CN109375109A - 一种基于数据挖掘的蓄电池故障诊断方法 - Google Patents
一种基于数据挖掘的蓄电池故障诊断方法 Download PDFInfo
- Publication number
- CN109375109A CN109375109A CN201811202764.3A CN201811202764A CN109375109A CN 109375109 A CN109375109 A CN 109375109A CN 201811202764 A CN201811202764 A CN 201811202764A CN 109375109 A CN109375109 A CN 109375109A
- Authority
- CN
- China
- Prior art keywords
- time window
- bir
- ddc
- dlv
- dcf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Secondary Cells (AREA)
Abstract
一种基于数据挖掘的蓄电池故障诊断方法,包括以下步骤:步骤1、读取N条蓄电池的电池电压、电池温度、电池内阻、动态负载电压、放电能力系数、动态放电电流的值以及蓄电池的劣化程度SOH的值;步骤2、设定时间窗口n和滑动步长S;步骤3、分别计算第i个时间窗口内的电池电压、电池温度、电池内阻、动态负载电压、放电能力系数、动态放电电流的测试值、平均值、方差和极差,步骤4、对步骤3中的变量进行归一化处理;步骤5、归一化之后的变量值代入logistic回归模型中,得到蓄电池故障发生的条件概率;步骤6、建立对数似然函数;步骤7、求取参数β0,β1,β2,...βm;步骤8、选取待检测的蓄电池代入到蓄电池故障发生的概率计算公式中。准确率更高。
Description
技术领域
本发明涉及蓄电池故障诊断领域,特别涉及一种基于数据挖掘的蓄电池故障诊断方法。
背景技术
蓄电池是变电站的心脏,为变电站的控制、信号和动力设备提供电源,一旦直流电源出现问题,整个变电站都会失电,甚至瘫痪。随着电网调度自动化***的日趋完善,越来越多的变电站实现了无人值守,电网运行的许多重要数据都要求及时安全可靠的处理和存储,站内各种保护及自动装置的工作都需要可靠的直流电源。同时,直流电源还为断路器分合闸、通信、事故照明等提供动力。而蓄电池组又是直流电源的最后一道屏障,在直流电源的交流输入停电的时候,只能依靠蓄电池组供电,因此蓄电池组的维护是直流维护中最重要的工作。目前对蓄电池组的在线监测有多种手段,但主要集中在蓄电池电压的巡检上,通过实时监测蓄电池的电压来判断蓄电池组的健康状况,但因为蓄电池绝大部分时间是运行在浮充状态下,因此即使蓄电池已经出现了问题,也很难通过浮充电压监测出来。
蓄电池常作为后备电源使用,典型的使用为变电站直流蓄电池组和大中型数据中心机房UPS电源***。这些蓄电池平时处于浮充电状态,与充电装置的输出并联,一旦交流电源中断,蓄电池立即放电工作,与深度循环放电的蓄电池相比,由于后备电池长期处于浮充状态,即使偶尔放电,因放电深度较小,因此很难获得蓄电池的准确保有量。而在电池运行过程中,在线测量蓄电池的劣化程度(SOH,State of Health)是用户最为关心的问题,也是后备蓄电池使用中的最大难题之一。
现有技术中有学者利用支持向量机和遗传算法提出了一种航空铅酸电池健康评估模型;有学者采用曲面拟合的方法求出电池的健康状态,但蓄电池的劣化程度SOH受电池使用工况、环境温度和电池放电深度等多方面因素的影响,因此需要进一步改进。
发明内容
本发明所要解决的技术问题是针对现有技术的现状,提供一种准确率更高的基于数据挖掘的蓄电池故障诊断方法。
本发明解决上述技术问题所采用的技术方案为:一种基于数据挖掘的蓄电池故障诊断方法,其特征在于:包括以下步骤:
步骤(1)、读取N条蓄电池的状态数据,蓄电池的状态数据包含以下参数:电池电压BV、电池温度BT、电池内阻BIR、动态负载电压DLV、放电能力系数DCF、动态放电电流DDC的值以及所对应的蓄电池的劣化程度SOH的值;其中,N为正整数;蓄电池的劣化程度SOH为0时表示蓄电池无故障,蓄电池的劣化程度SOH为1时表示蓄电池发生故障;
步骤(2)、将n条蓄电池的状态数据作为一个时间窗口,设定滑动步长S,得到k个时间窗口,分别为[1,n],[S+1,S+n],…[(i-1)S+1,(i-1)S+n],…[(k-1)S+1,(k-1)S+n];其中,k为大于等于1的整数且(k-1)S+n为小于等于N的最大整数;
