一种面向储能电池削峰填谷场景的多故障诊断方法与流程

本发明涉及电池故障识别，尤其涉及一种面向储能电池削峰填谷场景的多故障诊断方法。

背景技术：

1、随着全球能源结构向清洁低碳加速转型，储能电站已成为支撑新型电力系统安全稳定运行的重要组成部分。在储能电站的诸多应用场景中，削峰填谷是实现经济价值的重要场景之一。然而，服务于储能电站削峰填谷场景的储能电池运行工况复杂，这使得该场景下的储能电池可能发生多种故障，例如电池间soc不一致、老化导致的容量衰减、内短路故障、连接故障、热失控等。在这些故障中，soc不一致故障、老化故障与内短路故障不仅会对电池模组的运行安全和可靠性造成较大影响，其电压响应还表现出相似的特性；同时，由于削峰填谷场景下储能电池的工况复杂，从电压信号中提取能够有效区分这三类故障的特征存在较大困难，导致电池管理系统检测到电压异常后，难以准确判断故障类型，影响对严重故障的及时处理。因此，准确区分soc不一致故障、老化故障与内短路故障对于提升系统整体安全性与经济性具有重要意义。

2、动态电压规整(dynamic voltage warping，dvw)算法是一种用于相似度计算的方法。在电池故障诊断的实际应用中，电压随时间变化的动态曲线是反映电池健康状态的关键特征之一。动态电压规整算法通过智能地拉伸或压缩时间轴，能够精准对齐不同充放电循环下的电压序列，从而克服因充放电速率差异、环境波动或采样不一致所导致的曲线长度与相位不匹配问题。该算法通过寻找最优路径，计算序列间的最小累积距离，有效识别异常充放电曲线。借助这一方法，系统能够更可靠地早期预警电池老化、内阻增大、微短路或一致性劣化等潜在故障，为电池故障诊断提供分析依据。逻辑回归(logistic regression，lr)算法是一种用于二分类的算法，其核心思想是将电池运行中提取的各类特征与故障概率值建立映射关系。算法通过sigmoid函数输出一个0到1之间的概率值，明确表示电池当前状态属于正常或故障类别的可能性，相比于复杂模型，逻辑回归的优势在于模型结构简单、计算效率高。

技术实现思路

1、本发明的目的是为了解决现有技术中存在的缺点，而提出的一种面向储能电池削峰填谷场景的多故障诊断方法，解决了由于储能电站削峰填谷场景中，soc不一致故障、老化故障与内短路故障在电池电压变化上难以区分，且在该场景下故障特征难以提取的技术问题。

2、为了实现上述目的，本发明采用了如下技术方案：一种面向储能电池削峰填谷场景的多故障诊断方法，包括以下步骤：

3、步骤1、对样本电池的电压电流数据分析，提取故障特征；

4、步骤2、将步骤1所获得的电池的故障特征数据作为输入，得到多故障诊断模型；

5、步骤3、分析待测电池的电压电流数据，采用得到的多故障诊断模型诊断soc不一致故障、老化故障与内短路故障诊断。

6、进一步的，所述步骤1中，分别从恒流充电工况、电池静置工况以及电流脉动工况中提取故障特征。

7、进一步的，所述步骤2中，利用改进lr算法建立故障特征与故障类别之间的映射关系，得到多故障诊断模型。

8、进一步的，所述步骤3中，分别从恒流充电工况、电池静置工况以及电流脉动工况中提取故障特征作为输入，采用得到的多故障诊断模型诊断soc不一致故障、老化故障与内短路故障诊断。

9、进一步的，所述步骤1中，对样本电池的电压电流数据分析，提取故障特征，包括以下步骤：

10、步骤1-1，获取电池电压电流数据；

11、步骤1-2，将数据分为恒流充电工况、电池静置工况以及电流脉动工况；

12、步骤1-3，对样本电池恒流充电工况数据进行容量增量(incremental capacity，ic)分析，采用动态电压规整方法计算样本电池与参考电池ic曲线之间的相似度，获得动态电压规整距离特征；

13、步骤1-4，对样本电池静置工况数据进行弛豫电压分析，获取弛豫过程前后的电压差值特征以及弛豫后期电压斜率特征；

14、步骤1-5，对样本电池电流脉动工况数据进行分析，计算样本电池电压数据与参考电池电压数据的瞬时斜率，采用动态电压规整计算样本电池瞬时斜率与参考电池瞬时斜率之间的相似度，得到斜率特征。

15、进一步的，所述步骤2中，利用改进lr算法建立故障特征与故障类别之间的映射关系，得到多故障诊断模型，包括以下步骤：

16、步骤2-1，采用中华穿山甲(chinese pangolin optimizer，cpo)算法对lr算法超参数进行优化；

17、步骤2-2，将加权后的故障特征作为输入，采用cpo算法优化超参数后的lr算法训练故障特征与故障类别之间的关系；

18、步骤2-3，得到多故障诊断模型。

19、进一步的，所述步骤3中，分析待测电池的电压电流数据，采用得到的多故障诊断模型诊断soc不一致故障、老化故障与内短路故障诊断，包括以下步骤：

20、步骤3-1，采用步骤1方法提取待测电池故障特征；

21、步骤3-2，将待测电池故障特征输入到多故障诊断模型中，采用多故障诊断模型对待测电池故障特征分析；

22、步骤3-3，输出故障类别。

23、与现有技术相比，本发明的优点和积极效果在于，

24、本发明提供了一种面向储能电池削峰填谷场景的多故障诊断方法，（1）能够根据储能系统削峰填谷场景的电池电压电流等数据，通过动态电压规整方法提取故障特征，并采用改进lr算法训练多故障诊断模型，从而判断电池单体是否存在soc不一致故障、老化故障和内短路故障故障；（2）本发明所提出的面向储能电池削峰填谷场景的多故障诊断方法，不需要特定的电流激励，实现了可用于储能电池削峰填谷场景的故障诊断；（3）本发明所提出的面向储能电池削峰填谷场景的多故障诊断方法，从电池故障机理角度提取多个故障的关键特征，实现了电池模组的多故障诊断。

1.一种面向储能电池削峰填谷场景的多故障诊断方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的面向储能电池削峰填谷场景的多故障诊断方法，其特征在于：所述步骤1中，分别从恒流充电工况、电池静置工况以及电流脉动工况中提取故障特征。

3.根据权利要求2所述的面向储能电池削峰填谷场景的多故障诊断方法，其特征在于：所述步骤2中，利用改进lr算法建立故障特征与故障类别之间的映射关系，得到多故障诊断模型。

4.根据权利要求3所述的面向储能电池削峰填谷场景的多故障诊断方法，其特征在于：所述步骤3中，分别从恒流充电工况、电池静置工况以及电流脉动工况中提取故障特征作为输入，采用得到的多故障诊断模型诊断soc不一致故障、老化故障与内短路故障诊断。

5.根据权利要求4所述的面向储能电池削峰填谷场景的多故障诊断方法，其特征在于：所述步骤1中，对样本电池的电压电流数据分析，提取故障特征，包括以下步骤：

6.根据权利要求5所述的面向储能电池削峰填谷场景的多故障诊断方法，其特征在于：所述步骤2中，利用改进lr算法建立故障特征与故障类别之间的映射关系，得到多故障诊断模型，包括以下步骤：

7.根据权利要求6所述的面向储能电池削峰填谷场景的多故障诊断方法，其特征在于：所述步骤3中，分析待测电池的电压电流数据，采用得到的多故障诊断模型诊断soc不一致故障、老化故障与内短路故障诊断，包括以下步骤：