CN109061495A - 一种混合储能电池组故障诊断方法 - Google Patents
一种混合储能电池组故障诊断方法 Download PDFInfo
- Publication number
- CN109061495A CN109061495A CN201810890449.8A CN201810890449A CN109061495A CN 109061495 A CN109061495 A CN 109061495A CN 201810890449 A CN201810890449 A CN 201810890449A CN 109061495 A CN109061495 A CN 109061495A
- Authority
- CN
- China
- Prior art keywords
- battery
- feature vector
- neural network
- network classifier
- sample
- 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
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种储能系统中电池组故障诊断技术，特别是一种混合储能电池组故障诊断方法，对单体电池的电压、电流、温度等信息信号数据进行提取，并通过滤波算法对采集的信号信息数据去除噪声，获得原始带有故障信息的样本，再通过分析从原始信息中提取出电池状况的特征向量，并用此特征向量作为改进型神经网络分类器算法的输入信号，同时建立故障特征向量与故障类型一一对应的电池数据训练规则，用于训练、测试，经测试后诊断精度符合要求的诊断算法，用于对实际运行中的电池组模块进行故障定位。优点在于：诊断方法速度快、效率高，能够提高故障电池检测准确率，及时切除故障电池。
Description
技术领域
本发明涉及一种储能系统中电池组故障诊断技术，特别是一种混合储能电池组故障诊断方法。
背景技术
在电力系统中，运用储能技术可以有效地实现用户需求侧管理，消除昼夜峰谷差，平滑负荷，降低供电成本，同时可以促进可再生能源的利用，提高电网系统运行的稳定性并提高电网电能质量，保证供电的可靠性。作为后备能源的蓄电池系统，蓄电池运行状态是否正常,直接影响着应用领域中各种设备的正常、可靠和安全运行。
电池组的健康程度取决于电池组中健康状态最差的单体电池。一个电池组一般是由数个单体电池或电池模块串联组成，经测试及优选分组的电池组中的各个单体电池之间仍然存在性能差异，这些差异在电池的长期运行过程中因环境的微小差别如温度差能够不同程度地产生新的差异。经过长期运行，个别电池性能明显下降，严重影响电池组性能，甚至造成事故；另外，单体电池的性能下降及故障会降低电池组的充电状态值。
现有的电池故障诊断技术主要分为两个方面：一是利用电池的内阻或电导进行容量估计和判断；二是寻找电池性能故障与电池某个或几个参数的相互关系，通过实时监测与比较同一电池组单体电池间的参数变化进行综合判断。然而上述两种方式的不足之处在于：
（1）对电池状态进行检测时，测量设备与测量方法的不同导致的测量结果也会不同；
（2）测量时温度以及电池工作状态（高倍率充放电时，电池会产生温升，会影响电池电极的活性）的不同也会导致测量结果的不准确；
（3）电池种类与容量的不同也会导致测量结果的较大误差。
发明内容
本发明的目的在于根据现有技术的不足之处而提供一种准确检测故障电池、及时切除故障电池、速度快、效率高的混合储能电池组故障诊断方法。
本发明所述目的是通过以下途径来实现的：
一种混合储能电池组故障诊断方法，其要点在于，包括如下步骤：
1）提取单体电池的电压、电流和温度的信息信号数据，并通过滤波算法对采集的信息信号数据去除噪声，获得原始带有故障信息的样本，
2）提供一种改进型的神经网络分类器，从原始带有故障信息的样本中提取出电池状况的特征向量，并用此特征向量作为神经网络分类器算法的输入信号：
①将提取出的电池状况的特征向量构建特征向量样本数据库，该特征向量样本数据库中的数据样本包括输入特征向量维数以及输出故障种类标签；
②根据特征向量样本数据库中数据样本的输入特征向量维数以及输出故障种类标签对神经网络分类器所需神经元数量进行设计，所述神经元包括故障特征向量和故障类型；
③对神经网络分类器中的各个故障特征向量进行归一化、标准化处理，使得各个故障特征向量都在统一量级上；
④启动神经网络分类器的学习算法，根据设计的初始训练规则，将处理后的故障特征向量与故障类型建立一一映射关系，获得学习训练规则；
⑤通过神经网络分类器的学习算法对特征向量样本数据库中的样本进行训练，补充和修改学习训练规则，直到神经网络分类器达到设计的分类精度要求，获得试验训练规则；
⑥根据试验训练规则，神经网络分类器对特征向量样本数据库之外的电池故障信息样本进行辨识验证；如果不能达到设计的分类精度要求，则将此试验训练规则作为学习训练规则返回步骤⑤进行再训练；
⑦如果试验训练规则达到设计的分类精度要求，则此试验训练规则作为神经网络分类器中的实用训练规则；
⑧采用获得实用训练规则的神经网络分类器对实际运行中的电池组模块进行故障诊断：实际运行中的电池组中单个电池的信息信号数据通过转换成统一量级的故障特征向量后，根据实用训练规则直接映射到对应的故障类型，建立关联并输出关联数据。
在实际使用过程中，当产生新的不被实用训练规则所识别的故障信息信号数据时，神经网络分类器将再次启动学习算法，将新的故障信息信号数据进行训练并列入实用训练规则中，更新神经网络分类器中的训练规则以适应各种不同的故障诊断。