步骤(3)、分别计算第i个时间窗口内的变量BV_P、BV_A、BV_V、BV_R、BT_P、BT_A、BT_V、BT_R、BIR_P、BIR_A、BIR_V、BIR_R、DLV_P、DLV_A、DLV_V、DLV_R、DCF_P、DCF_A、DCF_V、DCF_R、DDC_P、DDC_A、DDC_V、DDC_R和SOH_i,并且在该时间窗口内,当其中至少有一个蓄电池的劣化程度SOH的值为1时,则标注第i个时间窗口内的变量SOH_i为1,反之,则标注该时间窗口内的变量SOH_i为0;
其中,BV_P为第i个时间窗口内的电池电压BV的当前测量数据,BV_A为第i个时间窗口内的电池电压BV的平均值,BV_V为第i个时间窗口内的电池电压BV的方差,BV_R为第i个时间窗口内的电池电压BV的极差;BT_P为第i个时间窗口内的电池温度BT的当前测量数据,BT_A为第i个时间窗口内的电池温度BT的平均值,BT_V为第i个时间窗口内的电池温度BT的方差,BT_R为第i个时间窗口内的电池温度BT的极差;BIR_P为第i个时间窗口内的电池内阻BIR的当前测量数据,BIR_A为第i个时间窗口内的电池内阻BIR的平均值,BIR_V为第i个时间窗口内的电池内阻BIR的方差,BIR_R为第i个时间窗口内的电池内阻BIR的极差;DLV_P为第i个时间窗口内的动态负载电压DLV的当前测量数据,DLV_A为第i个时间窗口内的动态负载电压DLV的平均值,DLV_V为第i个时间窗口内的动态负载电压DLV的方差,DLV_R为第i个时间窗口内的动态负载电压DLV的极差;DCF_P为第i个时间窗口内的放电能力系数DCF的当前测量数据,DCF_A为第i个时间窗口内的放电能力系数DCF的平均值,DCF_V为第i个时间窗口内的放电能力系数DCF的方差,DCF_R为第i个时间窗口内的放电能力系数DCF的极差;DDC_P为第i个时间窗口内的动态放电电流DDC的当前测量数据,DDC_A为第i个时间窗口内的动态放电电流DDC的平均值,DDC_V为第i个时间窗口内的动态放电电流DDC的方差,DDC_R为第i个时间窗口内的动态放电电流DDC的极差;SOH_i为第i个时间窗口内的蓄电池的劣化程度;
步骤(4)、对所述步骤(3)中计算得到的第i个时间窗口内的变量BV_P、BV_A、BV_V、BV_R、BT_P、BT_A、BT_V、BT_R、BIR_P、BIR_A、BIR_V、BIR_R、DLV_P、DLV_A、DLV_V、DLV_R、DCF_P、DCF_A、DCF_V、DCF_R、DDC_P、DDC_A、DDC_V、DDC_R分别进行归一化处理,得到归一化之后的变量BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’;
步骤(5)、将步骤(4)中计算得到的第i个时间窗口内归一化之后的变量值代入logistic回归模型中,得到蓄电池故障发生的条件概率Pi,计算公式为:
其中,β0为常数项,β1,β2,...βm为偏回归系数,且m=24,X1,X2,...Xm分别为BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’;
步骤(6)、建立样本似然函数L,并取对数,得到对数似然函数lnL,计算公式为:
其中,Yi为第i个时间窗口内的变量SOH_i;
步骤(7)、根据步骤(6)中的对数似然函数lnL,求取参数β0,β1,β2,...βm;
步骤(8)、任意选取一批待检测的蓄电池,采用步骤(2)-步骤(5)中的方法,计算某一时间窗口内归一化之后的变量值BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’,代入到步骤(6)的计算公式中得到该时间窗口内的蓄电池故障发生的概率Pi。
作为优选,所述步骤(3)中第i个时间窗口内的电池电压BV的当前测量数据BV_P为第(i-1)S+n条蓄电池状态数据中的电池电压BV,第i个时间窗口内的电池温度BT的当前测量数据BT_P为第(i-1)S+n条蓄电池状态数据中的电池温度BT,第i个时间窗口内的电池内阻BIR的当前测量数据BIR_P为第(i-1)S+n条蓄电池状态数据中的电池内阻BIR,第i个时间窗口内的动态负载电压DLV的当前测量数据DLV_P为第(i-1)S+n条蓄电池状态数据中的动态负载电压DLV,第i个时间窗口内的放电能力系数DCF的当前测量数据DCF_P为第(i-1)S+n条蓄电池状态数据中的放电能力系数DCF,第i个时间窗口内的动态放电电流DDC的当前测量数据DDC_P为第(i-1)S+n条蓄电池状态数据中的动态放电电流DDC。
作为优选,所述步骤(7)中令lnL的一阶导数为0,即采用Newton-Raphson迭代方法解方程组,求取参数β0,β1,β2,...βm或通过最优化方法求解对数似然函数lnL的最大值求取参数β0,β1,β2,...βm。
