基于數據挖掘的電池儲能電站運維技術綜述

田剛領，葉 暉，張柳麗，崔美琨，李愛魁*

(1.平高集團儲能科技有限公司，天津 300308；2.大連理工大學電氣工程學院，大連 116024)

0 引言

隨著新能源發電裝機容量不斷增加，為平抑新能源發電的波動性和間歇性，電池儲能電站的裝機容量也迅速增加，據中關村儲能產業技術聯盟(CNESA)統計，2021 年中國企業的國內電化學儲能項目裝機容量為3.87GW/5.85GWh，全球的裝機容量為7.31GW/12.1GWh。由于電池儲能電站設備的內外特性不同于常規電氣設備，具有典型的電化學動態演變特征，性能維護無法照搬現有常規電氣設備的運行維護規程，運行維護不當會造成電池性能衰減、能耗偏大、壽命折損嚴重等問題，甚至會存在安全隱患，因此，電池儲能電站的運維工作日益受到重視。電池儲能電站運維過程中會產生大量數據，從提高運維效果的角度來看，如何高效利用這些類型繁多、數量龐大的存儲數據，避免出現此類數據低效利用、信息資源浪費等問題，是實現電池儲能電站高效運維亟待解決的問題[1-5]。

目前，根據單個電站的規模大小，電池儲能電站運維采用6 人或9 人三班倒的模式，運維人員通過儲能調控系統實時監控各儲能系統運行狀態，及時發現設備異常信息，第一時間進行操作處理；并在值班期間記錄各設備運行情況及電站運行信息，分類記錄設備缺陷，及時進行消缺處理；制定電池儲能電站專用運行規程、安全管理制度、交接班制度，規范日常運維動作。這種電站運維方式存在：1)智能化不足，人工運維工作量大，缺乏專業運維人才；2)運維數據無規范化的架構體系，數據價值未得到應用開發，對電站性能的動態跟蹤、壽命預測、經濟性分析缺少支撐，也無法助力后續的功能設計及開發。典型儲能項目中儲能設備的運維信息如表1 所示。其中：EMS 為能源管理系統；BMS 為電池管理系統數據；PCS 為儲能變流器。

表1 典型儲能項目運維信息明細表Table 1 Operation and maintenance information of energy storage equipment in typical energy storage projects

1 數據挖掘技術及應用

1.1 數據挖掘技術

數據挖掘技術是通過分析每個數據，從大量數據中尋找其規律。該技術主要包括數據準備、規律尋找和規律表示這3 個步驟。數據準備是從相關數據源中選取所需要的數據并整合成用于數據挖掘的數據集；規律尋找是利用某種方法找尋數據集所包含的規律；規律表示是盡可能以用戶可理解的方式(例如，可視化)將找出的規律表示出來。數據挖掘技術在新能源發電預測、負荷預測和電力規劃等領域已廣泛應用。

近年來，隨著信息化技術的發展和儲能電站自動化水平的提高，儲能電站每天產生的數據量以爆炸式的速度增長和累積。由此產生了海量、多種類型的數據。數據挖掘技術是分析和處理數據的重要方法，可根據現有的數據預測未來的發展趨勢，挖掘數據中的隱藏信息。數據挖掘技術在電池儲能電站運行維護方面迅速發展，基于數據挖掘技術進行電池儲能電站運維的研究顯著增加，為此類電站運維平臺建設提供了理論依據。

在采用數據挖掘技術之前，為保證電池儲能電站的數據挖掘順利進行，采取合適的數據挖掘模型十分重要，而將數據挖掘過程分成若干步驟，并確定每個步驟需達到什么目標是必要環節。其中，跨行業數據挖掘標準模型是目前工業領域數據挖掘技術應用最廣泛的模型，其包含6 個基本步驟，分別為：業務理解、數據理解、數據處理、模型搭建、模型評估、模型實施，如圖1 所示。同時，挖掘過程得到的信息經過評估和實施之后，與業務功能進行對照分析，還能再次挖掘，從而獲得新信息。

圖1 數據挖掘技術的步驟Fig. 1 Steps of data mining technology

1)業務理解：絕大多數的數據挖掘工程都是針對某個具體領域的，所以必須了解項目要求和最終目的，并將這些目的與數據挖掘技術的定義及產生的結果相結合。

2)數據理解：首先進行數據收集工作，多為從其他業務系統數據庫中提取，但必須確保評估模型環節中用于訓練和檢驗模型的數據來自同一個分布。之后對數據進行裝載，描繪數據，并且探索數據特征，進行簡單的特征統計，檢驗數據的質量。

