CN112763929B - 一种储能电站***电池单体健康预测方法及装置 - Google Patents
一种储能电站***电池单体健康预测方法及装置 Download PDFInfo
- Publication number
- CN112763929B CN112763929B CN202011633744.9A CN202011633744A CN112763929B CN 112763929 B CN112763929 B CN 112763929B CN 202011633744 A CN202011633744 A CN 202011633744A CN 112763929 B CN112763929 B CN 112763929B
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- battery cell
- battery
- health
- 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
- 230000036541 health Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004146 energy storage Methods 0.000 title claims abstract description 52
- 239000000178 monomer Substances 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 113
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000015654 memory Effects 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 68
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 9
- 229910001416 lithium ion Inorganic materials 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种储能电站***电池单体健康预测方法,包括:采集告警信息和电池的原始监测数据,根据告警信息来对原始监测数据进行预处理,构建健康数据集;针对健康数据集,取最近一段时间的数据,采用核密度估计概率密度函数的方法建立健康度监测模型,确定每个电池单体的监测变量的控制限;对原始检测数据归一化,并构建基于长短时记忆神经网络模型的监测变量的预测模型,得到监测变量的预测值;将预测值与控制限进行比较,定位故障的电池单体并预警监测变量的超限时刻。本发明还提供相应的健康预测装置。本发明的方法能够实现储能电站***电池单体健康状态的在线预测,在发生单体故障之前进行及时更换与维修,从而保证储能电站***正常运行。
Description
技术领域
本发明涉及锂离子电池健康管理领域,更具体地涉及一种锂离子电池电池单体健康预测方法及装置。
背景技术
锂离子电池作为新能源电池不仅更加环保而且性能更加优越,其广泛应用于储能电站。在储能电站***内,成百上千个锂离子电池单体组成的一个极为复杂的***,其具有高度非线性、温度敏感特性、明显的老化特性以及不一致性等,这也导致电池组可能会因为自身化学反应放热积聚或外界热源影响下发生热失控,严重影响储能电站的安全性能。
储能技术作为电网智能化的一个重要方面,它的安全、可靠运行关系到电网调峰、调频能力,同时也是电池储能设备自身安全的前提。目前主要通过以下方式实现对储能电站的预警:在储能电站的顶部设置多个不同类型的火灾探测器来监控储能电站的运行情况,当发生火情时,利用惰性气体灭火;另外,对电池单体的异常检测通过电池管理***(Battery Management System,BMS)完成,BMS安装于储能电池组内,负责对储能电池组进行电压、温度、电流、容量等信息的采集,实时状态监测和故障分析。
但是,由于储能电站在电网侧应用场景及应用需求的不同和技术的快速迭代,在现有技术中,对储能电站的整体进行监控,准确度不够高,当单体储能柜内部电池发生热失控时可能检测不到或检测迟缓;而BMS只能做到对故障的实时检测,难以捕捉到检测变量在未来一段时间内的变化异常,不能提前预判故障的发生。
长短时记忆网络(LSTM)为人们提供了一种时间序列预测的思路。对于时间序列问题,前后总是有关联的,当前时刻的输出会受之前时刻的影响。LSTM神经网络会记忆之前的信息,其隐藏层的输入不仅包括输入层的输出,还包括上一隐藏层的状态输出,所以它可以刻画当前的输出与之前序列的关系,而且通过引入门结构,实现对时间序列的长期记忆。
由于电站储能过程存在严重的非线性和纯滞后性,而生产过程中记录的大量历史数据能够提供出变量之间相互关系的信息和其分布信息。所以可采用基于核密度估计法可以从大量数据中挖掘出其分布信息,估计出健康阈值。
因此,如何通过锂离子电池在线可测的局部数据来对储能电站的整体进行监控,基于知识学习来建立健康预测***,对于在实际问题中电站安全具有重要的意义。
发明内容
本发明的目的在于提供一种储能电站***电池单体健康预测方法,无需复杂的参数计算就能够进行在线实时的健康监测,同时能够减少误差、提高预警精度。
为了实现上述目的,本发明提供一种储能电站***电池单体健康预测方法,包括:
S1:由电池管理***采集告警信息和电池的原始监测数据,根据告警信息来对电池的原始监测数据进行预处理,构建健康数据集;所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列;
