一种储能电站系统电池单体健康预测方法及装置制造方法及图纸

本发明专利技术提供一种储能电站系统电池单体健康预测方法，包括：采集告警信息和电池的原始监测数据，根据告警信息来对原始监测数据进行预处理，构建健康数据集；针对健康数据集，取最近一段时间的数据，采用核密度估计概率密度函数的方法建立健康度监测模型，确定每个电池单体的监测变量的控制限；对原始检测数据归一化，并构建基于长短时记忆神经网络模型的监测变量的预测模型，得到监测变量的预测值；将预测值与控制限进行比较，定位故障的电池单体并预警监测变量的超限时刻。本发明专利技术还提供相应的健康预测装置。本发明专利技术的方法能够实现储能电站系统电池单体健康状态的在线预测，在发生单体故障之前进行及时更换与维修，从而保证储能电站系统正常运行。

【技术实现步骤摘要】
一种储能电站系统电池单体健康预测方法及装置
本专利技术涉及锂离子电池健康管理领域，更具体地涉及一种锂离子电池电池单体健康预测方法及装置。
技术介绍
锂离子电池作为新能源电池不仅更加环保而且性能更加优越，其广泛应用于储能电站。在储能电站系统内，成百上千个锂离子电池单体组成的一个极为复杂的系统，其具有高度非线性、温度敏感特性、明显的老化特性以及不一致性等，这也导致电池组可能会因为自身化学反应放热积聚或外界热源影响下发生热失控，严重影响储能电站的安全性能。储能技术作为电网智能化的一个重要方面，它的安全、可靠运行关系到电网调峰、调频能力，同时也是电池储能设备自身安全的前提。目前主要通过以下方式实现对储能电站的预警：在储能电站的顶部设置多个不同类型的火灾探测器来监控储能电站的运行情况，当发生火情时，利用惰性气体灭火；另外，对电池单体的异常检测通过电池管理系统(BatteryManagementSystem，BMS)完成，BMS安装于储能电池组内，负责对储能电池组进行电压、温度、电流、容量等信息的采集，实时状态监测和故障分析。但是，由于储能电站在电网侧应用场景及应用需求的不同和技术的快速迭代，在现有技术中，对储能电站的整体进行监控，准确度不够高，当单体储能柜内部电池发生热失控时可能检测不到或检测迟缓；而BMS只能做到对故障的实时检测，难以捕捉到检测变量在未来一段时间内的变化异常，不能提前预判故障的发生。长短时记忆网络(LSTM)为人们提供了一种时间序列预测的思路。对于时间序列问题，前后总是有关联的，当前时刻的输出会受之前时刻的影响。LSTM神经网络会记忆之前的信息，其隐藏层的输入不仅包括输入层的输出，还包括上一隐藏层的状态输出，所以它可以刻画当前的输出与之前序列的关系，而且通过引入门结构，实现对时间序列的长期记忆。由于电站储能过程存在严重的非线性和纯滞后性，而生产过程中记录的大量历史数据能够提供出变量之间相互关系的信息和其分布信息。所以可采用基于核密度估计法可以从大量数据中挖掘出其分布信息，估计出健康阈值。因此，如何通过锂离子电池在线可测的局部数据来对储能电站的整体进行监控，基于知识学习来建立健康预测系统，对于在实际问题中电站安全具有重要的意义。
技术实现思路
本专利技术的目的在于提供一种储能电站系统电池单体健康预测方法，无需复杂的参数计算就能够进行在线实时的健康监测，同时能够减少误差、提高预警精度。为了实现上述目的，本专利技术提供一种储能电站系统电池单体健康预测方法，包括：S1：由电池管理系统采集告警信息和电池的原始监测数据，根据告警信息来对电池的原始监测数据进行预处理，构建健康数据集；所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列；S2：针对步骤S1构建的健康数据集，取最近一段固定采集时间的数据，采用核密度估计概率密度函数的方法建立健康度监测模型，从而确定每个电池单体的监测变量的控制限；所述电池单体的监测变量为电压、温度和SOC；S3：对所述步骤S1中的原始检测数据进行归一化处理；S4：根据归一化的原始检测数据，构建基于长短时记忆神经网络模型的电池单体的监测变量的预测模型，得到未来的一固定输出长度所代表的时长的电池单体的监测变量的预测值；S5：将所述电池单体的监测变量的预测值与所述步骤S2中的每个电池单体的监测变量的控制限进行比较，定位故障的电池单体并预警监测变量的超限时刻。