一种大规模储能电站异常电池识别方法、设备及存储介质技术

本发明专利技术涉及储能系统分析与控制技术领域，尤其涉及一种大规模储能电站异常电池识别方法、设备及存储介质，方法包括如下步骤：收集大规模储能电站的电池数据，对其中存在的噪声数据进行识别和删除，利用牛顿插值法对缺失数据进行补齐处理；利用时间卷积注意力机制网络提取异常电池深层特征，并引入典型工况序列，用于存放降维后的所有充电段特征数据；基于电池充电段特征，将删除机制和深度聚类算法相结合，利用改进深度聚类的离群点检测算法识别大规模储能电站中的异常电池。本发明专利技术中，提高了数据的准确度和精确性；通过将删除机制与深度聚类的离群点检测方法进行结合，解决了低波动性、非等维空间条件下，电池不一致性和故障状态评估的难题。态评估的难题。态评估的难题。

【技术实现步骤摘要】
一种大规模储能电站异常电池识别方法、设备及存储介质


[0001]本专利技术涉及储能系统分析与控制
，尤其涉及一种大规模储能电站异常电池识别方法、设备及存储介质。

技术介绍

[0002]新能源发电技术是近年来的火热话题，为促进新能源的消纳，缓解新能源并网带来的随机性和波动性，减少电网的总体能源消耗量，储能技术也随之蓬勃发展。现阶段储能的主要存在形式有电化学能、磁场能、电场能和机械能等。电化学储能技术是目前各国研究发展的主要方向，主要是因其能量转换率、能量密度、设备响应速度和机动性均表现优异，为构建新型电力系统，服务实现碳达峰、碳中和，电化学储能技术起到了不可替代的作用。
[0003]电化学储能技术的使用不仅可以促进节能减排，显著缓解环境压力，更可以保障电力系统的安全稳定运行。但随着电化学储能技术逐渐渗透在电力系统各个环节，电化学储能电站安装和投运使用的过程中，电池的质量的好坏和老化的速度无法控制，随着投运使用的时间不断加长，储能电站的安全性也越来越差，发生事故的概率性也有一定程度的增加。这使得电力系统对储能电池的一致性要求越来越高，但是由于电力储能用锂电池在制造艺术上的参差和其性能上不可避免的差异，必然存在或大或小的不一致，使得电池组的性能出现大幅衰减。因此，锂电池的状态估计对于提高其使用效率、运行性能及寿命具有十分重要的意义。
[0004]电池系统状态往往由多个因素决定，这些因素和高维时间序列叠加形成超高维数据空间，电池状态的关键特征和冗余特征糅杂。安全性一直是电池应用的关键所在，频发的安全事故大幅限制了电池应用的范围和电池产业发展的速度。锂离子电池的故障诊断是电池储能系统安全可靠运行、维护保养的必要手段，目前已有许多研究针对不同电池故障提出了诊断方法。
[0005]但是区别于实验室的电池数据，大规模储能系统存在数据量大、维度高、信息量复杂等特点，而且其测试周期是电池的自然衰减周期，时间尺度很长。已有研究提出的基于统计学和基于数据变换的方法均不适用于分析大规模储能电站的数据，因此亟待解决上述问题。
[0006]公开于该
技术介绍
部分的信息仅仅旨在加深对本专利技术的总体
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术实现思路