3)數據處理：對原始粗糙數據分類，以其作為建模工具的分析和挖掘對象，包含缺失值處理、異常值處理、歸一化、平整化、時間序列加權等。

4)模型搭建：利用各種算法(例如，神經網絡)構建模型，使模型的參數校正為最理想的值。數據挖掘技術常用的核心算法包括神經網絡算法[6-7]、決策樹理論[8]、關聯規則、粗糙集理論[9]、支持向量機[10-11]、分類算法[12]、分區分配法等[13]。數據挖掘技術核心算法如圖2 所示。

圖2 數據挖掘技術核心算法Fig. 2 Core algorithm of data mining technology

5)模型評估：在完成模型搭建后，若要對模型進行最終部署，則需要對已構建完成的一個或多個模型進行模型評估。完成模型評估后，對于數據挖掘結果的使用需要形成一致的決定。

6)模型實施：對數據挖掘過程中有效信息發現的過程與結果以可讀文本的格式呈現。

1.2 數據挖掘技術的應用

從電池儲能電站采集的數據主要包括BMS數據、PCS 數據和調度遙測數據等數據[14]。其中，BMS 數據的數據量龐大、屬性繁多，若在各應用場景下對其與儲能系統的關聯性分析不足，會導致此類數據的利用率低、信息資源被浪費等。因此，電池儲能電站的運維數據挖掘和冗余數據減量技術勢在必行。

蔡澤祥等[15]將數據挖掘技術應用到電力設備的運行管理方面，首先利用K-means 聚類算法挖掘歷史運行數據信息，進行單維狀態量故障特征提取，之后基于Apriori 算法挖掘不同故障模式下的關聯規則，建立關鍵性能矩陣，借助高維隨機矩陣理論分析設備故障的時空特性，最終通過D-S 證據理論對單維與多維診斷結果進行信息合成，獲得設備故障診斷的依據。同時，綜合考慮設備運行狀態和電力用戶差異性，建立設備健康度指數及重要度指數，顯著降低設備運維決策風險。

劉長良等[16]探討了基于智能電廠大數據的關鍵參數目標值挖掘技術的內涵和具體實現，涉及整體架構、專用數據挖掘技術等，并以國內某超臨界機組為例，介紹了針對超臨界機組的關鍵參數目標值挖掘系統，該系統利用在線迭代更新和離線挖掘修正相結合的策略，解決了數據體量大與時效性要求高的矛盾，有助于實現關鍵參數目標值的高效挖掘。

數據挖掘技術已經在智能運維中得到廣泛應用。國際商業機器公司(IBM)認為智能運維的目標是對異常做出預警，在問題暴露前提供優化校正服務，以避免影響正常運行。為此，IBM 提出了以實時大數據分析驅動的新一代智能運維中心解決方案，對事件日志進行上下文歷史挖掘分析、周期性規律分析、成對成組出現分析、日志相關與因果分析。阿里巴巴集團控制有限公司研發了智能故障管理平臺，以業務為導向，實現了基于機器學習的業務異常檢測，準確及時發現故障。其通過時間序列分析和機器學習，對未來一段時間的業務指標趨勢進行預測；針對業務異常時間，自動調用各種類型的AP 接口實現一鍵切換，快速修復業務異常；并針對業務異常事件自動拆解相關維度，逐層剝離定位故障原因。隨著技術發展，智能運維平臺的建設范圍已經涵蓋了電力系統監測運維、軌道交通管理運維、光伏電站及電池儲能電站智能運維等領域。

2 電池儲能電站的安全運維

電池儲能電站中儲能電池簇的BMS 數據包括單體電壓、溫度信息，以及上百單體數據組成的簇電壓、電流、溫度、荷電狀態(SOC)、健康狀態(SOH)等信息。電池儲能電站的安防體系架構如圖3 所示。

圖3 電池儲能電站的安防體系架構Fig. 3 Security system architecture of battery energy storage power station

隨著電池儲能電站規模的擴大，監控對象不斷增多，導致百兆瓦級電池儲能電站中僅單個電池堆每秒的上行及下行數據就能達到數千個甚至上萬個，而吉瓦級電池儲能電站必然面臨海量數據的處理問題[17]。基于此，數據挖掘技術的信息數據高效、快速處理能力尤其重要。

