一种基于降噪自编码的锂电池储能系统监测方法及系统

技术领域

本发明涉及电池储能系统监测技术领域，特别是涉及一种基于降噪自编码的锂电池储能系统监测方法及系统。

背景技术

电池储能系统是一种电化学储能方式。锂电池在储能上的技术应用主要围绕在电网储能、基站备用电源、电动汽车光储式充电站等领域。

锂离子电池储能的工作原理为：当对电池进行充电时，电池的正极上有锂离子生成，生成的锂离子就会经过电解液运动到负极。而负极中碳呈层状结构，它有很多微孔，到达负极的锂离子就嵌入到碳层的微孔中，嵌入的锂离子越多，充电容量就越高。同样，当对电池进行放电时，嵌在负极碳层中的锂离子脱出，又运动回正极。回到正极的锂离子越多，放电容量就越高。

锂电池在储能领域具有很多优势，循环寿命长、能量密度相对较高、自放电率低、绿色环保等。近年来，随着电力的需求增加，电力系统的规模日益扩大，电网的复杂度也越来越大，同时，国家现在大力发展智能电网、可再生能源、分布式能源使得对储能技术的需求也日益增大，再加上国家大力支持储能的发展，提出加快大规模储能等技术等研发应用，锂电池储能系统也扮演着越来越重要的角色。但由于过充电或过放电等原因会对电池造成损伤，锂电池的健康状况不好、单体锂电池充电不均衡等因素会导致安全性出现问题，监测系统可以将这些问题发现出来并通过远端施加控制，提高储能系统的安全性和可靠性，但现有技术方案中并未公开过如何针对锂电池储能系统的锂电池进行监测，因此本领域亟需提供一种针对锂电池储能系统的锂电池进行监测方法。

发明内容

基于此，本发明的目的是提供一种基于降噪自编码的锂电池储能系统监测方法及系统，以实现实时监测锂电池储能系统。

为实现上述目的，本发明提供了一种基于降噪自编码的锂电池储能系统监测方法，所述方法包括：

步骤S1：计算锂电池端电压分别与测量参数组和/或物理参数组中各参数之间的互信息值；

步骤S2：基于所述互信息值构建数据样本；

步骤S3：基于数据样本构建堆栈降噪自编码网络；

步骤S4：基于回归方法，根据所述堆栈降噪自编码网络建立锂电池端电压的回归预测模型；

步骤S5：根据所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值；

步骤S6：根据所述电池储能系统中锂电池端电压预测值判断是否告警。

可选地，所述基于数据样本构建堆栈降噪自编码网络，具体包括：

步骤S31：基于数据样本训练第一降噪自编码器；

步骤S32：将训练后的所述第一降噪自编码器的隐含层的输出作为第二降噪自编码器的输入层的输入，训练第二降噪自编码器；

步骤S33：将训练后的所述第一降噪自编码器和训练后的所述第二降噪自编码器进行堆叠，形成堆栈降噪自编码网络。

可选地，所述基于数据样本训练第一降噪自编码器，具体包括：

步骤S311：给定第一降噪自编码器输入层的初始化权重、神经元数量以及激活函数；

步骤S312：从所述数据样本中选取多个特征变量；

步骤S313：基于所述第一降噪自编码器输入层的初始化权重和多个所述特征变量训练第一降噪自编码器；

步骤S314：利用误差函数和BP算法反向求出第一个降噪自编码器的两个权重变化量；

步骤S315：采用梯度下降法，根据所述两个权重变化量计算下一次训练所需的权重；

步骤S316：判断迭代次数是否大于或等于最大迭代次数；如果迭代次数大于或等于最大迭代次数，则执行“步骤S32”；如果迭代次数小于最大迭代次数，则将下一次训练所需的权重作为第一降噪自编码器输入层的初始化权重，返回“步骤S312”。

