CN106154180B - 储能电池充/放电异常行为检测方法及检测系统 - Google Patents
储能电池充/放电异常行为检测方法及检测系统 Download PDFInfo
- Publication number
- CN106154180B CN106154180B CN201610687158.XA CN201610687158A CN106154180B CN 106154180 B CN106154180 B CN 106154180B CN 201610687158 A CN201610687158 A CN 201610687158A CN 106154180 B CN106154180 B CN 106154180B
- Authority
- CN
- China
- Prior art keywords
- current
- discharge
- charge
- under
- state
- 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 89
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 30
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims abstract description 20
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007600 charging Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 28
- 238000007599 discharging Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 6
- 230000032683 aging Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000803 paradoxical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种储能电池充/放电异常行为检测方法和检测系统。其中，该方法包括提取所述储能电池在充/放电状态下的电流、电压数据；将提取的电流数据与充/放电电流阈值比较，并根据比较结果确定所述储能电池的所述充/放电状态；利用K最近邻方法，确定所述储能电池在所述充/放电状态下的电流‑电压空间对应关系中K个最近邻距离和；将所述充/放电状态下的K个最近邻距离和与充/放电状态下的距离阈值进行比较，并根据比较结果来检测所述储能电池的充/放电异常行为。通过本发明实施例，可以为及时发现系统老化、故障等提供支持。
Description
技术领域
本发明实施例涉及电池性能检测技术领域，尤其是涉及一种储能电池充/放电异常行为检测方法及检测系统。
背景技术
新能源发电已经成为我国电力供应的重要组成部分，储能电池作为风光储系统中的重要环节，既可以作为受控负荷，也可以作为受控电源，实现充电与放电的电能传递。然而，由于储能电池使用环境的特殊性，以及实际操作中的使用不当，电池会发生不同程度的老化或故障，带来的储能电池充电或放电行为异常可能会影响整个风光储系统的平稳运行和最优控制，造成不可估量的经济损失，甚至会酿成事故。因此，及时发现系统老化、故障等，避免过度使用或错误使用造成的危险事故是丞待解决的问题。
有鉴于此，特提出本发明。
发明内容
为解决现有技术中存在的技术问题，本发明实施例提出一种至少部分地解决该问题的储能电池充/放电异常行为检测方法。此外，还提出一种储能电池充/放电异常行为检测系统。
为了实现上述目的，在本发明实施例的一方面，提出以下技术方案：
一种储能电池充/放电异常行为检测方法，所述检测方法包括：
提取所述储能电池在充/放电状态下的电流、电压数据；
将提取的电流数据与充/放电电流阈值比较，并根据比较结果确定所述储能电池的所述充/放电状态；
利用K最近邻方法，确定所述储能电池在所述充/放电状态下的电流-电压空间对应关系中K个最近邻距离和；
将所述充/放电状态下的K个最近邻距离和与充/放电状态下的距离阈值进行比较，并根据比较结果来检测所述储能电池的充/放电异常行为。
进一步地，所述提取所述储能电池在充/放电状态下的电流、电压数据，具体包括：
基于训练集，构建电流数据直方图；
基于所述电流数据直方图，用电流分布概率阈值计算电流频次阈值并根据所述电流频次阈值确定所述储能电池的非工作状态；
基于电流数据的分布特点，剔除电流出现次数大于预定次数的所述非工作状态下的电流、电压数据，得到筛选后的电流、电压数据。
进一步地，所述充/放电电流阈值根据以下方式来确定：
判断所述提取的电流数据是否大于零；
如果是，则确定所述储能电池处于所述放电状态，并根据以下公式确定所述放电电流阈值：
ITd＝min(Id)
其中，所述Id表示所述提取的电流数据；所述ITd表示所述放电电流阈值；
否则，确定所述储能电池处于所述充电状态，并根据以下公式确定所述充电电流阈值：
ITc＝max(Ic)
