基于参数辨识和惩罚策略的储能电站故障诊断方法及系统与流程

本发明涉及储能电站故障诊断，特别涉及基于参数辨识和惩罚策略的储能电站故障诊断方法、系统、设备和存储介质。

背景技术：

1、储能系统作为智能微电网的基础网络模块，支撑电能的供应、存储、转换，为电网的安全可靠运行提供保障，达到辅助智能微电网实现电能平滑过度、负荷平衡、调频调压、削峰填谷的目的，同时也对整个能源系统的利用效率和发展前景起决定作用，是当前智能微电网中的研究热点之一。

2、锂离子电池是存储和转化电能的重要载体，是储能系统正常运行的重要保证。随着储能系统的快速发展和大规模应用，保证锂离子电池的安全运行是保护人员安全和减少储能系统经济损失的重中之重。锂离子电池的故障主要有外部故障和内部故障，内部故障引起的危害程度较高且不易察觉和修复，成为当前的关注热点，内部故障主要分为机械故障、热故障、过充故障、过放故障。其中过充和过放电的诱因主要是单体电池的不一致性，过充故障是指超过了规定的电池充电截止电压继续充电的现象，过放故障是指低于规定的电池放电截止电压持续放电的现象，对电池的反复过充和过放会发生内短路和热失控，因此对锂离子电池过充电和过放电故障的准确检测是储能电站系统安全运行和稳定工作的重要手段。

3、故障诊断注重时效性，当锂离子电池出现故障时，应尽快进行预警从而实现快速的故障控制，降低损失，诊断的低延迟性是必要的。同时对储能电站实时监测到的特征属性主要有电压和电流，使用参数辨识法可以计算得到其它参数，扩增属性特征，更好的推测电池状态。

4、本发明基于储能电站的各项参数，依托参数辨识方法和聚类算法，以电池簇过充电故障和过放电故障为主要研究内容，实现对储能系统中锂离子电池簇故障的实时监测和诊断。

技术实现思路

1、为了克服现有技术中的不足，本发明提供基于参数辨识和惩罚策略的储能电站故障诊断方法、系统、设备和存储介质，实现对储能系统中储能簇锂电池故障的实时监测和诊断。

2、为了达到上述发明目的，解决其技术问题所采用的技术方案如下：

3、本发明提出了基于参数辨识和惩罚策略的储能电站故障诊断方法，包括以下步骤：

4、步骤1：训练故障检测模型的训练样本数据和在线实时检测数据的采集；

5、步骤2：根据当前时刻采集的电压和电流，使用基于带遗忘因子的交替广义最小二乘法的在线实时参数辨识算法，提取四个辨识特征，构建特征集合；

6、步骤3：基于不同聚类算法权重，计算检测样本与不同聚类算法的不同聚类中心之间的距离，并乘以聚类算法权重得到最终的距离，识别出样本是否故障；

7、步骤4：依赖聚类算法集成权重的惩罚策略和聚类中心的更新策略对聚类算法集成权重和聚类中心完成更新。

8、进一步的，步骤1中，通过在实验室环境中，给磷酸铁锂电池设置不同充电或放电参数，模拟实际工况中电池的过充电故障和过放电故障并记录相应的电流和电压，将实际工况中的数据样本和实验室环境中的样本集中起来共同作为训练样本来扩充数据量；在线实时检测的电压和电流通过bms采集装置实时采集。

9、进一步的，步骤2中，将bms采集装置实时采集的数据样本的电流和电压输入到基于带遗忘因子的交替广义最小二乘法的在线实时参数辨识算法中，该算法辨识出欧姆内阻、极化电阻、极化电容和电池开路电压四个特征，与采集的电压和电流组合形成用于电池簇故障诊断的特征集合，公式（1）和（2）表示用等效电路模型表征电池工作行为时，等效电路模型中各个参数的计算方法；

10、由等效电路模型可得电池端的电压u为：

11、（1）

12、其中，il表示电池的放电或充电电流，r0表示欧姆内阻，uoc表示电池开路电压，up表示极化电阻两端的电压；

13、电容两端的电压计算方法如下：

14、（2）

15、其中，rp表示极化电阻，cp表示极化电容，、il在充电状态下为正值，放电状态下为负值；

16、基于带遗忘因子的交替广义最小二乘法辨识出β1、β2、β3、β4、四个参数后，即可辨识出欧姆内阻r0，极化电阻rp，极化电容cp和电池开路电压uoc表示用于电池簇故障诊断，部分计算公式如式（3）：

