一种基于LightGBM模型的储能电站电池故障诊断方法技术

本发明专利技术公开了一种基于LightGBM模型的储能电站电池故障诊断方法，特别是涉及电池检测技术领域，首先对电池组进行分组标号，然后通过测量模块测量电池组特性数据，结合组号建立数据库，建立计算机分析模块建立基于特征的LightGBM的电池组参数预测模型，通过调整LightGBM算法中的相关参数，然后利用数据库内海量的数据对模型进行了训练以及验证，得到最优超参数，根据最优超参数以及根据测量模块实时监测到的电池组数据特性，进行预测电池组是否将会出现故障，根据预测结果，将会出现故障，通过机械模块发出语音预警，当电池出现非正常状态下的突然故障，机械模块发出语音预警，本发明专利技术能够精确预测电池是否会出现故障，及时发现及时检修，及时止损。及时止损。及时止损。

【技术实现步骤摘要】
一种基于LightGBM模型的储能电站电池故障诊断方法


[0001]本专利技术属于电池检测
，特别提出一种基于LightGBM模型的储能电站电池故障诊断方法。

技术介绍

[0002]在水力发电中，为了做到在日调节以及年调节中，调节峰谷用电问题，做到用电平衡，需要建设储能电站，在储能电站中，通常通过两种方式进行蓄能，第一种通过抽水储能电站，在抽水储能电站中安装有抽水—发电两用机组，又能抽水，又能发电，在白天和前半夜，水库放水，高水位的水通过两用机组，此时两用机组作为发电机，将高水位的水的机械能转化为电能，向电网输送，解决用电高峰时电力不足，到后半夜，电网处于用电低谷，电网中不能储存电能，这时将两用机组作为抽水机(两用机组可作反向旋转)，利用电网中多余的电能，将低水位的水抽向高水位，并注入高水位的水库中，这样，在用电低谷时把电网中多余的电能转化为水的机械能储存在水库中，到用电高峰，水库放水，又将水的机械能，通过发电机转化为电能，向电网输送，水库中的水多次使用，与两机组一起，完成能量的多次转化，高水位水库储存了大量低水位的水，相当于储存电网中多余的电能，第二种对已经产出的电能通过二次电池组尽心存储，因此就需要用到储能电站电池，可充电电池储能也就是二次电池，也叫蓄电池，它是一种电化学储能方式，由于它的价格、储能密度等因素的限制，以前并不把它放在能源领域的储能范围之内，但随着技术进步，将可充电电池用于大规模储能的情况也逐渐增多，蓄电池已成为基本的储能装备，电池有多种类型，铅酸电池是人们最熟悉的一种蓄电池，现在密封型免维护的铅酸电池已成为这类电池的主流，碱性电池中的镉镍电池现在已被镍氢电池逐步取代，与碱性电源相比，铅酸电池有容量大、结构坚固、充放循环次数多等优点，但其价格也贵得多，这就限制了它在能源领域中的应用。另一类性能优异的电池是近年来被广泛使用的锂离子二次电池，它彻底解决了充放电的记忆效应，大大方便了使用，在制造过程中基本上避免了对环境的污染，有绿色电池之称，因此用在储能电站中，在储能电站的电池为了确保正常工作，需要定期检修，诊断是否存在故障，以保证电池安全使用，因此就需要用到电池检修方法。
[0003]目前电池检测系统采用硬件闭环反馈方法，通过专门检测硬件对电池进行检测，实现对电池充放电电压值的检测，但是在储能电站中大规模电池组中，这种检测方法不灵活，而且只用在电池出现问题，才能检测出，不能做到提前预警，且不能同时满足快速调节与精确调节的问题，针对以上检测方法的不足，因此有必要提出一种新的解决方案。
[0004]为了解决现有的检测方法不灵活，无法做到提前预警，我们提出一种基于LightGBM模型的储能电站电池故障诊断方法。

技术实现思路

[0005]本专利技术的目的在于提供一种基于LightGBM模型的储能电站电池故障诊断方法，解决现有的储能电站电池检测不够完善，电池检测不够灵活、以及无法做到提前预警的问题。
[0006]本专利技术是通过以下技术方案实现的：一种基于LightGBM模型的储能电站电池故障诊断方法，包括以下步骤：
[0007]S1：将储能电站的众多电池根据接入电路划分成电池组并对每组电池组进行标号，给每组电池连接测量模块，测量每组电池组的充电电流、充电电压、内部电阻的常规电池特性，以及电池内部结构数据；
[0008]S2：将得到的数据上传至计算机分析模块，计算机分析模块根据上传的电池特性数据以及电池组标号建立对应的数据库；
[0009]S3：计算机分析模块建立基于特征的LightGBM的电池组参数预测模型，通过调整LightGBM算法中的相关参数，以分配各个数据特征和因素的权重大小，然后利用数据库内海量的数据对模型进行了训练以及验证，得到最优超参数；
[0010]S4：LightGBM模型经过海量数据训练以及验证的深度学习后，根据最优超参数以及根据测量模块实时监测到的电池组数据特性，进行预测电池组是否将会出现故障；
[0011]S5：根据预测结果，不会出现故障，继续实时监测，将会出现故障，通过计算机显示模块显示这一组电池组将要出现故障，并且通过机械模块发出语音预警；
[0012]S6：检修人员根据显示的预测结果对该组电池组进行最为精确的人工检修，找出问题及时维护，做到及时止损。
[0013]优选地，每组电池中的电池个数，电池容量，串联电池总电压均相同，相同的电池个数、电池容量，以及串联电池的纵电压均相同的目的是确保检测时每组初始数据相同，保证LightGBM模型经过海量数据训练以及验证的深度学习后结果最为准确。
[0014]优选地，所述测量模块检测电池进而获取数据的方式为，通过在输入端以及输出端均设置电流测量模块，电压测量模块，以及通过超声C成像扫描系统进行内部扫描，扫描图像通过计算机数字图像处理，得到电池组内部结构。
[0015]优选地，所述超声波成像扫描系统是根据超声波探伤基本原理，对检测工件按照声波透射或者反射的方式根据设置的路径进行一定面积的逐点逐行扫描处理，并提取横向截面的回波信号而形成二维图像，超声波扫描检测识别缺陷，并且确定缺陷位于被检测锂电池组内部的位置，在检测中结合数字化自动控制设备能够使超声波扫描结果更加准确高效，因而此技术凭借高灵敏度、高自动化、高直观性等优点而被广泛应用在无损检测领域，为了能将锂电池的缺陷最直观地表现出来，超声探头不仅需要沿着X方向扫描，还需要沿着Y方向进行扫描，进行一定的面扫描，从换能器接收到回波信号提取信号幅度，获得成像结果图，最后将图像上传至计算机，通过灰度图像分割，滤波处理，最终精确快速探测电池组内部是否出现汽包，固块等因素。
[0016]优选地，其特征在于，LightGBM的电池组参数预测模型，首先建立多棵弱回归树，在经过线性组合得到强回归树，LightGBM模型主要通过改进直方图算法和带深度限制的叶子生长策略，直方图算法将连续的电流电压数据划分为N个整数，并构造宽度为N的直方图，遍历时将离散化的值作为索引值在直方图中积累，进而搜索出最优决策树分割点，而带深度限制的叶子生长策略，在每次分裂时，找到最大增益的叶子进行分裂，进而在模型的训练中得到对应参数，LightGBM的电池组参数预测模型是基于概率的决策树模型，有着高精度的预测结果。
[0017]优选地，LightGBM的电池组参数预测模型的预测流程为：首先对原始采样数据进
行预处理，并划分训练集、验证集以及测试集，其中训练集用于训练LightGBM的电池组参数预测模型的连接值的普通参数，根据验证集的评估想过对迭代次数等超参数进行调优，测试集用于实际的电池故障试验，在经过模型训练与参数调优后对测试集中待预测日进行独立预测，最后通过最优加权法得出模型预测的结果，LightGBM是一个开源、快速、高效的基于决策树算法的提升框架，支持高效的并行训练，梯度提升，其思想是：一次性迭代变量，迭代过程中，逐一增加子模型，并且保证损失函数不断减小，每一次加入新的子模型后，使得损失函数不断朝着信息含量次高的变量的梯度减小，梯度提升本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LightGBM模型的储能电站电池故障诊断方法，其特征在于，包括以下步骤：S1：将储能电站的众多电池根据接入电路划分成电池组并对每组电池组进行标号，给每组电池连接测量模块，测量每组电池组的充电电流、充电电压、内部电阻的常规电池特性，以及电池内部结构，并生成数据；S2：将得到的数据上传至计算机分析模块，计算机分析模块根据上传的电池特性数据以及电池组标号建立对应的数据库；S3：计算机分析模块建立基于特征的LightGBM的电池组参数预测模型，通过调整LightGBM算法中的相关参数，以分配各个数据特征和因素的权重大小，然后利用数据库内海量的数据对模型进行了训练以及验证，得到最优超参数；S4：LightGBM模型经过海量数据训练以及验证的深度学习后，根据最优超参数以及根据测量模块实时监测到的电池组数据特性，进行预测电池组是否将会出现故障；S5：根据预测结果，不会出现故障，继续实时监测，将会出现故障，通过计算机显示模块显示这一组电池组将要出现故障，并且通过机械模块发出语音预警；S6：检修人员根据显示的预测结果对该组电池组进行最为精确的人工检修，找出问题及时维护，做到及时止损。2.根据权利要求1所述的一种基于LightGBM模型的储能电站电池故障诊断方法，其特征在于，每组电池中的电池个数，电池容量，串联电池总电压均相同。3.根据权利要求1所述的一种基于LightGBM模型的储能电站电池故障诊断方法，其特征在于，所述测量模块检测电池进而获取数据的方式为，通过在输入端以及输出端均设置电流测量模块，电压测量模块，以及通过超声波成像扫描系统进行内部扫描，扫描图像通过计算机数字图像处理，得到电池组内部结构。4.根据权利要求3所述的一种基于Lig...

【专利技术属性】
技术研发人员：洪星，
申请(专利权)人：江苏慧智能源工程技术创新研究院有限公司，
类型：发明
国别省市：