基于机器学习的储能电站故障监测管理系统与方法与流程

本发明涉及储能型锂电池以及数据管理，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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、采集设备，用于采集储能电池预制舱外的环境数据；

4、电池管理装置，用于采集储能电池的运行数据；

5、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；

6、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；

7、报警装置，用于基于所述预警信息进行故障提醒；

8、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。

9、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。

10、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。

11、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。

12、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。

13、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。

14、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。

15、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。

16、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。

17、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：

18、采集储能电池预制舱外的环境数据；

19、采集储能电池的运行数据；

20、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；

21、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；

22、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；

23、基于所述预警信息进行故障提醒。

24、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：

25、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；

26、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；

27、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。

技术特征：

1.一种基于机器学习的储能电站故障监测管理系统，其特征在于，包括：

2.根据权利要求1所述的基于机器学习的储能电站故障监测管理系统，其特征在于，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。

3.根据权利要求2所述的基于机器学习的储能电站故障监测管理系统，其特征在于，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。

4.根据权利要求3所述的基于机器学习的储能电站故障监测管理系统，其特征在于，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。

5.根据权利要求4所述的基于机器学习的储能电站故障监测管理系统，其特征在于，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。

6.根据权利要求5所述的基于机器学习的储能电站故障监测管理系统，其特征在于，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。

7.根据权利要求6所述的基于机器学习的储能电站故障监测管理系统，其特征在于，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。

8.根据权利要求1所述的基于机器学习的储能电站故障监测管理系统，其特征在于，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。

9.根据权利要求1所述的基于机器学习的储能电站故障监测管理系统，其特征在于，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。

10.一种基于机器学习的储能电站故障监测管理方法，其特征在于，具体包括如下步骤：

技术总结
本发明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，其中，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与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。本发明通过云边结合的方式实现电池管理数据、环境数据的快速收集与处理，提高了数据利用率，基于机器学习预测模型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。

技术研发人员：邓书香,李润源,赵天斌,徐丽粉
受保护的技术使用者：上海勘测设计研究院有限公司
技术研发日：
技术公布日：2024/1/15