本發(fā)明涉及儲能電站故障診斷領(lǐng)域，特別涉及一種基于深度學習的無監(jiān)督儲能電站電池簇狀態(tài)識別方法。

背景技術(shù)：

1、儲能系統(tǒng)的基礎(chǔ)組件是磷酸鐵鋰電池，電池的狀態(tài)關(guān)聯(lián)著儲能系統(tǒng)的穩(wěn)定，它的正常充放電保證了系統(tǒng)的正常運行，隨著充放電周期的增加，電池的一些特性數(shù)據(jù)會逐漸發(fā)生變化。當電池的特性數(shù)據(jù)與正常形態(tài)存在差異時，說明電池存在異常，會導(dǎo)致它無法正常工作，造成儲能系統(tǒng)的損失。人工排查異常電池存在效率低成本高的問題，因此通過基于機器學習的智能化方法對電池異常盡早識別和預(yù)警提供了思路。

2、通過監(jiān)測磷酸鐵鋰電池的電壓、電流、溫度、soc等參數(shù)判定電池是否異常，實現(xiàn)安全事故預(yù)警以及提早檢測由電池故障引發(fā)的異常狀況，是電池系統(tǒng)故障診斷研究的熱點之一。但有監(jiān)督的異常識別算法需要大量帶標簽的正常和異常數(shù)據(jù)樣本，在實際工況環(huán)境下采集異常樣本的數(shù)據(jù)比較困難且該類型的樣本量比正常樣本少，會導(dǎo)致模型訓練不充分，魯棒性和準確率受到影響。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于深度學習的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，通過判斷電池簇電壓的預(yù)測值與實際采集值差值是否超過閾值來確定電池簇的狀態(tài)，電池簇的狀態(tài)分為異常和正常。電壓的預(yù)測基于采集的反映電池狀態(tài)的各種屬性，使用深度學習方法擴展基礎(chǔ)屬性并進行預(yù)測，之后通過閾值判斷實現(xiàn)對儲能系統(tǒng)中鋰離子電池簇狀態(tài)的識別。

2、為了達到上述發(fā)明目的，解決其技術(shù)問題所采用的技術(shù)方案如下：

3、一種基于深度學習的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，包括以下步驟：

4、步驟1：電池簇基礎(chǔ)特征數(shù)據(jù)采集和預(yù)處理，基礎(chǔ)特征包括電壓、電流、溫度、soc、電池簇容量數(shù)據(jù)；

5、步驟2：基于neural-prophet時間序列預(yù)測模型提取反映電壓變化趨勢的特征，作為擴展特征；

6、步驟3：基礎(chǔ)特征和擴展特征時間序列合并，構(gòu)建用于電池簇狀態(tài)識別的數(shù)據(jù)集；

7、步驟4：基于cnn網(wǎng)絡(luò)在數(shù)據(jù)集上提取特征，融合lstm和mlp模型輸出未來1小時電壓的預(yù)測值；

8、步驟5：基于電池簇未來1小時的預(yù)測值，根據(jù)電池簇狀態(tài)識別策略輸出待檢測電池簇的狀態(tài)；

9、步驟6：基于滑動窗口方法更新數(shù)據(jù)集。

10、進一步的，步驟1中包括以下內(nèi)容：

11、收集bms采集的電池簇一年的電壓、電流、溫度、soc、電池簇容量的歷史數(shù)據(jù)，以電壓時間序列中的時間戳為準，與上述其他屬性合并成一個新的數(shù)據(jù)集，該數(shù)據(jù)集大小為t*6，t表示電壓時間序列的長度，6表示時間戳序列和5個屬性序列；

12、在該數(shù)據(jù)集上再次進行重采樣，以1分鐘為采樣頻率，數(shù)據(jù)集中時間戳的日期不變，時分秒從零點開始按照1分鐘的時間間隔構(gòu)建新的時間戳，根據(jù)新的時間戳在數(shù)據(jù)集上完成重采樣，對于新形成的數(shù)據(jù)集中存在的缺失值按照均值插值法填充，新數(shù)據(jù)集的大小為t*6，其中t的大小為365*24*60，均值插值法的計算方法如公式(1)所示：

