基于多元多尺度样本熵的电化学储能电站电池故障预警方法和装置与流程

本发明属于电池故障预测，涉及一种电化学储能电站电池故障预警方法和装置，尤其是一种基于多元多尺度样本熵的电化学储能电站电池故障预警方法和装置。

背景技术：

1、如今，为了实现“双碳”目标，可再生能源不断被接入电网，但是新能源接入电网带来的间歇性和不确定性会导致电网不稳定，因此电化学储能电站被大量建立用来支撑电力系统的电压稳定、抑制功率波动和改善电能质量。然而，电化学储能电站事故频频发生，其主要的原因之一是由于电化学电池的内短路故障。此故障会引起电池热失控，造成电池的自燃、起火，严重危害电化学储能电站的安全。因此，发明一种及时、有效且适应性强的电池内短路故障预警方法，将指导运维人员在故障早期实现对故障电池的检修，对于保证电化学储能电站安全运行有着重要意义。

2、然后，电池的早期内短路故障成因复杂，故障表现隐蔽，故障特性不明显，且电化学储能电站电池组规模庞大，拓扑复杂，早期的微小故障容易淹没在复杂的工况中，难以从电池外特性的小幅度异常变化中检测出来，是目前电池故障预警领域的瓶颈难题。目前的电化学储能电站电池管理系统通常对电池的单一外特性设置上下限，如电压、电流、温度的阈值，进而通过检测超阈值来判断故障的发生，但此诊断方法的准确度低，在复杂的工况下故障电池和正常电池的特征会发生重合，将会导致误报警现象，因而无法发现电池早期的内短路故障，且无法准备判断故障发生的位置。

3、因此，本发明提出一种基于多元多尺度样本熵的电化学储能电站电池故障预警方法、装置、计算机存储设备。

4、经检索，未发现与本发明相同或相似的现有技术的文献。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提出一种基于多元多尺度样本熵的电化学储能电站电池内短路故障预警方法和装置，能够提高电池早期内短路故障的准确性和鲁棒性。

2、本发明解决其现实问题是采取以下技术方案实现的：

3、一种基于多元多尺度样本熵的电化学储能电站电池内短路故障预警方法，包括以下步骤：

4、步骤1、在离线情况下，实验获取电化学储能电站正常电池和早期内短路故障电池充放电的电压、电流和温度数据；

5、步骤2、基于步骤1采集获取的试验数据，在离线情况下，计算正常电池和故障电池的多元多尺度样本熵，构建数据集；

6、步骤3、利用训练集对支持向量机分类器进行训练，构建并离线训练电化学储能电站电池故障预警模型；

7、步骤4、在离线情况下，使用测试集对训练好的电化学储能电站电池故障预警模型进行评价；

8、步骤5、在线实时采用电化学储能电站电池故障预警模型对电化学储能电站电池的故障状态进行估计，并及时报警给运维人员。

9、而且，所述步骤1的具体步骤包括：

10、步骤1-1、对正常电池和发生早期内短路故障的锂离子电池进行循环充放电，采用恒流充电-恒压充电方式对电池进行充电，采用任意放电工况对电池进行放电；其中，发生早期内短路故障的锂离子电池利用电池并联大内阻充放电进行模拟；

11、步骤1-2、获取电化学储能电站正常电池和早期内短路故障电池充放电的电压、电流和温度数据；

12、而且，所述步骤2的具体步骤包括：

13、步骤2-1，基于步骤1获取的正常电池和早期内短路电池的充放电电压、电流和温度数据，利用多元多尺度样本熵算法计算正常电池和故障电池在设定时间段内的多元多尺度样本熵；

14、步骤2-2、将计算好的多元多尺度样本熵，样本熵的尺度设为s，则特征值的个数为s，构建特征向量z，并按照正常电池和早期内短路电池的标签贴好，按照8：2的比例分成训练集和测试集。

15、而且，所述步骤2-1的多元多尺度样本熵的计算方法如下：

16、(1)在多尺度样本熵分析中，首先对原始的电压、电流、温度时间序列进行粗粒化，构造不同时间尺度的时间序列。设原始时间序列为{qi＝1,2,3,…,n}，尺度因子记为s(s＝1,2,3,...,n)，粗粒化的时间序列为{qis}：

17、

18、样本熵用来衡量序列的复杂程度，设给定时间序列为{x(i),i＝1,2,3,…,n},m为嵌入相空间的维数，r为选定的相似容量，用来确定不同点对之间是否有联系。

19、(2)将序列按照序号组成一组m维矢量：

20、x(i)＝{x(i),x(i+1),…,x(i+m-1)}  (2)

21、(3)将电压、电流、温度多个通道的时间序列进行拼接，即：

22、x(i)＝{x1(i),x2(i),…,xk(i)  (3)

23、式中，k为通道数。

24、(4)定义x(i)与x(j)之间的距离为d[x(i),x(j)]，其是两者对应元素中差值最大的一个，即：

25、d[x(i),x(j)]＝max{x(i+k)-x(j+k)}  (4)

26、(5)对于每一个i值，统计d[x(i),x(j)]<r的个数且i≠j，计算其与距离n-m的比值，记作计算的平均值:

