CN115902646A - 一种储能电池故障识别方法及*** - Google Patents

Abstract

本发明公开了一种储能电池故障识别方法及***，属于储能电池技术领域，包括：输入储能电池运行数据至储能电池故障预测模型中，对各电池模块中电池单体的电压、温度、内阻的不一致性进行实时预测与故障预警；通过加权平均法计算出各电池模块中电池单体安全阈值的综合指标值；按照预设的序列对各电池模块中电池单体的安全阈值的综合指标值和预设的安全综合阈值进行对比和检测进而得到异常检测结果；对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位。该方法对故障电池的尽早发现尽早定位，延长储能***使用寿命的效果。

Description

一种储能电池故障识别方法及***

技术领域

本发明涉及电化学储能***领域，特别是涉及一种储能电池故障识别方法及***。

背景技术

目前，电池应用在各行各业动力电池***的方方面面，是许多电动设备的核心部件也是目前储能***的核心设备，及时发现电池故障能有效保证电池储能***安全可靠的运行。通常，电池组包含很多单电池。由于制造工艺等原因，单电池存在性能本身差异。当电池组长时间运行出现衰退，或者某一单体电池受到碰撞、挤压或者长时间使用导致的锂枝晶刺穿隔膜等问题时会引发电池短路，电池内部会发生很多副反应，导致单体电池短时间释放热量引发周边单体出现故障问题，从而引发整个电池热失控。在故障发生初期，故障的单体电池电压、温度和电阻会有一个增大过程以及导致整个电池组的电压、温度和电阻一致性发生一定变化。因此提供一种能够精确、快速以及全面对电池故障进行检测与预测的电池多故障检测方法或***，可及时发现电池故障能有效保证储能电池***安全可靠的运行。

中国专利申请CN111812535A，公开了一种基于数据驱动的动力电池故障诊断方法及***，包括:步骤1，在各种工况及动力电池各种状态下采集动力电池的性能参数，包括动力电池的容量、电压、内阻、功率等；步骤2，将采集到的数据进行清洗；步骤3，根据清洗后的数据对动力电池的荷电状态SOC，健康状态SOH进行计算；步骤4，根据实际驾驶经验及汽车安全性制定故障等级；步骤5，将上述步骤2、3、4得出的数据制作成数据集；步骤6，将训练集放入梯度提升回归树模型中，对其进行迭代训练；步骤7，将测试集放入模型中，评估模型的准确度，根据准确度调整模型参数。该方法能够实现动力电池故障准确预测，并对故障进行预警，大大提升电动汽车的安全性。

该方法仅针对的是动力电池的故障，并不适用于储能电站中的储能电池的故障检测的场景。而且次方法仅具有模型模块和检测模块，并不具有储能管理模块以及故障定位模块。

中国专利申请CN111241154A，公开了一种基于大数据的蓄电池故障预警方法及***，所述方法包括：抓取目标平台的海量数据；基于分布式***架构，将海量数据进行处理并存储；根据海量数据进行检索分析得到针对至少一种蓄电池故障类别的数据分析结果；根据数据分析结果建立至少一个蓄电池故障预警目标模型；获取单车的目标数据，并通过至少一个蓄电池故障预警目标模型对目标数据进行预测分析，得到单车的蓄电池故障预测结果；基于蓄电池故障预测结果得到蓄电池预警信息，并将蓄电池预警信息发送至终端。其基于大数据能够在蓄电池故障可能发生之前作出预警，提高安全度。该方法仅针对的是电动汽车蓄电池的故障，并不适用与储能电站中的储能电池的故障检测的场景，并且需要大量历史数据积累。

随着电池储能***规模的增大，安全问题已成为储能发展面临的新的风险挑战。应及时重视储能电池的故障检测与预测，开展电池储能安全问题的研究。而目前缺少针对储能电池的故障检测***与方法，应及时重视储能电池的故障检测与预测，开展储能电池安全问题的研究。现有的基于数据驱动的方式对蓄电池进行故障检测与预警的方法，需要大量的历史数据积累，并且无法***出故障的发生仅能在故障发生的初期进行初步判断。

发明内容

针对现有技术中，本发明提供一种储能电池故障识别方法及***，用以解决无法***出故障的发生仅能在故障发生的初期进行初步判断的问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种储能电池故障识别方法，包括：

