一种储能系统电池插箱异常检测方法技术方案

本发明专利技术涉及一种储能系统电池插箱异常检测方法。方法包括以下步骤：对m个电池插箱历史温度数据进行预处理，得到其最大值、最小值、均方根值等n类特征数据，建立n维度的训练特征向量D；对待测电池插箱最近TIME时间段内的温度数据进行预处理，建立其测试特征向量D

【技术实现步骤摘要】
一种储能系统电池插箱异常检测方法

：
[0001]本专利技术涉及电池储能
，具体涉及一种储能系统电池插箱异常检测方法。

技术介绍
：
[0002]在实际的电池储能系统运行中，储能电池插箱一旦异常运行，会在插箱内部发生剧烈的化学反应，使得插箱内部的产热远远大于散热，进而在插箱内部聚集大量的热造成热失控现象。而由于热失控现象甚至可能造成爆炸等严重后果，已经影响了储能系统的大规模推广使用，因此对异常状态进行检测，及时的发现储能电池插箱的异常运行并制定合理的检修计划的推进储能系统发展的重中之重。在工程领域，一种储能系统电池插箱异常检测方法已迫在眉睫。

技术实现思路
：
[0003]本专利技术目的在于应对当前储能电池插箱检修计划制定困难的阻碍，希望使用基于期望分割森林模型的储能系统电池插箱异常检测方法。技术方案如下：
[0004]一种储能系统电池插箱异常检测方法，包括以下过程：
[0005]步骤1：采集m个电池插箱历史温度数据，在TIME的时间长度内，间隔时间Δt进行采样，得到其最大值、最小值、均方根值在内的n个特征数据，建立n维度的特征向量：
[0006]D
k
＝[d
k，1
，d
k，2
，
…
，d
k，n
]＝[T
min,
T
max
，
…
，T
RMS
]，
[0007]m个电池插箱的训练特征向量组成森林的训练集D
>train
，D
train
∈R
m
×
n
，
[0008]待测电池插箱最近TIME时间长度内的温度数据进行预处理，建立其测试特征向量D
test
，D
test
∈R
Q
×
n
；
[0009]步骤2：使用m个特征向量组成的训练集D
train
建立K棵树，K棵树共同组成森林；
[0010]步骤3：用测试特征向量遍历每一棵树，在对每一棵树遍历后得到一个总的异常评分S；
[0011]步骤4：依据每一个电池插箱的异常评分S安排每个电池插箱的检修计划；具体如下：
[0012]异常评分S∈(0,X1]时，判定储能插箱安全，运行无异常，可以承担满载的充放电任务；
[0013]异常评分S∈[X1,X2)时，判定电池插箱存在安全风险，需要相应减少其充放电任务，同时需要尽快安排检修计划；
[0014]异常评分S∈[X2,X3)时，判定电池插箱异常严重，安全风险十分严重，必须立刻停止运行进行检修。
[0015]优选方案之一，所述步骤1包括如下过程：
[0016]步骤1.1：采集电池插箱B
j
时间长度为TIME，采样时间间隔为Δt的运行温度数据TEM
j
＝{tem1，
…
，tem
Z
}，j＝1，
…
，m，Z＝TIME/Δt；
[0017]步骤1.2：计算每一个电池插箱B
j
在时间长度为T的时间段内采样时间间隔为Δt，
且包括温度最大值T
max
、温度最小值T
min
、温度均方根值T
RMS
在内的共n个特征数据；
[0018]温度均方根值T
RMS
使用以下公式计算：
[0019][0020]步骤1.3：对电池插箱B
j
的n个特征数据，建立n维度的特征向量D
k
＝[d
k，1
，d
k，2
，
…
，d
k，n
]＝[T
min
,T
max
，
…
，T
RMS
]，D
j
∈R1×
n
；
[0021]其中每一个维度代表一种特征数据，
[0022]m个电池插箱建立特征向量，m个特征向量组成训练集D
train
,D
train
∈R1×
n
；
[0023]步骤1.4：对待测电池插箱的运行温度数据进行如步骤1.1、步骤1.2的处理，得到待测电池插箱的n个特征数据，建立n维度的测试特征向量D
test
＝[d
1，test
，
…
d
n，test
]，D
test
∈R1×
n
，其中每一个维度代表一种待测电池插箱的特征数据。
[0024]优选方案之二，所述步骤2的具体过程包括：
[0025]步骤2.1：设定树数量K以及子测试集的容量q，对训练集进行随机抽样，生成K组子测试集D
k
，k＝1,
…
，K；每一组子测试集D
k
将用来进行一颗树TREE
k
的建立，每一个子测试集D