13、

14、其中，表示第i個屬性第t時刻的值，n表示由缺失值的前三個未缺失點和后三個未缺失點對應(yīng)的時間戳組成的集合，表示第i個屬性在第n個時刻的值。

15、進一步的，步驟2中包括以下內(nèi)容：

16、基于neural-prophet方法在電壓時間序列上提取從不同角度反映電池簇電壓變化的特征，將數(shù)據(jù)集中的電壓時間序列作為neural-prophet時間序列預(yù)測模型的輸入，提取反映電壓變化特性的特征，其中1-6月份數(shù)據(jù)為訓練集，7-12月份數(shù)據(jù)為測試集，輸出結(jié)果為7-12月份的電壓預(yù)測值時間序列、趨勢值時間序列、自回歸電壓值時間序列和周期性時間序列，neural-prophet模型的預(yù)測值計算方法如公式(2)所示：

17、

18、其中，t(t)表示t時刻的趨勢值，s(t)表示時刻t的季節(jié)效應(yīng)值，e(t)表示時刻t的事件或節(jié)假日效應(yīng)值，a(t)表示時刻t的自回歸效應(yīng)值，該值是歷史電壓值的觀測值，f(t)表示時刻t的回歸效應(yīng)值，l(t)也表示時刻t的回歸效應(yīng)值；

19、選擇neural-prophet模型中的t(t)、s(t)、a(t)三個模型，其相應(yīng)的計算方法如下：

20、電池簇電壓是片段性增長，不是持續(xù)遞增，因此選擇片段線性模型來表示t時刻電壓的增長值，t時刻電壓的趨勢值計算方法如公式(3)所示：

21、t(t)＝(k+a(t)tδ)·t+(m+a(t)tγ)???(3)

22、其中，k表示增長速率，a(t)是可調(diào)節(jié)參數(shù)向量，m是偏移參數(shù)，δ是調(diào)整率，γ是趨勢變化點；

23、a(t)表示t時刻基于自回歸模型的預(yù)測值，使用自回歸前饋神經(jīng)網(wǎng)絡(luò)來對過去的電壓時間序列進行線性擬合，得到當前時刻的預(yù)測值，前p個電壓歷史值輸入前饋神經(jīng)網(wǎng)絡(luò)的第一層，該模型中也增加了3個隱藏層來提高預(yù)測的準確率，p階自回歸模型的計算表達式如公式(4)所示，前饋神經(jīng)網(wǎng)絡(luò)模型如公式(5)、(6)、(7)所示：

24、

25、a1＝σa(w1x+b1)?(5)

26、ai＝σa(wiai-1+bi)for?i∈[2,…,l]?(6)

27、y＝wl+1al?(7)

28、其中，ωi表示控制歷史值θt-i對當前值影響的權(quán)重系數(shù)，c表示截距，et表示t時刻的白噪聲，σ表示激活函數(shù)relu，w表示權(quán)重層，x表示輸入向量，b表示偏置向量；

29、電池簇的電壓序列具有日周期性，為了捕捉周期信息，使用neural-prophet模型中的seasonality?component，季節(jié)周期性通過傅里葉變換來計算，t時刻的季節(jié)效應(yīng)值如公式(8)所示：

30、

31、因為電池簇電壓涉及日周期性變化，所以，p設(shè)置為1，k設(shè)置為6；

32、將數(shù)據(jù)集中1-6月份的數(shù)據(jù)作為訓練集，大小為t1*2，7-12月份的數(shù)據(jù)作為測試集，大小為t2*2，其中t1+t2＝t，2分別表示時間戳序列和電池簇的電壓序列，使用訓練集訓練neural-prophet模型，訓練好的neural-prophet的模型輸出測試集的預(yù)測結(jié)果，其中模型的輸出結(jié)果為t2*5，5表示時間戳序列、電壓預(yù)測值序列、反映電壓變化趨勢的趨勢值序列、電壓自回歸模型輸出的序列和反映電壓周期性變化的序列。