输入储能电池运行数据至储能电池故障预测模型中，所述储能电池运行数据包括各电池模块中电池单体的电压、温度、内阻以及模块的总电流，储能电池故障预测模型对电池单体的电压、温度、内阻的不一致性进行实时预测与故障预警；

基于实时预测与故障预警，以电池单体的电压、温度以及内阻三个特征值的设定数据分界点分别作为安全阈值；求出三个安全阈值所占的权重，通过加权平均法计算出电池单体安全阈值的综合指标值；

按照预设的序列对电池单体的安全阈值的综合指标值和预设的安全综合阈值进行对比和检测进而得到异常检测结果；

对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位。

作为本发明的进一步改进，所述输入储能电池运行数据至储能电池故障预测模型之前，还包括：

依据储能电池运行数据，利用清理规则检查数据一致性，处理无效值和缺失值，将脏数据转化为满足数据质量要求的数据；

应用数据统计分析工具对清洗后的储能电池运行数据进行重构，将多源和异构数据的联接与融合。

作为本发明的进一步改进，所述储能电池故障预测模型基于深度学习算法中的卷积神经网络进行搭建；

进行实时预测与故障预警后还包括采用精度指标对模型预测结果准确度进行评价；

所述求出三个安全阈值所占的权重是基于支持向量机算法求出三个安全阈值所占的权重。

作为本发明的进一步改进，所述对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位，包括：

通过预设的综合安全阈值，对所述异常检测结果进行紧急度评估，生成评估分数；

通过所述评估分数，将所述异常检测结果划分为紧急异常故障、中等异常故障和普遍异常故障；

将所述紧急异常故障对应的异常检测结果优先级调度到最高，并优先传输至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

识别紧急异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果传输完毕，传输中等异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

识别紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果传输完毕，传输普遍异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体。

一种储能电池故障识别***，包括：

储能数据管理模块，用于管理储能电池运行数据的接入与存储；

模型模块，用于基于储能电池运行数据建立储能电池故障预测模型；

故障检测模块，用于基于所述储能电池故障预测模型，按照预设的序列对各电池模块中电池单体的预测结果和预设的安全综合阈值进行对比和检测得到异常检测结果；

故障定位模块，对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位。

作为本发明的进一步改进，所述储能数据管理模块，包括：

储能电池参数单元，用于读取储能电池各项参数，包括模块单体电压、温度以及总电流；

储能电池数据存储单元：用于通过对所述储能电池各项参数的储能电池运行数据进行存储与调用；

储能电池数据处理单元：用于将所述储能电池运行数据进行数据清洗与重构。

作为本发明的进一步改进，所述模型模块，包括：

序列单元：用于根据电池单体的串联顺序，获取电池组中的每个电池单体的序号信息形成序列；

安全阈值设置单元：用于结合储能电池运行数据，依据安全阈值综合评估方法对各电池模块中电池单体预设综合安全阈值；

故障检测模型单元：用于基于数据清洗与重构后的储能电池运行数据，结合所述综合安全阈值，建立储能电池故障检测模型。

作为本发明的进一步改进，所述故障检测模块，包括：

通信路径单元，用于通过预设的控制总线，构建储能电池和预设的模型模块之间的通信路径；

检测单元，用于通过所述通信路径将各电池模块中电池单体的储能电池运行数据传输至预先建立的储能电池故障预测模型，按照预设的序列对每个电池组的预测值和预设的综合安全阈值进行对比和检测得到异常检测结果，确定异常检测结果。

作为本发明的进一步改进，所述故障定位模块，包括：

评估单元，用于通过预设的综合安全阈值，对所述异常检测结果进行紧急度评估，生成评估分数；

划分单元，用于通过所述评估分数，将所述异常检测结果划分为紧急异常故障、中等异常故障和普遍异常故障；

紧急异常故障定位单元，用于将所述紧急异常故障对应的异常检测结果优先级调度到最高，并优先传输至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

中等异常故障定位单元：用于识别紧急异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果传输完毕，传输中等异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

普通异常故障电池定位单元：用于识别紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果传输完毕，传输普遍异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体。

作为本发明的进一步改进，还包括：云故障案例库，用于通过故障电池的故障信息，在预设的云端服务器检索并调取对应历史解决方案，并上传至控制终端；所述云故障案例库模块，包括：

