一种基于IGWO-ADAM-BP神经网络的电化学储能电池数据分析方法

本发明属于电化学储能系统的智能故障诊断领域，特别是一种基于igwo-adam-bp神经网络的电化学储能电池数据分析方法。

背景技术：

1、近年来，电力系统中清洁能源的比重越来越大，但是清洁能源如太阳能和风能的供电会受到天气和时间等自然条件的影响，所以为了维持整个电力系统的稳定性和可靠性，大规模化学储能技术获得了迅速发展，电化学储能电池的应用越来越广泛。然而，由于电化学储能电池系统的复杂性，如何能对电化学储能电池进行实时监测以及对故障部位的精准定位成为一个重要的挑战。针对电化学储能电池的数据分析可以帮助及时发现和预测电池中可能出现的故障，确保储能系统的正常运行，并为预防性维护提供支持。此外，数据分析还可以帮助操作人员及时调整系统运行参数，避免系统损坏，降低运行成本。目前，针对电化学储能电池的数据分析方法主要包括基于模型的方法和混合方法等。但是，由于电化学储能电池系统的复杂性和不确定性，数据分析仍然存在很多挑战。未来，需要进一步研究更有效的数据分析方法，以保障电化学储能电池系统的安全可靠运行。

2、灰狼优化算法通过模拟灰狼种群的捕食行为，基于灰狼群体的合作机制实现寻优的目的。相较于以前的智能优化算法，灰狼优化算法具有结构简单、易于实现、收敛速度快等特点。针对灰狼优化算法后期搜索能力较弱，容易陷入局部最优值的缺陷，通过改变灰狼算法中的收敛因子和位置更新公式提高算法寻优能力。

技术实现思路

1、本发明主要针对电化学储能电池的故障监测问题，在对电化学储能电池的混合数据进行特征提取的基础上，通过igwo-adam-bp神经网络，对电化学储能电池混合数据中的有用信息进行数据分析；

2、一种基于igwo-adam-bp神经网络的电化学储能电池数据分析方法，其主要步骤包括：

3、s1：对电化学储能电池监控系统所获取的电池电压、电流、soc值、soh值等大量历史运行数据进行预处理，包括对不完整不准确数据的删除和数据特征的提取。

4、s2：融合电化学储能电池历史故障数据、历史维修记录和电池设备技术手册，分析汇总完备的电化学储能电池系统运行风险评估与检修策略专家知识，建立储能电池运行数据与其对应状态的专家经验模型。

5、s3：初始化bp神经网络权重和阈值参数，并建立bp神经网络模型，其主要内容包括：

6、s31：定义bp神经网络输入层、隐藏层和输出层的节点数量。

7、s32：连接输入层和隐藏层，设定每个节点之间的连接权重。

8、s33：连接隐藏层和输出层，设定每个节点之间的连接权重。

9、s34：确定bp神经网络的学习率和激活函数。

10、s4：初始化灰狼种群，设定灰狼的种群数量为n，算法当前的迭代次数t和最大迭代次数tmax。

11、s5：设定算法适应度函数，通过适应度函数计算每只灰狼的适应度值，对灰狼个体的适应度值进行排序。

12、s6：利用改进后的位置更新公式计算灰狼位置。

13、s7：判断算法目前的迭代次数，将其与最大迭代次数作比较。如果没有迭代至tmax，则返回s4继续迭代；如果迭代次数为tmax，则进行下一步。

14、s8：输出灰狼种群搜索到的空间最优解。

15、s9：将最优解作为bp神经网络的输入，使用adam训练算法优化bp神经网络。

16、s10：根据s2中建立的电化学储能电池运行数据与其对应状态的专家经验模型对电池运行状态进行评估。

17、s11：通过评估结果定位电化学储能电池系统的故障部位。

18、进一步的，在s1中，电化学储能电池的数据可以通过储能系统内置的传感器和控制器提供。

19、进一步的，在s4中，为了使灰狼个体的位置更具有随机性，引入bernoulli混沌映射对灰狼种群进行初始化，bernoulli混沌映射的表达式如下:

20、

21、其中参数β是混沌映射参数，β∈(0,1)。

22、进一步的，灰狼个体的适应度值定义如下：

23、hc,i＝lbi+r×(ubi-lbi)

24、fitc＝f(hc)

25、其中，fitc为每只灰狼hc的适应度函数；ubi和lbi用来表示灰狼在第i维搜索空间的上边界和下边界；c是介于(0,1)之间的随机数。

26、进一步的，灰狼在包围猎物阶段的位置更新公式如下：

27、d＝|cxp(t)-x(t)|

28、x(t+1)＝xp(t)-ad

29、式中，xp(t)是猎物的位置矢量；x(t)是灰狼个体的位置向量；t是迭代次数；a和c是系数矢量，计算公式如下：

30、a＝2a(r1-1)

31、c＝2r2

32、式中，r1和r2是(0,1)范围内标量的随机向量；a是收敛因子，改进后的收敛因子计算公式如下：

33、

34、式中，amax是收敛因子的最大值；tmax是最大迭代次数，其值与种群的规模大小相关。

35、进一步的，灰狼在狩猎阶段由α，β，δ三个阶层的灰狼领导，并且基于α，β，δ三个阶层的惯性权重逐渐靠近猎物。位置更新的具体公式如下：

36、

37、

38、其中，代表惯性权重，计算方式如下：

39、

40、在上式中，一般取0.9；一般取0.4；在这个迭代周期中，灰狼的最终位置是：

41、x(t+1)＝(x_1+x_2+x_3)/3

42、灰狼不断调整狩猎方向和与猎物的距离，经过多次迭代后，头狼α的位置和适应度即是最优解。

43、进一步的，自适应矩估计算法(adam)可以动态更新bp神经网络的学习率，并使模型在优化过程中根据实际情况调整梯度。在每一次迭代中，训练算法中的未知参数g可以通过来计算，具体计算规则如下：

44、

45、

46、

47、式中，x为更新后的参数，d是梯度的搜索方向；τ是学习率，ε是一个光滑项，一般取ε＝1×10-8；为历史梯度指数衰减均值，为指数衰减历史二次梯度均值，计算公式为：

48、

49、

50、mt＝β1mt-1+(1-β1)gt

51、

52、式中，β1＝0.9，β2＝0.999；mt和bt是一阶和二阶参数；网络模型的未知参数为：

53、

54、

55、

56、

57、这些未知参数通过adam算法优化的梯度下降法进行迭代，直到获得最优解。

58、进一步的，电化学储能电池的故障分类通过准确率进行评价，其具体的计算公式为：

59、

60、其中，tp表示模型预测为正的正样本的个数；fp是模型预测为正的负样本的个数；fn为模型预测为负的正样本的个数；tn是模型预测为负的负样本的个数。

61、发明优点：

62、灰狼优化算法和bp神经网络都是人工智能领域的重要算法，本发明通过改进灰狼算法的收敛因子和位置更新公式，增强灰狼优化算法在后期的搜索能力和收敛速度；将改进后的灰狼优化算法与adam优化器结合，优化bp神经网络，使数据分析模型能快速准确得到预测结果或故障诊断结果。

63、本发明通过igwo-adam-bp神经网络，建立了一种能够实时监测、快速响应的电化学储能电池数据分析模型。