所述步骤S1包括：S11：由电池管理系统获取告警信息，并以固定的频率采集电池的原始监测数据；S12：清洗和处理电池的原始监测数据；S13：根据告警信息中的故障时刻，在监测数据中剔除掉故障时刻所对应的所有数据，从而构建健康数据集。在所述步骤S1中，采集电池的原始监测数据的频率为1分钟一次；所述告警信息记录了故障时刻与对应的故障信息，故障时刻是精确到秒的；在步骤S13中，故障时刻所对应的所有数据，是指在最接近于故障时刻的时刻所采集的原始监测数据。所述步骤S2包括：S21：确定概率分布密度的核函数和带宽矩阵，从而建立概率分布密度；S22：针对步骤S1构建的健康数据集，取所述最近一段固定采集时间的数据，通过所述概率分布密度来更新电池单体的监测变量的当前的控制限。所述概率密度分布为：其中，K(x)表示核函数，x为p维空间的任一变量，Xi是n个p维数据所构成的样本集中的样本数据，H为核函数的带宽矩阵；所述核函数为高斯核函数；所述带宽矩阵H为：H＝h2I，其中，I为单位阵，h为带宽；h的取值采用广义交叉熵法来确定。所述固定采集时间为14天。在所述步骤S3中，所述原始检测数据为电压、温度、SOC和簇电流的序列；归一化的原始检测数据分别为：式中，表示归一化的电压的序列，u(k)表示电压的序列，为电压的序列中的最小值，为电压的序列中的最大值；表示归一化的温度的序列，T(k)表示温度的序列，为温度的序列中的最小值，为温度的序列中的最大值；表示归一化的SOC的序列，S(k)表示SOC的序列，为SOC的序列中的最小值，为SOC的序列中的最大值；表示归一化的簇电流的序列，I(k)表示簇电流的序列,为簇电流的序列中的最小值，为簇电流的序列中的最大值。所述步骤S4包括：S41：将归一化的原始检测数据按比例划分为训练集和测试集，将所述训练集处理成长短时记忆神经网络模型的输入格式；S42：构建长短时记忆神经网络模型；S43：利用所述训练集对构建好的长短时记忆神经网络模型进行训练，得到电池单体的监测变量的预测模型；S44：每隔一固定输出长度L，预测得到未来的固定输出长度L所对应的时长的监测变量的预测值。在所述步骤S41中，将所述训练集处理成长短时记忆神经网络模型的输入格式，具体包括：设定电池单体的监测变量的固定输出长度为L；以第1个时刻的单体电压、温度、SOC、第2个到第L+1个时刻的簇电流作为输入变量，第2个到第L+1个时刻的单体电池的监测变量作为输出变量，构成训练集的一个样本对，并按顺序依次递推构建若干个样本对，从而构成符合格式的训练集。所述固定输出长度L的值为72，固定输出长度L所代表的时长为12小时，固定输出长度对应的时刻间隙为10分钟；所述训练集和测试集的划分比例为10:4。另一方面，本专利技术提供一种储能电站系统电池单体健康预测装置，包括：数据预处理单元，其设置为根据告警信息，对电池管理系统采集的电池的原始监测数据进行预处理，构建健康数据集；所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列；控制限估计单元，其设置为针对步骤S1构建的健康数据集，取最近一段固定采集时间的数据，采用核密度估计概率密度函数的方法建立健康度监测模型，从而确定每个电池单体的监测变量的控制限；所述电池单体的监测变量为电压、温度和SOC；故障预测单元，其设置为根据归一化的原始检测本文档来自技高网...