与现有技术相比,本发明的优点在于:通过分别计算时间窗口内的电池电压、电池温度、电池内阻、动态负载电压、放电能力系数和动态放电电流的当前测量数据、平均值、方差和极差,并将求取的变量值代入到logistic回归模型中,根据对数似然函数求取logistic回归模型中的参数,因此通过计算减少电池数据之间的误差,使计算出的电池出现故障的准确率更高,效果更佳。
附图说明
图1为本发明实施例中基于数据挖掘的蓄电池故障诊断方法的流程图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图1所示,一种基于数据挖掘的蓄电池故障诊断方法包括以下步骤:
步骤(1)、读取N条蓄电池的状态数据,蓄电池的状态数据包括以下参数:电池电压BV、电池温度BT、电池内阻BIR、动态负载电压DLV、放电能力系数DCF、动态放电电流DDC的值以及所对应的蓄电池的劣化程度SOH的值;其中,N为正整数;蓄电池的劣化程度SOH为0时表示蓄电池无故障,蓄电池的劣化程度SOH为1时表示蓄电池发生故障;本实施例中,N=600,其中蓄电池的劣化程度SOH为0和1的电池分别为300条;
步骤(2)、将n条蓄电池的状态数据作为一个时间窗口,设定滑动步长S,得到k个时间窗口,分别为[1,n],[S+1,S+n],…[(i-1)S+1,(i-1)S+n],…[(k-1)S+1,(k-1)S+n];其中,k为大于等于1的整数且(k-1)S+n为小于等于N的最大整数;本实施例中,n=10,S=2;因此本实施例中k-1=295,得到296个窗口数据,即296条样本;
步骤(3)、分别计算第i个时间窗口内的变量BV_P、BV_A、BV_V、BV_R、BT_P、BT_A、BT_V、BT_R、BIR_P、BIR_A、BIR_V、BIR_R、DLV_P、DLV_A、DLV_V、DLV_R、DCF_P、DCF_A、DCF_V、DCF_R、DDC_P、DDC_A、DDC_V、DDC_R和SOH_i,并且在该时间窗口内,当其中至少有一个蓄电池的劣化程度SOH的值为1时,则标注第i个时间窗口内的变量SOH_i为1,反之,则标注该时间窗口内的变量SOH_i为0;
其中,BV_P为第i个时间窗口内的电池电压BV的当前测量数据,BV_A为第i个时间窗口内的电池电压BV的平均值,BV_V为第i个时间窗口内的电池电压BV的方差,BV_R为第i个时间窗口内的电池电压BV的极差;BT_P为第i个时间窗口内的电池温度BT的当前测量数据,BT_A为第i个时间窗口内的电池温度BT的平均值,BT_V为第i个时间窗口内的电池温度BT的方差,BT_R为第i个时间窗口内的电池温度BT的极差;BIR_P为第i个时间窗口内的电池内阻BIR的当前测量数据,BIR_A为第i个时间窗口内的电池内阻BIR的平均值,BIR_V为第i个时间窗口内的电池内阻BIR的方差,BIR_R为第i个时间窗口内的电池内阻BIR的极差;DLV_P为第i个时间窗口内的动态负载电压DLV的当前测量数据,DLV_A为第i个时间窗口内的动态负载电压DLV的平均值,DLV_V为第i个时间窗口内的动态负载电压DLV的方差,DLV_R为第i个时间窗口内的动态负载电压DLV的极差;DCF_P为第i个时间窗口内的放电能力系数DCF的当前测量数据,DCF_A为第i个时间窗口内的放电能力系数DCF的平均值,DCF_V为第i个时间窗口内的放电能力系数DCF的方差,DCF_R为第i个时间窗口内的放电能力系数DCF的极差;DDC_P为第i个时间窗口内的动态放电电流DDC的当前测量数据,DDC_A为第i个时间窗口内的动态放电电流DDC的平均值,DDC_V为第i个时间窗口内的动态放电电流DDC的方差,DDC_R为第i个时间窗口内的动态放电电流DDC的极差;SOH_i为第i个时间窗口内的蓄电池的劣化程度;
本实施例中,第i个时间窗口内的电池电压BV的当前测量数据BV_P为第(i-1)S+n条蓄电池状态数据中的电池电压BV,第i个时间窗口内的电池温度BT的当前测量数据BT_P为第(i-1)S+n条蓄电池状态数据中的电池温度BT,第i个时间窗口内的电池内阻BIR的当前测量数据BIR_P为第(i-1)S+n条蓄电池状态数据中的电池内阻BIR,第i个时间窗口内的动态负载电压DLV的当前测量数据DLV_P为第(i-1)S+n条蓄电池状态数据中的动态负载电压DLV,第i个时间窗口内的放电能力系数DCF的当前测量数据DCF_P为第(i-1)S+n条蓄电池状态数据中的放电能力系数DCF,第i个时间窗口内的动态放电电流DDC的当前测量数据DDC_P为第(i-1)S+n条蓄电池状态数据中的动态放电电流DDC;也可通过不断测试选取出第i个时间窗口内的一个最优值或随机选取第i个时间窗口内的任意一条数据作为该时间窗口内的当前测量数据;
步骤(4)、对步骤(3)中计算得到的第i个时间窗口内的变量BV_P、BV_A、BV_V、BV_R、BT_P、BT_A、BT_V、BT_R、BIR_P、BIR_A、BIR_V、BIR_R、DLV_P、DLV_A、DLV_V、DLV_R、DCF_P、DCF_A、DCF_V、DCF_R、DDC_P、DDC_A、DDC_V、DDC_R分别进行归一化处理,得到归一化之后的变量BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’;并对k个时间窗口的电池数据随机分割,分成包含有j个时间窗口电池数据的训练样本和包含有k-j个时间窗口电池数据的测试样本;本实施例中,训练样本至少占全部时间窗口的60%;通过归一化后的数据更具有可比性,消除单位对数据差异性的影响;
步骤(5)、将步骤(4)中训练样本中的第i个时间窗口内归一化之后的变量值代入logistic回归模型中,得到蓄电池故障发生的条件概率Pi,计算公式为:
其中,β0为常数项,β1,β2,...βm为偏回归系数,且m=24,X1,X2,...Xm分别为BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’;
步骤(6)、建立样本似然函数L,并取对数,计算公式为:
其中,Yi为第i个时间窗口内的变量SOH_i;
步骤(7)、根据步骤(6)中的对数似然函数lnL,求取参数β0,β1,β2,...βm;
本实施例中,令lnL的一阶导数为0,即采用Newton-Raphson迭代方法解方程组,求取参数β0,β1,β2,...βm或通过最优化方法(例如:梯度下降法,拟牛顿法等)求解对数似然函数lnL的最大值求取参数β0,β1,β2,...βm;
步骤(8)、将测试样本中的时间窗口内归一化之后的变量值BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’,代入到步骤(6)的计算公式中得到蓄电池故障发生的概率Pi。
通过将训练样本计算得到的参数β0,β1,β2,...βm代入到蓄电池故障发生的条件概率Pi的计算公式中,使用测试样本的数据进行评估,并与测试样本中的蓄电池的劣化程度SOH_i的值进行对比,采用ROC曲线,AUC的值、混淆矩阵及样本得分进行评价。
现有的技术中采用原始变量的识别算法是:直接将M条蓄电池的状态数据参数电池电压BV、电池温度BT、电池内阻BIR、动态负载电压DLV、放电能力系数DCF、动态放电电流DDC的值作为X1,X2,...Xm,m=6,代入到蓄电池故障发生的条件概率Pi的计算公式中,求取参数β0,β1,β2,...β6。通过测试数据,根据预测的结果,对这两种算法的比较如表1所示,因此本发明的蓄电池故障诊断方法更加精确,准确率更高。
表1采用本发明识别算法与现有技术中识别算法对比结果
变量个数 | AUC值 | 预测精度 | |
基于原始变量的识别算法 | 6 | 0.91 | 82.5% |
采用本发明的识别算法 | 24 | 1 | 99% |
Claims (3)
1.一种基于数据挖掘的蓄电池故障诊断方法,其特征在于:包括以下步骤:
步骤(1)、读取N条蓄电池的状态数据,蓄电池的状态数据包含以下参数:电池电压BV、电池温度BT、电池内阻BIR、动态负载电压DLV、放电能力系数DCF、动态放电电流DDC的值以及所对应的蓄电池的劣化程度SOH的值;其中,N为正整数;蓄电池的劣化程度SOH为0时表示蓄电池无故障,蓄电池的劣化程度SOH为1时表示蓄电池发生故障;
步骤(2)、将n条蓄电池的状态数据作为一个时间窗口,设定滑动步长S,得到k个时间窗口,分别为[1,n],[S+1,S+n],…[(i-1)S+1,(i-1)S+n],…[(k-1)S+1,(k-1)S+n];其中,k为大于等于1的整数且(k-1)S+n为小于等于N的最大整数;
步骤(3)、分别计算第i个时间窗口内的变量BV_P、BV_A、BV_V、BV_R、BT_P、BT_A、BT_V、BT_R、BIR_P、BIR_A、BIR_V、BIR_R、DLV_P、DLV_A、DLV_V、DLV_R、DCF_P、DCF_A、DCF_V、DCF_R、DDC_P、DDC_A、DDC_V、DDC_R和SOH_i,并且在该时间窗口内,当其中至少有一个蓄电池的劣化程度SOH的值为1时,则标注第i个时间窗口内的变量SOH_i为1,反之,则标注该时间窗口内的变量SOH_i为0;