故障案例上传单元：用于基于现有的故障电池的故障信息，在本地控制终端对现有故障案例及解决方案进行整理，并上传至预设的云端服务器；

故障案例下载单元：用于通过故障电池的故障信息，在预设的云端服务器检索并调取对应历史故障案例及解决方案，并下载至本地控制终端。

一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述储能电池故障识别方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述储能电池故障识别方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明以及时发现电池故障为目标，同时根据故障的单体电池电压、温度和电阻的突然增大以及导致整个电池组的电压、温度和电阻一致性发生一定变化。该方法在一定程度上保证了可提前发现电池故障并有效保证储能电池***安全可靠的运行。通过使用本发明提出的一种储能电池故障识别方法及***，可以尽早的发现储能电池的故障并进行定位。这种***可以使可以在不破坏电池本体，仅采用不侵入式的数字驱动的方式进行智能分析与故障检测，从而达到对故障电池的尽早发现尽早定位，延长储能***使用寿命的效果。

附图说明

图1为本发明一种储能电池故障识别方法流程图；

图2为本发明提供的一种储能电池故障识别***；

图3为本发明提供的一种电子设备示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

通常，电池组（电池模块）包含很多电池单体，由于制造工艺等原因，电池单体存在性能本身差异。当电池组长时间运行出现衰退，或者某一单体电池受到碰撞、挤压或者长时间使用导致的锂枝晶刺穿隔膜等问题时会引发电池短路，电池内部会发生很多副反应，导致单体电池短时间释放热量引发周边单体出现故障问题，从而引发整个电池热失控。在故障发生初期，故障的电池单体电压、温度和电阻会有一个增大过程，导致整个电池组的电压一致性发生一定变化及电池簇电压差出现异常。因此提供一种能够精确、快速以及全面对电池故障进行检测的电池多故障检测方法或***，是本领域亟待解决的一个技术关键。

本发明实施例提供了一种储能电池故障识别方法包括：

输入储能电池运行数据至储能电池故障预测模型中，储能电池运行数据包括各电池模块中各电池单体的电压、温度、内阻以及模块的总电流，储能电池故障预测模型对各电池模块中电池单体的电压、温度、内阻的不一致性进行实时预测与故障预警；

基于实时预测与故障预警，以各电池模块中各电池单体的电压、温度以及内阻三个特征值的设定数据分界点分别作为安全阈值；求出三个安全阈值所占的权重，通过加权平均法计算出各电池模块中电池单体安全阈值的综合指标值；

按照预设的序列对各电池模块中电池单体的安全阈值的综合指标值和预设的安全综合阈值进行对比和检测得到异常检测结果；

对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位。

作为可选方案，所述输入储能电池运行数据至储能电池故障预测模型之前，还包括：

储能电池运行数据清洗方法：依据储能电池运行数据，利用清理规则检查数据一致性，处理无效值和缺失值，将脏数据转化为满足数据质量要求的数据；

储能电池运行数据重构方法：应用数据统计分析工具对清洗后的储能电池运行数据进行重构，以实现空间数据在结构、格式、类型上的统一，将多源和异构数据的联接与融合。

所述对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位，包括：

通过预设的综合安全阈值，对所述异常检测结果进行紧急度评估，生成评估分数；

通过所述评估分数，将所述异常检测结果划分为紧急异常故障、中等异常故障和普遍异常故障；

将所述紧急异常故障对应的异常检测结果优先级调度到最高，并优先传输至预设的控制终端，并结合预设的电池序列号定位具体模块电池单体与电池单体；

识别紧急异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果传输完毕，传输中等异常故障至预设的控制终端，并结合预设的电池序列号定位具体模块电池单体与电池单体；

识别紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果传输完毕，传输普遍异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体。

本发明具体实施例主要包括：故障预测与检测方法、安全阈值综合评估方法。

其中，故障预测与检测方法：基于深度学习算法中的卷积神经网络（Convolutional Neural Networks，CNN）进行搭建储能电池故障预测模型；合理输入储能电池运行数据包括各电池模块中各电池单体的电压、温度、内阻以及模块的总电流，从而模型可对各电池模块中电池单体的电压、温度、内阻的不一致性进行实时预测与故障预警；采用召回率、正确率、精确率等指标对模型预测结果准确度进行评价。

安全阈值综合评估方法：依据描述性统计方法，分别找到各电池模块中电池单体的电压、温度以及内阻共3个特征值的99%数据分界点分别作为安全阈值；基于机器学***均法计算出各电池模块中电池单体安全阈值的综合指标值。