其中，所述Ic表示所述提取的电流数据；所述ITc表示所述充电电流阈值。
进一步地，所述充/放电状态下的距离阈值根据以下方式来确定：
根据以下公式计算基于训练集构建的所述充电状态下的所述电流-电压空间对应关系中，每组连续充电状态下的电流、电压数据在其充电状态持续时间段内的均值：
其中，所述s表示充电状态持续时间；所述ti表示充电状态对应的时刻；所述所述分别表示当前连续充电状态下第ti时刻的电流、电压数据值；所述Icm、所述Vcm分别表示所述每组连续充电状态下的电流、电压数据在其充电状态持续时间段内的均值；
根据以下公式计算所有连续放电状态下的电流、电压数据在其放电状态持续时间段内的均值：
其中，所述s'表示放电状态持续时间；所述ti表示所述放电状态对应的时刻；所述所述分别表示当前连续放电状态下第ti时刻的电流、电压数据值；所述Idm、所述Vdm分别表示所述所有连续放电状态下的电流、电压数据在其放电状态持续时间段内的均值；
根据以下公式分别计算所述训练集上每个所述连续充电、放电状态下电流、电压数据均值的K个最近邻距离和：
其中，所述Icm,j表示第j个连续充电状态下电流数据均值；所述Vcm,j表示所述第j个连续充电状态下电压数据均值；所述所述分别表示所述充电状态下第j个电流、电压数据均值的K个最近邻中对应第i个距离的电流、电压数据均值；所述Dc,j表示所述第j个连续充电状态下电流、电压数据均值Icm,j、Vcm,j的K个最近邻距离和；所述Idm,j表示第j个连续放电状态下电流数据均值；所述Vdm,j表示所述第j个连续放电状态下电压数据均值；所述所述分别代表所述放电状态下第j个电流、电压数据均值的K个最近邻中对应第i个距离的电流、电压数据均值；所述Dd,j表示所述第j个连续放电状态下电流、电压数据均值Idm,j、Vdm,j的K个最近邻距离和；所述K取奇数；所述j取值范围由所述训练集上各自连续充电、放电状态数决定；
在所述充/放电状态下，根据预定的置信水平α将所有所述电流、电压数据均值的K个最近邻距离和的第α分位数对应的距离确定为充/放电状态下的距离阈值。
进一步地，所述方法还包括：
获取所述储能电池原始的电流、电压数据；
遍历全部数据，并以零补足异常存储点，获得每分钟的电流、电压数据；
根据以下公式进行归一化处理：
Vn＝V-3
其中，所述I表示所述每分钟的电流数据；所述V表示所述每分钟的电压数据；所述In表示归一化后的电流数据；所述Vn表示归一化后的电压数据。
进一步地，所述方法还包括：进行参数初始化，其中，参数包括获取所述原始电流、电压数据的天数、训练集大小、分布概率阈值、K最近邻方法中K值及置信水平。
为了实现上述目的，根据本发明实施例的另一方面，还提出一种储能电池充/放电异常行为检测系统，所述检测系统包括：
提取模块，用于提取所述储能电池在充/放电状态下的电流、电压数据；
状态确定模块，用于将提取的电流数据与充/放电电流阈值比较，并根据比较结果确定所述储能电池的所述充/放电状态；
距离和确定模块，用于利用K最近邻方法，确定所述储能电池在所述充/放电状态下的电流-电压空间对应关系中K个最近邻距离和；
检测模块，用于将所述充/放电状态下的K个最近邻距离和与充/放电状态下的距离阈值进行比较，并根据比较结果来检测所述储能电池的充/放电异常行为。
本发明实施例提出一种储能电池充/放电异常行为检测方法及检测系统。基于从储能电池中采集的充放电状态下的电流、电压数据，经过数据预处理、充放电数据筛选，在训练集上分别构建充放电状态下储能电池的电流-电压空间对应关系，采用基于K最近邻算法计算各个储能电池充放电状态下其K个最近邻距离和，并获得距离阈值；在实际充放电异常行为检测阶段，根据当前时刻电流、电压数据判断其充电、放电状态，并计算相应的电流-电压空间对应关系中K个最近邻距离和是否超过距离阈值，实现充放电异常行为的检测，具有较强的实用性和准确性，可以为及时发现系统老化、故障等提供支持。
附图说明
图1是根据本发明一实施例示出的储能电池充/放电异常行为检测方法流程示意图；
图2是根据本发明一实施例示出的储能电池训练集上的电流数据直方图示意图；
图3是根据本发明一实施例示出的基于K最近邻算法的异常检测示意图；
图4是根据本发明一实施例示出的储能电池充/放电异常行为检测系统的结构示意图。
具体实施方式
为了更清楚地说明本发明的目的、技术方案和优点，下面详细介绍本发明的各个步骤，并参照附图及结合具体实例作进一步的详细说明。
本发明的基本思想是通过监测储能电池充放电状态下，电流、电压数据是否满足固有规律，以检测储能电池充放电行为是否发生异常。
从储能电池采集的充放电状态下的电流、电压数据，由于其传输过程中的丢包现象导致存在较多的异常点，且电流、电压数据计算精度和数值范围均不一致，难以直接比较；储能电池非工作状态发生时刻较多，无法直接分析，需要对储能电池的工作/非工作状态予以划分，提取出充放电状态下的电流、电压数据；充放电状态下，储能电池的变化规律不同，需要分别构建充放电的异常行为检测模型。
本发明实施例提供一种储能电池充/放电异常行为检测方法。该检测方法包括：
S100：提取储能电池在充/放电状态下的电流、电压数据。
其中，本步骤可以具体包括：
S101：基于训练集，构建电流数据直方图。
