【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于蓄電池領(lǐng)域，具體涉及到一種基于多模態(tài)特征的蓄電池故障檢測方法。
技術(shù)介紹
1、直流操作電源系統(tǒng)是發(fā)電廠、變電站中不可缺少的二次設(shè)備之一,蓄電池作為直流操作電源系統(tǒng)的核心設(shè)備，在站用交流故障時及時提供保護電源，維持發(fā)電站、配電所保護設(shè)備的可靠運行。關(guān)于蓄電池的高可靠性、長循環(huán)使用壽命和耐久性等性能成為研發(fā)的焦點，本項目以蓄電池的高可靠性為基礎(chǔ)，研發(fā)體積小、重量輕，無需外接供電電源，接線簡單、安裝方便的移動便攜式電池。另外，蓄電池長期運行過程中處于浮充電狀態(tài)，蓄電池性能的優(yōu)劣很難判斷如容量降低、內(nèi)阻增大、電池極柱虛接等情況，目前監(jiān)測蓄電池性能僅有方式是對蓄電池做核定性放電試驗。一般是根據(jù)相關(guān)規(guī)程標準要求1～2年進行一次，此方式實時性不夠，不能及時發(fā)現(xiàn)故障隱患。還需人員現(xiàn)場維護，整體效率低、成本高、工作量大。現(xiàn)有技術(shù)中有在便攜式電源內(nèi)嵌入在線監(jiān)護系統(tǒng)，能夠監(jiān)測蓄電池的電壓、電阻等參數(shù)，控制電池組的充電和放電以及電池狀態(tài)估算等功能，實現(xiàn)對高壓電池組的高精度監(jiān)測和控制。
2、專利公開號為cn107150602b的中國專利提供了一種bms電池管理系統(tǒng)用于對電池系統(tǒng)進行檢測，但存在無法充分利用檢測數(shù)據(jù)的問題并對蓄電池的故障進行實時有效預測的技術(shù)問題。
技術(shù)實現(xiàn)思路
1、針對現(xiàn)有技術(shù)中的樹干涂白機存在的技術(shù)問題，提供了一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，所述方法包括以下步驟：
2、步驟s1：通過蓄電池管理系統(tǒng)獲取蓄電池組的電壓、電流、溫度、濕度
3、步驟s2：利用異常濾除、格式修正、數(shù)據(jù)拼接和數(shù)據(jù)標準化對數(shù)據(jù)進行預處理，獲取數(shù)組格式的預處理數(shù)據(jù)，通過下采樣、翻轉(zhuǎn)、扭轉(zhuǎn)對存在異常狀態(tài)的數(shù)據(jù)進行增強，構(gòu)建訓練樣本數(shù)據(jù)集；
4、步驟s3：形式化異常狀態(tài)評估任務并構(gòu)建基于深度學習網(wǎng)絡(luò)結(jié)構(gòu)的智能評估模型，該網(wǎng)絡(luò)結(jié)構(gòu)包括局部特征提取模塊、時序特征提取模塊、全局特征提取模塊、特征融合模塊和識別輸出模塊；將預處理數(shù)據(jù)依次導入特征提取模塊、時序特征提取模塊和全局特征提取模塊中，分別獲取局部特征、時序特征、全局特征，并將提取的特征數(shù)據(jù)進行多尺度融合，獲取多模態(tài)特征，通過識別輸出模塊對多模態(tài)特征進行智能識別，得到各異常狀態(tài)類型評估指標；
5、步驟s4：采用分位數(shù)損失構(gòu)建模型損失函數(shù)，分批次隨機選取30組訓練樣本集數(shù)據(jù)導入智能評估模型，通過adam優(yōu)化算法以最小化損失函數(shù)為目標訓練s3中所述智能評估模型，得到參數(shù)優(yōu)化后的智能評估模型；
6、步驟s5：獲取現(xiàn)場蓄電池組電壓、電流、溫度、濕度和振動頻率數(shù)據(jù)，經(jīng)s2所述預處理后，導入優(yōu)化后的智能評估模型，輸出蓄電池組狀態(tài)類型預測結(jié)果。
7、進一步的，所述異常狀態(tài)為電池漏液、內(nèi)部短路、過充電、欠充電、安裝故障、環(huán)境溫度異常和環(huán)境濕度異常，并包括不同異常狀態(tài)間的組合，且各異常狀態(tài)指標分為輕度、嚴重、危急三種程度。
8、進一步的，其特征在于，s3中的形式化預測任務具體為：
9、給定一組預處理數(shù)據(jù)x＝{x1,x2,x3,x4,x5}，其中，x1,x2,x3,x4,x5分別表示蓄電池組的電壓、電流、溫度、濕度和振動頻率，通過智能評估模型診斷其對應的異常狀態(tài)類型及嚴重程度，表示為：
10、(y1,y2)＝f(x)；
11、其中，y1表示嚴重程度最高的第一狀態(tài)，y2表示嚴重程度次之的第二狀態(tài)，f(·)表示異常狀態(tài)評估模型。
12、進一步的，s3中所述局部特征提取模塊為resnest?block和feature?refinementblock的組合。
13、進一步的，s3中所述時序特征提取模塊，首先對局部特征提取模塊的輸出f1進行最大池化操作得到xt，再通過長短時記憶網(wǎng)絡(luò)提取時序依賴特征，具體為：
14、ft＝σ(wf·[ht-1,xt]+bf)；
15、it＝σ(wi·[ht-1,xt]+bi)；
16、
17、ot＝σ(wo·[ht-1,xt]+bo)；
18、ht＝ot*tanh(ct)；
19、其中，表示候選細胞狀態(tài)，ct表示更新細胞狀態(tài)，ht表示隱藏狀態(tài)，wf、wi、wc和wo均表示預設(shè)的權(quán)重矩陣，bf、bi、bc和bo均表示預設(shè)的權(quán)重參數(shù)，σ(·)表示sigmoid激活函數(shù)，tanh(·)表示tanh激活函數(shù)，ht表示隱藏狀態(tài)，也即時序特征f2，ht-1表示上一時刻的隱藏狀態(tài)。
