基于机器学习的储能电站故障监测管理系统与方法

技术领域

本发明涉及储能型锂电池以及数据管理技术领域，特别是涉及一种基于机器学习的储能电站故障监测管理系统与方法。

背景技术

目前，大规模储能技术广泛应用在“源网荷储”系统中，锂离子电池由于其技术成熟度最高、性价比最优而在大规模储能领域被大量应用。尽管锂离子电池单体具有体积小、安全性高、效率高以及无污染等优点，但是储能系统应用过程中依然存在着过充/放、寿命短、热失控等问题，最终严重影响锂离子电池高效利用。

电池管理系统可以通过在线监测储能电池系统的各种电气参数，评估电池的相关状态以及合理控制电池的充放电等手段来提高电池的运行效率、保障电池的安全性以及延长电池的使用寿命。但目前电池管理系统多为本地部署方式，计算能力低，无法对电池剩余容量、健康状态等进行准确估算和故障快速诊断、处理，并且无法实现事故追忆分析功能。

发明内容

本发明的目的在于提供一种基于机器学习的储能电站故障监测管理系统与方法，用于解决锂电池管理算力低，无法准确估算电池剩余容量以及健康状态的问题。

第一方面，本申请提供了一种基于机器学习的储能电站故障监测管理系统，所述系统包括：

采集设备，用于采集储能电池预制舱外的环境数据；

电池管理装置，用于采集储能电池的运行数据；

边端设备，用于对所述环境数据以及所述运行数据进行标准化处理以得到目标数据；

云端设备，用于将经过标准化处理后的所述目标数据输入到预设的机器学习预测模型中进行电池状态参数预测从而得到预警信息；

报警装置，用于基于所述预警信息进行故障提醒；

通信设备，用于实现所述采集设备与所述边端设备的通信连接，以及所述电池管理装置与所述边端设备的通信连接，以及所述边端设备与所述云端设备的通信连接，以及所述云端设备与所述报警装置的通信连接。

在本申请一个可能的实现方式中，所述采集设备至少包括温度传感器、湿度传感器、风速传感器以及风向识别器，基于采集周期采集到的所述环境数据至少包括温度数据、湿度数据、风速数据以及风向数据。

在本申请一个可能的实现方式中，所述电池管理装置包括电池单体管理单元、电池簇管理单元和电池阵列管理单元，基于所述采集周期采集到的所述运行数据至少包括电池单体电压、电流，电池模组温度、端电压、回路电流，电池系统绝缘电阻。

在本申请一个可能的实现方式中，所述电池管理装置还用于基于所述运行数据计算得到电池单体以及电池模组的计算数据，所述计算数据包括电池荷电状态值以及电池健康状态值。

在本申请一个可能的实现方式中，对所述环境数据以及所述运行数据进行标准化处理的处理机制具体包括基于预设评估标准对所述环境数据以及所述运行数据进行数据筛选、数据剔除以及数据增加。

在本申请一个可能的实现方式中，所述边端设备还用于对所述计算数据进行标准化处理，具体基于所述处理机制进行处理作业，其中，所述目标数据具体包括所述环境数据、所述运行数据以及所述计算数据进行标准化处理后的数据。

在本申请一个可能的实现方式中，所述云端设备将所述目标数据输入到机器学习预测模型中对电池未来正常运行的状态参数进行预测，并与下一采集周期的数据进行比对以检测实际状态参数是否符合预测参数，其中，如果所述实际状态参数与所述预测参数不符，则下发控制指令以基于所述边端设备定位状态异常电池单体位置，从而得到所述预警信息。

在本申请一个可能的实现方式中，所述报警装置用于显示所述预警信息，并基于所述预警信息进行分级故障提醒，其中，预警等级包括I级以及II级。

在本申请一个可能的实现方式中，所述通信设备的通信机制包括本地通信以及远程通信，其中，所述本地通信采用三层两网架构，以及IEC61850通信协议和Modbus通信协议；远程通信采用光纤通信、4G/5G移动通信、WiFi和/或工业以太网通信。

第二方面，本申请提供了一种基于机器学习的储能电站故障监测管理方法，具体包括如下步骤：

采集储能电池预制舱外的环境数据；

采集储能电池的运行数据；

基于所述运行数据计算得到电池单体以及电池模组的计算数据；

对所述环境数据、所述运行数据以及所述计算数据进行标准化处理以得到目标数据；

将经过标准化处理后的所述目标数据输入到预设的机器学习预测模型中进行电池状态参数预测从而得到预警信息；

基于所述预警信息进行故障提醒。

如上所述，本发明的基于机器学习的储能电站故障监测管理系统与方法，具有以下有益效果：

1、本发明将故障监测管理系统的计算压力转移至云端，解决了精准预警所需的强大算力与储能电站算力有限的矛盾，通过云边结合的方式实现电池管理系统(BMS)数据、预制舱外部温度/湿度/风速/风向等数据的快速收集与处理，提高数据利用率；

2、本发明将机器学习程序融入到预警模型中得到机器学习预测模型，可实现预警模型的自我完善和更新，通过机器学习不断迭代更新预警模型，形成具有针对性和高准确性的预警模型，可针对储能电站所在地区的环境因素、储能电站所用电池性能指标的差异实现预警准确率和预警速度的提高；

3、本发明增加监测预制舱外部温度/湿度/风速/风向等数据，可针对储能电站所在地区的环境因素给出针对性预警结果，并且通过云端强大的存储能力可实现事故追忆分析功能。

附图说明

图1显示为本发明的基于机器学习的储能电站故障监测管理系统于一实施例中的结构示意图；

图2显示为本发明的基于机器学习的储能电站故障监测管理方法于一实施例中的方法步骤示意图；

元件标号说明

S202～S212步骤10 基于机器学习的储能电站故障监测管理系统

11 采集设备

111 温度传感器

112 湿度传感器

113 风速传感器

114 风向识别器

12 电池管理装置

121 电池单体管理单元

122 电池簇管理单元

123 电池阵列管理单元

13 边端设备

14 云端设备

15 报警装置

16 通信设备

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

需要说明的是，本发明的目的有三点，一是针对现有技术中储能电站管理系统本地算力有限导致的数据采集频率低、反应速度慢的问题，采用云边结合的模式，实现传感器收集到的大量数据快速处理；二是针对现有储能电站管理系统的固定模型不适用于不同气候环境、不同厂家电池模块的性能指标差异问题，采用机器学习不断迭代优化预警模型，形成具有特异性的模型，提高预警准确率；三是针对现有技术事故追忆分析功能缺失的问题，通过云端存储实现异常数据的记录与分析，并通过机器学习根据异常数据不断迭代优化预警模型。

具体地，请参阅图1，于发明一实施例中，本发明的基于机器学习的储能电站故障监测管理系统10，具体包括：

采集设备11，用于采集储能电池预制舱外的环境数据；

电池管理装置12，用于采集储能电池的运行数据；

边端设备13，用于对所述环境数据以及所述运行数据进行标准化处理以得到目标数据；

云端设备14，用于将经过标准化处理后的所述目标数据输入到预设的机器学习预测模型中进行电池状态参数预测从而得到预警信息；

报警装置15，用于基于所述预警信息进行故障提醒；

通信设备16，用于实现所述采集设备与所述边端设备的通信连接，以及所述电池管理装置与所述边端设备的通信连接，以及所述边端设备与所述云端设备的通信连接，以及所述云端设备与所述报警装置的通信连接。

需要说明的是，如图1所示，所述采集设备11至少包括温度传感器111、湿度传感器112、风速传感器113以及风向识别器114，基于采集周期采集到的所述环境数据至少包括温度数据、湿度数据、风速数据以及风向数据等基于其他采集装置获取对应的环境数据，所述电池管理装置12是由BMS(Battery Management System)控制的装置，具体包括电池单体管理单元121、电池簇管理单元122和电池阵列管理单元123，基于所述采集周期采集到的所述运行数据至少包括电池单体电压、电流，电池模组温度、端电压、回路电流，电池系统绝缘电阻，其中，所述电池管理装置12还用于基于所述运行数据计算得到电池单体以及电池模组的计算数据，所述计算数据包括电池荷电状态值(SOC，State of Charge)以及电池健康状态值(SOH，State of Health)。

进一步地，对所述环境数据以及所述运行数据进行标准化处理的处理机制具体包括基于预设评估标准对所述环境数据以及所述运行数据进行数据筛选、数据剔除以及数据增加，而所述边端设备13还用于对所述计算数据进行标准化处理，具体基于所述处理机制进行处理作业，其中，所述目标数据具体包括所述环境数据、所述运行数据以及所述计算数据进行标准化处理后的数据，相应地，所述云端设备14则将所述目标数据输入到机器学习预测模型中对电池未来正常运行的状态参数进行预测，其中，机器学习预测模型可以迭代更新，并将预测参数与下一采集周期的数据进行比对以检测实际状态参数是否符合预测参数，其中，如果所述实际状态参数与所述预测参数不符，则下发控制指令以基于所述边端设备定位状态异常电池单体位置，从而得到所述预警信息，其中，本实施例中应用到的机器学习预测模型是训练好的模型，且所述机器学习预测模型是混合模型，具体利用了神经网络模型以及决策树模型进行混合，在实际应用中，可以根据实时数据添加至历史数据库作为训练样本，从而不断进行迭代更新，以保证预测准确率。

进一步地，于发明一实施例中，所述报警装置15用于显示所述预警信息，并基于所述预警信息进行分级故障提醒，其中，预警等级包括I级以及II级，所述通信设备16的通信机制包括本地通信以及远程通信，其中，所述本地通信采用三层两网架构，以及IEC61850通信协议和Modbus通信协议；远程通信采用光纤通信、4G/5G移动通信、WiFi和/或工业以太网通信。

需要说明的是，所述采集设备11以及所述电池管理装置12采集和/或计算得到的数据，通过所述通信设备16传输给所述边端设备13，而所述边端设备13通过将对应数据进行筛选、剔除或者增加等标准化处理后，通过所述通信设备远程传输给所述云端设备14，而所述云端设备14则将对应数据输入到基于机器学习的预测模型进行预测，从而将预测参数与下一采集周期的数据进行比对，以检测实际状态参数是否符合预期参数，其中，如果实际状态参数与预期参数不符，则由所述云端设备14的计算部分通过所述通信设备的远程通信系统下发指令至所述边端设备13的计算部分，以定位状态异常电池单体位置，并传送恢复正常所需热管理方案，从而使得所述边端设备13可以基于预警信息以及处理方案报送至运维人员终端，即通过所述报警装置15进行预警信息显示，此时的预警等级为I级，其中，所述报警装置15则用于提醒运维人员故障类型、故障发生位置以及恢复正常状态所需操作(即对应所述处理方案)。

进一步地，若故障参数落回正常范围内，则将此次预警结果反馈至所述云端设备的计算部分，以记录故障类型及解决方案，从而可以通过云端强大的存储能力实现了事故追忆分析功能；若故障参数仍异常，则根据参数偏离程度，首先将故障电池模组隔离，偏离程度若达到爆炸等安全事故阈值，则将整个电池预制舱做隔离处置；同时将预警信息报送至运维人员终端，此时的预警等级为II级。

参阅图2，本实施例提供一种基于机器学习的储能电站故障监测管理方法，具体包括如下步骤：

步骤S202，采集储能电池预制舱外的环境数据；

步骤S204，采集储能电池的运行数据；

步骤S206，基于所述运行数据计算得到电池单体以及电池模组的计算数据；

步骤S208，对所述环境数据、所述运行数据以及所述计算数据进行标准化处理以得到目标数据；

步骤S210，将经过标准化处理后的所述目标数据输入到预设的机器学习预测模型中进行电池状态参数预测从而得到预警信息；

步骤S212，基于所述预警信息进行故障提醒。

需要说明的是，本实施例中说明的基于机器学习的储能电站故障监测管理方法应用于上述实施例中说明的基于机器学习的储能电站故障监测管理系统，具体地，利用预设的采集设备来采集纯电池预制舱外的环境数据，以及利用电池管理装置来采集储能电池的运行数据，从而基于所述运行数据计算得到电池单体以及电池模组的计算数据，而后对所述环境数据、所述运行数据以及所述计算数据进行标准化处理以得到目标数据，其中，所述目标数据即为对对所述环境数据、所述运行数据以及所述计算数据进行数据筛选、数据剔除以及数据增加等标准化作业后的数据，因此，可以将经过标准化处理后的所述目标数据输入到预设的机器学习预测模型中进行电池状态参数预测从而得到预警信息，从而可以基于预警信息进行故障提醒，相应地，由于预警等级分为I级以及II级，所以不同等级对应的提醒机制不同，其中，预警等级为I级时，基于预警信息以及云端计算得到的处理方案报送至运维人员终端；而后若故障参数落回正常范围内，则基于此次预警结果记录故障类型及解决方案，从而可以通过云端强大的存储能力实现了事故追忆分析功能；若故障参数仍异常，则根据参数偏离程度，首先将故障电池模组隔离，偏离程度若达到爆炸等安全事故阈值，则将整个电池预制舱做隔离处置；同时将预警信息报送至运维人员终端，此时的预警等级为II级。