其中，训练集包括电流数据和电压数据。每分钟对电流、电压数据采样一次，且均为常见的储能电池数据类型。例如，对于一天，可以采样1440个样本点；对于N天，则训练集上电流、电压数据各有1440×N的样本点。
图2示例性地示出了储能电池训练集上的电流数据直方图。其中，从S201圆圈标出的电流可以看出0点(电流值为零值的点)附近非工作电流的频次非常高，而其他电流值频次较低，如S202三角形标出的电流所示。
S102：基于电流数据直方图，用电流分布概率阈值计算电流频次阈值并根据电流频次阈值确定储能电池的非工作状态。
本步骤以电流数据为基础来判断储能电池的工作状态，以确定储能电池的非工作状态，从而进行后续的处理。
S103：基于电流数据的分布特点，剔除电流出现次数大于预定次数的非工作状态下的电流、电压数据，得到筛选后的电流、电压数据。
储能电池每天大多处于非工作状态。在非工作状态下，电流数据具有如下分布特点：在充放电状态下电流连续变化，由此会导致0点附近非工作电流频次非常高。本步骤根据电流数据直方图的统计结果剔除电流出现次数大于预定次数的非工作状态下电流、电压数据也即是电流集中在零值附近的非工作状态数据。例如：在具体实施过程中，可以剔除电流出现次数大于1440γ×N次的非工作状态下电流、电压数据，其中，N表示训练集大小；γ表示分布概率阈值。
S110：将提取的电流数据与充/放电电流阈值比较，并根据比较结果确定储能电池的充/放电状态。
本发明实施例可以根据以下方式来确定放电电流阈值和充电电流阈值。
假设Iw表示筛选后的电流数据。
判断提取的电流数据是否大于零。
如果Iw＞0，则储能电池处于放电状态，记录每个连续放电状态对应的时刻且提取该各个时刻对应的电流和电压数据。若提取出的电流数据(即连续放电状态所对应时刻对应的电流数据)为Id，那么根据以下公式来确定放电电流阈值ITd：
ITd＝min(Id)；
如果Iw＜0，则储能电池处于充电状态，记录每个连续充电状态对应的时刻，且提取该各个时刻对应的电流和电压数据。若提取出的电流数据(即连续充电状态所对应时刻对应的电流数据)为Ic，那么根据以下公式来确定充电电流阈值ITc：
ITc＝max(Ic)。
上述假设仅为举例，不应视为对本发明保护范围的不当限定。
下面以一优选实施例来详细说明确定放电电流阈值和充电电流阈值的过程。
本优选实施例以以2013年9月13日某储能电池第1～10分钟的数据为训练集。
预处理后的电流数据为0.5、0.5、0.3、-0.1、-0.5、0.4、0.5、0.2、0.5、-0.3，其中包含两个连续放电状态，如果放电时刻分别为{1,2,3}和{6,7,8,9}，并分别提取出两个连续放电状态对应时刻下的电流、电压数据，放电电流阈值为所有放电时刻中电流的最小值，即ITd＝0.2；如果上述预处理后的数据包含两个连续充电状态，充电时候分别为{4,5}、{10}，并分别提取出两个连续充电状态对应时刻下的电流、电压数据，充电电流阈值为所有充电时刻中电流的最大值ITc＝-0.1。
S120：利用K最近邻方法，确定储能电池在充/放电状态下的电流-电压空间对应关系中K个最近邻距离和。
S130：将充/放电状态下的K个最近邻距离和分别与充、放电状态下的距离阈值进行比较，并根据比较结果来检测储能电池的充/放电异常行为。
本步骤中，距离阈值包括充电状态下的距离阈值和放电状态下的距离阈值。距离阈值可以通过以下方式来确定：
在训练集上分别构建充放电状态下储能电池的电流-电压空间对应关系，并采用基于K最近邻方法训练得到充、放电状态下满足置信水平的距离阈值。
具体地，可以通过以下步骤来确定充、放电状态下的距离阈值：
步骤A：根据以下公式计算基于训练集构建的充电状态下的电流-电压空间对应关系中，每组连续充电状态下的电流、电压数据在其充电状态持续时间段内的均值：
其中，s表示充电状态持续时间；ti表示充电状态对应的时刻；分别表示当前连续充电状态下第ti时刻的电流、电压数据值；Icm、Vcm分别表示每组连续充电状态下的电流、电压数据在其充电状态持续时间段内的均值。
本步骤中，在充电状态下，s由实际的充电状态持续时间决定。
步骤B：根据以下公式计算所有连续放电状态下的电流、电压数据在其放电状态持续时间段内的均值：
其中，s'表示放电状态持续时间；ti表示放电状态对应的时刻；分别表示当前连续放电状态下第ti时刻的电流、电压数据值；Idm、Vdm分别表示所有连续放电状态下的电流、电压数据在其状态持续时间段内的均值。
步骤C：根据以下公式分别计算训练集上每个连续充电、放电状态下电流、电压数据均值的K个最近邻距离和：
其中，Icm,j表示第j个连续充电状态下电流数据均值；Vcm,j表示第j个连续充电状态下电压数据均值；分别表示充电状态下第j个电流、电压数据均值的K个最近邻中对应第i个距离的电流、电压数据均值；Dc,j表示第j个连续充电状态下电流、电压数据均值Icm,j、Vcm,j的K个最近邻距离和；Idm,j表示第j个连续放电状态下电流数据均值；Vdm,j表示第j个连续放电状态下电压数据均值；分别代表放电状态下第j个电流、电压数据均值的K个最近邻中对应第i个距离的电流、电压数据均值；Dd,j表示第j个连续放电状态下电流、电压数据均值Idm,j、Vdm,j的K个最近邻距离和；K取奇数；j取值范围由训练集上各自连续充电、放电状态数决定。
