CN117169761A - 电池状态评估方法、装置、设备、存储介质和程序产品 - Google Patents
电池状态评估方法、装置、设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN117169761A CN117169761A CN202311218920.6A CN202311218920A CN117169761A CN 117169761 A CN117169761 A CN 117169761A CN 202311218920 A CN202311218920 A CN 202311218920A CN 117169761 A CN117169761 A CN 117169761A
- Authority
- CN
- China
- Prior art keywords
- battery
- time
- real
- parameter
- parameters
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 37
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 95
- 238000004458 analytical method Methods 0.000 claims abstract description 61
- 230000036541 health Effects 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 39
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 25
- 238000003745 diagnosis Methods 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 26
- 238000009826 distribution Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及一种电池状态评估方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:根据电池的工作状态采集电池在预设采样周期内各时间段的各实时电参数;对各实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常;根据各实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命。采用本方法能够提升电池状态评估的准确性和实用性。
Description
技术领域
本申请涉及电池状态评估技术领域,特别是涉及一种电池状态评估方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
智能配电房是指将电力***中的各个配电设备、监测设备、通信设备等进行智能化集成和管理的一种电力设施。通过集成先进的自动化、监控和通信技术,能够提高电力***的效率、可靠性和安全性,实现对电力分配和监控的精细化管理。蓄电池是智能配电房的重要组成部分之一,蓄电池能够储存电能并在合适的时间释放,从而减轻电网负荷,优化能源使用效率,或者在电力***出现故障或停电时提供紧急备用电源,保障关键设备的运行,以防止生产中断或数据丢失。
现有技术中,通常使用传感器收集电池的状态参数和工作环境参数并对其进行工作状态评估以及故障和寿命预测,通常依赖经验设置阈值进行故障的判别,但电池的故障和寿命通常和电流、温度以及充放电循环等多方面因素相关,传统方法难以对复杂的数据进行有效分析,准确性不高,实用性不强。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性和实用性的电池状态评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电池状态评估方法,所述方法包括:
根据电池的工作状态采集电池在预设采样周期内各时间段的各实时电参数;
对各实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常;
根据各实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命。
在其中一个实施例中,对各实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常,包括:
根据各实时电参数生成特征向量;
计算各特征向量与电池正常运行时的特征向量之间的偏差值;
比较偏差值和预设偏差阈值,在偏差值大于预设偏差阈值的情况下,确定电池出现异常。
在其中一个实施例中,所述方法还包括:
获取电池与预设采样周期内各时间段相对应的各历史时间段的历史电参数,根据历史电参数确定电池的各电参数阈值;
分别比较各实时电参数和对应的各电参数阈值;
当实时电参数超出对应的电参数阈值时,确定电池存在异常。
在其中一个实施例中,所述方法还包括:
通过电池数据预测模型生成电池各个时段的预测电参数;
对预测电参数和相对应的时间段的实时电参数进行回归分析,得到预测电参数和实时电参数的残差;
比较残差和预设残差阈值,当残差超出预设残差阈值时,确定电池存在异常。
在其中一个实施例中,所述方法还包括:
获取电池的额定容量、第一时刻的剩余电量和第一时刻的电流;
根据电池在第一时刻和第二时刻之间的放电量和电池的额定容量确定电池在第一时刻与第二时刻之间的放电量;其中,第一时刻位于第二时刻之后,放电量为第一时刻的电流与第一时刻与第二时刻的时间差的乘积;
计算第二时刻的剩余电量和放电量的第一差值,以第一差值作为电池在第一时刻的理论剩余电量。
在其中一个实施例中,根据实时电参数计算电池的健康度参数,包括:
获取电池在所述第一时刻的实际剩余电量;
计算实际剩余电量与理论剩余电量的平方差,根据平方差的值和第一时刻与第二时刻的时间差确定健康度参数;
根据健康度参数与电池的寿命的对应关系确定电池的剩余使用寿命。
第二方面,本申请还提供了一种电池状态评估装置,所述装置包括:
采集模块,用于根据电池的工作状态采集电池在预设采样周期内各时间段的实时电参数;
故障诊断模块,用于对实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常;
寿命诊断模块,用于根据实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命。
第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据电池的工作状态采集电池在预设采样周期内各时间段的各实时电参数;
对各实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常;
根据各实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据电池的工作状态采集电池在预设采样周期内各时间段的各实时电参数;
对各实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常;
根据各实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
根据电池的工作状态采集电池在预设采样周期内各时间段的各实时电参数;
对各实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常;
根据各实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命。
上述电池状态评估方法、装置、计算机设备、存储介质和计算机程序产品,根据电池的工作状态采集电池在预设采样周期内各时间段的实时电参数,可以获取电池在不同工作状态下的实施电参数,为状态评估提供可靠的数据源;对实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常,可以将多个电参数组合成向量,更全面地描述电池的状态,有助于判断不同电参数之间的关联,从而能够更准确地判断电池的工作状态是否正常,根据实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命,可以将电池的健康状态量化表达,从而直观地体现电池的健康状态,有助于提升电池状态评估的准确性和实用性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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为一个实施例中电池状态评估方法的应用环境图;
图2为一个实施例中电池状态评估方法的流程示意图;
图3为一个实施例中电池状态评估方法的流程示意图;
图4为一个实施例中电池状态评估装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的电池状态评估方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。其中,终端102可以但不限于是电力***中的种数据采集终端,例如各类传感器、负荷监测设备、智能电表、变压器监测设备、线路监测设备以及SCADA***(Supervisory Control AndData Acquisition,数据采集与监控***)等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现,服务器104可以是电力***的控制服务器。
在一个示例性的实施例中,如图2所示,提供了一种电池状态评估方法,以该方法应用于图1中的应用环境为例进行说明,包括以下步骤202至步骤206。
其中:
步骤202,根据电池的工作状态采集电池在预设采样周期内各时间段的实时电参数。
其中,电池可以是一次电池、二次电池(也称可充电电池或蓄电池)、燃料电池或贮备电池。电池的工作状态可以包括充电状态、放电状态、充满状态和自放电状态等。预设采样周期可以是根据电池的实际工作情况所设置的时间周期。预设采样周期内各时间段可以包括充电时间段和放电时间段,其中充电时间段可以包括浮充充电时间段、循环充电时间段、涓流充电时间段;放电时间段可以包括连续放电时间段和终止放电时间段。电参数可以是瞬时电参数,也可以是一个时间段内的多个瞬时电参数的平均值,包括电池的电压、电阻、电流、温度、剩余容量和剩余寿命;其中电压还可以包括充电电压和放电电压等,电流可以包括充电电流和放电电流等。
示例性地,根据电池的工作状态采集电池在预设采样周期内各时间段的实时电参数,可以是在每个采样周期内,按固定时间段采集所有的电参数,也可以是按电池的工作状态,采集不同工作状态下与工作状态相关性较大的电参数。对于可以直接测量的电流、电压和温度,可以使用电流传感器、电压传感器和温度传感器采集实时值,存储时可采用时间戳等方式标记每个时间段的开始和结束,获取实时数据后,可以根据需要计算电池的剩余容量和剩余寿命等参数。
步骤204,对实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常。
其中,向量分析是指将待分析的数据转化为向量形式,并从向量形式的数据中提取特征或者其它有用信息的过程,向量分析可以使数据的数学一致性更强,且能够表示数据的重要特征,使数据的分析处理过程更加高效。向量分析结果是指对向量进行向量分析后所获得的结果。该结果可以是特征向量、相似性矩阵、概率分布、分类结果、时间序列模型、异常数据点或异常分数等表达形式。
示例性地,对实时电参数进行向量分析,可以是生成实时电参数时间序列,计算时间序列中数据点之间的相似性或距离,根据相似性或距离判断电池是否出现异常,还可以根据历史电参数生成时间序列,与实时电参数的时间序列共同进行向量分析,以获取实时数据和历史数据之间的差异,根据该差异判断电池是否存在异常。
步骤206,根据实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命。
其中,电池的健康度参数是指能够体现电池的寿命、容量、充放电能力或安全性等方面的状况的参数。电池健康度参数可以根据不同的电池类型和应用环境而异,可以是电池的容量、内阻、开路电压、循环寿命或充电效率等。
示例性地,根据实时电参数计算电池的健康度参数,可以是通过电池在充放电循环中的充电量、放电量以及测量电池的开路电压估算电池的剩余容量,也可以是通过电池充电和放电过程中的电压降和电流来估算电池的内阻;还可以通过机器学习等方式提取电参数中包含的特征并建立模型来估算电池的健康度参数。在电池的状态评估过程中,还可以将健康度参数结合应用,根据多个不同的健康度参数对电池的状态进行更全面的评估。
上述电池状态评估方法中,根据电池的工作状态采集电池在预设采样周期内各时间段的实时电参数,可以获取电池在不同工作状态下的实施电参数,为状态评估提供可靠的数据源;对实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和实时电参数判断电池是否存在异常,可以将多个电参数组合成向量,更全面地描述电池的状态,有助于判断不同电参数之间的关联,从而能够更准确地判断电池的工作状态是否正常,根据实时电参数计算电池的健康度参数,根据健康度参数确定电池的剩余寿命,可以将电池的健康状态量化表达,从而直观地体现电池的健康状态,有助于提升电池状态评估的准确性和实用性。
在一个示例性的实施例中,对各实时电参数进行向量分析,得到向量分析结果,根据向量分析结果和各实时电参数判断电池是否存在异常,包括:根据各实时电参数生成特征向量;计算各特征向量与电池正常运行时的特征向量之间的偏差值;比较偏差值和预设偏差阈值,在偏差值大于预设偏差阈值的情况下,确定电池出现异常。
其中,向量分析是指将多个参数或变量组合成一个向量,并对该向量进行分析,以描述多变量***的行为或获得关于多个参数或变量之间的关系的过程。电池的异常是指可能会影响电池的性能、安全性或寿命的情况,例如漏液、变形、短路、盐化等。向量分析结果是指对数据或参数进行分析后得到的信息或输出,根据分析的数据的不同,可以有多种表达形式,例如标量值、概率分布、向量、特征值、特征向量或异常向量等。电池正常运行时的特征向量可以由电池正常运行时的历史数据构成,该特征向量可以用于描述电池正常运行时的各电参数。特征向量之间的偏差值可以通过计算特征向量之间的欧氏距离、曼哈顿距离、相关系数或差值向量等方式来获得。预设偏差阈值可以根据经验确定,当实时电参数组成的特征向量与电池正常运行时的特征向量偏差过大时,代表值电池可能存在异常情况。
示例性地,根据各实时电参数生成特征向量;可以是以实时电压、电流、温度等参数作为原始数据,对原始数据进行特征提取,即进行数学运算或转换,以获得有意义的特征。该特征可以是实时采集的数值;也可以是根据实时数值获得的统计数据,例如均值、方差、最大值、最小值等;还可以是非统计数据,例如频域信息、时域信息、滤波器输出、转换系数等。不同的特征与异常的相关程度不同,当特征较多时,可以选择若干与待判断的异常最相关或包含最多信息量的特征来生成特征向量,这样能够实现数据降维,提升计算效率。除此之外,在生成特征向量之前,还可以对实时电参数进行降噪、数据归一化或标准化等预处理,以确保数据的准确性和一致性。在确定了用于生成特征向量的特征之后,将特征组合成特征向量。计算各特征向量与电池正常运行时的特征向量之间的偏差值;可以是计算特征向量与正常运行时的特征向量之间的均方差;或计算二者之间的距离,如欧氏距离或曼哈顿距离等。比较偏差值和预设偏差阈值,在偏差值大于预设偏差阈值的情况下,确定电池出现异常;可以是比较一个或多个偏差值来确定电池是否出现了异常,例如,当电流、电阻和温度均出现了较大的增加,而电压发生下降时,电池可能出现了漏液;当电流和温度急剧增加,电阻大幅度减小,电压急剧下降时,电池可能发生了短路;当电流减小,电压下降,温度升高时,电池可能发生了盐化。当根据电参数判断电池可能出现异常后,需要对可能存在异常的电池采取进一步的检查,以保障电池的安全稳定运行。
在一个示例性的实施例中,该方法还包括:获取电池与预设采样周期内各时间段相对应的各历史时间段的历史电参数,根据历史电参数确定电池的各电参数阈值;分别比较各实时电参数和对应的各电参数阈值;当实时电参数超出对应的电参数阈值时,确定电池存在异常。
其中,预设采样周期内的各时间段可以是按电池工作状态划分的,例如电池的充电时间段和放电时间段,也可以是按电池的种类划分,例如,对于太阳能电池而言,可以按日夜周期划分,还可以按应用场景划分,例如,当电池为工厂、写字楼供电时,可以按工作日和节假日划分时间段,历史时间段则可以选取与采样周期内各时间段相对应且电池未出现异常的时间段,历史时间段的历史电参数可以用于衡量当前采样周期内的电池是否出现异常。当电池的电参数超出对应的电参数阈值时就代表着电池可能出现了异常,电参数阈值可以根据经验进行设置。考虑到电池正常工作时电参数也可能发生一定程度的波动,设置电参数阈值时,可以为可能发生的波动预留一定的裕度。当电池发生异常时,电参数可能均升高或均降低,也可能是部分电参数升高,部分电参数降低。因此,实时电参数超出对应的电参数阈值,可以是一个或多个实时电参数大于或小于电参数阈值,也可以是若干实时电参数大于对应的电参数阈值;也可以是一些电参数大于对应的电参数阈值,而另一些电参数小于对应的阈值。
示例性地,获取电池与预设采样周期内各时间段相对应的各历史时间段的历史电参数,根据历史电参数确定电池的各电参数阈值,可以通过分析数据分布、标准差或均值等指标来实现,例如可以使用均值加减多个标准差来确定所需的阈值,这样可以降低电池在正常波动状态下被误判为异常的概率;或者使用历史电参数数据训练机器学习模型(如决策树、随机森林或神经网络),令机器学习模型学习正常电池行为的模式,继而确定电池正常工作状态下的电参数值和电参数阈值。将实时电参数与对应的电参数阈值进行比较,可以高效直观地获知电池可能发生了异常,有助于及时进行确认和处理,保障电池***安全稳定运行。
在一个示例性的实施例中,该方法还包括:通过电池数据预测模型生成电池各个时段的预测电参数;对预测电参数和相对应的时间段的实时电参数进行回归分析,得到预测电参数和实时电参数的残差;比较残差和预设残差阈值,当残差超出预设残差阈值时,确定电池存在异常。
其中,电池数据预测模型可以是物理失效模型或***模型。物理失效模型是指可以描述电池在使用过程中可能发生的物理失效机制和现象的数学或理论模型,例如扩散限制模型,极化模型、锂丢失模型以及温度效应模型等。***模型是指用来描述整个电池***的工作原理和性能的模型,例如电池的等效电路模型、热模型、化学模型以及故障检测和诊断模型等。回归分析是指建立数学模型并用该数学模型和若干自变量来预测因变量的值的方法,回归分析有线性回归、多项式回归和非线性回归等类型。残差是指实际值与模型预测值之间的差异,可以根据残差来识别数据中的异常值。
示例性地,通过电池数据预测模型生成电池各个时段的预测电参数,可以是通过内阻模型来估算电池的内阻,或是通过温度模型来模拟电池内部的温度分布,得到预测电参数后,可以使用线性回归、多项式回归或非线性回归等方式来计算预测电参数和实际电参数的残差,获得残差后,可以绘制残差图,将残差值和预测值分别在纵轴和横轴上表示,通过观察残差图中是否有明显的离群数据点来判断是否有异常数据,也可以计算残差的标准化值,将残差的标准化值与预设的标准化阈值相比较,当标准化值超出标准化阈值时,对应的实时电参数可能存在异常。
在一个示例性的实施例中,该方法还包括:获取电池的额定容量、第一时刻的剩余电量和第一时刻的电流;根据电池在第一时刻和第二时刻之间的放电量和电池的额定容量确定电池在第一时刻与第二时刻之间的放电量;其中,第一时刻位于第二时刻之后,放电量为第一时刻的电流与第一时刻与第二时刻的时间差的乘积;计算第二时刻的剩余电量和放电量的第一差值,以第一差值作为电池在第一时刻的理论剩余电量。
其中,电池的额定容量是指电池在制造时或初次投入使用时的额定电荷存储能力,代表着电池能够在标准条件下存储的电量或电荷容量的最大值,通常以安时(Ah)或毫安时(mAh)为单位表示。电池的剩余电量是指电池在特定时刻剩余的可用电能。放电量是指电池在特定时间段内释放的电能量。
示例性地,根据电池在第一时刻和第二时刻之间的放电量和电池的额定容量确定电池在第一时刻与第二时刻之间的放电量,计算第二时刻的剩余电量和放电量的第一差值,以第一差值作为电池在第一时刻的理论剩余电量;可以是计算第一时刻的电流与第一时刻和所述第二时刻之间的时间差的乘积,计算所述乘积与额定容量的商值;计算第二时刻的剩余电量与该商值的第一差值,以第一差值作为第一时刻的理论剩余电量。
在一个示例性的实施例中,根据实时电参数计算电池的健康度参数,包括:获取电池在所述第一时刻的实际剩余电量;计算实际剩余电量与理论剩余电量的平方差,根据平方差的值和第一时刻与第二时刻的时间差确定健康度参数;根据健康度参数与电池的寿命的对应关系确定电池的剩余使用寿命。
其中,健康度参数是指用于衡量电池的状态或性能的参数,该参数可以与电池的剩余电量、充电周期、内阻、温度以及电池电压等参数相关。实际剩余电量可以从电池管理***或其它监测设备获得。
示例性地,根据平方差的值和第一时刻与第二时刻的时间差确定健康度参数,可以是计算平方差与时间差的商值,以该商值作为电池的健康度参数,此时,该参数越小,说明从第一时刻到第二时刻之间,电池的容量衰减程度越小,电池的剩余使用寿命也就越长。也可以将多个健康度参数相结合来综合评估电池的剩余使用寿命。
在一个示例性的实施例中,提供了一种智能配电房蓄电池故障预测***,该***包括数据采集传感器、数据采集模块、云计算模块、数据处理模块、故障预测模块和故障诊断模块。其中,传感器用于采集蓄电池在不同时间段,不同的安装状态下的各项电参数以及环境参数;采集模块用于接收传感器采集的数据,并将数据传输到云计算模块中;云计算模块在数据计算模块、数据分析模块、信息接收模块、信息融合模块和信息处理模块等多个模块的合并协调作用下,对数据进行初步处理;故障预测模块根据处理后的数据对蓄电池进行故障预测;故障诊断模块对处理后的数据进行定性分析和定量分析,对蓄电池故障进行诊断;将预测结果和诊断结果进行对比,以提升智能配电房蓄电池故障诊断的准确性。如图3所示,对上述智能配电房中的蓄电池进行状态评估包括以下步骤:
步骤302:通过采集模块采集蓄电池的电参数和工作环境参数。收集不同季节下电池在自然放电,挂接设备用电设备,在不同故障情况下,对电池状态、电压、电流、剩余容量、剩余时长、电池单体温度、等时序数据信息、机房温湿度、内阻,充放电循环次数数据进行采集,然后通过传感器将数据传输到云计算模块中进行分析;
步骤304:通过数据计算模块和数据分析模块,对蓄电池的电参数进行预处理,通过故障预测模块根据预处理后的数据进行故障预测,得到故障预测结果。对电池状态、电压、电流、剩余容量、剩余时长、电池单体温度等时序数据信息、机房温湿度、内阻,充放电循环次数数据进行计算和分析,得出对应的结果,然后通过信息接收模块、信息融合模块和信息处理模块进行信息的融合处理,然后将信息输送的故障预测模块,通过故障预测模块得到故障预测结果。
步骤306:对蓄电池的电参数进行向量分析,得到向量分析结果。根据向量分析结果判断蓄电池是否存在异常,获得第一故障诊断数据。其中,电参数包括电池状态、电压、电流、剩余容量、剩余时长、电池单体温度、配电房温湿度、内阻,充放电循环次数等时序数据信息,对上述数据进行向量分析,得到向量分析结果。
步骤308:计算蓄电池的剩余容量。蓄电池的剩余容量SOCnow可按下式计算:
SOCnow=SOCpast-(Inow*t)/Qmax
其中,SOCpast为蓄电池在过去时间段剩余容量,Inow为当前电流,Qmax为蓄电池的额定容量。
步骤310:根据蓄电池的剩余容量计算蓄电池的健康度参数。其中,蓄电池的健康度参数SOChlt可按下式计算:
SOChlt=(SOCorig-SOCnow)2╱Tn
通过对最原始的放电量,与每一次的放电量进行对比,通过机器学习的监督学习方法,当有测试数据的时候,可以根据最近一段时间Tn的统计,得到电池的状态,进而估算出蓄电池的剩余寿命预测值。当不存在测试数据的时候;基于模型的方法可以是基于物理失效模型或是***模型,物理失效模型是基于故障内在的物理现象建立的,因此需要对蓄电池的运行机理进行分析和研究,***模型则继续研究蓄电池的输入电量和输出电量之间的关系;混合方法即是将基于数据和上述模型的方法结合起来,它结合了前两种方法的优点。
步骤312:根据故障诊断结果、向量分析结果和故障预测结果判断蓄电池是否存在异常。通过故障诊断模块来进行故障诊断,通过定性分析方式和定量分析方式来构建故障诊断模型,提高智能电房蓄电池故障诊断的准确性,通过组合预测的方式来进行优化,通过将预测结果后残差数据进行了拟合和预处理,然后将故障诊断后的数据进行对比,对智能电房蓄电池故障进行精准诊断。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电池状态评估方法的电池状态评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电池状态评估装置实施例中的具体限定可以参见上文中对于电池状态评估方法的限定,在此不再赘述。
在一个示例性的实施例中,如图4所示,提供了一种电池状态评估装置400,包括:采集模块402、故障诊断模块404和寿命诊断模块406,其中:
采集模块402,用于根据电池的工作状态采集电池在预设采样周期内各时间段的实时电参数;
故障诊断模块404,用于对所述实时电参数进行向量分析,得到向量分析结果,根据所述向量分析结果和所述实时电参数判断所述电池是否存在异常;
寿命诊断模块406,用于根据所述实时电参数计算所述电池的健康度参数,根据所述健康度参数确定所述电池的剩余寿命。
在一个示例性的实施例中,故障诊断模块404还用于:根据各实时电参数生成特征向量;计算各特征向量与电池正常运行时的特征向量之间的偏差值;比较偏差值和预设偏差阈值,在偏差值大于预设偏差阈值的情况下,确定电池出现异常。
在一个示例性的实施例中,故障诊断模块404还用于:获取电池与预设采样周期内各时间段相对应的各历史时间段的历史电参数,根据历史电参数确定电池的各电参数阈值;分别比较各实时电参数和对应的各电参数阈值;当实时电参数超出对应的电参数阈值时,确定电池存在异常。
在一个示例性的实施例中,故障诊断模块404还用于:通过电池数据预测模型生成电池各个时段的预测电参数;对预测电参数和相对应的时间段的实时电参数进行回归分析,得到预测电参数和实时电参数的残差;比较残差和预设残差阈值,当残差超出预设残差阈值时,确定电池存在异常。
在一个示例性的实施例中,采集模块402还用于:获取电池的额定容量、第一时刻的剩余电量和第一时刻的电流;寿命诊断模块406还用于:根据电池在第一时刻和第二时刻之间的放电量和电池的额定容量确定电池在第一时刻与第二时刻之间的放电量;其中,第一时刻位于第二时刻之后,放电量为第一时刻的电流与第一时刻与第二时刻的时间差的乘积;计算第二时刻的剩余电量和放电量的第一差值,以第一差值作为电池在第一时刻的理论剩余电量。
在一个示例性的实施例中,采集模块402还用于:获取电池在所述第一时刻的实际剩余电量;寿命诊断模块406还用于:计算实际剩余电量与理论剩余电量的平方差,根据平方差的值和第一时刻与第二时刻的时间差确定健康度参数;根据健康度参数与电池的寿命的对应关系确定电池的剩余使用寿命。
上述电池状态评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史电参数、实时电参数以及计算模型等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池状态评估方法。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池状态评估方法,其特征在于,所述方法包括:
根据电池的工作状态采集电池在预设采样周期内各时间段的各实时电参数;
对所述各实时电参数进行向量分析,得到向量分析结果,根据所述向量分析结果和所述实时电参数判断所述电池是否存在异常;
根据所述各实时电参数计算所述电池的健康度参数,根据所述健康度参数确定所述电池的剩余寿命。
2.根据权利要求1所述的方法,其特征在于,所述对所述各实时电参数进行向量分析,得到向量分析结果,根据所述向量分析结果和所述实时电参数判断所述电池是否存在异常,包括:
根据所述各实时电参数生成特征向量;
计算各特征向量与所述电池正常运行时的特征向量之间的偏差值;
比较所述偏差值和预设偏差阈值,在所述偏差值大于预设偏差阈值的情况下,确定所述电池出现异常。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述电池与所述预设采样周期内各时间段相对应的各历史时间段的历史电参数,根据所述历史电参数确定所述电池的各电参数阈值;
分别比较所述各实时电参数和对应的所述各电参数阈值;
当所述实时电参数超出对应的所述电参数阈值时,确定所述电池存在异常。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
通过电池数据预测模型生成所述电池各个时段的预测电参数;
对所述预测电参数和相对应的时间段的所述实时电参数进行回归分析,得到所述预测电参数和所述实时电参数的残差;
比较所述残差和预设残差阈值,当所述残差超出所述预设残差阈值时,确定所述电池存在异常。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述电池的额定容量、第一时刻的剩余电量和第一时刻的电流;
根据所述电池在所述第一时刻和第二时刻之间的放电量和所述电池的额定容量确定所述电池在所述第一时刻与所述第二时刻之间的放电量;其中,所述第一时刻位于所述第二时刻之后,所述放电量为所述第一时刻的电流与所述第一时刻与所述第二时刻的时间差的乘积;
计算所述第二时刻的剩余电量和所述放电量的第一差值,以所述第一差值作为所述电池在第一时刻的理论剩余电量。
6.根据权利要求5所述的方法,其特征在于,所述根据所述实时电参数计算所述电池的健康度参数,包括:
获取所述电池在所述第一时刻的实际剩余电量;
计算所述实际剩余电量与所述理论剩余电量的平方差,根据所述平方差的值和所述第一时刻与第二时刻的时间差确定所述健康度参数;
根据所述健康度参数与所述电池的寿命的对应关系确定所述电池的剩余使用寿命。
7.一种电池状态评估装置,其特征在于,所述装置包括:
采集模块,用于根据电池的工作状态采集电池在预设采样周期内各时间段的实时电参数;
故障诊断模块,用于对所述实时电参数进行向量分析,得到向量分析结果,根据所述向量分析结果和所述实时电参数判断所述电池是否存在异常;
寿命诊断模块,用于根据所述实时电参数计算所述电池的健康度参数,根据所述健康度参数确定所述电池的剩余寿命。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218920.6A CN117169761A (zh) | 2023-09-20 | 2023-09-20 | 电池状态评估方法、装置、设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218920.6A CN117169761A (zh) | 2023-09-20 | 2023-09-20 | 电池状态评估方法、装置、设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117169761A true CN117169761A (zh) | 2023-12-05 |
Family
ID=88941184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311218920.6A Pending CN117169761A (zh) | 2023-09-20 | 2023-09-20 | 电池状态评估方法、装置、设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117169761A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420469A (zh) * | 2023-12-11 | 2024-01-19 | 深圳市德兰明海新能源股份有限公司 | 一种电芯一致性筛选方法及计算机存储介质 |
-
2023
- 2023-09-20 CN CN202311218920.6A patent/CN117169761A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117420469A (zh) * | 2023-12-11 | 2024-01-19 | 深圳市德兰明海新能源股份有限公司 | 一种电芯一致性筛选方法及计算机存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
da Silva et al. | Composite reliability assessment based on Monte Carlo simulation and artificial neural networks | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN116455085B (zh) | 一种电池储能电站智能监控*** | |
CN116154900B (zh) | 一种电池储能电站的主动安全三级防控***及方法 | |
Wang et al. | Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及*** | |
CN110146817A (zh) | 锂电池故障的诊断方法 | |
Su et al. | Prediction of remaining useful life for lithium-ion battery with multiple health indicators | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
CN116660759B (zh) | 基于bms电池管理***的电池寿命预测方法及装置 | |
CN117054887A (zh) | 一种锂离子电池***内部故障诊断方法 | |
Kim et al. | Outlier mining-based fault diagnosis for multiceli lithium-ion batteries using a low-priced microcontroller | |
Sun et al. | A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与*** | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Yang et al. | Lithium-ion battery life cycle prediction with deep learning regression 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 | |
CN116901707A (zh) | 一种动力电池组故障预警方法、***及车辆 | |
CN113570473B (zh) | 设备故障监测方法、装置、计算机设备和存储介质 | |
CN105759217A (zh) | 一种基于可测数据的铅酸蓄电池组在线故障诊断方法 | |
Lin et al. | Li-ion battery state of health prediction based on long short-term memory recurrent neural network | |
Xiong et al. | Critical Review on Improved Electrochemical Impedance Spectroscopy-Cuckoo Search-Elman Neural Network Modeling Methods for Whole-Life-Cycle Health State Estimation of Lithium-Ion Battery Energy Storage Systems | |
Degla et al. | An Enhanced Neural Network Application for a Lithium-ion Battery Pack State-of-Health Estimator | |
Zequera et al. | Data Science-based Techniques for Modelling and Diagnostics of Battery Cells Based on End-of-Life criteria |
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 |