下面通过实施例，对本发明的技术方案做进一步的详细描述。

作为本技术方案的一种实施例，所述故障预测与检测方法，包括：

储能电池运行数据清洗方法：依据储能电池运行数据，利用数理统计、数据挖掘或预定义的清理规则，检查数据一致性，处理无效值和缺失值，将脏数据转化为满足数据质量要求的数据；

储能电池运行数据重构方法：依据储能电池运行数据，应用python语言中numpy、pandas等数据统计分析工具实现清洗数据的重构，以实现空间数据在结构、格式、类型上的统一，将多源和异构数据的联接与融合，更适应故障检测模型的输入，提高模型训练效率；

深度学习故障预测模型预测方法：应用适用于储能电池数据特点的深度学习算法进行故障预测的模型建立，本方法基于深度学习算法中的卷积神经网络（ConvolutionalNeural Networks，CNN）进行搭建储能电池故障预测模型；模型的输入为储能电池运行数据包括各电池模块中各电池单体的电压、温度以及模块的总电流，模型的输出为对各电池模块中电池单体的电压、温度、内阻的不一致性进行实时预测。

预测精度评价方法：采用召回率、正确率、精确率等精度指标对模型预测结果准确度进行评价。

作为本技术方案的一种实施例，所述安全阈值综合评估方法，包括：

安全阈值确定法：依据描述性统计方法，分别找到各电池模块中电池单体的电压、温度以及内阻共3个特征值的99%数据分界点分别作为电压、温度以及内阻的安全阈值；

综合安全阈值评估方法：基于机器学***均法计算出各电池模块中电池单体安全阈值的综合指标值。

如图2所示，本发明还提供一种储能电池故障识别***，包括储能数据管理模块、模型模块、故障检测模块以及故障定位模块。

储能数据管理模块：用于管理储能电池运行数据的接入与存储；

模型模块：通过获取储能电池的清洗与重构后的储能电池运行数据，建立关于模块电池单体的储能电池故障预测模型；

故障检测模块：用于基于所述储能电池故障预测模型，按照预设的序列对各电池模块中电池单体的预测结果和预设的安全综合阈值进行对比和检测得到异常检测结果；

故障定位模块：对所述异常检测结果进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位；

云故障案例库：用于通过故障电池的故障信息，在预设的云端服务器检索并调取对应历史解决方案，并上传至控制终端。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

作为本技术方案的一种实施例，所述储能数据管理模块，包括：

储能电池参数单元：用于读取储能电池各项参数，如模块单体电压、温度以及模块的总电流等；

储能电池数据存储单元：用于通过对所述储能电池各项参数的储能电池运行数据进行高效存储与调用；

储能电池数据处理单元：用于将所述储能电池各项参数的储能电池运行数据进行数据清洗与重构。

作为本技术方案的一种实施例，所述模型模块，包括：

序列单元：用于根据电池单体的串联顺序，获取电池组中的每个电池单体的序号信息形成序列；

安全阈值设置单元：用于结合储能电池运行数据，依据安全阈值综合评估方法对储能电池各电池模块中电池单体预设综合安全阈值；

故障检测模型单元：用于通过储能电池经过数据清洗与重构后的储能电池运行数据，结合预设的综合安全阈值，建立储能电池故障检测模型。

作为本技术方案的一种实施例，所述故障检测模块，包括：

通信路径单元：用于通过预设的控制总线，构建储能电池和预设的模型模块之间的通信路径；

检测单元：用于通过所述通信路径将各电池模块中电池单体的储能电池运行数据传输至预设的模型模块，按照预设的序列对每个电池组的预测值和预设的综合安全阈值进行对比和检测得到异常检测结果，确定异常检测结果。

作为本技术方案的一种实施例，所述故障定位模块，包括：

评估单元：用于通过预设的综合安全阈值，对所述异常检测结果进行紧急度评估，生成评估分数；

划分单元：用于通过所述评估分数，将所述异常检测结果划分为紧急异常故障、中等异常故障和普遍异常故障；

紧急异常故障定位单元：用于将所述紧急异常故障对应的异常检测结果优先级调度到最高，并优先传输至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

中等异常故障定位单元：用于识别紧急异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果传输完毕，传输中等异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

普通异常故障电池定位单元：用于识别紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果传输完毕，传输普遍异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体。