本发明提供了一种混合储能电池组故障诊断方法，其优点在于：采用能够不断改进的神经网络分类器，通过训练、测试、在学习算法中不断的更新实用训练规则，从而能够提高故障电池检测准确率，及时切除故障电池，避免影响储能电池组的整体性能，诊断方法速度快、效率高。
附图说明
图1为本发明所述混合储能电池组故障诊断方法的步骤流程示意图。
下面结合实施例对本发明做进一步描述。
具体实施方式
最佳实施例：
参照附图1，本发明采用的是改进的人工智能故障分类器诊断方法。对单体电池的电压、电流、温度等信息信号数据进行提取，并通过滤波算法对采集的信号信息数据去除噪声，获得原始带有故障信息的样本，再通过分析从原始信息中提取出电池状况的特征向量，并用此特征向量作为改进型神经网络分类器算法的输入信号，同时建立故障特征向量与故障类型一一对应的电池数据训练规则，用于训练、测试，经测试后诊断精度符合要求的诊断算法，用于对实际运行中的电池组模块进行故障定位。
本发明所述一种混合储能电池组故障诊断方法，包括如下步骤：
1）提取单体电池的电压、电流和温度的信息信号数据，并通过滤波算法对采集的信息信号数据去除噪声，获得原始带有故障信息的样本，
2）提供一种改进型的神经网络分类器，从原始带有故障信息的样本中提取出电池状况的特征向量，并用此特征向量作为神经网络分类器算法的输入信号：
①将提取出的电池状况的特征向量构建特征向量样本数据库，该特征向量样本数据库中的数据样本包括输入特征向量维数以及输出故障种类标签（描述电池的故障类型）；
②根据特征向量样本数据库中数据样本的输入特征向量维数以及输出故障种类标签对神经网络分类器所需神经元数量进行设计，所述神经元包括故障特征向量和故障类型；
③对神经网络分类器中的各个故障特征向量进行归一化、标准化处理，使得各个故障特征向量都在统一量级上；如对温度样本Tx1进行归一、标准化处理，则经过归一标准化后的温度样本为（Tx1-Tmin）/（Tmax-Tmin），其中 Tmax为温度样本里的最高温度， Tmax为温度样本里的最低温度；
④启动神经网络分类器的学习算法，根据设计的初始训练规则，将处理后的故障特征向量与故障类型建立一一映射关系，获得学习训练规则；
⑤通过神经网络分类器的学习算法对特征向量样本数据库中的样本进行训练，补充训练规则，直到神经网络分类器达到设计的分类精度要求（训练正确符合率达到95%及以上），获得试验训练规则；
⑥根据试验训练规则，神经网络分类器对特征向量样本数据库之外的电池故障信息样本进行辨识验证（检验泛化能力）；如果不能达到设计的分类精度要求，则将此试验训练规则作为学习训练规则返回步骤⑤进行再训练；
⑦如果试验训练规则达到设计的分类精度要求，则此试验训练规则作为神经网络分类器中的实用训练规则；
⑧采用获得实用训练规则的神经网络分类器对实际运行中的电池组模块进行故障诊断：实际运行中的电池组中单个电池的信息信号数据通过转换成统一量级的故障特征向量后，根据实用训练规则直接映射到对应的故障类型，建立关联并输出关联数据。
在实际使用过程中，当产生新的不被实用训练规则所识别的故障信息信号数据时，神经网络分类器将再次启动学习算法，将新的故障信息信号数据进行训练并列入实用训练规则中，更新神经网络分类器中的训练规则以适应各种不同的故障诊断。
本发明未述部分与现有技术相同。
Claims (1)
1.一种混合储能电池组故障诊断方法，其要点在于，包括如下步骤：
1）提取单体电池的电压、电流和温度的信息信号数据，并通过滤波算法对采集的信息信号数据去除噪声，获得原始带有故障信息的样本，
2）提供一种改进型的神经网络分类器，从原始带有故障信息的样本中提取出电池状况的特征向量，并用此特征向量作为神经网络分类器算法的输入信号：
①将提取出的电池状况的特征向量构建特征向量样本数据库，该特征向量样本数据库中的数据样本包括输入特征向量维数以及输出故障种类标签；
②根据特征向量样本数据库中数据样本的输入特征向量维数以及输出故障种类标签对神经网络分类器所需神经元数量进行设计，所述神经元包括故障特征向量和故障类型；
③对神经网络分类器中的各个故障特征向量进行归一化、标准化处理，使得各个故障特征向量都在统一量级上；
④启动神经网络分类器的学习算法，根据设计的初始训练规则，将处理后的故障特征向量与故障类型建立一一映射关系，获得学习训练规则；
⑤通过神经网络分类器的学习算法对特征向量样本数据库中的样本进行训练，补充和修改学习训练规则，直到神经网络分类器达到设计的分类精度要求，获得试验训练规则；
⑥根据试验训练规则，神经网络分类器对特征向量样本数据库之外的电池故障信息样本进行辨识验证；如果不能达到设计的分类精度要求，则将此试验训练规则作为学习训练规则返回步骤⑤进行再训练；
⑦如果试验训练规则达到设计的分类精度要求，则此试验训练规则作为神经网络分类器中的实用训练规则；
3）采用获得实用训练规则的神经网络分类器对实际运行中的电池组模块进行故障诊断：实际运行中的电池组中单个电池的信息信号数据通过转换成统一量级的故障特征向量后，根据实用训练规则直接映射到对应的故障类型，建立关联并输出关联数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810890449.8A CN109061495A (zh) | 2018-08-07 | 2018-08-07 | 一种混合储能电池组故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810890449.8A CN109061495A (zh) | 2018-08-07 | 2018-08-07 | 一种混合储能电池组故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109061495A true CN109061495A (zh) | 2018-12-21 |
