一种基于多层前馈神经网络的储能电站智能监测方法技术

本发明专利技术公开了一种基于多层前馈神经网络的储能电站智能监测方法，涉及储能电站监测技术领域。本发明专利技术步骤如下：传感器在不同测点采集气体的浓度信号，形成三种气体浓度的时空矩阵；将每个传感器的浓度时间序列构造对应的Hankel矩阵，再提取该矩阵的奇异值作为放电的特征值；将去噪后的二维浓度矩阵在特定时间断面上进行插值并进行归一化处理得到三种气体的综合浓度指标；将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。本发明专利技术通过监测三种热失控后主要气体的浓度变化实现电池组热失控的精确预警，并采用Hankel矩阵奇异值分解的方法，在滤波的同时也提高了信号处理的效率，快速计算出泄漏源位置。置。置。

An intelligent monitoring method for energy storage power station based on multilayer feedforward neural network

【技术实现步骤摘要】
一种基于多层前馈神经网络的储能电站智能监测方法


[0001]本专利技术属于储能电站监测
，特别是涉及一种基于多层前馈神经网络的储能电站智能监测方法。

技术介绍

[0002]目前，对为人类社会提供主要能源的传统化石能源的过度消费已经使其日渐枯竭，而且化石能源对环境有着显著的负面影响，因此改变现有不合理的能源结构已成为人类社会可持续发展面临的首要问题。当前国家大力倡导的风能、太阳能、潮汐能、地热能等均属于可再生清洁能源，由于其随机性、间歇性等特点，如果将其所产生的电能直接输入电网，会对电网产生很大的冲击.在这种形势下，发展高效便捷的储能技术以满足人类的能源需求成为世界范围内研究热点。
[0003]电化学储能系统具有安装方便灵活、响应速度快、可控性好等特点，可显著提高风、光等可再生能源的电网消纳能力，改善电能质量，平滑电网潮流，降低电力资产投资，在促进能源转型变革发展中具有重要作用。在各种材料的电池中，近年来，锂离子电池（LIBs）储能系统由于其高能量密度、大放电倍率和不断下降的成本等显著优点得以在全球各国电力行业中蓬勃发展。
[0004]然而，随着锂电池在储能领域的应用规模不断扩大，其安全问题也日益凸显，反映出了储能行业规模的高速发展并未使电池安全性能有相匹配的提升，因此，如何提高锂电池储能电站的安全性能已成为一项亟待解决的重要问题。
[0005]提高锂电池储能电站安全性的措施主要有研发更为安全的电池材料以及建立更为完备的电池状态监测体系两种，而前者受限于现有的材料技术的发展，从近年来的电化学储能事故来看，推动电池安全问题的解决、实现电池安全问题的可测、可控、可防，主要是通过建立更为完备的电池状态监测体系，现有的监测体系主要是通过传感器对电池组的电量和非电量进行监测，目的是及时发现电池异常状态，在电池达到热失控临界点之前发出预警信号并通过电池管理系统采取应急措施，这种方法结构简单，但由于泄漏时间、泄漏位置、周围环境等不确定性因素的存在，无法实现快速定位热失控源头，这对系统维护及事故处理十分不利。

