一种配电网电化学储能电池故障在线诊断方法和系统技术方案

本发明专利技术公开了一种配电网电化学储能电池故障在线诊断方法和系统，采用基于数据驱动建模构建的第一诊断模型

【技术实现步骤摘要】
一种配电网电化学储能电池故障在线诊断方法和系统


[0001]本专利技术涉及电池故障诊断
，尤其涉及一种配电网电化学储能电池故障在线诊断方法和系统
。

技术介绍

[0002]面对可再生能源应用规模化
、
电力服务多样化
、
配电网结构复杂的发展问题，作为配电网运行提供调峰
、
调频
、
备用
、
黑启动等多种服务和提高风
、
光等分布式可再生能源的消纳水平的关键环节，储能系统扮演着越来越重要的角色
。
在储能电池服务过程中，长期运行的储能电池的潜在安全隐患可能带来储能系统甚至电力系统的安全问题
。
因此，评估储能电池的状态以及分析其健康情况，对于提高储能电池安全性和可靠性十分重要
。
[0003]随着机器学习
、
人工智能等先进技术的发展，储能电池健康状态辨识的智能化检测服务获得实现，开展智能的储能电池健康状态诊断模型研究已经成为热点问题
。
基于储能电池长期运行的海量数据，挖掘其不同故障的外在特征差异，进而形成故障辨识模型是储能电池健康状态辨识实现的基本流程
。
其中，海量数据的特征挖掘和筛选以及故障辨识模型的设计是影响最终辨识结果准确性的重要环节，传统的电池故障辨识模型大多表现为单一强化模型，对于奇异样本和噪声敏感，易造成过拟合问题
。

