CN112946497A - 基于故障注入深度学习的蓄电池故障诊断方法和装置 - Google Patents
基于故障注入深度学习的蓄电池故障诊断方法和装置 Download PDFInfo
- Publication number
- CN112946497A CN112946497A CN202011410618.7A CN202011410618A CN112946497A CN 112946497 A CN112946497 A CN 112946497A CN 202011410618 A CN202011410618 A CN 202011410618A CN 112946497 A CN112946497 A CN 112946497A
- Authority
- CN
- China
- Prior art keywords
- storage battery
- fault
- deep learning
- battery
- storage
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 86
- 238000002347 injection Methods 0.000 title claims abstract description 86
- 239000007924 injection Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000013135 deep learning Methods 0.000 title claims abstract description 40
- 238000013136 deep learning model Methods 0.000 claims abstract description 60
- 238000007599 discharging Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000001514 detection method Methods 0.000 claims description 34
- 238000002474 experimental method Methods 0.000 claims description 26
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000000087 stabilizing effect Effects 0.000 claims description 4
- 208000032953 Device battery issue Diseases 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于故障注入深度学习的蓄电池故障诊断方法和装置,一种基于故障注入深度学习的蓄电池故障诊断方法,包括:首先将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接,然后使用蓄电池故障诊断装置检测待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数,最后将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成。本发明实施例公开的基于故障注入深度学习的蓄电池故障诊断方法和装置,能够提高配电网蓄电池的诊断效率。
Description
技术领域
本发明实施例电力技术,尤其涉及一种基于故障注入深度学习的蓄电池故障诊断方法和装置。
背景技术
由于蓄电池体积小、重量轻、放电性能高、安全可靠、维护量少,在配电网台区中常配置蓄电池作为后备电源,目前蓄电池普遍应用于配电网台区的通信电源。理论上,蓄电池具有较高的可靠性和较长的使用寿命,然而由于缺乏有效的在线诊断手段,很多蓄电池组在实际使用中远远达不到额定使用寿命,经常会出现供电能力不足的问题。实际上,蓄电池在使用2-3年后,大部分很难通过容量检测,甚至部分单体电池在使用一两年后就出现失效电池。
配点网蓄电池组的电池单体串联后组成,其中任何一个蓄电池异常,均会导致整组蓄电池性能急剧下降。特别是当单体开路时,会导致整个蓄电池组失效,蓄电池不能为继电保护设备提供后备电源,导致故障范围扩大。
针对蓄电池组中单个蓄电池容量不足导致开路问题,目前运维方法是采用充放电进行核容方式检验电池是否满足运维要求。但每次核容需要运维人员在现场长时间连续工作,且需要携带额外的电池组替换待检测电池组后才能进行测试,电池检测效率极低。
发明内容
本发明提供一种基于故障注入深度学习的蓄电池故障诊断方法和装置,能够提高对配点网蓄电池组的检测效率。
第一方面,本发明实施例提供一种基于故障注入深度学习的蓄电池故障诊断方法,包括:
将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接;
使用蓄电池故障诊断装置检测待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数;
将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成,训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。
在第一方面一种可能的实现方式中,将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接之前,方法还包括:
将训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与蓄电池故障诊断装置连接,其中具有不同故障的多个蓄电池与一个正常蓄电池串联连接;
通过蓄电池故障诊断装置对具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验,获取具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数;
根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。
在第一方面一种可能的实现方式中,根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型,包括:
基于SENET改进的ESPCN算法,根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。