作为本技术方案的一种实施例，所述云故障案例库模块，包括：

故障案例上传单元：基于现有的故障电池的故障信息，在本地控制终端对该故障案例及解决方案进行整理，并上传至预设的云端服务器；

故障案例下载单元：用于通过故障电池的故障信息，在预设的云端服务器检索并调取对应历史故障案例及解决方案，并下载至本地控制终端。

本发明应用储能电站储能电池运行数据，既填补了用于储能的电池的故障预警的技术空缺，又实现了储能电池实际运行过程中的故障检测与预警的技术突破，可提前一周发现储能电池故障并定位发生故障的具体模块电池单体和电池单体，结合云故障案例库，尽可能的挽回财产损失以及保障储能电站的安全运行，缩短维修、排除故障的时间。

本发明中提供了故障预测与检测方法和安全阈值综合评估方法，并创新性的开创了云故障案例库。

故障预测与检测方法，应用储能电站储能电池运行数据，既填补了用于储能电池的故障预警的技术空缺（现有技术基本是针对动力电池的），又实现了储能电池实际运行过程中的故障检测与预警的技术突破，并可提前一周发现储能电池故障并定位发生故障的具体模块电池单体和电池单体。

安全阈值综合评估方法，提供3个维度的综合评估，并且应用机器学习算法随着储能电池的运行根据后续的储能电池运行数据动态调整3个特征的权重，实现模型动态更新迭代。

云故障案例库，创新性的应用了云技术，可将应用本***的储能站出现的故障案例在云端共享，提高故障检测以及维修的效率、减少时间与金钱的成本。

如图3所示，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述储能电池故障识别方法的步骤。

所述储能电池故障识别方法包括以下步骤：

输入储能电池运行数据至储能电池故障预测模型中，储能电池运行数据包括各电池模块中各电池单体的电压、温度、内阻以及模块的总电流，储能电池故障预测模型对各电池模块中电池单体的电压、温度、内阻的不一致性进行实时预测与故障预警；

基于实时预测与故障预警，以各电池模块中各电池单体的电压、温度以及内阻三个特征值的设定数据分界点分别作为安全阈值；求出三个安全阈值所占的权重，通过加权平均法计算出各电池模块中电池单体安全阈值的综合指标值；

按照预设的序列对各电池模块中电池单体的安全阈值的综合指标值和预设的安全综合阈值进行对比和检测得到异常检测结果；

对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位。

本发明第还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述储能电池故障识别方法的步骤。

所述储能电池故障识别方法包括以下步骤：

输入储能电池运行数据至储能电池故障预测模型中，储能电池运行数据包括各电池模块中电池单体电压、温度、内阻以及模块的总电流，储能电池故障预测模型对各电池模块中电池单体的电压、温度、内阻的不一致性进行实时预测与故障预警；

基于实时预测与故障预警，以各电池模块中电池单体的电压、温度以及内阻三个特征值的设定数据分界点分别作为安全阈值；求出三个安全阈值所占的权重，通过加权平均法计算出各电池模块中电池单体安全阈值的综合指标值；

按照预设的序列对各电池模块中电池单体的安全阈值的综合指标值和预设的安全综合阈值进行对比和检测得到异常检测结果；

对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种储能电池故障识别方法，其特征在于，包括：

输入储能电池运行数据至储能电池故障预测模型中，所述储能电池运行数据包括各电池模块中电池单体的电压、温度、内阻以及模块的总电流，储能电池故障预测模型对电池单体的电压、温度、内阻的不一致性进行实时预测与故障预警；

基于实时预测与故障预警，以电池单体的电压、温度以及内阻三个特征值的设定数据分界点分别作为安全阈值；求出三个安全阈值所占的权重，通过加权平均法计算出电池单体安全阈值的综合指标值；

按照预设的序列对电池单体的安全阈值的综合指标值和预设的安全综合阈值进行对比和检测进而得到异常检测结果；

对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位。

2.根据权利要求1所述的储能电池故障识别方法，其特征在于，所述输入储能电池运行数据至储能电池故障预测模型之前，还包括：

依据储能电池运行数据，利用清理规则检查数据一致性，处理无效值和缺失值，将脏数据转化为满足数据质量要求的数据；

应用数据统计分析工具对清洗后的储能电池运行数据进行重构，将多源和异构数据的联接与融合。

3.根据权利要求1所述的储能电池故障识别方法，其特征在于，所述储能电池故障预测模型基于深度学习算法中的卷积神经网络进行搭建；

进行实时预测与故障预警后还包括采用精度指标对模型预测结果准确度进行评价；

所述求出三个安全阈值所占的权重是基于支持向量机算法求出三个安全阈值所占的权重。

4.根据权利要求1所述的储能电池故障识别方法，其特征在于，所述对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位，包括：

