CN112083340B - 蓄电池组性能检测方法及装置、存储介质、终端 - Google Patents
蓄电池组性能检测方法及装置、存储介质、终端 Download PDFInfo
- Publication number
- CN112083340B CN112083340B CN201910513044.7A CN201910513044A CN112083340B CN 112083340 B CN112083340 B CN 112083340B CN 201910513044 A CN201910513044 A CN 201910513044A CN 112083340 B CN112083340 B CN 112083340B
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- time sequence
- historical
- residual electric
- battery pack
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000005070 sampling Methods 0.000 claims abstract description 78
- 230000008859 change Effects 0.000 claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000012634 fragment Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 238000011056 performance test Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 15
- 238000007599 discharging Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
一种蓄电池组性能检测方法及装置、存储介质、终端,蓄电池组性能检测方法包括:获取蓄电池组的剩余电量时序数据,所述剩余电量时序数据包括若干剩余电量以及与剩余电量一一对应的采样时间;获取所述蓄电池组的电量损耗时序数据;将所述电量损耗时序数据输入至预先训练完成的性能检测模型,以得到预测剩余电量变化值;根据所述剩余电量时序数据计算实际剩余电量变化值;根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险。本发明技术方案能够实现对蓄电池组的异常预测,以保证蓄电池组的正常工作,进而提升配置蓄电池组的各种交通工具的运行效率。
Description
技术领域
本发明涉及智能检测技术领域,尤其涉及一种蓄电池组性能检测方法及装置、存储介质、终端。
背景技术
蓄电池负责在供电***异常情况下(例如,缺少接触网电压、牵引变压器或变流器异常、蓄电池充电机异常等),短时间内对各个重要负载设备进行供电,以确保各***正常工作。
现有技术中通常在交通工具,例如高速动车组中配置蓄电池组,蓄电池组的工作状态直接影响到动车组的安全、稳定运行。为了确保动车组各***的安全可靠运行,动车组的辅助电气***加装了大量传感器对蓄电池的工作参数进行监测,并且具有一定的诊断能力,能够检测到部分异常并且自动采取主动安全措施。另外,动车组执行日常检修也能对包括蓄电池在内的各类异常起到主动发现和防范的作用。
但是,目前对蓄电池的状态检测和日常检修主要侧重于已经发生的异常,对于异常的早期检测尚且缺乏适用的方法和有效的技术,其维修策略也主要是定时维修和事后维修,不能满足提高交通工具运行效率及降低运营成本的要求。
发明内容
本发明解决的技术问题是如何实现对蓄电池组的异常预测,以保证蓄电池组的正常工作,进而提升配置蓄电池组的各种交通工具的运行效率。
为解决上述技术问题,本发明实施例提供一种蓄电池组性能检测方法,蓄电池组性能检测方法包括:获取蓄电池组的剩余电量时序数据,所述剩余电量时序数据包括若干剩余电量以及与剩余电量一一对应的采样时间;获取所述蓄电池组的电量损耗时序数据,电量损耗时序数据包括若干电量损耗参数以及与电量损耗参数一一对应的采样时间,所述电量损耗参数包括输出电流和充电电流;将所述电量损耗时序数据输入至预先训练完成的性能检测模型,以得到预测剩余电量变化值;根据所述剩余电量时序数据计算实际剩余电量变化值;根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险。
可选的,所述获取蓄电池组的剩余电量时序数据,以及获取所述蓄电池组的电量损耗时序数据包括:获取原始电量损耗时序数据以及原始剩余电量时序数据;从所述原始电量损耗时序数据以及所述原始剩余电量时序数据中筛选具备相同采样时间的电量损耗参数和剩余电量,并将具备相同采样时间的电量损耗参数和剩余电量匹配以得到第一样本数据集;根据所述第一样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