S2:针对步骤S1构建的健康数据集,取最近一段固定采集时间的数据,采用核密度估计概率密度函数的方法建立健康度监测模型,从而确定每个电池单体的监测变量的控制限;所述电池单体的监测变量为电压、温度和SOC;
S3:对所述步骤S1中的原始检测数据进行归一化处理;
S4:根据归一化的原始检测数据,构建基于长短时记忆神经网络模型的电池单体的监测变量的预测模型,得到未来的一固定输出长度所代表的时长的电池单体的监测变量的预测值;
S5:将所述电池单体的监测变量的预测值与所述步骤S2中的每个电池单体的监测变量的控制限进行比较,定位故障的电池单体并预警监测变量的超限时刻。
所述步骤S1包括:
S11:由电池管理***获取告警信息,并以固定的频率采集电池的原始监测数据;
S12:清洗和处理电池的原始监测数据;
S13:根据告警信息中的故障时刻,在监测数据中剔除掉故障时刻所对应的所有数据,从而构建健康数据集。
在所述步骤S1中,采集电池的原始监测数据的频率为1分钟一次;所述告警信息记录了故障时刻与对应的故障信息,故障时刻是精确到秒的;在步骤S13中,故障时刻所对应的所有数据,是指在最接近于故障时刻的时刻所采集的原始监测数据。
所述步骤S2包括:
S21:确定概率分布密度的核函数和带宽矩阵,从而建立概率分布密度;
S22:针对步骤S1构建的健康数据集,取所述最近一段固定采集时间的数据,通过所述概率分布密度来更新电池单体的监测变量的当前的控制限。
所述概率密度分布为:
其中,K(x)表示核函数,x为p维空间的任一变量,Xi是n个p维数据所构成的样本集中的样本数据,H为核函数的带宽矩阵;
所述核函数为高斯核函数;
所述带宽矩阵H为:
H=h2I,
其中,I为单位阵,h为带宽;h的取值采用广义交叉熵法来确定。
所述固定采集时间为14天。
在所述步骤S3中,所述原始检测数据为电压、温度、SOC和簇电流的序列;归一化的原始检测数据分别为:
式中,表示归一化的电压的序列,u(k)表示电压的序列,/>为电压的序列中的最小值,/>为电压的序列中的最大值;/>表示归一化的温度的序列,T(k)表示温度的序列,/>为温度的序列中的最小值,/>为温度的序列中的最大值;/>表示归一化的SOC的序列,S(k)表示SOC的序列,/>为SOC的序列中的最小值,/>为SOC的序列中的最大值;/>表示归一化的簇电流的序列,I(k)表示簇电流的序列,/>为簇电流的序列中的最小值,/>为簇电流的序列中的最大值。
所述步骤S4包括:
S41:将归一化的原始检测数据按比例划分为训练集和测试集,将所述训练集处理成长短时记忆神经网络模型的输入格式;
S42:构建长短时记忆神经网络模型;
S43:利用所述训练集对构建好的长短时记忆神经网络模型进行训练,得到电池单体的监测变量的预测模型;
S44:每隔一固定输出长度L,预测得到未来的固定输出长度L所对应的时长的监测变量的预测值。
在所述步骤S41中,将所述训练集处理成长短时记忆神经网络模型的输入格式,具体包括:设定电池单体的监测变量的固定输出长度为L;以第1个时刻的单体电压、温度、SOC、第2个到第L+1个时刻的簇电流作为输入变量,第2个到第L+1个时刻的单体电池的监测变量作为输出变量,构成训练集的一个样本对,并按顺序依次递推构建若干个样本对,从而构成符合格式的训练集。
所述固定输出长度L的值为72,固定输出长度L所代表的时长为12小时,固定输出长度对应的时刻间隙为10分钟;所述训练集和测试集的划分比例为10:4。
另一方面,本发明提供一种储能电站***电池单体健康预测装置,包括:数据预处理单元,其设置为根据告警信息,对电池管理***采集的电池的原始监测数据进行预处理,构建健康数据集;所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列;控制限估计单元,其设置为针对步骤S1构建的健康数据集,取最近一段固定采集时间的数据,采用核密度估计概率密度函数的方法建立健康度监测模型,从而确定每个电池单体的监测变量的控制限;所述电池单体的监测变量为电压、温度和SOC;故障预测单元,其设置为根据归一化的原始检测数据,构建基于长短时记忆神经网络模型的电池单体的监测变量的预测模型,得到未来的一固定输出长度所代表的时长的电池单体的监测变量的预测值;以及电池单体故障定位单元,其设置为将所述电池单体的监测变量的预测值与所述步骤S2中的每个电池单体的监测变量的控制限进行比较,定位故障的电池单体。
本发明的储能电站***电池单体健康预测方法从监测数据中为每个电池单体估计更加可靠的控制限,并且每天更新,并对电压、温度等数据进行长期预测,提前预警故障,最后通过相关性分析验证了模型的有效性。本发明基于核密度估计的统计方法,根据正常数据估计出电池数据的控制限。同时,本发明还基于长短时记忆网络算法建立健康预测模型,通过固定时间给定监测输入对电池数据进行长期的预测,从而实现电池单体故障预警,能够在故障发生之前进行及时检修与维修,保证锂离子电池的正常运行,提升储能电站的安全性能。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是根据本发明的一个实施例的储能电站***电池单体健康预测方法的流程图。
图2是图1所示的储能电站***电池单体健康预测方法的步骤S1的流程图。
图3A是各个电池单体的电压控制限,图3B是各个电池单体的温度控制限,图3C是各个电池单体的SOC控制限。
图4是图1所示的储能电站***电池单体健康预测方法的步骤S4的流程图。
图5是根据本发明的一个实施例的储能电站电池单体健康预测方法所得到的电池单体的电压的计算结果示意图。
