储能电池性能劣化的早期预警方法及系统与流程

本发明属于电气自动化领域，具体涉及一种储能电池性能劣化的早期预警方法及系统。

背景技术：

1、随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。

2、目前，新能源发电系统开始大量并入电网发电。但是，新能源发电系统的出力随机性，给电力系统带来了极大的运行压力。电力系统为了更好的消纳新能源出力，同时也为了更好的削峰填谷，保证自身的稳定可靠运行，电力系统已经开始逐步配备储能电池系统。

3、储能电池系统接入电力系统后，为电力系统的稳定可靠运行带来了极大的保证。因此，对储能电池性能进行预测和预警，就显得极为重要。目前，传统的针对储能电池性能劣化的早期预警方案，往往采用各类型的神经网络方案来进行预测，比如采用alexnet网络架构、采用lstm网络架构或采用wavenet相关方案等。但是，这类方案依旧存在可靠性不高、精确性较差的缺陷。

技术实现思路

1、本发明的目的之一在于提供一种可靠性高、精确性好且通用性好的储能电池性能劣化的早期预警方法。

2、本发明的目的之二在于提供一种实现所述储能电池性能劣化的早期预警方法的系统。

3、本发明提供的这种储能电池性能劣化的早期预警方法，包括如下步骤：

4、s1.获取储能电池的容量退化数据集；

5、s2.对步骤s1获取的数据进行数据预处理，得到训练数据集；

6、s3.对步骤s2得到的训练数据集进行小波分析，得到不同频率下的多维度本征分量；

7、s4.对步骤s3得到的本征分量数据信息进行主成分分析，得到核心频率信号；

8、s5.基于informer网络，构建储能电池性能劣化的早期预警初始模型；

9、s6.采用步骤s4得到的核心频率信号，对步骤s5构建的初始模型进行训练，得到储能电池性能劣化的早期预警模型；

10、s7.采用步骤s6得到的储能电池性能劣化的早期预警模型，进行实际的储能电池性能劣化的早期预警。

11、步骤s1所述的获取储能电池的容量退化数据集，具体包括如下步骤：

12、采用如下方式获取储能电池的容量退化数据集；

13、获取一组储能电池；

14、将储能电池在设定的常温环境下，采用储能电池规定的方式将储能电池充满电，再将储能电池在被测环境下放置设定时间后，将储能电池采用1c倍率放电至截止电压，同时记录放电过程中储能电池的容量数据；

15、重复上述过程若干次，记录每一次的容量数据，并取均值，得到最终的储能电池的容量退化数据集。

16、步骤s3所述的对步骤s2得到的训练数据集进行小波分析，得到不同频率下的多维度本征分量，具体包括如下步骤：

17、a.选取适用于储能电池的容量退化数据集的小波基函数；小波基函数表示为：

18、

19、式中ψa,b(t)为小波基函数；ψ(t)为变换前的小波函数；t为函数的时域变量；a为小波分析的尺度；b为小波分析的平移量；

20、b.将选取的小波基函数ψa,b(t)与待分析的储能电池的容量退化数据f(t)做內积，并计算系数c；系数c用于表示f(t)和ψa,b(t)的相似程度；

21、c.将小波基函数向右平移k个单位，得到第二小波基函数ψa,b(t-k)，并重复步骤b直至f(t)结束；

22、d.对小波基函数进行扩展，得到第三小波基函数并重复步骤b和c；

23、e.重复步骤d对小波基函数进行扩展，直至设定条件；

24、最终，得到连续小波变换的总公式为：

25、

26、式中cwt(a,b)为连续小波变换的总函数；

27、根据连续小波变换的总公式，得到不同频率下的多维度本征分量。

28、步骤s4所述的对步骤s3得到的本征分量数据信息进行主成分分析，得到核心频率信号，具体包括如下步骤：

29、获取步骤s3得到的本征分量数据信息数据，其中小波分量的各频率信号共n个，每一个频率信号序列中包括m个指标变量，其中第i个频率信号的第j个指标表示为xij；

30、将各个指标采用如下算式进行标准化：

31、

32、式中为标准化后的第i个频率信号的第j个指标；为第j个指标的样本均值；sj为第j个指标的标准差；；

33、采用如下算式计算相关系数矩阵r：

34、

35、式中rij为第i个指标与第j个指标的相关系数；

36、计算相关系数矩阵r的m个特征值λ1～λm和对应的特征向量u1～um；其中，第j个特征向量uj表示为uj＝(u1j,u2j,...,unj)t，λ1≥λ2≥...≥λm；

37、根据特征向量u1～um，采用如下算式计算得到m个指标变量：

38、

39、式中ym为第m主成分；为第n个标准化指标变量；

40、计算m个特征值的信息贡献率和累积贡献率：

41、

42、

43、式中bj为第j主成分yj的信息贡献率；αj为第j主成分yj的累积贡献率；

44、根据m个特征值的累积贡献率，进行如下判断：

45、若|αp-1|≤εt，则选取前p个特征值所对应的主成分，作为核心频率信号；εt为设定的阈值。

46、步骤s5所述的基于informer网络，构建储能电池性能劣化的早期预警初始模型，具体包括如下步骤：

47、基于informer网络，构建储能电池性能劣化的早期预警初始模型；

48、所述的模型包括编码器、解码器和全连接层；

49、编码器采用使用概率自注意力机制对输入序列进行编码，并将编码数据输入到解码器；

50、解码器采用一次生成式预测方式对输入的编码数据进行解码，并将解码数据上传全连接层；

51、全连接层用于根据输入的解码数据，得到最终的输出结果。

52、所述的输入序列，具体包括如下内容：

53、将步骤s4得到的核心频率信号作为输入多变量序列，并表示为：

54、

55、式中xt为输入多变量序列；lx为当前输入序列的长度；为t时刻输入序列中的第i个点；为每一个序列点的向量维度；

56、模型采用点乘自注意力机制并采用时间戳为位置信息编码，时间戳计算包含局部时间戳pe与全局时间戳se；

57、采用如下算式计算局部时间戳pe：

58、

59、式中pe(pos,2j)为局部时间戳；pos为位置信息；[]为取整操作；dmodel为输入后的特征维度；

60、经过时间戳的编码与输入维度对齐后，得到模型的输入表示向量：

61、

62、式中为最终输入到编码器中的数据；α为平衡标量映射和局部/全局嵌入之间大小的因子；为特征标量，i∈{1,...,lx}；为局部时间戳；为全局时间戳；表示共有p种类型的全局时间戳。

63、所述编码器，具体包括如下内容：

64、自注意是在接收元组输入(q,k,v)时定义的，并执行缩放后的点积；其中q为查询query值，k为键key值，v为value值；

65、(q,k,v)为经过输入矩阵x线性变换得到，并表示为：

66、q＝xwq

67、k＝xwk

68、v＝xwv

69、式中wq为待训练的查询参数矩阵；wk为待训练的键参数矩阵；wv为待训练的值参数矩阵；

70、得到自注意力机制：

71、

72、式中attention(q,k,v)为注意力机制的计算公式；softmax()为归一化指数函数；d为输入向量维度；

73、用qi表示q的第i行，ki表示k的第i行，vi表示v的第i行，得到第i个查询query的注意attention定义为核平滑的概率形式：

74、

75、式中a(qi,k,v)为第i个查询query的注意力；k(qi,kj)为非对称的指数核函数，且vj为v的第j行；为注意力的核平滑概率形式；

76、根据上述公式，第i个查询query对所有键key的注意attention定义为一个概率分布p(kj|qi)，这里介绍一个均匀分布

77、采用kl-散度衡量概率分布p与均匀q之间的相似性：

78、

79、式中kl(q||p)为分布p与q之间的kl-散度；lk为向量长度；

80、去掉常量后，将第i个query的稀疏性度量定义为：

81、

82、式中m(qi,k)为第i个query的稀疏性度量；

83、根据用kl-散度值，使得每个key只关注u个query来实现概率稀疏自注意力，表示为：

84、

85、式中为大小与q相同的稀疏矩阵且只包含稀疏度量m(q,k)下的最重要的u个query；

86、由此，得到查询稀疏度量的近似为：

87、

88、式中为查询稀疏度量的近似计算结果；

89、作为概率自注意机制的自然结果，编码器得到的特征图具有value的冗余组合，使用蒸馏操作对核心特征进行保留；蒸馏操作从第j层推进到第j+1层的过程表示为：

90、

91、式中为第j+1层的特征图；maxpool()为最大池化下采样函数；elu()为激活函数；conv1d()为一维卷积函数；为第j层的特征图；[]ab为概率自注意的基本运算；

92、为了增强蒸馏操作的鲁棒性，编码器架构中建立若干个编码器的堆栈，每个堆栈均为独立的子编码器；随着堆栈的增加，一次丢弃一层，从而减少蒸馏操作层的数量，最终使输出维度对齐；最后将所有堆栈的输出串联，得到编码器encoder的最终表示。

93、所述的解码器，具体包括如下内容：

94、解码器decoder包括一个概率稀疏自注意力与多头自注意力模块；

95、解码器通过一个前向过程产生长序列输出：

96、

97、式中为经过处理后输入到decoder中的数据；concat()将两组向量进行拼接；为start token；为待预测目标序列的占位符；ltoken为采样start token序列长度；ly为解码器的预测序列长度；dmodel为数据特征维度；

98、通过选择掩模大小，防止x序列中每一位都关注未来的位置，从而避免了自回归。

99、步骤s6所述的训练，得到储能电池性能劣化的早期预警模型，具体包括如下步骤：

100、训练时，采用logcosh损失函数对模型进行训练。

101、本发明还提供了一种实现所述储能电池性能劣化的早期预警方法的系统，包括数据获取模块、数据处理模块、小波分析模块、主成分分析模块、模型构建模块、模型训练模块和早期预警模块；数据获取模块、数据处理模块、小波分析模块、主成分分析模块、模型构建模块、模型训练模块和早期预警模块依次串联；数据获取模块用于获取储能电池的容量退化数据集，并将数据上传数据处理模块；数据处理模块用于根据接收到的数据，对数据进行数据预处理，得到训练数据集，并将数据上传小波分析模块；小波分析模块用于根据接收到的数据，对训练数据集进行小波分析，得到不同频率下的多维度本征分量，并将数据上传主成分分析模块；主成分分析模块用于根据接收到的数据，对本征分量数据信息进行主成分分析，得到核心频率信号，并将数据上传模型构建模块；模型构建模块用于根据接收到的数据，基于informer网络，构建储能电池性能劣化的早期预警初始模型，并将数据上传模型训练模块；模型训练模块用于根据接收到的数据，采用核心频率信号对构建的初始模型进行训练，得到储能电池性能劣化的早期预警模型，并将数据上传早期预警模块；早期预警模块用于根据接收到的数据，采用得到的储能电池性能劣化的早期预警模型，进行实际的储能电池性能劣化的早期预警。

102、本发明提供的这种储能电池性能劣化的早期预警方法及系统，采用小波分析算法从原始数据集中获得不同频率下的本征分量，采用主成分分析方法对上获得的本征分量进行精炼，得到具有识别性的核心频率信号，并采用了基于注意力机制的informer网络构建预警模型，因此本发明不仅能够实现储能电池性能劣化的早期预警，而且可靠性更高，精确性更好，通用性更好。