储能设备状态监测方法及系统与流程

本发明涉及储能设备的状态监测领域，具体为储能设备状态监测方法及系统。

背景技术：

1、在现有技术中，传统的储能设备状态监测方法主要依赖于单一的传感器监测与数据采集，往往只涉及基础的电流、电压等物理参数的简单分析。这类方法的主要缺陷在于，无法有效处理复杂的、动态变化的设备数据，尤其是在设备运行环境中存在噪声干扰时，传统的滤波技术难以准确分离有用信号。此外，传统方法的分类算法简单，未能充分考虑信号中的多模态信息，导致无法精准识别设备运行状态的细微变化。由于缺少多模态数据分解和高级算法的支持，传统监测手段在设备状态预测和安全评估方面表现出局限性，尤其是在安全裕度的动态调整上显得力不从心。因此，现有技术难以满足储能设备在现代复杂应用场景中的监控需求。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：如何在储能设备运行过程中，准确处理和分析复杂且含有噪声干扰的动态数据，实现对储能设备状态的精准监测，并通过智能算法计算其上下安全裕度，以确保设备运行的可靠性和安全性。

3、为解决上述技术问题，本发明提供如下技术方案：储能设备状态监测方法，其包括如下步骤，

4、收集储能设备数据并进行预处理；

5、将预处理后的数据输入vmd算法进行分解得到无序列的数据；

6、将无序列的数据作为woa算法的输入数据，输出有分类数据；

7、通过包络熵、排列熵和信息熵作为适应度函数进行比对分析，确定有分类且有序的数据；

8、将有分类且有序的数据与历史数据进行比对，使用皮尔逊相关系数计算得到相关性数据，使用贝叶斯估计算法输出储能设备数据的上下安全裕度。

9、作为本发明所述的储能设备状态监测方法的一种优选方案，其中：所述收集储能设备数据是根据设备的实际运行条件设定采样周期和数据量，从储能电气系统的保护测量回路中选取电流信号作为待分解的样本数据；

10、所述预处理是对采集到的数据进行噪声处理，使用中值滤波器消除随机尖峰干扰，进行归一化处理，将电流信号标准化至统一的数值范围。

11、作为本发明所述的储能设备状态监测方法的一种优选方案，其中：所述无序列的数据是将预处理后的数据输入vmd算法进行分解得到，关于电流信号的无序列数据；

12、vmd约束变分模型可表示为：

13、

14、其中，{uk}＝{u1,u2,…,uk}表示分解后的k个模态量，{ωk}＝{ω1,ω2,…,ωk}表示各模态分量的中心频率，表示对t求偏导数，f表示原信号函数，δ(t)表示狄拉克函数。

15、作为本发明所述的储能设备状态监测方法的一种优选方案，其中：所述vmd约束变分模型的约束条件是使所有模态分量之和与原始电流信号x相等。

16、作为本发明所述的储能设备状态监测方法的一种优选方案，其中：所述输出有序列数据是将vmd算法进行分解得到的无序列数据，作为woa算法的输入数据进行计算得到关于电流信号的有分类数据；

17、初始化woa算法的参数，设定鲸鱼种群w＝(w1,w2,…,wi,…wj)

18、其中，w表示鲸鱼个体，j表示鲸鱼个数，i表示第i只鲸鱼；

19、更新鲸鱼位置，鲸鱼以收缩包围之后以泡网捕食，收缩包围和泡网捕食可表示为：

20、

21、d＝|w*(t)-w(t)|

22、其中，t表示当前迭代次数，w表示种群当前的位置，w*表示种群最佳的位置，a、d表示系数，a的范围为[-a，a]，a是自然数且从最大值线性减小至最小值，d*表示第i个鲸鱼与猎物之间的距离，l为[-1，1]之间的随机数。

23、作为本发明所述的储能设备状态监测方法的一种优选方案，其中：所述有分类且有序的数据是通过woa算法输出的有分类数据与历史数据进行比对，在使用包络熵、排列熵和信息熵作为适应度函数进行比对分析；

24、通过三种不同的包络进行计算适应度函数值，从中选择最优的数据结果作为有分类且有序的数据。

25、作为本发明所述的储能设备状态监测方法的一种优选方案，其中：所述储能设备数据的上下安全裕度是将有分类且有序的数据与储能系统原始电流信号进行比对，使用皮尔逊相关系数计算得到相关性数据，表达式为：

26、

27、其中，cov(x,y)为原始信号x和分量信号u的协方差，σx、σu分别为x和y的标准差；

28、在进行模态选择时，依据有分类且有序的数据与储能系统原始电流信号计算得到的两变量相关系数ρ＝(ρ1,ρ2,…,ρk)的大小进行判定，选择符合要求的模态量y＝(y1,y2,…,yl)(l≤k)；

29、对于模态量y使用贝叶斯估计法进行评估，设定先验分布参数，选择正态分布作为分布规律，得到参数θ的先验分布概率函数值p(θ)，计算模态量y＝(y1,y2,…,yl)的正态分布概率密度函数值p(y)；

30、根据先验分布概率函数p(θ)和正态分布概率密度函数p(y)构建似然函数，输出先验分布概率函数数值p(y|θ)，表达式为：

31、

32、其中，p(y|θ)为似然函数数值；

33、根据后验分布对当前区段数据进行评估及判定，求解先验分布参数θ的贝叶斯估计值，表达式为：

34、θ*＝∫θp(θ|yset)dθ

35、设定储能系统电流采用误差的上下裕度，并使用贝叶斯估计值计算相应的误差判定阈值及负荷判定阈值表达式为：

36、

37、其中，yset为设定电流误差裕度对应的数据强相关模态量，为负荷电流数据强相关模态量。

38、本发明的另外一个目的是提供储能设备状态监测系统，其能通过vmd分解算法、woa优化算法以及熵适应度分析，对储能设备的运行数据进行深度分析和分类处理，结合历史数据的比对，利用皮尔逊相关系数和贝叶斯估计法精准计算设备状态的上下安全裕度，解决了现有技术中对噪声干扰处理不足、信号分类不精准及安全评估不可靠的问题，大幅提升了储能设备状态监测的准确性和安全性。

39、为解决上述技术问题，本发明提供如下技术方案：储能设备状态监测系统，包括：

40、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述储能设备状态监测方法的步骤。

41、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述储能设备状态监测方法的步骤。

42、本发明的有益效果：本发明通过woa优化vmd参数，结合贝叶斯估计法，实现对储能设备误差的精确评估。实时采集并处理数据，实现储能设备状态的在线监测和快速响应。通过特征选择和降维，减少数据分析的复杂度，提高计算效率。及时发现并预警潜在的故障风险，避免储能系统故障对电力系统造成严重影响。

技术特征：

1.储能设备状态监测方法，其特征在于，包括：

2.如权利要求1所述的储能设备状态监测方法，其特征在于：所述收集储能设备数据是根据设备的实际运行条件设定采样周期和数据量，从储能电气系统的保护测量回路中选取电流信号作为待分解的样本数据；

3.如权利要求2所述的储能设备状态监测方法，其特征在于：所述无序列的数据是将预处理后的数据输入vmd算法进行分解得到，关于电流信号的无序列数据；

4.如权利要求3所述的储能设备状态监测方法，其特征在于：所述vmd约束变分模型的约束条件是使所有模态分量之和与原始电流信号x相等。

5.如权利要求4所述的储能设备状态监测方法，其特征在于：所述输出有序列数据是将vmd算法进行分解得到的无序列数据，作为woa算法的输入数据进行计算得到关于电流信号的有分类数据；

6.如权利要求5所述的储能设备状态监测方法，其特征在于：所述有分类且有序的数据是通过woa算法输出的有分类数据与历史数据进行比对，在使用包络熵、排列熵和信息熵作为适应度函数进行比对分析；

7.如权利要求6所述的储能设备状态监测方法，其特征在于：所述储能设备数据的上下安全裕度是将有分类且有序的数据与储能系统原始电流信号进行比对，使用皮尔逊相关系数计算得到相关性数据，表达式为：

8.一种采用如权利要求1至7任一所述的储能设备状态监测方法的系统，其特征在于：包括数据采集与预处理模块、vmd算法模块、woa算法模块、熵适应度分析模块以及相关性计算与贝叶斯估计模块；

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的储能设备状态监测方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述储能设备状态监测方法的步骤。

技术总结
本发明公开了储能设备状态监测方法及系统，涉及储能设备的状态监测领域，包括：收集储能设备数据并进行预处理；输入VMD算法进行分解得到无序列的数据；作为WOA算法的输入数据，输出有分类数据；通过包络熵、排列熵和信息熵作为适应度函数进行比对分析，确定有分类且有序的数据；与历史数据进行比对，计算得到相关性数据，使用贝叶斯估计算法输出储能设备数据的上下安全裕度。本发明通过WOA优化VMD参数，结合贝叶斯估计法，实现对储能设备误差的精确评估。通过特征选择和降维，减少数据分析的复杂度，提高计算效率。及时发现并预警潜在的故障风险，避免储能系统故障对电力系统造成严重影响。

技术研发人员：杨沛豪,兀鹏越,寇水潮,王小辉,郭昊,孙梦瑶,燕云飞,王劼文,王栋,杨宇辰,杨甲铭,刘旭华,王建彪,薛冬松
受保护的技术使用者：西安热工研究院有限公司
技术研发日：
技术公布日：2025/2/20