CN107192953A - 一种基于GA‑Elman的储能电池软故障诊断方法 - Google Patents
一种基于GA‑Elman的储能电池软故障诊断方法 Download PDFInfo
- Publication number
- CN107192953A CN107192953A CN201710266471.0A CN201710266471A CN107192953A CN 107192953 A CN107192953 A CN 107192953A CN 201710266471 A CN201710266471 A CN 201710266471A CN 107192953 A CN107192953 A CN 107192953A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- battery
- fault
- 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.)
- Granted
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000006866 deterioration Effects 0.000 claims description 13
- 239000000178 monomer Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000005336 cracking Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于电池储能技术领域，尤其涉及一种基于GA‐Elman的储能电池软故障诊断方法，包括对不同衰减程度下的端电压信号和荷电状态信号进行采集分析，获得端电压偏离度Devk和SOC惩罚角θk两个特征量，归一化处理后作为GA‐Elman神经网络的输入，以电池衰减后的剩余容量Qk作为GA‐Elman神经网络的输出，求取Qk的相对劣化度，依据相对劣化度确定大容量电池储能系统软故障论域上的四个模糊子集及其隶属函数，建立具有模糊输出的软故障诊断模型，实现电池储能系统软故障的模糊诊断。本发明的方法有较高的准确性，具备电池软故障级别综合判定的能力，为大容量电池储能系统的软故障诊断指明了新的方向。
Description
技术领域
本发明属于电池储能技术领域，尤其涉及一种基于GA-Elman的储能电池软故障诊断方法。
背景技术
随着能源危机和环境问题日益严重，风电、光伏等绿色清洁能源日益受到关注。风电和光伏具有随机性、波动性及间歇性，其大量并网给系统的安全、可靠和高效运行带来较大挑战，大容量电池储能系统有助于改善大规模间歇性可再生能源的波动性和间歇性的研究成为热点。储能电池是大容量电池储能系统的关键组件，同时也是电池储能系统的主要故障来源，对于储能电池的故障尤其是软故障的研究，能够有效预测电池储能系统故障的发生，提升储能系统使用寿命，保证储能系统安全稳定运行。但目前在应用方面仍存在大容量电池储能系统软故障诊断难的问题。
发明内容
针对上述问题，本发明提出了一种基于GA-Elman神经网络的储能电池软故障诊断方法，包括：
步骤1、采集电池储能系统各电池单体的端电压信号和荷电状态信号，将采集的信号传输到计算机中并进行去噪处理；
步骤2、对步骤1中处理后的信号进行特征向量提取，并进行归一化；
步骤3、将归一化后的特征向量作为GA-Elman神经网络的输入，以电池单体衰减后的剩余容量Qk作为输出特征量，选择训练样本进行训练；
步骤4、求取Qk的相对劣化度lk；
步骤5、依据相对裂化度lk确定大容量电池储能系统软故障论域上的四个模糊子集及其隶属函数；
步骤6、将采集到的不同衰减程度下的测试样本输入训练好的GA-Elman神经网络，根据隶属度实现软故障诊断，并对电池软故障级别进行综合判定。
所述步骤2中的特征向量包括的偏离度Devk和电池单体荷电状态信号的惩罚角θk；
(1)偏离度Devk算法公式：
其中，m为采样点的个数，表示编号为k电池单体的第i个采样点对应的端电压值；表示电池未衰减时的第i个采样点对应的端电压值；Devk表示编号为k电池单体的偏离度；
(2)惩罚角θk算法公式：
其中，表示编号为k电池单体的第i个采样点对应的SOC值；表示编号为k电池单体的第i+1个采样点对应的SOC值；T为采样周期；βk表示编号为k电池单体的SOC斜率；β0表示电池未衰减时的SOC斜率；θk表示电池单体的惩罚角。
所述步骤2中归一化的过程为
构造特征向量Fk＝[Devk,θk]，对特征向量进行归一化处理，
Fk'＝[Devk/Ek,θk/Ek]，其中，能量Ek为
所述步骤4中Qk的相对劣化度lk的计算过程为
其中，Q0为该指标的最大允许值，即电池的额定容量；Qmin为该指标的极小值，具体数值为电池额定容量的80％；Qk表示编号为k电池单体衰减后的剩余容量；s表示参数变化对诊断结果的影响程度，通常取1；Qk的相对劣化度lk即编号为k电池单体对应的劣化度。
所述步骤5中，利用三角形和半梯形组合的分布函数，建立不同故障等级的隶属度函数，四个模糊子集对应四种故障等级，依次为一级故障V1、二级故障V2、三级故障V3和正常V4；
四个模糊子集对应的计算公式：
其中，和依次表示编号为k电池单体对于四种故障级别的隶属度，lk表示Qk的相对劣化度。
所述步骤6中对电池软故障级别进行综合判定的具体判定策略为
一级故障：当或者lk＜0时，属于一级故障，需要更换电池；
二级故障：当或者时，属于二级故障，需要停机检查；
三级故障：当或者时，属于三级故障，需要进行限流，限制出力；
正常状态：当时，属于正常状态。
有益效果
本发明根据大容量电池储能系统软故障的特点，通过提取电池特征量，结合GA-Elman神经网络来进行电池衰减剩余容量的估计，根据电池衰减剩余容量的相对劣化度，利用模糊评价方法对电池软故障级别进行综合判定，能够解决大容量电池储能系统软故障诊断难的问题，基于模糊输出的GA-Elman神经网络方法有较高的准确性，具备了电池软故障级别综合判定的能力，为大容量电池储能系统的软故障诊断指明了新的方向。