【技术保护点】
1.一种储能电站系统电池单体健康预测方法，其特征在于，包括：/n步骤S1：由电池管理系统采集告警信息和电池的原始监测数据，根据告警信息来对电池的原始监测数据进行预处理，构建健康数据集；所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列；/n步骤S2：针对步骤S1构建的健康数据集，取最近一段固定采集时间的数据，采用核密度估计概率密度函数的方法建立健康度监测模型，从而确定每个电池单体的监测变量的控制限；所述电池单体的监测变量为电压、温度和SOC；/n步骤S3：对所述步骤S1中的原始检测数据进行归一化处理；/n步骤S4：根据归一化的原始检测数据，构建基于长短时记忆神经网络模型的电池单体的监测变量的预测模型，得到未来的一固定输出长度所代表的时长的电池单体的监测变量的预测值；/n步骤S5：将所述电池单体的监测变量的预测值与所述步骤S2中的每个电池单体的监测变量的控制限进行比较，定位故障的电池单体并预警监测变量的超限时刻。/n

【技术特征摘要】
1.一种储能电站系统电池单体健康预测方法，其特征在于，包括：
步骤S1：由电池管理系统采集告警信息和电池的原始监测数据，根据告警信息来对电池的原始监测数据进行预处理，构建健康数据集；所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列；
步骤S2：针对步骤S1构建的健康数据集，取最近一段固定采集时间的数据，采用核密度估计概率密度函数的方法建立健康度监测模型，从而确定每个电池单体的监测变量的控制限；所述电池单体的监测变量为电压、温度和SOC；
步骤S3：对所述步骤S1中的原始检测数据进行归一化处理；
步骤S4：根据归一化的原始检测数据，构建基于长短时记忆神经网络模型的电池单体的监测变量的预测模型，得到未来的一固定输出长度所代表的时长的电池单体的监测变量的预测值；
步骤S5：将所述电池单体的监测变量的预测值与所述步骤S2中的每个电池单体的监测变量的控制限进行比较，定位故障的电池单体并预警监测变量的超限时刻。


2.根据权利要求1所述的储能电站系统电池单体健康预测方法，其特征在于，所述步骤S1包括：
步骤S11：由电池管理系统获取告警信息，并以固定的频率采集电池的原始监测数据；
步骤S12：清洗和处理电池的原始监测数据；
步骤S13：根据告警信息中的故障时刻，在监测数据中剔除掉故障时刻所对应的所有数据，从而构建健康数据集。


3.根据权利要求2所述的储能电站系统电池单体健康预测方法，其特征在于，在所述步骤S1中，采集电池的原始监测数据的频率为1分钟一次；所述告警信息记录了故障时刻与对应的故障信息，故障时刻是精确到秒的；在步骤S13中，故障时刻所对应的所有数据，是指在最接近于故障时刻的时刻所采集的原始监测数据。


4.根据权利要求1所述的储能电站系统电池单体健康预测方法，其特征在于，所述步骤S2包括：
步骤S21：确定概率分布密度的核函数和带宽矩阵，从而建立概率分布密度；
步骤S22：针对步骤S1构建的健康数据集，取所述最近一段固定采集时间的数据，通过所述概率分布密度来更新电池单体的监测变量的当前的控制限。


5.根据权利要求4所述的储能电站系统电池单体健康预测方法，其特征在于，所述概率密度分布为：



其中，K(x)表示核函数，x为p维空间的任一变量，Xi是n个p维数据所构成的样本集中的样本数据，H为核函数的带宽矩阵；
所述核函数为高斯核函数；
所述带宽矩阵H为：
H＝h2I，
其中，I为单位阵，h为带宽；h的取值采用广义交叉熵法来确定。


6.根据权利要求1所述的储能电站系统电池单体健康预测方法，其特征在于，所述固定采集时间为14天。


7.根据权利要求1所述的储能电站系统电池单体健康预测方法，其特征在于，在所述步骤S3中，所述原始检测数据为电压、温度、SOC和簇电流的...

【专利技术属性】
技术研发人员：杨文，赵芝芸，朱奕楠，郭世雄，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海;31