进一步地，所述机器学习预测模型为神经网络模型与决策树预测模型的混合模型，其中，所述机器学习的训练步骤具体包括：

获取历史数据中的环境数据、运行数据以及计算数据得到训练样本集和测试样本集；

将所述训练样本集输入至初始化的神经网络模型中训练得到初始输入数据；

基于决策树预测模型对所述初始输入数据进行分类回归得到特征向量；

基于所述特征向量对所述神经网络模型进行迭代训练，并利用所述测试样本集进行模型精度测试得到最终的所述机器学习预测模型。

具体的训练过程如下：

1.将历史数据中的训练样本分为训练样本集和测试样本集，其中，训练样本集和测试样本集的预设比例为“9:1”；

2.采用标准Softmax函数为神经网络模型的损失函数，以及采用ADAM训练法为神经网络模型的训练方法，其中，ADAM训练方法的训练参数β

3.按照标准批次的训练样本集随机送入初始化的神经网络模型中进行训练得到初始输入数据；

4.基于CART算法对所述初始输入数据进行分类回归以获取多变量之间的关联关系得到特征向量；

5.基于每一批次的特征向量输入到神经网络模型中进行训练，并利用测试样本集进行模型精度测试，并在全部批次的训练样本集输入结束后停止训练；

6.选取在测试样本集上精度最高的模型为对应的目标神经网络模型，基于目标神经网络模型结合决策树模型得到所述机器学习预测模型。

需要说明的是，所述决策树模型采用CART(Classification And RegressionTree)分类与回归树算法，其中，本实施例中由于采用神经网络作为机器学习中的模型，需要大量的历史数据进行训练，因此对于CART算法来说数据越复杂、变量越多，算法的优越性就越显著，而对于神经网络来说，训练数据量越大，则结果越准确，具体地，本实施例中的神经网络模型可以通过历史数据中的环境数据、运行数据以及计算数据作为输入进行训练，同时对输入数据利用CART算法进行了分类回归，使得各数据参数之间关联性得以提升，从而在训练结束后可以得到结合神经网络模型与决策树模型的混合机器学习预测模型，当然，在进行神经网络模型训练时，不仅需要通过历史数据进行训练，还可以结合确定的电池状态参数进行训练，通过大量试验数据与真实数据比对，来计算模型输出的准确率，从而基于预设的准确率阈值进行模型筛选，进而使得神经网络模型的模型精准度进一步提高，可选地，本实施例神经网络模型在训练中采用的损失函数包括标准Softmax函数，训练方法可以ADAM训练方法，其中，损失函数以及训练方法为神经网络模型中的已知技术手段，本实施例在此不做赘述。

如上所述，本发明的基于机器学习的储能电站故障监测管理系统与方法，具有以下有益效果：将故障监测管理系统的计算压力转移至云端，解决了精准预警所需的强大算力与储能电站算力有限的矛盾，通过云边结合的方式实现电池管理系统数据、预制舱外部温度/湿度/风速/风向等数据的快速收集与处理，提高数据利用率；以及将机器学习程序融入到预警模型中得到机器学习预测模型，可实现预警模型的自我完善和更新，通过机器学习不断迭代更新预警模型，形成具有针对性和高准确性的预警模型，可针对储能电站所在地区的环境因素、储能电站所用电池性能指标的差异实现预警准确率和预警速度的提高；以及增加监测预制舱外部温度/湿度/风速/风向等数据，可针对储能电站所在地区的环境因素给出针对性预警结果，并且通过云端强大的存储能力可实现事故追忆分析功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如，在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。

本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。