CN116400244B - 储能电池的异常检测方法及装置 - Google Patents
储能电池的异常检测方法及装置 Download PDFInfo
- Publication number
- CN116400244B CN116400244B CN202310354705.2A CN202310354705A CN116400244B CN 116400244 B CN116400244 B CN 116400244B CN 202310354705 A CN202310354705 A CN 202310354705A CN 116400244 B CN116400244 B CN 116400244B
- Authority
- CN
- China
- Prior art keywords
- signal
- signals
- battery
- energy storage
- initial voltage
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 76
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 230000005856 abnormality Effects 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 36
- 239000000178 monomer Substances 0.000 claims abstract description 35
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011524 similarity measure Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000000489 vacuum metal deposition 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出一种储能电池的异常检测方法及装置,涉及储能电池技术领域,方法包括:对储能电池中的各个电池单体的初始电压信号进行信号分解,以得到多个模态信号;根据各个模态信号对应时间序列的相似性度量,确定与电池单体运行状态不一致的第一特征信号;基于初始电压信号对应显示平台的移动窗口的大小,对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号;基于预设的信号强度阈值,对第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群;进而确定储能电池中是否存在异常电池单体,由此,基于储能电池对应的信号集群,准确识别出储能电池的各类故障,实现提前预警,提高储能电池实际运行的安全性。
Description
技术领域
本发明涉及储能电池技术领域,尤其涉及一种储能电池的异常检测方法、装置、电子设备及存储介质。
背景技术
近年来,储能电池作为一类典型的涉及复杂电化学反应/传递机理的能量储存装置,储能电池本身存在较高安全隐患,一方面,储能电池在实际运行过程中会发生机、电、热滥用,如过充、过放、过热等,容易引起电池性能的快速衰退,甚至发生内短路而引发安全问题。另一方面,大规模储能领域应用时,储能电池中的大量电池单体组成电池组、电池包乃至电池簇,会存在大量的连接组件,极大地增加了***的复杂程度,将导致发生各类故障的概率增大,并增加了安全隐患。
相关技术中,已有的大部分电池故障检测方法需要在精确的电池建模,计算量较高,异常检测阈值的自适应能力较差,诊断可靠性不高,且不适合实际的电池管理***(Battery Management System,BMS)应用,因此亟需一种轻量级的储能电池的异常检测方法。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种储能电池的异常检测方法,以准确识别出储能电池的各类故障,实现提前预警,提高储能电池实际运行的安全性。
本发明的第二个目的在于提出一种储能电池的异常检测装置。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质。
为达上述目的,本发明第一方面实施例提出了一种储能电池的异常检测方法,其中,所述储能电池包括至少一个电池单体,所述方法包括:
获取各个所述电池单体的初始电压信号,并对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个模态信号;
根据各个所述模态信号对应时间序列的相似性度量,确定多个模态信号中与所述电池单体运行状态不一致的第一特征信号;
基于所述初始电压信号对应显示平台的移动窗口的大小,对所述多个模态信号进行特征信号提取,以得到各个所述电池单体的第二特征信号;
基于预设的信号强度阈值,对所述第一特征信号和第二特征信号进行聚类,以得到多个不同信号强度的信号集群;
根据所述信号集群,确定所述储能电池中是否存在异常电池单体。
为达上述目的,本发明第二方面实施例提出了一种储能电池的异常检测装置,其中,所述储能电池包括至少一个电池单体,所述装置包括:
