一种基于SVM的全钒液流电池泵故障检测方法技术

本发明专利技术涉及一种基于SVM的全钒液流电池泵故障检测方法，适用于电网储能系统，该方法不需要任何流量传感器，可对全钒液流电池泵的正极泵故障、负极泵故障及双侧泵故障进行分类。从电池状态曲线中提取特征参数，对支持向量机的参数进行了优化，最后通过支持向量机训练得到故障预测结果，实现对全钒液流电池泵的正极泵故障、负极泵故障及双侧泵故障进行故障分类。采用支持向量机算法检测全钒液流电池水泵在实际运行中的运行状态，并利用交叉验证算法优化支持向量机中的参数，能够很好地解决全钒液流电池泵故障检测的技术问题。液流电池泵故障检测的技术问题。液流电池泵故障检测的技术问题。

【技术实现步骤摘要】
一种基于SVM的全钒液流电池泵故障检测方法


[0001]本专利技术涉及全钒液流电池
，尤其涉及一种基于SVM的全钒液流电池泵故障检测方法。

技术介绍

[0002]随着应用市场对储能系统可靠性和容量稳定性的需求逐年增加，用于电网应用的储能系统的部署速度正在加快。众所周知，电化学储能技术是发展固定式电力储能系统的关键一环。在众多的电化学储能技术中，全钒液流电池因具有安全性高、输出功率和容量相互独立、过载能力强、深放电能力强和循环寿命长等优点，而具有广泛的商业应用价值。
[0003]电池的故障诊断在现代工业系统中发挥着越来越重要的作用。随着大数据处理技术的快速发展，数据驱动方法在储能电池故障诊断领域得到了日益广泛的应用。在这些电池的故障诊断方法中，常用的方法有支持向量机(Support Vector Machine，SVM)。在与故障诊断相关的应用中，故障样本的数量通常比正常样本的数量小得多。在这种样本数不平衡的情况下，SVM只需少量学习样本就可以提供更可靠的结果。此外，SVM的结果通常可以用一小部分样本(即支持向量)表示，这使得SVM可以在执行较小的计算量下保证全局最优解。
[0004]SVM主要处理的问题的类型有两类，分别是线性可分问题和线性不可分问题。线性可分问题相对简单，SVM可以直接对其求解，并寻找最优的分类效果；而线性不可分问题的计算相对复杂，需要在分类之前使用一个适当的转换方式将低维的线性不可分问题转化为高维的线性可分问题之后再对其进行求解，因此转换方式的选取在解决线性不可分问题上至关重要。
[0005]在现有的研究中，SVM方法主要用于锂电池的故障诊断，而针对全钒液流电池的研究大多集中在电池性能分析、电极材料优化和流动路径优化上，很少有研究集中在全钒液流电池的故障诊断上。

技术实现思路

[0006]本专利技术的目的是提供一种基于SVM的全钒液流电池泵故障检测方法，将SVM方法应用于全钒液流电池的故障诊断，该方法不需要任何流量传感器，可对全钒液流电池泵的正极泵故障、负极泵故障及双侧泵故障进行分类。采用支持向量机算法检测全钒液流电池水泵在实际运行中的运行状态，并利用交叉验证算法优化支持向量机中的参数，能够很好地解决全钒液流电池泵故障检测的技术问题。
[0007]为实现上述目的，本专利技术所设计的一种基于SVM的全钒液流电池泵故障检测方法，包括以下步骤：
[0008]步骤1：对全钒液流电池分别进行正极泵、负极泵和双侧泵的模拟故障实验，泵故障模拟方式具体为，充放电过程中停泵数次，停泵过程即视为发生了泵故障，且充放电总时间大于停泵总时间，之后再将电池充满或充分放电；记录全钒液流电池分别在正极泵故障、负极泵故障或双侧泵故障的情况下的实验数据；
[0009]步骤2：从步骤1的实验数据中提取电流与电压信号的变化曲线，在全钒液流电池发生泵故障的情况下，电压信号的变化是最直接和最明显的，为了消除电流变化对电压的影响，引入电阻变化率ΔR以直观地反映电池的状态，并用式(1)表示：
[0010][0011]其中U
t
为某一时刻采集的电压值；U
t
‑1为某一时刻的前一秒内采集的电压值；I
t
为某一时刻采集的电流值；
[0012]步骤3：将电池的荷电状态SOC与电阻变化率ΔR作为样本特征输入支持向量机中训练，利用对偶函数和拉格朗日优化算法，结合核函数，建立故障分类器模型，并用式(2)、式(3)表示：
[0013][0014][0015]式(2)为非线性SVM的分类决策函数，式(3)为径向基核函数，核函数将有限维数据映射到更高维空间，用于解决线性不可分割问题；
[0016]其中f(x)为分类决策函数，x为样本数据，x
i
为样本数据点，y
i
为数据类别，a
i
为拉格朗日乘子，满足条件a
i
≥0；b为偏移项；K(x，x
i
)为径向基核函数，满足Mercer定理；γ为径向基核函数的特征参数，反映了训练样本的特征；
[0017]步骤4：结合交叉验证和网格搜索的方法，针对步骤3的故障分类器模型中的特征参数进行优化；交叉验证方法将原始数据划分为训练集和验证集，训练分类器后，验证集的准确性可以反映分类器的准确性；网格搜索方法在特定范围内构建网格，并结合交叉验证方法得到网格中分类精度最高的惩罚因子C和核函数参数γ；
[0018]步骤5：将优化后的惩罚因子C和核函数参数γ输入到步骤3的故障分类器模型中进行训练，得到最终的故障分类结果。
[0019]作为优选方案，所述步骤3包括通过故障分类器模型找到相应的超平面，根据超平面对数据进行分类。
[0020]作为优选方案，通过故障分类器模型找到相应的超平面，具体包括以下步骤，
[0021]步骤301：将从步骤2的实验数据中提取的样本数据作为训练数据集(x
i
，y
i
；i＝1，...，n)输入故障分类器模型；
[0022]步骤302：故障分类器模型按照区间最大化的原理找到相应的超平面，由超平面对这些数据进行分类，超平面的方程由式(3
‑
1)表示：
[0023]w
T
x+b＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3
‑
1)
[0024]其中w为参数向量；T代表转置；x为样本数据；b为偏移项，决定了超平面和原点之间的距离；
[0025]步骤303：确定超平面后，用|w
T
x+b|表示从点x到超平面的距离，通过观察w
T
x+b的符号与数据类别y的符号是否一致来判断分类是否正确，即可以用y(w
T
x+b)的正负性来判定或表示分类的正确性，定义函数间隔为：
[0026][0027]步骤304：对于一个样本数据点x0，x0为x垂直投影到超平面上的对应点；w为垂直于超平面的一个向量；γ为样本x到分类间隔的距离；则x可以表示为将x0代入超平面的方程，即可算出样本x到分类间隔的距离γ，由式(3
‑
4)表示；令γ乘上对应的数据类别y，即可得出几何间隔由式(3
‑
5)表示：
[0028][0029][0030][0031]其中||w||表示的是范数。
[0032]作为优选方案，根据超平面对数据进行分类，具体包括以下步骤，
[0033]步骤305：超平面离数据点的几何间隔越大，分类的确信度也越大，为了使分类的确信度尽量高，需要让所选择的超平面能够最大化几何间隔
[0034][0035][0036][0037][0038]其中，令函数间隔根据式(3
‑
7)、(3
‑
8)可得式(3
‑
9)，式(3
‑
9)即为最大间隔分类器的目标函数；由于求1/||w||的最大值相当于求本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SVM的全钒液流电池泵故障检测方法，其特征在于，包括以下步骤：步骤1：对全钒液流电池分别进行正极泵、负极泵和双侧泵的模拟故障实验，泵故障模拟方式具体为，充放电过程中停泵数次，停泵过程即视为发生了泵故障，且充放电总时间大于停泵总时间，之后再将电池充满或充分放电；记录全钒液流电池分别在正极泵故障、负极泵故障或双侧泵故障的情况下的实验数据；步骤2：从步骤1的实验数据中提取电流与电压信号的变化曲线，在全钒液流电池发生泵故障的情况下，电压信号的变化是最直接和最明显的，为了消除电流变化对电压的影响，引入电阻变化率ΔR以直观地反映电池的状态，并用式(1)表示：其中U
t
为某一时刻采集的电压值；U
t
‑1为某一时刻的前一秒内采集的电压值；I
t
为某一时刻采集的电流值；步骤3：将电池的荷电状态SOC与电阻变化率ΔR作为样本特征输入支持向量机中训练，利用对偶函数和拉格朗日优化算法，结合核函数，建立故障分类器模型，并用式(2)、式(3)表示：表示：式(2)为非线性SVM的分类决策函数，式(3)为径向基核函数，核函数将有限维数据映射到更高维空间，用于解决线性不可分割问题；其中f(x)为分类决策函数，x为样本数据，x
i
为样本数据点，y
i
为数据类别，a
i
为拉格朗日乘子，满足条件a
i
≥0；b为偏移项；K(x，x
i
)为径向基核函数，满足Mercer定理；γ为径向基核函数的特征参数，反映了训练样本的特征；步骤4：结合交叉验证和网格搜索的方法，针对步骤3的故障分类器模型中的特征参数进行优化；交叉验证方法将原始数据划分为训练集和验证集，训练分类器后，验证集的准确性可以反映分类器的准确性；网格搜索方法在特定范围内构建网格，并结合交叉验证方法得到网格中分类精度最高的惩罚因子C和核函数参数γ；步骤5：将优化后的惩罚因子C和核函数参数γ输入到步骤3的故障分类器模型中进行训练，得到最终的故障分类结果。2.根据权利要求1所述的基于SVM的全钒液流电池泵故障检测方法，其特征在于：所述步骤3包括通过故障分类器模型找到相应的超平面，根据超平面对数据进行分类。3.根据权利要求2所述的基于SVM的全钒液流电池泵故障检测方法，其特征在于：通过故障分类器模型找到相应的超平面，具体包括以下步骤，步骤301：将从步骤2的实验数据中提取的样本数据作为训练数据集(x
i
，y
i
；i＝1，
…
，n)输入故障分类器模型；步骤302：故障分类器模型按照区间最大化的原理找到相应的超平面，由超平面对这些数据进行分类，超平面的方程由式(3
‑
1)表示：
w
T
x+b＝0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3
‑
1)其中w为参数向量；T代表转置；x为样本数据；b为偏移项，决定了超平面和原点之间的距离；步骤303：确定超平面后，用|w
T
x+b|表示从点x到超平面的距离，通过观察w
T
x+b的符号与数据类别y的符号是否一致来判断分类是否正确，即可以用y(w
T
x+b)的正负性来判定或表示分类的正确性，定义函数间隔为：步骤304：对于一个样本数据点x0，x0为x垂直投影到超平面上的对应点；w为垂直于超平面的一个向量；γ为样本x到分类间隔的距离；则x可以表示为将x0代入超平面的方程，即可算出样本x到分类间隔的距离γ，由式(3
‑
4)表示；令γ乘上对应的数据类别y，即可得出几何间隔由式(3
‑
5)表示：5...

【专利技术属性】
技术研发人员：李旸，秦子轶，陈启宏，周克亮，唐金锐，熊斌宇，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：