可选的,所述根据所述第一样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据包括;从所述第一样本数据集中选取满足以下条件的样本数据,以得到第二样本数据集:输出电流小于预设输出电流阈值,充电电流属于预设数值区间,并且剩余电量小于预设剩余电量阈值;根据所述第二样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
可选的,所述根据所述第二样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据包括:确定所述第二样本数据集中相邻样本数据的采样时间的间隔;根据所述间隔对所述第二样本数据集进行分片,以得到至少一个分片样本数据集,其中,同一分片样本数据集中,相邻样本数据的采样时间的间隔小于预设时间间隔;根据所述至少一个分片样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
可选的,根据所述至少一个分片样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据包括:确定各个分片样本数据集包含的样本数据的数量;如果所述样本数据的数量小于预设值,则剔除所述分片样本数据集;从保留下来的各个分片样本数据集中获取所述剩余电量时序数据以及所述电量损耗时序数据。
可选的,所述根据所述预测剩余电量变化值与所述剩余电量变化值的差异确定所述蓄电池组是否存在异常风险包括:确定所述预测剩余电量变化值与所述实际剩余电量变化值的差值;如果所述差值达到预设阈值,则确定所述蓄电池组存在异常风险。
可选的,所述根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险包括:根据多个采样时间对应的偏差构建偏差时间序列;根据所述偏差时间序列判断所述蓄电池组是否存在异常风险。
可选的,根据所述偏差时间序列判断所述蓄电池组是否存在异常风险包括:如果所述偏差时间序列发生突变,则确定所述蓄电池组存在异常风险;或者,如果检测到所述偏差时间序列存在规律性的趋势,则确定所述蓄电池组存在异常风险。
可选的,采用以下方式训练所述性能检测模型包括:获取所述蓄电池组的历史剩余电量时序数据以及历史电量损耗时序数据,所述历史剩余电量时序数据包括若干历史剩余电量以及与历史剩余电量一一对应的采样时间,所述历史电量损耗时序数据包括若干历史电量损耗参数以及历史电量损耗参数一一对应的采样时间,所述历史电量损耗参数包括历史输出电流和历史充电电流;根据所述历史剩余电量时序数据以及所述历史电量损耗时序数据构建训练样本;利用所述训练样本对所述性能检测模型进行训练。
可选的,所述根据所述历史剩余电量时序数据以及所述历史电量损耗时序数据构建训练样本包括:从所述历史剩余电量时序数据以及所述历史电量损耗时序数据中筛选具备相同采样时间的历史电量损耗参数以及历史剩余电量,将具备相同采样时间的历史电量损耗参数和历史剩余电量匹配以得到第一历史样本数据集;从所述第一历史样本数据集中选取满足以下条件的样本数据,以得到第二历史样本数据:历史输出电流小于预设输出电流阈值,历史充电电流属于预设数值区间,并且历史剩余电量小于预设剩余电量阈值;确定第二历史样本数据集中相邻样本数据的采样时间的间隔;根据所述间隔对所述第二历史样本数据集进行分片,以得到至少一个历史分片样本数据集,其中,同一历史分片样本数据集中,相邻样本数据的采样时间的间隔小于预设时间间隔;确定各个历史分片样本数据集包含的样本数据的数量;如果所述样本数据的数量小于预设值,则剔除所述历史分片样本数据集;从保留下来的各个历史分片样本数据集中获取各个历史剩余电量以及具有相同采样时间的历史电量损耗参数,以得到所述训练样本。
可选的,采用以下公式表示所述性能检测模型:
其中, 表示所述预测剩余电量变化值;Qs表示电量损耗参数;ti表示第i个采样时间;/>表示在采样时间ti采集采样到的输出电流;/>表示在采样时间ti采集采样到的充电电流;ε表示模型拟合误差,f(·)表示模型。
为解决上述技术问题,本发明实施例还公开了一种蓄电池组性能检测装置,所述装置包括:剩余电量获取模块,适于获取蓄电池组的剩余电量时序数据,所述剩余电量时序数据包括若干剩余电量以及与剩余电量一一对应的采样时间;电量损耗参数获取模块,适于获取所述蓄电池组的电量损耗时序数据,电量损耗时序数据包括若干电量损耗参数以及与电量损耗参数一一对应的采样时间,所述电量损耗参数包括输出电流和充电电流;预测剩余电量变化值计算模块,适于将所述电量损耗时序数据输入至预先训练完成的性能检测模型,以得到预测剩余电量变化值;实际剩余电量变化值计算模块,适于根据所述剩余电量时序数据计算实际剩余电量变化值;判断模块,适于根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险。
本发明实施例还公开了一种存储介质,其上存储有计算机指令,所述计算机指令运行时执行所述蓄电池组性能检测方法的步骤。
本发明实施例还公开了一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,所述处理器运行所述计算机指令时执行所述蓄电池组性能检测方法的步骤。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明技术方案利用蓄电池组预测剩余电量变化值与电量损耗参数之间的关系,并通过获取蓄电池组的剩余电量时序数据与电量损耗时序数据,再结合蓄电池组的实际剩余电量变化值,可以确定蓄电池组的工作状态,进而确定蓄电池组是否存在异常风险。相对于现有技术中仅能检测蓄电池的已发生异常,本发明技术方案可以实现对蓄电池组的异常的预测,从而能够辅助蓄电池的状态维修,避免蓄电池异常对交通工具运行带来的不便,提升配置蓄电池组的各种交通工具的运行效率。
进一步地,在对性能检测模型的建模过程中,训练样本选自历史电量损耗时序数据,也即蓄电池组的正常运行数据,而不需要大量的异常样本,使得训练样本更加容易获取,避免通过异常注入试验等获取训练样本,提升了蓄电池组性能检测方法的便捷性以及可操作性。
附图说明
图1是本发明实施例一种蓄电池组性能检测方法的流程图;
图2是图1所示步骤S102的一种具体实施方式的流程图;
图3是本发明实施例一种蓄电池组性能检测方法的部分流程图;
图4是图1所示步骤S105的一种具体实施方式的流程图;
图5是图1所示步骤S105的另一种具体实施方式的流程图;
图6是本发明实施例一种蓄电池组性能检测装置的结构示意图。
具体实施方式
如背景技术中所述,目前对蓄电池的状态检测和日常检修主要侧重于已经发生的异常,对于异常的早期检测尚且缺乏适用的方法和有效的技术,其维修策略也主要是定时维修和事后维修,不能满足提高交通工具运行效率及降低运营成本的要求。
相对于现有技术中仅能检测蓄电池的已发生异常,本发明技术方案可以实现对蓄电池组的异常的预测,从而能够辅助蓄电池的状态维修,避免蓄电池异常对交通工具运行带来的不便,提升配置蓄电池组的各种交通工具的运行效率。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
本申请中所称蓄电池组可以是任意可实施的交通工具中所配置的蓄电池组,例如高速动车组中的蓄电池组,本发明实施例对此不作限制。
图1是本发明实施例一种蓄电池组性能检测方法的流程图。
步骤S101:获取蓄电池组的剩余电量时序数据,所述剩余电量时序数据包括若干剩余电量以及与剩余电量一一对应的采样时间;
步骤S102:获取所述蓄电池的电量损耗时序数据,电量损耗时序数据包括若干电量损耗参数以及与电量损耗参数一一对应的采样时间,所述电量损耗参数包括输出电流和充电电流;
步骤S103:将所述电量损耗时序数据输入至预先训练完成的性能检测模型,以得到预测剩余电量变化值;
步骤S104:根据所述剩余电量时序数据计算实际剩余电量变化值;
步骤S105:根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险。
需要指出的是,本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
本实施例中,蓄电池组在运行时会产生运行数据,例如剩余电量、输出电流、充电电流等。所述运行数据可以通过采集得到。例如,配置所述蓄电池组的交通工具中可以配置传感器或采集软件来采集所述运行数据。
在步骤S101的具体实施中,可以获取蓄电池组剩余电量以及与剩余电量一一对应的采样时间。具体而言,可以获取蓄电池组在放电状态时各个采样时间下的剩余电量;在放电状态下,剩余电量随时间变化而变化。更具体而言,获取剩余电量可以是指从采集剩余电量的设备处获取其采集到的剩余电量,或者也可以是从存储有剩余电量的数据库中调取剩余电量。
在一个具体的实施例中,剩余电量可以是按照预设周期采集得到的,例如每两分钟采集一次蓄电池组的剩余电量。
在步骤S102的具体实施中,获取电量损耗参数时序数据可以是指从采集电量损耗参数的设备处获取其采集到的电量损耗参数及其对应的采样时间,或者也可以是从存储有电量损耗参数的数据库中调取电量损耗参数及其对应的采样时间。其中,电量损耗参数可以包括蓄电池组的输出电流和充电电流。在放电状态下,电量损耗参数随时间变化而变化,也即输出电流和充电电流随时间变化而变化。
进一步而言,电量损耗参数也可以是由输出电流和充电电流通过数学计算得到的,如电量损耗参数为输出电流与充电电流的差值与采样时间间隔的乘积,所述采样时间间隔是指输出电流的相邻采样时刻的时间差值。
由于预测剩余电量变化值与电量损耗参数之间为线性函数关系,因此可以通过各个电量损耗参数计算得到预测剩余电量变化值。具体在步骤S103中,可以利用预先训练完成的性能检测模型来计算所述预测剩余电量变化值。
其中,所述预测剩余电量变化值可以随时间变化而变化,例如,在时刻1计算得到预测剩余电量变化值1,在时刻2计算得到预测剩余电量变化值2。
在步骤S104中,可以根据剩余电量时序数据计算实际剩余电量变化值。具体可以计算获取到的第一个采样时间下的剩余电量与最后一个采样时间下的剩余电量之差。
相应地,实际剩余电量变化值也可以随时间变化而变化,例如,在时刻1计算得到实际剩余电量变化值1,在时刻2计算得到实际剩余电量变化值2。
进而在步骤S105中,可以根据所述预测剩余电量变化值与所述剩余电量变化值的差异确定所述蓄电池组是否存在异常风险。具体可以根据所述差异的大小或者所述差异随时间的变化趋势来确定所述蓄电池组是否存在异常风险。