在上述公式中，对于参数j，例如，共有10个连续充电状态、5个连续放电状态，则充电状态下的j最大为10，放电状态下j最大为5。
步骤D：在充/放电状态下，根据预定的置信水平α将所有电流、电压数据均值的K个最近邻距离和的第α分位数对应的距离确定为充、放电状态下的距离阈值。
图3示例性地示出了基于K最近邻算法的异常检测示意图。其中，在充电状态下，电流、电压数据在各自持续状态内的均值，以及在电流-电压空间对应关系中的分布，如S401指出的所有散点：在正常充电行为下，电流、电压数据均值在电流-电压空间对应关系中K个最近邻距离和较小，且小于距离阈值Td1，如S402指出的三角形中点所示；在某一异常充电行为下，电流、电压数据均值在电流-电压空间对应关系中的K个最近邻距离和较大，且大于距离阈值Td1，如S403指出的圆圈中点所示。在放电状态下，电流、电压数据在各自持续状态内的均值，及在电流-电压空间对应关系中的分布，如S404指出的所有散点：在正常放电行为下，电流、电压数据均值在电流-电压空间对应关系中的K个最近邻距离和较小，且小于距离阈值Td2，如S405指出的三角形中点所示；在某一异常放电行为下，电流、电压数据均值在电流-电压空间对应关系的K个最近邻距离和较大，且大于距离阈值Td2，如S406圆圈中点所示。通过图3可以看出在充/放电状态下电流-电压空间对应关系中，基于K最近邻算法的充放电异常行为检测方法能够有效地检测出充放电过程中的异常行为。
优选地，本发明实施例还可以包括数据预处理步骤。其中，对储能电池训练集上的电流、电压数据进行数据异常值处理和归一化处理。
具体地，数据异常值处理可以包括：
步骤a：获取储能电池原始的电流、电压数据。
其中，例如，可以采集精度为0.1A、数值范围为-65A～65A的电流数据以及精度为0.001V、数值范围为2.5V～3.7V的电压数据。
步骤b：遍历全部数据，并以零补足异常存储点，获得每分钟的电流、电压数据。
归一化处理可以包括：根据以下公式进行归一化处理：
Vn＝V-3
其中，I表示每分钟的电流数据；V表示每分钟的电压数据；In表示归一化后的电流数据；Vn表示归一化后的电压数据。
本步骤中可以根据采集到的电流数据的取值范围和精度以及电压数据的取值范围和精度来确定归一化方式。
以精度为0.1A、数值范围为-65A～65A的电流数据以及精度为0.001V、数值范围为2.5V～3.7V的电压数据为例，则归一化后的电流范围在-0.65～0.65、精度为0.001，归一化后的电压范围在-0.5～0.7、精度为0.001。可见，归一化后的电流、电压数据具有相同的计算精度和接近的数值范围，从而可以保证接下来的数据计算的顺利进行。
通过对数据进行预处理，可以获得完整、有效的电流、电压数据，从而可以保证电流、电压数据计算精度和数值范围相一致，为本发明实施例的顺利运行提供了数据基础。
优选地，本发明实施例还可以包括参数初始化步骤。其中，可以设置获取电流、电压数据的天数、训练集大小、分布概率阈值、K最近邻方法中K值及置信水平。
本实施例中的各参数可根据实际情况进行调整，以满足实际需求。例如：可以根据实际需求定义数据计算所需要的相关参数，诸如以稳定运行的30天数据(包含电压、电流数据)作为训练集并设置参数。可以将α的取值范围设在(0,1)之间。
下面以一优选实施例来详细说明本发明实施例提出的充/放电异常行为检测的过程。
步骤E：进行参数初始化。其中，参数可以包括但不限于获取电流、电压数据的天数、训练集大小、分布概率阈值、K最近邻方法中K值、置信水平。
步骤F：获取储能电池当前的电流、电压数据。
步骤G：对储能电池当前的电流、电压数据进行数据异常值处理，得到完整的每分钟电流、电压数据。
步骤H：对完整的每分钟电流、电压数据进行归一化处理。
步骤I：将归一化处理后的电流数据分别与充电电流阈值和放电电流阈值进行比较；如果归一化处理后的电流数据小于充电电流阈值，则储能电池处于充电状态，并执行步骤J至步骤M；如果归一化处理后的电流数据大于放电电流阈值，则储能电池处于放电状态，并执行步骤N至步骤Q。
步骤J：计算电流、电压数据均值及其在电流-电压空间对应关系中K个最近邻距离和。
步骤K：将该距离和与充电状态下的距离阈值进行比较，如果该距离和大于充电状态下的距离阈值，则执行步骤L；否则，执行步骤步骤M。
步骤L：确定储能电池充电行为异常。
步骤M：确定储能电池充电行为正常。
步骤N：计算电流、电压数据均值及其在电流-电压空间对应关系中K个最近邻距离和。
步骤O：将该距离和与放电状态下的距离阈值进行比较，如果该距离和大于放电状态下的距离阈值，则执行步骤P；否则，执行步骤Q。
步骤P：确定储能电池放电行为异常。
步骤Q：确定储能电池放电行为正常。
需要说明的是，除非特别说明，本文中相同的符号可以表示相同的含义。
下面以2013年9月份数据作为训练集为例来说明储能电池异常行为检测的过程。其中，N＝30。
