CN117491872A - 一种可重构电池模组故障多级诊断方法 - Google Patents
一种可重构电池模组故障多级诊断方法 Download PDFInfo
- Publication number
- CN117491872A CN117491872A CN202311174144.4A CN202311174144A CN117491872A CN 117491872 A CN117491872 A CN 117491872A CN 202311174144 A CN202311174144 A CN 202311174144A CN 117491872 A CN117491872 A CN 117491872A
- Authority
- CN
- China
- Prior art keywords
- battery module
- data
- neural network
- battery
- diagnosis
- 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 68
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 21
- 238000002405 diagnostic procedure Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000004138 cluster model Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000007599 discharging Methods 0.000 description 4
- 238000012983 electrochemical energy storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 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]
- G01R31/367—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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种可重构电池模组多级诊断方法。所述方法包括:对电池簇建模,基于电势分布进行初级故障诊断;做模拟运行实验,采集数据,建立多参量历史数据库,按8比2划分为训练和测试集;将训练集输入神经网络模型中,训练至测试达到要求时得到最终的模型,否则重新训练和测试;运行时,初级故障诊断识别出异常模组开始二级故障检测;将目标模组切换至检测电路中,在三种充放电倍率下检测,同时备用模组投入使用;提取数据特征后输入训练好的模型中;诊断为故障时,报警并显示故障类型,否则目标模组投入备用。本发明采用多级诊断策略,实现了对模组级故障的精确诊断,降低了误判率,能识别不同程度的故障。
Description
技术领域
本发明涉及一种可重构电池模组故障多级诊断方法,属于储能电池故障诊断领域。
背景技术
“双碳”背景下,电化学储能电站能够促进可再生能源消纳,是实现双碳目标的重要技术支撑。电化学储能电站是由电池、电池管理***等构成的复杂***,其安全性取决于电池、储能变流器等多方面的质量和管理因素。按照江苏省电网侧9座储能电站2018-2021年运行异常数据分析,电池***故障占比74%、BMS故障占比19%、PCS故障占比7%。电池***故障常见有电池过压、欠压、压差、温差、过温、绝缘异常告警、电池模块连接头发热、模块散热风扇故障等故障,其中涉及电池***本体的故障的占比85%,电池本体故障需要停用储能***进行人工补电处理或更换电池模组,现有故障处理方法停电时间长,往往需要停用故障电池舱3-5天,导致储能电站可用率低。现有电池管理技术虽然在近年来得到了长足的发展,但囿于固定串并联的电池连接方式,难以做到充放电的真正均衡,同时也难以准确隔离故障电池。因此,电池管理技术必须在智能化、精细化、大规模成组、在线维护及***安全性等方面进一步寻求突破,通过探索具备本征安全特性的电池储能***架构,明确电池故障诊断、在线维护方法,提高电化学储能电站可用率,保障储能电站安全运行。
