一种基于多层前馈神经网络的储能电站智能监测方法与流程

1.本发明属于储能电站监测技术领域，特别是涉及一种基于多层前馈神经网络的储能电站智能监测方法。


背景技术：

2.目前，对为人类社会提供主要能源的传统化石能源的过度消费已经使其日渐枯竭，而且化石能源对环境有着显著的负面影响，因此改变现有不合理的能源结构已成为人类社会可持续发展面临的首要问题。当前国家大力倡导的风能、太阳能、潮汐能、地热能等均属于可再生清洁能源，由于其随机性、间歇性等特点，如果将其所产生的电能直接输入电网，会对电网产生很大的冲击.在这种形势下，发展高效便捷的储能技术以满足人类的能源需求成为世界范围内研究热点。
3.电化学储能系统具有安装方便灵活、响应速度快、可控性好等特点，可显著提高风、光等可再生能源的电网消纳能力，改善电能质量，平滑电网潮流，降低电力资产投资，在促进能源转型变革发展中具有重要作用。在各种材料的电池中，近年来，锂离子电池（libs）储能系统由于其高能量密度、大放电倍率和不断下降的成本等显著优点得以在全球各国电力行业中蓬勃发展。
4.然而，随着锂电池在储能领域的应用规模不断扩大，其安全问题也日益凸显，反映出了储能行业规模的高速发展并未使电池安全性能有相匹配的提升，因此，如何提高锂电池储能电站的安全性能已成为一项亟待解决的重要问题。
5.提高锂电池储能电站安全性的措施主要有研发更为安全的电池材料以及建立更为完备的电池状态监测体系两种，而前者受限于现有的材料技术的发展，从近年来的电化学储能事故来看，推动电池安全问题的解决、实现电池安全问题的可测、可控、可防，主要是通过建立更为完备的电池状态监测体系，现有的监测体系主要是通过传感器对电池组的电量和非电量进行监测，目的是及时发现电池异常状态，在电池达到热失控临界点之前发出预警信号并通过电池管理系统采取应急措施，这种方法结构简单，但由于泄漏时间、泄漏位置、周围环境等不确定性因素的存在，无法实现快速定位热失控源头，这对系统维护及事故处理十分不利。


技术实现要素：

6.本发明的目的在于提供一种基于多层前馈神经网络的储能电站智能监测方法，通过监测三种热失控后主要气体的浓度变化实现电池组热失控的精确预警，解决了现有的储能电站监控力度不足、事故发现不及时的问题。
7.为解决上述技术问题，本发明是通过以下技术方案实现的：本发明为一种基于多层前馈神经网络的储能电站智能监测方法，包括如下步骤：步骤s1：多个传感器在不同测点的t0时刻采集气体的浓度信号，形成三种气体浓度的时空矩阵；
步骤s2：将每个传感器的浓度时间序列构造对应的hankel矩阵，再提取该矩阵的奇异值作为放电的特征值；步骤s3：将去噪后的二维浓度矩阵在特定时间断面上进行插值，得到插值后二维浓度矩阵并进行归一化，最后得到三种气体的综合浓度指标；步骤s4：将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。
8.作为一种优选的技术方案，所述步骤s1中，多个传感器形成的三种气体浓度的时空矩阵公式为：；式中，x=co、co2或者h2；表示位于m行n列的传感器在t0时刻采集到的x气体的浓度。
9.作为一种优选的技术方案，在所述储能电站中多个传感器呈m
×
n矩形分布，每个传感器在t0～t
y-1
时刻总共采集到y个浓度数据，具体公式为：；式中，x=co、co2或者h2，表示位于i行j列的传感器在t0时刻采集到的x气体的浓度。
10.作为一种优选的技术方案，所述步骤s2中，hankel矩阵为矩阵中每一条逆对角线的元素都相等的矩阵，提取时每一页矩阵中位于同一位置的元素构造成一维信号序列，公式为：；
式中，c为位于i行j列的传感器所采集到的浓度时间序列；所述一维信号序列转换为hankel矩阵的公式如下：；式中，当1《n《y, m=y-n+1；当y为偶数时，n=y/2否则n=(y+1）/2。
11.作为一种优选的技术方案，所述步骤s2中，奇异值的分解公式如下：；式中，矩阵 u、v 分别为m
×
m、n
×
n的正交矩阵，和表示m、n维列向量；奇异值满足。
12.作为一种优选的技术方案，所述步骤s3中，hankel矩阵变换方法对原始浓度信号进行变换后，去噪采用低通滤波器滤除高频噪声，在通过逆变换恢复得到的去噪信号。
13.作为一种优选的技术方案，所述插值处理对浓度传感器测得的浓度-时间变化数据进行二维拉格朗日插值算法得到二维平面浓度场数据；其中，差值节点定义为：；式中，矩形区域d={a≤x≤b，c≤y≤d}上给定的k+1个测量点数据，其中下标ⅰ、
ⅱ…
xii为传感器序号，t为某一时刻，代表编号为k的传感器在t时刻接收到的数据，为传感器坐标；取在z上线性无关的函数组：；式中，矩形区域上给定的k+1个测量点数据
，其中下标ⅰ、
ⅱ…
xii为传感器序号，t为某一时刻,代表编号为k的传感器在t时刻接收到的数据，为传感器坐标；取在z上线性无关的函数组：；式中，是次数关于x不高于n次，具体公式为：；其中，；则二元拉格朗日插值多项式的公式为：。
14.作为一种优选的技术方案，所述步骤s3中，归一化处理的计算公式为：；式中，为第i行第j列的气体浓度传感器在所监测到的归一化气体浓度，为锂电池仓在二维平面上的投影面积；并对三种气体的浓度在同一工况下的权重进行调整，得到综合气体浓度：式中，是三种气体的权重。
15.作为一种优选的技术方案，所述步骤s4中，神经网络包括输入层、隐含层、输出层；工作时，输入信号经输入层传入隐含层，隐含层的神经元有相应的激活函数，经过激活函数再输入至输出层；所述神经网络的最后一层输出为：；式中，下标k代表第k层，代表网络中第k-1层第j个神经元指向第k层第i个神经元的连接权重，代表第k层第j个神经元的激活函数输出，代表第k层第j个神经元的偏差，为激活函数；使用随机梯度下降算法和反向传播算法来最小化损失函数，具体公式如下：。
16.本发明具有以下有益效果：（1）本发明通过监测三种热失控后主要气体的浓度变化实现电池组热失控的精确预警，相比于常规的监测手段只关注电压电流等易受电网潮流影响的量，或者只关注某一特定气体的含量，本发明可以通过三种不同气体含量的变化来及时预警，准确度更高。
17.（2）现有的传感器采集过程中无法避免高频噪声的影响，现有的监测方法通常不进行滤波，或通过加入高通滤波器进行滤波，前者会降低神经网络的模型精度，后者会由于高通滤波器增加延时，相比较而言，本发明采用hankel矩阵奇异值分解的方法，在滤波的同时也提高了信号处理的效率。
18.（3）本发明通过前馈神经网络算法在模型训练完成后可以确定相关权重参数，在预测时结合现有权重便可以迅速计算出泄漏源位置，响应时间更短且鲁棒性强，在实际场景中的应用性更强。
19.当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
20.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1为本发明的一种基于多层前馈神经网络的储能电站智能监测方法流程图；图2为本发明的一种基于多层前馈神经网络的储能电站智能监测系统结构框图；图3左图为传感器采集到的原始浓度信号图；图3右图为通过hankel矩阵变换方法对原始浓度信号进行变换后的图；
图4为插值后的传感器所采集到的空间气体浓度与原始采样空间气体浓度分布；图5为训练误差和准确度的实验数据图。
具体实施方式
22.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
23.请参阅图1-2所示，本发明为一种基于多层前馈神经网络的储能电站智能监测方法，高精度浓度传感器采集电站内不同测点的co、co2和h2浓度，对数据进行小波变换去噪处理，具体步骤包括：步骤s1、采集多个高精度传感器在t0时刻的气体浓度信号，形成三种气体浓度的时空矩阵其中x=co、co2或者h2，表示位于m行n列的传感器在t0时刻采集到的x气体的浓度，由于传感器只能存储y个数据，因此m
×
n个传感器在t0～t
y-1
总共采集到的数据可用一个m
×n×
y的三维矩阵来表示。
24.s2、将每个传感器的浓度时间序列构造对应的hankel矩阵，再提取该矩阵的奇异值作为放电的特征值，该矩阵用于衰减采样过程中的随机噪音，提高采集精度。
25.s3、将去噪后的二维浓度矩阵在特定时间断面上进行插值，得到插值后二维浓度矩阵并进行归一化，最后得到三种气体的综合浓度指标。
26.s4、将归一化后的数据作为测试集输入神经网络，通过输出的行号和列号判断泄露位置。
27.实施例一在储能电站中布置呈矩形分布的m
×
n个高精度传感器，每个传感器在t0～t
y-1
时刻总共采集到y个浓度数据
其中x=co、co2或者h2，表示位于i行j列的传感器在t0时刻采集到的x气体的浓度。
28.进行数据去噪处理：首先基于浓度信号的时间序列构造对应的hankel矩阵，再提取该矩阵的奇异值作为放电的特征。hankel矩阵为矩阵中每一条逆对角线的元素都相等的矩阵，提取时每一页矩阵中位于同一位置的元素构造成一维信号序列位置的元素构造成一维信号序列为位于i行j列的传感器所采集到的浓度时间序列，将式转换为hankel矩阵，如下式所示式中1《n《y, m=y-n+1,当y为偶数，n=y/2否则n=(y+1）/2。
29.奇异值分解（singular value decomposition，svd）本质上与正交变换类似，得到的奇异值（类似于方阵的特征根）反映了矩阵的固有特征。奇异值的分解方法如下式所示：；
式中，矩阵u、v分别为m
×
m、n
×
n的正交矩阵，和表示m、n维列向量；奇异值满足。
30.由于hankel矩阵h是基于浓度的时间序列构造的，对该矩阵提取的奇异值对噪声扰动变化不敏感，可以通过选取合适的非零奇异值个数来代表局部浓度信号的特征，充分反映其放电信号的特征。
31.如图3左图为传感器采集到的原始浓度信号，图3右图为通过hankel矩阵变换方法对原始浓度信号进行变换后使用低通滤波器滤除高频噪声，然后再通过逆变换恢复得到的去噪信号。
32.由图3可知；锂电池发生热失控后，其气体泄露可分为3个阶段，在第1阶段气体浓度迅速增加，进入第二阶段后，传感器附近的气体浓度达到相对稳定，这一阶段的数据适用神经网络的参数训练，第三阶段气体释放停止后，浓度曲线迅速下降，氢气浓度在初始的100s内已下降至1%，低于可燃下限。
33.进行数据差值处理时：根据步骤s1得到的锂电池热失控过程中浓度传感器浓度-时间变化数据，通过二维拉格朗日插值算法得到二维平面浓度场数据，假设对于定义在矩形区域上给定的k+1个测量点数据，其中下标ⅰ、
ⅱ…
xii为传感器序号，t为某一时刻，代表编号为k的传感器在t时刻接收到的数据，为传感器坐标，则插值节点可以定义为取在z上线性无关的函数组其中，是次数关于x不高于n次，关于y不高于m次的二元多项式，也称作二元拉格朗日插值基函数，其具体形式可以表现为：其中这样的满足
因此，二元拉格朗日插值多项式可以写作：；如图5所示插值后的传感器所采集到的空间气体浓度与原始采样空间气体浓度分布。
34.其中为第i行第j列的气体浓度传感器在所监测到的归一化气体浓度，为锂电池仓在二维平面上的投影面积。
35.进一步地，对三种气体的浓度在同一工况下的权重进行调整，得到综合气体浓度式中，是三种气体的权重。
36.模型训练时多层前馈神经网络是一种学习和存储输入-输出模式映射关系，其结构含输入层、隐含层、输出层三层结构。主要有两个过程，前向传播和反向误差传播，输入信号经输入层传入隐含层，隐含层的神经元有相应的激活函数，经过激活函数再输入至输出层，神经网络的最后一层输出为其中下标k代表第k层，代表网络中第k-1层第j个神经元指向第k层第i个神经
元的连接权重，代表第k层第j个神经元的激活函数输出，代表第k层第j个神经元的偏差，为激活函数。
37.损失函数 e 定义为每个循环中计算结果偏离实际值的程度，用于调整参数以改进训练过程。 在目前的工作中，使用交叉熵将损失定义为：；其中，是实际值，是预测值。
38.使用随机梯度下降算法和反向传播算法来最小化损失函数；其中加上标的表示更新后的值。是一个常数，称为学习率，用于控制参数更新率。合适的值使网络能够找到全局最小值（训练损失接近于零）并缩短训练时间。
39.网络训练调整权重和偏差以最小化损失函数。网络权重和偏差在第一步中随机初始化。 网络使用初始参数计算最后一层的输出y
pred
，并与期望的输出y
pred
进行比较，以计算损失。
40.通过反向传播算法和随机梯度下降算法，在每次迭代中更新所有神经元的权重和偏差，以最小化损失函数。重复迭代，直到输出具有可接受的损失。一旦选择了适当的网络权重和偏差，网络就可以进行模式识别。
41.实施例二构建了两个神经网络来预测储能电站中泄漏位置的行数和列数。以一个仅需要布置12个传感器的小型储能电站为例，最佳模型精度是使用具有12-30-30-1架构（每层中的神经元数量）来实现的，如5图所示。输入层使用来自12个传感器在特定时间点的浓度数据作为输入数据，输出层中的一个神经元表示行号或列号的预测结果。
42.人工神经网络模型可以在训练过程后检测和定位气体泄漏位置。如图5所示的训练误差和准确度的收敛表明，在500个迭代后，最小损失达到8.8
×
10-3 ，最大准确度为0.996。
43.值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
44.另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中。
45.以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽
叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。