在训练集上经过数据预处理后，获得电流In、电压Vn。以计算精度0.001为组距构建电流In的直方图，并根据给定的分布概率阈值(例如：γ＝5％)，剔除电流出现次数大于1440γ×N＝2160次的非工作状态下的电流、电压数据，得到筛选后的电流Iw、电压Vw数据。当Iw＞0时，储能电池处于放电状态，以储能电池的放电状态变化为分割点，记录连续放电状态对应的时刻，并提取出各时刻对应的电流Id、电压Vd数据，及放电电流阈值(例如：ITd＝min(Id)＝0.008)；当Iw＜0时，储能电池处于充电状态，以储能电池的充电状态变化为分割点，记录连续充电状态对应的时刻，并提取出各时刻对应的电流Ic、电压Vc数据，及充电电流阈值(ITc＝max(Ic)＝-0.007)。分别构建充电、放电状态下电流-电压关系的空间距离模型，并采用K最近邻方法计算当前充电、放电状态下电流、电压数据均值的(K＝3)3个最近距离的和，选择距离和中第(α＝5％)5％分位数对应的数值作为距离阈值，得到：Td1＝0.000645、Td2＝0.000494，并以此实现异常行为检测。
以2015年3月12日采集到的储能电池的电流、电压数据作为测试集为例，经过数据预处理后获得当天归一化后充电电流In、电压Vn。若In＜ITc，储能电池处于充电状态，记录当前时刻电流Ic、电压Vc数据；并计算其均值Icm、Vcm在电流-电压空间对应关系中K个最近邻距离和Dc。若Dc＞Td1，储能电池充电行为异常；否则，充电行为正常。当天存在6个连续的充电状态，持续时间、电流、电压数据均值，及其在充电状态下电流-电压空间对应关系中K个最近邻距离和如表一所示：
表一：
| t | I<sub>cm</sub> | V<sub>cm</sub> | D<sub>c</sub> | 检测结果 |
| 632～641 | -0.0411 | 0.2921 | 0.0000441 | 正常 |
| 672～676 | -0.0412 | 0.3162 | 0.000155 | 正常 |
| 687～691 | -0.0572 | 0.2958 | 0.0000758 | 正常 |
| 704～708 | -0.0576 | 0.3060 | 0.0000282 | 正常 |
| 826～832 | -0.0917 | 0.3126 | 0.000189 | 正常 |
| 943～996 | -0.1356 | 0.3392 | 0.0019 | 异常 |
其中，第6个充电时间段为当天第943～996分，K个最近邻距离和为0.0019，其大于充电状态下距离阈值(Td1＝0.000645)，因而检测结果为对应时刻充电行为异常；而其余时刻的充电状态下得到的距离和均小于距离阈值，则检测结果为充电行为正常。
2015年3月12日当天存在3个持续的放电状态，持续时间、电流、电压数据均值，及其在放电状态下电流-电压空间对应关系中K个最近邻距离和如表二所示。
表二：
| t | I<sub>dm</sub> | V<sub>dm</sub> | D<sub>d</sub> | 检测结果 |
| 505～623 | 0.3316 | 0.266 | 0.0195 | 异常 |
| 664～671 | 0.0294 | 0.2834 | 0.00000478 | 正常 |
| 997～1014 | 0.1503 | 0.3148 | 0.0038 | 异常 |
其中，第1个放电时间段为当天第505～623分，K个最近邻距离和为0.0195大于放电状态下距离阈值(Td2＝0.000494)，因而检测结果为对应时刻放电行为异常；第2个放电时间段为当天第664～671分，K个最近邻距离和为0.00000478，其小于放电状态下的距离阈值，因而检测结果为对应时刻放电行为正常；第3个放电时间段为当天第997～1014分，K个最近邻距离和为0.0038，其大于放电状态下的距离阈值，因而检测结果为对应时刻放电行为异常。
以相同的方法可以处理其他各时刻的数据，得到相应的储能电池充、放电行为的异常或正常的检测结果。所得充、放电异常行为检测结果表明，本发明实施例有效地反映了储能电池充、放电行为的异常变化，具有较强的实际意义，为评估储能电池的充、放电性能提供了基础。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
基于与上述方法实施例相同的技术构思，本发明实施例还提出一种储能电池充/放电异常行为检测系统。如图4所示，该检测系统可以包括：提取模块42、状态确定模块44、距离和确定模块46及检测模块48。其中，提取模块42用于提取储能电池在充/放电状态下的电流、电压数据。状态确定模块44用于将提取的电流数据与充/放电电流阈值比较，并根据比较结果确定储能电池的所述充/放电状态。距离和确定模块46用于利用K最近邻方法，确定储能电池在充/放电状态下的电流-电压空间对应关系中K个最近邻距离和。检测模块48用于将充/放电状态下的K个最近邻距离和与充/放电状态下的距离阈值进行比较，并根据比较结果来检测储能电池的充/放电异常行为。
上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
应该理解，图4中的各个模块的数量仅仅是示意性的。根据实际需要，各模块可以具有任意的数量。
上述系统实施例可以用于执行上述方法实施例，其技术原理、所解决的技术问题及产生的技术效果相似，所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种储能电池充/放电异常行为检测方法，其特征在于，所述检测方法包括：
提取所述储能电池在充/放电状态下的电流、电压数据；
将提取的电流数据与充/放电电流阈值比较，并根据比较结果确定所述储能电池的所述充/放电状态；
利用K最近邻方法，确定所述储能电池在所述充/放电状态下的电流-电压空间对应关系中K个最近邻距离和；
将所述充/放电状态下的K个最近邻距离和与充/放电状态下的距离阈值进行比较，并根据比较结果来检测所述储能电池的充/放电异常行为。
2.根据权利要求1所述的检测方法，其特征在于，所述提取所述储能电池在充/放电状态下的电流、电压数据，具体包括：
基于训练集，构建电流数据直方图；
基于所述电流数据直方图，用电流分布概率阈值计算电流频次阈值并根据所述电流频次阈值确定所述储能电池的非工作状态；
基于电流数据的分布特点，剔除电流出现次数大于预定次数的所述非工作状态下的电流、电压数据，得到筛选后的电流、电压数据。
3.根据权利要求1所述的检测方法，其特征在于，所述充/放电电流阈值根据以下方式来确定：
判断所述提取的电流数据是否大于零；
如果是，则确定所述储能电池处于所述放电状态，并根据以下公式确定所述放电电流阈值：
ITd＝min(Id)
其中，所述Id表示所述提取的电流数据；所述ITd表示所述放电电流阈值；
否则，确定所述储能电池处于所述充电状态，并根据以下公式确定所述充电电流阈值：
ITc＝max(Ic)
其中，所述Ic表示所述提取的电流数据；所述ITc表示所述充电电流阈值。
4.根据权利要求1所述的检测方法，其特征在于，所述充/放电状态下的距离阈值根据以下方式来确定：
根据以下公式计算基于训练集构建的所述充电状态下的所述电流-电压空间对应关系中，每组连续充电状态下的电流、电压数据在其充电状态持续时间段内的均值：
其中，所述s表示充电状态持续时间；所述ti表示充电状态对应的时刻；所述所述分别表示当前连续充电状态下第ti时刻的电流、电压数据值；所述Icm、所述Vcm分别表示所述每组连续充电状态下的电流、电压数据在其充电状态持续时间段内的均值；
根据以下公式计算所有连续放电状态下的电流、电压数据在其放电状态持续时间段内的均值：
其中，所述s′表示放电状态持续时间；所述ti表示所述放电状态对应的时刻；所述所述分别表示当前连续放电状态下第ti时刻的电流、电压数据值；所述Idm、所述Vdm分别表示所述所有连续放电状态下的电流、电压数据在其放电状态持续时间段内的均值；
根据以下公式分别计算所述训练集上每个所述连续充电、放电状态下电流、电压数据均值的K个最近邻距离和：
其中，所述Icm,j表示第j个连续充电状态下电流数据均值；所述Vcm,j表示所述第j个连续充电状态下电压数据均值；所述所述分别表示所述充电状态下第j个电流、电压数据均值的K个最近邻中对应第i个距离的电流、电压数据均值；所述Dc,j表示所述第j个连续充电状态下电流、电压数据均值Icm,j、Vcm,j的K个最近邻距离和；所述Idm,j表示第j个连续放电状态下电流数据均值；所述Vdm,j表示所述第j个连续放电状态下电压数据均值；所述所述分别代表所述放电状态下第j个电流、电压数据均值的K个最近邻中对应第i个距离的电流、电压数据均值；所述Dd,j表示所述第j个连续放电状态下电流、电压数据均值Idm,j、Vdm,j的K个最近邻距离和；所述K取奇数；所述j取值范围由所述训练集上各自连续充电、放电状态数决定；
在所述充/放电状态下，根据预定的置信水平α将所有所述电流、电压数据均值的K个最近邻距离和的第α分位数对应的距离确定为充/放电状态下的距离阈值。
5.根据权利要求1所述的检测方法，其特征在于，所述方法还包括：
获取所述储能电池原始的电流、电压数据；
遍历全部数据，并以零补足异常存储点，获得每分钟的电流、电压数据；
根据以下公式进行归一化处理：
Vn＝V-3
其中，所述I表示所述每分钟的电流数据；所述V表示所述每分钟的电压数据；所述In表示归一化后的电流数据；所述Vn表示归一化后的电压数据。
6.根据权利要求5所述的检测方法，其特征在于，所述方法还包括：进行参数初始化，其中，参数包括获取所述原始电流、电压数据的天数、训练集大小、分布概率阈值、K最近邻方法中K值及置信水平。
7.一种储能电池充/放电异常行为检测系统，其特征在于，所述检测系统包括：
提取模块，用于提取所述储能电池在充/放电状态下的电流、电压数据；
状态确定模块，用于将提取的电流数据与充/放电电流阈值比较，并根据比较结果确定所述储能电池的所述充/放电状态；
距离和确定模块，用于利用K最近邻方法，确定所述储能电池在所述充/放电状态下的电流-电压空间对应关系中K个最近邻距离和；
