基于故障注入深度学习的蓄电池故障诊断方法和装置制造方法及图纸

本发明专利技术公开了一种基于故障注入深度学习的蓄电池故障诊断方法和装置，一种基于故障注入深度学习的蓄电池故障诊断方法，包括：首先将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接，然后使用蓄电池故障诊断装置检测待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数，最后将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成。本发明专利技术实施例公开的基于故障注入深度学习的蓄电池故障诊断方法和装置，能够提高配电网蓄电池的诊断效率。

【技术实现步骤摘要】
基于故障注入深度学习的蓄电池故障诊断方法和装置
本专利技术实施例电力技术，尤其涉及一种基于故障注入深度学习的蓄电池故障诊断方法和装置。
技术介绍
由于蓄电池体积小、重量轻、放电性能高、安全可靠、维护量少，在配电网台区中常配置蓄电池作为后备电源，目前蓄电池普遍应用于配电网台区的通信电源。理论上，蓄电池具有较高的可靠性和较长的使用寿命，然而由于缺乏有效的在线诊断手段，很多蓄电池组在实际使用中远远达不到额定使用寿命，经常会出现供电能力不足的问题。实际上，蓄电池在使用2-3年后，大部分很难通过容量检测，甚至部分单体电池在使用一两年后就出现失效电池。配点网蓄电池组的电池单体串联后组成，其中任何一个蓄电池异常，均会导致整组蓄电池性能急剧下降。特别是当单体开路时，会导致整个蓄电池组失效，蓄电池不能为继电保护设备提供后备电源，导致故障范围扩大。针对蓄电池组中单个蓄电池容量不足导致开路问题，目前运维方法是采用充放电进行核容方式检验电池是否满足运维要求。但每次核容需要运维人员在现场长时间连续工作，且需要携带额外的电池组替换待检测电池组后才能进行测试，电池检测效率极低。
技术实现思路
本专利技术提供一种基于故障注入深度学习的蓄电池故障诊断方法和装置，能够提高对配点网蓄电池组的检测效率。第一方面，本专利技术实施例提供一种基于故障注入深度学习的蓄电池故障诊断方法，包括：将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接；使用蓄电池故障诊断装置检测待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数；将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成，训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。在第一方面一种可能的实现方式中，将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接之前，方法还包括：将训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与蓄电池故障诊断装置连接，其中具有不同故障的多个蓄电池与一个正常蓄电池串联连接；通过蓄电池故障诊断装置对具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验，获取具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数；根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。在第一方面一种可能的实现方式中，根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型，包括：基于SENET改进的ESPCN算法，根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。在第一方面一种可能的实现方式中，将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，包括：将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，其中，基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。第二方面，本专利技术实施例提供一种基于故障注入深度学习的蓄电池故障诊断装置，包括：多个蓄电池连接端口、参数检测模块和故障诊断模块；多个蓄电池连接端口分别与待检测蓄电池组中的每个蓄电池连接；参数检测模块用于对多个蓄电池连接端口连接的每个蓄电池在充放电过程中的电池性能参数进行检测；故障诊断模块用于将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成，训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。在第二方面一种可能的实现方式中，基于故障注入深度学习的蓄电池故障诊断装置还包括：充放电控制模块；充放电控制模块用于在多个蓄电池连接端口分别与训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与连接时，对具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验，其中具有不同故障的多个蓄电池与一个正常蓄电池串联连接；参数检测模块还用于获取具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数；故障诊断模块还用于根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。在第二方面一种可能的实现方式中，故障诊断模块，具体用于基于SENET改进的ESPCN算法，根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。在第二方面一种可能的实现方式中，故障诊断模块，具体用于将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，其中，基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。在第二方面一种可能的实现方式中，具有不同故障的多个蓄电池包括电池容量小与预设容量阈值的蓄电池、电池内阻大与预设内阻阈值的蓄电池、电池SCO小于预设SOC的蓄电池；电池性能参数包括电流、电压、温度和充放电电量。在第二方面一种可能的实现方式中，参数检测模块，包括稳压电路、开关电源、双电源运算放大器、电流采集电路和信号处理器。本专利技术实施例提供的基于故障注入深度学习的蓄电池故障诊断方法和装置，首先将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接，然后使用蓄电池故障诊断装置检测待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数，最后将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成，训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池，由于采用了深度学习的方法对蓄电池组中蓄电池的故障进行检测，减少了对蓄电池进行诊断的工作量，提高了配电网蓄电池的诊断效率，保证了电网的安全。附图说明图1为本专利技术实施例提供的一种基于故障注入深度学习的蓄电池故障诊断方法的流程图；图2为SE模块的结构示意图；图3为本专利技术实施例提供的基于故障注入深度学习的蓄电池故障诊断装置的结构示意图；图4为参数检测模块中稳压电路的结构示意图；图5为参数检测模块中开关电源的结构示意图；图6为参数检测模块中双电源运算放大器的结构示意图；图7为参数检测模块中电流采集电路的结构示意图；图8为参数检测模块中信号处理器的结构示意图。具体实施本文档来自技高网...

【技术保护点】
1.一种基于故障注入深度学习的蓄电池故障诊断方法，其特征在于，包括：/n将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接；/n使用蓄电池故障诊断装置检测所述待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数；/n将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，所述基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成，所述训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。/n

【技术特征摘要】
1.一种基于故障注入深度学习的蓄电池故障诊断方法，其特征在于，包括：
将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接；
使用蓄电池故障诊断装置检测所述待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数；
将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，所述基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成，所述训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。


2.根据权利要求1所述的方法，其特征在于，所述将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接之前，所述方法还包括：
将所述训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与蓄电池故障诊断装置连接，其中所述具有不同故障的多个蓄电池与一个正常蓄电池串联连接；
通过所述蓄电池故障诊断装置对所述具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验，获取所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数；
根据所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建所述基于故障注入的深度学习模型。


3.根据权利要求2所述的方法，其特征在于，所述根据所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建所述基于故障注入的深度学习模型，包括：
基于SENET改进的ESPCN算法，根据所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建所述基于故障注入的深度学习模型。


4.根据权利要求3所述的方法，其特征在于，所述将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，包括：
将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型，确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型，其中，所述基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。


5.一种基于故障注入深度学习的蓄电池故障诊断装置，其特征在于，包括：多个蓄电池连接端口、参数检测模块和故障诊断模块；
...

【专利技术属性】
技术研发人员：李通，李顺尧，万四维，薛峰，陈世昌，郑风雷，苏华锋，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司东莞供电局，
类型：发明
国别省市：广东;44