映射关系参考数据确定映射关系预测误差，并根据所述映射关系预测误差确定系统故障检测结果。
其中，映射关系参考数据可以是预设的描述储能容量数据和属性指标数据之间映射关系的参考数据。映射关系预测误差可以是映射关系预测数据和映射关系参考数据之间的误差数据。具体的，可以基于预设误差确定函数确定映射关系预测数据和映射关系参考数据之间的误差值，进而得到映射关系预测误差。进一步的，系统故障检测结果可以是关于目标电池储能系统在预设未来时刻是否可能发生故障的预测结果。具体的，可以将映射关系预测误差值与相应的参考误差值进行对比，在映射关系预测误差值大于参考误差值的情况下，可以确定系统故障检测结果为不会发生故障；在在映射关系预测误差值小于参考误差值的情况下，可以确定系统故障检测结果为可能会发生故障。本发明实施例的技术方案可以通过机器学习的方法分析储能电池的历史运行数据之间的映射关系，对储能电池系统的异常状态进行辨识。进一步的，通过这些历史运行数据训练的模型应用于在线预测，能够及时发现电池系统的异常状态，并发出告警。
可选的，还可以获取所述预设未来时刻的储能容量数据和属性指标数据，并基于所述预设未来时刻的储能容量数据和属性指标数据确定映射关系实际数据；根据所述映射关系实际数据和所述映射关系预测数据确定映射关系预测误差，并基于所述映射关系预测误差对所述关系映射数据进行调整。
其中，映射关系实际数据可以是反映预设未来时刻的储能容量数据和属性指标数据之间的实际映射关系的数据。具体的，可以基于上述的确定映射关系的步骤对预设未来时刻的储能容量数据和属性指标数据进行分析，进而得到映射关系实际数据。进一步的，可以确定映射关系实际数据和所述映射关系预测数据之间的误差，进而得到映射关系预测误差，随后可以基于所述映射关系预测误差对所述关系映射数据进行调整。其中，基于所述映射关系预测误差对所述关系映射数据进行调整的方式可以认为限定，此处不进行限定。示例性的，可以将关系映射数据替换为映射关系实际数据。进一步的，通过基于所述映射关系预测误差对所述关系映射数据进行调整，可以便于后续基于调整后的关系映射数据对目标映射关系预测模型的模型参数进行再次调整，提高模型预测准确性。
示例性的，图3是本发明实施例提供的一种进行电池储能系统故障预测的工作流程图。如图3所示，进行电池储能系统故障预测的工作流程包括如下步骤：
(1)首先获取储能电池系统的历史数据，包括电池管理系统记录的电压变化(ΔV)、电流变化(ΔA)、系统内部温度变化(ΔT)、容量变化(ΔQ)以及红外传感器拍摄记录的系统外部温度变化数据(IR)。这些电池变化信息序列如下所示。
其中ΔVn，ΔAn，ΔTn，ΔQn，irn分别表示电压、电流、系统内部温度、容量和系统外部温度的相邻时间的变化差。
(2)引入Transformer神经网络结构捕捉这五类信息在时序空间上的关联性。Transformer神经网络是一种深度学习模型，在处理序列数据方面非常高效。它最突出的特点是使用了自注意力机制，能够在序列中的任何位置之间直接建立联系。为了提出的模型可以长期识别它们的关联性，引入对ΔQ数据信息注意力机制。充分发挥Transformer的多头注意机制的优点，学习ΔQ—ΔV、ΔQ—ΔA、ΔQ—ΔT以及ΔQ—IR的映射关系。该过程的注意力权重计算过程如下所示：
其中WCQ和WCK是用于计算注意力分数的权重矩阵，dK是注意力分数的维度。
然后根据注意力权重计算ΔQ与其他数据之间的映射关系，该计算过程如下所示：
其中Wcv为用于计算值的权重矩阵。该步骤是将映射关系进行模型化处理，使模型后续可以更好的学习映射关系。
(3)把这些映射关系作为特征。上述的多头注意力机制的Transformer结构可以把这些映射关系整合拼接，形成一个全面的储能电池系统正常工况下的映射数据信息Integrated_Features。该过程的状态方程如下所示：
(4)经过步骤三的特征整合后，构建的特征数据维度高，采用主成分分析(Principal Component Analysis，PCA)对高纬度特征降解处理。PCA是一种统计学方法，用于通过减少数据的维度来简化数据的复杂性，同时尽可能保留原始数据的特征。在PCA降维前需要对特征矩阵标准化处理。PCA可以降解处理外，还可以对这些映射特征保留重要信息。其中标准化过程如下所示。
首先计算每个特征的均值μ和标准差σ：
接着使用这些值来转换Integrated_Features中的元素为标准值。
因此Integrated_Features中的元素标准化后可得
标准化矩阵后便可计算降维矩阵。首先计算协方差矩阵，计算方程如下所示：
接着计算特征值和特征向量，计算过程如下所示。
Cvn＝λivi (10)
其中，C表示映射关系协方差矩阵，Vn为权重矩阵，λi表示映射关系特征向量，Vi表示Vn对应的降维后的权重矩阵，具体的降维幅度可以进行设定。
然后选择主成分：
vK＝[v1,v2,...,vK] (11)
最后映射到新的特征空间，即得到降维处理后的PCA矩阵：
Integrated_FeaturesPCA＝Integrated_FeaturesstdvK (12)
其中K的选择取决于希望保留多少数据的方差。
(5)最后为了能够学习储能电池在复杂工况下各个数据的变化模式并且能够准确预测未来的变化趋势，采用叠层长短时记忆神经网络(Stacked LSTM)学习映射关系在时序以及各种工况上的变化规律，并通过滑动窗口的预测方法对未来1小时的复杂工况进行预测。为了防止训练时发生梯度消失或梯度爆炸以及加快训练速度，引入残差神经网络(ResNet)保持梯度稳定。
其中Stacked LSTM的状态方程如下所示：
其中分别为遗忘门、输入门、输出门的激活向量，/>为候选单元状态向量，/>是单元状态向量，/>为输出向量，也是下一层的输入/>W和b分别代表权重矩阵和偏置向量，上标(l)表示对应层的参数。σ表示sigmoid函数。*表示Hadamard乘积。最后输出层l产生的预测结果：
其中，Wy和by是输出层的权重和偏置。
(6)在对未来工况预测的同时。也需要实时监控储能电池系统的故障问题。把实时采集到的电压、电流、温度、容量数据输入到上述的Transformer网络中进行分析。若不符合映射关系规则，可判断为发生故障，发出告警通知技术人员前往维修。若符合映射关系规则，则继续输入到Stacked LSTM并与预测的工况信息对比，计算误差。