電池作為電池儲能電站的能量載體，其充放電性能對電站的功能、狀態都具有重要影響。電池充電或放電是一個高度動態的過程，并且不同的電池類型之間存在差異性， Aliev 等[18]提出了電池充電過程中提取控制規則的動態數據挖掘技術，基于采用軟計算方式的數據挖掘技術，提取控制規則，實現電池充放電過程的安全與高效控制。SOC是可反映電池可用容量的變量，其準確度對電池儲能電站運維具有較大影響，受限于傳感器和電路的采集精度，目前市面上大部分電壓采集方案的精度為±2 mV，這種精度難以滿足電池在不同SOC區間的分析。余曉玲等[19]利用粗糙集理論對各種影響SOC預測的因素變量進行了識別，提出了基于數據挖掘技術——粗糙集－神經網絡的電池儲能系統SOC狀態評估方法，仿真結果表明，相比于BP 神經網絡，該方法在網絡輸入量、計算時間和計算結果誤差等多方面均具有顯著優勢。趙澤昆[20]基于數據挖掘技術對大容量電池儲能系統的運行數據進行分析，從等效電路和神經網絡算法2 個方面分別建立電池儲能系統SOC狀態評估模型，SOC最大預測誤差僅為0.0305，大幅提高了估算結果的準確性，降低了SOC預測模型的構建難度。

SOH是表征電池儲能系統可靠運行的重要參數，其估算精度會影響電池儲能電站整體狀態評估。何志偉等[21]通過電池數據的采集、數據的預處理、搭建SE-CNN 神經網絡和BRNN 神經網絡、構建SOH和SOC聯合估算模型，為各類BMS 提供了一種快速、準確的SOH和SOC估算方法。Wang 等[22]提出一種基于權重主成分分析數據降維和結構加權孿生支持向量回歸的SOH估計方法，解決了鋰離子電池老化特征提取中存在冗余信息導致模型過度擬合和因樣本數量少而導致模型欠擬合的問題，并通過一組電池老化數據驗證了該方法用于快速估算SOH的有效性。Wei 等[23]提出一種基于深度神經網絡學習的含糾錯功能的梯次利用電池健康狀況評估方法，利用灰色相關分析方法降低評估電池性能老化主要特征參數的維數，建立基于深度神經網絡學習的梯次利用電池SOH評價模型。仿真結果表明，對深度神經網絡學習預測模型進行馬爾可夫鏈誤差修正后，梯次利用電池SOH預測的平均絕對誤差小于0.8%。馮雪松[24]針對電池大規模部署產生的高多樣性、小樣本數據特點，提出通過數據挖掘理論建立電池群組數據分析體系，以解決數據清洗、特征提取和狀態識別難題，實現了數據低錯誤率修復、高壓縮比降維和高精度的電池SOH和剩余容量狀態評估流程，提高了大規模部署和復雜環境下不同電池組高差異化特征的學習能力和識別能力。王銘民等[25]基于氣體在線監測的磷酸鐵鋰儲能電池模組過充熱失控特性的研究，為磷酸鐵鋰儲能電站的預警和消防提供有效的理論和試驗支撐。

針對儲能電池在線監測數據較少的現狀，可根據歷史故障處理信息，設計相應的故障處理步驟，以便于為到站檢修人員提供故障信息、故障位置、檢修方法等方面的智能指導。湛安軍等[26]提出了一種火焰的視頻識別方法和一種火災監控方法，該火災監控方法通過獲取視頻圖像，建立背景模型，檢測監視圖像中的前景目標，并把前景目標傳送到服務器端，通過圖像訓練建立火焰的顏色模型，再通過聚類分析，最終進行報警驗證。約翰?A?蒂韋特等[27]提出利用電化學電池對各種氣體的敏感度不同來驗證災害是否發生的方法。Seok-Ha 等[28]針對大容量電池儲能系統的消防問題，分析電池儲能系統的火災原因；基于氣體傳感器的電解液廢氣檢測模塊，用于在開發鋰電池熱失控并檢查其性能之前檢測電解液廢氣；將電解液廢氣檢測模塊集成到電池儲能系統中，以構建防火系統并進行現場評估。Li 等[29]根據鋰離子電池熱失控過程的特征規律，分析了電池變形、溫度與釋放氣體的相關性，提出了一種基于應變測量的電池火災預警方法，通過設計應變測量電路并分析電路工作原理，利用鋰離子電池熱失控實驗對基于應變測量的電池火災預警方法進行驗證。實驗結果表明，基于應變測量的方法能夠在鋰離子電池熱失控的早期識別火災風險，防止火勢蔓延，基本上可以滿足鋰離子電池火災預警的需要。王春力等[30]研究了電池熱失控早期氣體參數并對其進行分析，將一氧化碳和溫度作為鋰電池熱失控早期的預警信號，對多級預警機構和其與消防系統的安全聯動進行了深入研究，并由此確定了消防預警系統的架構，可在保證盡快檢測出電池熱失控狀態的同時快速聯動消防設施。