附图说明
图1是模糊输出的GA-Elman神经网络软故障诊断方法示意图；
图2是GA-Elman神经网络的流程图。
具体实施方式
本发明提出了一种基于GA-Elman的储能电池软故障诊断。下面结合附图，对实施例作详细说明。
如图1所示，本发明基于GA-Elman的储能电池软故障诊断方法包括：根据储能电池软故障的特点，结合故障信号特征提取技术和模糊数学，实现大容量电池储能系统软故障的模糊划分。
具体包括以下步骤：
步骤1、采集电池储能系统各电池单体的端电压信号和荷电状态信号，将采集的信号传输到计算机中并进行去噪处理；
步骤2、对步骤1中处理后的信号进行特征向量提取，并进行归一化；
步骤3、将归一化后的特征向量作为GA-Elman神经网络的输入，以电池单体衰减后的剩余容量Qk作为输出特征量，选择训练样本进行训练；
步骤4、求取Qk的相对劣化度lk；
步骤5、依据相对裂化度lk确定大容量电池储能系统软故障论域上的四个模糊子集及其隶属函数；
步骤6、将采集到的不同衰减程度下的测试样本输入训练好的GA-Elman神经网络，根据隶属度实现软故障诊断，并对电池软故障级别进行综合判定。
所述步骤2包括：
将采集到的电池单体端电压信号与作比较，求取的偏离度Devk，作为GA-Elman神经网络的第一个输入元素；
对采集到的电池单体荷电状态信号进行分析，求取的惩罚角θk，作为GA-Elman神经网络的第二个输入元素；其中，k为对应不同衰减程度电池单体的编号。
特征向量包括的偏离度Devk和电池单体荷电状态信号的惩罚角θk；
(1)偏离度Devk算法公式：
其中，m为采样点的个数，表示编号为k电池单体的第i个采样点对应的端电压值；表示电池未衰减时的第i个采样点对应的端电压值；Devk表示编号为k电池单体的偏离度；
(2)惩罚角θk算法公式：
其中，表示编号为k电池单体的第i个采样点对应的SOC值；表示编号为k电池单体的第i+1个采样点对应的SOC值；T为采样周期；βk表示编号为k电池单体的SOC斜率；β0表示电池未衰减时的SOC斜率；θk表示电池单体的惩罚角。
归一化的过程为
构造特征向量Fk＝[Devk,θk]，对特征向量进行归一化处理，
Fk'＝[Devk/Ek,θk/Ek]，其中，能量
Qk的相对劣化度lk的计算过程为
其中，Q0为该指标的最大允许值，即电池的额定容量；Qmin为该指标的极小值，具体数值为电池额定容量的80％；Qk表示编号为k电池单体衰减后的剩余容量；s表示参数变化对诊断结果的影响程度，通常取1；Qk的相对劣化度lk即编号为k电池单体对应的劣化度。
利用三角形和半梯形组合的分布函数，建立不同故障等级的隶属度函数，四个模糊子集对应四种故障等级，依次为一级故障V1、二级故障V2、三级故障V3和正常V4；
四个模糊子集对应的计算公式：
其中，和依次表示编号为k电池单体对于四种故障级别的隶属度，lk表示Qk的相对劣化度。
对电池软故障级别进行综合判定的具体判定策略为
一级故障：当或者lk＜0时，属于一级故障，需要更换电池；
二级故障：当或者时，属于二级故障，需要停机检查；
三级故障：当或者时，属于三级故障，需要进行限流，限制出力；
正常状态：当时，属于正常状态。
如图2所示，本发明实施例GA-Elman神经网络的流程图，该流程图主要包括首先确定Elman网络拓扑结构，进行阈值初始化，使用GA对初始值进行编码，适用度定义为神经网络的训练误差，之后GA算法开始进行选择、交叉、变异等操作，并不断计算适应度的值，直至适应度满足设定条件，同时认为此时已经获得最优的权值阈值，可以开始进行软故障诊断。最后输出软故障诊断结果，并进行隶属度和故障级别的计算和综合判定。
Claims (6)
1.一种基于GA-Elman的储能电池软故障诊断方法，其特征在于，包括：
步骤1、采集电池储能系统各电池单体的端电压信号和荷电状态信号，将采集的信号传输到计算机中并进行去噪处理；
步骤2、对步骤1中处理后的信号进行特征向量提取，并进行归一化；
步骤3、将归一化后的特征向量作为GA-Elman神经网络的输入，以电池单体衰减后的剩余容量Qk作为输出特征量，选择训练样本进行训练；
步骤4、求取Qk的相对劣化度lk；
步骤5、依据相对裂化度lk确定大容量电池储能系统软故障论域上的四个模糊子集及其隶属函数；
步骤6、将采集到的不同衰减程度下的测试样本输入训练好的GA-Elman神经网络，所述测试样本指电池单体的端电压信号和荷电状态信号,即经过步骤2、3处理之后的特征向量，根据隶属度实现软故障诊断，并对电池软故障级别进行综合判定。
2.根据权利要求1所述方法，其特征在于，所述步骤2中的特征向量包括的偏离度Devk和电池单体荷电状态信号的惩罚角θk；
(1)偏离度Devk算法公式：
<mrow>
<msub>
<mi>Dev</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mfrac>
<mrow>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
</mrow>
<msubsup>
<mi>U</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
</mfrac>
</mrow>
其中，m为采样点的个数，表示编号为k电池单体的第i个采样点对应的端电压值；表示电池未衰减时的第i个采样点对应的端电压值；Devk表示编号为k电池单体的偏离度；
(2)惩罚角θk算法公式：
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&theta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
</mrow>
