本发明专利技术涉及电池监测领域，公开了一种基于系统集群分析的状态监测异常识别方法，包括：获取电池模组的大量监测数据；对所述大量监测数据进行预处理，并生成预处理后的监测数据；基于所述预处理后的监测数据，构建电池模组三维集群分析模型；获取电池模组的实时监测数据；基于所述电池模组的实时监测数据和所述电池模组三维集群分析模型，获取二者之间对比的异常识别结果。在日常监测的时候，将实时监测数据与电池模组三维集群分析模型进行对比分析和识别，从而得出异常分析结果。从而能对不同层级间的电芯单元的差异性的集群对比分析，有利于及早发现系统异常。有利于及早发现系统异常。有利于及早发现系统异常。
【技术实现步骤摘要】
基于系统集群分析的状态监测异常识别方法及系统
[0001]本专利技术涉及电池监测领域，尤其是涉及一种基于系统集群分析的状态监测异常识别方法及系统。
技术介绍
[0002]一个储能系统是以电池模组(或电池单体)为最小单元，采用层级组合的方式构建起来的，即：先以电池模组为最小单元组成电池模组；再以电池模组为单元，组成电池簇；最后再以电池簇为单元组成电池储能系统。各电芯单元通过串联或并联的方式组合在一起形成层级的电池模组，基于对储能系统总的充放电调度指令，再分配到每个电芯单元，从而协同工作。
[0003]基于这种协同工作的机制，以及储能系统中采用的电池均衡技术来弥补电芯单元之间固有的差异性(如：生产过程、使用的原材料等导致的差异)，正常运行情况下，电芯单元之间的关键参数(如：温度、电压、电流、SOC等)之间的差异性应该是非常小的。
[0004]而故障发生时，通常是某个电芯单元先出现问题，如：某个电池模组由于枝晶现象出现短路，导致热量大量产生，电池模组温度快速升高。如果不能及时发现并采取措施(如：隔离等)，热失控会扩散到附近的电池模组，甚至影响相邻的电池模组，而目前采用常规的、基于固定阈值的储能系统异常监测方式，只能监测电池模组的比较大的问题。
[0005]针对上述相关技术，专利技术人认为常规的、基于固定阈值的储能系统异常监测方式，难以及时发现电芯单元之间的微小差异导致的异常情况。
技术实现思路
[0006]为了对不同层级间的电芯单元的差异性的集群对比分析，有利于及早发现系统异常，本申请提供一种基于系统集群分析的状态监测异常识别方法及系统。
[0007]第一方面，本申请提供的一种基于系统集群分析的状态监测异常识别方法，采用如下的技术方案：一种基于系统集群分析的状态监测异常识别方法，包括：获取电池模组的大量监测数据；对所述大量监测数据进行预处理，并生成预处理后的监测数据；基于所述预处理后的监测数据，构建电池模组三维集群分析模型；获取电池模组的实时监测数据；基于所述电池模组的实时监测数据和所述电池模组三维集群分析模型，获取二者之间对比的异常识别结果。
[0008]通过采用上述技术方案，在需要监测电池模组的异常情况时，通过先收集电池模组的大量监测数据，这些大量监测数据来自对不同层级间的电芯单元，通过对这些监测数据进行预处理，然后将预处理后的数据构建电池模组三维集群分析模型，在日常监测的时候，将实时监测数据，与电池模组三维集群分析模型进行对比分析和识别，从而得出异常分
析结果。从而能对不同层级间的电芯单元的差异性的集群对比分析，有利于及早发现系统异常。
[0009]可选的，所述对所述大量监测数据进行预处理，并生成预处理后的监测数据的步骤包括：对所述大量监测数据进行归一化处理；调用预设的多参数融合相似度计算方法，获取电池模组之间的相关性数据；基于所述电池模组之间的相关性数据，得到预处理后的监测数据。
[0010]通过采用上述技术方案，通过对大量监测数据进行归一化处理，调用预设的多参数融合相似度计算方法，使得对监测数据的预处理更高效准确。
[0011]可选的，所述构建电池模组三维集群分析模型的步骤包括：基于电池模组之间的相关性数据，建立全部电池模组之间的相关性计算热力图；基于所述相关性计算热力图，构建电池模组三维集群分析模型。
[0012]通过采用上述技术方案，根据电池模组之间的相关性数据，先计算全部电池模组之间的相关性计算热力图，然后再构建电池模组三维集群分析模型，能提高构建电池模组三维集群分析模型的准确性。
[0013]可选的，所述获取二者之间对比的异常识别结果的步骤包括：通过预设的深度学习方法对所述全部电池模组之间的相关性计算热力图进行相关性预测；获取相关性预测值；基于所述相关性预测值，判断所述相关性预测值是否落入预设的设定阈值中；基于判断结果，获取二者之间对比的异常识别结果。
[0014]通过采用上述技术方案，通过对全部电池模组的相关性计算热力图进行相关性预测，根据预测的结果分析二者之间是否存在异常，通过预先设置的设定阈值，能方便获取二者之间的异常情况。