3 電池儲能電站故障預警及檢修技術

監控運行狀態和診斷運行故障的實時性和準確性對電池儲能電站中電池組的安全可靠運行至關重要。而電池儲能電站有效利用數據挖掘技術可大幅降低數據的傳輸量和存儲量，提高對電站運行管理的準確性。Qiao 等[31]提出將數據挖掘技術與機器學習相結合的方法來對鋰離子電池組進行故障診斷與異常檢測，該方法通過分析隱藏在外部測量下的異常情況，計算電池組中每塊電池的故障頻率，及時識別故障類型并定位故障電池。實驗結果表明，該方法可以準確診斷故障并監控電池組的狀態。在電池故障預測方面，王帥等[32]提出一種大型鋰電池儲能電站的電池故障預測方法，該方法通過稀疏自編碼算法從歷史監測信號原始特征庫中提取每一采樣時刻的電池箱集群的主特征矩陣，計算電池箱集群的累積偏心距離矩陣并設定預警閾值，最終實現電池儲能電站的電池故障預測。趙澤昆[20]基于改進神經網絡的SOC 評估方法，對大容量電池儲能系統的軟故障診斷展開仿真研究，研究結果表明，該方法可以對任意程度的電池儲能系統容量衰減進行準確診斷。Kim 等[33]提出了一種新的基于云的大型鋰離子電池狀態監測和故障診斷平臺，結合嵌入在電池模塊中的物聯網和云電池管理平臺，云電池管理平臺內置狀態監測算法和基于異常值挖掘的電池故障診斷算法的多線程，可為大型鋰離子電池儲能系統提供智能且經濟高效的維護。

在配電設備故障預測方面，陳哲[34]提出基于神經網絡技術的在線運行設備故障預測模型，該模型通過分析處理歷史數據，對故障特征值進行提取及收集，形成特征值樣本集，再利用樣本集來訓練設計好的神經網絡，調整權重，對神經網絡結構設計進行優化，建立基于神經網絡的故障預測模型，以達到預測設備故障的目的。

在通信設備故障預測方面，喬涵等[35]提出一種基于大數據技術的電力信息通信故障預測系統，通過數據采集平臺采集電力系統通信設備的各項數據，并將采集得到的數據匯集發送至用于接收采集得到的各項數據的大數據監測平臺，通過對各項數據進行分析，預測電力系統通信設備可能發生的故障。Shi 等[36]利用大數據技術，基于設備故障及運行維護數據，分析電力通信網絡設備運行維護狀態，對實際網絡數據進行挖掘，根據數據挖掘結果從維護效果、維護成本和維護時間分布等方面分析電力通信網絡設備運維情況。Lee 等[37]針對電池儲能系統傳感器因通信故障引起的通信數據不可靠問題，提出一種電池儲能系統傳感器數據信任框架，利用深度學習算法檢測不可靠數據，從而提高電池儲能系統的安全性和可靠性。

有關電力裝備主要故障預測技術的優缺點對比如表2 所示[33]。

表2 電力裝備主要故障預測技術的優缺點對比Table 2 Comparison of advantages and disadvantages of main fault prediction technologies of current electronic equipment

針對電池儲能電站的檢修，利用電站運維中產生的大數據和運維檢修人員物資等數據優化檢修計劃，提高運維效率，降低運維成本十分必要。郭建鵬等[38]針對電池儲能電站的檢修，采用粒子群算法對電站的檢修周期進行優化，找到指定的可靠性條件下經濟性最優的檢修周期。驗證結果表明，隨著檢修周期的改變，周期內相關中長期檢修費用得到了顯著降低，檢修周期對電站經濟效益的影響力得到良好表征。王康[39]對含有儲能系統的綜合能源站二次設備自身功能特性、監測信息等進行了指標評價，基于改進灰色關聯分析計算二次設備指標評分，對數據較少的歷史運行狀態統計類指標建立云模型，以評估其運行狀態，建立了基于Petri 網的二次系統狀態評價模型。Zheng 等[40]基于改進的決策神經網絡(IDNN)模型實現二次系統故障定位，將故障定位結果報告給維修人員處理，并將歷史故障樣本集存儲在后臺數據庫中。在電池儲能電站的檢修計劃未來發展中，理論的不斷成熟必使檢修計劃變得更加科學與完善。而其他方面的因素對檢修計劃的優化也會產生重要影響，比如，地理信息系統與檢修計劃相結合的應用將會對檢修計劃的優化產生更大影響。