其中,BV_P为第i个时间窗口内的电池电压BV的当前测量数据,BV_A为第i个时间窗口内的电池电压BV的平均值,BV_V为第i个时间窗口内的电池电压BV的方差,BV_R为第i个时间窗口内的电池电压BV的极差;BT_P为第i个时间窗口内的电池温度BT的当前测量数据,BT_A为第i个时间窗口内的电池温度BT的平均值,BT_V为第i个时间窗口内的电池温度BT的方差,BT_R为第i个时间窗口内的电池温度BT的极差;BIR_P为第i个时间窗口内的电池内阻BIR的当前测量数据,BIR_A为第i个时间窗口内的电池内阻BIR的平均值,BIR_V为第i个时间窗口内的电池内阻BIR的方差,BIR_R为第i个时间窗口内的电池内阻BIR的极差;DLV_P为第i个时间窗口内的动态负载电压DLV的当前测量数据,DLV_A为第i个时间窗口内的动态负载电压DLV的平均值,DLV_V为第i个时间窗口内的动态负载电压DLV的方差,DLV_R为第i个时间窗口内的动态负载电压DLV的极差;DCF_P为第i个时间窗口内的放电能力系数DCF的当前测量数据,DCF_A为第i个时间窗口内的放电能力系数DCF的平均值,DCF_V为第i个时间窗口内的放电能力系数DCF的方差,DCF_R为第i个时间窗口内的放电能力系数DCF的极差;DDC_P为第i个时间窗口内的动态放电电流DDC的当前测量数据,DDC_A为第i个时间窗口内的动态放电电流DDC的平均值,DDC_V为第i个时间窗口内的动态放电电流DDC的方差,DDC_R为第i个时间窗口内的动态放电电流DDC的极差;SOH_i为第i个时间窗口内的蓄电池的劣化程度;
步骤(4)、对所述步骤(3)中计算得到的第i个时间窗口内的变量BV_P、BV_A、BV_V、BV_R、BT_P、BT_A、BT_V、BT_R、BIR_P、BIR_A、BIR_V、BIR_R、DLV_P、DLV_A、DLV_V、DLV_R、DCF_P、DCF_A、DCF_V、DCF_R、DDC_P、DDC_A、DDC_V、DDC_R分别进行归一化处理,得到归一化之后的变量BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’;
步骤(5)、将步骤(4)中计算得到的第i个时间窗口内归一化之后的变量值代入logistic回归模型中,得到蓄电池故障发生的条件概率Pi,计算公式为:
其中,β0为常数项,β1,β2,...βm为偏回归系数,且m=24,X1,X2,...Xm分别为BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’;
步骤(6)、建立样本似然函数L,并取对数,得到对数似然函数lnL,计算公式为:
其中,Yi为第i个时间窗口内的变量SOH_i;
步骤(7)、根据步骤(6)中的对数似然函数lnL,求取参数β0,β1,β2,...βm;
步骤(8)、任意选取一批待检测的蓄电池,采用步骤(2)-步骤(5)中的方法,计算某一时间窗口内归一化之后的变量值BV_P’、BV_A’、BV_V’、BV_R’、BT_P’、BT_A’、BT_V’、BT_R’、BIR_P’、BIR_A’、BIR_V’、BIR_R’、DLV_P’、DLV_A’、DLV_V’、DLV_R’、DCF_P’、DCF_A’、DCF_V’、DCF_R’、DDC_P’、DDC_A’、DDC_V’、DDC_R’,代入到步骤(6)的计算公式中得到该时间窗口内的蓄电池故障发生的概率Pi。
2.根据权利要求1所述的基于数据挖掘的蓄电池故障诊断方法,其特征在于:所述步骤(3)中第i个时间窗口内的电池电压BV的当前测量数据BV_P为第(i-1)S+n条蓄电池状态数据中的电池电压BV,第i个时间窗口内的电池温度BT的当前测量数据BT_P为第(i-1)S+n条蓄电池状态数据中的电池温度BT,第i个时间窗口内的电池内阻BIR的当前测量数据BIR_P为第(i-1)S+n条蓄电池状态数据中的电池内阻BIR,第i个时间窗口内的动态负载电压DLV的当前测量数据DLV_P为第(i-1)S+n条蓄电池状态数据中的动态负载电压DLV,第i个时间窗口内的放电能力系数DCF的当前测量数据DCF_P为第(i-1)S+n条蓄电池状态数据中的放电能力系数DCF,第i个时间窗口内的动态放电电流DDC的当前测量数据DDC_P为第(i-1)S+n条蓄电池状态数据中的动态放电电流DDC。
3.根据权利要求1所述的基于数据挖掘的蓄电池故障诊断方法,其特征在于:所述步骤(7)中令lnL的一阶导数为0,即采用Newton-Raphson迭代方法解方程组,求取参数β0,β1,β2,...βm或通过最优化方法求解对数似然函数lnL的最大值求取参数β0,β1,β2,...βm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811202764.3A CN109375109A (zh) | 2018-10-16 | 2018-10-16 | 一种基于数据挖掘的蓄电池故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811202764.3A CN109375109A (zh) | 2018-10-16 | 2018-10-16 | 一种基于数据挖掘的蓄电池故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109375109A true CN109375109A (zh) | 2019-02-22 |