(7)引入误差反馈机制，把上述计算的误作为特征输入到Stacked LSTM重新学习，进行模型参数调整。误差反馈机制是一种学习和自我调整过程，通常用于控制系统和及其学习模型中，在这里用于调整模型参数，使得模型在预更接近真实值。
本发明实施例所提供的技术方案，通过获取所述目标电池储能系统的系统历史属性数据；分别确定每种历史属性指标数据与容量历史数据之间的映射关系，得到至少一个历史映射关系式；确定所述历史映射关系式对应的数据间映射矩阵，并将所述数据间映射矩阵作为关系映射数据；获取关于目标电池储能系统的待预测系统属性数据：将所述待预测系统属性数据输入至所述关系映射数据对应的目标映射关系预测模型中，得到映射关系预测数据；根据所述映射关系预测数据和映射关系参考数据确定映射关系预测误差，并根据所述映射关系预测误差确定系统故障检测结果。本发明实施例的技术方案解决了现有电池储能系统故障预测技术通常对运行数据进行单一分析，容易出现预测准确率不足的问题，可以基于运行数据之间的映射关系，对电池储能系统的故障状态进行预测，提高预测准确率。
图4是本发明实施例提供的一种电池储能系统故障预测装置的结构示意图，本发明实施例可适用于对目标电池储能系统在未来时刻是否发生故障进行预测的场景中，该装置可以由软件和/或硬件的方式来实现，集成于具有应用开发功能的计算机设备中。
如图4所示，电池储能系统故障预测装置包括：系统属性数据获取模块310、映射关系预测模块320和系统故障检测模块330。
其中，系统属性数据获取模块310，用于获取关于目标电池储能系统的待预测系统属性数据：其中，所述待预测系统属性数据包括储能容量数据和属性指标数据；所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：映射关系预测模块320，用于基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，所述关系映射数据用于表示所述储能容量数据和属性指标数据之间的映射关系；系统故障检测模块330，用于根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果。
本发明实施例所提供的技术方案，通过获取关于目标电池储能系统的待预测系统属性数据：其中，待预测系统属性数据包括储能容量数据和属性指标数据；属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：基于待预测系统属性数据和关系映射数据，确定待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，关系映射数据用于表示储能容量数据和属性指标数据之间的映射关系；根据映射关系预测数据确定待预测系统属性数据对应的系统故障检测结果。本发明实施例的技术方案解决了现有电池储能系统故障预测技术通常对运行数据进行单一分析，容易出现预测准确率不足的问题，可以基于运行数据之间的映射关系，对电池储能系统的故障状态进行预测，提高预测准确率。
在一种可选的实施方式中，所述映射关系预测模块320具体用于：将所述待预测系统属性数据输入至所述关系映射数据对应的目标映射关系预测模型中，得到所述映射关系预测数据；其中，所述目标映射关系预测模型基于关系映射数据为训练样本对预先建立的Transformer神经网络模型进行训练得到。
在一种可选的实施方式中，所述系统故障检测模块330具体用于：根据所述映射关系预测数据和映射关系参考数据确定映射关系预测误差，并根据所述映射关系预测误差确定所述系统故障检测结果。
在一种可选的实施方式中，所述电池储能系统故障预测装置还包括：关系映射数据确定模块，用于：获取所述目标电池储能系统的系统历史属性数据；其中，所述系统历史属性数据包括预设历史时长内的历史容量数据和至少一个历史属性指标数据；分别确定每种历史属性指标数据与容量历史数据之间的映射关系，得到至少一个历史映射关系式；确定所述历史映射关系式对应的数据间映射矩阵，并将所述数据间映射矩阵作为所述关系映射数据。
在一种可选的实施方式中，关系映射数据确定模块包括：数据间映射矩阵确定单元，用于：将多个所述历史映射关系式中的映射关系参数进行拼接，得到初始映射矩阵；确定所述初始映射矩阵对应的映射关系协方差矩阵，并根据所述映射关系协方差矩阵确定映射关系特征向量；将所述映射关系协方差矩阵和所述映射关系特征向量相乘，得到所述数据间映射矩阵。
在一种可选的实施方式中，关系映射数据确定模块还包括：矩阵标准化处理单元，用于：在所述确定所述初始映射矩阵对应的映射关系协方差矩阵之前，确定所述初始映射矩阵的矩阵均值和矩阵标准差，并基于所述矩阵均值和矩阵标准差对所述初始映射矩阵进行标准化处理。
在一种可选的实施方式中，所述电池储能系统故障预测装置还包括：关系映射数据调整模块，用于：获取所述预设未来时刻的储能容量数据和属性指标数据，并基于所述预设未来时刻的储能容量数据和属性指标数据确定映射关系实际数据；根据所述映射关系实际数据和所述映射关系预测数据确定映射关系预测误差，并基于所述映射关系预测误差对所述关系映射数据进行调整。
本发明实施例所提供的电池储能系统故障预测装置可执行本发明任意实施例所提供的电池储能系统故障预测方法，具备执行方法相应的功能模块和有益效果。
图5为本发明实施例提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图5显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。计算机设备12可以是任意具有计算能力的终端设备，可以配置于电池储能系统故障预测设备中。
如图5所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18可以是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(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12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计算机设备12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。