图6是根据本发明的一个实施例的储能电站电池单体健康预测装置的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面将结合附图对本发明的较佳实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本发明的一种储能电站***电池单体健康预测方法,所述储能电站包括多个锂离子电池单体,如图1所示,该方法包括:
步骤S1:由电池管理***(BMS)采集告警信息和电池的原始监测数据,根据告警信息来对电池的原始监测数据进行预处理,构建健康数据集。
所述步骤S1的具体步骤如图2所示,包括:
步骤S11:由电池管理***(BMS)获取告警信息,并以固定的频率采集电池的原始监测数据;在本实施例中,所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列。其中,电压、温度、SOC是单体数据(即电池单体的数据),簇电流不是。在本实施例中,采集电池的原始监测数据的频率为1分钟一次。
步骤S12:清洗和处理电池的原始监测数据,以提取出对储能过程的监测最有效的以及对估计质量有影响的监测数据;其中,清洗和处理电池的原始监测数据是指从原始监测数据中筛选出电池单体电压、温度、SOC、簇电流这几个变量的监测信息。
步骤S13:根据告警信息中的故障时刻,在提取出的监测数据中剔除掉故障时刻所对应的所有数据,从而构建健康数据集。
在本实施例中,告警信息是由BMS上传的表格(即故障告警记录表),记录了故障时刻与对应的故障信息,故障时刻是精确到秒的,故障时刻所对应的故障信息是基于厂商提供的物理阈值来判定的,每个故障时刻的故障信息可能是电压,温度,SOC中的一种,用于删除掉监测数据中对应时刻的数据。考虑到原始监测数据的采集频率为1分钟一次而故障时刻是精确到秒的,因此,在监测数据中剔除掉故障时刻的所有数据时,剔除方式按照如下方式:以17号舱A堆的簇1在20190329的日常运行数据为例。告警信息中共有23个秒级单体电压故障,在完整数据中删去该23个时刻的数据。例如,告警时间06:45:35,剔除Bank1_20190329中06:45:35后最近的一次记录06:45:38。也就是说,在步骤S13中,故障时刻所对应的所有数据,是指在最接近于故障时刻的时刻所采集的原始监测数据。
由此,得到了仅仅包含健康数据的健康数据集,用于在下文中用于后续的核密度估计以估计控制限。
步骤S2:针对步骤S1构建的健康数据集,取最近一段固定采集时间的数据,采用核密度估计概率密度函数的方法建立健康度监测模型,从而确定每个电池单体的监测变量的控制限;
其中,储能电站中包括多个电池单体,电池单体的监测变量为电压、温度和SOC这三个参数。因电流与电网调度和用电量紧密相关,故不对簇电流进行估计。
在本实施例中,所述固定采集时间为14天(即两周),取两周时间的依据是数据长度如果太长那么训练模型时间太长,且因储能电站的电池运行周期为2周,两周的长度恰好与电网的周期性一致。通过每天新增当天的数据,并删去14天中最早的一天的数据来取最近一段固定采集时间的数据。
所述步骤S2包括:
步骤S21:确定概率分布密度的核函数和带宽矩阵,从而建立概率分布密度。核密度估计中需要确定两个参数,即核函数和带宽矩阵H。
由概率分布密度的定义,可以得到现有技术中的概率分布密度的公式,所述概率密度分布为:
其中,K(x)表示核函数,x为p维空间的任一变量,x∈Rp,Xi是n个p维数据所构成的样本集Xn×p={Xt,i=1,2,…,n}中的样本数据,H为核函数的带宽矩阵;
核函数的确定:核函数就是满足给定约束条件的目标表达式,令X∈Rn是输入空间,φ是输入空间X到特征空间H特征的映射,定义核为K(u,v)=φ(u)*φ(v),其中φ(u)*φ(v)是内积,核函数就是将核的内积空间表征为一个函数,以减少复杂的内积计算;核函数的选择取决于研究者希望对于不同距离的点的权重赋值大小,高斯核函数是其中一种核函数。相比于窗宽的选择,不同核函数的形式对于核密度估计的影响较小,由于高斯核函数在预测速度和精度在处理大多数问题中优于其它核函数,故本发明将高斯核函数确定为核函数,所述高斯核函数为:
其中,x是输入空间X的输入变量,y是输入空间Y的输入变量。
概率分布密度的带宽矩阵H的确定方法如下:
根据分布密度的计算公式,可以看出核密度估计的精确度与带宽矩阵H有很大关系。带宽矩阵有多种形式,考虑到电池***参数众多,故选择参数较少的宽带矩阵形式,即,所述带宽矩阵H为:
H=h2I,
其中,I为单位阵,h为带宽。则只需确定带宽h。
对于带宽h来说,它起着对局部光滑的作用。如果h选的太小,则随机性的影响增加而/>呈现很不规则的形状。如果h选的太大,则/>将被过度平均化,使某些细节不能显示出来。
本发明采用广义交叉熵(Generalized Cross Entropy,GCE)法来确定h的取值。GCE法利用测度来描述两个连续概率密度函数g(x)和p(x)之间的信息差异,GCE算法的求解目标是使下列测度达到最小值:
其中,p(x)为给定RV的先验分布概率,若先验概率未知,则p(x)=1。g(x)是概率分布密度的另一种表现形式。
g(x)为:
其中,λ=[λ1…λn]T为Lagrange乘子,x∈Rp为p维空间的任一变量,xj是样本数据,K表示核函数。
求解观测问题,即求解Lagrange乘子λ和带宽h通过凸二次规划问题(Convexquadratic programming problem,CQPP),给出上述求解式的最小化的转化形式:
其中,C为n×n方阵,其元素为熵值,CT是C矩阵的转置矩阵。C和/>的值分别计算如下:
从公式(6)可以看出,C和均为带宽h和随机向量x的函数,则通过求解式可以得到GCE问题中带宽的解h。
