本發(fā)明涉及多源儲能場站，更具體地說，涉及一種多源儲能場站的故障預警方法、系統(tǒng)及多源儲能場站。

背景技術：

1、隨著全球范圍內(nèi)可再生能源比例的不斷提高，儲能技術作為連接不穩(wěn)定發(fā)電源與電網(wǎng)的重要橋梁，其作用變得愈發(fā)關鍵。多源儲能電站系統(tǒng)，尤其是包含大規(guī)模鋰電池陣列的設施，已經(jīng)成為現(xiàn)代智能電網(wǎng)不可或缺的一部分，承擔著調(diào)峰填谷、能量轉(zhuǎn)移、頻率調(diào)節(jié)等多項職責。然而，由于電池本身的復雜性，加之運行環(huán)境的多樣性和不可預測性，多源儲能場站的運維面臨著一系列挑戰(zhàn)。

2、目前，對于多源儲能場站的故障預警的研究主要圍繞儲能單一電池系統(tǒng)、風機或光伏場站的故障預警等內(nèi)容。目前學術上采用的故障預警模型融合了其他機器學習算法，如支持向量機(svm)、隨機森林等，以及統(tǒng)計分析方法，如主成分分析(pca)、時間序列分析等，以增強模型的預測能力和對復雜系統(tǒng)狀態(tài)的理解。同時，為了提高預警的可靠性，研究者們也在探索如何優(yōu)化模型的訓練數(shù)據(jù)集，包括數(shù)據(jù)預處理、特征選擇與工程、超參數(shù)調(diào)優(yōu)等，以及如何結(jié)合領域知識和專家經(jīng)驗，對模型輸出進行解釋和驗證。

3、近年來，隨著人工智能技術的進步，特別是深度學習領域的長短期記憶網(wǎng)絡(longshort-term?memory?networks，lstm)因其卓越的時間序列預測能力和捕捉長期依賴關系的特點，開始應用于儲能系統(tǒng)的故障預警中，展現(xiàn)了顯著的優(yōu)勢。

4、然而，現(xiàn)有技術對單一或僅對電化學電池和超級電容混合儲能系統(tǒng)中的特定參數(shù)進行分析，從而對故障進行診斷，未能針對包含抽水蓄能、飛輪儲能、電化學電池、液流電池等兩個以上的多源系統(tǒng)進行整體的故障分析判斷。而多源儲能系統(tǒng)的故障通常是多種參數(shù)共同作用的產(chǎn)物，現(xiàn)有的分析方法往往會導致關鍵的故障前兆信息被忽略，從而影響故障預警的精度。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種多源儲能場站的故障預警方法、系統(tǒng)及多源儲能場站，以解決現(xiàn)有的分析方法會導致關鍵的故障前兆信息被忽略，從而影響故障預警的精度的問題。

2、第一方面，本發(fā)明提供一種多源儲能場站的故障預警方法，包括：

3、獲取多源儲能場站的運行參數(shù)數(shù)據(jù)；

4、將所述運行參數(shù)數(shù)據(jù)輸入故障預警模型，得到由所述故障預警模型輸出的故障預測值；

5、將所述故障預測值與預設預警閾值比較，并將超出所述預設預警閾值的所述故障預測值作為預警信息；

6、其中，所述故障預警模型為基于故障特征判別結(jié)果訓練的lstm模型，所述故障特征判別結(jié)果為將所述多源儲能場站的歷史故障數(shù)據(jù)輸入故障判別分類模型得到的多源儲能場站的歷史運行參數(shù)數(shù)據(jù)與故障類型的關聯(lián)關系。

7、在一個優(yōu)選的方案中，所述預設預警閾值為基于殘差分布確定的預警閾值；

8、所述殘差分布基于將所述故障特征判別結(jié)果輸入所述故障預警模型得到的故障預測值與實際值的差值確定。

9、在一個優(yōu)選的方案中，所述殘差分布通過核密度估計法表示。

10、在一個優(yōu)選的方案中，所述故障判別分類模型為基于所述多源儲能場站的故障特征和故障類型構(gòu)建的決策樹模型。

11、在一個優(yōu)選的方案中，所述故障判別分類模型的構(gòu)建，包括：

12、獲取所述多源儲能場站的預選歷史故障數(shù)據(jù)，所述預選歷史故障數(shù)據(jù)包括故障特征數(shù)據(jù)和故障類型數(shù)據(jù)；

13、對所述預選歷史故障數(shù)據(jù)進行預處理，得到所述歷史故障數(shù)據(jù)，所述預處理包括：清洗、填充缺失值、處理異常值、歸一化；

14、以所述歷史故障數(shù)據(jù)中的各所述故障類型數(shù)據(jù)為根節(jié)點，構(gòu)建決策樹模型；

15、將所述決策樹模型作為所述故障判別分類模型。

16、第二方面，本發(fā)明還提供一種多源儲能場站的故障預警系統(tǒng)，包括：

17、采集單元，用于獲取多源儲能場站的運行參數(shù)數(shù)據(jù)；

18、預測單元，用于將所述運行參數(shù)數(shù)據(jù)輸入故障預警模型，得到由所述故障預警模型輸出的故障預測值；

19、比較單元，用于將所述故障預測值與預設預警閾值比較，并將超出所述預設預警閾值的所述故障預測值作為預警信息；

20、其中，所述故障預警模型為基于故障特征判別結(jié)果訓練的lstm模型，所述故障特征判別結(jié)果為將所述多源儲能場站的歷史故障數(shù)據(jù)輸入故障判別分類模型得到的多源儲能場站的歷史運行參數(shù)數(shù)據(jù)與故障類型的關聯(lián)關系。

21、在一個優(yōu)選的方案中，所述預設預警閾值為基于殘差分布確定的預警閾值；

22、所述殘差分布基于將所述故障特征判別結(jié)果輸入所述故障預警模型得到的故障預測值與實際值的差值確定。

23、在一個優(yōu)選的方案中，所述殘差分布通過核密度估計法表示。

24、在一個優(yōu)選的方案中，所述故障判別分類模型為基于所述多源儲能場站的故障特征和故障類型構(gòu)建的決策樹模型。

25、第三方面，本發(fā)明提供一種多源儲能場站，包括多源儲能場站本體以及如本發(fā)明第二方面提供的多源儲能場站的故障預警系統(tǒng)。

26、為了實現(xiàn)上述目的，本發(fā)明提供的多源儲能場站的故障預警方法、系統(tǒng)及多源儲能場站，通過獲取多源儲能場站的運行參數(shù)數(shù)據(jù)，然后將運行參數(shù)數(shù)據(jù)輸入故障預警模型，得到由故障預警模型輸出的故障預測值，最后將故障預測值與預設預警閾值比較，以將超出預設預警閾值的故障預測值作為預警信息。其中，通過將基于故障特征判別結(jié)果訓練的lstm模型作為故障預警模型，用于確定故障預測值，而故障特征判別結(jié)果為將多源儲能場站的歷史故障數(shù)據(jù)輸入故障判別分類模型得到的多源儲能場站的歷史運行參數(shù)數(shù)據(jù)與故障類型的關聯(lián)關系，從而通過從多維度參數(shù)分布中揭示參數(shù)間的隱含聯(lián)系，以及基于lstm模型對故障的預測，一方面增強了故障預警的全面性和靈敏度，實現(xiàn)對多源儲能場站的安全性監(jiān)測，另一方面實現(xiàn)了對潛在故障的精準預測，通過精確提供預警信號，減少了非計劃停機，進而提高了多源儲能場站整體的可靠性和經(jīng)濟性。

技術特征：

1.一種多源儲能場站的故障預警方法，其特征在于，包括：

2.根據(jù)權利要求1所述的多源儲能場站的故障預警方法，其特征在于，所述預設預警閾值為基于殘差分布確定的預警閾值；

3.根據(jù)權利要求2所述的多源儲能場站的故障預警方法，其特征在于，所述殘差分布通過核密度估計法表示。

4.根據(jù)權利要求1所述的多源儲能場站的故障預警方法，其特征在于，所述故障判別分類模型為基于所述多源儲能場站的故障特征和故障類型構(gòu)建的決策樹模型。

5.根據(jù)權利要求4所述的多源儲能場站的故障預警方法，其特征在于，所述故障判別分類模型的構(gòu)建，包括：

6.一種多源儲能場站的故障預警系統(tǒng)，其特征在于，包括：

7.根據(jù)權利要求6所述的多源儲能場站的故障預警系統(tǒng)，其特征在于，所述預設預警閾值為基于殘差分布確定的預警閾值；

8.根據(jù)權利要求7所述的多源儲能場站的故障預警系統(tǒng)，其特征在于，所述殘差分布通過核密度估計法表示。

9.根據(jù)權利要求6所述的多源儲能場站的故障預警方法，其特征在于，所述故障判別分類模型為基于所述多源儲能場站的故障特征和故障類型構(gòu)建的決策樹模型。

10.一種多源儲能場站，其特征在于，包括多源儲能場站本體以及如權利要求6至9任一項所述的多源儲能場站的故障預警系統(tǒng)。

技術總結(jié)
本發(fā)明公開了一種多源儲能場站的故障預警方法、系統(tǒng)及多源儲能場站，涉及多源儲能場站技術領域。該方法通過獲取多源儲能場站的運行參數(shù)數(shù)據(jù)，然后將運行參數(shù)數(shù)據(jù)輸入故障預警模型，得到由故障預警模型輸出的故障預測值，最后將故障預測值與預設預警閾值比較，并將超出預設預警閾值的所述故障預測值作為預警信息，而故障預警模型為基于故障特征判別結(jié)果訓練的LSTM模型，故障特征判別結(jié)果為將多源儲能場站的歷史故障數(shù)據(jù)輸入故障判別分類模型得到的多源儲能場站的歷史運行參數(shù)數(shù)據(jù)與故障類型的關聯(lián)關系，實現(xiàn)了對多源儲能場站故障的準確預警。從而解決了采用現(xiàn)有的分析方法會導致關鍵的故障前兆信息被忽略，從而影響故障預警的精度的問題。

技術研發(fā)人員：孫軍芳,馬靜,宋繼紅,王蔚青,李國棟,金金,馬軍軍,韓良煜,張容福,王瑩,張廣德,趙云鵬,馬英輝,馬進財,王鈺琳,李曉艷,張永杰
受保護的技術使用者：國網(wǎng)青海省電力公司
技術研發(fā)日：
技術公布日：2025/4/28