获取模块,用于获取各个所述电池单体的初始电压信号,并对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个模态信号;
第一确定模块,用于根据各个所述模态信号对应时间序列的相似性度量,确定多个模态信号中与所述电池单体运行状态不一致的第一特征信号;
提取模块,用于基于所述初始电压信号对应显示平台的移动窗口的大小,对所述多个模态信号进行特征信号提取,以得到各个所述电池单体的第二特征信号;
聚类模块,用于基于预设的信号强度阈值,对所述第一特征信号和第二特征信号进行聚类,以得到多个不同信号强度的信号集群;
第二确定模块,用于根据所述信号集群,确定所述储能电池中是否存在异常电池单体。
为达上述目的,本发明第三方面实施例提出了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面所述的方法。
为了实现上述目的,本发明第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使所述计算机执行第一方面所述的方法。
本发明实施例提供的储能电池的异常检测方法、装置、电子设备和存储介质,对储能电池中的各个电池单体的初始电压信号进行信号分解,以得到多个模态信号;根据各个模态信号对应时间序列的相似性度量,确定与电池单体运行状态不一致的第一特征信号;基于初始电压信号对应显示平台的移动窗口的大小,对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号;基于预设的信号强度阈值,对第一特征信号和第二特征信号进行聚类,以得到多个不同信号强度的信号集群;进而确定储能电池中是否存在异常电池单体,由此,基于储能电池对应的信号集群,准确识别出储能电池的各类故障,实现提前预警,提高储能电池实际运行的安全性。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种储能电池的异常检测方法的流程示意图;
图2为本发明实施例所提供的另一种储能电池的异常检测方法的流程示意图;
图3为本发明实施例提供的一种储能电池的异常检测装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
其中,需要说明的是,本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面参考附图描述本发明实施例的储能电池的异常检测方法、装置、电子设备及存储介质。
图1为本发明实施例所提供的一种储能电池的异常检测方法的流程示意图,其中,储能电池包括至少一个电池单体。
如图1所示,该方法包括以下步骤:
步骤101,获取各个电池单体的初始电压信号,并对初始电压信号进行信号分解,以得到各个初始电压信号对应的多个模态信号。
可选地,储能电池可以为一种锂离子电池,但不仅限于此,该实施例对此不做具体限定。
在一些实施例中,获取各个电池单体的初始电压信号,并对初始电压信号进行信号分解,以得到各个初始电压信号对应的多个模态信号的一种实施方式可以为:获取各个电池单体的初始电压信号,对初始电压信号进行信号分解,以得到各个初始电压信号对应的多个固有模态函数,在各个固有模态函数变得单调或满足预设的函数终止标准的情况下,将各个固有模态函数作为模态信号,由此实现各个电池单体的初始电压信号的精确分解。
具体地,在储能电池为锂离子电池电池的情况下,可以通过电压检测装置得到锂离子电池电池中各个电池单体的初始电压信号,进而可以结合经验模式分解(empiricalmode decomposition,EMD)对初始电压信号进行信号分解,以得到各个初始电压信号对应的多个固有模态函数(intrinsic mode function,IMF),如果疑似IMF的频率存在局部最大值,则重复上述步骤;如果疑似IMF变得单调或满足某种终止标准,则将此IMF作为为最终的模态信号。
其中,可以将变分模式分解(Variational mode decomposition,VMD)算法用于固有模态函数(IMF),该函数与不同频带中对应的外部激励或内部状态的响应有关。VMD用于评估k个分量的带宽,并且它们独立地分布在k个中心频率周围,即k个IMF。由于IMF的数量不少于2,因此将不同主频带中的IMF大致分为动态部分和静态部分。作为储能电池参与调峰调频所带来的对输入电流的瞬态响应,较高频带中的动态分量被认为携带了表征特定异常的关键信息。相反,最低频带中的IMF的差异可以被视为电池单元状态不一致的主要表现。
在频域中使用希尔伯特变换,收集的初始电压信号时间序列可转换为约束变分优化问题,如式(1)所示:
其中:uk表示初始电压信号的所有模式;ωk表示其中心频率;f表示原始信号,δ表示狄拉克分布;t表示采样时间序列;*表示卷积算子。在引入二次惩罚项和拉格朗日乘数之后,约束变分优化问题的表达式如式(2)所示:
其中:α表示数据保真度约束的超参数。它可以用乘数的交替方向法来解决。在频谱中,产生的IMF如式(3)所示:
其中:f(ω),ui(ω),λ(ω)和分别表示y(t),yi(t),λ(t)和/>的傅里叶变换。时域分量可以从初始电压信号中获得,作为具有维纳滤波结构的傅里叶逆变换的实部。
步骤102,根据各个模态信号对应时间序列的相似性度量,确定多个模态信号中与电池单体运行状态不一致的第一特征信号。
