CN114994543A - 储能电站电池故障诊断方法、装置及存储介质 - Google Patents
储能电站电池故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114994543A CN114994543A CN202210917698.8A CN202210917698A CN114994543A CN 114994543 A CN114994543 A CN 114994543A CN 202210917698 A CN202210917698 A CN 202210917698A CN 114994543 A CN114994543 A CN 114994543A
- Authority
- CN
- China
- Prior art keywords
- voltage
- battery
- predicted
- prediction
- energy 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种储能电站电池故障诊断方法、装置及存储介质,其中诊断方法包括:获取储能电站的电池历史数据;将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中,分别得到第一预测电压和第二预测电压;根据第一预测电压和第二预测电压,利用改进自适应boosting方法计算预测正常电压;将预测正常电压与电池实际电压进行比较,实现电池故障诊断。能够实现潜在故障风险评估,及时诊断电池故障,鲁棒性好,预测精度高。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种储能电站电池故障诊断方法、装置及存储介质。
背景技术
为了应对化石油消耗和环境污染的挑战,储能电站正在全球范围内积极开发和广泛采用。电池***是储能电站不可或缺的组成部分,在很大程度上决定了储能电站的工作效率和成本效益。
多个电池单元通常以串联和/或并联配置连接,以满足电压和容量要求。由于电池退化、电气故障或误用,这些组成电池可能会发生故障。如果这些故障未经处理,可能会触发热失控。
因此,准确、及时的电池故障诊断和安全警告的发布对于防止热失控的发生和确保储能电站的安全运行至关重要。然而,现有的储能电站电池故障诊断方法准确性不高,有待进一步提高。
发明内容
为了克服上述现有技术中的不足之处,本发明提供了一种储能电站电池故障诊断方法、装置及存储介质,结合长短时记忆递归神经网络(LSTM)与等效电路模型(ECM),采用基于改进自适应boosting的耦合模块。使用一种真实世界的故障诊断策略,以实现在线故障诊断。
第一方面,提供了一种储能电站电池故障诊断方法,包括:
获取储能电站的电池历史数据;
将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中,分别得到第一预测电压和第二预测电压;
根据第一预测电压和第二预测电压,利用改进自适应boosting方法计算预测正常电压;
将预测正常电压与电池实际电压进行比较,实现电池故障诊断。
基于LSTM的电池电压预测模型的输出矩阵B表示如下:
进一步地,电池ECM模型中,假设电池SOC、温度和老化水平在三个连续的时间步长内保持不变,并通过以下公式对电池电压进行预测:
式中,是时间步长处电池单元的预测电压; 是
的数据矩阵,其中,是时间步长t处电池组的电压,是时间步长t处电池组的电流;是
参数矩阵,其中,其中是电池单元的时间步
长t处的OCV; 、是ECM模型参数。
进一步地,根据第一预测电压和第二预测电压,利用改进自适应boosting方法计算预测正常电压,包括:
通过如下公式计算基于LSTM的电池电压预测模型和电池ECM模型预测电压的电压预测矩阵的回归误差率:
进一步地,所述将预测正常电压与电池实际电压进行比较,实现电池故障诊断,包括:
计算电池实际电压与预测正常电压的差值,根据差值与预设的故障等级电压阈值的比较结果,判断电池电压属于正常、过电压或欠电压状态,若为过电压或欠电压状态,则根据比较结果发出对应等级的警告。
第二方面,提供了一种储能电站电池故障诊断装置,包括:
数据获取模块,用于获取储能电站的电池历史数据;
电压预测模块,用于将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中,分别得到第一预测电压和第二预测电压;
耦合模块,用于根据第一预测电压和第二预测电压,利用改进自适应boosting方法计算预测正常电压;
故障诊断模块,用于将预测正常电压与电池实际电压进行比较,实现电池故障诊断。
第三方面,提供了一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现如上所述的储能电站电池故障诊断方法。
本发明提出了一种储能电站电池故障诊断方法、装置及存储介质,基于LSTM的电池电压预测模型和电池ECM模型在电池电压预测方面都表现良好。与基于LSTM的电池电压预测模型相比,电池ECM模型的预测精度更好,但电池ECM模型不能直接用于区分故障电池和正常电池。相比之下,基于LSTM的电池电压预测模型能够更好地捕捉电压变化趋势,并且适合基于从储能电站收集的数据进行故障诊断。因此,利用自适应boosting方法的将基于LSTM的电池电压预测模型和电池ECM模型预测的电池电压组合起来,以减少预测误差,提高了故障诊断的准确性,能够实现潜在故障风险评估,并据此发出早期热失控警告。本发明的方案鲁棒性好,预测精度高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的储能电站电池故障诊断方案原理图。
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,下面将对本发明的技术方案进行详细的描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
实施例1
如图1所示,本实施例提供了一种储能电站电池故障诊断方法,包括:
S1:获取储能电站的电池历史数据。
