增程式电动汽车构网装置故障诊断与安全控制方法与流程
本发明涉及农村离网保供及智能故障诊断控制,具体而言,涉及增程式电动汽车构网装置故障诊断与安全控制方法。
背景技术:
1、农村地区供电半径长、负荷分散、网架相对薄弱,受季节性农业生产、采暖制冷、节假日返乡、自然灾害和临时施工用电等因素影响,局部台区容易出现电压偏低、供电能力不足和短时停电等问题,因此,利用具备移动储能属性的电动汽车参与乡镇应急保供,成为提升农村配电网供电韧性的可行技术路径。
2、与普通纯电动汽车相比,增程式电动汽车同时具有动力电池和燃油增程器,可在电池荷电状态下降时通过增程器提供接续能量支撑,具备更强的长时保供能力,在农村离网保供场景下,增程式电动汽车通过构网充放电装置接入低压母线,可与光伏、关键负荷和普通负荷形成车-光-用-网微平衡区,实现黑启动、离网构网、电压频率支撑和关键负荷持续供电。
3、然而,构网充放电装置不同于普通并网充电桩,其在离网运行时需要主动建立交流电压和频率,并承受光伏波动、负荷突变、三相不平衡、冲击负荷、bms通信异常、直流母线波动、增程器启停延迟等复杂扰动,一旦状态识别不及时或控制策略不合理,可能引发电压越限、频率越限、逆变器过流、直流侧欠压、谐波超限、构网失稳甚至关键负荷失供,同时,现有方法较少将故障诊断结果与构网参数调整、限功率、负荷切除和放电闭锁等安全控制动作联动,难以满足农村离网保供场景下诊断、控制和反馈闭环运行要求。
技术实现思路
1、为了弥补以上不足,本发明提供了一种克服上述技术问题或至少部分地解决上述问题的增程式电动汽车构网装置故障诊断与安全控制方法。
2、本发明是这样实现的:
3、本发明提供增程式电动汽车构网装置故障诊断与安全控制方法,包括:
4、s1、采集目标增程式电动汽车、构网充放电设备、离网微平衡区及负荷侧的多源运行状态量,形成构网状态特征向量;
5、s2、基于构网状态特征向量对应的构网充放电设备运行状态,对构网状态特征向量进行运行模式标注、故障类型标注和故障严重度标注,构建样本数据集;
6、s3、对样本数据集中的构网状态特征向量进行归一化处理和构网稳定性加权处理,并基于多维尺度分析方法对加权后的构网状态特征进行降维,计算获得低维构网状态特征向量;
7、s4、构建stacking集成诊断模型,将低维构网状态特征向量输入所述stacking集成诊断模型进行训练,并利用训练完成的stacking集成诊断模型输出构网运行模式、故障类型、故障严重度和诊断置信度;
8、s5、根据构网运行模式、故障类型、故障严重度和诊断置信度,生成安全控制指令。
9、在一个优选的方案中,所述s1中包括:
10、s11、目标增程式电动汽车运行状态量包括车辆电池荷电状态、燃油余量、电池管理系统允许的最大放电功率、电池管理系统通信状态;
11、其中,目标增程式电动汽车的运行状态量通过车载通信网络获取,其中,车辆电池荷电状态和电池管理系统允许的最大放电功率由电池管理系统bms实时发送,燃油余量由燃油液位传感器经整车控制器采集获得,电池管理系统通信状态由bms通信接口根据通信报文接收状态确定;
12、构网充放电设备运行状态量包括直流母线电压、直流母线电压纹波、交流输出电压、交流输出频率、接触器状态、并离网状态;
13、其中,构网充放电设备的运行状态量通过构网控制器采集获得,其中,直流母线电压和交流输出电压分别由直流侧电压采样电路和交流侧电压采样电路实时检测,直流母线电压纹波根据连续采样的直流母线电压计算获得,交流输出频率根据交流输出电压的过零点检测获得;接触器状态通过接触器辅助触点反馈信号获取,并离网状态通过并离网切换单元的状态反馈信号获取;
14、离网微平衡区运行状态量包括有功功率、无功功率、电压不平衡度、电压总谐波畸变率、电流总谐波畸变率;
15、其中,离网微平衡区的运行状态量通过三相电压、电流采样模块获取,其中,有功功率和无功功率根据采集的三相电压、电流计算获得;电压不平衡度依据三相电压计算获得;电压总谐波畸变率和电流总谐波畸变率根据采集的电压、电流波形经快速傅里叶变换计算获得;
16、负荷侧的多源运行状态量包括负荷功率突变量;
17、其中,负荷侧运行状态量通过负荷监测单元采集负荷功率,并根据相邻采样时刻的负荷功率变化计算获得负荷功率突变量;
18、基于车辆电池荷电状态、燃油余量、电池管理系统允许的最大放电功率、电池管理系统通信状态、直流母线电压、直流母线电压纹波、交流输出电压、交流输出频率、接触器状态、并离网状态、有功功率、无功功率、电压不平衡度、电压总谐波畸变率、电流总谐波畸变率和负荷功率突变量,构建构网状态特征向量。
19、在一个优选的方案中,所述s2中包括:
20、s21、根据构网充放电设备的并离网状态、交流输出状态、增程器运行状态及功率流向,对构网充放电设备当前运行工况进行识别,当构网充放电设备处于并网状态且未向负荷侧输出电能时,标注运行模式为并网待机;当构网充放电设备处于离网状态且完成电压、频率建立时,标注运行模式为离网构网;当构网充放电设备完成离网电压恢复并建立孤岛电源时,标注运行模式为黑启动;当车辆、光伏及负荷共同构成孤岛供电系统时,标注运行模式为车-光-用孤岛运行;当多个构网充放电设备共同参与离网供电时,标注运行模式为多车并联支撑;当构网充放电设备因故障进入限功率运行状态时,标注运行模式为故障降级运行;当构网充放电设备因保护动作停止放电时,标注运行模式为闭锁保护,并将对应运行模式作为运行模式标签;
21、s22、将构网状态特征向量中的各运行状态量分别与对应的预设运行阈值进行比较,根据越限结果确定故障类型;当直流母线电压低于欠压阈值或高于过压阈值时,分别标注为直流母线欠压故障或直流母线过压故障;当交流输出电压超出允许范围时,标注为交流电压越限故障;当交流输出频率超出允许范围时,标注为频率越限故障;当电压不平衡度超过预设阈值时,标注为电压不平衡超限故障;当电压总谐波畸变率或电流总谐波畸变率超过对应阈值时,标注为谐波超限故障;当电池管理系统通信状态异常时,标注为bms通信异常故障;当增程器未按照控制指令完成接续时,标注为增程器接续异常故障;当接触器反馈状态与控制状态不一致时,标注为接触器异常故障;当负荷功率突变量超过预设阈值时,标注为冲击负荷扰动故障;当构网稳定性评价指标低于预设稳定性阈值时,标注为构网稳定性不足故障,并将对应故障类型作为故障类型标签;
22、s23、根据构网状态特征向量计算构网充放电设备的综合风险指标,通过第t时刻的交流输出电压、交流输出频率、电压不平衡度、电压总谐波畸变率、直流母线电压纹波、车辆电池荷电状态以及燃油余量,并通过以下方式计算获得综合风险指标;
23、首先对车辆电池荷电状态进行归一化处理,得到归一化后的车辆电池荷电状态;
24、;式中,表示车辆电池荷电最小值,表示车辆电池荷电最大值;
25、随后对燃油余量进行归一化处理,得到归一化后的燃油余量;
26、;式中表示为燃油余量最大值;
27、最后基于归一化后的车辆电池荷电状态、归一化后的燃油余量以及第t时刻的交流输出电压、交流输出频率、电压不平衡度、电压总谐波畸变率、直流母线电压纹波相结合,通过计算获得综合风险指标;
28、;
29、式中、、、、、和表示为权重系数。
30、在一个优选的方案中,所述s2中还包括:
31、s24、通过预设第一风险阈值和第二风险阈值,且<,并将综合风险指标与第一风险阈值和第二风险阈值进行对比,包括:
32、当≥,表示为三级异常;
33、当,表示二级异常;
34、当,表示一级异常;
35、将运行模式标签、故障类型标签及故障严重度标签与对应的构网状态特征向量关联,构建样本数据集。
36、在一个优选的方案中,所述s3中包括:
37、s31、通过构网状态特征向量进行归一化处理,预设第j个构网状态特征在时刻t的原始值为,则归一化后得到第j个构网状态特征在时刻t的特征值;
38、;式中表示第j个构网状态特征在样本数据集中的最小值,表示第j个构网状态特征在样本数据集中的最大值;
39、根据第j个构网状态特征对构网稳定性的影响程度,预设对应的稳定性权重,对归一化后的构网状态特征进行加权处理,通过计算获得第j个加权后的构网状态特征值;
40、;式中表示第j个构网状态特征对应的稳定性权重;
41、基于加权处理后的构网状态特征,计算任意两个样本a和b之间的加权欧氏距离;
42、;式中,表示为样本a的第j个加权构网状态特征值,表示样本b的第j个加权构网状态特征值,表示为构网状态特征总数;
43、基于多维尺度分析方法对加权后的构网状态特征进行降维
44、通过样本a和b之间的加权欧氏距离构建距离矩阵d,并通过以下方式计算gram矩阵;
45、首先计算中心化矩阵;
46、;
47、再进一步进行gram矩阵;
48、;
49、对计算获得的gram矩阵进行特征值分解,得到分解后的gram矩阵;
50、;
51、随后,选取前m个最大特征值及其对应的特征向量,计算低维构网状态特征向量;
52、。
53、在一个优选的方案中,所述s4中包括:
54、s41、基于低维构网状态特征向量及样本标签构建stacking集成诊断模型,包括将低维构网状态特征向量及样本标签组成训练样本集,并将训练样本集划分为训练集、验证集和测试集;利用训练集采用k折交叉验证分别对多个第一层基学习器进行训练,获得各第一层基学习器对应的预测结果,将第一层基学习器的预测结果作为第二层元学习器的输入,对第二层元学习器进行训练,完成stacking集成诊断模型的构建。
55、在一个优选的方案中,所述s4中还包括:
56、s42、利用训练完成的stacking集成诊断模型对低维构网状态特征向量进行诊断;
57、首先将待诊断的低维构网状态特征向量在第t时刻时,分别输入第一层若干个基学习器中,获得第i个基学习器对应的预测结果;
58、;式中为第一层基学习器总数量;
59、然后将第i个第一层基学习器输出的预测结果进行组合,形成第二层元学习器的输入特征;
60、;
61、接着将融合特征向量输入第二层元学习器进行融合计算,获得构网运行模式、故障类型及故障严重度诊断结果;
62、;式中表示第二层元学习器,表示当前构网充放电设备的运行模式,表示当前构网充放电设备对应的故障类型,表示当前构网充放电设备对应的故障严重程度;
63、第二层元学习器输出各诊断类别对应的预测概率,其中,第k个诊断类别对应的预测概率记为,则诊断置信度为;
64、。
65、在一个优选的方案中,所述s5中包括:
66、s51、根据构网运行模式、故障类型、故障严重度及诊断置信度,生成构网充放电装置对应的安全控制动作向量;
67、;式中,表示构网运行模式切换控制指令,表示反向放电目标功率,表示有功控制参数,表示无功控制参数,表示增程器启停控制状态,表示非关键负荷切除功率,表示放电闭锁控制状态;
68、根据故障严重度及诊断置信度计算安全功率调节系数;
69、。
70、根据安全功率调节系数、调度功率、电池允许放电能力及构网设备输出能力,计算反向放电目标功率;
71、;式中表示计划调度放电功率,表示电池管理系统允许最大放电功率,表示逆变器最大输出功率,表示构网控制允许最大输出功率;
72、根据车辆剩余电能及燃油储能计算可持续供电能量;
73、;式中表示车辆电池荷电状态,表示最低允许荷电状态,表示逆变效率,表示增程器发电效率,表示燃油热值,表示燃油余量。
74、在一个优选的方案中,所述s5中还包括:
75、s52、通过预设启动荷电状态阈值、停止荷电状态阈值及临界供电能量阈值,将车辆电池荷电状态与启动荷电状态阈值、停止荷电状态阈值进行对比,并将可持续供电能量与临界供电能量阈值进行对比,包括:
76、当时,生成增程器启动控制指令;
77、当时,生成增程器停止控制指令。
78、本发明提供的增程式电动汽车构网装置故障诊断与安全控制方法,其有益效果包括有:
79、1、通过采集目标增程式电动汽车、构网充放电设备、离网微平衡区及负荷侧的多源运行状态量,构建构网状态特征向量,并结合运行模式、故障类型及故障严重度进行样本标注,形成多维标签样本数据集;进一步对构网状态特征向量进行归一化处理、构网稳定性加权处理及多维尺度分析降维,在保留构网状态关键特征信息的同时,有效降低了特征维度及数据冗余,减小了噪声对故障诊断的影响,提高了特征表达能力及模型训练效率。
80、2、通过构建stacking集成诊断模型,对降维后的构网状态特征进行训练和诊断,综合多个基学习器的预测结果,实现构网运行模式、故障类型、故障严重度及诊断置信度的联合输出,并根据诊断结果生成对应的安全控制指令,实现故障诊断与安全控制的联动,提高了复杂构网运行场景下故障诊断的准确性、稳定性及可靠性,增强了农村离网保供场景下构网充放电装置的安全运行能力和持续供电能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com