一种基于数据挖掘的储能电站关键设备故障诊断预警方法技术

本发明专利技术公开一种基于数据挖掘的储能电站关键设备故障诊断预警方法，本方法采用K

A fault diagnosis and early warning method for key equipment of energy storage power station based on Data Mining

【技术实现步骤摘要】
一种基于数据挖掘的储能电站关键设备故障诊断预警方法


[0001]本专利技术涉及储能设备故障诊断领域，尤其是一种基于数据挖掘的储能电站关键设备故障诊断预警方法。

技术介绍

[0002]为更好的实现“双碳”和构建新能源为主体的新型电力系统目标，未来将主要通过光伏、风电等可再生能源来替代减排。但新能源发电具有间歇性、随机性、可调度性差的特点，大规模新能源发电并网对电力系统提出了严峻考验，现有灵活性资源已逐渐无力支持电网接纳如此高比例的波动性能源，储能作为更优质的灵活性资源，可以有效平滑新能源出力、提供调频调峰等辅助服务。
[0003]现有储能系统多采用锂电池，由于锂电池本身特性，不当使用可能会造成设备出现安全问题。储能安全通常由多种因素相互作用，致使电池滥用及热失控，最终导致事故发生。可分为电池本体故障、运行环境缺陷以及储能系统综合管理体系欠缺等几个方面。储能系统综合管理体系欠缺方面，电池管理系统（BMS）、储能变流器（PCS）、能量管理系统（EMS）信息共享不完备或不及时，PCS和电池保护配置与协调不当、PCS故障清除后电池异常、测量装置及管理系统之间发生冲突等系统管理问题，可能使故障不能及时有效地得到管控，最终演化为事故。
[0004]储能电站关键设备包括电池本体、电池管理系统BMS、储能变流器PCS等，设备种类多、数量大、储能电池能量密度高，存在安全隐患、储能电站原有运维模式效率较低。现有关键设备故障诊断预警方法只能够提供异常状态告警，响应速度较慢，且只能反映设备当前异常状态信息，不能剖析异常状态背后反映的设备根本故障原因，难以满足电站现场精细化运维需求，甚至导致储能安全事故发生。