17、（3）。

18、进一步的，步骤3中，将提取的特征输入到已经通过训练样本训练好的聚类算法中，分别计算与不同聚类算法的聚类中心之间的距离，通过集成策略计算与过充故障、过放故障、正常状态三个聚类中心之间的最终距离，根据距离大小判断出该电池簇所属的类别，完成该电池簇的故障诊断，并将该电池簇数据分类别存储到数据库中，的计算方法如公式（4）所示：

19、（4）

20、其中，表示k-means算法的权重，表示样本和k-means算法的聚类中心的距离，表示谱聚类算法的权重，表示样本和谱聚类算法的聚类中心的距离，样本到聚类中心的距离使用欧式距离。

21、进一步的，步骤4中，根据样本最终的诊断结果和样本的存储量大小分别设置了聚类算法集成权重的惩罚策略、聚类中心的更新策略：

22、当样本最终的类别和k-means算法以及谱聚类算法计算出的类别相同或两种算法都不相同时，则k-means聚类算法权重和谱聚类算法权重保持当前值不发生改变；初始状态下，和都为0.5；

23、当k-means算法相同、谱聚类算法不同时，则k-means算法权重在当前值的基础上降低0.1，谱聚类算法权重在当前值的基础上增加0.1；

24、当谱聚类算法相同、k-means算法不同时，则谱聚类算法权重在当前值的基础上降低0.1，k-means算法权重在当前值的基础上增加0.1；

25、权重的增减幅度都为0.1，并且两种权重相加和保持1不变，基于待检测样本数据的最终检测结果按照上述权重更新策略修改两种聚类算法的权重，用于后续待检测电池簇的状态判别。

26、进一步的，当任何一个聚类算法的集成权重降为0或者已检测数据样本数目达到50的倍数时，则用当前存储的数据样本分别重新计算k-means算法和谱聚类算法的聚类中心，两种算法的集成权重值也都变为0.5，至此聚类算法参数更新完成。

27、基于相同的构思，本发明还提供了基于参数辨识和惩罚策略的储能电站故障诊断系统，包括：

28、储能电站电池簇电压和电流采集模块，用于在线实时检测电池簇状态数据的采集，将bms采集装置实时采集的数据输入特征提取模块；用于故障检测的特征集合构建模块，用于构建检测电池簇故障状态的特征集合，将电池簇的电压和电流输入带遗忘因子的交替广义最小二乘法的在线实时参数辨识算法中，获得欧姆内阻、极化电阻、极化电容和电池开路电压四个辨识特征，与直接采集的电流、电压共同组成用于故障检测的特征集合；

29、电池簇故障诊断模块，用于输出电池簇的故障检测状态，包括过充状态、过放状态、正常状态；具体包括：将电池簇已构建好的特征集合数据分别输入到已经通过训练样本训练完成的k-means算法和谱聚类算法中，根据设定的集成规则对两种算法的输出结果进行集成，输出电池簇最终的检测状态；

30、聚类中心和集成权重更新模块，用于更新聚类中心和集成权重，其中当故障检测模型实时检测的电池簇样本数量达到达到50的倍数或当任何一个聚类算法的集成权重降为0时，更新聚类中心；根据集成权重惩罚策略分别更新两种聚类算法的集成权重。

31、基于相同的构思，本发明还提供了一种计算机设备，包括：

32、存储器，所述存储器用于存储处理程序；

33、处理器，所述处理器执行所述处理程序时实现任意一项所述的基于参数辨识和惩罚策略的储能电站故障诊断方法。

34、基于相同的构思，本发明还提供了一种可读存储介质，所述可读存储介质上存储有处理程序，所述处理程序被处理器执行时实现任意一项所述的基于参数辨识和惩罚策略的储能电站故障诊断方法。

35、本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：

36、本发明基于参数辨识和惩罚策略的储能电站故障诊断方法，通过结合实际工况和实验室环境下分别采集的过充故障、过放故障、正常状态数据样本，扩充训练样本数据量，防止故障检测模型过拟合或欠拟合。将实时采集的电压和电流输入带渐消因子的交替广义最小二乘法在线实时参数辨识算法辨识出反映电池簇特性的四个特征，并与之组合形成用于电池簇故障诊断的特征集合。该参数辨识算法在温度多变以及不同工况条件下具有辨识的准确性和稳定性，辨识精度高并且可实时计算，扩充了电池簇故障诊断的特征集，同时也降低了检测出故障的延迟。基于集成学习思想，综合不同故障诊断聚类算法的判别结果获得故障检测模型的最终结果，提高诊断的准确率。同时设置聚类算法的集成权重惩罚策略和聚类中心更新策略，最大程度提高故障检测模型的鲁棒性和可靠性。最后将诊断完成的电池簇数据样本分故障存储并删除相应故障的实验室数据，扩充训练样本的数据量以及提高故障检测模型对实际工况数据的适应性。