可以理解的是,在分解初始电压信号,得到对应的多个模态信号IMF之后,初始电压信号可以通过VMD有效地分解以满足不同的分析需求,而电池单体的状态不一致所导致的偏移的影响较小。然后提取和选择IMF的特征,并对状态不一致性进行基于距离的评价。
具体地,在储能电池应用在一种工业电池管理***(BATTERY MANAGEMENTSYSTEM,BMS)的情况下,由于工业BMS硬件的计算能力暂时不足以支持基于模型的电池状态估计方法在线实现,因此可采用时间序列的相似性度量来描述电池不一致性,例如欧几里德距离(Euclidean Distance,ED)、动态时间扭曲(Dynamic Time Warping,DTW)和奇异值分解(Singular Value Decomposition,SVD),该实施例对此不做具体限定。
具体地,欧几里德距离(ED)、动态时间扭曲(DTW)和奇异值分解(SVD)。但SVD在时间序列不是多变量的情况下存在误判的风险,因此它更适用于处理来自多种传感器的数据。由于本发明只使用了初始电压信号,因此采用ED和DTW,假设用M个电池单体的N个离散采样矩观察到的某个电压段表示为式(4):
并且平均电压序列用作距离计算的冗余。为了评估第j个电池单体电压信号(j=1,2,…,M)与平均电压序列之间的差异,计算式(5)中每两个对应点的差异的绝对值之和作为整体ED:
具有最小翘曲路径W的DTW距离计算如式(6)所示:
其中:wk=(a,b)表示使用ED计算的vj中的点a和中的点b之间的距离,其详细规则可表示为(7):
w1=(1,1)wk=(N,N)
wk=(a,b)wk-1=(a′,b′) (7)
其中:0≤a-a'≤1,0≤b-b'≤1
各个模态信号对应时间序列的相似性度量可以根据上传记录中的时间戳、电流和速度划分为充电或放电场景下的段。通过使用VMD算法获得每个片段的分量,从而在特征提取之前评估电池单体的状态不一致性,最低频带中的静态分量可以有效地用于电池状态不一致估计。
此外,除了通过与老化机制相关的曲线特征进行的增量容量分析(ICA)外,DTW距离也可以替代滤波算法,与ED相比,其可分辨性更强。
步骤103,基于初始电压信号对应显示平台的移动窗口的大小,对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号。
在一些实施例中,由于发生内短路或热失控的电池并不一定是一致性最差的电池,因此也需要针对电池单体的动态分量进行诊断,由此,基于初始电压信号对应显示平台的移动窗口的大小,对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号,实现各个电池单体的动态分量诊断。
具体地,可以基于一种图形设备接口(Graphics Device Interface,GDI),对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号,例如,可以确定GDI对应显示平台的移动窗口的大小N,以防止从较长相似电压序列提取信号特征时忽略小故障信号,无量纲指标(Device Interface,DI)是对异常信号敏感而不是对操作条件敏感,因此在工业诊断中被广泛应用。在基于电流信号的电池故障诊断研究中,相关系数和信息熵被称为关键信号特征,但DI公式无法正确表达这两者。由于它们实际上本质上是无量纲的,因此缺少用于特征构造的广义构造公式。因此,为了进行无量纲信号特征的构造,根据式(8)进行广义无量纲指标GDI构造:
其中zi(v),sj(v)表示用于简单处理从单个或多个源收集的输入信号向量v(t)的函数;p(·)表示信号值的概率密度函数;li,mj表示不同的正常数,nz,ns表示GDI的阶数。式(8)中的积分可以通过移动窗口中的离散电压信号来计算。GDI提取的步骤如下:
a)为了增强公式的灵活性,用zi(·),sj(·)处理输入电压矢量分解出的分量,zi(·),sj(·)可为各种简单的函数,如取对数、中心偏差、绝对值、数据标准化等。
b)向li,mj分配各种正的常数,以确保多样性;
c)GDI的顺序可以由顺序常数nz,ns调节,因为无论分配了什么常数和信号,GDI的分子和分母都应该具有相同的维度,将nz,ns分别设置为不同值以保证GDI分子和分母具有相同维度;
本发明中的主要参数值n、l、m分别为正奇数、正奇数和正偶数(例如n=3,l=3,m=2),并且从多样化参数分配导出的GDI可以进一步用于后续的特征融合。
步骤104,基于预设的信号强度阈值,对第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群。
在一些实施例中,基于预设的信号强度阈值,对第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群的一种实施方式可以为,先对第一特征信号和第二特征信号进行时间特征的数据量降维处理,在对降维后的信号进行聚类,由此,加快对第一特征信号和第二特征信号进行聚类处理的效率,并实现信号集群精确分类。
其中,预设的信号强度阈值可以是结合储能电池的应用场景确定,也可以有技术人员进行设定,该实施例对此不做具体限定。
步骤105,根据信号集群,确定储能电池中是否存在异常电池单体。
在一些实施例中,根据信号集群,确定储能电池中是否存在异常电池单体的一种实施方式可以为,基于各个信号集群的集群特征,选取出信号集群中的异常集群,再根据异常集群,确定出异常集群对应的电池单体异常,由此,在存在异常单体的情况下,实现提前预警,提高电池***实际运行的安全性、稳定性和可靠性。
