[发明专利]一种基于证据K近邻分类器的储能用蓄电池一致性诊断方法

说明书

本发明公开了一种基于证据K近邻分类器的储能用蓄电池一致性诊断方法，该方法利用储能电站一簇电池中的大量单体电池电压与温度运行数据，使用证据KNN分类器构建能够表征电池电压、温度一致性的诊断模型，并通过异常反演算法，准确识别出异常的单体电池。本发明不依赖于电池模型、经验数据和故障样本，使用电池正常运行中的充放电数据，构建电池的一致性诊断模型，能够快速有效的评估储能蓄电池单体电池一致性，并快速识别出异常电池，具有良好的应用前景。

技术领域

本发明涉及一种基于证据K近邻分类器的储能用蓄电池一致性诊断方法，属于软测量技术领域。

背景

“3060”目标提出后，清洁能源并网比例迅速攀升，光伏、风电将逐步取代化石能源成为主要一次能源，据预测，2050年清洁能源装机占比将由目前的39％增至84％，发电量占比将由目前的35％增至80％。随着光伏、风电等清洁能源装机比例的快速攀升，清洁能源消纳压力巨大。抽水蓄能、电化学储能是有效提升清洁能源消纳的措施，相比于抽水蓄能，电化学储能系统具有能量密度大、场地要求低、施工周期短、响应速度快等显著优点，能够显著提升清洁能源消纳能力。在国家职能部门和各级政府政策引导下，电化学储能建设规模不断扩大，得到越来越广泛的应用。随着储能电站容量显著增大，大容量电池储能系统通常需要把单体电池进行串、并联成组，以满足一定的能量和功率要求。然而，单体电池间不一致性会降低电池组性能的发挥，而且会影响BMS系统监测的精确性和电池组运行的安全性，因此成组电池中单体电池间一致性对电池组的性能、安全、寿命有重要影响，一致性的差异将造成电池组性能和寿命的下降，甚至带来安全隐患。因此如何快速准确评价电池的一致性，并识别出异常电池，是当前迫切需要解决的课题。

发明内容

本发明的目的克服现有蓄电池一致性诊断技术中广泛依赖电池机理模型、异常数据、标准数据的问题，能够使用正常运行数据，快速有效的建立蓄电池的一致性评价模型，进行蓄电池组内单体电池一致性诊断，并能够准确识别出异常单体电池，具有良好的应用前景。

为实现上述目的，本发明采用如下技术方案：

一种基于证据K近邻分类器的储能用蓄电池一致性诊断方法，包括以下步骤：

步骤1，证据库构建：证据库由样本库与描述样本库中样本标签的证据构成。本方法采用Kmeans算法对历史数据进行聚类，从而挖掘出电池历史数据中所隐含的健康一致性工作状态。本方法将蓄电池正常状态分为3类，对应于电池的若干健康一致性状态。将Kmeans聚类所得的聚类标签转换为证据形式后，与对应的样本点并联完成证据库T的构建，下述步骤中将证据库T作为训练数据建立证据分类模型。

步骤2，k邻域搜索：计算待监测状态点x^s与电池状态证据库T中各个状态点之间的欧氏距离从而找到x^s的k个最近邻，最近邻组成集合Φ^s。Φ^s中的每个最近邻x_i的类别状态信息m_i都能为x^s的状态识别提供一条证据。最近邻x_i为待监测状态点x^s提供的状态信度分配证据m(·|x_i)为：

式中：I_k^s＝{i₁,i₂,…,i_k}为最近邻样本在电池状态库T中的下标集合；d_s,i为x^s与x_i之间的欧氏距离。

步骤3，EKNN证据融合推理：对于x^s的k个最近邻，我们已知其状态属性信息，并得到根据它们与待监测状态点x^s之间的距离进行证据折现后的证据(BBA)。为了识别x^s的运行状态采用DS证据融合法则将这些证据进行融合，反映x^s状态的融合证据m^s表达形式如下：