一种储能变流器故障预测方法技术

本发明专利技术公开了一种储能变流器故障预测方法，包括如下步骤：将同一电池储能系统的储能变流器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的储能变流器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器，计算储能变流器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现储能变流器故障的预测。本发明专利技术实现了储能变流器故障的预测，可在线运行、计算方便、无特殊要求限制，适用于不同规模的储能变流器集群，可移植性好，有利于检修人员建立合理有效的维修计划，确保电网的安全稳定运行。

【技术实现步骤摘要】
一种储能变流器故障预测方法
本专利技术涉及一种储能变流器故障预测方法，属于电网

技术介绍
智能电网中，储能已成为大规模集中式和分布式新能源发电接入和消纳的重要支撑技术。储能变流器作为电池储能系统的关键组成设备，控制着电池与电网之间的能量流动，其健康状态直接影响整个电池储能系统运行的安全与稳定。随着储能系统应用规模的扩大，电网对储能变流器的健康状态评估技术也提出了更高的要求。因此，实时监测储能变流器的运行状态，及时准确地预测储能变流器故障的发生，有利于建立合理有效的维修计划，减少不必要的断电时间，节省企业的维护费用，确保电网的安全稳定运行。目前，储能变流器的检修通常采用事后维修，检修人员难以实时掌握储能变流器的健康状态。通过故障预测技术可以帮助检修人员提前预判储能变流器可能发生故障，然而目前现有的故障预测方法大多依赖设备的全寿命周期运行数据，建立的故障预测模型也仅适用于单台设备，模型的可移植性较差，尚缺乏一种有效的可推广的储能变流器故障预测方法。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种储能变流器故障预测方法，能够准确有效地实现储能变流器故障的在线预测。为达到上述目的，本专利技术所采用的技术方案是：一种储能变流器故障预测方法：将同一电池储能系统的储能变流器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的储能变流器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器，计算储能变流器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现储能变流器故障的预测；其中，所述储能变流器集群中每台储能变流器的历史监测信号包括：储能变流器交流总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，储能变流器直流功率、直流电流、直流电压。进一步的，每一采样时刻的储能变流器集群的主特征矩阵的具体提取方法如下：用t1,t2,…,tk表示时间序列，其中，k为大于2的一个正整数，则tk时刻的原始特征矩阵表示为其中，m为储能变流器的个数，原始特征矩阵分别表示第i台储能变流器第1、2、…、n路监测信号的采样值，n为每台储能变流器监测信号的总通道数；构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值表示为a＝f(w1x(i)+b1)，其中，w1表示输入层的权值矩阵、b1表示输入层的偏移矩阵；网络输出层的值表示为h(i)＝f(w2a+b2)，其中w2表示隐层的权值矩阵、b2表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w1、w2、b1、b2；稀疏自编码网络的总体代价函数表示为其中，β为稀疏惩罚的权重，s2为网络隐层神经元的个数；其中，λ为衰减参数的权重，nl表示网络的总层数，sl表示第l层网络的神经元个数，表示连接l层第j个神经元和l+1层第i个神经元的权值；其中，ρ为稀疏参数，表示隐层第j个神经元对输入x(i)的激活值；训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2；则tk时刻储能变流器集群的主特征矩阵表示为其中，第i台储能变流器主特征矩阵第j台储能变流器主特征矩阵j表示m台储能变流器中除第i台储能变流器外的任意一台储能变流器的序号。进一步的，每一采样时刻的聚类中心储能变流器的具体搜寻方法如下：依次计算第i台储能变流器的局部密度ρi、距离δi；其中，i＝1,2,…,m；m为储能变流器的个数；根据j≠i计算第i台储能变流器的局部密度ρi，其中，j表示m台储能变流器中除第i台储能变流器外的任意一台储能变流器的序号，dij表示第i台储能变流器与第j台储能变流器的距离，dc表示截断距离，是事先指定的一个参数；第i台储能变流器与第j台储能变流器的距离dij的计算公式为其中，表示第i台储能变流器主特征矩阵，表示第j台储能变流器主特征矩阵；根据计算第i台储能变流器的距离δi；其中，集合I＝{ρj>ρi}，表示在所有局部密度大于ρi的储能变流器中，与第i台储能变流器距离最小的储能变流器与第i台储能变流器之间的距离，表示第i台储能变流器具有最大局部密度时，与第i台储能变流器距离最大的储能变流器与第i台储能变流器之间的距离；进而通过公式γi＝ρiδi，计算每台储能变流器的中心权重γi；tk时刻具有最大中心权重γi的储能变流器即为tk时刻聚类中心储能变流器，聚类中心储能变流器主特征矩阵进一步的，计算储能变流器集群的累积偏心距离矩阵的具体方法如下：根据计算tk时刻每台储能变流器与聚类中心储能变流器之间的距离，得到对应的距离矩阵则储能变流器集群的累积偏心距离矩阵为进一步的，对累积偏心距离矩阵进行归一化处理并设定预警阈值的具体方法如下：归一化处理的累积偏心距离矩阵其中，max(li)表示在m台储能变流器中，最大的累积偏心距离；合理设定预警阈值EW∈[0,1]；比较gi与EW，当gi<EW时，则第i台储能变流器正常，当gi≥EW时，则第i台储能变流器将要发生故障，向检修人员发出预警信息，从而实现了基于储能变流器集群的储能变流器故障的准确预测。与现有技术相比，本专利技术的有益效果是：一、对储能变流器集群的信号进行集中监测，通过提取储能变流器集群的主特征矩阵、搜寻聚类中心储能变流器、归一化储能变流器集群的累积偏心距离矩阵并设定预警阈值，最终实现了基于储能变流器集群的储能变流器故障的准确预测。检修人员可根据储能变流器故障预测结果，对储能变流器实施有针对性的维修维护方案，与通常采用的事后维修方式相比，缩短了设备停工修理时间，减少了企业因设备停工造成的经济损失，实现了储能变流器的主动维修。二、目前，常用的设备故障预测方法通常依赖单一设备的全寿命周期运行数据，通过建模的方式学习设备的全寿命周期运行数据，以实现设备的故障预测。这类方法完全依赖设备的全寿命周期运行数据，不适用于缺乏全寿命周期运行数据的场景，且训练好的模型仅适用于单台设备，可移植性较差。本专利技术的核心思想是将同一储能变流器集群中的储能变流器进行相互比较，通过计算得到储能变流器集群的累积偏心距离矩阵，利用累积偏心距离衡量储能变流器的健康状态，最后结合设定的预警阈值即可实现储能变流器的故障预测。与现在常用的设备故障预测方法相比，本方法很好地考虑并融合了储能变流器集群式安装的特点，不依赖储能变流器的全寿命周期运行数据，对储能变流器集群的历史监测信号的监测时间跨度不做要求，适用于不同规模的储能变流器集群，方法的可移植性好。附图说明图1是本专利技术的流程图。具体实施方式本专利技术储能变流器故障预测方法，将同一电池储能系统的储能变流器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的储能变流器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器，计算储能变流器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现储能变流器故障的预测。下面结合附图本文档来自技高网...