[0015]可选的，所述调用预设的多参数融合相似度计算方法，获取电池模组之间的相关性数据的步骤包括：计算考虑监测算法权重下的Pearson相关性系数；计算考虑监测算法权重下的Spearman相关性系数；将Pearson相关性系数与Spearman相关性系数进行融合，得到最终的相关性数据。
[0016]通过采用上述技术方案，采用Pearson计算方式和Spearman计算方式，能使最终的相关性数据更为准确。
[0017]可选的，所述基于所述相关性计算热力图，构建电池模组三维集群分析模型的步骤包括：依次计算n个电池模组中相邻两电池模组的相关性数值，最终得到n！个特征系数；结合m个电箱的特征系数建立相关性分析得到m*n！维的特征向量，将特征向量转化为热力图，每张热力图作为一组样本；选用所有电箱正常运行情况下的数据依次建立样本，得到电池模组三维集群分析模型。
[0018]通过采用上述技术方案，由于存在m个电箱，每个电箱里存在n个电池模组，因此需
要对所有电池模组的特征向量转化为热力图，然后将所有的热力图作为样本集，从而构建电池模组的三维集群分析模型。
[0019]可选的，所述通过预设的深度学习方法对所述全部电池模组之间的相关性计算热力图进行相关性预测的步骤之后包括：获取所述电箱实时监测量的预测结果热力图；计算预测结果热力图与实时监测的热力图的差值；结合差值大小和电池模组间的相关性阈值参数实现电池模组的异常识别。
[0020]通过采用上技术方案，在获取电池模组的预测结果热力图与实时监测的热力图的差值之后，然后根据这个差值，便于找出电池模组间的异常识别结果。
[0021]第二方面，本申请提供的一种基于系统集群分析的状态监测异常识别系统，采用如下的技术方案：一种基于系统集群分析的状态监测异常识别系统，应用于上述的基于系统集群分析的状态监测异常识别方法，包括：监测数据获取模块、监测数据预处理模块、模型构建模块和异常结果获取模块；所述监测数据获取模块，用于获取电池模组的大量监测数据，以及用于获取电池模组的实时监测数据；所述监测数据预处理模块，用于对所述大量监测数据进行预处理，并生成预处理后的监测数据；所述模型构建模块，用于基于所述预处理后的监测数据，构建电池模组三维集群分析模型；所述异常结果获取模块，用于基于所述电池模组的实时监测数据和所述电池模组三维集群分析模型，获取二者之间对比的异常识别结果。
[0022]通过采用上述技术方案，在需要监测电池模组的异常情况时，通过先收集电池模组的大量监测数据，这些大量监测数据来自对不同层级间的电芯单元，通过对这些监测数据进行降噪、去除毛刺、补全缺失值等方式，对数据进行预处理，然后将预处理后的数据构建电池模组三维集群分析模型，在日常监测的时候，将实时监测数据，与电池模组三维集群分析模型进行对比分析和识别，从而得出异常分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于系统集群分析的状态监测异常识别方法，其特征在于：包括：获取电池模组的大量监测数据；对所述大量监测数据进行预处理，并生成预处理后的监测数据；基于所述预处理后的监测数据，构建电池模组三维集群分析模型；获取电池模组的实时监测数据；基于所述电池模组的实时监测数据和所述电池模组三维集群分析模型，获取二者之间对比的异常识别结果。2.根据权利要求1所述的一种基于系统集群分析的状态监测异常识别方法，其特征在于：所述对所述大量监测数据进行预处理，并生成预处理后的监测数据的步骤包括：对所述大量监测数据进行归一化处理；调用预设的多参数融合相似度计算方法，获取电池模组之间的相关性数据；基于所述电池模组之间的相关性数据，得到预处理后的监测数据。3.根据权利要求2所述的一种基于系统集群分析的状态监测异常识别方法，其特征在于：所述构建电池模组三维集群分析模型的步骤包括：基于电池模组之间的相关性数据，建立全部电池模组之间的相关性计算热力图；基于所述相关性计算热力图，构建电池模组三维集群分析模型。4.根据权利要求3所述的一种基于系统集群分析的状态监测异常识别方法，其特征在于：所述获取二者之间对比的异常识别结果的步骤包括：通过预设的深度学习方法对所述全部电池模组之间的相关性计算热力图进行相关性预测；获取相关性预测值；基于所述相关性预测值，判断所述相关性预测值是否落入预设的设定阈值中；基于判断结果，获取二者之间对比的异常识别结果。5.根据权利要求2所述的一种基于系统集群分析的状态监测异常识别方法，其特征在于：所述调用预设的多参数融合相似度计算方法，获取电池模组之间的相关性数据的步骤包括：计算考虑监测算法权重下的Pearson相关性系数；计算考虑监测算法权重下的Spearman相关性系数；将Pears...
【专利技术属性】
技术研发人员：杨皓杰，赵彤，孙丰诚，李倩，倪军，
申请(专利权)人：杭州安脉盛智能技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。