(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211467451.7 (22)申请日 2022.11.22 (71)申请人 河海大学 地址 210098 江苏省南京市 鼓楼区西康路1 号 (72)发明人 史林军　鲁千姿　燕志伟　吴峰　 林克曼　李杨　 (74)专利代理 机构 北京锦信诚泰知识产权代理 有限公司 1 1813 专利代理师 丁博寒 (51)Int.Cl. G06K 9/62(2022.01) G06F 17/16(2006.01) G06Q 50/06(2012.01) (54)发明名称 一种大规模储能电站异常电池识别方法、 设 备及存储介质 (57)摘要 本发明涉及储能系统分析与控制技术领域， 尤其涉及一种大规模储能电站异常电池识别方 法、 设备及存储介质， 方法包括如下步骤： 收集大 规模储能电站的电池数据， 对其中存在的噪声数 据进行识别和 删除， 利用牛顿插值法对缺失数据 进行补齐处理； 利用时间卷积注 意力机制网络提 取异常电池深层特征， 并引入典型工况序列， 用 于存放降维后的所有充电段特征数据； 基于电池 充电段特征， 将删除机制和深度聚类算法相结 合， 利用改进深度聚类的离群点检测算法识别大 规模储能电站中的异常电池。 本发明中， 提高了 数据的准确度和精确性； 通过将删除机制与 深度 聚类的离群点检测方法进行结合， 解决了低波动 性、 非等维空间条件下， 电池不一致性和故障状 态评估的难题。 权利要求书3页 说明书13页 附图9页 CN 115511013 A 2022.12.23 CN 115511013 A 1.一种大规模 储能电站 异常电池识别方法， 其特 征在于， 包括如下步骤： 收集大规模储能电站的 电池数据， 对其中存在的噪声数据进行识别和删除， 利用牛顿 插值法对缺失数据进行补齐处 理； 利用时间卷积注意力机制网络提取异常电池深层特征， 并引入典型工况序列， 用于存 放降维后的所有 充电段特征数据； 基于电池充电段特征， 将删除机制和深度聚类算法相结合， 利用改进深度聚类的离群 点检测算法识别大规模 储能电站中的异常电池。 2.根据权利要求1所述的大规模储能电站异常电池识别方法， 其特征在于， 所述对其中 存在的噪声数据进行识别和删除包括： 若电池数据中某个属性在若干时间段内超出设定阈值， 则删除该时间段的该属性数 据； 其中， 所述设定阈值 根据电池种类及电池的属性种类进行设置 。 3.根据权利要求1所述的大规模储能电站异常电池识别方法， 其特征在于， 所述利用牛 顿插值法对缺失数据进行补齐处 理包括： 识别时间序列矩阵 E中所有的缺失数据， 所述时间序列矩阵 E为： ； 其中， 电池数据电流记作 I、 电压记作 V、 温度记作 T和时间观测点记作 t； 通过牛顿插值函数补齐缺失数据处的缺失值， 所述牛 顿插值函数为： ； 其中， 为 阶差商， 定义如下：  。 4.根据权利要求3所述的大规模储能电站异常电池识别方法， 其特征在于， 对缺失数据 进行补齐处 理后， 还包括： 对数据进行归一 化处理， 所述归一 化处理为最大最小规范化， 即： ； 式中： 为原映射区间 的一个取值， 为 的最大值， 最小值为 ， 新映射 区间的最大值 为 ， 最小值为 ， 为经过归一化处理后的数值。 5.根据权利要求1所述的大规模储能电站异常电池识别方法， 其特征在于， 所述利用时 间卷积注意力机制网络提取异常电池深层特 征， 包括如下步骤  ：权　利　要　求　书 1/3 页 2 CN 115511013 A 2确定待采样数据空间， 确定选定特征两个特殊值 和 ， 预设 个充电循环、 斜率阈值 ； 注 意 力 机 制 一 次 查 询 ， 设 置 ，确 定 峰 值 对 应 的 采 样 时 间 点 ； 注意力机制二次查询 ， 设置 ， 得到对应的 、 ， 通过与 联合确定充电开始时刻 ； 形成该数据空间中所有的充电时间序列 ， 将分散充电 时间序列进行合并形成新的纯充电时间序列 ； 根据重新 合并的充电时间序列， 构成充电数据空间 ； 使用 TCN时间卷积网络对数据空间 进行特征提取得到典型工况 特征空间 。 6.根据权利要求1所述的大规模储能电站异常电池识别方法， 其特征在于， 所述改进深 度聚类利 用减法聚类对待分析模组内的 所有电 池单体进行簇 划分 ， 标号为 。 7.根据权利要求6所述的大规模储能电站异常电池识别方法， 其特征在于， 所述改进深 度聚类进行聚类时， 包括如下步骤： 针对所有数据点进行密度计算， 第i个数据点的密度表达式如下： ； 其中 是欧式距离， 表示第i个数据点与第k个数据点之间的静态距离， 为曲 线间的弯曲距离， 其表达式为 ， 其中， 是常数， 表示某数据点受其他数据点影 响的范围， 越大， 表示受影响的范围越大， 聚类中心即为密度最大的数据点， 用 表示； 计算其他数据的聚类中心， 以去 除上一个点求得的中心为前提计算其余点的密度， 计 算公式如下： ； 其中 为第 个数据点的聚类中心， 为第 个数据点的聚类中心密 度， 参数的表达式为 ， 其中 为设定参数，   ； 利用公式进行约束， 判断减法聚类是否结束， 未结束则返回继续 聚类， 结束则进入下一 步骤， 判断公式如下： ；权　利　要　求　书 2/3 页 3 CN 115511013 A 3