使用预处理模块对电池的历史数据进行预处理,预处理过程包括对不同单位的数据进行标准化处理,以便后面的无量纲计算;对于数据空缺利用插值、拟合、模拟等方法进行填补;对数据进行聚类,对异常值进行剔除;利用主成分分析方法进行数据降维,方便加快计算速度。
S2:将处理后的电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中,分别得到第一预测电压和第二预测电压。
具体地,LSTM模型作为一种递归神经网络,其在避免梯度消失和***方面表现出
色。在储能电站实际运行过程中,电压是与时间相关的参数,可以建立基于LSTM的电池电压
预测模型来预测电压随时间的变化。历史数据在预测电池状态方面起着重要作用,因此选
择了LSTM的“多对一”结构,基于LSTM的电池电压预测模型的输入矩阵表示如下:
基于LSTM的电池电压预测模型的输出矩阵B表示如下:
基于LSTM的电池电压预测模型可以离线训练和在线实现,训练时,可以利用从一般储能电站收集的大量数据进行基于LSTM的电池电压预测模型的训练,并分别使用AOM(approaching optimization method,近似优化方法)和皮尔逊相关系数(PCC)优化超参数和选择输入特征,本实施例中,选择的输入特征优选各电池单元电压,电池组总电压和电池组SOC。
戴维南模型(ECM模型)因其高建模精度和低计算复杂度而脱颖而出,并被用于描述电池动力学。可以合理地假设,电池ECM模型中,电池SOC、温度和老化水平在三个连续的时间步长内保持不变,并通过以下公式对电池电压进行预测:
S3:根据第一预测电压和第二预测电压,利用改进自适应boosting方法计算预测正常电压。
自适应boosting(AdaBoost)是一种可以将多个弱分类器组合成一个强分类器的算法。改进的AdaBoost可用于解决回归问题。采用加权求和法将两个模型预测的电压进行组合。
式中,表示模型类别,为LSTM时,对应基于LSTM的电池电压预测模型,为ECM
时,对应电池ECM模型;(t=1,2,…,;c=1,2,…,b)是电池单元在时间步长的预测电
压;为电压预测矩阵中对应的预测总步长,b为电池单元总数;
S4:将预测正常电压与电池实际电压进行比较,实现电池故障诊断。
具体地,为了在实际储能电站运行中实现故障诊断,使用测试电池组数据训练得到基于LSTM的电池电压预测模型,并设置不同的故障级别及其各自的电压阈值,以执行现场故障诊断。计算电池实际电压与预测正常电压的差值,根据差值与预设的故障等级电压阈值的比较结果,判断电池电压属于正常、过电压或欠电压状态,若为过电压或欠电压状态,则根据比较结果发出对应等级的警告。根据警报级别定位潜在故障和热失控电池单元,在储能电站运行期间,对新的数据重复步骤,该预测模型可以根据储能电站运行的输入数据实时补充。
由于传感器和预测错误可能会影响阈值的设置,统计方法计算测试电池组最大预
测误差,该误差被用作一级警告的阈值。值得一提的是,基于适当的阈值设置,所提出的故
障诊断方法也适用于其他电池***。电压异常分为过电压和欠电压,本实施例中,每种情况
又分为三个级别。一级警告是一种相对安全的状态,但有必要及时干预,以避免潜在的故
障。第二级警告意味着相关电池处于危险状态,需要进行仔细检查。当触发第三级警告时,
需要特别重视并联系相关技术人员。第一级和第二级警告用于评估潜在故障风险,而第三
级警告用于热失控事件的早期警报。图1中,故障预测策略对应判断故障类型,风险评估策
略对应判断报警级别,电池故障频率是指寻找电池发生故障时的频率大小,为后续改进提
供参考;根据故障诊断结果,定位故障电池单元。如表1所示,为本实施例提供的两种应用工
况下故障诊断的报警级别和阈值情况。表中,表示某电池单元的实际电压,表示某电
池单元的预测正常电压,“/”表示“或”,其前后的阈值对应两种应用工况。
实施例2
本实施例提供了一种储能电站电池故障诊断装置,包括:
数据获取模块,用于获取储能电站的电池历史数据;
电压预测模块,用于将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中,分别得到第一预测电压和第二预测电压;
耦合模块,用于根据第一预测电压和第二预测电压,利用自适应boosting方法计算预测正常电压;
故障诊断模块,用于将预测正常电压与电池实际电压进行比较,实现电池故障诊断。
应当理解,实施例中的功能单元模块可以集中在一个处理单元中,也可以是各个单元模块单独物理存在,也可以是两个或两个以上的单元模块集成在一个单元模块中,可以采用硬件或软件的形式来实现。
实施例3
本实施例提供了一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现如实施例1所述的储能电站电池故障诊断方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
6.根据权利要求1所述的储能电站电池故障诊断方法,其特征在于,所述将预测正常电压与电池实际电压进行比较,实现电池故障诊断,包括:
计算电池实际电压与预测正常电压的差值,根据差值与预设的故障等级电压阈值的比较结果,判断电池电压属于正常、过电压或欠电压状态,若为过电压或欠电压状态,则根据比较结果发出对应等级的警告。
7.一种储能电站电池故障诊断装置,其特征在于,包括:
数据获取模块,用于获取储能电站的电池历史数据;
电压预测模块,用于将电池历史数据分别输入基于LSTM的电池电压预测模型和电池ECM模型中,分别得到第一预测电压和第二预测电压;
耦合模块,用于根据第一预测电压和第二预测电压,利用改进自适应boosting方法计算预测正常电压;
故障诊断模块,用于将预测正常电压与电池实际电压进行比较,实现电池故障诊断;
基于LSTM的电池电压预测模型的输出矩阵B表示如下:
8.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的储能电站电池故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210917698.8A CN114994543A (zh) | 2022-08-01 | 2022-08-01 | 储能电站电池故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210917698.8A CN114994543A (zh) | 2022-08-01 | 2022-08-01 | 储能电站电池故障诊断方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114994543A true CN114994543A (zh) | 2022-09-02 |