k
容量为q；
[0026]步骤2.2：生成全部期望分割树；基于测试集容量m，由下述公式计算对全部树均适用的高度上限c(m)：
[0027][0028]其中H(m
‑
1)使用下述公式进行计算：
[0029]H(m
‑
1)＝ln(m)+0.577，
[0030]随机选定某一个维度L，在树的第r层分节点处，根据子测试集D
k
中各个测试特征向量L维度的期望设定分割值C
r
，其中：
[0031]d
k,L，min
＜C
r
＜d
k,L，max
，
[0032]分割值C
r
使用下述公式进行计算：
[0033][0034]d
kL,i
表示第k个子训练集之中的第i个训练特征向量在L维度上特征值；
[0035]子训练集中特征向量聚集在树的根节点处，根据子测试集D
k
中各个测试特征向量L维度的期望设定分割值C
r
，L维度特征小于或等于C
r
的特征向量置于树的左叶子节点，L维度特征大于C
r
的特征向量置于树的右叶子节点，直到节点上只有一个特征向量或者树的高度达到树的高度上限，树TREE
k
停止生长，得到一颗树TREE
k
，树的高度按如下公式计算：
[0036][0037]步骤2.3：将全部子测试集进行树建立之后，得到共K棵树的森林模型。
[0038]优选方案二的进一步优选，所述步骤3具体过程如下：
[0039]步骤3.1：将测试特征向量放置于某一棵树TREE
k
的根节点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能系统电池插箱异常检测方法，其特征在于，包括以下过程：步骤1：采集m个电池插箱历史温度数据，在TIME的时间长度内，间隔时间Δt进行采样，得到其最大值、最小值、均方根值在内的n个特征数据，建立n维度的特征向量：D
k
＝[d
k，1
，d
k，2
，
…
，d
k，n
]＝[T
min
,T
max
，
…
，T
RMS
]，m个电池插箱的训练特征向量组成森林的训练集D
train
，D
train
∈R
m
×
n
，待测电池插箱最近T时间长度内的温度数据进行预处理，建立其测试特征向量D
test
，D
test
∈R
Q
×
n
；步骤2：使用m个特征向量组成的训练集D
train
建立K棵树，K棵树共同组成森林；步骤3：用测试特征向量遍历每一棵树，在对每一棵树遍历后得到一个总的异常评分S；步骤4：依据每一个电池插箱的异常评分S安排每个电池插箱的检修计划；具体如下：异常评分S∈(0,X1]时，判定储能插箱安全，运行无异常，可以承担满载的充放电任务；异常评分S∈[X1,X2)时，判定电池插箱存在安全风险，需要相应减少其充放电任务，同时需要尽快安排检修计划；异常评分S∈[X2,X3)时，判定电池插箱异常严重，安全风险十分严重，必须立刻停止运行进行检修。2.根据权利要求1所述一种储能系统电池插箱异常检测方法，其特征在于，所述步骤1包括如下过程：步骤1.1：采集电池插箱B
j
时间长度为TIME，采样时间间隔为Δt的运行温度数据TEM
j
＝{tem1，
…
，tem
Z
}，j＝1，
…
，m，Z＝TIME/Δt；步骤1.2：计算每一个电池插箱B
j
在时间长度为TIME的时间段内采样时间间隔为Δt，且包括温度最大值T
max
、温度最小值T
min
、温度均方根值T
RMS
在内的共n个特征数据；集装箱温度均方根值T
RMS
使用以下公式计算：步骤1.3：对电池插箱B
j
的n个特征数据，建立n维度的特征向量D
k
＝[d
k，1
，d
k，2
，
…
，d
k，n
]＝[T
min
,T
max
，
…
，T
RMS
]，D
j
∈R1×
n
；其中每一个维度代表一种特征数据，m个电池插箱建立特征向量，m个特征向量组成训练集D
train
,D
train
∈R1×
n
；步骤1.4：对待测电池插箱的运行温度数据进行如步骤1.1、步骤1.2的处理，得到待测电池插箱的n个特征数据，建立n维度的测试特征向量D
test
＝[d
1，test
，
…
d
n，test
]，D
test
∈R1×
n
，其中每一个维度代表一种待测电池插箱的特征数据。3.根据权利要求1所述一种储能系统电...

【专利技术属性】
技术研发人员：余峰，李浩，李建林，武亦文，龚寒，马速良，
申请(专利权)人：北方工业大学北京联智汇能科技有限公司，
类型：发明
国别省市：