在第一方面一种可能的实现方式中,将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,包括:
将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,其中,基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。
第二方面,本发明实施例提供一种基于故障注入深度学习的蓄电池故障诊断装置,包括:多个蓄电池连接端口、参数检测模块和故障诊断模块;
多个蓄电池连接端口分别与待检测蓄电池组中的每个蓄电池连接;
参数检测模块用于对多个蓄电池连接端口连接的每个蓄电池在充放电过程中的电池性能参数进行检测;
故障诊断模块用于将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成,训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。
在第二方面一种可能的实现方式中,基于故障注入深度学习的蓄电池故障诊断装置还包括:充放电控制模块;
充放电控制模块用于在多个蓄电池连接端口分别与训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与连接时,对具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验,其中具有不同故障的多个蓄电池与一个正常蓄电池串联连接;
参数检测模块还用于获取具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数;
故障诊断模块还用于根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。
在第二方面一种可能的实现方式中,故障诊断模块,具体用于基于SENET改进的ESPCN算法,根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。
在第二方面一种可能的实现方式中,故障诊断模块,具体用于将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,其中,基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。
在第二方面一种可能的实现方式中,具有不同故障的多个蓄电池包括电池容量小与预设容量阈值的蓄电池、电池内阻大与预设内阻阈值的蓄电池、电池SCO小于预设SOC的蓄电池;
电池性能参数包括电流、电压、温度和充放电电量。
在第二方面一种可能的实现方式中,参数检测模块,包括稳压电路、开关电源、双电源运算放大器、电流采集电路和信号处理器。
本发明实施例提供的基于故障注入深度学习的蓄电池故障诊断方法和装置,首先将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接,然后使用蓄电池故障诊断装置检测待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数,最后将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成,训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池,由于采用了深度学习的方法对蓄电池组中蓄电池的故障进行检测,减少了对蓄电池进行诊断的工作量,提高了配电网蓄电池的诊断效率,保证了电网的安全。
附图说明
图1为本发明实施例提供的一种基于故障注入深度学习的蓄电池故障诊断方法的流程图;
图2为SE模块的结构示意图;
图3为本发明实施例提供的基于故障注入深度学习的蓄电池故障诊断装置的结构示意图;
图4为参数检测模块中稳压电路的结构示意图;
图5为参数检测模块中开关电源的结构示意图;
图6为参数检测模块中双电源运算放大器的结构示意图;
图7为参数检测模块中电流采集电路的结构示意图;
图8为参数检测模块中信号处理器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明实施例提供的一种基于故障注入深度学习的蓄电池故障诊断方法的流程图,如图1所示,本实施例提供的基于故障注入深度学习的蓄电池故障诊断方法包括:
步骤S101,将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接。
本实施例提供的基于故障注入深度学习的蓄电池故障诊断方法,用于对配电网蓄电池组进行故障诊断。传统的配电网蓄电池组诊断方法需要将待检测蓄电池从配电网中取出然后对待检测蓄电池进行完整的充放电测试,从而确定蓄电池组中是否存在出现故障的蓄电池。但传统的配电网蓄电池组诊断方法效率较低,且需要人工判断故障,对于电网故障的反应不及时,可能扩大电网故障范围,延长故障事件。同时,由于蓄电池短板效应和差异特性等原因,存在蓄电池组电量不够等隐患。
本实施例提供的基于故障注入深度学习的蓄电池故障诊断方法,采用深度学习的方法对蓄电池故障进行诊断,从而提高蓄电池故障诊断的效率。本实施例提供的基于故障注入深度学习的蓄电池故障诊断方法通过蓄电池故障诊断装置对配电网的蓄电池组进行故障诊断。蓄电池故障诊断装置包括多个蓄电池连接端口,将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置的多个蓄电池连接端口连接。由于待检测蓄电池组中包括多个串联连接的蓄电池,将待检测蓄电池组中的多个蓄电池分别与蓄电池故障诊断装置的各蓄电池连接端口连接,可以一次对待检测蓄电池组中的多个蓄电池进行故障检测。
步骤S102,使用蓄电池故障诊断装置检测待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数。
在将待检测蓄电池组中的每个蓄电池与蓄电池故障诊断装置连接后,即可通过蓄电池故障诊断装置对各蓄电池的电池性能参数进行检测。蓄电池故障诊断装置中具有对蓄电池的电池性能参数进行检测所需的一种或多种检测电路。由于蓄电池在出现故障时,一种或多种电池性能参数会发生变化,因此可以通过对一种或多种电池性能参数的检测和分析,确定蓄电池是否存在故障。
蓄电池故障诊断装置可以一直连接待检测蓄电池组中的每个蓄电池,在蓄电池正常工作状态中对蓄电池的电池性能参数进行检测;也可以是蓄电池故障诊断装置在连接待检测蓄电池组中的每个蓄电池后,通过对蓄电池组中的每个蓄电池进行充放电控制,使每个蓄电池进行完整的充电和放电过程后,得到电池性能参数。其中,电池性能参数包括电流、电压、温度和充放电电量中的一种或多种,或者电池性能参数还可以包括其他与电池性能相关的其他参数。