Family
ID=83021627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210917698.8A Pending CN114994543A (zh) | 2022-08-01 | 2022-08-01 | 储能电站电池故障诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114994543A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115825756A (zh) * | 2023-02-16 | 2023-03-21 | 中国华能集团清洁能源技术研究院有限公司 | 分散式储能电站故障多级诊断方法及*** |
CN115877222A (zh) * | 2023-02-14 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 一种储能电站故障检测方法、装置、介质及储能电站 |
CN115963408A (zh) * | 2022-12-19 | 2023-04-14 | 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 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170242077A1 (en) * | 2016-02-19 | 2017-08-24 | Johnson Controls Technology Company | Systems and methods for real-time estimation of capacity of a rechargeable battery |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
WO2020155233A1 (zh) * | 2019-01-28 | 2020-08-06 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
CN111624494A (zh) * | 2020-04-20 | 2020-09-04 | 北京航空航天大学 | 基于电化学参数的电池分析方法和*** |
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 |
US20210088591A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and system for battery-management in devices |
CN113687251A (zh) * | 2021-08-23 | 2021-11-23 | 重庆邮电大学 | 一种基于双模型的锂离子电池组电压异常故障诊断方法 |
CN114036647A (zh) * | 2021-11-30 | 2022-02-11 | 武汉理工大学 | 一种基于实车数据的动力电池安全风险评估方法 |
US20220179009A1 (en) * | 2020-12-03 | 2022-06-09 | Robert Bosch Gmbh | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods |
-
2022
- 2022-08-01 CN CN202210917698.8A patent/CN114994543A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170242077A1 (en) * | 2016-02-19 | 2017-08-24 | Johnson Controls Technology Company | Systems and methods for real-time estimation of capacity of a rechargeable battery |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
WO2020155233A1 (zh) * | 2019-01-28 | 2020-08-06 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
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 |
US20210088591A1 (en) * | 2019-09-19 | 2021-03-25 | Samsung Electronics Co., Ltd. | Method and system for battery-management in devices |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN111624494A (zh) * | 2020-04-20 | 2020-09-04 | 北京航空航天大学 | 基于电化学参数的电池分析方法和*** |
US20220179009A1 (en) * | 2020-12-03 | 2022-06-09 | Robert Bosch Gmbh | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods |
CN113687251A (zh) * | 2021-08-23 | 2021-11-23 | 重庆邮电大学 | 一种基于双模型的锂离子电池组电压异常故障诊断方法 |