技术实现思路

[0006]本专利技术的目的在于提供一种基于多层前馈神经网络的储能电站智能监测方法，通过监测三种热失控后主要气体的浓度变化实现电池组热失控的精确预警，解决了现有的储能电站监控力度不足、事故发现不及时的问题。
[0007]为解决上述技术问题，本专利技术是通过以下技术方案实现的：本专利技术为一种基于多层前馈神经网络的储能电站智能监测方法，包括如下步骤：步骤S1：多个传感器在不同测点的t0时刻采集气体的浓度信号，形成三种气体浓度的时空矩阵；
步骤S2：将每个传感器的浓度时间序列构造对应的Hankel矩阵，再提取该矩阵的奇异值作为放电的特征值；步骤S3：将去噪后的二维浓度矩阵在特定时间断面上进行插值，得到插值后二维浓度矩阵并进行归一化，最后得到三种气体的综合浓度指标；步骤S4：将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。
[0008]作为一种优选的技术方案，所述步骤S1中，多个传感器形成的三种气体浓度的时空矩阵公式为：；式中，x=CO、CO2或者H2；表示位于m行n列的传感器在t0时刻采集到的x气体的浓度。
[0009]作为一种优选的技术方案，在所述储能电站中多个传感器呈M
×
N矩形分布，每个传感器在t0～t
y
‑1时刻总共采集到y个浓度数据，具体公式为：；式中，x=CO、CO2或者H2，表示位于i行j列的传感器在t0时刻采集到的x气体的浓度。
[0010]作为一种优选的技术方案，所述步骤S2中，Hankel矩阵为矩阵中每一条逆对角线的元素都相等的矩阵，提取时每一页矩阵中位于同一位置的元素构造成一维信号序列，公式为：；
式中，c为位于i行j列的传感器所采集到的浓度时间序列；所述一维信号序列转换为Hankel矩阵的公式如下：；式中，当1<n<y, m=y
‑
n+1；当y为偶数时，n=y/2否则n=(y+1）/2。
[0011]作为一种优选的技术方案，所述步骤S2中，奇异值的分解公式如下：；式中，矩阵 U、V 分别为m
×
m、n
×
n的正交矩阵，和表示m、n维列向量；奇异值满足。
[0012]作为一种优选的技术方案，所述步骤S3中，Hankel矩阵变换方法对原始浓度信号进行变换后，去噪采用低通滤波器滤除高频噪声，在通过逆变换恢复得到的去噪信号。
[0013]作为一种优选的技术方案，所述插值处理对浓度传感器测得的浓度
‑
时间变化数据进行二维拉格朗日插值算法得到二维平面浓度场数据；其中，差值节点定义为：；式中，矩形区域D={a≤x≤b，c≤y≤d}上给定的k+1个测量点数据，其中下标Ⅰ、
Ⅱ…
XII为传感器序号，T为某一时刻，代表编号为k的传感器在T时刻接收到的数据，为传感器坐标；取在Z上线性无关的函数组：；式中，矩形区域上给定的k+1个测量点数据
，其中下标Ⅰ、
Ⅱ…
XII为传感器序号，T为某一时刻,代表编号为k的传感器在T时刻接收到的数据，为传感器坐标；取在Z上线性无关的函数组：；式中，是次数关于X不高于n次，具体公式为：；其中，；则二元拉格朗日插值多项式的公式为：。
[0014]作为一种优选的技术方案，所述步骤S3中，归一化处理的计算公式为：；式中，为第i行第j列的气体浓度传感器在所监测到的归一化气体浓度，为锂电池仓在二维平面上的投影面积；并对三种气体的浓度在同一工况下的权重进行调整，得到综合气体浓度：式中，是三种气体的权重。
[0015]作为一种优选的技术方案，所述步骤S4中，神经网络包括输入层、隐含层、输出层；工作时，输入信号经输入层传入隐含层，隐含层的神经元有相应的激活函数，经过激活函数再输入至输出层；所述神经网络的最后一层输出为：；式中，下标k代表第k层，代表网络中第k
‑
1层第j个神经元指向第k层第i个神经元的连接权重，代表第k层第j个神经元的激活函数输出，代表第k层第j个神经元的偏差，为激活函数；使用随机梯度下降算法和反向传播算法来最小化损失函数，具体公式如下：。
[0016]本专利技术具有以下有益效果：（1）本专利技术通过监测三种热失控后主要气体的浓度变化实现电池组热失控的精确预警，相比于常规的监测手段只关注电压电流等易受电网潮流影响的量，或者只关注某一特定气体的含量，本专利技术可以通过三种不同气体含量的变化来及时预警，准确度更高。
[0017]（2）现有的传感器采集过程中无法避免高频噪声的影响，现有的监测方法通常不进行滤波，或通过加入高通滤波器进行滤波，前者会降低神经网络的模型精度，后者会由于高通滤波器增加延时，相比较而言，本专利技术采用Hankel矩阵奇异值分解的方法，在滤波的同时也提高了信号处理的效率。
[0018]（3）本专利技术通过前馈神经网络算法在模型训练完成后可以确定相关权重参数，在预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，包括如下步骤：步骤S1：多个传感器在不同测点的t0时刻采集气体的浓度信号，形成三种气体浓度的时空矩阵；步骤S2：将每个传感器的浓度时间序列构造对应的Hankel矩阵，再提取该矩阵的奇异值作为放电的特征值；步骤S3：将去噪后的二维浓度矩阵在特定时间断面上进行插值，得到插值后二维浓度矩阵并进行归一化，最后得到三种气体的综合浓度指标；步骤S4：将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。2.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S1中，多个传感器形成的三种气体浓度的时空矩阵公式为：；式中，x=CO、CO2或者H2；表示位于m行n列的传感器在t0时刻采集到的x气体的浓度。3.根据权利要求2所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，在所述储能电站中多个传感器呈M
×
N矩形分布，每个传感器在t0～t
y
‑1时刻总共采集到y个浓度数据，具体公式为：式中，x=CO、CO2或者H2，表示位于i行j列的传感器在t0时刻采集到的x气体的浓度。
4.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S2中，Hankel矩阵为矩阵中每一条逆对角线的元素都相等的矩阵，提取时每一页矩阵中位于同一位置的元素构造成一维信号序列，公式为：；式中，c为位于i行j列的传感器所采集到的浓度时间序列；所述一维信号序列转换为Hankel矩阵的公式如下：式中，当1<n<y, m=y
‑
n+1；当y为偶数时，n=y/2否则n=(y+1）/2。5.根据权利要求1所述的一种基于多层前馈神经网络的储能电站智能监测方法，其特征在于，所述步骤S2中，奇异值的分解公式如下：；式中，矩阵 U、V 分别为m
×

【专利技术属性】
技术研发人员：李智欢，刘淼，伍兆恒，张俊峰，赵春太，肖应辉，瞿运武，何珂，陈衍恒，
申请(专利权)人：广州兆和电力技术有限公司，
类型：发明
国别省市：