AE-CFSFDP储能电站多源电池数据异常检测方法技术

针对现有储能电站电池数据庞大，存在数据读取不准确问题，本发明专利技术公开了一种AE

【技术实现步骤摘要】
AE
‑
CFSFDP储能电站多源电池数据异常检测方法


[0001]本专利技术属于储能电站电池管理
，具体涉及一种AE
‑
ICFSFDP储能电站多源电池数据异常检测方法。
技术背景
[0002]为了满足国家要求，迫切需要减少化石燃料的消耗和温室气体的排放。新能源如风能、太阳能因其丰富、环境友好的等优点得到重点关注，同时也使得储能电站得到快速的发展。而储能电站中锂离子电池具有功率密度高、充电速度快、寿命长、自放电率低等优点，作为新型储能系统在储能电站中得到广泛的应用。然而作为储能电站电池能直接测量的三个重要参数如电压、电流和温度，经常由于异常噪声的产生和测量传感器误差的问题，往往会造成部分测量不准确。因此，对储能电站电池多源数据进行异常检测是十分有必要的。
[0003]目前国内外针对数据异常检测提出了许多方法，如在分析输变电设备和电量数据的异常状态方面，利用无监督学习的方式完成对“脏”数据的还原解析和有效清除；如在光伏数据方面，提出滑动标准差的统计模型和采用高斯混合模型形成对光伏阵列数据异常样本的可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种AE
‑
ICFSFDP储能电站多源电池数据异常检测方法，包括如下步骤：A.首先从储能电站电池管理系统获取待检测的电压、电流等多源数据；B.之后利用自编码神经网络对提取的多源数据进行降维和特征提取，将其作为聚类算法的输入；C.之后利用改进的密度峰快速搜寻的聚类算法ICFSFDP实现异常数据的检测；D.将异常数据从正常数据中剔除。2.根据权利要求1所述的一种AE
‑
ICFSFDP储能电站多源电池数据异常检测方法，其特征在于，步骤A的具体实施过程如下：首先从运行的储能电站电池管理系统中提取用于检测的多源数据，包括能测量的电压、电流以及温度数据X(y1,y2,y3)；提取的数据不需要进行任何预处理，直接作为数据检测的输入，其中y1,y2,y3分别代表电压、电流和温度数据，X(y1,y2,y3)为电压、电流和温度组成的向量。3.根据权利要求1所述的一种AE
‑
ICFSFDP储能电站多源电池数据异常检测方法，其特征在于，步骤B所述的具体实施过程如下：(1)自编码神经网络包括输入层、隐含层和输出层，通过在输出层重构其输入向量，并在隐含层中提取降维的输入向量；对于特征的提取，首先随机产生输入层到隐含层和隐含层到输出层的权重、偏置：W、W'、b、b'，其中W和b为输入层到隐含层的权重和偏置，W'和b'为隐含层到输出层的权重和偏置；(2)将步骤A中获取的数据X作为输入层的输入进行编码，其中编码过程为：a＝f(W*X+b)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中a为隐含层编码获取的隐含层向量，f为隐藏单元激活函数，如式(2)所示：式中z＝W*X+b，exp为e指数函数；(3)将隐含层获得的向量a作为输入进行解码，解码过程为：y＝f(a*W'+b')
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中y为输出层获取的向量。f为隐藏单元激活函数，如式(2)所示；(4)通过不断地迭代，得到最优的损失函数值，该值所对应的是最优权重和偏置，最后将输入向量通过自编码网络，在隐含层中实现特征自提取，并将其作为聚类算法的输入；其中损失函数为：minLoss＝dist(X,y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中dist为二者的距离度量函数。4.根据权利要求1所述的一种AE
‑
ICFSFDP储能电站多源电池数据异常检测方法，其特征在于，步骤C的具体实施过程如下：(1)将步骤B提取的特征作为ICFSFDP算法的输入样本点，记为D＝(x
i
),i＝1,...,N，计算每个样本点局部密度ρ
i
和距离δ
i
并归一化，之后计算聚类指标γ
i
；其中局部密度ρ
i
、距离δ
i
和聚类指标γ
i
的计算如下；之后将γ
i
进行升序排列得到γ＝[γ1,γ2,...,γ

【专利技术属性】
技术研发人员：宁雪峰，芦大伟，李龙，韦薇，姚俊钦，袁炜灯，王永源，李元佳，刘贯科，张海鹏，陈鹏，陈文睿，秦立斌，钟荣富，林志强，蒋紫薇，戴喜良，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：