在目前的储能电池故障诊断方法中,主要分为基于模型基于数据驱动的方法。人们在这方面的探索虽然以及取得了不少成果,但提出的方法往往存在以下问题:首先对电池故障的诊断都是实时诊断或一步诊断,不能对电池故障进行多级诊断或者超前预测;其次,电池在运行过程中必然会逐渐老化,并且可能会遇到未知的故障情形。基于有限数据训练的预测模型很难兼顾老化和复杂多变的现场情形,给电池故障诊断带来了巨大挑战。
发明内容
本发明为了解决现有技术中存在的问题,提供一种采用了两级诊断策略,降低了误判率的可重构电池模组故障多级诊断方法。
为了达到上述目的,本发明提出的技术方案为:一种可重构电池模组故障多级诊断方法,若干电池模组通过重构***连接成电池簇,其特征在于,包括以下步骤:
步骤1、设置由若干电池模组构成的检测电路,并设置备用电池模组;
其中,检测电路和备用电池模组均通过重构***与电池簇连接;
建立并运行电池簇模型,得到正常状态下各电池模组的电势分布数据,建立电势数据库;
步骤2、构建初级诊断神经网络,利用电势数据库训练初级诊断神经网络;采集电池簇实际运行的各电池模组实时电势分布数据,并输入到初级诊断神经网络进行初级故障诊断,识别出异常电池模组;
步骤3、对电池簇做模拟运行实验,采集各电池模组的多参量数据,建立多参量历史数据库;
步骤4、构建二级诊断神经网络,利用多参量历史数据库训练二级诊断神经网络;
步骤5、将初级故障诊断识别出的异常电池模组切换连入检测电路,并将备用的电池模组补入电池簇;
步骤6、采集切换至检测电路中的异常电池模组的多参量数据,将异常模组的多参量数据输入二级诊断神经网络进行二级故障诊断;
步骤7、若二级故障诊断为异常,则该电池模组为故障模组,否则该电池模组投入备用。对上述技术方案的进一步设计为:所述步骤2中利用电势数据库训练初级诊断神经网络的过程为:对电势数据库中的电势分布数据进行归一化处理,并利用滑窗将电势分布数据切分成固定大小,将切分后的电势分布数据按照8:2的比例划分,80%为训练集,20%则为测试集,将训练集输入到初级诊断神经网络模型中进行训练,待模型收敛后再输入测试集,测试初级诊断准确率达到预期时,训练完成。3、根据权利要求2所述可重构电池模组故障多级诊断方法,其特征在于:所述初级诊断神经网络包括2层全连接神经网络,所述全连接神经网络包括一个输入层,一个隐藏层,一个输出层和一个Softmax层。
所述初级诊断神经网络的输出为:
C(i,j)=Softmax(W2σ(W1X(i,j)+B1)+B2)
其中,X(i,j)是输入矩阵第i行第j列的特征参数数值,W1、B1为输入层参数,W2、B2为隐藏层参数,σ(x)为激活函数。
所述初级诊断神经网络的激活函数为Sigmoid激活函数:
所述的损失函数为MSELoss:
其中,N为训练数据数量,M为类别的数量,yic为符号函数,pic为网络的输出即预测的概率。
所述步骤3中多参量数据包括电池模组输出电压、输出电流和电池模组表面中心位置温度。对多参量历史数据库中的多参量数据进行归一化处理,并利用滑窗将多参量数据切分成固定大小,将切分后的多参量数据按照8:2的比例划分,80%为训练集,20%为测试集,利用训练集数据训练初级诊断神经网络,并利用测试集数据进行测试。
所述二级故障诊断方法采用门控循环单元,具体参数和公式如下:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
yt=σ(wo·ht)
其中,zt、rt分别为t时刻重置门和更新门的状态,σ为Sigmoid激活函数;xt为t时刻的输入,ht为更新后的隐状态;Wr、Wz、Wh分别为重置门、更新门、更新后隐状态的权重矩阵,wo为输出层,yt为网络模型的输出。
所述门控循环神经网络的激活函数为tanh激活函数和Sigmoid激活函数,分别为:
所述的损失函数为Cross Entropy Loss:
其中:为全连接神经网络输出,yi为训练集数据标签。
所述步骤6中,采集检测电路中异常模组的多参量数据,为在三种不同充放电倍率下各采集20-30组,每组数据间隔1-2s,每种充放电倍率的工况采集完数据后,静置1-2min。
与现有技术相比,本发明具有以下优点:
(1)本发明可以针对具体的场景建立相应的多参量历史数据库用来学习,使得训练的模型针对性强,使训练的预测模型可以兼顾老化和复杂多变的现场情形。
(2)本发明不同于以往的一步诊断,采用了两级诊断策略,降低了误判率。
(3)本发明充分利用了储能电池可重构架构下的优势,在检测环节进行了目标电池模组的切换,不影响电池簇的正常运行,安全性强。
附图说明
图1是本发明可重构电池模组故障多级诊断方法的流程图;
图2是本发明故障初级诊断方法中2层全连接网络的结构图。
具体实施方式
下面结合附图以及具体实施例对本发明进行详细说明。
实施例
本实施例的可重构电池模组故障多级诊断方法,电池单体之间的连接拓扑可以被动态重构以适应电池特性和***负载的动态变化,其核心是电池单体不再采用传统固定串并联的连接方式,而是通过***中的可重构的电池串并联方式将每个电池模组作为可管控的单元,通过电池的状态监测及故障评估,实现储能***的在线维护管理。
本实施例采用的装置结构中包括检测电路、电池重构***、数据采集模块、数据处理模块及显示模块:
检测电路,独立于电池簇,由单电池簇中20%数量的电池模组组成;
备用电池模组,由若干带你吃模组组成,备用电池模组和检测电路均通过电池重构***与电池簇连接;
电池重构***,由主控器和电池簇及检测电路中各电池模组连接的状态变换器组成,接受到控制信号后,主控器向对应的状态变换器发出指令,变换器进行相应的动作;
数据采集模块,分为电池簇和检测电路两部分,前者用于采集电池模组的电势分布,后者用于采集电池模组的输出电压、输出电流、外壳表面中心位置温度,并将采集到的信号发送到数据处理模块;
数据处理模块,分为初级诊断和二级诊断两部分,分别用于接收相应模块采集到的数据,并进行故障诊断;
显示模块,用于将数据处理模块的处理和诊断结果输出到终端的人机交互界面上。
如图1所示,为本实施例的可重构电池模组故障多级诊断方法的流程图,包括如下步骤:
设置由若干电池模组构成的检测电路,并设置备用电池模组,检测电路和备用电池模组均通过重构***与电池簇连接;
步骤1:对电池簇建模,基于电势分布进行初级故障诊断;
由于电池簇当中,越靠近母线的电池模组电势越高,越往末端电势则越低。如果电势分布出现异常,则表明其中有电池模组可能存在故障,且可以根据电势异常的位置来定位疑似故障目标。
电池模组成簇后,先建立相应的模型,再通过试运行来得到正常状态下的电势分布曲线,并标注出各电池模组对应的曲线部分。电池簇投入使用后,对采集得到的实时电势分布曲线进行分类,即初级诊断。当分类结果为异常时,向发出信号,启动二级故障诊断程序。
初级诊断的过程为:根据获取的正常状态下电池簇电势分布特征数据,建立数据库,对数据进行归一化处理,并用滑窗将数据切分成固定大小。将数据库中的样本按8:2的比例分为训练集和测试集,80%为训练集,20%则为测试集。输入训练集到神经网络模型中进行训练,模型收敛后再输入测试集,验证分类准确率达到预期时,训练完成。
将训练集输入到2层全连接网络进行训练,直到模型收敛;具体过程为:
如图2所示,所述全连接神经网络包括一个输入层,一个隐藏层,一个输出层和一个Softmax层。设模型的输入矩阵为p=X(i,j),X(i,j)是输入矩阵第i行第j列的特征参数数值,输入矩阵的大小为I×J(由滑窗决定),W1、B1为输入层参数,W2、B2为隐藏层参数,σ(x)为激活函数,输入经过神经网络的计算后得到的结果,即:
C(i,j)=Softmax(W2σ(W1X(i,j)+B1)+B2)
所述的激活函数为Sigmoid激活函数:
输出即为电池故障概率,当概率大于等于0.5时,判定目标电池模组发生异常,否则为正常。将输出与训练集的标签输入损失函数并进行梯度下降与反向传播直至模型收敛。
所述的损失函数为MSELoss:
其中,N为训练数据数量,M为类别的数量,yic为符号函数(如果样本为真实类别取1,否则取0),pic为网络的输出即预测的概率。
步骤2:对电池簇做模拟运行实验,采集数据,建立多参量历史数据库,按8比2划分为训练和测试集;
对电池簇做全工况与全寿命周期的模拟运行实验,采集数据,建立由电池模组输出电压、输出电流、电池模组表面中心位置温度组成的多参量历史数据库。