本发明实施例可以充分利用蓄电池组的实际运行数据来对蓄电池组的早期异常进行检测。
相对于现有技术中仅能检测蓄电池的已发生异常,本发明实施例可以实现对蓄电池组的异常的预测,从而能够辅助蓄电池的状态维修,避免蓄电池异常对交通工具运行带来的不便,提升配置蓄电池组的各种交通工具的运行效率。
在一个具体的实施例中,性能检测模型可以采用如下公式来表示:其中,/> 表示蓄电池组的预测剩余电量变化值;Qs表示蓄电池组电量损耗参数;ti表示第i个采集时刻;/>表示在时刻ti采集到的输出电流的值;/>表示在时刻ti采集到的充电电流的值;ε表示模型拟合误差;f(·)表示模型,用于描述预测剩余电量变化值与电量损耗参数之间的线性关系。
本领域技术人员应当理解的是,在确定了预测剩余电量变化值与电量损耗参数之间的线性关系后,对模型进行拟合以及确定拟合误差ε的具体实施方式可以参照现有技术,此处不再赘述。
在一个非限制性的实施例中,请参照图2,图1所示步骤S102可以包括以下步骤:
步骤S201:获取原始电量损耗时序数据以及原始剩余电量时序数据;
步骤S202:从所述原始电量损耗时序数据以及所述原始剩余电量时序数据中筛选具备相同采样时间的电量损耗参数和剩余电量,并将具备相同采样时间的电量损耗参数和剩余电量匹配以得到第一样本数据集;
步骤S203:根据所述第一样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
本实施例中,由于原始第一样本数据电量损耗时序数据中电量损耗参数的采样周期与所述原始剩余电量时序数据中剩余电量的采样周期不同,因此可以对上述两种时序数据进行筛选。筛选匹配得到的第一样本数据集中输出电流与充电电流具备相同的采样时间,所述蓄电池组在所述采样时间下具有对应的剩余电量。也就是说,在每个采样时间,如果采集到输出电流、充电电流以及剩余电量,则确定该采样时间采集到的电量损耗参数加入第一样本数据集。
之所以对所述第一样本数据集进行限定,是为了避免在同一采样时间下采集到的电量损耗参数不全,例如仅采集到了输出电流、充电电流和剩余电量的一部分,从而保证性能检测模型计算预测剩余电量变化值的准确性。
由于蓄电池组可能处于充电状态或放电状态,而本发明实施例中需要确定的是放电状态下的预测剩余电量变化值,因此需要选取放电状态下的电量损耗参数。
进一步地,图2所示步骤S203可以包括以下步骤:从所述第一样本数据集中选取满足以下条件的样本数据,以得到第二样本数据集:输出电流小于预设输出电流阈值,充电电流属于预设数值区间,并且剩余电量小于预设剩余电量阈值;根据所述第二样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
本实施例中,由于蓄电池组在放电状态下的运行数据具备预设的属性,例如剩余电量小于所述预设剩余电量阈值等,因此可以根据预设条件来选取放电状态下的电量损耗参数。
具体而言,所述预设条件包括预设剩余电量阈值、预设输出电流阈值以及预设数值区间。
如果第一样本数据集中的样本数据不满足上述条件,则不将该样本数据加入第二样本数据集,也即不参与后续的预测剩余电量变化值的计算。
在一个具体的应用场景中,对于第一样本数据集中样本数据1的各个具体参数,如果剩余电量Q<δ1(经验值),输出电流Iout<δ2,电池充电电流Iin∈[θ1,θ2],则将该样本数据1加入第二样本数据集。
其中,预设剩余电量阈值δ1、预设输出电流阈值δ2以及预设充电电流[θ1,θ2]可以是经验值,并可以根据实际的应用环境进行适应性地配置,本发明实施例对此不作限制。
本发明一个非限制性的实施例中,请参照图3,所述根据所述第二样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据可以包括以下步骤:
步骤S301:确定所述第二样本数据集中相邻样本数据的采样时间的间隔;
步骤S302:根据所述间隔对所述第二样本数据集进行分片,以得到至少一个分片样本数据集,其中,同一分片样本数据集中,相邻样本数据的采样时间的间隔小于预设时间间隔;
步骤S303:根据所述至少一个分片样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
具体而言,采样时间可以是周期性的,但是存在采样时间没有采集到样本数据。步骤S301中是对相邻样本数据的采样时间计算间隔,该间隔的大小不是固定值。
在步骤S302和步骤S303的具体实施中,可以根据间隔对所述第二样本数据集进行分片,以得到分片样本数据集,也即用于输入至性能检测模型的电量损耗参数。
具体而言,根据采集时间间隔DT<δ3,来对第二样本数据集进行详细分片,并将每一个分片数据集记为lj(j=1,2,…),并用于确定所述剩余电量时序数据以及所述电量损耗时序数据。
进一步而言,考虑到蓄电池组的放电特性以及建模的准确性,需要将分片数据集中参数个数n小于预设值δ4的数据集lj(j=1,2,…)进行剔除。
也即,步骤S303具体可以包括以下步骤:确定各个分片样本数据集包含的样本数据的数量;如果所述样本数据的数量小于预设值,则剔除所述分片样本数据集;从保留下来的各个分片样本数据集中获取所述剩余电量时序数据以及所述电量损耗时序数据.
需要说明的是,预设时间间隔可以是经验值,并可以根据实际的应用环境进行适应性地配置,本发明实施例对此不作限制。
在本发明一个非限制性的实施例中,请参照图4,图1所示步骤S105可以包括以下步骤:
步骤S401:确定所述预测剩余电量变化值与所述实际剩余电量变化值的差值;
步骤S402:如果所述差值达到预设阈值,则确定所述蓄电池组存在异常风险。
本实施例中,计算差值其中,/>表示预测剩余电量变化值,Qd表示实际剩余电量变化值。
如果差值ΔQ超过给定的预设阈值δ,表明蓄电池组存在异常风险,具体可以是蓄电池组的性能超限,需要进行检修,排除异常或其他因素。
具体地,Qd=1-Qn;其中,Q1表示最早的采样时间1采集到的剩余电量;Qn表示最晚的采样时间n采集到的剩余电量。
需要说明的是,预设阈值可以是经验值,并可以根据实际的应用需求进行适应性的调整,本发明实施例对此不作限制。
在本发明另一个非限制性的实施例中,请参照图5,图1所示步骤S105可以包括以下步骤:
步骤S501:根据多个采样时间对应的偏差构建偏差时间序列;
步骤S502:根据所述偏差时间序列判断所述蓄电池组是否存在异常风险。
步骤S502具体可以包括以下步骤:如果所述偏差时间序列发生突变,则确定所述蓄电池组存在异常风险;或者,如果检测到所述偏差时间序列存在规律性的趋势,则确定所述蓄电池组存在异常风险。
与前述实施例不同的是,本发明实施例是根据偏差时间序列确定蓄电池组是否存在异常风险的。
通常而言,蓄电池组处于正常工作状态时,偏差时间序列可以在一定幅度范围内随时间规律波动或无规律波动。由此,如果偏差时间序列发生突变,表明蓄电池组有可能发生了异常,需要进行检修和异常排除;
或者所述偏差时间序列的差值存在规律性的趋势,例如随时刻的增大而增大或减小,也即偏差时间序列发生了变化趋势,则表明蓄电池组存在异常风险或者性能在比较稳定的下降,需要密切关注并进行异常诊断。
进一步而言,还可以参照上述实施例,根据差值或偏差时间序列对蓄电池组的工作状态进行评估,以获得评估结果,从而可以为蓄电池组的维修提供支持。
在本发明一个非限制性的实施例中,采用以下方式训练所述性能检测模型包括:
获取所述蓄电池组的历史剩余电量时序数据以及历史电量损耗时序数据,所述历史剩余电量时序数据包括若干历史剩余电量以及与历史剩余电量一一对应的采样时间,所述历史电量损耗时序数据包括若干历史电量损耗参数以及历史电量损耗参数一一对应的采样时间,所述历史电量损耗参数包括历史输出电流和历史充电电流;根据所述历史剩余电量时序数据以及所述历史电量损耗时序数据构建训练样本;利用所述训练样本对所述性能检测模型进行训练。
本实施例中,训练样本可以结合历史剩余电量时序数据以及历史电量损耗时序数据来构建,本发明实施例对此不作限制。
具体而言,可以采用以下方式构建训练样本:从所述历史剩余电量时序数据以及所述历史电量损耗时序数据中筛选具备相同采样时间的历史电量损耗参数以及历史剩余电量,将具备相同采样时间的历史电量损耗参数和历史剩余电量匹配以得到第一历史样本数据集;从所述第一历史样本数据集中选取满足以下条件的样本数据,以得到第二历史样本数据:历史输出电流小于预设输出电流阈值,历史充电电流属于预设数值区间,并且历史剩余电量小于预设剩余电量阈值;确定第二历史样本数据集中相邻样本数据的采样时间的间隔;根据所述间隔对所述第二历史样本数据集进行分片,以得到至少一个历史分片样本数据集,其中,同一历史分片样本数据集中,相邻样本数据的采样时间的间隔小于预设时间间隔;确定各个历史分片样本数据集包含的样本数据的数量;如果所述样本数据的数量小于预设值,则剔除所述历史分片样本数据集;从保留下来的各个历史分片样本数据集中获取各个历史剩余电量以及具有相同采样时间的历史电量损耗参数,以得到所述训练样本。
本实施例中,关于构建性能检测模型以及构建训练样本的具体实施方式可以参照图2以及图3所示实施例,此处不再赘述。
本领域技术人员应当理解的是,在对性能检测模型训练完成后,还可以利用检验样本对训练完成的性能检测模型进行验证。关于检验样本的构建可以参照训练样本的构建过程,此处不再赘述。
请参照图6,本发明实施例还公开了一种蓄电池组性能检测装置60。蓄电池组性能检测装置60可以包括剩余电量获取模块601、电量损耗参数获取模块602、预测剩余电量变化值计算模块603、实际剩余电量变化值计算模块604和判断模块605。
其中,剩余电量获取模块601适于获取蓄电池组的剩余电量时序数据,所述剩余电量时序数据包括若干剩余电量以及与剩余电量一一对应的采样时间;电量损耗参数获取模块602适于获取所述蓄电池组的电量损耗时序数据,电量损耗时序数据包括若干电量损耗参数以及与电量损耗参数一一对应的采样时间,所述电量损耗参数包括输出电流和充电电流;预测剩余电量变化值计算模块603适于将所述电量损耗时序数据输入至预先训练完成的性能检测模型,以得到预测剩余电量变化值;实际剩余电量变化值计算模块604适于根据所述剩余电量时序数据计算实际剩余电量变化值;判断模块605适于根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险。
关于所述蓄电池组性能检测装置60的工作原理、工作方式的更多内容,可以参照图1至图5中的相关描述,这里不再赘述。
本发明实施例还公开了一种存储介质,其上存储有计算机指令,所述计算机指令运行时可以执行图1至图5所示方法的步骤。所述存储介质可以包括ROM、RAM、磁盘或光盘等。所述存储介质还可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器等。
本发明实施例还公开了一种终端,所述终端可以包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令。所述处理器运行所述计算机指令时可以执行图1至图5所示方法的步骤。所述终端包括但不限于手机、计算机、平板电脑等终端设备。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (12)
1.一种蓄电池组性能检测方法,其特征在于,包括:
获取蓄电池组的剩余电量时序数据,所述剩余电量时序数据包括若干剩余电量以及与剩余电量一一对应的采样时间;
获取所述蓄电池组的电量损耗时序数据,电量损耗时序数据包括若干电量损耗参数以及与电量损耗参数一一对应的采样时间,所述电量损耗参数包括输出电流和充电电流;
将所述电量损耗时序数据输入至预先训练完成的性能检测模型,以得到预测剩余电量变化值;
根据所述剩余电量时序数据计算实际剩余电量变化值;
根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险;
所述获取蓄电池组的剩余电量时序数据,以及获取所述蓄电池组的电量损耗时序数据包括:
获取原始电量损耗时序数据以及原始剩余电量时序数据;
从所述原始电量损耗时序数据以及所述原始剩余电量时序数据中筛选具备相同采样时间的电量损耗参数和剩余电量,并将具备相同采样时间的电量损耗参数和剩余电量匹配以得到第一样本数据集;
从所述第一样本数据集中选取满足以下条件的样本数据,以得到第二样本数据集:输出电流小于预设输出电流阈值,充电电流属于预设数值区间,并且剩余电量小于预设剩余电量阈值;
根据所述第二样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
2.根据权利要求1所述的蓄电池组性能检测方法,其特征在于,所述根据所述第二样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据包括:
确定所述第二样本数据集中相邻样本数据的采样时间的间隔;
根据所述间隔对所述第二样本数据集进行分片,以得到至少一个分片样本数据集,其中,同一分片样本数据集中,相邻样本数据的采样时间的间隔小于预设时间间隔;
根据所述至少一个分片样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
3.根据权利要求2所述的蓄电池组性能检测方法,其特征在于,根据所述至少一个分片样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据包括:
确定各个分片样本数据集包含的样本数据的数量;
如果所述样本数据的数量小于预设值,则剔除所述分片样本数据集;
从保留下来的各个分片样本数据集中获取所述剩余电量时序数据以及所述电量损耗时序数据。
4.根据权利要求1所述的蓄电池组性能检测方法,其特征在于,所述根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险包括:
确定所述预测剩余电量变化值与所述实际剩余电量变化值的差值;
如果所述差值达到预设阈值,则确定所述蓄电池组存在异常风险。
5.根据权利要求1所述的蓄电池组性能检测方法,其特征在于,所述根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险包括:
根据多个采样时间对应的偏差构建偏差时间序列;
根据所述偏差时间序列判断所述蓄电池组是否存在异常风险。
6.根据权利要求5所述的蓄电池组性能检测方法,其特征在于,根据所述偏差时间序列判断所述蓄电池组是否存在异常风险包括:
如果所述偏差时间序列发生突变,则确定所述蓄电池组存在异常风险;
或者,如果检测到所述偏差时间序列存在规律性的趋势,则确定所述蓄电池组存在异常风险。
7.根据权利要求1所述的蓄电池组性能检测方法,其特征在于,采用以下方式训练所述性能检测模型包括:
获取所述蓄电池组的历史剩余电量时序数据以及历史电量损耗时序数据,所述历史剩余电量时序数据包括若干历史剩余电量以及与历史剩余电量一一对应的采样时间,所述历史电量损耗时序数据包括若干历史电量损耗参数以及与历史电量损耗参数一一对应的采样时间,所述历史电量损耗参数包括历史输出电流和历史充电电流;
根据所述历史剩余电量时序数据以及所述历史电量损耗时序数据构建训练样本;
利用所述训练样本对所述性能检测模型进行训练。
8.根据权利要求7所述的蓄电池组性能检测方法,其特征在于,所述根据所述历史剩余电量时序数据以及所述历史电量损耗时序数据构建训练样本包括:
从所述历史剩余电量时序数据以及所述历史电量损耗时序数据中筛选具备相同采样时间的历史电量损耗参数以及历史剩余电量,将具备相同采样时间的历史电量损耗参数和历史剩余电量匹配以得到第一历史样本数据集;
从所述第一历史样本数据集中选取满足以下条件的样本数据,以得到第二历史样本数据:历史输出电流小于预设输出电流阈值,历史充电电流属于预设数值区间,并且历史剩余电量小于预设剩余电量阈值;
确定第二历史样本数据集中相邻样本数据的采样时间的间隔;
根据所述间隔对所述第二历史样本数据集进行分片,以得到至少一个历史分片样本数据集,其中,同一历史分片样本数据集中,相邻样本数据的采样时间的间隔小于预设时间间隔;
确定各个历史分片样本数据集包含的样本数据的数量;
如果所述样本数据的数量小于预设值,则剔除所述历史分片样本数据集;
从保留下来的各个历史分片样本数据集中获取各个历史剩余电量以及具有相同采样时间的历史电量损耗参数,以得到所述训练样本。
9.根据权利要求1至8任一项所述的蓄电池组性能检测方法,其特征在于,采用以下公式表示所述性能检测模型:
;
其中, 表示所述预测剩余电量变化值;/>表示电量损耗参数;/>表示第/>个采样时间;/>表示在采样时间/>采集采样到的输出电流;/>表示在采样时间/>采集采样到的充电电流;/>表示模型拟合误差,/>表示模型。
10.一种蓄电池组性能检测装置,其特征在于,包括:
剩余电量获取模块,适于获取蓄电池组的剩余电量时序数据,所述剩余电量时序数据包括若干剩余电量以及与剩余电量一一对应的采样时间;
电量损耗参数获取模块,适于获取所述蓄电池组的电量损耗时序数据,电量损耗时序数据包括若干电量损耗参数以及与电量损耗参数一一对应的采样时间,所述电量损耗参数包括输出电流和充电电流;
预测剩余电量变化值计算模块,适于将所述电量损耗时序数据输入至预先训练完成的性能检测模型,以得到预测剩余电量变化值;
实际剩余电量变化值计算模块,适于根据所述剩余电量时序数据计算实际剩余电量变化值;
判断模块,适于根据所述预测剩余电量变化值与所述实际剩余电量变化值的偏差判断所述蓄电池组是否存在异常风险;
所述剩余电量获取模块和所述电量损耗参数获取模块执行以下步骤:
获取原始电量损耗时序数据以及原始剩余电量时序数据;
从所述原始电量损耗时序数据以及所述原始剩余电量时序数据中筛选具备相同采样时间的电量损耗参数和剩余电量,并将具备相同采样时间的电量损耗参数和剩余电量匹配以得到第一样本数据集;
从所述第一样本数据集中选取满足以下条件的样本数据,以得到第二样本数据集:
输出电流小于预设输出电流阈值,充电电流属于预设数值区间,并且剩余电量小于预设剩余电量阈值;
根据所述第二样本数据集确定所述剩余电量时序数据以及所述电量损耗时序数据。
11.一种存储介质,其上存储有计算机指令,其特征在于,所述计算机指令运行时执行权利要求1至9中任一项所述蓄电池组性能检测方法的步骤。
12.一种终端,包括存储器和处理器,所述存储器上存储有可在所述处理器上运行的计算机指令,其特征在于,所述处理器运行所述计算机指令时执行权利要求1至9中任一项所述蓄电池组性能检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910513044.7A CN112083340B (zh) | 2019-06-13 | 2019-06-13 | 蓄电池组性能检测方法及装置、存储介质、终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910513044.7A CN112083340B (zh) | 2019-06-13 | 2019-06-13 | 蓄电池组性能检测方法及装置、存储介质、终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112083340A CN112083340A (zh) | 2020-12-15 |
CN112083340B true CN112083340B (zh) | 2023-11-14 |
Family
ID=73733668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910513044.7A Active CN112083340B (zh) | 2019-06-13 | 2019-06-13 | 蓄电池组性能检测方法及装置、存储介质、终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112083340B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842626A (zh) * | 2022-05-05 | 2022-08-02 | 江苏文友软件有限公司 | 一种智能ai报警***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102230953A (zh) * | 2011-06-20 | 2011-11-02 | 江南大学 | 蓄电池剩余容量及健康状况预测方法 |
CN104614679A (zh) * | 2015-01-22 | 2015-05-13 | 哈尔滨龙易电气有限公司 | 一种曲线拟合式蓄电池剩余容量测量方法 |
WO2016080111A1 (ja) * | 2014-11-18 | 2016-05-26 | 学校法人立命館 | 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム |
CN107357673A (zh) * | 2017-06-28 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种检测异常耗电的方法、终端以及计算机可读存储介质 |
CN109856545A (zh) * | 2019-03-28 | 2019-06-07 | 哈尔滨学院 | 太阳能汽车的蓄电池组剩余容量检测方法及*** |
-
2019
- 2019-06-13 CN CN201910513044.7A patent/CN112083340B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102230953A (zh) * | 2011-06-20 | 2011-11-02 | 江南大学 | 蓄电池剩余容量及健康状况预测方法 |
WO2016080111A1 (ja) * | 2014-11-18 | 2016-05-26 | 学校法人立命館 | 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム |
CN104614679A (zh) * | 2015-01-22 | 2015-05-13 | 哈尔滨龙易电气有限公司 | 一种曲线拟合式蓄电池剩余容量测量方法 |
CN107357673A (zh) * | 2017-06-28 | 2017-11-17 | 深圳市金立通信设备有限公司 | 一种检测异常耗电的方法、终端以及计算机可读存储介质 |
CN109856545A (zh) * | 2019-03-28 | 2019-06-07 | 哈尔滨学院 | 太阳能汽车的蓄电池组剩余容量检测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN112083340A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9476947B2 (en) | Method for ascertaining operating parameters of a battery, battery management system, and battery | |
US11557798B2 (en) | Method and system for predicting onset of capacity fading in a battery | |
CN108287317B (zh) | 电池功率预测模型生成方法及***、功率预测方法及*** | |
US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
CN110712528B (zh) | 一种动力电池组实时监控方法及设备 | |
CN113281671A (zh) | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及*** | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及*** | |
CN115943516B (zh) | 车辆电池失衡的检测方法、装置、电子设备及存储介质 | |
CN112924866B (zh) | 容量保持率的检测方法、检测装置、车辆及存储介质 | |
CN116424096B (zh) | 资源动态优化配置的新能源汽车电池采集总成方法及*** | |
CN116106758B (zh) | 基于数据驱动的电池故障诊断方法及*** | |
CN112083340B (zh) | 蓄电池组性能检测方法及装置、存储介质、终端 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、***及电子设备 | |
Lin et al. | State of health estimation of lithium-ion batteries based on remaining area capacity | |
CN112782588B (zh) | 一种基于lssvm的soc在线监测方法及其储存介质 | |
CN117872146A (zh) | 监测电池异常的方法、装置、设备及存储介质 | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
CN114631032A (zh) | 用于监控电池组健康状况的方法和*** | |
CN116488578A (zh) | 一种基于ai视觉辅助的光伏设备分析方法 | |
CN112630665B (zh) | 一种基于智能网联的锂电池寿命预测*** | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
CN117367830B (zh) | 一种新能源车辆健康状态商检平台及方法 | |
CN117962679A (zh) | 一种新能源汽车充电过程监管方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |