基于K-means算法的光伏路燈蓄電池故障識(shí)別研究

侯林濤 閻俏 張桂青 金東毅 劉業(yè)春 張公飛

摘? 要： 針對(duì)鄉(xiāng)村光伏路燈存在維修維護(hù)成本高、維護(hù)不及時(shí)等問(wèn)題，在分析蓄電池故障數(shù)據(jù)特征的基礎(chǔ)上，提出一種基于K-means算法的蓄電池故障識(shí)別方法。給出算法流程以及參數(shù)K的循環(huán)尋優(yōu)選取方式，在故障聚類基礎(chǔ)上分析并設(shè)計(jì)了故障類型的識(shí)別方法。通過(guò)對(duì)210盞太陽(yáng)能路燈18個(gè)月的電流、電壓等實(shí)時(shí)數(shù)據(jù)進(jìn)行驗(yàn)證，該故障識(shí)別算法具有較高的故障識(shí)別精度。在光伏路燈實(shí)現(xiàn)物聯(lián)網(wǎng)管控的基礎(chǔ)上，該算法具有成本低、操作性強(qiáng)的特點(diǎn)。

關(guān)鍵詞： 光伏路燈； 故障識(shí)別； K-means聚類算法； 異常數(shù)據(jù)檢測(cè)

中圖分類號(hào)：TP311.1? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ?文章編號(hào)：1006-8228（2023）06-114-05

Research on fault identification for photovoltaic street light

battery based on K-means algorithm

Hou Lintao1， Yan Qiao1，2， Zhang Guiqing1，2， Jin Dongyi1， Liu Yechun1， Zhang Gongfei1

（1. School of Information and Electrical Engineering， Shandong Jianzhu University， Jinan， Shandong 250101， China;

2. Shandong Key Laboratory of Intelligent Buildings Technology）

Abstract： There are problems such as high maintenance cost and untimely maintenance of rural photovoltaic street lights. On the basis of analyzing the data characteristics of battery fault， an identification method of battery fault based on K-means clustering algorithm is proposed. The algorithm process and the cyclic optimization selection method for parameter K are given in detail， and the identification method of fault types is analyzed and designed on the basis of fault clustering. The fault identification algorithm is verified with the real-time data such as current and voltage of 210 solar street lights over 18 months， which shows that the algorithm has high fault identification accuracy. With IoT control for photovoltaic street lights， this algorithm has the advantages of low cost and high operability.

Key words： photovoltaic street light; fault identification; K-means clustering algorithm; abnormal data detection

0 引言

我國(guó)“雙碳”戰(zhàn)略和農(nóng)村基礎(chǔ)設(shè)施的建設(shè)需求，促使鄉(xiāng)村光伏路燈的推廣成為必然趨勢(shì)。但鄉(xiāng)村光伏路燈存在維修/維護(hù)成本高、維護(hù)不及時(shí)等問(wèn)題。

光伏路燈通常由LED燈具、蓄電池、光伏板三部分構(gòu)成，據(jù)統(tǒng)計(jì)，蓄電池故障是影響路燈壽命的主要因素[1，2]。蓄電池故障類型多樣、表現(xiàn)特征不一，傳統(tǒng)電池故障診斷方法普遍存在成本高、參數(shù)獲取難等問(wèn)題[3]，在光伏路燈實(shí)現(xiàn)物聯(lián)網(wǎng)管控的基礎(chǔ)上，通過(guò)各類數(shù)據(jù)驅(qū)動(dòng)方法實(shí)現(xiàn)對(duì)蓄電池的故障診斷成為可能。文獻(xiàn)[4]提出了一種利用支持向量機(jī)（SVM）對(duì)變電站用蓄電池進(jìn)行故障診斷的方法，文獻(xiàn)[5]以光伏電站為研究對(duì)象提出了一種基于DBSCAN 密度聚類算法的故障檢測(cè)算法，文獻(xiàn)[6]對(duì)有軌電車的燃料電池系統(tǒng)設(shè)計(jì)了一種基于K-means聚類的故障診斷策略。以上方法在解決輕量級(jí)工程上具有優(yōu)秀表現(xiàn)，但是尚未對(duì)路燈蓄電池故障診斷展開(kāi)研究。

