引用本文请复制：

田刚领，叶晖，张柳丽等.基于数据挖掘的电池储能电站运维技术综述[J].太阳能,(5):23-32.

　　随着新能源发电装机容量不断增加，为平抑新能源发电的波动性和间歇性，电池储能电站的装机容量也迅速增加，据中关村储能产业技术联盟(CNESA)统计，年中国企业的国内电化学储能项目装机容量为3.87GW/5.85GWh，全球的装机容量为7.31GW/12.1GWh。由于电池储能电站设备的内外特性不同于常规电气设备，具有典型的电化学动态演变特征，性能维护无法照搬现有常规电气设备的运行维护规程，运行维护不当会造成电池性能衰减、能耗偏大、寿命折损严重等问题，甚至会存在安全隐患，因此，电池储能电站的运维工作日益受到重视。电池储能电站运维过程中会产生大量数据，从提高运维效果的角度来看，如何高效利用这些类型繁多、数量庞大的存储数据，避免出现此类数据低效利用、信息资源浪费等问题，是实现电池储能电站高效运维亟待解决的问题[1-5]。

　　目前，根据单个电站的规模大小，电池储能电站运维采用6人或9人三班倒的模式，运维人员通过储能调控系统实时监控各储能系统运行状态，及时发现设备异常信息，第一时间进行操作处理；并在值班期间记录各设备运行情况及电站运行信息，分类记录设备缺陷，及时进行消缺处理；制定电池储能电站专用运行规程、安全管理制度、交接班制度，规范日常运维动作。这种电站运维方式存在：1)智能化不足，人工运维工作量大，缺乏专业运维人才；2)运维数据无规范化的架构体系，数据价值未得到应用开发，对电站性能的动态跟踪、寿命预测、经济性分析缺少支撑，也无法助力后续的功能设计及开发。典型储能项目中储能设备的运维信息如表1所示。其中：EMS为能源管理系统；BMS为电池管理系统数据；PCS为储能变流器。

1数据挖掘技术及应用

1.1数据挖掘技术

　　数据挖掘技术是通过分析每个数据，从大量数据中寻找其规律。该技术主要包括数据准备、规律寻找和规律表示这3个步骤。数据准备是从相关数据源中选取所需要的数据并整合成用于数据挖掘的数据集；规律寻找是利用某种方法找寻数据集所包含的规律；规律表示是尽可能以用户可理解的方式(例如，可视化)将找出的规律表示出来。数据挖掘技术在新能源发电预测、负荷预测和电力规划等领域已广泛应用。

　　近年来，随着信息化技术的发展和储能电站自动化水平的提高，储能电站每天产生的数据量以爆炸式的速度增长和累积。由此产生了海量、多种类型的数据。数据挖掘技术是分析和处理数据的重要方法，可根据现有的数据预测未来的发展趋势，挖掘数据中的隐藏信息。数据挖掘技术在电池储能电站运行维护方面迅速发展，基于数据挖掘技术进行电池储能电站运维的研究显著增加，为此类电站运维平台建设提供了理论依据。

　　在采用数据挖掘技术之前，为保证电池储能电站的数据挖掘顺利进行，采取合适的数据挖掘模型十分重要，而将数据挖掘过程分成若干步骤，并确定每个步骤需达到什么目标是必要环节。其中，跨行业数据挖掘标准模型是目前工业领域数据挖掘技术应用最广泛的模型，其包含6个基本步骤，分别为：业务理解、数据理解、数据处理、模型搭建、模型评估、模型实施，如图1所示。同时，挖掘过程得到的信息经过评估和实施之后，与业务功能进行对照分析，还能再次挖掘，从而获得新信息。

　　1)业务理解：绝大多数的数据挖掘工程都是针对某个具体领域的，所以必须了解项目要求和最终目的，并将这些目的与数据挖掘技术的定义及产生的结果相结合。

　　2)数据理解：首先进行数据收集工作，多为从其他业务系统数据库中提取，但必须确保评估模型环节中用于训练和检验模型的数据来自同一个分布。之后对数据进行装载，描绘数据，并且探索数据特征，进行简单的特征统计，检验数据的质量。

