基于监测数据的蓄能设备故障预测方法研究

曲晓峰 苗东旭 王树新 王振羽 甄宏 刘烁

摘 要：蓄能设备是发电厂削峰填谷的重要手段之一。针对发电厂蓄能設备故障种类和原因复杂，提出一种基于运行数据和机器学习方法的蓄能设备故障预测方法。该方法以管理系统监控的历史数据和实时数据为基础，首先对数据集进行特征提取和充放电周期识别，然后建立随机森林分类器，训练分类器模型参数，以实现蓄能设备运行过程中是否存在故障以及故障类别的预测。在实际运行数据中验证了所提方法能够在故障发生的早期有效识别故障类型。

关键词： 蓄能设备;故障预测;机器学习;支持向量机

【Abstract】 Energy storage equipment is one of the key devices for peak cutting in a power station. Aiming at the complex types and causes of energy storage device faults in power station， a fault assessment method based on profile data and machine learning method is proposed. In order to predict the faults and their types in the operation of energy storage equipment， based on profile historical data and real-time data， the feature extraction and charge-discharge cycle identification of profile data sets are carried out first. Then a support vector machine classifier is established and trained to obtain the model parameters. The results on the actual operation data of energy storage device verify that the proposed method can effectively identify the fault type in the early stage of fault occurrence.

【Key words】  energy storage device; fault prediction; machine learning; support vector machine

0 引 言

蓄能设备的管理与诊断是蓄能设备应用技术中的核心之一，及时、准确地诊断蓄能设备故障、保证蓄能设备容量的准确估计，可以延长蓄能设备使用寿命、提高蓄能设备一致性及可靠性[1]。在产生严重的故障之前，微小缓变故障往往提早发生，并一步一步演变为严重故障，因此，及时检测出早期缓变故障对于能源管理与维护有着重要的现实意义。考虑到蓄能设备诊断的故障现象、故障原因及故障机理的复杂性和模糊性，难以借助确定的数学模型来描述，也难以借助确定性的特殊判据来诊断。在安全评估方法中，模糊理论、人工神经网络、基因遗传算法等方法被广泛应用[2]。但是，由于微小缓变故障相比于严重故障信号特征不明显，浅层的机器学习算法和一般的统计方法辨识这些故障十分困难[3]。

故障定义为系统由于出现至少一个或多个参数、特性低于正常指标，导致了系统丧失正常使用功能的行为[4]。故障诊断是通过各种能够检查和测试的方法，指对发生不正常状态的部位进行诊断，查明其功能失调的原因，对系统出现的异常情况进行判断，确定故障的原因、类型、大小、位置和发生时间[5]。利用蓄能设备管理系统的监测数据来及时对蓄能设备组的多种故障进行预测，达到目的检测故障，提出设备事故预防措施是控制领域的研究热点[6]。故障诊断技术的主要任务是能快速准确地对故障做出评价和决策，系统能及时判断故障的大小、位置和发生的时间。一般而言，故障检测容易且耗时少，而故障诊断由于要判断出系统发生故障的位置、时间原因等，而耗费时间长[7]。

现有技术中，专家系统是一种通过现有知识来推理实际问题的程序，结合专家经验和知识求解那些复杂问题。现有的方法建立在专家库之上，根据输入的故障信息结合相应计算机算法进行推理分类，完成故障诊断和决策，准确度依赖于专家库的完善程度，即需要大量的工程经验知识，存在专家系统中容错率低，对于不确定信息的诊断准确率低、专家知识经验获取困难，以及维护难度大等问题[8]。

神经网络主要是基于神经元而建立的一种数学模型，输入和输出信息之间通过这些神经元连接。神经网络模型由于其本身特性，对处理不确定性信息的诊断优势较大，但由于神经网络的训练需要大量的样本，大量的故障信息样本数据难以获得，通过结合模糊集理论或区域分区来减少样本数据获取的难度的研究还不够深入，不能很好地适用于蓄能设备故障诊断系统[8]。

贝叶斯网络将概率论和图形理论相结合，用来推理和解决不确定性知识，在电网故障诊断中处理不确定性信息诊断效果良好[9]。现有研究中电网故障诊断关于贝叶斯网络诊断方法的研究多结合粗糙集相关理论。贝叶斯网络节点赋值需要统计分析或实际观察确定，如何解决贝叶斯网络在处理复杂情况下的建模、网络训练等问题仍然存在困难[10]。

借助系统的数学模型，利用一定的技术方法，让系统产生残差信号，再利用生成的残差信号应用相应的评价规则，或者直接让其与给定阈值进行比较，从而达到故障分类的目的。其中包括参数辨识法、状态估计法和等价空间法，主要缺点是依赖于系统的数学模型，数学模型的精确程度将影响故障诊断的效果。而等价空间法的缺点是大部分只能在线性系统中得以运用，因此在非线性系统中就难以发挥作用[10]。

有向图法和故障树法，实质上就是利用故障种类和故障原因之间的因果逻辑关系对系统故障进行分类。大型复杂系统的故障诊断时，由于系统的故障种类繁多、故障相关性复杂等客观原因，导致其故障诊断准确性难以保证[11]。

本文针对早期缓变故障特征不明显等特点，以多种机器学习技术为核心，以数据驱动方法为基础，利用数据采集管理系统采集的大量动力蓄能设备运行和EV工况数据，通过逐层特征提取进行安全评估。

1 数据集

本文采用实际运行的数据采集管理系统采集的4组共3 470 191条有效数据为数据源，上述数据集具有如下特点：

（1）19个国家标准报警分类：温度差异报警，高温报警，蓄能设备类型过压报警，蓄能设备类型欠压报警，SOC低报警，单体蓄能设备过压报警，单体蓄能设备欠压报警，SOC过高报警，SOC跳变报警，可充电蓄能系统不匹配报警，蓄能设备单体一致性差报警，绝缘报警，DC-DC温度报警，制动系统报警，DC-DC状态报警，驱动电机控制器温度报警，高压互锁报警，驱动电机温度报警，蓄能设备类型过充。

（2）24个特征：设备状态，充电状态，运行模式，车速，累计里程，总电压，总电流，SOC，DC-DC状态，档位，加速踏板行程值，制动踏板状态，燃料蓄能设备电压，最高电压蓄能设备子系统号，最高电压蓄能设备单体代号，蓄能设备单体电压最高值，最低电压蓄能设备子系统号，最低电压蓄能设备单体代号，蓄能设备单体电压最低值，最高温度子系统号，最高温度探针序号，最高温度值，最低温度子系统号，最低温度探针序号。

2 分类器模型

2.1 支持向量机分类器

采用支持向量机实现单个分类器的故障分类功能，实现过程可表述如下。

3 基于机器学习分类器的故障预测方法

结合图1所示，本项目给出一种蓄能设备故障的诊断方法，包括：以单分类器为基础，构造集成分类器，建立蓄能设备故障分类预测模型;从蓄能设备数据采集管理系统中提取特征，并作为蓄能设备故障分类预测模型的输入。

4 实验结果与分析

目前蓄能设备开放性项目包括NASA的开源数据集，马里兰大学先进寿命周期工程中心的锂电池数据集，上海市30万辆新能源设备大数据平台及服务能力建设项目等。本实验环境采用Python 3.6版本，在NVIDIA GeForce GTX 1050 Ti上运行程序。

由于充电过程中，总电压、单体电压均处于上升状态，无法准确辨别蓄能设备本身真实性能状态，所以实验截取出蓄能设备运行的每一个放电周期作为训练集的一条样本。根据模式识别分析，实验选择每个放电周期的最低总电压、最低单体电压最低值、最高单体最高最低电压压差值作为特征输入，报警信息作为标签。

由于实验需要测试模型精度，需要预先对数据进行标注。实验将标签分为4类：0表示正常无任何报警;1表示单体欠压与蓄能设备类型欠压复合报警;2表示单体欠压与单体一致性差复合报警;3表示其它报警。为排除数据采集管理系统传输数据丢失或误报警情况对标签的影响，实验基于蓄能设备标准安全阈值对单体一致性差报警、蓄能设备欠压复合报警进行了重新标注，保证训练集与测试集的标签都基于故障模式准确标注。

数据经处理后得到完整样本集，共6 865个样本。其中，正常无报警5 198条;单体欠压与蓄能设备类型欠压复合报警200条;单体欠压与单体一致性差复合报警47条;其它报警1 420条。

考虑到其它报警情况对输入特征的影响较为复杂，除掉其它报警得到样本集1，共5 445個样本。此时正负例比达到21：1，严重样本失衡。

删除正例样本，直至与负例样本平衡，得到样本集2，共447条样本。其中，正常无报警231条;单体欠压与蓄能设备类型欠压复合报警200条;单体欠压与单体一致性差复合报警47条。

各机器学习分类器精度表现见表1。

分类器最主要的目的在于准确识别出故障蓄能设备，而不是识别正常蓄能设备模式。各机器学习分类器在样本集1上表现出的高精度是基于大量正例样本的条件，而对于负例样本诊断的准确率很差。

在研究中的3个样本集上，表现最好的为支持向量机，在完整样本集上，SVM分类器预测1 373个样本，其中44个负例样本，预测错误29个;在样本集1上，SVM分类器预测1 089个样本，其中51个负例样本，预测错误39个;而在样本集2上，SVM分类器预测96个样本，其中42个负例样本，预测错误1个。其它2个分类器虽然性能弱于支持向量机，但在经过平衡化处理的样本集1和样本集2上，其对负例样本的分类性能均有提高。

由此可见，在平衡样本集上，分类器准确率虽然没有达到0.9，但对于故障的评估是十分精确的。

5 结束语

本文探讨了基于集成学习进行特征重要度排序的原理，并利用集成学习boosting算法XGBoost以及bagging算法随机森林对蓄能设备的故障特征进行了重要度排序，得到对蓄能设备报警影响程度最高的几个特征：蓄能设备单体电压最高/低值、总电压（总电流）、SOC、累计里程、设备状态、充电状态、DC-DC状态，以及对蓄能设备类型欠压报警影响程度最高的几个特征：蓄能设备单体电压最高/低值、总电压、SOC、累计里程。未来工作中将进一步讨论其它故障与数据采集管理系统数据的相关性。进而通过提高发电厂蓄能设备健康管理水平来保障发电厂削峰填谷能力。

参考文献

[1]苏伟，钟国彬，沈佳妮，等. 锂电子电池故障诊断技术进展[J]. 储能科学与技术，2019，8（2）：225-236.

[2]GAO Zuchang，CHENG S C，WOO W L，et al. Genetic algorithm based back-propagation neural network approach for fault diagnosis in lithium-ion battery system[C]//6th IEEE International Conference on Power Electronics Systems and Applications （PESA）. Hong Kong： IEEE，2016：1-6.

[3]CHEN Wen，CHEN Weitian，SAIF M，et al. Simultaneous fault isolation and estimation of lithium-ion batteries via synthesized design of Luenberger and learning observes[J]. IEEE Transactions on Control Systems Technology，2014，22（1）：290-298.

[4]徐佳宁，梁栋滨，魏国，等. 串联电池组接触电阻故障诊断分析[J]. 电工技术学报，2017，32（18）：106-112.

[5]XU Jianing，LIANG Dongbin，WEI Guo，et al. Series battery packs contact resistance fault diagnosis analysis[J]. Transactions of China Electrotechnical Society，2017，32（18）：106-112.

[6]YANG Ruixin，XIONG Rui，HE Hongwen，et al. A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application[J]. Journal of Cleaner Production，2018，187：950-959.

[7]GAO Wenkai，ZHENG Yuejiu，OUYANG Minggao，et al. Micro-short circuit diagnosis for series-connected lithium-ion battery packs using mean-difference model[J]. IEEE Transactions on Industrial Electronics，2019，66（3）：2132-2142.

[8]劉文杰，齐国光. 基于模糊理论的电池故障诊断专家系统[J]. 吉林大学学报（信息科学版），2005，23（6）：670-674.

[9]HONG Jichao，WANG Zhenpo，LIU Peng. Big-data-based thermal runaway prognosis of battery systems for electric vehicles[J]. Energies，2017，10（7）：919.

[10]王一卉. 纯电动汽车锂电池故障诊断系统的研究[D]. 长春：长春工业大学，2015.

[11]应泽霖.锂电池组充放电管理系统[D]. 杭州：杭州电子科技大学，2017.