[發明專利]一種基于GA-Elman的儲能電池軟故障診斷方法

有效

• 申請號: 201710266471.0
• 申請日: 2017-04-21
• 公開（公告）號: CN107192953B
• 公開（公告）日: 2019-08-13
• 發明（設計）人: 韓曉娟;徐壽臣;王春玲
• 申請（專利權）人: 華北電力大學;國家電網公司領導力開發研究中心;吉林省電力科學研究院有限公司
• 主分類號: G01R31/367
• 分類號: G01R31/367;G06N3/04
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 陳波

本發明屬于電池儲能技術領域，尤其涉及一種基于GA‐Elman的儲能電池軟故障診斷方法，包括對不同衰減程度下的端電壓信號和荷電狀態信號進行采集分析，獲得端電壓偏離度Dev_k和SOC懲罰角θ_k兩個特征量，歸一化處理后作為GA‐Elman神經網絡的輸入，以電池衰減后的剩余容量Q_k作為GA‐Elman神經網絡的輸出，求取Q_k的相對劣化度，依據相對劣化度確定大容量電池儲能系統軟故障論域上的四個模糊子集及其隸屬函數，建立具有模糊輸出的軟故障診斷模型，實現電池儲能系統軟故障的模糊診斷。本發明的方法有較高的準確性，具備電池軟故障級別綜合判定的能力，為大容量電池儲能系統的軟故障診斷指明了新的方向。

技術領域

本發明屬于電池儲能技術領域，尤其涉及一種基于GA-Elman的儲能電池軟故障診斷方法。

背景技術

隨著能源危機和環境問題日益嚴重，風電、光伏等綠色清潔能源日益受到關注。風電和光伏具有隨機性、波動性及間歇性，其大量并網給系統的安全、可靠和高效運行帶來較大挑戰，大容量電池儲能系統有助于改善大規模間歇性可再生能源的波動性和間歇性的研究成為熱點。儲能電池是大容量電池儲能系統的關鍵組件，同時也是電池儲能系統的主要故障來源，對于儲能電池的故障尤其是軟故障的研究，能夠有效預測電池儲能系統故障的發生，提升儲能系統使用壽命，保證儲能系統安全穩定運行。但目前在應用方面仍存在大容量電池儲能系統軟故障診斷難的問題。

發明內容

針對上述問題，本發明提出了一種基于GA-Elman神經網絡的儲能電池軟故障診斷方法，包括：

步驟1、采集電池儲能系統各電池單體的端電壓信號和荷電狀態信號，將采集的信號傳輸到計算機中并進行去噪處理；

步驟2、對步驟1中處理后的信號進行特征向量提取，并進行歸一化；

步驟3、將歸一化后的特征向量作為GA-Elman神經網絡的輸入，以電池單體衰減后的剩余容量Q_k作為輸出特征量，選擇訓練樣本進行訓練；

步驟4、求取Q_k的相對劣化度l_k；

步驟5、依據相對裂化度l_k確定大容量電池儲能系統軟故障論域上的四個模糊子集及其隸屬函數；

步驟6、將采集到的不同衰減程度下的測試樣本輸入訓練好的GA-Elman神經網絡，根據隸屬度實現軟故障診斷，并對電池軟故障級別進行綜合判定。

所述步驟2中的特征向量包括的偏離度Dev_k和電池單體荷電狀態信號的懲罰角θ_k；

(1)偏離度Dev_k算法公式：

其中，m為采樣點的個數，表示編號為k電池單體的第i個采樣點對應的端電壓值；表示電池未衰減時的第i個采樣點對應的端電壓值；Dev_k表示編號為k電池單體的偏離度；

(2)懲罰角θ_k算法公式：

其中，表示編號為k電池單體的第i個采樣點對應的SOC值；表示編號為k電池單體的第i+1個采樣點對應的SOC值；T為采樣周期；β_k表示編號為k電池單體的SOC斜率；β₀表示電池未衰減時的SOC斜率；θ_k表示電池單體的懲罰角。

所述步驟2中歸一化的過程為

構造特征向量F_k＝[Dev_k,θ_k]，對特征向量進行歸一化處理，