系统存储器28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(RAM)30和/或高速缓存32。计算机设备12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。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5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CD-ROM，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总线18相连。系统存储器28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发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42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42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12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。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图5所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图5中未示出，可以结合计算机设备12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、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发实施例所提供的电池储能系统故障预测方法，该方法包括：
获取关于目标电池储能系统的待预测系统属性数据：其中，所述待预测系统属性数据包括储能容量数据和属性指标数据；所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：
基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，所述关系映射数据用于表示所述储能容量数据和属性指标数据之间的映射关系；
根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果。
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的电池储能系统故障预测方法，包括：
获取关于目标电池储能系统的待预测系统属性数据：其中，所述待预测系统属性数据包括储能容量数据和属性指标数据；所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：
基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，所述关系映射数据用于表示所述储能容量数据和属性指标数据之间的映射关系；
根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种电池储能系统故障预测方法，其特征在于，包括：
获取关于目标电池储能系统的待预测系统属性数据：其中，所述待预测系统属性数据包括储能容量数据和属性指标数据；所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：
基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，所述关系映射数据用于表示所述储能容量数据和属性指标数据之间的映射关系；
根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果。
2.根据权利要求1所述的方法，其特征在于，获取所述关系映射数据，包括：
获取所述目标电池储能系统的系统历史属性数据；其中，所述系统历史属性数据包括预设历史时长内的历史容量数据和至少一个历史属性指标数据；
分别确定每种历史属性指标数据与容量历史数据之间的映射关系，得到至少一个历史映射关系式；
确定所述历史映射关系式对应的数据间映射矩阵，并将所述数据间映射矩阵作为所述关系映射数据。
3.根据权利要求2所述的方法，其特征在于，所述确定所述历史映射关系式对应的数据间映射矩阵，包括：
将多个所述历史映射关系式中的映射关系参数进行拼接，得到初始映射矩阵；
确定所述初始映射矩阵对应的映射关系协方差矩阵，并根据所述映射关系协方差矩阵确定映射关系特征向量；
将所述映射关系协方差矩阵和所述映射关系特征向量相乘，得到所述数据间映射矩阵。
4.根据权利要求3所述的方法，其特征在于，在所述确定所述初始映射矩阵对应的映射关系协方差矩阵之前，还包括：
确定所述初始映射矩阵的矩阵均值和矩阵标准差，并基于所述矩阵均值和矩阵标准差对所述初始映射矩阵进行标准化处理。
5.根据权利要求2所述的方法，其特征在于，所述根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果，包括：
根据所述映射关系预测数据和映射关系参考数据确定映射关系预测误差，并根据所述映射关系预测误差确定所述系统故障检测结果。
6.根据权利要求1所述的方法，其特征在于，所述基于所述待预测系统属性数据和所述关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据，包括：
将所述待预测系统属性数据输入至所述关系映射数据对应的目标映射关系预测模型中，得到所述映射关系预测数据；
其中，所述目标映射关系预测模型基于关系映射数据为训练样本对预先建立的Transformer神经网络模型进行训练得到。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述预设未来时刻的储能容量数据和属性指标数据，并基于所述预设未来时刻的储能容量数据和属性指标数据确定映射关系实际数据；
根据所述映射关系实际数据和所述映射关系预测数据确定映射关系预测误差，并基于所述映射关系预测误差对所述关系映射数据进行调整。
8.一种电池储能系统故障预测装置，其特征在于，所述装置包括：