可选地，所述基于回归方法，根据堆栈降噪自编码网络建立锂电池端电压的回归预测模型，具体包括：

步骤S41：基于回归方法，将所述数据样本输入所述堆栈降噪自编码网络，获得堆栈降噪自编码网络输出层的向量；

步骤S42：通过矩阵变换提取堆栈降噪自编码网络输出层的向量，获得与锂电池端电压强相关的参数；所述互信息值在0.6-1范围内为强相关；

步骤S43：根据所述锂电池端电压和与锂电池端电压强相关的参数建立锂电池端电压的回归预测模型。

可选地，所述根据所述电池储能系统中锂电池端电压预测值判断是否告警，具体包括：

步骤S61：将锂电池端电压预测值与所述锂电池端电压进行比较获得误差；

步骤S62：判断所述误差是否在设定范围内；如果所述误差在设定范围内，则表示电池储能系统中锂电池正常工作；如果所述误差不在设定范围内，则监控系统对此做出告警。

本发明还提供一种基于降噪自编码的锂电池储能系统监测系统，所述系统包括：

互信息值计算模块，用于计算锂电池端电压分别与测量参数组和/或物理参数组中各参数之间的互信息值；

数据样本构建模块，基于所述互信息值构建数据样本；

堆栈降噪自编码网络构建模块，基于数据样本构建堆栈降噪自编码网络；

回归预测模型确定模块，基于回归方法，根据所述堆栈降噪自编码网络建立锂电池端电压的回归预测模型；

锂电池端电压预测值确定模块，用于根据所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值；

判断告警模块，用于根据所述电池储能系统中锂电池端电压预测值判断是否告警。

可选地，所述堆栈降噪自编码网络构建模块，具体包括：

第一训练单元，基于数据样本训练第一降噪自编码器；

第二训练单元，用于将训练后的所述第一降噪自编码器的隐含层的输出作为第二降噪自编码器的输入层的输入，训练第二降噪自编码器；

堆叠单元，用于将训练后的所述第一降噪自编码器和训练后的所述第二降噪自编码器进行堆叠，形成堆栈降噪自编码网络。

可选地，所述第一训练单元，具体包括：

第一给定子单元，用于给定第一降噪自编码器输入层的初始化权重、神经元数量以及激活函数；

选取子单元，用于从所述数据样本中选取多个特征变量；

第一训练子单元，基于所述第一降噪自编码器输入层的初始化权重和多个所述特征变量训练第一降噪自编码器；

第一权重变化量确定子单元，用于利用误差函数和BP算法反向求出第一个降噪自编码器的两个权重变化量；

第一权重确定子单元，用于采用梯度下降法，根据所述两个权重变化量计算下一次训练所需的权重；

第一判断子单元，用于判断迭代次数是否大于或等于最大迭代次数；如果迭代次数大于或等于最大迭代次数，则执行“第二训练单元”；如果迭代次数小于最大迭代次数，则将下一次训练所需的权重作为第一降噪自编码器输入层的初始化权重，返回“选取子单元”。

可选地，所述回归预测模型确定模块，具体包括：

向量确定单元，基于回归方法，将所述数据样本输入所述堆栈降噪自编码网络，获得堆栈降噪自编码网络输出层的向量；

提取单元，用于通过矩阵变换提取堆栈降噪自编码网络输出层的向量，获得与锂电池端电压强相关的参数；所述互信息值在0.6-1范围内为强相关；

回归预测模型确定单元，用于根据所述锂电池端电压和与锂电池端电压强相关的参数建立锂电池端电压的回归预测模型。

可选地，所述判断告警模块，具体包括：

比较单元，用于将锂电池端电压预测值与所述锂电池端电压进行比较获得误差；

判断单元，用于判断所述误差是否在设定范围内；如果所述误差在设定范围内，则表示电池储能系统中锂电池正常工作；如果所述误差不在设定范围内，则监控系统对此做出告警。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种基于降噪自编码的锂电池储能系统监测方法及系统，方法包括：计算锂电池端电压分别与测量参数组和/或物理参数组中各参数之间的互信息值；基于所述互信息值构建数据样本；基于数据样本构建堆栈降噪自编码网络；基于回归方法，根据所述堆栈降噪自编码网络建立锂电池端电压的回归预测模型；根据所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值；根据所述电池储能系统中锂电池端电压预测值判断是否告警。本发明利用自编码器自监督学习过程构建堆栈降噪自编码网络，挖掘特性变量间的深层联系，并进行降维处理，去除噪声以及冗余的特征变量。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于降噪自编码的锂电池储能系统监测方法流程图；

图2为本发明实施例基于降噪自编码的锂电池储能系统监测系统结构图；

图3为本发明实施例锂电池储能系统互信息值数据图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于降噪自编码的锂电池储能系统监测方法及系统，以实现实时监测锂电池储能系统。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供一种基于降噪自编码的锂电池储能系统监测方法，所述方法包括：

