[发明专利]一种基于降噪自编码的锂电池储能系统监测方法及系统

权利要求书

1.一种基于降噪自编码的锂电池储能系统监测方法，其特征在于，所述方法包括：

步骤S1：计算锂电池端电压分别与测量参数组和/或物理参数组中各参数之间的互信息值；

步骤S2：基于所述互信息值构建数据样本；

步骤S3：基于数据样本构建堆栈降噪自编码网络；

步骤S4：基于回归方法，根据所述堆栈降噪自编码网络建立锂电池端电压的回归预测模型；

步骤S5：根据所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值；

步骤S6：根据所述电池储能系统中锂电池端电压预测值判断是否告警。

2.根据权利要求1所述的基于降噪自编码的锂电池储能系统监测方法，其特征在于，所述基于数据样本构建堆栈降噪自编码网络，具体包括：

步骤S31：基于数据样本训练第一降噪自编码器；

步骤S32：将训练后的所述第一降噪自编码器的隐含层的输出作为第二降噪自编码器的输入层的输入，训练第二降噪自编码器；

步骤S33：将训练后的所述第一降噪自编码器和训练后的所述第二降噪自编码器进行堆叠，形成堆栈降噪自编码网络。

3.根据权利要求2所述的基于降噪自编码的锂电池储能系统监测方法，其特征在于，所述基于数据样本训练第一降噪自编码器，具体包括：

步骤S311：给定第一降噪自编码器输入层的初始化权重、神经元数量以及激活函数；

步骤S312：从所述数据样本中选取多个特征变量；

步骤S313：基于所述第一降噪自编码器输入层的初始化权重和多个所述特征变量训练第一降噪自编码器；

步骤S314：利用误差函数和BP算法反向求出第一个降噪自编码器的两个权重变化量；

步骤S315：采用梯度下降法，根据所述两个权重变化量计算下一次训练所需的权重；

步骤S316：判断迭代次数是否大于或等于最大迭代次数；如果迭代次数大于或等于最大迭代次数，则执行“步骤S32”；如果迭代次数小于最大迭代次数，则将下一次训练所需的权重作为第一降噪自编码器输入层的初始化权重，返回“步骤S312”。

4.根据权利要求1所述的基于降噪自编码的锂电池储能系统监测方法，其特征在于，所述基于回归方法，根据堆栈降噪自编码网络建立锂电池端电压的回归预测模型，具体包括：

步骤S41：基于回归方法，将所述数据样本输入所述堆栈降噪自编码网络，获得堆栈降噪自编码网络输出层的向量；

步骤S42：通过矩阵变换提取堆栈降噪自编码网络输出层的向量，获得与锂电池端电压强相关的参数；所述互信息值在0.6-1范围内为强相关；

步骤S43：根据所述锂电池端电压和与锂电池端电压强相关的参数建立锂电池端电压的回归预测模型。

5.根据权利要求1所述的基于降噪自编码的锂电池储能系统监测方法，其特征在于，所述根据所述电池储能系统中锂电池端电压预测值判断是否告警，具体包括：

步骤S61：将锂电池端电压预测值与所述锂电池端电压进行比较获得误差；

步骤S62：判断所述误差是否在设定范围内；如果所述误差在设定范围内，则表示电池储能系统中锂电池正常工作；如果所述误差不在设定范围内，则监控系统对此做出告警。

6.一种基于降噪自编码的锂电池储能系统监测系统，其特征在于，所述系统包括：

互信息值计算模块，用于计算锂电池端电压分别与测量参数组和/或物理参数组中各参数之间的互信息值；

数据样本构建模块，基于所述互信息值构建数据样本；

堆栈降噪自编码网络构建模块，基于数据样本构建堆栈降噪自编码网络；

回归预测模型确定模块，基于回归方法，根据所述堆栈降噪自编码网络建立锂电池端电压的回归预测模型；

锂电池端电压预测值确定模块，用于根据所述堆栈降噪自编码网络和所述回归预测模型计算电池储能系统中锂电池端电压预测值；

判断告警模块，用于根据所述电池储能系统中锂电池端电压预测值判断是否告警。