系统属性数据获取模块，用于获取关于目标电池储能系统的待预测系统属性数据：其中，所述待预测系统属性数据包括储能容量数据和属性指标数据；所述属性指标数据包括电压数据、电流数据、内部温度数据以及外部温度数据中的至少一种：
映射关系预测模块，用于基于所述待预测系统属性数据和关系映射数据，确定所述待预测系统属性数据对应的预设未来时刻的系统属性数据之间的映射关系预测数据；其中，所述关系映射数据用于表示所述储能容量数据和属性指标数据之间的映射关系；
系统故障检测模块，用于根据所述映射关系预测数据确定所述待预测系统属性数据对应的系统故障检测结果。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的电池储能系统故障预测方法。
10.一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，该程序被处理器执行时实现如权利要求1-7中任一所述的电池储能系统故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410233566.2A CN118091423A (zh) | 2024-03-01 | 2024-03-01 | 一种电池储能系统故障预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410233566.2A CN118091423A (zh) | 2024-03-01 | 2024-03-01 | 一种电池储能系统故障预测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118091423A true CN118091423A (zh) | 2024-05-28 |
Family
ID=91149223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410233566.2A Pending CN118091423A (zh) | 2024-03-01 | 2024-03-01 | 一种电池储能系统故障预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118091423A (zh) |
-
2024
- 2024-03-01 CN CN202410233566.2A patent/CN118091423A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和系统 | |
| US20210286786A1 (en) | Database performance tuning method, apparatus, and system, device, and storage medium | |
| WO2021212496A1 (zh) | 一种电池检测的方法和装置 | |
| US20170082665A1 (en) | Detecting Non-Technical Losses in Electrical Networks Based on Multi-Layered Statistical Techniques from Smart Meter Data | |
| US20230118702A1 (en) | Method, device and computer readable storage medium for estimating SOC of lithium battery | |
| CN110264270B (zh) | 一种行为预测方法、装置、设备和存储介质 | |
| CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
| CN112799897B (zh) | 一种基于大数据的信息管理方法、管理系统、存储介质 | |
| CN116087787A (zh) | 一种基于主成分分析法的电池故障判断方法和系统 | |
| CN115330435A (zh) | 一种碳排放权价格指标体系建立方法、装置、设备及介质 | |
| CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
| CN113295399B (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| US20240178469A1 (en) | Method and apparatus for monitoring energy stotage cell abnormality, electronic device, and medium | |
| Assis et al. | Unsupervised machine learning techniques applied to composite reliability assessment of power systems | |
| CN117556331A (zh) | 基于ai增强的空压机维护决策方法及系统 | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN116992274A (zh) | 基于改进主成分回归模型的短期风速预测方法及系统 | |
| CN118091423A (zh) | 一种电池储能系统故障预测方法、装置、设备和存储介质 | |
| CN116901707A (zh) | 一种动力电池组故障预警方法、系统及车辆 | |
| CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
| KR20230142121A (ko) | 신경망 기반의 배터리 사용량 예측 방법 및 장치 | |
| CN113159100B (zh) | 电路故障诊断方法、装置、电子设备和存储介质 | |
| CN113723593B (zh) | 一种基于神经网络的切负荷预测方法及系统 | |
| CN117650949B (zh) | 一种基于rpa机器人数据分析的网络攻击拦截方法及系统 | |
| CN117390436A (zh) | 一种基于燃料电池变化状态的检测方法及装置 |
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 |