选择n组健康状态不完全相同但都符合运行安全标准的电池模组,以及n组发生不同故障的电池模组,具体表现为SOH的不同程度衰减。分别提取它们在a、b、c三种充放电倍率下工作时的输出电压Uk、输出电流Ik和电池模组外壳中心表面温度Tk三个特征参量,作为门控循环单元神经网络的输入,将状态是否健康和发生的故障类型作为门控循环单元神经网络的输出。其中,下标k指的是上述三个特征参量在k时刻的采样值;n组不同类型故障包括但不限于电池容量衰退、电池充电异常、电池放电异常、状态采集异常、外壳温度异常等。三种充放电倍率工况包括,a:充电电流为1C,放电电流为0.5C;b:充电电流为2C,放电电流为1C;c:充电电流为3C,放电电流为1C。C为电池充放电倍率,n不小于10。
此处的电池SOH是基于容量定义的:
其中Caged为当前电池可释放出的容量,Cnew为全新电池可释放出的容量。
每个电池模组分别在三种工作状态下,间隔相等的时间采集数据,各采集共100组输出电压、输出电流和外壳表面中心处的温度,总计600n组数据构成数据集,组成多参量历史数据库,再将所有数据按照8:2的比例划分,80%为训练集,20%则为测试集。
步骤3:将训练集输入二级诊断神经网络中,训练至测试达到要求时得到最终的模型,否则重新训练和测试;
二级诊断神经网络采用门控循环单元(GRU),数据处理方式同上,采用滑窗和归一化,具体参数和公式如下:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
yt=σ(wo·ht)
其中,符号[]表示将两个向量首尾相连,*表示矩阵的乘积运算;zt、rt分别为t时刻重置门和更新门的状态,σ为Sigmoid激活函数;xt为t时刻的输入,ht为更新后的隐状态;Wr、Wz、Wh分别为重置门、更新门、更新后隐状态的权重矩阵,wo为输出层,yt为网络模型的输出。
激活函数为tanh激活函数和Sigmoid激活函数:
输出即为各个故障类型的概率,当概率大于等于0.5时,判定目标电池模组发生异常,否则为正常;将输出与训练集的标签输入损失函数并进行梯度下降与反向传播直至模型收敛。所述的损失函数为Cross Entropy Loss:
其中:,为全连接神经网络输出,yi为训练集数据标签。
步骤4:运行时,初级故障诊断识别出异常电池模组开始二级故障检测;
电池簇运行时,初级故障诊断程序对实时监测的电势分布进行在线快速分类,识别出异常的电池模组时启动二级故障检测程序。初级故障诊断程序的输出结果为是否故障以及对应的电池模组编号。输出为有故障时,同时显示故障模组编号;输出为无故障时,显示为空。
步骤5:将异常电池模组切换至检测电路中,在三种充放电倍率下检测,同时备用模组投入使用;
二级故障检测程序启动后,将目标电池模组由电池簇切换至检测电路中,同时备用的电池模组投入使用,维持电池簇的正常运作。备用电池模组和所在的检测电路独立于运行中的电池簇,与电池簇通过重构***相连接。电池重构***的结构包括,检测电路中的各备用电池模组分别连接一个状态变换装置,平时处于浮充状态,需要投入时切换至连接状态。而电池簇中的各模组也连接一个状态变换装置,平时处于运行状态,需要检测时切换至检测状态。
步骤6:提取数据特征后输入训练好的模型中;
在检测电路中,在三种不同充放电倍率下对目标电池模组进行检测,采集目标电池模组各时刻的输出电压、输出电流、电池模组外壳表面中心位置温度,经数据特征提取后输入到训练好的神经网络模型中,分析后输出诊断结果。检测程序中需要采集的数据量为a、b、c三种不同充放电倍率下各20组,每组数据间隔相等的时间,可取1s。每种工况采集完数据后,静置1min。
步骤7:诊断为故障时,报警并显示故障类型,否则目标模组投入备用。
当诊断为目标电池模组发生了某种类型的故障时,发出故障报警信号,并显示故障类型;诊断为未发生故障时,采用小电流进行周期性补电,作为新的备用电池模组。二级故障诊断输出结果为是否故障以及对应的故障类型,具体的故障类型表现为SOH衰减到了何种程度。
本发明的技术方案不局限于上述各实施例,凡采用等同替换方式得到的技术方案均落在本发明要求保护的范围内。
Claims (10)
1.一种可重构电池模组故障多级诊断方法,若干电池模组通过重构***连接成电池簇,其特征在于,包括以下步骤:
步骤1、设置由若干电池模组构成的检测电路,并设置备用电池模组;
其中,检测电路和备用电池模组均通过重构***与电池簇连接;
建立并运行电池簇模型,得到正常状态下各电池模组的电势分布数据,建立电势数据库;
步骤2、构建初级诊断神经网络,利用电势数据库训练初级诊断神经网络;采集电池簇实际运行的各电池模组实时电势分布数据,并输入到初级诊断神经网络进行初级故障诊断,识别出异常电池模组;
步骤3、对电池簇做模拟运行实验,采集各电池模组的多参量数据,建立多参量历史数据库;
步骤4、构建二级诊断神经网络,利用多参量历史数据库训练二级诊断神经网络;
步骤5、将初级故障诊断识别出的异常电池模组切换连入检测电路,并将备用的电池模组补入电池簇;
步骤6、采集切换至检测电路中的异常电池模组的多参量数据,将异常模组的多参量数据输入二级诊断神经网络进行二级故障诊断;
步骤7、若二级故障诊断为异常,则该电池模组为故障模组,否则该电池模组投入备用。
2.根据权利要求1所述可重构电池模组故障多级诊断方法,其特征在于:所述步骤2中利用电势数据库训练初级诊断神经网络的过程为:对电势数据库中的电势分布数据进行归一化处理,并利用滑窗将电势分布数据切分成固定大小,将切分后的电势分布数据按照8:2的比例划分,80%为训练集,20%则为测试集,将训练集输入到初级诊断神经网络模型中进行训练,待模型收敛后再输入测试集,测试初级诊断准确率达到预期时,训练完成。
3.根据权利要求2所述可重构电池模组故障多级诊断方法,其特征在于:所述初级诊断神经网络包括2层全连接神经网络,所述全连接神经网络包括一个输入层,一个隐藏层,一个输出层和一个Softmax层。
4.根据权利要求3所述可重构电池模组故障多级诊断方法,其特征在于:所述初级诊断神经网络的输出为:
C(i,j)=Softmax(W2σ(W1X(i,j)+B1)+B2)
其中,X(i,j)是输入矩阵第i行第j列的特征参数数值,W1、B1为输入层参数,W2、B2为隐藏层参数,σ(x)为激活函数。
5.根据权利要求4所述可重构电池模组故障多级诊断方法,其特征在于:
所述初级诊断神经网络的激活函数为Sigmoid激活函数:
所述的损失函数为MSELoss:
其中,N为训练数据数量,M为类别的数量,yic为符号函数,pic为网络的输出即预测的概率。
6.根据权利要求5所述的可重构电池模组故障多级诊断方法,其特征在于:所述步骤3中多参量数据包括电池模组输出电压、输出电流和电池模组表面中心位置温度。
7.根据权利要求6所述可重构电池模组故障多级诊断方法,其特征在于:对多参量历史数据库中的多参量数据进行归一化处理,并利用滑窗将多参量数据切分成固定大小,将切分后的多参量数据按照8:2的比例划分,80%为训练集,20%为测试集,利用训练集数据训练初级诊断神经网络,并利用测试集数据进行测试。
8.根据权利要求7所述的一种可重构电池模组故障多级诊断方法,其特征在于:
所述二级故障诊断方法采用门控循环单元,具体参数和公式如下:
rt=σ(Wr·[ht-1,xt])
zt=σ(Wz·[ht-1,xt])
yt=σ(wo·ht)
其中,zt、rt分别为t时刻重置门和更新门的状态,σ为Sigmoid激活函数;xt为t时刻的输入,ht为更新后的隐状态;Wr、Wz、Wh分别为重置门、更新门、更新后隐状态的权重矩阵,wo为输出层,yt为网络模型的输出。
9.根据权利要求8所述的一种可重构电池模组故障多级诊断方法,其特征在于:所述门控循环神经网络的激活函数为tanh激活函数和Sigmoid激活函数,分别为:
所述的损失函数为Cross Entropy Loss:
其中:为全连接神经网络输出,yi为训练集数据标签。
10.根据权利要求9所述的可重构电池模组故障多级诊断方法,其特征在于:所述步骤6中,采集检测电路中异常模组的多参量数据,为在三种不同充放电倍率下各采集20-30组,每组数据间隔1-2s,每种充放电倍率的工况采集完数据后,静置1-2min。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311174144.4A CN117491872A (zh) | 2023-09-12 | 2023-09-12 | 一种可重构电池模组故障多级诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311174144.4A CN117491872A (zh) | 2023-09-12 | 2023-09-12 | 一种可重构电池模组故障多级诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117491872A true CN117491872A (zh) | 2024-02-02 |
