【技术实现步骤摘要】
本专利技术涉及深度学习在储能系统的应用领域，特别涉及基于对比学习和多模态加权的储能电池不一致性诊断方法。
技术介绍
1、目前，电力系统的系统形态从“源网荷”三要素向“源网荷储”四要素转变。基于储能元素在新型电力系统中的需求，开始发挥越来越重要的作用。
2、储能电池在用电低谷时存储电能，并在用电高峰时释放，从而帮助平衡能源供需之间的波动，提高电力系统的稳定性和可靠性，提高能源利用率；此外，储能电池还可以用于备用电源、应急电力支持以及可再生能源的平滑输出，促进能源的高效利用和节能减排。在能源转型和可持续发展的背景下，储能电池的重要性日益凸显。
3、然而，储能设备及电芯数量多，运维管理复杂，数千个电芯同步控制带来的不一致性问题突出。现在大部分方法采用电芯均衡管理系统。它根据每个电芯的充放电状态和性能特征，对电池组内的电芯进行动态均衡调节，确保各个电芯之间的能量分布均衡，但这样的方法无法发现状态不一致的电芯。
4、基于对比学习和多模态加权的储能电池单体不一致性诊断系统是一项创新技术，旨在解决储能系统中电池组内不同电池单体之间的不同特性和状态所导致的不一致性问题。它运用对比学习的思想，通过比较不同样本之间的相似性和差异性来学习特征，从而在无监督条件下能够有效地发现电池组中存在的不一致性。多模态加权则结合了多种数据源(如电压、电流、温度等)的信息，通过权重分配的方式综合考虑不同数据的重要性，提高了检测系统的准确性和鲁棒性。
技术实现思路
1、为了克服现有技术
2、为了达到上述专利技术目的，解决其技术问题所采用的技术方案如下：
3、基于对比学习和多模态加权的储能电池不一致性诊断方法，包括以下步骤：
4、步骤1：从电池模组中采集电压、电流和温度数据，并进行维度对齐处理；
5、步骤2：构建模组内电池单体差异最大目标函数，以获得电池模组的多视图特征；
6、步骤3：使用多头自注意网络学习不同视图中的特征表示；
7、步骤4：定义模型训练的损失函数；
8、步骤5：进行电池模组内不一致性检测。
9、进一步的，步骤1包括以下内容：
10、对每个电池单体，每隔1秒使用电压传感器采集其电压数据v，同时，使用电流传感器采集其电流数据i，每隔5秒使用温度传感器采集其温度数据t；
11、采用线性插值的方法对采集到的温度数据进行处理，线性插值基于相邻数据点之间的线性关系，通过计算时间比例来估计任意时间点的温度值，公式如下：
12、
13、其中，t1和t2是两个已知温度数据点的时间，t1和t2是对应的温度。
14、进一步的，步骤2包括以下内容：
15、首先构建模组内电池单体差异最大目标函数dmax，公式如下：
16、
17、其中，n为同一模组内电池单体个数，i为电池单体编号，t为电池单体温度数据，u为电池单体电压数据，i为电池单体电流数据；
18、选择遗传算法来求解目标函数，找到使得模组内电池单体差异最大的权重组合α1、β1、γ1，此处的α1、β1、γ1是局部最优解；
19、同理，构建模组内电池单体差异最小目标函数dmin，公式如下：
20、
21、其中，n为同一模组内电池单体个数，i为电池单体编号，t为电池单体温度数据，u为电池单体电压数据，i为电池单体电流数据；
22、同样选择遗传算法，找到使得模组内电池单体差异最小的权重组合α2、β2、γ2，此处的α2、β2、γ2是局部最优解；
23、随后，将电池单体的温度、电压、电流特征按权重比例拼接，公式如下：
24、pi＝concat[α1ti；β1ui；γ1ii]
25、ni＝concat[α1ti；β1ui；γ1ii]
26、其中，concat[a；b]表示矩阵拼接，这个过程能得到该电池单体的两个混合视图，即混合视图p和混合视图n。
27、进一步的，步骤3包括以下内容：
28、对于每个电池单体，使用多头自注意网络学习不同视图中的表示，其中，编码器层个数为m，隐藏状态维度为dmodel，注意力头数为h，提取特征过程如下：
29、对于每个视图，多头注意力先对其进行编码，编码后的视图维度为p∈和然后使用多头注意力权重来计算视图表示；
30、首先，初始化p视图的query和key：
31、
32、其中，表示query，表示key，h是多头注意力的头的个数，为可学习参数矩阵；
33、然后，计算注意力权重得分：
34、
35、其中，softmax()为归一化函数，concat[]表示矩阵拼接，为可学习参数矩阵；
36、最后，在原特征图上应用注意力机制得分，得到同一电池单体的不同视图表示：
37、
38、其中，⊙表示逐元素相乘；
39、同理，在视图n上进行同样的操作：
40、初始化query和key：
41、
42、其中，表示query，表示key，h是多头注意力的头的个数，为可学习参数矩阵；
43、然后，计算注意力权重得分：
44、
45、其中，softmax()为归一化函数，concat[]表示矩阵拼接，为可学习参数矩阵；
46、最后，在原特征图上应用注意力机制得分，得到同一电池单体的不同视图表示：
47、
48、其中，⊙表示逐元素相乘。
49、进一步的，步骤4包括以下内容：
50、定义损失函数公式如下：
51、
52、其中，x表示输入的时间序列，stopgrad()为停止梯度计算，p和n为同一对象的两种不同视图表示，kl()为kl散度，用来度量两个特征图之间的差异，公式如下：
53、
54、其中，i代表电池单体编号，p(i)和n(i)分别代表电池i的特征在视图p和n中的概率，散度的值越大，代表两个概率分布之间的差异越大，当且仅当p和n完全一致时，散度的值才为0。
55、进一步的，步骤5包括以下内容：
56、通过计算同一个电池单体两个不同视角的特征图的kl散度，区分正常电池和不一致的电池，首先计算电池的不一致性分数，公式如下：
57、
58、其中，x表示输入的时间序列，kl()为kl散度，用来度量两个特征图之间的差异；
59、最后判定电池的工作情况，不一致标准由先验阈值δ设定，公式如下：
60、
61、其中，δ[0,1]为不一致标准的先验阈值；
62、如果该电池本文档来自技高网...
【技术保护点】
1.基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，步骤1包括以下内容：
3.根据权利要求1所述的基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，步骤2包括以下内容：
4.根据权利要求1所述的基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，步骤3包括以下内容：
5.根据权利要求1所述的基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，步骤4包括以下内容：
6.根据权利要求1所述的基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，步骤5包括以下内容：
【技术特征摘要】
1.基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，步骤1包括以下内容：
3.根据权利要求1所述的基于对比学习和多模态加权的储能电池不一致性诊断方法，其特征在于，步骤2包括以下内容：
4.根...
【专利技术属性】
技术研发人员：朱林，唐斐，吴茂俊，吕行，杨洛，杨苏，孔文文，唐传旭，鲁英杰，闫静，焦澳，
申请(专利权)人：江苏能碳智慧科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。