4 智能運維技術

智能運維技術是指通過機器學習等人工智能算法，自動從海量運維數據中學習并總結規則，然后作出決策的運維技術。與傳統運維技術相比，云計算中心智能運維無論是在數據量還是在處理速度上都明顯優于傳統運維技術[41]。智能運維技術概念最早由美國的Gartner 公司提出，其將人工智能科技融入運維系統中，以大數據和機器學習為基礎，從多種數據源中采集海量數據(包括日志、業務數據、系統數據等)進行實時或離線分析，通過主動性、人性化和動態可視化，提高傳統運維技術的能力。

由上海安科瑞電氣股份有限公司推出的Acrel-2000 用戶端智能配電系統是適用于各行業用戶端供配電監控和運行管理的系列產品，其可以建立供電網絡仿真模型，模擬配電網絡運行，監測故障，實現無人值班模式。由安捷物聯科技有限公司推出的軌道交通管理運維平臺以新能源管理、設備管理與巡檢為基礎，實現了對軌道交通設備的健康監測、智能診斷、設備運維、應急搶修等功能。葉進等[42]提出一種基于級聯隨機森林的光伏組件在線故障診斷模型，通過實驗驗證了該方法的有效性和準確性。由北京金鴻泰科技有限公司推出的光伏電站故障在線監測智能診斷系統可以全面覆蓋、在線智能監測光伏電站所有設備，實時定位并準確判別故障，有針對性、有計劃性地指導開展人工現場檢測核驗消缺，大幅度降低消缺運維工作的難度和勞動強度，提高運檢效率。王小紅等[43]提供了一種基于多模塊集成的儲能電站綜合管理系統，管理系統包括調度主站、遠動工作站、儲能監控后臺和儲能并網裝置，提升了儲能電站管理系統的便捷性，為電站正常運轉提供了保障。國網湖南省電力有限公司研發了一種基于云管邊端的儲能電站智能運維分析系統，包括運維云平臺、通信網絡管道、邊緣計算裝置和智能終端，實現儲能電站由被動運維到主動運維，提升儲能電站的運維效率[44]。

平高集團儲能科技有限公司開發了基于大數據的智能運維平臺，如圖4 所示，其主體架構分為基礎設備臺賬管理及應用、儲能電站的運維和運維數據的擴展應用3 個部分。基礎設備臺賬管理及應用可以通過數據分析行業現有的技術水平、發展趨勢和供應商評級評價，同時也能進行故障溯源。儲能電站的運維主要是接收故障信息并進行工作派單和消缺，以及運維信息的人機交互，服務于聯合運維、遠程運維等物聯網模式。運維數據的擴展應用是對儲能電站的經濟性、壽命及狀態評價提供支撐。

圖4 基于大數據的智能運維平臺界面Fig. 4 Interface of intelligent operation and maintenance platform based on big data

5 展望

本文從以下3 個方面對基于數據挖掘的電池儲能電站的運維技術進行了展望。

1)利用大數據是電池儲能電站綜合運維的特點，數據采集、處理與分析挖掘技術可支撐儲能電站運維向智能化發展。

2)電池儲能電站的性能演變主要是電池性能的量變過程，分析BMS 大數據，以及監測環境氣體組分，可提高運維安全性。

3)智能運維技術是電池儲能電站運維的主要方向，對電站進行運維是其基本功能，也可擴展到設備臺賬管理和電站狀態評價評估等高級應用階段，進而通過數據挖掘提高電站的經濟價值。

6 結論

本文圍繞電池儲能電站運維信息多、信息量大的特點，針對利用大數據進行智能運維時所涉及的數據挖掘應用進行了分析，綜述了儲能電站安全、故障預警定位、檢修計劃設定和運維平臺建設等內容，并從大數據利用、電池儲能電站的性能演變、智能化運維平臺3 方面對電池儲能電站未來的運維方向進行了展望。