【技術實現步驟摘要】
本專利技術涉及儲能，尤其是涉及一種基于充電屏及蓄電池組動態建模的智能化監測方法。
技術介紹
1、在電力系統中，充電屏和蓄電池組作為重要的備用電源設備，其性能和狀態的穩定對于保障電力系統的可靠運行至關重要。然而，傳統的監測方法往往存在監測精度低、實時性差、無法準確反映設備的動態特性等問題。
2、目前，常見的監測手段主要依賴于定期的人工巡檢和簡單的參數測量，這種方式不僅效率低下，而且容易出現漏檢和誤判。此外，現有的一些監測系統缺乏對充電屏及蓄電池組的動態建模能力，難以準確預測設備的性能變化和潛在故障。
3、隨著電力系統對可靠性要求的不斷提高，迫切需要一種更加智能化、精準化和實時化的監測方法，以實現對充電屏及蓄電池組的有效管理和維護。
技術實現思路
1、為解決當前存在技術問題，本專利技術的主要目的在于提供了一種基于充電屏及蓄電池組動態建模的智能化監測方法，能夠實時、準確地獲取設備的運行狀態信息，提前預測潛在故障，提高電力系統的可靠性和穩定性。
2、本專利技術所采用的技術方案是：一種基于充電屏及蓄電池組動態建模的智能化監測方法，包括以下步驟：
3、s1、獲取充電屏及蓄電池在充放電過程中的數據樣本，基于統計參量進行蓄電異常檢測，通過基準模型建立缺陷識別模型；
4、s2、通過數據預處理及健康特征提取、劃分訓練數據和測試數據，以及訓練時間序列預測模型并進行soh估計，從而構建蓄電池健康狀態分析模型；
5、s3、構建蓄電池狀態
6、實時采集充電屏及蓄電池的運行數據，運行數據包括電壓、電流、內阻以及溫度，對采集的運行數據進行預處理得到數據樣本。
7、對數據樣本進行降維，并使用正常運行狀態的蓄電池運行數據建立基準模型。
8、通過基準模型對數據樣本進行判斷的方法如下：
9、計算t2指標：使用基準模型計算每個新樣本的t2指標，判斷是否偏離正常狀態；
10、計算spe指標：使用基準模型計算每個新樣本的spe指標，判斷是否存在預測差異；
11、檢測新樣本的t2和spe指標是否超過預設閾值，以此來判斷電池可能存在異常。
12、在s1中，建立缺陷識別模型包括以下步驟：
13、利用k-means聚類算法對蓄電池數據進行分組，并基于歐氏距離將相似的數據樣本劃分到同一組中，從而形成不同的簇；
14、計算每個簇的中心，并給各個簇標注電池缺陷類型，包括熱失控、開路、過充，以及過放；
15、基于聚類簇中心，計算新電池的缺陷類型；
16、收集歷史電池數據，并為每個數據制作缺陷標簽；
17、建立并訓練支持向量機svm，從而將蓄電池數據映射到不同的缺陷類型；
18、其中，在訓練階段，使用已知缺陷類型的樣本數據進行模型訓練和參數優化；
19、在識別階段，將新的蓄電池數據樣本輸入svm模型，預測其所屬的缺陷類型。
20、在蓄電池缺陷類型識別算法性能評估階段，采用交叉驗證和評估指標進行測試，并通過比較實際缺陷類型和算法預測結果，評估算法的準確性和可靠性。
21、在s2中，數據預處理及健康特征提取的方法如下：
22、獲取充電屏及蓄電池充放電過程中的實時數據，并對采集的數據進行預處理，提取出蓄電池健康特征序列，通過pearson相關性系數對健康特征序列和電池容量間的相關性進行分析，對健康特征進行篩選,計算公式如下：
23、；
24、式中，x代表健康特征序列樣本總體，y代表容量樣本總體，e代表數據期望值。
25、在s2中，劃分訓練數據和測試數據的方法如下：
26、將數據集分為訓練集和測試集，使用訓練集來訓練模型，并使用測試集來評估模型在未見過的數據上的性能。
27、在s2中，訓練時間序列預測模型并進行soh估計的方法如下：
28、構建基于時間序列預測模型的蓄電池soh估計模型，在訓練集上訓練該模型并進行模型的超參數優化，然后，將測試集的數據作為模型輸入，通過當前可用最大容量和電池標稱容量得到soh估計結果，計算公式如下：
29、；
30、式中，代表當前可用最大容量，代表電池標稱容量。
31、在s3中，構建蓄電池狀態特性的剩余使用壽命預測模型的方法如下：
32、蓄電池到達電池壽命終止之前剩余的循環數的為：
33、；
34、式中，代表電池的剩余使用壽命，代表壽命終止的循環數；代表：實際使用的循環數；
35、在rul預測過程中，通過使用時間序列預測模型，組成蓄電池rul聯合預測模型；
36、應用階段，將和電池真實soh數據作為rul模型輸入，將soh外推至失效閾值，實現對蓄電池rul聯合預測，輸出值為；
