基于系统集群分析的状态监测异常识别方法及系统与流程

1.本发明涉及电池监测领域，尤其是涉及一种基于系统集群分析的状态监测异常识别方法及系统。


背景技术：

2.一个储能系统是以电池模组(或电池单体)为最小单元，采用层级组合的方式构建起来的，即：先以电池模组为最小单元组成电池模组；再以电池模组为单元，组成电池簇；最后再以电池簇为单元组成电池储能系统。各电芯单元通过串联或并联的方式组合在一起形成层级的电池模组，基于对储能系统总的充放电调度指令，再分配到每个电芯单元，从而协同工作。
3.基于这种协同工作的机制，以及储能系统中采用的电池均衡技术来弥补电芯单元之间固有的差异性(如：生产过程、使用的原材料等导致的差异)，正常运行情况下，电芯单元之间的关键参数(如：温度、电压、电流、soc等)之间的差异性应该是非常小的。
4.而故障发生时，通常是某个电芯单元先出现问题，如：某个电池模组由于枝晶现象出现短路，导致热量大量产生，电池模组温度快速升高。如果不能及时发现并采取措施(如：隔离等)，热失控会扩散到附近的电池模组，甚至影响相邻的电池模组，而目前采用常规的、基于固定阈值的储能系统异常监测方式，只能监测电池模组的比较大的问题。
5.针对上述相关技术，发明人认为常规的、基于固定阈值的储能系统异常监测方式，难以及时发现电芯单元之间的微小差异导致的异常情况。