27、

28、(6)将维度增加一维，变成m+1，重复(1)～(3)，计算cm+1(r)。

29、(7)最终计算多元多尺度样本熵为：

30、

31、通过以上步骤可以得到，多元多尺度样本熵数据可如图3所示，正常状态下的电池比故障状态下的电池的多元多尺度样本熵低，且不同故障下的多元多尺度样本熵存在明显的区分。

32、而且，所述步骤3的具体步骤包括：

33、步骤3-1、使用训练集训练支持向量机模型；

34、步骤3-2，使用蝠鲼觅食优化算法(manta ray foraging optimization，mrfo)分别对支持向量机模型的超参数σ、c进行优化，建立电化学储能电站电池故障预警模型。

35、而且，所述步骤3-1的具体步骤包括：

36、(1)假设存在最优超平面，通过引入核函数k(xi,yi)和拉格朗日乘子αi，可以将最优超平面问题描述为以下的优化问题，即求解以下最优函数：

37、

38、式中，yiyj为正常电池和故障电池的标签，分别设为0和1；xixj分别为正常电池和故障电池的特征值，由步骤2提取得到，c为惩罚因子，它代表了对离群点的容忍程度，k(xi,yi)为高斯径向基函数，如式(9)所示：

39、

40、式中，σ代表了径向基核函数作用的宽度。

41、(2)通过求解式(7)，解出αi后，求出ω和b的值，可得到电化学储能电站电池故障预警模型：

42、

43、而且，所述步骤3-2的具体步骤包括：

44、(1)链式觅食：其数学模型表示如下：

45、

46、

47、其中，是第i个体在时间t以及d维度上的位置，r是[0,1]范围内的随机向量，α是权重系数，是高浓度浮游生物。

48、(2)旋转觅食：其数学方程可以定义为：

49、

50、

51、其中β表示加权因子，t表示最大迭代次数，r1表示0～1之间的rand数。

52、通过重新分配一个随机位置作为参考来注重空间的探索，其数学方程如下所示：

53、

54、

55、其中，表示搜索空间中的随机位置，lbd和ubd分别降低了d维的下界和上界。

56、(3)翻滚式觅食：其数学模型可创建如下：

57、

58、其中s表示决定蝠鲼翻滚范围的翻滚因子，s＝2，r2和r3表示[0,1]中的两个随机数。

59、(4)通过以上三种方式迭代，最后获取最优种群，即最优的超参数σ、c，建立电化学储能电站电池故障预警模型。

60、而且，所述步骤4的具体步骤包括：

61、步骤4-1，将测试集的特征值代入到训练好的支持向量机模型，得到支持向量机模型对电池的故障状态估计结果；

62、步骤4-2，通过分析估计结果与真实值的误差情况，来评价支持向量机模型的估计准确度情况；

63、步骤4-3，分析误差情况，当误差大于20％时，调整蝠鲼觅食优化算法的寻优次数，并回到步骤3-2。

64、而且，所述步骤5的具体步骤包括：

65、步骤5-1，当采集到一个周期的电池充放电电压、电流、温度数据后，计算多元多尺度样本熵，将多元多尺度样本熵代入到训练好的支持向量机模型，得到支持向量机模型对电池的故障状态评估结果；

66、步骤5-2，在得到电池发生故障状态的信息后，将故障情况和故障电池报警给现场的运维人员，由运维人员对电池进行检修和更换。

67、一种基于多元多尺度样本熵的电化学储能电站电池故障预警装置，包括:处理器、通信接口、储存器和报警器。

68、所述电池管理系统用于收集电化学储能电站的电压、电流、温度数据，并实时传输到储存器中进行储存；所述处理器根据储存器中的数据和代码，通过多元多尺度样本熵的计算对储存器中的数据进行运行，并通过训练好的故障诊断模型判断电池是否发生故障。在判断发生故障后，传递信号给报警器，发出报警，提醒储能电站运维人员电池已发生故障。

69、本发明的优点和有益效果：

70、1、本发明提出一种基于多元多尺度样本熵的电化学储能电站电池故障预警方法和装置，由步骤1-2和步骤2-1所述的多元多尺度样本熵计算方法可知，该方法充分利用目前储能电站可测到的物理量，即电压、电流、温度三者，区别于目前常用的电压、温度等单物理量的故障识别方法，该方法能够同时考虑储能电站电池的电压、电流、温度，极大地保证了电池故障的有效识别。

71、2、本发明的步骤2-1和步骤2-2所述的多元多尺度样本熵计算方法和特征值的选定，首次利用多元多尺度样本熵算法进行储能电站电池的特征提取，区别于其他的单尺度的熵值算法的故障识别，该方法能够获取多个特征量，能够更大程度地获取电池的故障状态量，其获取的特征量如图3所示，本发明提出的方法能够很好地区分在不同故障程度下的电池，在尺度9之前，过充时间久的电池的熵值要明显大于过充时间更短的电池以及正常电池。

72、3、本发明的步骤2-1和步骤3-1首次将多元多尺度将多元多尺度样本熵算法与支持向量机结合建立储能电站电池故障诊断模型，区别于其他的单变量阈值法，该方法能够利用支持向量机的原理，将离线得到的正常电池和故障电池的特征值进行区分，同时，由步骤3-2所示，本发明结合蝠鲼觅食优化算法获取最优的支持向量机超参数，使得模型能够更好地区分正常电池和故障电池，最后利用训练好的模型实现储能电站的电池故障诊断。