[发明专利]一种大容量电池储能系统的故障诊断方法及装置

说明书

本发明涉及一种大容量电池储能系统的故障诊断方法及装置，包括获取电池储能系统的待诊断数据；将所述待诊断数据作为测试样本输入预先构建的BP神经网络模型进行故障诊断，输出故障诊断结果。本方案的提出有效解决了大容量电池储能系统故障诊断困难的问题，使得故障诊断具有较高的准确性。

技术领域

本发明属于储能技术领域,具体涉及一种大容量电池储能系统的故障诊断方法及装置。

背景技术

能源危机和全球变暖等问题促使风能、太阳能等可再生能源已经深入人类生活的各个领域。为了支持绿色技术的发展，大容量电池储能系统应运而生。大容量电池储能系统一般由成千上万个电池单体串并联形成，由于电池单体数目众多，电池单体是否发生故障很难及时准确检测，电池单体的故障往往会危及整个储能系统，而储能系统的安全性与稳定性直接影响电力设备乃至整个电力系统的安全与稳定，因此对大容量电池储能系统故障诊断进行研究具有重要意义。

发明内容

为了弥补上述技术空白，本发明根据大容量电池储能系统的特点，提供一种大容量电池储能系统的故障诊断方法及装置，结合遗传算法对BP神经网络进行优化，为大容量电池储能系统故障诊断提供了新的方向。

本发明的目的是采用下述技术方案实现的：

一种大容量电池储能系统的故障诊断方法，所述方法包括：

获取电池储能系统的待诊断数据；

将所述待诊断数据作为测试样本输入预先构建的BP神经网络模型进行故障诊断，输出故障诊断结果；

其中，所述预先构建的BP神经网络模型是对电池单体的端电压信号电池储能系统的端电压信号U_i和电流信号I_i提取电池单体欧姆内阻的样本熵、电池组的惩罚因子Ad_i和电池单体端电压变化量的隶属度f_knti作为训练样本进行训练得到的。

优选的，所述BP神经网络模型的构建过程为：

通过采集卡采集电池单体的端电压信号电池储能系统的端电压信号U_i和电流信号I_i；

对采集到的上述信号进行特征向量提取，并对特征向量进行归一化处理；所述特征向量包括电池单体欧姆内阻的样本熵、电池组的惩罚因子Ad_i和电池单体端电压变化量的隶属度f_knti；

将归一化处理后的特征向量输入初始BP神经网络，利用遗传算法对所述初始BP神经网络的权值进行优化；

对优化后的BP神经网络进行训练，得到最终的BP神经网络模型。

进一步地，通过下式确定电池单体欧姆内阻的样本熵：

式中，为第k个电池单体在第i个采样点的端电压，为第k个电池单体在第i个采样点的欧姆内阻，为的概率密度，n为采样点的个数，H(R^k)为第k个电池单体欧姆内阻的熵。

进一步地，通过下式确定电池组的惩罚因子Ad_i：

式中，I_i和U_i分别为电池储能系统第i个采样点的电流值和电压值。

进一步地，通过下式确定电池单体端电压变化量的隶属度：