技术实现思路

[0005]本专利技术的目的在于解决现有储能电站关键设备故障诊断方法响应速度慢、不能剖析异常状态反映的设备根本故障原因，难以满足电站现场精细化运维需求的问题，提供一种基于数据挖掘的储能电站关键设备故障诊断预警方法。
[0006]为了解决所述技术问题，本专利技术采用的技术方案是：一种基于数据挖掘的储能电站关键设备故障诊断预警方法，包括以下步骤：S01、根据历史数据建立诊断预警规则库，并针对各类规则建立响应的运维建议库；S02、对一段时间内的异常信号进行采集与处理，并与规则库进行模糊匹配，匹配成功则发出故障诊断预警信息，否则只针对该异常状态进行告警；S03、若系统发出诊断预警信息，则根据步骤S02推出的不同故障类型给出相应的运维建议。
[0007]进一步的，步骤S01建立诊断故障规则库和运维建议库的过程为：S11、根据工程经验，从原始储能电站运维参数中，初步筛选出可能导致设备故障出现的影响参数，然后从历史数据库中选取包含完整周期内的相应影响参数数据并进行预处理；S12、根据历史数据分
析初步筛选出的影响参数与故障的相关性，确定相关性满足要求的参数作为主要影响因素；S13）、将主要影响因素的历史数据根据设定的阈值进行离散化，采用数据挖掘算法建立设备故障诊断预警规则库；S14）、根据规则库中的不同规则对应的故障类型制定运维建议，并建立运维建议库。
[0008]进一步的，采用K
‑
近邻互信息算法分析某个参数与故障的相关性，具体做法是：首先设定相关性阈值θ，然后利用K
‑
近邻互信息算法计算某个与故障之间的互信息MI，比较相关性阈值θ与互信息MI，若MI＜θ，则舍弃此参数，反之记录此参数。
[0009]进一步的，采用Apriori关联规则算法确定与故障相关的一组影响参数，从而建立设备故障诊断预警规则库，具体做法为：a、设置最小支持度和最小置信度；b、扫描离散化后的主要影响因素的历史数据，找出所有满足最小支持度的项，称为频繁1项集；c、以频繁1项集为基础，扫描离散化后的主要影响因素的历史数据，找到频繁2项集，循环此过程直到没有新的频繁k+1项集，k为主要影响因素的种类数；d、计算项集之间的置信度是否满足不小于最小置信度，确定强关联。
[0010]进一步的，在频繁k项集生成频繁k+1项集的过程中采用连接步和剪枝步提高效率，连接步是为找出频繁k+1项集集合L
k+1
，将L
k
中频繁k项集连接产生候选集C
k+1
，为确保产生项集不相关，当且仅当2个频繁k项集排序后的前k
‑
1项相同方可连接；剪枝步是为了找出C
k+1
满足最小支持度的项集，直接扫描离散化后的主要影响因素的历史数据计算每个项集的支持度，当C
k+1
大于设定阈值时，采用先验知识压缩C
k+1
。
[0011]进一步的，步骤S02具体为：S21、采集步骤S01中筛选出的参数的实时数据，若出现异常信号，则记录该信号数据；S22、从S21中采集到第一个数据开始计时，统计一段时间内出现的异常信号，并记录这些异常信号的数据；S23、将步骤S21和S22中记录下来的数据根据设定的阈值进行离散化处理，将处理后的参数实时数据与诊断预警规则库模糊匹配；S24、匹配成功则发出针对不同故障类型和级别的诊断预警信息，否则只通过振动对该异常状态进行告警。
[0012]进一步的，步骤S03包括2个步骤，具体为：S31、若步骤S02匹配成功，发出诊断预警信息的同时，根据不同故障类型在运维库中精准匹配相应运维建议；S32、将S31中匹配的运维建议通过画面进行推送。
[0013]本专利技术的有益效果：本专利技术采用K
‑
近邻互信息和Apriori关联规则算法实现储能电站关键设备的故障诊断预警，与传统告警策略相比，该方法能够深入挖掘储能电站关键设备各运行参数与故障信息之间的隐性关联，有效缩短故障诊断时间，给出的维护建议简单高效，为运维人员提供精细化指导。与其他智能算法诊断预警策略相比，该方法针对储能电站关键设备参数种类繁多、耦合性强且历史数据体量巨大等问题，结合工程经验，采用K
‑
近邻互信息算法筛选故障主要影响因素，能够降低人为筛选工作量及误差，提高执行效率。同时，本方法所建专家库支持规则扩充、修改、删除等功能，可为储能电站后期新的运维需求提供支撑。
[0014]效果：通过实时监测储能电站关键设备的运行状态，当故障即将发生或已经发生时，将采集到的一定时间范围内多条预警或告警信号与规则库进行模糊匹配，分析系统运行过程中可能存在的隐患，及时、准确的判断储能系统异常或故障类型，自动实施异常工况限制、故障保护和声光报警，并给出相应运维建议。
附图说明
[0015]图1为本专利技术的整体流程图；图2为利用K
‑
近邻互信息筛选故障主要影响因素的流程图；图3为利用Apriori算法进行数据挖掘的流程图；图4为部分故障与对应的运维建议图；图5为本专利技术规则库触发机制及具体的触发路径图。
具体实施方式
[0016]下面结合附图和具体实施例对本专利技术作进一步的说明。
[0017]实施例1电网发生故障时，EMS能够接收不同RTU、变电站自动化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据挖掘的储能电站关键设备故障诊断预警方法，其特征在于：包括以下步骤：S01、根据历史数据建立诊断预警规则库，并针对各类规则建立响应的运维建议库；S02、对一段时间内的异常信号进行采集与处理，并与规则库进行模糊匹配，匹配成功则发出故障诊断预警信息，否则只针对该异常状态进行告警；S03、若系统发出诊断预警信息，则根据步骤S02推出的不同故障类型给出相应的运维建议。2.根据权利要求1所述的基于数据挖掘的储能电站关键设备故障诊断预警方法，其特征在于：步骤S01建立诊断故障规则库和运维建议库的过程为：S11、根据工程经验，从原始储能电站运维参数中，初步筛选出可能导致设备故障出现的影响参数，然后从历史数据库中选取包含完整周期内的相应影响参数数据并进行预处理；S12、根据历史数据分析初步筛选出的影响参数与故障的相关性，确定相关性满足要求的参数作为主要影响因素；S13）、将主要影响因素的历史数据根据设定的阈值进行离散化，采用数据挖掘算法建立设备故障诊断预警规则库；S14）、根据规则库中的不同规则对应的故障类型制定运维建议，并建立运维建议库。3.根据权利要求2所述的基于数据挖掘的储能电站关键设备故障诊断预警方法，其特征在于：采用K
‑
近邻互信息算法分析某个参数与故障的相关性，具体做法是：首先设定相关性阈值θ，然后利用K
‑
近邻互信息算法计算某个与故障之间的互信息MI，比较相关性阈值θ与互信息MI，若MI＜θ，则舍弃此参数，反之记录此参数。4.根据权利要求2所述的基于数据挖掘的储能电站关键设备故障诊断预警方法，其特征在于：采用Apriori关联规则算法确定与故障相关的一组影响参数，从而建立设备故障诊断预警规则库，具体做法为：a、设置最小支持度和最小置信度；b、扫描离散化后的主要影响因素的历史数据，找出所有满足最小支持度的项，称为频繁1项集；c、以频繁1项集为基础，扫描离...

【专利技术属性】
技术研发人员：王永军，张栋，李军，王新刚，傅春明，李建，刘振雷，李相俊，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：