通过预设的综合安全阈值，对所述异常检测结果进行紧急度评估，生成评估分数；

通过所述评估分数，将所述异常检测结果划分为紧急异常故障、中等异常故障和普遍异常故障；

将所述紧急异常故障对应的异常检测结果优先级调度到最高，并优先传输至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

识别紧急异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果传输完毕，传输中等异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

识别紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果传输完毕，传输普遍异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体。

5.一种储能电池故障识别***，其特征在于，包括：

储能数据管理模块，用于管理储能电池运行数据的接入与存储；

模型模块，用于基于储能电池运行数据建立储能电池故障预测模型；

故障检测模块，用于基于所述储能电池故障预测模型，按照预设的序列对各电池模块中电池单体的预测结果和预设的安全综合阈值进行对比和检测得到异常检测结果；

故障定位模块，对预测结果中的异常数据进行紧急度评估，生成评估分数；通过所述评估分数将所述异常检测结果划分不同故障等级，并对出现故障的模块电池单体进行具体电池单体定位。

6.根据权利要求5所述的储能电池故障识别***，其特征在于，

所述储能数据管理模块，包括：

储能电池参数单元，用于读取储能电池各项参数，包括模块单体电压、温度以及总电流；

储能电池数据存储单元：用于通过对所述储能电池各项参数的储能电池运行数据进行存储与调用；

储能电池数据处理单元：用于将所述储能电池运行数据进行数据清洗与重构。

7.根据权利要求5所述的储能电池故障识别***，其特征在于，

所述模型模块，包括：

序列单元：用于根据电池单体的串联顺序，获取电池组中的每个电池单体的序号信息形成序列；

安全阈值设置单元：用于结合储能电池运行数据，依据安全阈值综合评估方法对各电池模块中电池单体预设综合安全阈值；

故障检测模型单元：用于基于数据清洗与重构后的储能电池运行数据，结合所述综合安全阈值，建立储能电池故障检测模型。

8.根据权利要求5所述的储能电池故障识别***，其特征在于，

所述故障检测模块，包括：

通信路径单元，用于通过预设的控制总线，构建储能电池和预设的模型模块之间的通信路径；

检测单元，用于通过所述通信路径将各电池模块中电池单体的储能电池运行数据传输至预先建立的储能电池故障预测模型，按照预设的序列对每个电池组的预测值和预设的综合安全阈值进行对比和检测得到异常检测结果，确定异常检测结果。

9.根据权利要求5所述的储能电池故障识别***，其特征在于，

所述故障定位模块，包括：

评估单元，用于通过预设的综合安全阈值，对所述异常检测结果进行紧急度评估，生成评估分数；

划分单元，用于通过所述评估分数，将所述异常检测结果划分为紧急异常故障、中等异常故障和普遍异常故障；

紧急异常故障定位单元，用于将所述紧急异常故障对应的异常检测结果优先级调度到最高，并优先传输至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

中等异常故障定位单元：用于识别紧急异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果传输完毕，传输中等异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体；

普通异常故障电池定位单元：用于识别紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果是否传输完毕，当所述紧急异常故障对应的异常检测结果和中等异常故障对应的异常检测结果传输完毕，传输普遍异常故障至预设的控制终端，并结合预设的电池序列号定位具体电池模块与电池单体。

10.根据权利要求5所述的储能电池故障识别***，其特征在于，还包括：云故障案例库，用于通过故障电池的故障信息，在预设的云端服务器检索并调取对应历史解决方案，并上传至控制终端；所述云故障案例库模块，包括：

故障案例上传单元：用于基于现有的故障电池的故障信息，在本地控制终端对现有故障案例及解决方案进行整理，并上传至预设的云端服务器；

故障案例下载单元：用于通过故障电池的故障信息，在预设的云端服务器检索并调取对应历史故障案例及解决方案，并下载至本地控制终端。

11.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-4任一项所述储能电池故障识别方法的步骤。

12.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述储能电池故障识别方法的步骤。

Images