检测模块，用于将所述充/放电状态下的K个最近邻距离和与充/放电状态下的距离阈值进行比较，并根据比较结果来检测所述储能电池的充/放电异常行为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610687158.XA CN106154180B (zh) | 2016-08-18 | 2016-08-18 | 储能电池充/放电异常行为检测方法及检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610687158.XA CN106154180B (zh) | 2016-08-18 | 2016-08-18 | 储能电池充/放电异常行为检测方法及检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106154180A CN106154180A (zh) | 2016-11-23 |
| CN106154180B true CN106154180B (zh) | 2019-02-05 |
Family
ID=57330634
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610687158.XA Active CN106154180B (zh) | 2016-08-18 | 2016-08-18 | 储能电池充/放电异常行为检测方法及检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106154180B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108121943B (zh) * | 2016-11-30 | 2022-05-06 | 阿里巴巴集团控股有限公司 | 基于图片的判别方法及装置和计算设备 |
| CN108932217A (zh) * | 2017-05-27 | 2018-12-04 | 深圳市中电电力技术股份有限公司 | 能耗统计的方法及装置 |
| US10677849B2 (en) * | 2017-12-19 | 2020-06-09 | GM Global Technology Operations LLC | Methods for determining and characterizing soft shorts in electrochemical cells |
| CN111025043B (zh) * | 2019-11-13 | 2021-08-13 | 深圳猛犸电动科技有限公司 | 一种识别充电行为的方法及终端设备 |
| CN111060831B (zh) * | 2019-11-29 | 2021-04-27 | 深圳猛犸电动科技有限公司 | 电动车电池异常的检测方法、装置、智能设备及存储介质 |
| CN111060832B (zh) * | 2019-11-29 | 2021-05-14 | 深圳猛犸电动科技有限公司 | 电动车电池老化识别方法、装置、终端设备及存储介质 |
| CN111025159B (zh) * | 2019-11-29 | 2021-04-27 | 深圳猛犸电动科技有限公司 | 电动车电池异常检测方法、装置、智能设备及存储介质 |
| CN111308353A (zh) * | 2020-01-07 | 2020-06-19 | 天津市中力神盾电子科技有限公司 | 一种蓄电池异常判断方法和系统 |
| CN112350350B (zh) * | 2020-10-26 | 2022-02-08 | 清华四川能源互联网研究院 | 电池储能和制氢设备的运营管控方法、装置和电子设备 |
| CN112433157B (zh) * | 2020-10-29 | 2024-03-01 | 云南电网有限责任公司丽江供电局 | 动力锂电池的内短路与漏液故障的在线监测与区分系统 |
| CN117648890B (zh) * | 2024-01-30 | 2024-04-02 | 江苏上达半导体有限公司 | 一种基于人工智能的半导体器件建模方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103176138A (zh) * | 2013-02-15 | 2013-06-26 | 中国南方电网有限责任公司调峰调频发电公司 | 一种电池组维护检测方法 |
| CN103645444A (zh) * | 2013-12-23 | 2014-03-19 | 中国科学院电工研究所 | 基于众数原理的电池一致性在线评价方法及检测电路 |
| CN105277891A (zh) * | 2014-07-18 | 2016-01-27 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
| CN105338186A (zh) * | 2015-11-11 | 2016-02-17 | 华南理工大学 | 基于情景感知的Android移动终端电源管理方法 |
| WO2016059126A1 (en) * | 2014-10-17 | 2016-04-21 | Jaguar Land Rover Limited | Battery condition monitoring |
-
2016
- 2016-08-18 CN CN201610687158.XA patent/CN106154180B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103176138A (zh) * | 2013-02-15 | 2013-06-26 | 中国南方电网有限责任公司调峰调频发电公司 | 一种电池组维护检测方法 |
| CN103645444A (zh) * | 2013-12-23 | 2014-03-19 | 中国科学院电工研究所 | 基于众数原理的电池一致性在线评价方法及检测电路 |
| CN105277891A (zh) * | 2014-07-18 | 2016-01-27 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
| WO2016059126A1 (en) * | 2014-10-17 | 2016-04-21 | Jaguar Land Rover Limited | Battery condition monitoring |
| CN105338186A (zh) * | 2015-11-11 | 2016-02-17 | 华南理工大学 | 基于情景感知的Android移动终端电源管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106154180A (zh) | 2016-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106154180B (zh) | 储能电池充/放电异常行为检测方法及检测系统 | |
| EP3770620B1 (en) | Deterioration estimation device and deterioration estimation method | |
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| Garg et al. | Development of recycling strategy for large stacked systems: Experimental and machine learning approach to form reuse battery packs for secondary applications | |
| CN106204330A (zh) | 一种配电网智能诊断系统 | |
| CN105548949A (zh) | 一种智能电能表的故障远程判断方法及其系统 | |
| CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
| CN103679378B (zh) | 基于遥测数据评估航天器健康状态的方法及装置 | |
| CN110535159B (zh) | 一种规模化储能电站运行单元故障预警的方法及系统 | |
| US11099240B2 (en) | Device and method for evaluating energy storage device and evaluation system | |
| CN110333463A (zh) | 一种电芯一致性筛选方法及其系统 | |
| WO2023024851A1 (zh) | 电池均衡方法及系统 | |
| CN103675525A (zh) | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 | |
| CN110988723B (zh) | 一种基于lstm的电池内阻预测及故障预警方法 | |
| Ma et al. | Topology identification of distribution networks using a split-EM based data-driven approach | |
| CN109640335B (zh) | 基于卷积神经网络的无线传感器故障诊断方法 | |
| CN109759354A (zh) | 一种退回蓄电池分流筛选方法 | |
| CN111242161A (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
| CN115061049B (zh) | 一种数据中心ups电池故障快速检测方法及系统 | |
| CN112327189A (zh) | 一种基于knn算法的储能电池健康状态综合判断方法 | |
| CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
| CN106093615A (zh) | 超级电容储能模块的健康状态估计方法 | |
| Dong et al. | Fault diagnosis and classification in photovoltaic systems using scada data | |
| CN104569838A (zh) | 基于远程监控的集装箱储能设备核心部件的评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |