【技术实现步骤摘要】
储能系统故障检测方法、装置及智能终端
[0001]本专利技术涉及基于电数字数据的故障检测
，尤其涉及的是一种储能系统故障检测方法、装置及智能终端。
技术介绍
[0002]随着科学技术的发展，对于储能系统的研究和控制越来越受到重视。储能系统是在对储能过程进行分析时，为了确定研究对象而划出的部分物体或空间范围。它包括能量和物质的输入和输出、能量的转换和储存设备。如果储能系统出现故障，则有可能影响用户的用电体验甚至引发危险，因此需要对储能系统的故障情况进行检测，以便及时针对故障进行处理。
[0003]储能系统往往涉及多种能量、多种设备等，是随时间变换的复杂系统。而现有技术中，通常只能根据单一的数据指标对储能系统的故障情况进行判断，例如，将测量获得的电压与预设的电压阈值进行比较从而判断储能系统是否发生故障。现有技术的问题在于，只能基于单一的数据指标对储能系统的故障进行判断，无法结合多种信息进行故障检测，不利于提高故障检测的准确性。
[0004]因此，现有技术还有待改进和发展。
技术实现思路
[0...
【技术保护点】
【技术特征摘要】
1.一种储能系统故障检测方法，其特征在于，所述方法包括：基于预先构建的数字孪生系统获取储能系统对应的至少一组无故障数据，其中，所述无故障数据包括所述储能系统在无故障时段内的电力信息变化数据和设备部件图像数据；对所述无故障数据进行主成分分析处理，计算获得所述无故障数据对应的统计量限值、Q统计量限值以及统计特征；获取所述储能系统对应的一组待检测数据，根据所述待检测数据和所述统计特征计算获得所述待检测数据对应的统计量和Q统计量，其中，所述待检测数据包括所述储能系统在待检测时段内的电力信息变化数据和设备部件图像数据；根据第一大小关系和/或第二大小关系判断所述待检测数据是否为故障数据，其中，所述第一大小关系是所述统计量限值与所述统计量之间的大小关系，所述第二大小关系是所述Q统计量限值与所述Q统计量之间的大小关系；当所述待检测数据是故障数据时，通过已训练的故障检测模型对所述待检测数据进行故障检测并获得故障类别；其中，所述统计量是霍特林统计量，所述Q统计量是平方预测误差统计量，所述统计量限值是霍特林统计量限值，所述Q统计量限值是平方预测误差统计量限值。2.根据权利要求1所述的储能系统故障检测方法，其特征在于，所述电力信息变化数据包括电压数据、电流数据、温度数据和储能变化数据，所述设备部件图像数据包括所述储能系统中太阳能电池表面图像数据和风力设备叶片表面图像数据。3.根据权利要求1所述的储能系统故障检测方法，其特征在于，在所述基于预先构建的数字孪生系统获取储能系统对应的至少一组无故障数据之前，所述方法还包括：采集获取所述储能系统对应的多组原始数据，其中，每一组所述原始数据包括所述储能系统在一个采集时段内的电力信息变化数据、设备部件图像数据以及故障标注信息，所述故障标注信息用于指示所述原始数据是故障数据或无故障数据；基于所述原始数据进行样本扩增获得多组扩增数据，其中，对所述电力信息变化数据和所述设备部件图像数据采用不同的扩增通道进行样本扩增；将所述原始数据和所述扩增数据上传到数字孪生数据库，并构建与所述储能系统对应的数字孪生系统。4.根据权利要求1所述的储能系统故障检测方法，其特征在于，所述统计特征包括均值和标准差，所述根据所述待检测数据和所述统计特征计算获得所述待检测数据对应的统计量和Q统计量，包括：根据所述统计特征对所述待检测数据进行标准化处理，获得待检测标准数据；根据所述待检测标准数据计算获取所述待检测数据对应的统计量和Q统计量。5.根据权利要求1所述的储能系统故障检测方法，其特征在于，所述当所述待检测数据是故障数据时，通过已训练的故障检测模型对所述待检测数据进行故障检测并获得故障类别，包括：将所述待检测数据输入所述已训练的故障检测模型，通过所述已训练的故障检测模型输出所述待检测数据对应的故障类别，其中，所述已训练的故障检测模型基于逻辑回归方
法对所述待检测数据中的电力信息变化数据进行故障分类，所述已训练的故障检测模型基于VGG
‑
Net对所述待检测数据中的设备部件图像数据进行故障分类。6.根据权利要求1所...
【专利技术属性】
技术研发人员：郭媛君，安钊，吴承科，杨之乐，刘祥飞，
申请(专利权)人：深圳先进技术研究院，
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。