37、首先為衡量所提預測模型的優劣，采用均方根誤差、平均絕對誤差、模型決定系數和rul預測誤差進行評價，其中：
38、；
39、；
40、；
41、；
42、；
43、；
44、式中，代表均方根誤差；代表平均絕對誤差；代表模型決定系數；與為第i次循環蓄電池容量真實值與預測值；為真實值的平均值；rul與prul分別為蓄電池剩余使用壽命的真實值與預測值；per代表rul預測誤差；代表代表預測誤差值。
45、將蓄電池soh真實值和soh的估計值作為輸入，對模型訓練，進行蓄電池rul聯合預測；然后，通過劃分該模型輸入數據集為訓練集和測試集，對rul預測模型在訓練集上訓練，并完成模型超參數調優，之后在測試集上進行電池rul預測，并輸出最終的rul預測結果。
46、本專利技術有如下有益效果：
47、1、本專利技術融合多源數據和算法，建立精確的動態模型，實現對充電屏及蓄電池組的全面、深入監測；
48、2、本專利技術實時更新模型參數，適應設備性能的變化和環境因素的影響，提高監測的準確性和可靠性；
49、3、本專利技術結合多種預測和診斷方法，提前發現潛在故障，有效降低設備故障率和維護成本；
50、4、本專利技術采用模型預測和智能報警技術，提高運維效率和響應速度，保障電力系統的安全穩定運行。
本文檔來自技高網...【技術保護點】
1.一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在S1中，實時采集充電屏及蓄電池的運行數據，運行數據包括電壓、電流、內阻以及溫度，對采集的運行數據進行預處理得到數據樣本。
3.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在S1中，對數據樣本進行降維，并使用正常運行狀態的蓄電池運行數據建立基準模型。
4.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在S1中，通過基準模型對數據樣本進行判斷的方法如下：
5.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在S1中，建立缺陷識別模型包括以下步驟：
6.根據權利要求5所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，?在蓄電池缺陷類型識別算法性能評估階段，采用交叉驗證和評估指標進行測試，并通過比較實際缺陷類型和算法預測結果，評估算法的準
7.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在S2中，數據預處理及健康特征提取的方法如下：
8.根據權利要求7所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在S2中，劃分訓練數據和測試數據的方法如下：
9.根據權利要求8所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在S2中，訓練時間序列預測模型并進行SOH估計的方法如下：
10.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在S3中，構建蓄電池狀態特性的剩余使用壽命預測模型的方法如下：
...【技術特征摘要】
1.一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在s1中，實時采集充電屏及蓄電池的運行數據，運行數據包括電壓、電流、內阻以及溫度，對采集的運行數據進行預處理得到數據樣本。
3.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在s1中，對數據樣本進行降維，并使用正常運行狀態的蓄電池運行數據建立基準模型。
4.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在s1中，通過基準模型對數據樣本進行判斷的方法如下：
5.根據權利要求1所述的一種基于充電屏及蓄電池組動態建模的智能化監測方法，其特征在于，在s1中，建立缺陷識別模型包括以下步驟：
6.根據權利要求5所述的...
【專利技術屬性】
技術研發人員：黃泰山，賈紅兵，顏文辭，張航，戶斐，
申請(專利權)人：中國長江電力股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。