</mfrac>
<mo>|</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&beta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>S</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>S</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>k</mi>
</msubsup>
</mrow>
<mi>T</mi>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
其中，表示编号为k电池单体的第i个采样点对应的SOC值；表示编号为k电池单体的第i+1个采样点对应的SOC值；T为采样周期；βk表示编号为k电池单体的SOC斜率；β0表示电池未衰减时的SOC斜率；θk表示电池单体的惩罚角。
3.根据权利要求1所述方法，其特征在于，所述步骤2中归一化的过程为
构造特征向量Fk＝[Devk,θk]，对特征向量进行归一化处理，Fk'＝[Devk/Ek,θk/Ek]，其中，能量Ek为
4.根据权利要求1所述方法，其特征在于，所述步骤4中Qk的相对劣化度lk的计算过程为
<mrow>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>Q</mi>
<mn>0</mn>
</msub>
<mo>-</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mi>s</mi>
</msup>
</mrow>
其中，Q0为该指标的最大允许值，即电池的额定容量；Qmin为该指标的极小值，具体数值为电池额定容量的80％；Qk表示编号为k电池单体衰减后的剩余容量；s表示参数变化对诊断结果的影响程度，通常取1；Qk的相对劣化度lk即编号为k电池单体对应的劣化度。
5.根据权利要求1所述方法，其特征在于，所述步骤5中，利用三角形和半梯形组合的分布函数，建立不同故障等级的隶属度函数，四个模糊子集对应四种故障等级，依次为一级故障V1、二级故障V2、三级故障V3和正常V4；
四个模糊子集对应的计算公式：
<mrow>
<msubsup>
<mi>L</mi>
<msub>
<mi>V</mi>
<mn>1</mn>
</msub>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>2</mn>
<mo>-</mo>
<mn>5</mn>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0.2</mn>
<mo><</mo>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo><</mo>
<mn>0.4</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo>&le;</mo>
<mn>0.2</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0.4</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<msubsup>
<mi>L</mi>
<msub>
<mi>V</mi>
<mn>4</mn>
</msub>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0.8</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>5</mn>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mn>3</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0.6</mn>
<mo><</mo>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo><</mo>
<mn>0.8</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>l</mi>
<mi>k</mi>
</msub>
<mo>&le;</mo>
<mn>0.6</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，和依次表示编号为k电池单体对于四种故障级别的隶属度，lk表示Qk的相对劣化度。
6.根据权利要求1所述方法，其特征在于，所述步骤6中对电池软故障级别进行综合判定的具体判定策略为
一级故障：当或者lk＜0时，属于一级故障，需要更换电池；
二级故障：当或者时，属于二级故障，需要停机检查；
三级故障：当或者时，属于三级故障，需要进行限流，限制出力；
正常状态：当时，属于正常状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710266471.0A CN107192953B (zh) | 2017-04-21 | 2017-04-21 | 一种基于GA-Elman的储能电池软故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710266471.0A CN107192953B (zh) | 2017-04-21 | 2017-04-21 | 一种基于GA-Elman的储能电池软故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107192953A true CN107192953A (zh) | 2017-09-22 |