本文提出一種基于K-means聚類算法的光伏路燈蓄電池故障識(shí)別方法，該方法僅依賴物聯(lián)網(wǎng)系統(tǒng)采集的蓄電池基本參數(shù)，通過(guò)聚類得到故障數(shù)據(jù)集合，在此基礎(chǔ)上，根據(jù)蓄電池故障的數(shù)據(jù)特征進(jìn)行故障類別的判定。

1 蓄電池故障類型及特征數(shù)據(jù)

1.1 蓄電池故障類型及參數(shù)特征

因鉛酸蓄電池具有性能穩(wěn)定、價(jià)格低廉、回收效益高等優(yōu)點(diǎn)，在鄉(xiāng)村亮化工程中的應(yīng)用最為廣泛，因此本文將鉛酸蓄電池作為主要研究對(duì)象。蓄電池故障可分為由環(huán)境和使用問(wèn)題引起的長(zhǎng)期慢性故障和由意外因素引起的短期急性故障兩大類，長(zhǎng)期慢性故障又分為：極板硫酸鹽化、極板活性物質(zhì)脫落和內(nèi)部短路三種[7]。

蓄電池發(fā)生急性故障時(shí)運(yùn)行參數(shù)劇烈變化，通過(guò)檢測(cè)蓄電池放電電壓和電流即可完成故障判斷。而慢性故障蓄電池性能通常隨著使用時(shí)間的延長(zhǎng)逐漸下降，且初期的數(shù)據(jù)特征變化不明顯，難以通過(guò)短期單一數(shù)據(jù)對(duì)其進(jìn)行故障識(shí)別。針對(duì)此類問(wèn)題，很多學(xué)者提出通過(guò)提取多組蓄電池運(yùn)行參數(shù)對(duì)其性能進(jìn)行綜合判斷的思路[8-10]，表1給出了蓄電池常見(jiàn)故障的類型、原因和特征參數(shù)的分析結(jié)果。

1.2 特征數(shù)據(jù)提取

通過(guò)分析蓄電池充放電期間的電壓電流變化的特性，可以得出蓄電池在正常和各種故障情況下電氣參數(shù)的變化規(guī)律。

圖1給出了蓄電池的開(kāi)路電壓、充放電電壓變化率和電流變化率在正常、急性故障和三種慢性故障狀態(tài)下兩天時(shí)間的典型參數(shù)曲線。相較正常運(yùn)行狀態(tài)，故障狀態(tài)下的開(kāi)路電壓數(shù)值偏低，且放電電壓下降速度均快于正常蓄電池的壓降速度。在極板硫酸鹽化和極板活性物質(zhì)脫落這兩種故障狀態(tài)下的充電電壓增長(zhǎng)速度，明顯快于正常蓄電池的充電速度，而內(nèi)部短路的充電電壓增長(zhǎng)速度相較正常蓄電池更慢。

基于以上分析，本文將蓄電池開(kāi)路電壓、充電電壓變化率和放電電壓變化率這三類數(shù)據(jù)作為故障識(shí)別方法主要的特征數(shù)據(jù)，將蓄電池充電時(shí)間和充電電流作為補(bǔ)充特征數(shù)據(jù)。

2 基于K-means算法的蓄電池故障識(shí)別方法

選擇K-Means算法完成蓄電池故障檢測(cè)的主要原因在于蓄電池特征數(shù)據(jù)集具有較為明顯的分布特點(diǎn)：正常值的數(shù)量多、分布范圍小且重疊度高、密度大；異常數(shù)據(jù)的數(shù)量明顯少于正常值、分布較為離散。本文提出的故障識(shí)別方法主要分為三個(gè)階段，即數(shù)據(jù)預(yù)處理階段、故障數(shù)據(jù)聚類階段和故障分類階段，基本流程如圖2所示。

2.1 數(shù)據(jù)預(yù)處理

蓄電池慢性故障的數(shù)據(jù)特征呈現(xiàn)出隨時(shí)間累積緩慢變化的規(guī)律，因此本文采用當(dāng)天物聯(lián)網(wǎng)設(shè)備采集的實(shí)時(shí)數(shù)據(jù)與目標(biāo)近兩周的歷史數(shù)據(jù)作為算法的初始數(shù)據(jù)集。首先對(duì)初始數(shù)據(jù)集進(jìn)行格式檢查和數(shù)值判斷，對(duì)明顯異常值和缺失值采取求其臨近數(shù)據(jù)均值的方式進(jìn)行重新賦值，然后計(jì)算特征數(shù)據(jù)，并在[0，1]區(qū)間內(nèi)作歸一化處理。