技术实现思路

[0004]本专利技术提供了一种配电网电化学储能电池故障在线诊断方法和系统，用于解决传统的电池故障辨识模型表现为单一强化模型，对于奇异样本和噪声敏感，易造成过拟合的技术问题
。
[0005]有鉴于此，本专利技术第一方面提供了一种配电网电化学储能电池故障在线诊断方法，包括：
[0006]S1、
采集储能电池组的状态数据；
[0007]S2、
采用基于数据驱动建模构建的第一诊断模型
、
基于机理建模构建的第二诊断模型和基于学问建模构建的第三诊断模型中的至少两种诊断模型对储能电池组的状态数据进行分析，得到每个诊断模型输出的初步故障诊断结果；
[0008]S3、
对每个诊断模型输出的初步故障诊断结果进行加权平均，将加权平均后的数据输入
RVM
诊断模型中进行二次诊断，得到组合故障诊断结果
。
[0009]可选地，初步故障诊断结果包括自行放电
、
极扳硫化
、
极板活性物质脱落
、
内部短路
、
极板翘曲变形和极性颠倒
。
[0010]可选地，步骤
S2
之前，还包括：
[0011]S0、
基于神经网络和模糊规律方法，根据储能电池组关于自行放电
、
极扳硫化
、
极板活性物质脱落
、
内部短路
、
极板翘曲变形和极性颠倒的阅历建立系统的数据，建立基于学问建模的第三诊断模型
。
[0012]可选地，步骤
S1
还包括：
[0013]将储能电池组的状态数据划分为正常环境使用状态数据
、
高温环境使用状态数据
、
低温环境使用状态数据
、
高湿度环境使用状态数据和高原缺氧环境使用状态数据
。
[0014]可选地，步骤
S2
之后还包括：
[0015]S4、
将每个诊断模型输出的初步故障诊断结果和储能电池组周围的环境气象数据组成二次训练样本，采用数据驱动建模中的主成分分析法，构建正常情况下的主成分模型，正常情况下的主成分模型用于判断实测信号是否异常
。
[0016]可选地，基于数据驱动建模构建的第一诊断模型的故障诊断方法为：基于数据驱动建模构建的第一诊断模型采用小波分析法，对采集的信号进行处理，处理后的信号中除去由于输入变化引起的奇异点，剩下的奇异点为系统发生的故障点
。
[0017]本专利技术第二方面提供了一种配电网电化学储能电池故障在线诊断系统，包括：
[0018]数据采集模块，用于采集储能电池组的状态数据；
[0019]初步诊断模块，用于采用基于数据驱动建模构建的第一诊断模型
、
基于机理建模构建的第二诊断模型和基于学问建模构建的第三诊断模型中的至少两种诊断模型对储能电池组的状态数据进行分析，得到每个诊断模型输出的初步故障诊断结果；
[0020]组合诊断模块，用于对每个诊断模型输出的初步故障诊断结果进行加权平均，将加权平均后的数据输入
RVM
诊断模型中进行二次诊断，得到组合故障诊断结果
。
[0021]可选地，初步故障诊断结果包括自行放电
、
极扳硫化
、
极板活性物质脱落
、
内部短路
、
极板翘曲变形和极性颠倒
。
[0022]可选地，还包括：
[0023]建模模块，用于基于神经网络和模糊规律方法，根据储能电池组关于自行放电
、
极扳硫化
、
极板活性物质脱落
、
内部短路
、
极板翘曲变形和极性颠倒的阅历建立系统的数据，建立基于学问建模的第三诊断模型
。
[0024]可选地，数据采集模块还用于：
[0025]将储能电池组的状态数据划分为正常环境使用状态数据
、
高温环境使用状态数据
、
低温环境使用状态数据
、
高湿度环境使用状态数据和高原缺氧环境使用状态数据
。
[0026]可选地，还包括：
[0027]系统异常分析模块，用于将每个诊断模型输出的初步故障诊断结果和储能电池组周围的环境气象数据组成二次训练样本，采用数据驱动建模中的主成分分析法，构建正常情况下的主成分模型，正常情况下的主成分模型用于判断实测信号是否异常
。
[0028]可选地，初步诊断模块中，基于数据驱动建模构建的第一诊断模型的故障诊断方法为：基于数据驱动建模构建的第一诊断模型采用小波分析法，对采集的信号进行处理，处理后的信号中除去由于输入变化引起的奇异点，剩下的奇异点为系统发生的故障点
。
[0029]从以上技术方案可以看出，本专利技术提供的配电网电化学储能电池故障在线诊断方法具有以下优点：
[0030]本专利技术提供的配电网电化学储能电池故障在线诊断方法，采用基于数据驱动建模构建的第一诊断模型
、
基于机理建模构建的第二诊断模型和基于学问建模构建的第三诊断模型中的至少两种诊断模型对储能电池组的状态数据进行分析，得到每个诊断模型输出的初步故障诊断结果，然后对每个诊断模型输出的初步故障诊断结果进行加权平均，将加权平均后的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种配电网电化学储能电池故障在线诊断方法，其特征在于，包括：
S1、
采集储能电池组的状态数据；
S2、
采用基于数据驱动建模构建的第一诊断模型
、
基于机理建模构建的第二诊断模型和基于学问建模构建的第三诊断模型中的至少两种诊断模型对储能电池组的状态数据进行分析，得到每个诊断模型输出的初步故障诊断结果；
S3、
对每个诊断模型输出的初步故障诊断结果进行加权平均，将加权平均后的数据输入
RVM
诊断模型中进行二次诊断，得到组合故障诊断结果
。2.
根据权利要求1所述的配电网电化学储能电池故障在线诊断方法，其特征在于，初步故障诊断结果包括自行放电
、
极扳硫化
、
极板活性物质脱落
、
内部短路
、
极板翘曲变形和极性颠倒
。3.
根据权利要求2所述的配电网电化学储能电池故障在线诊断方法，其特征在于，步骤
S2
之前，还包括：
S0、
基于神经网络和模糊规律方法，根据储能电池组关于自行放电
、
极扳硫化
、
极板活性物质脱落
、
内部短路
、
极板翘曲变形和极性颠倒的阅历建立系统的数据，建立基于学问建模的第三诊断模型
。4.
根据权利要求1所述的配电网电化学储能电池故障在线诊断方法，其特征在于，步骤
S1
还包括：将储能电池组的状态数据划分为正常环境使用状态数据
、
高温环境使用状态数据
、
低温环境使用状态数据
、
高湿度环境使用状态数据和高原缺氧环境使用状态数据
。5.
根据权利要求1所述的配电网电化学储能电池故障在线诊断方法，其特征在于，步骤
S2
之后还包括：
S4、
将每个诊断模型输出的初步故障诊断结果和储能电池组周围的环境气象数据组成二次训练样本，采用数据驱动建模中的主成分分析法，...

【专利技术属性】
技术研发人员：刘通，郭祚刚，谈赢杰，徐敏，白浩，史训涛，喻磊，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：