Family
ID=64832163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810890449.8A Pending CN109061495A (zh) | 2018-08-07 | 2018-08-07 | 一种混合储能电池组故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109061495A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110018425A (zh) * | 2019-04-10 | 2019-07-16 | 北京理工大学 | 一种动力电池故障诊断方法及系统 |
| CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
| CN110146817A (zh) * | 2019-05-13 | 2019-08-20 | 上海博强微电子有限公司 | 锂电池故障的诊断方法 |
| CN110426637A (zh) * | 2019-07-04 | 2019-11-08 | 佛山科学技术学院 | 一种基于神经网络的电池故障诊断方法及装置 |
| CN111901158A (zh) * | 2020-07-14 | 2020-11-06 | 广东科徕尼智能科技有限公司 | 一种智能家居配网故障数据分析方法、设备及存储介质 |
| 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 |
| CN112710956A (zh) * | 2020-12-17 | 2021-04-27 | 四川虹微技术有限公司 | 一种基于专家系统的电池管理系统故障检测系统及方法 |
| CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
| CN114323691A (zh) * | 2021-12-28 | 2022-04-12 | 中国科学院工程热物理研究所 | 一种压缩空气储能系统气路故障诊断装置及方法 |
| WO2022149824A1 (ko) * | 2021-01-08 | 2022-07-14 | 주식회사 엘지에너지솔루션 | 배터리 관리 장치 및 방법 |
| CN114781551A (zh) * | 2022-06-16 | 2022-07-22 | 北京理工大学 | 一种基于大数据的电池多故障智能分类识别方法 |
| CN116879788A (zh) * | 2023-07-04 | 2023-10-13 | 广东鸿昊升能源科技有限公司 | 一种储能电柜安全性检测方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
| 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 |
| CN107422266A (zh) * | 2017-03-15 | 2017-12-01 | 中国电力科学研究院 | 一种大容量电池储能系统的故障诊断方法及装置 |
-
2018
- 2018-08-07 CN CN201810890449.8A patent/CN109061495A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101634605A (zh) * | 2009-04-10 | 2010-01-27 | 北京工业大学 | 基于混合推理和神经网络的齿轮箱故障智能诊断方法 |
| 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 |
| CN107422266A (zh) * | 2017-03-15 | 2017-12-01 | 中国电力科学研究院 | 一种大容量电池储能系统的故障诊断方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张洪瑾: "基于模糊神经网络的掘进机液压系统故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110018425A (zh) * | 2019-04-10 | 2019-07-16 | 北京理工大学 | 一种动力电池故障诊断方法及系统 |
| CN110133508B (zh) * | 2019-04-24 | 2022-04-01 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
| CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
| CN110146817A (zh) * | 2019-05-13 | 2019-08-20 | 上海博强微电子有限公司 | 锂电池故障的诊断方法 |
| CN110426637A (zh) * | 2019-07-04 | 2019-11-08 | 佛山科学技术学院 | 一种基于神经网络的电池故障诊断方法及装置 |