步骤S103,将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成,训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。
在得到待检测蓄电池组中每个蓄电池在充放电过程中的电池性能参数后,即可将各电池性能参数输入基于故障注入的深度学习模型,通过深度学习模型的分类,确定每个蓄电池的分类结果,从而确定待检测蓄电池组中的各蓄电池是否存在故障,以及存在故障的蓄电池的故障类型。其中基于故障注入的深度学习模型是通过对训练蓄电池组进行深度学习后生成的,训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。
也就是蓄电池故障诊断装置中预先存储有基于故障注入的深度学习模型,或者蓄电池故障诊断装置在对待检测蓄电池组进行检测之前,通过对训练蓄电池组的检测学习,生成基于故障注入的深度学习模型。深度学习的方法是通过训练样本数据对分类模型进行训练,从而得出的能够对数据进行分类的方法。训练蓄电池组中包括多个具有不同已知故障的多个蓄电池以及一个正常蓄电池。训练蓄电池组中的各蓄电池型号相同,且与待检测蓄电池组中的各蓄电池相同。训练蓄电池组中各具有不同故障的蓄电池的故障类型,以及具有不同故障的蓄电池和正常蓄电池在充放电过程中的电池性能参数即为对基于故障注入的深度学习模型进行训练的训练数据。
在对基于故障注入的深度学习模型进行训练后,即可在输入待检测蓄电池检测到的各蓄电池的电池性能参数后,得到各蓄电池的分类结果,即各蓄电池是否存在故障以及存在故障的蓄电池的故障类型。
在本实施例中,蓄电池的故障包括电池容量小与预设容量阈值、电池内阻大与预设内阻阈值、电池荷电状态(State of Charge,SCO)小于预设SOC几种情况。或者蓄电池的故障还可以包括其他能够通过电池性能参数体现的故障。
需要说明的是,蓄电池故障诊断装置可以在对待检测蓄电池组进行故障诊断之前,进行基于故障注入的深度学习模型的训练,具体包括:将训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与蓄电池故障诊断装置连接,其中具有不同故障的多个蓄电池与一个正常蓄电池串联连接;通过蓄电池故障诊断装置对具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验,获取具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数;根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。
其中,在获取具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数之后,还可以对获取的多个电池性能参数进行分类整理,并对数据进行归一化处理,将数据转换为深度学习通用数据格式。这样就完成了深度学习模型进行训练之前的准备工作,然后即可进行基于故障注入的深度学习模型的训练。
由于存在故障的蓄电池之间的数据差异区别较小,因此在本实施例中,可以采用基于SENET改进的ESPCN算法对基于故障注入的深度学习模型为例进行训练。基于SENET改进的ESPCN算法以ESPCN算法为网络结构的基础,分别对模型的生成网络、判别网络以及损失函数进行优化改进。
根据SENET算法计算量少,能提升目标检测与语义分割效率等优点,在ESPCN每次卷积计算非线性处理后,SENET结构以模块形式进行***,即SE模块。图2为SE模块的结构示意图,如图2所示,SE模块首先对卷积得到的特征图进行Squeeze操作,得到channel级的全局特征,然后对全局特征进行Excitation操作,学习各个channel间的关系,得到不同channel的权重,最后乘以原来的特征信息图得到最终特征信息。得到信息量最大的channel特征,抑制那些不重要的channel特征。
在基于SENET改进的ESPCN算法对基于故障注入的深度学习模型的基础上,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型的方法包括:将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,其中,基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。基于SENET改进的ESPCN算法训练的基于故障注入的深度学习模型由于有改进的SE模块,因此可以将SE模块嵌入不同的网络中进行结果对比,得到分类结果。另一方面,采用基于SENET改进的ESPCN算法训练的基于故障注入的深度学习模型的性能增益和网络深度优于其他深度学习网络,提高了基于故障注入的深度学习模型的故障诊断准确性和效率。
本实施例提供的基于故障注入深度学习的蓄电池故障诊断方法,首先将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接,然后使用蓄电池故障诊断装置检测待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数,最后将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成,训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池,由于采用了深度学习的方法对蓄电池组中蓄电池的故障进行检测,减少了对蓄电池进行诊断的工作量,提高了配电网蓄电池的诊断效率,保证了电网的安全。
图3为本发明实施例提供的基于故障注入深度学习的蓄电池故障诊断装置的结构示意图,如图3所示,本实施例提供的基于故障注入深度学习的蓄电池故障诊断装置包括:
多个蓄电池连接端口31、参数检测模块32和故障诊断模块33。
多个蓄电池连接端口31分别与待检测蓄电池组34中的每个蓄电池35连接;参数检测模块32用于对多个蓄电池连接端口31连接的每个蓄电池35在充放电过程中的电池性能参数进行检测;故障诊断模块33用于将每个蓄电池35在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池35是否存在故障以及存在故障的蓄电池的故障类型,基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成,训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。