[0007]本专利技术提供了一种大规模储能电站异常电池识别方法、设备及存储介质，从而有效解决
技术介绍
中的问题。
[0008]为了达到上述目的，本专利技术所采用的技术方案是：一种大规模储能电站异常电池识别方法、设备及存储介质，包括如下步骤：收集大规模储能电站的电池数据，对其中存在的噪声数据进行识别和删除，利用
牛顿插值法对缺失数据进行补齐处理；利用时间卷积注意力机制网络提取异常电池深层特征，并引入典型工况序列，用于存放降维后的所有充电段特征数据；基于电池充电段特征，将删除机制和深度聚类算法相结合，利用改进深度聚类的离群点检测算法识别大规模储能电站中的异常电池。
[0009]进一步地，所述对其中存在的噪声数据进行识别和删除包括：若电池数据中某个属性在若干时间段内超出设定阈值，则删除该时间段的该属性数据；其中，所述设定阈值根据电池种类及电池的属性种类进行设置。
[0010]进一步地，所述利用牛顿插值法对缺失数据进行补齐处理包括：识别时间序列矩阵E中所有的缺失数据，所述时间序列矩阵E为：；其中，电池数据电流记作I、电压记作V、温度记作T和时间观测点记作t；通过牛顿插值函数补齐缺失数据处的缺失值，所述牛顿插值函数为：；其中，为阶差商，定义如下： 。
[0011]进一步地，对缺失数据进行补齐处理后，还包括：对数据进行归一化处理，所述归一化处理为最大最小规范化，即：；式中：为原映射区间的一个取值，为的最大值，最小值为，新映射区间的最大值为，最小值为，为经过归一化处理后的数值。
[0012]进一步地，所述利用时间卷积注意力机制网络提取异常电池深层特征，包括如下步骤 ：确定待采样数据空间，确定选定特征两个特殊值和，预设个充电循环、斜率阈值；注意力机制一次查询，设置，确定峰值对应的采样时间点；
注意力机制二次查询，设置，得到对应的、，通过与联合确定充电开始时刻；形成该数据空间中所有的充电时间序列，将分散充电时间序列进行合并形成新的纯充电时间序列；根据重新合并的充电时间序列，构成充电数据空间；使用TCN时间卷积网络对数据空间进行特征提取得到典型工况特征空间。
[0013]进一步地，所述改进深度聚类利用减法聚类对待分析模组内的所有电池单体进行簇划分，标号为。
[0014]进一步地，所述改进深度聚类进行聚类时，包括如下步骤：针对对所有数据点进行密度计算，第i个数据点的密度表达式如下：；其中是欧式距离，表示第i个数据点与第k个数据点之间的静态距离，为曲线间的弯曲距离，其表达式为，其中，是常数，表示某数据点受其他数据点影响的范围，越大，表示受影响的范围越大，聚类中心即为密度最大的数据点，用表示；计算其他数据的聚类中心，以去除上一个点求得的中心为前提计算其余点的密度，计算公式如下：；其中为第个数据点的聚类中心，为第个数据点的聚类中心密度，参数的表达式为，其中为设定参数， ；利用公式进行约束，判断减法聚类是否结束，未结束则返回继续聚类，结束则进入下一步骤，判断公式如下：；其中为常数，的取值为，所有数据点的聚类中心求解完成后，对所有数据点进行类别划分，进而电池单元进行判别与归类。
[0015]进一步地，所述离群点检测算法包括：将电池电压序列构成的数据空间记为，聚类形成的簇划分为
，为簇内所有电池单体之间的均距，两个簇中心的距离，计算公式如下：；；其中，簇内的电池单体电压曲线越接近，越小。簇与簇之间距离越远，分离度越高，越大；利用戴维森堡丁指数来衡量簇内紧凑程度和簇与簇之间的分离程度，具体公式如下：；设定阈值DBI0，将所得的各DBIa数据与其进行对比，若DBIa<DBI0，则确定离群点，进行下一步骤，否则表明单体之间不一致性较差，视为未出现故障电池；对所确定的离群点进行一一删除，再计算离群集合中的所有元素一一被删除后的数据空间的二次聚类质量，识别检测对聚类质量影响最大的元素，二次聚类质量数值最小的即判定为异常电池单元。
[0016]本专利技术还包括一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述的方法。
[0017]本专利技术还包括一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的方法。
[0018]本专利技术的有益效果为：本专利技术与已有技术相比，具有如下效果：1、本专利技术引入典型工况序列概念，针对海量高维数据空间，存放经过特征降维压缩后的数据空间，该方法大大减少数据存储空间，加快计算速度。
[0019]2、本专利技术引入注意力机制和时间卷积网络，该方法通过注意力机制可以识别充放电序列，并且对相应数据进行特征提取，该方法具有较高的数据识别精确度、并且减少了特征数据的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大规模储能电站异常电池识别方法，其特征在于，包括如下步骤：收集大规模储能电站的电池数据，对其中存在的噪声数据进行识别和删除，利用牛顿插值法对缺失数据进行补齐处理；利用时间卷积注意力机制网络提取异常电池深层特征，并引入典型工况序列，用于存放降维后的所有充电段特征数据；基于电池充电段特征，将删除机制和深度聚类算法相结合，利用改进深度聚类的离群点检测算法识别大规模储能电站中的异常电池。2.根据权利要求1所述的大规模储能电站异常电池识别方法，其特征在于，所述对其中存在的噪声数据进行识别和删除包括：若电池数据中某个属性在若干时间段内超出设定阈值，则删除该时间段的该属性数据；其中，所述设定阈值根据电池种类及电池的属性种类进行设置。3.根据权利要求1所述的大规模储能电站异常电池识别方法，其特征在于，所述利用牛顿插值法对缺失数据进行补齐处理包括：识别时间序列矩阵E中所有的缺失数据，所述时间序列矩阵E为：；其中，电池数据电流记作I、电压记作V、温度记作T和时间观测点记作t；通过牛顿插值函数补齐缺失数据处的缺失值，所述牛顿插值函数为：；其中，为阶差商，定义如下： 。4.根据权利要求3所述的大规模储能电站异常电池识别方法，其特征在于，对缺失数据进行补齐处理后，还包括：对数据进行归一化处理，所述归一化处理为最大最小规范化，即：；式中：为原映射区间的一个取值，为的最大值，最小值为，新映射区间的最大值为，最小值为，为经过归一化处理后的数值。5.根据权利要求1所述的大规模储能电站异常电池识别方法，其特征在于，所述利用时间卷积注意力机制网络提取异常电池深层特征，包括如下步骤 ：
确定待采样数据空间，确定选定特征两个特殊值和，预设个充电循环、斜率阈值；注意力机制一次查询，设置，确定峰值对应的采样时间点；注意力机制二次查询，设置，得到对应的、，通过与联合确定充电开始时刻；形成该数据空间中所有的充电时间序列，将分散充电时间序列进行合并形成新的纯充电时间序列；根据重新合并的充电时间序列，构成充电数据空间；使用TCN时间卷积网络对数据空间进行特征提取得到典型工况特征空间。6.根据权利要求1所述的大规模储能电站异常电池识别方法，其特征在于，所述改进深度聚类利用减法聚类对待分析模组内...

【专利技术属性】
技术研发人员：史林军，鲁千姿，燕志伟，吴峰，林克曼，李杨，
申请(专利权)人：河海大学，
类型：发明
国别省市：