System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及储能探测预警领域,具体涉及一种基于多传感器数据融合的储能电站锂电池热失控预测方法及装置。
技术介绍
1、近年来,我国在光伏、风能等新能源电力
取得了重大突破,进而推动了新型储能的发展。储能电站能实现削峰填谷,是提高可再生能源利用率和电力系统稳定性的重要手段。锂电池能量密度高、续航能力强、循环寿命好,被广泛应用于新型储能电站中。储能柜内串并联电池数量多,长期充放电使用过程中,单体之间的差异会逐渐增大,使其在变电站的应用中存在不可忽视的过充热失控安全风险。
2、目前对锂电池热失控已有的检测方法大多数根据单一类的传感器进行探测预警,如温度传感器、气体传感器,仅以获得的单参量特征对锂电池热失控情况进行判断易出现误差大、判断不正确等情况,且现有方法缺少对锂电池热失控极早期的判断,因此本领域急需一种容错强、精度高且能极早检测出锂电池热失控的预警方法,以保证储能电站安全运行。
技术实现思路
1、针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于多传感器数据融合的储能电站锂电池热失控预测方法及装置,来解决以上
技术介绍
部分提到的技术问题。
2、第一方面,本专利技术提供了一种基于多传感器数据融合的储能电站锂电池热失控预测方法,包括以下步骤:
3、获取储能柜内采集到的温度随时间变化的时序温度数据,对时序温度数据进行预处理,得到处理后的时序温度数据,将处理后的时序温度数据转换得到二维热力图;
4、构建锂电池热失控预测模型并训练
5、根据实验阶段采集到的电压数据、可燃气体数据和烟雾数据采用贝叶斯公式计算在不同条件下锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的先验概率及条件概率,获取实时采集到的电压数据、可燃气体数据和烟雾数据,并结合先验概率和条件概率求得锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的后验概率,将后验概率采用d-s论证理论进行一次融合,得到锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的第一融合概率,根据第一融合概率确定第二决策及其对应的第二概率;
6、将第一概率和第二概率进行关联,并采用d-s论证理论进行二次融合,得到锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的第二融合概率,根据第二融合概率确定锂电池所处的状态。
7、作为优选,对时序温度数据进行预处理,得到处理后的时序温度数据,具体包括:
8、对时序温度数据进行归一化操作,公式如下:
9、
10、其中,时序温度数据为x={x1,x2,...,xn},i=1,2,...,n;
11、对归一化后的时序温度数据进行降维处理,得到处理后的时序温度数据,公式如下:
12、
13、其中,压缩比k=n/l,l为处理后的时序温度数据的长度。
14、作为优选,将处理后的时序温度数据转换得到二维热力图,具体包括:
15、以处理后的时序温度数据作为极角,时间戳作为半径将处理后的时序温度数据转换到极坐标系,公式如下:
16、
17、其中,代表了点x'g的时间戳,是处理后的时序温度数据中所包含的所有时间点的个数;
18、根据每两个时间点所对应的极角构建格拉姆矩阵,完成gasf编码,公式如下:
19、
20、其中,φi表示第i个时间点的极角,φj表示第j个时间点的极角。
21、作为优选,锂电池热失控预测模型采用cnn卷积神经网络。
22、作为优选,根据实验阶段采集到的电压数据、可燃气体数据和烟雾数据采用贝叶斯公式计算在不同条件下锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的先验概率及条件概率,获取实时采集到的电压数据、可燃气体数据和烟雾数据,并结合先验概率和条件概率求得锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的后验概率,具体包括:
23、设a1,a2,a3,...,ao为样本空间ω的一个划分,满足:
24、
25、as∪at…∪ao=ω;
26、p(as)>0(s=1,2,…,o);
27、则对任何一事件b,且p(b)>0,则对事件b出现结果as的后验概率为:
28、
29、样本空间ω为热失控四个阶段,当采集到的电压数据、可燃气体数据和烟雾数据中的其中一个观测结果为b,利用实验数据得到热失控各阶段发生的先验概率p(aw)和在该阶段时观测结果为b的情况下的条件概率p(b|aw),通过贝叶斯后验概率公式计算得到实时采集到的已知观测结果为b的情况下发生aw的后验概率p(aw|b)。
30、作为优选,采用d-s论证理论进行融合的过程如下:
31、假设识别框架θ={正常,极早期,早中期,后期}={h1,h2,h3,h4};
32、对于事件c,存在证据x1和y2,m1和m2分别为证据x1和y2对应的基本概率分配函数,cp和dq为焦元,两个证据的融合公式为:
33、
34、其中,k为冲突系数,表示为空集,其定义式如下:
35、
36、将多个证据两两进行融合,获得多传感器共同证据下的基本概率分配函m(h1),m(h2),m(h3),m(h4)。
37、作为优选,根据锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段、热失控后期阶段的概率确定第一决策及其对应的第一概率,具体包括:
38、将锂电池处于正常工作阶段、热失控极早期阶段、热失控早中期阶段、热失控后期阶段的概率中的最大值确定为第一概率,其对应的阶段为第一决策;
39、根据第一融合概率确定第二决策及其对应的第二概率,具体包括:
40、将锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的第一融合概率中的最大值确定为第二概率,其对应的阶段为第二决策;
41、根据第二融合概率确定锂电池所处的状态,具体包括
42、将锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的第二融合概率中的最大值所对应的阶段为锂电池所处的状态。
43、第二方面,本专利技术提供了一种基于多传感器数据融合的储能电站锂电池热失控预测装置,包括:
44、数据处理模块,被配置为获取储能柜内采集到的温度随时间本文档来自技高网...
【技术保护点】
1.一种基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述对所述时序温度数据进行预处理,得到处理后的时序温度数据,具体包括:
3.根据权利要求2所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述将所述处理后的时序温度数据转换得到二维热力图,具体包括:
4.根据权利要求1所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述锂电池热失控预测模型采用CNN卷积神经网络。
5.根据权利要求1所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述根据实验阶段采集到的电压数据、可燃气体数据和烟雾数据采用贝叶斯公式计算在不同条件下锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的先验概率及条件概率,获取实时采集到的电压数据、可燃气体数据和烟雾数据,并结合所述先验概率和条件概率求得锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早
6.根据权利要求1所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,采用所述D-S论证理论进行融合的过程如下:
7.根据权利要求1所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述根据所述锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段、热失控后期阶段的概率确定第一决策及其对应的第一概率,具体包括:
8.一种基于多传感器数据融合的储能电站锂电池热失控预测装置,其特征在于,包括:
9.一种电子设备,包括:
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述对所述时序温度数据进行预处理,得到处理后的时序温度数据,具体包括:
3.根据权利要求2所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述将所述处理后的时序温度数据转换得到二维热力图,具体包括:
4.根据权利要求1所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述锂电池热失控预测模型采用cnn卷积神经网络。
5.根据权利要求1所述的基于多传感器数据融合的储能电站锂电池热失控预测方法,其特征在于,所述根据实验阶段采集到的电压数据、可燃气体数据和烟雾数据采用贝叶斯公式计算在不同条件下锂电池分别处于正常工作阶段、热失控极早期阶段、热失控早中期阶段及热失控后期阶段的先验概率...
【专利技术属性】
技术研发人员:杜建华,曹馨,瞿常,何兴锋,熊乐基,王嘉斌,欧英杰,涂然,
申请(专利权)人:华侨大学,
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。