【技术保护点】
1.一种储能变流器故障预测方法，其特征在于：将同一电池储能系统的储能变流器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的储能变流器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器，计算储能变流器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现储能变流器故障的预测；其中，所述储能变流器集群中每台储能变流器的历史监测信号包括：储能变流器交流总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，储能变流器直流功率、直流电流、直流电压。

【技术特征摘要】
1.一种储能变流器故障预测方法，其特征在于：将同一电池储能系统的储能变流器集群的历史监测信号作为原始特征库，通过稀疏自编码算法从原始特征库中提取每一采样时刻的储能变流器集群的主特征矩阵，基于快速聚类算法搜寻每一采样时刻的聚类中心储能变流器，计算储能变流器集群的累积偏心距离矩阵，对累积偏心距离矩阵进行归一化处理并设定预警阈值，最终实现储能变流器故障的预测；其中，所述储能变流器集群中每台储能变流器的历史监测信号包括：储能变流器交流总功率、A相电流、A相电压、B相电流、B相电压、C相电流、C相电压、AB线电压、AC线电压、BC线电压、A相IGBT温度、B相IGBT温度、C相IGBT温度，储能变流器直流功率、直流电流、直流电压。2.根据权利要求1所述的储能变流器故障预测方法，其特征在于，每一采样时刻的储能变流器集群的主特征矩阵的具体提取方法如下：用t1,t2,…,tk表示时间序列，其中，k为大于2的一个正整数，则tk时刻的原始特征矩阵表示为其中，m为储能变流器的个数，原始特征矩阵分别表示第i台储能变流器第1、2、…、n路监测信号的采样值，n为每台储能变流器监测信号的总通道数；构建包含输入层、隐层、输出层的三层稀疏自编码网络，网络隐层的激活值表示为a＝f(w1x(i)+b1)，其中，w1表示输入层的权值矩阵、b1表示输入层的偏移矩阵；网络输出层的值表示为h(i)＝f(w2a+b2)，其中w2表示隐层的权值矩阵、b2表示隐层的偏移矩阵；随机初始化稀疏自编码网络参数w1、w2、b1、b2；稀疏自编码网络的总体代价函数表示为其中，β为稀疏惩罚的权重，s2为网络隐层神经元的个数；其中，λ为衰减参数的权重，nl表示网络的总层数，sl表示第l层网络的神经元个数，表示连接l层第j个神经元和l+1层第i个神经元的权值；其中，ρ为稀疏参数，表示隐层第j个神经元对输入x(i)的激活值；训练稀疏自编码网络，即基于反向传播算法通过迭代对参数w1、w2、b1、b2进行更新，当达到设定的迭代次数时，网络训练结束，此时的网络参数即为使总体代价函数Jsparse最小的网络参数w'1、w'2、b'1、b'2；则tk时刻储能变流器集群的主特...

【专利技术属性】
技术研发人员：张筱辰，朱金大，闪鑫，王波，杨冬梅，陈永华，杜炜，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：江苏,32