步骤S22:针对步骤S1构建的健康数据集,取所述最近一段固定采集时间的数据,通过建立的概率分布密度来更新电池单体的监测变量的当前的控制限,即,用最近2周的数据估计接下来一天的控制限,以保证估计的实时性,更好地符合根据电池的电化学行为,以此更好地规避风险;
在本实施例中,最近一段固定采集时间指的是最近两周。各个电池单体的电压、温度和SOC的控制限如图3A、图3B、图3C所示,图中横坐标是每个单体的序数,纵坐标是每个单体的电压、温度、SOC的控制限。每个电池单体都有单独的控制限,以表征电池健康,超过控制限的数据即为电池发生故障时的数据点。
步骤S3:对所述步骤S1中的原始检测数据进行归一化处理。
为了在之后的步骤中建立LSTM神经网络模型,步骤S1中的原始检测数据,即电压、温度、SOC和簇电流的序列,都要进行无量纲化处理,即进行归一化,如下面的公式(7)所示,从而将电压、温度、SOC和簇电流缩放在0~1的区间范围内。
归一化的原始检测数据,即归一化的电压的序列、温度的序列、SOC的序列以及簇电流的序列分别为:
和
式中,表示归一化的电压的序列,u(k)表示电压的序列,/>为电压的序列中的最小值,/>为电压的序列中的最大值;/>表示归一化的温度的序列,T(k)表示温度的序列,/>为温度的序列中的最小值,/>为温度的序列中的最大值;/>表示归一化的SOC的序列,S(k)表示SOC的序列,/>为SOC的序列中的最小值,/>为SOC的序列中的最大值;/>表示归一化的簇电流的序列,I(k)表示簇电流的序列,/>为簇电流的序列中的最小值,/>为簇电流的序列中的最大值。
步骤S4:根据归一化的原始检测数据(即归一化的电压的序列、温度的序列、SOC的序列以及簇电流的序列),构建基于LSTM(长短时记忆)神经网络模型的电池单体的监测变量(即电压、温度、SOC)的预测模型,得到未来的一个固定输出长度所代表的时长(如未来12小时)的电池单体的监测变量的预测值;
其中,簇电流仅仅作为LSTM神经网络模型的输入变量,电压、温度、SOC不仅作为LSTM神经网络模型的输入变量,还作为其输出变量。因此,相应地,所述电池单体的监测变量的预测模型包括电压预测模型、温度预测模型和SOC预测模型;考虑到簇电流与电网调度和用电量紧密相关,簇电流与相同时刻的电压、温度和SOC有很强的因果关系,电压预测模型、温度预测模型、SOC预测模型的输入变量均为电压、簇电流、温度和SOC;电压预测模型、温度预测模型、SOC预测模型的输出变量分别为电压、温度、SOC。
LSTM神经网络模型是一个拥有三个门结构的网络结构,包括输入门、输出门以及遗忘门。所谓的门结构即通过sigmoid函数和一个按位乘法器实现,sigmoid函数可以根据输入的u’(t)和h(t-1),生成0~1之间的数值。然后通过按位乘法器,就可以决定哪些需要被输入,哪些需要被遗忘,哪些需要被输出。当sigmoid输出为0时,门处于关闭状态,所有信息都无法通过。当sigmoid输出为1时,门处于全打开状态,所有信息都可以通行。输入门和遗忘门是LSTM的核心,长短时记忆的功能就是通过这两个门来实现的。将LSTM神经网络模型应用于本发明时,其工作原理如下:
LSTM神经网络的输入状态值z为:
z=tanh(WZ[h(t-1),u'(t)] (8)
式中,WZ为输入门状态权重矩阵,h(t-1)为上一时刻模型输出的隐藏状态,u'(t)为当前时刻的输入变量,即电压、温度、SOC和簇电流组成的一个列向量。
输入门会根据当前时刻的输入变量u'(t)和上一时刻的隐藏状态h(t-1)决定哪些信息可以加入当前的状态:
i=sigmoid(Wi[h(t-1),u'(t)] (9)
式中,Wi为输入权重矩阵,i为输入门,sigmoid()是sigmoid函数。
遗忘门则根据u'(t)和h(t-1)决定哪些信息需要被遗忘:
f=sigmoid(Wf[h(t-1),u'(t)]
式中,Wf为遗忘门的状态权重矩阵,f为遗忘门,sigmoid()是sigmoid函数。
则新的状态即为:
j(t)=f×j(t-1)+i×z (11)
式中,j(t-1)为上一时刻的状态。
时刻t=1时,j(1)初始化为零向量。
输出门通过u'(t)和h(t-1)决定哪些信息可以输出:
o=sigmoid(Wo[h(t-1),u'(t)] (12)
式中,Wo为输出门状态权重矩阵,o为输出门,sigmoid()是sigmoid函数。
则当前时刻,模型输出的隐藏状态为:
h(t)=o×tanhu'(t) (13)
因而,如图4所示,步骤S4包括:
步骤S41:将归一化的原始检测数据按比例划分为训练集和测试集,将所述训练集处理成LSTM神经网络模型的输入格式。
在本实施例中,所述训练集和测试集的划分比例为10:4,即取最近14天的数据中,其中10天的归一化的原始检测数据作为训练集,另外4天的归一化的原始检测数据作为测试集。训练集是用于训练模型的子集,测试集是用于测试训练后模型的子集,目标是创建一个能够很好地泛化到新数据的模型。
将所述训练集处理成LSTM神经网络模型的输入格式,具体包括:设定电池单体的监测变量的固定输出长度为L;以第1个时刻的单体电压、温度、SOC、第2个到第L+1个时刻的簇电流作为输入变量,第2个到第L+1个时刻的单体电池的监测变量作为输出变量,构成训练集的一个样本对,并按顺序依次递推构建若干个样本对,从而构成符合格式的训练集。这里的监测变量可以是电压、温度和SOC,三个监测变量的预测模型所对应的训练集只在输出变量上有差异,其余设置均相同。在本实施例中,所述固定输出长度L的值为72,因此要输出72个输出变量,其中固定输出长度L所代表的时长为12小时,固定输出长度对应的时刻间隙为10分钟(即1/6小时),因此代表要预测输出未来12个小时的数据,因为要实现长期预测,是电网方面的需求。
其中,所述LSTM神经网络模型的输入格式为(samples,time_steps,features)。其中samples表示数据样本的个数;time_steps表示LSTM神经网络模型的输入序列的步长,也即利用该步长的数据来预测输出;features表示输入序列的特征维度,单体预测模型中输入为电压、簇电流、温度和SOC4个维度。
步骤S42:构建LSTM神经网络模型;
其中,所述LSTM神经网络模型的输出层的神经元个数设置为L,根据上文所述,L在本实施例中的值为72,且其隐含层的层数设置为2。
步骤S43:利用所述训练集对构建好的LSTM神经网络模型进行训练,得到电池单体的监测变量的预测模型。在本实施例中,电池单体的监测变量的预测模型的数量为3个,包括电压、温度和SOC的预测模型。
以电压的预测模型为例说明,具体的训练方法为:以第1个时刻的单体电压、温度、SOC、第2个到第L+1个时刻的簇电流合并为一个向量作为输入变量,第2个到第L+1个时刻的单体电压作为输出变量,选取均方根误差作为损失函数,通过梯度下降算法进行训练,最终构建起以第1个时刻单体电压、温度、SOC、第2个到第L+1个时刻的簇电流构成的向量与第2个到第L+1个时刻的电压向量序列关系的LSTM神经网络模型。温度、SOC的预测模型同理。
步骤S44:每隔所述固定输出长度L,预测得到未来的固定输出长度L所对应的时长的监测变量(单体电压、温度和SOC)的预测值。如上文所述,在本实施例中固定输出长度L的值取72,其中固定输出长度L代表的时长为12小时,固定输出长度对应的时刻间隙为10分钟,代表要预测未来12小时的监测变量。
步骤S44具体包括:每隔所述固定输出长度L后,将当前时刻的单体电压、温度、SOC,以及以前一天当前时刻为起始的时长为所述固定输出长度L的簇电流作为输入变量,预测得到未来的固定输出长度L的监测变量的预测值。其中,电池单体的电压的预测值如图5所示。
步骤S5:将所述电池单体的监测变量的预测值与所述步骤S2中的电池单体的监测变量的控制限进行比较,定位故障的电池单体并预警监测变量的超限时刻。由此,完成了未来12小时储能***的电池单体的监测变量的健康监测和预警,实现了电池单体故障预测。
其中,电池单体的至少一个监测变量在某个时刻的预测值大于该监测变量的控制限时,该电池单体发生故障,且所述监测变量在该时刻超限。
整个发明根据BMS***采集到的数据特性不同,采用了处理方法。从监控数据中提取出相同时间间隔的电压、温度、SOC和簇电流,建立起锂离子电池健康监测与故障预警模型,最终实现储能电池的安全管理,具有实际意义。
本发明提供了一种基于核密度估计与LSTM的储能电站***电池单体,以减少间接的储能电站安全运作的问题。根据本发明实施例,提供了一整套复杂环境下储能电站电池单体健康度评估的算法,该算法可以在线实时的对锂离子电池各数据进行长期的预测,以实现提高在线预测精度、提早进行维修的目的,从而保证了储能电站中各个电池单体的正常运行。
如图6所示,基于上文所述的储能电站***电池单体健康预测方法,所实现的储能电站***电池单体健康预测装置包括:
数据预处理单元,其设置为根据告警信息,对电池管理***采集的电池的原始监测数据进行预处理,构建健康数据集;所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列;
控制限估计单元,其设置为针对步骤S1构建的健康数据集,取最近一段固定采集时间的数据,采用核密度估计概率密度函数的方法建立健康度监测模型,从而确定每个电池单体的监测变量的控制限;所述电池单体的监测变量为电压、温度和SOC;
故障预测单元,其设置为根据归一化的原始检测数据,构建基于长短时记忆神经网络模型的电池单体的监测变量的预测模型,得到未来的一固定输出长度所代表的时长的电池单体的监测变量的预测值;以及
电池单体故障定位单元,其设置为将所述电池单体的监测变量的预测值与所述步骤S2中的每个电池单体的监测变量的控制限进行比较,定位故障的电池单体。
以上所述的,仅为本发明的较佳实施例,并非用以限定本发明的范围,本发明的上述实施例还可以做出各种变化。即凡是依据本发明申请的权利要求书及说明书内容所作的简单、等效变化与修饰,皆落入本发明专利的权利要求保护范围。本发明未详尽描述的均为常规技术内容。
Claims (11)
1.一种储能电站***电池单体健康预测方法,其特征在于,包括:
步骤S1:由电池管理***采集告警信息和电池的原始监测数据,根据告警信息来对电池的原始监测数据进行预处理,构建健康数据集;所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列;
步骤S2:针对步骤S1构建的健康数据集,取最近一段固定采集时间的数据,采用核密度估计概率密度函数的方法建立健康度监测模型,从而确定每个电池单体的监测变量的控制限;所述电池单体的监测变量为电压、温度和SOC;
步骤S3:对所述步骤S1中的原始检测数据进行归一化处理;
步骤S4:根据归一化的原始检测数据,构建基于长短时记忆神经网络模型的电池单体的监测变量的预测模型,得到未来的一固定输出长度所代表的时长的电池单体的监测变量的预测值;
步骤S5:将所述电池单体的监测变量的预测值与所述步骤S2中的每个电池单体的监测变量的控制限进行比较,定位故障的电池单体并预警监测变量的超限时刻。
2.根据权利要求1所述的储能电站***电池单体健康预测方法,其特征在于,所述步骤S1包括:
步骤S11:由电池管理***获取告警信息,并以固定的频率采集电池的原始监测数据;
步骤S12:清洗和处理电池的原始监测数据;