步骤S1：计算锂电池端电压分别与测量参数组和/或物理参数组中各参数之间的互信息值。

步骤S2：基于所述互信息值构建数据样本。

步骤S3：基于数据样本构建堆栈降噪自编码网络。

步骤S4：基于回归方法，根据所述堆栈降噪自编码网络建立锂电池端电压的回归预测模型。

步骤S5：根据所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值。

步骤S6：根据所述电池储能系统中锂电池端电压预测值判断是否告警。

下面对各个步骤进行详细论述：

步骤S1：计算锂电池端电压分别与测量参数组和/或物理参数组中各参数之间的互信息值，具体包括：

步骤S11：获取锂电池储能系统中锂电池端电压、测量参数组和物理参数组。所述测量参数组包括充放电效率、充电倍率、放电倍率、荷电状态和电池健康状态；所述物理参数组包括电池容量、额定电压、最大放电倍率、放电截止电压、充放电电流、标准工作温度、电池温度、循环寿命、一致性、最大充电电流和最大放电电流。

步骤S12：利用互信息的变量选择方法计算所述锂电池端电压分别与所述测量参数组和/或所述物理参数组之间的互信息值。

设电池端电压为X，所述测量参数组或所述物理参数组为Y。如果X和Y为两个离散型随机变量，则X和Y之间的互信息值根据下列公式来定义：

其中，I(X,Y)表示电池端电压X与所述测量参数组或所述物理参数组Y之间的互信息值，β表示所述测量参数组或所述物理参数组Y中的一个参数，α表示电池端电压X中的一个参数，P(α,β)表示α和β的联合概率分布函数，P(α)表示α的边缘概率分布函数，P(β)表示β的边缘概率分布函数。

上式适用于学习器为分类模型的情形。当学习器为回归模型时，即X和Y为连续型随机变量时，需要将上式中的求和号替换成积分号：

步骤S2：基于所述互信息值构建数据样本，具体包括：

步骤S21：判断所述互信息值是否大于设定阈值；如果所述互信息值大于设定阈值，则将所述互信息值大于设定阈值的所述锂电池端电压与所述测量参数组和/或所述物理参数组中各参数作为特征变量。

步骤S22：将多次获得的多个所述特征变量作为数据样本。

步骤S3：基于数据样本构建堆栈降噪自编码网络，具体包括：

步骤S31：基于数据样本训练第一降噪自编码器，具体包括：

步骤S311：给定第一降噪自编码器输入层的初始化权重。

步骤S312：从所述数据样本中选取多个特征变量。

步骤S313：基于所述第一降噪自编码器输入层的初始化权重和多个所述特征变量训练第一降噪自编码器。

步骤S314：利用误差函数和BP算法反向求出第一个降噪自编码器的两个权重变化量。

步骤S315：采用梯度下降法，根据所述两个权重变化量计算下一次训练所需的权重。

步骤S316：判断迭代次数是否大于或等于最大迭代次数；如果迭代次数大于或等于最大迭代次数，则执行“步骤S32”；如果迭代次数小于最大迭代次数，则将下一次训练所需的权重作为第一降噪自编码器输入层的初始化权重，返回“步骤S312”。

训练后的所述第一降噪自编码器的输出层的输出公式为：

其中，z表示训练后的所述第一降噪自编码器的输出层的输出，f(·)表示sigmoid函数，as

误差函数为：

其中，L表示所述第一降噪自编码器的误差，i表示特征变量编号，sj表示输入的多个特征变量，z表示训练后的所述第一降噪自编码器的输出层的输出。

步骤S32：将训练后的所述第一降噪自编码器的隐含层的输出作为第二降噪自编码器的输入层的输入，训练第二降噪自编码器。

步骤S321：将所述第一降噪自编码器最后一次训练获得的下一次训练所需的权重作为第二降噪自编码器输入层的初始化权重，给定第二降噪自编码器的神经元数量以及激活函数。

步骤S322：将训练后的所述第一降噪自编码器的隐含层的输出作为第二降噪自编码器的输入层的输入。

步骤S323：基于所述第二降噪自编码器的初始化权重和训练后的所述第一降噪自编码器的隐含层的输出训练第二降噪自编码器。

步骤S324：利用误差函数和BP算法反向求出第二个降噪自编码器的两个权重变化量；

步骤S325：采用梯度下降法，根据所述两个权重变化量计算下一次训练所需的权重；

步骤S326：判断迭代次数是否大于或等于最大迭代次数；如果迭代次数大于或等于最大迭代次数，则执行“步骤S33”；如果迭代次数小于最大迭代次数，则将下一次训练所需的权重作为第二降噪自编码器输入层的初始化权重，返回“步骤S323”。

训练后的所述第二降噪自编码器的输出层的输出公式与训练后的所述第一降噪自编码器的输出层的输出公式求解方法相同，所述第二降噪自编码器的误差函数与所述第一降噪自编码器的误差函数求解方法相同，在此不再一一赘述。

以上实施例中最大迭代次数为50次，即训练到第50次时停止。

步骤S33：将训练后的所述第一降噪自编码器和训练后的所述第二降噪自编码器进行堆叠，形成堆栈降噪自编码网络。具体的，保留训练后的所述第一降噪自编码器的输入层和隐含层，将训练后的所述第二降噪自编码器的隐含层作为输出层，形成堆栈降噪自编码网络。

步骤S4：基于回归方法，根据堆栈降噪自编码网络建立锂电池端电压的回归预测模型，具体包括：

步骤S41：基于回归方法，将所述数据样本输入所述堆栈降噪自编码网络，获得堆栈降噪自编码网络输出层的向量。

步骤S42：通过矩阵变换提取堆栈降噪自编码网络输出层的向量，获得与锂电池端电压强相关的参数；所述互信息值的范围在0到1之间，本发明将所述互信息值划分为三个程度，认为从0到0.3是弱相关，认为从0.3到0.6是中等相关，认为从0.6到1是强相关。

步骤S43：根据所述锂电池端电压和与锂电池端电压强相关的参数建立锂电池端电压的回归预测模型。

本发明所述回归方法为支持向量或最小二乘法。

步骤S5：根据所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值，具体的，根据所述特征变量、所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值。

步骤S6：根据所述电池储能系统中锂电池端电压预测值判断是否告警，具体包括：

步骤S61：将锂电池端电压预测值与所述锂电池端电压进行比较获得误差；以上所述锂电池端电压均为锂电池端电压实际值。

步骤S62：判断所述误差是否在设定范围内；如果所述误差在设定范围内，则表示电池储能系统中锂电池正常工作；如果所述误差不在设定范围内，则监控系统对此做出告警，以实现对池储能系统中的锂电池实时监控。

如图2所示，本发明还提供一种基于降噪自编码的锂电池储能系统监测系统，所述系统包括：

互信息值计算模块1，用于计算锂电池端电压分别与测量参数组和/或物理参数组中各参数之间的互信息值。

数据样本构建模块2，基于所述互信息值构建数据样本。

堆栈降噪自编码网络构建模块3，基于数据样本构建堆栈降噪自编码网络。

回归预测模型确定模块4，基于回归方法，根据所述堆栈降噪自编码网络建立锂电池端电压的回归预测模型。

锂电池端电压预测值确定模块5，用于根据所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值。

判断告警模块6，用于根据所述电池储能系统中锂电池端电压预测值判断是否告警。

作为一种实施方式，本发明所述互信息值计算模块1，具体包括：

获取单元，用于获取锂电池储能系统中锂电池端电压、测量参数组和物理参数组；所述测量参数组包括充放电效率、充电倍率、放电倍率、荷电状态和电池健康状态；所述物理参数组包括电池容量、额定电压、最大放电倍率、放电截止电压、充放电电流、标准工作温度、电池温度、循环寿命、一致性、最大充电电流和最大放电电流。

互信息值计算单元，用于利用互信息的变量选择方法计算所述锂电池端电压分别与所述测量参数组和/或所述物理参数组之间的互信息值。

作为一种实施方式，本发明所述数据样本构建模块2，具体包括：

筛选单元，用于判断所述互信息值是否大于设定阈值；如果所述互信息值大于设定阈值，则将所述互信息值大于设定阈值的所述锂电池端电压与所述测量参数组和/或所述物理参数组中各参数作为特征变量。

数据样本确定单元，用于将多次获得的多个所述特征变量作为数据样本。

作为一种实施方式，本发明所述堆栈降噪自编码网络构建模块3，具体包括：

第一训练单元，基于数据样本训练第一降噪自编码器。

第二训练单元，用于将训练后的所述第一降噪自编码器的隐含层的输出作为第二降噪自编码器的输入层的输入，训练第二降噪自编码器。

堆叠单元，用于将训练后的所述第一降噪自编码器和训练后的所述第二降噪自编码器进行堆叠，形成堆栈降噪自编码网络。

作为一种实施方式，本发明所述第一训练单元，具体包括：

第一给定子单元，用于给定第一降噪自编码器输入层的初始化权重、神经元数量以及激活函数。

选取子单元，用于从所述数据样本中选取多个特征变量。

第一训练子单元，基于所述第一降噪自编码器输入层的初始化权重和多个所述特征变量训练第一降噪自编码器。

第一权重变化量确定子单元，用于利用误差函数和BP算法反向求出第一个降噪自编码器的两个权重变化量。

第一权重确定子单元，用于采用梯度下降法，根据所述两个权重变化量计算下一次训练所需的权重。

第一判断子单元，用于判断迭代次数是否大于或等于最大迭代次数；如果迭代次数大于或等于最大迭代次数，则执行“第二训练单元”；如果迭代次数小于最大迭代次数，则将下一次训练所需的权重作为第一降噪自编码器输入层的初始化权重，返回“选取子单元”。

作为一种实施方式，本发明所述第二训练单元，具体包括：

第二给定子单元，用于将所述第一降噪自编码器最后一次训练获得的下一次训练所需的权重作为第二降噪自编码器输入层的初始化权重，给定第二降噪自编码器的神经元数量以及激活函数。

赋值子单元，用于将训练后的所述第一降噪自编码器的隐含层的输出作为第二降噪自编码器的输入层的输入。

第二训练子单元，基于所述第二降噪自编码器的初始化权重和训练后的所述第一降噪自编码器的隐含层的输出训练第二降噪自编码器。

第二权重变化量确定子单元，用于利用误差函数和BP算法反向求出第二个降噪自编码器的两个权重变化量。

第二权重确定子单元，用于采用梯度下降法，根据所述两个权重变化量计算下一次训练所需的权重。

第二判断子单元，用于判断迭代次数是否大于或等于最大迭代次数；如果迭代次数大于或等于最大迭代次数，则执行“堆叠单元”；如果迭代次数小于最大迭代次数，则将下一次训练所需的权重作为第二降噪自编码器输入层的初始化权重，返回“第二训练子单元”。

作为一种实施方式，本发明所述回归预测模型确定模块4，具体包括：

向量确定单元，基于回归方法，将所述数据样本输入所述堆栈降噪自编码网络，获得堆栈降噪自编码网络输出层的向量。

提取单元，用于通过矩阵变换提取堆栈降噪自编码网络输出层的向量，获得与锂电池端电压强相关的参数；所述互信息值在0.6-1范围内为强相关。

回归预测模型确定单元，用于根据所述锂电池端电压和与锂电池端电压强相关的参数建立锂电池端电压的回归预测模型。

作为一种实施方式，本发明所述判断告警模块6，具体包括：

比较单元，用于将锂电池端电压预测值与所述锂电池端电压进行比较获得误差。

判断单元，用于判断所述误差是否在设定范围内；如果所述误差在设定范围内，则表示电池储能系统中锂电池正常工作；如果所述误差不在设定范围内，则监控系统对此做出告警。

具体举例：

如图3所示，可以看出容量、荷电状态等几个特征的互信息值相对较大，此处设定阈值大小为0.3，将少数几个互信息值高于0.3的特征筛选出来，认为是对标签信息量贡献较高的特征。最终筛选得到特征变量为：容量、标准工作温度、放电倍率、荷电状态、电池健康状态和循环寿命。利用SCADA测试出100个特征变量构成数据样本。

本发明采用有两个降噪自编码器组成的堆栈降噪自编码网络结构。降噪自编码器其实就是在自动编码器的基础之上，为了防止产生的过拟合问题对输入层的输入数据加入噪音，这样能够让自编码在学习时提高消除噪声的能力，在异常情况下生存能力更强。将降噪自编码器看做是由输入层和隐藏层构成的编码器和由隐藏层和输出层构成的解码器组成。

自编码网络是浅层神经网络，它的目的是希望能够尽可能让输入与输出一致，需要将堆栈降噪自编码网络参数进行初始化处理，输入层为6维数据，隐含层设置为4维数据，输出层为6维数据，那么第一个DAE的网络结构为6-4-6。第二个DAE的网络结构设置为4-3-4，那么堆叠后的SDAE网络结构为6-4-3。

基于回归方法，将数据写入SDAE的输入中，经过与训练时相同的步骤就可得到第二个输出层输出的向量，通过矩阵变换提取第二个网络中输出层中的特征即为本专利所需要的降维后的，且与锂电池端电压V强相关的影响因素。将向量提取并且通过矩阵变换转为与锂电池端电压强相关的影响因素后，根据锂电池端电压v及其强相关的影响因素建立锂电池端电压的回归预测模型。

基于根据所述特征变量、所述堆栈降噪自编码网络和所述回归预测模型计算出锂电池端电压预测值a。

将锂电池端电压预测值a与锂电池端电压数实际值b进行计较获得误差值为c，若两者数值误差在系统规定误差范围内，可视为正常工作；若两者数值误差不在系统规定的误差范围内，监控系统将会对此做出告警，再由工作人员对此进行检修，实现了一种锂电池端电压的实时监控。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。