本实施例提供的基于故障注入深度学习的蓄电池故障诊断装置用于实现图1所示基于故障注入深度学习的蓄电池故障诊断方法的技术方案,其实现原理和技术效果类似,此处不再赘述。
进一步地,在图3所示实施例中的基础上,基于故障注入深度学习的蓄电池故障诊断装置还包括:充放电控制模块。充放电控制模块用于在多个蓄电池连接端口31分别与训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与连接时,对具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验,其中具有不同故障的多个蓄电池与一个正常蓄电池串联连接;参数检测模块32还用于获取具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数;故障诊断模块33还用于根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。
进一步地,在图3所示实施例中的基础上,故障诊断模块33,具体用于基于SENET改进的ESPCN算法,根据具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建基于故障注入的深度学习模型。
进一步地,在图3所示实施例中的基础上,故障诊断模块33,具体用于将每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,其中,基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。
进一步地,在图3所示实施例中的基础上,具有不同故障的多个蓄电池包括电池容量小与预设容量阈值的蓄电池、电池内阻大与预设内阻阈值的蓄电池、电池荷电状态SCO小于预设SOC的蓄电池;电池性能参数包括电流、电压、温度和充放电电量。
进一步地,在图3所示实施例中的基础上,参数检测模块33包括稳压电路、开关电源、双电源运算放大器、电流采集电路和信号处理器。
下面以具体的电路结构对本发明实施例提供的基于故障注入深度学习的蓄电池故障诊断装置中的参数检测模块进行说明。图4-图8为本发明实施例提供的基于故障注入深度学习的蓄电池故障诊断装置中的参数检测模块的具体电路结构示意图,图4-图8仅为一种参数检测模块的具体电路结构。其中图4为参数检测模块中稳压电路的结构示意图,图5为参数检测模块中开关电源的结构示意图,图6为参数检测模块中双电源运算放大器的结构示意图,图7为参数检测模块中电流采集电路的结构示意图,图8为参数检测模块中信号处理器的结构示意图。
如图4所示,稳压电路主要由基准部分如参考电压源、采样电路、环路补偿器、功率放大管等基本部分构成,串联式功率放大管是由NPN型三级管VT2、VT3组成的放大管。VT1为驱动管,它采用PNP型晶体管。U1为输入电压,U0为输出电压。R1与R2为采样阻抗,采样电压UQ加到误差放大器的非反向输入端,与施加到反相输入端子的参考电压Uref相比,误差放大器放大两者之间的差值以产生误差电压Ur。它用于调节串联稳压器的电压降,以稳定输出电压。
如图5所示,开关电源由LM5576及***电路组成,实现开关电源功能。
如图6所示,双电源运算放大器中,当正输入端和负输短路时,输出电压低于25μV,参数检测模块不需要进行额外的调零,具有极低的输入偏置电流和极高的开环增益。双电源运算放大器总共有两级运算放大器构成信号调理,第一级是将互感器输出的电流信号转化为电压信号,第二级是将双极性的信号转化为单极性的信号能是A/D正常的转换,为了防止过流或静电损坏监测设备,在第一级运算发达器的输出端放置瞬态抑制二极管,运放的工作电压为正负5V。
如图7所示,电流采集电路中的参考电阻Rref。当取电阻R55=R54,R45=R48时,Va=1.5V+Vb,故恒流源的输出电流为2mA。这种恒流源电路负载可以接地,不会由于没有接负载而短路。并且可以通过改变输入参考基准Vref或调整参考电阻Rref的大小来实现恒流源的改变。由于电阻精度参考电阻R46的两端电压将会受到其驱动负载电压Vb的影响。因此,四个电阻R55,R54,R45和R48的选取原则是失配要尽量的小,且每对电阻的失配大小方向要一致,提高恒流源的稳定性。
如图8所示,信号处理器具有150MHz的高速处理能力,具备32位浮点处理单元,6个直接存储器访问(Direct Memory Access,DMA)通道支持模数转换(Analog-to-DigitalConverter,ADC)、多通道缓冲串行接口(McBSP)和外部存储器接口(External MemoryInterface,EMIF),最多有18路的指脉冲宽度调制(Pulse Width Modulation,PWM)输出,其中有6个是TI独特的高精度的PWM输出(HRPWM),12位16通道ADC。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于故障注入深度学习的蓄电池故障诊断方法,其特征在于,包括:
将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接;
使用蓄电池故障诊断装置检测所述待检测蓄电池组中的每个蓄电池在充放电过程中的电池性能参数;
将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,所述基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成,所述训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。
2.根据权利要求1所述的方法,其特征在于,所述将待检测蓄电池组中的每个蓄电池分别与蓄电池故障诊断装置连接之前,所述方法还包括:
将所述训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与蓄电池故障诊断装置连接,其中所述具有不同故障的多个蓄电池与一个正常蓄电池串联连接;
通过所述蓄电池故障诊断装置对所述具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验,获取所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数;
根据所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建所述基于故障注入的深度学习模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建所述基于故障注入的深度学习模型,包括:
