储能电站设备状态的智能评估方法及系统

摘要

本发明涉及储能电站设备状态的智能评估方法及系统，涉及数据处理技术领域，其中，该方法包括：获取储能电站设备的运行数据，其中，运行数据至少包括蓄电池组的运行数据及储能变流器的运行数据；基于蓄电池组的运行数据，评估蓄电池组的电池状态；基于储能变流器的运行数据，评估储能变流器的变流器状态；基于蓄电池组的运行数据，评估BMS管理单元的管理效果，具有提高储能电站设备状态评估的准确性的优点。

权利要求

1.储能电站设备状态的智能评估方法，其特征在于，包括：获取储能电站设备的运行数据，其中，所述运行数据至少包括蓄电池组的运行数据及储能变流器的运行数据；

基于所述蓄电池组的运行数据，评估所述蓄电池组的电池状态；

基于所述储能变流器的运行数据，评估所述储能变流器的变流器状态；

基于所述蓄电池组的运行数据，评估BMS管理单元的管理效果；

所述获取储能电站设备的运行数据，包括：

在所述蓄电池组包括的每节电池设置一个蓄电池组监测组件，其中，所述蓄电池组监测组件包括鼓包监测设备及电气监测设备；

通过所述鼓包监测设备获取所述电池在运行过程中的鼓包相关信息；

通过所述电气监测设备获取所述电池在运行过程中的电流、电压、温度、荷电状态及充放电切换次数；

所述鼓包监测设备包括形变监测单元及超声波监测单元，其中，所述形变监测单元包括多组形变监测装置，其中，每组形变监测装置包括多个压电式传感器；

在所述蓄电池组包括的每节电池设置一个蓄电池组监测组件，包括：获取所述电池的相关历史鼓包信息；

基于所述电池的相关历史鼓包信息，确定所述电池的多个目标监测区域；

基于所述电池的相关历史鼓包信息，确定所述电池的每个所述目标监测区域的鼓包可能性；

对于每个所述目标监测区域，基于所述目标监测区域的鼓包可能性，确定所述目标监测区域内的压电式传感器的数量；

基于所述目标监测区域内的压电式传感器的数量，在所述目标监测区域设置所述形变监测装置；

所述通过所述鼓包监测设备获取所述电池在运行过程中的鼓包相关信息，包括：对于每个所述目标监测区域，基于所述目标监测区域的形变监测装置包括的每个压电式传感器在多个历史运行时间点的输出信号，确定所述目标监测区域的区域鼓包可能性；

当所述区域鼓包可能性大于预测区域鼓包可能性阈值时，基于所述目标监测区域的位置信息，确定目标位姿；

将所述超声波监测单元从初始位姿调整为目标位姿，通过所述超声波监测单元获取所述电池的超声波监测信号。

2.根据权利要求1所述的储能电站设备状态的智能评估方法，其特征在于，所述基于所述蓄电池组的运行数据，评估所述蓄电池组的电池状态，包括：基于经验模态分解算法，对所述超声波监测信号进行去噪处理，生成去噪后的超声波监测信号；

基于所述目标监测区域的位置信息及所述目标位姿，生成对比超声波监测信号；

基于所述去噪后的超声波监测信号与所述对比超声波监测信号之间的相似度，确定所述电池的电池鼓包可能性。

3.根据权利要求1或2所述的储能电站设备状态的智能评估方法，其特征在于，所述获取储能电站设备的运行数据，包括：获取所述储能变流器的历史异常信息；

基于所述储能变流器的历史异常信息，确定所述储能变流器的各个电器设备的异常概率；

基于所述储能变流器的各个电器设备的异常概率，确定至少一个目标电器设备；

对于每个所述目标电器设备，在所述储能变流器内设置所述目标电器设备对应的电器监测设备，通过所述电器监测设备获取所述储能变流器在多个历史监测周期的运行数据。

4.根据权利要求3所述的储能电站设备状态的智能评估方法，其特征在于，所述电器监测设备包括声音监测装置、振动监测装置、电流监测装置、电压监测装置及温度监测装置；

所述通过所述电器监测设备获取所述储能变流器在多个监测周期的运行数据，包括：在每个所述历史监测周期，通过所述声音监测装置获取对应的目标电器设备的声音数据，通过所述振动监测装置获取对应的目标电器设备的振动数据，通过所述电流监测装置获取对应的目标电器设备的电流数据，通过所述电压监测装置获取对应的目标电器设备的电压数据，通过所述温度监测装置获取对应的目标电器设备的温度数据。

5.根据权利要求4所述的储能电站设备状态的智能评估方法，其特征在于，所述基于所述储能变流器的运行数据，评估所述储能变流器的变流器状态，包括：基于所述声音监测装置在所述历史监测周期获取的对应的目标电器设备的声音数据，生成声音特征；

基于所述振动监测装置在所述历史监测周期获取的对应的目标电器设备的振动数据，生成振动特征；

基于所述电流监测装置在所述历史监测周期获取的对应的目标电器设备的电流数据，生成电流特征；

基于所述电压监测装置在所述历史监测周期获取的对应的目标电器设备的电压数据，生成电压特征；

基于所述温度监测装置在所述历史监测周期获取的对应的目标电器设备的温度数据，生成温度特征；

基于所述目标电器设备在所述历史监测周期的声音特征、振动特征、电流特征、电压特征及温度特征，判断所述目标电器设备在所述历史监测周期是否处于异常状态；

当判断所述目标电器设备在所述历史监测周期处于异常状态时，获取所述目标电器设备在不同类型的异常状态的标准声音特征、标准振动特征、标准电流特征、标准电压特征及标准温度特征；

基于所述目标电器设备在所述历史监测周期的声音特征、振动特征、电流特征、电压特征及温度特征和所述目标电器设备在不同类型的异常状态的标准声音特征、标准振动特征、标准电流特征、标准电压特征及标准温度特征，确定所述目标电器设备在所述历史监测周期的目标异常状态类型。

6.根据权利要求1或2所述的储能电站设备状态的智能评估方法，其特征在于，所述基于所述蓄电池组的运行数据，评估所述BMS管理单元的管理效果，包括：建立管理评估体系，其中，所述管理评估体系包括多个管理评估指标及每个所述管理评估指标对应的权重；

基于所述电池在运行过程中的电流、电压、温度、荷电状态及充放电切换次数，确定所述BMS管理单元在所述多个管理评估指标的得分；

基于所述BMS管理单元在所述多个管理评估指标的得分及每个所述管理评估指标对应的权重，确定所述BMS管理单元的管理效果。

7.根据权利要求6所述的储能电站设备状态的智能评估方法，其特征在于，所述多个管理评估指标的权重基于确定任意两个所述管理评估指标之间的关联度确定。

8.储能电站设备状态的智能评估系统，所述系统实现如权利要求1‑7任一项所述的储能电站设备状态的智能评估方法，其特征在于，包括：数据获取模块，用于获取储能电站设备的运行数据，其中，所述运行数据至少包括蓄电池组的运行数据及储能变流器的运行数据；

电池评估模块，用于基于所述蓄电池组的运行数据，评估所述蓄电池组的电池状态；

变流器评估模块，用于基于所述储能变流器的运行数据，评估所述储能变流器的变流器状态；

BMS评估模块，用于基于所述蓄电池组的运行数据，评估BMS管理单元的管理状态。

说明书

储能电站设备状态的智能评估方法及系统

技术领域

[0001] 本发明涉及数据处理技术领域，尤其涉及储能电站设备状态的智能评估方法及系统。

背景技术

[0002] 近年来，电化学储能技术已经在电力系统中的发电、辅助服务、输配电、可再生能源接入、分布式能源存储及终端用户等多个领域得到广泛应用。作为实现储能装置大容量化的主要手段，储能系统大规模集成是实现大规模储能电站的必要条件。现有的储能电站主要包括蓄电池组、储能变流器、隔离变压器、BMS管理单元及EMS能量管理系统，其中，蓄电池组用于电能的充放和存储，储能变流器可以实现逆变整流双向工作，交直流相互转换，隔离变压器可以实现高低压的转换，并隔离高压设备和蓄电池，BMS管理单元可以对蓄电池组进行管理，EMS能量管理系统可以汇总储能电站内的信息，全方位的掌控储能电站的运行情况，并作出相关决策，保证储能电站的运行。