技术实现要素：

6.为了对不同层级间的电芯单元的差异性的集群对比分析，有利于及早发现系统异常，本技术提供一种基于系统集群分析的状态监测异常识别方法及系统。
7.第一方面，本技术提供的一种基于系统集群分析的状态监测异常识别方法，采用如下的技术方案：一种基于系统集群分析的状态监测异常识别方法，包括：获取电池模组的大量监测数据；对所述大量监测数据进行预处理，并生成预处理后的监测数据；基于所述预处理后的监测数据，构建电池模组三维集群分析模型；获取电池模组的实时监测数据；基于所述电池模组的实时监测数据和所述电池模组三维集群分析模型，获取二者之间对比的异常识别结果。
8.通过采用上述技术方案，在需要监测电池模组的异常情况时，通过先收集电池模组的大量监测数据，这些大量监测数据来自对不同层级间的电芯单元，通过对这些监测数据进行预处理，然后将预处理后的数据构建电池模组三维集群分析模型，在日常监测的时候，将实时监测数据，与电池模组三维集群分析模型进行对比分析和识别，从而得出异常分
析结果。从而能对不同层级间的电芯单元的差异性的集群对比分析，有利于及早发现系统异常。
9.可选的，所述对所述大量监测数据进行预处理，并生成预处理后的监测数据的步骤包括：对所述大量监测数据进行归一化处理；调用预设的多参数融合相似度计算方法，获取电池模组之间的相关性数据；基于所述电池模组之间的相关性数据，得到预处理后的监测数据。
10.通过采用上述技术方案，通过对大量监测数据进行归一化处理，调用预设的多参数融合相似度计算方法，使得对监测数据的预处理更高效准确。
11.可选的，所述构建电池模组三维集群分析模型的步骤包括：基于电池模组之间的相关性数据，建立全部电池模组之间的相关性计算热力图；基于所述相关性计算热力图，构建电池模组三维集群分析模型。
12.通过采用上述技术方案，根据电池模组之间的相关性数据，先计算全部电池模组之间的相关性计算热力图，然后再构建电池模组三维集群分析模型，能提高构建电池模组三维集群分析模型的准确性。
13.可选的，所述获取二者之间对比的异常识别结果的步骤包括：通过预设的深度学习方法对所述全部电池模组之间的相关性计算热力图进行相关性预测；获取相关性预测值；基于所述相关性预测值，判断所述相关性预测值是否落入预设的设定阈值中；基于判断结果，获取二者之间对比的异常识别结果。
14.通过采用上述技术方案，通过对全部电池模组的相关性计算热力图进行相关性预测，根据预测的结果分析二者之间是否存在异常，通过预先设置的设定阈值，能方便获取二者之间的异常情况。
15.可选的，所述调用预设的多参数融合相似度计算方法，获取电池模组之间的相关性数据的步骤包括：计算考虑监测算法权重下的pearson相关性系数；计算考虑监测算法权重下的spearman相关性系数；将pearson相关性系数与spearman相关性系数进行融合，得到最终的相关性数据。
16.通过采用上述技术方案，采用pearson计算方式和spearman计算方式，能使最终的相关性数据更为准确。
17.可选的，所述基于所述相关性计算热力图，构建电池模组三维集群分析模型的步骤包括：依次计算n个电池模组中相邻两电池模组的相关性数值，最终得到n！个特征系数；结合m个电箱的特征系数建立相关性分析得到m*n！维的特征向量，将特征向量转化为热力图，每张热力图作为一组样本；选用所有电箱正常运行情况下的数据依次建立样本，得到电池模组三维集群分析模型。
18.通过采用上述技术方案，由于存在m个电箱，每个电箱里存在n个电池模组，因此需
要对所有电池模组的特征向量转化为热力图，然后将所有的热力图作为样本集，从而构建电池模组的三维集群分析模型。
19.可选的，所述通过预设的深度学习方法对所述全部电池模组之间的相关性计算热力图进行相关性预测的步骤之后包括：获取所述电箱实时监测量的预测结果热力图；计算预测结果热力图与实时监测的热力图的差值；结合差值大小和电池模组间的相关性阈值参数实现电池模组的异常识别。
20.通过采用上技术方案，在获取电池模组的预测结果热力图与实时监测的热力图的差值之后，然后根据这个差值，便于找出电池模组间的异常识别结果。
21.第二方面，本技术提供的一种基于系统集群分析的状态监测异常识别系统，采用如下的技术方案：一种基于系统集群分析的状态监测异常识别系统，应用于上述的基于系统集群分析的状态监测异常识别方法，包括：监测数据获取模块、监测数据预处理模块、模型构建模块和异常结果获取模块；所述监测数据获取模块，用于获取电池模组的大量监测数据，以及用于获取电池模组的实时监测数据；所述监测数据预处理模块，用于对所述大量监测数据进行预处理，并生成预处理后的监测数据；所述模型构建模块，用于基于所述预处理后的监测数据，构建电池模组三维集群分析模型；所述异常结果获取模块，用于基于所述电池模组的实时监测数据和所述电池模组三维集群分析模型，获取二者之间对比的异常识别结果。
22.通过采用上述技术方案，在需要监测电池模组的异常情况时，通过先收集电池模组的大量监测数据，这些大量监测数据来自对不同层级间的电芯单元，通过对这些监测数据进行降噪、去除毛刺、补全缺失值等方式，对数据进行预处理，然后将预处理后的数据构建电池模组三维集群分析模型，在日常监测的时候，将实时监测数据，与电池模组三维集群分析模型进行对比分析和识别，从而得出异常分析结果。从而能对不同层级间的电芯单元的差异性的集群对比分析，有利于及早发现系统异常。
23.综上所述，本技术包括以下有益技术效果：在需要监测电池模组的异常情况时，通过先收集电池模组的大量监测数据，这些大量监测数据来自对不同层级间的电芯单元，通过对这些监测数据进行降噪、去除毛刺、补全缺失值等方式，对数据进行预处理，然后将预处理后的数据构建电池模组三维集群分析模型，在日常监测的时候，将实时监测数据，与电池模组三维集群分析模型进行对比分析和识别，从而得出异常分析结果。从而能对不同层级间的电芯单元的差异性的集群对比分析，有利于及早发现系统异常。
附图说明
24.图1是本技术实施例的一种基于系统集群分析的状态监测异常识别系统的硬件架构示意图。
25.图2是本技术实施例的一种基于系统集群分析的状态监测异常识别方法的总体流
程图。
26.图3是本技术实施例的一种基于系统集群分析的状态监测异常识别方法的步骤流程图。
27.图4是图3中步骤s200的展开流程图。
