储能锂电池故障诊断方法及装置与流程

1.本发明涉及电池储能系统智能诊断领域，特别涉及一种储能锂电池故障诊断方法及装置。


背景技术：

2.全球现在面临着能源危机和环境污染两大难题，各国都在积极的寻找清洁能源代替传统化石能源。为了方便电能的管理与使用，需要一种高效安全的储能器件用于电能存储。锂离子电池具有能量密度高、自放电效率低，使用寿命长等优点，在储能技术上应用广泛。由于电池组的使用环境复杂，有许多不确定因素可能会引发电池组故障。为了确保电池组的正常使用和工作人员的人身安全，对其进行故障诊断十分有必要。
3.故障诊断的主要过程包括故障特征提取、故障隔离和估计以及故障评估与决策。根据不同原理，诊断方法可分为基于模型的方法和非模型的方法。锂电储能系统故障诊断研究技术已有了大量的理论基础和实践经验，随着全球锂电储能需求的增加，锂电池储能系统正朝着一体化、轻量化方向发展，其故障技术也得到快速发展。传统的故障诊断大多基于模糊逻辑，进而实现故障诊断，诊断准确度不高、诊断效率较低。
4.针对现有技术中锂电池故障诊断准确度不高、诊断效率较低的问题，目前还没有一个有效的解决方法。


技术实现要素：

5.本发明实施例提供了一种储能锂电池故障诊断方法及装置，通过提前训练多个隔离森林模型，将待测样本分别在多个模型中利用隔离森林法进行隔离，并分别计算样本的异常概率，以提高电池异常判断的准确率及效率。
6.为达到上述目的，本发明提供了一种储能锂电池故障诊断方法，包括：s1、获取待测储能锂电池的电池原始参数；s2、对所述电池原始参数进行数据清洗，并根据清洗后的电池原始参数构建所述待测储能锂电池的特征序列；s3、将所述特征序列作为当前样本分别输入多个隔离森林模型进行隔离，并采用二叉树算法在每个隔离森林模型中重复查找当前样本，直至达到预设查找深度或预设终止条件，得到当前样本在每个隔离森林模型中对应的二叉树特征；其中，每个隔离森林模型对应一类异常；s4、根据所述二叉树特征分别计算当前样本在每个隔离森林模型下的异常概率；s5、重复步骤s3-s4，直至达到预设循环次数，得到当前样本在每个隔离森林模型下对应的多个异常概率；s6、将各个隔离森林模型下对应的多个异常概率的平均值，作为所述当前样本属于各类异常的最终异常概率，选择最大的最终异常概率对应的异常类型作为当前样本的实际异常类型。
7.进一步可选的，所述对所述电池原始参数进行数据清洗，包括：s201、对于所述电池原始参数中的任一项目标参数值，若其超出参数合理阈值或为缺失值，则使用所述目标参数值的前一时刻的参数值或后一时刻的参数值替换所述目标参数值；或，s202、通过滑动窗口计算预设时段中参数值的平均值，将所述平均值作为所述目标参数值。
8.进一步可选的，根据所述二叉树特征分别计算当前样本在每个隔离森林模型下的异常概率，包括：s401、根据二叉树特征计算当前样本在每个隔离森林模型下的异常度及正常度；s402、根据当前样本在每个隔离森林模型下的异常度及正常度分别计算在对应隔离森林模型下的异常概率。
9.进一步可选的，所述选择最大的最终异常概率对应的异常类型作为当前样本的实际异常类型之后，包括：s7、在可视化图表中标记当前样本对应的异常点；其中，所述可视化图表预先根据样本的特征序列中的多维特征构建。
10.进一步可选的，所述电池原始参数包括：时间、电池电压、电池电流及电池温度。
11.另一方面，本发明还提供一种储能锂电池故障诊断装置，包括：数据获取模块，用于获取待测储能锂电池的电池原始参数；特征序列构建模块，用于对所述电池原始参数进行数据清洗，并根据清洗后的电池原始参数构建所述待测储能锂电池的特征序列；二叉树查找模块，用于将所述特征序列作为当前样本分别输入多个隔离森林模型进行隔离，并采用二叉树算法在每个隔离森林模型中重复查找当前样本，直至达到预设查找深度或预设终止条件，得到当前样本在每个隔离森林模型中对应的二叉树特征；其中，每个隔离森林模型对应一类异常；计算模块，用于根据所述二叉树特征分别计算当前样本在每个隔离森林模型下的异常概率；循环模块，用于控制重复二叉树查找模块及计算模块的步骤，直至达到预设循环次数，得到当前样本在每个隔离森林模型下对应的多个异常概率；异常类型确定模块，用于将各个隔离森林模型下对应的多个异常概率的平均值，作为所述当前样本属于各类异常的最终异常概率，选择最大的最终异常概率对应的异常类型作为当前样本的实际异常类型。
12.进一步可选的，所述特征序列构建模块，包括：第一替换子模块，用于对于所述电池原始参数中的任一项目标参数值，若其超出参数合理阈值或为缺失值，则使用所述目标参数值的前一时刻的参数值或后一时刻的参数值替换所述目标参数值；第二替换子模块，用于通过滑动窗口计算预设时段中参数值的平均值，将所述平均值作为所述目标参数值。
13.进一步可选的，所述计算模块包括：第一计算子模块，用于根据二叉树特征计算当前样本在每个隔离森林模型下的异常度及正常度；第二计算子模块，用于根据当前样本在每个隔离森林模型下的异常度及正常度分别计算在对应隔离森林模型下的异常概率。
14.进一步可选的，包括：标记模块，用于在可视化图表中标记当前样本对应的异常点；其中，所述可视化图表预先根据样本的特征序列中的多维特征构建。
15.进一步可选的，所述电池原始参数包括：时间、电池电压、电池电流及电池温度。
16.以上技术方案具有如下有益效果：将待检测样本放入隔离模型进行隔离，然后利用隔离森林法将样本进行隔离，并计算样本各类异常度，进而计算样本属于各类异常的概率，计算速度较快，计算效率较高，适用大规模数据集场景；隔离模型预先训练好，大大缩短了检测时间，提高了效率；在对样本进行异常概率计算时，采用集成学习的思想，对样本进行多次隔离计算所属异常概率，并取平均值，排除了随机性的影响。
17.同时，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法。
18.同时，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
19.为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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为本发明实施例提供的储能离电池故障诊断方法的示意图；
22.图2为本发明实施例提供的储能离电池故障诊断方法的流程框图；
23.图3为本发明实施例提供的数据清洗方法的流程图；
24.图4是本发明实施例提供的异常概率计算方法的流程图；
25.图5是本发明实施例提供的数据集在原始特征可视化(以二维特征为例)示意图；
26.图6是本发明实施例提供的储能锂电池故障诊断装置的结构示意图；
27.图7是本发明实施例提供的特征序列构建模块的结构示意图；
28.图8是本发明实施例提供的计算模块的结构示意图。
29.附图标记：100-数据获取模块 200-特征序列构建模块 2001-异常类型确定模块 2002-第二替换子模块 300-二叉树查找模块 400-计算模块 4001-第一计算子模块 4002-第二计算子模块 500-循环模块 600-异常类型确定模块 700-标记模块
具体实施方式
30.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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.为解决现有技术中对锂电池故障诊断效率较低，诊断准确度不足的问题，本发明实施例提供了一种储能锂电池故障诊断方法，图1为本发明实施例提供的储能离电池故障诊断方法的示意图，图2为本发明实施例提供的储能离电池故障诊断方法的流程框图，如图1、图2所示，该方法包括：
32.s1、获取待测储能锂电池的电池原始参数；
33.测量待测储能电池的电池原始参数，电池原始参数中的每一项可以作为后续的特征序列中特征值，因此，为了丰富特征空间进而提高最后异常识别的准确度，可以尽量多的测量电池原始参数中的多项参数。
34.s2、对电池原始参数进行数据清洗，并根据清洗后的电池原始参数构建待测储能锂电池的特征序列；
35.为了提高异常识别准确度，需要对电池原始参数中的数据进行清洗，以替换其中的错误数据，或冗余数据，以减小错误数据对后续故障识别的影响。
36.采用清洗后的电池原始参数中的各项特征值构建特征序列x＝[v1,v2,
……
，vn]。其中，vi代表一个特征维度，n为不小于2的正整数。
[0037]
s3、将特征序列作为当前样本分别输入多个隔离森林模型进行隔离，并采用二叉树算法在每个隔离森林模型中重复查找当前样本，直至达到预设查找深度或预设终止条件，得到当前样本在每个隔离森林模型中对应的二叉树特征；其中，每个隔离森林模型对应一类异常；
[0038]
多个隔离森林模型为预先训练得到，多个隔离森林模型分别对应多种不同的异常类型，即n个隔离森林模型，是分别针对a,b,c
…
n类的故障进行模型训练得到的隔离森林异常检测模型。
[0039]
将特征序列作为当前样本分别在n个模型中利用隔离森林法进行隔离，对于一个n维数据集，随机选择n个特征维度，使用二叉树方法查找当前样本。每次查找，包含该样本在内的样本集合将产生一个新的子集。重复查找，反复查找当前样本，按照预设值选择n个特征维度，达到预设的最大查找深度或终止条件为止，此时会得到当前样本在每个隔离森林模型中对应的二叉树，及该二叉树的特征。
[0040]
s4、根据二叉树特征分别计算当前样本在每个隔离森林模型下的异常概率；
[0041]
根据对应的二叉树特征计算当前样本在每个隔离森林模型下的异常概率，由于每个隔离森林模型对应一种异常类型，因此每个隔离森林模型下的异常概率可以代表当前样本属于隔离森林模型对应的异常类型的可能性。
[0042]
s5、重复步骤s3-s4，直至达到预设循环次数，得到当前样本在每个隔离森林模型下对应的多个异常概率；
[0043]
基于集成学习的思想，重复进行步骤s3-s4，对样本进行多次隔离并计各类异常概率，排除随机性的影响。
[0044]
作为一种可选的实施方式，步骤s3-s4的过程采用并行计算的方式，进一步提高计算效率。
[0045]
s6、将各个隔离森林模型下对应的多个异常概率的平均值，作为当前样本属于各类异常的最终异常概率，选择最大的最终异常概率对应的异常类型作为当前样本的实际异常类型。
[0046]
多次循环后，每个隔离森林模型对应有当前样本多个异常概率，将这些异常概率取平均值，得到当前样本属于每个隔离森林模型对应的最终异常概率，多次循环后取平均值的方法排除了随机性，提高了计算准确率。
[0047]
最终异常概率的计算方法具体参见下式：
[0048][0049]
其中，pi为当前样本在一个隔离森林中每次循环后得到的异常概率，k为循环次数，为当前样本在一个隔离森林中的最终异常概率。
[0050]
比较当前样本属于各类异常的最终异常概率大小，取最终异常概率最大值对应的异常作为当前样本的异常类型。
[0051]
作为一种可选的实施方式，在获得最大的最终异常概率后，将其与预设异常阈值进行比较，若该最终异常概率大于预设异常阈值，则认为该最终异常概率对应的异常为当
前样本的异常类型；若该最终异常概率小于预设异常阈值，则认为当前样本不存在故障。
[0052]
作为一种可选的实施方式，图3为本发明实施例提供的数据清洗方法的流程图，如图3所示，对电池原始参数进行数据清洗，包括：
[0053]
s201、对于电池原始参数中的任一项目标参数值，若其超出参数合理阈值或为缺失值，则使用目标参数值的前一时刻的参数值或后一时刻的参数值替换目标参数值；
[0054]
或，s202、通过滑动窗口计算预设时段中参数值的平均值，将平均值作为目标参数值。
[0055]
为保证数据的有效性，减少错误数据对判断结果的影响，本实施例对于电池原始参数中某项数值为缺失值或者显著超出阈值范围的不合理数值，采用该数值前一时刻数值，或者后一时刻数值，或通过滑动窗口计算的一段时间区间内的平均值，进行赋值替换。
[0056]
作为一种可选的实施方式，图4是本发明实施例提供的异常概率计算方法的流程图，如图4所示，根据二叉树特征分别计算当前样本在每个隔离森林模型下的异常概率，包括：
[0057]
s401、根据二叉树特征计算当前样本在每个隔离森林模型下的异常度及正常度；
[0058]
作为一种可选的实施方式，采用下式计算分别计算当前样本x在n个隔离森林中异常度s(s,n)：
[0059][0060]
采用下式计算当前样本x在n个隔离森林中的正常度s
′
(x,n)：
[0061][0062]
基于该公式，分别计算s
′1(s,n),s
′2(s,n),s
′3(s,n)
…s′n(s,n)，即在n个隔离森林中的正常度。
[0063]
其中：h(x)为当前样本x在二叉树的步长，e(h(x))为当前样本x所属二叉树步长的均值，c(n)为n个样本构建一个标准化借鉴二叉树的平均路径长度。
[0064]
s402、根据当前样本在每个隔离森林模型下的异常度及正常度分别计算在对应隔离森林模型下的异常概率。
[0065]
根据下式计算当前样本x属于各个异常类的概率pi，即当前样本的异常概率：
[0066][0067]
需要注意的是，异常概率表征当前样本属于某一类异常的概率，而异常度为当前样本在某一隔离森林中的异常值，二者属于相反的关系，即异常度越大对应的异常概率越小，反之，异常度越小对应的异常概率越大。
[0068]
作为一种可选的实施方式，选择最大的最终异常概率对应的异常类型作为当前样本的实际异常类型之后，包括：
[0069]
s7、在可视化图表中标记当前样本对应的异常点；其中，可视化图表预先根据样本的特征序列中的多维特征构建。
[0070]
在获取当前样本的异常类型后，标记对应的异常点，图5是本发明实施例提供的数据集在原始特征可视化(以二维特征为例)示意图，即如图5所示，箭头所指点21即为异常
点，1、2、3分别表示三个不同的隔离森林群。。
[0071]
作为一种可选的实施方式，电池原始参数包括：
[0072]
时间(timestamp)、电池电压(v)、电池电流(i)、电池温度(t)。
[0073]
本发明实施例还提供了一种储能锂电池故障诊断装置，图6是本发明实施例提供的储能锂电池故障诊断装置的结构示意图，如图6所示，该装置包括：
[0074]
数据获取模块100，用于获取待测储能锂电池的电池原始参数；
[0075]
测量待测储能电池的电池原始参数，电池原始参数中的每一项可以作为后续的特征序列中特征值，因此，为了丰富特征空间进而提高最后异常识别的准确度，可以尽量多的测量电池原始参数中的多项参数。
[0076]
特征序列构建模块200，用于对电池原始参数进行数据清洗，并根据清洗后的电池原始参数构建待测储能锂电池的特征序列；
[0077]
为了提高异常识别准确度，需要对电池原始参数中的数据进行清洗，以替换其中的错误数据，或冗余数据，以减小错误数据对后续故障识别的影响。
[0078]
采用清洗后的电池原始参数中的各项特征值构建特征序列x＝[v1,v2,
……
，vn]。其中，vi代表一个特征维度，n为不小于2的正整数。
[0079]
二叉树查找模块300，用于将特征序列作为当前样本分别输入多个隔离森林模型进行隔离，并采用二叉树算法在每个隔离森林模型中重复查找当前样本，直至达到预设查找深度或预设终止条件，得到当前样本在每个隔离森林模型中对应的二叉树特征；其中，每个隔离森林模型对应一类异常；
[0080]
多个隔离森林模型为预先训练得到，多个隔离森林模型分别对应多种不同的异常类型，即n个隔离森林模型，是分别针对a,b,c
…
n类的故障进行模型训练得到的隔离森林异常检测模型。
[0081]
将特征序列作为当前样本分别在n个模型中利用隔离森林法进行隔离，对于一个n维数据集，随机选择n个特征维度，使用二叉树方法查找当前样本。每次查找，包含该样本在内的样本集合将产生一个新的子集。重复查找，反复查找当前样本，按照预设值选择n个特征维度，达到预设的最大查找深度或终止条件为止，此时会得到当前样本在每个隔离森林模型中对应的二叉树，及该二叉树的特征。
[0082]
计算模块400，用于根据二叉树特征分别计算当前样本在每个隔离森林模型下的异常概率；
[0083]
根据对应的二叉树特征计算当前样本在每个隔离森林模型下的异常概率，由于每个隔离森林模型对应一种异常类型，因此每个隔离森林模型下的异常概率可以代表当前样本属于隔离森林模型对应的异常类型的可能性。
[0084]
循环模块500，用于控制重复二叉树查找模块及计算模块的步骤，直至达到预设循环次数，得到当前样本在每个隔离森林模型下对应的多个异常概率；
[0085]
基于集成学习的思想，重复进行二叉树查找模块与计算模块的步骤，对样本进行多次隔离并计各类异常概率，排除随机性的影响。
[0086]
作为一种可选的实施方式，二叉树查找模块与计算模块的过程采用并行计算的方式，进一步提高计算效率。
[0087]
异常类型确定模块600，用于将各个隔离森林模型下对应的多个异常概率的平均
值，作为当前样本属于各类异常的最终异常概率，选择最大的最终异常概率对应的异常类型作为当前样本的实际异常类型。
[0088]
多次循环后，每个隔离森林模型对应有当前样本多个异常概率，将这些异常概率取平均值，得到当前样本属于每个隔离森林模型对应的最终异常概率，多次循环后取平均值的方法排除了随机性，提高了计算准确率。
[0089]
最终异常概率的计算方法具体参见下式：
[0090][0091]
其中，pi为当前样本在一个隔离森林中每次循环后得到的异常概率，k为循环次数，为当前样本在一个隔离森林中的最终异常概率。
[0092]
比较当前样本属于各类异常的最终异常概率大小，取最终异常概率最大值对应的异常作为当前样本的异常类型。
[0093]
作为一种可选的实施方式，在获得最大的最终异常概率后，将其与预设异常阈值进行比较，若该最终异常概率大于预设异常阈值，则认为该最终异常概率对应的异常为当前样本的异常类型；若该最终异常概率小于预设异常阈值，则认为当前样本不存在故障。
[0094]
作为一种可选的实施方式，图7是本发明实施例提供的特征序列构建模块的结构示意图，如图7所示，特征序列构建模块200包括：
[0095]
第一替换子模块2001，用于对于电池原始参数中的任一项目标参数值，若其超出参数合理阈值或为缺失值，则使用目标参数值的前一时刻的参数值或后一时刻的参数值替换目标参数值；
[0096]
第二替换子模块2002，用于通过滑动窗口计算预设时段中参数值的平均值，将平均值作为目标参数值。
[0097]
为保证数据的有效性，减少错误数据对判断结果的影响，本实施例对于电池原始参数中某项数值为缺失值或者显著超出阈值范围的不合理数值，采用该数值前一时刻数值，或者后一时刻数值，或通过滑动窗口计算的一段时间区间内的平均值，进行赋值替换。
[0098]
作为一种可选的实施方式，图8是本发明实施例提供的计算模块的结构示意图，如图8所示，计算模块400包括：
[0099]
第一计算子模块4001，用于根据二叉树特征计算当前样本在每个隔离森林模型下的异常度及正常度；
[0100]
作为一种可选的实施方式，采用下式计算分别计算当前样本x在n个隔离森林中异常度s(x,n)：
[0101][0102]
采用下式计算当前样本x在n个隔离森林中的正常度s
′
(x,n)：
[0103]
[0104]
基于该公式，分别计算s
′1(s,n),s
′2(s,n),s
′3(s,n)
…s′n(s,n)，即在n个隔离森林中的正常度。
[0105]
其中：h(x)为当前样本x在二叉树的步长，e(h(x))为当前样本x所属二叉树步长的均值，c(n)为n个样本构建一个标准化借鉴二叉树的平均路径长度。
[0106]
第二计算子模块4002，用于根据当前样本在每个隔离森林模型下的异常度及正常度分别计算在对应隔离森林模型下的异常概率。
[0107]
根据下式计算当前样本x属于各个异常类的概率pi，即当前样本的异常概率：
[0108][0109]
需要注意的是，异常概率表征当前样本属于某一类异常的概率，而异常度为当前样本在某一隔离森林中的异常值，二者属于相反的关系，即异常度越大对应的异常概率越小，反之，异常度越小对应的异常概率越大。
[0110]
作为一种可选的实施范式，该装置还包括：
[0111]
标记模块700，用于在可视化图表中标记当前样本对应的异常点；其中，可视化图表预先根据样本的特征序列中的多维特征构建。
[0112]
在获取当前样本的异常类型后，标记对应的异常点，即如图5所示，箭头所指点21即为异常点，1、2、3分别表示三个不同的隔离森林群。
[0113]
作为一种可选的实施方式，电池原始参数包括：时间(timestamp)、电池电压(v)、电池电流(i)、电池温度(t)。
[0114]
以上技术方案具有如下有益效果：将待检测样本放入隔离模型进行隔离，然后利用隔离森林法将样本进行隔离，并计算样本各类异常度，进而计算样本属于各类异常的概率，计算速度较快，计算效率较高，适用大规模数据集场景；隔离模型预先训练好，大大缩短了检测时间，提高了效率；在对样本进行异常概率计算时，采用集成学习的思想，对样本进行多次隔离计算所属异常概率，并取平均值，排除了随机性的影响；在对样本进行隔离时，采用多进程并行计算，提高计算效率。
[0115]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0116]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0117]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或
多个方框中指定的功能。
[0118]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0119]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。