步骤S13:根据告警信息中的故障时刻,在监测数据中剔除掉故障时刻所对应的所有数据,从而构建健康数据集。
3.根据权利要求2所述的储能电站***电池单体健康预测方法,其特征在于,在所述步骤S1中,采集电池的原始监测数据的频率为1分钟一次;所述告警信息记录了故障时刻与对应的故障信息,故障时刻是精确到秒的;在步骤S13中,故障时刻所对应的所有数据,是指在最接近于故障时刻的时刻所采集的原始监测数据。
4.根据权利要求1所述的储能电站***电池单体健康预测方法,其特征在于,所述步骤S2包括:
步骤S21:确定概率分布密度的核函数和带宽矩阵,从而建立概率分布密度;
步骤S22:针对步骤S1构建的健康数据集,取所述最近一段固定采集时间的数据,通过所述概率分布密度来更新电池单体的监测变量的当前的控制限。
5.根据权利要求4所述的储能电站***电池单体健康预测方法,其特征在于,所述概率分布密度为:
其中,K(x)表示核函数,x为p维空间的任一变量,Xi是n个p维数据所构成的样本集中的样本数据,H为核函数的带宽矩阵;
所述核函数为高斯核函数;
所述带宽矩阵H为:
H=h2I,
其中,I为单位阵,h为带宽;h的取值采用广义交叉熵法来确定。
6.根据权利要求1所述的储能电站***电池单体健康预测方法,其特征在于,所述固定采集时间为14天。
7.根据权利要求1所述的储能电站***电池单体健康预测方法,其特征在于,在所述步骤S3中,所述原始检测数据为电压、温度、SOC和簇电流的序列;归一化的原始检测数据分别为:
式中,表示归一化的电压的序列,u(k)表示电压的序列,/>为电压的序列中的最小值,/>为电压的序列中的最大值;/>表示归一化的温度的序列,T(k)表示温度的序列,/>为温度的序列中的最小值,/>为温度的序列中的最大值;/>表示归一化的SOC的序列,S(k)表示SOC的序列,/>为SOC的序列中的最小值,/>为SOC的序列中的最大值;/>表示归一化的簇电流的序列,I(k)表示簇电流的序列,/>为簇电流的序列中的最小值,/>为簇电流的序列中的最大值。
8.根据权利要求1所述的储能电站***电池单体健康预测方法,其特征在于,所述步骤S4包括:
步骤S41:将归一化的原始检测数据按比例划分为训练集和测试集,将所述训练集处理成长短时记忆神经网络模型的输入格式;
步骤S42:构建长短时记忆神经网络模型;
步骤S43:利用所述训练集对构建好的长短时记忆神经网络模型进行训练,得到电池单体的监测变量的预测模型;
步骤S44:每隔一固定输出长度L,预测得到未来的固定输出长度L所对应的时长的监测变量的预测值。
9.根据权利要求8所述的储能电站***电池单体健康预测方法,其特征在于,在所述步骤S41中,将所述训练集处理成长短时记忆神经网络模型的输入格式,具体包括:设定电池单体的监测变量的固定输出长度为L;以第1个时刻的单体电压、温度、SOC、第2个到第L+1个时刻的簇电流作为输入变量,第2个到第L+1个时刻的单体电池的监测变量作为输出变量,构成训练集的一个样本对,并按顺序依次递推构建若干个样本对,从而构成符合格式的训练集。
10.根据权利要求9所述的储能电站***电池单体健康预测方法,其特征在于,所述固定输出长度L的值为72,固定输出长度L所代表的时长为12小时,固定输出长度对应的时刻间隙为10分钟;所述训练集和测试集的划分比例为10:4。
11.一种储能电站***电池单体健康预测装置,其特征在于,包括:
数据预处理单元,其设置为根据告警信息,对电池管理***采集的电池的原始监测数据进行预处理,构建健康数据集;所述电池的原始监测数据包括电压、温度、SOC和簇电流的序列;
控制限估计单元,其设置为针对数据预处理单元构建的健康数据集,取最近一段固定采集时间的数据,采用核密度估计概率密度函数的方法建立健康度监测模型,从而确定每个电池单体的监测变量的控制限;所述电池单体的监测变量为电压、温度和SOC;
故障预测单元,其设置为根据归一化的原始检测数据,构建基于长短时记忆神经网络模型的电池单体的监测变量的预测模型,得到未来的一固定输出长度所代表的时长的电池单体的监测变量的预测值;以及
电池单体故障定位单元,其设置为将所述电池单体的监测变量的预测值与所述控制限估计单元中的每个电池单体的监测变量的控制限进行比较,定位故障的电池单体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633744.9A CN112763929B (zh) | 2020-12-31 | 2020-12-31 | 一种储能电站***电池单体健康预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633744.9A CN112763929B (zh) | 2020-12-31 | 2020-12-31 | 一种储能电站***电池单体健康预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112763929A CN112763929A (zh) | 2021-05-07 |
CN112763929B true CN112763929B (zh) | 2024-03-08 |
Family
ID=75697965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011633744.9A Active CN112763929B (zh) | 2020-12-31 | 2020-12-31 | 一种储能电站***电池单体健康预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112763929B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113253128B (zh) * | 2021-05-12 | 2022-04-12 | 合肥国轩高科动力能源有限公司 | 一种电池***soc一致性评估方法和内阻一致性评估方法 |
CN113255764A (zh) * | 2021-05-21 | 2021-08-13 | 池测(上海)数据科技有限公司 | 利用机器学习检测电化学储能***故障的方法、***和装置 |
CN113570231A (zh) * | 2021-07-22 | 2021-10-29 | 浙江幸福航天科技有限公司 | 一种电站健康管理*** |
CN113547919B (zh) * | 2021-08-26 | 2023-03-24 | 武汉海亿新能源科技有限公司 | 一种燃料电池车远程故障监测方法及*** |
CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
CN113848494B (zh) * | 2021-09-18 | 2024-01-26 | 北京经纬恒润科技股份有限公司 | 一种动力电池温度的在线监测方法及车载t-box |
CN113960476B (zh) * | 2021-09-23 | 2023-10-17 | 北京理工大学 | 基于信息物理融合技术的动力电池故障监测方法及*** |
CN114118534A (zh) * | 2021-11-08 | 2022-03-01 | 上海电享信息科技有限公司 | 基于Informer算法的动力电池热失控预警方法及其控制*** |
CN114236393B (zh) * | 2021-11-30 | 2023-07-07 | 上海瑞浦青创新能源有限公司 | 基于大数据的在线检测电池异常的方法及*** |
CN114055251A (zh) * | 2021-12-17 | 2022-02-18 | 沈阳科网通信息技术有限公司 | 一种基于深度分解的电主轴***早期故障检测方法 |
CN115219900B (zh) * | 2022-06-24 | 2024-06-04 | 阿理新能源科技(昆山)有限公司 | 一种锂离子电池***的状态监测方法及装置 |
CN115453399B (zh) * | 2022-08-26 | 2023-07-11 | 广东工业大学 | 一种考虑不一致性的电池组soh估计方法 |
CN115453369B (zh) * | 2022-09-20 | 2023-05-05 | 中国汽车工程研究院股份有限公司 | 一种燃料电池一致性预测及故障诊断的方法 |
CN115963408B (zh) * | 2022-12-19 | 2024-04-16 | 北京双登慧峰聚能科技有限公司 | 储能电站单体电池故障预警***及方法 |
CN116008734B (zh) * | 2023-03-27 | 2023-05-30 | 国网吉林省电力有限公司信息通信公司 | 基于数据处理的电力信息设备故障预测方法 |
CN116644377A (zh) * | 2023-05-16 | 2023-08-25 | 华东理工大学 | 一种基于一维卷积-堆叠自编码器的软测量模型构建方法 |
CN116311854B (zh) * | 2023-05-19 | 2023-08-08 | 苏州时代华景新能源有限公司 | 一种锂电池储能站的运行异常预警方法及*** |
CN117289168B (zh) * | 2023-09-19 | 2024-05-28 | 北京翼新数智科技有限公司 | 基于传感器数据和智能算法的产品质量监测*** |
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*** |
CN117216603B (zh) * | 2023-11-07 | 2024-02-06 | 张家港长寿工业设备制造有限公司 | 一种管式降膜蒸发器故障预测方法及*** |
CN117330963B (zh) * | 2023-11-30 | 2024-04-19 | 国网浙江省电力有限公司宁波供电公司 | 储能电站故障检测方法、***及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109917292A (zh) * | 2019-03-28 | 2019-06-21 | 首都师范大学 | 一种基于daupf的锂离子电池寿命预测方法 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
CN111722139A (zh) * | 2020-06-29 | 2020-09-29 | 重庆邮电大学 | 基于可微连续映射的锂电池健康监测模型自学习方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111736084A (zh) * | 2020-06-29 | 2020-10-02 | 三峡大学 | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 |
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
-
2020
- 2020-12-31 CN CN202011633744.9A patent/CN112763929B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN109917292A (zh) * | 2019-03-28 | 2019-06-21 | 首都师范大学 | 一种基于daupf的锂离子电池寿命预测方法 |
CN111443294A (zh) * | 2020-04-10 | 2020-07-24 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
CN111722139A (zh) * | 2020-06-29 | 2020-09-29 | 重庆邮电大学 | 基于可微连续映射的锂电池健康监测模型自学习方法 |
CN111736084A (zh) * | 2020-06-29 | 2020-10-02 | 三峡大学 | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 |
CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
CN111680848A (zh) * | 2020-07-27 | 2020-09-18 | 中南大学 | 基于预测模型融合的电池寿命预测方法及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于长短期记忆神经网络的健康状态估算;肖仁鑫;宋新月;张梦帆;夏雪磊;肖佳鹏;;农业装备与车辆工程(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112763929A (zh) | 2021-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112763929B (zh) | 一种储能电站***电池单体健康预测方法及装置 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
Song et al. | Remaining life prediction of lithium-ion batteries based on health management: A review | |
CN109034191B (zh) | 基于elm的单维遥测数据异常判读方法 | |
CN109375116B (zh) | 一种基于自编码器的电池***异常电池识别方法 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及*** | |
Mo et al. | Multi-head CNN-LSTM with prediction error analysis for remaining useful life prediction | |
Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
Daneshvar et al. | A locally unsupervised hybrid learning method for removing environmental effects under different measurement periods | |
CN114839538A (zh) | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 | |
CN115993551A (zh) | 融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法 | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN117420442A (zh) | 一种基于mnq-lstm的电池剩余寿命预测方法 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及*** | |
CN116227650B (zh) | 一种基于正交增强型局部保持投影算法的锂电池温度分布预测模型构建方法 | |
CN117805616A (zh) | 一种锂离子储能***异常电芯识别方法 | |
CN113868957B (zh) | 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法 | |
Zhao et al. | Lithium‐Ion Battery State‐of‐Health Estimation Method Using Isobaric Energy Analysis and PSO‐LSTM | |
CN113837226A (zh) | 基于不确定性估计的飞行器遥测参数异常检测方法 | |
Zhu et al. | Prognostics of tool failing behavior based on autoassociative gaussian process regression for semiconductor manufacturing | |
Xu et al. | Prediction of Lithium-ion Battery Remaining Useful Life Based on Long Short Term Memory | |
Jiao et al. | Degradation trend monitoring and remaining useful life prediction of aircraft engines |
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 |