Family
ID=89673254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311174144.4A Pending CN117491872A (zh) | 2023-09-12 | 2023-09-12 | 一种可重构电池模组故障多级诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117491872A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117741456A (zh) * | 2024-02-20 | 2024-03-22 | 云储新能源科技有限公司 | 一种动态可重构电池网络故障诊断方法、***及电子设备 |
-
2023
- 2023-09-12 CN CN202311174144.4A patent/CN117491872A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117741456A (zh) * | 2024-02-20 | 2024-03-22 | 云储新能源科技有限公司 | 一种动态可重构电池网络故障诊断方法、***及电子设备 |
CN117741456B (zh) * | 2024-02-20 | 2024-05-07 | 云储新能源科技有限公司 | 一种动态可重构电池网络故障诊断方法、***及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及*** | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN109165687A (zh) | 基于多分类支持向量机算法的车用锂电池故障诊断方法 | |
CN111090050A (zh) | 一种基于支持向量机和k均值的锂电池故障诊断方法 | |
US20220276317A1 (en) | Battery failure prediction | |
CN109856299A (zh) | 一种变压器在线监测差异化阈值动态设置方法、*** | |
CN107422266B (zh) | 一种大容量电池储能***的故障诊断方法及装置 | |
CN112307950B (zh) | Gis振动缺陷辨识的细节特征量提取及智能分析方法 | |
CN104021238A (zh) | 一种铅酸动力电池***故障诊断方法 | |
CN109061495A (zh) | 一种混合储能电池组故障诊断方法 | |
CN117491872A (zh) | 一种可重构电池模组故障多级诊断方法 | |
CN111707956B (zh) | 多类型锂离子电池组管理***的健康状态和剩余寿命预测方法 | |
CN108614217A (zh) | 一种电池管理***全自动测试***及实现方法 | |
CN117169751A (zh) | 基于机器学习的储能电站故障监测管理***与方法 | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价***及方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN208076016U (zh) | 一种基于振动信号支持向量机的gil故障在线监测*** | |
CN112327190B (zh) | 一种储能电池健康状态辨识方法 | |
CN117036103A (zh) | 基于lstm循环神经网络的电力***运行态势预测方法 | |
CN114705251B (zh) | 一种制氢电解槽状态监测装置及方法 | |
CN115524625A (zh) | 一种基于特征阻抗的锂电池过充电过放电检测方法 | |
CN115906350A (zh) | 一种微电网故障定位和诊断方法 |
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 |