本发明实施例的储能电池的异常检测方法,对储能电池中的各个电池单体的初始电压信号进行信号分解,以得到多个模态信号;根据各个模态信号对应时间序列的相似性度量,确定与电池单体运行状态不一致的第一特征信号;基于初始电压信号对应显示平台的移动窗口的大小,对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号;基于预设的信号强度阈值,对第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群;进而确定储能电池中是否存在异常电池单体,由此,基于储能电池对应的信号集群,准确识别出储能电池的各类故障,实现提前预警,提高储能电池实际运行的安全性。
为了清楚说明上一实施例,图2为本发明实施例所提供的另一种储能电池的异常检测方法的流程示意图。
步骤201,获取各个电池单体的初始电压信号,并对初始电压信号进行信号分解,以得到各个初始电压信号对应的多个模态信号。
步骤202,根据各个模态信号对应时间序列的相似性度量,确定多个模态信号中与电池单体运行状态不一致的第一特征信号。
步骤203,基于初始电压信号对应显示平台的移动窗口的大小,对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号。
其中,需要说明的是,关于步骤201至步骤202的具体实现方式,可参见上述实施例中的相关描述。
步骤204,对第一特征信号和第二特征信号进行时间特征的数据量降维处理,以得到降维后的第一目标特征信号和第二目标特征信号。
在一些实施例中,基于一种图形设备接口(GDI)对多个模态信号进行特征信号提取的情况下,由于使用GDI生成了大量的特征序列,原始特征空间中的许多特征点很可能被识别为异常值。然而,这种情况可以通过在降维特征空间上实现基于密度的聚类来有效缓解,因此,可以以一种流形学习方法对特征降维来综合利用每个特征维度中的关键信息为例。
具体地,假设数据点(第一特征信号和第二特征信号)是从高维欧氏空间中的低维流形均匀采样的,流形学习用于从高维采样数据中恢复低维流形结构。通过在高维空间中寻找具有相应嵌入映射的低维流形,可以实现时间特征的降维。流形学习中,采用拉普拉斯特征映射(LE)实现降维。计算每个局部区域中的点之间的原始相似度,并期望在低维空间中保持。LE方法按如下步骤产生降维特征:
a)用最佳权重确定最近邻点
在融合特征序列F的某一时刻,可以利用由下式(9)计算的加权相似度来建立其元素fi的k个最近邻点:
其中:k表示此时特征的维数,因此相似度矩阵可以公式化为式(10):
在W不是对称矩阵的情况下,W还可以进一步处理为(11):
b)构建目标函数
构造目标函数以保持低维空间中的相似度,如式(12):
设D=diag(d1,d2,...dn),,其中i-1,2,...,n,因此D-W是一个正半定矩阵,目标函数表示为式(13):
因此优化问题变成式(14):
c)解决优化问题设M=D-W,因此M的一个特征值是0,并且对应特征向量的所有值都是1。在特征值分解之后,由从第二个最小值到第(d+1)个最小值的特征值组成的对应特征向量嵌入到d维矩阵Y中作为输出。
步骤205,基于预设的信号强度阈值,对第一目标特征信号和第二目标特征信号进行聚类,以得到多个不同信号强度的信号集群。
在一些实施例中,基于预设的信号强度阈值,对第一目标特征信号和第二目标特征信号进行聚类,以得到多个不同信号强度的信号集群的一种实施方式可以为,可以基于密度的聚类法,结合预设的信号强度阈值,对第一目标特征信号和第二目标特征信号进行聚类,以实现信号集群的精确聚类。
具体地,密度的聚类法的聚类规则可用于通过形成各种簇来收集表征电池单体的类似响应的连贯特征。为获得各种特征的信号集群聚类,以清楚地检测和定位异常,聚类按以下假设分组:
a)正常实例(正常信号强度值)属于信号集群中的一个集群,异常实例(异常信号强度值)不属于任何信号集群;
b)正常实例靠近其最近的信号集群质心,异常实例远离其最近的信号集群质心;
c)正常实例属于大型和密集信号集群,而异常实例则属于小型或稀疏信号集群。
对于满足a)的聚类算法,聚类算法是从预先设置好所有信号强度阈值的特征序列中获得聚类。此外,如果数据中的异常本身形成簇,则一个异常值本身可能成为簇的形心和唯一成员,且满足b)的方法无法检测此类异常。因此,采用c)进行聚类,即如果电池单体初始电压信号对应的第二特征信号属于其大小和/或密度低于信号强度阈值的簇,则认为电池初始电压信号是异常的。因为实际的储能电池故障很可能是由极少数电池单体引起的,没有及时预警或导致灾难性事故,因此采用基于密度的聚类来寻找第二特征信号中的异常信号。利用通过质心距离的最小和优化的基于密度的聚类,在时间特征序列中包含非常少的点(在采样时刻少于2个点)的聚类可能暗示电池单体的潜在异常,这降低了使用多样化特征的判断过程中产生的差异。
综上,可以通过传统的基于信号轻度阈值的方法实现补充校正,以有效消除误判。由于工作条件或测量噪声的某些不可避免的剧烈波动,具有相当离散分布特征的时刻倾向于受到报警阈值的错误警报。然而,通过基于密度的聚类方法来校正在某时刻未正确检测到的电池单体的相应第二特征信号异常。