CN114036647A (zh) * | 2021-11-30 | 2022-02-11 | 武汉理工大学 | 一种基于实车数据的动力电池安全风险评估方法 |
Non-Patent Citations (3)
Title |
---|
DA LI等: "Battery Fault Diagnosis for Electric Vehicles Based on Voltage Abnormality by Combining the Long Short-Term Memory Neural Network and the Equivalent Circuit Model", 《IEEE TRANSACTIONS ON POWER ELECTRONICS》 * |
周仁等: "基于实车数据和BP-AdaBoost算法的电动汽车动力电池健康状态估计", 《科学技术与工程》 * |
费陈等: "基于XGBoost算法的锂离子电池健康状态估算", 《浙江电力》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115963408A (zh) * | 2022-12-19 | 2023-04-14 | 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 |
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 |
CN115877222A (zh) * | 2023-02-14 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 一种储能电站故障检测方法、装置、介质及储能电站 |
CN115825756A (zh) * | 2023-02-16 | 2023-03-21 | 中国华能集团清洁能源技术研究院有限公司 | 分散式储能电站故障多级诊断方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114994543A (zh) | 储能电站电池故障诊断方法、装置及存储介质 | |
CN107329088B (zh) | 电池的健康状态诊断装置和方法 | |
CN108205114B (zh) | 电池寿命的预测方法及*** | |
US10613153B2 (en) | Method and apparatus for defect pre-warning of power device | |
CN109752646B (zh) | 车载直流接触器评估与预警方法、装置、设备 | |
CN112098915B (zh) | 双母线分段接线下多台电压互感器继发性误差的评估方法 | |
CN102880170A (zh) | 基于基线模型和贝叶斯因子的***故障早期预警方法 | |
CN112363059A (zh) | 基于gm(1,1)灰色模型的电池故障诊断方法及*** | |
CN114464906A (zh) | 动力电池预警方法和装置 | |
CN111796233A (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
Wu et al. | Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity | |
CN112529464A (zh) | 一种电池包的健康度评估方法、装置及相关产品 | |
CN112668415A (zh) | 一种飞机发动机故障预测方法 | |
CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
CN103235206A (zh) | 一种变压器的故障诊断方法 | |
CN116893366A (zh) | 用于运行***以识别设备的电蓄能器的异常的方法和装置 | |
CN115563868A (zh) | 一种航空交流发电机油路***故障诊断方法及装置 | |
CN114879054A (zh) | 一种电池安全监测方法、装置、电子设备及存储介质 | |
CN115792634A (zh) | 一种基于云端在线数据的电池单体电压采样故障识别方法 | |
KR20190131329A (ko) | 학습 데이터 생성 시스템 | |
CN105138755A (zh) | 一种液体火箭发动机试验台故障响应生成器的设计方法 | |
CN109739210B (zh) | 设备部件健康状态的评估方法及装置 | |
WO2022162060A1 (de) | Big-data für fehlererkennung in batteriesystemen | |
CN113312758B (zh) | 风力发电机组的健康状态评估方法和装置 | |
CN109492913A (zh) | 一种配电终端的模块化风险预测方法、装置及可存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 401A19, Entrepreneurship Building, Hunan University Science Park, No. 186 Guyuan Road, Changsha Hi tech Development Zone, Changsha, Hunan 410005 Applicant after: HUNAN HUADA ELECTRICIAN HI-TECH Co.,Ltd. Address before: Room 908, Building 8, Sunshine West Group, California, No. 38, Guyuan Road, Changsha High-tech Development Zone, Changsha, Hunan Province, 410005 Applicant before: HUNAN HUADA ELECTRICIAN HI-TECH Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220902 |