[发明专利]储能电站电池故障诊断方法、装置及存储介质

说明书

本发明公开了一种储能电站电池故障诊断方法、装置及存储介质，其中诊断方法包括：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。能够实现潜在故障风险评估，及时诊断电池故障，鲁棒性好，预测精度高。

技术领域

本发明涉及电池技术领域，尤其涉及一种储能电站电池故障诊断方法、装置及存储介质。

背景技术

为了应对化石油消耗和环境污染的挑战，储能电站正在全球范围内积极开发和广泛采用。电池系统是储能电站不可或缺的组成部分，在很大程度上决定了储能电站的工作效率和成本效益。

多个电池单元通常以串联和/或并联配置连接，以满足电压和容量要求。由于电池退化、电气故障或误用，这些组成电池可能会发生故障。如果这些故障未经处理，可能会触发热失控。

因此，准确、及时的电池故障诊断和安全警告的发布对于防止热失控的发生和确保储能电站的安全运行至关重要。然而，现有的储能电站电池故障诊断方法准确性不高，有待进一步提高。

发明内容

为了克服上述现有技术中的不足之处，本发明提供了一种储能电站电池故障诊断方法、装置及存储介质，结合长短时记忆递归神经网络（LSTM）与等效电路模型（ECM），采用基于改进自适应boosting的耦合模块。使用一种真实世界的故障诊断策略，以实现在线故障诊断。

第一方面，提供了一种储能电站电池故障诊断方法，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。

进一步地，基于LSTM的电池电压预测模型的输入矩阵表示如下：

其中，n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t处的第j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。

进一步地，电池ECM模型中，假设电池SOC、温度和老化水平在三个连续的时间步长内保持不变，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。

进一步地，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。

进一步地，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；