步骤206,根据信号集群,确定储能电池中是否存在异常电池单体。
本发明实施例的储能电池的异常检测方法,对储能电池中的各个电池单体的初始电压信号进行信号分解,以得到多个模态信号;根据各个模态信号对应时间序列的相似性度量,确定与电池单体运行状态不一致的第一特征信号;基于初始电压信号对应显示平台的移动窗口的大小,对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号;对所述第一异常信号和第二异常信号进行时间特征的数据量降维处理,以得到降维后的第一目标特征信号和第二目标特征信号;基于预设的信号强度阈值,对所述第一目标特征信号和第二目标特征信号进行聚类,以得到多个不同信号强度的信号集群。;进而确定储能电池中是否存在异常电池单体,由此,基于储能电池对应的信号集群,准确效识别出渐变性、突发性等各类故障,实现提前预警,提高电池***实际运行的安全性、稳定性和可靠性。
为了实现上述实施例,本发明还提出一种储能电池的异常检测装置。
图3为本发明实施例提供的一种储能电池的异常检测装置的结构示意图。
如图3所示,该储能电池的异常检测装置30包括:获取模块31,第一确定模块32、提取模块33、聚类模块34以及第二确定模块35。
获取模块31,用于获取各个所述电池单体的初始电压信号,并对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个模态信号;
第一确定模块32,用于根据各个所述模态信号对应时间序列的相似性度量,确定多个模态信号中与所述电池单体运行状态不一致的第一特征信号;
提取模块33,用于基于所述初始电压信号对应显示平台的移动窗口的大小,对所述多个模态信号进行特征信号提取,以得到各个所述电池单体的第二特征信号;
聚类模块34,用于基于预设的信号强度阈值,对所述第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群;
第二确定模块35,用于根据所述信号集群,确定所述储能电池中是否存在异常电池单体。
进一步地,在本发明实施例的一种可能的实现方式中,所述获取模块31,具体用于:
获取各个所述电池单体的初始电压信号,对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个固有模态函数;
在各个所述固有模态函数变得单调或满足预设的函数终止标准的情况下,将各个所述固有模态函数作为模态信号。
进一步地,在本发明实施例的一种可能的实现方式中,所述聚类模块34,具体用于:
对所述第一特征信号和第二特征信号进行时间特征的数据量降维处理,以得到降维后的第一目标特征信号和第二目标特征信号;
基于预设的信号强度阈值,对所述第一目标特征信号和第二目标特征信号进行聚类,以得到多个不同信号强度的信号集群。
进一步地,在本发明实施例的一种可能的实现方式中,所述第二确定模块35,具体用于:
基于各个信号集群的集群特征,选取出所述信号集群中的异常集群;
根据所述异常集群,确定出所述异常集群对应的电池单体异常。
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
本发明实施例的储能电池的异常检测装置,对储能电池中的各个电池单体的初始电压信号进行信号分解,以得到多个模态信号;根据各个模态信号对应时间序列的相似性度量,确定与电池单体运行状态不一致的第一特征信号;基于初始电压信号对应显示平台的移动窗口的大小,对多个模态信号进行特征信号提取,以得到各个电池单体的第二特征信号;基于预设的信号强度阈值,对第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群;进而确定储能电池中是否存在异常电池单体,由此,基于储能电池对应的信号集群,准确识别出储能电池的各类故障,实现提前预警,提高储能电池实际运行的安全性。
为了实现上述实施例,本发明还提出一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述的方法。
为了实现上述实施例,本发明还提出一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使所述计算机执行前述的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
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定制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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形似实现,也可以采用软件功能模块的形似实现。所述集成的模块如果以软件功能模块的形似实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。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 (10)
1.一种储能电池的异常检测方法,其特征在于,其中,所述储能电池包括至少一个电池单体,所述方法包括:
获取各个所述电池单体的初始电压信号,并对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个模态信号;
根据各个所述模态信号对应时间序列的相似性度量,确定多个模态信号中与所述电池单体运行状态不一致的第一特征信号;
基于所述初始电压信号对应显示平台的移动窗口的大小,对所述多个模态信号进行特征信号提取,以得到各个所述电池单体的第二特征信号;
基于预设的信号强度阈值,对所述第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群;
根据所述信号集群,确定所述储能电池中是否存在异常电池单体。
2.根据权利要求1所述的方法,其特征在于,所述获取各个所述电池单体的初始电压信号,并对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个模态信号,包括:
获取各个所述电池单体的初始电压信号,对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个固有模态函数;
在各个所述固有模态函数变得单调或满足预设的函数终止标准的情况下,将各个所述固有模态函数作为模态信号。
3.根据权利要求1所述的方法,其特征在于,所述基于预设的信号强度阈值,对所述第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群,包括:
对所述第一特征信号和第二特征信号进行时间特征的数据量降维处理,以得到降维后的第一目标特征信号和第二目标特征信号;
基于预设的信号强度阈值,对所述第一目标特征信号和第二目标特征信号进行聚类,以得到多个不同信号强度的信号集群。
4.根据权利要求1所述的方法,其特征在于,所述根据所述信号集群,确定所述储能电池中是否存在异常电池单体,包括:
基于各个信号集群的集群特征,选取出所述信号集群中的异常集群;
根据所述异常集群,确定出所述异常集群对应的电池单体异常。
5.一种储能电池的异常检测装置,其特征在于,其中,所述储能电池包括至少一个电池单体,所述装置包括:
获取模块,用于获取各个所述电池单体的初始电压信号,并对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个模态信号;
第一确定模块,用于根据各个所述模态信号对应时间序列的相似性度量,确定多个模态信号中与所述电池单体运行状态不一致的第一特征信号;
提取模块,用于基于所述初始电压信号对应显示平台的移动窗口的大小,对所述多个模态信号进行特征信号提取,以得到各个所述电池单体的第二特征信号;
聚类模块,用于基于预设的信号强度阈值,对所述第一特征信号和第二特征信号进行聚类处理,以得到多个不同信号强度的信号集群;
第二确定模块,用于根据所述信号集群,确定所述储能电池中是否存在异常电池单体。
6.根据权利要求5所述的装置,其特征在于,所述获取模块,具体用于:
获取各个所述电池单体的初始电压信号,对所述初始电压信号进行信号分解,以得到各个所述初始电压信号对应的多个固有模态函数;
在各个所述固有模态函数变得单调或满足预设的函数终止标准的情况下,将各个所述固有模态函数作为模态信号。
7.根据权利要求5所述的装置,其特征在于,所述聚类模块,具体用于:
对所述第一特征信号和第二特征信号进行时间特征的数据量降维处理,以得到降维后的第一目标特征信号和第二目标特征信号;
基于预设的信号强度阈值,对所述第一目标特征信号和第二目标特征信号进行聚类,以得到多个不同信号强度的信号集群。
8.根据权利要求5所述的装置,其特征在于,所述第二确定模块,具体用于:
基于各个信号集群的集群特征,选取出所述信号集群中的异常集群;
根据所述异常集群,确定出所述异常集群对应的电池单体异常。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310354705.2A CN116400244B (zh) | 2023-04-04 | 2023-04-04 | 储能电池的异常检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310354705.2A CN116400244B (zh) | 2023-04-04 | 2023-04-04 | 储能电池的异常检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400244A CN116400244A (zh) | 2023-07-07 |
CN116400244B true CN116400244B (zh) | 2023-11-21 |
Family
ID=87008609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310354705.2A Active CN116400244B (zh) | 2023-04-04 | 2023-04-04 | 储能电池的异常检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400244B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116819378B (zh) * | 2023-08-29 | 2023-12-26 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池异常检测方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN105510687A (zh) * | 2015-12-24 | 2016-04-20 | 合肥工业大学 | 一种基于经验模态分解的电压异常特征识别方法 |
CN109167391A (zh) * | 2018-10-11 | 2019-01-08 | 珠海吉瓦科技有限公司 | 一种基于集合经验模态分解的梯次电池储能电站能量管理方法及*** |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、***及介质 |
WO2019161592A1 (zh) * | 2018-02-26 | 2019-08-29 | 大连理工大学 | 一种利用聚类自动提取结构模态参数的方法 |
CN113075554A (zh) * | 2021-03-26 | 2021-07-06 | 国网浙江省电力有限公司电力科学研究院 | 一种基于运行数据的锂离子电池组不一致性辨识方法 |
JP2021154115A (ja) * | 2020-02-16 | 2021-10-07 | オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. | 無線監視のための方法、装置、およびシステム |
CN113866641A (zh) * | 2021-09-06 | 2021-12-31 | 中国电力科学研究院有限公司 | 一种锂离子电池的故障检测方法及装置 |
CN114559819A (zh) * | 2022-01-25 | 2022-05-31 | 重庆标能瑞源储能技术研究院有限公司 | 一种基于信号处理的电动汽车电池安全预警方法 |
CN114660040A (zh) * | 2022-03-10 | 2022-06-24 | 中国科学院青岛生物能源与过程研究所 | 微生物单细胞种类鉴定方法、装置、介质及设备 |
WO2022198616A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳技术大学 | 一种电池寿命预测方法、***、电子装置及存储介质 |
CN115693734A (zh) * | 2022-09-14 | 2023-02-03 | 国网河北省电力有限公司电力科学研究院 | 混合储能功率分配方法、装置、设备及存储介质 |
CN115859584A (zh) * | 2022-11-22 | 2023-03-28 | 中国科学院深圳先进技术研究院 | 一种电池寿命预测方法、预测***及计算机设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160179923A1 (en) * | 2014-12-19 | 2016-06-23 | Xerox Corporation | Adaptive trajectory analysis of replicator dynamics for data clustering |
US11663700B2 (en) * | 2019-06-29 | 2023-05-30 | Intel Corporation | Automatic elimination of noise for big data analytics |
CN115166533A (zh) * | 2022-07-26 | 2022-10-11 | 湖北工业大学 | 基于分段降维和离群值识别的锂离子电池故障诊断方法 |
-
2023
- 2023-04-04 CN CN202310354705.2A patent/CN116400244B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015059272A1 (en) * | 2013-10-24 | 2015-04-30 | Universite Libre De Bruxelles | Improved non-intrusive appliance load monitoring method and device |
CN105510687A (zh) * | 2015-12-24 | 2016-04-20 | 合肥工业大学 | 一种基于经验模态分解的电压异常特征识别方法 |
WO2019161592A1 (zh) * | 2018-02-26 | 2019-08-29 | 大连理工大学 | 一种利用聚类自动提取结构模态参数的方法 |
CN109167391A (zh) * | 2018-10-11 | 2019-01-08 | 珠海吉瓦科技有限公司 | 一种基于集合经验模态分解的梯次电池储能电站能量管理方法及*** |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、***及介质 |
JP2021154115A (ja) * | 2020-02-16 | 2021-10-07 | オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. | 無線監視のための方法、装置、およびシステム |
CN113075554A (zh) * | 2021-03-26 | 2021-07-06 | 国网浙江省电力有限公司电力科学研究院 | 一种基于运行数据的锂离子电池组不一致性辨识方法 |
WO2022198616A1 (zh) * | 2021-03-26 | 2022-09-29 | 深圳技术大学 | 一种电池寿命预测方法、***、电子装置及存储介质 |
CN113866641A (zh) * | 2021-09-06 | 2021-12-31 | 中国电力科学研究院有限公司 | 一种锂离子电池的故障检测方法及装置 |
CN114559819A (zh) * | 2022-01-25 | 2022-05-31 | 重庆标能瑞源储能技术研究院有限公司 | 一种基于信号处理的电动汽车电池安全预警方法 |
CN114660040A (zh) * | 2022-03-10 | 2022-06-24 | 中国科学院青岛生物能源与过程研究所 | 微生物单细胞种类鉴定方法、装置、介质及设备 |
CN115693734A (zh) * | 2022-09-14 | 2023-02-03 | 国网河北省电力有限公司电力科学研究院 | 混合储能功率分配方法、装置、设备及存储介质 |
CN115859584A (zh) * | 2022-11-22 | 2023-03-28 | 中国科学院深圳先进技术研究院 | 一种电池寿命预测方法、预测***及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116400244A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A machine learning-based framework for online prediction of battery ageing trajectory and lifetime using histogram data | |
Patil et al. | A novel multistage Support Vector Machine based approach for Li ion battery remaining useful life estimation | |
Oji et al. | Data-driven methods for battery soh estimation: Survey and a critical analysis | |
CN112906744B (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
Jiang et al. | A hybrid signal-based fault diagnosis method for lithium-ion batteries in electric vehicles | |
Niu et al. | Lebesgue sampling based deep belief network for lithium-ion battery diagnosis and prognosis | |
CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
CN116643178B (zh) | 一种电池管理***的soc估算方法及相关装置 | |
CN113379252A (zh) | 基于多尺度排列熵值的贝叶斯网络高压开关柜健康***评估方法 | |
CN113203954A (zh) | 一种基于时频图像处理的电池故障诊断方法 | |
CN113111591A (zh) | 基于模块化配电终端内部故障自动诊断方法、装置及设备 | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Zhang et al. | SOH estimation and RUL prediction of lithium batteries based on multidomain feature fusion and CatBoost model | |
Wang et al. | An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
Wang et al. | Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN116643190A (zh) | 一种锂电池健康状态实时监测方法及*** | |
CN113581015B (zh) | 燃料电池***的安全预警方法及装置 | |
CN115859148A (zh) | 风机叶片振动报警方法及装置 | |
CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
CN116819378B (zh) | 储能电池异常检测方法及装置 | |
Chen et al. | A multimode anomaly detection method based on oc-elm for aircraft engine system |
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 |