33、進一步的，步驟3中提取基礎(chǔ)數(shù)據(jù)集中7-12月份的電池簇電壓、電流、溫度、soc、電池簇容量時間序列，與步驟2中得到的預(yù)測電壓值時間序列、趨勢值時間序列、自回歸電壓值時間序列、周期性時間序列按照時間進行合并，形成新的數(shù)據(jù)集，該數(shù)據(jù)集中總共包含9個特征屬性，是特征屬性的時間序列匯總，時間序列長度為(31+31+30+31+30+31)*24*60。

34、進一步的，步驟4中將上述得到的數(shù)據(jù)集按列進行z-score歸一化處理，把歸一化后的數(shù)據(jù)集輸入二維cnn網(wǎng)絡(luò)中，提取融合了特征之間關(guān)聯(lián)關(guān)系的新特征，之后在決策層融合lstm和mlp的預(yù)測結(jié)果獲取未來1小時的電壓預(yù)測值，將兩個預(yù)測模型的預(yù)測值取平均得到最終的預(yù)測值，最終預(yù)測值的計算方法如公式(3)所示：

35、

36、其中，表示lstm模型輸出的預(yù)測結(jié)果，表示mlp模型的預(yù)測結(jié)果，ypredict表示最終的預(yù)測結(jié)果。

37、進一步的，所述z-score歸一化處理，其計算公式如公式(10)所示：

38、xnorm＝(x-μ)/σ?(10)

39、其中，x表示需要被歸一化的值，xnorm表示歸一化后的值，μ表示所有樣本數(shù)據(jù)的均值，σ表示所有樣本數(shù)據(jù)的標準差。

40、進一步的，步驟5中對待檢測電池簇連續(xù)10個點的電壓預(yù)測值和實際采集值作差，當差值大于規(guī)定閾值的電壓點數(shù)大于4時，則認為該電池簇狀態(tài)為異常，反之為正常，閾值的大小參考歷史故障數(shù)據(jù)和實際工況環(huán)境設(shè)置。

41、進一步的，步驟6中使用滑動窗口方法對數(shù)據(jù)集進行更新，將窗口的大小固定為365*24*60，包含365天的數(shù)據(jù)，滑動步長為當前時刻到滑動窗口終點時刻的差值，單位為分鐘；同時規(guī)定若當前時刻檢測出電池簇狀態(tài)為異常，則該時刻前30分鐘數(shù)據(jù)點和當前時刻到電池簇恢復(fù)正常狀態(tài)這段時間的數(shù)據(jù)都跳過。

42、本發(fā)明由于采用以上技術(shù)方案，使之與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點和積極效果：

43、本發(fā)明一種基于深度學習的無監(jiān)督儲能電站電池簇狀態(tài)識別方法，通過判斷電池簇電壓的預(yù)測值與實際采集值之間的差值是否超過閾值來確定電池簇是否異常。在該方法中不需要數(shù)據(jù)帶有相應(yīng)的電池簇狀態(tài)標簽，避免實際工況環(huán)境下異常狀態(tài)數(shù)據(jù)較少造成的異常識別模型的過擬合和低魯棒性。該方法通過采集的電池簇的電壓、電流、溫度、soc、電池簇容量5個屬性的歷史數(shù)據(jù)完成電池簇是否異常的判斷。

44、首先使用neural-prophet時間序列預(yù)測模型在電壓數(shù)據(jù)上提取反映電壓變化趨勢的相應(yīng)特征的時間序列，與電壓、電流、溫度、soc、電池簇容量共同組成特征集合，從多個方面去擬合電壓值，使擬合結(jié)果更加準確。將特征集合輸入cnn模型，考慮特征之間的關(guān)聯(lián)關(guān)系提取新的特征，并將新的特征分別輸入時間序列預(yù)測模型lstm合mlp模型中，輸出預(yù)測結(jié)果，將兩種模型的預(yù)測結(jié)果進行決策層融合得到最終的預(yù)測結(jié)果，

45、該預(yù)測方法綜合了不同預(yù)測模型的優(yōu)勢，使預(yù)測結(jié)果更精確。通過判斷連續(xù)10個電壓預(yù)測值和實際值之間的差值來決定電池簇的狀態(tài)，在降低誤判率的同時減少檢測出電池異常的延遲。本發(fā)明也設(shè)置了數(shù)據(jù)集的更新策略，使模型的故障檢測率和對實際工況數(shù)據(jù)的魯棒性更強。