| CN107192953B CN107192953B (zh) | 2019-08-13 |
Family
ID=59872226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710266471.0A Expired - Fee Related CN107192953B (zh) | 2017-04-21 | 2017-04-21 | 一种基于GA-Elman的储能电池软故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107192953B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110224160A (zh) * | 2019-06-12 | 2019-09-10 | 北京亿华通科技股份有限公司 | 一种燃料电池系统故障诊断方法 |
| CN110568360A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种基于模糊逻辑算法的锂电池老化诊断方法 |
| CN110990770A (zh) * | 2019-11-29 | 2020-04-10 | 国网天津市电力公司电力科学研究院 | 一种电动汽车动力电池故障模糊综合评判方法 |
| CN112485644A (zh) * | 2020-11-26 | 2021-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种故障检测电路、故障检测系统及方法 |
| CN112630666A (zh) * | 2019-10-08 | 2021-04-09 | 中国移动通信集团浙江有限公司 | 蓄电池测试排期方法及装置 |
| CN112632850A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种锂电池组中异常电池的检测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
| CA2688758A1 (en) * | 2007-05-16 | 2008-11-27 | Verathon Inc. | System and method for bladder detection using harmonic imaging |
| CN102034019A (zh) * | 2010-10-12 | 2011-04-27 | 重庆大学 | 六氟化硫电气设备绝缘状态综合评估的方法 |
| CN102175460A (zh) * | 2011-01-28 | 2011-09-07 | 中国人民解放军海军工程大学 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| CN104266677A (zh) * | 2014-09-15 | 2015-01-07 | 国家电网公司 | 磁控并联电抗器运行健康状态评估方法 |
| CN104714175A (zh) * | 2013-12-12 | 2015-06-17 | 北京有色金属研究总院 | 电池系统故障诊断方法及系统 |
| US9157968B1 (en) * | 2011-02-22 | 2015-10-13 | Securaplane Technologies, Inc. | System and method for characterizing the health of a rechargeable battery |
-
2017
- 2017-04-21 CN CN201710266471.0A patent/CN107192953B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
| CA2688758A1 (en) * | 2007-05-16 | 2008-11-27 | Verathon Inc. | System and method for bladder detection using harmonic imaging |
| CN102034019A (zh) * | 2010-10-12 | 2011-04-27 | 重庆大学 | 六氟化硫电气设备绝缘状态综合评估的方法 |
| CN102175460A (zh) * | 2011-01-28 | 2011-09-07 | 中国人民解放军海军工程大学 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
| US9157968B1 (en) * | 2011-02-22 | 2015-10-13 | Securaplane Technologies, Inc. | System and method for characterizing the health of a rechargeable battery |
| CN103198322A (zh) * | 2013-01-18 | 2013-07-10 | 江南大学 | 基于机器视觉的磁瓦表面缺陷特征提取及缺陷分类方法 |
| CN104714175A (zh) * | 2013-12-12 | 2015-06-17 | 北京有色金属研究总院 | 电池系统故障诊断方法及系统 |
| CN104266677A (zh) * | 2014-09-15 | 2015-01-07 | 国家电网公司 | 磁控并联电抗器运行健康状态评估方法 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110224160A (zh) * | 2019-06-12 | 2019-09-10 | 北京亿华通科技股份有限公司 | 一种燃料电池系统故障诊断方法 |
| CN110224160B (zh) * | 2019-06-12 | 2021-07-27 | 北京亿华通科技股份有限公司 | 一种燃料电池系统故障诊断方法 |
| CN110568360A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种基于模糊逻辑算法的锂电池老化诊断方法 |
| CN112630666A (zh) * | 2019-10-08 | 2021-04-09 | 中国移动通信集团浙江有限公司 | 蓄电池测试排期方法及装置 |
| CN112630666B (zh) * | 2019-10-08 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 蓄电池测试排期方法及装置 |
| CN110990770A (zh) * | 2019-11-29 | 2020-04-10 | 国网天津市电力公司电力科学研究院 | 一种电动汽车动力电池故障模糊综合评判方法 |
| CN112485644A (zh) * | 2020-11-26 | 2021-03-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种故障检测电路、故障检测系统及方法 |
| CN112485644B (zh) * | 2020-11-26 | 2024-04-05 | 惠州市德赛西威汽车电子股份有限公司 | 一种故障检测电路、故障检测系统及方法 |
| CN112632850A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种锂电池组中异常电池的检测方法及系统 |
| CN112632850B (zh) * | 2020-12-14 | 2024-06-14 | 华中科技大学 | 一种锂电池组中异常电池的检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107192953B (zh) | 2019-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107192953B (zh) | 一种基于GA-Elman的储能电池软故障诊断方法 | |
| CN112858919B (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
| CN112505549B (zh) | 基于孤立森林算法的新能源汽车电池异常检测方法 | |
| CN107422266B (zh) | 一种大容量电池储能系统的故障诊断方法及装置 | |
| CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
| CN112986830A (zh) | 一种基于卷积时间记忆神经网络的锂电池容量估计方法 | |
| CN104617574A (zh) | 一种电力系统负荷区域暂态电压稳定的评估方法 | |
| CN107730084A (zh) | 基于灰色预测和风险评估的变压器检修决策方法 | |
| CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
| CN105335902A (zh) | 电力通信网的可靠性确定方法及装置 | |
| CN104680262A (zh) | 一种受端电网最优分层分区方案获取方法 | |
| CN105911476A (zh) | 一种基于数据挖掘的电池储能系统soc预测方法 | |
| CN118244156B (zh) | 一种模块化储能逆变电源运行故障诊断方法及系统 | |
| CN112327189A (zh) | 一种基于knn算法的储能电池健康状态综合判断方法 | |
| CN113406524A (zh) | 一种动力电池系统的不一致性故障诊断方法及系统 | |
| CN117195505A (zh) | 一种用于电能表信息化评价校准模型的测评方法及系统 | |
| Li et al. | Battery safety risk assessment in real-world electric vehicles based on abnormal internal resistance using proposed robust estimation method and hybrid neural networks | |
| CN117310533A (zh) | 一种质子交换膜燃料电池的寿命加速测试方法及系统 | |
| Wang et al. | An efficient state-of-health estimation method for lithium-ion batteries based on feature-importance ranking strategy and PSO-GRNN algorithm | |
| CN114581699A (zh) | 考虑多源信息时基于深度学习模型的变压器状态评估方法 | |
| CN112327190B (zh) | 一种储能电池健康状态辨识方法 | |
| CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN112327096A (zh) | 一种基于自适应策略的故障诊断信息融合方法及装置 | |
| CN111521905A (zh) | 一种基于多维数据故障度智能融合的电网故障诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190813 Termination date: 20200421 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |