[发明专利]储能电站电池故障诊断方法、装置及存储介质

权利要求书

1.一种储能电站电池故障诊断方法，其特征在于，包括：

获取储能电站的电池历史数据；

将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压；

根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压；

将预测正常电压与电池实际电压进行比较，实现电池故障诊断；

基于LSTM的电池电压预测模型的输入矩阵表示如下：

其中，是输入特征的数量；是时间步长；是时间步长处电池单元的电压，；是时间步长处的第个输入特征；

基于LSTM的电池电压预测模型的输出矩阵B表示如下：

其中，是时间步长处电池单元的预测电压。

2.根据权利要求1所述的储能电站电池故障诊断方法，其特征在于，电池ECM模型中，并通过以下公式对电池电压进行预测：

式中，是时间步长处电池单元的预测电压； 是的数据矩阵，其中，是时间步长t处电池组的电压，是时间步长t处电池组的电流；是参数矩阵，其中，其中是电池单元的时间步长t处的OCV； 、是ECM模型参数。

3.根据权利要求1至2任一项所述的储能电站电池故障诊断方法，其特征在于，根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压，包括：

预测正常电压通过下式计算得到：

式中，是第一预测电压，是第二预测电压，和分别为第一预测电压和第二预测电压的权重。

4.根据权利要求3所述的储能电站电池故障诊断方法，其特征在于，第一预测电压和第二预测电压的权重和通过如下方法得到：

使用基于LSTM的电池电压预测模型和电池ECM模型预测电压，得到如下电压预测矩阵：

式中，表示模型类别，为LSTM时，对应基于LSTM的电池电压预测模型，为ECM时，对应电池ECM模型；是电池单元在时间步长的预测电压；为电压预测矩阵中对应的预测总步长，b为电池单元总数；

通过如下公式计算基于LSTM的电池电压预测模型和电池ECM模型预测电压的电压预测矩阵的回归误差率：

式中，是电池单元的时间步长处的实际电压；E是最大误差，；m是m=a×b的样本数；

通过以下公式计算基于LSTM的电池电压预测模型和电池ECM模型的预测电压初始权重和：

通过下式转化得到第一预测电压和第二预测电压的权重和：

。

5.根据权利要求4所述的储能电站电池故障诊断方法，其特征在于，计算第一预测电压和第二预测电压的权重和时，根据在线更新数据的最后个时间步计算。

6.根据权利要求1所述的储能电站电池故障诊断方法，其特征在于，所述将预测正常电压与电池实际电压进行比较，实现电池故障诊断，包括：

计算电池实际电压与预测正常电压的差值，根据差值与预设的故障等级电压阈值的比较结果，判断电池电压属于正常、过电压或欠电压状态，若为过电压或欠电压状态，则根据比较结果发出对应等级的警告。

7.一种储能电站电池故障诊断装置，其特征在于，包括：

数据获取模块，用于获取储能电站的电池历史数据；

电压预测模块，用于将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中，分别得到第一预测电压和第二预测电压；

耦合模块，用于根据第一预测电压和第二预测电压，利用改进自适应boosting方法计算预测正常电压；

故障诊断模块，用于将预测正常电压与电池实际电压进行比较，实现电池故障诊断；

基于LSTM的电池电压预测模型的输入矩阵 表示如下：

其中，是输入特征的数量；是时间步长；是时间步长处电池单元的电压，；是时间步长处的第个输入特征；

基于LSTM的电池电压预测模型的输出矩阵B表示如下：

其中，是时间步长处电池单元的预测电压。

8.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的储能电站电池故障诊断方法。