[0003] 储能系统的安全、可靠运行是实现储能良性发展的重要保障，是实现储能电池规模化推广应用的先决条件。现有的储能电站管理中，储能电站设备状态的评估，主要依靠人为统计储能电站设备的参数，按照每个指标的计算公式手动计算，统计和计算的过程都十分繁琐，异常情况的发现滞后情况较为严重，并且储能站需要每隔一段时间都计算一次评价指标，增加了很多的工作量，由于是人为的操作，出错的可能性比较大，储能电站设备状态评估的准确度较差。

[0004] 因此，需要提供储能电站设备状态的智能评估方法及系统，用于提高储能电站设备状态评估的准确性。

发明内容

[0005] 本说明书实施例之一提供本发明提供了储能电站设备状态的智能评估方法，包括：获取储能电站设备的运行数据，其中，所述运行数据至少包括蓄电池组的运行数据及储能变流器的运行数据；基于所述蓄电池组的运行数据，评估所述蓄电池组的电池状态；基于所述储能变流器的运行数据，评估所述储能变流器的变流器状态；基于所述蓄电池组的运行数据，评估所述BMS管理单元的管理效果。

[0006] 更进一步地，所述获取储能电站设备的运行数据，包括：在所述蓄电池组包括的每节电池设置一个蓄电池组监测组件，其中，所述蓄电池组监测组件包括鼓包监测设备及电气监测设备；通过所述鼓包监测设备获取所述电池在运行过程中的鼓包相关信息；通过所述电气监测设备获取所述电池在运行过程中的电流、电压、温度、荷电状态及充放电切换次数。

[0007] 更进一步地，所述鼓包监测设备包括形变监测单元及超声波监测单元，其中，所述形变监测单元包括多组形变监测装置，其中，每组形变监测装置包括多个压电式传感器；在所述蓄电池组包括的每节电池设置一个蓄电池组监测组件，包括：获取所述电池的相关历史鼓包信息；基于所述电池的相关历史鼓包信息，确定所述电池的多个目标监测区域；基于所述电池的相关历史鼓包信息，确定所述电池的每个所述目标监测区域的鼓包可能性；对于每个所述目标监测区域，基于所述目标监测区域的鼓包可能性，确定所述目标监测区域内的压电式传感器的数量；基于所述目标监测区域内的压电式传感器的数量，在所述目标监测区域设置所述形变监测装置；所述通过所述鼓包监测设备获取所述电池在运行过程中的鼓包相关信息，包括：对于每个所述目标监测区域，基于所述目标监测区域的形变监测装置包括的每个压电式传感器在多个历史运行时间点的输出信号，确定所述目标监测区域的区域鼓包可能性；当所述区域鼓包可能性大于预测区域鼓包可能性阈值时，基于所述目标监测区域的位置信息，确定目标位姿；将所述超声波监测单元从初始位姿调整为目标位姿，通过所述超声波监测单元获取所述电池的超声波监测信号。

[0008] 更进一步地，所述基于所述蓄电池组的运行数据，评估所述蓄电池组的电池状态，包括：基于经验模态分解算法，对所述超声波监测信号进行去噪处理，生成去噪后的超声波监测信号；基于所述目标监测区域的位置信息及所述目标位姿，生成对比超声波监测信号；基于所述去噪后的超声波监测信号与所述对比超声波监测信号之间的相似度，确定所述电池的电池鼓包可能性。

[0009] 更进一步地，所述获取储能电站设备的运行数据，包括：获取所述储能变流器的历史异常信息；基于所述储能变流器的历史异常信息，确定所述储能变流器的各个电器设备的异常概率；基于所述储能变流器的各个电器设备的异常概率，确定至少一个目标电器设备；对于每个所述目标电器设备，在所述储能变流器内设置所述目标电器设备对应的电器监测设备，通过所述电器监测设备获取所述储能变流器在多个历史监测周期的运行数据。

[0010] 更进一步地，所述电器监测设备包括声音监测装置、振动监测装置、电流监测装置、电压监测装置及温度监测装置；所述通过所述电器监测设备获取所述储能变流器在多个监测周期的运行数据，包括：在每个所述历史监测周期，通过所述声音监测装置获取对应的目标电器设备的声音数据，通过所述振动监测装置获取对应的目标电器设备的振动数据，通过所述电流监测装置获取对应的目标电器设备的电流数据，通过所述电压监测装置获取对应的目标电器设备的电压数据，通过所述温度监测装置获取对应的目标电器设备的温度数据。

[0011] 更进一步地，所述基于所述储能变流器的运行数据，评估所述储能变流器的变流器状态，包括：基于所述声音监测装置在所述历史监测周期获取的对应的目标电器设备的声音数据，生成声音特征；基于所述振动监测装置在所述历史监测周期获取的对应的目标电器设备的振动数据，生成振动特征；基于所述电流监测装置在所述历史监测周期获取的对应的目标电器设备的电流数据，生成电流特征；基于所述电压监测装置在所述历史监测周期获取的对应的目标电器设备的电压数据，生成电压特征；基于所述温度监测装置在所述历史监测周期获取的对应的目标电器设备的温度数据，生成温度特征；基于所述目标电器设备在所述历史监测周期的声音特征、振动特征、电流特征、电压特征及温度特征，判断所述目标电器设备在所述历史监测周期是否处于异常状态；当判断所述目标电器设备在所述历史监测周期处于异常状态时，获取所述目标电器设备在不同类型的异常状态的标准声音特征、标准振动特征、标准电流特征、标准电压特征及标准温度特征；基于所述目标电器设备在所述历史监测周期的声音特征、振动特征、电流特征、电压特征及温度特征和所述目标电器设备在不同类型的异常状态的标准声音特征、标准振动特征、标准电流特征、标准电压特征及标准温度特征，确定所述目标电器设备在所述历史监测周期的目标异常状态类型。

[0012] 更进一步地，所述基于所述蓄电池组的运行数据，评估所述BMS管理单元的管理效果，包括：建立管理评估体系，其中，所述管理评估体系包括多个管理评估指标及每个所述管理评估指标对应的权重；基于所述电池在运行过程中的电流、电压、温度、荷电状态及充放电切换次数，确定所述BMS管理单元在所述多个管理评估指标的得分；基于所述BMS管理单元在所述多个管理评估指标的得分及每个所述管理评估指标对应的权重，确定所述BMS管理单元的管理效果。

[0013] 更进一步地，所述多个管理评估指标的权重基于确定任意两个所述管理评估指标之间的关联度确定。

[0014] 本说明书实施例之一提供本发明提供了储能电站设备状态的智能评估系统，包括：数据获取模块，用于获取储能电站设备的运行数据，其中，所述运行数据至少包括蓄电池组的运行数据及储能变流器的运行数据；电池评估模块，用于基于所述蓄电池组的运行数据，评估所述蓄电池组的电池状态；变流器评估模块，用于基于所述储能变流器的运行数据，评估所述储能变流器的变流器状态；BMS评估模块，用于基于所述蓄电池组的运行数据，评估所述BMS管理单元的管理状态。

[0015] 相比于现有技术，本说明书提供的储能电站设备状态的智能评估方法，至少具备以下有益效果：

[0016] 1、通过获取蓄电池组的运行数据及储能变流器的运行数据，能够自动化对蓄电池组的状态、变流器状态和BMS管理单元的管理效果实现一体化评估，相比于通过人工进行评估，效率更高且准确度更高，可以实时监测电站的设备状态，结合机器学习和数据分析技术分析电站的性能表现，为电站运维人员提供数据支持和决策依据，以优化储能电站的运行效率可靠性。

[0017] 2、根据目标监测区域的鼓包可能性，灵活调整安装在目标监测区域的压电传感器的数量，鼓包可能性较大的目标监测区域内设置的压电式传感器的数量大于鼓包可能性较小的目标监测区域内设置的压电式传感器的数量，以减少数据处理量的同时，保证鼓包可能性较大的目标监测区域的鼓包检测的准确度。

[0018] 3、通过形变监测单元及超声波监测单元，对电池的鼓包情况进行两次数据获取和判断，从不同类型的数据，对电池是否发生鼓包进行判断，有效减少了误判的发生，避免了后续无效的维修工作，并且，设置形变监测单元及超声波监测单元采集数据的先后顺序，可以使得超声波监测单元预设条件下才启动进行超声波检测，有效减少了功耗和实时数据处理量。

[0019] 4、从声音、振动、电流、电压及温度，多个维度对目标电器设备的状态和已知类型的异常状态之间进行比对，能够更加准确地确定目标电器设备处于何总异常状态，为后续目标电器设备的维修和优化提供信息基础。

附图说明

[0020] 本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

[0021] 图1是本申请一实施例中示出的储能电站设备状态的智能评估系统的模块图；

[0022] 图2是本申请一实施例中示出的储能电站设备状态的智能评估方法的流程图；

[0023] 图3是本申请一实施例中示出的获取储能电站设备的运行数据的流程图；

[0024] 图4是本申请一实施例中示出的设置蓄电池组监测组件的流程图；

[0025] 图5是本申请一实施例中示出的评估储能变流器的变流器状态的流程图。

具体实施方式

[0026] 为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。

[0027] 图1是本申请一实施例中示出的储能电站设备状态的智能评估系统的模块图，如图1所示，储能电站设备状态的智能评估系统可以包括数据获取模块、电池评估模块、变流器评估模块及BMS评估模块。

[0028] 数据获取模块可以用于获取储能电站设备的运行数据，其中，运行数据至少包括蓄电池组的运行数据及储能变流器的运行数据。

[0029] 电池评估模块可以用于基于蓄电池组的运行数据，评估蓄电池组的电池状态。

[0030] 变流器评估模块可以用于基于储能变流器的运行数据，评估储能变流器的变流器状态。

[0031] BMS评估模块可以用于基于蓄电池组的运行数据，评估BMS管理单元的管理状态。

[0032] 关于储能电站设备状态的智能评估系统的更多描述可以参见图2及其相关描述，此处不再赘述。

[0033] 图2是本申请一实施例中示出的储能电站设备状态的智能评估方法的流程图，进一步地，储能电站设备状态的智能评估方法可以由储能电站设备状态的智能评估系统执行。如图2所示，储能电站设备状态的智能评估方法可以包括以下步骤。

[0034] 步骤210，获取储能电站设备的运行数据。

[0035] 其中，运行数据至少包括蓄电池组的运行数据及储能变流器的运行数据。

[0036] 图3是本申请一实施例中示出的获取储能电站设备的运行数据的流程图，如图3所示，进一步地，获取储能电站设备的运行数据，包括：

[0037] 在蓄电池组包括的每节电池设置一个蓄电池组监测组件，其中，蓄电池组监测组件包括鼓包监测设备及电气监测设备；

[0038] 通过鼓包监测设备获取电池在运行过程中的鼓包相关信息；

[0039] 通过电气监测设备获取电池在运行过程中的电流、电压、温度、荷电状态及充放电切换次数等。

[0040] 进一步地，鼓包监测设备包括形变监测单元及超声波监测单元，其中，形变监测单元包括多组形变监测装置，其中，每组形变监测装置包括多个压电式传感器。

[0041] 图4是本申请一实施例中示出的设置蓄电池组监测组件的流程图，进一步地，在蓄电池组包括的每节电池设置一个蓄电池组监测组件，包括：

[0042] 获取电池的相关历史鼓包信息，其中，相关历史鼓包信息可以包括同型号的电池发生鼓包的信息；

[0043] 基于电池的相关历史鼓包信息，确定电池的多个目标监测区域，其中，目标监测区域可以为电池上具有一定可性能发生鼓包的区域；

[0044] 基于电池的相关历史鼓包信息，确定电池的每个目标监测区域的鼓包可能性；

[0045] 对于每个目标监测区域，基于目标监测区域的鼓包可能性，确定目标监测区域内的压电式传感器的数量；

[0046] 基于目标监测区域内的压电式传感器的数量，在目标监测区域设置形变监测装置。

[0047] 具体的，可以基于相关历史鼓包信息，确定同型号的电池每次发生鼓包时的鼓包区域，并基于相关历史鼓包信息，确定每个鼓包区域发生鼓包的频率，当鼓包的频率大于预设频率时，将该鼓包区域作为候选鼓包区域，再计算任意两个鼓包区域之间的重叠面积，通过k均值聚类算法基于任意两个鼓包区域之间的重叠面积对多个候选鼓包区域进行聚类，生成多个候选鼓包区域聚类簇。对于每个候选鼓包区域聚类簇，可以基于该候选鼓包区域聚类簇包括的每个候选鼓包区域确定目标监测区域。例如，基于该候选鼓包区域聚类簇包括的任意两个候选鼓包区域之间的重叠区域，确定重叠次数最多的重叠区域，以该重叠次数最多的重叠区域为中心，根据该候选鼓包区域聚类簇包括的每个候选鼓包区域的位置进行扩展，确定目标监测区域。例如，该候选鼓包区域聚类簇对应的重叠次数最多的重叠区域为重叠区域A，并且该候选鼓包区域聚类簇包括的一部分的候选鼓包区域位于重叠区域A的左侧，另一部分位于重叠区域A的上方，则可以在重叠区域A的左侧延伸一部分区域和重叠区域A的上方延伸一部分区域，和重叠区域A共同组成候选鼓包区域聚类簇对应的目标监测区域。其中，延伸的区域面积可以基于候选鼓包区域减去重叠区域后的区域大小的均值确定。

[0048] 进一步地，可以基于以下公式确定电池的每个目标监测区域的鼓包可能性：

[0049]

[0050] 其中，P(swelling,k)为第k个目标监测区域的鼓包可能性，Nk为基于相关历史鼓包信息确定的目标监测区域发生鼓包的次数，Nall为基于相关历史鼓包信息确定的电池发生鼓包的总次数。

[0051] 进一步地，鼓包可能性较大的目标监测区域内设置的压电式传感器的数量大于鼓包可能性较小的目标监测区域内设置的压电式传感器的数量，以减少数据处理量的同时，保证鼓包可能性较大的目标监测区域的鼓包检测的准确度。

[0052] 进一步地，通过鼓包监测设备获取电池在运行过程中的鼓包相关信息，包括：

[0053] 对于每个目标监测区域，基于目标监测区域的形变监测装置包括的每个压电式传感器在多个历史运行时间点的输出信号，确定目标监测区域的区域鼓包可能性；

[0054] 当区域鼓包可能性大于预测区域鼓包可能性阈值时，基于目标监测区域的位置信息，确定目标位姿；

[0055] 将超声波监测单元从初始位姿调整为目标位姿，通过超声波监测单元获取电池的超声波监测信号。

[0056] 具体的，目标监测区域发生鼓包时，同一形变监测装置的包括的每个压电式传感器的输出信号之间存在关联关系，当只存在其中一个或少量的压电式传感器检测到形变时，可以认为是该一个或少量的压电式传感器发生故障，产生误报或形变量较小，暂时无需处理。因此，需要通过同一形变监测装置的包括的每个压电式传感器的输出信号，确定目标检测区域的整体形变情况，从而确定目标监测区域的区域鼓包可能性。

[0057] 进一步地，通过以下公式基于目标监测区域的形变监测装置包括的每个压电式传感器在多个历史运行时间点的输出信号，确定目标监测区域的区域鼓包可能性：

[0058]

[0059] 其中，P(deformation,k)为第k个目标监测区域的区域鼓包可能性，V(q,k)为第k个目标监测区域的形变监测装置的第q个压电式传感器的输出电压，V(resets,k)为第k个目标监测区域的形变监测装置的压电式传感器对应的预设标准输出电压，Q为第k个目标监测区域的形变监测装置包括的压电式传感器的总数。

[0060] 进一步地，目标位姿可以为获取的超声波监测信号能更准确地判断目标监测区域是否发生鼓包的位姿。

[0061] 具体的，可以通过位姿确定模型基于目标监测区域的位置信息，确定目标位姿，其中，位姿确定模型的输入可以包括目标监测区域的位置信息、电池的结构信息、材料信息及可运动范围等，可运动范围可以提前进行标定，位姿确定模型的输出可以包括目标监测区域对应的目标位姿，位姿确定模型可以为人工神经网络(Artificial Neural Network，ANN)模型、循环神经网络(Recurrent Neural Networks，RNN)模型、长短时记忆网络(Long Short‑Term Memory，LSTM)模型、双向循环神经网络(BRNN)模型等机器学习模型。

[0062] 进一步地，获取储能电站设备的运行数据，包括：

[0063] 获取储能变流器的历史异常信息，其中，历史异常信息可以为同型号的储能变流器发生异常的信息，可以包括异常类型及异常特征(例如，异常声音特征、异常振动特征、异常电流特征、异常电压特征及异常温度特征等)；

[0064] 基于储能变流器的历史异常信息，确定储能变流器的各个电器设备(例如，直流开关、直流滤波电容、逆变器桥、逆变控制器、输出变压器等)的异常概率，例如，基于储能变流器的各个电器设备发生异常的次数，确定各个电器设备的异常概率；

[0065] 基于储能变流器的各个电器设备的异常概率，确定至少一个目标电器设备，例如，将异常概率大于预设异常概率阈值的电器设备作为目标电器设备；

[0066] 对于每个目标电器设备，在储能变流器内设置目标电器设备对应的电器监测设备，通过电器监测设备获取储能变流器在多个历史监测周期的运行数据。

[0067] 进一步地，电器监测设备包括声音监测装置、振动监测装置、电流监测装置、电压监测装置及温度监测装置。

[0068] 进一步地，通过电器监测设备获取储能变流器在多个监测周期的运行数据，包括：

[0069] 在每个历史监测周期，通过声音监测装置获取对应的目标电器设备的声音数据，通过振动监测装置获取对应的目标电器设备的振动数据，通过电流监测装置获取对应的目标电器设备的电流数据，通过电压监测装置获取对应的目标电器设备的电压数据，通过温度监测装置获取对应的目标电器设备的温度数据。

[0070] 步骤220，基于蓄电池组的运行数据，评估蓄电池组的电池状态。

[0071] 进一步地，基于蓄电池组的运行数据，评估蓄电池组的电池状态，包括：

[0072] 基于经验模态分解算法，对超声波监测信号进行去噪处理，生成去噪后的超声波监测信号；

[0073] 基于目标监测区域的位置信息及目标位姿，生成对比超声波监测信号，其中，对比超声波监测信号可以为预测的目标位姿下获取的未发生鼓包的目标监测区域的超声波监测信号；

[0074] 基于去噪后的超声波监测信号与对比超声波监测信号之间的相似度，确定电池的电池鼓包可能性。

[0075] 进一步地，基于经验模态分解算法可以将超声波监测信号进行分解，生成超声波监测信号对应的多个IMF分量和一个分解余量，提取每个IMF分量和分解余量的频域特征和时域特征，通过去噪模型基于每个IMF分量和分解余量的频域特征和时域特征，对超声波监测信号进行去噪处理，生成去噪后的超声波监测信号。其中，去噪模型可以为人工神经网络(Artificial Neural Network，ANN)模型、循环神经网络(Recurrent Neural Networks，RNN)模型、长短时记忆网络(Long Short‑Term Memory，LSTM)模型、双向循环神经网络(BRNN)模型等机器学习模型。

[0076] 进一步地，建立并训练信号预测模型，该信号预测模型可以为生成对抗网络(Generative Adversarial Nets,GAN)模型，该信号预测模型可以用于预测目标位姿下获取的未发生鼓包的目标监测区域的超声波监测信号。在使用信号预测模型前，先通过超声波监测单元在预设位姿下获取电池的超声波监测信号。在使用信号预测模型时，可以将超声波监测单元在预设位姿下获取电池的超声波监测信号、电池的结构信息、材料信息和目标位姿与预设位姿之间的相对位姿关系输入至信号预测模型，信号预测模型可以生成对比超声波监测信号。

[0077] 进一步地，去噪后的超声波监测信号与对比超声波监测信号之间的相似度越小，电池的电池鼓包可能性越大。当去噪后的超声波监测信号与对比超声波监测信号之间的相似度小于预设阈值时，可以判断电池发生鼓包。

[0078] 进一步地，通过形变监测单元及超声波监测单元，对电池的鼓包情况进行两次数据获取和判断，从不同类型的数据，对电池是否发生鼓包进行判断，有效减少了误判的发生，避免了后续无效的维修工作。

[0079] 步骤230，基于储能变流器的运行数据，评估储能变流器的变流器状态。

[0080] 图5是本申请一实施例中示出的评估储能变流器的变流器状态的流程图，如图5所示，进一步地，基于储能变流器的运行数据，评估储能变流器的变流器状态，包括：

[0081] 基于声音监测装置在历史监测周期获取的对应的目标电器设备的声音数据，生成声音特征；

[0082] 基于振动监测装置在历史监测周期获取的对应的目标电器设备的振动数据，生成振动特征；

[0083] 基于电流监测装置在历史监测周期获取的对应的目标电器设备的电流数据，生成电流特征；

[0084] 基于电压监测装置在历史监测周期获取的对应的目标电器设备的电压数据，生成电压特征；

[0085] 基于温度监测装置在历史监测周期获取的对应的目标电器设备的温度数据，生成温度特征；

[0086] 基于目标电器设备在历史监测周期的声音特征、振动特征、电流特征、电压特征及温度特征，判断目标电器设备在历史监测周期是否处于异常状态，当声音、振动、电流、电压及温度中的至少一个发生异常时，可以判断目标电器设备在历史监测周期处于异常状态；

[0087] 当判断目标电器设备在历史监测周期处于异常状态时，获取目标电器设备在不同类型的异常状态的标准声音特征、标准振动特征、标准电流特征、标准电压特征及标准温度特征；

[0088] 基于目标电器设备在历史监测周期的声音特征、振动特征、电流特征、电压特征及温度特征和目标电器设备在不同类型的异常状态的标准声音特征、标准振动特征、标准电流特征、标准电压特征及标准温度特征，确定目标电器设备在历史监测周期的目标异常状态类型。

[0089] 具体的，可以基于目标电器设备在历史监测周期的声音特征、振动特征、电流特征、电压特征及温度特征和目标电器设备在不同类型的异常状态的标准声音特征、标准振动特征、标准电流特征、标准电压特征及标准温度特征，计算目标电器设备的当前异常状态与某种类型的异常状态之间的状态匹配值。

[0090] 进一步地，基于以下公式计算状态匹配值：

[0091] Mj＝c(1,j)*S(sound,j)+c(2,j)*S(vibrate,j)+c(3,j)*S(current,j)+c(4,j)*S(voltage,j)+c(5,j)*S(temperature,j)

[0092] 其中，Mj为目标电器设备的当前异常状态与第j种类型的异常状态之间的状态匹配值，S(sound,j)为目标电器设备的声音特征与第j种类型的异常状态对应的标准声音特征之间的相似度，S(vibrate,j)为目标电器设备的振动特征与第j种类型的异常状态对应的标准振动特征之间的相似度，S(current,j)为目标电器设备的电流特征与第j种类型的异常状态对应的标准电流特征之间的相似度，S(voltage,j)为目标电器设备的电压特征与第j种类型的异常状态对应的标准电压特征之间的相似度，S(temperature,j)为目标电器设备的温度特征与第j种类型的异常状态对应的标准温度特征之间的相似度，c(1,j)、c(2,j)、c(3,j)、c(4,j)及c(5,j)均为第j种类型的异常状态对应的预设权重。其中，c(1,j)、c(2,j)、c(3,j)、c(4,j)及c(5,j)可以分别基于声音、振动、电流、电压和温度与第j种类型的异常状态之间的关联度确定。关联度越高，对应的权重越大。

[0093] 例如，以声音为例，可以基于以下公式计算第j种类型的异常状态下，声音对应的权重：

[0094]

[0095] 其中，Nj为基于历史异常信息确定的第j种类型的异常状态发生的总次数，N(sound,j)为基于历史异常信息确定的第j种类型的异常状态发生时，声音异常的总次数。

[0096] 进一步地，可以将状态匹配值大于预设状态匹配值阈值的异常状态类型作为目标电器设备的当前异常状态的类型。

[0097] 步骤240，基于蓄电池组的运行数据，评估BMS管理单元的管理效果。

[0098] 进一步地，基于蓄电池组的运行数据，评估BMS管理单元的管理效果，包括：

[0099] 建立管理评估体系，其中，管理评估体系包括多个管理评估指标(例如，电池过充指标、电池过放指标、电池过流指标、温度超限指标、电池组失衡指标、电压监测指标、电流监测指标、温度监测指标、SOC估算指标及均衡控制指标等)及每个管理评估指标对应的权重；

[0100] 基于电池在运行过程中的电流、电压、温度、荷电状态及充放电切换次数，确定BMS管理单元在多个管理评估指标的得分；

[0101] 基于BMS管理单元在多个管理评估指标的得分及每个管理评估指标对应的权重，确定BMS管理单元的管理效果。

[0102] 进一步地，多个管理评估指标的权重基于确定任意两个管理评估指标之间的关联度(例如，皮尔逊相关系数)确定：

[0103]

[0104] 其中，bh为第h个管理评估指标的权重，p(h,n)为第h个管理评估指标与其他的第n个管理评估指标之间的皮尔逊相关系数，m为管理评估指标的总数。

[0105] 最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。