　　3)数据处理：对原始粗糙数据分类，以其作为建模工具的分析和挖掘对象，包含缺失值处理、异常值处理、归一化、平整化、时间序列加权等。

　　4)模型搭建：利用各种算法(例如，神经网络)构建模型，使模型的参数校正为最理想的值。数据挖掘技术常用的核心算法包括神经网络算法[6-7]、决策树理论[8]、关联规则、粗糙集理论[9]、支持向量机[10-11]、分类算法[12]、分区分配法等[13]。数据挖掘技术核心算法如图2所示。

　　5)模型评估：在完成模型搭建后，若要对模型进行最终部署，则需要对已构建完成的一个或多个模型进行模型评估。完成模型评估后，对于数据挖掘结果的使用需要形成一致的决定。 　　

　　6)模型实施：对数据挖掘过程中有效信息发现的过程与结果以可读文本的格式呈现。

1.2数据挖掘技术的应用

　　从电池储能电站采集的数据主要包括BMS数据、PCS数据和调度遥测数据等数据[14]。其中，BMS数据的数据量庞大、属性繁多，若在各应用场景下对其与储能系统的关联性分析不足，会导致此类数据的利用率低、信息资源被浪费等。因此，电池储能电站的运维数据挖掘和冗余数据减量技术势在必行。

　　蔡泽祥等[15]将数据挖掘技术应用到电力设备的运行管理方面，首先利用K-means聚类算法挖掘历史运行数据信息，进行单维状态量故障特征提取，之后基于Apriori算法挖掘不同故障模式下的关联规则，建立关键性能矩阵，借助高维随机矩阵理论分析设备故障的时空特性，最终通过D-S证据理论对单维与多维诊断结果进行信息合成，获得设备故障诊断的依据。同时，综合考虑设备运行状态和电力用户差异性，建立设备健康度指数及重要度指数，显著降低设备运维决策风险。

　　刘长良等[16]探讨了基于智能电厂大数据的关键参数目标值挖掘技术的内涵和具体实现，涉及整体架构、专用数据挖掘技术等，并以国内某超临界机组为例，介绍了针对超临界机组的关键参数目标值挖掘系统，该系统利用在线迭代更新和离线挖掘修正相结合的策略，解决了数据体量大与时效性要求高的矛盾，有助于实现关键参数目标值的高效挖掘。

　　数据挖掘技术已经在智能运维中得到广泛应用。国际商业机器公司(IBM)认为智能运维的目标是对异常做出预警，在问题暴露前提供优化校正服务，以避免影响正常运行。为此，IBM提出了以实时大数据分析驱动的新一代智能运维中心解决方案，对事件日志进行上下文历史挖掘分析、周期性规律分析、成对成组出现分析、日志相关与因果分析。阿里巴巴集团控制有限公司研发了智能故障管理平台，以业务为导向，实现了基于机器学习的业务异常检测，准确及时发现故障。其通过时间序列分析和机器学习，对未来一段时间的业务指标趋势进行预测；针对业务异常时间，自动调用各种类型的AP接口实现一键切换，快速修复业务异常；并针对业务异常事件自动拆解相关维度，逐层剥离定位故障原因。随着技术发展，智能运维平台的建设范围已经涵盖了电力系统监测运维、轨道交通管理运维、光伏电站及电池储能电站智能运维等领域。

2电池储能电站的安全运维

　　电池储能电站中储能电池簇的BMS数据包括单体电压、温度信息，以及上百单体数据组成的簇电压、电流、温度、荷电状态(SOC)、健康状态(SOH)等信息。电池储能电站的安防体系架构如图3所示。

　　随着电池储能电站规模的扩大，监控对象不断增多，导致百兆瓦级电池储能电站中仅单个电池堆每秒的上行及下行数据就能达到数千个甚至上万个，而吉瓦级电池储能电站必然面临海量数据的处理问题[17]。基于此，数据挖掘技术的信息数据高效、快速处理能力尤其重要。电池作为电池储能电站的能量载体，其充放电性能对电站的功能、状态都具有重要影响。

　　电池充电或放电是一个高度动态的过程，并且不同的电池类型之间存在差异性，Aliev等[18]提出了电池充电过程中提取控制规则的动态数据挖掘技术，基于采用软计算方式的数据挖掘技术，提取控制规则，实现电池充放电过程的安全与高效控制。SOC是可反映电池可用容量的变量，其准确度对电池储能电站运维具有较大影响，受限于传感器和电路的采集精度，目前市面上大部分电压采集方案的精度为±2mV，这种精度难以满足电池在不同SOC区间的分析。余晓玲等[19]利用粗糙集理论对各种影响SOC预测的因素变量进行了识别，提出了基于数据挖掘技术——粗糙集－神经网络的电池储能系统SOC状态评估方法，仿真结果表明，相比于BP神经网络，该方法在网络输入量、计算时间和计算结果误差等多方面均具有显著优势。赵泽昆[20]基于数据挖掘技术对大容量电池储能系统的运行数据进行分析，从等效电路和神经网络算法2个方面分别建立电池储能系统SOC状态评估模型，SOC最大预测误差仅为0.，大幅提高了估算结果的准确性，降低了SOC预测模型的构建难度。

　　SOH是表征电池储能系统可靠运行的重要参数，其估算精度会影响电池储能电站整体状态评估。何志伟等[21]通过电池数据的采集、数据的预处理、搭建SE-CNN神经网络和BRNN神经网络、构建SOH和SOC联合估算模型，为各类BMS提供了一种快速、准确的SOH和SOC估算方法。Wang等[22]提出一种基于权重主成分分析数据降维和结构加权孪生支持向量回归的SOH估计方法，解决了锂离子电池老化特征提取中存在冗余信息导致模型过度拟合和因样本数量少而导致模型欠拟合的问题，并通过一组电池老化数据验证了该方法用于快速估算SOH的有效性。Wei等[23]提出一种基于深度神经网络学习的含纠错功能的梯次利用电池健康状况评估方法，利用灰色相关分析方法降低评估电池性能老化主要特征参数的维数，建立基于深度神经网络学习的梯次利用电池SOH评价模型。仿真结果表明，对深度神经网络学习预测模型进行马尔可夫链误差修正后，梯次利用电池SOH预测的平均绝对误差小于0.8%。冯雪松[24]针对电池大规模部署产生的高多样性、小样本数据特点，提出通过数据挖掘理论建立电池群组数据分析体系，以解决数据清洗、特征提取和状态识别难题，实现了数据低错误率修复、高压缩比降维和高精度的电池SOH和剩余容量状态评估流程，提高了大规模部署和复杂环境下不同电池组高差异化特征的学习能力和识别能力。王铭民等[25]基于气体在线监测的磷酸铁锂储能电池模组过充热失控特性的研究，为磷酸铁锂储能电站的预警和消防提供有效的理论和试验支撑。

　　针对储能电池在线监测数据较少的现状，可根据历史故障处理信息，设计相应的故障处理步骤，以便于为到站检修人员提供故障信息、故障位置、检修方法等方面的智能指导。湛安军等[26]提出了一种火焰的视频识别方法和一种火灾监控方法，该火灾监控方法通过获取视频图像，建立背景模型，检测监视图像中的前景目标，并把前景目标传送到服务器端，通过图像训练建立火焰的颜色模型，再通过聚类分析，最终进行报警验证。约翰?A?蒂韦特等[27]提出利用电化学电池对各种气体的敏感度不同来验证灾害是否发生的方法。Seok-Ha等[28]针对大容量电池储能系统的消防问题，分析电池储能系统的火灾原因；基于气体传感器的电解液废气检测模块，用于在开发锂电池热失控并检查其性能之前检测电解液废气；将电解液废气检测模块集成到电池储能系统中，以构建防火系统并进行现场评估。Li等[29]根据锂离子电池热失控过程的特征规律，分析了电池变形、温度与释放气体的相关性，提出了一种基于应变测量的电池火灾预警方法，通过设计应变测量电路并分析电路工作原理，利用锂离子电池热失控实验对基于应变测量的电池火灾预警方法进行验证。实验结果表明，基于应变测量的方法能够在锂离子电池热失控的早期识别火灾风险，防止火势蔓延，基本上可以满足锂离子电池火灾预警的需要。王春力等[30]研究了电池热失控早期气体参数并对其进行分析，将一氧化碳和温度作为锂电池热失控早期的预警信号，对多级预警机构和其与消防系统的安全联动进行了深入研究，并由此确定了消防预警系统的架构，可在保证尽快检测出电池热失控状态的同时快速联动消防设施。