20、進一步的，s3中所述全局特征提取模塊通過多頭自注意力機制對時序特征進行處理的方式為：
21、首先，將輸入的時序特征f2通過三個不同的線性變換得到查詢矩陣q、鍵矩陣k和值矩陣v；然后，利用縮放點積注意力計算每一個頭的注意力權(quán)重；將上述過程并行處理，得到全局特征f3：
22、q＝wqf2,k＝wkf2,v＝wvf2；
23、
24、multihead(q,k,v)＝concat(head1,head2,...,headh)wo；
25、f3＝multihead(q,k,v)；
26、其中，wq,wk,wv是可學習的權(quán)重矩陣；dk是鍵向量的維度；和wo是可學習的權(quán)重矩陣。
27、進一步的，s3中獲取多模態(tài)特征fy的具體操作為：
28、fy＝concat(f1,f2,f3)；
29、進一步的，s3中所述識別輸出模塊為全連接層采用概率密度函數(shù)計算各異常狀態(tài)類型的概率，依據(jù)其大小排序相應異常狀態(tài)類型，將前兩個類型及其概率作為輸出。
30、本專利技術(shù)的積極進步效果在于：
31、1)本專利技術(shù)通過提取蓄電池模塊的多個檢測指標，并依次提取局部特征、時序特征和全局特征，提高了對檢測數(shù)據(jù)的捕捉能力，提高了模型的泛化能力，能在多尺度上進行故障類型分析。
32、2)本專利技術(shù)充分利用歷史檢測數(shù)據(jù)，能及時獲取按概率預測的兩個故障類型，為蓄電池的維修和檢查簡化了程序，提高了效率。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，所述方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，所述異常狀態(tài)為電池漏液、內(nèi)部短路、過充電、欠充電、安裝故障、環(huán)境溫度異常和環(huán)境濕度異常，并包括不同異常狀態(tài)間的組合，且各異常狀態(tài)指標分為輕度、嚴重、危急三種程度。
3.根據(jù)權(quán)利要求1所述一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，S3中的形式化預測任務具體為：
4.根據(jù)權(quán)利要求1所述一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，S3中所述局部特征提取模塊為ResNeSt?block和Feature?refinement?block的組合。
5.根據(jù)權(quán)利要求1所述的一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，S3中所述時序特征提取模塊，首先對局部特征提取模塊的輸出F1進行最大池化操作得到，再通過長短時記憶網(wǎng)絡(luò)提取時序依賴特征，具體為：
6.根據(jù)權(quán)利要求1所述的一種基于多模態(tài)特征的變電站蓄電池
7.根據(jù)權(quán)利要求1所述的一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，S3中獲取多模態(tài)特征的具體操作為：
8.根據(jù)權(quán)利要求1所述的一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，S3中所述識別輸出模塊為全連接層采用概率密度函數(shù)計算各異常狀態(tài)類型的概率，依據(jù)其大小排序相應異常狀態(tài)類型，將前兩個類型及其概率作為輸出。
...【技術(shù)特征摘要】
1.一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，所述方法包括以下步驟：
2.根據(jù)權(quán)利要求1所述一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，所述異常狀態(tài)為電池漏液、內(nèi)部短路、過充電、欠充電、安裝故障、環(huán)境溫度異常和環(huán)境濕度異常，并包括不同異常狀態(tài)間的組合，且各異常狀態(tài)指標分為輕度、嚴重、危急三種程度。
3.根據(jù)權(quán)利要求1所述一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，s3中的形式化預測任務具體為：
4.根據(jù)權(quán)利要求1所述一種基于多模態(tài)特征的變電站蓄電池組異常狀態(tài)評估方法，其特征在于，s3中所述局部特征提取模塊為resnest?block和feature?refinement?block的組合。
5.根據(jù)權(quán)利要求1所述的一種基...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉洲，陳鍇鋒，陳瀚翔，付理祥，夏陽，熊海強，彭彪，萬訓強，吳詩優(yōu)，李秋德，邱日強，
申請(專利權(quán))人：國網(wǎng)江西省電力有限公司南昌供電分公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。