2.2 故障數(shù)據(jù)聚類

故障數(shù)據(jù)聚類階段的核心是采用K-means算法找出數(shù)量占比最多的正常數(shù)據(jù)進(jìn)而分離異常值。K-means算法是一種逐步求精的聚類算法，其原理為：對(duì)于數(shù)據(jù)集D，算法首先隨機(jī)選擇K個(gè)初始聚類中心，在計(jì)算各個(gè)點(diǎn)與聚類中心之間的歐氏距離后將每個(gè)空間對(duì)象分配給距離它最近的聚類中心以形成初始聚類，如圖3所示。得到K個(gè)簇集后再次計(jì)算各個(gè)簇類中心均值，將其作為新的聚類中心。隨后循環(huán)上述步驟直至各聚類中心不再變化。

在對(duì)數(shù)據(jù)進(jìn)行聚類之前首先需要確定聚類中心的個(gè)數(shù)K，參數(shù)K的選取對(duì)聚類結(jié)果具有較大的影響。較為常見(jiàn)的K值自動(dòng)選取方法有手肘法[11]、抽樣法[12]等，但蓄電池?cái)?shù)據(jù)集有別于一般的數(shù)據(jù)點(diǎn)分布模式：數(shù)據(jù)集中的正常樣本數(shù)量占比始終較大。體現(xiàn)在算法中則表現(xiàn)為：隨著K值增大，數(shù)據(jù)量最多簇集（以下稱主簇集）的占比隨之下降或不變；當(dāng)K遞增至最優(yōu)時(shí)，所有數(shù)據(jù)將被合理劃分給K個(gè)簇；一旦參數(shù)K過(guò)大，那原本隸屬主簇集的一部分?jǐn)?shù)據(jù)將被強(qiáng)制劃分到其他簇中，主簇集的數(shù)量占比急劇下降。

針對(duì)上述情況，設(shè)計(jì)了一種循環(huán)尋優(yōu)的方法來(lái)確定參數(shù)K值。參數(shù)K從2開(kāi)始，逐一遞增，這樣對(duì)數(shù)據(jù)集循環(huán)聚類，并統(tǒng)計(jì)聚類結(jié)果中各個(gè)簇的數(shù)量。當(dāng)聚類結(jié)果中某簇集（主簇集）的數(shù)量遠(yuǎn)大于其余簇集數(shù)量，則表示K取值未超過(guò)最優(yōu)值；一旦某次聚類的結(jié)果中主簇集數(shù)量的占比快速下降，則表示K值過(guò)大，參數(shù)K取上一輪循環(huán)的值。

為驗(yàn)證循環(huán)尋優(yōu)方法的合理性，圖4給出了兩組對(duì)照實(shí)驗(yàn)中參數(shù)K從2開(kāi)始逐次遞增至9所得出的歷次聚類結(jié)果。兩次實(shí)驗(yàn)中的最優(yōu)K值分別為6、5。

由圖4可見(jiàn)，在K未達(dá)到最優(yōu)值前，聚類結(jié)果中始終存在主簇集數(shù)量占比極大的情況；一旦K大于最優(yōu)值，大量正常數(shù)據(jù)將被強(qiáng)行分離出正常簇集，聚類結(jié)果嚴(yán)重偏離實(shí)際情況，因此上述K值選取方法在蓄電池?cái)?shù)據(jù)集中的應(yīng)用是合理的。

根據(jù)最優(yōu)K值進(jìn)行聚類后，統(tǒng)計(jì)各簇集的樣本數(shù)量。數(shù)量最多的簇集歸類為正常數(shù)據(jù)集，其余簇集即為故障簇集。

2.3 故障分類算法

故障分類算法需要尋找各類故障特征的差異作為分類條件。算法將異常蓄電池近兩周的日均開(kāi)路電壓Un、充電電流In、充電電壓變化率ΔUn1和放電電壓變化率ΔUn2以及充電時(shí)長(zhǎng)Tcha等歷史數(shù)據(jù)作為輸入，在對(duì)表1和實(shí)驗(yàn)結(jié)論總結(jié)后設(shè)計(jì)區(qū)分各類故障的判斷方法及其各項(xiàng)閾值，其中充電時(shí)長(zhǎng)將作為區(qū)分極板硫酸鹽化和極板活性物質(zhì)脫落這兩種故障的判定條件，故障分類算法流程如圖5所示。

圖5中，Uoc為開(kāi)路電壓閾值，表示能夠支持路燈工作的最低電壓；I為充電電流閾值，表示能夠?qū)π铍姵剡M(jìn)行有效充電的最低電流；ΔUcharge為充電電壓變化率閾值；ΔUdisch為放電電壓變化率閾值；Tcha-thr為充電時(shí)間閾值。

對(duì)異常數(shù)據(jù)每日均值進(jìn)行判斷后可得到蓄電池每日的故障狀態(tài)的“標(biāo)簽”，統(tǒng)計(jì)15日的故障標(biāo)簽：若某一蓄電池被標(biāo)記某種故障類型的次數(shù)超過(guò)十次，同時(shí)此故障在近三日內(nèi)標(biāo)記次數(shù)不小于二次，則該蓄電池最終被判定為該類故障。

3 實(shí)驗(yàn)驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)

本實(shí)驗(yàn)采用某物聯(lián)網(wǎng)智慧路燈運(yùn)維系統(tǒng)采集的210盞光伏路燈的運(yùn)行數(shù)據(jù)，其中包括蓄電池電壓、電流、功率、充放電狀態(tài)等。其中蓄電池額定電壓12V，額定容量20ah。數(shù)據(jù)記錄時(shí)間為2021年1月1日至2022年6月7日，采樣間隔5min，共約3266萬(wàn)條數(shù)據(jù)記錄。

3.2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證1.2節(jié)確定的三維故障特征數(shù)據(jù)的合理性，進(jìn)行了四組特征數(shù)據(jù)的空間分布實(shí)驗(yàn)，四組數(shù)據(jù)分別為：（a）開(kāi)路電壓Uoc、充電電壓變化率ΔUcharge和放電壓變化率ΔUdisch；（b）充電電壓Ucharge、充電電流Icharge和充電電流變化率ΔIcharge；（c）放電電壓Udisch、放電電流Idisch和放電電流變化率ΔIcharge；（d）放電電壓Udisch、充電電流變化率ΔIcharge和充電電壓變化率ΔUcharge。其分布情況如圖6所示。

由圖6可知，只有a組實(shí)驗(yàn)中蓄電池開(kāi)路電壓值、充電電壓變化率和放電電壓變化率組成的特征數(shù)據(jù)符合分布范圍小且密度大、異常數(shù)據(jù)數(shù)量少且分布離散的特點(diǎn)，而b、c、d組實(shí)驗(yàn)中組合的特征數(shù)據(jù)無(wú)法在K-Means算法中明顯體現(xiàn)異常點(diǎn)的特征。

圖7（a）給出了某次實(shí)驗(yàn)中故障數(shù)據(jù)聚類算法運(yùn)行后的各簇集在空間中的分布情況?？梢钥闯鏊惴軌蜃詣?dòng)選取適當(dāng)參數(shù)K并較好的完成蓄電池各個(gè)特征數(shù)據(jù)的聚類。圖7（b）為各最終故障數(shù)據(jù)在空間中的分布圖。實(shí)驗(yàn)中Uoc取蓄電池額定電壓的80%；Ithr取蓄電池額定容量的5%；ΔUcharge取同時(shí)段正常蓄電池的充電電壓變化率均值；ΔUdisch取同時(shí)段正常蓄電池的放電電壓變化率的最大值；Tcha-thr取同時(shí)段正常蓄電池的日均有效充電時(shí)長(zhǎng)。

在觀察實(shí)驗(yàn)后各類故障數(shù)據(jù)發(fā)現(xiàn)：急性故障蓄電池的平均開(kāi)路電壓為2.9V，遠(yuǎn)低于蓄電池12V額定電壓；內(nèi)部短路的充電電壓增長(zhǎng)速度分布在0.134～0.186V/h之間；極板硫酸鹽化和極板活性物質(zhì)脫落故障的充電電壓增長(zhǎng)速度分布在0.279V/h與0.432V/h之間，均與0.233V/h的平均值有較大差距，圖中故障數(shù)據(jù)點(diǎn)位置分布情況均符合其特征表現(xiàn)。

圖8給出了本文的故障數(shù)據(jù)聚類算法與基于DBSCAN的算法在50～5000個(gè)數(shù)據(jù)規(guī)模下的故障識(shí)別率對(duì)比結(jié)果。

K-Means聚類算法以數(shù)據(jù)點(diǎn)之間的歐式距離作為簇集劃分的指標(biāo)，數(shù)據(jù)點(diǎn)的數(shù)量對(duì)識(shí)別率有著較大影響。由圖8可以看出，本文算法在數(shù)據(jù)數(shù)量較少的情況下識(shí)別率偏低，但隨著數(shù)據(jù)總量的增加，識(shí)別率也隨之上升并逐漸穩(wěn)定。而DBSCAN是基于密度的聚類算法，雖然其性能受數(shù)據(jù)點(diǎn)數(shù)量影響較小，但參數(shù)MinPts、Eps的調(diào)參過(guò)程復(fù)雜，且參數(shù)組合會(huì)直接影響聚類效果，所以識(shí)別率難以穩(wěn)定。實(shí)驗(yàn)結(jié)果表明本文采用的故障識(shí)別方法的識(shí)別準(zhǔn)確率在數(shù)據(jù)規(guī)模較大的情況下達(dá)到94%左右，具有良好的識(shí)別效果。

4 結(jié)束語(yǔ)

本文分析并總結(jié)了光伏路燈蓄電池常見(jiàn)的故障原因、類型以及故障數(shù)據(jù)的特征表現(xiàn)，在此基礎(chǔ)上設(shè)計(jì)了蓄電池故障識(shí)別算法并對(duì)其運(yùn)行結(jié)果進(jìn)行分析。實(shí)驗(yàn)表明本文算法可以實(shí)現(xiàn)蓄電池故障的無(wú)監(jiān)督自識(shí)別，在面對(duì)常見(jiàn)的蓄電池故障識(shí)別中都有較高的準(zhǔn)確度。

參考文獻(xiàn)（References）：

[1] 劉奇.太陽(yáng)能LED路燈智能控制系統(tǒng)設(shè)計(jì)與研究[D].碩士，

湖北工業(yè)大學(xué)，2020.6

[2] 隋婉婉.基于物聯(lián)網(wǎng)技術(shù)的太陽(yáng)能路燈測(cè)控系統(tǒng)[D].碩士，

聊城大學(xué)，2015.6

[3] 劉國(guó)平.軌道交通中的鉛酸蓄電池故障分析[J].電子技術(shù)，

2022，51（1）：152-153

[4]李洪江，太濤見(jiàn).基于支持向量機(jī)的變電站蓄電池故障診斷

方法[J].云南電力技術(shù)，2020

[5] 左世強(qiáng).光伏電站設(shè)備運(yùn)維平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D].碩士，

四川：電子科技大學(xué)，2020

[6] Algorithms; Investigators at Southwest Jiaotong University

Discuss Findings in Algorithms （A discrete hidden Markov model fault diagnosis strategy based on K-means clustering dedicated to PEM fuel cell systems of tramways）[J]. Energy Weekly News，2018

[7] 王利杰.鉛酸蓄電池故障在線診斷及修復(fù)技術(shù)研究[D].

碩士，遼寧：東北大學(xué)，2015

[8] 關(guān)健生.蓄電池組監(jiān)控與故障診斷管理系統(tǒng)[D].碩士，福建：

廈門大學(xué)，2007

[9] 付騰，姚志成，彭建軍.基于模糊數(shù)學(xué)的鋰電池組故障診斷[J].

電子設(shè)計(jì)工程，2012

[10] Pritam Kumar Gayen，Rajib Majumdar，Subhradip Mondal;

Development and implementation of adaptive solar module-and battery characteristics-based real-time power management for solar battery system under grid-connected and‐islanded conditions[J].International Transactions on Electrical Energy Systems，2020

[11] Sammouda Rachid，El Zaart Ali. An Optimized Approach

for Prostate Image Segmentation Using K-Means Clustering Algorithm with Elbow Method[J]. Computational Intelligence and Neuroscience，2021

[12] 田森平，吳文亮.自動(dòng)獲取k-means聚類參數(shù)k值的算法[J].

計(jì)算機(jī)工程與設(shè)計(jì)，2011