3电池储能电站故障预警及检修技术

　　监控运行状态和诊断运行故障的实时性和准确性对电池储能电站中电池组的安全可靠运行至关重要。而电池储能电站有效利用数据挖掘技术可大幅降低数据的传输量和存储量，提高对电站运行管理的准确性。Qiao等[31]提出将数据挖掘技术与机器学习相结合的方法来对锂离子电池组进行故障诊断与异常检测，该方法通过分析隐藏在外部测量下的异常情况，计算电池组中每块电池的故障频率，及时识别故障类型并定位故障电池。实验结果表明，该方法可以准确诊断故障并监控电池组的状态。

　　在电池故障预测方面，王帅等[32]提出一种大型锂电池储能电站的电池故障预测方法，该方法通过稀疏自编码算法从历史监测信号原始特征库中提取每一采样时刻的电池箱集群的主特征矩阵，计算电池箱集群的累积偏心距离矩阵并设定预警阈值，最终实现电池储能电站的电池故障预测。赵泽昆[20]基于改进神经网络的SOC评估方法，对大容量电池储能系统的软故障诊断展开仿真研究，研究结果表明，该方法可以对任意程度的电池储能系统容量衰减进行准确诊断。Kim等[33]提出了一种新的基于云的大型锂离子电池状态监测和故障诊断平台，结合嵌入在电池模块中的物联网和云电池管理平台，云电池管理平台内置状态监测算法和基于异常值挖掘的电池故障诊断算法的多线程，可为大型锂离子电池储能系统提供智能且经济高效的维护。

　　在配电设备故障预测方面，陈哲[34]提出基于神经网络技术的在线运行设备故障预测模型，该模型通过分析处理历史数据，对故障特征值进行提取及收集，形成特征值样本集，再利用样本集来训练设计好的神经网络，调整权重，对神经网络结构设计进行优化，建立基于神经网络的故障预测模型，以达到预测设备故障的目的。

　　在通信设备故障预测方面，乔涵等[35]提出一种基于大数据技术的电力信息通信故障预测系统，通过数据采集平台采集电力系统通信设备的各项数据，并将采集得到的数据汇集发送至用于接收采集得到的各项数据的大数据监测平台，通过对各项数据进行分析，预测电力系统通信设备可能发生的故障。Shi等[36]利用大数据技术，基于设备故障及运行维护数据，分析电力通信网络设备运行维护状态，对实际网络数据进行挖掘，根据数据挖掘结果从维护效果、维护成本和维护时间分布等方面分析电力通信网络设备运维情况。Lee等[37]针对电池储能系统传感器因通信故障引起的通信数据不可靠问题，提出一种电池储能系统传感器数据信任框架，利用深度学习算法检测不可靠数据，从而提高电池储能系统的安全性和可靠性。

　　有关电力装备主要故障预测技术的优缺点对比如表2所示[33]。

　　针对电池储能电站的检修，利用电站运维中产生的大数据和运维检修人员物资等数据优化行业观察检修计划，提高运维效率，降低运维成本十分必要。郭建鹏等[38]针对电池储能电站的检修，采用粒子群算法对电站的检修周期进行优化，找到指定的可靠性条件下经济性最优的检修周期。验证结果表明，随着检修周期的改变，周期内相关中长期检修费用得到了显著降低，检修周期对电站经济效益的影响力得到良好表征。王康[39]对含有储能系统的综合能源站二次设备自身功能特性、监测信息等进行了指标评价，基于改进灰色关联分析计算二次设备指标评分，对数据较少的历史运行状态统计类指标建立云模型，以评估其运行状态，建立了基于Petri网的二次系统状态评价模型。Zheng等[40]基于改进的决策神经网络(IDNN)模型实现二次系统故障定位，将故障定位结果报告给维修人员处理，并将历史故障样本集存储在后台数据库中。在电池储能电站的检修计划未来发展中，理论的不断成熟必使检修计划变得更加科学与完善。而其他方面的因素对检修计划的优化也会产生重要影响，比如，地理信息系统与检修计划相结合的应用将会对检修计划的优化产生更大影响。

4智能运维技术

　　智能运维技术是指通过机器学习等人工智能算法，自动从海量运维数据中学习并总结规则，然后作出决策的运维技术。与传统运维技术相比，云计算中心智能运维无论是在数据量还是在处理速度上都明显优于传统运维技术[41]。智能运维技术概念最早由美国的Gartner公司提出，其将人工智能科技融入运维系统中，以大数据和机器学习为基础，从多种数据源中采集海量数据(包括日志、业务数据、系统数据等)进行实时或离线分析，通过主动性、人性化和动态可视化，提高传统运维技术的能力。

　　由上海安科瑞电气股份有限公司推出的Acrel-用户端智能配电系统是适用于各行业用户端供配电监控和运行管理的系列产品，其可以建立供电网络仿真模型，模拟配电网络运行，监测故障，实现无人值班模式。由安捷物联科技有限公司推出的轨道交通管理运维平台以新能源管理、设备管理与巡检为基础，实现了对轨道交通设备的健康监测、智能诊断、设备运维、应急抢修等功能。叶进等[42]提出一种基于级联随机森林的光伏组件在线故障诊断模型，通过实验验证了该方法的有效性和准确性。由北京金鸿泰科技有限公司推出的光伏电站故障在线监测智能诊断系统可以全面覆盖、在线智能监测光伏电站所有设备，实时定位并准确判别故障，有针对性、有计划性地指导开展人工现场检测核验消缺，大幅度降低消缺运维工作的难度和劳动强度，提高运检效率。王小红等[43]提供了一种基于多模块集成的储能电站综合管理系统，管理系统包括调度主站、远动工作站、储能监控后台和储能并网装置，提升了储能电站管理系统的便捷性，为电站正常运转提供了保障。国网湖南省电力有限公司研发了一种基于云管边端的储能电站智能运维分析系统，包括运维云平台、通信网络管道、边缘计算装置和智能终端，实现储能电站由被动运维到主动运维，提升储能电站的运维效率[44]。

　　平高集团储能科技有限公司开发了基于大数据的智能运维平台，如图4所示，其主体架构分为基础设备台账管理及应用、储能电站的运维和运维数据的扩展应用3个部分。基础设备台账管理及应用可以通过数据分析行业现有的技术水平、发展趋势和供应商评级评价，同时也能进行故障溯源。储能电站的运维主要是接收故障信息并进行工作派单和消缺，以及运维信息的人机交互，服务于联合运维、远程运维等物联网模式。运维数据的扩展应用是对储能电站的经济性、寿命及状态评价提供支撑。

5展望

　　本文从以下3个方面对基于数据挖掘的电池储能电站的运维技术进行了展望。

　　1)利用大数据是电池储能电站综合运维的特点，数据采集、处理与分析挖掘技术可支撑储能电站运维向智能化发展。

　　2)电池储能电站的性能演变主要是电池性能的量变过程，分析BMS大数据，以及监测环境气体组分，可提高运维安全性。

　　3)智能运维技术是电池储能电站运维的主要方向，对电站进行运维是其基本功能，也可扩展到设备台账管理和电站状态评价评估等高级应用阶段，进而通过数据挖掘提高电站的经济价值。

6结论

　　本文围绕电池储能电站运维信息多、信息量大的特点，针对利用大数据进行智能运维时所涉及的数据挖掘应用进行了分析，综述了储能电站安全、故障预警定位、检修计划设定和运维平台建设等内容，并从大数据利用、电池储能电站的性能演变、智能化运维平台3方面对电池储能电站未来的运维方向进行了展望。

田刚领，叶晖，张柳丽，崔美琨，李爱魁单位

1.平高集团储能科技有限公司2.大连理工大学电气工程学院来源

《太阳能》杂志年第5期23-32

DOI:10./j.-.tyn0406.02