28.图5是图3中步骤s300的展开流程图。
29.图6是图3中步骤s500的展开流程图。
30.附图标记说明：1、监测数据获取模块；2、监测数据预处理模块；3、模型构建模块；4、异常结果获取模块。
具体实施方式
31.以下结合附图1-2对本技术作进一步详细说明。
32.参照图1，本技术实施例公开一种基于系统集群分析的状态监测异常识别系统。
33.包括监测数据获取模块1、监测数据预处理模块2、模型构建模块3和异常结果获取模块4。
34.监测数据获取模块1，用于获取电池模组的大量监测数据，以及用于获取电池模组的实时监测数据。通过获取电池模组的大量监测数据，大量监测数据作为后期构建模型的数据集，这些大量监测数据是实时更新的。这里所指的电池模组由数量较多的电芯子单元组成。
35.监测数据预处理模块2，用于对大量监测数据进行预处理，并生成预处理后的监测数据。
36.模型构建模块3，用于基于预处理后的监测数据，构建电池模组三维集群分析模型。
37.异常结果获取模块4，用于基于电池模组的实时监测数据和电池模组三维集群分析模型，获取二者之间对比的异常识别结果。
38.本技术实施例一种基于系统集群分析的状态监测异常识别系统的实施原理为：在需要监测电池模组的异常情况时，通过先收集电池模组的大量监测数据，这些大量监测数据来自对不同层级间的电芯单元，通过对这些监测数据进行降噪、去除毛刺、补全缺失值等方式，对数据进行预处理，然后将预处理后的数据构建电池模组三维集群分析模型，在日常监测的时候，将实时监测数据，与电池模组三维集群分析模型进行对比分析和识别，从而得出异常分析结果。从而能对不同层级间的电芯单元的差异性的集群对比分析，有利于及早发现系统异常。
39.参照图2，为本技术的一种基于系统集群分析的状态监测异常识别方法的整体流程图1。
40.参照图3，基于上述硬件架构，本技术实施例还公开了一种基于系统集群分析的状态监测异常识别方法，包括步骤s100～s500：步骤s100：获取电池模组的大量监测数据。
41.通过视觉传感器、温度传感器等其他传感器获取电池模组的大量监测数据。
42.步骤s200：对大量监测数据进行预处理，并生成预处理后的监测数据。
43.通过对这些监测数据进行降噪、去除毛刺、补全缺失值等方式，对数据进行预处
理。
44.步骤s300：基于预处理后的监测数据，构建电池模组三维集群分析模型。
45.步骤s400：获取电池模组的实时监测数据。
46.在构建了三维集群分析模型之后，再继续获取电池模组的实时监测数据。
47.步骤s500：基于电池模组的实时监测数据和电池模组三维集群分析模型，获取二者之间对比的异常识别结果。
48.参照图4，步骤s200中对大量监测数据进行预处理，并生成预处理后的监测数据的步骤包括s210～s230：步骤s210：对大量监测数据进行归一化处理。
49.归一化方法有两种形式，一种是把数变为(0，1)之间的小数，一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速，应该归到数字信号处理范畴之内。
50.步骤s220：调用预设的多参数融合相似度计算方法，获取电池模组之间的相关性数据。
51.假设单个系统上有m个电箱，n节电池模组，每节电池模组上有p个监测算法，各监测参数记为：xi(i＜p)，每个监测参数的权重设置为w。
52.结合pearson相关性系数和spearman相关系数方法两种方法建立电池模组间参数的综合相关性指标，并创新性地融入参数权重。
53.步骤s220还包括步骤s221～s223：步骤s221：计算考虑监测算法权重下的pearson相关性系数。
54.其中，ωi为第i个参数的权重，x
ki
为第k节电池模组第i个参数的数值；为第k节电池模组的数据平均值；x
qi
为第q节电池模组第i个参数的数值，为第q节电池模组的数据平均值。
55.步骤s222：计算考虑监测算法权重下的spearman相关性系数。
56.步骤s223：将pearson相关性系数与spearman相关性系数进行融合，得到最终的相关性数据。
57.得到最终的相关性指标，融合的相关性指标能够有效降低干扰数据对相关性的影响。
58.根据r＝α1r1+α2r2，其中α1和α2分别为两种相关系数计算结果权重，权重可自定义确定，也可以通过数据的偏差确定。
59.步骤s230：基于电池模组之间的相关性数据，得到预处理后的监测数据。
60.参照图5，步骤s300中，构建电池模组三维集群分析模型的步骤包括步骤s310～s320：步骤s310：基于电池模组之间的相关性数据，建立全部电池模组之间的相关性计
算热力图。
61.步骤s320：基于相关性计算热力图，构建电池模组三维集群分析模型。
62.步骤s320还包括步骤s321～s323：步骤s321：依次计算n个电池模组中相邻两电池模组的相关性数值，最终得到n！个特征系数。
63.步骤s322：结合m个电箱的特征系数建立相关性分析得到m*n！维的特征向量，将特征向量转化为热力图，每张热力图作为一组样本。
64.步骤s323：选用所有电箱正常运行情况下的数据依次建立样本，得到电池模组三维集群分析模型。电池模组三维集群分析模型的决定因素包括时间、电箱和电池模组数量。
65.参照图6，步骤s500中获取二者之间对比的异常识别结果还包括步骤s510～s540：步骤s510：通过预设的深度学习方法对全部电池模组之间的相关性计算热力图进行相关性预测。
66.通过预设的深度学习方法对全部电池模组之间的相关性计算热力图进行相关性预测的步骤之后包括：获取电箱实时监测量的预测结果热力图。
67.计算预测结果热力图与实时监测的热力图的差值。
68.结合差值大小和电池模组间的相关性阈值参数实现电池模组的异常识别。
69.步骤s520：获取相关性预测值。
70.步骤s530：基于相关性预测值，判断相关性预测值是否落入预设的设定阈值中。
71.步骤s540：基于判断结果，获取二者之间对比的异常识别结果。
72.基于步骤s530，计算预测值与真实值的偏差，若偏大高于预设设定阈值，则认为数据异常；否则认为数据正常。
73.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，故：凡依本技术的结构、形状、原理所做的等效变化，均应涵盖于本技术的保护范围之内。