| CN111901158A (zh) * | 2020-07-14 | 2020-11-06 | 广东科徕尼智能科技有限公司 | 一种智能家居配网故障数据分析方法、设备及存储介质 |
| 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 |
| CN112710956A (zh) * | 2020-12-17 | 2021-04-27 | 四川虹微技术有限公司 | 一种基于专家系统的电池管理系统故障检测系统及方法 |
| CN112710956B (zh) * | 2020-12-17 | 2023-08-04 | 四川虹微技术有限公司 | 一种基于专家系统的电池管理系统故障检测系统及方法 |
| WO2022149824A1 (ko) * | 2021-01-08 | 2022-07-14 | 주식회사 엘지에너지솔루션 | 배터리 관리 장치 및 방법 |
| CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
| CN114323691A (zh) * | 2021-12-28 | 2022-04-12 | 中国科学院工程热物理研究所 | 一种压缩空气储能系统气路故障诊断装置及方法 |
| CN114323691B (zh) * | 2021-12-28 | 2023-06-23 | 中国科学院工程热物理研究所 | 一种压缩空气储能系统气路故障诊断装置及方法 |
| CN114781551A (zh) * | 2022-06-16 | 2022-07-22 | 北京理工大学 | 一种基于大数据的电池多故障智能分类识别方法 |
| CN114781551B (zh) * | 2022-06-16 | 2022-11-29 | 北京理工大学 | 一种基于大数据的电池多故障智能分类识别方法 |
| CN116879788A (zh) * | 2023-07-04 | 2023-10-13 | 广东鸿昊升能源科技有限公司 | 一种储能电柜安全性检测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109061495A (zh) | 一种混合储能电池组故障诊断方法 | |
| KR102543921B1 (ko) | 이완 전압들에 기반하여 모바일 장치에 대한 배터리 수명을 추정하는 방법 | |
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN110133536B (zh) | 确定电池组实体内部泄漏电流的指标的系统、方法及设备 | |
| CN109856299A (zh) | 一种变压器在线监测差异化阈值动态设置方法、系统 | |
| CN109344517A (zh) | 一种新能源汽车的高压绝缘故障诊断方法 | |
| Li et al. | A weighted Pearson correlation coefficient based multi-fault comprehensive diagnosis for battery circuits | |
| CN113933732A (zh) | 新能源汽车动力电池健康状态分析方法、系统及存储介质 | |
| CN115480180A (zh) | 一种新能源电池健康诊断分析方法 | |
| CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
| CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与系统 | |
| CN108693478A (zh) | 一种锂离子动力电池的漏液检测方法 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN111707943A (zh) | 一种基于电池仿真的电动汽车充电故障预警方法和系统 | |
| CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
| CN109752664A (zh) | 一种充电检测电池组中电芯内阻的方法及应用 | |
| 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 | |
| CN109270383A (zh) | 一种非侵入式充电桩自动检测方法 | |
| Wu et al. | Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity | |
| CN116298947B (zh) | 一种蓄电池核容监测装置 | |
| CN117491872A (zh) | 一种可重构电池模组故障多级诊断方法 | |
| US20230133120A1 (en) | Big-data-based battery diagnostic system and control method therefor | |
| He et al. | How long will my phone battery last? |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
| RJ01 | Rejection of invention patent application after publication |