一种超大规模电池储能电站运行单元检测的方法及系统与流程

本发明涉及电力储能技术领域，更具体地，涉及一种超大规模电池储能电站运行单元检测的方法及系统。

背景技术：

储能系统作为一种灵活的资源，在现代电力系统中发挥着重要作用，并在世界范围内得到广泛应用。截至2017年底，中国投运储能项目累计装机规模28.9w，预计到2020年底，中国储能技术总装机规模将达到41.99gw。在电力系统中，ess可以在许多领域发挥重要作用，随着储能装机规模的增加，储能在电力系统中越来越扮演着重要的角色，2018年第三季度我国电网侧已投运电化学储能电站装机规模150兆瓦，其中新增装机140兆瓦，另有规划及在建电网侧电化学储能电站465兆瓦，发展速度之快前所未有。而当前全球电网侧电化学储能累计装机规模756.5兆瓦，新增装机规模为301兆瓦，我国新增电网侧化学储能电站规模接近全球新增装机规模的一半。

在这种储能系统越来越广泛的接入电网的背景之下，针对储能系统的运行状态的分析问题也逐渐成为其接入电网侧的主要问题之一。规模化储能系统通常由多个储能系统及其所属的多个储能单元组成，在运行过程中某一储能单元的运行状态变化很可能导致整体规模化储能系统的运行状态发生变化，同时受不同环境因素及运行因素的影响，各个储能单元运行状态变化的原因也不相同。所以针对规模化储能系统，对出现问题的系统进行判定，对比其运行状态进行监控并找出问题所在一直是储能系统稳定运行的关键所在。

因此，需要一种技术，以实现超大规模电池储能电站运行单元检测的技术。

技术实现要素：

本发明技术方案提供一种超大规模电池储能电站运行单元检测的方法及系统，以解决如何对超大规模电池储能电站运行单元的故障进行检测。

为了解决上述问题，本发明提供了一种超大规模电池储能电站运行单元检测的方法，所述方法包括：

采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据；

基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据；

基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型；分析所述储能子系统与所述储能总系统的相关程度，通过判断每个所述储能子系统的运行状态参数在随机森林中的每棵树上对所述储能总系统的运行状态的影响，确定每个所述储能子系统的重要性因数；分析所述储能单元与所述储能子系统的相关程度，通过判断每个所述储能单元的运行状态参数在随机森林中的每棵树上对所述储能子系统的运行状态的影响，确定每个所述储能单元的重要性因数；

分别选取出所述储能子系统与所述储能单元的重要性因数大于预设阈值的所述储能子系统与所述储能单元，分别将所述储能子系统和所述储能单元的运行状态参数数据与所述参考历史数据进行分析，分析所述储能子系统和所述储能单元的运行状态参数数据与所述参考历史数据的偏差。

优选地，所述采集储能电池正常运行状态下电池容量衰减过程中的放电数据，所述放电数据包括：实时放电功率、放电电压、以及荷电状态；

当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；

设置放电数据的预设数据量，当采集到的放电数据的数据量超过所述预设数据量时，则用新的放电数据代替历史放电数据。

优选地，所述基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据包括：

采集所述储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集所述储能子系统的运行功率、运行电压、以及荷电状态；采集所述储能单元的运行功率、运行电压、以及荷电状态；

将所述储能总系统、所述储能子系统和所述储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。

优选地，所述基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型，还包括：

基于机器学习算法，应用随机森林算法构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型。

优选地，所述采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据，还包括：

电池容量按照不同速度衰减速度进行衰减。

基于本发明的另一方面，提供一种超大规模电池储能电站运行单元检测的系统，所述系统包括：

第一采集单元，用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据；

第二采集单元，用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据；

构建单元，用于基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型；分析所述储能子系统与所述储能总系统的相关程度，通过判断每个所述储能子系统的运行状态参数在随机森林中的每棵树上对所述储能总系统的运行状态的影响，确定每个所述储能子系统的重要性因数；分析所述储能单元与所述储能子系统的相关程度，通过判断每个所述储能单元的运行状态参数在随机森林中的每棵树上对所述储能子系统的运行状态的影响，确定每个所述储能单元的重要性因数；

分析单元，用于分别选取出所述储能子系统与所述储能单元的重要性因数大于预设阈值的所述储能子系统与所述储能单元，分别将所述储能子系统和所述储能单元的运行状态参数数据与所述参考历史数据进行分析，分析所述储能子系统和所述储能单元的运行状态参数数据与所述参考历史数据的偏差。

优选地，所述第一采集单元用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，所述放电数据包括：实时放电功率、放电电压、以及荷电状态；

当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；

设置放电数据的预设数据量，当采集到的放电数据的数据量超过所述预设数据量时，则用新的放电数据代替历史放电数据。

优选地，所述第二采集单元用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及所述储能子系统所包含的储能单元的运行状态参数数据包括：

采集所述储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集所述储能子系统的运行功率、运行电压、以及荷电状态；采集所述储能单元的运行功率、运行电压、以及荷电状态；

将所述储能总系统、所述储能子系统和所述储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。

优选地，所述构建单元用于基于机器学习算法，构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型，还用于：

基于机器学习算法，应用随机森林算法构建所述储能总系统、所述储能子系统以及所述储能单元之间重要性的分析模型。

优选地，所述第二采集单元用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将所述放电数据作为参考历史数据，还包括：

电池容量按照不同速度衰减速度进行衰减。

本发明技术方案提供一种超大规模电池储能电站运行单元检测的方法及系统，其中方法包括：采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据；基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据；基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型；分析储能子系统与储能总系统的相关程度，通过判断每个储能子系统的运行状态参数在随机森林中的每棵树上对储能总系统的运行状态的影响，确定每个储能子系统的重要性因数；分析储能单元与储能子系统的相关程度，通过判断每个储能单元的运行状态参数在随机森林中的每棵树上对储能子系统的运行状态的影响，确定每个储能单元的重要性因数；分别选取出储能子系统与储能单元的重要性因数大于预设阈值的储能子系统与储能单元，分别将储能子系统和储能单元的运行状态参数数据与参考历史数据进行分析，分析储能子系统和储能单元的运行状态参数数据与参考历史数据的偏差。本发明技术方案针对大规模储能系统中储能单元的故障分析，考虑储能系统受储能单元的短板效应影响明显，当储能系统中某一储能单元发生故障时会导致整体储能系统运行参数发生较大变化。本发明技术方案在进行故障检测时，不针对物理因素进行故障排查，以储能系统运行状态参数为主要参考，在数据可视化的情况下直接判别故障发生的单元进行故障预警工作。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明优选实施方式的一种超大规模电池储能电站运行单元检测的方法流程图；

图2为根据本发明优选实施方式的一种超大规模电池储能电站运行单元检测的方法流程图；

图3为根据本发明优选实施方式的所采用的随机森林方法流程图；以及

图4为根据本发明优选实施方式的所采用的随机森林系统结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明优选实施方式的一种超大规模电池储能电站运行单元检测的方法流程图。现有技术的故障判断多以专家经验为基础，本申请以储能电池的实验室数据及现场工况数据为基础，在运行过程中通过不断地数据更新适应不同情况下的不同需求，避免预先设定相关数据及标准带来的错误估计，根据实际工况需求及储能系统现场运行状态进行实时的数据排查，进而寻找运行过程中出现问题的分布式系统及系统中导致故障发生的储能单元。如图1所示，一种超大规模电池储能电站运行单元检测的方法，方法包括：

优选地，在步骤101：采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据。优选地，采集储能电池正常运行状态下电池容量衰减过程中的放电数据，放电数据包括：实时放电功率、放电电压、以及荷电状态。如图2所示，当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；设置放电数据的预设数据量，当采集到的放电数据的数据量超过预设数据量时，则用新的放电数据代替历史放电数据。优选地，采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据，还包括：电池容量按照不同速度衰减速度进行衰减。

本申请以储能系统中所选用的储能电池作为标准，采集其正常运行状态下电池容量衰减过程中的放电数据，形成参考历史数据。本申请以储能系统中所选用的储能电池作为标准，采集其正常运行状态下电池容量衰减过程中的放电数据，形成参考历史数据具体过程为：

本申请根据储能系统所用电池的实验室及出厂状态运行参数作为历史数据，以实际工况需求下的多种不同放电速率(例如放电速率可以为：1c、1.5c、2.5c，本申请可按实际需求进行选择)进行储能电池正常运行状态下随容量衰减的运行状态参数额定数据集，包括放电过程中的实时放电功率(punit)、放电电压(vunit)、以及荷电状态(socunit)；

本申请以运行状态参数额定数据集为标准，采用机器学习中的多项式回归算法，绘制储能电池随容量衰减的运行状态趋势曲线，并输出其对应的权重中参数及截距参数(w1,...wn,b)；

本申请在实际工况运行的过程中，当采集到的系统正常运行数据集的数据量超过运行状态额定数据集的数据量时，以实际工况数据集代替运行状态额定数据集作为新的运行状态额定数据集，同时设定一个额定容量，每当新的数据容量超过这个设定容量，则以新的数据集代替历史数据集。

优选地，在步骤102：基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据。优选地，基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据包括：采集储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集储能子系统的运行功率、运行电压、以及荷电状态；采集储能单元的运行功率、运行电压、以及荷电状态；将储能总系统、储能子系统和储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。

本申请针对规模化电化学储能电站，分别形成储能总系统(pcs)、储能子系统(pcsn)、及储能子系统所包含的储能单元(bmsnn)的运行状态参数数据库。本申请针对规模化电化学储能电站形成运行状态参数数据库的过程为：

本申请针对规模化电化学储能电站的运行状态参数，形成多级数据采集存储系统，分别形成储能总系统(pcs)、储能子系统(pcsn)、及储能子系统所包含的储能单元(bmsnn)的运行状态参数数据库。

本申请在采集储能系统数据的过程中，分别采集总体大规模储能系统运行过程中的状态参数，比如总体运行功率(ptotal)、运行总电压(vtotal)、总体荷电状态(soctotal)等，以及运行每一单体储能系统的运行功率(pn)、运行电压(vn)、荷电状态(socn)，以及下属各个单元的运行状态功率(pnn)、运行电压(vnn)、荷电状态(socn)，并将对应的储能总系统，储能子系统，相应的储能单元的同参数数据分类进而形成，储能系统运行功率数据库(datap)、储能系统运行电压数据库(datav)、储能系统运行荷电状态数据库(datasoc)。

优选地，在步骤103：基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型；分析储能子系统与储能总系统的相关程度，通过判断每个储能子系统的运行状态参数在随机森林中的每棵树上对储能总系统的运行状态的影响，确定每个储能子系统的重要性因数；分析储能单元与储能子系统的相关程度，通过判断每个储能单元的运行状态参数在随机森林中的每棵树上对储能子系统的运行状态的影响，确定每个储能单元的重要性因数。优选地，基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型，还包括：基于机器学习算法，应用随机森林算法构建储能总系统、储能子系统以及储能单元之间重要性的分析模型。

本申请通过机器学习算法中的随机森林算法，以储能总系统数据，储能子系统数据，储能子系统所包含的储能单元数据为输入，进行重要性特征分析。分别判定各子系统运行状态对储能总系统的影响，以及储能子系统中各储能单元运行状态对响应储能子系统的影响。筛选典型储能子系统，以及储能子系统中的典型储能单元，以历史参考数据为标准，分析典型子系统与典型单元相较于历史数据的偏差。

如图3所示，本申请通过机器学习算法中的随机森林算法构建各系统之间的重要性分析函数的过程为：

应用随机森林算法搭建重要性分析模型，通过随机森林算法分析储能子系统与总储能系统的相关程度，观察看每个储能子系统的运行状态参数在随机森林中的每颗树上对总体储能的运行状态产生的影响，进而得到其重要性因数。各储能子系统及其对应的分布式储能单元的重要性方法与储能系统的重要性分析相同。

本申请根据重要性分析结果，设定最低需求权重为a％(根据实际工况对分布式系统出力要求确定)选取重要性要求符合权重需求的分布式系统及储能单元数据进行跟踪观测。以历史发电数据进行各单元及各系统的运行状态分析，将所选取的储能单元运行状态数据与步骤101所得回归曲线进行对比分析，观测二者趋势变化的差异。当发生较大偏差时，根据所选择的运行状态参数，及偏差发生时的差值，判定此时刻可能发生的问题。

优选地，在步骤104：分别选取出储能子系统与储能单元的重要性因数大于预设阈值的储能子系统与储能单元，分别将储能子系统和储能单元的运行状态参数数据与参考历史数据进行分析，分析储能子系统和储能单元的运行状态参数数据与参考历史数据的偏差。

本申请提供种一种规模化电化学储能电站运行工况分析方法，本申请基于储能电池出厂额定参数，实验室标准状态下的电池运行数据及现场工况的运行状态参数等多种数据为基础，采用人工智能算法提取数据的重要性参数，并依据此选取所需跟踪预警的储能单元，考虑储能系统发电过程中某一储能单元发生故障时会对整体储能系统造成的影响。同时根据在储能发电系统过程之中发生故障时，根据重要性分析结果可以判断出故障主要原因，及所对应的分布式系统与储能单元。并根据其运行状态参数，与实验室正常工况下随时间呈现性能衰减的特性进行对比，当二者发生较大偏差时，根据偏差大小、持续时间等特性判断故障可能发生的原因。

图4为根据本发明优选实施方式的所采用的随机森林系统结构图。如图4所示，一种超大规模电池储能电站运行单元检测的系统，系统包括：

第一采集单元401，用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据。优选地，第一采集单元401用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，放电数据包括：实时放电功率、放电电压、以及荷电状态；当采集到的放电数据的数据量超过运行状态放电数据的额定数据量时，以实际工况的放电数据代替运行状态额定的放电数据作为新的运行状态放电数据；设置放电数据的预设数据量，当采集到的放电数据的数据量超过预设数据量时，则用新的放电数据代替历史放电数据。

第二采集单元402，用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据。优选地，第二采集单元402用于基于大规模的储能系统，分别采集储能总系统、储能子系统以及储能子系统所包含的储能单元的运行状态参数数据包括：采集储能总系统的总体运行功率、运行总电压、以及总体荷电状态；采集储能子系统的运行功率、运行电压、以及荷电状态；采集储能单元的运行功率、运行电压、以及荷电状态；将储能总系统、储能子系统和储能单元的同类参数的数据进行分类，生成储能系统运行功率数据库、储能系统运行电压数据库和储能系统运行荷电状态数据库。优选地，第二采集单元402用于采集储能电池正常运行状态下电池容量衰减过程中的放电数据，将放电数据作为参考历史数据，还包括：电池容量按照不同速度衰减速度进行衰减。

构建单元403，用于基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型；分析储能子系统与储能总系统的相关程度，通过判断每个储能子系统的运行状态参数在随机森林中的每棵树上对储能总系统的运行状态的影响，确定每个储能子系统的重要性因数；分析储能单元与储能子系统的相关程度，通过判断每个储能单元的运行状态参数在随机森林中的每棵树上对储能子系统的运行状态的影响，确定每个储能单元的重要性因数。优选地，构建单元403用于基于机器学习算法，构建储能总系统、储能子系统以及储能单元之间重要性的分析模型，还用于：基于机器学习算法，应用随机森林算法构建储能总系统、储能子系统以及储能单元之间重要性的分析模型。

分析单元404，用于分别选取出储能子系统与储能单元的重要性因数大于预设阈值的储能子系统与储能单元，分别将储能子系统和储能单元的运行状态参数数据与参考历史数据进行分析，分析储能子系统和储能单元的运行状态参数数据与参考历史数据的偏差。

本发明优选实施方式的所采用的随机森林系统400与本发明优选实施方式的所采用的随机森林方法100相对应，在此不再进行赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。