基于SENET改进的ESPCN算法,根据所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建所述基于故障注入的深度学习模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,包括:
将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,其中,所述基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。
5.一种基于故障注入深度学习的蓄电池故障诊断装置,其特征在于,包括:多个蓄电池连接端口、参数检测模块和故障诊断模块;
所述多个蓄电池连接端口分别与待检测蓄电池组中的每个蓄电池连接;
所述参数检测模块用于对所述多个蓄电池连接端口连接的每个蓄电池在充放电过程中的电池性能参数进行检测;
所述故障诊断模块用于将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,所述基于故障注入的深度学习模型通过对训练蓄电池组进行深度学习后生成,所述训练蓄电池组包括具有不同故障的多个蓄电池与一个正常蓄电池。
6.根据权利要求5所述的装置,其特征在于,还包括:充放电控制模块;
所述充放电控制模块用于在所述多个蓄电池连接端口分别与所述训练蓄电池组中具有不同故障的多个蓄电池与一个正常蓄电池分别与连接时,对所述具有不同故障的多个蓄电池与一个正常蓄电池进行充放电实验,其中所述具有不同故障的多个蓄电池与一个正常蓄电池串联连接;
所述参数检测模块还用于获取所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数;
所述故障诊断模块还用于根据所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建所述基于故障注入的深度学习模型。
7.根据权利要求6所述的装置,其特征在于,所述故障诊断模块,具体用于基于SENET改进的ESPCN算法,根据所述具有不同故障的多个蓄电池与一个正常蓄电池在充放电实验过程中的电池性能参数构建所述基于故障注入的深度学习模型。
8.根据权利要求7所述的装置,其特征在于,所述故障诊断模块,具体用于将所述每个蓄电池在充放电过程中的电池性能参数输入基于故障注入的深度学习模型,确定所述每个蓄电池是否存在故障以及存在故障的蓄电池的故障类型,其中,所述基于故障注入的深度学习模型中的SE模块被嵌入不同网络中进行结果对比。
9.根据权利要求6~8任一项所述的装置,其特征在于,所述具有不同故障的多个蓄电池包括电池容量小与预设容量阈值的蓄电池、电池内阻大与预设内阻阈值的蓄电池、电池荷电状态SCO小于预设SOC的蓄电池;
所述电池性能参数包括电流、电压、温度和充放电电量。
10.根据权利要求5~8任一项所述的装置,其特征在于,所述参数检测模块包括稳压电路、开关电源、双电源运算放大器、电流采集电路和信号处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410618.7A CN112946497A (zh) | 2020-12-04 | 2020-12-04 | 基于故障注入深度学习的蓄电池故障诊断方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410618.7A CN112946497A (zh) | 2020-12-04 | 2020-12-04 | 基于故障注入深度学习的蓄电池故障诊断方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112946497A true CN112946497A (zh) | 2021-06-11 |
Family
ID=76234732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410618.7A Pending CN112946497A (zh) | 2020-12-04 | 2020-12-04 | 基于故障注入深度学习的蓄电池故障诊断方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112946497A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608140A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种电池故障诊断方法及*** |
CN113625692A (zh) * | 2021-08-23 | 2021-11-09 | 公安部交通管理科学研究所 | 一种基于故障注入的电动汽车电池安全性检验*** |
CN115902646A (zh) * | 2023-01-06 | 2023-04-04 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949224A (zh) * | 2019-02-26 | 2019-06-28 | 北京悦图遥感科技发展有限公司 | 一种基于深度学习的联级超分辨率重建的方法及装置 |
CN110018425A (zh) * | 2019-04-10 | 2019-07-16 | 北京理工大学 | 一种动力电池故障诊断方法及*** |
CN110190306A (zh) * | 2019-06-04 | 2019-08-30 | 昆山知氢信息科技有限公司 | 一种用于燃料电池***的在线故障诊断方法 |
CN110426637A (zh) * | 2019-07-04 | 2019-11-08 | 佛山科学技术学院 | 一种基于神经网络的电池故障诊断方法及装置 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN111308355A (zh) * | 2020-03-14 | 2020-06-19 | 智洋创新科技股份有限公司 | 基于深度学习的变电站蓄电池状态检测分析方法 |
CN111340141A (zh) * | 2020-04-20 | 2020-06-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于深度学习的作物幼苗与杂草检测方法及*** |
-
2020
- 2020-12-04 CN CN202011410618.7A patent/CN112946497A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949224A (zh) * | 2019-02-26 | 2019-06-28 | 北京悦图遥感科技发展有限公司 | 一种基于深度学习的联级超分辨率重建的方法及装置 |
CN110018425A (zh) * | 2019-04-10 | 2019-07-16 | 北京理工大学 | 一种动力电池故障诊断方法及*** |
CN110190306A (zh) * | 2019-06-04 | 2019-08-30 | 昆山知氢信息科技有限公司 | 一种用于燃料电池***的在线故障诊断方法 |
CN110426637A (zh) * | 2019-07-04 | 2019-11-08 | 佛山科学技术学院 | 一种基于神经网络的电池故障诊断方法及装置 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN111308355A (zh) * | 2020-03-14 | 2020-06-19 | 智洋创新科技股份有限公司 | 基于深度学习的变电站蓄电池状态检测分析方法 |
CN111340141A (zh) * | 2020-04-20 | 2020-06-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种基于深度学习的作物幼苗与杂草检测方法及*** |
Non-Patent Citations (2)
Title |
---|
JIE HU,AT AL.: "Squeeze-and-Excitation Networks", 《2018 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
都磊: "基于深度学习的动力电池故障诊断研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608140A (zh) * | 2021-06-25 | 2021-11-05 | 国网山东省电力公司泗水县供电公司 | 一种电池故障诊断方法及*** |
CN113625692A (zh) * | 2021-08-23 | 2021-11-09 | 公安部交通管理科学研究所 | 一种基于故障注入的电动汽车电池安全性检验*** |
CN115902646A (zh) * | 2023-01-06 | 2023-04-04 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及*** |
CN115902646B (zh) * | 2023-01-06 | 2023-06-13 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112946497A (zh) | 基于故障注入深度学习的蓄电池故障诊断方法和装置 | |
Yang et al. | On-board diagnosis of soft short circuit fault in lithium-ion battery packs for electric vehicles using an extended Kalman filter | |
CN110133536B (zh) | 确定电池组实体内部泄漏电流的指标的***、方法及设备 | |
US20200124682A1 (en) | Systems and modules for testing uninterruptible power supply (ups) systems with multiple ups module | |
CN101680933B (zh) | 诊断由间歇电源供电的单机***中的有缺陷元件的方法 | |
CN105071453A (zh) | 一种电池管理*** | |
CN102608537B (zh) | 一种馈网型大功率电池测试装置 | |
CN105356528A (zh) | 电池管理*** | |
CN103165203B (zh) | 核电站电路板件检测方法 | |
CN109061495A (zh) | 一种混合储能电池组故障诊断方法 | |
JP2003309934A (ja) | 直流バックアップ電源装置とその診断方法 | |
CN105759147A (zh) | 一种电动汽车电池管理***的一体化测试装置 | |
CN110940926A (zh) | 一种电动汽车动力电池阻抗谱在线测试*** | |
US20070252555A1 (en) | Method and apparatus for determining to which battery cell in a string of battery cells a test instrument is connected | |
JPWO2016157721A1 (ja) | 故障検出装置 | |
CN207481815U (zh) | 电动汽车高压上下电*** | |
CN105785169A (zh) | 一种电池***预充电管理检测装置及其检测方法 | |
CN112578301B (zh) | 一种在线检测电池变频交流阻抗装置 | |
Wu et al. | Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity | |
CN219204173U (zh) | 一种可拉路查找直流接地辅助电源装置 | |
CN115575778A (zh) | 直流绝缘监测装置的校验***及其校验方法 | |
CN105676044A (zh) | 一种避雷器及其监测器在线试验方法与*** | |
CN115561663A (zh) | 一种用于评估电源模块可靠性的方法及测试*** | |
CN214201718U (zh) | 一种在线检测电池变频交流阻抗装置 | |
US20210126295A1 (en) | Systems and methods involving measurement of battery cells |
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: 20210611 |
|
RJ01 | Rejection of invention patent application after publication |