Family
ID=65400465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811202764.3A Pending CN109375109A (zh) | 2018-10-16 | 2018-10-16 | 一种基于数据挖掘的蓄电池故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109375109A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007239A (zh) * | 2019-04-24 | 2019-07-12 | 中富通集团股份有限公司 | 一种基于神经网络数据挖掘算法的蓄电池组预测方法和*** |
CN110154822A (zh) * | 2019-05-14 | 2019-08-23 | 中科院合肥技术创新工程院 | 一种应用于电动汽车智能电池管理***的充放电控制方法 |
CN110286333A (zh) * | 2019-06-18 | 2019-09-27 | 哈尔滨理工大学 | 一种锂动力电池***故障诊断方法 |
CN111562515B (zh) * | 2020-05-18 | 2021-03-12 | 北京理工大学 | 一种动力电池组特征单体的筛选方法 |
CN116995787A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市旭锦科技有限公司 | 一种分布式bms电池主动均衡式安全管理方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187697A (zh) * | 2006-11-21 | 2008-05-28 | 古河电气工业株式会社 | 电池状态判定方法、电池状态判定装置及电池电源*** |
CN105789716A (zh) * | 2016-03-03 | 2016-07-20 | 北京交通大学 | 一种广义电池管理*** |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
CN107340475A (zh) * | 2016-04-29 | 2017-11-10 | 株式会社日立制作所 | 电池故障检测方法和电池故障检测装置 |
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
CN105911476B (zh) * | 2016-04-13 | 2018-08-28 | 华北电力大学 | 一种基于数据挖掘的电池储能***soc预测方法 |
-
2018
- 2018-10-16 CN CN201811202764.3A patent/CN109375109A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187697A (zh) * | 2006-11-21 | 2008-05-28 | 古河电气工业株式会社 | 电池状态判定方法、电池状态判定装置及电池电源*** |
CN105789716A (zh) * | 2016-03-03 | 2016-07-20 | 北京交通大学 | 一种广义电池管理*** |
CN105911476B (zh) * | 2016-04-13 | 2018-08-28 | 华北电力大学 | 一种基于数据挖掘的电池储能***soc预测方法 |
CN107340475A (zh) * | 2016-04-29 | 2017-11-10 | 株式会社日立制作所 | 电池故障检测方法和电池故障检测装置 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
CN107329094A (zh) * | 2017-08-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 动力电池健康状态估算方法及装置 |
Non-Patent Citations (2)
Title |
---|
仇丽霞等: "《医学统计学 第3版》", 31 July 2018, 中国协和医科大学出版社 * |
周芝远等: "基于主成分分析的蓄电池健康状态识别", 《宁波工程学院学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007239A (zh) * | 2019-04-24 | 2019-07-12 | 中富通集团股份有限公司 | 一种基于神经网络数据挖掘算法的蓄电池组预测方法和*** |
CN110007239B (zh) * | 2019-04-24 | 2021-01-19 | 中富通集团股份有限公司 | 一种基于神经网络数据挖掘算法的蓄电池组预测方法和*** |
CN110154822A (zh) * | 2019-05-14 | 2019-08-23 | 中科院合肥技术创新工程院 | 一种应用于电动汽车智能电池管理***的充放电控制方法 |
CN110286333A (zh) * | 2019-06-18 | 2019-09-27 | 哈尔滨理工大学 | 一种锂动力电池***故障诊断方法 |
CN110286333B (zh) * | 2019-06-18 | 2021-09-24 | 哈尔滨理工大学 | 一种锂动力电池***故障诊断方法 |
CN111562515B (zh) * | 2020-05-18 | 2021-03-12 | 北京理工大学 | 一种动力电池组特征单体的筛选方法 |
CN116995787A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市旭锦科技有限公司 | 一种分布式bms电池主动均衡式安全管理方法及*** |
CN116995787B (zh) * | 2023-09-27 | 2024-01-16 | 深圳市旭锦科技有限公司 | 一种分布式bms电池主动均衡式安全管理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375109A (zh) | 一种基于数据挖掘的蓄电池故障诊断方法 | |
CN116502112B (zh) | 一种新能源电源测试数据管理方法及*** | |
CN113052464B (zh) | 电池储能***可靠性评估方法及*** | |
JP5307034B2 (ja) | 制御弁式鉛蓄電池性能の分析方法 | |
CN107422266B (zh) | 一种大容量电池储能***的故障诊断方法及装置 | |
WO2008128426A1 (fr) | Procédé de diagnostic expert pour analyser les performances d'une cellule d'accumulateur | |
CN110535159B (zh) | 一种规模化储能电站运行单元故障预警的方法及*** | |
CN101697376A (zh) | 蓄电池组综合测控方法及其专用装置 | |
CN106646252B (zh) | 铅酸电池应用寿命预测方法 | |
JPWO2014119328A1 (ja) | 電池状態推定装置 | |
CN112433170B (zh) | 一种串联电池组单体参数差异辨识方法 | |
CN109406929B (zh) | 变电站蓄电池组内部开路在线监测报警装置 | |
CN107064806A (zh) | 一种锂电池容量衰减率计算方法 | |
CN104597406A (zh) | 锂电池储能***容量下降分析处理方法及分析处理装置 | |
CN104198942A (zh) | 一种阀控式铅酸蓄电池失效的在线判断*** | |
CN115079026B (zh) | 一种适用于高压储能***的soc自动标定方法及装置 | |
CN112180281B (zh) | 一种电池组soc的估算方法 | |
CN111460656A (zh) | 一种电力机房通信电源运行寿命评估方法和*** | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN113759265A (zh) | 供电***的故障判断方法和储能*** | |
CN117310538A (zh) | 一种电量剩余转化效率自检测的储能电池电量监控*** | |
CN107768754B (zh) | 锂离子电池电压挑选容量的方法及其应用 | |
CN106645953B (zh) | 锂电池内阻值估算方法 | |
CN114035052B (zh) | 一种基于能量窗的soc区间标定方法、***及介质 | |
JP2018205313A (ja) | 電池の劣化推定装置及び電池の劣化推定方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |
|
RJ01 | Rejection of invention patent application after publication |