基于分段聚合近似和聚类的制造技术

本发明专利技术公开一种基于分段聚合近似和聚类的

【技术实现步骤摘要】
基于分段聚合近似和聚类的PACK不一致性监测方法及装置


[0001]本专利技术属于电池不一致性分析的
，具体涉及一种基于分段聚合近似和聚类的
PACK
不一致性监测方法及装置
。

技术介绍

[0002]储能设备作为实现新能源消纳的关键技术，正蓬勃发展
。
其中集装箱储能作为储能电站的重要组成部分，其安全及性能问题受到社会各界关注
。
通常，集装箱储能以电池单体
‑
电池包
(PACK)
‑
电池簇
‑
储能集装箱多个层级组成，而
PACK
的性能，尤其是一致性最差的
PACK
决定了储能设备的运行状态，较差的一致性可能导致储能容量下降，发生过充过放
、
热失控等事故，严重威胁人身
、
设备安全，影响经济效益
。
目前集装箱式储能系统主要以插箱形式安装
PACK
组成电池簇，
PACK
作为最小的维护单元，因此，快速分析
PACK
不一致性对运行检修人员快速维护储能设备，提高运行安全与经济效益有重大意义
。
[0003]目前，电池不一致性分析方法主要分为基于模型的不一致性分析方法及基于数据驱动的不一致性分析方法两种
。
其中，基于模型的不一致性分析方法通常选用电池容量
、
电压
、
内阻等参数建立电池模型，如目前广泛使用的电化学模型，该方法有准确性高的特点，但其参数选择
、
模型建立复杂，通常需要大量实验测试得到具体参数，无法用于在线监测
。
而基于数据驱动的不一致性分析方法是通过机械学习方法对电池运行数据进行挖掘建立规则，这种方法依赖于大量历史运行数据，同时数据的冗余性导致处理计算需要大量时间，且受噪声数据的影响较大，因此准确性较低
。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于分段聚合近似和聚类的
PACK
不一致性监测方法及装置，不需要借助实验数据及建立复杂的电池模型，在较短时间内对
PACK
不一致性进行分析，实现
PACK
不一致性的在线监测
。
[0005]为了达到上述目的，本专利技术采用以下技术方案：本专利技术第一目的在于提供一种基于分段聚合近似和聚类的
PACK
不一致性监测方法，包括：步骤
1、
获取需监测的集装箱储能中某簇内所有
PACK
在检测周期内的电压数据及其充放电转换次数；步骤
2、
根据电压数据构建该簇内
PACK
的电压时间序列形成
PACK
电压矩阵；步骤
3、
采用分段聚合近似算法对
PACK
电压矩阵进行降噪与简化处理，得到降噪
PACK
电压矩阵；步骤
4、
对降噪
PACK
电压矩阵进行
k
‑
shape
时间序列聚类，计算每个
PACK
的离群距离；步骤
5、
根据离群距离计算对应
PACK
的不一致性系数，对超过阈值的
PACK
采取相应措施
。
[0006]作为优选的技术方案，步骤2中，所述电压时间序列
v
i
，表示为：
v
i
= [v
i,1
,v
i,2
, ...,v
i,j
, ...,v
i,t
]；其中，
v
i,j
表示集装箱储能中某簇内第
i
个
PACK
在第
j
个采样点的电压，
t
表示监测周期；根据该簇内
PACK
的电压时间序列形成
PACK
电压矩阵
V
： ；其中，
n
表示集装箱储能中该簇内所有
PACK
的数量
。
[0007]作为优选的技术方案，步骤3中，所述得到降噪
PACK
电压矩阵，具体为：步骤
3.1、
统计监测周期内该簇中各
PACK
的充放电转换次数
C
；步骤
3.2、
提取
PACK
的电压斜率变化边缘点，定义
PACK
电压时间序列
v
i
中，任意一电压采样点
v
i,j
与其相邻电压采样点
v
i,j
‑1、v
i,j+1
间的斜率分别为
k1、k2；当斜率变化大于阈值
f
时，即
|k1‑
k2| ≥f
时，记电压采样点
v
i,j
为边缘点，统计边缘点数量
B
，其中时间序列两侧采样点记为非边缘点；步骤
3.3、
采用分段聚合近似算法
APAA
对
PACK
电压矩阵进行降噪与简化处理，得到降噪
PACK
电压矩阵
。
[0008]作为优选的技术方案，步骤
3.3
中，所述采用分段聚合近似算法
APAA
对
PACK
电压矩阵进行降噪与简化处理，具体为：设置事件阈值
σ1、
σ2；对于监测周期
t
内该簇中的某一
PACK
电压时间序列
v
i
，将其分为
t/m
个数据段；每个数据段包含
m
个数据点，分别统计各数据段中
PACK
的充放电转换次数
C
m
及边缘点数量
B
m
；当
C
m
<
σ1且
B
m
<
σ2时，使用该数据段的均值替换该数据段中的数据点；当
C
m
<
σ1且
B
m
≥
σ2、
或 C
m
≥
σ1且
B
m
<
σ2时，根据下式替换该数据段中的数据点： ，式中，
v
k
为第
k
个数据段，
k∈{1, 2,
ꢀ…
,t/m}
；
s
k,j
为第
k
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于分段聚合近似和聚类的
PACK
不一致性监测方法，其特征在于，包括：步骤
1、
获取需监测的集装箱储能中某簇内所有
PACK
在检测周期内的电压数据及其充放电转换次数；步骤
2、
根据电压数据构建该簇内
PACK
的电压时间序列形成
PACK
电压矩阵；步骤
3、
采用分段聚合近似算法对
PACK
电压矩阵进行降噪与简化处理，得到降噪
PACK
电压矩阵；步骤
4、
对降噪
PACK
电压矩阵进行
k
‑
shape
时间序列聚类，计算每个
PACK
的离群距离；步骤
5、
根据离群距离计算对应
PACK
的不一致性系数，对超过阈值的
PACK
采取相应措施
。2.
根据权利要求1所述的基于分段聚合近似和聚类的电池包不一致性监测方法，其特征在于，步骤2中，所述电压时间序列
v
i
，表示为：
v
i = [v
i,1
, v
i,2
, ... ,v
i,j
, ... ,v
i,t
]
；其中，
v
i,j
表示集装箱储能中某簇内第
i
个
PACK
在第
j
个采样点的电压，
t
表示监测周期；根据该簇内
PACK
的电压时间序列形成
PACK
电压矩阵
V
：；其中，
n
表示集装箱储能中该簇内所有
PACK
的数量
。3.
根据权利要求1所述的基于分段聚合近似和聚类的电池包不一致性监测方法，其特征在于，步骤3中，所述得到降噪
PACK
电压矩阵，具体为：步骤
3.1、
统计监测周期内该簇中各
PACK
的充放电转换次数
C
；步骤
3.2、
提取
PACK
的电压斜率变化边缘点，定义
PACK
电压时间序列
v
i
中，任意一电压采样点
v
i,j
与其相邻电压采样点
v
i,j
‑1、v
i,j+1
间的斜率分别为
k1、k2；当斜率变化大于阈值
f
时，即
|k1‑
k2| ≥ f
时，记电压采样点
v
i,j
为边缘点，统计边缘点数量
B
，其中时间序列两侧采样点记为非边缘点；步骤
3.3、
采用分段聚合近似算法
APAA
对
PACK
电压矩阵进行降噪与简化处理，得到降噪
PACK
电压矩阵
。4.
根据权利要求3所述的基于分段聚合近似和聚类的电池包不一致性监测方法，其特征在于，步骤
3.3
中，所述采用分段聚合近似算法
APAA
对
PACK
电压矩阵进行降噪与简化处理，具体为：设置事件阈值
σ1、
σ2；对于监测周期
t
内该簇中的某一
PACK
电压时间序列
v
i
，将其分为
t/m
个数据段；每个数据段包含
m
个数据点，分别统计各数据段中
PACK
的充放电转换次数
C
m
及边缘点数量
B
m
；当
C
m
<
σ1且
B
m
<
σ2时，使用该数据段的均值替换该数据段中的数据点；当
C
m
<
σ1且
B
m
≥
σ2、
或 C
m
≥
σ1且
B
m
<
σ2时，根据下式替换该数据段中的数据点：，
式中，
v
k
为第
k
个数据段，
k∈{1,2,
…
,t/m}
；
s
k,j
为第
k
个数据段被替换后的第
j
个数据点；
v
k,j
为第
k
个数据段的第
j
个数据点；
max(v
k
)
与
min(v
k
)
分别表示第
k
个数据段中的极大值与极小值；当
C
m
>
σ1且
B
m
>
σ2时，保留该数据段中的数据点；经过替换后，得到该簇的降噪
PACK
电压矩阵
S
，表示为：
。5.
根据权利要求1所述的基于分段聚合近似和聚类的电池包不一致性监测方法，其特征在于，步骤4中，所述计算每个
PACK
的离群距离，具体为：步骤
4.1、
对于该簇的降噪
PACK
电压矩阵
S
，剔除其中第
i
个
PACK
的电压数据得到
S
i
，指定聚类数
k
，从
S
i
中随机选择
k
行序列分别作为初始质心序列；步骤
4.2、
计算该簇降噪
PACK
电压矩阵
S
与各初始质心序列的形态距离
SBD
，将形态距离
SBD
最小的初始质心序列作为聚类质心序列，将降噪
PACK
电压矩阵
S
中每个
PACK
分别归类至每个聚类质心序列下，形态距离计算公式为：
SBD(x,y) = 1
ꢀ‑ꢀ
maxNCC
w
(x,y)
其中，
x
为降噪
PACK
电压矩阵
S
中某个
PACK
的电压时间序列，
y
为某一聚类质心序列，
NCC
w
(x,y)
为
x
与
y
归一化后的相似性序列；步骤
4.3、
引入瑞利商公式迭代更新聚类质心序列，更新公式为：，，其中，
μ
k
为第
k
个聚类质心序列，
x
i
为第
k
个聚类中的第
i
个序列，
P...

【专利技术属性】
技术研发人员：张博凯，汪强，孟庆国，蔡诚，孔德凯，赵勇，
申请(专利权)人：中能建储能科技武汉有限公司，
类型：发明
国别省市：