[发明专利]一种基于数据挖掘的储能电站关键设备故障诊断预警方法

说明书

本发明公开一种基于数据挖掘的储能电站关键设备故障诊断预警方法，本方法采用K‑近邻互信息和Apriori关联规则算法实现储能电站关键设备的故障诊断预警，与传统告警策略相比，该方法能够深入挖掘储能电站关键设备各运行参数与故障信息之间的隐性关联，有效缩短故障诊断时间，给出的维护建议简单高效，为运维人员提供精细化指导。与其他智能算法诊断预警策略相比，该方法针对储能电站关键设备参数种类繁多、耦合性强且历史数据体量巨大等问题，结合工程经验，采用K‑近邻互信息算法筛选故障主要影响因素，能够降低人为筛选工作量及误差，提高执行效率。

技术领域

本发明涉及储能设备故障诊断领域，尤其是一种基于数据挖掘的储能电站关键设备故障诊断预警方法。

背景技术

为更好的实现“双碳”和构建新能源为主体的新型电力系统目标，未来将主要通过光伏、风电等可再生能源来替代减排。但新能源发电具有间歇性、随机性、可调度性差的特点，大规模新能源发电并网对电力系统提出了严峻考验，现有灵活性资源已逐渐无力支持电网接纳如此高比例的波动性能源，储能作为更优质的灵活性资源，可以有效平滑新能源出力、提供调频调峰等辅助服务。

现有储能系统多采用锂电池，由于锂电池本身特性，不当使用可能会造成设备出现安全问题。储能安全通常由多种因素相互作用，致使电池滥用及热失控，最终导致事故发生。可分为电池本体故障、运行环境缺陷以及储能系统综合管理体系欠缺等几个方面。储能系统综合管理体系欠缺方面，电池管理系统（BMS）、储能变流器（PCS）、能量管理系统（EMS）信息共享不完备或不及时，PCS和电池保护配置与协调不当、PCS故障清除后电池异常、测量装置及管理系统之间发生冲突等系统管理问题，可能使故障不能及时有效地得到管控，最终演化为事故。

储能电站关键设备包括电池本体、电池管理系统BMS、储能变流器PCS等，设备种类多、数量大、储能电池能量密度高，存在安全隐患、储能电站原有运维模式效率较低。现有关键设备故障诊断预警方法只能够提供异常状态告警，响应速度较慢，且只能反映设备当前异常状态信息，不能剖析异常状态背后反映的设备根本故障原因，难以满足电站现场精细化运维需求，甚至导致储能安全事故发生。

发明内容

本发明的目的在于解决现有储能电站关键设备故障诊断方法响应速度慢、不能剖析异常状态反映的设备根本故障原因，难以满足电站现场精细化运维需求的问题，提供一种基于数据挖掘的储能电站关键设备故障诊断预警方法。

为了解决所述技术问题，本发明采用的技术方案是：一种基于数据挖掘的储能电站关键设备故障诊断预警方法，包括以下步骤：S01、根据历史数据建立诊断预警规则库，并针对各类规则建立响应的运维建议库；S02、对一段时间内的异常信号进行采集与处理，并与规则库进行模糊匹配，匹配成功则发出故障诊断预警信息，否则只针对该异常状态进行告警；S03、若系统发出诊断预警信息，则根据步骤S02推出的不同故障类型给出相应的运维建议。

进一步的，步骤S01建立诊断故障规则库和运维建议库的过程为：S11、根据工程经验，从原始储能电站运维参数中，初步筛选出可能导致设备故障出现的影响参数，然后从历史数据库中选取包含完整周期内的相应影响参数数据并进行预处理；S12、根据历史数据分析初步筛选出的影响参数与故障的相关性，确定相关性满足要求的参数作为主要影响因素；S13）、将主要影响因素的历史数据根据设定的阈值进行离散化，采用数据挖掘算法建立设备故障诊断预警规则库；S14）、根据规则库中的不同规则对应的故障类型制定运维建议，并建立运维建议库。

进一步的，采用K-近邻互信息算法分析某个参数与故障的相关性，具体做法是：首先设定相关性阈值θ，然后利用K-近邻互信息算法计算某个与故障之间的互信息MI，比较相关性阈值θ与互信息MI，若MI＜θ，则舍弃此参数，反之记录此参数。